อัลกอริทึมจับ “แรงงานบังคับ” ได้จริงไหม หรือเรากำลังทำให้จุดบอดของตัวเองเป็นระบบอัตโนมัติ?

ห่วงโซ่อุปทานที่มีความรับผิดชอบไม่ใช่แค่เรื่อง “มีก็ดี” อีกต่อไป แต่มันกำลังกลายเป็นข้อกำหนดด้านการปฏิบัติตามกฎหมายมากขึ้นเรื่อย ๆ กติกาอย่าง Corporate Sustainability Due Diligence Directive (CSDDD) ของสหภาพยุโรป และกฎหมาย Uyghur Forced Labour Prevention Act (UFLPA) ของสหรัฐฯ ทำให้ซัพพลายเออร์และแบรนด์จำนวนมากทั่วเอเชียแปซิฟิกต้องพิสูจน์ว่า ห่วงโซ่อุปทานของตนไม่มีแรงงานบังคับ

ภายใต้แรงกดดันแบบนี้ AI ถูกนำเสนอเหมือนเป็นคำตอบสำเร็จรูป

แพลตฟอร์มหลายเจ้าบอกว่าสามารถกวาดดูเครือข่ายซัพพลายเออร์ขนาดใหญ่ได้ในไม่กี่นาที แล้วตั้งธงความเสี่ยงแรงงานบังคับก่อนที่ปัญหาจะปะทุขึ้นมา สำหรับทีมคอมพลายแอนซ์ที่จมอยู่กับสเปรดชีตไม่รู้จบ มันฟังดูเหมือนทางรอด แต่คำถามสำคัญยังคาอยู่ คือเครื่องจักรจะมองเห็นความจริงของทาสสมัยใหม่ที่ซับซ้อนและถูกซ่อนไว้ได้จริงหรือ?

คำสัญญา: เร็ว และทำได้ในวงกว้าง

AI เก่งเรื่องประมวลผลข้อมูลจำนวนมาก ถ้าคุณนั่งอยู่สิงคโปร์แต่ต้องดูซัพพลายเออร์ในเวียดนาม บังกลาเทศ และอินโดนีเซีย ปริมาณข้อมูลสามารถทำให้ทีมไหนก็ล้นมือได้

ทุกวันนี้เครื่องมือ AI มักทำได้ดีในสองด้าน

ด้านแรกคือช่วยทำแผนที่ห่วงโซ่อุปทาน โดยดึงข้อมูลอย่าง bill of lading ทะเบียนบริษัท และบันทึกการค้า มาช่วยเปิดเผยผู้เกี่ยวข้องระดับ Tier 2 และ Tier 3 ที่แบรนด์ไม่เคยรู้ว่ามีอยู่

ด้านที่สองคือช่วยสแกนสัญญาณจากพื้นที่สาธารณะ เครื่องมือ “social listening” จะไล่ดูข่าวท้องถิ่น โซเชียลมีเดีย และรายงาน NGO หลายภาษา แล้วตั้งธงเหตุการณ์อย่างการประท้วง ข้อกล่าวหา หรือกระแสข่าวลบได้รวดเร็ว

ถ้าเป้าหมายคือจัดระเบียบข้อมูล AI ช่วยได้จริง แต่ถ้าเป้าหมายคือ “ตรวจจับ” การละเมิดสิทธิมนุษยชน ภาพจะน่าอึดอัดขึ้นทันที

ความจริง: แรงงานบังคับมักไม่ทิ้งร่องรอยให้เห็น

AI ต้องอาศัยรูปแบบในข้อมูล แต่แรงงานบังคับกลับมักเกิดในพื้นที่ที่ข้อมูล “ไม่มี” หรือถูกทำให้ดูสวยงามเกินจริง

1) กับดัก “ข้อมูลสะอาด”

ความเสี่ยงหนัก ๆ ในเอเชียแปซิฟิกจำนวนมากอยู่ในงานนอกระบบ การรับเหมาช่วงที่ไม่ถูกต้องตามกฎหมาย หรือเครือข่ายนายหน้าจัดหางานที่ทำงานนอกบัญชี คนกลุ่มนี้ไม่ออกมารายงาน ไม่ปรากฏในชุดข้อมูลที่ดูเรียบร้อย และในบันทึกการค้าก็มักไม่บอกสภาพแรงงาน

ถ้าโรงงานยึดพาสปอร์ตแรงงานข้ามชาติ การบังคับนั้นอาจไม่ทิ้งร่องรอยสาธารณะเลย โมเดลที่อ่านแค่การไหลของการค้าและเอกสารบริษัทอาจเห็นว่า “โรงงานนี้ปกติ” แล้วพลาดการละเมิด เพราะมันไม่เคยถูกทำให้เป็นข้อมูลตั้งแต่แรก

2) ช่องว่างของบริบท

ความเสี่ยงด้านแรงงานไม่ใช่เรื่องคีย์เวิร์ดอย่างเดียว AI มักสะดุดกับความหมายแฝง

เครื่องมืออาจเห็นคำว่า “labour unrest” ในอินเดียแล้วตีเป็นสัญญาณเสี่ยง แต่ผู้เชี่ยวชาญมนุษย์อาจมองว่านั่นสะท้อนว่าแรงงานรวมตัว พูด และต่อรองได้ ในทางกลับกัน ความเงียบในสื่อก็ไม่ได้แปลว่าไม่มีปัญหา มันอาจแปลว่ามีการข่มขู่ การเซ็นเซอร์ หรือความกลัว

สัญญาณลวง (false positives) ก็เป็นภาระจริง หลายทีมเจอแจ้งเตือนถาโถมจากคำกว้าง ๆ แล้วต้องเสียเวลาไล่ปัด “เสียงรบกวน” มากกว่าตรวจสอบความเสียหายจริง

3) ความเสี่ยงทางกฎหมายแบบ “กล่องดำ”

กฎหมายตรวจสอบสถานะยุคใหม่ต้องการให้บริษัทอธิบายการตัดสินใจได้ ภายใต้ระบบอย่าง กฎหมายห่วงโซ่อุปทานของเยอรมนี (LkSG) บริษัทอาจต้องแสดงว่าประเมินความเสี่ยงอย่างไร และทำไมถึงลงมือแบบนั้น

ถ้าคุณเลิกกับซัพพลายเออร์เพียงเพราะ “อัลกอริทึมตั้งธง” คุณอาจอธิบายเหตุผลไม่พอ ถ้าคุณคงซัพพลายเออร์ไว้เพราะระบบให้คะแนน “ความเสี่ยงต่ำ” แล้วภายหลังพบการละเมิดรุนแรง คำว่า “ระบบบอกว่าปลอดภัย” ก็ไม่ใช่ข้อแก้ตัว

ความย้อนแย้ง: AI เองก็มีห่วงโซ่อุปทาน

มีอีกชั้นที่ชวนอึดอัด เพราะ AI จำนวนมากพึ่ง “งานหลังฉาก” เช่นการติดป้ายกำกับข้อมูล และการคัดกรองเนื้อหา งานเหล่านี้มักจ้างเหมาช่วงไปยังแรงงานค่าจ้างต่ำในประเทศกำลังพัฒนา สภาพงานอาจเปราะบาง ทำให้คำโฆษณาเรื่อง “เครื่องมือเพื่อความเป็นธรรม” ฟังดูขัดแย้ง เพราะตัวเครื่องมืออาจตั้งอยู่บนรูปแบบการจ้างงานที่ยังมีคำถามด้านสวัสดิภาพ

ทางที่ดีกว่า: “ปัญญาเสริม” (augmented intelligence)

AI ช่วยได้ แต่ไม่ควรเป็นคนขับ มันเหมาะเป็นผู้ช่วยมากกว่า

แนวทางแบบผสมมักให้ผลแข็งแรงกว่า

AI ช่วยคัดกรองเบื้องต้นได้ เช่นทำแผนที่ซัพพลายเออร์ จัดกลุ่มความเสี่ยงตามอุตสาหกรรมและภูมิศาสตร์ และชี้จุดร้อนที่ควรตรวจสอบก่อน

แต่การยืนยันต้องเป็นงานของคน การสัมภาษณ์แรงงานนอกสถานที่ การตรวจแบบไม่แจ้งล่วงหน้า และพันธมิตรท้องถิ่นที่ไว้ใจได้ ยังเป็นวิธีที่ใช้จับ “พันธนาการหนี้” การคุกคามทางเพศ การข่มขู่ และการบังคับทางจิตใจ ซึ่งแทบไม่ขึ้นมาในแดชบอร์ด

เทคโนโลยีช่วยเพิ่มการตรวจสอบย้อนกลับได้ แต่แทนความรับผิดชอบไม่ได้

คุณทำเอกสารให้เป็นอัตโนมัติได้ แต่คุณทำ “ความไว้ใจ” ให้เป็นอัตโนมัติไม่ได้