คู่มือปฏิบัติสำหรับการประเมินความรู้ด้าน AI ครั้งแรกของคุณ

ทุกองค์กรที่จัดอบรม AI กำลังเดาว่าใครต้องการอะไร การประเมินเปลี่ยนการเดานั้นให้เป็นแผนที่¹1การเดามีราคาแพง — มักลงเอยด้วยการให้ทุกคนเข้าคอร์สเดียวกันโดยไม่สนความต้องการที่ต่างกัน และคนที่ต้องการความช่วยเหลือมากที่สุดคือคนที่มีแนวโน้มจะเอ่ยปากน้อยที่สุด

เป้าหมายไม่ใช่คะแนน แต่เป็นการตัดสินใจว่าจะใช้งบอบรมก้อนถัดไปที่ไหน

การเดาคือเรื่องปกติ ไม่ใช่ข้อยกเว้น

ถ้าคุณอบรมโดยไม่วัดผล คุณอยู่ในกลุ่มคนส่วนใหญ่ — และขนาดของกลุ่มนั้นมีบันทึกไว้

Work Trend Index ของ Microsoft ปี 2024 พบว่ามีเพียง 39% ของคนที่ใช้ AI ในงานที่ได้รับการอบรมจากบริษัท¹ การศึกษา AI at Work ปี 2025 ของ BCG ซึ่งครอบคลุมพนักงานกว่า 10,600 คนใน 11 ประเทศ พบว่ามีเพียงราวหนึ่งในสามที่บอกว่าได้รับการอบรมอย่างเหมาะสม² และ Slack Workforce Index ของ Salesforce ช่วงปลายปี 2024 ระบุว่าการอบรมนั้นบางเพียงใด: 61% ของพนักงานออฟฟิศใช้เวลารวมทั้งหมดไม่ถึงห้าชั่วโมงในการเรียนรู้การใช้ AI และ 30% ไม่ได้รับการอบรมเลย^3◦แหล่งอ้างอิงMicrosoft, 2024 Work Trend Indexแหล่งอ้างอิงBCG, "AI at Work 2025"แหล่งอ้างอิงSlack (Salesforce), Fall 2024 Workforce Indexตัวเลข61%ของพนักงานออฟฟิศใช้เวลารวมไม่ถึงห้าชั่วโมงในการเรียนรู้ AI — Slack Workforce Index ปลายปี 2024

รายงาน Superagency in the workplace ของ McKinsey ปี 2025 เพิ่มส่วนที่ควรทำให้คนวางหลักสูตรกังวล: 48% ของพนักงานระบุว่าการอบรมอย่างเป็นทางการคือสิ่งที่ต้องการมากที่สุด และมากกว่าหนึ่งในห้ารายงานว่าได้รับการสนับสนุนน้อยมากหรือไม่ได้เลย การศึกษาเดียวกันพบว่าผู้บริหารประเมินว่ามีพนักงาน 4% ที่ใช้ gen AI อย่างน้อย 30% ของงานประจำวัน ขณะที่พนักงานเองรายงานที่ 13% — ต่างกันสามเท่าระหว่างสิ่งที่ผู้บริหารเชื่อกับสิ่งที่หน้างานทำอยู่จริง^4◦แหล่งอ้างอิงMcKinsey, "Superagency in the workplace", 2025ตัวเลข4% เทียบ 13%ตัวเลขที่ผู้บริหารประเมินเทียบกับที่พนักงานรายงานเอง สำหรับการใช้ gen AI หนักในงานประจำวัน — McKinsey ปี 2025

ภาพในไทยสอดคล้องกัน การศึกษาไทยปี 2026 ของ AWS ซึ่งทำร่วมกับ Strand Partners จากผู้ตอบ 2,000 คน พบว่า 56% ขององค์กรระบุว่าการขาดบุคลากรและความเชี่ยวชาญด้าน AI เป็นข้อจำกัดหลัก และ 72% ขององค์กรที่ใช้ AI บอกว่าการยกระดับทักษะเป็นสิ่งจำเป็นต่อกลยุทธ์⁵² แทบทุกคนเห็นพ้องว่าการอบรมคือคอขวด แต่น้อยรายที่บอกได้ว่าใครต้องการอบรมเรื่องอะไรแหล่งอ้างอิงAWS with Strand Partners, "Unlocking Thailand's AI Potential 2026" — vendor-commissioned and self-reported (ผ่าน Forbes Thailand)2เป็นงานวิจัยที่ผู้ขายเป็นผู้ว่าจ้าง — AWS ขายโครงสร้างพื้นฐานที่งานนี้ชวนให้ซื้อ — และเป็นการรายงานด้วยตนเองทั้งหมด ใช้เป็นภาพรวมเชิงทิศทางของภูมิภาคได้ แต่ไม่ใช่ตัวเลขที่ผ่านการตรวจสอบ

ถ้าคุณดำเนินธุรกิจในอียู ยังมีนาฬิกาเดินอยู่ด้วย

มาตรา 4 ของกฎหมาย EU AI Act มีผลบังคับใช้ตั้งแต่ 2 กุมภาพันธ์ 2025 และผูกพันทั้งผู้พัฒนา และ ผู้นำไปใช้ — ไม่ใช่แค่บริษัทที่สร้าง AI แต่รวมถึงองค์กรใดก็ตามที่นำระบบ AI ไปใช้งานในอียู การกำกับดูแลและบังคับใช้โดยหน่วยงานตรวจตราตลาดของแต่ละประเทศเริ่มเมื่อ 2 สิงหาคม 2026⁶แหล่งอ้างอิงEU AI Act Article 4, as amended by Regulation (EU) 2026/1744 (ผ่าน European Commission)

ต้องอ่านอย่างระวัง เพราะข้อผูกพันนี้เพิ่งเปลี่ยน และบทวิเคราะห์ส่วนใหญ่บนอินเทอร์เน็ตยังตามไม่ทัน Digital Omnibus on AI — Regulation (EU) 2026/1744 ซึ่งมีผลตั้งแต่ 27 กรกฎาคม 2026 — เขียนมาตรา 4 ใหม่ จากหน้าที่ ทำให้มั่นใจว่ามีระดับความรู้ที่เพียงพอ กลายเป็นหน้าที่ ดำเนินมาตรการเพื่อสนับสนุนการพัฒนา ความรู้ด้าน AI มาตรา 4(1) ฉบับแก้ไขไม่ได้กำหนดระดับใดไว้เลย และแนวทางของคณะกรรมาธิการยุโรประบุตรง ๆ ว่าไม่ได้หมายความว่าบุคคลใดต้องมีความรู้ด้าน AI ถึงระดับหนึ่ง^7◦แหล่งอ้างอิงAI Omnibus entering into force, 27 July 2026 (ผ่าน European Commission)นิยามข้อผูกพันเชิงความพยายาม หน้าที่ในการดำเนินมาตรการที่สมเหตุสมผลเพื่อมุ่งไปสู่ผลลัพธ์ ไม่ใช่หน้าที่ในการบรรลุมาตรฐานที่กำหนดไว้ มาตรา 4 ปัจจุบันเป็นแบบแรก จึงไม่มีใบรับรองใดที่ทำให้ครบถ้วนได้

ดังนั้นนี่ไม่ใช่ข้อกำหนดเรื่องใบรับรอง และไม่มีใครขายใบรับรองที่ปลดเปลื้องหน้าที่นี้ให้คุณได้ สิ่งที่มันเป็นคือ: ความคาดหวังที่มีหลักฐานว่าคุณได้ดำเนินมาตรการ โดยปรับให้เหมาะกับความรู้ทางเทคนิค ประสบการณ์ และการอบรมของคนของคุณ และเหมาะกับบริบทที่ระบบถูกใช้ การประเมินคือวิธีที่ถูกที่สุดในการแสดงว่าคุณรู้ว่ากำลังปรับให้เหมาะกับอะไร³3และถ้าคุณไม่มีการดำเนินงานในอียู เรื่องนี้ก็ไม่ผูกพันคุณ แต่ก็ยังเป็นการอธิบายที่ชัดที่สุดว่าหน่วยกำกับดูแลมองว่าอะไรคือความสมเหตุสมผล ซึ่งใช้เป็นไม้บรรทัดได้ดี

และถ้าคุณดำเนินงานในไทย มีกฎหมายอีกฉบับที่ผูกพันคุณอยู่แล้ว

ไทยไม่มีกฎหมาย AI สิ่งที่มีคือ PDPA และคู่มือ Thailand ปี 2026 ของ Chambers ระบุชัดว่าไม่มีกฎหมาย AI เฉพาะที่ผูกพันการใช้ข้อมูลส่วนบุคคลในระบบ AI — การประมวลผลด้วย AI จึงอยู่ใต้หน้าที่ปกติของ PDPA: ความชอบด้วยกฎหมาย การจำกัดวัตถุประสงค์ การเก็บข้อมูลเท่าที่จำเป็น ความโปร่งใส ความมั่นคงปลอดภัย และความรับผิดชอบ⁸ เช็กลิสต์การปฏิบัติตามกฎหมายของมันรวมถึงการอบรมพนักงานที่ดูแลข้อมูลส่วนบุคคล ซึ่งเป็นสิ่งที่ใกล้เคียงที่สุดกับหน้าที่ด้านความรู้ AI ของอียู — และเป็นเหตุผลที่ผู้อ่านชาวไทยไม่ควรหยุดอ่านแค่หัวข้ออียูข้างบนแหล่งอ้างอิงChambers, Data Protection & Privacy 2026 — Thailand

เรื่องนี้เลิกเป็นทฤษฎีแล้ว PDPC ขยับจากการเขียนกฎมาสู่การบังคับใช้: ห้าคดีทั้งภาครัฐและเอกชนในเดือนสิงหาคม 2025 มีค่าปรับรวมราว 21.5 ล้านบาท และในเดือนพฤศจิกายน 2025 หน่วยงานกำกับสั่งให้บริษัทหนึ่งระงับการสแกนม่านตา และลบข้อมูลชีวมิติที่เก็บไปแล้ว^◦ และการไม่แต่งตั้งเจ้าหน้าที่คุ้มครองข้อมูลส่วนบุคคล ถูกถือเป็นเหตุเพิ่มโทษเมื่อเกิดเรื่องขึ้น⁴ตัวเลข21.5 ล้านบาทค่าปรับรวมจากห้าคดีของ PDPC ในเดือนสิงหาคม 2025 ตามที่รายงานในคู่มือ Thailand ปี 2026 ของ Chambers4Chambers เป็นคู่มือสำหรับผู้ปฏิบัติ ไม่ใช่ตัวบทกฎหมายหรือประกาศของ PDPC จึงควรอ้างวันที่และจำนวนเงินโดยระบุว่ามาจากแหล่งนี้ ร่างกฎหมาย AI ของไทยมีอยู่จริงและลอกโครงระดับความเสี่ยงมาจาก EU AI Act แต่ยังเป็นเพียงร่าง และยังไม่ผูกพันใครในวันนี้

การประเมินไม่ได้ทำให้หน้าที่ตาม PDPA หมดไป สิ่งที่มันทำคือบอกคุณว่ากลุ่มไหนกำลังป้อนข้อมูลส่วนบุคคลเข้าเครื่องมือใด ซึ่งเป็นคำถามแรกที่หน่วยงานกำกับถาม

วัดสี่มิติ ไม่ใช่มิติเดียว

ตัวเลข "ทักษะ AI" ตัวเดียวซ่อนช่องว่างที่สำคัญไว้^◦ เราประเมินสี่ด้าน:ตัวเลข4มิติที่เราให้คะแนน เพราะตัวเลขเดียวซ่อนช่องว่างที่สำคัญ

• พื้นฐาน — เครื่องมือคืออะไร ทำอะไรได้และทำอะไรไม่ได้
• การใช้งานจริง — วันนี้เขาใช้มันทำงานจริงได้หรือยัง
• วิจารณญาณและความเสี่ยง — เขารู้ไหมว่าเมื่อไรที่ ไม่ ควรเชื่อผลลัพธ์
• การผนวกเข้าเวิร์กโฟลว์ — AI เป็นส่วนหนึ่งของวิธีทำงาน หรือเป็นการทดลองข้างทาง

การแบ่งแบบนี้ไม่ใช่เรื่องเฉพาะตัวของเรา เครื่องมือวัดในเชิงวิชาการมาบรรจบที่รูปร่างคล้ายกัน: งานวิจัย LAK ปี 2026 ของ Zhang และคณะสร้างการวัดบนกรอบ Concept / Use / Evaluate / Ethics และ Meta-AI Literacy Scale ที่ใช้กันแพร่หลายก็แยกความเข้าใจ AI การใช้และประยุกต์ การตรวจจับ AI และจริยธรรม AI ออกจากกัน ข้อค้นพบที่ปรากฏซ้ำในทุกเครื่องมือคือ การ รู้เกี่ยวกับ AI และการ ตัดสิน AI เป็นสมรรถนะที่ต่างกัน และองค์กรหนึ่งอาจแข็งในด้านหนึ่งแต่กลวงในอีกด้าน^◦ภาพประกอบผลลัพธ์ถูกจับคู่กับกลุ่มงาน การอบรมจึงเล็งไปที่จุดที่ได้ผลจริง

ที่น่าสนใจคือ การตีความข้อมูลไทยปี 2026 ของ AWS เองก็ลงเอยที่คำเดียวกับที่เราใช้เรียกมิติที่สาม: ทักษะที่ระบุว่าเป็นตัวตัดสินคือ วิจารณญาณ — การใช้ความเชี่ยวชาญในสายงานตรวจสอบผลลัพธ์ของ AI และเข้าแทรกแซงเมื่อมันผิด

อย่าให้คนให้คะแนนตัวเอง

นี่คือข้อค้นพบที่ควรเปลี่ยนวิธีที่คุณทำการประเมิน Zhang และคณะ ซึ่งนำเสนอในงานประชุม Learning Analytics and Knowledge ปี 2026 สร้างทั้งการวัดแบบรายงานตนเองและการวัดแบบอิงความรู้ที่เป็นภาววิสัย บนกรอบสี่ส่วนเดียวกัน — แล้วพบว่าความสัมพันธ์ระหว่างสองแบบนั้นอ่อนอย่างสม่ำเสมอ การวิเคราะห์องค์ประกอบเชิงยืนยันสนับสนุนว่าการวัดแต่ละแบบใช้ได้ เพียงแต่มันไม่ได้วัดสิ่งเดียวกัน⁹⁵แหล่งอ้างอิงZhang et al., "How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures", LAK 20265กลุ่มประชากรที่ศึกษาคือครูระดับ K-12 ไม่ใช่พนักงานองค์กร จึงควรใช้เป็นหลักการเรื่องการวัด ไม่ใช่ข้อค้นพบเกี่ยวกับบริษัท หลักการนั้นใช้ได้ทั่วไป: การให้คนประเมินทักษะ AI ของตัวเองไม่ได้วัดทักษะ AI ของเขา

การวิเคราะห์กลุ่มแฝงของพวกเขาพบหกกลุ่มที่แตกต่างกัน รวมถึงกลุ่ม ประเมินตนเองสูงเกินจริง ที่ชัดเจน — คนที่ให้คะแนนตัวเองสูงในทุกมิติของการรายงานตนเอง แล้วได้คะแนนต่ำกว่าในการวัดแบบภาววิสัย มีกลุ่มที่ประเมินตนเองต่ำเกินไปด้วย และกลุ่มที่การประเมินตนเองตรงกับความจริง

นี่คือช่องว่างระหว่างความมั่นใจกับความสามารถ และเป็นเหตุผลที่แบบสำรวจซึ่งถามว่า "คุณมั่นใจกับ AI แค่ไหน" แทบไม่มีค่าในฐานะข้อมูลตั้งต้นของการอบรม^◦ และเป็นช่องว่างที่เสี่ยงที่สุดที่คุณจะมีได้ เพราะคนที่มั่นใจจะลงมือใช้ผลลัพธ์โดยไม่ตรวจ การศึกษา KPMG ปี 2025 ร่วมกับ University of Melbourne จากผู้ตอบกว่า 48,000 คนใน 47 ประเทศ พบว่า 66% เชื่อผลลัพธ์ AI โดยไม่ตรวจความถูกต้อง และ 56% บอกว่าเคยทำผิดพลาดเพราะ AI¹⁰นิยามช่องว่างความมั่นใจกับความสามารถ เมื่อความเชื่อในทักษะ AI ของตนล้ำหน้าความสามารถจริง เป็นรูปแบบที่มีแนวโน้มก่อการใช้งานที่ไม่ปลอดภัยมากที่สุด และมองไม่เห็นด้วยเครื่องมือประเมินตนเองใด ๆแหล่งอ้างอิงKPMG & University of Melbourne, "Trust, attitudes and use of AI", 2025

ในทางปฏิบัติ: ให้คน ลงมือทำ อะไรอย่างหนึ่ง ไม่ใช่ให้คะแนนตัวเอง ยื่นผลลัพธ์ที่มีข้อผิดพลาดแนบเนียนให้เขาดู แล้วถามว่าจะแก้อะไร ถามว่างานแบบไหนที่เขาจะไม่มอบให้ AI ทำ และเพราะอะไร

รายงานเป็นกลุ่ม ไม่ใช่รายชื่อ

วิธีที่เร็วที่สุดในการฆ่าคำตอบที่ตรงไปตรงมา คือทำให้การประเมินรู้สึกเหมือนการประเมินผลงาน จงรายงานผลตามแผนกและบทบาท ไม่ใช่ตามรายบุคคล คุณกำลังวินิจฉัยระบบ ไม่ใช่ให้เกรดคน

เรื่องนี้สำคัญกว่าที่ฟัง เพราะการปิดบังเป็นพฤติกรรมตั้งต้น การศึกษา KPMG พบว่า 57% ของพนักงานปิดบังการใช้ AI หรืออ้างผลงาน AI เป็นของตัวเอง Slack พบว่า 48% ของพนักงานออฟฟิศจะรู้สึกไม่สบายใจที่ต้องบอกหัวหน้าว่าใช้ AI — เพราะรู้สึกเหมือนโกง เหมือนยอมรับว่าตัวเองไม่เก่ง หรือเหมือนขี้เกียจ การประเมินที่อ่านได้ว่าเป็นการสอดส่อง จะวัดความระแวดระวังของพนักงาน ไม่ใช่ความสามารถของเขา^◦ภาพประกอบการรายงานเป็นกลุ่มคือสิ่งที่ทำให้การตอบตรงไปตรงมาเป็นเรื่องปลอดภัย

บอกให้ชัดว่าคุณจะทำอะไรกับผลลัพธ์ ก่อนจะเริ่มเก็บข้อมูล แล้วทำอย่างนั้นจริง ๆ

เปลี่ยนผลลัพธ์ให้เป็นแผน

ภาพรวมความพร้อมมีประโยชน์เมื่อมันบังคับให้ต้องเลือก ผลลัพธ์ที่ดีมีหน้าตาแบบนี้:

1. กลุ่มไหนพร้อมสำหรับการอบรมขั้นสูงที่เจาะจงเวิร์กโฟลว์
2. กลุ่มไหนต้องเริ่มที่พื้นฐานก่อน
3. ที่ไหนที่ความมั่นใจล้ำหน้าความสามารถ — ช่องว่างที่ต้องปิดก่อนจะขยายสิทธิ์เข้าใช้อะไรก็ตาม

แล้วจึงเล็งการอบรมไปตามนั้น คอร์สแบบกว้าง ๆ ให้ผลเป็นการไม่ใช้แบบกว้าง ๆ ตัวเลขของ BCG และ Microsoft ข้างต้นคือสิ่งที่เกิดขึ้นเมื่อการอบรมถูกซื้อมา แทนที่จะถูกเล็ง

สิ่งที่การประเมินบอกคุณไม่ได้

ข้อจำกัดที่ตรงไปตรงมาสามข้อ เพราะการวัดที่ถูกขายเกินจริงสร้างความเสียหายจริง

มันวัดความสามารถ ไม่ใช่พฤติกรรม การรู้ว่าเมื่อไรไม่ควรเชื่อผลลัพธ์ ไม่เหมือนกับการหยุดตรวจในบ่ายวันศุกร์ ความรู้ด้าน AI เป็นเงื่อนไขตั้งต้นของการปฏิบัติที่ดี ไม่ใช่หลักฐานว่ามีการปฏิบัตินั้น ถ้าคุณอยากรู้ว่าวิธีทำงานเปลี่ยนไปจริงหรือไม่ นั่นคือการวัดอีกแบบหนึ่ง^◦บทความที่เกี่ยวข้องระบบการขยายผลต้องมีอะไร เพื่อให้ความสามารถกลายเป็นการปฏิบัติ

ภาพรวมเก่าเร็ว และเก่าไม่เท่ากัน เครื่องมือเปลี่ยนทุกเดือน และขอบเขตของสิ่งที่มันทำได้ดีก็เปลี่ยนตาม กลุ่มที่ได้คะแนนดีเมื่อหกเดือนก่อน อาจกำลังใช้โมเดลอย่างมั่นใจกับงานที่มันแย่ลงอย่างเงียบ ๆ ประเมินซ้ำทุกหกถึงสิบสองเดือน และหลังการขยายผลครั้งใหญ่ทุกครั้ง

การวัดแบบภาววิสัยทำยากกว่าการรายงานตนเอง ซึ่งเป็นเหตุผลที่องค์กรส่วนใหญ่ข้ามมันไป การเขียนโจทย์สถานการณ์ใช้แรงจริง ต้องอัปเดตเมื่อเครื่องมือเปลี่ยน และคนต่อต้านอะไรที่รู้สึกเหมือนการสอบ ข้อแลกเปลี่ยนที่ตรงไปตรงมา: แบบสำรวจรายงานตนเองที่คุณได้ทำจริง ดีกว่าเครื่องมือภาววิสัยที่คุณออกแบบไม่เสร็จ — ตราบใดที่คุณไม่เข้าใจผิดว่าแบบแรกคือการวัดความสามารถ ติดป้ายมันว่าเป็นความมั่นใจที่รับรู้ และใช้มันหาว่าควรไปดูที่ไหน ไม่ใช่ใช้สรุปว่าอะไรเป็นอะไร

สิ่งที่ควรหยิบไปใช้

• ประเมินสี่มิติแยกกัน และอย่าเฉลี่ยรวมเป็นตัวเลขเดียว
• ใช้โจทย์แบบลงมือทำอย่างน้อยหนึ่งข้อต่อมิติ ส่วนการให้คะแนนตัวเองใส่ไว้ในรายงานในฐานะ ความมั่นใจ แยกคอลัมน์ของมันเอง ข้างคอลัมน์ความสามารถ
• รายงานเป็นกลุ่ม และประกาศกติกาการรายงานก่อนเก็บคำตอบแรก
• ถือว่ากลุ่มที่มั่นใจสูงแต่ความสามารถต่ำคือข้อค้นพบ ไม่ใช่สัญญาณรบกวน นั่นคือลำดับความสำคัญแรกของการอบรม และเป็นความเสี่ยงที่ใหญ่ที่สุดของคุณ
• ประเมินซ้ำตามวันที่คุณกำหนดไว้ตอนนี้ ไม่ใช่ตอนที่ใครนึกขึ้นได้
• ถ้ามีการดำเนินงานในอียู เก็บผลการประเมินและสิ่งที่คุณทำกับมันไว้เป็นหลักฐาน ข้อผูกพันคือการได้ดำเนินมาตรการ — จึงต้องบันทึกมาตรการนั้นไว้