การนำ AI มาใช้ในประเทศไทย 2026: 5 ประเด็นที่สมมติฐานแบบญี่ปุ่นใช้ไม่ได้ และวิธีคิดค่าใช้จ่าย

วิธีทำงานที่เดินได้ดีอยู่แล้วในสำนักงานใหญ่ที่ญี่ปุ่น ถูกส่งมาให้ฐานการผลิตในไทยทำตามแบบเดียวกัน หลายเรื่องก็ใช้ได้จริงโดยไม่มีปัญหา แต่พอเป็นเรื่องการนำ AI มาใช้ในประเทศไทย การ “ยกมาทั้งชุด” แบบนี้มีโอกาสสูงมากที่จะหยุดกลางทาง ทั้งแบบฟอร์มขออนุมัติงบ เกณฑ์การคัดเลือกระบบ และการออกแบบการอบรม ล้วนตั้งอยู่บนเงื่อนไขที่ไม่ตรงกับสภาพจริงในไทยตั้งแต่ต้น จุดที่หยุดมักเป็นจุดเดิมทุกครั้ง และสาเหตุแทบไม่เคยเป็นเรื่องความยากทางเทคนิค

จุดที่หยุดมี 5 จุด คือ ภาษา (ฝั่งข้อมูล) / กฎระเบียบ (กฎหมายและภาษี) / โครงสร้างพื้นฐาน (ที่ตั้งของข้อมูล) / บุคลากร (จ้างเข้ามา สร้างจากคนใน หรือจ้างภายนอก) / ค่าใช้จ่าย ทั้ง 5 เรื่องนี้ เวลาทำโครงการ AI ภายในประเทศญี่ปุ่นแทบไม่ต้องคิดถึงเลย หรือคิดแล้วก็ผ่านไปเองโดยอัตโนมัติ ด้วยเหตุนี้ คู่มือความสำเร็จที่ส่งมาจากญี่ปุ่นจึงไม่มีบันทึกว่า “เรื่องเหล่านี้จัดการอย่างไร” ฝ่ายที่ยกวิธีการมาให้จึงไม่รู้ตัวเองว่าอะไรขาดหายไป และงานก็หยุดอยู่ตรงนั้น

บทความนี้เรียบเรียงไว้ว่า ในแต่ละประเด็นทั้ง 5 นั้น สมมติฐานแบบญี่ปุ่นใช้ไม่ได้ตรงไหน และ เมื่อใช้ไม่ได้แล้วต้องตัดสินใจอะไร โดยอ้างอิงตัวเลขที่มีแหล่งที่มา และแสดงกระบวนการคำนวณของแบบจำลองให้เห็นทั้งหมด

ขอแบ่งหน้าที่ของบทความให้ชัดก่อน วิธีเดินโครงการเอง (โรดแมปเฟส 0 ถึงเฟส 4) อยู่ในวิธีนำ Generative AI มาใช้และค่าใช้จ่าย ส่วนระเบียบวิธีวัดผลและออกแบบ ROI อยู่ในการวัดผลและออกแบบ ROI ของการนำ AI มาใช้ บทความนี้จะไม่พูดซ้ำเรื่องเหล่านั้น สิ่งที่บทความนี้รับผิดชอบมีเรื่องเดียว คือ “เมื่อประเทศเปลี่ยน ขั้นตอนเหล่านั้นใช้ไม่ได้ตรงไหน”

การนำ AI มาใช้ในประเทศไทยตอนนี้อยู่ตรงจุดไหน

ตัวเลขที่รู้แล้วจากการสำรวจของภาครัฐ

สถานการณ์ DX และการใช้ AI ในประเทศไทยมีการสำรวจจากภาครัฐที่ค่อนข้างหนักแน่นอยู่ นั่นคือ “Readiness for the Application of AI Technology for Digital Services in 2024” โดย ETDA (สำนักงานพัฒนาธุรกรรมทางอิเล็กทรอนิกส์) ร่วมกับ NSTDA (สำนักงานพัฒนาวิทยาศาสตร์และเทคโนโลยีแห่งชาติ)

เริ่มจากวิธีการสำรวจก่อน ช่วงเดือนกรกฎาคมถึงกันยายน 2024 ติดต่อไปยัง 3,758 องค์กร และมี 580 องค์กรที่ตอบกลับ อัตราการตอบกลับคือ 580 ÷ 3,758 = ประมาณ 15.4% ขอให้จำขนาดของกลุ่มผู้ตอบนี้ไว้ เพราะจะมีผลตอนที่เรานำไปวางเทียบกับผลสำรวจของญี่ปุ่นในหัวข้อถัดไป

ผลที่ได้เป็นดังนี้

ตรงนี้ต้องแยกมาตรวัดในการอ่าน เพราะดูที่ “ส่วนต่างที่เพิ่มขึ้น” กับดูที่ “อัตราการเติบโต” จะได้ตัวคูณที่ต่างกันคนละเรื่อง

ส่วนต่างที่เพิ่มขึ้น: กลุ่มที่ใช้จริง 17.8 − 15.2 = 2.6 จุดเปอร์เซ็นต์ ส่วนกลุ่มที่วางแผน 73.3 − 56.6 = 16.7 จุดเปอร์เซ็นต์
อัตราส่วนของส่วนต่าง = 16.7 ÷ 2.6 = ประมาณ 6.4 เท่า
อัตราการเติบโต: กลุ่มที่ใช้จริง 17.8 ÷ 15.2 = ประมาณ 1.17 เท่า (+17.1%) ส่วนกลุ่มที่วางแผน 73.3 ÷ 56.6 = ประมาณ 1.30 เท่า (+29.5%)
อัตราส่วนของอัตราการเติบโต = 29.5% ÷ 17.1% = ประมาณ 1.7 เท่า

ถ้าดูที่ส่วนต่าง ฝั่งที่วางแผนกว้างกว่าประมาณ 6.4 เท่า ถ้าดูที่อัตราการเติบโต ฝั่งที่วางแผนก็ยังเร็วกว่าประมาณ 1.7 เท่า ไม่ว่าจะวัดด้วยมาตรวัดใด ฝั่งแผนงานก็สะสมเร็วกว่าฝั่งที่ลงมือทำจริง แต่เนื่องจาก “6.4 เท่า” กับ “1.7 เท่า” ชี้ไปที่ปริมาณคนละอย่าง เวลานำไปใส่ในเอกสารภายในองค์กร ต้องเขียนกำกับทุกครั้งว่าใช้มาตรวัดไหน

สภาพนี้คือการที่องค์กรประเภท “ยังไม่ขยับ แต่ตั้งใจจะขยับ” สะสมตัวขึ้นอย่างรวดเร็ว การอ่านที่สมเหตุสมผลคือ คู่ค้าหรือคู่แข่งของเราอาจเริ่มขยับพร้อมกันในปีหน้าแบบไม่ทันตั้งตัว

อุปสรรคของการนำมาใช้ที่ติดอันดับต้น มี 3 เรื่อง คือ การขาดแคลนบุคลากร / ความกังวลเรื่องคุณภาพข้อมูล / เงินทุนไม่เพียงพอสำหรับการจัดหาและพัฒนาเทคโนโลยี จะเห็นว่าใน 5 ประเด็นที่บทความนี้พูดถึง เรื่องบุคลากรและค่าใช้จ่ายก็ขึ้นมาอยู่อันดับต้นในผลสำรวจเช่นกัน ส่วนงานที่มีการนำ Generative AI ไปใช้มากที่สุด 3 อันดับแรก คือ การพัฒนาผลิตภัณฑ์และบริการ / การตลาด การขาย และการดูแลลูกค้า / กระบวนการผลิต สำหรับภาคการผลิต จุดสำคัญอยู่ที่อันดับ 3 ซึ่งเป็น “กระบวนการผลิต”

แนวโน้มขนาดตลาด

แม้จะมาจากแหล่งอื่นและใช้วิธีการอื่น แต่ก็มีการคาดการณ์ขนาดตลาดอยู่ ตามเอกสารไวต์เปเปอร์ที่ TDRI จัดทำร่วมกับ ETDA และ SAP ตลาด AI ของไทยคาดว่าจะเติบโต จาก 48,000 ล้านบาทในปี 2024 เป็น 130,000 ล้านบาทในปี 2030 ด้วยอัตราการเติบโตเฉลี่ยต่อปี 18%

ลองตรวจความสอดคล้องดู 130,000 ÷ 48,000 = ประมาณ 2.71 เท่า เมื่อกระจายกลับเป็น 6 ปี (2024 ถึง 2030) ด้วยการถอดรากที่ 6 ของ 2.71 จะได้ประมาณ 1.18 นั่นคืออัตราต่อปีประมาณ 18% ซึ่งตรงกับ CAGR ที่ประกาศไว้ เป็นตัวเลขคาดการณ์ที่ไม่ขัดกันเองภายใน

อย่างไรก็ตาม ขนาดตลาดไม่ใช่เหตุผลรองรับการตัดสินใจลงทุนของบริษัทเราเอง ในที่นี้ขอให้รับไว้เพียงในความหมายว่า “ฝั่งผู้ให้บริการเพิ่มขึ้น = ตัวเลือกผู้ให้บริการมีมากขึ้น” ส่วนวิธีเลือกผู้ให้บริการนั้นเขียนไว้ในวิธีเลือกบริษัทพัฒนาระบบในประเทศไทย

เหตุผลที่ห้ามนำ 17.8% ไปเทียบกับ 34.5% ของญี่ปุ่นแบบตรงๆ

ขอเขียนเป็นหัวข้อแยกต่างหาก ห้ามวางตัวเลข 17.8% ของไทยคู่กับอัตราการใช้ Generative AI 34.5% ของญี่ปุ่น แล้วสรุปว่า “ไทยได้แค่ครึ่งเดียวของญี่ปุ่น”

ตัวเลขฝั่งญี่ปุ่นมาจาก Teikoku Databank “การสำรวจแนวโน้มการใช้ Generative AI ในองค์กร (มีนาคม 2026)” ซึ่งระบุว่าบริษัทที่ “ใช้งานจริง” ในงานประจำอยู่ที่ 34.5% แยกเป็นบริษัทขนาดใหญ่ 46.5% และ SME 32.4%

ตัวเลขสองชุดนี้เทียบกันไม่ได้ด้วยเหตุผล 3 ข้อ

เทคโนโลยีที่สำรวจต่างกันระหว่าง “AI โดยรวม” กับ “Generative AI” ช่วงเวลาห่างกันกว่าหนึ่งปีครึ่ง วิธีเลือกประชากรและอัตราการตอบกลับก็ต่างกัน เมื่อทั้ง 3 อย่างต่างกันพร้อมกัน การเอาตัวเลขมาหารกันย่อมไม่ได้อัตราส่วนที่มีความหมาย

นัยเชิงปฏิบัติคือแบบนี้ แนวคิดที่ว่า “ไทยยังตามหลังอยู่ ดังนั้นยกขั้นตอนที่สำเร็จในญี่ปุ่นมาใช้ก็พอ” คือแนวคิดที่อันตรายที่สุด ประเด็นทั้ง 5 ที่บทความนี้พูดถึง ล้วนเกิดขึ้นโดยไม่เกี่ยวกับว่าใคร “ล้ำหน้าหรือตามหลัง” ปัญหาเรื่องภาษาไม่ได้หายไปเมื่ออัตราการใช้งานสูงขึ้น ความต่างของกฎหมาย ข้อจำกัดเรื่องที่ตั้งของข้อมูล และโครงสร้างตลาดแรงงาน ก็เช่นเดียวกัน

5 ประเด็นที่บทความนี้ครอบคลุม

ขอแสดงโครงของหัวข้อถัดจากนี้ไว้ก่อน

ประเด็นที่ 1: ข้อจำกัดฝั่งข้อมูลที่มาจากภาษาไทย

สิ่งที่ต้องเพิ่มเข้ามาในระบบค้นหาและงานเตรียมข้อมูลสำหรับ AI

คนไทยทุกคนรู้อยู่แล้วว่าภาษาไทยเขียนติดกันโดยไม่มีช่องว่างระหว่างคำ ประเด็นจึงไม่ได้อยู่ที่ข้อเท็จจริงนี้ แต่อยู่ที่ว่าเมื่อเอาข้อเท็จจริงนี้ไปวางบนระบบค้นหาและงานเตรียมข้อมูลสำหรับ AI แล้ว มีงานอะไรเพิ่มขึ้นมาบ้าง และงานที่เพิ่มขึ้นนั้นไม่มีอยู่ในคู่มือที่ส่งมาจากญี่ปุ่น

งานที่เพิ่มขึ้นมีอย่างน้อย 3 อย่าง

อย่างแรก คือการตัดคำ (word segmentation) ก่อนทำดัชนีค้นหา ถ้าไม่ตัดคำก่อน การค้นหาและการสกัดคำสำคัญจากเอกสารภาษาไทยจะให้ผลไม่แม่น เวลาที่ระบบค้นหาซึ่งสำนักงานใหญ่ในญี่ปุ่นใช้อยู่ถูกยกมาใช้กับเอกสารภาษาไทยแล้วความแม่นตก ส่วนใหญ่มีสาเหตุอยู่ตรงนี้ ภาษาญี่ปุ่นก็ไม่เว้นวรรคเช่นกัน แต่ยังมีการสลับกันของคันจิ ฮิรางานะ และคาตากานะ เป็นเบาะแสให้ตัดคำได้บ้าง ฝั่งญี่ปุ่นจึงมักไม่รู้ตัวว่างานนี้เป็นงานที่ต้องนับเป็นเวลาและค่าใช้จ่ายต่างหาก

อย่างที่สอง คือพจนานุกรมศัพท์เฉพาะขององค์กร รหัสรุ่นเครื่องจักร ตัวย่อที่ใช้กันภายใน ชื่อสารเคมี และรหัสชิ้นส่วน ถ้าไม่ลงทะเบียนไว้ในพจนานุกรม ตัวตัดคำจะหั่นคำเหล่านี้ผิดตำแหน่ง แล้วค้นหาไม่เจอ

อย่างที่สาม คือความหลากหลายของการเขียนคำเดียวกัน ในทางปฏิบัติ ศัพท์เทคนิคมักถูกเขียนสลับไปมาระหว่างตัวอักษรไทยกับตัวอักษรอังกฤษ และคำทับศัพท์เดียวกันก็สะกดได้หลายแบบ ถ้าไม่รวมรูปเขียนเหล่านี้เข้าด้วยกัน ผลการค้นหาจะกระจัดกระจาย

ขอเพิ่มไว้สำหรับบริษัทที่มีฐานการผลิตในเวียดนามด้วย ช่องว่างในภาษาเวียดนามไม่ได้แบ่ง “คำ” แต่แบ่ง “พยางค์” ตัวอย่างเช่น máy nén khí (เครื่องอัดอากาศ) เขียนแยกเป็น 3 พยางค์ แต่ในทางความหมายคือคำเดียว สมมติฐานง่ายๆ ที่ว่า “แบ่งด้วยช่องว่างแล้วได้โทเค็น” ใช้ไม่ได้ทั้งกับภาษาไทยและภาษาเวียดนาม

ประสิทธิภาพการแปลงเป็นโทเค็น ซึ่งเชื่อมตรงไปที่ค่าบริการ

ความต่างของภาษาไม่ได้มีผลแค่กับความแม่น แต่มีผลกับ ค่าใช้จ่าย ด้วย

รายงานของโมเดลภาษาขนาดใหญ่ที่เน้นภาษาไทยชื่อ Typhoon ซึ่งเผยแพร่โดย SCB 10X (กลุ่ม SCBX) ระบุว่า รุ่นแรก Typhoon-7B ทำคะแนนได้ระดับสูงสุดของโอเพนซอร์สบนชุดทดสอบภาษาไทย มีความสามารถด้านภาษาไทยเทียบเท่าระดับ GPT-3.5 และมี ประสิทธิภาพการแปลงเป็นโทเค็นดีกว่า 2.62 เท่า

ขอแปล 2.62 เท่านี้เป็นภาษาของงานจริง การที่ประสิทธิภาพการแปลงเป็นโทเค็นดีกว่า 2.62 เท่า หมายความว่า เมื่อเทียบกับตัวแปลงโทเค็นแบบหลายภาษาทั่วไป ข้อความภาษาไทยชุดเดียวกันจะใช้จำนวนโทเค็นเพียงประมาณ 1 ÷ 2.62 = ราว 38% พูดกลับกันคือ ตัวแปลงโทเค็นที่ไม่ได้ปรับให้เข้ากับภาษาไทย อาจกินโทเค็นมากกว่านั้น 2.62 เท่าสำหรับเนื้อหาเดียวกัน

API ของ Generative AI ส่วนใหญ่คิดค่าบริการตามจำนวนโทเค็น สำหรับงานที่ต้องประมวลผลเอกสารภาษาไทยจำนวนมาก การเลือกโมเดลจึงเท่ากับการเลือกยอดเรียกเก็บเงินไปในตัว ถ้านำต้นทุน API ต่อ 1 รายการที่คำนวณด้วยภาษาญี่ปุ่นมาคูณกับปริมาณงานภาษาไทยตรงๆ ประมาณการจะคลาดเคลื่อนมาก

แต่ต้องระวังว่า 2.62 เท่าเป็น รายงานที่เกี่ยวกับตัวแปลงโทเค็นของ Typhoon ไม่ใช่ตัวเลขที่รับประกันยอดค่าบริการของโมเดลจากผู้ให้บริการรายอื่น ขอให้เตรียมเอกสารภาษาไทยที่เป็นตัวแทนงานของบริษัทราว 20 ถึง 30 ฉบับ แล้ววัดจำนวนโทเค็นจริงกับโมเดลที่เป็นตัวเลือกแต่ละตัว เป็นงานขนาดครึ่งวันถึงหนึ่งวันก็เสร็จ

หลังจากรุ่นแรก 7B แล้ว Typhoon ได้ขยายเป็น Typhoon 1.5 และ 1.5X ที่ขนาด 8B และ 70B และต่อมาเป็นตระกูล Typhoon 2 รุ่น Pretrained เผยแพร่ให้ใช้ฟรี บน Hugging Face ภายใต้สัญญาอนุญาต Apache 2.0 จึงจัดเป็นกลุ่มที่ทดลองในระบบของบริษัทเองได้ไม่ยาก นอกจากนี้ยังมีโมเดลภาษาไทยอื่นอีก เช่น OpenThaiGPT และตระกูล WangchanX (LLaMa3-8b-WangchanX-sft-Demo)

จะให้ AI อ่านแบบฟอร์มและแบบแปลนภาษาไทยได้อย่างไร

สิ่งที่สร้างปัญหาจริงในโรงงานไม่ใช่บทสนทนา แต่เป็น เอกสาร ใบเสนอราคาจากซัพพลายเออร์ เอกสารที่ต้องยื่นหน่วยงานราชการ ใบสั่งงานภายใน และรายงานประจำวันที่หน้างานเขียนด้วยลายมือ ทั้งหมดนี้เป็นภาษาไทย และยังอยู่ในรูปกระดาษหรือ PDF

SCB 10X ได้เผยแพร่ Typhoon OCR ซึ่งเป็นโมเดล Vision-Language แบบเปิดที่เน้นการสกัดข้อความจากเอกสารภาษาไทยด้วย สำหรับแบบฟอร์มภาษาไทยที่ OCR ทั่วไปทำได้ไม่แม่น การมีตัวเลือกเพิ่มขึ้นถือว่ามีความหมายไม่น้อย

สิ่งสำคัญตรงนี้คือลำดับ การแปลงเอกสารภาษาไทยให้เป็นข้อความ เป็น “งานต้นน้ำ” ของการใช้ AI ไม่ใช่การใช้ AI ในตัวมันเอง โครงสร้างที่เชื่อมเอกสารภายในเข้ากับ LLM เพื่อค้นหาและตอบคำถามนั้นอยู่ในการสร้าง RAG สำหรับองค์ความรู้ในโรงงาน แต่แม้แต่ RAG ก็ทำอะไรไม่ได้เลย ถ้าเอกสารต้นทางยังดึงออกมาเป็นข้อความไม่ได้

จุดแรกที่ขั้นตอนแบบญี่ปุ่นมักหยุดในไทย ก็คือตรงนี้ ฝั่งญี่ปุ่นมีเอกสารอยู่ในรูป Word หรือ Excel อยู่แล้ว งานแปลงเป็นข้อความจึงไม่มีอยู่ตั้งแต่ต้น และไม่ถูกเขียนไว้ในคู่มือ พอยกมาใช้ที่ไทยจึงเพิ่งพบว่า “อ่านไฟล์เข้าระบบยังไม่ได้เลย”

จุดแยกในการออกแบบ

สำหรับข้อจำกัดที่มาจากภาษาไทย สิ่งที่ต้องตัดสินใจในทางปฏิบัติมี 3 อย่าง

อย่างแรก ตัดสินใจก่อนว่าอะไรห้ามให้แปล รหัสรุ่นเครื่องจักร ตัวย่อภายในองค์กร ชื่อสารเคมี และรหัสชิ้นส่วน ถ้าปล่อยให้ระบบแปลหรือเรียบเรียงใหม่ หน้างานจะตรวจสอบเทียบกับของจริงไม่ได้ อย่างน้อยที่สุดต้องทำพจนานุกรมศัพท์และมีรายการว่า “คำเหล่านี้ห้ามแปล”

อย่างที่สอง ตัดสินใจว่าจะให้ภาษาใดเป็นฉบับหลัก จะให้ต้นฉบับภาษาญี่ปุ่นแปลเป็นไทยแล้วแจกจ่าย หรือจะเขียนเป็นภาษาไทยก่อนแล้วแปลเป็นญี่ปุ่นเพื่อส่งสำนักงานใหญ่ ถ้าให้ทั้งสองภาษาเป็นฉบับหลักพร้อมกัน จะเกิดความไม่ตรงกันทุกครั้งที่มีการแก้ไข การออกแบบการใช้งานหลายภาษามีเขียนไว้ในการนำแชตบอตหลายภาษามาใช้ ด้วย

อย่างที่สาม วัดปริมาณการประมวลผลภาษาไทยจริงก่อน แล้วค่อยเลือกวิธีคิดค่าบริการ อย่างที่กล่าวไปแล้ว จำนวนโทเค็นเปลี่ยนไปตามภาษาและตัวแปลงโทเค็น การคิดค่าบริการแบบรายผู้ใช้กับแบบตามปริมาณการใช้งาน จะให้ค่าใช้จ่ายของแผนกที่ประมวลผลภาษาไทยเยอะต่างกันมาก

ประเด็นที่ 2: กฎระเบียบ (ร่างกฎหมาย AI ของไทยและ PDPA)

ตรวจข้อเท็จจริงก่อน กฎหมาย AI ของไทยยังไม่ประกาศใช้

ขอเขียนให้ชัดตั้งแต่ต้น ณ วันที่ 31 กรกฎาคม 2026 กฎหมาย AI ของไทยยังไม่ได้ผ่านเป็นกฎหมาย

บทความภาษาอังกฤษบางชิ้นบนเว็บใช้ถ้อยคำทำนองว่า “Thailand AI Law now in effect” แต่นั่นไม่ได้หมายความว่าร่างที่บทความนี้พูดถึงผ่านเป็นกฎหมายแล้ว ถ้านำบทความประเภทนี้ไปอ้างอิงตรงๆ ในการอธิบายภายในองค์กร จะต้องตามไปแก้ทีหลัง

สถานะปัจจุบันเป็นดังนี้ ETDA เผยแพร่ร่างฉบับใหม่ “Act on Artificial Intelligence” เมื่อวันที่ 2 กรกฎาคม 2026 และคาดว่าจะมี ช่วงรับฟังความคิดเห็นสาธารณะ (public hearing) ประมาณ 30 วัน ก่อนหน้านี้ ในเดือนมิถุนายน 2025 มีการรับฟังความคิดเห็นเพื่อรวมร่าง 2 ฉบับเข้าเป็นฉบับเดียว และ ETDA ก็ปรับปรุงเรื่อยมา ช่วงที่บทความนี้เผยแพร่ตรงกับช่วงรับฟังความคิดเห็นดังกล่าวพอดี การรับรู้สถานะที่ถูกต้องคือ “ยังไม่ได้ข้อสรุป”

4 ประเด็นที่จะมีผลเมื่อกฎหมายผ่าน

ถึงอย่างนั้นก็ไม่ได้แปลว่า “ยังไม่ตัดสินก็ยังไม่ต้องคิด” เพราะเนื้อหาในร่างมีส่วนที่ เชื่อมตรงไปที่สัญญาและการแบ่งขอบเขตความรับผิด ในกรณีที่โรงงานจะนำ SaaS จากต่างประเทศมาใช้ทั่วทั้งองค์กร

ในบรรดานี้ สิ่งที่มีผลต่องานจริงเร็วที่สุดคือเงื่อนไขเรื่อง ผู้แทนในประเทศของผู้ให้บริการต่างชาติ เวลาวางแผนใช้ SaaS จากต่างประเทศทั่วทั้งบริษัท การที่ผู้ให้บริการรายนั้นมีโครงสร้างในประเทศไทยหรือไม่ แม้ตอนนี้จะยังไม่ใช่หน้าที่ตามกฎหมาย แต่ก็ มีค่าพอที่จะเก็บไว้เป็นความเสี่ยงของการต่อสัญญา

อย่าปนโทษคนละแบบเข้าด้วยกัน

ในร่างกฎหมายมีการวาง ค่าปรับทางปกครองไว้ที่ 1 ล้านบาทถึง 5 ล้านบาท (ขึ้นกับลักษณะของการฝ่าฝืน) นี่คือค่าปรับทางปกครอง ไม่ใช่โทษอาญา

ข้อควรระวังเดียวกันนี้ใช้กับ PDPA (พระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคล) ที่บังคับใช้อยู่แล้วด้วย PDPA กำหนดไว้ทั้ง ค่าปรับทางปกครอง (สูงสุด 5 ล้านบาท) และโทษอาญา (จำคุก) แต่ทั้งสองอย่างเป็นคนละระบบกัน การเขียนรวมกันในเอกสารอธิบายภายในองค์กรว่า “ฝ่าฝืน PDPA มีโทษปรับสูงสุด 5 ล้านบาทและจำคุก” นั้นไม่ถูกต้อง ขอให้แยกเรียบเรียงว่า มาตราใดจะใช้โทษแบบใด

กำหนดการบังคับใช้หากร่างผ่าน

หากร่างผ่าน แนวทางคือ ทยอยบังคับใช้ โดย บทบัญญัติหลักมีผลทันทีเมื่อประกาศ ส่วนบทบัญญัติว่าด้วยการบริหารความเสี่ยงมีผลหลังจากนั้น 180 วัน

180 วันคือประมาณ 6 เดือน แปลเป็นภาษาของงานจริงได้แบบนี้

• บทบัญญัติหลัก (นิยาม ขอบเขตการบังคับใช้ หน้าที่พื้นฐาน) มีผลตั้งแต่วินาทีที่ประกาศ ไม่มีช่วงเวลาเตรียมตัว
• ข้อกำหนดเชิงปฏิบัติเรื่องการบริหารความเสี่ยง (โครงสร้างภายใน การเก็บบันทึก การประเมิน) มีเวลาผ่อนผันราว 6 เดือน
• แปลว่า การรอให้ “กฎหมายออกก่อนแล้วค่อยเริ่มเตรียม” อาจไม่ทันในส่วนของบทบัญญัติหลัก

ดังนั้น สิ่งที่ควรทำตอนนี้จึงไม่ใช่การปฏิบัติตามกฎหมายโดยตรง แต่คือ การสำรวจและจัดทำรายการ ว่าบริษัทเราใช้บริการ AI ตัวไหน กับงานใด จากผู้ให้บริการรายใด ด้วยสัญญาแบบใด ถ้าไม่มีรายการนี้ ต่อให้กฎหมายออกมาก็ยังไม่รู้ว่าต้องไปตรวจอะไร และการทำรายการนี้ไม่มีทางสูญเปล่า ไม่ว่ากฎหมายจะผ่านหรือไม่

สิ่งที่ต้องตัดสินใจไว้ก่อนในส่วนที่เกี่ยวกับ PDPA

แยกจากความเคลื่อนไหวของร่างกฎหมาย AI การปฏิบัติตาม PDPA เป็นหน้าที่ที่มีอยู่แล้วในปัจจุบัน เรื่องที่กลายเป็นประเด็นเสมอเมื่อนำ Generative AI เข้ามา มี 3 ข้อ

1. ข้อมูลส่วนบุคคลใด ใส่เข้า AI ได้ ด้วยฐานการประมวลผลใด ข้อมูลพนักงาน ข้อมูลลูกค้า และข้อมูลติดต่อของผู้รับผิดชอบฝั่งคู่ค้า แต่ละอย่างใช้ฐานต่างกัน
2. จะใช้สัญญารับประกันอย่างไรว่าข้อมูลที่ใส่เข้าไปจะไม่ถูกนำไปฝึกโมเดล บางกรณีปิดได้จากการตั้งค่าบริการ บางกรณีต้องระบุไว้ในสัญญา
3. การจัดการเรื่องการโอนข้อมูลออกนอกประเทศ เชื่อมตรงกับเรื่องที่ตั้งของข้อมูลในประเด็นที่ 3 ถัดไป

ทั้ง 3 ข้อนี้ต้องตัดสินใจก่อนเลือกเครื่องมือ ถ้าเลือกเครื่องมือทั้งที่ยังไม่ได้ตัดสินใจ สุดท้ายจะต้องกลับมาคัดเลือกใหม่

ประเด็นที่ 3: โครงสร้างพื้นฐาน (ตัวเลือกเรื่องที่ตั้งข้อมูลครบแล้วในปี 2026)

สถานการณ์เปลี่ยนไปในช่วงปี 2025 ถึง 2026

ในประเทศไทยมีโครงการจำนวนไม่น้อยที่หยุดอยู่ด้วยเหตุผลว่า “กังวลเรื่อง PDPA” หรือ “นโยบายข้อมูลของบริษัทแม่ห้ามนำข้อมูลออกนอกประเทศ” เงื่อนไขตั้งต้นข้อนี้เปลี่ยนไปแล้วในช่วงปี 2025 ถึง 2026

AWS เปิดให้บริการ AWS Asia Pacific (Thailand) Region เมื่อวันที่ 8 มกราคม 2025 ทำให้ลูกค้าที่มีข้อกำหนดเรื่องที่ตั้งของข้อมูลสามารถเก็บข้อมูลไว้ในประเทศไทยได้ AWS มีแผนลงทุนในไทยมากกว่า 5,000 ล้านดอลลาร์สหรัฐ คาดว่าจะรองรับการจ้างงานเทียบเท่าเต็มเวลาเฉลี่ยปีละ 11,000 อัตรา และเพิ่มมูลค่าให้ GDP ของไทยราว 10,000 ล้านดอลลาร์สหรัฐ

Google Cloud เปิดให้บริการ รีเจียนกรุงเทพฯ เมื่อวันที่ 21 มกราคม 2026 ประกอบด้วย 3 โซน สามารถจัดเก็บและประมวลผลข้อมูลที่กำหนดไว้ภายในประเทศไทย และมีการเข้ารหัสหลายระดับเป็นค่าตั้งต้น สิ่งที่สำคัญเป็นพิเศษในทางปฏิบัติคือ สามารถใช้ Vertex AI, โมเดล Gemini, Imagen, Veo และ Gemini Enterprise ได้จากในประเทศ จึงไม่ใช่สภาพที่ว่า “คลาวด์อยู่ในประเทศ แต่ฟังก์ชัน AI มีเฉพาะในรีเจียนต่างประเทศ”

การประเมินของ Google Cloud ระบุว่า ในอีก 5 ปีข้างหน้าจะสร้างมูลค่าทางเศรษฐกิจให้ไทย 1.4 ล้านล้านบาท (41,000 ล้านดอลลาร์สหรัฐ) รองรับการจ้างงานเฉลี่ยปีละ 130,000 อัตรา และยังแสดงตัวเลขอื่นด้วย เช่น คนไทย 86% สนใจการอบรมเพิ่มเติมเพื่อใช้ AI ได้อย่างมีประสิทธิผลมากขึ้น และการใช้จ่ายด้านเทคโนโลยีอาจถูกปรับให้เหมาะสมได้มากกว่า 20% ตัวเลข 86% นี้จะถูกนำไปใช้ในประเด็นเรื่องบุคลากรต่อไป

“มีรีเจียนในประเทศ” ไม่เท่ากับ “สอดคล้องกับ PDPA”

ตรงนี้คือส่วนที่สำคัญที่สุดของหัวข้อนี้

การมีรีเจียนอยู่ในประเทศไทย กับการที่วิธีใช้งานนั้นสอดคล้องกับ PDPA เป็นคนละเรื่องกัน

สิ่งที่ตัดสินความถูกต้องตามกฎหมายไม่ใช่ตำแหน่งทางกายภาพของข้อมูล แต่คือ ฐานการประมวลผล (ความยินยอม การปฏิบัติตามสัญญา ประโยชน์โดยชอบด้วยกฎหมาย และอื่นๆ) กับข้อตกลงในสัญญา ต่อให้เลือกรีเจียนในประเทศ ประเด็นต่อไปนี้ก็ไม่ได้ถูกแก้โดยอัตโนมัติ

• ใช้ฐานอะไรในการนำข้อมูลส่วนบุคคลของพนักงานใส่เข้า AI
• การแจ้งเจ้าของข้อมูลส่วนบุคคลทำอย่างไร
• กำหนดหน้าที่ในฐานะผู้ประมวลผลข้อมูลไว้อย่างไรกับผู้รับจ้าง (ผู้ให้บริการคลาวด์ ผู้รับเหมาระบบ ผู้ให้บริการ AI)
• ล็อกและข้อมูลระหว่างทางถูกเก็บไว้ที่ไหน และใครเข้าถึงได้
• ตอนให้บริการซัพพอร์ต มีโอกาสที่วิศวกรจากต่างประเทศจะเข้ามาดูข้อมูลหรือไม่

เรื่องสุดท้ายมักถูกมองข้าม ต่อให้ที่จัดเก็บอยู่ในประเทศ ถ้ายังมี ช่องทางที่ถูกเข้าถึงจากต่างประเทศเพื่องานซัพพอร์ต ก็ต้องประเมินแยกต่างหากอีกครั้ง

ขอให้เดินการพิจารณาเรื่องที่ตั้งของข้อมูลตามลำดับนี้

จุดที่มักติดตอนประสานกับสำนักงานใหญ่ในญี่ปุ่น

ขอเขียนประเด็นเฉพาะของบริษัททุนญี่ปุ่นไว้ด้วย ต่อให้ผ่าน PDPA ของไทยแล้ว ก็ยังมีโอกาสไปหยุดที่นโยบายระดับโลกของบริษัทแม่ ทั้งสองอย่างเป็นคนละมาตรฐาน และผู้ตัดสินก็คนละคน

ลำดับที่เกิดขึ้นบ่อยคือแบบนี้ ฝ่ายในไทยศึกษาการนำมาใช้ แล้วตรวจกับฝ่ายกฎหมายในไทย เห็นว่าไม่มีปัญหา จึงเสนอขึ้นไปที่สำนักงานใหญ่ จากนั้นถูกฝ่ายไอทีหรือฝ่ายความมั่นคงปลอดภัยของสำนักงานใหญ่ตีกลับด้วยเหตุผลว่า “ไม่อยู่ในรายการเครื่องมือที่กลุ่มบริษัทอนุมัติ” การไปกลับรอบนี้กินเวลาเป็นระดับไตรมาสก็ไม่ใช่เรื่องแปลก (เป็นสิ่งที่พบเห็นจากการทำงานในไทย ไม่ใช่ตัวเลขจากการสำรวจ)

ทางเลี่ยงนั้นตรงไปตรงมา คือ ตรวจสอบกระบวนการอนุมัติของสำนักงานใหญ่ให้เสร็จภายใน 30 วันแรก ในลำดับการตัดสินใจ 90 วันที่จะกล่าวถึงตอนท้าย เรื่องนี้ถูกวางไว้เป็นขั้นตอนแรกสุด

ประเด็นที่ 4: บุคลากร AI ตัดสินด้วย 3 ทางเลือก จ้างเข้ามา / สร้างจากคนใน / จ้างภายนอก

สิ่งที่กำลังเกิดขึ้นในตลาดบุคลากรดิจิทัลของไทย

เริ่มจากตัวเลขก่อน

ในบรรดานี้ สิ่งที่มีผลต่องานจริงมากที่สุดคือ การเทียบกันระหว่าง 4.7% กับ 15 ถึง 30% แต่ทั้งสองเป็นปริมาณคนละมิติ 4.7% คือแนวโน้มการขึ้นเงินเดือน ต่อปี ส่วน 15 ถึง 30% คือส่วนที่ขึ้น ต่อการย้ายงาน 1 ครั้ง จึงเอามาหารกันแล้วบอกว่า “เร็วกว่ากี่เท่า” ไม่ได้ ถ้าจะหาร ต้องแปลงเป็น จำนวนปี

15% ÷ 4.7% ต่อปี = ประมาณ 3.2 ปี
30% ÷ 4.7% ต่อปี = ประมาณ 6.4 ปี

นั่นคือ การย้ายงานเพียงครั้งเดียว ให้ส่วนที่ขึ้นเท่ากับการอยู่ในบริษัทเดิม 3 ถึง 6 ปี ในสายคลาวด์ AI/ML และความมั่นคงปลอดภัยไซเบอร์ การขาดแคลนบุคลากรรุนแรงเป็นพิเศษ และมีการระบุว่าได้พรีเมียมสูงที่สุด

ข้อสรุปเชิงปฏิบัติที่ได้จากตรงนี้คือ ทางเลือก “จ้างบุคลากร AI มาเก็บไว้ในบริษัท” มีโอกาสสูงที่จะแพงกว่าที่คาดไว้ ในขณะที่การขึ้นเงินเดือนภายในเดินที่ปีละ 4.7% ข้างนอกมีตลาดที่ให้ส่วนขึ้น 3 ถึง 6 ปีได้ในการย้ายงานครั้งเดียว การจะรั้งคนไว้จึงต้องแข่งกับตลาดนั้นไปเรื่อยๆ

อนึ่ง ขอให้ระวังในการใช้ช่วงเงินเดือน ที่ระบุว่านักวิทยาศาสตร์ข้อมูลในกรุงเทพฯ อยู่ที่ 60,000 ถึง 120,000 บาทต่อเดือนนั้น แต่ละบริษัทวิจัยใช้วิธีเก็บข้อมูลต่างกัน และมีการรวบรวมที่ให้ผลราว 910,000 บาทต่อปีด้วย ซึ่ง 910,000 ÷ 12 = ประมาณ 76,000 บาทต่อเดือน อยู่ค่อนไปทางขอบล่างของช่วง ขอให้ใช้เป็นช่วง ไม่ใช่ราคากลางที่ฟันธงได้

พอแปลงเป็นต้นทุนต่อชั่วโมง โครงสร้างของการตัดสินใจจะปรากฏ

ลองปรับช่วงเงินเดือนนี้ให้อยู่ในหน่วยต้นทุนแรงงานต่อชั่วโมงแบบเดียวกับที่จะใช้ในครึ่งหลังของบทความ โดยคิดวันทำงาน 240 วันต่อปี วันละ 8 ชั่วโมง รวมเป็น 1,920 ชั่วโมงต่อปี แล้วนำมาหาร

เดือนละ 60,000 บาท × 12 เดือน = ปีละ 720,000 บาท → 720,000 ÷ 1,920 = 375 บาทต่อชั่วโมง
เดือนละ 120,000 บาท × 12 เดือน = ปีละ 1,440,000 บาท → 1,440,000 ÷ 1,920 = 750 บาทต่อชั่วโมง

ในทางกลับกัน ค่าจ้างขั้นต่ำของไทยอยู่ที่ วันละ 337 ถึง 400 บาท (แตกต่างตามจังหวัด) และ ณ เดือนกรกฎาคม 2026 ก็ยังไม่ได้ปรับให้เท่ากันทั้งประเทศ ถ้านำวันละ 400 บาทมาหารด้วย 8 ชั่วโมง จะได้ 50 บาทต่อชั่วโมง

375 ÷ 50 = 7.5 เท่า
750 ÷ 50 = 15 เท่า

แปลว่า ต้นทุนต่อชั่วโมงของบุคลากร AI 1 คน เท่ากับ 7.5 ถึง 15 เท่าของต้นทุนต่อชั่วโมงที่คิดจากฐานค่าจ้างขั้นต่ำ ตัวคูณนี้เชื่อมตรงไปที่การถกเรื่องค่าใช้จ่ายที่จะเห็นต่อไป เพราะการจ้างบุคลากร AI ไว้เพื่อ “ลดเวลาทำงานของหน้างาน” หมายความว่าต้นทุนของฝั่งที่ไปลด สูงกว่าฝั่งที่ถูกลด 7.5 ถึง 15 เท่า

เกณฑ์ตัดสินของ 3 ทางเลือก

จากที่กล่าวมา ขอเรียบเรียงทางเลือก “จ้างเข้ามา / สร้างจากคนใน / จ้างภายนอก” ดังนี้

คำตอบที่เป็นจริงในทางปฏิบัติ ส่วนใหญ่คือ การผสมทั้ง 3 อย่าง ช่วงตั้งต้นจ้างภายนอก ช่วงใช้งานจริงให้พนักงานเดิมที่ผ่านการอบรมรับไป และเมื่อถึงช่วงวางมาตรฐานจึงค่อยจ้างเข้ามาถ้าจำเป็น

สิ่งที่ต้องตัดสินใจก่อน หากเลือก “สร้างจากคนใน”

ตัวเลขที่ Google Cloud แสดงไว้ว่า คนไทย 86% สนใจการอบรมเพิ่มเติมเพื่อใช้ AI ได้อย่างมีประสิทธิผลมากขึ้น บ่งชี้ว่าข้อจำกัดในด้านความตั้งใจอาจมีน้อย และในความเป็นจริง สิ่งที่กลายเป็นปัญหาในการอบรม AI ให้พนักงาน มักไม่ใช่ความตั้งใจ แต่เป็น 3 เรื่องต่อไปนี้

อย่างแรก ภาษาของสื่อการสอน ถ้าแจกสื่อภาษาอังกฤษไปตรงๆ ระยะห่างระหว่างคนที่เข้าใจกับคนที่ไม่เข้าใจจะถ่างออก ต้องเตรียมสื่อภาษาไทย หรืออย่างน้อยส่วนแบบฝึกหัดต้องทำเป็นภาษาไทย

อย่างที่สอง ความเฉพาะเจาะจงของงานเป้าหมาย การอบรมเชิงทฤษฎีทำนอง “Generative AI คืออะไร” ต่อให้คะแนนความพึงพอใจทันทีหลังเรียนจะสูง แต่สัปดาห์ถัดมาก็ไม่มีใครใช้ ต้องจัดในลักษณะที่ให้ผู้เรียนเอางานจริงที่ตัวเองรับผิดชอบมาลงมือประมวลผลในห้องเรียน จึงจะติดตัว

อย่างที่สาม การระบุขอบเขตที่ใช้ได้ให้ชัด เพราะมีประเด็น PDPA อยู่ ถ้าไม่เขียนให้ชัดว่าอะไรใส่เข้าไปได้และอะไรใส่ไม่ได้ คนที่ระมัดระวังมากจะยิ่งไม่ใช้ และถ้าเขียนแต่รายการข้อห้าม ทุกคนจะเลิกใช้ เคล็ดลับคือ เขียนตัวอย่างที่อนุญาตให้ทำได้ไว้ก่อน

การออกแบบการอบรมสำหรับภาคการผลิตอยู่ในการอบรม Generative AI สำหรับภาคการผลิต บทความนี้ขอหยุดไว้ที่เกณฑ์ตัดสินของ 3 ทางเลือกเท่านั้น

ประเด็นที่ 5: ค่าใช้จ่าย (BOI และ depa ทำให้สมมติฐานในเอกสารขออนุมัติงบใช้ไม่ได้)

ประเทศไทยไม่มี “เงินอุดหนุนการนำ AI มาใช้” แบบเข้าใจง่าย

ในญี่ปุ่น การประกอบเอกสารขออนุมัติงบโดยตั้งอยู่บนเงินอุดหนุนหรือสิทธิประโยชน์ทางภาษีด้าน AI และ DX ถือเป็นเรื่องปกติ ประเทศไทยก็มีมาตรการอยู่เช่นกัน แต่ โครงสร้างต่างกันพอสมควร และยังมีข้อจำกัดเรื่องการใช้ร่วมกัน ถ้าเขียนเอกสารขออนุมัติงบโดยไม่รู้จุดนี้ จะถูกฝ่ายบัญชีตีกลับ มาตรการหลักมี 3 อย่าง

BOI “Smart and Sustainable Industry”

หนึ่งในสิทธิประโยชน์ของ BOI (สำนักงานคณะกรรมการส่งเสริมการลงทุน) คือ “Smart and Sustainable Industry” ซึ่งมุ่งไปที่การยกระดับโรงงานที่มีอยู่เดิม สิ่งที่ต้องจับให้แม่นคือ เพดานของการยกเว้นภาษีเงินได้นิติบุคคลอยู่ที่ 50% เป็นพื้นฐาน

เพดานจะขึ้นเป็น 100% เฉพาะกรณีที่เข้าเงื่อนไขทั้ง 2 ข้อพร้อมกัน เท่านั้น

1. นำระบบอัตโนมัติหรือหุ่นยนต์เข้ามาใช้ในสายการผลิต
2. และจัดหา มูลค่าไม่น้อยกว่า 30% ของมูลค่าเครื่องจักรที่ปรับปรุงใหม่ จากอุตสาหกรรมระบบอัตโนมัติภายในประเทศไทย

เอกสารบางฉบับเขียนไว้ว่า “ถ้าเป็น BOI ก็ยกเว้น 100%” แบบไม่มีเงื่อนไข ซึ่งไม่ถูกต้อง อีกทั้ง BOI มีระบบสิทธิประโยชน์ต่างกันไปตามหมวด จึงนำไปวางเทียบกับสถิติจำนวนคำขอของหมวดอื่นเพื่ออภิปรายไม่ได้เช่นกัน

พระราชกฤษฎีกาฉบับที่ 802 (การหักรายจ่ายด้านดิจิทัล 200% ของ depa)

เมื่อ SME ของไทยนำเทคโนโลยีดิจิทัลมาใช้ มีมาตรการให้หักรายจ่ายได้ 200% ของยอดค่าใช้จ่าย แต่ มีเงื่อนไขติดมาด้วย 5 อย่าง

โรงงานทุนญี่ปุ่นในไทยส่วนใหญ่ได้รับสิทธิประโยชน์จาก BOI อยู่แล้ว นั่นแปลว่า เอกสารขออนุมัติงบที่เขียนบนสมมติฐานว่า “มีการหักรายจ่าย 200% ของ depa อยู่ ภาระจริงจึงเบา” จะใช้ไม่ได้ทันทีสำหรับนิติบุคคลที่อยู่ภายใต้ BOI นี่เป็นอุบัติเหตุที่เกิดบ่อยมากในประเทศไทย

คุณสมบัติ SME ก็ถูกมองข้ามบ่อยเช่นกัน เงื่อนไขทุนจดทะเบียนที่ชำระแล้วไม่เกิน 5 ล้านบาท และรายได้ต่อปีไม่เกิน 30 ล้านบาท ถือเป็นขนาดที่เล็กมากสำหรับฐานการผลิต บริษัทลูกด้านการผลิตของทุนญี่ปุ่นจำนวนมากมีแนวโน้มสูงที่จะเกินเงื่อนไขนี้ จึงต้องตรวจสอบด้วยตัวเลขทุนจดทะเบียนที่ชำระแล้วและรายได้ล่าสุดของบริษัทเอง ยิ่งไปกว่านั้น เมื่อเพดานอยู่ที่ 300,000 บาทต่อรอบระยะเวลาบัญชี ต่อให้เข้าเงื่อนไขครบทุกอย่าง ก็ไม่ได้แปลว่าจะใช้มาตรการนี้จัดการเงินลงทุนระบบขนาดใหญ่ได้ทั้งก้อน

การหักรายจ่าย 200% สำหรับการพัฒนาบุคลากรของ BOI

ในทางกลับกัน สิ่งที่ใช้ได้ง่ายสำหรับโครงการที่อยู่ภายใต้ BOI คือ การหักรายจ่ายค่าฝึกอบรม 200% โครงการ BOI มีการหักรายจ่ายค่าฝึกอบรม 200% และยังถูกใช้เพื่อให้เข้าเงื่อนไขของจำนวนปียกเว้นภาษีเพิ่มเติมในมาตรการเสริมสร้างขีดความสามารถในการแข่งขันด้วย การอบรมที่เกี่ยวกับ AI ก็เป็นขอบเขตที่อาจเข้าข่ายได้

ตรงนี้มีนัยต่อการออกแบบค่าใช้จ่าย

สำหรับนิติบุคคลภายใต้ BOI สิทธิประโยชน์ของ “ค่าใช้จ่ายในการซื้อซอฟต์แวร์” ใช้ได้ยาก แต่สิทธิประโยชน์ของ “ค่าใช้จ่ายในการพัฒนาคน” มีโอกาสใช้ได้

เรื่องนี้ส่งผลตรงไปที่ 3 ทางเลือก “จ้างเข้ามา / สร้างจากคนใน / จ้างภายนอก” ในประเด็นก่อนหน้า ถ้าแรงจูงใจฝั่งกฎระเบียบเอนไปทาง “สร้างจากคนใน” การจัดโครงสร้างค่าใช้จ่ายให้หนักไปทางฝั่งการอบรมก็อาจสมเหตุสมผลกว่า

อย่างไรก็ตาม การจะใช้ได้จริงหรือไม่ ขึ้นอยู่กับเนื้อหาและเงื่อนไขของโครงการ BOI ของบริษัทเอง ขอให้ตรวจสอบกับผู้รับผิดชอบงาน BOI และสำนักงานบัญชีของบริษัทเสมอ สิ่งที่บทความนี้พูดได้มีเพียงว่า “มีค่าพอที่จะไปตรวจสอบ”

ลำดับขั้นตอนในการตัดสินว่าใช้สิทธิ์ใดได้

ถ้าเรียงมาตรการทั้ง 3 ใหม่ในรูปลำดับของการตัดสิน จะได้แบบนี้

ขอให้เดิน 4 ขั้นตอนนี้ให้จบก่อนเลือกระบบ เพราะคำตอบของขั้นตอนที่ 1 จะเปลี่ยนอิสระในการคัดเลือกผู้ให้บริการในขั้นตอนที่ 3 ถ้าอยู่ภายใต้ BOI การขึ้นทะเบียนกับ depa จะไม่ใช่เกณฑ์คัดเลือก แต่ถ้าไม่ได้อยู่ภายใต้ BOI และเข้าคุณสมบัติ SME การเป็นผู้ให้บริการที่ขึ้นทะเบียนหรือไม่ จะเพิ่มเข้ามาเป็นเกณฑ์คัดเลือกที่มีผลจริง

6 รูปแบบที่โรงงานทุนญี่ปุ่นในไทยมักติด

ประเด็นทั้ง 5 ที่ผ่านมาปรากฏตัวที่หน้างานอย่างไร ขอยกรูปแบบการติดขัดที่พบบ่อยมา 6 รูปแบบ

รูปแบบที่ 1: เครื่องมือที่บริษัทแม่ใช้อยู่ ใช้ในไทยไม่ได้

สำนักงานใหญ่สั่งลงมาว่า “ให้ใช้ตัวนี้ซึ่งเป็นมาตรฐานของกลุ่มบริษัท” แต่ที่จัดเก็บข้อมูลอยู่ต่างประเทศ ฝ่ายกฎหมายในไทยจึงชะลอการตัดสิน หรือไม่รองรับหน้าจอภาษาไทยและการประมวลผลเอกสารภาษาไทย พนักงานในไทยจึงใช้ไม่ได้

ต้นตอของการติดขัดคือ เกณฑ์คัดเลือกของฝั่งสำนักงานใหญ่ไม่มีหัวข้อ “ภาษา” และ “ที่ตั้งของข้อมูล” เพราะสำนักงานใหญ่ตั้งสภาพแวดล้อมภาษาญี่ปุ่นและศูนย์ข้อมูลในประเทศเป็นสมมติฐานโดยปริยาย ตารางคัดเลือกจึงไม่มีคอลัมน์เหล่านั้นอยู่เลย

ทางเลี่ยงคือ ขอให้สำนักงานใหญ่เพิ่มคอลัมน์ในตารางคัดเลือกอีก 2 คอลัมน์ ได้แก่ “ภาษาที่รองรับ (ไทยและเวียดนาม)” และ “เลือกรีเจียนที่จัดเก็บข้อมูลได้หรือไม่” แค่มี 2 คอลัมน์นี้ ก็จะรู้ล่วงหน้าได้ว่าขยายไปยังฐานการผลิตในต่างประเทศได้หรือไม่

รูปแบบที่ 2: ยังอ่านเอกสารภาษาไทยไม่ได้ แต่การถกเรื่องใช้ AI เดินไปไกลแล้ว

ทุกฝ่ายเห็นตรงกันว่า “เริ่มจากทำให้ค้นหาเอกสารภายในได้ก่อน” แต่เอกสารเป้าหมายจำนวนมากอยู่ในรูปกระดาษหรือ PDF ที่สแกนมาเป็นภาษาไทย และยังดึงออกมาเป็นข้อความไม่ได้ สุดท้ายพบว่าโครงการต้องเริ่มจาก “การแปลงเอกสารเป็นข้อความ” ไม่ใช่ “การนำ AI มาใช้” ระยะเวลาและค่าใช้จ่ายจึงบานปลาย

ทางเลี่ยงคือ ในขั้นวางแผน ให้ลองสุ่มตัวอย่างเอกสารเป้าหมายจริงสัก 50 ฉบับ แค่นับแยกตามภาษาและตามลักษณะของเอกสาร (Word / Excel / PDF / ไฟล์สแกน / กระดาษ) ก็ประมาณขนาดของงานต้นน้ำได้แล้ว เป็นงานขนาดครึ่งวันถึงหนึ่งวันก็เสร็จ

รูปแบบที่ 3: คำตัดสินเรื่อง PDPA ไม่ออก โครงการเลยค้าง

คำถามที่ว่า “การใช้งานแบบนี้ผ่าน PDPA หรือไม่” ถูกโยนไปที่ฝ่ายกฎหมาย แล้วค้างอยู่ตรงนั้น เหตุผลที่ค้างไม่ใช่เพราะฝ่ายกฎหมายละเลย แต่เพราะ คำถามหยาบเกินกว่าจะตอบได้ ไม่มีใครตอบคำถามว่า “ใช้ Generative AI ได้หรือไม่” ได้

ทางเลี่ยงคือ ซอยคำถามให้อยู่ในหน่วย “ข้อมูล × การใช้งาน” ถ้าทำให้เป็นรูปธรรมถึงระดับ “นำข้อมูลลงเวลาทำงานที่มีชื่อพนักงานอยู่ด้วย ใส่เข้าบริการที่อยู่บนรีเจียนในประเทศ เพื่อวัตถุประสงค์ในการสรุปความ ได้หรือไม่” ฝ่ายกฎหมายก็ตัดสินได้ และการซอยคำถามให้ละเอียดพอที่จะตัดสินได้ เป็นงานของหน้างาน ไม่ใช่ของฝ่ายกฎหมาย

รูปแบบที่ 4: นำเข้ามาแล้ว แต่พนักงานไม่ใช้

แจกบัญชีผู้ใช้แล้ว จัดอบรมแล้ว แต่ก็ยังไม่มีคนใช้ พอดูล็อกก็พบว่ามีการใช้แค่ 2 สัปดาห์แรก หลังจากนั้นเป็นศูนย์ สาเหตุมักเป็นอย่างใดอย่างหนึ่งต่อไปนี้

• ขอบเขตที่ใช้ได้คลุมเครือ คนที่ระมัดระวังมากยิ่งไม่ใช้
• อบรมจบแค่ทฤษฎีทั่วไป จึงไม่รู้ว่าจะเอาไปใช้กับงานของตัวเองอย่างไร
• มีแต่หน้าจอและสื่อการสอนภาษาญี่ปุ่นหรือภาษาอังกฤษ ทำให้ต้องใช้เวลาอ่านนาน
• หัวหน้าไม่ได้ใช้

ทางเลี่ยงคือ จำกัดงานเป้าหมายให้เหลือ 1 งาน แล้วอบรมด้วยของจริงของงานนั้น และในเดือนแรก ขอให้ติดตาม “จำนวนครั้งที่งานนั้นถูกประมวลผลด้วย AI จริง” ไม่ใช่จำนวนคนในล็อกการใช้งาน จำนวนคนเพิ่มได้ง่าย แต่จำนวนครั้งไม่โกหก ส่วนการออกแบบการอบรมเอง ขอให้ดูที่การอบรม Generative AI สำหรับภาคการผลิต

รูปแบบที่ 5: หาผู้รับจ้างไม่ได้ หรือเลือกผิด

การประมวลผลภาษาไทย กฎระเบียบในประเทศ และความรู้เรื่องงานของภาคการผลิต ผู้รับจ้างที่เข้าใจทั้ง 3 อย่างพร้อมกันมีไม่มาก ถ้าให้ผู้ให้บริการจากญี่ปุ่นทำ ก็มักติดที่กฎระเบียบในประเทศและภาษาไทย ถ้าให้ผู้ให้บริการในไทยทำ ก็มักติดตอนประสานกับสำนักงานใหญ่ในญี่ปุ่น เป็นโครงสร้างแบบนี้

ทางเลี่ยงคือ ในช่วงต้นของการคัดเลือก ให้ยื่น “ของจริงที่เป็นภาษาไทย” ไปให้ทดลองทำ ส่งแบบฟอร์มภาษาไทยของบริษัทไปสัก 2 ถึง 3 แผ่น แล้วให้แปลงเป็นข้อความและสรุปความ ครั้งเดียวก็รู้ได้ค่อนข้างแม่นว่ารับงานไหวหรือไม่ ส่วนมุมมองการคัดเลือกโดยรวมสรุปไว้ในวิธีเลือกบริษัทพัฒนาระบบในประเทศไทย

รูปแบบที่ 6: อธิบายผลลัพธ์เป็นคำพูดไม่ได้ งบก้อนถัดไปจึงไม่ผ่าน

โครงการนำร่องเดินได้ หน้างานก็บอกว่า “สะดวกขึ้น” แต่ไม่มีตัวเลขที่เขียนลงในเอกสารเสนอสำนักงานใหญ่ได้ งบของปีถัดไปจึงไม่ถูกอนุมัติ

รูปแบบนี้พบบ่อยที่สุดใน 6 รูปแบบ สาเหตุคือ ไม่ได้วัดสภาพก่อนนำมาใช้ ต่อให้ไปถามหลังนำมาใช้แล้วว่า “ย่นเวลาได้กี่นาที” ถ้าไม่มีตัวเปรียบเทียบก็ไม่มีคำตอบ

ทางเลี่ยงคือ ใช้ 2 สัปดาห์ก่อนเริ่มใช้งานไปกับ “การวัดอย่างเดียว” จำนวนครั้งของงานเป้าหมาย เวลาที่ใช้ต่อ 1 ครั้ง และถ้ามีการจ้างภายนอกก็เก็บยอดเงินไว้ด้วย วัดจริง 3 อย่างนี้ไว้ แล้วค่อยอธิบายผลลัพธ์เป็นคำพูดทีหลังได้ ส่วนการออกแบบการวัดผลเองนั้นเขียนไว้ในการวัดผลและออกแบบ ROI ของการนำ AI มาใช้

การประเมินแบบจำลอง: เริ่มพร้อมกันทั้งบริษัท (A) กับนำร่อง 1 แผนก (B)

จากนี้ไปเป็นการสร้างวัตถุดิบสำหรับการตัดสินใจด้วยตัวเลข ทั้งหมดต่อไปนี้เป็นการประเมินแบบจำลองที่ใช้ค่าสมมติ ไม่ใช่ยอดเงินจากใบเสนอราคาจริง และไม่ใช่ผลลัพธ์ที่เกิดขึ้นจริง ขอให้อ่านในฐานะ “แบบฟอร์ม” สำหรับนำตัวเลขของบริษัทตัวเองไปแทนที่ กระบวนการคำนวณจะแสดงให้เห็นทั้งหมด

แยกค่าใช้จ่ายออกเป็น 4 ชั้น

ค่าใช้จ่ายในการนำ Generative AI มาใช้ ถูกแบ่งหมวดในใบเสนอราคาไม่เหมือนกันเลยในแต่ละผู้ให้บริการ เพื่อให้เปรียบเทียบได้ ขอ แยกเงินลงทุนตั้งต้นออกเป็น 4 ชั้น ดังนี้

ค่าใช้จ่ายในการใช้งานรายปี แยกออกจาก 4 ชั้นนี้ต่างหาก เนื้อหาประกอบด้วย 3 อย่าง คือ “ค่าไลเซนส์ (แบบรายผู้ใช้หรือแบบตามปริมาณการใช้งาน)” “ค่าบำรุงรักษาและปรับปรุงโดยผู้ให้บริการ” และ “ชั่วโมงงานของทีมภายในที่ดูแลการใช้งาน (แปลงเป็นเงิน)”

สูตรที่ใช้มี 3 สูตรเป็นหลัก (ROI 3 ปีและ 5 ปี คำนวณจาก “(ประโยชน์สุทธิต่อปี × จำนวนปี − เงินลงทุน) ÷ เงินลงทุน”)

เงินลงทุน = ชั้นที่ 1 + ชั้นที่ 2 + ชั้นที่ 3 + ชั้นที่ 4 (เกิดขึ้นเฉพาะตอนตั้งต้น)
ประโยชน์สุทธิต่อปี = ประโยชน์ต่อปี − ค่าใช้จ่ายในการใช้งานรายปี
ระยะเวลาคืนทุน = เงินลงทุน ÷ ประโยชน์สุทธิต่อปี

ถ้านำค่าใช้จ่ายในการใช้งานรายปีไปใส่ในเงินลงทุนด้วย จะกลายเป็นการนับซ้ำ ค่าใช้จ่ายในการใช้งานรายปีจึงปรากฏเฉพาะฝั่งตัวส่วนเท่านั้น ระเบียบวิธีของการวัดผลเอง เช่น วิธีนิยามเงินลงทุน วิธีวางตัวชี้วัด และวิธีเลี่ยงการนับซ้ำ อยู่ในการวัดผลและออกแบบ ROI ของการนำ AI มาใช้ ในที่นี้จะใช้นิยามเหล่านั้นตามเดิม และดูเฉพาะว่า เมื่อใส่ตัวเลขเฉพาะของไทยเข้าไป (ต้นทุนแรงงาน 50 บาทต่อชั่วโมง ค่าไลเซนส์แบบรายผู้ใช้ และชั้นที่ 4 เรื่องการรองรับกฎระเบียบซึ่งไม่มีในญี่ปุ่น) แล้วจะเกิดอะไรขึ้น

สมมติฐานร่วม (เป็นค่าสมมติทั้งหมด)

เพื่อให้นำตัวเลขของบริษัทตัวเองไปแทนที่ได้ ขอเรียงค่าสมมติที่ใช้ในการประเมินไว้ให้ครบก่อน ถ้าเปลี่ยนค่าในตารางนี้เป็นยอดจริงของบริษัทท่าน การคำนวณหลังจากนี้จะทำซ้ำได้ทั้งหมด

ขอเสริมเรื่องต้นทุนแรงงานต่อชั่วโมง ค่าจ้างขั้นต่ำของไทยอยู่ที่ วันละ 337 ถึง 400 บาท แตกต่างตามจังหวัด ในที่นี้ตั้งสมมติฐานว่าอยู่ในพื้นที่ที่ใช้อัตราวันละ 400 บาท จึงคิด 400 ÷ 8 = 50 บาทต่อชั่วโมง ถ้าเป็นพื้นที่ที่ใช้อัตราวันละ 337 บาท จะได้ 337 ÷ 8 = ประมาณ 42 บาทต่อชั่วโมง การประเมินนี้จึงเลือกฝั่งที่สูงกว่าในบรรดาอัตราที่อิงค่าจ้างขั้นต่ำ

อนึ่ง คนที่ได้เวลาคืนจริงจาก AI ไม่ใช่พนักงานหน้างานผลิต แต่เป็นพนักงานสายสำนักงานและสายเทคนิค ซึ่งตามปกติมีต้นทุนแรงงานต่อชั่วโมงสูงกว่าฐานค่าจ้างขั้นต่ำ การประเมินนี้จงใจใช้อัตราที่ต่ำ เพื่อค้นหาโครงสร้างที่ยังอยู่ได้แม้ใช้อัตราต่ำก่อน กรณีที่ยกอัตราขึ้นจะแสดงไว้ในการวิเคราะห์ความอ่อนไหว และตอนนั้น จะขยับไม่เฉพาะฝั่งประโยชน์ แต่ขยับอัตราแปลงเป็นเงินของชั่วโมงงานดูแลการใช้งานไปพร้อมกันด้วย เพราะเป็นเวลาของพนักงานภายในกลุ่มเดียวกัน

ตรวจด้วยตัวเลขต่อคน 1 คนก่อน (จุดนี้เป็นตัวกำหนดข้อสรุปทั้งหมด)

ก่อนเข้าสู่ตัวเลขก้อนใหญ่ ขอ ตรวจด้วยตัวเลขต่อคน 1 คน ก่อนว่า เมื่อเทียบกับค่าไลเซนส์แบบรายผู้ใช้ปีละ 6,000 บาท มูลค่าเวลาทำงานที่ประหยัดได้จะเป็นเท่าไร

ขอกางการคำนวณให้ดู 1 บรรทัด

30 นาที × 240 วัน = 7,200 นาที = 120 ชั่วโมง
120 ชั่วโมง × อัตราการเกิดผลจริง 50% = 60 ชั่วโมง
60 ชั่วโมง × 50 บาท = 3,000 บาทต่อปีต่อคน
ค่าไลเซนส์ 500 บาทต่อเดือน × 12 = 6,000 บาทต่อปีต่อคน
ส่วนต่าง = 3,000 − 6,000 = −3,000 บาทต่อปีต่อคน

ต่อให้ประหยัดเวลาได้วันละ 30 นาที มูลค่าเวลาทำงานที่ประหยัดได้ก็เป็นเพียงครึ่งหนึ่งของค่าไลเซนส์พอดี และนี่ยังเป็นสภาพที่ยังไม่ได้ลงเงินลงทุนตั้งต้น 4 ชั้นเข้าไปแม้แต่บาทเดียว

ขอคำนวณจุดคุ้มทุนไว้ด้วย

ต้นทุนแรงงานต่อชั่วโมงที่ต้องมี: 6,000 บาท ÷ 60 ชั่วโมง = 100 บาทต่อชั่วโมง (เป็น 2 เท่าของ 50 บาทที่อิงค่าจ้างขั้นต่ำ)
เวลาที่ต้องลดให้ได้: 6,000 ÷ 50 บาท = 120 ชั่วโมง (แบบมีผลจริง) → เมื่ออัตราการเกิดผลจริงคือ 50% จึงต้องลดเวลาให้ได้ก่อนคูณอัตราการเกิดผลจริง 240 ชั่วโมง → 240 ชั่วโมง × 60 นาที ÷ 240 วัน = วันละ 60 นาที

แปลว่า ถ้าจะเอาคืนเฉพาะค่าไลเซนส์แบบรายผู้ใช้ด้วยการประหยัดเวลาทำงานอย่างเดียว ต้องมีต้นทุนแรงงาน 100 บาทต่อชั่วโมง หรือต้องลดเวลาให้ได้วันละ 60 นาที จุดนี้คือฐานของข้อสรุปทั้งบทความ

สถานการณ์ A: เริ่มพร้อมกันทั้งบริษัท (150 คน)

เงินลงทุนตั้งต้น (ชั้นที่ 1 ถึง 4)

ค่าใช้จ่ายในการใช้งานรายปี

ค่าไลเซนส์แบบรายผู้ใช้: 150 คน × 6,000 บาท = 900,000 บาทต่อปี
ค่าบำรุงรักษาและปรับปรุงโดยผู้ให้บริการ: 120,000 บาทต่อปี
การดูแลการใช้งานภายใน: ปีละ 3,600 ชั่วโมง × 50 บาทต่อชั่วโมง (อัตราเดียวกับฝั่งประโยชน์) = 180,000 บาทต่อปี
รวม = 900,000 + 120,000 + 180,000 = 1,200,000 บาทต่อปี

ประโยชน์ต่อปี

ขอแบ่งประโยชน์ออกเป็น 3 กลุ่ม เพื่อไม่ให้ตัดสินด้วยการประหยัดเวลาทำงานอย่างเดียว

ประโยชน์ที่ 1 (มูลค่าเวลาทำงานที่ประหยัดได้) สมมติว่าเฉลี่ยทั้งบริษัทวันละ 30 นาที
150 คน × 30 นาที × 240 วัน = 1,080,000 นาที = 18,000 ชั่วโมง
18,000 ชั่วโมง × อัตราการเกิดผลจริง 50% = 9,000 ชั่วโมง
9,000 ชั่วโมง × 50 บาท = 450,000 บาทต่อปี

อนึ่ง ประโยชน์ที่ 2 ได้ รวมอัตราการเกิดผลจริงไว้แล้วในค่าสัมประสิทธิ์แบบระมัดระวัง คือสัดส่วนที่แปลเองภายใน 60% และอัตราการลด 15% จึงไม่คูณอัตราการเกิดผลจริง 50% ซ้ำอีกแบบประโยชน์ที่ 1 และประโยชน์ที่ 3 เป็นการจัดระเบียบเพื่อไม่ให้หักลดซ้ำซ้อน

ประโยชน์ที่ 2 (การลดค่าใช้จ่ายที่จ่ายจริง)
ค่าจ้างแปลและล่ามภายนอก: เดือนละ 40,000 บาท × 12 = 480,000 บาทต่อปี คูณสัดส่วนที่แปลเองภายใน 60% = 288,000 บาทต่อปี
ค่าใช้จ่ายจริงที่เกิดจากคุณภาพและกำหนดส่งมอบ (ตรวจซ้ำ แก้งาน ส่งของเที่ยวพิเศษ): ปีละ 400,000 บาท × อัตราการลด 15% = 60,000 บาทต่อปี
รวมประโยชน์ที่ 2 = 288,000 + 60,000 = 348,000 บาทต่อปี

ประโยชน์ที่ 3 คำนวณโดย “สมมติว่าการค้นหาข้อมูลตอนเครื่องจักรมีปัญหาย่นลงได้ครั้งละ 20 นาที และ เวลาที่ไลน์ผลิตหยุดสั้นลงเท่ากับเวลาที่ย่นได้นั้น” สำหรับกระบวนการที่สมการนี้ไม่เป็นจริง (เช่น กรณีที่เครื่องจักรยังเดินอยู่ระหว่างการค้นหา) ขอให้ถือว่าประโยชน์ที่ 3 เป็นศูนย์

ประโยชน์ที่ 3 (การเดินเครื่องและกำลังการผลิตที่เพิ่มขึ้น)
การค้นหาข้อมูลตอนเครื่องจักรมีปัญหา: ย่นได้ครั้งละ 20 นาที × ปีละ 600 ครั้ง = 12,000 นาที = 200 ชั่วโมง
200 ชั่วโมง × อัตราการเกิดผลจริง 50% = 100 ชั่วโมง
100 ชั่วโมง × กำไรส่วนเกิน 800 บาท = 80,000 บาทต่อปี

รวมประโยชน์ต่อปี = 450,000 + 348,000 + 80,000 = 878,000 บาทต่อปี
ประโยชน์สุทธิต่อปี = 878,000 − 1,200,000 = −322,000 บาทต่อปี

ติดลบ ต่อให้บวกประโยชน์ต่อปีทั้งหมดเข้าด้วยกัน ก็ยังไม่ถึงค่าใช้จ่ายในการใช้งานรายปี เงินลงทุนตั้งต้น 1,600,000 บาทจึงกลายเป็นปัญหาที่อยู่ก่อนหน้าการคำนวณระยะเวลาคืนทุนเสียอีก (เมื่อตัวส่วนติดลบ ระยะเวลาคืนทุนจึงนิยามไม่ได้)

สัดส่วนภายในของประโยชน์คือ ประโยชน์ที่ 1 อยู่ที่ 450,000 ÷ 878,000 = ประมาณ 51.3% ประโยชน์ที่ 2 อยู่ที่ 348,000 ÷ 878,000 = ประมาณ 39.6% และประโยชน์ที่ 3 อยู่ที่ 80,000 ÷ 878,000 = ประมาณ 9.1%

สถานการณ์ B: นำร่องเฉพาะ 1 แผนก (20 คน)

จำกัดขอบเขตไว้ที่แผนกเดียวที่ผลลัพธ์กระจุกตัวอยู่ (สมมติว่าเป็นแผนกประกันคุณภาพ) เนื่องจากงานหลักของแผนกนี้คือการรับส่งเอกสารไปกลับระหว่างภาษาไทยกับภาษาญี่ปุ่น จึง สมมติว่าลดเวลาได้วันละ 60 นาทีต่อคน เมื่อจุดคุ้มทุนที่คำนวณไว้ก่อนหน้าอยู่ที่วันละ 60 นาทีพอดี แผนกนี้จึงเป็น แผนกที่มูลค่าเวลาทำงานที่ประหยัดได้เท่ากับค่าไลเซนส์พอดี หรือพูดอีกแบบคือ ถ้าดูเฉพาะการประหยัดเวลาทำงาน รายรับรายจ่ายจะเท่ากับศูนย์ (รายรับรายจ่ายโดยรวมเมื่อรวมการลดค่าใช้จ่ายจริงและการเดินเครื่องที่ดีขึ้น จะกล่าวถัดไป)

เงินลงทุนตั้งต้น (ชั้นที่ 1 ถึง 4)

ตรงนี้ขอให้ สังเกตชั้นที่ 4 จำนวนคนเป้าหมายลดจาก 150 คนของ A เหลือ 20 คนของ B คือลดเหลือ 1 ใน 7.5 แต่ค่าใช้จ่ายในการรองรับกฎระเบียบลดจาก 200,000 บาทเหลือ 120,000 บาท คือลดเหลือเพียง 1 ใน 1.67 เมื่อคิดต่อคนจะได้

A: 200,000 ÷ 150 คน = ประมาณ 1,333 บาทต่อคน
B: 120,000 ÷ 20 คน = 6,000 บาทต่อคน (ประมาณ 4.5 เท่าของ A)

ค่าใช้จ่ายในการรองรับกฎระเบียบไม่แปรผันตามจำนวนคน เพราะการเรียบเรียงฐานการประมวลผลตาม PDPA การตรวจสอบที่ตั้งของข้อมูล และการทำสัญญา ล้วนไม่ใช่สิ่งที่ถูกลงเพราะทำให้แค่ 20 คน นี่คือ “ต้นทุนของการเริ่มเล็ก” และเป็นค่าใช้จ่ายที่ต้องไปเอาคืนด้วยการขยายผลที่จะกล่าวต่อไป

ค่าใช้จ่ายในการใช้งานรายปี

ค่าไลเซนส์แบบรายผู้ใช้: 20 คน × 6,000 บาท = 120,000 บาทต่อปี
ค่าบำรุงรักษาและปรับปรุงโดยผู้ให้บริการ: 60,000 บาทต่อปี
การดูแลการใช้งานภายใน: ปีละ 1,200 ชั่วโมง × 50 บาทต่อชั่วโมง (อัตราเดียวกับฝั่งประโยชน์) = 60,000 บาทต่อปี
รวม = 240,000 บาทต่อปี

ค่าใช้จ่ายในการใช้งานรายปีต่อคนคือ 240,000 ÷ 20 = 12,000 บาทต่อคน สูงกว่าของ A ซึ่งอยู่ที่ 1,200,000 ÷ 150 = 8,000 บาทต่อคน อยู่ 50% เพราะเมื่อขนาดเล็ก ค่าใช้จ่ายคงที่ของการบำรุงรักษาและการดูแลจะไม่ถูกเฉลี่ยให้บางลง

ประโยชน์ต่อปี

ประโยชน์ที่ 1 (มูลค่าเวลาทำงานที่ประหยัดได้)
20 คน × 60 นาที × 240 วัน = 288,000 นาที = 4,800 ชั่วโมง
4,800 ชั่วโมง × อัตราการเกิดผลจริง 50% = 2,400 ชั่วโมง
2,400 ชั่วโมง × 50 บาท = 120,000 บาทต่อปี

ยอด 120,000 บาทนี้ เท่ากันพอดี กับค่าไลเซนส์ 120,000 บาท นั่นคือ ต่อให้เลือกแผนกที่ผลลัพธ์กระจุกตัวมากที่สุด การประหยัดเวลาทำงานก็แค่พอจ่ายค่าไลเซนส์แล้วจบ

ประโยชน์ที่ 2 (การลดค่าใช้จ่ายที่จ่ายจริง)
ส่วนของแผนกนี้ในค่าจ้างแปลภายนอก: เดือนละ 20,000 บาท × 12 = 240,000 บาทต่อปี × สัดส่วนที่แปลเองภายใน 60% = 144,000 บาทต่อปี
ส่วนของแผนกนี้ในค่าใช้จ่ายจริงจากคุณภาพและกำหนดส่งมอบ: 250,000 บาท × 15% = 37,500 บาทต่อปี
รวมประโยชน์ที่ 2 = 181,500 บาทต่อปี

ประโยชน์ที่ 3 (การเดินเครื่องและกำลังการผลิตที่เพิ่มขึ้น)
ปัญหาเครื่องจักรที่แผนกนี้เกี่ยวข้อง: ปีละ 360 ครั้ง × 20 นาที = 7,200 นาที = 120 ชั่วโมง
120 ชั่วโมง × อัตราการเกิดผลจริง 50% = 60 ชั่วโมง
60 ชั่วโมง × 800 บาท = 48,000 บาทต่อปี

รวมประโยชน์ต่อปี = 120,000 + 181,500 + 48,000 = 349,500 บาทต่อปี
ประโยชน์สุทธิต่อปี = 349,500 − 240,000 = 109,500 บาทต่อปี

ระยะเวลาคืนทุน = 400,000 ÷ 109,500 = ประมาณ 3.7 ปี
ROI 3 ปี = (109,500 × 3 − 400,000) ÷ 400,000 = −17.9%
ROI 5 ปี = (109,500 × 5 − 400,000) ÷ 400,000 = +36.9%

ผลลัพธ์คือ 3 ปียังติดลบ แต่ 5 ปีเป็นบวก สัดส่วนภายในของประโยชน์คือ ประโยชน์ที่ 1 อยู่ที่ 120,000 ÷ 349,500 = ประมาณ 34.3% ประโยชน์ที่ 2 อยู่ที่ 181,500 ÷ 349,500 = ประมาณ 51.9% และประโยชน์ที่ 3 อยู่ที่ 48,000 ÷ 349,500 = ประมาณ 13.7% ประโยชน์ที่ใหญ่ที่สุดไม่ใช่การประหยัดเวลาทำงาน แต่คือการลดค่าใช้จ่ายที่จ่ายจริง

การขยายผล: เงินลงทุนเพิ่มของแผนกที่ 2 และต้นทุนส่วนเพิ่มที่ลดลง

ขยายผลของ B ไปยังแผนกที่ 2 (สมมติว่าเป็นแผนกวิศวกรรมการผลิต 20 คน ลดเวลาได้วันละ 50 นาที) สิ่งที่มีผลตรงนี้คือ การลดลงของต้นทุนส่วนเพิ่ม

เงินลงทุนตั้งต้นที่เพิ่มขึ้น

ลองเทียบเงินลงทุนตั้งต้นต่อคน

B (แผนกนำร่อง): 400,000 ÷ 20 คน = 20,000 บาทต่อคน
แผนกที่ 2: 170,000 ÷ 20 คน = 8,500 บาทต่อคน
อัตราการลดลง: 1 − 8,500 ÷ 20,000 = ลดลง 57.5%

แม้จำนวนคนเท่ากัน เงินลงทุนตั้งต้นของแผนกที่ 2 ก็อยู่ที่ 42.5% ของแผนกนำร่อง (คือลดลง 57.5%) ตัวการหลักที่ทำให้ลดคือชั้นที่ 4 การที่การรองรับกฎระเบียบลดจาก 120,000 เหลือ 20,000 เป็นเพราะการเรียบเรียงฐานการประมวลผล สัญญา และระเบียบ ทำครั้งเดียวแล้วใช้ซ้ำได้ พจนานุกรมศัพท์ในชั้นที่ 1 และวิธีเชื่อมต่อในชั้นที่ 2 ก็เช่นเดียวกัน

ค่าใช้จ่ายในการใช้งานรายปีที่เพิ่มขึ้น

ค่าไลเซนส์แบบรายผู้ใช้: 20 คน × 6,000 = 120,000 บาทต่อปี
ส่วนเพิ่มของค่าบำรุงรักษาโดยผู้ให้บริการ: 20,000 บาทต่อปี
ส่วนเพิ่มของการดูแลการใช้งานภายใน: ปีละ 200 ชั่วโมง × 50 บาทต่อชั่วโมง (อัตราเดียวกับฝั่งประโยชน์) = 10,000 บาทต่อปี
รวม = 150,000 บาทต่อปี

ที่ส่วนเพิ่มของการบำรุงรักษาและการดูแลมีขนาดเล็ก เป็นเพราะแบบแผนของการใช้งานถูกวางไว้แล้ว แต่ ค่าไลเซนส์แบบรายผู้ใช้แปรผันตามจำนวนคน จึงไม่ลดลง ตรงนี้คือค่าใช้จ่ายที่ไม่ถูกลงแม้จะขยายผล

ประโยชน์ต่อปีที่เพิ่มขึ้น

ประโยชน์ที่ 1: 20 คน × 50 นาที × 240 วัน = 240,000 นาที = 4,000 ชั่วโมง × 50% = 2,000 ชั่วโมง × 50 บาท = 100,000 บาทต่อปี
ประโยชน์ที่ 2: ค่าจ้างแปลภายนอก เดือนละ 12,500 × 12 = 150,000 × 60% = 90,000 และค่าใช้จ่ายจริงจากคุณภาพ 150,000 × 15% = 22,500 รวมเป็น 112,500 บาทต่อปี
ประโยชน์ที่ 3: ปัญหาเครื่องจักรที่แผนกนี้เกี่ยวข้อง ปีละ 240 ครั้ง × 20 นาที = 4,800 นาที = 80 ชั่วโมง × 50% = 40 ชั่วโมง × 800 บาท = 32,000 บาทต่อปี
รวมประโยชน์ที่เพิ่มขึ้น = 100,000 + 112,500 + 32,000 = 244,500 บาทต่อปี
ประโยชน์สุทธิที่เพิ่มขึ้น = 244,500 − 150,000 = 94,500 บาทต่อปี
ระยะเวลาคืนทุนของเงินลงทุนเพิ่ม = 170,000 ÷ 94,500 = ประมาณ 1.8 ปี

ถ้าหยิบเฉพาะแผนกที่ 2 ออกมาดู ระยะเวลาคืนทุนอยู่ที่ประมาณ 1.8 ปี เร็วกว่าประมาณ 3.7 ปีของแผนกนำร่องมาก เพราะแผนกนำร่องได้จ่ายค่าใช้จ่ายของการรองรับกฎระเบียบและโครงสร้างพื้นฐานไปแล้ว

ดูแบบสะสม

เงินลงทุนตั้งต้นสะสม = 400,000 + 170,000 = 570,000 บาท
ประโยชน์สุทธิต่อปีสะสม = 109,500 + 94,500 = 204,000 บาทต่อปี
ระยะเวลาคืนทุนสะสม = 570,000 ÷ 204,000 = ประมาณ 2.8 ปี
ROI 3 ปี = (204,000 × 3 − 570,000) ÷ 570,000 = +7.4%
ROI 5 ปี = (204,000 × 5 − 570,000) ÷ 570,000 = +78.9%

ถ้ามีแค่แผนกนำร่อง ROI 3 ปีอยู่ที่ −17.9% แต่เมื่อขยายไปถึงแผนกที่ 2 ก็พลิกเป็นบวกที่ +7.4% ถ้าเข้าใจว่าการขยายผลไม่ได้ทำเพื่อ “เพิ่มผลลัพธ์” แต่ทำเพื่อ “เฉลี่ยค่าใช้จ่ายของการรองรับกฎระเบียบและโครงสร้างพื้นฐานที่จ่ายไปก่อนแล้วให้บางลง” การออกแบบก็จะไม่ผิดทาง

วาง 3 กรณีเรียงกัน

อัตราส่วนของเงินลงทุนคือ 1,600,000 ÷ 400,000 = 4.0 เท่า ส่วนอัตราส่วนของประโยชน์ต่อปีคือ 878,000 ÷ 349,500 = ประมาณ 2.5 เท่า ในเมื่ออัตราส่วนของจำนวนคนคือ 150 ÷ 20 = 7.5 เท่า จึงเป็นโครงสร้างที่ เพิ่มคน 7.5 เท่า แต่ประโยชน์เพิ่มแค่ 2.5 เท่า เป็นผลจากการเหมารวมคนที่ได้ผลน้อยเข้ามาพร้อมกันทั้งหมด

ตรวจทานตัวเอง: ผลรวมรายแผนกกับค่าเฉลี่ยทั้งบริษัทตรงกันหรือไม่

ประโยชน์ที่ 1 ของสถานการณ์ A ตั้งไว้ที่ 450,000 บาทบนสมมติฐาน “เฉลี่ยทั้งบริษัทวันละ 30 นาที” ลองบวกสะสมทีละแผนกดู

แผนกนำร่อง (20 คน × 60 นาที): 120,000 บาท
แผนกที่ 2 (20 คน × 50 นาที): 100,000 บาท
อีก 110 คน (สมมติวันละ 20 นาที): 110 × 20 นาที × 240 วัน = 528,000 นาที = 8,800 ชั่วโมง × 50% = 4,400 ชั่วโมง × 50 บาท = 220,000 บาท
รวมแบบบวกสะสม = 120,000 + 100,000 + 220,000 = 440,000 บาท

ตรวจค่าเฉลี่ยถ่วงน้ำหนักของเวลาที่ลดได้ด้วย

(20 คน × 60 นาที + 20 คน × 50 นาที + 110 คน × 20 นาที) ÷ 150 คน = 4,400 นาที ÷ 150 = ประมาณ 29.3 นาทีต่อวัน

การบวกสะสมได้ 440,000 บาท และค่าเฉลี่ยถ่วงน้ำหนักได้ประมาณ 29.3 นาที จึงเห็นได้ว่า ค่าที่วางไว้ในสถานการณ์ A ว่า “เฉลี่ยทั้งบริษัท 30 นาที และ 450,000 บาท” ค่อนไปทางมองโลกในแง่ดี ส่วนต่างคือ 10,000 บาท แต่ ถึงจะวางแบบมองโลกในแง่ดี ประโยชน์สุทธิต่อปีของสถานการณ์ A ก็ยังติดลบ (−322,000 บาท) ส่วนต่างนี้จึงไม่เปลี่ยนข้อสรุป ถ้าปรับให้ตรงกับสภาพจริงเป็น 440,000 บาท ประโยชน์สุทธิจะกลายเป็น −332,000 บาท คือแย่ลงด้วยซ้ำ

ขอตรวจด้วยว่าประโยชน์ที่ 2 และประโยชน์ที่ 3 ผลรวมรายแผนกตรงกับค่าของทั้งบริษัทหรือไม่

ประโยชน์ที่ 2 และประโยชน์ที่ 3 มีผลรวมแบบบวกสะสมตรงกับค่าของทั้งบริษัท

การวิเคราะห์ความอ่อนไหว: สมมติฐานใดที่ทำให้ข้อสรุปเปลี่ยน

(1) กรณีเพิ่มต้นทุนแรงงานต่อชั่วโมงเป็น 2 เท่า (100 บาทต่อชั่วโมง)

ตามปกติ ต้นทุนแรงงานต่อชั่วโมงของพนักงานสายสำนักงานและสายเทคนิคจะสูงกว่าฐานค่าจ้างขั้นต่ำ จึงลองตั้งไว้ที่ 2 เท่า

ตรงนี้ ต้องขยับทั้งสองฝั่งเสมอ เพราะ “การดูแลการใช้งานภายใน” ที่อยู่ในค่าใช้จ่ายรายปี คือชั่วโมงงานของพนักงานภายในกลุ่มเดียวกับที่ได้เวลาคืนในประโยชน์ที่ 1 ถ้าเพิ่มอัตราเฉพาะฝั่งประโยชน์เป็น 2 เท่า แล้วปล่อยฝั่งค่าใช้จ่ายไว้ที่ 50 บาทต่อชั่วโมง การประเมินจะเอียงไปทางที่ได้เปรียบ ถ้าจะเพิ่มอัตราเป็น 2 เท่า ยอดเงินของการดูแลการใช้งานภายในก็ต้องเป็น 2 เท่าด้วย

A (ขยับฝั่งค่าใช้จ่ายตามไปด้วย)
ประโยชน์ที่ 1: 450,000 → 900,000 และรวมประโยชน์ต่อปี = 900,000 + 348,000 + 80,000 = 1,328,000
การดูแลการใช้งานภายใน: ปีละ 3,600 ชั่วโมง × 100 บาท = 180,000 → 360,000
ค่าใช้จ่ายในการใช้งานรายปี = 900,000 + 120,000 + 360,000 = 1,380,000
ประโยชน์สุทธิต่อปี = 1,328,000 − 1,380,000 = −52,000 บาทต่อปี (ยังติดลบอยู่)

B (ขยับฝั่งค่าใช้จ่ายตามไปด้วย)
ประโยชน์ที่ 1: 120,000 → 240,000 และรวมประโยชน์ต่อปี = 240,000 + 181,500 + 48,000 = 469,500
การดูแลการใช้งานภายใน: ปีละ 1,200 ชั่วโมง × 100 บาท = 60,000 → 120,000
ค่าใช้จ่ายในการใช้งานรายปี = 120,000 + 60,000 + 120,000 = 300,000
ประโยชน์สุทธิต่อปี = 469,500 − 300,000 = 169,500 บาทต่อปี
ระยะเวลาคืนทุน = 400,000 ÷ 169,500 = ประมาณ 2.4 ปี (ดีขึ้นจากประมาณ 3.7 ปีตอนใช้อัตรา 50 บาท)

ต่อให้ยกสมมติฐานเรื่องอัตราขึ้น การเริ่มพร้อมกันทั้งบริษัท (A) ก็ยังไม่ถึงจุดที่ประโยชน์สุทธิเป็นบวก สิ่งที่ดีขึ้นมีเพียงการนำร่อง 1 แผนก (B) ซึ่งขยับจากประมาณ 3.7 ปีเป็นประมาณ 2.4 ปี เหตุผลคือ เมื่อยกอัตราขึ้นใน A ประโยชน์ที่ 1 เพิ่มขึ้น 450,000 บาทก็จริง แต่การดูแลการใช้งานภายในก็เพิ่มขึ้น 180,000 บาทพร้อมกัน ส่วนเพิ่มสุทธิจึงอยู่แค่ 270,000 บาท ซึ่งกลบยอดติดลบเดิม 322,000 บาทไม่หมด (−322,000 + 270,000 = −52,000)

เอกสารประเมินที่ยกอัตราเฉพาะฝั่งประโยชน์ จะถูกตั้งคำถามที่จุดนี้แน่นอน ใบเสนอราคาหรือเอกสารขออนุมัติงบที่ไม่ได้ระบุอัตราแปลงชั่วโมงงานของฝั่งค่าใช้จ่าย ขอให้ไปตรวจตรงนั้นก่อนเป็นอันดับแรก

(2) กรณีลดอัตราการเกิดผลจริงจาก 50% เหลือ 30% (สถานการณ์ B)

ประโยชน์ที่ 1: 4,800 ชั่วโมง × 30% = 1,440 ชั่วโมง × 50 บาท = 72,000 บาท
ประโยชน์ที่ 3: 120 ชั่วโมง × 30% = 36 ชั่วโมง × 800 บาท = 28,800 บาท
ประโยชน์ที่ 2 รวมไว้แล้วในค่าสัมประสิทธิ์แบบระมัดระวัง (แปลเองภายใน 60% และอัตราการลด 15%) จึงคงอยู่ที่ 181,500 บาท
รวมประโยชน์ต่อปี = 72,000 + 181,500 + 28,800 = 282,300 บาทต่อปี
ประโยชน์สุทธิต่อปี = 282,300 − 240,000 = 42,300 บาทต่อปี
ระยะเวลาคืนทุน = 400,000 ÷ 42,300 = ประมาณ 9.5 ปี

แค่ลดอัตราการเกิดผลจริงลง 20 จุดเปอร์เซ็นต์ ระยะเวลาคืนทุนก็ยืดจากประมาณ 3.7 ปีเป็นประมาณ 9.5 ปี คือมากกว่า 2.5 เท่า

(3) กรณีให้ประโยชน์ที่ 2 (การลดค่าใช้จ่ายที่จ่ายจริง) เป็นศูนย์ (สถานการณ์ B)

รวมประโยชน์ต่อปี = 120,000 + 48,000 = 168,000 บาทต่อปี
ประโยชน์สุทธิต่อปี = 168,000 − 240,000 = −72,000 บาทต่อปี

ติดลบ ถ้าไม่มีการลดค่าใช้จ่ายที่จ่ายจริง แม้แต่สถานการณ์ B ซึ่งมีเงื่อนไขดีที่สุดก็ยังคืนทุนไม่ได้

สิ่งที่พูดได้จากการประเมินนี้

จาก 3 กรณีและการวิเคราะห์ความอ่อนไหว 3 แบบ ข้อสรุปสอดคล้องกันตลอด ภายใต้สมมติฐานนี้ (ต้นทุนแรงงาน 50 บาทต่อชั่วโมง และค่าไลเซนส์แบบรายผู้ใช้เดือนละ 500 บาท) การลงทุน AI ไม่คืนทุนด้วยการประหยัดเวลาทำงานเพียงอย่างเดียว ประหยัดได้วันละ 30 นาทีก็ได้ปีละ 3,000 บาท ซึ่งเป็นครึ่งหนึ่งของค่าไลเซนส์ 6,000 บาท สิ่งที่ต้องมีเพื่อให้ถึงจุดคุ้มทุนคือต้นทุนแรงงาน 100 บาทต่อชั่วโมง หรือการลดเวลาให้ได้วันละ 60 นาที และนั่นก็เป็นเพียงการเอาคืนค่าไลเซนส์เท่านั้น ยังไปไม่ถึงเงินลงทุนตั้งต้น 4 ชั้นแม้แต่บาทเดียว อีกทั้งเมื่อยกอัตราเป็น 100 บาทต่อชั่วโมงแล้วขยับการแปลงชั่วโมงงานฝั่งค่าใช้จ่ายไปพร้อมกัน การเริ่มพร้อมกันทั้งบริษัทก็ยังไม่ถึงจุดที่ประโยชน์สุทธิเป็นบวก

การจะทำให้คุ้มได้ ต้องบวกอีก 3 อย่างเข้ามา คือ (1) การเดินเครื่องและกำลังการผลิตที่เพิ่มขึ้น (2) การลดลงของต้นทุนส่วนเพิ่มจากการขยายผล และ (3) การลดค่าใช้จ่ายที่จ่ายจริงซึ่งเกี่ยวกับคุณภาพและกำหนดส่งมอบ โดยเฉพาะข้อ (3) ในสถานการณ์ B คิดเป็นประมาณ 51.9% ของประโยชน์ต่อปี และเมื่อทำให้เป็นศูนย์ ประโยชน์สุทธิก็ตกลงไปติดลบ ส่วนการเริ่มพร้อมกันทั้งบริษัทนั้นไม่คุ้ม นำร่อง 1 แผนกได้ประมาณ 3.7 ปี และเมื่อขยายถึงแผนกที่ 2 ได้ประมาณ 2.8 ปี มีเพียงลำดับนี้เท่านั้นที่ทำให้เห็นแนวทางการคืนทุน

อนึ่ง สิ่งที่แสดงไว้ในที่นี้คือ “แบบฟอร์ม” สำหรับการตัดสินใจ ส่วนการออกแบบตัวชี้วัดของการวัดผลและวิธีแทนที่ด้วยค่าที่วัดได้จริง ขอให้ดูที่การวัดผลและออกแบบ ROI ของการนำ AI มาใช้

ลำดับการตัดสินใจให้จบภายใน 90 วัน

สุดท้ายนี้ ขอแสดงลำดับสำหรับปิดการตัดสินใจให้จบใน 90 วัน สิ่งที่แสดงในที่นี้มีเพียง “จะตัดสินอะไร ตามลำดับใด” เท่านั้น ส่วนโรดแมปการลงมือทำหลังตัดสินใจแล้ว (เฟส 0 ถึงเฟส 4) สรุปไว้ในวิธีนำ Generative AI มาใช้และค่าใช้จ่าย ขอให้ดูที่นั่น

วันที่ 1 ถึง 30: กำหนดเงื่อนไขข้อจำกัดให้ชัด

ช่วงนี้คือ ช่วงเวลาที่ยังไม่เลือกอะไร ยังไม่เริ่มเปรียบเทียบเครื่องมือ สิ่งที่ต้องตัดสินใจมี 5 ข้อ

• ตรวจสอบกระบวนการอนุมัติของสำนักงานใหญ่ มีรายการเครื่องมือมาตรฐานของกลุ่มบริษัทหรือไม่ ถ้าจะใช้เครื่องมือที่ไม่อยู่ในรายการ ต้องยื่นผ่านช่องทางใดและใช้เวลาเท่าไร ถ้าไม่เคลียร์ตรงนี้ก่อน มักเสียเวลาก้อนใหญ่ไปในครึ่งหลัง
• จำแนกข้อมูลเป้าหมาย มีข้อมูลส่วนบุคคลหรือไม่ เป็นข้อมูลอ่อนไหวหรือไม่ เป็นความลับทางการค้าหรือไม่ ถ้าไม่มีการจำแนกนี้ 30 วันถัดไปก็ตัดสินเรื่อง PDPA ไม่ได้
• วัดสภาพจริงของเอกสารภาษาไทย สุ่มตัวอย่างเอกสารของงานเป้าหมาย 50 ฉบับ แล้วนับแยกตามภาษาและตามลักษณะของเอกสาร ขนาดของชั้นที่ 1 จะปรากฏตรงนี้
• หายอดค่าจ้างภายนอกที่จ่ายอยู่จริง ค่าแปลและค่าล่ามต่อเดือน และค่าใช้จ่ายที่จ่ายจริงเพราะปัญหาคุณภาพและกำหนดส่งมอบ 2 ตัวนี้คือฐานของประโยชน์ที่ 2 ถ้าไม่มีตรงนี้ ก็สร้างเหตุผลรองรับการลงทุนไม่ได้
• วัดเวลาที่ใช้ก่อนนำ AI มาใช้จริง บันทึกจำนวนครั้งของงานเป้าหมายและเวลาที่ใช้ต่อ 1 ครั้ง เพียง 2 สัปดาห์ จำเป็นอย่างยิ่งสำหรับการอธิบายผลลัพธ์เป็นคำพูดในภายหลัง

วันที่ 31 ถึง 60: กำหนดว่ากฎระเบียบและสัญญาผ่านหรือไม่

• กำหนดฐานการประมวลผลตาม PDPA ในหน่วย “ข้อมูล × การใช้งาน” ซอยคำถามจาก “ใช้ Generative AI ได้หรือไม่” ให้เป็น “นำข้อมูลนี้ ใส่เข้าบริการนี้ เพื่อการใช้งานนี้ ได้หรือไม่” ก่อนส่งให้ฝ่ายกฎหมาย
• กำหนดข้อกำหนดเรื่องที่ตั้งของข้อมูล ต้องใช้รีเจียนในประเทศไทยหรือไม่ หรือการเข้ารหัสกับสัญญาก็เพียงพอ โดยตรวจไปจนถึงระดับข้อสัญญา บนความเข้าใจว่า การมีรีเจียนไม่เท่ากับถูกต้องตามกฎหมาย
• ตัดสินว่าใช้สิทธิ์ BOI และ depa ได้หรือไม่ ตาม 4 ขั้นตอนที่กล่าวไปแล้ว ถ้าอยู่ภายใต้ BOI ก็ใช้การหักรายจ่าย 200% ของ depa ไม่ได้ ให้ไปตรวจกับผู้รับผิดชอบงาน BOI และสำนักงานบัญชีแทนว่า ใช้การหักค่าฝึกอบรม 200% ได้หรือไม่
• จัดทำตารางรายการบริการ AI ที่ใช้อยู่ ว่าบริการใด แผนกใดใช้ ด้วยสัญญาแบบใด ถ้าร่างกฎหมาย AI ผ่าน งานตรวจสอบจะเริ่มไม่ได้เลยหากไม่มีตารางนี้
• ยื่นของจริงที่เป็นภาษาไทยให้ผู้รับจ้างที่เป็นตัวเลือก ส่งแบบฟอร์มภาษาไทยของบริษัทไปสัก 2 ถึง 3 แผ่นให้ลองประมวลผล ครั้งเดียวก็รู้ความสามารถ

วันที่ 61 ถึง 90: อนุมัติแผนกนำร่องและวงเงินลงทุน

สิ่งที่ต้องตัดสินในช่วงนี้มี 4 ข้อ ส่วนธรรมเนียมทั่วไปของการขออนุมัติงบ เช่น วิธีขอใบเสนอราคาและวิธีวางตัวชี้วัด ขอยกให้การวัดผลและออกแบบ ROI ของการนำ AI มาใช้ และวิธีนำ Generative AI มาใช้และค่าใช้จ่าย ในที่นี้จะจำกัดเฉพาะรายการที่เกิดขึ้นเฉพาะกับฐานการผลิตในไทย

• เลือกแผนกนำร่อง 1 แผนก เกณฑ์มี 3 ข้อ คือ “มีการรับส่งเอกสารไปกลับระหว่างภาษาไทยกับภาษาญี่ปุ่นมาก” “มีค่าจ้างภายนอกเกิดขึ้นจริง” และ “จำกัดงานเป้าหมายให้เหลือ 1 งานได้ชัดเจน” ไม่นำการเริ่มพร้อมกันทั้งบริษัทเข้ามาเป็นตัวเลือก
• ให้ตั้งชั้นที่ 4 (การรองรับกฎระเบียบ) เป็นรายการแยกในใบเสนอราคา การเรียบเรียงฐานการประมวลผลตาม PDPA การตรวจสอบที่ตั้งของข้อมูล และการทำสัญญา เป็นรายการที่ในการนำมาใช้ภายในประเทศญี่ปุ่นไม่เกิดขึ้น หรือทำเสร็จไปแล้ว จึงไม่มีอยู่เป็นขั้นตอนทั้งในคู่มือของญี่ปุ่นและในแบบฟอร์มใบเสนอราคาของสำนักงานใหญ่ ถ้าไม่ตั้งขึ้นมาให้ชัด ก็จะไม่มีใครประเมินราคา แล้วมีแต่ค่าใช้จ่ายจริงเกิดขึ้น ในการประเมินแบบจำลอง ชั้นนี้สูงถึง 6,000 บาทต่อคน (สถานการณ์ B)
• ระบุผลการตัดสินสิทธิ์ BOI และ depa ลงในเอกสารขออนุมัติงบ เขียนให้จบ เช่น “เนื่องจากอยู่ภายใต้ BOI จึงไม่เข้าข่ายการหักรายจ่าย 200% ของ depa ส่วนการหักค่าฝึกอบรม 200% อยู่ระหว่างตรวจสอบว่าใช้ได้หรือไม่” ถ้าปล่อยช่องนี้ว่าง ฝ่ายบัญชีจะตีกลับแน่นอน
• เขียนสมมติฐานของการขยายผลไว้ในเอกสารขออนุมัติงบด้วย เพราะมีโอกาสสูงที่ ROI 3 ปีของแผนกนำร่องเพียงแผนกเดียวจะติดลบ ถ้าไม่ระบุตั้งแต่เอกสารขออนุมัติงบฉบับแรกว่านี่คือการออกแบบที่ “คุ้มก็ต่อเมื่อขยายถึงแผนกที่ 2” อีก 1 ปีถัดมาจะถูกประเมินว่า “ไม่เห็นผลลัพธ์”

คำถามที่พบบ่อย

Q1. การนำ AI มาใช้ในประเทศไทยมีค่าใช้จ่ายประมาณเท่าไร

ขอให้จับ โครงสร้างของค่าใช้จ่าย ให้ได้ก่อนตัวเลข เงินลงทุนตั้งต้นแบ่งเป็น 4 ชั้น คือ การจัดเตรียมข้อมูล / การพัฒนาและเชื่อมต่อ / การอบรมและทำให้ใช้ต่อเนื่อง / การรองรับกฎระเบียบ และแยกจากนี้ยังมีค่าใช้จ่ายในการใช้งานรายปี (ค่าไลเซนส์แบบรายผู้ใช้ ค่าบำรุงรักษา และชั่วโมงงานดูแลภายใน) ที่เกิดขึ้นทุกปี ในการประเมินแบบจำลองของบทความนี้ (เป็นค่าสมมติทั้งหมด) ตั้งไว้ว่า การนำร่อง 1 แผนก 20 คน ใช้เงินลงทุนตั้งต้น 400,000 บาทและค่าใช้จ่ายในการใช้งาน 240,000 บาทต่อปี ส่วนการเริ่มพร้อมกันทั้งบริษัท 150 คน ใช้เงินลงทุนตั้งต้น 1,600,000 บาทและค่าใช้จ่ายในการใช้งาน 1,200,000 บาทต่อปี ยอดจริงเปลี่ยนแปลงมากตามงานเป้าหมายและปริมาณเอกสาร สิ่งที่ต้องตัดสินใจก่อนไม่ใช่จำนวนเงิน แต่คือจะเริ่มจากแผนกไหน

Q2. ควรเลือกบริษัท AI ในกรุงเทพฯ อย่างไร

เวลาจ้างพัฒนา AI ในประเทศไทย สิ่งที่ต้องมีคือ 3 อย่าง ได้แก่ การประมวลผลภาษาไทย กฎระเบียบในประเทศ (PDPA และกฎหมาย AI ในอนาคต) และความรู้เรื่องงานของภาคการผลิต บริษัทที่มีครบทั้ง 3 อย่างพร้อมกันมีไม่มาก ในช่วงต้นของการคัดเลือก ขอให้ยื่นแบบฟอร์มภาษาไทยของบริษัทไปสัก 2 ถึง 3 แผ่น แล้วให้ลองแปลงเป็นข้อความและสรุปความจริง ครั้งเดียวก็รู้ได้ค่อนข้างแม่นว่ารับงานไหวหรือไม่ ส่วนมุมมองการคัดเลือกบริษัทโดยรวมสรุปไว้ในวิธีเลือกบริษัทพัฒนาระบบในประเทศไทย

Q3. เอกสารภาษาไทยให้ AI จัดการได้หรือไม่

จัดการได้ แต่ ต้องมีงานต้นน้ำ เนื่องจากภาษาไทยไม่มีช่องว่างระหว่างคำ การค้นหาและการสกัดคำสำคัญจึงต้องมีการตัดคำก่อน อีกทั้งถ้าเอกสารเป้าหมายอยู่ในรูปกระดาษหรือ PDF ที่สแกนมา ก็ต้องเริ่มจากการแปลงเป็นข้อความ ปัจจุบันมีโมเดลแบบเปิดที่เน้นการสกัดข้อความจากเอกสารภาษาไทยอย่าง Typhoon OCR เผยแพร่ออกมาแล้ว ตัวเลือกจึงมีมากขึ้น อนึ่ง มีรายงานว่าโมเดลที่ปรับให้เข้ากับภาษาไทยมีประสิทธิภาพการแปลงเป็นโทเค็นดีกว่า 2.62 เท่า ซึ่งคำนวณได้ว่า จำนวนโทเค็นของเนื้อหาเดียวกันเหลือประมาณ 38% (1 ÷ 2.62) ในกรณีที่คิดค่าบริการตามปริมาณการใช้งาน เรื่องนี้ส่งผลตรงไปที่ยอดเรียกเก็บเงิน แต่เนื่องจากเป็นรายงานเกี่ยวกับตัวแปลงโทเค็นของโมเดลหนึ่งโดยเฉพาะ ขอให้วัดจริงด้วยเอกสารของบริษัทเอง

Q4. กฎหมาย AI ของไทยมีผลบังคับใช้แล้วหรือยัง

ณ วันที่ 31 กรกฎาคม 2026 ยังไม่ผ่านเป็นกฎหมาย อยู่ในขั้นที่ ETDA เผยแพร่ร่างฉบับใหม่ “Act on Artificial Intelligence” เมื่อวันที่ 2 กรกฎาคม 2026 และคาดว่าจะมีการรับฟังความคิดเห็นประมาณ 30 วัน บทความบางชิ้นบนเว็บมีถ้อยคำทำนองว่า “มีผลบังคับใช้แล้ว” แต่ไม่ได้หมายถึงการที่ร่างฉบับนี้ผ่าน หากผ่าน แนวทางคือทยอยบังคับใช้ โดยบทบัญญัติหลักมีผลทันทีเมื่อประกาศ ส่วนบทบัญญัติว่าด้วยการบริหารความเสี่ยงมีผลหลังจากนั้น 180 วัน เนื่องจากบทบัญญัติหลักอาจไม่มีช่วงเวลาเตรียมตัว จึงแนะนำให้จัดทำตารางรายการบริการ AI ที่บริษัทใช้อยู่ไว้ตั้งแต่ตอนนี้ อนึ่ง ค่าปรับทางปกครองที่วางไว้อยู่ที่ 1 ล้านบาทถึง 5 ล้านบาท และนี่ไม่ใช่โทษอาญา

Q5. ควรเริ่มอบรม AI ให้พนักงานอย่างไร

ข้อจำกัดในด้านความตั้งใจอาจมีน้อย ผลสำรวจที่ Google Cloud แสดงไว้ระบุว่า คนไทย 86% สนใจการอบรมเพิ่มเติมเพื่อใช้ AI ได้อย่างมีประสิทธิผลมากขึ้น สิ่งที่กลายเป็นปัญหาจริงกลับเป็น 3 เรื่องต่อไปนี้ (1) ภาษาของสื่อการสอน ถ้ามีแต่ภาษาอังกฤษ ความเข้าใจจะต่างกันมาก (2) ความเป็นรูปธรรมของเนื้อหา การอบรมเชิงทฤษฎีทั่วไปจะไม่มีคนใช้ตั้งแต่สัปดาห์ถัดมา ต้องให้ฝึกด้วยงานจริงที่ผู้เรียนรับผิดชอบ (3) การระบุขอบเขตที่ใช้ได้ให้ชัด ถ้าเรียงแต่ข้อห้าม ทุกคนจะเลิกใช้ จึงต้องเขียนตัวอย่างที่อนุญาตไว้ก่อน อนึ่ง หากเป็นโครงการภายใต้ BOI ก็มีโอกาสใช้การหักรายจ่ายค่าฝึกอบรม 200% ได้ รายละเอียดการออกแบบการอบรมขอให้ดูที่การอบรม Generative AI สำหรับภาคการผลิต

Q6. ฐานการผลิตในเวียดนามใช้วิธีเดินแบบเดียวกันได้หรือไม่

กรอบของ 5 ประเด็นใช้ร่วมกันได้ แต่เนื้อในต้องเติมใหม่ตามแต่ละประเทศ เรื่องภาษาต้องระวังเป็นพิเศษ ภาษาเวียดนามมีช่องว่างก็จริง แต่ช่องว่างนั้นแบ่ง “พยางค์” ไม่ใช่ “คำ” ตัวอย่างเช่น máy nén khí (เครื่องอัดอากาศ) เขียนแยกเป็น 3 พยางค์ แต่ในทางความหมายคือคำเดียว การตัดสินว่า “มีช่องว่างอยู่แล้ว จึงไม่ต้องตัดคำ” จึงผิด ส่วนกฎระเบียบ ที่ตั้งของข้อมูล ตลาดแรงงาน และค่าใช้จ่าย ตัวเลขที่แสดงไว้ในบทความนี้เป็นของประเทศไทย ขอให้นำกรอบไปใช้ซ้ำ แต่เก็บตัวเลขใหม่ตามแต่ละประเทศ

Q7. ถ้าจะขอให้สำนักงานใหญ่ในญี่ปุ่นแก้ขั้นตอนของเขา ควรขอให้แก้ตรงไหน

หลักๆ มี 3 จุด จุดแรก ขอให้เพิ่ม 2 คอลัมน์ในตารางคัดเลือกเครื่องมือ คือ “ภาษาที่รองรับ” และ “เลือกรีเจียนที่จัดเก็บข้อมูลได้หรือไม่” ในตารางคัดเลือกของญี่ปุ่น 2 เรื่องนี้เป็นสมมติฐานโดยปริยาย จึงไม่มีคอลัมน์อยู่ จุดที่สอง ขอให้เปลี่ยนต้นทุนแรงงานต่อชั่วโมงในการประเมินค่าใช้จ่าย เป็นยอดจริงของประเทศไทย มูลค่าเวลาทำงานที่ประหยัดได้ซึ่งคำนวณด้วยต้นทุนแรงงานของญี่ปุ่น ใช้ไม่ได้ในไทย จุดที่สาม ขอให้ตั้งการรองรับกฎระเบียบ (ชั้นที่ 4) เป็นรายการค่าใช้จ่ายแยกต่างหาก เพราะการเรียบเรียงฐานการประมวลผลตาม PDPA การตรวจสอบที่ตั้งของข้อมูล และการทำสัญญา เป็นรายการที่ในการนำมาใช้ภายในประเทศญี่ปุ่นไม่เกิดขึ้นหรือทำเสร็จไปแล้ว จึงไม่มีอยู่เป็นขั้นตอนในคู่มือของญี่ปุ่น

Q8. เริ่มพร้อมกันทั้งบริษัทไปเลย จะได้ราคาถูกลงเพราะซื้อทีเดียวเยอะไม่ใช่หรือ

ไม่ถูกลง ในการประเมินแบบจำลอง แม้เพิ่มจำนวนคน 7.5 เท่า (จาก 20 คนเป็น 150 คน) ประโยชน์ต่อปีก็เพิ่มเพียงประมาณ 2.5 เท่า และประโยชน์สุทธิต่อปีกลายเป็นติดลบ เหตุผลมี 2 ข้อ ข้อแรก ค่าไลเซนส์แบบรายผู้ใช้แปรผันตามจำนวนคนอย่างสมบูรณ์ ยิ่งรวมคนที่ได้ผลน้อยเข้ามา ก็ยิ่งมีแต่ค่าใช้จ่ายเพิ่ม ข้อที่สอง ผลลัพธ์เอนไปตามแผนกอย่างมาก การพูดด้วยค่าเฉลี่ยจึงพลาดจากสภาพจริง ในทางกลับกัน ค่าใช้จ่ายของการรองรับกฎระเบียบและโครงสร้างพื้นฐานไม่แปรผันตามจำนวนคน ด้วยเหตุนี้ ลำดับที่จ่ายไว้ก่อนใน 1 แผนก แล้วเฉลี่ยค่าใช้จ่ายนั้นให้บางลงตั้งแต่แผนกที่ 2 เป็นต้นไป จึงได้เปรียบกว่า ในการประเมิน เงินลงทุนตั้งต้นต่อคนของแผนกที่ 2 อยู่ที่ 42.5% ของแผนกนำร่อง (ลดลง 57.5%)

สรุป

เมื่อยกขั้นตอนการใช้ AI ที่เดินได้อยู่แล้วในบริษัทแม่ที่ญี่ปุ่นมาใช้กับฐานการผลิตในไทยตรงๆ สมมติฐานจะใช้ไม่ได้ใน 5 จุด

1. ภาษา ภาษาไทยไม่มีช่องว่างระหว่างคำ การค้นหาจึงต้องมีการตัดคำ และถ้าเอกสารอยู่ในรูปกระดาษหรือ PDF ที่สแกนมา ก็จะมีขั้นตอนการแปลงเป็นข้อความเพิ่มเข้ามาทั้งก้อน ความต่างของประสิทธิภาพการแปลงเป็นโทเค็นส่งผลโดยตรงต่อยอดค่าบริการแบบตามปริมาณการใช้งาน จึงขอให้วัดจริงด้วยเอกสารของบริษัทเองก่อนเลือกวิธีคิดค่าบริการ

2. กฎระเบียบ กฎหมาย AI ของไทยยังไม่ผ่านเป็นกฎหมาย ณ วันที่ 31 กรกฎาคม 2026 แต่สิ่งที่ต้องจับไว้มี 4 เรื่อง นอกจากการดูว่าการใช้งานของบริษัทตกอยู่ในประเภทใดของการแบ่งความเสี่ยง 3 ประเภท (prohibited / high-risk / designated) แล้ว อีก 3 เรื่อง คือ ผู้แทนในประเทศของผู้ให้บริการต่างชาติ การเปิดเผยว่าเนื้อหาสร้างด้วย AI และความรับผิดโดยเคร่งครัด ล้วนเชื่อมตรงไปที่สัญญาและการแบ่งขอบเขตความรับผิดหากกฎหมายผ่าน เนื่องจากแนวทางคือบทบัญญัติหลักมีผลทันทีเมื่อประกาศ สิ่งที่ต้องสร้างตอนนี้จึงไม่ใช่การปฏิบัติตามกฎหมาย แต่คือตารางรายการบริการ AI ที่ใช้อยู่ ส่วน PDPA ขอให้เรียบเรียงโดยไม่ปนค่าปรับทางปกครองกับโทษอาญาเข้าด้วยกัน

3. โครงสร้างพื้นฐาน AWS เปิดรีเจียนในประเทศไทยเมื่อวันที่ 8 มกราคม 2025 และ Google Cloud เมื่อวันที่ 21 มกราคม 2026 ตัวเลือกเรื่องที่ตั้งของข้อมูลจึงครบแล้ว แต่ การมีรีเจียนในประเทศไม่เท่ากับสอดคล้องกับ PDPA ความถูกต้องตามกฎหมายถูกตัดสินด้วยฐานการประมวลผลและสัญญา ยิ่งไปกว่านั้น ต่อให้ผ่านกฎหมายไทยแล้วก็ยังอาจไปหยุดที่นโยบายระดับโลกของบริษัทแม่ จึงขอให้ตรวจสอบกระบวนการอนุมัติของสำนักงานใหญ่ให้เสร็จใน 30 วันแรก

4. บุคลากร บุคลากรดิจิทัลขาดแคลนราว 70,000 คน และตำแหน่งงานดิจิทัลที่มีความต้องการ 3 ใน 4 ตำแหน่ง บุคลากรระดับเริ่มต้นในประเทศเติมไม่ได้ ในขณะที่แนวโน้มการขึ้นเงินเดือนอยู่ที่ปีละ 4.7% ผู้มีทักษะที่เป็นที่ต้องการกลับได้ส่วนขึ้น 15 ถึง 30% จากการย้ายงานครั้งเดียว คำนวณได้ว่า การย้ายงานครั้งเดียวให้ส่วนขึ้นเท่ากับการขึ้นเงินเดือนภายใน 3 ถึง 6 ปี (15 ÷ 4.7 = ประมาณ 3.2 ปี และ 30 ÷ 4.7 = ประมาณ 6.4 ปี) ขอให้คิดเรื่อง “จ้างเข้ามา / สร้างจากคนใน / จ้างภายนอก” แบบผสมกัน โดยใช้แนวทางพื้นฐานคือ ช่วงตั้งต้นจ้างภายนอก ช่วงใช้งานจริงสร้างจากคนใน

5. ค่าใช้จ่าย การยกเว้นภาษีเงินได้นิติบุคคลของ BOI “Smart and Sustainable Industry” อยู่ที่ 50% เป็นพื้นฐาน และจะเป็น 100% เฉพาะกรณีที่นำระบบอัตโนมัติเข้ามาใช้ และจัดหามูลค่าไม่น้อยกว่า 30% ของมูลค่าเครื่องจักรที่ปรับปรุงใหม่จากอุตสาหกรรมระบบอัตโนมัติภายในประเทศไทยเท่านั้น ส่วนการหักรายจ่าย 200% ของ depa มีเพดาน 300,000 บาทต่อรอบระยะเวลาบัญชี จำกัดเฉพาะผู้ให้บริการที่ขึ้นทะเบียน มีคุณสมบัติ SME และ ใช้ไม่ได้ภายใต้ BOI ในทางกลับกัน โครงการภายใต้ BOI มีโอกาสใช้การหักรายจ่ายค่าฝึกอบรม 200% ได้

และข้อสรุปที่การประเมินแบบจำลองแสดงออกมามีเพียงข้อเดียว ภายใต้สมมติฐานนี้ (ต้นทุนแรงงาน 50 บาทต่อชั่วโมง และค่าไลเซนส์แบบรายผู้ใช้เดือนละ 500 บาท) การลงทุน AI ไม่คืนทุนด้วยการประหยัดเวลาทำงานเพียงอย่างเดียว ประหยัดได้วันละ 30 นาทีก็ได้ปีละ 3,000 บาท ซึ่งเป็นครึ่งหนึ่งของค่าไลเซนส์ 6,000 บาท การจะทำให้คุ้มต้องบวกอีก 3 อย่าง คือ การเดินเครื่องและกำลังการผลิตที่เพิ่มขึ้น การลดลงของต้นทุนส่วนเพิ่มจากการขยายผล และการลดค่าใช้จ่ายที่จ่ายจริงซึ่งเกี่ยวกับคุณภาพและกำหนดส่งมอบ เมื่อทำให้การลดค่าใช้จ่ายจริงเป็นศูนย์ แม้แต่การนำร่อง 1 แผนกซึ่งมีเงื่อนไขดีที่สุดก็ยังตกไปติดลบ การเริ่มพร้อมกันทั้งบริษัทไม่คุ้ม นำร่อง 1 แผนกได้ประมาณ 3.7 ปี และขยายถึงแผนกที่ 2 ได้ประมาณ 2.8 ปี มีเพียงลำดับนี้เท่านั้นที่ทำให้เห็นแนวทางการคืนทุน

สิ่งที่ต้องทำใน 30 วันแรกไม่ใช่การเปรียบเทียบเครื่องมือ แต่คือการทำให้ ช่องทางอนุมัติของสำนักงานใหญ่ การจำแนกข้อมูลเป้าหมาย สภาพจริงของเอกสารภาษาไทย ยอดค่าจ้างภายนอกที่จ่ายอยู่ในปัจจุบัน และค่าที่วัดได้จริงของเวลาที่ใช้ก่อนนำ AI มาใช้ ทั้ง 5 อย่างนี้ชัดเจนเสียก่อน

TOMAS TECH ตั้งอยู่ที่กรุงเทพฯ ประเทศไทย และสนับสนุนการนำไอทีมาใช้ในภาคการผลิตของบริษัททุนญี่ปุ่น เราสามารถเดินงานจริงไปด้วยกันบนความเข้าใจสภาพในประเทศ ไม่ว่าจะเป็นการสำรวจและจัดทำรายการของ 5 ประเด็นที่บทความนี้กล่าวถึง การสำรวจสภาพจริงของเอกสารภาษาไทย การตรวจสอบว่าใช้สิทธิ์ตามกฎระเบียบได้หรือไม่ หรือการจัดระเบียบค่าใช้จ่ายออกเป็น 4 ชั้น เรายินดีรับปรึกษาตั้งแต่สภาพที่ว่า “ยังไม่ถึงขั้นเลือกเครื่องมือ แต่อยากเรียบเรียงก่อนว่าต้องตรวจอะไรบ้าง” ติดต่อเราได้ที่แบบฟอร์มติดต่อ

แหล่งอ้างอิง

แหล่งที่มาของข้อมูลที่อ้างอิงในบทความนี้มีดังต่อไปนี้

กฎหมาย AI ของไทย (ร่าง ยังไม่ผ่านเป็นกฎหมาย)

• Mondaq “Thailand Releases New Draft Artificial Intelligence Act”: https://www.mondaq.com/it-and-internet/1811290/thailand-releases-new-draft-artificial-intelligence-act
• Norton Rose Fulbright “Thailand’s draft AI law: A new era for governance and innovation”: https://www.nortonrosefulbright.com/en/knowledge/publications/0fec663b/thailands-draft-ai-law-a-new-era-for-governance-and-innovation

สภาพการใช้ AI และขนาดตลาดของไทย

• Bangkok Post “Survey says strong appetite to adopt AI among Thai firms” (การสำรวจของ ETDA และ NSTDA “Readiness for the Application of AI Technology for Digital Services in 2024” และตัวเลขคาดการณ์ตลาด AI ของไทย จาก 48,000 ล้านบาท เป็น 130,000 ล้านบาท ด้วย CAGR 18% ตามไวต์เปเปอร์ของ TDRI ร่วมกับ ETDA และ SAP ก็อ้างอิงจากรายงานชิ้นนี้): https://www.bangkokpost.com/business/general/2877427/survey-says-strong-appetite-to-adopt-ai-among-thai-firms
• The Thaiger (การรายงานการสำรวจเดียวกัน): https://thethaiger.com/news/business/17-of-thai-organisations-use-ai-73-plan-future-adoption

ตัวเลขเปรียบเทียบฝั่งญี่ปุ่น (วิธีการสำรวจต่างกัน จึงเทียบตรงๆ ไม่ได้)

• Teikoku Databank “การสำรวจแนวโน้มการใช้ Generative AI ในองค์กร (มีนาคม 2026)”: https://www.tdb.co.jp/report/economic/20260514-genai/

รีเจียนคลาวด์ในประเทศไทย

• Amazon press “AWS Launches Infrastructure Region in Thailand” (8 มกราคม 2025): https://press.aboutamazon.com/sg/aws/2025/1/aws-launches-infrastructure-region-in-thailand
• Google Cloud Press Corner “Google Cloud Launches New Cloud Region in Thailand” (21 มกราคม 2026): https://www.googlecloudpresscorner.com/2026-01-21-Google-Cloud-Launches-New-Cloud-Region-in-Thailand,-Bolstering-its-Commitment-to-Advancing-the-Countrys-AI-Driven-Digital-Economy

โมเดลภาษาขนาดใหญ่และ OCR สำหรับภาษาไทย

• SCB 10X “Typhoon”: https://www.scbx.com/en/news/scb-10x-unveils-large-language-model-typhoon/
• SCB 10X “Introducing Typhoon 2”: https://www.scb10x.com/en/blog/introducing-typhoon-2-thai-llm
• SCB 10X “Typhoon OCR”: https://www.scbx.com/en/research/human-intelligence-en/typhoon-ocr/
• งานวิจัย “Typhoon: Thai Large Language Models”: https://arxiv.org/pdf/2312.13951

บุคลากรและระดับเงินเดือนในไทย

• RECRUITdee “Thailand Job Market 2026 Outlook: The Great Digital Divide”: https://www.recruitdee.com/industry-insight/thailand-job-market-outlook-2026-ai-skills/
• RECRUITdee “Thailand Digital Economy and Skills Gap”: https://www.recruitdee.com/industry-insight/thailand-digital-economy-skills-gap/
• Jobsdb เงินเดือนนักวิทยาศาสตร์ข้อมูล: https://th.jobsdb.com/career-advice/role/data-scientist/salary
• Glassdoor เงินเดือนนักวิทยาศาสตร์ข้อมูลในกรุงเทพฯ: https://www.glassdoor.com/Salaries/bangkok-thailand-data-scientist-salary-SRCH_IL.0,16_IM1119_KO17,31.htm

สิทธิประโยชน์การลงทุนของ BOI

• BOI “Investment incentives for Digital Industry”: https://www.boi.go.th/upload/content/Investment%20incentives%20for%20Digital%20Industry%20(BOI).pdf