83% กับ 64%: เมื่อฝ่ายที่ออกแบบการเรียนรู้เรื่อง AI กับคนที่ต้องเรียน มองเห็นคนละภาพของเรื่องเดียวกัน

“การสนับสนุน” กับ “การรู้สึกว่าได้รับการสนับสนุน” ไม่ใช่เรื่องเดียวกัน และในองค์กรที่ปรับตัวเข้าสู่ยุค AI ความต่างของสองอย่างนี้อาจกว้างกว่าที่หลายคนคิด

รายงาน The State of Workplace Learning ปี 2026 ของ TalentLMS สำรวจผู้จัดการ HR ในสหรัฐฯ 101 คน และพนักงานเต็มเวลา 1,000 คนที่เพิ่งได้รับการอบรมจากบริษัท พบว่า 83% ของผู้จัดการ HR บอกว่าบริษัทสนับสนุนให้พนักงานเรียนรู้เรื่อง AI ขณะที่พนักงานที่ตอบแบบเดียวกันมีเพียง 64% ที่รู้สึกเช่นนั้น ช่องว่างราว 19 จุดนี้เกิดขึ้นกับเรื่องเดียวกัน ในองค์กรเดียวกัน

ข้อควรจำคือบริษัทผู้จัดทำขายระบบการเรียนรู้ และกลุ่ม HR ในตัวอย่างมีขนาดไม่ใหญ่ ตัวเลขจึงไม่ควรถูกใช้เป็นข้อสรุปของทุกองค์กร แต่รูปแบบของช่องว่างนั้นคุ้นเคยพอที่จะหยิบมาคิดต่อได้

คนออกแบบมองเห็น “สิ่งที่จัดให้” คนใช้มองเห็น “สิ่งที่ได้ใช้จริง”

ทำไมสองฝ่ายจึงเห็นภาพต่างกันได้ขนาดนี้ คำอธิบายที่เป็นไปได้ข้อหนึ่งคือแต่ละฝ่ายกำลังวัดคนละสิ่ง ฝ่าย HR นับสิ่งที่เปิดให้ เช่น มีคอร์ส มีงบ มีแพลตฟอร์ม ส่วนพนักงานนับสิ่งที่ตัวเองเข้าถึงได้ในวันทำงานจริง ซึ่งรวมเวลา ความกล้าที่จะลอง และความรู้สึกว่าการลองผิดได้รับอนุญาตหรือเปล่า

สิ่งที่เปิดให้ครบ แต่ไม่มีใครมีเวลาใช้ ยังถูกนับเป็น “การสนับสนุน” ในรายงานของผู้จัด แต่ไม่ถูกนับในประสบการณ์ของผู้เรียน ทั้งสองฝ่ายพูดความจริงของตัวเอง และไม่มีใครโกหก

ข้อมูลที่ผู้ออกแบบเก็บเอง มักบอกว่า “ดี” มากกว่าความเป็นจริง

รายงานฉบับเดียวกันมีรูปแบบที่คล้ายกันอีกจุดหนึ่ง เรื่องความพึงพอใจกับการอบรม ผู้จัดการ HR รายงานที่ 89% ขณะที่พนักงานรายงานที่ 84% ซึ่งต่างกันไม่มาก แต่ทิศทางเหมือนเดิม คือฝั่งผู้ออกแบบมองสิ่งที่ทำไว้สวยกว่าฝั่งผู้รับ

ปรากฏการณ์นี้ไม่ใช่ความไม่ซื่อสัตย์ แต่เป็นธรรมชาติของการมองงานที่ตัวเองลงแรงสร้าง เราเห็นเจตนาและความพยายามของเราชัดเจน แต่ไม่เห็นอุปสรรคที่คนอื่นเจอตอนใช้งาน เหมือนที่เจ้าของร้านเห็นเมนูที่ตัวเองตั้งใจคิด ส่วนลูกค้าเห็นแค่ต้องรอนานแค่ไหนกว่าจะได้กิน

วิธีตรวจช่องว่างคือถามถึง “เหตุการณ์” ไม่ใช่ถาม “ความรู้สึกโดยรวม”

คำถามอย่าง “คุณรู้สึกว่าบริษัทสนับสนุนการเรียน AI ไหม” ได้คำตอบที่กว้างและสะท้อนอารมณ์ของวันนั้น คำถามที่ให้ข้อมูลมากกว่าคือถามถึงเหตุการณ์ล่าสุด เช่น “ครั้งล่าสุดที่คุณลองใช้ AI กับงานจริงคือเมื่อไหร่ และมีอะไรที่ทำให้ลองยากไหม” คำตอบแบบนี้เจาะจงพอจะเห็นอุปสรรคที่ผู้ออกแบบมองไม่เห็น

สำหรับหัวหน้าทีม วิธีเดียวกันใช้ได้ภายในทีมเล็ก ๆ ก่อนจะสรุปว่า “ทีมเราปรับตัวกับ AI ได้ดี” ลองถามน้องสองสามคนว่าสัปดาห์ที่ผ่านมามีงานชิ้นไหนที่อยากใช้ AI แต่ไม่ได้ใช้ และเพราะอะไร คำตอบมักไม่ใช่เรื่องเทคนิค แต่เป็นเรื่องที่หัวหน้าแก้ได้ เช่น ไม่แน่ใจว่าใช้กับข้อมูลลูกค้าได้ไหม กลัวว่าถ้าใช้แล้วจะถูกมองว่าไม่ได้คิดเอง

ช่องว่างของการรับรู้ คือข้อมูลชิ้นที่ดีที่สุดที่ผู้ออกแบบมี

เมื่อเห็นตัวเลขสองฝั่งต่างกัน ปฏิกิริยาแรกของหลายคนคือสงสัยว่าอีกฝ่ายตอบผิดหรือเข้าใจไม่ครบ แต่การมองอีกแบบน่าจะมีประโยชน์กว่า คือถือช่องว่างนั้นเป็นแผนที่ชี้ว่า “สิ่งที่เราจัดให้” ไปไม่ถึงคนใช้ตรงจุดไหน

ทักษะการคิดในยุค AI จึงไม่ได้มีแค่การใช้เครื่องมือเก่ง แต่รวมถึงการประเมินว่าสิ่งที่เราสร้างขึ้นมาทำงานได้จริงแค่ไหนจากมุมของคนที่ต้องใช้มัน

สิ่งที่เราทำให้ครบ กับสิ่งที่เขาใช้ได้จริง ไม่เคยเท่ากันโดยอัตโนมัติ และคนที่ถามหาส่วนต่างนั้นก่อน มักเป็นคนที่ปรับปรุงได้ตรงจุดที่สุด