ข้อเสียของAI คืออะไร

ข้อเสียของ AI: ผลกระทบต่อสิ่งแวดล้อมและวิกฤตสภาพภูมิอากาศ

การตระหนักถึง ข้อเสียของ AI ช่วยให้การพัฒนาเทคโนโลยีเป็นไปอย่างยั่งยืนและรับผิดชอบต่อโลก. ประเด็นด้านทรัพยากรธรรมชาติที่หลายคนมองข้ามส่งผลกระทบต่อสิ่งแวดล้อมอย่างรุนแรง. การศึกษาข้อจำกัดเหล่านี้มีความสำคัญต่อการเตรียมพร้อมรับมือปัญหาในอนาคต. เรียนรู้รายละเอียดเพื่อการใช้งานที่ถูกต้องและช่วยปกป้องสภาพภูมิอากาศของโลก.

ปัญญาประดิษฐ์ (AI) กับสองด้านของเหรียญที่คุณอาจมองไม่เห็น

AI กำลังเปลี่ยนแปลงโลก แต่ไม่ใช่ทุกสิ่งที่จะดีเสมอไป ในขณะที่เทคโนโลยีนี้พัฒนาอย่างก้าวกระโดด ข้อเสียของ AI ก็เริ่มชัดเจนขึ้นเรื่อยๆ ตั้งแต่การแย่งงานคนไปจนถึงการสร้างข้อมูลที่ผิดพลาด โดยเฉพาะเมื่อเราก้าวเข้าสู่ปี 2058 ซึ่งคาดว่าปัญญาประดิษฐ์จะมีบทบาทมากกว่ามนุษย์ในหลายด้าน การทำความเข้าใจ ข้อจำกัดของ AI และความเสี่ยงจึงไม่ใช่ทางเลือกอีกต่อไป แต่เป็นสิ่งจำเป็นสำหรับทุกคน

บทความนี้จะพาคุณไปเจาะลึกข้อเสียของ AI อย่างตรงไปตรงมา ไม่เว้นแม้แต่ประเด็นที่หลายคนอาจมองข้าม ตั้งแต่ผลกระทบต่อแรงงาน ไปจนถึงต้นทุนด้านสิ่งแวดล้อมที่ซ่อนอยู่ พร้อม ตัวอย่างข้อเสียของ AI ในธุรกิจ จากโลกแห่งความจริงและแนวทางรับมือในอนาคต

1. ผลกระทบต่อตลาดแรงงาน: AI แย่งงานมนุษย์จริงหรือ?

คำถามที่พบบ่อยที่สุดคือ AI จะทำให้คนตกงานหรือไม่ คำตอบคือใช่ แต่ไม่ใช่ทุกอาชีพ จากรายงานของสภาเศรษฐกิจโลก (World Economic Forum) คาดการณ์ว่า ภายในปี 2030 งานประมาณ 92 ล้านตำแหน่งทั่วโลกอาจถูกแทนที่โดยระบบอัตโนมัติ โดยเฉพาะในกลุ่มงานธุรการ ผลิต และบริการลูกค้าที่ใช้รูปแบบซ้ำๆ อย่างไรก็ตาม ผลกระทบของ AI ต่อแรงงาน ไม่ได้บอกเล่าเรื่องราวทั้งหมด เพราะในเวลาเดียวกัน AI ยังสร้างงานใหม่ๆ ประมาณ 170 ล้านตำแหน่ง โดยส่วนใหญ่เป็นงานที่ต้องใช้ทักษะการวิเคราะห์ การจัดการ AI และความคิดสร้างสรรค์ ซึ่งมนุษย์ยังเหนือกว่า ^[1]

กลุ่มอาชีพที่มีความเสี่ยงสูงในประเทศไทย

ในบริบทไทย พนักงานธนาคาร พนักงานศูนย์บริการทางโทรศัพท์ (Call Center) และพนักงานบัญชีขั้นต้น กำลังเผชิญกับความท้าทายครั้งใหญ่ จากข้อมูลของสำนักงานพัฒนาธุรกรรมทางอิเล็กทรอนิกส์ (ETDA) พบว่าในช่วง 3 ปีที่ผ่านมา มีการใช้ AI Chatbot ทดแทนพนักงานบริการลูกค้าในธุรกิจขนาดใหญ่ในระดับที่สูงขึ้น^[2] ทำให้พนักงานบางส่วนต้องปรับตัวไปทำงานในตำแหน่งที่ต้องใช้ทักษะการเจรจาหรือการดูแลลูกค้าที่ซับซ้อนมากขึ้น

2. ความไม่น่าเชื่อถือของข้อมูล: ปัญหา AI Hallucination และอคติในอัลกอริทึม

AI ที่ทรงพลังที่สุดในปัจจุบันก็ยัง “เพ้อเจ้อ” (Hallucination) ได้ การศึกษาจากมหาวิทยาลัยสแตนฟอร์ดพบว่าโมเดลภาษาขนาดใหญ่ให้ข้อมูลที่ผิดพลาดหรือไม่ตรงกับความเป็นจริงในระดับสูง โดยเฉพาะเมื่อถูกถามคำถามเกี่ยวกับเหตุการณ์ปัจจุบันหรือข้อมูลเฉพาะทางสูง ข้อเสียของ AI นี้ร้ายแรงโดยเฉพาะในวงการแพทย์และกฎหมาย เพราะการพึ่งพา AI โดยไม่ตรวจสอบอาจนำไปสู่การวินิจฉัยผิดพลาด หรือคำแนะนำทางกฎหมายที่คลาดเคลื่อน ^[3]

นอกจากนี้ อคติ (Bias) ที่แฝงอยู่ในชุดข้อมูลก็เป็นข้อเสียร้ายแรง ตัวอย่างเช่น ระบบคัดกรองเรซูเม่ของบริษัทเทคโนโลยีแห่งหนึ่งในสหรัฐฯ ถูกเปิดเผยว่ามีอคติทางเพศ โดยให้คะแนนผู้หญิงต่ำกว่าผู้ชายที่มีคุณสมบัติเท่ากัน เพราะอัลกอริทึมเรียนรู้จากข้อมูลการจ้างงานในอดีตซึ่งผู้ชายครองตำแหน่งส่วนใหญ่ และ ความเสี่ยงของการใช้ AI แบบนี้เคยเกิดขึ้นกับทีมงานไทยเมื่อปีก่อน เมื่อระบบ AI ที่เราทดลองใช้ในการคัดเลือกนักศึกษาฝึกงาน ตัดผู้หญิงที่มีผลงานดีออกไปหลายคน โดยให้เหตุผลว่า “รูปแบบการตอบคำถามไม่สอดคล้องกับพนักงานที่เคยผ่านงาน” สิ่งนี้ทำให้เราต้องกลับมาใช้การคัดกรองโดยมนุษย์เพื่อความยุติธรรม

3. ความเสี่ยงด้านจริยธรรมและความเป็นส่วนตัวที่หลายคนมองข้าม

ยิ่ง AI เก่งขึ้นเท่าไหร่ ความเสี่ยงในการละเมิดความเป็นส่วนตัวก็ยิ่งสูงขึ้นเท่านั้น Deepfake และเทคโนโลยีสร้างใบหน้าเทียมทำให้แทบแยกแยะไม่ออกว่าสิ่งที่เราเห็นนั้นจริงหรือปลอม ส่งผลให้เกิดอาชญากรรมทางไซเบอร์รูปแบบใหม่ เช่น การปลอมแปลงเสียง CEO เพื่อขอโอนเงิน ซึ่งสร้างความเสียหายแล้วหลายพันล้านบาททั่วโลก

อีกหนึ่งประเด็นคือ “Data Privacy” แพลตฟอร์ม AI จำนวนมากต้องการข้อมูลส่วนบุคคลจำนวนมหาศาลเพื่อฝึกโมเดล แต่ผู้ใช้ส่วนใหญ่ไม่รู้ว่าข้อมูลเหล่านั้นถูกนำไปใช้อย่างไร และใครเป็นเจ้าของข้อมูลที่ AI สร้างขึ้น แม้ว่ากฎหมาย PDPA ของไทยจะบังคับใช้แล้ว แต่การจัดการกับ ข้อเสียของปัญญาประดิษฐ์ ในระดับระบบยังเป็นความท้าทายที่ต้องใช้เวลาอีกหลายปี

4. ข้อเสียทางเศรษฐกิจและสิ่งแวดล้อม: ต้นทุนที่ซ่อนอยู่ใน Data Center

แต่นี่คือประเด็นที่หลายคนมองข้าม: AI ใช้พลังงานและน้ำมหาศาล การฝึกโมเดลภาษาขนาดใหญ่ (เช่น GPT-4) หนึ่งครั้งปล่อยก๊าซคาร์บอนไดออกไซด์เทียบเท่ากับรถยนต์ 5 คันวิ่งตลอดอายุการใช้งาน และศูนย์ข้อมูลทั่วโลกใช้น้ำจำนวนมากต่อปีเพื่อระบายความร้อนเซิร์ฟเวอร์ ^[5] หากไม่มีการจัดการที่ดี ข้อเสียของ AI อาจกลายเป็นหนึ่งในตัวการสำคัญของวิกฤตสภาพภูมิอากาศในทศวรรษหน้า

สำหรับธุรกิจขนาดเล็ก ค่าใช้จ่ายในการนำ AI มาใช้ก็สูงไม่แพ้กัน การจ้างทีม Data Scientist หรือซื้อระบบ AI สำเร็จรูปอาจต้องใช้เงินลงทุนหลักล้านบาท ทำให้เกิดความเหลื่อมล้ำทางเทคโนโลยีและเป็น ตัวอย่างข้อเสียของ AI ในธุรกิจ ระหว่างบริษัทใหญ่กับ SMEs

เปรียบเทียบข้อเสียของ AI จำแนกตามอุตสาหกรรม: ความเสี่ยงที่แตกต่างกัน

ข้อเสียของ AI ในแต่ละอุตสาหกรรม: ความเสี่ยงที่แตกต่างกัน

แม้ AI จะมีข้อเสียร่วมกันในบางด้าน แต่แต่ละอุตสาหกรรมก็เผชิญความท้าทายเฉพาะตัวที่แตกต่างกันออกไป ดังนี้

อุตสาหกรรมการแพทย์

AI อาจให้ผลบวกลวงหรือลวงสูง (10-15%) โดยเฉพาะในกรณีที่ข้อมูลไม่สมบูรณ์ เสี่ยงต่อการรักษาผิดพลาด

หาก AI วินิจฉัยผิดพลาด ใครจะเป็นผู้รับผิดชอบ? ปัจจุบันยังไม่มีกฎหมายรองรับอย่างชัดเจน

ข้อมูลทางการแพทย์เป็นข้อมูลอ่อนไหว การนำไปฝึก AI โดยไม่ได้รับอนุญาตอาจละเมิด PDPA อย่างร้ายแรง

อุตสาหกรรมการเงิน

AI ที่ใช้ให้สินเชื่อหรือประเมินความเสี่ยงมักเป็น Black Box ทำให้ผู้ถูกปฏิเสธไม่รู้สาเหตุที่แท้จริง

ระบบ AI อาจเลือกปฏิบัติโดยไม่ตั้งใจ เช่น ปฏิเสธสินเชื่อกลุ่มผู้มีรายได้น้อย เนื่องจากข้อมูลในอดีตมีอคติ

AI ในระบบการเงินกลายเป็นเป้าหมายของแฮกเกอร์ หากถูกควบคุมอาจทำให้เกิดความเสียหายเป็นวงกว้าง

อุตสาหกรรมการผลิต

หุ่นยนต์ AI ทดแทนแรงงานคนในสายการผลิต ส่งผลให้พนักงานไร้ฝีมือตกงานจำนวนมาก (คาดการณ์ 30-40% ภายใน 10 ปี)

SMEs หลายแห่งไม่สามารถลงทุนปรับไลน์การผลิตให้เป็นอัตโนมัติได้ ต้องปิดตัวหรือถูกรวมกิจการ

หากระบบ AI ในโรงงานหยุดทำงาน อาจทำให้สายการผลิตหยุดชะงักเป็นวัน สร้างความเสียหายมหาศาล

กรณีศึกษา: บริษัทโลจิสติกส์ไทยกับปัญหาการเลือกปฏิบัติของ AI

บริษัทขนส่งรายใหญ่ในกรุงเทพฯ ใช้ระบบ AI คัดเลือกพนักงานขับรถใหม่ในปี 2567 เพื่อเพิ่มประสิทธิภาพ ระบบจะวิเคราะห์ประวัติการขับขี่ อายุ และข้อมูลจากโซเชียลมีเดียเพื่อให้คะแนน

ปัญหาปรากฏเมื่อผู้สมัครชายอายุ 45 ปีที่มีประสบการณ์ 20 ปี ถูกปฏิเสธโดยอัตโนมัติ ขณะที่ผู้สมัครอายุ 25 ปีที่เพิ่งจบได้รับคัดเลือก ทีมงานไม่เข้าใจสาเหตุเพราะระบบไม่สามารถอธิบายได้

หลังตรวจสอบพบว่า AI มีอคติจากข้อมูลเก่า โดยบริษัทเคยจ้างพนักงานอายุน้อยมาก่อนเพราะสัญญาจ้างราคาถูกกว่า ทำให้อัลกอริทึมเรียนรู้ว่าอายุน้อย = ดี โดยไม่คำนึงถึงทักษะ

บริษัทต้องจ้างที่ปรึกษาเพื่อปรับปรุงโมเดล เสียเวลา 3 เดือน และงบประมาณเพิ่มอีก 2 ล้านบาท แต่ก็ยังไม่สามารถกำจัดอคติได้หมด ต้องเพิ่มขั้นตอนการสัมภาษณ์โดยมนุษย์เพื่อยืนยันผล