ระดับการถูกแทนที่ด้วยปัญญาประดิษฐ์ของอาชีพกับค่าจ้างและการจ้างงาน: การประเมินด้วยกรอบช่วงการทำงานอัตโนมัติและการสั่งงาน AI แบบมีการกำกับ (CREATE-R)
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัยนี้มีวัตถุประสงค์เพื่อ 1) ประเมินระดับและการกระจายของการถูกแทนที่ด้วย AI รายอาชีพ และ 2) วิเคราะห์ความสัมพันธ์กับค่าจ้างและการจ้างงาน ใช้การวิจัยเชิงปริมาณจากข้อมูลทุติยภูมิของ U.S. Bureau of Labor Statistics เดือนพฤษภาคม 2024 ครอบคลุมอาชีพระดับละเอียดที่มีข้อมูลสมบูรณ์ 805 อาชีพ ประเมินด้วย GPT-4o-mini, Claude Haiku 4.5 และ Gemini 2.5 Flash ภายใต้กรอบ CREATE-R และเฉลี่ยคะแนน คะแนนเฉลี่ยแทนร้อยละของงานหลักที่ AI ปัจจุบันทำให้เป็นอัตโนมัติได้ วิเคราะห์ด้วยสถิติเชิงพรรณนา สหสัมพันธ์เพียร์สัน สัมประสิทธิ์สหสัมพันธ์ภายในชั้น การตรวจสอบความตรงเชิงลู่เข้ากับดัชนีภายนอก และการถดถอยเชิงเส้น ผลการวิจัยพบว่า คะแนนระหว่างแบบจำลองมีความสัมพันธ์สูง และคะแนนเฉลี่ยมีความสอดคล้องสัมบูรณ์ระดับดี (ICC(A,k) = 0.827) คะแนนเฉลี่ยสัมพันธ์กับดัชนี AI Occupational Exposure ในระดับสูง (r = 0.727, n = 664) สนับสนุนความตรงเชิงลู่เข้า แต่มิใช่การตรวจสอบโดยผู้เชี่ยวชาญโดยตรงหรือหลักฐานการแทนที่แรงงานที่เกิดขึ้นจริงในตลาดแรงงาน ระดับการถูกแทนที่เฉลี่ยเท่ากับร้อยละ 32.1 และเมื่อถ่วงน้ำหนักด้วยการจ้างงานเท่ากับร้อยละ 35.0 โดยการจ้างงานร้อยละ 28.7 อยู่ในอาชีพที่มีคะแนนตั้งแต่ 50 ขึ้นไป งานเสมียนและงานข้อความซ้ำมีคะแนนสูง ส่วนงานใช้แรงกายและทักษะมือมีคะแนนต่ำ คะแนนการถูกแทนที่สัมพันธ์ทางบวกในระดับต่ำกับลอการิทึมค่าจ้างมัธยฐาน (r = 0.234, p < .001) และลอการิทึมการจ้างงาน (r = 0.134, p < .001) ซึ่งต่างจากระบบอัตโนมัติยุคก่อนที่มักกระทบงานค่าจ้างต่ำถึงปานกลาง ข้อค้นพบสนับสนุนการพัฒนาทักษะเสริม AI และการช่วยเหลือกลุ่มงานเสมียนค่าจ้างต่ำที่เปราะบาง
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
พนิดา อมราวิกรม. (2568). การปรับตัวของทรัพยากรมนุษย์ในยุคปัญญาประดิษฐ์ (AI). วารสารวิชาการรัฐศาสตร์และรัฐประศาสนศาสตร์, 7(1), 72-82.
สุทัศน์ กำมณี และคณะ. (2566). การพัฒนารูปแบบเพื่อเพิ่มทักษะด้านการใช้งานปัญญาประดิษฐ์ในการเพิ่มมูลค่าให้กับงานและความสามารถในการทำงานของแรงงานจังหวัดกาญจนบุรี. วารสารนวัตกรรมการบริหารและการจัดการ มหาวิทยาลัยเทคโนโลยีราชมงคลรัตนโกสินทร์, 11(1), 45-53.
Acemoglu, D. & Restrepo, P. (2019). Automation and new tasks: How technology displaces and reinstates labor. Journal of Economic Perspectives, 33(2), 3-30.
Autor, D. H. (2015). Why are there still so many jobs? The history and future of workplace automation. Journal of Economic Perspectives, 29(3), 3-30.
Brynjolfsson, E. et al. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889-942.
Eloundou, T. et al. (2024). GPTs are GPTs: Labor market impact potential of LLMs. Science, 384(6702), 1306-1308.
Felten, E. et al. (2021). Occupational, industry, and geographic exposure to artificial intelligence: A novel dataset and its potential uses. Strategic Management Journal, 42(12), 2195-2217.
Frey, C. B. & Osborne, M. A. (2017). The future of employment: How susceptible are jobs to computerisation? Technological Forecasting and Social Change, 114, 254-280.
Huang, M. -H. & Rust, R. T. (2021). Engaged to a robot? The role of AI in service. Journal of Service Research, 24(1), 30-41.
Koo, T. K. & Li, M. Y. (2016). A guideline of selecting and reporting intraclass correlation coefficients for reliability research. Journal of Chiropractic Medicine, 15(2), 155-163.
Noy, S. & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187-192.
U.S. Bureau of Labor Statistics. (2024). Occupational Employment and Wage Statistics, May 2024, National. Retrieved June 22, 2026, from https://www.bls.gov/oes/
Webb, M. (2020). The impact of artificial intelligence on the labor market. SSRN Electronic Journal, 1-60. https://doi.org/10.2139/ssrn.3482150.
