เศรษฐกิจยุค AI หน้าตาเป็นแบบไหน?

ทุกวันนี้มองไปทางไหนก็เห็นแต่คำว่า ‘AI’ 

ส่วนหนึ่งเป็นพลังความตื่นตัวกับกระแส แต่ความตื่นตัวนี้เองก็เริ่มขับเคลื่อนหลาย ๆ อย่างให้กลายเป็นความเปลี่ยนแปลงจริงเหมือนกัน

Earning Calls บริษัทเทคโนโลยียักษ์ใหญ่ในไตรมาสแรกของปี 2023 มีคำว่า ‘AI’ ปรากฏอยู่เกิน 200 คำ มากกว่าปีก่อน 5 เท่า

ล่าสุด NVIDIA บริษัทการ์ดจอและบริการอื่น ๆ ที่ AI ต้องใช้งานก็ทำรายได้เหนือความคาดหมายของนักลงทุน

รายงาน Future of Jobs 2023 ของ WEF คาดว่าจะมี disruptions ในงานกว่า 23% ของงานทั้งหมดในโลกในระยะ 5 ปีข้างหน้า

ชัดว่ากระแสมา เงินลงทุนมา ผลประกอบการเริ่มมา บริการใหม่ ๆ ก็ผุดเกิดขึ้นทุกวัน

แต่ที่ยังเห็นไม่ชัดและสำคัญคือ หน้าตา รูปแบบ และผลกระทบของ ‘เศรษฐกิจ AI’ อันเป็นพื้นที่ของการแข่งขันใหม่บนพื้นฐานของโครงสร้างเทคโนโลยีชิ้นนี้

คำว่า ‘เทคโนโลยี’ มีความหมายพิเศษกับนักเศรษฐศาสตร์

สำหรับพวกเรา ‘เทคโนโลยี’ เป็นมากกว่าเครื่องมืออำนวยความสะดวก หรือ คู่หู copilot อัจริยะสำหรับการทำงาน

มันคือสิ่งที่แยกกลุ่มเศรษฐกิจที่กระโดดขึ้นไปโตบนเส้นทางใหม่ที่เหนือกว่า ออกจากกลุ่มเศรษฐกิจที่ผลิตไปกินไป อยู่กับที่ไปวัน ๆ 

โตจริง vs. โตแบบแบบปลอม ๆ 

และการมาของ AI รอบนี้ นับว่าเป็นเทคโนโลยีทางเศรษฐศาสตร์ที่ถือว่า ‘สุด’ 

มันมีทั้งศักยภาพที่เก่งกาจ (จนน่ากลัว) และ ความยืดหยุ่นในการปรับเข้ากับทุกอุตสาหกรรมในระบบเศรษฐกิจ

จากมุมมองของผม เศรษฐกิจยุค AI มี 6 เรื่องที่สำคัญและน่าจับตามอง

1. Adoption: ประยุกต์ใช้ AI ได้เร็วและลึกเพียงใด?

เทคโนโลยีทั่วไป มักจะใช้จำกัดอยู่ในไม่กี่อุตสาหกรรม  

Big Data และ Machine Learning รอบก่อน ก็ยังคงกระจุกตัวอยู่ในอุตสาหกรรมที่ ‘มากด้วยข้อมูลและทุนทรัพย์’ ไปไม่ถึง SME หรือตัวแรงงานเท่าไรนัก

แต่ AI รอบนี้เรียกได้ว่าไปได้ถึงแม้กระทั่งที่ ๆ ไม่มีแล็ปท็อป และไม่มีข้อมูล

จะ white collar, blue collar, no collar, นักเรียน, ฟาร์ม, ศิลปะ, อาหาร, การแพทย์, เครื่องซักผ้า, หม้อข้าว, การเดินทาง ไม่มีอะไรหนี AI พ้น 

แม้แต่กิจกรรมทางเศรษฐกิจบางอย่างที่เคยถือเป็น ‘เขตสงวน’ ของมนุษย์ เช่น งานศิลปะ งานเขียน งานสร้างสรรค์ งานศาสนา ก็เริ่มถูกรุกรานโดย Generative AI 

อาจไม่สมบูรณ์ ไม่ถูกต้องทุกครั้ง แต่มันได้พลิกข้ามมาที่โซน ‘AI ทำได้แล้ว’ แน่ ๆ 

เพราะฉะนั้น AI จะไม่จบลงที่ ป่าคอนกรีตในมหานคร กลุ่มบริษัทที่มากด้วยข้อมูล โรงงานแขนกล หรือโกดังสินค้าที่เต็มไปด้วยหุ่นยนต์ แต่จะไปยังทุกจุดของระบบเศรษฐกิจ 

2. Productivity & Output: ผลิตภาพและผลผลิตจะ divergent หรือไม่?

สิ่งที่หลายคนคาดหวังมากที่สุดคือใช้ AI แล้วจะเกิดอะไรขึ้นกับผลผลิตของแต่ละอุตสาหกรรม

ทั้งนี้ขึ้นอยู่กับ ‘อัตราในการประยุกต์ใช้’ และ ‘ลักษณะของการประยุกต์ใช้’ สองสิ่งนี้เป็นตัวชี้ว่าทิศทางของอุตสหกรรมใดจะดีหรือแย่กว่าเดิม 

ในมุมมอง growth เราสามารถมอง AI เป็นตัวคูณให้กับผลิตภาพของปัจจัยในการผลิต 2 แบบที่เราเรียกกันหลวม ๆ ว่า ทุน (Capital) กับ แรงงาน (Labor)  

(ทุนในที่นี้ นิยามไม่เหมือนกัน แล้วแต่ลัทธิเศรษฐศาสตร์ ลัทธิของผมเชื่อว่า วัวควายก็ถือเป็นทุน ไม่ได้ต่างจากเครื่องยนต์  ส่วนแรงงานนั้นหมายถึงแรงงานมนุษย์)

ถ้าเราอ้างอิงทฤษฎี Rybczyski (แม้ว่า assumption จะไม่ตรงกับโลกจริงนัก) มันช่วยวางกรอบความคิดให้เราคอยสังเกตดูได้ว่า จะเกิดอะไรขึ้นกับอุตสาหกรรมที่เน้นทุน (capital intensive) เมื่อเทียบกับอุตสาหกรรมที่เน้นแรงงาน (labor intensive) 

ทฤษฎีนี้ทำนายว่าอุตสาหกรรมที่เน้นทุนจะได้รับอานิสงส์บวกจากกระแส AI ตรง ๆ ด้วยเหตุผลว่าไส้ในของกระบวนการผลิตน่าจะสามารถต่อกับ AI และได้รับประโยชน์จากผลิตภาพที่เพิ่มขึ้นได้สะดวกและว่องไวกว่า

ที่ไม่ชัดคือกรณีอุตสาหกรรมที่เน้นแรงงาน (ซึ่งมีจำนวนไม่น้อยเลยโดยเฉพาะในประเทศไทย) เพราะว่าไม่ได้มีแค่ผลลบที่คาดว่าจะมาจากการทดแทนและเลิกจ้างแรงงานเท่านั้น

ผลบวกก็เป็นไปได้จากการปรับลักษณะงาน หรือ หาวิธีรวมร่างแรงงานกับ​ AI ในกระบวนการผลิตจนทำให้ productivity พุ่งไปกว่าเดิม

3. Labor & Skills Movements: ยกเครื่อง production function?

ซูมเข้าไปอีกนิด จะพบกับความเปลี่ยนแปลงครั้งใหญ่ในตลาดแรงงานเนื่องจากอัตราที่ AI จะมา ‘ทดแทน’ หรือ ‘ติดอาวุธ’ ให้กับแรงงานนั้น อานุภาพไม่เท่ากัน เร็วช้าต่างกัน ในแต่ละอุตสาหกรรม อาชีพ และ ตำแหน่ง

รายงาน Future of Jobs 2023 ของ WEF คาดว่าเราจะเจอ net decline ในแรงงานประมาณ 14 ล้านงานในกลุ่มประเทศที่สำรวจ หรือ ราว 2%  

มาจาก 2 กรณีหลัก

กรณีแรก คือ มีการถูกเลิกจ้าง ไม่ต่อสัญญา หรือ ไม่เปิดรับสมัครเพิ่มขึ้น เนื่องจาก AI ทดแทนหน้าที่ไปได้มากจนเกือบทั้งหมดของความรับผิดชอบ ยกตัวอย่าง เช่น อาชีพเจ้าหน้าที่ IT ทั่วไป เจ้าหน้าที่ admin พนักงานคอลเซ็นเตอร์ หรือ นักออกแบบสมัครเล่น

กรณีที่สอง คือ มีโอกาสเนื้อหอมขึ้น ประกาศจ้างงานจำนวนมากขึ้น เนื่องจากเป็นแรงงานในอุตสาหกรรมที่ทำงานพร้อมกับ AI ได้ดี สร้างผลผลิตมากกว่าเดิม ยกตัวอย่าง เช่น แรงงานในธุรกิจกลุ่ม Healthcare การศึกษา และ งานที่ last-mile ตลาดยังต้องการให้เป็นมนุษย์ผู้ส่งงาน

ในฝั่งทักษะเองก็เกิดความปั่นป่วนไม่ใช่น้อยเนื่องจากการมาของ AI ได้ลด shelf-life ของบางทักษะลง (เช่น การเขียนโปรแกรมในบางภาษา) และเพิ่มความต้องการของทักษะอื่นๆ (เช่น การบริหารระบบ AI ความสามารถในการตัดสินใจ ความเป็น team player)

4. Distributional Effects

ณ ปัจจุบัน หากลองเอา AI มาแข่งกับมนุษย์ที่สุ่มขึ้นมาจากประชากร โอกาสที่มนุษย์ผู้นั้นจะมี performance ต่ำกว่า AI เริ่มสูงมากขึ้นทุกวัน ยกตัวอย่างเช่น การสรุปและการเขียนทั่วไป อันนี้ชัดเจนมากว่ามนุษย์ผู้ถูกสุ่มขึ้นมาจะสู้ไม่ได้อีกต่อไป 

กลับกัน มนุษย์ที่ไฮเปอร์ top 1% ในเชิงทักษะ หรือ มีทักษะที่ฉีกแนว เฉพาะเจาะจงจริง ๆ จะยังคงได้เปรียบ หรืออาจจะได้ประโยชน์จาก AI มากกว่าแรงงานทั่วไป

ด้วยแนวโน้มนี้ รวมถึงธรรมชาติของเทคโนโลยี AI ที่ดูทรงค่อนข้าง winner take all  จึงเป็นไปได้ว่าช่องว่างทางรายได้และความมั่งคั่งในสังคมและบนโลกจะกว้างยิ่งกว่าเดิม (ทั้งที่มันก็กว้างมากอยู่ตั้งแต่แรกแล้ว) 

แม้ว่าบางฝ่ายจะมองว่าการที่ AI เข้าถึงได้ง่ายขึ้นนั้นอาจจะพอบรรเทาผลกระทบต่อความเหลื่อมล้ำได้บ้าง ตราบใดที่ระบบทุนนิยมยังทำงานในรูปแบบนี้และ decentralized business models ใน Web3 ยังไม่กระเตื้อง ผมคาดว่ามันไม่เพียงพอและควรเกิดการถกเถียงเรื่องสวัสดิการที่เหมาะสมสำหรับแต่ละสังคม

5. Regulations: หลักการในการกำกับดูแล AI

ผมคิดว่าต้องมีการกำกับดูแล แต่โดยใคร เพื่ออะไร และใช้เครื่องมืออะไร นั่นเป็นสิ่งที่ยังต้องค่อย ๆ ตกผลึกออกมา

เราชอบพูดหรือเริ่มให้เกิดการกำกับดูแลเทคโนโลยีใหม่ มากกว่าโฟกัสการลงมือทำเพื่อให้การกำกับดูแลเกิดขึ้นจริงอย่างมีประสิทธิภาพ

กรณี AI ก็เหมือนกัน และมันมีความท้าทายเพิ่มขึ้นมาอีก 2 ขยัก 

ขยักแรกคือ AI มีอะไรที่เรา ‘รู้ไม่ได้’ เกี่ยวกับการกระทำของมันด้วย แม้แต่นักวิจัยเจ้าของ AI ก็ยังไม่รู้ ไม่เข้าใจ ก็มี   

ขยักที่สองคือ AI มีความลึกและกว้าง  ลึกในเชิงที่กว่าจะมาถึงผู้ใช้งานต้องผ่านกระบวนการอันซับซ้อน บางครั้งแตะกับ entity นอก jurisdiction ของอำนาจภาครัฐ  กว้างในเชิงที่มันไม่ได้รวมอยู่ในอุตสาหกรรมใดอุตสาหกรรมหนึ่ง แต่แตะพร้อมกันหลาย ๆ อุตสาหกรรม

แนวทางที่ผมสนับสนุนคือยึดหลักคิดให้มั่นว่า จะกำกับดูแลเพื่อผลลัพธ์อะไร โดยคำนึงถึงผลกระทบทางนอก (externalities) เป็นตัวตั้ง

ประเด็นด้านการกำกับดูแล AI ผมสนใจที่สุดอยู่ 4 ด้าน

• ความผิดพลาดของ AI แบบไม่ได้ตั้งใจ (honest mistakes by algo)
• ความผิดพลาดหรืออาชญกรรมโดยเจตนา ทำโดยมนุษย์ที่ใช้ AI (human crime augmented with AI)
• ต้นทุนของความเหลื่อมล้ำ
• กรณีความเสื่อมถอยของมนุษย์ ไม่ว่าจะสุดโต่งแบบ Skynet/the Matrix หรือกรณีเนิบๆ แบบ Big Tech ทำให้ทุกคนขี้เกียจและติดบริการที่ ‘ฟรี’

สตีเฟน ฮอว์คิง เคยกล่าวเอาไว้ว่าความสำเร็จของ AI จะเป็นเหตุการณ์ที่ยิ่งใหญ่ที่สุดของมนุษย์ชาติ แต่ในขณะเดียวกันมันก็อาจจะเป็นเหตุการณ์สุดท้ายของเรา เว้นเสียว่ามนุษย์สามารถค้นหาวิธีรับมือกับความเสี่ยงของมันได้

ปีนี้มีแพลนจะแชร์หลายเรื่องที่ลงลึกขึ้นในแต่ละประเด็นในบทความนี้

ก็ขอให้เราทุกคนโชคดีครับ 

Big Data ณภัทร จาตุศรีพิทักษ์ เศรษฐกิจ เศรษฐศาสตร์