ประเมินผลกันทั้งปี แต่หัวหน้าจำได้แค่สองเดือนสุดท้าย

บทความ · HR Management · การบริหารผลงาน

⬛ HR Insight

ประเมินผลกันทั้งปี แต่หัวหน้าจำได้แค่สองเดือนสุดท้าย

ถ้าอยากสร้างผลงานที่ดี ก็ต้องสร้างกันทั้งปี ไม่ใช่มาประเมินตอนปลายปี แล้วหวังว่าผลงานพนักงานจะดีขึ้น


เมื่อไม่นานมานี้ ผมมีโอกาสนั่งดูการประเมินผลปลายปีของลูกค้ารายหนึ่ง หัวหน้าฝ่ายเรียกลูกน้องเข้ามาคุยทีละคน คนละสิบห้านาที ผมนั่งฟังอยู่ด้วยสองสามคน แล้วก็เห็นว่าเรื่องที่หัวหน้าหยิบมาพูดกับลูกน้องเกือบทั้งหมด เป็นเรื่องที่เพิ่งเกิดในช่วงสองสามเดือนสุดท้ายของปีทั้งนั้น

พอมีจังหวะ ผมเลยถามหัวหน้าว่าแล้วงานที่ลูกน้องทำเมื่อต้นปี ช่วงมกรา กุมภา ยังจำได้ไหม เขาก็ยอมรับตรง ๆ ว่าจำไม่ค่อยได้แล้วครับ มันนานมาก ที่พอนึกออกก็มีแต่เรื่องหลัง ๆ

สุดท้ายคะแนนที่ลูกน้องคนนั้นได้ทั้งปี เลยมาจากความทรงจำแค่สองเดือนสุดท้ายเท่านั้นเอง

ปัญหาไม่ได้อยู่ที่ความจำของหัวหน้า

เวลาเจอเรื่องแบบนี้ หลายองค์กรคิดว่าต้องไปแก้ที่ฟอร์ม ทำสเกลคะแนนให้ละเอียดขึ้น เพิ่มช่องให้กรอกหลักฐานย้อนหลัง หรือไม่ก็ส่งหัวหน้าไปอบรมเรื่องการให้คะแนนให้เที่ยงตรงขึ้น

แต่ปัญหาจริงมันไม่ได้อยู่ที่ฟอร์มหรือความจำของหัวหน้าครับ มันอยู่ที่เราไปคาดหวังให้คนจำเรื่องทั้งปีได้ในการคุยครั้งเดียว ทั้งที่คนเราจำเรื่องล่าสุดได้ชัดกว่าเรื่องเก่าเสมอ นักจิตวิทยาเรียกอาการนี้ว่า recency bias คือการที่เราให้น้ำหนักกับสิ่งที่เพิ่งเกิดมากเกินจริง อันนี้ไม่ใช่ความบกพร่องของหัวหน้าคนไหนเป็นการส่วนตัว แต่เป็นเรื่องปกติของสมองคนเราทุกคน

พอรู้แบบนี้ คำถามที่ควรถามจึงไม่ใช่ว่าจะทำยังไงให้หัวหน้าจำได้แม่นขึ้น แต่คือทำไมเราถึงปล่อยให้ผลงานทั้งปีไปแขวนอยู่กับการคุยกันแค่ครั้งเดียว

สิ่งที่เราทำกันอยู่ มันคือการยกเอาการบริหารผลงานไปไว้เป็นงานปลายปีงานเดียว แต่ผลงานจริง ๆ ของคนไม่ได้เกิดตอนปลายปี มันเกิดทุกวัน ทุกสัปดาห์ ตลอดทั้งปี การเอาการคุยครั้งเดียวไปสรุปสิ่งที่เกิดมาทั้งปี มันเลยไม่มีทางสะท้อนความจริงได้ครบ

คุยบ่อย ไม่ได้แค่ทำให้ประเมินแม่นขึ้น

เรื่องนี้ไม่ได้กระทบแค่ความถูกต้องแม่นยำของการประเมินนะครับ Gallup เคยศึกษาไว้แล้วพบว่า เวลาหัวหน้าให้คำแนะนำกับลูกน้องบ่อย ๆ ในระดับรายสัปดาห์ แทนที่จะรอปีละครั้ง ลูกน้องมีแนวโน้มจะรู้สึกว่าได้รับคำแนะนำที่มีความหมายมากกว่าเดิมถึงห้าเท่า และรู้สึกผูกพันกับงานมากกว่าเดิมเกือบสามเท่า

ตัวเลขพวกนี้บอกว่าการคุยผลงานบ่อย ๆ ไม่ได้ช่วยแค่ให้ประเมินแม่นขึ้น แต่มันเปลี่ยนวิธีที่คนรู้สึกกับงานของตัวเองไปเลย เพราะคนเราไม่ได้อยากรู้ผลตอนจบเกมอย่างเดียว เราอยากรู้ระหว่างทางด้วยว่ากำลังไปถูกทางอยู่ไหม

เปลี่ยนจากงานปลายปี ให้เป็นจังหวะทั้งปี

กลับมาที่ลูกค้ารายเดิม สิ่งที่เราปรับไม่ใช่การไปรื้อฟอร์มประเมิน แต่คือการเปลี่ยนจังหวะ จากที่คุยกันปีละครั้ง มาเป็นนัดคุยสั้น ๆ ทุกเดือนหรือทุกไตรมาส ครั้งละไม่เกินสิบห้านาที ไม่ต้องมีฟอร์มอะไรให้ยุ่งยาก แค่หัวหน้ากับลูกน้องคุยกันสามเรื่อง คือเดือนที่ผ่านมามีอะไรที่ทำได้ดี มีอะไรที่ติดขัด แล้วเดือนหน้าจะโฟกัสอะไร คุยจบแล้วจดไว้สองสามบรรทัด

ทำแบบนี้ไปสักพัก พอถึงปลายปี การประเมินก็แทบไม่มีอะไรให้เซอร์ไพรส์แล้ว เพราะทุกเรื่องถูกพูดถึงกันมาตลอดทั้งปี หัวหน้าไม่ต้องมานั่งขุดความจำ เพราะมีบันทึกสั้น ๆ ของทุกเดือนอยู่แล้ว ลูกน้องก็ไม่ต้องมานั่งลุ้นว่าปลายปีจะโดนอะไร เพราะรู้สถานะตัวเองมาตลอด การประเมินปลายปีเลยเปลี่ยนจากการตัดสิน มาเป็นแค่การสรุปสิ่งที่รู้กันอยู่แล้ว

ที่สำคัญกว่านั้น การคุยกันระหว่างปีมันยังทันเวลาให้แก้ไข ถ้าลูกน้องหลงทางตั้งแต่ไตรมาสแรก การไปบอกเขาตอนปลายปีมันสายไปแล้ว เพราะเวลาที่จะแก้หมดไปทั้งปีแล้ว แต่ถ้าเราคุยกันตั้งแต่เดือนที่สอง เขายังมีเวลาอีกสิบเดือนในการปรับตัว และการปรับกันได้ตั้งแต่เนิ่น ๆ แบบนี้ ยังทำให้ลูกน้องมีโอกาสทำงานได้ถึงเป้าที่วางไว้มากกว่าการรอฟังทีเดียวตอนปลายปี ที่ต่อให้บอกไปก็ไม่เหลือเวลาให้แก้อะไรแล้ว


การบริหารผลงานที่ดีจึงไม่ใช่การหาเวลาที่เหมาะที่สุดในการตัดสินคนปีละครั้ง แต่คือการทำให้การคุยเรื่องผลงานเป็นเรื่องปกติที่เกิดได้ตลอดทั้งปี

ปลายปีคือเวลานับผล ไม่ใช่เวลาสร้างผล

เพราะการรอคุยเรื่องผลงานปีละครั้ง ก็ไม่ต่างอะไรกับการรอขึ้นชั่งน้ำหนักปีละหน แล้วหวังว่าตัวเลขมันจะลดลงเอง ทั้งที่สิ่งที่ทำให้น้ำหนักเปลี่ยนจริง ๆ คือสิ่งที่เราทำทุกวันระหว่างนั้นต่างหาก

แต่การจะคุยผลงานกันบ่อย ๆ ให้ได้ผลจริง มันมีเงื่อนไขหนึ่งที่ยากกว่าการนัดประชุม นั่นคือหัวหน้าต้องกล้าพูดเรื่องที่พูดยาก ซึ่งเป็นบทสนทนาที่หลายคนพยายามเลี่ยงมาตลอด เรื่องนี้ผมจะเล่าให้ฟังในบทต่อ ๆ ไปครับ

อ้างอิง: ผลของการให้คำแนะนำรายสัปดาห์เทียบกับรายปี (พนักงานรู้สึกว่าได้ฟีดแบ็กมีความหมายมากขึ้นราว 5 เท่า และผูกพันกับงานมากขึ้นเกือบ 3 เท่า) — Gallup; recency bias — หลักจิตวิทยาว่าด้วยการให้น้ำหนักกับสิ่งที่เพิ่งเกิดมากเกินจริง

โดย ประคัลภ์ ปัณฑพลังกูร | ที่ปรึกษาด้านการบริหารทรัพยากรบุคคล | Think People Consulting

AI อคติ หรือ คนใช้ AI กำลังมีอคติกันแน่

สวัสดีท่านผู้อ่านทุกท่าน

พักหลังมานี้ ผมเชื่อว่าหลายท่านเริ่มคุ้นเคยกับการใช้ AI อย่าง ChatGPT หรือเครื่องมือล้ำๆ มาช่วยทำงานกันมากขึ้นแล้วใช่ไหมครับ? บางคนเอามาช่วยร่างอีเมล บางคนเอามาช่วยวิเคราะห์ข้อมูล หรือแม้แต่ช่วยวางกลยุทธ์ธุรกิจ

เวลาเราพูดถึงปัญหาของ AI เรามักจะกังวลกันว่า “ข้อมูลที่ใช้สอน AI มันมีอคติ (Bias) หรือเปล่า?” ซึ่งนั่นก็ถูกครับ แต่มันเป็นแค่ยอดเขาน้ำแข็งเท่านั้นเอง เพราะจากบทความล่าสุดใน Harvard Business Review (โดย Grace Chang และ Heidi Grant) เขาชี้ให้เห็นประเด็นที่น่ากลัวกว่านั้น คือ “อคติในตัวเราเอง” (Cognitive Bias) นี่แหละครับที่กำลังเข้าไปบิดเบือนการทำงานของ AI ให้แย่ลงโดยที่เราไม่รู้ตัว

เรามาลองสำรวจกันครับว่า “อคติ” ของเรา เข้าไปแทรกซึมอยู่ในตอนไหนของการใช้ AI บ้าง?

1. อคติ “ก่อน” เริ่มสั่งงาน (Before Prompting)

บางครั้งเรามีกำแพงในใจตั้งแต่ยังไม่ได้เปิดแอปฯ เลยครับ

  • Halo & Horns Effect: อคติจากการ “เหมารวม”
    • Halo Effect มันคืออาการ “รักแล้วรักเลย” ครับ ถ้าเราเคยใช้ AI ทำงานบางอย่างแล้วมันออกมาดีมาก เช่น ให้ช่วยเขียนโค้ดหรือร่างคำกล่าวเปิดงานแล้วดูเป็นมืออาชีพสุดๆ เราจะเริ่ม “ลำเอียง” และเชื่อมั่นว่า AI ตัวนี้เก่งไปหมดทุกเรื่อง จนลืมตรวจสอบความถูกต้องเมื่อเอามันไปใช้ในงานที่มันไม่ถนัด (เช่น งานที่ต้องใช้ความเห็นอกเห็นใจคนจริงๆ) เราจะหลับหูหลับตาเชื่อคำตอบของมันจนอาจเกิดความผิดพลาดได้
    • Horns Effect ตรงกันข้ามครับ คืออาการ “ฝังใจกับเรื่องแย่ๆ” ถ้าเราเคยเจอ AI “มั่ว” ข้อมูลครั้งหนึ่ง หรือได้ยินข่าวลบๆ เช่น งานวิจัยจาก MIT ที่บอกว่าคนใช้ AI เขียนเรียงความแล้วสมองทำงานลดลง หรือข่าวทนายความที่ถูกลงโทษเพราะใช้ AI อ้างอิงคดีที่ไม่มีอยู่จริง เราจะเกิดอาการ “เข็ดขยาด” จนปฏิเสธการใช้ AI ไปเลย ทั้งที่ในบางงานมันอาจจะเป็นผู้ช่วยที่ยอดเยี่ยมและช่วยให้ทีมงานทำงานได้เร็วขึ้นหลายเท่าตัว
    • ข้อเตือนใจสำหรับผู้นำ ถ้าคนในทีมของคุณแอนตี้ AI หรือในทางกลับกันคือเชื่อ AI มากจนไม่ใช้สมองตัวเอง ลองเช็คดูนะครับว่าเขากำลังติดกับดัก Halo หรือ Horns Effect นี้อยู่หรือเปล่า
  • Confirmation Bias (อคติยืนยันตัวเอง) อันนี้คือตัวแสบ ที่พบได้บ่อยที่สุดเลยครับ มันคือการที่เรามีความเชื่อหรือมีคำตอบในใจอยู่แล้ว แล้วเราก็พยายามใช้ AI มาเป็นเครื่องมือเพื่อหาเหตุผลสนับสนุนสิ่งที่เราเชื่อ โดยมองข้ามข้อมูลด้านอื่นไปอย่างสิ้นเชิง
    • ตัวอย่างเช่น ถ้าคุณเป็นหัวหน้าที่เชื่อว่าพนักงานคนหนึ่งทำงานแย่เพราะความขี้เกียจ คุณอาจจะสั่ง AI ว่า “ช่วยร่างอีเมลเตือนพนักงานที่ไม่มีความรับผิดชอบและชอบอู้งานหน่อย” แทนที่จะถามแบบเป็นกลางว่า “ปัจจัยอะไรบ้างที่ทำให้พนักงานคนหนึ่งมีประสิทธิภาพการทำงานลดลง?”
    • ผลเสียคือ AI จะช่วยคุณสร้างเหตุผลและข้อความที่ตอกย้ำว่าเขาขี้เกียจ ทั้งที่จริงๆ แล้วเขาอาจจะกำลังป่วย มีปัญหาทางบ้าน หรือระบบงานในบริษัทมีปัญหา ซึ่งถ้าคุณตั้งโจทย์ผิดแต่แรกเพราะอคติ AI ก็จะช่วยคุณแก้ปัญหาผิดจุด และอาจลุกลามจนกลายเป็นความไม่เป็นธรรมในที่ทำงานได้ครับ

2. อคติในระหว่างการสั่งงาน (During Prompting)

วิธีที่เรา “ตั้งคำถาม” หรือ Prompt นั่นแหละครับคือตัวดี

  • Leading Question Bias เรามักจะถามนำ เช่น “ทำไมแผนการตลาดนี้ถึงดีที่สุด?” AI ก็จะทำหน้าที่เป็น ลูกน้องที่แสนดี หาแต่ข้อสนับสนุนมาให้เรา จนเราลืมนึกถึงความเสี่ยงหรือข้อเสียไปเลย
  • Expediency Bias ยุคนี้อะไรก็ต้องเร็ว พอ AI พ่นคำตอบแรกออกมา เราก็มักจะมองว่า “เอาล่ะ แค่นี้ก็ดีพอแล้ว (Good enough)” แล้วก็ก๊อปปี้ไปใช้ทันทีโดยไม่ได้ตรวจสอบความถูกต้องหรือความสมเหตุสมผลอย่างจริงจัง

3. อคติหลังจากที่ได้ผลลัพธ์ออกมาแล้ว (After Prompting)

แม้จะได้คำตอบมาแล้ว แต่อคติก็ยังตามมาหลอกหลอนครับ

  • Endowment Effect ถ้าเราใช้ความพยายามอย่างมากในการปั้น Prompt จนได้ผลงานชิ้นนี้ออกมา เราจะรู้สึกรัก และ หวงแหนผลงานชิ้นนี้มากเป็นพิเศษ จนไม่ยอมรับฟังคำวิจารณ์จากคนอื่น หรือไม่ยอมปรับปรุงทั้งที่มีทางเลือกที่ดีกว่า
  • Framing Effect (อคติจากการตีกรอบ) เรื่องนี้คือการที่ วิธีการเล่ามีผลต่อการตัดสินใจมากกว่า ตัวเนื้อหา เสียอีกครับ แม้ข้อมูลจะเหมือนกันเป๊ะ แต่ถ้าเราเลือกนำเสนอในมุมที่ต่างกัน ความรู้สึกของคนที่ฟังก็ต่างกันคนละโลกเลย
    • ตัวอย่าง: สมมติคุณให้ AI ช่วยสรุปผลสำรวจความพึงพอใจของลูกค้า แล้ว AI บอกว่า “มีลูกค้า 80% ที่ชอบฟีเจอร์ใหม่นี้”
      • ถ้าคุณอยากขายโปรเจกต์ต่อ คุณจะรายงานว่า: “ข่าวดีครับ! ลูกค้าส่วนใหญ่ถึง 80% แฮปปี้กับฟีเจอร์ใหม่มาก เราควรลุยต่อครับ” (ตีกรอบที่ความสำเร็จ)
      • แต่ถ้าคุณ ไม่อยากทำต่อ คุณจะรายงานว่า: “ยังมีลูกค้าอีกตั้ง 20% ที่ไม่โอเคกับเรื่องนี้นะครับ เรายังมีความเสี่ยงอยู่มาก” (ตีกรอบที่ความล้มเหลว)
    • จุดที่ต้องระวัง AI อาจจะให้ข้อมูลที่ เป็นกลาง มาให้ (เช่น ตัวเลข 80/20) แต่ความอันตรายอยู่ที่ คนใช้ครับ ถ้าเรามีอคติอยู่แล้ว เราจะเลือกหยิบ AI มาช่วยเขียนสรุปในทางที่เข้าข้างความคิดตัวเอง เพื่อโน้มน้าวคนอื่นให้หลงเชื่อตามกรอบที่เราวางไว้ ซึ่งอาจทำให้ทีมตัดสินใจพลาดได้ครับ

เราจะ “แก้เกม” อคติเหล่านี้ได้อย่างไร?

การบริหารจัดการ AI ไม่ใช่แค่เรื่องทางเทคนิคครับ แต่เป็นเรื่องของการ บริหารความคิด ของเราด้วย ผมมี 3 แนวทางที่น่าสนใจมาฝากครับ

1. ฝึกหยุด และ วิเคราะห์ (Interrupt Automatic Thinking) เวลาจะตัดสินใจอะไรสำคัญ ๆ อย่าใช้ความรู้สึกแรกครับ ให้หยุดชั่วครู่เพื่อกระตุ้นสมองส่วนหน้า (Prefrontal Cortex) ให้ทำงาน ลองตั้งคำถามกับตัวเองว่า “เรามีสมมติฐานที่แสดงถึงอคติในเรื่องนี้ที่ซ่อนอยู่หรือเปล่า?” หรือลองมองปัญหาในมุมของคนนอกดูบ้าง

2. ใช้ AI ให้เป็น Devil’s Advocate แทนที่จะให้ AI ช่วยอวยเรา ลองสั่งให้มัน “จับผิด” เราดูบ้างครับ เช่น

  • “ช่วยวิจารณ์แผนงานนี้ในมุมมองของคู่แข่งหน่อย”
  • “ช่วยบอกข้อโต้แย้งที่อาจจะเกิดขึ้นถ้าผมนำเสนอเรื่องนี้”

3. สร้างระบบตรวจสอบในทีม (Build Systems) ถ้าเราทำคนเดียวอาจจะพลาด ลองใช้เทคนิคอย่าง Pre-mortem (จินตนาการว่าถ้าโครงการนี้เจ๊ง มันจะเจ๊งเพราะอะไร?) หรือการกำหนดให้มีคนในทีมทำหน้าที่เป็นคนคอยคัดค้าน (Devil’s Advocate) เพื่อเช็คความรอบคอบก่อนตัดสินใจ

สรุปส่งท้าย

AI คือเครื่องทุ่นแรงที่ยอดเยี่ยมครับ แต่อย่าปล่อยให้มันเป็น เครื่องขยายอคติของเรา ในฐานะผู้นำหรือคนทำงานมืออาชีพ เราต้องเป็นคนกุมบังเหียน AI ด้วย “การคิดเชิงวิพากษ์” (Critical Thinking) เสมอ

ใช้ AI ให้เป็นพาร์ทเนอร์ที่คอยท้าทายความคิดเรา ไม่ใช่แค่เครื่องมือที่คอยพยักหน้าเออออไปกับอคติของเรานะครับ

แล้วพบกันใหม่บทความหน้าครับ

Stereotype Bias เมื่อการเหมารวมปิดกั้นศักยภาพคนทำงาน

เคยไหมครับ…เราเจอใครสักคนครั้งแรก แล้วตัดสินเขาทันทีจากสิ่งที่เรา “เคยได้ยินมา” โดยที่ยังไม่ได้รู้จักเขาจริง ๆ เช่น

  • “ผู้หญิงขับรถไม่เก่ง”
  • “เด็กจบใหม่ใจร้อน ไม่อดทน”
  • “คนอายุมากแล้วคงใช้เทคโนโลยีไม่เป็น”
อ่านเพิ่มเติม “Stereotype Bias เมื่อการเหมารวมปิดกั้นศักยภาพคนทำงาน” →

Conformity Bias เมื่อเสียงส่วนใหญ่ทำให้เราเอนเอียง

เคยไหมครับ…เวลาอยู่ในที่ประชุม ทีมงานหรือเพื่อนร่วมงานทุกคนต่างพยักหน้าตามความเห็นของหัวหน้า หรือเห็นด้วยกับไอเดียที่ถูกเสนอออกมา แม้ในใจเราจะรู้สึกว่า “อันนี้ไม่เวิร์ก” แต่กลับเลือกที่จะเงียบ ไม่กล้าแสดงความเห็นต่าง เพราะไม่อยากให้ใครมองว่าเราเป็นคนขวางโลก

หรือในสังคมมองว่าเรื่องนี้ถูกทั้ง ๆ ที่ยังไม่ได้พิสูจน์ เราก็เลยเชื่อไปตามคนส่วนใหญ่ ทั้ง ๆ ที่ลึก ๆ แล้วเราอาจจะรู้สึกว่ามันยังไม่ใช่ก็ตาม

อ่านเพิ่มเติม “Conformity Bias เมื่อเสียงส่วนใหญ่ทำให้เราเอนเอียง” →

Unconscious Bias ความลำเอียงในแบบที่เราไม่รู้ตัว: Confirmation Bias

เราเคยสังเกตไหมว่า…บางครั้งเราตัดสินคนหรือสถานการณ์อย่างรวดเร็ว โดยแทบไม่ได้คิดไตร่ตรอง? เช่น เวลาสัมภาษณ์งาน เราอาจรู้สึกชอบผู้สมัครทันทีเพียงเพราะเขาพูดจาคล้ายเรา เรียนมหาวิทยาลัยเดียวกัน หรือแต่งกายถูกใจ ทั้งที่ยังไม่ได้ดูผลงานจริงเลย นี่คือตัวอย่างเล็ก ๆ ของสิ่งที่เรียกว่า “อคติที่ไม่รู้ตัว” (Unconscious Bias)

อ่านเพิ่มเติม “Unconscious Bias ความลำเอียงในแบบที่เราไม่รู้ตัว: Confirmation Bias” →

บลอกที่ WordPress.com .

ขึ้น ↑