สรุปความรู้จากงาน AIS ACADEMY for THAIS 2026 เจาะลึก 5 บทเรียนช่วยสเกลธุรกิจด้วย AI

93% ขององค์กรที่นำ AI ไปใช้แล้วยังขยายผลต่อไม่ได้ คือตัวเลขที่ คุณวัตสัน ถิรภัทรพงศ์ Country Manager, Amazon Web Services (AWS) ประเทศไทย หยิบขึ้นมาเปิดเซสชันบนเวที AI for Business ในงาน AIS ACADEMY for THAIs 2026: MASTERING AI BEYOND BORDERS จัดโดย AIS Academy พร้อมอธิบายว่าไม่ได้หมายถึงความล้มเหลว แต่หมายถึงการใช้งานที่หยุดอยู่แค่การสรุปการประชุมหรือย่อเอกสาร จนไม่เกิดผลลัพธ์ทางธุรกิจ ซึ่งเป็นข้อสรุปเดียวกับที่ผู้บริหารจาก Google Cloud, Sea (Thailand), AI Singapore, AWS และที่ปรึกษาด้านการวางระบบธุรกิจ พูดตรงกันตลอดเวทีช่วงเช้า ว่าความสามารถของ AI ไม่ใช่ข้อจำกัดอีกต่อไปแล้ว สิ่งที่ยังเป็นข้อจำกัดคือโจทย์ที่ตั้ง ความพร้อมของข้อมูล บุคลากร และกระบวนการทำงานที่รองรับ

เลิกมอง AI เป็นเครื่องมือ แล้วเริ่มถามว่าทำอะไรกับไฟฟ้าได้บ้าง

จุดตั้งต้นถูกวางไว้ตั้งแต่เซสชันแรก คุณสรุจ ทิพเสนา Country Manager, Google Cloud ประเทศไทย เปิดหัวข้อ 'ปลดล็อกศักยภาพมนุษย์ด้วย AI' ด้วยการอ้างคำพูดของ Sundar Pichai ซีอีโอ Google ที่ระบุว่า AI ไม่ใช่เครื่องมือ แต่เป็นการเปลี่ยนแปลงของเทคโนโลยีระดับพื้นฐาน เทียบได้กับการค้นพบไฟหรือไฟฟ้า

ความแตกต่างของสองมุมมองนี้ส่งผลต่อจินตนาการขององค์กรโดยตรง คุณสรุจ อธิบายว่าหากยังมองว่า AI เป็นเครื่องมือ ก็จะใช้ได้เพียงระดับเครื่องมือ แต่ถ้ามองเป็นการเปลี่ยนผ่านของเทคโนโลยี คำถามจะเปลี่ยนไปเป็นว่าทำอะไรกับสิ่งนี้ได้บ้าง เหมือนที่มนุษย์เคยตั้งคำถามกับไฟฟ้า

ตัวอย่างที่ยกมาประกอบมาจาก Google DeepMind หน่วยวิจัยที่พัฒนาโมเดลใหม่ก่อนส่งต่อมาให้บริการผ่าน Google Cloud เริ่มจาก AlphaGenome ที่เพิ่งเปิดตัว ซึ่งสร้างขึ้นเพื่อทำความเข้าใจรหัสพันธุกรรมมนุษย์ ในจีโนมของคนเรามีเพียงราว 2% ที่เป็นส่วนสร้างโปรตีน ส่วนอีก 98% เป็นบริเวณที่ไม่ได้สร้างโปรตีนโดยตรง ยังเข้าใจได้ไม่ครบ แต่เชื่อมโยงกับโรคจำนวนมาก ปัจจุบันห้องปฏิบัติการวิจัยและบริษัทยาใช้ AlphaGenome ตั้งสมมติฐานทางวิทยาศาสตร์เพื่อทดสอบยาใหม่ ออกแบบลำดับดีเอ็นเอ และทำแผนที่การทำงานของยีน

ถัดมาคือ AlphaFold ซึ่งช่วยย่นเวลาวิเคราะห์โครงสร้างโปรตีน คุณสรุจ อ้างคำพูดของนักวิทยาศาสตร์ผู้ใช้งานว่า AI เปลี่ยนงานที่ปกติใช้เวลาเป็นปีให้เสร็จได้ภายในสุดสัปดาห์เดียว และหลักการเดียวกันยังถูกนำไปใช้กับสารเคมี เช่น งานวิจัยพลาสติกที่ย่อยสลายได้เองของมหาวิทยาลัยแห่งหนึ่งในเยอรมนี ส่วนตัวอย่างสุดท้ายคือ WeatherNext 3 โมเดลพยากรณ์อากาศที่ดึงข้อมูลดาวเทียมแบบเรียลไทม์เข้ามาประมวลผล ทำให้ความละเอียดของการพยากรณ์ลดจากระดับ 25 กิโลเมตร เหลือราว 5 กิโลเมตร ซึ่งเทียบได้กับการพยากรณ์ในระดับอำเภอหรือตำบล คุณสรุจ ยกตัวอย่างการทดสอบกับพายุเฮอร์ริเคน Beryl ที่ความแม่นยำต่างกันเพียงเล็กน้อย หมายถึงการประเมินว่าพายุจะขึ้นฝั่งที่รัฐเท็กซัสหรือเม็กซิโก ซึ่งเป็นระยะที่ห่างกันมาก

เมื่อย้อนกลับมาที่คน คุณสรุจ สรุปแนวทางปรับตัวไว้ 5 ข้อ 

• ข้อแรกคือให้มอง AI เป็นตัวคูณ ไม่ใช่เครื่องมือ เพราะสิ่งที่ AI ทำได้ดีที่สุดคือทำให้เรื่องที่เราเก่งอยู่แล้วเร็วขึ้นและมากขึ้น 
• ข้อที่สองคือเลิกมอง AI ในฐานะเครื่องมือเพิ่มประสิทธิภาพ แล้วเปลี่ยนไปตั้งคำถามว่าจะใช้ทำสิ่งที่เดิมทำไม่ได้อย่างไร เทียบกับการที่กล้องในสมาร์ทโฟนทำให้คนทั้งโลกถ่ายภาพได้ดีโดยไม่ต้องเรียนวิธีใส่ฟิล์มหรือวัดแสง
• ข้อที่สามคือทักษะที่สำคัญในยุคนี้ไม่ใช่การหาคำตอบ แต่คือการตั้งคำถามให้ถูก โดย คุณสรุจ เตือนว่า 'ถ้าตั้งคำถามผิด แล้วเอา AI มาช่วยตอบคำถามผิด ก็จะยิ่งผิดไปด้วยตัวคูณ' และเมื่อคอนเทนต์ผลิตได้ง่ายขึ้น ทักษะที่จำเป็นจึงเป็นการเลือกเสพและตัดสินว่าอะไรสำคัญ 
• ข้อที่สี่คือให้มอง AI เป็นคลังความรู้ที่อยู่ในมือทุกคน องค์ความรู้ที่เคยเข้าถึงยากอย่างความมั่นคงปลอดภัยไซเบอร์ (Cyber Security) กำลังถูกทำให้เข้าถึงง่ายขึ้นมาก
• ข้อสุดท้ายเป็นข้อที่ คุณสรุจ ย้ำว่าสำคัญที่สุด คือเมื่อชิ้นงานผลิตได้ง่ายขึ้น คุณค่าของคนจะย้ายจากชิ้นงานไปอยู่ที่ตัวคน ทั้งทักษะการเล่าเรื่อง การฟัง การประสานงาน และความเข้าอกเข้าใจเพื่อนร่วมงานและลูกค้า ซึ่งเป็นสิ่งที่ AI ยังทำแทนไม่ได้ตราบใดที่คนยังต้องทำงานกับคน

เมื่อโมเดลไม่ใช่โจทย์อีกต่อไป ช่องว่างที่เหลือคืออะไร

ถ้าความสามารถของ AI เดินมาถึงจุดนั้นแล้ว คำถามถัดมาคือเหตุใดองค์กรจำนวนมากจึงยังไม่เห็นผลลัพธ์ Dr. Leslie Teo, Senior Director of AI Products จาก AI Singapore ตอบคำถามนี้ในเซสชัน The Age of Useful AI: AI Now, AGI Ahead? ด้วยการเปรียบเทียบกับกระเป๋าวิเศษของโดราเอมอน ว่าการมีเครื่องมือครบเต็มกระเป๋าไม่ได้แปลว่าจะแก้ปัญหาจริงและสร้างผลกระทบต่อชีวิตคนได้

ในแง่ความสามารถ Dr. Leslie ระบุว่าไม่มีข้อสงสัย ข้อมูลจาก METR กลุ่มวิจัยที่วัดความสามารถของโมเดล ชี้ว่าความยาวของงานที่ AI ทำสำเร็จได้เพิ่มขึ้นแบบทวีคูณ โดยเพิ่มเป็นสองเท่าทุกราว 7 เดือน เทียบกับกฎของมัวร์ (Moore's Law) ในยุคเซมิคอนดักเตอร์ที่ใช้เวลา 24 เดือน หรือเร็วกว่ายุคดิจิทัลเกือบสามเท่า ความเร็วของการแพร่กระจายก็ต่างจากเทคโนโลยีรุ่นก่อนอย่างชัดเจน เครื่องจักรไอน้ำใช้เวลาราว 80 ปีกว่าจะไปถึงประเทศรายได้ปานกลาง ไฟฟ้าใช้ 40 ปี อินเทอร์เน็ตใช้ราว 20 ปี ขณะที่ ChatGPT มีผู้ใช้ในกลุ่มประเทศรายได้ปานกลางภายในเวลาราวครึ่งปี

แต่ประเด็นหลักที่ Dr. Leslie ต้องการเน้นคือสิ่งที่รายงาน World Development Report ของธนาคารโลกระบุไว้ ว่าสิ่งที่ควรกังวลไม่ใช่ Artificial General Intelligence (AGI) หรือ AI ที่มีความสามารถทั่วไปเทียบเท่ามนุษย์ แต่คือวิธีที่เรานำ AI ไปใช้ จึงมีนาฬิกาสองเรือนที่ต้องดู เรือนแรกคือนาฬิกาของแนวหน้าเทคโนโลยี (Frontier Clock) ที่วัดว่าโมเดลเก่งขึ้นแค่ไหนและมีความเสี่ยงอะไร ส่วนเรือนที่สองซึ่ง Dr. Leslie ให้ความสำคัญมากกว่าคือนาฬิกาของผลกระทบ (Impact Clock) ที่วัดว่าเทคโนโลยีนี้ถูกทำให้ใช้งานได้จริง เชื่อถือได้ และย้ายจากการทดลองไปสู่ระบบงานจริงได้เร็วแค่ไหน

ช่องว่างระหว่างนาฬิกาสองเรือนนี้เห็นได้จากตัวเลข งานวิจัยที่สำรวจการนำ AI ไปใช้ในระบบสาธารณสุขราว 10,000 กรณี พบว่ามีเพียงราว 60 กรณีที่มีการวัดผลตอบแทนการลงทุน และมีราว 20 กรณีเท่านั้นที่วัดผลกระทบได้จริง ด้านบวกก็มีอยู่เช่นกัน Dr. Leslie ระบุว่างานศึกษาจำนวนมากให้ตัวเลขการปรับปรุงใกล้เคียงกันที่ราว 30% ทั้งในแง่เวลาที่ประหยัดได้และคุณภาพของงาน ตัวอย่างที่ยกมาคือ Rori ผู้ช่วยสอนคณิตศาสตร์ผ่านแอปพลิเคชันแชทในประเทศกานา ซึ่งมีการบันทึกผลการเรียนที่ดีขึ้นด้วยต้นทุนเพียง 5 ดอลลาร์ต่อคน และหากขยับจากระดับงานย่อยไปสู่ระดับมหภาคได้ ผลิตภาพของภูมิภาคเอเชียตะวันออกเฉียงใต้ซึ่งลดลงมาอยู่ที่ราว 0.5% อาจกลับไปที่ระดับในอดีตที่ 2% ซึ่งเมื่อทบต้นไป 20 ปี จะทำให้ขนาดเศรษฐกิจใหญ่ขึ้นอีก 30 ถึง 40%

คำถามคือจะไปถึงจุดนั้นได้อย่างไร Dr. Leslie ย้ำว่าคำตอบไม่ได้อยู่ที่ตัวโมเดลอีกแล้ว เพราะระยะห่างระหว่างโมเดลแบบ Open-weight ซึ่งเปิดให้ดาวน์โหลดค่าน้ำหนักของโมเดลไปใช้งานต่อได้ กับโมเดลแบบปิด ปัจจุบันเหลือเพียงราว 4 เดือนตามการวัดของ Epoch AI สิ่งที่เป็นช่องว่างจริงมีสามเรื่อง คือบริบท (Context) การประเมินผล (Evaluation) และโครงที่ครอบการทำงานของโมเดล (Harness)

บริบทเริ่มตั้งแต่ข้อมูลที่ใช้ฝึกโมเดล เมื่อ AI Singapore เริ่มทำงานเมื่อราวสามปีก่อน สัดส่วนข้อมูลจากเอเชียตะวันออกเฉียงใต้ในโมเดลส่วนใหญ่อยู่ที่ราว 0.5% ของโทเคน (Token) หรือหน่วยข้อมูลที่ใช้ฝึกโมเดลทั้งหมด ทั้งที่ภูมิภาคนี้มีประชากรรวมกันเกือบ 10% ของโลก ปัจจุบันโครงการ SEA-LION ซึ่งเป็นโมเดล Open-weight ที่พัฒนาร่วมกับพันธมิตรในไทย ขยายข้อมูลจาก 100,000 ล้านโทเคน มาอยู่ที่เกือบ 1.5 ล้านล้านโทเคน แม้ยังห่างจากชุดข้อมูลภาษาอังกฤษขนาดใหญ่ที่มีมากกว่า 30 ล้านล้านโทเคนก็ตาม

บริบทยังหมายถึงสภาพการใช้งานจริงด้วย Dr. Leslie ยกตัวอย่างความพยายามสร้างโมเดลตรวจภาวะแทรกซ้อนทางจอประสาทตาจากโรคเบาหวานในไทย ซึ่งทีมที่คุ้นเคยกับระบบแบบตะวันตกมักใช้ภาพฝึกสอนที่ถ่ายในสภาพแสงสมบูรณ์ แต่เมื่อนำมาใช้งานจริงในภูมิภาคนี้ ภาพจำนวนมากไม่ได้ถ่ายในสภาพอุดมคติ และโมเดลก็อ่านภาพเหล่านั้นไม่ออก

เรื่องที่สองคือการประเมินผล Dr. Leslie ระบุว่าตอนเริ่มงาน เกณฑ์วัดผล (Benchmark) สำหรับภูมิภาคนี้ราว 70% เป็นการแปลเกณฑ์ภาษาอังกฤษด้วยเครื่อง ซึ่งนอกจากจะทำให้สำนวนไม่เป็นธรรมชาติแล้ว ยังวัดสิ่งที่ไม่เกี่ยวกับบริบทท้องถิ่น เช่น คำถามว่าฮาโลวีนคืออะไร หรือประธานาธิบดีสหรัฐคนใดประกาศเลิกทาส ที่สำคัญกว่านั้นคือการประเมินในระดับกรณีใช้งาน เพราะการศึกษาในไทยก็คือการศึกษาในไทย วิธีที่เด็กเรียนรู้และวิธีที่แต่ละวัฒนธรรมคิด ไม่ได้เหมือนกันทุกที่ ซึ่งใช้ได้กับงานการแพทย์ การเงิน และบริการสาธารณะเช่นกัน

เรื่องที่สามคือ Harness ทั้งการกำหนดว่าโมเดลจะใช้ความจำชุดใด ทำงานตามลำดับขั้นอย่างไร ทำอะไรได้หรือไม่ได้ และเก็บร่องรอยสำหรับตรวจสอบย้อนหลังอย่างไร Dr. Leslie ระบุว่าในช่วงสี่เดือนที่ผ่านมาให้เวลากับเรื่องนี้มากกว่าตัวโมเดล เพราะผลลัพธ์ต่างกันชัดเจน ในการศึกษากับนักพัฒนา โมเดลที่ทำงานอยู่ใน Harness ให้ผลดีกว่าถึง 50% ส่วนตัวอย่างที่ชัดกว่านั้นอยู่ในห้องเรียน เมื่อให้นักเรียนใช้ ChatGPT โดยไม่มีครูร่วมออกแบบและไม่มี Harness ที่เหมาะสม ผลคือนักเรียนทำได้ดีขึ้นระหว่างที่ยังมีเครื่องมืออยู่ แต่เมื่อนำเครื่องมือออก ผลการเรียนกลับลดลง ขณะที่กลุ่มซึ่งใช้ Harness ที่ออกแบบมาดี นักเรียนยังเรียนรู้ได้จริงแม้ไม่มี AI ช่วย จนอาจกล่าวได้ว่าการออกแบบส่วนนี้เปลี่ยนเครื่องหมายของผลลัพธ์ได้เลย

ทั้งสามเรื่องเป็นงานหนักที่ต้องอาศัยคน Dr. Leslie จึงเสนอให้สร้างสิ่งที่ควรสร้างเพียงครั้งเดียวร่วมกัน ทั้งข้อมูล เกณฑ์วัดผล และ Harness แล้วไปแข่งขันกันในชั้นที่สูงขึ้น โดยยกตัวอย่างกลุ่มในไทยที่พัฒนาโมเดลภาษาไทยต่อยอดจากฐาน Open-weight เช่น WangchanGLM ของ VISTEC, Typhoon และ OpenThaiGPT

5 เคสจริงจากองค์กรไทย เมื่อ AI ขยับจากการสรุปประชุมไปอยู่ในตัวเลขยอดขาย

ช่องว่างที่ Dr. Leslie อธิบายในเชิงหลักการ ปรากฏเป็นตัวเลขในเซสชัน 'ตีแผ่ 5 เคสจริง AI เปลี่ยนธุรกิจ' ของ คุณวัตสัน ถิรภัทรพงศ์, Country Manager, AWS Thailand ซึ่งเลือกยกเฉพาะกรณีขององค์กรไทยที่ใช้งานจริงแล้ว ครอบคลุมทั้งการลดต้นทุน การเพิ่มประสิทธิภาพการทำงาน และการสร้างบริการใหม่ โดยเริ่มจากข้อสังเกตของ Andy Jassy ซีอีโอ Amazon ที่ว่าสิ่งเดียวที่การค้าออนไลน์ยังเอาชนะร้านที่มีหน้าร้านจริงไม่ได้ คือการมีพนักงานคอยตอบคำถามได้ทันที เพราะการช้อปปิ้งออนไลน์ทุกวันนี้ผู้ซื้อต้องรู้ก่อนว่าจะซื้ออะไร เทคโนโลยี Agentic AI หรือ AI ที่ทำงานแทนผู้ใช้ได้เป็นขั้นตอน ทำให้ช่องว่างนี้แคบลง ดังที่ Amazon พัฒนาผู้ช่วยช้อปปิ้งชื่อ Rufus ให้ลูกค้าถามด้วยภาษามนุษย์ เช่น ต้องการเกมกระดานเป็นของขวัญให้ลูกชายวัย 9 ขวบ แล้วได้คำแนะนำกลับมาทันที

แนวคิดเดียวกันถูกนำมาใช้กับบิ๊กซี ก่อนหน้านี้บิ๊กซีให้บริการผ่านแอปพลิเคชันแชท โดยมีพนักงานรับคำสั่งซื้อ หยิบของใส่ตะกร้า และจัดส่ง ซึ่งสร้างยอดขายได้กว่า 2,000 ล้านบาทต่อปี มีคำสั่งซื้อราว 4,000 รายการต่อวัน และใช้พนักงาน 18 คนต่อกะ ปัญหาคือรูปแบบนี้ขยายต่อไม่ได้ เพราะการเพิ่มยอดขายผูกอยู่กับการเพิ่มคน บิ๊กซีจึงจัดแฮกกาธอนภายในเพื่อถอดข้อจำกัดนี้ ผลที่ได้คือโครงการชื่อ Biggie ซึ่งอยู่ระหว่างทดลองใช้กับลูกค้า 35,000 คน จุดเปลี่ยนอยู่ที่วิธีถาม จากเดิมที่ลูกค้าต้องรู้ว่าจะซื้ออะไร กลายเป็นถามว่าถ้าต้องการทำไข่เจียวหมูสับต้องใช้อะไรบ้าง แล้วระบบจะแจกแจงรายการพร้อมสินค้าให้เลือกซื้อทันที เบื้องหลังมีการออกแบบระบบกลาง (Gateway) ที่เลือกโมเดลได้ พร้อมการป้องกันการใช้ทรัพยากรเกินจำเป็นและคำถามที่ไม่เกี่ยวกับการช้อปปิ้ง ผลที่ตามมาคืออัตราการปิดการขาย (Conversion Rate) สูงขึ้น และมูลค่าต่อตะกร้าเพิ่มขึ้นเกือบ 10%

เคสที่สองยังอยู่ในค้าปลีกแต่ย้ายไปหลังบ้าน 7-Eleven เผชิญปัญหาสินค้าขาดจากชั้นวาง ซึ่งวิธีแก้แบบเดิมคือเพิ่มสต็อก แต่นั่นหมายถึงต้นทุนที่สูงขึ้น ความยากคือแต่ละสาขามีบริบทต่างกัน บางแห่งอยู่ใกล้โรงเรียน บางแห่งใกล้โรงพยาบาลหรือโรงงาน และความต้องการยังเปลี่ยนไปตามช่วงปิดภาคเรียน 7-Eleven จึงฝึกโมเดลด้วยข้อมูลย้อนหลัง ปฏิทินการเปิดปิดภาคเรียน สภาพอากาศ และกิจกรรมในพื้นที่ เพื่อคาดการณ์อุปสงค์และอุปทาน (Demand and Supply Forecasting) ลงไปถึงระดับรายสาขากว่าหมื่นแห่ง ซึ่งเท่ากับการทำให้สินค้าในแต่ละสาขาแตกต่างกันตามลักษณะของทำเล ผลคือปัญหาสินค้าขาดจากชั้นวางลดลงถึง 40% โดยลดปริมาณสินค้าคงคลังลงเกือบ 30 ถึง 40% ไปพร้อมกัน

เคสที่สามคือการเปลี่ยนองค์ความรู้ขององค์กรให้กลายเป็นระบบที่ถามได้ ไทยออยล์เป็นโรงกลั่นที่ดำเนินงานมา 64 ปี และเผชิญปัญหาที่โรงงานเก่าแก่ทุกแห่งต้องเจอ คือเมื่อพนักงานเกษียณ องค์ความรู้จะหายไปพร้อมกับตัวบุคคล ทีมงานจึงรวบรวมข้อมูลที่กระจัดกระจาย ทั้งแบบทางวิศวกรรม บันทึกการตรวจสอบหน้างาน อีเมล มาตรฐานการทำงาน ไปจนถึงการสัมภาษณ์พนักงานที่ใกล้เกษียณ มาสร้างเป็นระบบที่ตั้งชื่อว่า EQ

ความแตกต่างอยู่ที่คุณภาพของคำตอบ คำถามอย่างขั้นตอนการซื้อของเข้าแผนก ระบบเดิมจะตอบเพียงว่าต้องเปิดใบขอซื้อและใบสั่งซื้อ แต่ EQ จะเพิ่มข้อควรระวังที่มาจากประสบการณ์จริง เช่น ห้ามแบ่งคำสั่งซื้อออกเป็นส่วนย่อยเพื่อป้องกันการทุจริต และต้องตรวจสอบว่าคู่ค้าผ่านการขึ้นทะเบียนเรียบร้อยแล้ว ส่วนคำถามทางเทคนิคที่มีความละเอียดอ่อนสูง เช่น ข้อควรระวังก่อนเชื่อมจุดบนท่อส่ง เดิมต้องสอบถามวิศวกรอาวุโสและผู้เชี่ยวชาญหลายฝ่าย ใช้เวลาเกือบสองสัปดาห์กว่าจะรวบรวมข้อมูลเข้าที่ประชุมได้ ปัจจุบันลดเหลือราว 5 นาที

ปีนี้ไทยออยล์พัฒนาต่อเป็น AI Agent 5 ตัว ครอบคลุมงานตรวจสอบหน้างาน กระบวนการกลั่น การเผาไหม้ การวิเคราะห์ปริมาณการกลั่นตามความผันผวนของราคาน้ำมัน และการฝึกอบรมพนักงาน โครงการนำร่องกับพนักงาน 50 คนประหยัดเวลาได้เฉลี่ยราว 14,000 ชั่วโมงต่อปี คิดเป็นมูลค่าประมาณ 8.6 ล้านบาทต่อปี เทียบกับต้นทุนราว 4 ล้านบาท ซึ่งหมายถึงคืนทุนได้ภายในครึ่งปี และหากขยายให้วิศวกรทั้ง 2,000 คนได้ใช้ มูลค่าที่ประเมินไว้จะอยู่ที่กว่า 300 ล้านบาทต่อปี

เคสที่สี่คือ บริษัท ปตท. น้ำมันและการค้าปลีก (OR) ซึ่งยกงาน AI จากหลังบ้านมาไว้หน้าบ้าน กรณีแรกคือการพิจารณาคำขอเปิดสถานีบริการน้ำมัน เมื่อผู้สนใจยื่นเรื่องเข้ามา ระบบจะวิเคราะห์ข้อมูลเชิงพื้นที่ (Geo-Analytics) ว่ารอบตำแหน่งนั้นมีสถานีบริการของ ปตท. และรายอื่นอยู่กี่แห่ง ปริมาณการสัญจรเป็นอย่างไร จะสร้างรายได้และกำไรได้จริงหรือไม่ และจะไปแย่งลูกค้ากับสถานีเดิมในเครือหรือไม่ ซึ่งเป็นข้อมูลที่ผู้ลงทุนแฟรนไชส์ใช้ประเมินระยะเวลาคืนทุนได้ ส่วนกรณีที่สองคือประสบการณ์ลูกค้าในสถานีบริการ เมื่อได้รับความยินยอมตามพระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคล (PDPA) แล้ว ระบบจะระบุได้ว่ารถที่ขับเข้ามาเป็นของลูกค้ารายใด แล้วนำเสนอโปรโมชันที่ตรงกับพฤติกรรม เช่น ลูกค้าประจำของ Café Amazon หรือบริการอื่นในสถานีอย่างโปรโมชันยางรถยนต์ของ FIT Auto

เคสที่ห้าเป็นงานหลังบ้านล้วน แสนสิริมีคู่ค้าและพันธมิตรจำนวนมาก ทำให้ต้องจัดการใบแจ้งหนี้ราว 50,000 รายการต่อเดือน และต้องใช้คนตรวจสอบว่าข้อมูลถูกต้องหรือขัดแย้งกับรายการอื่นหรือไม่ เมื่อนำ AI มาใช้ นอกจากการอ่านตัวอักษรจากภาพ (Optical Character Recognition หรือ OCR) ระบบยังพิจารณาบริบทว่าข้อมูลในใบแจ้งหนี้สอดคล้องกับยอดที่ต้องชำระหรือไม่ ทำให้เวลาที่ใช้จัดการเรื่องนี้ลดลงเกือบครึ่งหนึ่ง

ส่วนสุดท้ายที่ คุณวัตสัน ฝากไว้คือวิธีทำงานของนักพัฒนา ซึ่งแบ่งได้เป็นสามแบบ แบบแรกคือปล่อยให้ AI เขียนโค้ดต่อเนื่องจากคำสั่งเดียวแล้วมาดูผลตอนจบ ซึ่งเร็วแต่มีโอกาสผิดพลาดสูงจากอาการหลอน แบบที่สองคือนักพัฒนายังเขียนเองเป็นหลักแล้วให้ AI ช่วยเล็กน้อย ซึ่งได้ผลใกล้เคียงที่ต้องการแต่ใช้เวลามาก และแบบที่สามคือ AI Software Development Life Cycle (AI SDLC) หรือการพัฒนาที่ขับเคลื่อนด้วยข้อกำหนด โดยเริ่มจากคนบอกความต้องการ ให้ AI ร่างเป็นข้อกำหนด (Specification) แล้วคนตรวจทานก่อนไปต่อในขั้นออกแบบและเขียนโค้ด ทำให้มีจังหวะที่คนกับ AI ทำงานร่วมกันเป็นระยะตลอดเส้นทาง ซึ่ง คุณวัตสัน ระบุว่าช่วยให้ประสิทธิภาพการใช้ AI สูงขึ้นมาก และยกตัวอย่างบริษัทซอฟต์แวร์ไทยด้านระบบงานบุคคลและเงินเดือนที่ใช้วิธีนี้แล้วได้กรณีใช้งานจริงภายใน 2 วัน

สำหรับองค์กรที่ไม่ได้อยู่ในกลุ่มค้าปลีกหรือพลังงานอย่างที่ยกตัวอย่างไป คุณวัตสัน แนะนำให้เริ่มจากงานที่ใช้ได้กับทุกอุตสาหกรรมก่อน ทั้งงานการเงิน บัญชี จัดซื้อ และงานบริการลูกค้า ซึ่งเป็นจุดที่ธุรกิจขนาดกลางและขนาดย่อมเริ่มต้นได้โดยไม่ต้องลงทุนสูง โดยปิดท้ายว่าทั้งหมดนี้เริ่มต้นไม่ได้เลยถ้าไม่ได้ลองใช้

เมื่อซีอีโอเรียกผู้บริหารมาถามทุกสัปดาห์ว่าสร้าง Agent แล้วหรือยัง

กรณีศึกษาเหล่านั้นจะเกิดขึ้นได้ก็ต่อเมื่อองค์กรพร้อมก่อน ซึ่งเป็นสิ่งที่ ดร.ศรุต วานิชพันธุ์ Senior Director, Sea (Thailand) เล่าไว้ในเซสชัน 'เติบโตด้วยพลัง AI: Scaling Through Technology with AI' โดย Sea Group เป็นบริษัทแม่ของ Garena, Shopee และธุรกิจการเงินดิจิทัลอย่าง ShopeePay และ SPayLater

ดร.ศรุต ระบุว่าสิ่งที่ทำให้กลุ่มบริษัทอยู่รอดมาถึงวันนี้คือความสามารถในการปรับตัว (Adaptability) Garena เริ่มจากเกมบนคอมพิวเตอร์ก่อนย้ายมาเกมมือถือซึ่งเป็นคนละกลุ่มผู้เล่นกันโดยสิ้นเชิง Shopee เริ่มจากตลาดนัดออนไลน์ที่ใครขึ้นมาขายก็ได้ แล้วค่อยยกระดับคุณภาพด้วย Shopee Mall และการขนส่งที่เร็วขึ้น ส่วนธุรกิจการเงินเริ่มจากจุดเติมเงินเกมก่อนขยายเป็นกระเป๋าเงินดิจิทัลเต็มรูปแบบ

คลื่นก่อนหน้านี้อย่าง Metaverse บริษัทเลือกไม่ลงไปเล่น แต่กับ AI ดร.ศรุต ระบุว่าผู้ก่อตั้งและซีอีโอเห็นตั้งแต่ต้นปีที่แล้วว่าเป็นเทคโนโลยีที่จะเปลี่ยนเกมแน่นอน และหากตามไม่ทันเหมือนตอนที่คลื่นมือถือเข้ามา ก็จะตกขบวน จึงออกมาเป็นนโยบายที่ชัดเจน คือทุกคนในองค์กรต้องเรียนรู้และลงมือใช้ ทุกคนมีเครื่องมือ AI ใช้ มีการฝึกอบรม มี AI Community Hub และทุกคนต้องสร้าง Agent ของตัวเอง โดยซีอีโอเรียกผู้บริหารระดับสูงมาประชุมทุกสัปดาห์เพื่อถามว่าสัปดาห์นี้สร้าง Agent แล้วหรือยัง แล้วไล่ลงไปทุกทีม เกิดเป็นแรงขับทั้งจากบนลงล่างและจากล่างขึ้นบนพร้อมกัน

ด้านเครื่องมือ บริษัทเปิดรับเครื่องมือจากภายนอกทั้งหมด ทั้ง Gemini, ChatGPT, Codex และ Copilot แต่ ดร.ศรุต ระบุว่ายังไม่เพียงพอ เพราะการให้บริการในภูมิภาคนี้มีความหลากหลายทางภาษาสูง จึงพัฒนา Large Language Model (LLM) ของตัวเองสำหรับงานอีคอมเมิร์ซและภาษาในภูมิภาค พร้อมสร้าง Agent ที่เชื่อมกับระบบภายในให้พนักงานใช้ สรุปได้เป็นสามมุมที่ต้องมองไปพร้อมกัน คือมุมของคน มุมของเทคโนโลยี และมุมของการลงมือทำเอง

ผลของการปรับตัวปรากฏออกมาในตัวผลิตภัณฑ์ ฝั่งเกม พาร์ทเนอร์ผู้พัฒนาเกม EA Sports FC นำรูปแบบการเล่นของผู้เล่นจริงมาฝึกผู้รักษาประตูที่เป็น AI ผ่านสถานการณ์นับหมื่นแบบ จนช่วยเซฟลูกได้เพิ่มขึ้น 10 ถึง 20% ทำให้เกมสนุกขึ้น ส่วนเกม Gran Turismo 7 ของ Sony และ Polyphony สร้างคู่แข่งที่เป็น AI ซึ่งเรียนรู้วิธีขับจากผู้เล่นฝีมือดี ทั้งการเข้าโค้งที่ถูกต้องและการขับอย่างมีมารยาท กลายเป็นโหมดใหม่ในเกม ขณะที่การพัฒนาตัวละครใหม่ซึ่งเดิมใช้เวลาราว 6 เดือนตั้งแต่ร่างแบบ ปั้นโมเดล จนถึงทำเอฟเฟกต์ ปัจจุบันลดเหลือ 1 ถึง 2 เดือน และทำได้หลายตัวพร้อมกัน ซึ่ง ดร.ศรุต มองว่าเป็นโอกาสของผู้ที่สนใจพัฒนาเกม

ฝั่งอีคอมเมิร์ซ ดร.ศรุต ยกปัญหาที่สินค้าแฟชั่นราคาสูงขายยาก เพราะผู้ซื้อไม่มั่นใจว่าจะเหมาะกับตัวเองหรือไม่ ไซส์พอดีหรือเปล่า และไม่มีห้องลอง Shopee จึงทดลองฟีเจอร์ AI Look ที่ให้ผู้ใช้อัปโหลดรูปตัวเอง แล้วสร้างภาพสวมใส่สินค้าในฉากหลังต่าง ๆ พร้อมกดซื้อได้ทันที ส่วนฝั่งผู้ขาย เครื่องมือ Shopee AI Optimizer ช่วยผู้ขายรายเล็กที่ไม่มีสตูดิโอ ไม่มีกล้องดี ๆ และไม่มีนายแบบนางแบบ ให้สร้างภาพสินค้าที่เหมาะกับการวางขายได้จากรูปตั้งต้นเพียงรูปเดียว

พฤติกรรมการค้นหาก็กำลังเปลี่ยนไปด้วย ปัจจุบันผู้ใช้สามารถเชื่อม Shopee เข้ากับ ChatGPT แล้วอธิบายสิ่งที่ต้องการด้วยภาษาธรรมชาติ เช่น รองเท้าหน้ากว้างที่มีพื้นรองรับ ไม่ใช่แบบพื้นแบน แล้วให้ระบบคัดกรองแบรนด์และช่วงราคามาให้ ก่อนกดเข้าไปซื้อใน Shopee ได้ทันที การเชื่อมต่อนี้ยังเปิดให้ผู้ขายดึงข้อมูลสินค้าในหมวดเดียวกันมาวิเคราะห์ตลาดของตัวเองได้ จากเดิมที่ต้องเก็บข้อมูลเองทีละรายการ นอกจากนี้ Shopee ยังใช้ AI ช่วยผู้ขายไทยที่ต้องการขายข้ามประเทศ ทั้งการสร้างร้านคู่ขนานในฟิลิปปินส์ มาเลเซีย และสิงคโปร์ และการแปลภาษาในการตอบลูกค้าให้อัตโนมัติ ซึ่งช่วยให้การบริหารร้านในหลายประเทศทำได้ง่ายขึ้น

ในระดับระบบนิเวศ Sea ร่วมกับ OpenAI จัดแฮกกาธอน Codex ระดับภูมิภาคครั้งแรกที่สิงคโปร์ มีผู้สมัคร 1,400 ทีม คัดเหลือ 40 ทีม โดยวัดผลจากต้นแบบที่ทำเสร็จภายในวันเดียว ไม่ใช่จากไอเดีย ทีมชนะเลิศพัฒนา AI ที่ปรับความยากของบอสในเกมให้เข้ากับฝีมือผู้เล่นแต่ละคน อันดับสองเป็นระบบที่รับคลิปวิดีโอสั้นเข้าไปแล้วจัดออกมาเป็นแผนการเดินทาง และอันดับสามเป็นเครื่องมือช่วยผู้ขายที่ไลฟ์ขายสินค้าคนเดียวให้ตอบคำถามในแชทได้อัตโนมัติ โดย ดร.ศรุต ระบุว่ามีแผนจะจัดกิจกรรมลักษณะเดียวกันในไทยเช่นกัน

SME ไทยติดอยู่ตรงไหน และทำไมการย้ายตู้เย็นถึงเพิ่มกำลังผลิตได้ 33%

ทั้งหมดที่ผ่านมาเป็นเรื่องขององค์กรที่มีทรัพยากรพร้อม คำถามที่เหลือคือธุรกิจขนาดเล็กจะเริ่มจากตรงไหน คุณพงศธร ธนบดีภัทร ที่ปรึกษาด้านกลยุทธ์องค์กรและผู้วางระบบให้ธุรกิจ ได้มาร่วมแชร์ความรู้ในหัวข้อ 'AI กับโอกาสใหม่ของ SMEs' ด้วยการยังไม่พูดถึง AI เลยในช่วงแรก

คุณพงศธร เริ่มจากประสบการณ์ตัวเอง ธุรกิจที่เริ่มตอนอายุ 21 ทำยอดขายปีแรกได้ 30 ล้านบาท แล้วอยู่ที่ตัวเลขนั้นต่อไปอีกเกือบ 10 ปี จนเรียกได้ว่าเป็นธุรกิจขนาดกลางและขนาดย่อม หรือ Small and Medium Enterprises (SME) ประเภทที่ 'ไม่ตาย แต่ก็ไม่โต' และอธิบายว่าธุรกิจทุกแห่งมีสามขา คือการตลาด การบริหาร และการเงิน คนไทยเก่งการตลาดหรืองานหน้าบ้านมาก แต่มักอ่อนเรื่องการบริหารและการเงินซึ่งเป็นงานหลังบ้าน

เส้นทางที่ SME ส่วนใหญ่เดินก็คล้ายกัน เริ่มจากทำเองคนเดียว จ้างพนักงานคนแรกจากกลุ่มเพื่อนและครอบครัว กลายเป็นทีมที่ช่วยกันทำโดยไม่มีขอบเขตงานชัดเจน และเจ้าของกลายเป็นศูนย์กลางที่ทุกเรื่องต้องผ่าน คุณพงศธร เรียกสภาพนี้ว่าการทำงานประจำอยู่ในธุรกิจที่ตัวเองตั้งขึ้น ไม่ใช่การทำงานให้กับธุรกิจ พร้อมตั้งข้อสังเกตว่าเวลาจ้างพนักงานบัญชีเรายังดูว่าจบบัญชีหรือไม่ แต่ตอนแต่งตั้งตัวเองเป็นซีอีโอกลับไม่ได้ดูอะไรเลย

กรอบที่ใช้อธิบายทางออกคือสิ่งที่เรียกว่าสามเหลี่ยมทองคำ (Golden Triangle) ซึ่งประกอบด้วยทรัพยากร (Resources) กระบวนการ (Processes) และสมการกำไร (Profit Formula) โดยมีเงื่อนไขข้อเดียวคือต้องเป็นสามเหลี่ยมด้านเท่า ปัญหาของ SME ไทยคือเมื่ออยากโต มักขยายเฉพาะขาที่ง่ายที่สุด นั่นคือเพิ่มคน โดยที่กระบวนการและสมการกำไรยังอยู่ที่เดิม ผลคือสามเหลี่ยมด้านไม่เท่า ซึ่งสุดท้ายจะถูกบีบให้กลับมาสมดุลอีกครั้ง ทางเลือกที่เหลือจึงมีอยู่สองทาง คือแก้สมการกำไร หรือขยายกระบวนการให้รองรับทรัพยากรที่เพิ่มขึ้น

คุณพงศธร สาธิตด้วยโจทย์ร้านกาแฟที่มีพนักงาน 3 คน ทำงานต่อกันเป็นทอด คนแรกรับออร์เดอร์และรับเงินใช้เวลา 30 วินาทีต่อแก้ว คนที่สองบดเมล็ดและสกัดช็อตใช้ 45 วินาที คนที่สามเดินไปหยิบนมจากตู้เย็น สตีมนม ผสม และเรียกลูกค้า ใช้ 60 วินาที คอขวดจึงอยู่ที่คนสุดท้าย และกำลังผลิตสูงสุดของร้านคือ 60 แก้วต่อชั่วโมง ไม่ว่าสองคนแรกจะทำงานเร็วขึ้นแค่ไหนก็ไม่ทำให้ตัวเลขนี้เปลี่ยน ซึ่งหมายความว่าการเพิ่มงบการตลาดในสถานะนี้ก็ไม่ช่วยเช่นกัน

เมื่อสังเกตหน้างานแล้วพบว่าเวลาส่วนเกินของคนสุดท้ายมาจากการเดินไปเปิดตู้เย็นที่วางอยู่อีกฝั่ง การย้ายตู้เย็นมาไว้ที่สถานีของคนสุดท้ายทำให้เวลาลดเหลือ 40 วินาทีต่อแก้ว กำลังผลิตเพิ่มเป็น 80 แก้วต่อชั่วโมง หรือเพิ่มขึ้น 33% โดยไม่ได้เพิ่มพนักงาน ไม่ได้เพิ่มงบการตลาด และไม่ได้ซื้อเครื่องใหม่ ซึ่งเป็นสาระของวิชาการจัดการปฏิบัติการ (Operation Management) ที่ คุณพงศธร ระบุว่าเป็นวิชาหลังบ้านที่ถูกมองข้ามบ่อยที่สุด

อีกแนวคิดที่ฝากไว้คือผลตอบแทนจากการลงทุนด้านเวลา (Return on Time Investment หรือ ROTI) ซึ่งต่างจากผลตอบแทนการลงทุนทั่วไปตรงที่วัดกันด้วยเวลา คุณพงศธร เทียบกับนิทานเด็กที่ต้องเดินไปตักน้ำวันละ 2 ชั่วโมงเหมือนคนทั้งหมู่บ้าน แต่เลือกสละเวลาเพิ่มวันละ 1 ชั่วโมงเพื่อค่อย ๆ วางท่อ จนสุดท้ายไม่ต้องเดินไปตักน้ำอีกเลย พร้อมวางกรอบการแก้ปัญหาไว้สามขั้น คือหาสาเหตุให้เจอ (Diagnostic) แก้ให้ถูกจุด (Corrective) และป้องกันไม่ให้เกิดซ้ำ (Preventive)

ตัวอย่างของการไม่ได้วางระบบไว้ก่อนคือแคมเปญหนึ่งของบริษัทที่ คุณพงศธร ดูแล ทีมการตลาดคิดแคมเปญขายหนังสือแบบสั่งจองล่วงหน้า แล้วได้คำสั่งซื้อ 7,000 รายการภายในวันเดียว ปัญหาคือลูกค้าเป็นกลุ่มธุรกิจที่ต้องการใบกำกับภาษีทั้งหมดภายใน 7 วัน ทีมบัญชียื่นใบลาออกทั้งทีม และบริษัทต้องดึงพนักงานทุกตำแหน่งมาช่วยออกเอกสาร ซึ่งหมายความว่าความสำเร็จครั้งนั้นทำซ้ำไม่ได้ เทียบกับร้านอาหารที่เปลี่ยนไปให้ลูกค้าสแกนคิวอาร์โค้ดออกใบกำกับภาษีเอง ซึ่งรองรับปริมาณเท่าไรก็ได้ด้วยต้นทุนเท่าเดิม

จุดที่ AI เข้ามาเกี่ยวข้องอยู่ตรงนี้ คุณพงศธร ระบุว่าการวางระบบในอดีตต้องออกแบบเองแล้วจ้างบริษัทซอฟต์แวร์มาพัฒนา ใช้เวลาราว 2 ปี ซึ่งพอโครงการเสร็จ ธุรกิจก็เปลี่ยนไปแล้ว พร้อมออกตัวว่าไม่ใช่ผู้เชี่ยวชาญด้าน AI แต่เป็นคนที่ใช้ AI ได้คุ้มค่าที่สุดคนหนึ่ง เพราะยังทำงานแบบเดิม คือหาให้เจอก่อนว่าอะไรคือคอขวด แล้วจึงใช้เครื่องมือใหม่มาแก้กระบวนการตรงนั้น

ทั้งห้าเซสชันจึงบรรจบกันที่ข้อสรุปเดียวกับที่ Dr. Leslie ทิ้งท้ายไว้ว่า สิ่งมหัศจรรย์อยู่ในมือของทุกคนแล้ว ส่วนที่ยากคือการทำให้มันสร้างผลกระทบได้จริง สำหรับองค์กรและ SME ที่กำลังมองหาจุดเริ่มต้น คำถามแรกจึงอาจไม่ใช่ว่าจะเลือกใช้โมเดลตัวไหน แต่คือโจทย์ใดที่คุ้มค่าจะแก้ ข้อมูลและบริบทพร้อมแค่ไหน และกระบวนการทำงานตรงนั้นมีคอขวดอยู่ที่ใด เพราะหาก AI เป็นตัวคูณอย่างที่ คุณสรุจ ระบุไว้ ผลลัพธ์ที่ได้ย่อมขึ้นอยู่กับสิ่งที่ถูกนำไปคูณเป็นสำคัญ

ที่มา: งาน AI for Business ในงาน AIS ACADEMY for THAIs 2026: MASTERING AI BEYOND BORDERS โดย AIS Academy