“บัตรคนจน’ คนจนไม่ได้!  AI ตัดสิทธิ หรือ ‘เกณฑ์รัฐบาล ตัดคนจน

การเปิดให้ประชาชนอุทธรณ์ผลการคัดกรองโครงการบัตรสวัสดิการแห่งรัฐรอบล่าสุด กลายเป็นอีกครั้งที่สะท้อนคำถามใหญ่ของสังคมว่า เหตุใดคนที่ลำบากจริงจำนวนไม่น้อยจึงไม่ผ่านเกณฑ์ ขณะที่บางรายซึ่งดูมีฐานะกลับได้รับสิทธิหลายเสียงโยนความผิดให้ “AI” ที่ใช้วิเคราะห์ข้อมูล แต่เมื่อพิจารณาโครงสร้างของระบบ จะพบว่าปัญหาอาจไม่ได้อยู่ที่ปัญญาประดิษฐ์ หากแต่อยู่ที่ “กติกา” และ “ฐานข้อมูล” ที่ใช้เป็นวัตถุดิบในการตัดสิน

AI ไม่ได้ตัดสินผิด แต่ระบบกำลังใช้ข้อมูลและเกณฑ์ที่อาจไม่สะท้อนความจนในโลกความจริง

AI ทำงานตามคำสั่ง ไม่ได้ใช้วิจารณญาณ ในทางเทคนิค ระบบที่ใช้คัดกรองเป็นการประมวลผลข้อมูลตามเงื่อนไข (Rule-based) และวิเคราะห์ฐานข้อมูลขนาดใหญ่

หากข้อมูลตรงกับเงื่อนไขที่กำหนด ระบบก็จะตัดสิทธิทันที โดยไม่สามารถพิจารณาสถานการณ์เฉพาะหน้า เช่น รายได้ที่ลดลง ภาระหนี้สิน หรือปัญหาสุขภาพของแต่ละครัวเรือน AI จึงไม่มีความสามารถในการ “เห็นใจ” หรือใช้ดุลยพินิจเหมือนเจ้าหน้าที่ที่ลงพื้นที่สัมภาษณ์ประชาชน

ปัญหาอีกด้าน คือ ฐานข้อมูลรัฐยังไม่เชื่อมกัน

นักวิชาการจาก สถาบันวิจัยเพื่อการพัฒนาประเทศไทย (TDRI) เคยสะท้อนว่า ฐานข้อมูลภาครัฐยังแยกส่วนอยู่หลายหน่วยงาน ทำให้ข้อมูลรายได้ ทรัพย์สิน ภาระครัวเรือน หรือสถานะการช่วยเหลือ อาจไม่เป็นปัจจุบันหรือไม่เชื่อมโยงกันทั้งหมด เมื่อข้อมูลตั้งต้นไม่สมบูรณ์ แม้ระบบจะคำนวณได้แม่นยำเพียงใด ผลลัพธ์ก็ย่อมคลาดเคลื่อนได้ หลักการที่นักวิทยาศาสตร์ข้อมูลเรียกว่า “Garbage In, Garbage Out” หรือ “ข้อมูลเข้าผิด ผลลัพธ์ก็ผิด” ยังคงใช้ได้กับระบบสวัสดิการของรัฐ

หากวิเคราะห์ในเชิงเทคนิค ปัญหาที่คนยากจนจริงจำนวนหนึ่ง “ไม่ผ่าน” การคัดกรองบัตรสวัสดิการแห่งรัฐ ไม่ใช่เพราะ AI “ตัดสินใจผิด” เพียงอย่างเดียว แต่เป็นปัญหาของทั้ง ข้อมูล (Data) + หลักเกณฑ์ (Rules) + โมเดล (AI/Analytics) ที่ทำงานร่วมกัน

จุดบกพร่องที่เป็นไปได้ มีดังนี้

Garbage In, Garbage Outข้อมูลต้นทางผิด AI ก็ผิด AI ไม่มีทางรู้ว่าใครจนจริง หากข้อมูลของรัฐไม่สะท้อนความเป็นจริง

ตัวอย่าง

• รายได้ในฐานข้อมูลเป็น 15,000 บาท แต่ปัจจุบันตกงาน
• ยังถือกรรมสิทธิ์ที่ดินมรดก แต่ขายไม่ได้
• มีชื่อในทะเบียนบ้าน แต่ไม่ได้อาศัยจริง
• มีรถเก่าอายุ 20 ปี จึงถูกตีความว่ามีทรัพย์สิน

AI จะสรุปทันทีว่า มีรายได้ มีทรัพย์สิน ไม่เข้าเกณฑ์ ทั้งที่ชีวิตจริงอาจลำบากมาก

Data Matching Error

รัฐบาลดึงข้อมูลจากหลายหน่วยงาน เช่น

• กรมสรรพากร
• ประกันสังคม
• กรมที่ดิน
• กรมการปกครอง
• ธนาคาร
• กรมการขนส่ง

ปัญหาคือ ข้อมูลแต่ละแห่งอัปเดตไม่พร้อมกัน เช่น ประกันสังคมยังขึ้นว่ามีงานทำ แต่ลาออกมาแล้ว 8 เดือน AI จะมองว่า “ยังมีรายได้” ทันที

Rule-based AI มากกว่า AI อัจฉริยะ

หลายคนเข้าใจว่า AI วิเคราะห์ชีวิตคน จริง ๆ ระบบภาครัฐส่วนใหญ่ใช้

Rule Engine เช่น IF รายได้ > X ไม่ผ่าน

IF ถือครองที่ดิน ไม่ผ่าน

IF เงินฝากเกิน Y ไม่ผ่าน

จึงไม่ใช่ AI ที่เข้าใจบริบทชีวิต แต่เป็นระบบเช็กเงื่อนไข

Proxy Variable Problem

AI ไม่รู้ว่า “จน” จึงใช้ตัวแปรแทน

เช่น

• มีรถ
• มีบ้าน
• มีเงินฝาก
• มีบัญชีธนาคาร
• ใช้ไฟฟ้าเท่าไร

แต่ตัวแปรเหล่านี้ ไม่ได้สะท้อนความจนเสมอไป

ตัวอย่าง

มีรถกระบะเก่าไว้ทำมาหากิน AI มอง “มีรถ” จึงไม่จน ทั้งที่รถคันนั้นสร้างรายได้วันละ 300 บาท

False Negative สูง

ในการประเมินโมเดล AI มีคำสำคัญคือ False Positive ให้สิทธิคนไม่ควรได้ False Negative ตัดสิทธิคนที่ควรได้ ระบบภาครัฐจำนวนมาก พยายามลด False Positive เพราะกลัวเงินรั่วไหล ผลคือ False Negative เพิ่มขึ้น หรือ “คนจนจริงถูกตัดออก”

Bias จากฐานข้อมูลเดิม

หากข้อมูลอดีตไม่ครบ AI ก็จะเรียนรู้ผิด เช่น คนในเมืองเข้าถึงฐานข้อมูลมากกว่า คนชนบทไม่มีข้อมูล AI จะเชื่อข้อมูลเมืองมากกว่า เกิด Data Bias

Human in the Loop

AI ตัดสิน แล้วจบ ไม่มีเจ้าหน้าที่ตรวจซ้ำ หลายประเทศกำหนดว่า AI ใช้ช่วยคัดกรอง แต่คนต้องเป็นผู้อนุมัติขั้นสุดท้าย หากไม่มีขั้นตอนนี้ ข้อผิดพลาดจะถูกส่งต่อทันที

Explainability ต่ำ

ผู้สมัครมักได้รับเพียงข้อความว่า “ไม่ผ่านเกณฑ์” แต่ไม่รู้ว่า

• เพราะเงินฝาก
• เพราะที่ดิน
• เพราะรายได้
• เพราะข้อมูลผิด

เมื่ออุทธรณ์ ก็ไม่รู้จะแก้อะไร

AI ไม่เห็นความจนที่ซ่อนอยู่ (Hidden Poverty)

AI มองเห็นเฉพาะข้อมูลดิจิทัล แต่มองไม่เห็น หนี้นอกระบบ ค่าเลี้ยงดูผู้สูงอายุ ค่าใช้จ่ายรักษาโรค ผู้พิการในครอบครัว ภาระลูกเรียนหนังสือ

ชีวิตจริงจึงต่างจากข้อมูล

Threshold Effect

สมมติ กำหนด รายได้ไม่เกิน 100,000 บาท/ปี คนหนึ่งมี 100,001 บาท ระบบ ตัดสิทธิทันที ทั้งที่ต่างกันเพียง 1 บาท AI ไม่เข้าใจความยืดหยุ่น

ปัญหาเชิงอัลกอริทึม หากใช้ Machine Learning จริง ยังมีความเสี่ยงอีกหลายด้าน

• Model Drift โมเดลสร้างจากข้อมูลเก่า แต่สภาพเศรษฐกิจเปลี่ยนไป เช่น หลังโควิดหรือช่วงเงินเฟ้อ ทำให้เกณฑ์เดิมไม่สะท้อนความเป็นจริง
• Class Imbalance หากข้อมูลผู้ที่ “ไม่จน” มีจำนวนมากกว่า โมเดลอาจเรียนรู้ที่จะปฏิเสธสิทธิบ่อยขึ้นเพื่อลดความผิดพลาดโดยรวม
• Feature Selection ผิด เลือกตัวแปรที่สัมพันธ์กับความจนเพียงผิวเผิน แต่ไม่ใช่สาเหตุที่แท้จริง
• Overfitting โมเดลอาจเรียนรู้รูปแบบจากข้อมูลเดิมมากเกินไป จนใช้กับประชาชนกลุ่มใหม่ไม่ได้ผล

ปัญหาเชิงธรรมาภิบาล AI (AI Governance)

นอกจากเรื่องเทคนิค ยังมีคำถามสำคัญด้านธรรมาภิบาล ได้แก่ ประชาชนรู้หรือไม่ว่ามีการใช้ AI หรือระบบอัตโนมัติในการคัดกรอง หน่วยงานเปิดเผยหลักเกณฑ์และตัวแปรที่ใช้มากน้อยเพียงใด มีการตรวจสอบความเป็นธรรม (Algorithmic Audit) เป็นระยะหรือไม่ มีการวัดอัตรา False Positive และ False Negative แล้วเปิดเผยต่อสาธารณะหรือไม่ ผู้ถูกปฏิเสธสิทธิสามารถขอคำอธิบายและอุทธรณ์โดยมีเจ้าหน้าที่ทบทวนได้จริงหรือไม่

ยังไม่มีข้อมูลสาธารณะที่ยืนยันว่ารัฐบาลใช้ AI แบบ Machine Learning เป็นผู้ตัดสินสิทธิบัตรสวัสดิการแห่งรัฐโดยตรง ระบบอาจเป็นเพียงการเชื่อมโยงฐานข้อมูลและใช้กฎเกณฑ์อัตโนมัติ (rule-based decision engine) ในการคัดกรอง ดังนั้น หากจะวิพากษ์วิจารณ์ ควรมุ่งไปที่ “ระบบคัดกรองอัตโนมัติและคุณภาพของข้อมูล” มากกว่าระบุว่า “AI เป็นผู้ทำผิด” จนกว่าจะมีหลักฐานชัดเจนเกี่ยวกับเทคโนโลยีที่ใช้จริง

นอกจาก AI สักนิด ต้องพูดถึง เกณฑ์

เกณฑ์คัดกรอง…จุดอ่อนที่ทำให้คนจน “หลุดระบบ” ข้อวิจารณ์สำคัญพุ่งไปที่หลักเกณฑ์การพิจารณาหลายข้อ ซึ่งถูกมองว่าไม่สอดคล้องกับสภาพชีวิตของประชาชน

กรณีแรก คือ การลดหย่อนภาษีของบุตร

หากลูกนำชื่อพ่อแม่ไปใช้สิทธิลดหย่อนภาษี ระบบอาจตีความว่าพ่อแม่ได้รับการอุปการะจากบุตร จึงไม่เข้าข่ายผู้มีรายได้น้อย ทั้งที่ข้อเท็จจริง ลูกจำนวนไม่น้อยเพียงใช้สิทธิทางภาษี แต่ไม่ได้ส่งเงินเลี้ยงดูพ่อแม่เป็นประจำ

กรณีที่สอง คือ การถือครองทรัพย์สิน

ประชาชนที่มีรถจักรยานยนต์เก่า หรือรถกระบะสภาพทรุดโทรมไว้ใช้ประกอบอาชีพ อาจถูกมองว่ามีทรัพย์สินเกินเกณฑ์ ทั้งที่ทรัพย์สินดังกล่าวเป็น “เครื่องมือทำกิน” มากกว่าจะสะท้อนฐานะทางเศรษฐกิจ

รัฐบาล ต้องให้ความชัดเจน ว่า ปัญหาบัตรสวัสดิการแห่งรัฐครั้งนี้ จึงไม่ใช่คำถามว่า “AI ดีหรือไม่ดี” คำถามที่ใหญ่กว่านั้นว่า กติกาที่ใช้วัดความจนของประเทศไทย ยังวัด “ความจน” ได้จริงหรือไม่ เพราะหากเกณฑ์ยังไม่สะท้อนชีวิตจริง ต่อให้ใช้ AI ที่ฉลาดที่สุด ผลลัพธ์ก็อาจยังเหมือนเดิม…

“คนจนตัวจริง อาจยังเป็นคนที่ถูกระบบมองไม่เห็น”