AI ‘ใช้ได้’ หรือ ‘ใช้เป็น’ ? AI Literacy vs AI Competency

AI Literacy กับ AI Competency ไม่ใช่เรื่องเดียวกัน และความต่างนี้กำลังชี้ว่าใครแค่ ‘ใช้ AI ได้’ กับใครที่ ‘ใช้ AI เป็น’

หลายองค์กรเริ่มเปิดให้พนักงานใช้ Generative AI อย่าง ChatGPT หรือ Copilot พร้อมกับจัดอบรม AI กันมากขึ้น แต่หลังจากอบรมไปแล้ว คำถามสำคัญสำหรับ HRD (Human Resource Development หรือพัฒนาทรัพยากรบุคคล) อาจไม่ใช่แค่ “พนักงานใช้ AI เป็นหรือยัง ?” แต่ควรถามต่อว่า “แล้วพนักงานเอา AI ไปช่วยให้งานดีขึ้นได้จริงแค่ไหน ?”

เพราะคนที่รู้จักวิธีเขียน Prompt อาจยังไม่รู้ว่างานแบบไหนควรหรือไม่ควรใช้ AI อาจยังตรวจสอบคำตอบที่ได้ไม่เป็น หรือยังไม่สามารถนำ AI เข้าไปช่วยลดขั้นตอนงานที่ซ้ำซ้อนได้จริง

นี่คือช่องว่างระหว่าง AI Literacy vs AI Competency

AI Literacy คือ ความรู้และความเข้าใจว่า AI ทำอะไรได้ มีข้อจำกัดอะไร และควรใช้อย่างระมัดระวังแค่ไหน
AI Competency คือ ความสามารถในการนำ AI ไปประยุกต์ใช้กับงานจริง เลือกใช้ให้เหมาะ ตรวจสอบผลลัพธ์ และปรับวิธีทำงานให้ดีขึ้น
สั้น ๆ คือ AI Literacy = เข้าใจ AI
ส่วน AI Competency = ใช้ AI ทำงานได้อย่างมีประสิทธิภาพ

เพิ่มเติมอีกเล็กน้อยว่ามีอีกคำคือ AI Fluency หรือความคล่องในการทำงานร่วมกับ AI สามารถเลือกใช้ ปรับวิธีใช้ และนำ AI เข้าไปเป็นส่วนหนึ่งของกระบวนการทำงานได้อย่างเหมาะสมตามบริบท

พูดง่าย ๆ คือ เราอาจ “รู้จัก AI” แล้ว แต่ยังไม่ได้หมายความว่าเราจะ “ทำงานร่วมกับ AI ได้ดี”

สำหรับองค์กร ความแตกต่างนี้สำคัญมาก เพราะถ้าวัดผิดตั้งแต่ต้น การทำ AI Training เพิ่มอีกหลายหลักสูตรก็อาจไม่ได้แก้ปัญหาที่องค์กรมีอยู่จริง

คำว่า AI Literacy, AI Competency และ AI Fluency ยังมีนิยามแตกต่างกันในแต่ละงานวิจัยและแต่ละองค์กร บทความนี้ใช้แนวคิดของ Thomas K. F. Chiu เป็นแกนในการแยก Literacy กับ Competency แล้วนำมาประยุกต์กับบริบทการทำงานในองค์กร

องค์กรลงทุนกับ AI Training แล้ว แต่จะรู้ได้อย่างไรว่าพนักงานทำงานได้ดีขึ้นจริง ?

เมื่อองค์กรเริ่มพูดเรื่อง AI กับบุคลากร คำถามแรกมักเป็น “ทีมเราเริ่มใช้ AI หรือยัง ?”

คำถามนี้ไม่ได้ผิด แต่ยังไม่เพียงพอ เพราะการมีเครื่องมือ การทดลองใช้ และการนำ AI เข้าไปเป็นส่วนหนึ่งของการทำงานจริง เป็นคนละระดับกันทั้งหมด

องค์กรส่วนใหญ่เริ่มใช้ AI แล้ว แต่ยังไม่ได้ใช้เต็มศักยภาพ

รายงาน The State of AI 2025 ของ McKinsey พบว่า 88% ของผู้ตอบระบุว่าองค์กรของตนมีการใช้ AI เป็นประจำอย่างน้อยหนึ่งส่วนของธุรกิจ เพิ่มจาก 78% ในปีก่อนหน้า

แต่เมื่อมองในระดับทั้งองค์กร ภาพยังต่างออกไป เพราะองค์กรส่วนใหญ่ยังอยู่ในช่วงทดลองหรือทำโครงการนำร่อง และมีประมาณหนึ่งในสามเท่านั้นที่รายงานว่าเริ่มขยายการใช้ AI ในระดับองค์กรแล้ว (McKinsey, 2025)

อีกงานหนึ่งของ McKinsey ในปีเดียวกันพบว่า มีผู้บริหารเพียง 1% ที่มองว่าองค์กรของตนเข้าสู่ระดับที่การใช้ Generative AI มีความพร้อมเต็มที่ หรือสามารถผสานเข้ากับกระบวนการทำงานและสร้างผลลัพธ์ทางธุรกิจได้อย่างจริงจังแล้ว

ตัวเลขสองชุดนี้ชวนให้เห็นเรื่องเดียวกันว่า “เริ่มใช้ AI แล้ว” ไม่ได้แปลว่า “องค์กรเก่งเรื่อง AI แล้ว”

องค์กรอาจซื้อเครื่องมือ เปิดบัญชีให้พนักงาน และจัดอบรมเรียบร้อย แต่สิ่งที่เกิดขึ้นในงานจริงยังคงเป็นการทดลองใช้แบบรายบุคคลก็ได้ (McKinsey: Superagency in the Workplace)

ความต้องการคนที่ทำงานร่วมกับ AI ได้ กำลังเพิ่มขึ้นอย่างรวดเร็ว

อีกคำที่เริ่มถูกพูดถึงมากขึ้นคือ AI Fluency หรือความคล่องในการทำงานร่วมกับ AI

McKinsey Global Institute วิเคราะห์ประกาศรับสมัครงานในสหรัฐฯ และพบว่า ความต้องการทักษะ AI Fluency เพิ่มขึ้นเกือบ 7 เท่าในช่วงสองปีจนถึงกลางปี 2025 และเติบโตเร็วกว่าทักษะประเภทอื่นที่ศึกษา

ในที่นี้ AI Fluency ไม่ได้หมายถึงการเขียน Prompt เก่งอย่างเดียว แต่รวมถึงการใช้และจัดการ AI ในงานประจำ การนำ AI เข้าไปอยู่ในกระบวนการทำงาน การตีความผลลัพธ์ ใช้วิจารณญาณ และปรับวิธีใช้ให้ได้ผลดีขึ้น

นั่นหมายความว่า ตลาดกำลังต้องการมากกว่า “คนที่เคยใช้ AI” โดยต้องการคนที่รู้ว่าจะใช้มันกับงานอย่างไร

AI Skill Gap เกิดขึ้นแล้ว แม้องค์กรจะจัดอบรมอยู่ก็ตาม

ผลสำรวจปี 2026 ของ DataCamp ซึ่งทำร่วมกับ YouGov กับผู้นำองค์กรกว่า 500 คนในสหรัฐฯ และสหราชอาณาจักร พบว่า 82% ขององค์กรมี AI Training บางรูปแบบแล้ว แต่ 59% ยังรายงานว่ามีช่องว่างด้านทักษะ AI หรือ AI Skill Gap และมีเพียง 35% ที่มองว่าองค์กรของตนมีระบบพัฒนาทักษะ AI ที่พร้อมในระดับทั้งองค์กร

ตัวเลขนี้ไม่ได้แปลว่า AI Training ไม่มีประโยชน์ แต่ทำให้ต้องย้อนถามว่า สิ่งที่อบรมไปตรงกับสิ่งที่พนักงานต้องทำจริงหรือยัง ?

สำหรับ HRD คำตอบจึงอาจไม่ใช่การเพิ่มคอร์สอีกหนึ่งคอร์สทันที แต่ควรรู้ก่อนว่า พนักงานอยู่ตรงไหน ต้องพัฒนาความสามารถอะไร และเมื่อพัฒนาแล้ว งานส่วนไหนควรดีขึ้น (DataCamp: Why Traditional AI Training Isn’t Working in 2026, 2026)

AI Literacy คือ รู้ เข้าใจ และประเมิน AI เป็น

งานของ Thomas K. F. Chiu ในวารสาร Interactive Learning Environments แยก AI Literacy กับ AI Competency ออกจากกันอย่างน่าสนใจ

Chiu อธิบาย AI Literacy ในฐานะพื้นฐานความเข้าใจเกี่ยวกับ AI ซึ่งช่วยให้คนสามารถใช้งานและตั้งคำถามกับ AI อย่างมีวิจารณญาณ รู้ข้อจำกัด ตัดสินใจได้อย่างมีข้อมูล และคำนึงถึงการใช้งานอย่างรับผิดชอบ

ดังนั้นคนที่มี AI Literacy ควรรู้ประมาณว่า AI ทำอะไรได้และทำอะไรไม่ได้ รู้ว่าคำตอบจาก AI อาจผิดหรือแต่งข้อมูลขึ้นมาได้ รู้ว่าควรตรวจสอบข้อมูลก่อนนำไปใช้ และรู้ว่าข้อมูลบางประเภทไม่ควรถูกป้อนเข้าเครื่องมือโดยไม่คำนึงถึงความเป็นส่วนตัวและนโยบายขององค์กร

ลองนึกถึงพนักงานที่ใช้ ChatGPT ช่วยสรุปเอกสาร ถ้าเขามี AI Literacy เขาจะไม่คิดว่า “AI สรุปมาแล้ว แปลว่าถูก” แต่จะรู้ว่าต้องกลับไปเทียบกับต้นฉบับ โดยเฉพาะตัวเลข ชื่อคน ข้อสรุป หรือข้อมูลที่มีผลต่อการตัดสินใจ

อย่างไรก็ตาม การมีพื้นฐานเหล่านี้ยังไม่ได้หมายความโดยอัตโนมัติว่า พนักงานคนนั้นจะสามารถออกแบบวิธีใช้ AI เพื่อให้งานเร็วขึ้น ดีขึ้น หรือทำซ้ำได้อย่างเป็นระบบ

ตรงนั้นเริ่มเข้าใกล้ AI Competency (Chiu: AI literacy and competency, 2025)

AI Competency คือ ใช้ AI กับงานจริงได้ และรู้ว่าจะทำให้ดีขึ้นอย่างไร

ถ้า AI Literacy เป็นฐานความเข้าใจ AI Competency จะขยับมาที่ความสามารถในการลงมือทำ

Chiu อธิบาย AI Competency ว่าเป็นความสามารถเชิงปฏิบัติในการใช้ มีปฏิสัมพันธ์ พัฒนา หรือจัดการระบบ AI ในบริบทจริง โดยไม่จำเป็นว่าทุกคนต้องเป็นนักพัฒนา AI แต่ต้องสามารถใช้ AI เพื่อทำงานที่ต้องการได้อย่างเหมาะสมและรับผิดชอบ

ความแตกต่างจึงอยู่ประมาณนี้

คนที่มี AI Literacy อาจถามว่า “AI ตัวนี้มีข้อจำกัดอะไร ?”

ส่วนคนที่มี AI Competency จะถามเพิ่มว่า “ถ้าจะใช้ AI ตัวนี้กับงานของฉัน ควรใช้ตรงไหน ใช้อย่างไร และต้องตรวจอะไรบ้าง ?”

ตัวอย่างเช่น พนักงาน HR ไม่ได้เพียงใช้ AI ร่างประกาศรับสมัครงาน แต่สามารถกำหนดข้อมูลที่ควรและไม่ควรใส่ เลือกขั้นตอนที่เหมาะกับการใช้ AI ตรวจเนื้อหาก่อนเผยแพร่ ลดการทำงานซ้ำบางส่วน และยังรักษาความปลอดภัยของข้อมูลผู้สมัครได้

ดังนั้น AI Competency ไม่ได้เท่ากับ Prompt เก่ง

การเขียน Prompt เป็นเพียงหนึ่งทักษะ เพราะสิ่งที่สำคัญกว่าคือ พนักงานรู้หรือไม่ว่า AI เหมาะกับงานตรงไหน รู้วิธีตรวจผลลัพธ์หรือไม่ สามารถปรับกระบวนการทำงานให้ดีขึ้นได้ไหม และยังรับผิดชอบต่อผลงานสุดท้ายอยู่หรือเปล่า

ทำไมการแยก AI Literacy กับ AI Competency ถึงสำคัญต่อองค์กร ?

ปัญหาที่เกิดขึ้นได้ง่ายคือ องค์กรจัดอบรมในระดับ AI Literacy แต่กลับคาดหวังผลลัพธ์ในระดับ AI Competency

เช่น จัด Workshop หนึ่งวันให้พนักงานรู้จัก Generative AI รู้หลักการเขียน Prompt และได้ทดลองใช้เครื่องมือ

หลังอบรม พนักงานอาจรู้จัก AI มากขึ้นจริง แต่ไม่ได้หมายความว่าในวันรุ่งขึ้นเขาจะสามารถกลับไปออกแบบกระบวนการทำงานใหม่ ลดเวลาในการทำงาน หรือเลือก Use Case ที่เหมาะกับฝ่ายของตนได้ทันที

นี่คือเหตุผลว่าทำไมการอบรมกับการสร้างความสามารถจึงไม่ใช่เรื่องเดียวกัน

รายงาน Superagency ของ McKinsey ยังพบว่า 47% ของผู้บริหารระดับ C-suite ที่สำรวจมองว่าองค์กรของตนพัฒนาและปล่อยเครื่องมือ Generative AI ช้าเกินไป และในกลุ่มผู้บริหารที่มองว่าช้าเกินไปนั้น 46% ระบุช่องว่างด้านทักษะของบุคลากรเป็นสาเหตุสำคัญที่สุด

สำหรับ HRD ประเด็นจึงไม่ใช่เพียง “ปีนี้จัด AI Training ไปกี่ชั่วโมง ?”

แต่อาจต้องถามว่า “หลังเรียนแล้ว พนักงานทำอะไรได้เพิ่มขึ้น ?”

ทำไมองค์กรจึงไม่ควรวัดทักษะ AI ด้วยคำถามว่า “ใช้ AI เป็นหรือยัง” เพียงอย่างเดียว ?

ลองนึกถึงพนักงานสองคนที่ใช้ AI ทุกวันเหมือนกัน

คนแรกใช้ AI ช่วยร่างอีเมล สรุปข้อมูล และระดมความคิด

อีกคนใช้ AI ทำงานเหล่านั้นเหมือนกัน แต่ยังสามารถวิเคราะห์ได้ว่างานขั้นตอนไหนควรใช้ AI สร้างกระบวนการที่ทีมทำซ้ำ ๆ ได้ วางจุดตรวจสอบคุณภาพ และเปรียบเทียบได้ว่าวิธีใหม่ช่วยประหยัดเวลาหรือลดความผิดพลาดจริงหรือไม่

จำนวนวันที่ใช้ AI อาจเท่ากัน แต่ AI Competency ไม่เท่ากัน

ในทางกลับกัน คนบางตำแหน่งอาจใช้ AI ไม่บ่อย เพราะงานเกี่ยวข้องกับข้อมูลอ่อนไหว มีข้อจำกัดสูง หรือต้องผ่านกระบวนการอนุมัติหลายชั้น

การวัดจาก “ความถี่ในการใช้” เพียงอย่างเดียวจึงอาจทำให้ HR เข้าใจผิดว่าคนที่ใช้เยอะเก่งกว่าเสมอ

สิ่งที่ควรมองให้ลึกกว่าคือ

• ตำแหน่งนี้จำเป็นต้องใช้ AI ทำอะไร
• พนักงานทำสิ่งนั้นได้ในระดับไหนแล้ว
• ช่องว่างระหว่างระดับปัจจุบันกับระดับที่ต้องการคืออะไร
• และเมื่อพัฒนาแล้ว จะเห็นผลที่งานตรงไหน

4 ระดับ AI Competency ที่องค์กรอาจใช้เป็นกรอบประเมินเบื้องต้น

องค์กรไม่จำเป็นต้องวัดพนักงานทุกคนด้วยข้อสอบเดียวกัน และไม่จำเป็นต้องตั้งเป้าว่าทุกคนต้องใช้ AI ได้ในระดับสูงสุด

เพื่อให้ HRD เห็นภาพง่ายขึ้น เราสามารถแบ่งความสามารถออกเป็น 4 ระดับสำหรับใช้คุย วางแผน และออกแบบการเรียนรู้เบื้องต้นได้

หมายเหตุ 4 ระดับต่อไปนี้เป็นกรอบใช้งานที่สังเคราะห์ขึ้นเพื่อช่วยให้องค์กรเห็นพัฒนาการของทักษะได้ง่ายขึ้น ไม่ใช่มาตรฐานสากลหรือกรอบที่ Chiu, McKinsey หรือ DataCamp กำหนดไว้โดยตรง

ระดับ 1 Explorer เริ่มต้นเรียนรู้และเข้าใจ AI

พนักงานเริ่มรู้จักเครื่องมือ AI ทดลองกับงานความเสี่ยงต่ำ และพอมองออกว่า AI ช่วยเรื่องอะไรได้บ้าง

อาจใช้ AI สรุปข้อมูล ร่างข้อความ หรือช่วยคิดไอเดีย และเริ่มรู้ว่าคำตอบที่ได้ต้องตรวจสอบ ไม่ควรเชื่อทันที

สิ่งที่ควรพัฒนาต่อคือ AI Literacy พื้นฐาน การใช้งานอย่างปลอดภัย และความสามารถในการเลือกว่างานไหนควรหรือไม่ควรใช้ AI

ระดับ 2 Apprentice นำ AI มาประยุกต์ใช้กับงาน

พนักงานสามารถใช้ AI ทำงานตามโจทย์ที่ชัดเจน รู้จักให้บริบท บอกเงื่อนไข และปรับคำสั่งให้ได้คำตอบตรงกับสิ่งที่ต้องการมากขึ้น

แต่ยังอาจต้องใช้ Template แนวทางจากทีม หรือต้องให้คนที่มีประสบการณ์ช่วยตรวจเป็นระยะ

จุดที่ควรพัฒนาคือ การตรวจคุณภาพ การประยุกต์ใช้กับโจทย์จริง และการไม่พึ่งคำตอบจาก AI โดยขาดวิจารณญาณของตัวเอง

ระดับ 3 Collaborator ทำงานร่วมกับ AI อย่างเป็นระบบ

เมื่อขึ้นมาระดับนี้ AI ไม่ได้ถูกใช้เป็นเครื่องมือ “ถามครั้งเดียวแล้วจบ”

พนักงานเริ่มรู้ว่าควรแบ่งงานระหว่างมนุษย์กับ AI อย่างไร ใช้ AI ช่วยวิเคราะห์ เปรียบเทียบ สังเคราะห์ หรือต่อยอดแนวคิด แล้วค่อยใช้ความเชี่ยวชาญของตัวเองตัดสินผลลัพธ์

ที่สำคัญคือสามารถสร้างกระบวนการทำงานที่ทำซ้ำได้ และยังรับผิดชอบตรวจสอบผลงานก่อนส่งต่อ

สิ่งที่ควรพัฒนาต่อคือ การออกแบบกระบวนการทำงาน การประเมินผลลัพธ์ และการถ่ายทอดวิธีใช้ให้คนอื่นในทีม

ระดับ 4 Architect ออกแบบและยกระดับกระบวนการทำงานด้วย AI

ระดับนี้ไม่จำเป็นต้องหมายถึงการเป็นวิศวกร AI แต่หมายถึงคนที่สามารถถอยออกมามองกระบวนการทั้งหมด แล้วตั้งคำถามว่า “ตรงไหนควรให้ AI ทำ ตรงไหนควรให้คนตัดสินใจ และเราจะรู้ได้อย่างไรว่าวิธีใหม่นี้ดีกว่าเดิม ?”

พนักงานระดับนี้อาจสามารถออกแบบ Workflow หลายขั้นตอน กำหนดจุดตรวจสอบและจุดอนุมัติ วางขอบเขตการใช้ AI และประเมินผลด้วยตัวชี้วัดที่เกี่ยวข้องกับงาน เช่น เวลา คุณภาพ ความผิดพลาด หรือต้นทุน

เป้าหมายไม่ใช่การให้พนักงานทุกคนกลายเป็น Architect

บางตำแหน่งอาจสร้างคุณค่าให้องค์กรได้มากแล้วในระดับ Collaborator ขณะที่ผู้ที่ดูแลการปรับปรุงกระบวนการของทั้งแผนกอาจต้องการความสามารถที่สูงกว่า

ดังนั้นกรอบนี้ควรถูกใช้เพื่อถามว่า “ตำแหน่งนี้ควรไปถึงระดับไหน ?” ไม่ใช่ใช้แบ่งว่าใคร “เก่ง” หรือ “ไม่เก่ง”

บทบาทของ Production Team ในยุค AI Competency

เรื่อง AI Literacy กับ AI Competency ไม่ได้เกี่ยวกับ HRD เพียงฝ่ายเดียว

สำหรับทีม Production หรือทีมที่ทำงานด้านสื่อ ความแตกต่างนี้เห็นได้ค่อนข้างชัด

AI สามารถเข้ามาช่วยงานหลายขั้นตอน เช่น การค้นคว้าข้อมูล ร่างบท ช่วยแตกแนวทางสตอรีบอร์ด ทำคำบรรยาย ตรวจข้อมูลเบื้องต้น หรือช่วยตรวจคุณภาพบางประเภท แต่การมีเครื่องมือเหล่านี้ไม่ได้ทำให้กระบวนการผลิตดีขึ้นโดยอัตโนมัติ

ทีมยังต้องรู้ว่า งานไหนเหมาะกับ AI งานไหนต้องใช้คนตรวจ งานไหนเกี่ยวข้องกับลิขสิทธิ์หรือข้อมูลที่ไม่ควรป้อนเข้าไป และผลลัพธ์จาก AI ตรงตามโจทย์ของลูกค้าจริงหรือไม่

ทีมที่มี AI Competency จึงไม่ได้พยายามให้ AI “ทำแทนทุกอย่าง” แต่รู้ว่าจะใช้ AI ตรงไหนเพื่อคืนเวลาให้คนไปทำงานที่ต้องใช้ความคิดสร้างสรรค์ ความเข้าใจบริบท การตัดสินใจ และประสบการณ์มากกว่า

ในมุมขององค์กร นี่อาจเป็นเป้าหมายที่สำคัญกว่าการวัดว่า “ปีนี้มีพนักงานใช้ AI กี่เปอร์เซ็นต์ ?”

เพราะสุดท้าย สิ่งที่องค์กรต้องการไม่ใช่จำนวนคนที่ใช้ AI ได้ แต่คือจำนวนคนที่สามารถ ใช้ AI อย่างเหมาะสม ตรวจสอบเป็น และเปลี่ยนมันให้กลายเป็นผลลัพธ์ที่ดีขึ้นในงานจริง

และนั่นคือเหตุผลที่ AI Literacy vs AI Competency เป็นความแตกต่างที่ HRD และผู้บริหารควรแยกให้ออก ก่อนวางแผน AI Training รอบถัดไป

บทความโดย ทีม Learn Studio