หุ่นยนต์จะแย่งงานแรงงานสายสีน้ำเงินหรือไม่ งานวิจัยปี 2026 ของ Anthropic บอกอะไรกันแน่ (Anthropic, Tesla, Nvidia, Jobbit)

เป็นเวลาหนึ่งทศวรรษแล้วที่บทสนทนาสาธารณะเรื่องระบบอัตโนมัติขับเคลื่อนด้วยตัวเลขเพียงตัวเดียว ในปี 2013 Carl Benedikt Frey และ Michael Osborne แห่งอ็อกซ์ฟอร์ดประเมินว่า 47% ของการจ้างงานในสหรัฐอเมริกาอยู่ในอาชีพที่มีความเสี่ยงสูงต่อการถูกแทนที่ด้วยคอมพิวเตอร์ภายในสองทศวรรษ และตัวเลขนี้ถูกพูดซ้ำในทุกสุนทรพจน์เกี่ยวกับอนาคตของการทำงานเรื่อยมา ผ่านมาสิบสามปี หุ่นยนต์ที่ควรจะทำให้คลังสินค้าและไซต์ก่อสร้างว่างเปล่ากลับปรากฏเพียงในการสาธิต ในโรงงานไม่กี่พันแห่ง และในแท็กซี่จำนวนเล็กน้อย ส่วนคนที่ควรจะถูกแทนที่ก็ยังทำงานอยู่ หลายคนอยู่ในอาชีพขาดแคลนที่นายจ้างหาคนมาเติมไม่ได้ บางอย่างในเรื่องเล่ามาตรฐานนั้นผิดพลาด และจนกระทั่งเมื่อไม่นานมานี้ยังไม่มีใครวัดว่าผิดตรงไหน

เมื่อวันที่ 30 กันยายน 2026 ทีมเศรษฐศาสตร์ของ Anthropic ได้เผยแพร่ "What work can robots do?" โดย Russell Legate-Yang และ Maxim Massenkoff เท่าที่การทบทวนนี้ตรวจสอบได้ นี่เป็นความพยายามครั้งแรกที่จัดระดับงานทางกายภาพทุกงานในเศรษฐกิจอเมริกันเทียบกับหุ่นยนต์ที่มีอยู่จริง แล้วถามคำถามที่ตัวเลข 47% ไม่เคยถาม นั่นคือ ที่ราคาเท่าไร คำตอบเปลี่ยนรูปการอภิปรายนี้ หุ่นยนต์ทำงานทางกายภาพในสหรัฐอเมริกาได้แล้วราวสามในสี่ แต่ถูกกว่ามนุษย์เพียงสามในหนึ่งพันงาน หากปิดช่องว่างนี้ด้วยอัตราที่ราคาหุ่นยนต์ลดลงตั้งแต่ทศวรรษ 1990 จะต้องใช้เวลาราวสี่สิบปีกว่าจะถึงหนึ่งในสิบของงานทั้งหมด และแม้แต่สถานการณ์เชิงรุกก็ยังทำให้งานทางกายภาพครึ่งหนึ่งอยู่เกินปี 2050 กรณีศึกษานี้อ่านงานวิจัยอย่างใกล้ชิด วางเทียบกับหลักฐานว่า AI กำลังทำอะไรกับงานโต๊ะทำงานอยู่แล้ว พิจารณาข้อโต้แย้ง และสรุปว่ารูปแบบนี้มีความหมายอย่างไรต่อช่างฝีมือชาวอังกฤษ เจ้าของธุรกิจขนาดเล็ก และบริษัทอย่าง Jobbit ที่สร้างขึ้นบนข้อสมมติที่งานวิจัยนี้ทำให้เป็นตัวเลขได้ นั่นคือ การส่งต่องานระหว่างเครื่องจักรกับมนุษย์เป็นคำถามด้านการออกแบบหลักของยี่สิบปีข้างหน้า

สรุปข้อค้นพบ

ประการแรก ขีดความสามารถไม่ใช่ข้อจำกัดหลักของงานทางกายภาพส่วนใหญ่อีกต่อไป งานวิจัยของ Anthropic พบว่าหุ่นยนต์ทำงานทางกายภาพในสหรัฐอเมริกาได้ 74% ซึ่งคิดเป็น 34% ของชั่วโมงทำงานทั้งหมด โดยใช้หุ่นยนต์ที่ขายแล้ว นำไปใช้งานแล้ว หรือสาธิตแล้ว ไม่ใช่หุ่นยนต์ในจินตนาการ

ประการที่สอง ต้นทุนต่างหากที่เป็นข้อจำกัด ปัจจุบันหุ่นยนต์แข่งขันได้ด้านต้นทุนกับคนงานสำหรับงานย่อยเพียง 0.3% สำหรับอาชีพขนาดใหญ่ที่มีความเสี่ยงสูงสุดคือพนักงานบรรจุหีบห่อ ประมาณการว่าประหยัดได้ราว $2,500 ต่อคนต่อปี เทียบกับต้นทุนแรงงานราว $49,000 ส่วนคนขับแท็กซี่ หุ่นยนต์ยังแพงกว่ามนุษย์ราว $7,000

ประการที่สาม ช่องว่างปิดช้า ราคาหุ่นยนต์ลดลงราว 3% ต่อปีตั้งแต่ทศวรรษ 1990 ด้วยอัตรานี้ต้องใช้เวลา 40 ปีกว่าหุ่นยนต์จะแข่งขันได้ด้านต้นทุนสำหรับงาน 10% ของสหรัฐฯ ในสถานการณ์เร็วของงานวิจัย ซึ่งต้นทุนลดลงเร็วกว่าสี่เท่าและขีดความสามารถพัฒนาเร็วขึ้นสองเท่า หุ่นยนต์จะถูกกว่าคนสำหรับงานทางกายภาพครึ่งหนึ่งราวปี 2050 เทียบกับปี 2085 ตามแนวโน้มในอดีต และการทำให้เป็นอัตโนมัติ 90% ยังใช้เวลา 53 ปี

ประการที่สี่ งานดิจิทัลเผชิญภาพตรงกันข้าม งานของสหรัฐฯ ราว 50% มีความเสี่ยงต่อโมเดลภาษาขนาดใหญ่เพียงอย่างเดียว และ 81% เมื่อรวมโมเดลภาษาหรือหุ่นยนต์ และหลักฐานเบื้องต้นของตลาดแรงงานจากข้อมูลเงินเดือนแสดงว่าการจ้างงานของผู้มีอายุ 22 ถึง 25 ปีในอาชีพที่มีความเสี่ยงต่อ AI สูงสุดต่ำกว่าเพื่อนร่วมรุ่นที่มีความเสี่ยงน้อยกว่าราว 19% โดยยังไม่พบการเปลี่ยนแปลงทำนองเดียวกันสำหรับผู้มีประสบการณ์หรือสำหรับเศรษฐกิจโดยรวม

ประการที่ห้า คนที่มีความเสี่ยงต่อหุ่นยนต์มากที่สุดคือคนที่มีเครื่องรองรับน้อยที่สุด เมื่อเทียบกับคนงานที่ไม่มีความเสี่ยง พวกเขามีโอกาสถือปริญญาน้อยกว่า 55 จุดเปอร์เซ็นต์ ได้ค่าจ้างต่ำกว่าราว $30 ต่อชั่วโมง และมีอัตราว่างงานสูงกว่าสองเท่าขึ้นไป

ประการที่หก อุปสรรคที่เหลืออยู่นั้นเฉพาะเจาะจงและวัดได้ งานทางกายภาพราว 70% ถูกขัดขวางด้วยขีดความสามารถ โดยราวครึ่งหนึ่งเป็นเรื่องการจัดการวัตถุและความคล่องแคล่วของมือ 14% ถูกกีดขวางด้วยกฎระเบียบปัจจุบัน และ 25% ด้วยความต้องการของมนุษย์ นี่คืองานที่ยังต้องใช้คนอีกหลายทศวรรษ และเป็นงานที่ยังไม่มีข้อมูลสำหรับสอนเครื่องจักร

กรณีศึกษา: เหตุใดงานวิจัยนี้จึงเป็นห้องทดลองที่เหมาะสม

การพยากรณ์ระบบอัตโนมัติมักล้มเหลวในสองแบบ งานศึกษาระดับอาชีพอย่างของ Frey และ Osborne มองทั้งอาชีพเป็นหน่วยที่ทำให้เป็นอัตโนมัติได้ ซึ่งให้ตัวเลข 47% เมื่อ Melanie Arntz, Terry Gregory และ Ulrich Zierahn แห่ง OECD ทำซ้ำในปี 2016 ในระดับงานย่อย โดยคำนึงถึงส่วนผสมของงานภายในแต่ละอาชีพใน 21 ประเทศ สัดส่วนของงานที่ทำให้เป็นอัตโนมัติได้ลดลงเหลือ 9% ส่วนงานศึกษาแบบสำรวจผู้เชี่ยวชาญนั้นถามผู้เชี่ยวชาญว่าเครื่องจักรจะทำอะไรได้ ซึ่งเป็นการพนันกับเทคโนโลยีที่อาจไม่เคยออกสู่ตลาดเลย

งานวิจัยของ Anthropic หลีกเลี่ยงทั้งสองกับดักโดยการออกแบบ งานวิจัยเริ่มจากคำอธิบายงานย่อยราว 19,000 รายการของอาชีพราว 900 อาชีพใน O*NET ซึ่งเป็นฐานข้อมูลอาชีพของ Department of Labor สหรัฐฯ และจากข้อมูลการจ้างงานและค่าจ้างของ Bureau of Labor Statistics งานวิจัยใช้โมเดล Claude ให้คะแนนแต่ละงานย่อยตามเนื้อหาทางกายภาพ ทางปัญญา และทางความสัมพันธ์ระหว่างบุคคล เก็บไว้เฉพาะงานทางกายภาพที่ซอฟต์แวร์ทั่วไปทำให้เป็นอัตโนมัติไม่ได้ แล้วค้นเว็บหาหุ่นยนต์เฉพาะรุ่นที่ทำงานนั้นได้จริง โดยต้องมีการใช้งานเชิงพาณิชย์ การขาย หรือการสาธิตที่สำคัญเป็นหลักฐาน งานย่อยแต่ละงานถูกจัดไว้บนสเกลสี่ระดับของการควบคุมสภาพแวดล้อม: E0 ไม่มีหุ่นยนต์ใดทำได้ E1 หุ่นยนต์ทำได้ในสภาพแวดล้อมที่สร้างขึ้นเฉพาะ เช่นสายการผลิตในโรงงาน E2 ในสถานที่ที่มนุษย์จัดโครงสร้างไว้ เช่นคลังสินค้า E3 ในสภาพแวดล้อมที่ไม่มีโครงสร้าง เช่นถนนในเมือง หุ่นยนต์ที่ใช้งานอยู่ส่วนใหญ่อยู่ในพื้นที่ที่ออกแบบวิศวกรรมไว้ ผู้เขียนจึงถือว่าระดับนี้เป็นตัววัดที่ดีของความเสี่ยงระยะใกล้

ต้นทุนถูกสร้างแบบจำลองแทนที่จะสมมติ สำหรับแต่ละงานย่อยที่มีความเสี่ยง แบบจำลองประมาณต้นทุนต่อปีของหุ่นยนต์ที่อ้างถึง รวมการซื้อและติดตั้ง การบำรุงรักษา ซอฟต์แวร์ พลังงาน การกำกับดูแล ประกัน และการปลดระวาง โดยแปลงต้นทุนคงที่เป็นรายปีด้วยต้นทุนเงินทุนโดยประมาณ แล้วเปรียบเทียบกับค่าตอบแทนรวมของคนงานที่ปรับตามสัดส่วนเวลาที่ใช้กับงานนั้น งานหนึ่งนับว่าแข่งขันได้ด้านต้นทุนก็ต่อเมื่อต้นทุนต่อปีของหุ่นยนต์ต่ำกว่าแรงงานที่มันแทนที่ จากนั้นผู้เขียนตรวจสอบกลไกทั้งหมดย้อนหลัง: เมื่อให้คะแนนงานเทียบกับหุ่นยนต์ที่มีอยู่ในปี 1977 และทศวรรษต่อ ๆ มา พวกเขาแสดงว่าอาชีพที่มีความเสี่ยงต่อหุ่นยนต์ในสมัยนั้นมากกว่าสูญเสียค่าจ้างและการจ้างงานมากกว่าในเวลาต่อมา ซึ่งเป็นสิ่งที่ตัววัดความเสี่ยงต้องทำได้จึงจะมีค่า

งานวิจัยนี้เป็นของสหรัฐอเมริกา นั่นคือข้อบกพร่องที่ผู้อ่านควรจำไว้ ค่าจ้าง ราคาพลังงาน กฎระเบียบ และส่วนผสมของอาชีพในอังกฤษต่างออกไป และยังไม่มีใครใช้วิธีนี้กับข้อมูลสหราชอาณาจักร แต่สิ่งที่เดิมพันอยู่ที่นี่สูงกว่าเสียด้วยซ้ำ การพยากรณ์ของ Construction Industry Training Board เดือนมิถุนายน 2026 ระบุว่าภาคส่วนนี้ต้องการแรงงานเพิ่มเฉลี่ย 41,200 คนต่อปีระหว่างปี 2026 ถึง 2030 รวมมากกว่า 206,000 คน เพื่อให้ทันความต้องการ โดย 40% ของแรงงานปัจจุบันอายุเกิน 45 ปี และสูญเสียแรงงานจาก EU มากกว่า 200,000 คนนับตั้งแต่ Brexit รายงาน Occupations in Demand ของ Department for Education ฉบับเดือนธันวาคม 2025 นับได้ 10.9 ล้านคน หรือ 32.9% ของกำลังแรงงาน ใน 125 อาชีพที่มีความต้องการสูง และระบุช่างไฟฟ้าและช่างประกอบไฟฟ้า (201,000 ตำแหน่ง) กับช่างเทคนิคและช่างซ่อมยานยนต์ (183,000) เป็นงานช่างฝีมือที่ใหญ่ที่สุดในรายการนั้น หากหุ่นยนต์กำลังจะเข้ามาแทนที่งานช่าง ภาวะขาดแคลนก็จะเป็นปัญหาชั่วคราว หลักฐานด้านล่างบอกว่าไม่ใช่

ไทม์ไลน์ของหลักฐาน ปี 2013 ถึง 2026

ข้อค้นพบ 1: หุ่นยนต์ทำงานทางกายภาพได้ส่วนใหญ่ แต่แทบไม่มีงานไหนคุ้มค่า

ตัวเลขแรกในงานวิจัยคือตัวเลขที่จะถูกอ้างถึง และควรระบุให้แม่นยำ จากเวลาทำงานทั้งหมดของสหรัฐฯ 54% เป็นงานทางปัญญาหรือทางความสัมพันธ์ระหว่างบุคคล และ 46% เป็นงานทางกายภาพ ในส่วนงานทางกายภาพ 12 จุดเปอร์เซ็นต์ไม่มีหุ่นยนต์ใดที่ผู้เขียนหาพบทำได้ (E0) 23 ทำได้ในสภาพแวดล้อมที่สร้างเฉพาะ (E1) 10 ในสถานที่ที่มนุษย์จัดโครงสร้างไว้ เช่นคลังสินค้า (E2) และ 1 ในสภาพแวดล้อมที่ไม่มีโครงสร้าง (E3) รวมกันแล้วหุ่นยนต์ทำงานทางกายภาพได้ 74% ซึ่งเท่ากับ 34% ของชั่วโมงทำงานทั้งหมด ตัวอย่างนั้นเป็นรูปธรรม: แท็กซี่อัตโนมัติบนถนนในเมือง หุ่นยนต์เคลื่อนที่อัตโนมัติที่ขนสินค้าในคลังสินค้า เซลล์เชื่อมที่ AI นำทางในโรงงานแปรรูปโลหะ และรถขุดร่องที่ขุดเป็นแนวตรงโดยไม่มีคนขับ

ตัวเลขที่สองคือตัวเลขที่สำคัญ เมื่อแบบจำลองประเมินราคาหุ่นยนต์ที่อ้างถึงสำหรับแต่ละงานและเทียบกับแรงงานที่มันจะแทนที่ หุ่นยนต์ถูกกว่าสำหรับงานย่อยเพียง 0.3% คนงานอเมริกันราว 300,000 คนอยู่ในอาชีพที่หุ่นยนต์ทำงานได้ 95% กลุ่มที่ใหญ่ที่สุดคือพนักงานบรรจุหีบห่อราว 560,000 คน ซึ่งเป็นกรณีที่ชัดที่สุดของต้นทุนเท่ากัน โดยหุ่นยนต์ประมาณว่าถูกกว่ามนุษย์ราว $2,500 ต่อปี เทียบกับต้นทุนแรงงานราว $49,000 ส่วนอีกด้านหนึ่ง แท็กซี่หุ่นยนต์ ซึ่งในทางเทคนิคเป็นอาชีพที่มีความเสี่ยงสูงสุดในข้อมูลด้วยดัชนีความเสี่ยง 2.2 จาก 3 ประมาณว่าแพงกว่าคนขับที่มันจะแทนที่ราว $7,000 ต่อปี โดยยังไม่นับกฎระเบียบ ในสิบอาชีพที่มีความเสี่ยงสูงสุด เก้าอาชีพเป็นผู้ขับยานพาหนะ

การตีความที่ผู้เขียนเสนอ และเป็นการตีความที่การทบทวนนี้เห็นว่าป้องกันได้มากที่สุด คือพรมแดนทางกายภาพเคลื่อนไปไกลกว่าพรมแดนทางเศรษฐกิจมาก ตลอด 50 ปีที่ผ่านมา หุ่นยนต์ทำงานทางกายภาพที่เมื่อก่อนทำไม่ได้เพิ่มขึ้นราว 2% ต่อปี: ในปี 1977 พวกมันทำงานทางกายภาพ 62% ไม่ได้ ปัจจุบันทำงานชุดเดียวกันนั้นไม่ได้ 24% ขีดความสามารถทบต้นขึ้นเรื่อย ๆ แต่ต้นทุนไม่ตามมา เพราะหุ่นยนต์ที่ยกกล่องได้ก็ยังเป็นสินทรัพย์ทุนที่มีการบำรุงรักษา พลังงาน การกำกับดูแล และประกันติดมาด้วย ซึ่งต้องแข่งกับคนงานที่ได้ค่าจ้างเฉพาะชั่วโมงที่ทำงานจริง

ข้อค้นพบ 2: ไทม์ไลน์คือหลายทศวรรษ แม้ในกรณีที่มองโลกในแง่ดี

ผลงานที่มีนัยสำคัญที่สุดของงานวิจัยคือการวิเคราะห์สถานการณ์ เพราะมันเปลี่ยนคำว่า "หุ่นยนต์แพง" ให้เป็นวันที่ ราคาหุ่นยนต์ตามอนุกรมข้อมูลของ Bank of Japan และแหล่งอื่น ๆ ลดลงราว 3% ต่อปีตั้งแต่ทศวรรษ 1990 ถ้าคงอัตรานั้นไว้ ต้องใช้เวลาราว 40 ปีกว่าหุ่นยนต์จะแข่งขันได้ด้านต้นทุนสำหรับงาน 10% ของสหรัฐฯ ต้นทุนที่ลดลง 20% ซึ่งใช้เวลาราวเจ็ดปีที่อัตราในอดีต จะทำให้หุ่นยนต์แข่งขันได้สำหรับงานทางกายภาพของคนงานราว 2.8 ล้านคน และต้องลดลง 70% จึงจะถึง 10% ของงานทั้งหมด

สถานการณ์เร็วถูกออกแบบให้ใจกว้าง ต้นทุนที่ปรับตามคุณภาพลดลงเร็วกว่าประวัติศาสตร์สูงสุดสี่เท่า และหุ่นยนต์เรียนรู้งานใหม่เร็วขึ้นสองเท่า แม้กระนั้นหุ่นยนต์ก็แข่งขันได้ด้านต้นทุนสำหรับงานทางกายภาพ 50% ราวปี 2050 เท่านั้น เทียบกับปี 2085 ตามแนวโน้มในอดีต และการทำให้งานทางกายภาพเป็นอัตโนมัติ 90% ใช้เวลา 53 ปี ประโยคที่ผู้เขียนใช้ควรค่าแก่การอ้างเพราะตรงไปตรงมาผิดปกติสำหรับงานเศรษฐศาสตร์: "Robots would need to sustain record rates of price declines and quality improvements over the coming decades to enable rapid physical automation." (หุ่นยนต์จะต้องรักษาอัตราการลดลงของราคาและการปรับปรุงคุณภาพในระดับสถิติใหม่ไปอีกหลายทศวรรษ จึงจะทำให้ระบบอัตโนมัติทางกายภาพเกิดขึ้นอย่างรวดเร็วได้)

ตรงนี้ควรแยกหลักฐานออกจากการตีความ วันที่เหล่านี้ไม่ใช่การพยากรณ์ แต่เป็นผลของข้อสมมติที่ใช้กับทุกงานอย่างเท่ากัน ซึ่งผู้เขียนเองก็บอกว่าอาจไม่สะท้อนวิธีที่บริษัทหุ่นยนต์จัดลำดับความสำคัญจริง บริษัทที่ทุ่มความพยายามไปกับงานมูลค่าสูงงานเดียว เช่นการหยิบของในคลังสินค้า อาจลดต้นทุนของงานนั้นได้เร็วกว่า 3% ต่อปีมากในขณะที่เศรษฐกิจส่วนที่เหลืออยู่นิ่ง สิ่งที่สถานการณ์เหล่านี้ยืนยันคือรูปทรงของปัญหา ไม่ใช่ปฏิทินที่แน่นอน: ระบบอัตโนมัติทางกายภาพเป็นกระบวนการที่ยาวและไม่สม่ำเสมอ ซึ่งถูกกำหนดโดยเศรษฐศาสตร์ของฮาร์ดแวร์ ต่างจากซอฟต์แวร์ที่ต้นทุนส่วนเพิ่มของงานอีกหนึ่งงานใกล้ศูนย์

การเปรียบเทียบกับเทคโนโลยีในอดีตสนับสนุนการอ่านเช่นนั้น งานศึกษาปี 2020 ของ Acemoglu และ Restrepo เกี่ยวกับหุ่นยนต์อุตสาหกรรม ซึ่งเป็นเทคโนโลยีรุ่นก่อนหน้านี้ พบว่าหุ่นยนต์ที่เพิ่มขึ้นหนึ่งตัวต่อแรงงาน 1,000 คนระหว่างปี 1990 ถึง 2007 ลดอัตราส่วนการจ้างงานต่อประชากรในเขตการเดินทางไปทำงานของอเมริกาที่ได้รับผลกระทบลง 0.2 จุดเปอร์เซ็นต์ และลดค่าจ้าง 0.42% เป็นผลที่จริง วัดได้ และช้า: ผลสะสมตลอดสิบเจ็ดปีในภาคส่วนที่หุ่นยนต์ถูกที่สุดอยู่แล้ว และไม่ปรากฏที่อื่นเลย

ข้อค้นพบ 3: งานดิจิทัลคือเรื่องราวที่ตรงกันข้าม

กลุ่มวิจัยเดียวกันวัดพรมแดนอีกด้านหนึ่ง และความแตกต่างนี้คือหัวใจของกรณีศึกษานี้ งานด้านความเสี่ยงก่อนหน้าของ Anthropic และการเปรียบเทียบในงานวิจัยนี้ชี้ว่างานของสหรัฐฯ ราว 50% อยู่ในระยะเอื้อมของโมเดลภาษาขนาดใหญ่เพียงอย่างเดียว และ 81% เมื่อรวมโมเดลภาษาหรือหุ่นยนต์ รูปแบบตามอาชีพให้ข้อคิด: การขนส่งและการเคลื่อนย้ายวัสดุมีความเสี่ยงต่อโมเดลภาษาไม่ถึง 15% แต่ราว 90% เมื่อรวมหุ่นยนต์ งานสำนักงานและงานธุรการมีความเสี่ยงต่อโมเดลภาษาสูงอยู่แล้ว และเกือบ 100% เมื่อรวมหุ่นยนต์ ส่วนงานดูแลส่วนบุคคลและงานบริการอยู่ที่ราว 40% ทั้งสองกรณี เพราะเป็นงานความสัมพันธ์ระหว่างบุคคลในแบบที่เทคโนโลยีทั้งสองไม่ครอบคลุม

ค่าประมาณเกี่ยวกับโมเดลภาษามีประวัติยาวกว่า ในปี 2023 Tyna Eloundou, Sam Manning, Pamela Mishkin และ Daniel Rock แห่ง OpenAI และ University of Pennsylvania พบว่า 80% ของแรงงานอเมริกันอยู่ในอาชีพที่มีงานย่อยอย่างน้อย 10% มีความเสี่ยงต่อโมเดลภาษา และ 19% อยู่ในอาชีพที่มีงานย่อยเกินครึ่งมีความเสี่ยง โดยงานเขียน การเขียนโปรแกรม และการวิเคราะห์ข้อมูลมีความเสี่ยงสูงสุด และงานทางกายภาพและงานกลางแจ้งน้อยที่สุด Anthropic Economic Index ซึ่งจับคู่บทสนทนา Claude แบบไม่ระบุตัวตนกับงานย่อยใน O*NET แสดงว่าผู้คนทำอะไรกับเครื่องมือเหล่านี้จริง: ในรายงานปี 2026 การเสริมศักยภาพนำการทำแทนเล็กน้อย 52% ต่อ 45% และการใช้งานหลากหลายขึ้น โดยสิบงานที่พบบ่อยที่สุดลดจาก 24% ของบทสนทนาเหลือ 19% ระหว่างเดือนพฤศจิกายน 2025 ถึงกุมภาพันธ์ 2026 ดัชนียังรายงานด้วยว่า GDP ต่อหัวที่เพิ่มขึ้น 1% สัมพันธ์กับการใช้งานต่อคนที่เพิ่มขึ้น 0.7% ซึ่งเป็นเครื่องเตือนใจว่าการนำไปใช้ตามความมั่งคั่ง

คำถามว่าความเสี่ยงกลายเป็นการถูกแทนที่แล้วหรือยัง ข้อมูลเงินเดือนตอบอย่างระมัดระวัง Erik Brynjolfsson, Bharat Chandar และ Ruyu Chen แห่ง Stanford Digital Economy Lab ใช้บันทึก ADP ของแรงงานสหรัฐฯ กว่า 25 ล้านคน รายงานในปี 2025 ว่าแรงงานช่วงต้นอาชีพในอาชีพที่มีความเสี่ยงต่อ AI สูงสุดมีการจ้างงานลดลงเมื่อเทียบกัน ขณะที่ผู้มีประสบการณ์ในงานเดียวกันไม่เป็นเช่นนั้น ฉบับปรับปรุงเดือนสิงหาคม 2026 ซึ่งมีข้อมูลถึงกลางปี ระบุว่าการจ้างงานของผู้อายุ 22 ถึง 25 ปีในอาชีพเหล่านั้นต่ำกว่าที่ควรเป็นราว 19% หากเดินตามเพื่อนร่วมรุ่นที่มีความเสี่ยงน้อยกว่า โดยการปรับตัวเกิดผ่านการจ้างงานมากกว่าค่าจ้าง และกระจุกตัวในที่ที่ AI ทำแทนมากกว่าเสริมศักยภาพ ในขณะเดียวกัน Maxim Massenkoff และ Peter McCrory นักเศรษฐศาสตร์ของ Anthropic เอง ตามที่ Yahoo Finance รายงาน เมื่อวันที่ 1 ตุลาคม ไม่พบการเพิ่มขึ้นอย่างเป็นระบบของการว่างงานในแรงงานที่มีความเสี่ยงสูงนับตั้งแต่ปลายปี 2022 และคำเตือนของ Dario Amodei ประธานเจ้าหน้าที่บริหารของ Anthropic ที่ว่า AI อาจกำจัดงานระดับเริ่มต้นของคนทำงานสำนักงานไปครึ่งหนึ่ง ยังคงเป็นเพียงคำเตือนไม่ใช่ข้อสังเกต ตามข้อมูลที่มีจนถึงตอนนี้

บทสังเคราะห์ที่ตรงไปตรงมาคือ ผลกระทบต่อตลาดแรงงานที่วัดได้ครั้งแรกจากคลื่น AI ปัจจุบันไม่ใช่หุ่นยนต์ในคลังสินค้า แต่คือบัณฑิตที่ไม่ถูกจ้างในสำนักงาน งานทางกายภาพได้รับการปกป้องด้วยเศรษฐศาสตร์ งานโต๊ะทำงานไม่ได้รับ

ข้อค้นพบ 4: ใครมีความเสี่ยง และอะไรยังขวางส่วนที่เหลืออยู่

โปรไฟล์ทางประชากรของงานที่เสี่ยงต่อหุ่นยนต์คือข้อค้นพบที่ควรกำหนดนโยบาย เมื่อเทียบกับคนงานในอาชีพที่ไม่มีความเสี่ยง คนงานในอาชีพที่มีความเสี่ยงสูงมีโอกาสเป็นผู้หญิงน้อยกว่า 20 จุดเปอร์เซ็นต์ มีโอกาสเป็นชาวฮิสแปนิกมากกว่า 16 จุด มีโอกาสถือปริญญาตรีน้อยกว่า 55 จุด ได้ค่าจ้างต่ำกว่าราว $30 ต่อชั่วโมง และมีโอกาสว่างงานมากกว่าสองเท่า พวกเขายังมีแนวโน้มสูงกว่ามากที่จะต้องแบกของหนัก ทำงานในความร้อนจัด หรือใกล้สารอันตราย งานที่หุ่นยนต์ทำได้แล้วเป็นงานที่ยาก อันตราย และค่าตอบแทนต่ำอย่างไม่สมส่วน ซึ่งเป็นทั้งข้อโต้แย้งที่แข็งแรงที่สุดสำหรับการทำให้เป็นอัตโนมัติ และเป็นเหตุผลที่การเปลี่ยนผ่านจะเจ็บปวดหากไม่มีการจัดการ

สิ่งที่ขวางส่วนที่เหลือก็เฉพาะเจาะจงเช่นกัน งานทางกายภาพที่หุ่นยนต์ยังทำไม่ได้ราว 70% ถูกจำกัดด้วยขีดความสามารถ และราวครึ่งหนึ่งของส่วนนั้นเป็นเรื่องการจัดการวัตถุและความคล่องแคล่วของมือ: การย้อมผม การขุดด้วยมือรอบท่อที่ฝังอยู่ การตั้งนั่งร้าน การแก้สายไฟที่พันกัน ข้อบกพร่องด้านการวางแผนและการให้เหตุผลคิดเป็น 8% กฎระเบียบขัดขวางงานทางกายภาพ 14% และความต้องการของมนุษย์ 25% ทั้งสองอย่างรวมกันครอบคลุมงานส่วนใหญ่ที่หุ่นยนต์จะเป็นที่ยอมรับในโรงงานแต่ไม่ใช่ในห้องนอนหรือห้องเรียน สองอาชีพในงานวิจัยแสดงว่าภาพภายในงานเดียวกันปะปนกันเพียงใด: ช่างฉาบรอยต่อผนังยิปซัมได้ 1.6 ในดัชนีความเสี่ยง โดย 41% ของเวลามีความเสี่ยงต่อหุ่นยนต์พ่นอัตโนมัติ และ 26% ไม่มีความเสี่ยงเพราะงานตกแต่งที่ยุ่งยากเกินกว่ามันจะทำได้ ส่วนคนคัดแยกวัสดุรีไซเคิลได้ 1.7 โดยมากกว่า 75% ของเวลามีความเสี่ยงต่อตัวจับที่ใช้คอมพิวเตอร์วิทัศน์บนสายพาน และไม่มีความเสี่ยงเพียง 8%

บทสรุปของผู้เขียนคือสิ่งที่ช่างฝีมือควรจำ: งานที่ไม่มีความเสี่ยงคืองานที่ "highly interpersonal or requires physical skills that robots today don't have" (เป็นงานที่เกี่ยวกับความสัมพันธ์ระหว่างบุคคลสูง หรือต้องใช้ทักษะทางกายที่หุ่นยนต์ปัจจุบันไม่มี) และ "if the past is any guide, taxi drivers and warehouse packers will see changes sooner than nurses and mechanics" (ถ้าอดีตเป็นแนวทางได้ คนขับแท็กซี่และพนักงานบรรจุสินค้าในคลังจะเห็นการเปลี่ยนแปลงก่อนพยาบาลและช่างซ่อม)

กลไก: เหตุใดรูปแบบจึงเป็นเช่นนี้

มีสี่กลไกที่อธิบายข้อค้นพบและทำนายสิ่งที่จะมาถัดไป

สภาพแวดล้อม ไม่ใช่งานย่อย เป็นตัวตัดสินการนำไปใช้ สเกลสี่ระดับคือข้อคิดเงียบ ๆ ของงานวิจัย หุ่นยนต์ที่เชื่อมได้ไร้ที่ติบนสายการผลิตในโรงงาน (E1) ไร้ประโยชน์ในการต่อเติมบ้านที่คานทุกอันห่างจากอันก่อนหน้าต่างกันเล็กน้อย เศรษฐกิจทางกายภาพส่วนใหญ่ และงานช่างเกือบทั้งหมด เกิดขึ้นในเงื่อนไข E3: ไม่มีโครงสร้าง ต้องด้นสด และอยู่รอบผู้คน หุ่นยนต์พิชิต E1 ได้แล้วและกำลังรุกเข้า E2 ส่วน E3 มีงาน 1% หลังผ่านมาห้าสิบปี

เศรษฐศาสตร์ของฮาร์ดแวร์ไม่ใช่เศรษฐศาสตร์ของซอฟต์แวร์ โมเดลภาษาเมื่อฝึกแล้วทำงานถัดไปด้วยต้นทุนใกล้ศูนย์ ซึ่งเป็นเหตุผลที่ความเสี่ยงในงานโต๊ะทำงานกลายเป็นการถูกแทนที่ภายในไม่กี่ปี หุ่นยนต์เป็นสินทรัพย์เสื่อมราคาที่ต้องซื้อ ติดตั้ง ทำประกัน บำรุงรักษา จ่ายไฟ และดูแลสำหรับทุกไซต์ที่มันทำงาน การลดราคาปีละ 3% เป็นลายเซ็นของความแตกต่างนั้น และสถานการณ์ของงานวิจัยแสดงว่าแม้การเร่งขึ้นสี่เท่าก็เปลี่ยนทศวรรษที่ต้นทุนเท่ากันมาถึงได้น้อยเพียงใด

ขีดความสามารถทบต้น แต่ผ่านข้อมูล หุ่นยนต์ได้งานทางกายภาพเพิ่มราว 2% ต่อปี และครึ่งหนึ่งของงานที่เหลือซึ่งต้องใช้ความคล่องแคล่วคืองานที่ข้อมูลฝึกหายากที่สุดพอดี โมเดลเรียนรู้การเขียนจากเว็บที่เขียนไว้ แต่ไม่มีคลังข้อมูลเทียบเท่าของมือช่างประปา ความก้าวหน้าสำหรับ 24% ที่เหลือขึ้นกับการบันทึกงานจริง ในสถานที่จริง กับคนที่ทำงานนั้น ซึ่งช้าโดยธรรมชาติและก่อให้เกิดคำถามเรื่องความยินยอมและความเป็นเจ้าของที่คลื่นซอฟต์แวร์ไม่เคยเผชิญ

ความต้องการและกฎเกณฑ์เป็นพื้น ไม่ใช่ความล่าช้า งาน 25% ที่ถูกจำกัดด้วยความต้องการ และ 14% ด้วยกฎระเบียบ ไม่ได้รอหุ่นยนต์ที่ดีกว่า ความยินดีของผู้ป่วยที่จะถูกเครื่องจักรยก กฎของสภาท้องถิ่นเกี่ยวกับยานพาหนะอัตโนมัติ และความต้องการของลูกค้าที่จะคุยกับคนที่ติดตั้งครัวให้ เปลี่ยนไปตามกรอบเวลาทางการเมืองและวัฒนธรรม ผู้เขียนจึงถือว่าสิ่งเหล่านี้แยกจากขีดความสามารถและต้นทุน

ผู้ที่สงสัยควรถือคำอธิบายทางเลือกสามข้อไว้ควบคู่กัน คะแนนความเสี่ยงสร้างโดยโมเดลที่อ่านคำอธิบายงานแบบสั้นกระชับ ซึ่งผู้เขียนระบุว่า "omit details that may be easy for humans but hard for robots" (ละเว้นรายละเอียดที่มนุษย์อาจทำได้ง่ายแต่หุ่นยนต์ทำยาก) ดังนั้นขีดความสามารถอาจถูกประเมินสูงเกินไปในระดับงานย่อย แม้จะถูกประเมินต่ำเกินไปสำหรับอาชีพโดยรวม ค่าประมาณต้นทุนเป็นการประมาณของตลาดที่มีราคาสาธารณะน้อย การสำรวจราคาฮิวมานอยด์เมื่อเดือนสิงหาคม 2026 พบว่าฮิวมานอยด์เชิงพาณิชย์ 58 รุ่นมีเพียง 12 รุ่นที่มีราคาที่ยืนยันได้เลย และสถานการณ์สมมติให้ราคาลดลงเท่ากันทุกงาน ความก้าวหน้าครั้งใหญ่ในการจัดการวัตถุอเนกประสงค์ แบบที่ Nvidia และ Tesla กำลังเดิมพัน อาจ "leapfrog our scale" (ก้าวข้ามสเกลของเราไปได้) ตามคำของผู้เขียน วันที่ทั้งหลายแข็งแรงในรูปทรงและอ่อนในรายละเอียด

อุตสาหกรรมตอบสนองอย่างไร

ปฏิกิริยาแตกออกตามเส้นที่งานวิจัยขีดไว้ ในค่ายฮาร์ดแวร์ Jensen Huang ประธานเจ้าหน้าที่บริหารของ Nvidia เคยทำนายว่าจะมี "ChatGPT moment" สำหรับหุ่นยนต์ที่ CES เดือนมกราคม 2026 และ Elon Musk กล่าวว่าฮิวมานอยด์ Optimus ของ Tesla จะวางขายเร็วที่สุดในปี 2027 โดยมีราคาเป้าหมายระยะยาวต่ำกว่า $20,000 เมื่อผลิตในปริมาณมาก แม้จะยังไม่มีราคาอย่างเป็นทางการ แนวโน้มปี 2025 ของ Morgan Stanley ประเมินตลาดฮิวมานอยด์เกิน $5 trillion ภายในปี 2050 โดยการนำไปใช้เร่งตัวขึ้นตั้งแต่ปลายทศวรรษ 2030 Yahoo Finance วางกรอบงานวิจัยของ Anthropic เมื่อวันที่ 2 ตุลาคมว่าเป็นการคาดการณ์ที่เดิมพันเหล่านั้นจะถูกทดสอบ ความจริงของสินค้าที่ส่งมอบนั้นเจียมตัวกว่า: Unitree G1 ตั้งราคา $13,500 และบริษัทส่งมอบฮิวมานอยด์มากกว่า 5,500 ตัวในปี 2025 มากกว่าคู่แข่งทุกรายรวมกัน Digit ของ Agility ซึ่งเป็นฮิวมานอยด์ที่ใช้งานมากที่สุดในคลังสินค้าสหรัฐฯ ตั้งราคาสูงกว่า $250,000 ต่อหน่วย หรือราว $8,500 ต่อเดือนในรูปแบบบริการ Figure ซึ่งมีมูลค่า $39 billion ขายให้องค์กรโดยไม่มีราคาสาธารณะ

นักเศรษฐศาสตร์ส่วนใหญ่ยอมรับไทม์ไลน์นั้น Torsten Sløk หัวหน้านักเศรษฐศาสตร์ของ Apollo ซึ่ง Yahoo Finance อ้างถึง กล่าวว่าแม้ภายใต้การคาดการณ์เชิงรุก การถูกแทนที่ทางกายภาพอย่างกว้างขวางก็ยังต้องใช้เวลาหลายทศวรรษ โดยอ้างคอขวดด้านการจัดการละเอียด กฎระเบียบ และความต้องการ การถกเถียงที่แหลมคมกว่าอยู่ฝั่งดิจิทัล ที่หลักฐานข้อมูลเงินเดือนของ Stanford และการวิเคราะห์การว่างงานของ Anthropic เองชี้ไปคนละทางว่าเกิดการถูกแทนที่แล้วมากเพียงใด และที่ OpenAI, Anthropic, Google, Microsoft, Manus และ Meta กับ Muse กำลังส่งมอบเอเจนต์ที่เรียกดูเว็บ กรอกแบบฟอร์ม และทำงานสำนักงานหลายขั้นตอนให้เสร็จ ซึ่งเป็นหมวดที่ความเสี่ยงสูงสุดและต้นทุนต่ำสุด

จุดยืนของ Jobbit ในภูมิทัศน์นี้เป็นทางเลือกด้านการออกแบบ ไม่ใช่การพยากรณ์ และงานวิจัยบังเอิญบรรยายมันไว้ เอเจนต์ AI ของบริษัทจัดการงานดิจิทัลที่ตรวจทานได้ ซึ่งหลักฐานบอกว่าทำให้เป็นอัตโนมัติได้ถูก: การค้นคว้า เอกสาร เว็บไซต์ ระบบอัตโนมัติ รูปภาพ และงานธุรการที่รายล้อมงานหนึ่ง เมื่องานต้องการมือ วิจารณญาณหน้างาน หรือคนที่รับผิดชอบได้ ซึ่งตัวเลขของงานวิจัยบอกว่าเป็นงานทางกายภาพส่วนใหญ่ไปอีกหลายทศวรรษ งานจะส่งต่อให้ผู้เชี่ยวชาญที่ผ่านการตรวจสอบบน pro.jobbit.uk โดยเงินถูกถือไว้ในบัญชีคนกลาง (escrow) และลูกค้าดูเอเจนต์และเข้าควบคุมได้ทุกเมื่อ Jobbit Labs แผนกวิจัยของบริษัท ทำงานกับปัญหาที่ช้ากว่าซึ่งงานวิจัยระบุไว้ในช่องว่างของข้อมูล: การบันทึกข้อมูลงานในโลกจริงจากคนที่ทำงานจริง โดยได้รับความยินยอม เพื่อฝึกและตรวจสอบแบบจำลองโลกสำหรับ AI ทางกายภาพ Jobbit ยังไม่ได้เผยแพร่ข้อมูลการทดลองเกี่ยวกับผลลัพธ์ของโมเดลนี้ และไม่ได้อ้างตรงนี้ว่ามี ข้ออ้างแคบกว่านั้น คือสถาปัตยกรรมเอเจนต์บวกเครือข่ายมนุษย์เป็นสิ่งที่หลักฐานสนับสนุนตราบที่ต้นทุนเท่ากันยังห่างไปอีกหลายทศวรรษ ด้านปฏิบัติของการแบ่งนี้อธิบายไว้ใน 12 Jobs an AI Agent Can Do for Your Business This Week และ Should Your Next Hire Be an AI Agent? หลักฐานเรื่องฟรีแลนซ์ใน Do AI Agents Replace Freelancers? และตัวบริษัทเองใน What Is Jobbit?

ธุรกิจควรทำอะไรกับหลักฐานนี้

หลักฐานสนับสนุนกฎการมอบหมายงานที่ธุรกิจขนาดเล็กใช้ได้โดยไม่ต้องมีที่ปรึกษากลยุทธ์

ทำให้ชั้นดิจิทัลรอบงานทางกายภาพเป็นอัตโนมัติก่อน เพราะนั่นคือที่ที่ต้นทุนและขีดความสามารถมาบรรจบกันแล้ว ใบเสนอราคา ใบแจ้งหนี้ เว็บไซต์ การขอรีวิว การค้นคว้าผู้จัดจำหน่าย และการจัดตารางของช่างประปา คืองาน 50% ที่มีความเสี่ยงต่อโมเดลภาษา ตัวเลขของงานวิจัยเองบอกว่าการติดตั้ง การวินิจฉัยในตู้ชื้น และการสนทนากับเจ้าของบ้านจะไม่หายไปไหน กำไรของธุรกิจงานช่างในทศวรรษหน้ามาจากการนำชั่วโมงโต๊ะทำงานที่ประหยัดได้ไปใช้เป็นชั่วโมงหน้างานมากขึ้น ไม่ใช่จากการรอหุ่นยนต์

มองระบบอัตโนมัติทางกายภาพเป็นการตัดสินใจจัดซื้อรายงานย่อย ไม่ใช่การตัดสินใจเรื่องกำลังคนรายอาชีพ แบบจำลองต้นทุนของงานวิจัยคือต้นแบบ: เทียบต้นทุนต่อปีทั้งหมดของหุ่นยนต์กับแรงงานของงานย่อยนั้นงานเดียว ในระดับสภาพแวดล้อมของคุณ และคาดว่าจะเท่ากันเฉพาะในเงื่อนไข E1 และ E2 คือการบรรจุ การเคลื่อนย้าย การเชื่อม และการคัดแยกที่ซ้ำ ๆ ไปอีกหลายปี สำหรับเกือบทุกอย่างที่ทำในบ้านของลูกค้า ต้นทุนที่เท่ากันยังไม่อยู่ในปฏิทิน

จ้างและฝึกสำหรับแกนที่ไม่มีความเสี่ยง งานทางกายภาพ 24% ที่หุ่นยนต์ทำไม่ได้ และ 25% ที่ผู้คนไม่ต้องการให้หุ่นยนต์ทำ คือส่วนที่ยั่งยืนของงานช่าง: ความคล่องแคล่วของมือ วิจารณญาณในพื้นที่ไม่มีโครงสร้าง และความสัมพันธ์ระหว่างมนุษย์ ช่องว่าง 206,000 คนภายในปี 2030 ของ CITB บอกว่าตลาดจะจ่ายเพื่อสิ่งเหล่านี้

จับตาการส่งต่องาน ไม่ใช่พาดหัวข่าว คำถามที่เป็นประโยชน์สำหรับทุกงานคือเครื่องจักรควรหยุดตรงไหนและคนควรเริ่มตรงไหน และเส้นนั้นเลื่อนไปทีละงานย่อย ธุรกิจที่เขียนมันลงไป ว่าใครตรวจผลงานของเอเจนต์ ใครอนุมัติงานหน้างาน ใครรับผิดชอบต่อลูกค้า จะได้ประโยชน์โดยไม่เจอความล้มเหลว

สุดท้าย อ่านสัญญาณเบื้องต้นให้ถูกที่ งานวิจัยแนะนำให้ติดตามอาชีพที่มีความเสี่ยง คือคนขับรถและพนักงานบรรจุสินค้าในคลัง เพื่อหาสัญญาณแรกของการหยุดชะงักทางกายภาพ และข้อมูลเงินเดือนบอกว่าการหยุดชะงักทางดิจิทัลเห็นได้แล้วในการจ้างบัณฑิต วางแผนรับมืออย่างหลังเดี๋ยวนี้ และอย่างแรกทีหลัง

ข้อจำกัดและคำถามที่ยังเปิดอยู่

งานวิจัยนี้เป็นของสหรัฐอเมริกา ประเมินโดยโมเดล และเป็นภาพนิ่ง คะแนนความเสี่ยงและต้นทุนมาจาก Claude ที่อ่านคำอธิบายงานและหลักฐานบนเว็บเกี่ยวกับหุ่นยนต์ ตรวจเทียบกับประวัติศาสตร์แต่ไม่ได้เทียบกับการทดลองภาคสนาม คณะผู้เชี่ยวชาญที่เป็นมนุษย์อาจให้คะแนนความคล่องแคล่วของมือต่างออกไป ค่าประมาณต้นทุนละเว้นแรงเสียดทานของการนำไปใช้ เช่นข้อจำกัดการกู้ยืม และสถานการณ์สมมติไม่นับผลป้อนกลับ รวมถึงความเป็นไปได้ที่ค่าจ้างที่ลดลงในอาชีพที่มีความเสี่ยงจะทำให้การนำไปใช้ช้าลงอีก งานวิจัยไม่ได้ตรวจสอบว่า AI อาจเปลี่ยนงานทางกายภาพโดยไม่ใช้หุ่นยนต์ได้อย่างไร เช่นผ่านการบำรุงรักษาเชิงพยากรณ์ และไม่ได้สร้างแบบจำลองสหราชอาณาจักร ที่ซึ่งต้นทุนพลังงาน กฎระเบียบ และโครงสร้างของงานช่างต่างออกไป

หลักฐานดิจิทัลก็มีข้อจำกัดของตัวเอง ข้อมูลเงินเดือนแสดงการจ้างงานเชิงเปรียบเทียบของคนหนุ่มสาวในอาชีพที่มีความเสี่ยง ไม่ใช่ความเป็นเหตุเป็นผล และผู้เขียนจาก Stanford อธิบายข้อค้นพบของตนว่าสอดคล้องกับ "no widespread displacement so far" (ยังไม่มีการถูกแทนที่อย่างกว้างขวางจนถึงตอนนี้) การวิเคราะห์การว่างงานของ Anthropic และการวิเคราะห์การจ้างงานของ Stanford อาจถูกทั้งคู่ในคนละขอบเขต ข้อมูลการใช้งานจากผู้ช่วยตัวเดียวไม่ใช่เศรษฐกิจ และตลาดฮิวมานอยด์เคลื่อนเร็วพอที่ราคาใด ๆ ที่อ้างไว้ที่นี่เป็นภาพ ณ ต้นเดือนตุลาคม 2026

คำถามที่ยังเปิดอยู่คือคำถามที่จะตัดสินทศวรรษหน้า: การจัดการวัตถุอเนกประสงค์จะพัฒนาเร็วกว่า 2% ต่อปีหรือไม่ เมื่อหุ่นยนต์เรียนรู้จากงานจริงแทนการสาธิตที่ออกแบบวิศวกรรมไว้ พื้นด้านกฎระเบียบและความต้องการจะเลื่อนหรือไม่ และตามที่ผู้เขียนกล่าว การทำงานเองจะเปลี่ยนไปอย่างไร "perhaps becoming more social and interpersonal as robots and AI advance" (บางทีอาจกลายเป็นงานที่เน้นสังคมและความสัมพันธ์ระหว่างบุคคลมากขึ้นเมื่อหุ่นยนต์และ AI ก้าวหน้า)

บทสรุป

หุ่นยนต์จะแย่งงานแรงงานสายสีน้ำเงินหรือไม่ ไม่ใช่ในแบบที่ 47% บอก และไม่ใช่ตามกำหนดเวลาใดที่ช่างฝีมือที่ทำงานอยู่ต้องวางแผนรับมือ งานวิจัยของ Anthropic แสดงว่าหุ่นยนต์ทำงานทางกายภาพส่วนใหญ่ได้แล้วแต่ซื้อไหวแทบไม่มีงานไหนเลย เศรษฐศาสตร์ปิดช่องว่างปีละไม่กี่เปอร์เซ็นต์ และแม้โลกที่หุ่นยนต์ก้าวหน้าทำลายสถิติก็ยังเหลืองานทางกายภาพครึ่งหนึ่งอยู่ในมือมนุษย์เกินปี 2050 การหยุดชะงักที่วัดได้ในวันนี้อยู่ในงานดิจิทัล ที่ซึ่งความเสี่ยงสูงสุด ต้นทุนต่ำสุด และบัณฑิตกลุ่มแรกหายไปจากบัญชีเงินเดือนแล้ว สำหรับงานช่างหรือธุรกิจขนาดเล็กของอังกฤษ หลักฐานชี้ไปที่กลยุทธ์เดียว: ทำโต๊ะทำงานให้เป็นอัตโนมัติ ปกป้องสองมือ และจงใจกำหนดว่าจะส่งต่อจากอย่างหนึ่งไปอีกอย่างตรงไหน การส่งต่อนั้นคือที่ที่ Jobbit ทำงาน และงานวิจัยนี้เป็นถ้อยแถลงที่ชัดเจนที่สุดจนถึงตอนนี้ว่าเหตุใดช่องว่างที่มันถูกสร้างขึ้นมาจึงจะอยู่ไปอีกนาน

คำถามที่พบบ่อย

หุ่นยนต์จะมาแทนที่แรงงานสายสีน้ำเงินหรือไม่

ไม่ใช่ในอีกหลายทศวรรษ ตามงานวิจัยของ Anthropic เดือนกันยายน 2026 หุ่นยนต์ทำงานทางกายภาพในสหรัฐอเมริกาได้แล้วราว 74% แต่ถูกกว่าคนงานเพียง 0.3% ของงานเหล่านั้น และด้วยราคาหุ่นยนต์ที่ลดลง 3% ต่อปีตามประวัติศาสตร์ จะต้องใช้เวลาราว 40 ปีกว่าจะถึงต้นทุนเท่ากันสำหรับงาน 10% แม้แต่สถานการณ์เชิงรุกก็ยังทำให้งานทางกายภาพครึ่งหนึ่งอยู่เกินปี 2050

อาชีพใดมีความเสี่ยงต่อหุ่นยนต์มากที่สุด

ผู้ขับยานพาหนะและพนักงานบรรจุสินค้าในคลัง คนขับแท็กซี่อยู่อันดับต้นของดัชนีความเสี่ยงที่ 2.2 จาก 3 เก้าในสิบอาชีพที่มีความเสี่ยงสูงสุดเป็นผู้ขับรถ และพนักงานบรรจุหีบห่อเป็นกรณีที่ชัดที่สุดที่หุ่นยนต์ถูกกว่าคนเล็กน้อยแล้ว พยาบาล ช่างซ่อม และงานช่างฝีมือส่วนใหญ่อยู่อีกด้านหนึ่งเพราะงานต้องใช้ความคล่องแคล่วของมือ วิจารณญาณในพื้นที่ไม่มีโครงสร้าง หรือการสัมผัสระหว่างมนุษย์

AI แย่งงานคนทำงานสำนักงานเร็วกว่าที่หุ่นยนต์แย่งงานทางกายภาพหรือไม่

หลักฐานเบื้องต้นบอกว่าใช่ ในระดับเริ่มต้นอาชีพ การวิเคราะห์บันทึกเงินเดือนของแรงงานกว่า 25 ล้านคนของ Stanford พบว่าการจ้างงานของผู้อายุ 22 ถึง 25 ปีในอาชีพที่มีความเสี่ยงต่อ AI สูงสุดต่ำกว่าเพื่อนร่วมรุ่นที่มีความเสี่ยงน้อยกว่าราว 19% โดยไม่มีการเปลี่ยนแปลงทำนองเดียวกันสำหรับผู้มีประสบการณ์ ขณะที่นักเศรษฐศาสตร์ของ Anthropic ไม่พบการเพิ่มขึ้นอย่างเป็นระบบของการว่างงานของแรงงานที่มีความเสี่ยงโดยรวม งานดิจิทัลแทบไม่มีต้นทุนในการทำให้เป็นอัตโนมัติเมื่อมีโมเดลแล้ว ส่วนงานทางกายภาพต้องใช้ฮาร์ดแวร์ที่ยังแพงอยู่

ช่างฝีมือควรทำอย่างไรกับระบบอัตโนมัติ

ทำให้ด้านสำนักงานของธุรกิจเป็นอัตโนมัติ ซึ่งเป็นที่ที่ AI ถูกและเก่งอยู่แล้ว และลงทุนในทักษะที่หุ่นยนต์เทียบไม่ได้: ความคล่องแคล่วของมือ การวินิจฉัยในพื้นที่ไม่มีโครงสร้าง และความสัมพันธ์กับลูกค้า ภาคก่อสร้างของสหราชอาณาจักรเพียงภาคเดียวต้องการแรงงานเพิ่มมากกว่า 206,000 คนภายในปี 2030 ตาม CITB ดังนั้นส่วนที่เป็นมนุษย์ของงานช่างจึงขาดแคลน ไม่ใช่เกินความต้องการ

ช่องว่างที่ Jobbit ถูกสร้างขึ้นมาเพื่อคืออะไร

การส่งต่องานระหว่างงานดิจิทัลอัตโนมัติและงานทางกายภาพของมนุษย์ เอเจนต์ AI ของ Jobbit ทำการค้นคว้า เอกสาร เว็บไซต์ และงานธุรการที่หลักฐานบอกว่าทำให้เป็นอัตโนมัติได้ถูก และส่งงานที่ต้องใช้มือ การเยี่ยมไซต์ หรือความรับผิดชอบให้ผู้เชี่ยวชาญที่ผ่านการตรวจสอบบน pro.jobbit.uk โดยเงินถูกถือไว้ในบัญชีคนกลาง (escrow) Jobbit Labs ทำงานกับข้อมูลงานในโลกจริงที่งานวิจัยระบุว่าเป็นส่วนผสมที่ขาดไปสำหรับ AI ทางกายภาพ