🛑 โศกนาฏกรรมว่าด้วยการ Lay-off

🛑 โศกนาฏกรรมว่าด้วยการ Lay-off

ทำไมทุกคนตัดสินใจอย่างมีเหตุผล… แต่สุดท้ายองค์กรก็ยังต้อง “ปลดคน” อยู่ดี?

ทุกครั้งที่มีข่าวการ Layoff ครั้งใหญ่ ไม่ว่าจะในบริษัทเทคโนโลยีระดับโลก หรือองค์กรขนาดใหญ่ในไทย คำอธิบายที่เราได้ยินบ่อย เช่น

* ผู้บริหารตัดสินใจพลาด

* เศรษฐกิจไม่ดี

* บริษัทกำลังมีปัญหา

* ตลาดเปลี่ยนเร็วเกินไปจนองค์กรตามไม่ทัน

* หรือกลยุทธ์เดิมใช้ไม่ได้ในบริบทใหม่ เป็นต้น

แต่ถ้ามองให้ลึกกว่านั้น ปรากฏการณ์นี้ไม่ได้เกิดจาก “ความผิดพลาดของคนใดคนหนึ่ง” แต่มันคือผลลัพธ์ของ “ระบบ” ที่ทุกคนในนั้น ต่างก็พยายามตัดสินใจอย่างมีเหตุผลที่สุด…ในมุมของตัวเอง

และเมื่อเหตุผลเหล่านั้นถูกนำมารวมกัน มันกลับกลายเป็น “ผลลัพธ์ที่ไม่มีใครต้องการ”  คือ “Lay-off”

====

📉 1) วงจร 4 ระยะ สู่การ Layoff?

Phase 1: โตเร็ว เลยจ้างเร็ว (เริ่มเกิด Overhiring แต่ก็ยังทำตามนโยบาย)

ในช่วงที่ตลาดเติบโตเร็ว การแข่งขันสูง และเงินทุนยังไหลเข้าระบบ องค์กรแทบไม่มีทางเลือกอื่น นอกจากเร่งสปีดให้ทันเกม

“เร่งจ้าง เพื่อเร่งสร้าง” เพราะใครช้ากว่า = เสียโอกาสทันที

ภาพที่เห็นจริงคือ ทีมขยายตัวเร็วกว่าโครงสร้างรองรับ

การ onboard ทำได้ไม่ลึก กระบวนการคัดเลือกถูกย่อเวลา

และหลายตำแหน่งถูกสร้างขึ้น “เพื่อไล่ให้ทัน roadmap” มากกว่าความจำเป็นระยะยาว

แต่เมื่อ “ความเร็ว” กลายเป็น KPI หลัก สิ่งที่ตามมาคือ

* มาตรฐานการคัดเลือกเริ่มลดลง (จาก “fit กับงาน” → “เติมให้ทัน”)

* การประเมินระยะยาวถูกลดความสำคัญ (ลดการทดลอง/พิสูจน์ก่อนจ้าง)

องค์กรจึงเริ่มมีพนักงาน 2 กลุ่มปะปนกัน

* คนที่สร้างคุณค่าจริง (impact ต่อรายได้/ลูกค้า)

* และคนที่ “อยู่ได้เพราะจังหวะตลาด” (ถูกจ้างในช่วงเร่งโต)

Phase 2: KPI แยกส่วน องค์กรแตกทิศ

เมื่อองค์กรใหญ่ขึ้น การควบคุมด้วยเป้าหมายเดียวเริ่มทำไม่ได้

ผู้บริหารจึงแตก KPI ลงไปเป็นรายทีม ซึ่งฟังดู “สมเหตุสมผล” และวัดผลง่ายขึ้น

แต่ปัญหาที่แฝงอยู่คือ “local optimization” ทุกทีมเริ่ม Optimize “ของตัวเอง” ไม่ใช่ Optimize “ขององค์กร”

ตัวอย่างที่พบได้จริง เช่น

* ทีมพัฒนาเพิ่ม feature ได้เยอะ → แต่ไม่มีคนใช้ (output สูง แต่ outcome ต่ำ)

* ทีมการตลาดเพิ่ม traffic → แต่ไม่สร้างรายได้ (ตัวเลขดี แต่คุณภาพไม่ถึง)

เมื่อ KPI ไม่เชื่อมถึงกัน การตัดสินใจที่ “ถูกในทีม” อาจ “ผิดในภาพรวม”

เกิดเหตุการณ์ที่เรียกว่า “ทุกคนทำถูก…แต่บริษัทกลับไม่โต”

Phase 3: งานล้นระบบ แต่ผลลัพธ์เริ่มไม่ขยับ

เมื่อเริ่มเห็นว่าองค์กรไม่ไปข้างหน้า สิ่งที่องค์กรมักทำคือ “เพิ่มระบบควบคุม”

เพื่อสร้างความมั่นใจและลดความเสี่ยง

* เพิ่ม layer ของ management เพื่อกำกับงาน

* เพิ่ม KPI เพื่อวัดให้ละเอียดขึ้น

* เพิ่มการประเมิน/รีวิว เพื่อคุมคุณภาพ

แต่สิ่งที่เกิดขึ้นจริงคือ คนเริ่ม “ทำงานเพื่อให้ดูดี” มากกว่าทำงานเพื่อให้เกิดผลลัพธ์

พฤติกรรมค่อยๆ เปลี่ยนจาก “สร้างคุณค่า” → “จัดการภาพลักษณ์ผลงาน”

เกิดสิ่งที่เรียกว่า

* งานประชุมเยอะขึ้น (เพื่อ align/approve มากกว่าสร้าง)

* งานรายงานเยอะขึ้น (เพื่อโชว์ความคืบหน้า)

* งานจริงน้อยลง (เวลาถูกกินด้วย process)

“ทุกคนดูยุ่งตลอดเวลา แต่ธุรกิจหรือองค์กรไม่ขยับ”

Phase 4: มองไม่ออกว่าใครสร้างคุณค่า

เมื่อองค์กรซับซ้อนเกินไป สายการบังคับบัญชาและ KPI ทับซ้อนกัน

ผู้บริหารจะเริ่มเจอปัญหาใหญ่ คือ “visibility” ต่อ value ที่แท้จริง

“แยกไม่ออกว่าใครคือคนที่สร้าง value จริง”

การค่อยๆ ปรับทีละจุด (optimize รายบุคคล/รายทีม) กลายเป็นต้นทุนที่สูงเกินไป ทั้งเวลาและโอกาสทางธุรกิจ

สุดท้าย การตัดสินใจที่ “สมเหตุสมผลที่สุด” ในเชิงระบบ คือ

“ตัดทั้งระบบ แล้วเริ่มใหม่” หรือก็คือ Mass Layoff

เพราะเป็นวิธีที่เร็วที่สุดในการ reset complexity แม้จะเป็นทางเลือกที่เจ็บ แต่ในมุมองค์กร มันคือการ “ลดน้ำหนัก” เพื่อกลับไปโฟกัสที่ value อีกครั้ง

====

🧠 2) เมื่อระบบบิด คนก็ต้องปรับตัว

เมื่อระบบให้รางวัลกับสิ่งบางอย่าง พฤติกรรมของคนจะ “ปรับตามระบบ” โดยอัตโนมัติ ไม่ว่าจะตั้งใจหรือไม่ก็ตาม

สิ่งที่เกิดขึ้นจริงในองค์กรคือ คนไม่ได้เปลี่ยน “ตัวตน” แต่เปลี่ยน “วิธีเอาตัวรอด” ให้สอดคล้องกับระบบที่ถูกออกแบบมา

จึงเกิด 2 archetype ชัดเจนในองค์กร

แบบที่ 1: คนสร้างคุณค่าจริง

* ทำงานใกล้รายได้ หรือใกล้ลูกค้ามากที่สุด

* โฟกัสผลลัพธ์จริง มากกว่าภาพลักษณ์ของผลงาน

* ใช้เครื่องมือ (รวมถึง AI) เพื่อเพิ่ม impact ต่อ business โดยตรง

คนกลุ่มนี้มักถูกวัดจาก “ผลลัพธ์สุดท้าย” เช่น รายได้ การเติบโต หรือ retention ของลูกค้า และมักต้องรับแรงกดดันสูง เพราะผลงานถูกตรวจสอบได้จริง

แบบที่ 2: คนเล่นเกมระบบ

* ทำงานให้หัวหน้าพอใจ หรือ optimize สิ่งที่ถูกวัด

* สื่อสารเก่งกว่าทำจริง (presentation > execution)

* ปั่นตัวเลขที่ “ดูดี” เช่น activity, report, engagement แต่ไม่สร้างมูลค่าจริง

คนกลุ่มนี้ไม่ได้ตั้งใจ “ไม่สร้างคุณค่า” แต่กำลังตอบสนองต่อระบบที่ให้รางวัลกับ

* visibility มากกว่า value

* short-term metric มากกว่า long-term impact

ปัญหาไม่ใช่ว่าคนแบบที่ 2 “ไม่ดี” แต่คือ ระบบ “เปิดช่อง” ให้พฤติกรรมแบบนี้เติบโต

และเมื่อสัดส่วนของคนแบบที่ 2 เพิ่มขึ้นเรื่อยๆ องค์กรจะเริ่มเสียสมดุลย์โดยไม่รู้ตัว

* การตัดสินใจเริ่มอิง “ข้อมูลที่ดูดี” มากกว่าความจริง

* resource ถูกใช้ไปกับงานที่ไม่สร้าง impact

* คนเก่งจริงเริ่มหมดแรง เพราะต้องแบกระบบที่ไม่มีประสิทธิภาพ

สุดท้าย องค์กรจะเข้าสู่จุดที่ “ดูเหมือนทุกอย่างยังทำงานอยู่…แต่ความสามารถในการแข่งขันกำลังลดลงอย่างเงียบๆ”

====

🚀 3) ทางออก คือ “ตัดวงจร ก่อนต้องตัดคน”

การแก้ปัญหา Layoff ไม่ใช่การ “หยุดจ้าง” แต่คือการ “ออกแบบระบบให้เห็นคุณค่าจริง” ตั้งแต่ต้น

พูดให้ชัดขึ้น คือไม่ใช่การแก้ที่ “ปลายเหตุ” แต่ต้องย้อนกลับไปแก้ที่ “วิธีคิดของระบบ”

* เราวัดผลจากอะไร (output vs outcome)

* เราให้รางวัลกับพฤติกรรมแบบไหน

* และเรามองเห็น value ของคนได้ชัดแค่ไหน

“ถ้าระบบยังวัดผิด ต่อให้หยุดจ้าง หรือหยุดขยาย สุดท้ายปัญหาก็จะวนกลับมาในรูปแบบเดิม”

หนึ่งในแนวคิดที่ถูกใช้จริงในองค์กรระดับโลกคือ “The Keeper Test”

คำถามง่ายๆ ที่ทรงพลังคือ “ถ้าคนนี้จะลาออก เราจะพยายามรั้งเขาไว้ไหม?”

คำถามนี้ดูตรงไปตรงมา แต่จริงๆ แล้วมันบังคับให้ผู้บริหารต้อง “คิดเชิงคุณค่า” ไม่ใช่ “คิดเชิงความรู้สึก”

* ไม่ใช่ดูว่าเขาทำงานมานานแค่ไหน

* ไม่ใช่ดูว่าเขาเป็นคนดีหรือไม่

* แต่ดูว่า “เขาสร้าง impact ต่อองค์กรจริงหรือเปล่า”

ถ้าคำตอบคือ “ไม่” แปลว่าองค์กรกำลังถือ “ต้นทุนที่ไม่สร้างคุณค่า” ไว้โดยไม่รู้ตัว

และถ้าปล่อยให้สะสมไปเรื่อยๆ วันหนึ่งมันจะกลายเป็นภาระระดับระบบ “ที่ต้องแก้ด้วยวิธีที่รุนแรงกว่าเดิม เช่น Layoff”

แนวคิดนี้ไม่ได้โหดร้าย แต่คือการรักษา เพราะองค์กรที่แข็งแรง ไม่ได้วัดจากจำนวนคน แต่วัดจาก “คุณภาพของคนต่อหนึ่งหน่วยระบบ”

“ความหนาแน่นของคนเก่ง” ให้ระบบยังคงมีประสิทธิภาพ

และที่สำคัญที่สุด องค์กรจะไม่ต้องรอให้ถึงวันที่ต้อง “ตัดคนจำนวนมาก” เพราะมันสามารถ “คัดกรองและปรับตัว” ได้ตลอดเวลา

====

🤖 4) ยุค AI ยิ่งทำให้ชัด คือ “ระบบจะชัดขึ้น หรือพังเร็วขึ้น?”

AI กำลังเร่งให้ปรากฏการณ์นี้ “เร็วขึ้น” และ “ชัดขึ้น” ในเวลาเดียวกัน

เพราะในโลกที่ AI สามารถทำงานซ้ำๆ วิเคราะห์ข้อมูล และสร้าง output ได้ในระดับที่ใกล้เคียงมนุษย์มากขึ้น

สิ่งที่เคย “พออยู่ได้” ในระบบเดิม จะเริ่ม “ถูกเปิดโปง” อย่างรวดเร็ว

* งานที่ไม่มี impact จะถูกแทนที่เร็วขึ้น (automation แทนงาน routine)

* งานที่เคยใช้คนหลายคน อาจเหลือเพียงไม่กี่คนที่ใช้ AI เป็น leverage

* คนที่สร้าง value ไม่ชัด จะถูกมองเห็นเร็วขึ้น เพราะ output ถูกเปรียบเทียบได้แบบ real-time

ภาพที่เกิดขึ้นจริงในหลายองค์กรคือ

* คนที่ใช้ AI เก่ง สามารถทำงานได้เท่ากับทีมเล็กๆ

* ในขณะที่บางทีมยังทำงานแบบเดิม แต่ใช้ resource มากกว่าโดยไม่รู้ตัว

ความแตกต่างนี้จะทำให้ “gap ของ productivity” ขยายเร็วมาก องค์กรที่ยังมี

* KPI ที่ไม่เชื่อมรายได้ (วัด activity มากกว่าผลลัพธ์)

* งานที่วัดผลไม่ได้ (ไม่มี baseline หรือ impact ชัดเจน)

* หรือ culture ที่เน้นภาพลักษณ์ (presentation-driven มากกว่า execution)

“จะเข้าสู่ Phase 4 เร็วกว่าที่เคย” เพราะ AI จะทำให้ “สิ่งที่ไม่จำเป็น” ถูกตั้งคำถามทันที และลด tolerance ของ inefficiency ลงอย่างมาก

ในทางกลับกัน องค์กรที่ออกแบบระบบดี

* วัดผลจาก outcome ชัด

* เชื่อม KPI กับ value จริง

* และเปิดให้คนใช้ AI เพื่อเพิ่ม leverage

จะสามารถใช้ AI เป็น “ตัวคูณ productivity” ได้มหาศาล

สุดท้ายแล้ว AI ไม่ได้ทำให้บางองค์กรล้มเหลว แต่มันทำให้ “ระบบที่ดี” แข็งแรงขึ้น และ “ระบบที่อ่อนแอ” พังเร็วขึ้นกว่าเดิมเท่านั้น

====

📊 Case จริง - เมื่อ “เหตุผล” นำไปสู่ Layoff ระดับโลก

หากมองผ่านข้อมูลจริง จะเห็นชัดว่าสิ่งที่เกิดขึ้นไม่ใช่ “ความผิดพลาดเฉพาะองค์กร” แต่เป็นรูปแบบซ้ำ (pattern) ของระบบที่เกิดขึ้นในบริษัทชั้นนำของโลก

พูดให้ชัดขึ้นคือ นี่ไม่ใช่ “เหตุการณ์ครั้งเดียว” แต่เป็น “วงจรการตัดสินใจ” ที่เกิดซ้ำ

เมื่อองค์กรต้องปรับตัวตามบริบทเศรษฐกิจและเทคโนโลยีที่เปลี่ยนเร็วมาก เช่น ในช่วงปี 2020–2021 โลกธุรกิจถูกเร่งด้วยโควิด ทำให้ demand ด้านดิจิทัลพุ่งขึ้นอย่างรวดเร็ว ทั้ง e-commerce, cloud และ online services เติบโตแบบก้าวกระโดด

สิ่งที่ “สมเหตุสมผลที่สุด” ในเวลานั้น คือ “การเร่งจ้าง เพื่อเร่งเติบโต”

หลายองค์กรแข่งขันกันจ้างคน เพราะ “ความเร็ว = ความได้เปรียบ”ทำให้ทีมถูกขยายเร็วเพื่อรองรับ traffic, product roadmap และ expansion ที่ถูกคาดว่าจะโตต่อเนื่อง

แต่เมื่อเข้าสู่ปี 2022–2023 เศรษฐกิจเริ่มปรับฐาน เงินทุนเริ่มตึงตัว และ demand กลับสู่ภาวะปกติ

* สิ่งที่เคยเติบโตแบบ exponential เริ่มชะลอลง

* สิ่งที่ “สมเหตุสมผลที่สุด” จึงเปลี่ยนเป็น “การลดขนาดองค์กร เพื่อเพิ่มประสิทธิภาพ”

ตัวอย่าง เข่น

* Meta ปลดพนักงานมากกว่า 11,000 คนในปี 2022 (~13% ของ workforce)

* Amazon ปลดพนักงานรวมมากกว่า 27,000 คน ในช่วงปี 2022–2023

* Google (Alphabet) ปลดพนักงานประมาณ 12,000 คน ในปี 2023 (~6%)

ตัวเลขเหล่านี้ไม่ได้สะท้อนแค่ “การลดต้นทุน” แต่คือการ “รีเซ็ตโครงสร้างองค์กร” เพื่อให้สอดคล้องกับ reality ใหม่ของธุรกิจ

สิ่งที่น่าสนใจคือ องค์กรเหล่านี้ไม่ได้ “เพิ่งบริหารพลาด” ในวันที่ปลดคน แต่พวกเขา

* ตัดสินใจอย่างมีเหตุผล ในวันที่ต้องเร่งโต (optimize for growth)

* และยังคงตัดสินใจอย่างมีเหตุผล ในวันที่ต้องหดตัว (optimize for efficiency)

ปัญหาจึงไม่ใช่ “การตัดสินใจผิด” แต่คือ “บริบทเปลี่ยน แต่ระบบยังปรับไม่ทัน” เมื่อระบบถูกออกแบบมาเพื่อ scale แต่ต้องกลับมา optimize efficiency อย่างรวดเร็ว ต้นทุนที่เคย “จำเป็น” จะกลายเป็น “ส่วนเกิน” ทันที

คำถามสำคัญคือ “ระบบแบบนี้…กำลังเกิดขึ้นในองค์กรของเราหรือไม่? และเราจะรู้ตัวทันก่อนหรือหลังที่ต้องตัดคน?”

====

✨ Layoff คือ “อาการ” ไม่ใช่ “โรค”

การปลดคน ไม่ใช่ต้นเหตุของปัญหา แต่มันคือ “ผลลัพธ์ปลายทาง” ของระบบที่ค่อยๆ บิดเบี้ยว

องค์กรที่แข็งแรงจริง ไม่ใช่องค์กรที่ไม่เคย Layoff แต่คือองค์กรที่

* เห็นสัญญาณก่อน

* กล้าปรับระบบเร็ว

* และไม่ปล่อยให้ปัญหาสะสมจนแก้ไม่ได้

เพราะสุดท้ายแล้ว “องค์กรไม่ได้ล้ม เพราะคนไม่เก่ง” แต่ล้ม เพราะ “ระบบทำให้คนเก่ง ทำงานได้ไม่เต็มศักยภาพ”

#วันละเรื่องสองเรื่อง #Leadership #CorporateStrategy #TalentDensity #FutureOfWork

====

📚 Sources / References

* Meta Layoff Announcement (Mark Zuckerberg, 2022) — https://about.fb.com/news/2022/11/mark-zuckerberg-layoff-message-to-employees/

* Amazon Layoffs Official Update (Andy Jassy, 2023) — https://www.aboutamazon.com/news/company-news/update-from-ceo-andy-jassy-on-role-eliminations

* Google Layoffs Memo (Sundar Pichai, 2023) — https://blog.google/inside-google/message-ceo/january-update/

* Layoffs.fyi – Tech Layoff Tracker (Global Data) — https://layoffs.fyi/

* Harvard Business Review – The Hidden Costs of Overhiring — https://hbr.org/2023/01/the-hidden-costs-of-overhiring

* McKinsey – Performance Through People (Talent Density Concept) — https://www.mckinsey.com/capabilities/people-and-organizational-performance