วิธีสร้างคลังพรอมต์สำหรับงานจริง 2026 | 5 องค์ประกอบที่แยกคลังตัวอย่างออกจากสินทรัพย์

แจก generative AI ให้ครบทุกคนแล้ว แต่ช่องว่างในองค์กรกลับกว้างขึ้น

ผลสำรวจแนวโน้มการใช้ generative AI ของภาคธุรกิจที่ Teikoku Databank เผยแพร่เมื่อวันที่ 14 พฤษภาคม 2026 ระบุว่า บริษัทที่นำ generative AI มาใช้กับงานจริงแล้วมีสัดส่วน 34.5% แต่ในผลสำรวจชุดเดียวกันนั้น มีบริษัท 18.8% ที่ตอบว่าผลกระทบด้านลบซึ่งเกิดขึ้นคือ ช่องว่างระหว่างพนักงานที่ใช้เครื่องมือได้คล่องกับพนักงานที่ใช้ไม่เป็นถ่างกว้างขึ้น ตัวเลข 18.8% นี้เองคือเหตุผลที่เครื่องมือชื่อ คลังพรอมต์สำหรับงานจริง ต้องมีอยู่ เพราะสิทธิ์การใช้งานแจกให้ทุกคนได้ แต่วิธีใช้ไม่ได้ถูกแจกตามไปด้วยโดยอัตโนมัติ

หลายบริษัทจึงเริ่มสะสมตัวอย่างข้อความสั่งงานไว้ในโฟลเดอร์ที่แชร์กัน แล้วอีกหกเดือนต่อมาโฟลเดอร์นั้นก็ค้างอยู่โดยไม่มีใครเปิด สาเหตุไม่ใช่เพราะเขียนพรอมต์ไม่เก่ง แต่เป็นเพราะ เก็บเฉพาะข้อความสั่งงานแล้วเอาไปแจก พรอมต์ที่คนอื่นใช้แล้วได้ผลลัพธ์เท่ากันในงานจริง จะมีอีกสี่อย่างเขียนอยู่นอกข้อความสั่งงานเสมอ ได้แก่ อินพุต ข้อจำกัด รูปแบบผลลัพธ์ และเกณฑ์การตรวจรับ สิ่งที่ขาดสี่อย่างนี้เป็นเพียงข้อความที่ต้องอาศัยความรู้ในหัวของคนเขียนมาเติมเต็มก่อนจึงจะทำงานได้

บทความนี้ใช้โรงงานญี่ปุ่นในจังหวัดชลบุรีเป็นกรณีตัวอย่าง พนักงาน 620 คน ฝ่ายสนับสนุน 80 คน แล้วไล่ตัวเลขค่าใช้จ่ายกับผลตอบแทนไปจนจบ ระหว่างกรณีที่จบลงแค่ คลังตัวอย่าง กับกรณีที่ทำให้กลายเป็น สินทรัพย์ ขอสรุปข้อค้นพบไว้ก่อนสี่ข้อ ข้อแรก จากพรอมต์ 47 ตัวที่อยู่ในโฟลเดอร์แชร์ มีเพียง 11 ตัวหรือ 23.4% เท่านั้นที่ถูกแก้ไขล่าสุดภายในหกเดือน ข้อสอง ค่าใช้จ่ายเริ่มต้นของการทำเป็นสินทรัพย์อยู่ที่ 353,040 บาท ในจำนวนนี้จ้างหน่วยงานภายนอกได้ 300,000 บาทหรือ 85.0% ส่วนที่เหลืออีก 53,040 บาทหรือ 15.0% จ้างหน่วยงานภายนอกไม่ได้เลย เพราะคนที่ไม่รู้จักงานและแบบฟอร์มของบริษัทเราเขียนเกณฑ์การตรวจรับไม่ได้ ข้อสาม ถ้าเขียน ROI ด้วยเวลาที่ประหยัดจากการลองผิดลองถูก ตัวเลขจะออกมาขาดทุนแน่นอน เพราะเมื่อคลังพรอมต์ใช้ได้ผล จำนวนผู้ใช้จะเพิ่มขึ้น เวลารวมที่คนในองค์กรใช้กับ generative AI จึงเพิ่มขึ้นด้วยซ้ำ ผลประโยชน์ต้องวัดจากชั่วโมงงานของงานเป้าหมายเองซึ่งอยู่ที่ 606 ชั่วโมงต่อเดือน ข้อสี่ คลังตัวอย่างที่ทำแบบประหยัดจะให้ตัวเลขระยะคืนทุนที่สวยกว่า คือ 0.8 ปี เทียบกับสินทรัพย์ที่ 1.7 ปี แต่ก็ยังไม่ควรเลือกคลังตัวอย่างอยู่ดี เพราะผลประโยชน์ของมันหยุดลงภายใน 12 เดือน

โครงสร้างที่ทำให้คลังพรอมต์กลายเป็นของที่แจกแล้วจบ

เริ่มจากเงื่อนไขของกรณีตัวอย่าง โรงงานญี่ปุ่นในจังหวัดชลบุรี พนักงานรวม 620 คน สิทธิ์การใช้ generative AI แจกครบแล้วให้ฝ่ายสนับสนุนทั้ง 80 คน แบ่งเป็นธุรการ 12 คน บัญชี 14 คน จัดซื้อ 10 คน คุณภาพ 18 คน วางแผนการผลิต 16 คน และทรัพยากรบุคคล 10 คน อัตราค่าแรงต่อชั่วโมงที่แท้จริงกำหนดไว้ที่ 260 บาท ซึ่งมาจากเงินเดือน 45,000 บาทหารด้วย 173 ชั่วโมงต่อเดือน เมื่อบริษัทนี้บอกว่า ที่นี่ก็มีคลังพรอมต์นะ สภาพจริงเป็นดังตารางต่อไปนี้

ตัวเลข 47 ตัวคือหลักฐานว่าพนักงานตั้งใจทำงานกันจริง ไม่มีใครละเลยหน้าที่ แต่พอตัดตัวที่ซ้ำกันออกก็เหลือ 29 ตัว และ 18 ตัวที่หายไปคือของที่แต่ละแผนกเขียนแยกกันเองสำหรับงานเดียวกัน ร่างรายงานสิ่งไม่เป็นไปตามข้อกำหนดที่ฝ่ายคุณภาพทำไว้ กับร่างรายงานการแก้ไขเชิงป้องกันที่ฝ่ายวางแผนการผลิตทำไว้ มีข้อความสั่งงานเกือบเหมือนกันแต่อยู่คนละไฟล์ นี่คือของจริงของอาการที่จะเรียกต่อไปว่า การแตกตัวจากการคัดลอก

ที่หนักกว่านั้นคือความสดของเนื้อหา ตัวที่แก้ไขล่าสุดภายในหกเดือนมีเพียง 11 ตัวจาก 47 ตัว หรือ 23.4% พลิกกลับอีกด้านแปลว่า 76.6% ถูกทิ้งไว้เกินครึ่งปี โมเดลของ generative AI เปลี่ยนรุ่นทุกครึ่งปี และแบบฟอร์มภายในบริษัทครึ่งปีก็เปลี่ยนได้เหมือนกัน พรอมต์ที่ถูกทิ้งไว้จะไม่ใช่ว่าใช้ไม่ได้ แต่จะเริ่ม คืนผลลัพธ์ที่ผิดไปนิดเดียว ถ้ามันใช้ไม่ได้เลยคนจะรู้ทันที แต่ผลลัพธ์ที่ผิดไปนิดเดียวจะไหลขึ้นไปอยู่ในรายงานโดยไม่มีใครสังเกต คลังพรอมต์ที่หมดความสดจึงอันตรายกว่าการไม่มีเลยได้

ส่วน 24 ตัวที่เก็บไว้ต่อได้ คือตัวที่อธิบายได้ด้วยชื่องานไม่ใช่ชื่อคน และกำหนดเจ้าของได้หนึ่งคนเท่านั้น ของประเภทที่บอกว่า อันที่คุณเอใช้ทำรายงานการประชุม จะเก็บไว้ไม่ได้ ตัวอย่างข้อความเพิ่มขึ้นเรื่อยๆ แต่ไม่มีใครได้รับมอบหมายให้ผูกมันเข้ากับงาน ไม่มีใครเป็นเจ้าของ และไม่มีใครรับผิดชอบการปรับปรุง ในผลสำรวจชุดเดียวกันของ Teikoku Databank อุปสรรคของการใช้ generative AI ที่ถูกยกขึ้นมาคือ ความถูกต้องของข้อมูล 50.4% การขาดบุคลากรเชี่ยวชาญและองค์ความรู้ 41.3% การกำหนดขอบเขตงานที่ควรใช้ generative AI 40.0% ความเสี่ยงข้อมูลรั่วไหล 33.5% และการวางกฎกติกาเรื่องผู้รับผิดชอบเมื่อเกิดปัญหา 25.5% สี่ในห้าอันดับแรกไม่ได้พูดถึงฝีมือการเขียนข้อความ แต่พูดถึงระบบรองรับการใช้พรอมต์ทั้งสิ้น ปัญหาไม่ใช่องค์ความรู้ไม่พอ แต่คือไม่มีที่วางองค์ความรู้และไม่มีกลไกกันไม่ให้มันเน่า

คลังพรอมต์มี 3 ชั้น คือบันทึกส่วนตัว เทมเพลตของแผนก และสินทรัพย์ระดับองค์กร

สิ่งที่เราเรียกรวมกันด้วยคำเดียวว่าคลังพรอมต์ ในความเป็นจริงแยกออกได้เป็นสามชั้นที่มีธรรมชาติต่างกันโดยสิ้นเชิง การพยายามบริหารทั้งสามชั้นแบบปนกันคือสาเหตุใหญ่ที่สุดของการเน่า

สิ่งที่บริษัทส่วนใหญ่สร้างขึ้นคือชั้นที่ 2 แล้วเอาไปบริหารโดยเข้าใจว่ามันคือชั้นที่ 3 ตรงนี้คือจุดที่ฝืน เพราะชั้นที่ 2 ถูกเรียกร้องคุณภาพแค่ระดับที่คนในแผนกเดียวกันทำตามได้ เนื่องจากคนในแผนกเดียวกันมีความเข้าใจพื้นฐานของงานนั้นร่วมกันอยู่แล้ว อะไรนับเป็นของเสีย อะไรนับเป็นงานแก้ไข ต้องลงในแบบฟอร์มไหน ต้องให้ใครอนุมัติ ทั้งหมดนี้ไม่ต้องอธิบายก็เข้าใจตรงกัน ข้อความสั่งงานจึงสั้นได้

แต่พอเอาข้อความเดียวกันไปแจกทั้งบริษัท คนที่ไม่ได้มีพื้นฐานร่วมกันจะเริ่มหยิบไปใช้ เมื่อคนฝ่ายธุรการหยิบเทมเพลตของฝ่ายคุณภาพไปใช้ ข้อความที่ออกมาจะดูเข้าท่า แต่จะหลุดจากนิยามที่บริษัทใช้จริง และจะไม่มีใครสังเกตว่ามันหลุด พรอมต์ชั้นที่ 2 มีธรรมชาติตั้งแต่แรกว่าคุณภาพจะไม่ถูกรับประกันทันทีที่มันออกนอกแผนก

ไม่จำเป็นต้องปฏิเสธชั้นที่ 1 บันทึกส่วนตัวจะมีเยอะแค่ไหนก็ได้ ไม่อัปเดตก็ไม่เสียหาย ปัญหาอยู่ที่การกวาดชั้นที่ 1 กับชั้นที่ 2 มารวมไว้ในโฟลเดอร์เดียวแล้วประกาศว่า นี่คือคลังพรอมต์ของทั้งบริษัท การรวบรวมไม่ได้ยกระดับชั้น สิ่งที่ยกระดับชั้นคือการกำหนดเจ้าของและการเขียนเกณฑ์การตรวจรับ ไม่ใช่งานรวบรวม ในบทวิเคราะห์การบริหารพรอมต์ระดับองค์กรที่ Atlan เผยแพร่ในปี 2026 ก็ระบุว่าปัจจัยความล้มเหลวที่พบบ่อยที่สุดคือการไม่มีเจ้าของที่ระบุเป็นชื่อบุคคล ชั้นที่ 3 จึงแปลว่าชั้นที่มีชื่อเจ้าของกำกับไว้นั่นเอง ในกรณีตัวอย่าง สาเหตุที่ตัดออกไป 5 ตัวจาก 29 ตัวก็ไม่ใช่เพราะคุณภาพแย่ แต่เพราะกำหนดเจ้าของงานให้เหลือคนเดียวไม่ได้ ของที่กำหนดเจ้าของไม่ได้ ต่อให้สร้างขึ้นมาก็จะตกกลับไปเป็นชั้นที่ 1 ภายในครึ่งปี

พรอมต์สำหรับงานจริง 1 ตัวประกอบด้วย 5 องค์ประกอบ

เทมเพลตพรอมต์สำหรับงานที่หาได้ทั่วไปส่วนใหญ่เขียนไว้เพียงการระบุบทบาทกับข้อจำกัดบางส่วนเท่านั้น ทำนองว่า คุณคือผู้รับผิดชอบงานประกันคุณภาพในโรงงานผลิต โปรดร่างรายงานการแก้ไขเชิงป้องกันจากรายละเอียดข้อบกพร่องต่อไปนี้ คนที่ใช้แล้วได้ผลลัพธ์ออกมาดีคือคนที่เติมส่วนที่ไม่ได้เขียนไว้ด้วยความรู้ในหัวตัวเอง ส่วนคนที่เติมไม่ได้จะได้ข้อความที่ดูดีแต่ใช้งานไม่ได้ สิ่งที่เกิดขึ้นในบริษัท 18.8% ที่ตอบว่าช่องว่างถ่างกว้างขึ้นก็คือเรื่องนี้ตรงๆ พรอมต์ที่ให้ผลซ้ำได้ในงานจริงจะมีองค์ประกอบครบห้าอย่างดังนี้

ในห้าอย่างนี้ สิ่งที่ขาดหายไปอย่างสิ้นเชิงจากคลังพรอมต์ส่วนใหญ่คือ อินพุต กับ เกณฑ์การตรวจรับ

ถ้าไม่เขียนอินพุตไว้ พรอมต์ตัวเดียวกันจะได้วัตถุดิบต่างกันไปตามแต่ละคน คุณภาพของรายงานที่ออกมาจึงต่างกันเป็นธรรมดา แต่คนใช้จะสรุปว่าพรอมต์ไม่ดี การระบุอินพุตแค่ว่า กรุณาวางรายละเอียดข้อบกพร่อง ยังไม่พอ ต้องเขียนถึงระดับว่าเอาช่องไหนของแบบฟอร์มใด กี่รายการ เรียงลำดับอย่างไร และอีกเรื่องที่ต้องเขียนไว้ตรงนี้ด้วยคือ ขอบเขตของข้อมูลที่ห้ามวาง ชื่อคู่ค้า ราคาต่อหน่วย ชื่อบุคคล เลขที่แบบ อะไรวางได้อะไรวางไม่ได้ ถ้าไม่เขียนไว้ในตัวพรอมต์ก็จะไม่มีใครทำตาม สำหรับฐานการผลิตในประเทศไทยยังต้องบวกเรื่อง PDPA เข้าไปอีกชั้นหนึ่ง ข้อมูลพนักงาน ผลตรวจสุขภาพ ประวัติการลงโทษทางวินัย ข้อมูลผู้ติดต่อของคู่ค้า ล้วนเป็นข้อมูลส่วนบุคคลที่มีฐานการประมวลผลกำกับอยู่ การเขียนช่องอินพุตของพรอมต์งานบุคคลจึงต้องระบุให้ชัดว่าให้ใส่รหัสพนักงานแทนชื่อ และห้ามวางข้อมูลอ่อนไหวลงไปไม่ว่ากรณีใด เส้นแบ่งเหล่านี้เป็นเรื่องที่ต้องตัดสินระดับทั้งบริษัท ซึ่งอธิบายไว้ในวิธีจัดทำระเบียบการใช้ generative AI ขอให้มองว่าช่องอินพุตของคลังพรอมต์คือการแปลงระเบียบฉบับนั้นให้เป็นรูปธรรมในแต่ละงาน

เกณฑ์การตรวจรับเป็นองค์ประกอบเดียวในห้าอย่างที่ใช้ประเมินผลลัพธ์ ถ้าไม่มีตรงนี้ คนเดียวที่ตัดสินได้ว่าข้อความที่ออกมาใช้ได้หรือไม่คือคนเขียนพรอมต์เท่านั้น ไม่ต้องคิดให้ซับซ้อน แค่เรียงคำถามที่ผู้ใช้ตอบว่าใช่หรือไม่ใช่ได้ด้วยตัวเองสักไม่กี่ข้อก็พอ ถ้าเป็นร่างรายงานการแก้ไขเชิงป้องกัน ก็เช่น วันที่เกิดเหตุและกระบวนการที่ตรวจพบตรงกับอินพุตหรือไม่ มาตรการชั่วคราวกับมาตรการถาวรถูกแยกเขียนหรือไม่ มีคำศัพท์ที่บริษัทไม่ใช้ปนมาหรือไม่ ในกรณีตัวอย่างเราสร้างคำถามตัวละ 5 ข้อสำหรับพรอมต์ 24 ตัว รวมเป็น 120 ข้อ ใช้เวลาข้อละ 0.5 ชั่วโมง รวม 60 ชั่วโมง คูณอัตราค่าแรง 260 บาทได้เป็น 15,600 บาท เมื่อมี 120 ข้อนี้แล้ว เราจะวัดได้ว่าแก้แล้วดีขึ้นจริงไหม และเมื่อโมเดลเปลี่ยนรุ่นก็ตรวจพรอมต์ทั้ง 24 ตัวได้อย่างเป็นระบบ

4 รูปแบบการเน่าของคลังพรอมต์ ต้นเหตุคือการเขียนกฎของงานลงในตัวพรอมต์

Atlan ระบุไว้ในบทวิเคราะห์ข้างต้นว่า รูปแบบที่การบริหารพรอมต์ขององค์กรพังมีสี่แบบ คือ Monolithic Prompting, Copy-Paste Drift, Obscured Blast Radius และ Deferred Runtime Errors พร้อมชี้ว่าปัจจัยความล้มเหลวที่พบบ่อยที่สุดคือการไม่มีเจ้าของที่ระบุเป็นชื่อบุคคล เมื่อแปลงกลับมาสู่บริบทของคลังพรอมต์สำหรับงานจริง อาการเน่าที่เกิดขึ้นในหน้างานจะจัดได้เป็นสี่แบบดังนี้

สี่แบบนี้ต่างกันแค่อาการ แต่ต้นเหตุมีอันเดียว คือ การเขียนกฎของงานลงไปในเนื้อความของพรอมต์ ยกตัวอย่างเช่น ถ้าเอานิยามที่ว่า อัตราของเสียคือจำนวนที่ไม่ผ่านการตรวจหารด้วยจำนวนที่ตรวจ โดยของที่ผ่านหลังการแก้ไขไม่นับเป็นตัวเศษ ไปเขียนไว้ในเนื้อพรอมต์ ข้อความชุดเดียวกันนี้จะถูกทำสำเนาเท่ากับจำนวนพรอมต์ที่ใช้นิยามนั้น พอวันที่นิยามเปลี่ยน จะไม่มีใครแก้ได้ครบทุกที่ที่มันกระจายไป จึงมีบางตัวถูกแก้ ส่วนที่เหลือค้างอยู่กับนิยามเก่า นี่คือการเกิดพร้อมกันของทั้งการยัดรวมเป็นก้อนเดียว การแตกตัวจากการคัดลอก และการมองไม่เห็นขอบเขตผลกระทบ

ทางแก้ตรงไปตรงมา คือย้ายกฎของงานออกไปไว้นอกพรอมต์แล้วให้พรอมต์อ้างอิงถึง รวบรวมนิยามศัพท์ วิธีคำนวณตัวเลข ลำดับหัวข้อของแบบฟอร์ม และข้อห้าม ไว้ในเอกสารฉบับเดียว ส่วนฝั่งพรอมต์เขียนเพียงว่า นิยามของอัตราของเสียให้เป็นไปตามเอกสารนิยามศัพท์ ในทางปฏิบัติคือส่งเอกสารนิยามนั้นไปพร้อมกับพรอมต์ ทำแบบนี้แล้วจุดที่ต้องแก้จะมีจุดเดียว และทันทีที่แก้เสร็จ ผลลัพธ์ของพรอมต์ทุกตัวที่อ้างอิงถึงก็เปลี่ยนตาม ขอบเขตผลกระทบก็นับได้ในรูปของจำนวนพรอมต์ที่อ้างอิงนิยามนั้น

ความน่ากลัวจริงของการมองไม่เห็นขอบเขตผลกระทบอยู่ตรงที่ เราจะไม่รู้ว่ามันพัง จนกว่าจะถึงวินาทีที่มีคนหยิบไปใช้กับงานจริง เพราะไม่มีตัวตรวจล่วงหน้าแบบที่โปรแกรมมี กว่าจะรู้ก็คือวันทำรายงานประจำเดือนแล้วรู้สึกว่าเดือนนี้ผลออกมาแปลกๆ ความหมายของการมีเกณฑ์การตรวจรับอยู่ตรงนี้ ถ้ารันคำถาม 120 ข้อทุกครั้งหลังโมเดลเปลี่ยนรุ่นหรือหลังแก้นิยาม เราจะรู้ก่อนถึงวันทำงานจริง

จะเก็บไว้ที่ไหน เหตุผลที่โฟลเดอร์แชร์คือชั้นล่างสุด

ที่เก็บที่ถูกเลือกเป็นอันดับแรกสำหรับคลังพรอมต์คือโฟลเดอร์แชร์แทบทุกราย เพราะไม่มีค่าใช้จ่ายเพิ่มและทุกคนรู้วิธีเข้าถึงอยู่แล้ว แต่โฟลเดอร์แชร์ขาดความสามารถที่จำเป็นต่อการบริหารในฐานะสินทรัพย์อยู่สามอย่าง คือการจัดการเวอร์ชัน การแยกสิทธิ์อ่านกับสิทธิ์แก้ไข และการเก็บบันทึกการตรวจรับ

จุดอ่อนที่ร้ายแรงที่สุดของโฟลเดอร์แชร์คือ แยกสิทธิ์อ่านกับสิทธิ์แก้ไขไม่ได้ โครงสร้างของคลังพรอมต์คือมีคนใช้ 80 คนแต่มีคนแก้ไม่กี่คน ถ้าวางไว้ในที่ที่ทุกคนแก้ได้ การแก้เล็กๆ ด้วยเจตนาดีจะเข้าไปอยู่ในตัวจริง แล้วยังไม่เหลือร่องรอยว่าใครแก้อะไร ครั้นจะห้ามแก้ไปเลย ข้อปรับปรุงที่หน้างานมองเห็นก็จะไม่ถูกนำมาใช้ สิ่งที่ต้องการคือการแยกว่าใครก็เสนอปรับปรุงได้ แต่คนที่ผลักเข้าตัวจริงได้มีเพียงเจ้าของ การที่บทความอย่าง 7 เครื่องมือบริหารพรอมต์ที่ดีที่สุดซึ่ง PromptLayer รวบรวมไว้ในปี 2026 เกิดขึ้นได้ ก็สะท้อนอยู่แล้วว่าเครื่องมือเฉพาะทางที่มีการจัดการเวอร์ชัน การประเมิน และสิทธิ์ เกิดเป็นตลาดได้จริง

อย่างไรก็ตาม ไม่จำเป็นต้องกระโดดไปซื้อเครื่องมือเฉพาะทางตั้งแต่แรก ค่าใช้จ่ายชั้นที่ 4 จำนวน 120,000 บาทในกรณีตัวอย่างคือค่าสร้างที่เก็บ ระบบเวอร์ชัน และสิทธิ์ ขึ้นบนพอร์ทัลภายในที่มีอยู่แล้ว ไม่ใช่ค่าซื้อเครื่องมือ สิ่งที่ถูกตัดสินไปพร้อมกันในขั้นตอนนี้คือระดับการควบคุมข้อมูลที่จะไปวางอยู่บนนั้น เพราะคลังพรอมต์จะมีนิยาม แบบฟอร์ม และข้อห้ามภายในบริษัทเขียนอยู่ มันจึงเป็นก้อนองค์ความรู้ของธุรกิจ การตัดสินว่าจะวางไว้บนบริการภายนอกหรือวางในสภาพแวดล้อมเดียวกับบริการ generative AI จึงเป็นการตัดสินใจเรื่องการควบคุมข้อมูล ไม่ใช่เรื่องความสะดวก ประเด็นนี้อธิบายไว้ในการสร้างสภาพแวดล้อม generative AI ที่ปลอดภัย อนึ่ง Atlan ระบุกรอบเวลาไว้ว่า การจัดที่เก็บ ระบบเวอร์ชัน สิทธิ์ และด่านตรวจรับ ใช้เวลา 3 ถึง 6 สัปดาห์ และถ้ารวมการย้ายกฎของงานออกไปข้างนอกด้วยจะอยู่ที่ 10 ถึง 14 สัปดาห์ ไม่ใช่แผนระดับปี แต่ก็ไม่ใช่ของที่จบได้ในไม่กี่วัน

การออกแบบสำหรับฐานการผลิตหลายภาษา ล็อก 180 คำที่ห้ามแปลให้ได้ก่อน

ที่ฐานการผลิตในประเทศไทยมีความยากเพิ่มขึ้นอีกชั้น เพราะภาษาไทย ภาษาญี่ปุ่น และภาษาอังกฤษวิ่งอยู่พร้อมกัน แล้วหลายบริษัทก็ แปลพรอมต์แยกตามภาษา ด้วยความหวังดี ซึ่งกลายเป็นการแตกตัวจากการคัดลอกเวอร์ชันหลายภาษา การออกแบบที่ถูกต้องคือแยกพรอมต์หนึ่งตัวออกเป็นสามชิ้นส่วน แล้วตัดสินภาษาของแต่ละชิ้นแยกกัน

ถ้าไม่แบ่งสามชิ้นนี้แล้วตัดสินว่าจัดให้เป็นภาษาไทยทั้งหมด ความแม่นยำจะลดลง ที่อันตรายเป็นพิเศษคือการแปลข้อมูลอินพุตล่วงหน้า ตรงวินาทีที่คนแปลสำนวนหน้างานที่เขียนไว้ในรายงานประจำวันภาษาไทย ก็มีการตีความเข้าไปแล้วหนึ่งชั้น ต่อให้เอาข้อความที่มีการตีความปนอยู่นั้นไปให้ generative AI อ่าน ก็ย้อนกลับไปหาข้อมูลเดิมไม่ได้

มีอีกเรื่องที่เฉพาะกับภาษาไทยและมักถูกมองข้าม คือ ภาษาไทยไม่เว้นวรรคระหว่างคำ เครื่องมือประมวลผลข้อความจึงต้องเดาขอบเขตของคำเอง ผลกระทบเห็นชัดเวลาให้สรุปหรือค้นหาข้อความจากเอกสารภาษาไทยยาวๆ ชื่อรุ่นสินค้า ชื่อแบบฟอร์ม และศัพท์เฉพาะของโรงงานมักถูกตัดผิดตำแหน่ง แล้วผลลัพธ์ก็เพี้ยนตามไปทั้งย่อหน้า วิธีรับมือคือกำหนดในองค์ประกอบอินพุตให้ผู้ใช้เว้นวรรคคั่นก่อนและหลังศัพท์เฉพาะเวลาวางข้อความ และกำหนดในองค์ประกอบข้อจำกัดว่าให้คัดลอกศัพท์เหล่านั้นออกมาตามตัวอักษรโดยห้ามดัดแปลง เพียงสองบรรทัดนี้ก็ช่วยลดผลลัพธ์เพี้ยนของงานภาษาไทยลงได้

บนพื้นฐานนั้น ให้ล็อก คำที่ห้ามแปล ไว้ก่อน ในกรณีตัวอย่างเราทำพจนานุกรมศัพท์ไว้ 180 คำ เนื้อในคือรหัสรุ่น รหัสชิ้นส่วน ชื่อแบบฟอร์ม ศัพท์เฉพาะของบริษัท และชื่อตำแหน่งงาน คำเหล่านี้ทันทีที่ถูกแปลก็ตรวจสอบเทียบกันไม่ได้อีกเลย ถ้ารหัสรุ่นถูกถอดเป็นตัวสะกดในภาษาท้องถิ่น ก็เอาไปเทียบกับแบบวิศวกรรมไม่ได้ ถ้าชื่อแบบฟอร์มถูกแปลเอาความ ก็ไม่รู้ว่าหมายถึงใบไหน ขนาด 180 คำถือว่าไม่ใหญ่เลย ในทางกลับกัน ถ้าเริ่มโดยไม่กำหนด 180 คำนี้ รหัสรุ่นเดียวกันจะค้างอยู่ในข้อมูลถึงสามแบบการสะกด แล้วการตามไปแก้ทีหลังจะแพงกว่ามาก อนึ่ง ในพรอมต์ตัวจริง 24 ตัว มีที่ใช้หลายภาษาอยู่ 15 ตัว ส่วนอีก 9 ตัวจบได้ในภาษาเดียว การไม่พยายามทำให้ทุกตัวรองรับหลายภาษาก็เป็นส่วนหนึ่งของการออกแบบ

ประเด็นสุดท้ายของฐานการผลิตในไทยคือการแบ่งบทบาทกับพนักงานคนไทย ถ้าข้อความสั่งงานมีฉบับเดียวเป็นภาษาญี่ปุ่นหรืออังกฤษ ผู้ใช้ชาวไทยจะแก้ไขตัวจริงเองไม่ได้ ซึ่งที่จริงเป็นเรื่องดีเพราะกันการแตกตัว แต่ต้องแลกด้วยการเปิดช่องรับข้อเสนอปรับปรุงเป็นภาษาไทยไว้เสมอ ส่วนคำอธิบายวิธีใช้ คำถามตรวจรับ และเอกสารประกอบการอบรม ให้ทำเป็นภาษาไทยทั้งหมด สรุปคือ ตัวจริงหนึ่งภาษา แต่ทางเข้าถึงเป็นภาษาไทย นี่คือรูปแบบที่ใช้ได้จริงในโรงงาน

แบ่งค่าใช้จ่ายเป็น 5 ชั้น จ้างหน่วยงานภายนอกได้แค่ชั้นที่ 4 กับชั้นที่ 5

ต่อไปเข้าเรื่องค่าใช้จ่าย ถ้าจัดพรอมต์ 24 ตัวให้เป็นสินทรัพย์ระดับชั้นที่ 3 ค่าใช้จ่ายเริ่มต้นจะแบ่งเป็นห้าชั้นดังนี้ ส่วนที่ทำเองคิดด้วยอัตราค่าแรงต่อชั่วโมงที่แท้จริง 260 บาท

สิ่งที่ต้องดูไม่ใช่ตัวเลขมากหรือน้อย แต่คือเส้นแบ่งระหว่างทำเองกับจ้างหน่วยงานภายนอกถูกลากไว้ตรงไหน ส่วนที่ทำเองคือชั้นที่ 1 ถึงชั้นที่ 3 รวม 53,040 บาท คิดเป็น 15.0% ของทั้งหมด ส่วนที่จ้างหน่วยงานภายนอกคือชั้นที่ 4 กับชั้นที่ 5 รวม 300,000 บาท คิดเป็น 85.0% ถ้าดูเป็นเม็ดเงิน ฝั่งจ้างหน่วยงานภายนอกชนะขาด แต่ 15.0% ที่จ้างหน่วยงานภายนอกไม่ได้ต่างหากที่ชี้เป็นชี้ตาย

งานสำรวจในชั้นที่ 1 คือการรวบรวม 47 ตัว ตัดของซ้ำ แล้วตัดสินว่าแต่ละตัวผูกกับงานใด การตัดสินนี้คนนอกบริษัททำไม่ได้ เพราะจะบอกว่ารายงานสิ่งไม่เป็นไปตามข้อกำหนดของฝ่ายคุณภาพกับการแก้ไขเชิงป้องกันของฝ่ายวางแผนการผลิตเป็นงานเดียวกันหรือคนละงาน ต้องรู้วิธีทำงานของบริษัทนั้นก่อน ชั้นที่ 2 ก็เหมือนกัน เวลา 3.5 ชั่วโมงต่อตัวไม่ใช่เวลาเขียนข้อความ แต่คือเวลาไล่ตรวจนิยามและแบบฟอร์มภายในแล้วแปลงลงเป็นองค์ประกอบ ส่วนเกณฑ์การตรวจรับในชั้นที่ 3 จ้างหน่วยงานภายนอกไม่ได้อย่างเด็ดขาด เพราะการเขียนเงื่อนไขผ่านคือการประกาศว่าอะไรคือความถูกต้องในงานของบริษัทเรา วินาทีที่ปล่อยให้คนนอกเป็นคนตัดสิน คลังพรอมต์ชุดนั้นก็เลิกเป็นสินทรัพย์ของบริษัทเรา

ในทางกลับกัน ชั้นที่ 4 กับชั้นที่ 5 เหมาะกับการจ้างหน่วยงานภายนอก การสร้างที่เก็บ ระบบเวอร์ชัน และสิทธิ์เป็นงานเชิงเทคนิค ส่วนการจัดอบรมเชิงปฏิบัติการแยกแผนกและทำเอกสารก็เร็วกว่าถ้าดึงคนนอกเข้ามา ที่แบ่งอบรมเป็น 6 ครั้งเพราะทั้งหกแผนก คือธุรการ บัญชี จัดซื้อ คุณภาพ วางแผนการผลิต และทรัพยากรบุคคล ใช้พรอมต์คนละตัวและป้อนแบบฟอร์มคนละใบ ถ้ารวบเป็นครั้งเดียว จะเกิดเวลานั่งฟังเรื่องที่ไม่เกี่ยวกับแผนกตัวเองถึงห้าแผนก แล้วยังไม่ได้ลองพรอมต์ของงานตัวเองในที่นั้นด้วย เวลาเปรียบเทียบใบเสนอราคา ขอให้ตรวจเสมอว่าชั้นที่ 1 ถึงชั้นที่ 3 ถูกเขียนไว้ว่าเป็นงานฝั่งลูกค้าหรือไม่ ใบเสนอราคาที่ไม่รวมส่วนนี้จะแสดงตัวเลข 300,000 บาท แต่ในความจริงบริษัทเราต้องลงแรงเทียบเท่า 53,040 บาท หรือคิดเป็นเวลา 204 ชั่วโมง

นอกจากนี้ สิ่งที่มักหล่นหายจากใบเสนอราคาคือค่าดูแลรายปี

ปีละ 45,760 บาท คิดเป็นเวลา 176 ชั่วโมง เทียบเท่า 13.0% ของค่าใช้จ่ายเริ่มต้น 353,040 บาท ซึ่งไม่ใช่จำนวนน้อยเลย แต่ถ้าไม่จ่าย 176 ชั่วโมงนี้ ก็จะกลับไปสู่สภาพที่ 76.6% ไม่ถูกแก้ไขเกินหกเดือนอย่างที่เล่าไว้ตอนต้น คลังพรอมต์เป็นสินทรัพย์ประเภทที่ มูลค่าคงอยู่เฉพาะเดือนที่จ่ายค่าดูแล ธรรมชาติจึงต่างจากเครื่องจักรที่ซื้อขาด ในเอกสารขออนุมัติจึงต้องเขียนค่าดูแลรายปีนี้ควบคู่กับค่าใช้จ่ายเริ่มต้นเสมอ

การประกอบ ROI ถ้าเขียนด้วยเวลาลองผิดลองถูกจะขาดทุนแน่นอน

ตรงนี้คือจุดที่คนเขียนเอกสารขออนุมัติล้มมากที่สุด ถ้าอธิบายผลของคลังพรอมต์ว่า เวลาที่ใช้ลองผิดลองถูกคิดพรอมต์ลดลง ตัวเลขจะ ออกมาขาดทุนแน่นอน

เหตุผลง่ายมาก เมื่อคลังพรอมต์ดีขึ้น คนที่ใช้ generative AI จะเพิ่มขึ้น คนที่ไม่เคยใช้จะเริ่มใช้ คนที่เคยใช้วันละครั้งจะใช้วันละห้าครั้ง เวลาลองผิดลองถูกต่อครั้งลดลงจริง แต่จำนวนครั้งเพิ่มขึ้น เวลารวมที่คนหันไปหา generative AI จึงเพิ่มขึ้นด้วยซ้ำ ถ้าเก็บบันทึกการใช้งานแล้วเทียบเวลาก่อนกับหลังนำระบบเข้ามา ตัวเลขที่ได้จะเพิ่ม แล้วถ้าถือตัวเลขนี้เข้าห้องประชุมผู้บริหาร โครงการจะจบลงตรงนั้น

วิธีวัดที่ถูกต้องคือดูที่ ชั่วโมงงานของงานเป้าหมายเอง ไม่ใช่เวลาที่หันไปหา generative AI เมื่อไล่ชั่วโมงงานของประเภทงานที่ generative AI ช่วยได้ สำหรับฝ่ายสนับสนุน 80 คน จะได้ตามตารางนี้

รวม 606 ชั่วโมงต่อเดือน นี่คือตัวส่วน หารด้วย 80 คนจะได้คนละ 7.6 ชั่วโมงต่อเดือน จึงไม่ใช่ตัวเลขที่พองเกินจริง ลักษณะเด่นของฐานการผลิตในไทยคืองานแปลและงานหลายภาษาสูงถึง 168 ชั่วโมง ซึ่งเป็นชั่วโมงงานเฉพาะของสถานประกอบการที่มีสามภาษาวิ่งพร้อมกัน จากฐาน 606 ชั่วโมงนี้ ให้คูณด้วยสองตัวเลข คือสัดส่วนที่ generative AI ถูกนำไปใช้ได้จริง ซึ่งเรียกว่าอัตราการนำไปใช้ และสัดส่วนที่ลดเวลาได้ในงานที่นำไปใช้แล้ว ซึ่งเรียกว่าอัตราการลดเวลาเฉลี่ย

การคำนวณคือ 606 คูณ 18.0% คูณ 32.0% เท่ากับ 34.9 ชั่วโมงต่อเดือน และ 606 คูณ 46.0% คูณ 41.0% เท่ากับ 114.3 ชั่วโมงต่อเดือน ส่วนเพิ่มคือ 79.4 ชั่วโมงต่อเดือน คูณอัตราค่าแรง 260 บาทได้ 20,644 บาทต่อเดือน หรือปีละ 247,728 บาท

สิ่งสำคัญในตารางนี้คือ ทั้งอัตราการนำไปใช้และอัตราการลดเวลาต่างขยับขึ้นพร้อมกัน การที่อัตราการนำไปใช้ขยับจาก 18.0% เป็น 46.0% เข้าใจได้ตามสัญชาตญาณ เพราะงานที่ใช้ได้มีมากขึ้น แต่การที่อัตราการลดเวลาขยับจาก 32.0% เป็น 41.0% ด้วยนั้นต้องอธิบายเพิ่ม เมื่อพรอมต์ถูกเขียนครบห้าองค์ประกอบและระบุรูปแบบผลลัพธ์ไว้ ข้อความที่ออกมาจะวางลงแบบฟอร์มได้ทันที ในขณะที่พรอมต์ซึ่งไม่ระบุรูปแบบผลลัพธ์ยังเหลืองานให้คนมานั่งเรียงข้อความใหม่ เติมหัวข้อ และจัดรูปแบบ พองานปลายทางนี้หายไป อัตราการลดเวลาต่อครั้งจึงสูงขึ้นเอง ผลของการมีเกณฑ์การตรวจรับที่ทำให้งานย้อนกลับน้อยลงก็รวมอยู่ในนี้ด้วย

คำถามที่ถูกถามเสมอในทางปฏิบัติคือ จะวัดอัตราการนำไปใช้ 46.0% ได้อย่างไร คำตอบคือวัดจากบันทึกการใช้งานของบริการ generative AI ไม่ได้ เพราะบันทึกบอกได้แค่จำนวนครั้งที่ใช้ ไม่ได้บอกว่าในงานเป้าหมายทั้งหมดถูกใช้ไปกี่เปอร์เซ็นต์ วิธีวัดที่ทำได้จริงคือ เอารายการงานชุดเดียวกับที่ใช้แจกแจง 606 ชั่วโมง มาไล่ถามผู้รับผิดชอบทุกไตรมาสว่า งานนี้ใช้พรอมต์ตัวจริงอยู่หรือไม่ วิธีนี้ใช้แรงอยู่บ้าง แต่ถ้าไม่ทำ ก็จะพิสูจน์ผลของการลงทุนไม่ได้เลย วิธีติดตามอัตราการใช้จริงนี้อธิบายละเอียดไว้ในการสนับสนุนให้การใช้ AI เกิดขึ้นจริง

เมื่อเอาผลประโยชน์รายปี 247,728 บาท ลบค่าดูแลรายปี 45,760 บาท จะได้ผลประโยชน์สุทธิ 201,968 บาทต่อปี เอาไปหารค่าใช้จ่ายเริ่มต้น 353,040 บาท จะได้ 353,040 หารด้วย 201,968 เท่ากับ 1.7 ปี หรือ 21.0 เดือน นี่คือระยะคืนทุนของกรณีที่จัดทำเป็นสินทรัพย์

คลังตัวอย่างกับสินทรัพย์ ถ้าวัดด้วยระยะคืนทุน คลังตัวอย่างชนะ

มาถึงส่วนที่ยุ่งยากที่สุดของบทความนี้

ในกรณีตัวอย่างเดียวกัน ลองคิดแผนที่ตัดชั้นที่ 3 ถึงชั้นที่ 5 ออก แล้วทำแค่ชั้นที่ 1 กับชั้นที่ 2 จากนั้นเอาไปวางในโฟลเดอร์แชร์ คือสำรวจของเก่า เขียนพรอมต์ 24 ตัว วางลงโฟลเดอร์แล้วประกาศให้ทราบ ไม่สร้างเกณฑ์การตรวจรับ ไม่จัดที่เก็บ ไม่จัดอบรมเชิงปฏิบัติการ สิ่งที่คนทั่วไปเรียกว่า ทำคลังพรอมต์เสร็จแล้ว ส่วนใหญ่คือแบบนี้ ค่าใช้จ่ายเริ่มต้นจะเหลือ 15,600 บวก 21,840 เท่ากับ 37,440 บาทเท่านั้น

คลังตัวอย่างก็ไม่ได้ไร้ผลเสียทีเดียว 606 คูณ 24.0% คูณ 34.0% เท่ากับ 49.4 ชั่วโมงต่อเดือน เพิ่มจาก 34.9 ชั่วโมงต่อเดือนก่อนจัดระบบอยู่ 14.5 ชั่วโมงต่อเดือน คูณ 260 บาทได้เดือนละ 3,770 บาท หรือปีละ 45,240 บาท เอาไปหารค่าใช้จ่ายเริ่มต้น 37,440 บาท จะได้ 0.8 ปี ถ้าดูแค่ตัวเลขระยะคืนทุน คลังตัวอย่างชนะขาดลอย 0.8 ปีเทียบกับ 1.7 ปี ห้องประชุมผู้บริหารที่ไหนก็เลือก 0.8 ปี

อย่ากลัวที่จะเอาการเปรียบเทียบนี้ขึ้นโต๊ะอย่างตรงไปตรงมา ถ้าปิดบังแล้วเสนอเฉพาะฝั่งสินทรัพย์ เดี๋ยวก็จะมีคนพูดขึ้นมาว่าน่าจะทำถูกกว่านี้ได้ แล้วการถกเถียงจะหยุดอยู่ตรงนั้น การวางทั้งสองทางเลือกไว้ตั้งแต่แรกแล้วอธิบายว่า ทำไมจึงเทียบกันด้วยระยะคืนทุนไม่ได้ เป็นวิธีที่แข็งแรงกว่า

เหตุผลคือตัวชี้วัดระยะคืนทุนมองข้ามระยะเวลาที่ผลประโยชน์คงอยู่ คลังตัวอย่างไม่มีเกณฑ์การตรวจรับ จึงไม่รู้ว่าอะไรพังเมื่อโมเดลเปลี่ยน ไม่มีเจ้าของ จึงไม่มีใครแก้เมื่อแบบฟอร์มของงานเปลี่ยน ไม่ได้จัดที่เก็บ จึงเกิดเวอร์ชันแยกที่ใครสักคนแก้ด้วยความหวังดีเพิ่มขึ้น สภาพที่เห็นตอนต้นบทความว่า มีเพียง 23.4% ของ 47 ตัวที่ยังสดอยู่ จะถูกผลิตซ้ำขึ้นมาใหม่ภายใน 12 เดือน ผลประโยชน์ 45,240 บาทของคลังตัวอย่างจะเกิดขึ้นในปีแรก แล้วหยุดอยู่แค่นั้น ปีที่สองผลจะกลับไปเท่ากับก่อนจัดระบบ ในขณะที่ฝั่งสินทรัพย์ ถ้าจ่ายค่าดูแลปีละ 45,760 บาทต่อไป ผลประโยชน์สุทธิ 201,968 บาทต่อปีก็จะเกิดต่อเนื่องในปีถัดๆ ไป

ผลสะสมสามปีของฝั่งสินทรัพย์คือ 201,968 คูณ 3 เท่ากับ 605,904 บาท หักค่าใช้จ่ายเริ่มต้น 353,040 บาทแล้วเหลือ 252,864 บาท ส่วนฝั่งคลังตัวอย่างหยุดอยู่ที่ 45,240 บาท หักค่าใช้จ่ายเริ่มต้น 37,440 บาทแล้วเหลือเพียง 7,800 บาท เมื่อมองสามปี ส่วนต่างมากกว่า 32 เท่า ทางเลือกที่แพ้อยู่ 2.1 เท่าในตัวชี้วัดระยะคืนทุน กลับชนะ 32 เท่าเมื่อดูผลสะสมสามปี

บทเรียนที่ควรดึงออกมาจากตรงนี้ไม่ได้จำกัดอยู่แค่เรื่องคลังพรอมต์ ถ้าเปรียบเทียบด้วยระยะคืนทุนเพียงอย่างเดียว ทางเลือกที่ไม่กลายเป็นสินทรัพย์จะชนะเสมอ เพราะยิ่งลงทุนน้อย ยิ่งเห็นผลเร็ว และยิ่งผลหายไปเร็ว ตัวเลขระยะคืนทุนก็ยิ่งสวย การเขียนระยะคืนทุนลงในเอกสารขออนุมัติไม่ใช่เรื่องผิด แต่ต้องวางผลสะสมสามปีไว้ข้างกันเสมอ ถ้าไม่วางคู่กัน แผนที่ถูกที่สุดในองค์กรจะถูกเลือกโดยอัตโนมัติ แล้วอีกสองปีถัดมาจะเหลือเพียงข้อสรุปว่า generative AI ไม่ได้ผล ในผลสำรวจสถานการณ์ generative AI ที่ PwC Japan เผยแพร่ ก็เรียบเรียงไว้ว่าการจัดกระบวนการทำงาน ข้อมูล สภาพแวดล้อมการใช้งาน และธรรมาภิบาลให้เข้าที่ก่อน เป็นเงื่อนไขตั้งต้นของการสร้างผลลัพธ์ ค่าใช้จ่ายในการจัดฐานรากให้เข้าที่จะยืดเวลากว่าจะเห็นผล ตัวเลขระยะคืนทุนจึงแย่ลงอย่างหลีกเลี่ยงไม่ได้ การตัดสินใจว่าจะยอมจ่ายทั้งที่รู้เช่นนั้นหรือไม่ คือทางแยกของการลงทุนนี้

การแบ่งบทบาทกับการอบรม prompt engineering ระเบียบการใช้งาน และการสนับสนุนให้เกิดการใช้จริง

คำถามที่ได้ยินบ่อยคือ ถ้าส่งคนไปอบรม prompt engineering แล้วยังต้องมีคลังพรอมต์อีกหรือ และคำถามกลับด้านว่า ถ้าแจกคลังพรอมต์แล้วไม่ต้องอบรมใช่ไหม ทั้งสองข้อไม่ถูก เพราะสี่เครื่องมือนี้มีทั้งกลุ่มเป้าหมายและความคงทนต่างกัน

การอบรมได้ผลกับคนไม่กี่คนฝั่งผู้สร้าง ความคิดเรื่องการเขียนครบห้าองค์ประกอบก็ดี ความคิดเรื่องการย้ายกฎของงานออกไปข้างนอกก็ดี ไม่ใช่สิ่งที่จะผุดขึ้นมาเองโดยไม่ผ่านการอบรม แต่การอบรมอย่างเดียวไม่ปิดช่องว่างของคน 80 คน เพราะคนที่ไปอบรมเก่งขึ้นคนเดียว สถานการณ์ที่บริษัท 18.8% ตอบว่าช่องว่างถ่างกว้างขึ้น จะยิ่งกว้างขึ้นถ้าทำแต่การอบรม ในทางกลับกัน ถ้าแจกแต่คลังพรอมต์ คนที่ใช้ตามที่เขียนไว้จะมากขึ้นก็จริง แต่พองานเปลี่ยนไปนิดเดียวก็ไม่มีใครแก้ได้ การออกแบบการอบรมภาคปฏิบัติและอบรมเชิงปฏิบัติการเรื่อง generative AI รวบรวมไว้ในการอบรม generative AI สำหรับภาคการผลิต ส่วนชั้นที่ 5 จำนวน 180,000 บาทในกรณีตัวอย่างคืออบรมเชิงปฏิบัติการแยกแผนก 6 ครั้ง ซึ่งออกแบบไว้เป็นคนละเรื่องกับการนั่งฟังบรรยาย เพราะเป้าหมายคือ ลองรันพรอมต์ของแผนกตัวเองกับใบงานจริงของตัวเองให้ได้หนึ่งรอบ

มีเงื่อนไขที่ควรรู้ไว้สำหรับฐานการผลิตในไทยด้วย ผลสำรวจปี 2024 ที่ ETDA ร่วมกับ NSTDA จัดทำ พบว่าองค์กรในประเทศไทยที่ตอบว่ากำลังใช้ AI อยู่มี 17% และที่วางแผนจะนำมาใช้ในอนาคตมี 73% ขอย้ำว่านี่คือผลสำรวจปี 2024 ไม่ใช่ตัวเลขของปี 2026 อย่างไรก็ตาม โครงสร้างที่ว่าองค์กรระดับวางแผนมีมากกว่าเจ็ดในสิบนั้นสำคัญ การที่องค์กรจำนวนมากเข้าสู่ช่วงตั้งต้นพร้อมกัน แปลว่ามีกรณีศึกษาของผู้ที่เดินไปก่อนให้อ้างอิงน้อย ด้วยเหตุนี้เอง เราจึงยืมคลังพรอมต์ของบริษัทอื่นมาใช้ตรงๆ ไม่ได้ และยังต้องลงมือทำงานชั้นที่ 1 ถึงชั้นที่ 3 ที่ผูกกับงานของบริษัทเราเองอยู่ดี

แผน 90 วัน

ในค่าใช้จ่ายเริ่มต้น 353,040 บาท ส่วนที่ทำเองรวมเป็น 204 ชั่วโมง ภายใต้สมมติฐานว่าต้องแทรกงานนี้ระหว่างงานประจำ เราแบ่ง 90 วันออกเป็นสี่ช่วง หัวใจคืออย่าให้สี่ช่วงทับกัน ต้องปิดช่วงก่อนหน้าให้จบก่อนจึงเดินต่อ

สิ่งสำคัญที่สุดใน 30 วันแรกไม่ใช่การคัดให้เหลือ 24 ตัว แต่คือ การใส่ชื่อเจ้าของ งานที่ใส่ชื่อไม่ได้ในขั้นนี้ อย่าฝืนเก็บไว้ ถ้าเดินต่อไปโดยยังไม่มีชื่อ พอถึงวันที่ 61 เป็นต้นไปจะติดขัดตรงที่ไม่รู้ว่าใครเป็นคนอนุมัติเกณฑ์การตรวจรับ เหตุผลที่ต้องทำพจนานุกรมศัพท์และเอกสารกฎของงานควบคู่ไปกับการเขียนใหม่ก็มีอยู่ เพราะระหว่างเขียนพรอมต์ใหม่ตามห้าองค์ประกอบ จะมีวินาทีที่รู้สึกว่า นิยามข้อนี้ไม่ควรเขียนลงในพรอมต์ เกิดขึ้นซ้ำแล้วซ้ำเล่า ถ้าตอนนั้นยังไม่มีที่ให้ย้ายออกไป สุดท้ายก็จะเขียนลงในเนื้อความอยู่ดี

เกณฑ์การตรวจรับ 120 ข้อที่เริ่มตั้งแต่วันที่ 61 อย่าให้คนเดียวเขียนรวดเดียวจบ วิธีที่ถูกคือให้เจ้าของของพรอมต์ทั้ง 24 ตัวเขียนคำถาม 5 ข้อของตัวเอง ถ้าคนเดียวเขียนจะเสร็จเร็วก็จริง แต่คำถามห้าข้อนั้นจะกลายเป็นเกณฑ์ของคนคนนั้น แล้วเจ้าของจะอนุมัติไม่ได้ และในการอบรมเชิงปฏิบัติการที่เริ่มวันที่ 76 ขอให้ใช้ใบงานจริงของแผนกตัวเองเสมอ ถ้าใช้ข้อมูลตัวอย่างจะสำเร็จหมดทุกอัน แต่ถ้าใช้ข้อมูลจริงจะเจอทันทีว่าการระบุอินพุตยังไม่พอ หรือรูปแบบผลลัพธ์ยังไม่ตรงกับแบบฟอร์ม การอบรมเชิงปฏิบัติการไม่ใช่เวทีสอน แต่คือเวทีตรวจรับครั้งสุดท้าย

คำถามที่พบบ่อย

คลังพรอมต์สำหรับงานควรมีกี่ตัว

ในกรณีตัวอย่างมี 24 ตัวสำหรับฝ่ายสนับสนุน 80 คน จุดตั้งต้นคือ 47 ตัวในโฟลเดอร์แชร์ ตัดของซ้ำเหลือ 29 ตัว และเหลือ 24 ตัวที่ผูกกับงานและกำหนดเจ้าของได้ เกณฑ์คร่าวๆ ไม่ได้ขึ้นกับจำนวนคน แต่ขึ้นกับจำนวนประเภทงาน เมื่อเอาสี่ประเภทคืองานเขียนเอกสาร งานสรุป งานแปล และงานตรวจทาน มาคูณกับความต่างของแบบฟอร์มในแต่ละแผนก ก็จะลงตัวอยู่ราว 20 กว่าตัว ถ้าเพิ่มจำนวนมากเกินไป การทบทวนรายเดือน 8 ชั่วโมงจะเอาไม่อยู่ แล้วการปรับปรุงก็จะหยุดจากตรงนั้น การเพิ่มความหนาของห้าองค์ประกอบในหนึ่งตัวให้ผลดีกว่าการเพิ่มจำนวนตัว

ถ้าไปอบรม prompt engineering แล้วจะไม่ต้องมีคลังพรอมต์ใช่หรือไม่

ไม่ใช่ การอบรมได้ผลกับคนไม่กี่คนฝั่งผู้สร้าง เป้าหมายคือให้เข้าใจหลักการของวิธีเขียน การจะยกทั้ง 80 คนฝั่งผู้ใช้ให้อยู่ระดับเดียวกันด้วยการอบรมนั้นไม่สมจริง และต่อให้ทำได้ ก็ต้องทำใหม่ทุกปีเพราะมีการย้ายหน่วยงานกับคนเข้าคนออก สถานการณ์ที่บริษัท 18.8% ในผลสำรวจของ Teikoku Databank ตอบว่าช่องว่างระหว่างพนักงานที่ใช้คล่องกับใช้ไม่เป็นถ่างกว้างขึ้น จะยิ่งแย่ลงถ้าทำแต่การอบรม การแบ่งบทบาทที่สมจริงคือ อบรมให้ฝั่งผู้สร้าง และแจกคลังพรอมต์ให้ฝั่งผู้ใช้

ซื้อเทมเพลตพรอมต์สำหรับงานที่มีขายหรือเปิดเผยอยู่มาใช้เลยได้หรือไม่

ใช้เป็นจุดตั้งต้นได้ แต่แค่นั้นยังขึ้นงานจริงไม่ได้ สิ่งที่เขียนอยู่ในเทมเพลตที่เปิดเผยทั่วไปคือบทบาทกับข้อจำกัดบางส่วนจากห้าองค์ประกอบ ส่วนการระบุอินพุตกับเกณฑ์การตรวจรับนั้น ถ้าไม่รู้จักใบงานและนิยามของบริษัทเราก็เขียนไม่ได้ ส่วนที่ทำเอง 53,040 บาทในกรณีตัวอย่างก็คือค่าใช้จ่ายของส่วนที่เขียนแทนกันไม่ได้นี้เอง แม้จะเป็นเพียง 15.0% ของยอดรวม 353,040 บาท แต่ถ้าพยายามอุดช่องนี้ด้วยการซื้อ ผลลัพธ์ที่ออกมาจะตัดสินผ่านไม่ผ่านเองไม่ได้ แล้วสุดท้ายก็ไม่มีใครใช้

การอบรมภาคปฏิบัติกับการอบรมเชิงปฏิบัติการเรื่อง generative AI ควรทำอันไหนก่อน

ต้องสร้างสภาพที่เขียนพรอมต์ตัวจริงได้ก่อน แล้วจึงจัดอบรมเชิงปฏิบัติการ ในแผน 90 วันของกรณีตัวอย่าง เราวางอบรมเชิงปฏิบัติการแยกแผนก 6 ครั้งไว้หลังวันที่ 76 ซึ่งเป็นช่วงที่เขียน 24 ตัวใหม่และสร้างเกณฑ์การตรวจรับเสร็จแล้ว ถ้าจัดอบรมเชิงปฏิบัติการทั้งที่ยังไม่มีพรอมต์ ผู้เข้าร่วมจะได้ของที่ทำขึ้นสดๆ ในวันนั้นกลับไป ซึ่งเป็นแค่บันทึกส่วนตัวชั้นที่ 1 ส่วนการอบรมภาคปฏิบัติสำหรับคนไม่กี่คนฝั่งผู้สร้างกลับควรทำให้เร็ว ในอุดมคติควรได้เรียนก่อนเข้าสู่งานเขียนใหม่ในวันที่ 31

ในการขยายผล generative AI ทั่วองค์กร ควรทำคลังพรอมต์ในลำดับที่เท่าไร

ลำดับคือระเบียบการใช้งานก่อน ตามด้วยคลังพรอมต์ แล้วปิดท้ายด้วยการวัดผลการใช้จริง ถ้าทำคลังพรอมต์ทั้งที่ยังไม่มีระเบียบ จะเขียนองค์ประกอบอินพุตไม่ได้ว่าอะไรวางลงไปได้บ้าง เพราะเรื่องชื่อคู่ค้า ราคาต่อหน่วย และชื่อบุคคลว่าเปิดเผยได้ถึงไหน เป็นเรื่องที่ต้องตัดสินระดับทั้งบริษัท ไม่ใช่ตัดสินแยกตามแต่ละงาน ยิ่งในไทยที่มี PDPA กำกับ การขีดเส้นข้อมูลส่วนบุคคลยิ่งต้องมาก่อน ในทางกลับกัน สภาพที่มีแต่ระเบียบแต่ไม่มีคลังพรอมต์ คือสภาพที่แจกแต่ข้อห้ามโดยไม่ได้แจกวิธีใช้ อัตราการใช้งานจะไม่ขึ้น

จะวัดผลของคลังพรอมต์อย่างไร

อย่าวัดด้วยเวลาหรือจำนวนครั้งที่ใช้ generative AI เพราะเมื่อคลังพรอมต์ใช้ได้ผล จำนวนผู้ใช้จะเพิ่ม เวลารวมจึงเพิ่ม แล้วถ้าเอาตัวเลขนั้นออกมาเสนอ การลงทุนจะดูขาดทุน สิ่งที่ต้องวัดคือชั่วโมงงานของงานเป้าหมายเอง ซึ่งในกรณีตัวอย่างคือ 606 ชั่วโมงต่อเดือนของฝ่ายสนับสนุน 80 คน แล้วคูณด้วยอัตราการนำไปใช้และอัตราการลดเวลาเฉลี่ย ก่อนจัดระบบคือ 18.0% กับ 32.0% ได้ 34.9 ชั่วโมงต่อเดือน หลังจัดระบบคือ 46.0% กับ 41.0% ได้ 114.3 ชั่วโมงต่อเดือน ส่วนเพิ่ม 79.4 ชั่วโมงต่อเดือนคือผลประโยชน์ อัตราการนำไปใช้เก็บจากบันทึกการใช้งานไม่ได้ จึงต้องมีกลไกไล่ถามการใช้งานกับรายการงานทุกไตรมาส

ที่ generative AI ไม่ช่วยเพิ่มประสิทธิภาพงาน เป็นเพราะพรอมต์ไม่ดีหรือไม่

ส่วนใหญ่สิ่งที่ไม่ดีไม่ใช่ตัวข้อความของพรอมต์ แต่คือส่วนที่ไม่ได้เขียนลงในพรอมต์ ยังไม่ได้กำหนดว่าจะส่งอะไรเป็นอินพุต รูปแบบผลลัพธ์ไม่ตรงกับแบบฟอร์ม เงื่อนไขผ่านมีแต่เจ้าตัวที่ตัดสินได้ ถ้าขาดข้อใดข้อหนึ่งในสามข้อนี้ ต่อให้ขัดเกลาข้อความแค่ไหนก็ไม่เกิดผลซ้ำ รูปแบบการเน่าทั้งสี่แบบล้วนมีต้นเหตุจากการเขียนกฎของงานลงในเนื้อความของพรอมต์ ถ้าเปลี่ยนเป็นย้ายกฎออกไปข้างนอกแล้วให้อ้างอิงถึง แก้จุดเดียวก็สะท้อนไปทุกตัว และนับขอบเขตผลกระทบได้ด้วย

สรุป

คลังพรอมต์ไม่ถูกใช้ ไม่ใช่เพราะเขียนข้อความไม่เก่ง แต่เพราะเก็บเฉพาะข้อความสั่งงานแล้วเอาไปแจก พรอมต์ที่คนอื่นใช้แล้วได้ผลเท่ากันในงานจริงจะมีครบห้าองค์ประกอบ คือบทบาท อินพุต ข้อจำกัด รูปแบบผลลัพธ์ และเกณฑ์การตรวจรับ ในจำนวนนี้ อินพุตกับเกณฑ์การตรวจรับเขียนไม่ได้ถ้าไม่รู้จักใบงานและนิยามของบริษัทเรา ดังนั้นในค่าใช้จ่ายเริ่มต้น 353,040 บาท ส่วนที่ทำเอง 53,040 บาทซึ่งจ้างหน่วยงานภายนอกไม่ได้ คิดเป็น 15.0% ของยอดรวม จึงสำคัญชี้ขาด

คลังพรอมต์มีสามชั้น คือบันทึกส่วนตัว เทมเพลตของแผนก และสินทรัพย์ระดับองค์กร บริษัทส่วนใหญ่สร้างชั้นที่ 2 แล้วบริหารโดยเข้าใจว่าเป็นชั้นที่ 3 สิ่งที่ยกระดับชั้นไม่ใช่การรวบรวม แต่คือการกำหนดเจ้าของเป็นชื่อบุคคลและการเขียนเกณฑ์การตรวจรับ ในกรณีตัวอย่างเราสำรวจ 47 ตัว จัดเหลือ 29 ตัว และเก็บไว้เพียง 24 ตัวที่กำหนดเจ้าของได้ ข้อเท็จจริงที่ว่ามีเพียง 11 ตัวจาก 47 ตัวหรือ 23.4% ที่ยังสด คือผลลัพธ์ของการไม่มีเจ้าของ

ROI ห้ามเขียนด้วยเวลาที่ประหยัดจากการลองผิดลองถูก เพราะเมื่อคลังพรอมต์ใช้ได้ผล ผู้ใช้จะเพิ่มและเวลารวมที่หันไปหา generative AI จะเพิ่ม ผลประโยชน์ต้องวัดจากชั่วโมงงานของงานเป้าหมายเอง คือ 606 ชั่วโมงต่อเดือน จากเดิมอัตราการนำไปใช้ 18.0% และอัตราการลดเวลา 32.0% ได้ 34.9 ชั่วโมงต่อเดือน หลังจัดระบบเป็น 46.0% และ 41.0% ได้ 114.3 ชั่วโมงต่อเดือน ส่วนเพิ่ม 79.4 ชั่วโมงต่อเดือน หรือ 20,644 บาทต่อเดือน คิดเป็นปีละ 247,728 บาท หักค่าดูแล 45,760 บาทเหลือผลประโยชน์สุทธิ 201,968 บาท เอาไปหารค่าใช้จ่ายเริ่มต้นได้ 1.7 ปี หรือ 21.0 เดือน

และสุดท้าย นี่คือสิ่งที่อยากสื่อที่สุดในบทความนี้ ถ้าทำคลังตัวอย่างที่มีแค่ชั้นที่ 1 กับชั้นที่ 2 ค่าใช้จ่ายเริ่มต้นคือ 37,440 บาท ผลประโยชน์รายปี 45,240 บาท ระยะคืนทุน 0.8 ปี ถ้าดูแค่ระยะคืนทุน คลังตัวอย่างชนะ แต่ผลประโยชน์ของคลังตัวอย่างหยุดที่ 12 เดือน ผลสะสมสามปีจึงค้างอยู่ที่ 45,240 บาท หักค่าใช้จ่ายเริ่มต้นแล้วเหลือ 7,800 บาท ในขณะที่ฝั่งสินทรัพย์สามปีได้ 605,904 บาท หักค่าใช้จ่ายเริ่มต้นแล้วยังเหลือ 252,864 บาท ถ้าเปรียบเทียบด้วยระยะคืนทุนเพียงอย่างเดียว ทางเลือกที่ไม่กลายเป็นสินทรัพย์จะชนะเสมอ ในเอกสารขออนุมัติ ขอให้เขียนระยะคืนทุนกับผลสะสมสามปีวางคู่กันเสมอ

ยังไม่ต้องตัดสินใจเรื่องจำนวนตัวหรืองานเป้าหมายก็ได้ เราเริ่มจากการนับไปด้วยกันได้ว่า ในโฟลเดอร์แชร์มีพรอมต์นอนอยู่กี่ตัว และในจำนวนนั้นใส่ชื่องานกับชื่อเจ้าของได้กี่ตัว ถ้ามีรายชื่อไฟล์ของพรอมต์ที่มีอยู่ กับเอกสารที่เห็นการแบ่งงานของฝ่ายสนับสนุน เราก็พอจะประเมินการคัดให้เหลือระดับ 24 ตัว และเส้นแบ่งระหว่างทำเองกับจ้างหน่วยงานภายนอกให้ได้ในคราวเดียว ปรึกษาเราได้ที่แบบฟอร์มติดต่อ

แหล่งอ้างอิง

• 帝国データバンク『生成AIに関する企業の動向調査』2026年3月調査（Teikoku Databank）
• 17% of Thai organisations use AI, 73% plan future adoption（The Thaiger・ETDA/NSTDA 2024年調査の報道）
• Centralized Prompt Management for Enterprise（Atlan・2026年）
• PwC Japan『生成AIに関する実態調査2026 春』
• The 7 best prompt management tools in 2026（PromptLayer）