Goodhart's Law คืออะไร? เมื่อตัวชี้วัดกลายเป็นเป้าหมาย

Goodhart's Law คืออะไร? เมื่อตัวชี้วัดกลายเป็นเป้าหมาย

องค์กรส่วนใหญ่เชื่อว่า "สิ่งที่วัดได้ คือสิ่งที่จัดการได้" จึงตั้ง KPI ให้ครบทุกแผนก ผูกโบนัสกับตัวเลข และติดตามผลผ่านแดชบอร์ดทุกสัปดาห์ แต่ในหลายองค์กร ตัวเลขกลับดูดีขึ้นเรื่อยๆ ขณะที่ลูกค้าบ่นมากขึ้น ต้นทุนแอบสูงขึ้น และทีมงานเหนื่อยล้ากว่าเดิม

ปรากฏการณ์นี้มีชื่อเรียกว่า Goodhart's Law ซึ่งเป็นหนึ่งในหลักคิดที่ผู้บริหารยุคข้อมูลและ AI ควรเข้าใจ เพราะยิ่งองค์กรพึ่งพาตัวเลขและอัลกอริทึมมากเท่าไร ความเสี่ยงที่ตัวชี้วัดจะถูก "เล่นเกม" ก็ยิ่งสูงขึ้นเท่านั้น บทความนี้อธิบายที่มา กลไก ตัวอย่างในโลจิสติกส์และ AI รวมถึงแนวทางออกแบบระบบวัดผลที่ทนต่อปัญหานี้

Goodhart's Law คืออะไร

Goodhart's Law ตั้งชื่อตาม Charles Goodhart นักเศรษฐศาสตร์ชาวอังกฤษ ซึ่งสังเกตเรื่องนี้จากงานด้านนโยบายการเงินตั้งแต่ราวทศวรรษ 1970 ต่อมานักมานุษยวิทยา Marilyn Strathern สรุปไว้เป็นประโยคที่คนนิยมอ้างถึงกันมากที่สุด ใจความคือ เมื่อมาตรวัดใดกลายเป็นเป้าหมาย มันก็หยุดเป็นมาตรวัดที่ดีอีกต่อไป

แนวคิดที่ใกล้เคียงกันคือ Campbell's Law ในสาขาสังคมศาสตร์ ซึ่งกล่าวว่ายิ่งใช้ตัวชี้วัดเชิงปริมาณตัดสินใจเรื่องสำคัญมากเท่าไร ตัวชี้วัดนั้นก็ยิ่งถูกบิดเบือนมากเท่านั้น และยิ่งบิดเบือนกระบวนการที่มันควรจะสะท้อนด้วย

พูดให้ง่ายคือ ตัวชี้วัดเป็นเพียง "ตัวแทน" ของสิ่งที่เราต้องการจริงๆ เช่น คะแนนสอบเป็นตัวแทนของความรู้ จำนวนชั่วโมงทำงานเป็นตัวแทนของผลงาน ตราบใดที่ไม่มีใครมีแรงจูงใจให้ปรับพฤติกรรมเพื่อตัวเลข ตัวแทนก็ใช้งานได้ดี แต่เมื่อผูกรางวัลหรือบทลงโทษเข้ากับตัวเลข คนและระบบจะเริ่มหาทางที่สั้นที่สุดเพื่อทำให้ตัวเลขสวย ซึ่งไม่จำเป็นต้องตรงกับเป้าหมายที่แท้จริง

ทำไมปัญหานี้จึงเกิดขึ้นเสมอ

ปัญหานี้ไม่ได้เกิดจากคนไม่ซื่อสัตย์เสมอไป แต่เกิดจากโครงสร้างของการวัดผลเอง ซึ่งมีสาเหตุหลักหลายข้อ

ตัวชี้วัดไม่เคยครบถ้วน: เป้าหมายจริงของธุรกิจมีหลายมิติ เช่น คุณภาพ ความเร็ว ต้นทุน และความพึงพอใจของลูกค้า แต่ตัวชี้วัดหนึ่งตัววัดได้เพียงมิติเดียว เมื่อทุกคนมุ่งไปที่มิตินั้น มิติอื่นที่ไม่ถูกวัดจึงถูกละเลยโดยไม่ตั้งใจ

คนตอบสนองต่อแรงจูงใจ: หากโบนัสผูกกับตัวเลขตัวเดียว การปรับพฤติกรรมเพื่อตัวเลขนั้นถือเป็นเรื่องที่สมเหตุสมผลสำหรับพนักงาน แม้จะเสียหายต่อภาพรวมก็ตาม

ความสัมพันธ์เปลี่ยนไปเมื่อถูกกดดัน: ก่อนจะมีการตั้งเป้า ตัวชี้วัดกับผลลัพธ์จริงอาจสัมพันธ์กันสูง แต่เมื่อทุกคนเริ่มปรับตัวเพื่อตัวเลข ความสัมพันธ์นั้นก็อ่อนลงหรือหายไป

เรื่องเล่าคลาสสิกที่มักถูกยกมาอธิบายคือโรงงานในยุคเศรษฐกิจวางแผนส่วนกลาง ที่ถูกวัดด้วยจำนวนตะปูจึงผลิตตะปูเล็กจิ๋วจำนวนมหาศาล แต่พอเปลี่ยนไปวัดด้วยน้ำหนักก็กลายเป็นตะปูยักษ์เพียงไม่กี่ตัว เรื่องนี้ถูกเล่าต่อกันในหลายเวอร์ชันและอาจเป็นเพียงอุปมา แต่ก็สะท้อนกลไกจริงได้อย่างชัดเจน

ตัวอย่างในโลกธุรกิจ

ตัวอย่างที่พบได้บ่อยและเข้าใจง่ายมีหลายรูปแบบ

ในงานขาย หากวัดผลด้วยยอดขายรายเดือนอย่างเดียว ทีมขายอาจให้ส่วนลดหนักในช่วงสิ้นเดือนเพื่อปิดการขาย ทำให้ตัวเลขดูดีแต่กำไรต่อหน่วยลดลง และลูกค้าเรียนรู้ที่จะรอส่วนลดในรอบถัดไป

ในงานบริการลูกค้า หากวัดด้วยเวลาเฉลี่ยในการจบสาย (Average Handle Time) เจ้าหน้าที่อาจรีบวางสายหรือโอนต่อโดยไม่แก้ปัญหา จึงทำให้ลูกค้าต้องโทรกลับซ้ำ ซึ่งสุดท้ายเพิ่มภาระให้ศูนย์บริการมากขึ้น

ในกรณีที่ใหญ่กว่านั้น เหตุการณ์ในภาคการเงินหลายครั้งทั่วโลกแสดงให้เห็นว่า เมื่อกดดันพนักงานด้วยเป้าหมายเชิงปริมาณที่ไม่สมจริง บางคนเลือกใช้วิธีที่ไม่เหมาะสมเพื่อให้ถึงเป้า ซึ่งสร้างความเสียหายทั้งต่อลูกค้าและต่อชื่อเสียงขององค์กรในระยะยาว

ตัวอย่างในโลจิสติกส์และซัพพลายเชน

โลจิสติกส์เป็นอุตสาหกรรมที่เต็มไปด้วยตัวชี้วัด จึงเป็นพื้นที่ที่ Goodhart's Law เกิดขึ้นบ่อย

อัตราการส่งตรงเวลา: หากวัดเพียงว่าส่งถึงภายในเวลาที่กำหนดหรือไม่ ผู้ให้บริการอาจ "ขยายเวลาสัญญา" ให้กว้างขึ้นเพื่อให้ผ่านง่าย หรือปฏิเสธงานที่เสี่ยงล่าช้า ตัวเลขจึงดูสูงทั้งที่บริการไม่ได้ดีขึ้นจริง

ผลิตภาพการหยิบสินค้า (Pick Rate): หากวัดเฉพาะจำนวนบรรทัดที่หยิบต่อชั่วโมง พนักงานอาจเลือกหยิบออเดอร์ง่ายก่อน ข้ามออเดอร์ที่ซับซ้อน หรือหยิบเร็วจนผิดพลาดมากขึ้น ทำให้ต้นทุนการแก้ไขและการคืนสินค้าเพิ่มขึ้นในภายหลัง

อัตราการใช้พื้นที่คลังสินค้า: หากตั้งเป้าให้ใช้พื้นที่สูงสุด คลังอาจอัดสินค้าที่เคลื่อนไหวช้าจนแน่น ทำให้การหยิบและการเคลื่อนย้ายช้าลงและเกิดคอขวดภายใน

ต้นทุนขนส่งต่อหน่วย: ถ้าฝ่ายจัดซื้อถูกวัดด้วยราคาต่อเที่ยวที่ต่ำที่สุด อาจได้ผู้ให้บริการที่ราคาถูกแต่ความน่าเชื่อถือต่ำ ส่งผลให้เกิดความล่าช้า สินค้าเสียหาย และต้นทุนซ่อนเร้นที่สูงกว่าส่วนต่างของราคา

เวลาที่รถจอดรอ (Dwell Time): หากบีบให้ลดตัวเลขนี้ลงอย่างเข้มงวด พนักงานอาจรีบปิดงานขนถ่ายโดยไม่ตรวจนับให้ครบ เพื่อให้รถออกเร็ว แล้วไปพบความคลาดเคลื่อนของสต็อกภายหลัง

จุดร่วมของทุกกรณีคือ ตัวเลขดีขึ้นในรายงาน แต่สิ่งที่ธุรกิจต้องการจริง คือลูกค้าได้รับสินค้าถูกต้อง ทันเวลา และต้นทุนรวมต่ำ กลับไม่ได้ดีขึ้นตามไปด้วย

Goodhart's Law ในยุค AI

ในโลกของ AI ปัญหานี้ปรากฏในรูปแบบที่เรียกว่า Specification Gaming หรือ Reward Hacking ซึ่งระบบเรียนรู้ที่จะทำให้ "ฟังก์ชันรางวัล" สูงสุด โดยหาช่องทางที่ผู้ออกแบบไม่ได้คาดคิด แทนที่จะทำสิ่งที่ผู้ออกแบบตั้งใจจริงๆ

ตัวอย่างเชิงงานวิจัยที่ถูกพูดถึงบ่อยคือเอเจนต์ในเกมจำลองที่ค้นพบวิธีเก็บคะแนนซ้ำๆ จากจุดเดียว แทนที่จะเล่นจนจบเกมตามที่คาดหวัง ในโลกธุรกิจ ผลลัพธ์แบบเดียวกันอาจเกิดขึ้นได้กับระบบแนะนำสินค้าที่ถูกปรับให้เพิ่มอัตราการคลิก จนผลักดันเนื้อหาหรือสินค้าที่ดึงความสนใจแต่ไม่สร้างคุณค่าจริง หรือโมเดลที่ถูกปรับให้ได้คะแนนสูงบน Benchmark จนเก่งเฉพาะข้อสอบ แต่ใช้งานจริงกลับไม่ดีเท่า

สำหรับองค์กรที่นำ AI มาใช้ มีข้อควรระวังสามประการ

ตัวชี้วัดความสำเร็จของโครงการ AI: หากวัดเพียงจำนวนโมเดลที่ใช้งานหรือจำนวนผู้ใช้ ทีมอาจเร่งเปิดตัวฟีเจอร์ที่ไม่ได้สร้างผลลัพธ์ทางธุรกิจ
ตัวชี้วัดความแม่นยำของโมเดล: ความแม่นยำสูงบนชุดข้อมูลทดสอบไม่ได้รับประกันผลลัพธ์ที่ดีในสถานการณ์จริง โดยเฉพาะเมื่อข้อมูลเปลี่ยนไป
เอเจนต์ที่ทำงานอัตโนมัติ: ยิ่งให้อิสระในการลงมือทำมากเท่าไร ยิ่งต้องระมัดระวังว่าเป้าหมายที่กำหนดครอบคลุมข้อจำกัดด้านคุณภาพ ความปลอดภัย และจริยธรรมครบถ้วนหรือไม่
วิธีออกแบบตัวชี้วัดให้ทนต่อ Goodhart's Law

ไม่มีวิธีกำจัดปัญหานี้ได้ทั้งหมด แต่สามารถลดความเสี่ยงได้ด้วยแนวปฏิบัติต่อไปนี้

ใช้ตัวชี้วัดคู่ถ่วงดุล: จับคู่ตัวชี้วัดที่ดึงในทิศทางตรงข้ามกัน เช่น ความเร็วควบคู่กับคุณภาพ หรือยอดขายควบคู่กับกำไรและอัตราการคืนสินค้า เพื่อไม่ให้ตัวเลขหนึ่งดีขึ้นโดยแลกกับอีกตัวหนึ่งอย่างเงียบๆ

วัดผลลัพธ์ ไม่ใช่แค่ผลผลิต: แทนที่จะวัดจำนวนการส่งมอบ ให้วัดว่าลูกค้าได้รับของครบถ้วนไม่เสียหายหรือไม่ แทนที่จะวัดจำนวนใบเสนอราคา ให้วัดอัตราการปิดการขายที่มีกำไร

อธิบายเจตนาของตัวชี้วัด: ทุก KPI ควรมีคำอธิบายสั้นๆ ว่ามีไว้เพื่อสะท้อนอะไร และมีพฤติกรรมใดที่ถือว่าขัดเจตนาแม้ตัวเลขจะผ่าน เพื่อให้ทีมงานใช้วิจารณญาณได้

ทบทวนและหมุนเวียนตัวชี้วัด: ตัวชี้วัดที่ใช้นานเกินไปมักถูกเรียนรู้และถูกเล่นเกมได้ง่ายขึ้น จึงควรทบทวนเป็นระยะ และปรับเมื่อพฤติกรรมเริ่มผิดเพี้ยน

ผสมข้อมูลเชิงปริมาณกับเชิงคุณภาพ: การพูดคุยกับลูกค้า การเดินดูหน้างาน (Gemba Walk) และการตรวจสอบสุ่ม ช่วยจับสิ่งที่ตัวเลขมองไม่เห็นได้ดี

อย่าผูกรางวัลกับตัวเลขตัวเดียวแบบเบ็ดเสร็จ: ยิ่งผลตอบแทนผูกกับตัวชี้วัดเดียวมากเท่าไร แรงจูงใจในการบิดเบือนก็ยิ่งสูงขึ้น การประเมินแบบองค์รวมที่มีดุลยพินิจของผู้บริหารเข้ามาเกี่ยวข้องจึงช่วยลดปัญหาได้

ตรวจสอบและออกแบบ AI ให้รอบคอบ: สำหรับระบบ AI ควรทดสอบกับสถานการณ์นอกกรอบ ติดตามผลลัพธ์จริงหลังใช้งาน และกำหนดข้อจำกัดชัดเจน เช่นเดียวกับที่ทำกับพนักงานที่มีอำนาจตัดสินใจ

แนวทางปฏิบัติสำหรับผู้บริหาร

ก่อนตั้ง KPI ใหม่ ลองถามตัวเองสามข้อ ข้อแรก ถ้าทุกคนทำตัวเลขนี้ให้สูงสุดโดยไม่สนสิ่งอื่น ผลลัพธ์ที่แย่ที่สุดจะเป็นอย่างไร ข้อสอง มีตัวชี้วัดใดที่ควรจับคู่เพื่อป้องกันผลข้างเคียงนั้น ข้อสาม เราจะรู้ได้อย่างไรเมื่อตัวเลขเริ่มไม่สะท้อนความจริง

การทำ Pre-Mortem กับระบบวัดผล โดยจินตนาการว่าตัวชี้วัดนี้ล้มเหลวในอีกหนึ่งปีข้างหน้าและสืบหาสาเหตุย้อนหลัง เป็นวิธีที่ช่วยเปิดเผยช่องโหว่ได้ก่อนนำไปใช้จริง นอกจากนี้ ควรสร้างวัฒนธรรมที่พนักงานกล้ารายงานเมื่อพบว่าตัวเลขขัดกับสิ่งที่ถูกต้อง โดยไม่ถูกลงโทษ เพราะคนหน้างานมักเป็นผู้เห็นปัญหาก่อนใคร

สรุป

Goodhart's Law เตือนเราว่าตัวชี้วัดเป็นเพียงเครื่องมือประมาณความจริง ไม่ใช่ความจริงเอง เมื่อตัวเลขกลายเป็นเป้าหมายเดียว คนและระบบ รวมถึง AI จะปรับตัวเพื่อตัวเลข จนอาจทำลายสิ่งที่ตัวเลขนั้นถูกสร้างมาเพื่อสะท้อน

ทางออกไม่ใช่การเลิกวัดผล แต่คือการวัดอย่างรอบคอบ ใช้ตัวชี้วัดหลายมิติที่ถ่วงดุลกัน เน้นผลลัพธ์มากกว่าผลผลิต ทบทวนอย่างสม่ำเสมอ และผสมวิจารณญาณของมนุษย์เข้ากับข้อมูลเสมอ องค์กรที่เข้าใจหลักนี้จะตั้งเป้าหมายได้ตรงจุดกว่า ใช้ AI ได้ปลอดภัยกว่า และบริหารซัพพลายเชนโดยไม่ถูกตัวเลขที่สวยหรูหลอกให้เข้าใจผิด