สารบัญ
- ปัญหาไม่ได้อยู่ที่ AI ฉลาดเกินไป แต่อยู่ที่คนไม่มีอำนาจพอจะหยุดมัน
- งานวิจัยใหม่กำลังเปลี่ยนความหมายของ Human Oversight
- ทำไมเรื่องนี้กลายเป็นโจทย์ธุรกิจไทย
- AI Governance ต้องออกแบบ “อำนาจ” ไม่ใช่แค่ “คน”
- 5 จุดที่องค์กรไทยควรตรวจวันนี้
- มุมมองผู้เชี่ยวชาญ
- แหล่งอ้างอิง
บทนำ
AI Governance กำลังเปลี่ยนจากเรื่องของ “การมีมนุษย์คอยตรวจ AI” ไปเป็นเรื่องที่ใหญ่กว่านั้นมาก
ในเดือนกันยายน 2026 Luiza Jarovsky คัดเลือกงานวิจัย 5 ชิ้นที่สะท้อนโจทย์ใหม่ของการกำกับ AI ตั้งแต่ปัญหาการพึ่งพา AI Agent, บทบาทของมนุษย์ตลอดวงจรชีวิต AI, ผลกระทบต่อ autonomy ของมนุษย์ ไปจนถึงคำถามว่าใครควรรับผิดเมื่อ AI ทำให้เกิดความเสียหายโดยไม่มีมนุษย์คนใดจงใจทำผิด
สิ่งที่น่าสนใจจึงไม่ใช่ “งานวิจัยทั้ง 5 ชิ้นพูดอะไร”
แต่คือคำถามที่อยู่ข้างใต้ทั้งหมดว่า
ถ้า AI เริ่มตัดสินใจและลงมือทำแทนคน องค์กรยังควบคุมมันจริงหรือแค่มีคนอยู่ในภาพ?
เมื่อ “มีมนุษย์อยู่ใน Loop” อาจไม่เพียงพอ
แนวคิด Human-in-the-Loop ฟังดูง่ายมาก
AI ทำงาน → คนตรวจ → คนอนุมัติ → จบ
ปัญหาคือโลกจริงไม่ได้ทำงานแบบนั้นเสมอไป
งานของ Margaret Mitchell, Avijit Ghosh และ Samir Passi ชี้ว่า AI Agent ที่มี autonomy มากขึ้นอาจทำให้การกำกับโดยมนุษย์มีประสิทธิภาพลดลง เพราะทั้งตัวระบบและรูปแบบการทำงานสามารถผลักมนุษย์ออกจากกระบวนการตัดสินใจ ขณะเดียวกันการพึ่งพา automation ต่อเนื่องอาจทำให้ทักษะที่จำเป็นต่อการตรวจสอบเสื่อมลง
จุดนี้สำคัญมาก เพราะการมีพนักงานหนึ่งคนอยู่หน้าจอ ไม่ได้พิสูจน์ว่าคนนั้น “กำกับ” AI ได้จริง คำถามที่องค์กรควรถามจึงเปลี่ยนจาก
“ใครเป็นคนดู AI?” เป็น
“ใครมีอำนาจหยุด AI และมีข้อมูลมากพอที่จะรู้ว่าเมื่อไรควรหยุด?”
นี่ต่างกันมหาศาล
AI Governance กำลังเปลี่ยนจาก “คนเฝ้า” เป็น “ระบบอำนาจ”
งานของ Heni Rothstein Cohen เสนอให้คิดใหม่เรื่อง human supervision โดยไม่มองการมีมนุษย์อยู่ในกระบวนการเป็นคำตอบสำเร็จรูป แต่ต้องถามว่ามนุษย์ถูกใส่เข้ามาเพื่อทำอะไร และควรมีบทบาทแบบใดในแต่ละช่วงของวงจรชีวิต AI
นี่คือจุดที่ธุรกิจควรให้ความสนใจเป็นพิเศษ
เพราะ AI Governance ที่ดีไม่ควรจบที่ policy หนึ่งฉบับว่า
“AI ทุกตัวต้องมี Human Review”
policy แบบนี้อาจไม่มีความหมายเลย ถ้าคนตรวจไม่มีสิทธิ override ไม่มีเวลาอ่าน ไม่มีข้อมูลบริบท หรือไม่รู้ว่า AI ทำงานผิดตรงไหน
ในทางกลับกัน ระบบที่ดีควรกำหนดอย่างชัดเจนว่า
ใครอนุมัติ
ใครตรวจ
ใคร override
ใครหยุดระบบ
ใครรับเรื่องร้องเรียน
ใครเก็บหลักฐาน
และใครเป็นเจ้าของความเสี่ยง
นี่คือการเปลี่ยนจาก Human-in-the-Loop ไปสู่ Human-with-Authority
สิ่งที่ธุรกิจไทยควรเริ่มกังวล ไม่ใช่เรื่องไกลตัว
ประเทศไทยเองกำลังยกระดับ AI Governance เป็นประเด็นเชิงนโยบาย โดยภาครัฐระบุเป้าหมายเรื่องการพัฒนา AI ที่ปลอดภัย โปร่งใส รับผิดชอบ และใช้งานได้จริง ขณะเดียวกันภาคธุรกิจไทยก็ใช้ AI เพิ่มขึ้นทั้งในงานบริการ งานวิเคราะห์ และระบบอัตโนมัติ
ดังนั้นบริษัทที่คิดว่า “กฎหมายยังมาไม่ถึง ก็ยังไม่ต้องทำ” อาจกำลังมองโจทย์ผิด
เพราะสิ่งที่กำลังเปลี่ยนก่อนกฎหมาย คือ โครงสร้างการทำงานขององค์กร
ลองนึกภาพบริษัทหนึ่งใช้ AI Agent คัดเลือกผู้สมัครงาน
AI อ่านเรซูเม่ → จัดอันดับผู้สมัคร → ส่งรายชื่อให้ HR → HR รับผลลัพธ์ไปสัมภาษณ์
บริษัทอาจบอกว่า “มีคนตรวจแล้ว”
แต่ถ้า HR ไม่รู้ว่า AI ใช้ข้อมูลอะไรเป็นเกณฑ์ ไม่รู้ว่ามี bias หรือไม่ ไม่มี log ให้ตรวจย้อนหลัง และไม่มี authority ในการหยุดระบบจริง
สิ่งที่มีอยู่ไม่ใช่ governance
มันคือ พิธีกรรมที่ทำให้ดูเหมือนมี governance
ประเด็นที่องค์กรต้องคิดต่อ: ใครรับผิดเมื่อไม่มีใคร “ผิด”
Anna K. Boos เสนอแนวคิดที่ท้าทายมากในงานวิจัยเรื่อง “Blameless responsibility for faultless AI harm”
โจทย์คือ ถ้า AI สร้างความเสียหายขึ้นมา แต่ไม่มีมนุษย์คนใดประมาทหรือจงใจก่อให้เกิดผลลัพธ์นั้น เราควรจัดการเรื่องความรับผิดอย่างไร
ข้อเสนอของงานวิจัยคือ deployer หรือองค์กรที่นำ AI ไปใช้งานอาจยังมีหน้าที่รับผิดชอบต่อความเสียหายและเยียวยาผู้ได้รับผลกระทบ แม้ไม่สามารถชี้ว่าใคร “ผิด” ได้โดยตรง
นี่เป็นแนวคิดที่ธุรกิจไทยควรอ่านให้ขาด
เพราะในโลกธุรกิจ ความเสียหายไม่ได้หายไปเพียงเพราะไม่มีคนผิด
ลูกค้ายังได้รับผลกระทบ
พนักงานยังถูกตัดสิน
ธุรกิจยังเสียเงิน
ชื่อเสียงยังเสียหาย
และองค์กรยังต้องตอบคำถามว่า “เกิดอะไรขึ้น”
ดังนั้น AI Governance ที่ดีจึงต้องเตรียมองค์กรไว้สำหรับ ความรับผิดแม้ในกรณีที่ความผิดระบุไม่ได้ง่ายๆ
และนี่คือเหตุผลที่ AI Governance เชื่อมกับ PDPA
เมื่อ AI เข้าไปแตะข้อมูลลูกค้า พนักงาน ผู้สมัครงาน หรือข้อมูลอ่อนไหว ประเด็นไม่ได้จบที่ว่าโมเดลแม่นหรือไม่
องค์กรต้องรู้ด้วยว่า
ข้อมูลอะไรถูกส่งเข้า AI
ใครเป็นผู้ใช้งาน
ใช้ข้อมูลเพื่อวัตถุประสงค์อะไร
มีการส่งต่อไปยังผู้ให้บริการรายใด
เก็บหลักฐานอะไรไว้
และเมื่อเกิดคำถาม ใครอธิบายกระบวนการได้
แนวทางกำกับข้อมูลจึงต้องเดินคู่กับ AI Governance ไม่ใช่แยกเป็นโครงการคนละโลก
หน่วยงานคุ้มครองข้อมูลของไทยเองก็มีแนวทางและระบบสนับสนุนเรื่องการระบุผู้เกี่ยวข้อง การกำกับ ตรวจสอบ และการวางแผนติดตามกระบวนการให้สอดคล้องกับกฎหมายดิจิทัล
องค์กรสามารถดูแนวทางด้านการจัดการข้อมูลเพิ่มเติมผ่าน ทรัพยากร PDPA ของ Kooru ซึ่งเชื่อมเรื่อง ROPA, DPIA และการจัดการข้อมูลเข้ากับการปฏิบัติงานจริงขององค์กรไทย
จุดที่ AI Governance ของไทยควรไปให้ไกลกว่า “มี Policy”
งาน “AI Wardens” ตั้งคำถามอีกด้านหนึ่งว่า ถ้า AI ถูกออกแบบให้ทำตามกฎหมายอย่างเคร่งครัดตลอดเวลา AI อาจกลายเป็นตัวจำกัดความสามารถของผู้ใช้ในการไม่เชื่อฟังอำนาจรัฐหรือใช้สิทธิในบางสถานการณ์ ผู้เขียนจึงเสนอปัญหาเชิงการเมืองและศีลธรรมเกี่ยวกับอำนาจของ AI ที่ถูกกำหนดให้ law-following โดยตัวระบบ
ขณะที่งาน “The Autonomy Paradox” มองว่า AI กำลังเข้ามาอยู่ในกระบวนการที่มนุษย์ใช้สร้างความคิดเห็นและตัดสินใจทางการเมือง ซึ่งทำให้คำถามเรื่อง autonomy ไม่ใช่เรื่องของปัจเจกบุคคลเพียงอย่างเดียว แต่เป็นเรื่องของระบบข้อมูลและสภาพแวดล้อมที่คนตัดสินใจอยู่ด้วย
เมื่อสองประเด็นนี้ถูกนำกลับมายังโลกธุรกิจ ความหมายที่สำคัญคือ
อย่ามอง AI เป็นเพียง Software อีกตัวหนึ่ง
AI บางประเภทกำลังกลายเป็น “ผู้ปฏิบัติการ” ที่มีผลต่อการตัดสินใจขององค์กร
ดังนั้นองค์กรจำเป็นต้องมีโครงสร้างคล้ายการกำกับคนในตำแหน่งสำคัญ ไม่ใช่เพียงการจัดการซอฟต์แวร์
สิ่งที่ควรทำต่อ
1. ทำ AI Inventory
ลิสต์ AI ทั้งหมดที่องค์กรใช้อยู่ รวมถึงเครื่องมือที่พนักงานสมัครใช้เอง ไม่ใช่เฉพาะระบบที่ IT จัดซื้อ
2. ระบุ AI ที่ “ลงมือทำ” แทนคน
แยก Chatbot ที่แค่ตอบคำถามออกจาก AI Agent ที่สามารถส่งข้อความ แก้ข้อมูล สั่งงาน หรือดำเนินธุรกรรมได้เอง เพราะระดับความเสี่ยงต่างกันมาก
3. ระบุ Human Authority ให้ชัด
อย่าเขียนแค่ว่า “มี Human Review” แต่ต้องตอบให้ได้ว่าใครมีอำนาจ override หรือหยุด AI
4. เก็บหลักฐานการตัดสินใจ
ต้องสามารถย้อนกลับไปดูได้ว่า AI ได้ข้อมูลอะไร ให้ผลอะไร ใครตรวจ และใครอนุมัติ
5. เชื่อม AI Governance กับ PDPA และ Risk Management
อย่าแยก AI policy ออกจาก Data Governance เพราะข้อมูลและการตัดสินใจของ AI มักอยู่ในกระบวนการเดียวกัน
สำหรับองค์กรที่ต้องการเริ่มจากมุมระบบ สามารถดูแนวคิดการบริหาร PDPA และความเสี่ยงของ Kooru ได้ที่ Kooru One Suit ซึ่งออกแบบบริการให้เชื่อม Legal, AI Governance, Data และ IT เข้าด้วยกัน
มุมมองผู้เชี่ยวชาญ
“ผมมองว่าโจทย์ของ AI Governance ไม่ใช่การเอาคนไปนั่งเฝ้า AI แต่คือการกำหนดตั้งแต่แรกว่า AI มีอำนาจแค่ไหน ใครหยุดมันได้ และถ้ามันทำพลาด เราจะอธิบายกับคนที่ได้รับผลกระทบอย่างไร ถ้าตอบ 3 ข้อนี้ไม่ได้ ต่อให้มี Policy สวยแค่ไหน ก็ยังไม่ใช่ Governance ที่ใช้ได้จริง”
— Phuwara Krobtaku —
LL.M. (IP & IT) | M.S. (IT) | Thai Barrister & Attorney-at-Law
แหล่งอ้างอิง
Luiza Jarovsky — Top 5 AI Governance Papers | September 2026
อ่านต้นฉบับและรายการงานวิจัยทั้ง 5 ชิ้น: Luiza’s Newsletter — Top 5 AI Governance Papers
Margaret Mitchell, Avijit Ghosh, Samir Passi — AI Agents Push Humans Out of the Loop
ต้นฉบับงานวิจัย: arXiv — AI Agents Push Humans Out of the Loop
Anna K. Boos — Blameless Responsibility for Faultless AI Harm
ต้นฉบับใน Philosophical Studies: Springer Nature — Blameless Responsibility for Faultless AI Harm
Christopher J. Anderson & Elena Pro — The Autonomy Paradox
ต้นฉบับใน Perspectives on Politics: Cambridge University Press — The Autonomy Paradox
Mihailis Diamantis & Sebastian Benthall — AI Wardens
ต้นฉบับงานวิจัย: SSRN — AI Wardens
Heni Rothstein Cohen — Human Roles Across the AI Lifecycle
ต้นฉบับงานวิจัย: SSRN — Human Roles Across the AI Lifecycle
EU AI Act — Human Oversight / Deployer Obligations
มาตรา 14 และมาตรา 26 ของ EU AI Act กำหนดเรื่อง human oversight รวมถึงความสามารถ การฝึกอบรม อำนาจ และหน้าที่ของผู้ใช้งานระบบ AI ความเสี่ยงสูง
Internal resources: Kooru Data Shield — PDPA สำหรับ SME และ Kooru One Suit — Tech, Law & Audit
YMYL Disclaimer:
บทความนี้เป็นการสรุปข่าวและให้ข้อมูลทั่วไป ไม่ใช่คำแนะนำทางกฎหมาย หากต้องการคำปรึกษาเฉพาะกรณีของธุรกิจคุณ ควรปรึกษาผู้เชี่ยวชาญ
