7 ข้อผิดพลาดของการสรรหาพนักงาน AI และวิธีแก้ไข

ความต้องการ AI Talent พุ่งสูง แต่อัตราความสำเร็จในการสรรหากลับต่ำกว่าที่ควรจะเป็น บริษัทจำนวนมากใช้เวลาหลายเดือน เสียงบประมาณ และยังไม่ได้คนที่ต้องการ

ปัญหาส่วนใหญ่ไม่ได้เกิดจากความขาดแคลนของ AI Talent ในตลาด แต่เกิดจาก ข้อผิดพลาดที่หลีกเลี่ยงได้ ในกระบวนการสรรหา บทความนี้รวบรวม 7 ข้อผิดพลาดที่พบบ่อยที่สุด และวิธีแก้ไข

ให้ Professional One ช่วยออกแบบกระบวนการสรรหาที่ถูกต้อง →

ข้อผิดพลาดที่ 1: เขียน Job Description แบบ “อยากได้ทุกอย่าง”

ปัญหา

JD ที่ต้องการ Python, R, TensorFlow, PyTorch, Spark, Docker, Kubernetes, Cloud, SQL, NoSQL, MLOps พร้อม 5 ปีประสบการณ์ ในตำแหน่งที่เสนอเงินเดือน 50,000 บาท ไม่ได้ดึงดูดคนดี — กลับทำให้ผู้สมัครที่มีคุณสมบัติจริงไม่ยอมสมัคร เพราะรู้ว่าเป็นไปไม่ได้

วิธีหลีกเลี่ยง

แยกทักษะออกเป็น “Must Have” และ “Nice to Have” อย่างชัดเจน กำหนด Must Have ให้น้อยที่สุดเท่าที่จำเป็น และเปิดใจรับคนที่มีทักษะ 70–80% แล้วเรียนรู้เพิ่มเติมได้

ตัวอย่าง JD ที่ดี:

• Must Have: Python, ML fundamentals, SQL, ประสบการณ์ Production อย่างน้อย 2 ปี
• Nice to Have: Cloud experience, MLOps, domain knowledge ในอุตสาหกรรมที่เกี่ยวข้อง

ข้อผิดพลาดที่ 2: เสนอเงินเดือนต่ำกว่าตลาดอย่างมีนัยสำคัญ

ปัญหา

หลายองค์กรยังใช้ Salary Band เดิมจากยุคก่อน AI Boom โดยไม่ได้ Update ให้สอดคล้องกับตลาดปัจจุบัน AI Talent ที่มีทักษะจริงรู้ราคาตัวเองดี และมี Reference จากหลายแหล่ง ข้อเสนอที่ต่ำเกินไปจะทำให้เสียคนไปก่อนถึงรอบ Final

ข้อมูลตลาด (ปี 2025–2026):

• Data Scientist Mid-level: 60,000–100,000 บาท/เดือน
• ML Engineer Senior: 120,000–200,000+ บาท/เดือน
• AI Engineer Mid-level: 65,000–110,000 บาท/เดือน

วิธีหลีกเลี่ยง

ทำ Salary Benchmarking ก่อนเริ่มสรรหาทุกครั้ง และ Align Budget ให้อยู่ใน Range ตลาด ถ้างบจำกัดจริง ต้องชดเชยด้วย Non-monetary Benefits ที่ AI Talent ให้ความสำคัญ เช่น Learning Budget, Remote Work, และโอกาสทำงานกับ Technology ที่น่าสนใจ

อ้างอิง: ข้อมูลเงินเดือน AI Talent ในไทย จาก Glassdoor / Jobsdb

ข้อผิดพลาดที่ 3: กระบวนการสัมภาษณ์ยาวเกินไปและไม่มีโครงสร้าง

ปัญหา

กระบวนการสัมภาษณ์ที่มี 5–6 รอบ ใช้เวลา 6–8 สัปดาห์ และมีผู้สัมภาษณ์หลายสิบคนจากต่างฝ่าย ทำให้ผู้สมัครที่ดีที่สุดถอนตัวก่อนถึงรอบสุดท้าย เพราะได้รับ Offer จากที่อื่นไปแล้ว

วิธีหลีกเลี่ยง

ออกแบบกระบวนการสัมภาษณ์ที่กระชับใน 3–4 รอบ สูงสุด:

1. รอบที่ 1 — HR Screen (30 นาที): Background, Motivation, Salary expectation
2. รอบที่ 2 — Technical Assessment: Take-home หรือ Live Coding ที่ใช้เวลาไม่เกิน 2–3 ชั่วโมง
3. รอบที่ 3 — Panel Interview กับ Hiring Manager และ Technical Lead (60–90 นาที)
4. รอบที่ 4 (ถ้าจำเป็น) — Final Interview กับ Senior Leadership

ตั้งเป้าให้กระบวนการทั้งหมดเสร็จภายใน 3–4 สัปดาห์

ข้อผิดพลาดที่ 4: ไม่มีคนในทีมที่ประเมินทักษะ Technical ได้

ปัญหา

HR ที่เก่งมากแต่ไม่มีความรู้ด้าน AI ไม่สามารถแยกแยะระหว่างผู้สมัครที่ “พูดได้” กับที่ “ทำได้จริง” ผลคือผ่าน CV คนที่ใช้ Buzzword เก่งแต่ทักษะจริงต่ำ และกรองออกคนที่อธิบายตัวเองไม่เก่งแต่ฝีมือดีมาก

วิธีหลีกเลี่ยง

มีสองทางคือ:

• ดึง Technical Expert ในองค์กร เช่น CTO หรือ Tech Lead เข้ามาในกระบวนการตั้งแต่ต้น ให้ออกแบบ Technical Assessment และอยู่ในรอบ Interview
• ใช้บริษัทสรรหาที่มีผู้เชี่ยวชาญด้าน AI มาทำ Technical Screening เบื้องต้น เพื่อลด Load ของทีม Technical ภายใน

ข้อผิดพลาดที่ 5: จ้างตามทักษะ Tech Stack แทนที่จะจ้างตาม Problem-Solving Ability

ปัญหา

หลายองค์กรยึดติดกับ Tech Stack เฉพาะ เช่น “ต้องใช้ TensorFlow เท่านั้น” หรือ “ต้องรู้ Spark” ทั้งที่ ML Engineer ที่เก่งจริงเรียนรู้เครื่องมือใหม่ได้ในเวลาไม่นาน สิ่งที่สำคัญกว่าคือความสามารถในการแก้ปัญหา ความเข้าใจ ML Fundamentals และประสบการณ์ Production จริง

วิธีหลีกเลี่ยง

ออกแบบ Assessment ที่วัด วิธีคิด มากกว่า Syntax หรือ Tool-specific Knowledge:

• ให้ Case Study ที่สะท้อนปัญหาจริงในองค์กร
• ถามถึงกระบวนการตัดสินใจ ไม่ใช่แค่คำตอบ
• ประเมินว่าผู้สมัครเข้าใจ Trade-off ของแต่ละ Approach ไหม

ข้อผิดพลาดที่ 6: ไม่ได้ขายองค์กรให้ผู้สมัคร

ปัญหา

ในยุคที่ AI Talent มีอำนาจต่อรองสูง การสัมภาษณ์ไม่ใช่แค่การ “คัดคนออก” แต่ยังเป็นโอกาสที่ผู้สมัครกำลังประเมินองค์กรด้วย บริษัทที่ไม่สามารถตอบคำถามสำคัญ เช่น “ทีม AI ของคุณใช้ Tech อะไร?”, “ฉันจะได้เรียนรู้อะไรที่นี่?” หรือ “Product คุณมี Impact ยังไง?” จะเสียคนดีไปอย่างน่าเสียดาย

วิธีหลีกเลี่ยง

เตรียม Employer Value Proposition (EVP) ที่ตอบโจทย์ AI Talent โดยเฉพาะ:

• Tech Stack และเครื่องมือที่ใช้จริง
• Learning & Development Budget
• ผลกระทบของงานต่อ Business
• โครงสร้างทีมและแนวทางการเติบโต
• Flexibility และ Work Model

ข้อผิดพลาดที่ 7: พึ่งพาช่องทางเดียวในการสรรหา

ปัญหา

การโพสต์งานบน Job Board เดียวแล้วรอ ไม่พอสำหรับตำแหน่ง AI ระดับกลางถึงสูง เพราะ Talent กลุ่มนี้มักไม่ได้ Active หางาน และมักพบงานผ่าน Network หรือถูก Approach โดยตรง

วิธีหลีกเลี่ยง

ใช้หลายช่องทางพร้อมกัน:

• Job Board (LinkedIn, JobsDB)
• GitHub/Kaggle Proactive Sourcing
• Community Networking (Meetups, Conferences)
• Employee Referral Program ที่จูงใจจริง
• บริษัทสรรหาพนักงานที่มีเครือข่าย Passive Candidate

Checklist: กระบวนการสรรหา AI Talent ที่ถูกต้อง

ก่อนเริ่มสรรหา ลองตรวจสอบรายการนี้:

• JD แยก Must Have และ Nice to Have ชัดเจน
• Salary Range สอดคล้องกับตลาดปัจจุบัน
• มีคน Technical อยู่ในกระบวนการประเมิน
• กระบวนการสัมภาษณ์ไม่เกิน 4 รอบและ 4 สัปดาห์
• เตรียม EVP ที่ตอบโจทย์ AI Talent
• ใช้หลายช่องทางในการ Sourcing
• มีแผนสำรองหากผู้สมัครอันดับ 1 ไม่รับ Offer

FAQ — คำถามที่พบบ่อย

ข้อผิดพลาดไหนที่ทำให้เสียคนดีมากที่สุด?

จากประสบการณ์จริง ข้อผิดพลาดที่ทำให้เสียผู้สมัครที่ดีมากที่สุดคือ กระบวนการสัมภาษณ์ที่ยาวเกินไป เพราะ AI Talent ที่มีทักษะสูงมักได้รับ Offer จากหลายที่พร้อมกัน บริษัทที่ตัดสินใจได้เร็วกว่ามักได้คนไป

ถ้าองค์กรไม่มี Technical Expert ช่วยสัมภาษณ์ ควรทำอย่างไร?

ทางเลือกที่ดีที่สุดคือใช้บริการบริษัทสรรหาพนักงานที่มีผู้เชี่ยวชาญด้าน AI ทำ Technical Screening เบื้องต้นก่อน แล้วส่งเฉพาะ Shortlist ที่ผ่านการคัดกรองแล้ว เพื่อลดภาระในการสัมภาษณ์ภายใน

Take-home Assignment ควรใช้หรือไม่?

ใช้ได้ แต่ต้องออกแบบให้ใช้เวลาไม่เกิน 3–4 ชั่วโมง และควรเกี่ยวข้องกับงานจริง ไม่ใช่ Puzzle ทั่วไป นอกจากนี้ควรแจ้งให้ชัดว่าจะได้รับ Feedback ไม่ว่าผลจะออกมาอย่างไร เพื่อสร้างประสบการณ์ที่ดีและรักษา Employer Brand

บริษัทขนาดเล็กจะแข่งขันกับบริษัทใหญ่ในการดึงดูด AI Talent ได้อย่างไร?

ให้เน้นสิ่งที่บริษัทเล็กให้ได้ดีกว่า ได้แก่ ความรับผิดชอบที่กว้างกว่า (Full-stack Experience), การตัดสินใจที่เร็วกว่า, ผลกระทบของงานที่เห็นได้ชัดกว่า และ Culture ที่ยืดหยุ่นกว่า สิ่งเหล่านี้ดึงดูด AI Talent บางกลุ่มที่ต้องการ Ownership มากกว่า Stability