การมี AI มากเกินไปเป็นเรื่องจริง นี่คือสิ่งที่เกิดขึ้นในสมองของคุณ

มีบางอย่างเปลี่ยนไปในปี 2024 จำนวนคนที่บรรยายถึงความเหนื่อยล้าทางจิตใจในรูปแบบเฉพาะ — ไม่ถึงกับหมดไฟ ไม่ถึงกับข้อมูลล้นหลาม แต่เป็นอะไรที่อยู่ระหว่างกลางของทั้งสองอย่าง — เพิ่มขึ้นอย่างรวดเร็ว คำบรรยายมีความสอดคล้องกัน: ความรู้สึกอิ่มตัวทางจิตใจ ความยากลำบากในการคิดอย่างอิสระ ความอดทนที่ลดลงต่อความไม่แน่นอน และการพึ่งพาเครื่องมือ AI ที่ทำให้การคิดรู้สึกยากขึ้น ไม่ใช่ทำให้ง่ายขึ้น

นี่ไม่ใช่ความกลัวเทคโนโลยีหรือความคิดถึง มันสะท้อนถึงพลศาสตร์ทางประสาทที่แท้จริงซึ่งสามารถคาดเดาได้จากสิ่งที่เรารู้เกี่ยวกับวิธีที่สมองประมวลผลข้อมูล รักษาฟังก์ชันการคิด และตอบสนองต่อความช่วยเหลือที่มีอยู่เสมอ นี่คือสิ่งที่เกิดขึ้น — และหลักฐานชี้ให้เห็นเกี่ยวกับการจัดการกับมัน

สภาพแวดล้อมทางปัญญาใหม่

ตั้งแต่ปี 2025 คนทำงานด้านความรู้ในอุตสาหกรรมส่วนใหญ่มีปฏิสัมพันธ์กับเครื่องมือ AI — ChatGPT, Copilot, Gemini, Claude และเครื่องมือเฉพาะทางอีกหลายสิบตัว — หลายครั้งต่อวัน ผู้ใช้เฉลี่ยส่งคำถามหลายสิบคำถามต่อวัน เนื้อหาที่สร้างโดย AI ตอนนี้คิดเป็นส่วนแบ่งที่สำคัญในร่างอีเมล สรุปการประชุม โค้ด เอกสารที่เขียน และผลการค้นหา

นี่คือสภาพแวดล้อมทางความคิดที่ใหม่จริงๆ เป็นครั้งแรกในประวัติศาสตร์ที่งานทางความคิดจำนวนมากที่เคยต้องใช้ความพยายามอย่างต่อเนื่อง — เช่น การร่าง, การสรุป, การค้นหา, การวางแผน, การแก้ไขข้อผิดพลาด — สามารถทำได้เกือบจะทันที คำถามคือสิ่งนี้จะส่งผลต่อสมองอย่างไรในระยะยาว

คำตอบตามสิ่งที่เรารู้เกี่ยวกับการทำงานของสมองและภาระทางความคิดนั้นซับซ้อนกว่าทั้งเวอร์ชันที่มองโลกในแง่ดี (AI ขยายความสามารถของมนุษย์) หรือเวอร์ชันที่มองโลกในแง่ร้าย (AI ทำให้ความสามารถของมนุษย์ลดลง) ทั้งสองอย่างกำลังเกิดขึ้นในรูปแบบที่แตกต่างกันสำหรับประเภทของการคิดที่แตกต่างกัน

ทำไมเครื่องมือ AI ถึงสามารถเพิ่มภาระทางความคิดแทนที่จะลดมัน

ความเข้าใจโดยสัญชาตญาณคือการมอบหมายงานให้ AI จะช่วยลดภาระทางจิตใจ ในบางแง่มันก็จริง แต่การวิจัยเกี่ยวกับทฤษฎีภาระทางจิต (Sweller, 1988) แยกแยะระหว่าง <em>ภาระในตัว</em> (ความซับซ้อนของงานเอง), <em>ภาระที่ไม่เกี่ยวข้อง</em> (ความต้องการทางจิตที่เกิดจากวิธีการนำเสนอของงาน), และ <em>ภาระที่เกี่ยวข้อง</em> (ความพยายามทางจิตที่ช่วยสร้างความเข้าใจและทักษะ)

เครื่องมือ AI ช่วยลดภาระในตัวและภาระที่เกี่ยวข้อง — พวกเขาจัดการงานที่ต้องใช้ความพยายามและสร้างการเรียนรู้ แต่พวกเขามักจะ <em>เพิ่ม</em>ภาระที่ไม่เกี่ยวข้อง: การประเมินผลลัพธ์ของ AI ว่าถูกต้องหรือไม่, การรวมชิ้นงานที่สร้างโดย AI หลายชิ้นให้เป็นงานที่สอดคล้องกัน, การจัดการบริบทข้ามเครื่องมือหลายตัว, การตัดสินใจว่าจะมอบหมายอะไรและจะทำอะไรด้วยตัวเอง, และการรักษาการดูแลกระบวนการของ AI เหล่านี้เป็นความต้องการทางจิตใหม่ที่ไม่เคยมีมาก่อน

ผลลัพธ์สำหรับหลายคนคือความขัดแย้ง: ผลลัพธ์มากขึ้น แต่ความเหนื่อยล้าทางจิตใจมากขึ้น งานรู้สึกเบาขึ้นในช่วงเวลาที่เป็นรายบุคคล แต่กลับเหนื่อยล้ามากขึ้นตลอดทั้งวัน นี่สอดคล้องกับการวิจัยเกี่ยวกับ <em>ความเหนื่อยล้าจากการตัดสินใจ</em> — ค่าใช้จ่ายสะสมจากการตัดสินใจเล็กน้อยหลายครั้งจะใช้ทรัพยากรในส่วนหน้าของสมองเหมือนกับการตัดสินใจใหญ่เพียงไม่กี่ครั้ง

การทำงานที่ใช้ AI ช่วยเพิ่มจำนวนการตัดสินใจเล็กๆ น้อยๆ อย่างมาก: ยอมรับคำแนะนำนี้, ปฏิเสธอันนั้น, แก้ไขย่อหน้านี้, ถามคำสั่งนั้นใหม่ ทุกการตัดสินใจเกิดขึ้นอย่างรวดเร็ว แต่ภาระรวมจากการตัดสินใจเล็กๆ น้อยๆ หลายร้อยครั้งในแต่ละวันนั้นมีนัยสำคัญ

ปริศนาแห่งการทำงานอัตโนมัติและการเสื่อมถอยของทักษะ

มีปรากฏการณ์ที่ได้รับการบันทึกไว้อย่างดีในด้านการออกแบบและการศึกษาปัจจัยมนุษย์ที่เรียกว่า <em>ปริศนาแห่งการทำงานอัตโนมัติ</em> หรือ <em>ความย้อนแย้งของการทำงานอัตโนมัติ</em> (Bainbridge, 1983): เมื่อการทำงานอัตโนมัติจัดการกับงานประจำ มนุษย์ที่ทำงานจะมีทักษะที่ลดลงสำหรับสถานการณ์ที่ไม่เป็นประจำ นักบินที่พึ่งพาโหมดอัตโนมัติในการบินส่วนใหญ่จะแสดงทักษะการควบคุมด้วยมือที่ลดลง แพทย์รังสีที่ใช้เครื่องมือวินิจฉัย AI จะมีอัตราการตรวจจับที่ลดลงเมื่อ AI พลาดบางอย่าง

พลศาสตร์เดียวกันนี้ใช้ได้กับการทำงานด้านความคิด การเขียน การวิเคราะห์ปัญหา การวางแผน และการสร้างสรรค์เป็นทักษะที่พัฒนาขึ้นจากการฝึกฝนและจะเสื่อมถอยหากไม่ได้ฝึกฝน เมื่อ AI จัดการกับร่างแรก การสังเคราะห์ หรือการใช้เหตุผลอย่างมีโครงสร้าง เส้นทางความคิดเหล่านั้นจะได้รับการฝึกฝนลดลง ความกังวลไม่ได้รุนแรง — มันไม่ได้หมายความว่าคนจะลืมวิธีคิด — แต่การเสื่อมถอยอย่างค่อยเป็นค่อยไปของทักษะที่ฝึกฝนมานั้นส่งผลให้เกิดการเปลี่ยนแปลงที่แท้จริงในความสามารถด้านความคิดและความมั่นใจในระยะยาว

นี่แตกต่างจากการที่แค่มีการฝึกฝนในการพิมพ์ด้วยดินสอ การเขียน — การสร้างสรรค์จริง ๆ ไม่ใช่การบอกหรือการแก้ไข — จะเกี่ยวข้องกับการทำงานของความจำระยะสั้น การจัดระเบียบแนวคิด และการคิดอย่างสะท้อนในวิธีที่การตรวจสอบและการแก้ไขผลลัพธ์จาก AI ไม่สามารถทำซ้ำได้อย่างเต็มที่ การทำงานด้านความคิดในการสร้างสรรค์นั้นเป็นการสร้างสรรค์; การทำงานด้านความคิดในการแก้ไขนั้นเป็นการประเมิน ทั้งสองมีคุณค่า; พวกเขาไม่สามารถเปลี่ยนที่กันได้

ชั้นของการแตกแยกความสนใจ

นอกจากภาระทางความคิดและการเสื่อมสภาพของทักษะแล้ว เครื่องมือ AI ยังเพิ่มความซับซ้อนในการแบ่งความสนใจในสภาพแวดล้อมที่เต็มไปด้วยการรบกวนอยู่แล้ว ทุกๆ อินเทอร์เฟซแชท, ผู้ช่วยการเขียนโค้ด, และเครื่องมือการเขียนล้วนเป็นแหล่งที่อาจทำให้เกิดการรบกวน — คำถามที่ต้องสร้าง, ผลลัพธ์ที่ต้องตรวจสอบ, การติดตามผลที่ต้องปรับปรุง.

เปลือกสมองส่วนหน้าซึ่งจัดการกับความสนใจที่ยั่งยืนและฟังก์ชันการบริหารจัดการ ไม่สามารถแยกแยะระหว่างการรบกวนที่เกิดจากมนุษย์และการรบกวนที่เกิดจาก AI งานวิจัยเกี่ยวกับค่าใช้จ่ายในการเปลี่ยนงาน (Rubinstein et al., 2001) แสดงให้เห็นว่าการเปลี่ยนจากงานหนึ่งไปอีกงานหนึ่ง — แม้จะเป็นช่วงเวลาสั้นๆ — จะมีผลกระทบทางความคิดที่สะสมตลอดทั้งวัน การเพิ่มเครื่องมือ AI หลายๆ ตัวในสภาพแวดล้อมการทำงานที่มีการรบกวนอยู่แล้วทำให้สถานการณ์แย่ลงโดยที่หลายคนไม่รู้ตัวว่าเป็นสาเหตุของความเหนื่อยล้าของพวกเขา.

ความขัดแย้งคือ เครื่องมือ AI มักถูกนำมาใช้เพื่อลดภาระทางความคิด แต่การเพิ่มเครื่องมือใหม่ๆ, อินเทอร์เฟซใหม่ๆ, และจุดตัดสินใจใหม่ๆ มักจะเพิ่มความต้องการทางความคิดโดยรวมแทนที่จะลดลง — อย่างน้อยก็จนกว่าเครื่องมือเหล่านั้นจะถูกบูรณาการอย่างเพียงพอเพื่อให้สามารถจัดการได้โดยอัตโนมัติแทนที่จะต้องคิดอย่างรอบคอบ.

จะทำอะไรได้บ้างเกี่ยวกับเรื่องนี้

<strong>แยกแยะระหว่างการลดภาระและการโอนภาระ.</strong> ไม่ใช่การช่วยเหลือจาก AI ทุกอย่างจะมีผลต่อการคิดเหมือนกัน การใช้ AI เพื่อจัดการกับงานที่มีคุณค่าต่ำจริงๆ (การจัดรูปแบบ, ข้อความทั่วไป, การค้นหาที่ทำซ้ำ) จะช่วยลดภาระโดยไม่ต้องใช้ทักษะมากนัก การใช้ AI เพื่อจัดการกับการคิดที่คุณต้องการรักษาทักษะไว้ — การเขียนที่ซับซ้อน, การวิเคราะห์ที่มีเหตุผล, การแก้ปัญหาเชิงสร้างสรรค์ — จะช่วยลดภาระแต่มีค่าใช้จ่ายในด้านความสามารถที่ฝึกฝนมา การตั้งใจให้ชัดเจนว่าแต่ละการใช้งานอยู่ในหมวดไหนคือจุดเริ่มต้น.

<strong>ปกป้องเวลาคิดอย่างอิสระ.</strong> ทักษะการคิดที่เสี่ยงที่สุดจากการพึ่งพา AI คือทักษะที่ควรค่าแก่การรักษา: การใช้เหตุผลอย่างอิสระ, การเขียนอย่างต่อเนื่อง, การวางแผนที่ซับซ้อน การฝึกฝนทักษะเหล่านี้โดยไม่มีความช่วยเหลือจาก AI — ในช่วงเวลาที่กำหนด, กับงานที่สำคัญ — ไม่ใช่การกลัวเทคโนโลยี; แต่มันคือหลักการเดียวกับการที่ศัลยแพทย์ฝึกทักษะด้วยมือแม้ว่าจะมีเครื่องมือหุ่นยนต์ให้ใช้.

<strong>ลดจำนวนเครื่องมือ AI ที่ใช้งานอยู่.</strong> ค่าใช้จ่ายทางปัญญาของการจัดการกับ AI ห้าตัวที่แตกต่างกันสูงกว่าการจัดการกับตัวที่เลือกมาอย่างดีเพียงตัวเดียว การมีเครื่องมือ AI มากเกินไปสร้างปัญหาการกระจายความสนใจในลักษณะเดียวกับการมีแอปและการแจ้งเตือนมากมาย การรวมกลุ่มช่วยลดภาระทางปัญญาที่ไม่จำเป็น.

<strong>ใช้หลักการเดียวกันกับการดูแลสุขภาพดิจิทัลทั่วไป.</strong> การพึ่งพา AI มากเกินไปเป็นรูปแบบเฉพาะของปัญหาที่กว้างขึ้นที่ Unwire แก้ไข: สภาพแวดล้อมทางปัญญาที่ต้องการมากกว่าที่จะให้, การกระจายความสนใจที่ทำให้หมดพลังโดยไม่เติมเต็ม, และการกระตุ้นที่พร้อมใช้งานตลอดเวลาที่ทำให้รู้สึกว่าการตัดการเชื่อมต่อนั้นเป็นไปไม่ได้ การแทรกแซงมีความสอดคล้อง: ช่วงเวลาที่กำหนดในการพัก, การออกแบบสิ่งแวดล้อมที่จำกัดการมีปฏิสัมพันธ์กับ AI ที่อยู่รอบตัว, และเวลาฟื้นฟูเป็นประจำที่สมองไม่ได้ถูกชี้นำ.

มุมมองระยะยาว

การนำ AI เข้ามาใช้ในงานด้านความรู้จะไม่ย้อนกลับ คำถามคือแต่ละคนจะนำทางในสภาพแวดล้อมที่ถูกออกแบบมาเพื่อการมีส่วนร่วมสูงสุดและการขัดข้องน้อยที่สุดได้อย่างไร — และสิ่งนี้จะส่งผลต่อสุขภาพทางปัญญาในระยะยาวมากกว่าระยะสั้นอย่างไร

งานวิจัยเกี่ยวกับสุขภาพดิจิทัลโดยรวมชี้ให้เห็นว่าผู้ที่สามารถจัดการกับสภาพแวดล้อมที่มีเทคโนโลยีสูงได้ดีที่สุดไม่ใช่คนที่ใช้เครื่องมือมากที่สุดหรือน้อยที่สุด แต่เป็นคนที่สามารถควบคุมความสนใจของตัวเองได้อย่างตั้งใจ: เมื่อไหร่ที่พวกเขาพร้อมให้เข้าถึง, เมื่อไหร่ที่ไม่, สิ่งที่พวกเขามอบหมายให้คนอื่นทำ, และสิ่งที่พวกเขาเก็บรักษาไว้.

การรักษาความตั้งใจนี้ทำได้ยากกว่าในสภาพแวดล้อมที่เต็มไปด้วย AI มากกว่าที่จะเป็นแค่สภาพแวดล้อมที่มีสมาร์ทโฟน แต่หลักการพื้นฐาน — ปกป้องความสามารถในการคิดอย่างอิสระ, ฟื้นฟูสมองให้กลับสู่สภาพปกติด้วยการพักผ่อนที่แท้จริง, และออกแบบสภาพแวดล้อมของคุณแทนที่จะตอบสนองต่อมัน — ยังคงเหมือนเดิม.

Sources

1. Sweller, J. (1988). Cognitive load during problem solving: effects on learning. Cognitive Science, 12(2), 257–285.
2. Bainbridge, L. (1983). Ironies of automation. Automatica, 19(6), 775–779.
3. Rubinstein, J.S., et al. (2001). Executive control of cognitive processes in task switching. Journal of Experimental Psychology: Human Perception and Performance, 27(4), 763–797.
4. Wiehler, A., et al. (2022). A neuro-metabolic account of why daylong cognitive work alters the control of economic decisions. Current Biology, 32(16), 3564–3575.
5. Baumeister, R.F., et al. (1998). Ego depletion: is the active self a limited resource? Journal of Personality and Social Psychology, 74(5), 1252–1265.