AI สำหรับ HR: งานไหนช่วยได้ และอะไรห้ามให้ AI ตัดสินใจ

AI ช่วยให้ทีม HR ประหยัดเวลาจากงานเอกสารและการค้นข้อมูลได้มาก แต่ความเร็วไม่ควรแลกกับการให้โมเดลตัดสินว่าใครควรได้งาน ได้ขึ้นเงินเดือน หรือถูกลงโทษ เพราะการตัดสินใจเหล่านี้กระทบชีวิตคน มีความเสี่ยงด้านอคติ ความเป็นส่วนตัว และสิทธิในการโต้แย้ง

หลักคิดง่าย ๆ คือให้ AI ช่วย จัดระเบียบ สรุป ร่าง และชี้จุดที่ต้องตรวจ ส่วนคนที่มีอำนาจและความรู้บริบทต้องเป็นผู้ตัดสินใจ แหล่งข้อมูลอย่าง NIST และหน่วยงานแรงงานหลายประเทศเน้นการบริหารความเสี่ยงและความรับผิดชอบขององค์กร แต่ข้อกำหนดแตกต่างกันตามประเทศ บทความนี้เป็นแนวทางออกแบบ workflow ไม่ใช่คำปรึกษาทางกฎหมาย

งาน HR ที่ AI ช่วยได้เมื่อมีขอบเขต

• ร่าง job description จากข้อมูล role ที่ HR อนุมัติแล้ว
• จัดรูปแบบ resume หรือโน้ตสัมภาษณ์ให้ใช้ template เดียวกัน
• สรุปคำถามที่ผู้สมัครถามและค้นคำตอบจาก policy ที่เป็นปัจจุบัน
• เตรียมตารางนัดหมายและแจ้งเตือนโดยไม่ตัดสินผู้สมัคร
• สรุป feedback การอบรมเป็นหัวข้อและคำถามต่อ
• ตรวจว่าฟอร์มมีช่องว่างหรือข้อมูลซ้ำ โดยไม่สร้างคะแนนคน
• ร่างประกาศภายในให้ HR ตรวจน้ำเสียงและความถูกต้อง

ทุกงานควรระบุ source, owner, version และจุดที่คนต้องอนุมัติ AI ไม่ควรอ้าง policy ที่ไม่ได้แนบหรือสร้างเหตุผลเพื่อให้ workflow เดินต่อ

การตัดสินใจที่ไม่ควรยกให้ AI

อย่าให้คะแนนหรือคำแนะนำของโมเดลกลายเป็นคำตัดสินสุดท้ายในเรื่องที่มีผลต่อโอกาสหรือสิทธิของคน เช่น

• รับหรือปฏิเสธผู้สมัคร และจัดอันดับผู้สมัครโดยไม่มีการตรวจของคน
• เลื่อนตำแหน่ง ลดเงินเดือน ให้โบนัส หรือประเมินผลงานเป็นทางการ
• ลงโทษ พักงาน เลิกจ้าง หรือสรุปว่าใครมีปัญหาด้านทัศนคติ
• ตัดสินเรื่องการปรับสภาพงาน การลา หรือ accommodation
• อนุมานเพศ อายุ เชื้อชาติ ศาสนา สุขภาพ ความพิการ หรือข้อมูลอ่อนไหวอื่น
• ตอบข้อร้องเรียนร้ายแรงโดยไม่มี HR owner และช่องทางอุทธรณ์

แม้มีคนกดปุ่มอนุมัติ ก็ไม่ได้ทำให้กระบวนการยุติธรรมหรือถูกกฎหมายโดยอัตโนมัติ ต้องตรวจเกณฑ์ แหล่งข้อมูล และผลกระทบจริง

แบ่งงานตามความเสี่ยง

ตารางนี้เป็นกรอบเริ่มต้น ไม่ใช่เกณฑ์สากล เจ้าขององค์กรต้องกำหนดระดับตามกฎหมาย นโยบาย และผลกระทบของงานจริง

Bias ไม่ได้หายไปเพราะใช้ AI

ข้อมูลประวัติอาจสะท้อนโอกาสที่ไม่เท่าเทียมตั้งแต่แรก เช่น คนกลุ่มหนึ่งเคยได้รับโอกาสสัมภาษณ์น้อยกว่า โมเดลที่เรียนจากข้อมูลนั้นอาจทำซ้ำรูปแบบเดิมหรือใช้ตัวแปรแทน (proxy) ที่สัมพันธ์กับคุณลักษณะคุ้มครอง การดูคะแนนเฉลี่ยอย่างเดียวจึงไม่พอ

• ตรวจว่า label และเกณฑ์สำเร็จหมายถึงอะไร ใครเป็นคนกำหนด
• เปรียบเทียบอัตราการผ่านในกลุ่มที่กฎหมายหรือนโยบายกำหนดว่าต้องเฝ้าระวัง
• ให้ผู้เชี่ยวชาญ HR และผู้แทนที่ได้รับผลกระทบอ่านตัวอย่างผลลัพธ์
• ดู false positive และ false negative ไม่ใช่แค่ความแม่นยำรวม
• หยุดใช้เมื่อพบความเหลื่อมล้ำที่ยังอธิบายหรือแก้ไม่ได้

ห้ามขอให้ AI เดาหรือเติมข้อมูลเกี่ยวกับ protected traits เพื่อ “แก้ bias” เอง การประเมินต้องทำตามคำแนะนำและกฎหมายท้องถิ่นที่เกี่ยวข้อง

ข้อมูล HR ต้องน้อยและมีเจ้าของ

ก่อนส่งข้อมูลให้ AI ให้ถามว่าใช้ข้อมูลส่วนไหนจริง ลบชื่อ เบอร์โทร เลขบัตร เงินเดือน หรือข้อความส่วนตัวที่ไม่จำเป็น ใช้รหัสแทนบุคคล แยกข้อมูลระบุตัวตนออกจากผลวิเคราะห์ และกำหนดสิทธิ์แบบอ่านเท่าที่จำเป็น

ตรวจการเก็บรักษา การนำข้อมูลไปฝึกโมเดล ผู้ให้บริการย่อย และวิธีลบข้อมูลตาม policy ของเครื่องมือและองค์กร อย่าอัปโหลดแฟ้มพนักงานทั้งหมดเพียงเพื่อสรุปสองคอลัมน์

Prompt ที่บังคับให้หยุดเมื่อข้อมูลไม่พอ

ใช้เฉพาะ policy และข้อมูลที่แนบมา สรุปข้อเท็จจริงพร้อมแหล่งที่มา แยกสิ่งที่สังเกตได้ออกจากข้อเสนอแนะ ห้ามจัดอันดับหรือตัดสินผู้สมัคร/พนักงาน ห้ามอนุมานคุณลักษณะอ่อนไหว หากข้อมูลขัดแย้ง ขาดหลักฐาน หรือเกี่ยวข้องกับการรับคน ค่าตอบแทน วินัย การเลิกจ้าง หรือ accommodation ให้ใส่ FLAG_HUMAN_REVIEW และระบุคำถามที่ HR ต้องตรวจ ไม่ต้องเขียนคำตัดสินสุดท้าย

ผลลัพธ์ควรมี draft, evidence links, uncertainty flags และผู้รับผิดชอบ ไม่ใช่ข้อความที่ส่งต่อให้ผู้จัดการทันที

แจ้งให้ทราบและเปิดทางแก้ไข

เมื่อ policy หรือกฎหมายกำหนดให้แจ้งผู้สมัครหรือพนักงาน องค์กรควรอธิบายว่าใช้ AI ในขั้นตอนไหน ใช้ข้อมูลประเภทใด ใครตรวจ และติดต่อใครเพื่อถามหรือขอแก้ไขได้ การแจ้งไม่ควรเป็นข้อความกว้าง ๆ ที่ทำให้คนไม่รู้ว่าผลลัพธ์ส่งผลกับเขาอย่างไร

เตรียมช่องทาง appeal หรือ correction ที่คนจริงรับเรื่อง กำหนดเวลาตอบกลับ และเก็บเหตุผลการแก้ไข ไม่ควรให้ AI เป็นผู้ตรวจคำอุทธรณ์ของตัวเองโดยไม่มีคนดู

Audit log ที่ควรเก็บ

• ชื่อ workflow, purpose และ risk level
• เครื่องมือ รุ่น/เวอร์ชัน และวันที่ใช้งาน
• ประเภทข้อมูลและ source version
• prompt หรือกติกาที่ใช้
• ผลลัพธ์ ข้อผิดพลาด และผู้ตรวจ
• การตัดสินใจ เหตุผล และการแก้ไข
• คำขออุทธรณ์/ลบข้อมูลและผลตอบกลับ

เก็บเท่าที่จำเป็น จำกัดสิทธิ์อ่าน และกำหนดอายุการเก็บตาม policy ไม่เก็บข้อมูลเพื่อความสะดวกโดยไม่มีเหตุผล

Checklist ก่อนนำ workflow HR ไปใช้

1. ระบุ purpose และ owner ที่รับผิดชอบผลลัพธ์
2. แบ่งงานตามความเสี่ยงและกำหนด human gate
3. ตรวจ source, bias risk, proxy และ missing data
4. ลดข้อมูลอ่อนไหวและกำหนด access/retention
5. ทดสอบกับตัวอย่างจริงหลายกลุ่มและบันทึกความผิดพลาด
6. กำหนด notice, appeal, correction และ escalation
7. ตั้ง monitoring, audit log และวันที่ทบทวน
8. ให้ HR/legal หรือผู้เชี่ยวชาญท้องถิ่นตรวจเมื่อมีผลกระทบสูง

ข้อผิดพลาดที่พบบ่อย

• เรียกคะแนนจาก AI ว่า “ความเหมาะสม” โดยไม่มีเกณฑ์ที่ตรวจได้
• ให้ AI วิเคราะห์ personality หรือความภักดีจากภาษาที่ใช้
• ใช้ข้อมูลพนักงานจริงในเครื่องมือโดยไม่ตรวจ data controls
• แจ้งว่ามีคนตรวจแต่ไม่มี reviewer ที่รับผิดชอบจริง
• ไม่มีช่องทางให้ผู้สมัครหรือพนักงานโต้แย้ง
• สรุปผลลัพธ์จากกลุ่มตัวอย่างเล็กแล้วใช้กับทุกคน

FAQ

ใช้ AI คัด resume ได้ไหม

อาจใช้ช่วยจัดรูปแบบหรือค้นคำสำคัญที่กำหนดโดย HR ได้ แต่การจัดอันดับหรือคัดออกเป็นงานความเสี่ยงสูง ต้องตรวจผลกระทบ เกณฑ์ และข้อกำหนดท้องถิ่นก่อนเสมอ

ถ้า AI บอกว่าคนหนึ่งมีทัศนคติไม่ดีล่ะ

อย่าใช้เป็นข้อเท็จจริง ขอหลักฐานพฤติกรรมที่ตรวจได้และให้ผู้จัดการ/HR อ่านบริบทด้วยตนเอง ห้ามให้โมเดลอนุมานบุคลิกจากข้อความเพียงอย่างเดียว

บทความนี้บอกว่าใช้ AI ใน HR ไม่ได้หรือไม่

ไม่ใช่ AI ช่วยงานเอกสาร การค้น policy และการสรุปได้ แต่จุดตัดสินใจที่กระทบโอกาสและสิทธิของคนต้องมี owner, evidence, review และทางแก้ไข

สรุป

AI สำหรับ HR ควรทำหน้าที่เป็นผู้ช่วยจัดระเบียบและชี้คำถาม ไม่ใช่ผู้พิพากษาคน แบ่งงานตามความเสี่ยง ลดข้อมูลที่ส่งเข้าเครื่องมือ ตรวจ bias และ source ให้ชัด วาง human gate, notice, appeal และ audit log ก่อนใช้งานจริง และขอคำปรึกษาท้องถิ่นเมื่อกระทบสิทธิหรือกฎหมาย