- 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 architecture เป็น Java + PostgreSQL + REST API เปิด ลูกค้า integrate AI agent ของตัวเองได้อยู่แล้ว (Claude, GPT-based agents ผ่าน API) และถ้าอยากให้ agent อ่านข้อมูลในระบบโดยตรง เรารับเขียน MCP Server เชื่อมกับระบบของหน่วยงาน พร้อมกำหนดสิทธิ์และร่องรอยการตรวจสอบ — 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
