อนาคตสายงาน Data ในยุคที่ AI เติบโต คนทำ Data จะยังมีที่ยืนไหม?

เมื่อ AI เริ่มเขียน SQL ได้ สร้าง Dashboard ได้ และวิเคราะห์ข้อมูลได้เอง — บทบาทของเราในฐานะคนทำงาน Data จะเปลี่ยนไปอย่างไร?

ก่อนอื่นเลย ผมอยากให้คุณลองนึกภาพนี้ดู… ปี 2020 มีคนพูดว่า “ถ้าไม่รู้ Python จะไม่ได้ทำงานด้าน Data” แต่วันนี้มี AI ที่เขียน Python ให้เราได้เป็นร้อยบรรทัดในไม่กี่วินาที แล้วแบบนี้ คนทำงาน Data อย่างเราจะโดนแทนที่ไหม? คำตอบสั้นๆ คือ “ไม่” — แต่ถ้าเราไม่ปรับตัว คำตอบนั้นอาจเปลี่ยนกลับคืนไปได้นะครับ

จุดเริ่มต้น – ทำไมถึงต้องพูดเรื่องนี้ตอนนี้ ?

ช่วง 2-3 ปีที่ผ่านมา วงการ Data เปลี่ยนเร็วมากจนน่าตกใจ ถ้าคุณยังจำได้ ตอนที่ ChatGPT เปิดตัวครั้งแรก หลายคนใน LinkedIn โพสต์ว่า “Data Analyst จะตกงาน” — ซึ่งผมเข้าใจว่าทำไมคนถึงกังวล เพราะ AI มันทำหลายอย่างที่เราทำได้จริงๆ ครับ ไม่ว่าจะเป็นการเขียน query ดึงข้อมูล, สร้าง visualization พื้นฐาน, หรือแม้แต่สรุป report ให้

แต่สิ่งที่คนมองข้ามไปคือ ตลาดงาน Data ทั่วโลกยังคงเติบโตต่อเนื่อง ความต้องการ Data Analyst, Data Engineer, และ Data Scientist ยังสูงมาก เพียงแต่ “สิ่งที่นายจ้างต้องการ” มันเปลี่ยนไปแล้วครับ

AI ทำอะไรได้บ้าง?

ก่อนที่เราจะคุยกันว่าอนาคตจะเป็นยังไง ต้องเข้าใจก่อนว่า AI ณ ตอนนี้ทำอะไรได้บ้างในงาน Data

AI ทำได้แล้วตอนนี้ – เขียน SQL queries จาก prompt ภาษาธรรมดา / สร้าง dashboard และ visualization พื้นฐาน / ทำ EDA (Exploratory Data Analysis) เบื้องต้น / เขียนโค้ด Python สำหรับ data cleaning / สรุปข้อมูลและสร้าง report อัตโนมัติ / ตอบคำถามจาก data ที่ถูก structured ไว้แล้ว

ฟังดูน่ากลัวใช่ไหมครับ? แต่นี่คือสิ่งที่ AI ยังทำได้ไม่ดี หรือทำไม่ได้เลย…

AI ยังขาด “บริบทของธุรกิจ” — มันไม่รู้ว่าทำไม metric ตัวนี้ถึงสำคัญ, ไม่รู้ว่า stakeholder คนนี้ชอบอ่านข้อมูลแบบไหน, และที่สำคัญที่สุด — มันไม่รู้ว่าคำถามไหนที่ “ควรถาม” ตั้งแต่แรก

บทบาทที่จะโดน Disrupt vs บทบาทที่จะโต

ถ้าพูดตรงๆ งานที่ทำซ้ำๆ เป็น routine อย่าง pull report รายวัน, สร้าง dashboard เดิมซ้ำๆ ทุกอาทิตย์, หรือ copy-paste ตัวเลขลง Excel — พวกนี้จะโดน automate แน่นอนครับ ไม่ต้องรอนาน

แต่ในทางกลับกัน ตำแหน่งที่จะเติบโตและมีคุณค่ามากขึ้นในยุค AI คือคนที่ทำงานเหล่านี้ได้:

Strategic – Data Strategist

• คนที่กำหนดว่าองค์กรควรเก็บ data อะไร วัดอะไร และใช้ data เพื่อตัดสินใจเรื่องอะไร

Translate – Business Translator

• คนที่แปลงคำถามธุรกิจ (ที่ไม่ชัดเจน) ให้กลายเป็น data problem ที่แก้ได้

Ethics – AI & Data Ethics

• คนที่ดูแลเรื่อง bias ใน model, privacy ของ data, และความโปร่งใสของ AI

Engineer – AI Workflow Engineer

• คนที่ออกแบบ pipeline ระหว่าง AI tools กับ data systems ขององค์กร

ทักษะที่ต้องมีในอีก 3-5 ปีข้างหน้า

นี่คือสิ่งที่ผมบอกน้องๆ ที่เริ่มต้นสาย Data ทุกคน — อย่าไปแข่งกับ AI ในสิ่งที่มันเก่งกว่าเราชัดๆ ให้ focus ที่สิ่งที่มันทำได้ยากแทน

1. Critical Thinking เหนือ Data — AI สรุปข้อมูลให้เราได้ แต่คนที่รู้ว่า “ข้อมูลนี้น่าเชื่อถือแค่ไหน?” หรือ “มี bias อะไรซ่อนอยู่?” ยังต้องเป็นมนุษย์ที่มีประสบการณ์ครับ ทักษะนี้สร้างได้จากการทำงานจริง ผ่านการผิดพลาดจริง ซึ่ง AI ไม่มีประสบการณ์แบบนั้น

2. Storytelling with Data — การนำเสนอข้อมูลให้คนที่ไม่ได้เป็น Data เข้าใจและตัดสินใจได้ — ทักษะนี้ยังขาดแคลนมากในตลาด แม้แต่ในปัจจุบัน การที่คุณพูด “ยอดขายลดลง 15%” กับพูดว่า “ถ้าเราแก้ปัญหานี้จุดเดียว revenue จะกลับมาได้ 2.3 ล้านต่อไตรมาส” — สองประโยคนี้ต่างกันมากในแง่คุณค่าครับ

3. Prompt Engineering & AI Collaboration — ในอนาคตอันใกล้ เส้นแบ่งระหว่าง “data analyst” กับ “คนที่รู้จักใช้ AI ทำงาน data” จะพร่ามัวลงเรื่อยๆ คนที่รู้วิธีสั่ง AI ให้ทำงานได้ถูกต้อง รู้วิธี validate ผลลัพธ์ที่ AI ให้มา และรู้ว่าเมื่อไหรควรไว้ใจ AI หรือไม่ — คนนี้จะมีมูลค่าสูงมากครับ

4. Domain Knowledge ลึกๆ ในอุตสาหกรรมที่ทำ — Data Analyst ที่เข้าใจ business ของ healthcare ลึกๆ จะมีคุณค่ากว่า generalist มากในอุตสาหกรรมนั้น เพราะ AI ต้องการ “ผู้นำทาง” ที่รู้ว่าคำถามอะไรที่สำคัญจริงๆ

สรุปง่ายๆ – จาก “คนที่รู้ tool” กลายเป็น “คนที่รู้ว่าจะใช้ tool เพื่ออะไร และตัดสินใจอะไรกับผลลัพธ์”
— ตรงนี้คือ shift ที่สำคัญที่สุดในอีก 5 ปีข้างหน้า

โอกาสใหม่ที่เกิดขึ้นเพราะ AI

เรื่องที่คนมักมองข้ามคือ AI ไม่ได้แค่ “แทนที่งาน” แต่มันยัง “สร้างงานใหม่” ด้วยครับ ลองดูตัวอย่างที่เห็นได้ชัดในตลาดแล้ว:

ตำแหน่ง AI Product Analyst — คนที่วิเคราะห์ว่า AI feature ในแอปทำงานได้ดีแค่ไหน, user ได้รับ value จริงไหม, หรือมี edge case อะไรที่ model พลาด ตำแหน่งนี้แทบไม่มีอยู่เมื่อ 3 ปีก่อน แต่ตอนนี้เป็นที่ต้องการมากในบริษัท tech

Data Quality Engineer ก็เป็นอีกบทบาทที่โตขึ้นมากเพราะ AI — ยิ่งองค์กรใช้ AI มากเท่าไหร่ ยิ่งต้องการคนที่ดูแล data pipeline ให้สะอาดและน่าเชื่อถือมากขึ้นเท่านั้น เพราะถ้า data เสีย AI ก็พัง

คำแนะนำ สำหรับคนที่เริ่มต้นหรืออยู่ในสาย Data ตอนนี้

ผมรู้ว่าหลายคนอ่านมาถึงตรงนี้แล้วรู้สึกว่า “ต้องเรียนอีกเยอะมากเลย”
ผมเข้าใจความรู้สึกนั้นครับ(แต่สาย Data ยังไงก็ต้องเรียนจริง มันจึง burnout ง่ายมากๆ) แต่ขอบอกตรงๆ ว่าไม่ต้องตื่นตระหนกขนาดนั้น

สิ่งที่สำคัญที่สุดตอนนี้ไม่ใช่การวิ่งไปเรียน certificate ใหม่ทุกอาทิตย์ แต่คือการ “รู้จักใช้ AI เป็น tool ในงานที่คุณทำอยู่” ลองใช้ AI ช่วย generate SQL แล้วดูว่ามันถูกต้องไหม ใช้ AI ช่วยสรุป insight แล้วดูว่าคุณเห็นด้วยไหม กระบวนการแบบนี้เองที่จะสอนคุณว่า AI เก่งเรื่องอะไรและพลาดเรื่องอะไรครับ

อีกอย่างคือ ลงทุนกับ “soft skills” ที่หลายคนมองข้าม โดยเฉพาะการนำเสนอและการตั้งคำถาม คนที่ถามคำถามที่ถูกต้องกับ stakeholder จะมีคุณค่ากว่าคนที่รู้ tool ทุกตัวในตลาดเสมอครับ

สรุป – อนาคตสายงาน Data ในยุค AI

• AI แทนที่งาน routine ได้ แต่ยังขาด business context และ critical thinking ที่มาจากประสบการณ์จริง
• งานที่จะโตคือบทบาทที่ต้องใช้ judgment — Strategist, Translator, Ethics, และ AI Workflow
• ทักษะที่ต้องพัฒนา: Critical Thinking, Storytelling, Prompt Engineering, และ Domain Knowledge
• AI ยังสร้างโอกาสงานใหม่ๆ
• ที่ไม่มีมาก่อน เช่น AI Product Analyst และ Data Quality Engineer
• กลยุทธ์ที่ดีที่สุดตอนนี้ คือเรียนรู้วิธี collaborate กับ AI ไม่ใช่แข่งกับมัน