- 20
- เมษายน
ไตรมาสแรกของปี 2569 บริษัทเทคโนโลยีทั่วโลก เลิกจ้างพนักงานเกือบ 80,000 คน และตัวเลขที่น่าตกใจกว่าคือ 47.9% ของตำแหน่งที่หายไป ถูกระบุสาเหตุตรงๆ ว่า "ถูก AI แทน" — ไม่ใช่เพราะเศรษฐกิจ ไม่ใช่เพราะ budget cut แต่เป็นการ แทนที่เชิงโครงสร้าง (structural replacement)
Oracle ปลด 20,000-30,000 คน, Amazon ปลด 16,000 คน, Snap ปลด 1,000 คน (16% ของพนักงานทั้งหมด) — และ CEO ของ Snap Evan Spiegel พูดตรงไปตรงมาว่า AI ทำให้บริษัทสามารถ automate งานซ้ำๆ ได้โดยไม่ต้องจ้างคนเพิ่ม ครั้งนี้ AI ไม่ได้เป็นแค่ "เหตุผลรอง" อีกต่อไป — แต่เป็น สาเหตุหลัก ที่ vendor ประกาศกันอย่างเปิดเผย
สรุปง่ายๆ: Q1 2569 เทคโลก เลิกจ้างกว่า 80,000 คน (~911 คน/วัน), 47.9% ถูกระบุว่าเพราะ AI แทน (ไม่ใช่ budget cut), Oracle 20,000-30,000, Amazon 16,000, Snap 1,000 (16% workforce), 76%+ ของการปลดอยู่ใน U.S. — องค์กรไทย/อาเซียนมี lag effect คือจะเห็นผลกระทบเดียวกันในอีก 6-18 เดือนข้างหน้า ต้องเริ่มวางแผน workforce + AI-ready ERP ตั้งแต่ตอนนี้
Q1 2569 ในตัวเลข — ไม่เคยเกิดขนาดนี้
ปี 2567 และ 2568 ที่ผ่านมา การเลิกจ้างในเทคอุตสาหกรรมมีเหตุผลหลากหลาย — "post-COVID over-hiring correction", "แรงกดดันจาก interest rate", "zero-based budgeting" ฯลฯ แต่ Q1 2569 แตกต่างอย่างชัดเจน — เป็นครั้งแรกที่ "AI แทนคน" ถูกระบุเป็นสาเหตุหลักในเกือบครึ่งของ layoff events ทั้งหมด
| ช่วงเวลา | ตำแหน่งที่หาย (ประมาณ) | บริษัทใหญ่ที่ปลด |
|---|---|---|
| ม.ค. 2569 | ~25,000 | Meta, Microsoft, Workday |
| ก.พ. 2569 | ~22,000 | Atlassian (1,600), Google, Salesforce |
| มี.ค. 2569 | ~33,000 | Oracle (รอบใหญ่), Amazon, Snap |
| รวม Q1 | ~80,000 | 47.9% ระบุ AI เป็นสาเหตุ |
ตัวเลขจาก Tom's Hardware และ trueup.io แสดงว่า 76%+ ของการปลดอยู่ใน U.S. — เพราะกฎหมายแรงงานอเมริกาอนุญาตให้ปลด mass ได้เร็ว ณ วันที่ 19 เม.ย. 2569 มี 146 layoff events รวม 99,283 คน คิดเป็น ~911 คน/วัน — ถ้าเทรนด์นี้ต่อเนื่อง ปี 2569 จะทะลุตัวเลขรวมของปี 2567-2568 แน่นอน (ดูภาพรวมที่บทความ AI Layoffs 2026)
ใครเลิกจ้างมากที่สุด — 5 รายใหญ่
5 บริษัทต่อไปนี้คือ "เจ้าภาพ" ของ Q1 layoff wave — ทุกรายระบุ AI หรือ "AI-driven restructuring" เป็นเหตุผลอย่างเปิดเผยใน press release หรือ investor call:
| บริษัท | ปลด | % ของพนักงาน | เหตุผลทางการ |
|---|---|---|---|
| Oracle | 20,000-30,000 | ~10-15% | ปรับโครงสร้างเพื่อขยาย AI datacenter + OCI capacity |
| Amazon | 16,000 | ~1% | AI-driven restructuring (AWS + Retail) |
| Snap | 1,000 + 300 open roles | 16% | CEO Evan Spiegel ระบุ AI ช่วย automate งานซ้ำๆ |
| Atlassian | 1,600 | ~6% | Reallocate budget ไป AI projects |
| Palo Alto Networks (CyberArk M&A) | ~500 | - | ลดความซ้ำซ้อนหลังควบรวม + AI security automation |
เคสของ Snap น่าสนใจที่สุด — ขนาดเล็กกว่า Oracle มาก แต่ 16% ของ workforce คือสัดส่วนที่หนัก Evan Spiegel เขียนในจดหมายถึงพนักงานว่า AI tools ทำให้ทีมเล็กสามารถ ship product ได้เร็วขึ้น ลดความจำเป็นในการมี middle management และ support roles หลายชั้น — ดูบริบทที่เกี่ยวข้องได้ที่บทความ Atlassian Layoffs AI และ Meta Layoffs AI
คำเตือน: การเลิกจ้างครั้งนี้ เป็น structural ไม่ใช่ cyclical — ต่างจาก layoff wave ปี 2567-2568 ที่มาจากดอกเบี้ย + over-hiring หลัง COVID ครั้งนี้เป็นการ แทนที่ถาวร ตำแหน่งที่โดนก่อน: customer support, QA engineers, mid-level software engineers, data entry, recruiters, technical writers อย่าคาดหวังว่าจะมีการจ้างกลับเมื่อเศรษฐกิจฟื้น — เพราะงานเหล่านี้ถูก AI agent + LLM ทำแทนแล้ว ไม่ได้หายไปเพราะ budget สั้น (อ่านเพิ่มที่ AI แทนคน — ความเสี่ยงที่ต้องเตรียม)
ทำไม AI ถึงแทน HR / Support / Mid-Level ได้ก่อนงานอื่น
ไม่ใช่เพราะ AI "เก่ง" ในทุกงาน — แต่เพราะ AI เหมาะกับงานบางประเภทมากกว่า เมื่อพิจารณา 3 คุณสมบัติร่วมกัน งานไหนมีครบ 3 ข้อ = เสี่ยงโดนแทนสูงที่สุด:
- Rule-based + high-repetition — งานที่มี pattern ซ้ำ, มี SOP ชัดเจน, output วัดได้ (เช่น resume screening, ticket triage, QA test execution)
- Multi-step workflow มาก tool integration น้อย — งานที่ต้องใช้ข้อมูลจาก 2-3 ระบบ ถูก LLM + agent orchestration จัดการได้แล้ว (Claude, GPT agents มีความสามารถพอในปี 2569)
- Cost arbitrage ชัด — AI seat ราคา $20-200/เดือน ทำงานแทนคนที่เงินเดือน $5,000-15,000/เดือน — ROI เห็นชัดใน 3-6 เดือน
งานที่ยัง "ปลอดภัย" กว่า คือ งานที่ต้อง ใช้ context ท้องถิ่น + human judgment + มี accountability ทางกฎหมาย — เช่น auditor, legal counsel, senior ERP consultant, ผู้จัดการโครงการ — ตรงนี้เป็นประเด็นที่บทความ AI vs Human เคยอธิบายไว้แล้ว ว่าทำไม "ความเก่ง" ของ AI ไม่ได้แปลว่าจะแทนทุกงาน
องค์กรไทยต้องคิดอะไร
ประเทศไทยและอาเซียนมี "lag effect" — ผลกระทบเดียวกันจะมาถึงในอีก 6-18 เดือนข้างหน้า เหตุผลที่ยังไม่เห็นผล mass layoff ในไทยขณะนี้มี 3 ข้อ:
- กฎหมายแรงงานไทยคุ้มครองมากกว่าสหรัฐ — การปลดพนักงานต้องจ่ายค่าชดเชยตามอายุงาน (สูงสุด 400 วัน) + ต้องมีเหตุผลสนับสนุน ทำให้ mass layoff แพงและช้า บริษัทไทยจึงเลือกใช้วิธี hiring freeze + natural attrition แทน — ลดคนโดยไม่เติมตำแหน่งที่ลาออก
- AI adoption ในไทยช้ากว่าสหรัฐ 12-24 เดือน — การลงทุน AI ใน enterprise ไทยเพิ่งเริ่มจริงจังในปี 2568-2569 มี tool มาก แต่ production deployment ยังน้อย ผลกระทบด้านคนจึงยังไม่ชัด
- วัฒนธรรมองค์กร — หลายบริษัทไทยยังมองว่า "คน = ทรัพยากรที่ต้องดูแล" ไม่ใช่ cost center ที่ต้อง optimize เหมือน Silicon Valley
แต่ ห้ามประมาท — บริษัทเทคไทยหลายรายเริ่ม freeze hiring ในปลายปี 2568 แล้ว และ enterprise รายใหญ่ (ธนาคาร, โทรคมนาคม, ประกันภัย) เริ่มทดลอง AI agent แทน call center tier 1 บ้างแล้ว แม้จะไม่ปลดเป็นข่าว แต่ตำแหน่งว่างไม่ถูกเติม — ผลลัพธ์เดียวกันกับ layoff แต่แนบเนียนกว่า ประเด็นนี้เชื่อมกับ AI + HR และ Risk Management ที่องค์กรต้องวางแผนตั้งแต่ตอนนี้
บทบาท ERP ในยุค AI-Driven Workforce
หลายคนถามว่า "ถ้า AI แทนคนได้ขนาดนี้ ERP ยังจำเป็นไหม?" — คำตอบคือ จำเป็นมากกว่าเดิม แต่บทบาทเปลี่ยน จาก "ระบบบันทึกข้อมูล" เป็น "infrastructure ให้ AI agent ทำงาน"
4 บทบาทสำคัญของ ERP ในยุค AI-driven workforce:
- HR module ยังจำเป็น — แต่คนน้อยลง งานเปลี่ยน — จาก "จัดการพนักงาน 1,000 คน" → "จัดการพนักงาน 500 คน + AI agent 20 seats" payroll, leave, performance review ยังต้องมี แต่ workflow ต้อง rebuild ให้รองรับ hybrid workforce (คน + AI)
- Workflow automation มาก่อน AI integration — ก่อนเอา AI มาใช้ ต้อง standardize process ใน ERP ก่อน ไม่งั้น AI จะ automate chaos ให้เร็วขึ้น — ไม่ได้แก้ปัญหา
- ERP ต้องเปิดให้ AI agent เชื่อมต่อได้ — ผ่าน REST API + event-driven architecture ไม่ใช่ vendor-specific connector ที่ผูกกับ AI provider เดียว
- Forecast workforce planning — ใช้ ERP data (attendance, productivity metrics, project hours) ประเมินว่าตำแหน่งไหนเป็น candidate สำหรับ automation ไหนต้องเก็บไว้ ไหน reskill ได้
ในส่วนของ Saeree ERP ต้องพูดตรงๆ ว่าขณะนี้ กำลังพัฒนา AI Assistant (อยู่ในช่วง training ตั้งแต่ มี.ค. 2569) ยังไม่ได้ release production — แต่ architecture ของ Saeree เป็น Java + PostgreSQL + REST API เปิด ทำให้ลูกค้าสามารถ integrate AI agent ของตัวเองได้อยู่แล้ว (Claude, GPT-based agents ผ่าน API) และเมื่อ Saeree AI Assistant พร้อม จะต่อยอด workflow ที่มีอยู่ — ดูภาพรวมของ data layer ที่เกี่ยวข้องในบทความ HR Module
ตาราง "เหมาะ / ไม่เหมาะ" — ใช้ ERP + AI-ready HR
องค์กรไม่ได้เหมือนกันทั้งหมด — ตารางนี้ช่วยประเมินว่าถึงจุดที่ต้อง invest ใน AI-ready ERP แล้วหรือยัง:
| ✓ เหมาะลงทุน AI-ready ERP ตอนนี้ | ✗ ยังไม่จำเป็น / รอได้ |
|---|---|
| มีพนักงาน 300+ คน, workflow ซ้ำซ้อนหลายแผนก | พนักงานน้อยกว่า 50 คน, ทุกคนทำงานหลายบทบาท |
| มี HR/Admin/Support ที่งานเป็น rule-based สูง | งานส่วนใหญ่ต้องใช้ human judgment + context ท้องถิ่นสูง |
| อยู่ในอุตสาหกรรมที่ US/EU เริ่ม adopt AI แล้ว (การเงิน, retail, tech service) | อุตสาหกรรมที่ยังไม่มี AI use case ชัด (บริการเฉพาะท้องถิ่น, craft goods) |
| ต้องการ benchmarking กับ global peer | ธุรกิจ local + service-heavy ที่แข่งกับบริษัทไทยเท่านั้น |
| มี ERP เก่าที่ไม่เปิด API — ต้อง migrate อยู่แล้ว | ERP ปัจจุบันยังทำงานได้ดี + เปิด API พร้อม integrate ได้เมื่อต้องการ |
| CEO/CTO มี commitment ด้าน AI และ budget พร้อม | ยังไม่มี strategy AI ชัดเจน — ควรทำ roadmap ก่อนลงทุน |
หมวด "ยังไม่จำเป็น" ไม่ได้แปลว่าไม่ต้องเตรียม — แปลว่าให้ เตรียม foundation (data quality, process standardization) ก่อน แล้วค่อย layer AI ทีหลัง ซึ่งเป็นการลงทุนที่ถูกและปลอดภัยกว่า (ดู reference เพิ่มที่ China AI & Jobs และ Legacy ERP Sunset)
"AI ไม่ได้ขโมยงาน — AI ทำให้เจ้าของธุรกิจมีทางเลือกมากขึ้น ว่าจะจ้างคน หรือให้เครื่องทำ"
— Saeree ERP, 2569
