การอบรม Generative AI แบบลงมือปฏิบัติ 2026 – ออกแบบให้ฝึกเกิน 50%

จัดอบรมไปแล้ว ผลประเมินวิทยากรก็ไม่ได้แย่ แต่พอผ่านไป 3 เดือน คนที่ยังหยิบ Generative AI มาใช้ในงานประจำวันกลับเหลือเพียง 2-3 คน จากผู้เข้าอบรมทั้งหมด 20 คน เรื่องแบบนี้เราได้ยินซ้ำแล้วซ้ำอีกจากหน้างานของโรงงานญี่ปุ่นในประเทศไทย สาเหตุส่วนใหญ่ไม่ได้อยู่ที่คุณภาพของวิทยากรหรือความสมบูรณ์ของเอกสารประกอบ แต่อยู่ที่ปริมาณเวลาที่จัดสรรให้การฝึกปฏิบัติจริง บทความนี้จึงโฟกัสไปที่ประเด็นเดียว คือการออกแบบการอบรม Generative AI แบบลงมือปฏิบัติโดยให้การฝึกเป็นแกนกลาง ตั้งแต่วิธีวางสัดส่วนเวลา วิธีประกอบโจทย์ ข้อจำกัดในการบริหารจัดการที่ฐานการผลิตในไทย ไปจนถึงกลไกที่ทำให้ผู้เรียนใช้ต่อเนื่องหลังจบการอบรม โดยอ้างอิงข้อมูลที่เผยแพร่ต่อสาธารณะประกอบ

ทำไมการอบรม Generative AI ที่เน้นการบรรยายจึงไม่ติดตัวผู้เรียน

สไลด์ 100 หน้า กับการสาธิตพรอมป์เพียง 20 นาที

บทความวิเคราะห์สาเหตุที่การอบรม Generative AI ล้มเหลว ยกกรณีตัวอย่างของการอบรมสำหรับภาคการผลิตไว้ว่า มีสไลด์มากกว่า 100 หน้า มีการสาธิตการเขียนพรอมป์เพียง 20 นาที และเวลาที่เหลือทั้งหมดเป็นการบรรยาย ผู้เข้าอบรมได้ฟังกลไกการทำงานของ Generative AI ความเสี่ยง และกฎการใช้งานภายในองค์กรครบถ้วน แล้วกลับไป พอถึงวันรุ่งขึ้นก็ไม่รู้ว่าจะพิมพ์อะไรลงไปอย่างไรกับงานของตัวเอง

สิ่งที่กรณีนี้สะท้อนไม่ใช่ว่าเนื้อหาการบรรยายผิด ในทางกลับกัน เนื้อหาค่อนข้างครอบคลุม และหากรวมคำอธิบายเรื่องการรองรับการตรวจสอบและการจัดการข้อมูลเข้าไปด้วย สไลด์ 100 หน้าก็ไม่ใช่ปริมาณที่ผิดปกติแต่อย่างใด ปัญหาอยู่ตรงที่การอบรมจบลงโดยที่ผู้เข้าอบรมไม่เคยผ่านวงจรของการพิมพ์พรอมป์ด้วยมือตัวเอง เจอผลลัพธ์ที่ไม่ตรงกับที่คิด แล้วแก้ไขให้ได้ตามต้องการ แม้แต่รอบเดียว

Generative AI ไม่ใช่เครื่องมือที่ฟังคำอธิบายวิธีใช้แล้วจะใช้เป็น การตัดสินใจว่าเมื่อผลลัพธ์เพี้ยนไปจากที่คาดควรแก้ตรงไหนของคำสั่ง เป็นทักษะที่เกิดขึ้นได้ก็ต่อเมื่อได้ลองผิดมาก่อน การบรรยายบอกได้ว่าทำอะไรได้บ้าง แต่บอกไม่ได้ว่าต้องแก้อย่างไร

จุดเปลี่ยนที่สัดส่วนการฝึกปฏิบัติต่ำกว่า 30%

บทความเดียวกันชี้ว่า การอบรมที่มีเวลาฝึกปฏิบัติต่ำกว่า 30% ของเวลาทั้งหมด มีแนวโน้มที่อัตราการคงอยู่ของความรู้เมื่อผ่านไป 3 เดือนจะต่ำอย่างเห็นได้ชัด แต่สิ่งที่ต้องระวังคือ ระดับ 30% นี้ไม่ได้มาจากการสำรวจทางสถิติของหน่วยงานราชการ หากเป็นตัวเลขประมาณการที่บริษัทผู้จัดอบรมซึ่งเขียนบทความนั้นคำนวณขึ้นจากผลงานการสนับสนุนลูกค้าของตนเอง และนำเสนอไว้ในฐานะกรณีสมมติ จึงควรรับไว้เป็นเกณฑ์คร่าว ๆ ที่บ่งบอกแนวโน้ม ไม่ใช่ค่าขีดแบ่งที่แม่นยำ และบนพื้นฐานนั้น บทความเดียวกันแนะนำให้ตั้งสัดส่วนการลงมือปฏิบัติไว้อย่างน้อย 50%

ระดับ 30% นี้สอดคล้องกับความรู้สึกจากหน้างานพอสมควร หากเป็นการอบรม 4 ชั่วโมง 30% เท่ากับ 72 นาที ฟังดูเหมือนเวลาฝึก 72 นาทีจะเพียงพอ แต่ในความเป็นจริง ตัวเลขนี้รวมเวลาล็อกอินเข้าเครื่องมือ การอธิบายหน้าจอ การอ่านโจทย์ และการตอบคำถามไว้ทั้งหมด จากประสบการณ์การสนับสนุนการอบรมของเรา เวลาที่ผู้เข้าอบรมได้เขียนพรอมป์และทดลองจริง ๆ จะลดลงเหลือราว 30 นาที และ 30 นาทีนั้นแทบจะพอแค่วนรอบ เขียน ดูผลลัพธ์ แก้ไข แล้วส่งใหม่ ได้เพียง 2 รอบต่อโจทย์หนึ่งข้อ

ในทางกลับกัน หากเป็น 50% จะได้ 120 นาที เมื่อกันเวลาได้ถึงระดับนี้ จะใส่ขั้นตอนได้ครบ 3 ขั้น คือทำโจทย์ง่าย 1 ข้อให้ผ่านก่อน แล้วทำโจทย์ที่ใกล้เคียงงานจริงของตัวเองอีก 1 ข้อ จากนั้นเทียบกับเพื่อนร่วมห้องแล้วเขียนใหม่ ขั้นที่สามนี้เอง คือการดูพรอมป์ที่คนอื่นเขียนแล้วกลับมาแก้ของตัวเอง ที่ทำให้ความสามารถในการทำซ้ำได้หลังการอบรมต่างกันอย่างมีนัยสำคัญ

ช่องว่างระหว่างการเข้าใจกับการทำได้จริง

แบบสอบถามที่เก็บทันทีหลังจบการอบรม มักได้ตัวเลขดีแม้เป็นการอบรมที่เน้นบรรยาย เพราะเรื่องราวของ Generative AI ฟังสนุก ตัวอย่างเข้าใจง่าย ผู้เข้าอบรมจึงตอบว่าเข้าใจแล้ว แต่พอดูสถานะการใช้งานเมื่อผ่านไป 3 เดือน จำนวนครั้งการเข้าใช้กลับไม่ขยับ ความเหลื่อมนี้เกิดจากการที่แบบสอบถามวัดระดับความเข้าใจ ไม่ได้วัดความสามารถในการทำซ้ำในงานจริง

สำหรับโครงสร้างเชิงองค์กรที่ทำให้การอบรม Generative AI ไม่ติดตัวหน้างาน เราได้เรียบเรียงปัจจัยฝั่งองค์กรไว้ในเหตุผลที่การอบรม Generative AI ไม่ติดตัวผู้เรียน บทความนี้จะเจาะลึกเฉพาะส่วนที่ผู้ออกแบบควบคุมได้โดยตรง นั่นคือวิธีใช้เวลาในวันอบรม

การออกแบบสัดส่วนของการอบรมแบบลงมือปฏิบัติ และสูตร 20/50/30

ความรู้พื้นฐาน 20% ฝึกปฏิบัติ 50% แลกเปลี่ยนและทบทวน 30%

การแปลงข้อแนะนำที่ว่าสัดส่วนการลงมือปฏิบัติต้องไม่ต่ำกว่า 50% ให้กลายเป็นตารางเวลาจริง ยังไม่ถือว่าออกแบบเสร็จ ตราบใดที่ยังไม่ได้ตัดสินใจว่า 50% ที่เหลือจะใช้ทำอะไร บทความนี้จึงเสนอการแบ่งเป็น 3 ส่วน คือ ความรู้พื้นฐาน 20% ฝึกปฏิบัติแบบลงมือทำ 50% และการแลกเปลี่ยนกับทบทวน 30% เพื่อใช้เป็นจุดตั้งต้นของการออกแบบ

สูตร 20/50/30 นี้ไม่ใช่ค่ามาตรฐานที่แหล่งอ้างอิงประกาศไว้ สิ่งที่แหล่งอ้างอิงระบุคือข้อแนะนำว่าสัดส่วนการลงมือปฏิบัติควรอยู่ที่อย่างน้อย 50% เท่านั้น ไม่ได้กำหนดรายละเอียดของอีก 50% ที่เหลือ ตัวเลข 20/50/30 เป็นเกณฑ์สำหรับใช้งานที่บริษัทเราตั้งขึ้นเอง โดยยึดค่าที่แหล่งอ้างอิงแนะนำเป็นแกน แล้วแบ่งส่วนที่เหลือให้การบรรยายกับการแลกเปลี่ยน จึงขอให้ใช้ในฐานะตัวเลขที่ตั้งใจให้ปรับตามเงื่อนไขของแต่ละบริษัท ไม่ใช่มาตรฐานที่ยกไปใช้ต่อได้ทันที

สิ่งแรกที่คนมักแปลกใจกับสัดส่วนนี้คือ ส่วนความรู้พื้นฐานมีเพียง 20% ถ้าเป็นการอบรม 4 ชั่วโมงก็เท่ากับ 48 นาที การอัดกลไกการทำงานของ Generative AI กฎการใช้งานภายในองค์กร และข้อควรระวังด้านการจัดการข้อมูล ลงใน 48 นาที ย่อมรู้สึกคับแคบอยู่จริง แต่ความคับแคบนี้เองคือหัวใจของการออกแบบ เพราะมันบังคับให้ต้องตัดสินใจว่า ความรู้ที่ใส่ไม่ลงใน 48 นาที ควรถูกย้ายไปอยู่ในเอกสารที่แจกล่วงหน้า หรือเอกสารที่เปิดดูย้อนหลังได้หลังการอบรม แทนที่จะพูดปากเปล่าในวันจริง

ความรู้พื้นฐานเรื่อง Generative AI และกฎภายในองค์กร เป็นข้อมูลประเภทที่อ่านแล้วเข้าใจได้ การเอาสิ่งที่อ่านเองก็รู้เรื่องมาไล่อ่านให้ฟังในห้องอบรม เป็นการใช้เวลาราคาแพงอย่างไม่คุ้มค่า ในทางกลับกัน การตัดสินใจว่าจะแก้พรอมป์อย่างไร ฝึกได้เฉพาะในสถานการณ์ที่มีวิทยากรอยู่ตรงนั้นและมีเพื่อนร่วมงานนั่งข้าง ๆ หลักการที่ว่าให้ทุ่มเวลาไปกับสิ่งที่ทำได้เฉพาะในวันอบรมเท่านั้น คือแนวคิดที่อยู่เบื้องหลังสูตร 20/50/30

เหตุผลที่ต้องกันเวลา 30% ไว้ให้การแลกเปลี่ยนและทบทวน

ในสามส่วนนี้ ส่วนที่ถูกตัดง่ายที่สุดเวลาออกแบบกันเองภายในองค์กร คือการแลกเปลี่ยนและทบทวน 30% มักจบลงด้วยประโยคที่ว่าเวลาฝึกไม่พอ เดี๋ยวไปรวบแลกเปลี่ยนกันตอนท้าย 10 นาทีก็พอ ซึ่งนั่นคือการตัดทอนประสิทธิผลของการฝึกปฏิบัติเอง

ระหว่างการฝึก ผู้เข้าอบรมมองเห็นแต่หน้าจอของตัวเอง เขารู้ว่าพรอมป์ของตัวเองทำงานได้ดีหรือไม่ แต่ไม่ได้รับข้อมูลว่านั่นเป็นวิธีเขียนที่ดีหรือเปล่า เขียนให้สั้นกว่านี้ได้ไหม หรือคนจากแผนกอื่นใช้วิธีที่ต่างไปโดยสิ้นเชิงหรือไม่ เวลาสำหรับการแลกเปลี่ยนมีไว้เพื่อเปิดมุมมองตรงนี้

ในทางปฏิบัติ เวลาแลกเปลี่ยนให้ผลดังนี้

• การได้เห็นวิธีแก้โจทย์เดียวกันหลายแบบ ทำให้วิธีเขียนพรอมป์มีความหลากหลายมากขึ้น
• การได้ดูตัวอย่างที่ไม่สำเร็จร่วมกันทั้งห้อง ทำให้รูปแบบความล้มเหลวกลายเป็นสินทรัพย์ร่วมขององค์กร
• การได้รู้โจทย์งานของแผนกอื่น ทำให้นึกออกว่าจะนำไปประยุกต์กับแผนกตัวเองตรงไหน
• คำถามที่วิทยากรเคยตอบเป็นรายคน ถูกยกขึ้นมาตอบพร้อมกันทั้งห้อง ลดความซ้ำซ้อนในการตอบคำถาม

ข้อสุดท้ายเชื่อมโยงกับต้นทุนการบริหารโดยตรง หากตัดเวลาแลกเปลี่ยนออก คำถามรายบุคคลระหว่างการฝึกจะเพิ่มขึ้นจนวิทยากรคนเดียวรับมือไม่ไหว ผลที่ตามมาคือเวลาฝึกปฏิบัติที่ใช้ได้จริงกลับลดลง กลายเป็นผลย้อนกลับด้านลบ

รายการตรวจสอบเมื่อสัดส่วนการฝึกปฏิบัติต่ำกว่า 50%

หากลองประกอบโปรแกรมอบรมภายในองค์กรแล้วพบว่าเวลาฝึกปฏิบัติได้เพียง 40% จุดที่ควรตัดนั้นแทบจะตายตัวอยู่แล้ว ลองทบทวนตามลำดับต่อไปนี้ ส่วนใหญ่จะทะลุ 50% ได้

• ย้ายคำอธิบายกลไกทางเทคนิคของ Generative AI ไปไว้ในเอกสารที่แจกล่วงหน้า
• แยกการอ่านทบทวนกฎการใช้งานภายในองค์กรออกไปเป็น e-learning หรือการประชุมต่างหาก
• ลดจำนวนกรณีศึกษาการนำไปใช้ โดยจำกัดให้เหลือเฉพาะอุตสาหกรรมที่เกี่ยวข้อง
• ลดจำนวนการสาธิตของวิทยากร แล้วทำเพียง 1 ชุดให้ละเอียด
• ไม่แยกช่วงถามตอบออกมาเป็นบล็อกอิสระ แต่รวมเข้าไปในเวลาแลกเปลี่ยน

ในทางกลับกัน สิ่งที่ห้ามตัดคือเวลาอธิบายโจทย์ฝึกปฏิบัติ หากเข้าสู่การฝึกโดยที่เจตนาของโจทย์ยังไม่ถูกสื่อสารให้ชัด 10 นาทีแรกจะหมดไปกับคำถามว่าต้องทำอะไร วิธีที่ปลอดภัยคือนับการอธิบายโจทย์เป็นส่วนหนึ่งของเวลาฝึก และวางไว้ตอนต้นของบล็อกฝึกปฏิบัติ

อนึ่ง การออกแบบระดับบนที่ว่าจะกระจายหลักสูตรทั้งหมดไปยังชั้นใดขององค์กรและเรียงลำดับอย่างไร เราได้กล่าวถึงไว้ในการออกแบบหลักสูตรอบรม AI ส่วนการออกแบบสัดส่วนในบทความนี้ คือเรื่องระดับถัดลงมาว่าจะประกอบเนื้อหาภายในแต่ละหลักสูตรที่ตัดสินใจไว้แล้วอย่างไร

เทมเพลตการแบ่งเวลาสำหรับการอบรม 4 ชั่วโมง

อ่านเทมเพลตที่เผยแพร่ไว้ตามที่เป็นจริง

บทความที่อ้างถึงข้างต้นแสดงเทมเพลตการแบ่งเวลาสำหรับการอบรม 4 ชั่วโมงไว้อย่างเป็นรูปธรรม รายละเอียดมีดังนี้

ในการแบ่งแบบนี้ ฝึกปฏิบัติรายบุคคล 60 นาที แลกเปลี่ยนแบบกลุ่ม 30 นาที และฝึกปฏิบัติขั้นประยุกต์ 45 นาที รวมกันเป็น 135 นาที ซึ่งจัดอยู่ในหมวดฝึกปฏิบัติบวกแลกเปลี่ยน คิดเป็น 56% ของ 240 นาที บทความใช้ตัวเลข 56% นี้นำเสนอว่าเป็นตัวอย่างการออกแบบที่ผ่านเกณฑ์แนะนำเรื่องสัดส่วนการลงมือปฏิบัติไม่ต่ำกว่า 50%

อ่านเทมเพลตเทียบกับสูตร 20/50/30

สิ่งที่ต้องระวังตรงนี้คือ เทมเพลต 4 ชั่วโมงกับเกณฑ์ 20/50/30 ที่เสนอไว้ก่อนหน้า ไม่ได้ถูกนับด้วยมุมมองเดียวกัน

หากจับบล็อกในเทมเพลตมาจัดเข้า 3 หมวดของ 20/50/30 แบบตรงไปตรงมา โดยนับอธิบายเบื้องต้นและความรู้พื้นฐาน 60 นาที กับการสาธิต 30 นาที เป็นส่วนความรู้ ส่วนความรู้จะเท่ากับ 90 นาที หรือ 37.5% ส่วนการฝึกปฏิบัติล้วน ๆ คือฝึกรายบุคคล 60 นาทีบวกฝึกขั้นประยุกต์ 45 นาที รวม 105 นาที หรือ 43.75% และแลกเปลี่ยนแบบกลุ่มกับสรุปอีก 45 นาที หรือ 18.75% กล่าวคือ สัดส่วนออกมาไม่ตรงกับ 20/50/30

นี่ไม่ได้แปลว่าเทมเพลตของแหล่งอ้างอิงผิด แต่เป็นความต่างของหน่วยการนับ ระหว่างการนับรวมเป็นก้อนฝึกปฏิบัติบวกแลกเปลี่ยนแล้วได้ 56% กับการนับแยก 3 หมวด สิ่งสำคัญเมื่อออกแบบเองภายในบริษัท คือต้องตัดสินใจก่อนว่าจะใช้วิธีนับแบบไหน หากพูดว่าการอบรมของเรามีการฝึกปฏิบัติครึ่งหนึ่งโดยไม่ได้ตกลงวิธีนับไว้ก่อน เมื่อแผนกอื่นในองค์กรมาตรวจสอบด้วยวิธีนับอีกแบบ ตัวเลขจะไม่ตรงกัน

คำแนะนำในทางปฏิบัติคือ ให้แสดงตัวเลข 2 ชุดควบคู่กันไปดังนี้

• เวลาที่ผู้เข้าอบรมลงมือใช้เครื่องมือด้วยตัวเอง ซึ่งเป็นเวลาฝึกปฏิบัติในความหมายแคบ
• เวลารวมของการฝึกปฏิบัติบวกการแลกเปลี่ยน ซึ่งเป็นเวลาลงมือปฏิบัติในความหมายกว้าง

หากเป็นเทมเพลต 4 ชั่วโมง ก็เขียนได้ว่าความหมายแคบ 105 นาที และความหมายกว้าง 135 นาที เมื่อวางสองตัวเลขนี้คู่กัน ก็จะมีไม้บรรทัดอันเดียวกันไว้ใช้ตอนเปรียบเทียบข้อเสนอจากบริษัทผู้จัดอบรมด้วย

จุดนี้กลายเป็นจุดบอดโดยไม่รู้ตัว เพราะประเด็นการเลือกหลักสูตรที่บทความเปรียบเทียบการอบรม Generative AI แนะนำไว้ ได้แก่ เลือกหลักสูตรที่เหมาะกับระดับความรู้ด้าน AI ของพนักงานได้หรือไม่ มีการเสนอแผนปรับแต่งที่ตรงกับวัตถุประสงค์หรือไม่ โครงสร้างราคาชัดเจนและคุ้มค่าหรือไม่ ระบบติดตามผลหลังการอบรมครบถ้วนหรือไม่ และมีผลงานในอุตสาหกรรมเดียวกันหรือองค์กรขนาดใกล้เคียงกันหรือไม่

ทุกข้อล้วนสำคัญ แต่ตัวสัดส่วนเวลาที่ว่าจะแบ่งให้การฝึกปฏิบัติกี่นาที มักไม่ถูกยกขึ้นมาเป็นแกนเปรียบเทียบ นั่นหมายความว่า เมื่อวางข้อเสนอเรียงกัน สัดส่วนการฝึกปฏิบัติจะมองเห็นหรือไม่ ขึ้นอยู่กับว่าฝั่งผู้ว่าจ้างตั้งใจตรวจสอบเองหรือเปล่า งานแปลงตารางเวลาของแต่ละบริษัทให้เหลือตัวเลข 2 ชุดคือความหมายแคบและความหมายกว้าง จึงเป็นสิ่งที่ฝั่งผู้ว่าจ้างต้องเพิ่มเข้าไปเอง ความยุ่งยากเพียงขั้นตอนเดียวนี้ จะแยกข้อเสนอที่เน้นบรรยายออกจากข้อเสนอที่เน้นฝึกปฏิบัติได้อย่างชัดเจน

แนวคิดเมื่อต้องยืดหรือหดเป็น 3 ชั่วโมงหรือ 6 ชั่วโมง

กรณีที่หน้างานไม่สามารถกันเวลา 4 ชั่วโมงได้ หรือกลับกันคือกันได้ทั้งวัน เกิดขึ้นบ่อยมาก ในกรณีเช่นนั้น การยืดหดทุกบล็อกตามสัดส่วนเท่า ๆ กันไม่ใช่ทางที่ดี เพราะแต่ละบล็อกมีลักษณะต่างกัน บางบล็อกตัดเวลาลงแล้วยังทำงานได้ แต่บางบล็อกถ้าต่ำกว่าปริมาณหนึ่งจะสูญเสียหน้าที่ของมันไปเลย

ฝั่งย่อเวลา สิ่งที่ตัดก่อนคืออธิบายเบื้องต้นและการสาธิต ทั้งสองอย่างนี้ดูดซับได้ด้วยการแจกเอกสารล่วงหน้าและการลดจำนวนชุดสาธิต ในทางกลับกัน หากลดการแลกเปลี่ยนแบบกลุ่มให้ต่ำกว่า 25 นาที และลดการฝึกขั้นประยุกต์ให้ต่ำกว่า 40 นาที การแลกเปลี่ยนจะกันเวลานำเสนอต่อคนไม่พอ ส่วนการฝึกขั้นประยุกต์จะหมดเวลาพอดีตอนที่เพิ่งอ่านโจทย์จบ ข้อสรุปที่ว่า 3 ชั่วโมงคือขีดต่ำสุด จึงมาจากการคำนวณย้อนกลับจากค่าต่ำสุดของสองบล็อกนี้

ฝั่งขยายเวลา หลักการคือให้เทเวลาที่เพิ่มขึ้นไปที่การฝึกขั้นประยุกต์และการสรุป ไม่ใช่การบรรยายชุดใหม่ หากออกแบบ 6 ชั่วโมงแล้วยืดการฝึกขั้นประยุกต์ไปถึง 105 นาที จะประกอบให้ผู้เข้าอบรมนำข้อมูลจริงของแผนกตัวเองเข้ามา แล้วเขียนพรอมป์ที่ใช้งานได้จริงให้เสร็จ 1 ชุดก่อนกลับได้ และหากกันเวลาสรุปไว้ 45 นาที ก็จะให้เขาเขียนแผนปฏิบัติได้ด้วยว่าจะใช้พรอมป์นั้นเมื่อไร กับงานไหน และสัปดาห์ละกี่ครั้ง การมีหรือไม่มีแผนปฏิบัตินี้ส่งผลต่ออัตราการใช้งานเมื่อผ่านไป 30 วัน

ออกแบบเนื้อหาของการฝึกปฏิบัติอย่างไร

ใช้ข้อมูลจริงของบริษัทได้หรือไม่ คือตัวแปรชี้ผลลัพธ์

ต่อให้กันเวลาฝึกปฏิบัติได้ถึง 50% แต่ถ้าโจทย์มีแต่แบบทั่วไป เช่น ให้สรุปรายงานการประชุมของบริษัทสมมติ ผู้เข้าอบรมก็จะรู้สึกว่าสนุกดีแต่ไม่เกี่ยวกับงานของตัวเอง คุณภาพของการฝึกปฏิบัติแทบจะถูกกำหนดโดยความใกล้เคียงระหว่างโจทย์กับงานจริงของผู้เรียน

อุดมคติคือใช้เอกสารที่ผู้เข้าอบรมจับต้องอยู่ทุกวันเป็นวัตถุดิบของการฝึก เช่น รายงานของเสีย รายงานการผลิตประจำวัน อีเมลกับซัพพลายเออร์ หรือเอกสารขั้นตอนการทำงาน แต่การนำข้อมูลจริงเข้ามาในห้องอบรม จำเป็นต้องมีเส้นแบ่งภายในองค์กรก่อนว่า ข้อมูลประเภทใดป้อนเข้าเครื่องมือใดได้บ้าง หากวางแผนใช้ข้อมูลจริงทั้งที่เส้นแบ่งนี้ยังไม่ถูกจัดระเบียบ มักลงเอยด้วยการที่ฝ่ายจัดการข้อมูลสั่งเบรกก่อนอบรม 1 สัปดาห์ แล้วต้องรีบเปลี่ยนเป็นข้อมูลจำลองแบบกะทันหัน

ทางออกแบบประนีประนอมในทางปฏิบัติคือ เตรียมข้อมูลกึ่งจริงที่ผ่านการปกปิดตัวตนไว้ล่วงหน้า โดยแทนที่เฉพาะรหัสสินค้า ชื่อคู่ค้า จำนวนเงิน และชื่อผู้รับผิดชอบ ส่วนโครงสร้างและสำนวนของเอกสารคงไว้ตามของจริง เพียงเท่านี้ ความรู้สึกที่ต่างจากโจทย์ทั่วไปก็ลดลงไปมาก

สร้างบันไดความยาก 3 ขั้น

หากเตรียมโจทย์ฝึกไว้เพียงแบบเดียว จะมีคนที่ตามไม่ทันและคนที่ทำเสร็จเร็วแล้วนั่งว่างเสมอ การอบรม Generative AI มีช่วงความต่างของทักษะคอมพิวเตอร์ในหมู่ผู้เข้าอบรมกว้างกว่าการอบรมประเภทอื่น การกระจายตัวนี้จึงเห็นได้ชัดเจน

สิ่งที่แนะนำคือ เตรียมโจทย์ 3 ข้อที่มีระดับความยากต่างกันบนหัวข้องานเดียวกัน แล้วให้ทำไล่ตามลำดับ

• ขั้นที่ 1 คือโจทย์ที่วางคำสั่งสำเร็จรูปลงไปตรง ๆ แล้วดูผลลัพธ์ เพื่อให้ทุกคนได้ประสบการณ์ความสำเร็จอย่างแน่นอน
• ขั้นที่ 2 คือโจทย์ที่ให้แก้คำสั่งที่ได้รับมาให้เข้ากับเงื่อนไขงานของตัวเอง เพื่อให้สัมผัสว่าผลลัพธ์เปลี่ยนไปจริง
• ขั้นที่ 3 คือโจทย์ที่ต้องเขียนคำสั่งเองจากกระดาษเปล่า ตรงนี้เองที่ผู้เรียนจะเริ่มติดขัด และเป็นจังหวะที่วิทยากรได้ทำงาน

การมีผู้เข้าอบรมที่ไปไม่ถึงขั้นที่ 3 ไม่ใช่ปัญหา สิ่งสำคัญคือทุกคนต้องผ่านขั้นที่ 1 และขั้นที่ 2 และกลับไปพร้อมประสบการณ์ว่าเมื่อแก้คำสั่งเองแล้วผลลัพธ์เปลี่ยนไป การมีหรือไม่มีประสบการณ์นี้คือจุดตัดว่าเขาจะกลับไปลองเองหลังการอบรมหรือไม่

ทางเลือกของการออกแบบโจทย์ให้เหมาะกับแต่ละคน

บทความต่างประเทศที่รวบรวมแนวโน้มของการอบรมในองค์กร แนะนำว่าการเรียนรู้แบบปรับตัว หรือกลไกที่คัดเนื้อหาให้ต่างกันตามข้อมูลระดับความเข้าใจและความก้าวหน้าของผู้เรียน เป็นหนึ่งในกระแสหลักของการอบรมในองค์กร บทความเดียวกันยังชี้ว่า การเรียนรู้แบบไมโครเลิร์นนิ่งซึ่งแบ่งเนื้อหาเป็นหน่วยสั้น ๆ ให้ผลดีต่อการคงอยู่ของความรู้มากกว่าโมดูลแบบดั้งเดิมที่ใช้เวลานาน

ขอให้ระวังว่าทั้งสองข้อเป็นแนวโน้มของการอบรมในองค์กรโดยทั่วไป ไม่ใช่การวัดผลเชิงปริมาณที่จำกัดเฉพาะการอบรม Generative AI แต่ในเชิงทิศทางแล้วก็พูดเรื่องเดียวกับโจทย์ 3 ขั้นที่กล่าวไปข้างต้น กล่าวคือ ยิ่งย้ายจากการออกแบบที่ให้ทุกคนทำโจทย์เดียวกันในเวลาเท่ากัน ไปสู่การเปลี่ยนโจทย์ตามหน้าที่งานและระดับความเข้าใจมากเท่าไร และยิ่งแบ่งปริมาณที่อัดในคราวเดียวให้เล็กลงเท่าไร ความรู้ก็ยิ่งติดตัวมากขึ้น

แม้เป็นการอบรมภายในขนาดเล็ก ก็นำแนวคิดแบบปรับตัวมาใช้ได้ วิธีคือแบ่งผู้เข้าอบรมตามแผนกไว้ล่วงหน้า แล้วเปลี่ยนเฉพาะวัตถุดิบของโจทย์ฝึกให้ต่างกันตามแผนก หากคงส่วนบรรยายไว้เหมือนกัน แล้วแยกเฉพาะโจทย์ฝึกออกเป็นฉบับฝ่ายผลิต ฉบับฝ่ายประกันคุณภาพ และฉบับฝ่ายบริหารจัดการ ก็จะย่นระยะห่างจากงานจริงได้ โดยควบคุมต้นทุนการจัดทำสื่อการสอนไว้ได้

ใช้ข้อมูลอัตราการคงอยู่และ ROI สนับสนุนการตัดสินใจลงทุน

อย่าสับสนระหว่างการคงอยู่ของพนักงานกับการคงอยู่ของความรู้

เวลาขออนุมัติงบประมาณสำหรับการอบรม Generative AI จำเป็นต้องมีตัวเลขที่แสดงผลลัพธ์ สิ่งที่ต้องระวังตรงนี้คือ คำว่าอัตราการคงอยู่ถูกใช้เรียกสองสิ่งที่ต่างกันโดยสิ้นเชิง

รายงานที่รวบรวมสถิติการอบรมในองค์กรจากต่างประเทศ ระบุว่าองค์กรที่จัดอบรมการใช้งาน AI มีอัตราการคงอยู่ของพนักงานเพิ่มขึ้น 29% และ ROI ของการลงทุนอบรม AI อยู่ที่เฉลี่ย 250% ภายในไม่เกิน 18 เดือน อัตราการคงอยู่ในที่นี้หมายถึงอัตราที่พนักงานยังอยู่กับบริษัท หรือ retention ในขณะที่คำว่าอัตราการคงอยู่ในบริบทของการอบรม ส่วนใหญ่หมายถึงอัตราที่เนื้อหาที่เรียนยังคงอยู่ในตัวผู้เรียน หรือการคงอยู่ของความรู้ คำเดียวกันจึงถูกใช้เรียกสองสิ่งที่ต่างกันคนละเรื่อง คือการคงอยู่ของบุคลากรกับการคงอยู่ของความรู้

ทั้งสองอย่างอาจเชื่อมโยงกันในเชิงเหตุผล แต่ในฐานะตัวชี้วัดถือเป็นคนละตัว หากนำอัตราการคงอยู่ของบุคลากรและอัตราการคงอยู่ของความรู้มาวางเรียงกันใต้หัวข้อเดียวกันในเอกสารขออนุมัติ ผู้อ่านจะเข้าใจว่าเป็นตัวเลขชนิดเดียวกัน การแยกเขียนให้ชัดว่าแต่ละตัวเลขเป็นตัวชี้วัดอะไร มาจากการสำรวจใด จะช่วยให้ผ่านการพิจารณาได้ง่ายกว่า

หากจัดตารางนี้ให้อยู่ในรูปที่แนบเข้าเอกสารขออนุมัติได้ทันที ก็จะไม่ต้องย้อนกลับไปทำงานซ้ำเมื่อถูกถามภายหลังว่าตัวเลขนั้นมาจากไหน การนำเสนอโดยไม่ยุบตัวเลขให้เหลือค่าเดียว แต่แยกไว้ตามแหล่งที่มา กลับเป็นทางที่เร็วที่สุดในท้ายที่สุด

อ่านตัวเลข 18 เดือนและ 250% อย่างไร

เวลาอ่านตัวเลข ROI 250% สิ่งแรกที่ต้องตรวจสอบคือ เป็นอัตราส่วนที่วางอะไรไว้เป็นตัวตั้ง เนื่องจากฝั่งแหล่งอ้างอิงไม่ได้ระบุสูตรคำนวณ ROI ไว้ จึงไม่สามารถสรุปจากตัวเลขนี้เพียงอย่างเดียวได้ว่า ได้เงินกลับคืนมา 2.5 เท่าของเงินลงทุน หรือกำไรหลังหักเงินลงทุนแล้วเป็น 2.5 เท่า นอกจากนี้ยังเป็นค่าเฉลี่ยจากการสำรวจในต่างประเทศ ซึ่งปะปนทั้งอุตสาหกรรม ขนาดองค์กร และประเภทของการอบรมเข้าด้วยกัน จึงไม่ใช่ตัวเลขที่นำมาใช้กับการอบรม Generative AI ของโรงงานญี่ปุ่นในไทยเพียงแห่งเดียวได้โดยตรง

หากจะนำมาใช้ภายในบริษัท การใช้ตัวเลขนี้เป็นเหตุผลรองรับกรอบเวลาว่าให้มองการคืนทุนในช่วง 18 เดือน จะเหมาะสมกว่า ผลของการอบรม Generative AI ไม่ได้ปรากฏทันทีหลังอบรม แต่เริ่มปรากฏหลังจากผู้เข้าอบรมนำไปฝังในงานของตัวเองแล้วหลายเดือน หากวัดผลที่ 3 เดือนแล้วตัดสินว่าไม่ได้ผล งบประมาณจะถูกหยุดก่อนถึงช่วงที่เติบโตมากที่สุดพอดี การกำหนดช่วงเวลา 18 เดือนจึงเป็นวัตถุดิบสำหรับป้องกันการยุติโครงการเร็วเกินไป

สำหรับความรู้สึกด้านค่าใช้จ่ายที่เป็นรูปธรรม และจุดคุ้มทุนระหว่างการจัดเองภายในกับการจ้างภายนอก เราแยกย่อยไว้ในค่าใช้จ่ายการอบรม Generative AI ในไทย เมื่อเพิ่มสัดส่วนการลงมือปฏิบัติ จะต้องลดจำนวนผู้เข้าอบรมต่อวิทยากร 1 คนลง โครงสร้างต้นทุนจึงต่างจากการอบรมที่เน้นบรรยายด้วย

สิ่งที่โมเดล 70:20:10 บอกเรา

โมเดล 70:20:10 ที่ถูกอ้างอิงมายาวนานในวงการพัฒนาบุคลากร คือแนวคิดที่ว่า สิ่งที่คนเรียนรู้ในการทำงานนั้น 70% มาจากประสบการณ์การทำงานจริง 20% มาจากการปฏิสัมพันธ์กับผู้อื่น และ 10% มาจากการอบรมอย่างเป็นทางการ

การอ่านโมเดลนี้ในฐานะเหตุผลปฏิเสธการอบรมถือว่าผิด ในทางกลับกัน ควรอ่านเป็นแนวทางว่าให้ออกแบบส่วน 10% ที่เป็นการอบรม ให้เชื่อมต่อไปยัง 90% ที่เหลือ ตำแหน่งของการอบรมแบบลงมือปฏิบัติก็เช่นกัน การฝึกปฏิบัติในวันอบรมไม่ใช่ประสบการณ์การทำงานจริงในตัวมันเอง แต่เป็นกลไกที่ทำให้ผู้เรียนได้ก้าวเท้าก้าวแรกไปสู่การลงมือทำในงานจริง ในพื้นที่ที่ล้มเหลวได้อย่างปลอดภัย

และส่วน 20% ที่เป็นการปฏิสัมพันธ์กับผู้อื่น ก็ตรงกับการแลกเปลี่ยนแบบกลุ่มระหว่างการอบรม และเวทีแลกเปลี่ยนพรอมป์หลังการอบรม การออกแบบที่กันเวลาให้การแลกเปลี่ยน 30% ตามสูตร 20/50/30 จึงอ่านได้ว่าเป็นการดึงส่วน 20% ของ 70:20:10 มาสร้างไว้ล่วงหน้าภายในการอบรมนั่นเอง

ประเด็นในการออกแบบการอบรมแบบลงมือปฏิบัติสำหรับโรงงานญี่ปุ่นในไทย

บริหารการฝึกปฏิบัติที่ปนกันทั้งภาษาญี่ปุ่น ไทย และอังกฤษ

สิ่งแรกที่ต้องตัดสินใจในการอบรมที่ฐานการผลิตในไทย คือผู้เข้าอบรมจะเขียนพรอมป์ด้วยภาษาใดระหว่างการฝึก หากเริ่มโดยปล่อยจุดนี้ให้คลุมเครือ ชาวญี่ปุ่นที่มาประจำการจะใช้ภาษาญี่ปุ่น ส่วนพนักงานไทยจะใช้ภาษาไทยปนอังกฤษ แล้วจะเกิดสถานการณ์ที่ต่างฝ่ายต่างอ่านพรอมป์ของกันและกันไม่ออกในช่วงเวลาแลกเปลี่ยนแบบกลุ่ม

การจัดระเบียบที่เป็นไปได้จริงมีดังนี้

• การฝึกรายบุคคล ให้แต่ละคนเขียนด้วยภาษาที่ใช้จริงในงาน ไม่ต้องฝืนบังคับให้เป็นภาษาเดียวกัน
• การนำเสนอในช่วงแลกเปลี่ยน ให้อธิบายเจตนาของพรอมป์ด้วยภาษากลาง ส่วนต้นฉบับให้แสดงตามที่เขียนไว้เดิม
• พรอมป์ตัวอย่างที่วิทยากรแจก ให้เตรียมทั้งฉบับภาษาญี่ปุ่นและฉบับภาษาไทย
• เกณฑ์ประเมินผลลัพธ์เท่านั้นที่ต้องใช้ร่วมกันทุกภาษา ได้แก่ ความอ่านง่าย ความถูกต้องของข้อเท็จจริง และการนำไปใช้ในงานได้ทันทีหรือไม่

การจัดทำพรอมป์ตัวอย่างหลายภาษา ต้องประเมินไว้ล่วงหน้าในฐานะชั่วโมงงานของการผลิตสื่อการสอน ส่วนวิธีจัดการเรื่องภาษาของสื่อการสอนและวิทยากร เราลงรายละเอียดไว้ในการอบรม Generative AI ที่รองรับภาษาไทย

สภาพแวดล้อมของเครื่องคอมพิวเตอร์ เครือข่าย และบัญชีผู้ใช้ในโรงงาน

สาเหตุอันดับต้น ๆ ที่ทำให้การอบรมแบบลงมือปฏิบัติพังในวันจริง ไม่ใช่สื่อการสอนหรือวิทยากร แต่คือสภาพแวดล้อม อุบัติเหตุอย่างเช่น เครือข่ายเต็มทันทีที่ต่อคอมพิวเตอร์ 20 เครื่องในห้องประชุมของโรงงาน เบราว์เซอร์ของเครื่องส่วนกลางเก่าจนหน้าจอ Generative AI แสดงผลไม่ถูกต้อง หรือการออกบัญชีผู้ใช้ไม่ทันในวันก่อนอบรม ล้วนไม่ใช่เรื่องแปลก

การออกแบบให้สัดส่วนการฝึกปฏิบัติเกิน 50% ย่อมหมายถึงการทำให้เวลาอบรมเกินครึ่งขึ้นอยู่กับสภาพแวดล้อมด้วย หากเน้นบรรยาย ต่อให้เครือข่ายล่มก็ยังดำเนินการต่อได้ แต่ถ้าเน้นลงมือปฏิบัติจะหยุดชะงักทันที การตรวจสอบล่วงหน้าอย่างน้อยควรเคลียร์รายการต่อไปนี้ให้จบ

• วัดจำนวนการเชื่อมต่อพร้อมกันและแบนด์วิดท์ที่ใช้ได้จริงของห้องประชุม ด้วยจำนวนผู้เข้าอบรมที่วางแผนไว้
• ออกบัญชีผู้ใช้ให้ผู้เข้าอบรมทุกคนภายใน 3 วันทำการก่อนการอบรม และให้เจ้าตัวทดลองล็อกอินเอง
• หากใช้เครื่องคอมพิวเตอร์ส่วนกลาง ให้ตรวจสอบเวอร์ชันของเบราว์เซอร์และข้อจำกัดของส่วนขยาย
• ตรวจสอบว่าการเข้าถึงบริการ Generative AI ไม่ได้ถูกบล็อกไว้ที่ฝั่งเครือข่าย
• เตรียมช่องทางสำรองไว้สำหรับสลับไปใช้ในกรณีที่เครือข่ายล่ม

ช่องทางสำรองในข้อสุดท้ายมักถูกมองข้าม แต่สำหรับการอบรมแบบลงมือปฏิบัติถือเป็นสิ่งจำเป็น หากเตรียมการแชร์สัญญาณจากเครือข่ายมือถือไว้ หรือเตรียมโจทย์ที่สลับไปทำบนกระดาษแบบออฟไลน์ไว้สัก 1 ข้อ การดำเนินการก็จะไม่หยุดชะงัก

เส้นแบ่งเมื่อนำข้อมูลงานจริงเข้ามาใช้ในการฝึก

ดังที่กล่าวไปแล้ว คุณภาพของการฝึกปฏิบัติถูกกำหนดโดยความใกล้เคียงกับข้อมูลจริง แต่ในกรณีของฐานการผลิตในไทย จะมีข้อจำกัด 3 ชั้นซ้อนทับกัน ได้แก่ ระเบียบการจัดการข้อมูลของสำนักงานใหญ่ในญี่ปุ่น กฎหมายคุ้มครองข้อมูลส่วนบุคคลของไทย และข้อผูกพันด้านการรักษาความลับกับคู่ค้า

ในขั้นตอนเตรียมข้อมูลสำหรับการฝึก หากตรวจสอบตามลำดับต่อไปนี้จะไม่ต้องย้อนกลับมาแก้ เริ่มจากตรวจสอบว่าบริการ Generative AI ที่จะใช้ อยู่ในรูปแบบสัญญาที่ไม่นำข้อมูลนำเข้าไปใช้ฝึกโมเดลหรือไม่ ถัดมาคือคัดข้อมูลที่ระบุตัวบุคคลได้และข้อมูลที่ระบุคู่ค้าได้ออกจากเอกสารที่จะใช้ฝึก สุดท้ายคือตัดสินใจไว้ล่วงหน้าว่าจะลบข้อมูลที่ผ่านการแปลงแล้วนั้นหลังการอบรม หรือจะเก็บไว้เป็นสื่อการสอนภายในองค์กร

การตรวจสอบนี้ต้องผ่านการอนุมัติของฝ่ายจัดการข้อมูล จึงจำเป็นต้องเริ่มดำเนินการก่อนวันอบรมราว 3-4 สัปดาห์ เมื่อวางตารางการจัดทำโจทย์ฝึกปฏิบัติ ขอให้บรรจุระยะเวลาขออนุมัตินี้เข้าไปในกระบวนการด้วย

กะการทำงานแบบผลัดเปลี่ยน การหยุดไลน์ และตารางอบรม

การอบรมในโรงงานมีตัวตารางเวลาเองเป็นตัวแปรของการออกแบบ หากต้องดึงผู้เข้าอบรมออกมาจากไลน์ที่ทำงาน 3 กะ บางครั้งจะกันช่วงเวลาต่อเนื่อง 4 ชั่วโมงไม่ได้ ในกรณีนี้จะมีข้อเสนอให้แบ่ง 4 ชั่วโมงออกเป็น 2 ชั่วโมงคูณ 2 ครั้ง แต่เมื่อแบ่งแล้ว เวลาฝึกปฏิบัติต่อครั้งจะสั้นลงจนใส่การฝึกขั้นประยุกต์ไม่ได้

คำแนะนำเมื่อต้องแบ่ง คือไม่ควรหั่นสองครั้งให้เท่ากัน แต่ให้เทครั้งแรกไปที่การนำเข้าสู่บทเรียนจนถึงการฝึกรายบุคคล และเทครั้งที่สองไปที่การแลกเปลี่ยนและการฝึกขั้นประยุกต์ โดยให้ระยะห่างระหว่างสองครั้งอยู่ภายใน 1 สัปดาห์ หากเว้นช่วงนานเกินไป ความทรงจำเกี่ยวกับพรอมป์ที่เขียนไว้ในครั้งแรกจะจางลง แล้วต้องเสียเวลาช่วงต้นของครั้งที่สองไปกับการทบทวน

อนึ่ง ยังต้องตัดสินใจด้วยว่าจะให้ผู้บริหารและหัวหน้างานเข้าอบรมในรอบเดียวกันกับพนักงานหน้างานหรือไม่ การนั่งร่วมกันทำให้พนักงานหน้างานไม่กล้าล้มเหลวอย่างอิสระ การอบรมที่เน้นการฝึกปฏิบัติจึงทำงานได้ดีกว่าเมื่อแยกชั้นออกจากกัน สำหรับแนวคิดการออกแบบแบบแบ่งชั้น กรุณาดูที่การออกแบบชั้นของการพัฒนาบุคลากร DX

สร้างกลไกให้ใช้ต่อเนื่องหลังการอบรม

วางจุดตรวจที่ 30 วันและ 90 วัน

การอบรมแบบลงมือปฏิบัติไม่ควรออกแบบให้จบสิ้นภายในวันอบรม ขอบเขตของการอบรมครอบคลุมไปจนถึงการทำให้พรอมป์ 1 ชุดที่สร้างขึ้นในวันนั้น ถูกใช้ซ้ำ ๆ ในงานจริง

ในทางปฏิบัติ รูปแบบที่จัดการง่ายคือการวางจุดตรวจ 2 จุดหลังการอบรม เมื่อครบ 30 วัน ให้ผู้เข้าอบรมรายงานด้วยตนเองว่าได้ใช้พรอมป์ที่สร้างในการอบรมไปแล้วกี่ครั้ง หากมีคนที่จำนวนครั้งเป็นศูนย์อยู่มาก สาเหตุไม่ได้อยู่ที่การอบรม แต่อยู่ที่ฝั่งงาน ให้แยกแยะว่าเป็นเพราะยังไม่มีสถานการณ์ที่ต้องใช้ หรือพยายามจะใช้แล้วแต่ติดปัญหาเรื่องสิทธิ์และบัญชีผู้ใช้

เมื่อครบ 90 วัน ให้ดูว่าเริ่มใช้ Generative AI กับงานที่ไม่ได้กล่าวถึงในการอบรมด้วยหรือยัง หากมีการขยายวงเกิดขึ้น ก็ตัดสินได้ว่าความรู้ติดตัวแล้ว แต่หากยังไม่เกิด ก็ตัดสินได้ว่าจำเป็นต้องมีโอกาสฝึกเพิ่มเติมหรือการอบรมติดตามผล

ตัดสินใจเรื่องที่เก็บพรอมป์ร่วมกันตั้งแต่ต้น

พรอมป์ที่สร้างขึ้นในวันอบรม หากปล่อยทิ้งไว้จะหายไปในสมุดบันทึกส่วนตัวของแต่ละคน ขอให้ตัดสินใจตั้งแต่ขั้นวางแผนการอบรมว่าจะเก็บพรอมป์ที่สร้างขึ้นไว้ที่ไหน และบรรจุขั้นตอนการนำไปลงทะเบียนที่นั่นไว้ใน 15 นาทีสุดท้ายของการอบรม

เงื่อนไขที่ที่เก็บต้องมีนั้นเรียบง่าย คือผู้เข้าอบรมทุกคนเปิดได้ทันทีระหว่างทำงาน ค้นหาได้ และเมื่อมีใครปรับปรุงเวอร์ชันใหม่ก็เขียนทับได้ ไม่จำเป็นต้องมีกลไกที่ซับซ้อน ในทางกลับกัน การรอให้จัดหาเครื่องมือเฉพาะทางจนที่เก็บยังไม่ถูกกำหนด แล้วจัดแต่การอบรมไปก่อน จะสร้างความสูญเสียมากกว่า

ระเบียบวิธีในการจัดพรอมป์ให้เป็นสินทรัพย์ขององค์กร เราได้กล่าวถึงไว้ในการอบรมด้าน Prompt Engineering ด้วย ช่วงหลังจบการอบรมแบบลงมือปฏิบัติใหม่ ๆ คือช่วงที่ผู้เข้าอบรมผูกพันกับพรอมป์ที่ตัวเองเขียนมากที่สุด จึงเป็นจังหวะที่เหมาะที่สุดในการสร้างแรงส่งเริ่มต้นของการแบ่งปัน

วัดผลด้วยอะไร

การวัดผลการอบรม Generative AI ไม่ควรจบแค่คะแนนความพึงพอใจจากแบบสอบถาม เพราะความพึงพอใจออกมาสูงได้แม้ในการอบรมที่เน้นบรรยาย ผลของการลงทุนไปกับการออกแบบให้เน้นลงมือปฏิบัติจึงไม่ปรากฏในตัวเลข

ตัวชี้วัดที่สมน้ำสมเนื้อกับการอบรมแบบลงมือปฏิบัติ และใช้ได้จริงในทางปฏิบัติ มีดังนี้

• จำนวนครั้งการใช้ Generative AI ต่อผู้เข้าอบรม 1 คน ในช่วง 30 วันหลังการอบรม
• จำนวนพรอมป์ที่ถูกลงทะเบียนในที่เก็บส่วนกลาง และจำนวนครั้งที่ผู้อื่นนำไปใช้ซ้ำ
• การเปลี่ยนแปลงของเวลาที่ใช้ในงานที่หยิบมาใช้ในการอบรม
• จำนวนคนที่เริ่มประยุกต์ใช้กับงานที่ไม่ได้หยิบมาใช้ในการอบรม

ในจำนวนนี้ ข้อที่สองคือจำนวนครั้งที่ถูกนำไปใช้ซ้ำ มีประโยชน์ในฐานะตัวชี้วัดว่าผลกระทบแผ่ออกไปนอกวงการอบรมหรือไม่ หากเกิดสภาพที่พรอมป์ซึ่งคนหนึ่งเขียนไว้ถูกใช้โดยอีก 5 คน ก็เท่ากับว่าผลของการอบรมส่งไปถึงพนักงานที่ไม่ได้เข้าอบรมด้วย

สิ่งที่ TOMAS TECH สนับสนุนได้

บริษัทของเราสนับสนุนการนำ Generative AI ไปใช้กับงานจริงและการออกแบบการอบรมภายในองค์กร บนพื้นฐานประสบการณ์การส่งมอบระบบบริหารการผลิตและระบบบริหารพลังงานให้กับอุตสาหกรรมการผลิตญี่ปุ่นในประเทศไทย สำหรับการอบรมแบบลงมือปฏิบัติ เรามักช่วยเหลือในรูปแบบต่อไปนี้

• ออกแบบตารางเวลาที่รักษาสัดส่วนการฝึกปฏิบัติไว้ไม่ต่ำกว่า 50% และตรวจวินิจฉัยสัดส่วนของโปรแกรมอบรมที่มีอยู่เดิม
• จัดทำโจทย์ฝึกปฏิบัติจากเอกสารจริงของท่าน และจัดเตรียมข้อมูลที่ผ่านการปกปิดตัวตน
• เตรียมสื่อการสอนสำหรับการฝึกและพรอมป์ตัวอย่าง ที่รองรับทั้งภาษาญี่ปุ่นและภาษาไทย
• ทดสอบการเชื่อมต่อในสภาพแวดล้อมห้องประชุมของโรงงาน และรับมือปัญหาด้านสภาพแวดล้อมในวันจริง
• ติดตามผลที่ 30 วันและ 90 วันหลังการอบรม พร้อมจัดตั้งที่เก็บพรอมป์ส่วนกลาง
• ออกแบบโปรแกรมแยกตามชั้น ทั้งสำหรับผู้บริหาร หัวหน้างาน และพนักงานหน้างาน

แนวทางที่นิยมใช้กันอีกแบบคือ เริ่มจากสัมมนาระยะสั้นสำหรับผู้บริหาร แล้วจึงขยายไปสู่การอบรมแบบลงมือปฏิบัติที่หน้างาน วิธีประกอบสัมมนาสำหรับองค์กร เราได้เรียบเรียงไว้ในการออกแบบสัมมนา Generative AI สำหรับองค์กร

คำถามที่พบบ่อย

การอบรม Generative AI แบบลงมือปฏิบัติควรใช้เวลากี่ชั่วโมง

เนื่องจากเงื่อนไขคือต้องกันเวลาให้การฝึกปฏิบัติรวมกับการแลกเปลี่ยนได้ไม่ต่ำกว่า 50% ของทั้งหมด 4 ชั่วโมงจึงเป็นมาตรฐานที่จัดการง่าย เทมเพลตการแบ่งเวลาที่เผยแพร่ไว้ก็แสดงรูปแบบที่ใน 4 ชั่วโมงนั้น แบ่งให้ฝึกปฏิบัติรายบุคคล 60 นาที แลกเปลี่ยนแบบกลุ่ม 30 นาที และฝึกขั้นประยุกต์ 45 นาที รวม 135 นาที หรือ 56% ให้กับการฝึกปฏิบัติและการแลกเปลี่ยน การย่อลงเหลือ 3 ชั่วโมงทำได้ แต่หากลดการแลกเปลี่ยนแบบกลุ่มต่ำกว่า 25 นาที และลดการฝึกขั้นประยุกต์ต่ำกว่า 40 นาที แต่ละบล็อกจะสูญเสียหน้าที่ของมัน ในทางกลับกัน หากจะใส่การฝึกขั้นประยุกต์ที่ใช้ข้อมูลจริงของแผนกตัวเองเข้าไปด้วย การออกแบบแบบ 6 ชั่วโมงจะเหมาะสมกว่า

มีหลักการเลือกหลักสูตรอบรม Generative AI ที่แนะนำหรือไม่

ประเด็นการเลือกที่บทความเปรียบเทียบการอบรม Generative AI ยกไว้ ได้แก่ เป็นหลักสูตรที่เหมาะกับระดับความรู้ด้าน AI ของพนักงานหรือไม่ ปรับแต่งให้ตรงกับวัตถุประสงค์ได้หรือไม่ โครงสร้างราคาชัดเจนหรือไม่ มีระบบติดตามผลหลังการอบรมหรือไม่ และมีผลงานในอุตสาหกรรมเดียวกันหรือขนาดใกล้เคียงกันหรือไม่ ส่วนสัดส่วนว่าจะแบ่งเวลาให้การฝึกปฏิบัติมากเพียงใด มักไม่ถูกยกขึ้นมาเป็นแกนเปรียบเทียบ ฝั่งผู้ว่าจ้างจึงต้องตั้งใจตรวจสอบเอง เมื่อเปรียบเทียบข้อเสนอ ขอให้ลองแปลงตารางเวลาของแต่ละบริษัทให้เหลือตัวเลข 2 ชุด คือเวลาที่ผู้เข้าอบรมลงมือใช้เครื่องมือด้วยตัวเอง กับเวลารวมของการฝึกปฏิบัติและการแลกเปลี่ยน แล้ววางเรียงกัน เมื่อจัดสองตัวเลขนี้ให้ตรงกัน จะแยกข้อเสนอที่มีปริมาณการบรรยายมาก ออกจากข้อเสนอที่เน้นการฝึกปฏิบัติได้อย่างชัดเจน พร้อมกันนี้ขอให้ตรวจสอบด้วยว่าใช้เอกสารของบริษัทตนเองเป็นโจทย์ฝึกได้หรือไม่ จำนวนผู้เข้าอบรมต่อวิทยากร 1 คนเป็นเท่าไร และมีการติดตามผลหลังการอบรมรวมอยู่ด้วยหรือไม่

การอบรม AI ปรับให้เหมาะกับองค์กรได้หรือไม่

การปรับแต่งด้วยการเปลี่ยนวัตถุดิบของโจทย์ฝึกไปเป็นเอกสารงานของบริษัทตนเอง เป็นการปรับที่ส่งผลต่อประสิทธิผลมากที่สุด และเพิ่มค่าใช้จ่ายค่อนข้างน้อย การปรับแต่งบางส่วนโดยคงเนื้อหาบรรยายไว้แบบทั่วไป แล้วเปลี่ยนเฉพาะโจทย์ฝึกให้ต่างกันตามแผนก ก็เป็นทางเลือกที่ทำได้จริง ในแง่แนวโน้มของการอบรมในองค์กร การเรียนรู้แบบปรับตัวที่คัดเนื้อหาตามระดับความเข้าใจของผู้เรียน ก็ถูกยกให้เป็นกระแสหลักเช่นกัน ทิศทางของการปรับแต่งจึงสอดคล้องกับแนวโน้มนี้

ถ้าเน้นการฝึกปฏิบัติ จำนวนผู้เข้าอบรมต่อรอบควรไม่เกินเท่าไร

ไม่มีค่ามาตรฐานที่เผยแพร่ไว้ แต่เนื่องจากระหว่างการฝึกวิทยากรจำเป็นต้องดูหน้าจอของแต่ละคนเป็นรายบุคคล ในขอบเขตที่บริษัทเราเคยสนับสนุนมา ขีดจำกัดในทางปฏิบัติอยู่ที่ผู้เข้าอบรมราว 12-16 คนต่อวิทยากร 1 คน หากเกินกว่านี้ การจัดผู้ช่วยวิทยากรเพิ่มอีก 1 คน หรือการแยกจัด 2 รอบ จะให้ผลคุ้มค่ากว่าในท้ายที่สุด หากยัดจำนวนคนเข้าไปจนคุณภาพการฝึกตกลง การเพิ่มสัดส่วนการลงมือปฏิบัติก็จะไม่มีความหมาย

เนื้อหาภาคบรรยายควรย้ายไปไว้ที่ไหน

กลไกทางเทคนิคของ Generative AI กฎการใช้งานภายในองค์กร และการแนะนำกรณีศึกษาการนำไปใช้ เป็นข้อมูลที่มีลักษณะอ่านแล้วเข้าใจได้ ขอให้ย้ายไปไว้ในเอกสารที่แจกล่วงหน้า e-learning หรือเอกสารภายในองค์กรที่เปิดดูได้ตลอดเวลาหลังการอบรม ส่วนในวันอบรม ให้ทุ่มไปที่สิ่งที่ทำไม่ได้หากไม่มีวิทยากรและเพื่อนร่วมงานอยู่ตรงนั้น นั่นคือการฝึกเขียนและแก้พรอมป์ และเวลาที่ได้เห็นวิธีเขียนของคนอื่น

สรุป

การอบรม Generative AI แบบลงมือปฏิบัติจะติดตัวผู้เรียนหรือไม่ ไม่ได้ขึ้นอยู่กับวิธีพูดของวิทยากรหรือความสวยงามของสื่อการสอน แต่ถูกกำหนดโดยตัวเลขง่าย ๆ ว่าแบ่งเวลาให้การฝึกปฏิบัติกี่นาที เป็นสัดส่วนไม่น้อย ตามตัวเลขประมาณการที่อิงผลงานสนับสนุนของบริษัทผู้จัดอบรมแห่งหนึ่ง การอบรมที่มีเวลาฝึกปฏิบัติต่ำกว่า 30% ของทั้งหมด มีแนวโน้มที่อัตราการคงอยู่เมื่อผ่านไป 3 เดือนจะต่ำอย่างเห็นได้ชัด และมีการแนะนำให้ตั้งสัดส่วนการลงมือปฏิบัติไว้อย่างน้อย 50% หากเป็นการอบรม 4 ชั่วโมง ก็มีตัวอย่างการออกแบบที่เผยแพร่ไว้ว่า ด้วยการประกอบเป็นฝึกปฏิบัติรายบุคคล 60 นาที แลกเปลี่ยนแบบกลุ่ม 30 นาที และฝึกขั้นประยุกต์ 45 นาที จะทำให้ผลรวมของการฝึกและการแลกเปลี่ยนอยู่ที่ 56%

เมื่อกันสัดส่วนได้แล้ว สิ่งที่จะออกฤทธิ์ต่อมามี 3 ข้อ คือโจทย์ฝึกใกล้เคียงกับงานจริงของบริษัทเพียงใด มีการเตรียมบันไดความยากไว้หรือไม่ และมีกลไกให้ใช้ต่อเนื่องหลังการอบรมหรือไม่ สำหรับโรงงานญี่ปุ่นในไทย ยังมีข้อจำกัดเพิ่มเข้ามาอีก ได้แก่ การบริหารการฝึกแบบหลายภาษา สภาพเครือข่ายและบัญชีผู้ใช้ภายในโรงงาน การจัดการข้อมูลเมื่อนำข้อมูลงานจริงเข้ามา และตารางเวลาที่ต้องสอดคล้องกับกะการทำงานแบบผลัดเปลี่ยน ทั้งหมดนี้เป็นรายการที่ถูกกำหนดในขั้นเตรียมการ 3-4 สัปดาห์ล่วงหน้า ไม่ใช่ในวันอบรม

ในฐานะวัตถุดิบสำหรับการตัดสินใจลงทุน มีรายงานจากต่างประเทศระบุว่า องค์กรที่จัดอบรมการใช้งาน AI มีอัตราการคงอยู่ของพนักงานเพิ่มขึ้น 29% และ ROI ของการลงทุนอบรม AI อยู่ที่เฉลี่ย 250% ภายในไม่เกิน 18 เดือน ตัวเลข 29% นี้หมายถึงการคงอยู่ของบุคลากร ซึ่งเป็นคนละตัวชี้วัดกับอัตราการคงอยู่ของความรู้ที่มักใช้กันในบริบทของการอบรม เกณฑ์เชิงการออกแบบจากบทความภาษาญี่ปุ่นกับตัวเลขจากการสำรวจในต่างประเทศ เป็นข้อมูลคนละชุดที่ทั้งขอบเขตและตัวชี้วัดต่างกัน จึงขอให้ระบุแหล่งที่มาและขอบเขตแล้วแยกนำเสนอในที่ประชุมพิจารณาอนุมัติ และดังที่โมเดล 70:20:10 ชี้ไว้ การอบรมคือส่วนที่คิดเป็น 10% ของการเรียนรู้ทั้งหมด การออกแบบให้ 10% นั้นเชื่อมต่อไปยัง 90% ที่เหลือ ซึ่งคือประสบการณ์การทำงานจริงและการปฏิสัมพันธ์กับผู้อื่น จึงเป็นแกนการประเมินที่แท้จริงของการอบรมแบบลงมือปฏิบัติ

โปรแกรมอบรมของบริษัทท่านมีสัดส่วนการลงมือปฏิบัติอยู่ที่เท่าไรในปัจจุบัน และหากเปลี่ยนโจทย์ฝึกไปใช้เอกสารของบริษัทเองจะเพิ่มภาระงานมากน้อยเพียงใด เป็นสิ่งที่ตัดสินได้ยากหากไม่ได้ดูตารางเวลาจริงประกอบ เรารับปรึกษาตั้งแต่ขั้นรวบรวมข้อมูลเพื่อพิจารณา หรือเพียงแค่ตรวจวินิจฉัยสัดส่วนของโปรแกรมที่มีอยู่เดิมก็ได้เช่นกัน เชิญเล่าสถานการณ์ปัจจุบันให้เราฟังก่อนได้เลย ติดต่อสอบถามได้ที่หน้าติดต่อเรา

แหล่งอ้างอิง

• การวินิจฉัยสาเหตุที่การอบรม Generative AI ล้มเหลว เผยแพร่ 20 มีนาคม 2026 ปรับปรุง 23 สิงหาคม 2026 – Uravation — ความสัมพันธ์ระหว่างการฝึกปฏิบัติต่ำกว่า 30% กับอัตราการคงอยู่เมื่อผ่านไป 3 เดือน ซึ่งเป็นตัวเลขประมาณการจากผลงานสนับสนุนของบริษัทดังกล่าวในฐานะกรณีสมมติ ข้อแนะนำสัดส่วนการลงมือปฏิบัติไม่ต่ำกว่า 50% เทมเพลตการแบ่งเวลาอบรม 4 ชั่วโมง และการฝึกปฏิบัติบวกแลกเปลี่ยน 135 นาที เท่ากับ 56% รวมถึงกรณีความล้มเหลวของการอบรมในภาคการผลิต
• บทความเปรียบเทียบการอบรม Generative AI – YOUSEFUL — ประเด็น 5 ข้อที่มักถูกยกมาใช้เลือกหลักสูตรอบรม ได้แก่ ความเหมาะสมกับระดับความรู้ การปรับแต่ง โครงสร้างราคา ระบบติดตามผล และผลงานในอุตสาหกรรมเดียวกัน
• รายงานสถิติเกี่ยวกับการอบรม AI ในองค์กร – CareerTrainer — องค์กรที่จัดอบรมการใช้งาน AI มีอัตราการคงอยู่ของพนักงานเพิ่มขึ้น 29% และ ROI ของการลงทุนอบรม AI อยู่ที่เฉลี่ย 250% ภายในไม่เกิน 18 เดือน
• แนวโน้มการอบรมในองค์กร – Flipsnack Blog — กระแสของการอบรมในองค์กร รวมถึงการเรียนรู้แบบปรับตัวและไมโครเลิร์นนิ่ง
• คำอธิบายโมเดล 70:20:10 – Whatfix — กรอบการพัฒนาบุคลากรที่ประกอบด้วยประสบการณ์การทำงานจริง 70% การเรียนรู้ทางสังคม 20% และการอบรมอย่างเป็นทางการ 10%