พัฒนา AI ในไทย 2026 – บุคลากร BOI และกฎ PDPA

“เราศึกษาการใช้ Generative AI ในไทยมาระดับหนึ่งแล้ว ขั้นต่อไปคืออยากสร้าง AI ที่ตรงกับงานของบริษัทเราเอง แต่ยังตัดสินใจไม่ได้ว่าจะพัฒนาที่ไหน ร่วมกับใคร และวางทีมแบบไหน” การเข้ามาปรึกษาในลักษณะนี้จากบริษัทผู้ผลิตสัญชาติญี่ปุ่นที่มีฐานการผลิตในประเทศไทยมีมากขึ้นอย่างชัดเจน เวลาพูดถึงการพัฒนา AI ในไทย คนมักโฟกัสไปที่ต้นทุนที่ถูกกว่า แต่สิ่งที่กำหนดผลการตัดสินใจจริง ๆ มีอยู่ 3 เรื่อง คือ หาคนได้หรือไม่ ใช้สิทธิประโยชน์ BOI ได้หรือไม่ และส่งข้อมูลออกนอกประเทศไทยได้หรือไม่ บทความนี้จะเรียบเรียงข้อจำกัดเชิงปฏิบัติของการตั้งฐานพัฒนาในไทย พร้อมวิธีเลือกระหว่างรูปแบบทีม 3 แบบ ได้แก่ การจ้างพัฒนาแบบออฟชอร์ การร่วมงานแบบเนียร์ชอร์ และการพัฒนาเองภายในบริษัทที่จดทะเบียนในไทย

เบื้องหลังที่ทำให้การพัฒนา AI ในไทยกลายเป็นตัวเลือกจริงจัง

เศรษฐกิจดิจิทัลถูกคาดว่าจะโตเร็วกว่า GDP รวมของประเทศราว 2.2 เท่า

ก่อนอื่นควรเข้าใจก่อนว่าภาคดิจิทัลของไทยกำลังอยู่ในจังหวะแบบไหน นายเวทางค์ พ่วงทรัพย์ เลขาธิการคณะกรรมการดิจิทัลเพื่อเศรษฐกิจและสังคมแห่งชาติ (สดช. หรือ ONDE ซึ่งสื่อบางแห่งเรียกว่า National Board of Digital Economy and Society Office หรือ BDE) ได้ให้ภาพว่า GDP ดิจิทัลของไทยจะแตะระดับ 5.7 ล้านล้านบาท หรือราว 171,800 ล้านดอลลาร์สหรัฐ ในปี 2026 อัตราการเติบโตของภาคส่วนนี้อยู่ที่ 5.6% ซึ่งคิดเป็นราว 2.2 เท่าของอัตราการเติบโต GDP ทั้งประเทศที่ 2.5% และเมื่อดูรายละเอียดลงไป ภาคซอฟต์แวร์ถูกประเมินว่าจะโต 9.4% ซึ่งถือว่าสูงแม้เทียบภายในกลุ่มดิจิทัลด้วยกันเอง ตัวเลขชุดนี้รายงานโดย The Nation Thailand – Thailand digital economy outlook for 2026

ตัวเลขนี้มีความหมายกับบริษัทญี่ปุ่น 2 ด้าน ด้านแรกคือความต้องการงานพัฒนาซอฟต์แวร์ในประเทศไทยกำลังโตขึ้นจริง เมื่อความต้องการโต จำนวนบริษัทผู้พัฒนาและจำนวนบุคลากรก็มีแนวโน้มเพิ่มตาม ด้านที่สองคือ ความต้องการที่โตขึ้นแปลว่าบริษัททั้งในและนอกประเทศจะแย่งคนกลุ่มเดียวกัน ลักษณะสองด้านนี้เชื่อมตรงไปยังประเด็นเรื่องบุคลากรที่จะกล่าวถึงต่อไป

คำขอรับการส่งเสริมการลงทุนจาก BOI พุ่งขึ้น โดยมีภาคดิจิทัลเป็นตัวขับเคลื่อน

ทิศทางเชิงนโยบายก็ไปในทางเดียวกัน มูลค่าคำขอรับการส่งเสริมการลงทุนที่ยื่นต่อสำนักงานคณะกรรมการส่งเสริมการลงทุน (BOI) ในไตรมาสแรกของปี 2026 มีรายงานว่าเพิ่มขึ้นราว 2.4 เท่าเมื่อเทียบกับช่วงเดียวกันของปีก่อน และภาคดิจิทัลถูกยกให้เป็นหนึ่งในกลุ่มที่ขับเคลื่อนการเติบโตนี้ ความเคลื่อนไหวดังกล่าวถูกกล่าวถึงใน VOIX – รายงานการได้รับอนุมัติส่งเสริมการลงทุนโครงสร้างพื้นฐาน AI ในไทยของ Data Section ด้วยเช่นกัน

เนื้อหาของคำขอที่โดดเด่นคือการลงทุนขนาดใหญ่ในศูนย์ข้อมูลและโครงสร้างพื้นฐาน GPU ในกลุ่มศูนย์ข้อมูล มีการอนุมัติการลงทุนรวม 6 โครงการ มูลค่ารวม 95,800 ล้านบาท ซึ่งรวมถึงโครงการของ TikTok ตามรายงานของ Bangkok Shuho – รายงานการอนุมัติการลงทุนศูนย์ข้อมูลในประเทศไทย นอกจากนี้ยังมีรายงานว่าบริษัทสัญชาติญี่ปุ่นอย่าง Data Section ได้รับอนุมัติส่งเสริมการลงทุนสำหรับธุรกิจโครงสร้างพื้นฐาน AI ในไทย ตามที่ปรากฏใน VOIX – รายงานการได้รับอนุมัติส่งเสริมการลงทุนโครงสร้างพื้นฐาน AI ในไทยของ Data Section พูดอีกอย่างคือ การลงทุนในทรัพยากรการประมวลผลไม่ได้มาจากทุนต่างชาติรายใหญ่เท่านั้น แต่เริ่มมาจากบริษัทญี่ปุ่นด้วย

จุดที่ควรสังเกตคือ เม็ดเงินลงทุนไม่ได้ไหลไปที่ “กล่องสำหรับใช้ AI” แต่ไหลไปที่ “ทรัพยากรการประมวลผลสำหรับรัน AI” การที่ศูนย์ข้อมูลและ GPU ในประเทศไทยเพิ่มขึ้น หมายความว่าโอกาสที่จะวางสภาพแวดล้อมสำหรับการเทรนและการอนุมานไว้ในประเทศไทยก็สูงขึ้นตาม ประเด็นนี้จะกลายเป็นเงื่อนไขตั้งต้นเวลาพิจารณาเรื่องการจัดการข้อมูลส่วนบุคคลที่จะกล่าวถึงในภายหลัง

ระยะทางและเวลาต่างจากญี่ปุ่น เงื่อนไขที่ดูธรรมดาแต่ส่งผลจริง

ประเทศไทยโดยมีกรุงเทพฯ เป็นศูนย์กลาง ได้สร้างสถานะของตัวเองในฐานะฐานพัฒนาซอฟต์แวร์แบบออฟชอร์มาอย่างต่อเนื่อง จุดที่ถูกหยิบยกคือความสามารถในการแข่งขันด้านต้นทุนสำหรับงานรับพัฒนาในสาย AI, IoT และ VR รวมถึงความใกล้เชิงภูมิศาสตร์กับญี่ปุ่น ประเด็นนี้ถูกกล่าวถึงใน Time Doctor – Outsourcing to Thailand และแหล่งอื่น ๆ

เวลาระหว่างญี่ปุ่นกับไทยต่างกัน 2 ชั่วโมง เวลา 9 โมงเช้าที่ญี่ปุ่นตรงกับ 7 โมงเช้าที่ไทย และ 6 โมงเย็นที่ญี่ปุ่นตรงกับ 4 โมงเย็นที่ไทย พูดง่าย ๆ คือเวลาทำงานของฝั่งญี่ปุ่นกับฝั่งไทยแทบทับกัน ส่วนการเดินทางจากนาริตะหรือฮาเนดะมากรุงเทพฯ ใช้เวลาบินตรงราว 6 ถึง 7 ชั่วโมง แม้จะไปกลับภายในวันเดียวได้ยาก แต่การให้คนบินไปมาเป็นรายสัปดาห์ยังอยู่ในขอบเขตที่ทำได้จริง

เงื่อนไขนี้ต่างจากการจ้างพัฒนาไปยังยุโรปหรือละตินอเมริกาอย่างชัดเจน งานพัฒนา AI มักเริ่มเดินทั้งที่สเปกยังไม่นิ่ง และเกิดบทสนทนาแบบ “ดูผลที่ลองวันนี้ แล้วตัดสินทิศทางของพรุ่งนี้” อยู่บ่อยครั้ง ในการหมุนวงจรแบบนี้ จำนวนชั่วโมงต่อวันที่คุยกันแบบเรียลไทม์ได้ คือความต่างด้านผลิตภาพที่ไม่มีวันปรากฏในใบเสนอราคา

“การนำ AI มาใช้” กับ “การพัฒนา AI” คือการตัดสินใจคนละเรื่อง

ก่อนเข้าเนื้อหาหลัก ขอกำหนดขอบเขตของบทความนี้ให้ชัดก่อน

เวลาบริษัทญี่ปุ่นในไทยพิจารณาเรื่อง AI สิ่งที่เกิดขึ้นจริงคือมีการตัดสินใจ 3 แบบที่มีลักษณะต่างกันปนอยู่ด้วยกัน แบบที่หนึ่งคือจะใช้บริการ Generative AI สำเร็จรูปในงานประจำวันหรือไม่ แบบที่สองคือจะเลือกบริษัทที่รับพัฒนา AI อย่างไร และแบบที่สามคือสิ่งที่บทความนี้ว่าด้วย นั่นคือจะวางสถานที่และรูปแบบทีมสำหรับการพัฒนาไว้ตรงไหน

ประเด็นฝั่ง “ใช้” หรือแบบที่หนึ่ง เช่น จุดที่สมมติฐานแบบญี่ปุ่นใช้ไม่ได้เมื่อนำ Generative AI มาใช้ในไทย และวิธีคิดเรื่องค่าใช้จ่าย เราเรียบเรียงไว้ใน การนำ AI มาใช้ในประเทศไทย 2026 ส่วนแบบที่สองคือเกณฑ์ทั่วไปที่ไม่ขึ้นกับประเทศในการเลือกบริษัทพัฒนา เช่น ความต่างของรูปแบบสัญญาและวิธีอ่านใบเสนอราคา สรุปไว้ใน เลือกบริษัทพัฒนา AI ปี 2026

สิ่งที่บทความนี้ว่าด้วยคือแบบที่สาม ก่อนจะไปเปรียบเทียบว่าบริษัทพัฒนาเจ้าไหนดีกว่ากัน เราจะดูก่อนว่าการเดินงานพัฒนาในสถานที่ที่ชื่อว่าประเทศไทยนั้นมีข้อจำกัดอะไรบ้าง โดยเจาะจง 3 เรื่องต่อไปนี้

• บุคลากร คือจะจ้างหรือจัดหาวิศวกรที่รับผิดชอบงานพัฒนา AI ในไทยได้หรือไม่
• สิทธิประโยชน์ BOI คือการลงทุนในฐานะฐานพัฒนาจะใช้สิทธิประโยชน์จาก BOI ได้หรือไม่
• ข้อมูล คือข้อมูลสำหรับเทรนและข้อมูลลูกค้าจะส่งออกนอกประเทศไทยได้หรือไม่

ทั้ง 3 เรื่องนี้เป็นสิ่งที่บริษัทต้องตัดสินใจเองก่อนจะเลือกว่าจะจ้างบริษัทพัฒนาเจ้าไหน กลับกัน ถ้าเริ่มขอใบเสนอราคาทั้งที่เรื่องเหล่านี้ยังคลุมเครือ สมมติฐานจะพังทีหลังและต้องกลับมาพิจารณาใหม่

ประเด็นที่ 1 – จะหาบุคลากรที่พัฒนา AI ในไทยได้หรือไม่

ปัญหาขาดแคลนนักพัฒนาถูกชี้ไว้ในหลายการสำรวจ

สิ่งแรกที่ชนกำแพงเมื่อจะพัฒนา AI ในไทยคือเรื่องคน ตลาดบุคลากรไอทีของไทยอยู่ในสภาวะที่อุปทานนักพัฒนาตามความต้องการไม่ทันมาโดยตลอด ตามที่หลายการสำรวจและรายงานอุตสาหกรรมชี้ตรงกัน แม้จำกัดเฉพาะสาย AI ก็ยังมีมุมมองว่าอุปทานบุคลากรที่จำเป็นจะตามไม่ทันในระดับหลายปี ประเด็นนี้ถูกกล่าวถึงใน Aree Technology – บทวิเคราะห์การขาดแคลนบุคลากรสายเทคโนโลยีในปี 2026 และ Asia News Network – Thailand AI ambition and skills deficit

อย่างไรก็ตาม แม้จะมีเอกสารที่ระบุขนาดของการขาดแคลนเป็นตัวเลข แต่ขอบเขตของการเก็บข้อมูลและนิยามของตำแหน่งงานไม่ตรงกัน ทำให้ตัวเลขระหว่างแหล่งอ้างอิงกินช่วงตั้งแต่หลักหลายหมื่นคนไปจนถึงระดับแสนคน ด้วยเหตุนี้บทความนี้จึงไม่เลือกยึดตัวเลขใดตัวเลขหนึ่ง หากจะอ้างจำนวนคนที่ขาดในเอกสารขออนุมัติภายใน กรุณาตรวจสอบกับแหล่งต้นทางก่อนว่าตัวเลขนั้นนับอะไร สิ่งที่ส่งผลต่อการวางแผนจริงไม่ใช่ตัวเลข แต่คือข้อสรุปที่ว่าระยะเวลาในการสรรหาและอัตราค่าจ้างมีแนวโน้มสูงกว่าที่คาดไว้ตอนแรก

ระดับค่าตอบแทนของบุคลากรสาย AI สูงกว่างานไอทีทั่วไป

จุดที่การขาดแคลนแสดงตัวชัดที่สุดคือเงินเดือน ในสาขาที่อุปทานตามความต้องการไม่ทัน โดยทั่วไปแล้วระดับค่าตอบแทนมักปรับสูงขึ้น และเมื่อมีการชี้ว่าสาย AI และข้อมูลของไทยก็อยู่ในภาวะขาดแคลนอย่างที่กล่าวไปข้างต้น จึงจำเป็นต้องตั้งงบประมาณบนสมมติฐานว่าค่าตอบแทนของคนที่มีทักษะด้าน AI และข้อมูลสูงกว่าคนไอทีสายทั่วไป ส่วนจะบวกเพิ่มมากน้อยเท่าใดนั้นแตกต่างตามวิธีแบ่งตำแหน่งงานและจำนวนปีประสบการณ์ จึงระบุเป็นตัวเลขเดียวไม่ได้ แต่อย่างน้อยควรเข้าใจว่าจะจ้างด้วยกรอบราคาเดียวกับงานไอทีทั่วไปไม่ได้

ความต่างนี้แปลว่า สมมติฐานที่ว่า “อยู่ไทยแล้วค่าแรงถูก” ใช้ไม่ได้ตรง ๆ ในสาย AI ถ้าตั้งงบโดยอิงเกณฑ์ของงานธุรการหรืองานพัฒนาแอปพลิเคชันทั่วไป สิ่งที่จะเกิดคือประกาศรับสมัครแล้วไม่มีคนสมัคร ในขั้นพิจารณางบประมาณ ควรสอบถามราคาตลาดของสาย AI และข้อมูลกับบริษัทจัดหางานเป็นการเฉพาะ ไม่ใช่ใช้ราคาตลาดของงานไอทีทั่วไป

ต่อให้จ้างได้ ทีมที่มีแต่พนักงานญี่ปุ่นที่ถูกส่งมาประจำก็เดินงานไม่ไหว

มีอีกจุดหนึ่งที่มักถูกมองข้ามในการออกแบบทีม การให้พนักงานญี่ปุ่นที่ถูกส่งมาประจำที่ไทยไม่กี่คนคุมงานพัฒนา AI นั้นไม่สามารถทำให้งานจริงเดินได้ เหตุผลมี 3 ข้อ

• กำลังหลักของการพัฒนาคือวิศวกรชาวไทย การถกเถียงเชิงเทคนิคจึงเกิดเป็นภาษาอังกฤษหรือภาษาไทย
• การให้ความหมายกับข้อมูลหน้างานจำเป็นต้องสัมภาษณ์โอเปอเรเตอร์ชาวไทยอย่างหลีกเลี่ยงไม่ได้
• ระยะเวลาประจำที่ไทยของพนักงานญี่ปุ่นมีเพียงไม่กี่ปี แต่โมเดล AI ต้องได้รับการดูแลต่อเนื่องหลังเริ่มใช้งาน

ข้อที่สามสำคัญเป็นพิเศษ งานพัฒนา AI ไม่ได้จบที่การส่งมอบ ถ้าการกระจายตัวของข้อมูลเปลี่ยน ความแม่นยำก็ลดลง และถ้ากระบวนการทำงานเปลี่ยน ข้อมูลนำเข้าก็เปลี่ยนตาม หากบริบทเหล่านี้หายไปพร้อมการสับเปลี่ยนพนักงานที่ถูกส่งมาประจำ โมเดลที่เคยทำงานได้ก็จะกลายเป็นสิ่งที่ไม่มีใครดูแลได้ จึงต้องตัดสินใจตั้งแต่ช่วงต้นของการพัฒนาว่าจะวางคนฝั่งไทยที่รับช่วงการดูแลต่อไว้ หรือจะจัดหาพันธมิตรที่จะเป็นผู้รับช่วงนั้น

ทางเลือกที่เป็นไปได้จริงในการจัดหาบุคลากร

จากทั้งหมดข้างต้น เส้นทางในการจัดหาบุคลากรพัฒนา AI ในไทยสรุปได้เป็น 3 ทาง ทางแรกคือจ้างเองโดยตรง ทางที่สองคือจ้างบริษัทพัฒนาของไทย และทางที่สามคือจับมือกับบริษัทระบบสัญชาติญี่ปุ่นที่มีฐานอยู่ในไทยและใช้บุคลากรที่บริษัทนั้นมีอยู่ ข้อดีข้อเสียของแต่ละทางจะกล่าวถึงในส่วนเปรียบเทียบรูปแบบทีมช่วงหลังของบทความ

ประเด็นที่ 2 – สิทธิประโยชน์ BOI ใช้กับการพัฒนา AI ในไทยได้หรือไม่

อุตสาหกรรมดิจิทัลอยู่ในกิจการที่ได้รับการส่งเสริมจาก BOI

เรื่องที่ต้องพูดถึงเสมอเมื่อพิจารณาการลงทุนในไทยคือสิทธิประโยชน์จาก BOI หรือสำนักงานคณะกรรมการส่งเสริมการลงทุน BOI รับรองอุตสาหกรรมดิจิทัลเป็นหนึ่งในกิจการที่ได้รับการส่งเสริม ธุรกิจที่เกี่ยวกับการพัฒนาซอฟต์แวร์และบริการดิจิทัลจึงมีโอกาสเข้าข่าย เนื้อหาของสิทธิประโยชน์มีมาตรการพื้นฐานอย่างการยกเว้นอากรขาเข้าเครื่องจักร และการยกเว้นภาษีเงินได้นิติบุคคลตามประเภทกิจการ ภาพรวมของระบบถูกเรียบเรียงไว้ใน JETRO – ระบบส่งเสริมการลงทุนสำหรับทุนต่างชาติในประเทศไทย

สิ่งที่ต้องเข้าใจตรงนี้คือ สิทธิประโยชน์ BOI ไม่ใช่ของที่ติดมาโดยอัตโนมัติเมื่อจดทะเบียนบริษัทในไทย เงื่อนไขตั้งต้นคือเนื้อหาธุรกิจต้องเข้าข่ายกิจการที่ได้รับการส่งเสริม คำขอต้องได้รับอนุมัติ และต้องปฏิบัติตามเงื่อนไขหลังได้รับอนุมัติอย่างต่อเนื่อง

สิทธิประโยชน์เพิ่มเติมมี 3 ทิศทาง

นอกเหนือจากสิทธิประโยชน์พื้นฐาน ยังมีกลไกที่ให้สิทธิประโยชน์เพิ่มเติมเมื่อทำตามเงื่อนไขบางประการ สำหรับกรณีที่พิจารณาตั้งฐานพัฒนา AI สิ่งที่เกี่ยวข้องมี 3 ทิศทางหลัก ดังนี้

• หากรายจ่ายด้านวิจัยและพัฒนาถึงเกณฑ์ ระยะเวลายกเว้นภาษีเงินได้นิติบุคคลจะขยายออกไป โดยระยะที่ขยายกำหนดเป็นขั้นตามขนาดของรายจ่าย และมีการระบุเพดานการขยายไว้ที่ราว 5 ปี
• หากจัดการฝึกอบรมด้านเทคโนโลยีขั้นสูง จะได้รับสิทธิประโยชน์เพิ่มเติม
• หากตั้งอยู่ในพื้นที่ที่กำหนด จะได้ระยะเวลายกเว้นภาษีเงินได้นิติบุคคลเพิ่ม โดยบางพื้นที่มีการระบุการเพิ่มไว้ราว 3 ปี

การพัฒนา AI เป็นกิจกรรมที่เข้ากันได้ดีกับทั้ง 3 ทิศทางนี้ เหตุผลคือ การวิจัยและพัฒนาโมเดลเองสามารถนับเป็นรายจ่ายด้านวิจัยและพัฒนาได้ การถ่ายทอดเทคโนโลยีให้วิศวกรชาวไทยมักมีเนื้อหาที่เข้ากับการฝึกอบรมเทคโนโลยีขั้นสูงอยู่แล้ว และฐานพัฒนาไม่ถูกจำกัดเรื่องทำเลมากเท่าโรงงานผลิต จึงเลือกพื้นที่ที่ให้สิทธิประโยชน์สูงกว่าได้ง่าย

อย่างไรก็ตาม รายจ่ายใดจะถูกรับรองเป็นการวิจัยและพัฒนา จะพิสูจน์การจัดฝึกอบรมอย่างไร และจำนวนปีที่ขยายจะเข้าเกณฑ์ใด ล้วนขึ้นกับเนื้อหาคำขอและแนวปฏิบัติล่าสุดของระบบ เนื่องจากตัวเลขอย่างจำนวนปีและสัดส่วนอาจเปลี่ยนเมื่อมีการปรับปรุงหลักเกณฑ์ การพิจารณาจึงควรตั้งอยู่บนเอกสารเผยแพร่ล่าสุดของ BOI และการตรวจสอบกับผู้เชี่ยวชาญที่ทำงานยื่นคำขอ BOI เป็นประจำ ตัวเลขในบทความนี้เป็นเพียงจุดตั้งต้นของการพิจารณาเท่านั้น

อย่าพลาดจังหวะการยื่นคำขอ BOI

ความผิดพลาดที่พบมากที่สุดในทางปฏิบัติคือเรื่องจังหวะเวลา โดยหลักการแล้วสิทธิประโยชน์ BOI ใช้กับการลงทุนและกิจกรรมทางธุรกิจที่เกิดขึ้นหลังได้รับอนุมัติ หากนำเข้าเครื่องจักรไปแล้ว หรือจัดตั้งบริษัทและเริ่มดำเนินธุรกิจไปแล้ว ค่อยมารู้ทีหลังว่า “จริง ๆ ก็ใช้ BOI ได้นี่นา” การย้อนกลับไปใช้สิทธิ์ย่อมทำได้ยาก

ในกรณีของฐานพัฒนา AI มูลค่าการลงทุนส่วนใหญ่มักไม่ใช่ฮาร์ดแวร์ แต่เป็นค่าแรงและค่าคลาวด์ จึงมักถูกตัดสินว่า “ไม่มีการลงทุนอุปกรณ์ก้อนใหญ่ ดังนั้น BOI คงไม่เกี่ยว” แต่การยกเว้นภาษีเงินได้นิติบุคคลเป็นสิทธิประโยชน์ที่ออกฤทธิ์หลังเริ่มมีกำไร ซึ่งเป็นคนละเรื่องกับการมีหรือไม่มีอุปกรณ์ ในขั้นตอนที่ตัดสินใจตั้งฐานพัฒนาใหม่ หรือเพิ่มฟังก์ชันการพัฒนา AI ให้กับบริษัทเดิม ควรนำเรื่องความจำเป็นในการยื่นคำขอ BOI ขึ้นโต๊ะพิจารณาอย่างน้อยหนึ่งครั้ง

ทางเลือกในการวาง GPU ไว้ในประเทศไทย

ดังที่กล่าวไปแล้ว ในประเทศไทยมีการอนุมัติการลงทุนศูนย์ข้อมูลและโครงสร้างพื้นฐาน GPU ซึ่งหมายความว่าโอกาสในการจัดหาทรัพยากรการประมวลผลที่จำเป็นต่อการเทรนและการอนุมานภายในประเทศกำลังกว้างขึ้น การเลือกระหว่างใช้คลาวด์ต่างประเทศกับใช้ทรัพยากรการประมวลผลในไทย ไม่ใช่แค่การเปรียบเทียบต้นทุน แต่เชื่อมตรงกับประเด็นการส่งข้อมูลข้ามพรมแดนที่จะกล่าวถึงต่อไป

ประเด็นที่ 3 – ข้อมูลสำหรับเทรนและข้อมูลลูกค้าส่งออกนอกประเทศไทยได้หรือไม่

PDPA บังคับใช้เต็มรูปแบบแล้วตั้งแต่ปี 2022

พระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคลของไทย หรือ PDPA (Personal Data Protection Act) บังคับใช้เต็มรูปแบบแล้วตั้งแต่ปี 2022 เช่นเดียวกับกฎหมายคุ้มครองข้อมูลส่วนบุคคลของญี่ปุ่นและ GDPR ของสหภาพยุโรป กฎหมายฉบับนี้กำหนดกติกาเกี่ยวกับการเก็บรวบรวม การใช้ และการเปิดเผยข้อมูลส่วนบุคคลแก่บุคคลที่สาม

ในบริบทของการพัฒนา AI กฎหมายนี้จะออกฤทธิ์เมื่อข้อมูลที่นำมาใช้มีข้อมูลส่วนบุคคลปะปนอยู่ แม้จะเป็นข้อมูลหน้างานของโรงงาน หากมีรหัสพนักงาน เวลาทำงาน ภาพที่ติดใบหน้า หรือข้อมูลการลงเวลา ก็อาจเข้าข่ายข้อมูลส่วนบุคคลได้ จึงตัดทิ้งด้วยเหตุผลว่า “ของเราเป็นข้อมูลโรงงาน ไม่เกี่ยวหรอก” ไม่ได้

กฎหมายลำดับรองเรื่องการโอนข้อมูลข้ามพรมแดนได้ข้อสรุปเมื่อเดือนเมษายน 2025

ความเปลี่ยนแปลงสำคัญของงาน PDPA ณ ปี 2026 คือกฎหมายลำดับรองเกี่ยวกับการโอนข้อมูลข้ามพรมแดน กฎเกณฑ์ชุดนี้ได้ข้อสรุปและเผยแพร่ออกมาเมื่อวันที่ 7 เมษายน 2025 ความเคลื่อนไหวนี้มีคำอธิบายอยู่ใน PwC – แนวโน้มกฎระเบียบด้านข้อมูลของประเทศไทย และ Lexology – Thailand cross-border data transfer rules

ประเด็นสำคัญในทางปฏิบัติคือ ผู้รับข้อมูลที่อยู่นอกประเทศไทยต้องพิสูจน์ได้ว่ามีมาตรฐานการคุ้มครองเทียบเท่ากับที่ PDPA กำหนด กรอบการพิสูจน์ที่คาดว่าจะถูกใช้ ได้แก่ การจัดทำข้อสัญญามาตรฐาน (Standard Contractual Clauses) หรือการวางนโยบายคุ้มครองข้อมูลภายในเครือกิจการ (Binding Corporate Rules)

เมื่อดึงเข้ามาสู่บริบทการพัฒนา AI เรื่องนี้จะส่งผลกับสถานการณ์ต่อไปนี้

• รวบรวมข้อมูลการทำงานของโรงงานในไทยไปไว้ที่เซิร์ฟเวอร์สำนักงานใหญ่ที่ญี่ปุ่นเพื่อนำไปเทรน
• ส่งข้อมูลลูกค้าในไทยไปประมวลผลด้วยบริการ AI บนคลาวด์ที่ญี่ปุ่นหรือประเทศที่สาม
• ส่งข้อมูลที่เก็บได้ในฝั่งไทยให้ผู้รับพัฒนาในต่างประเทศเพื่อสร้างโมเดล

ทั้งหมดนี้ถือเป็นการโอนข้อมูลออกนอกประเทศไทย คำถามไม่ได้อยู่ที่ว่าทำได้หรือไม่ในเชิงเทคนิค แต่อยู่ที่ว่าได้จัดการเรื่องทางกฎหมายไว้เรียบร้อยแล้วหรือยัง

3 เรื่องที่ควรตัดสินตั้งแต่ขั้นออกแบบ

ในทางปฏิบัติ เราแนะนำให้ตัดสิน 3 เรื่องต่อไปนี้ก่อนลงมือพัฒนา

• ทำรายการว่าข้อมูลชุดใดจะเก็บไว้ที่ไหน และประมวลผลที่ไหน
• คัดกรองรายการที่เข้าข่ายข้อมูลส่วนบุคคล และพิจารณาว่าจะตัดออกจากขอบเขตการโอนข้ามพรมแดนด้วยการทำให้ไม่ระบุตัวตนหรือการแทนที่ด้วยนามแฝงได้หรือไม่
• สำหรับข้อมูลที่เลี่ยงการโอนข้ามพรมแดนไม่ได้ ให้กำหนดว่าใครจะจัดเตรียมเรื่องสัญญาให้เรียบร้อยเมื่อใด

ข้อที่สองให้ผลมากที่สุดในทางปฏิบัติ เพราะสิ่งที่จำเป็นจริง ๆ ต่อการเทรนมักเป็นลำดับเวลาของงานและสถานะของเครื่องจักร ไม่ใช่ข้อมูลที่ระบุตัวบุคคลได้ หากออกแบบโครงสร้างข้อมูลให้ไม่นำข้อมูลส่วนบุคคลเข้ามาตั้งแต่แรกได้ ก็อาจเลี่ยงกระบวนการโอนข้ามพรมแดนไปได้ทั้งหมด กลับกัน ถ้าปล่อยให้สร้าง Data Lake ที่มีข้อมูลส่วนบุคคลปนไปแล้ว การมาแยกออกทีหลังจะมีต้นทุนสูง

กฎหมาย AI ของไทยยังอยู่ในขั้นร่าง

มีอีกจุดหนึ่งที่มักเข้าใจผิด จึงขอระบุให้ชัด กฎหมายที่กำกับตัว AI โดยตรงในประเทศไทยยังไม่ผ่านการตราออกมาบังคับใช้ ณ เดือนสิงหาคม 2026 ร่างกฎหมาย (Draft AI Act) ที่สำนักงานพัฒนาธุรกรรมทางอิเล็กทรอนิกส์ (ETDA) เผยแพร่เมื่อวันที่ 9 กรกฎาคม 2026 อยู่ในขั้นตอนการรับฟังความคิดเห็นสาธารณะที่มีกำหนดปิดวันที่ 14 สิงหาคม 2026 โดยหน่วยงานตั้งเป้าจะสรุปตัวร่างกฎหมายให้ได้ภายในปีงบประมาณ ส่วนกำหนดเวลาที่กฎหมายจะผ่านและมีผลบังคับใช้ยังไม่ถูกกำหนด ประเด็นที่ถูกยกขึ้นมาถกได้แก่ การสร้างความโปร่งใส ความรับผิดชอบในการอธิบายการตัดสินใจแบบอัตโนมัติ และกติกาแยกรายภาคส่วนสำหรับการใช้งานที่มีความเสี่ยงสูง ประเด็นนี้มีคำอธิบายใน Norton Rose Fulbright – Thailand’s draft AI law

สิ่งที่อยากให้ระวังคืออย่าสับสนกับประเทศอื่นในเอเชียตะวันออกเฉียงใต้ ในเวียดนามมีกฎหมายเกี่ยวกับ AI ที่มีผลบังคับใช้แล้ว ซึ่งสถานการณ์ต่างจากไทย เนื่องจากมีบทความอธิบายที่จับสองประเทศนี้มารวมกัน เวลาทำเอกสารภายในองค์กรจึงควรเขียนบนสมมติฐานว่ากฎหมาย AI ของไทยยังอยู่ในขั้นพิจารณาและร่าง

ความหมายในทางปฏิบัติไม่ใช่ “ตอนนี้ยังไม่มีกฎเกณฑ์ ทำอะไรก็ได้” แต่ตรงกันข้าม ในเมื่อรู้อยู่แล้วว่ากติกาจะนิ่งในอนาคตอันใกล้ จึงต้องออกแบบให้ไม่ต้องรื้อสร้างใหม่แม้จะมีข้อกำหนดเพิ่มเข้ามาภายหลัง เป็นรูปธรรมคือ เก็บบันทึกว่าเทรนด้วยข้อมูลชุดใด ทำให้อธิบายเหตุผลการตัดสินของโมเดลได้ และคงขั้นตอนที่ให้คนเป็นผู้ตัดสินขั้นสุดท้ายไว้ สิ่งเหล่านี้แม้ยังไม่ถูกบังคับตามกฎหมาย ณ ตอนนี้ แต่การใส่ไว้ตั้งแต่ต้นย่อมถูกกว่าการมาเพิ่มหลังจากลงมือทำไปแล้ว

วิธีเลือกรูปแบบทีม – จ้างพัฒนาแบบออฟชอร์ ร่วมงานแบบเนียร์ชอร์ และพัฒนาเองในบริษัทที่ไทย

จากทั้ง 3 ประเด็นข้างต้น มาเปรียบเทียบทางเลือกของรูปแบบทีมกัน รูปแบบการเดินงานพัฒนา AI ในไทยแบ่งใหญ่ ๆ ได้เป็น 3 แบบ คือ การจ้างพัฒนาแบบออฟชอร์ การร่วมงานแบบเนียร์ชอร์ และการพัฒนาเองภายในบริษัทที่จดทะเบียนในไทย

การจ้างพัฒนาแบบออฟชอร์คือการมอบงานพัฒนาให้บริษัทพัฒนาท้องถิ่นของไทยทำ การร่วมงานแบบเนียร์ชอร์หมายถึงการจับมือกับบริษัทระบบสัญชาติญี่ปุ่นที่มีฐานอยู่ในไทย โดยผสมการนิยามความต้องการเป็นภาษาญี่ปุ่นเข้ากับการลงมือพัฒนาในไทย ส่วนการพัฒนาเองในบริษัทที่ไทยคือการให้บริษัทของตนในไทยมีฟังก์ชันพัฒนา AI จ้างวิศวกรและพัฒนาภายในเอง

เมื่อเปรียบเทียบทั้ง 3 แบบในมุมที่ส่งผลต่อการตัดสินใจ จะได้ดังนี้

แถวที่สำคัญที่สุดในตารางนี้คือ “องค์ความรู้ไปสะสมที่ใด” ในงานพัฒนา AI สินทรัพย์ที่ทำซ้ำได้ยากกว่าตัวงานสร้างโมเดล คือความรู้เชิงกระบวนการทำงานว่าจะตีความข้อมูลชุดใดอย่างไร ถ้าเลือกรูปแบบที่สิ่งนี้ไม่หลงเหลืออยู่กับบริษัทของเรา พอถึงโครงการ AI ตัวที่สองและตัวที่สามก็ต้องอธิบายทุกอย่างให้คนนอกฟังใหม่ตั้งแต่ศูนย์ทุกครั้ง

ลักษณะการเกิดค่าใช้จ่ายก็ต่างกันไปตามรูปแบบทีมเช่นกัน เนื่องจากราคาตลาดของตัวเงินแปรผันมากตามความต้องการของแต่ละงาน ตรงนี้จึงเรียบเรียงเป็นโครงสร้างว่าค่าใช้จ่ายเกิดขึ้นตอนไหนและอย่างไร แทนที่จะระบุเป็นจำนวนเงิน

การพัฒนาเองมีค่าแรงคงที่ออกทุกเดือน จึงแพงกว่าเมื่อเป็นงานครั้งเดียวจบ ในทางกลับกัน หากอยู่ในสถานการณ์ที่มีหัวข้อเกี่ยวกับ AI โผล่ขึ้นมาปีละหลายเรื่อง ยอดรวมก็อาจต่ำกว่าการจ้างข้างนอกเป็นรายโครงการ จุดตัดของการตัดสินใจอยู่ที่มุมมองว่า AI ที่อยากพัฒนามีแค่ตัวเดียว หรือจะเพิ่มขึ้นต่อเนื่องจากนี้

อนึ่ง การทำระบบอัตโนมัติของเครื่องจักรการผลิตกับการพัฒนา AI ต้องการคุณสมบัติของพันธมิตรที่ต่างกัน เรื่องการเลือกบริษัทฝั่งเครื่องจักรและอุปกรณ์ เราเรียบเรียงไว้ใน วิธีเลือกบริษัทระบบอัตโนมัติในกรุงเทพฯ ปี 2026 หากกำลังพิจารณาควบคู่ไปกับการลงทุนอุปกรณ์ก็ใช้เป็นข้อมูลประกอบได้

คำตอบที่เป็นจริงคือผสมทั้ง 3 แบบ

ในทางปฏิบัติไม่จำเป็นต้องเลือกทั้ง 3 แบบนี้แบบตัดขาดจากกัน จุดลงตัวที่พบบ่อยคือการเปลี่ยนผ่านเป็นขั้น โดยเริ่มตัวแรกด้วยการร่วมงานแบบเนียร์ชอร์เพื่อสร้างแม่แบบของกระบวนการทำงาน พร้อมกันนั้นก็จ้างวิศวกร 1 ถึง 2 คนไว้ที่บริษัทในไทยเพื่อรับช่วงการดูแลระบบ แล้วค่อยตัดเฉพาะส่วนที่ทำให้เป็นงานมาตรฐานได้ออกไปให้ออฟชอร์

ข้อดีของวิธีเดินแบบนี้คือ ต่อให้การสรรหาคนไม่เป็นไปตามแผน งานพัฒนาก็ไม่หยุด ในสาขาที่การจัดหาบุคลากรยังไม่แน่นอน ถ้าเอาการตั้งทีมกับความคืบหน้าของงานพัฒนาไปผูกไว้บนตารางเวลาเดียวกัน ความล่าช้าของฝั่งใดฝั่งหนึ่งจะหยุดงานทั้งหมด

5 จุดที่ทำให้การพัฒนา AI ในไทยล้มเหลวได้ง่าย

ยกสมมติฐานสเปกของฝั่งญี่ปุ่นมาใช้ทั้งชุดโดยไม่ปรับ

นี่คือความผิดพลาดที่พบมากที่สุด การส่งเอกสารสเปกที่ตั้งอยู่บนแบบฟอร์ม การแบ่งขั้นตอน และเกณฑ์การตัดสินของโรงงานในญี่ปุ่นแบบไม่ปรับอะไรเลย จะไม่เข้ากับหน้างานฝั่งไทย ต่อให้ผลิตสินค้าเดียวกัน วิธีแบ่งขั้นตอน จังหวะการบันทึก และการจัดการกรณียกเว้นก็ต่างกันไปตามแต่ละฐานผลิต เนื่องจาก AI เรียนรู้จากข้อมูลจริงของหน้างาน ความต่างนี้จึงสะท้อนกลับมาเป็นความแม่นยำโดยตรง ก่อนลงมือ ควรใส่ขั้นตอนที่ดูข้อมูลจริงของฐานผลิตในไทยย้อนหลังหลายสัปดาห์เพื่อคัดกรองว่าต่างจากญี่ปุ่นตรงไหน

ผลักเรื่อง PDPA ไปไว้ทีหลัง

แนวทางที่ว่า “สร้างของที่ใช้งานได้ก่อน แล้วค่อยไปปรึกษาฝ่ายกฎหมาย” เป็นเรื่องอันตรายในงานพัฒนา AI องค์ประกอบของข้อมูลสำหรับเทรนแก้ทีหลังได้ยาก และหากมารู้ภายหลังว่าโอนข้ามพรมแดนได้หรือไม่ ก็ต้องกลับไปเริ่มออกแบบการเก็บข้อมูลใหม่ ควรตัดสินตั้งแต่ขั้นออกแบบข้อมูลว่ามีข้อมูลส่วนบุคคลปนหรือไม่ และจะประมวลผลที่ใด

พลาดจังหวะการยื่นคำขอ BOI

ดังที่กล่าวไปแล้ว สิทธิประโยชน์โดยหลักการใช้กับกิจกรรมหลังได้รับอนุมัติ ในขั้นตอนที่ตัดสินใจตั้งฐานพัฒนาหรือเพิ่มฟังก์ชัน ควรแทรกการพิจารณาเรื่อง BOI เข้าไปอย่างน้อยหนึ่งรอบ ถ้าพิจารณาแล้วสรุปว่าไม่ยื่น ก็ไม่มีปัญหาอะไร ปัญหาคือการที่ทางเลือกหายไปเพราะไม่เคยพิจารณาเลยต่างหาก

ประเมินระดับค่าจ้างด้วยราคาตลาดของงานไอทีทั่วไป

ระดับค่าตอบแทนของสาย AI และข้อมูลสูงกว่างานไอทีทั่วไป ถ้าตั้งงบด้วยราคาตลาดของงานไอทีทั่วไป ประกาศรับสมัครแล้วจะไม่มีคนสมัคร และแผนการสรรหาจะล่าช้าออกไปครั้งละราวครึ่งปี ควรตรวจสอบราคาตลาดของสาขานี้แยกต่างหากตั้งแต่ขั้นตั้งงบประมาณ

เริ่มพัฒนาทั้งที่ยังไม่กำหนดผู้รับผิดชอบช่วงใช้งานจริง

ความแม่นยำของ AI ลดลงหลังส่งมอบ เพราะการกระจายตัวของข้อมูลเปลี่ยนไป ถ้าเริ่มพัฒนาโดยยังไม่กำหนดว่าใครจะสังเกตเห็นความเปลี่ยนแปลงนั้น และใครจะเป็นคนเทรนใหม่ ผลลัพธ์ที่ได้คือครึ่งปีถัดมาจะจบลงด้วยประโยคว่า “ความแม่นยำตกเลยเลิกใช้” ในขั้นตอนที่ตัดสินรูปแบบทีมพัฒนา ควรกำหนดผู้รับผิดชอบช่วงใช้งานจริงไปพร้อมกันด้วย

คำถามที่พบบ่อย

การพัฒนา AI ในไทยมีข้อดีอะไรบ้าง

มีหลัก ๆ 3 ข้อ ข้อแรกคือความใกล้ เวลาต่างจากญี่ปุ่นเพียง 2 ชั่วโมง และบินตรงราว 6 ถึง 7 ชั่วโมง ในงานพัฒนา AI ที่เดินไปทั้งที่สเปกยังไม่นิ่ง ความยาวของช่วงเวลาที่คุยกันแบบเรียลไทม์ได้ส่งผลต่อผลิตภาพโดยตรง ข้อที่สองคือมีโอกาสใช้สิทธิประโยชน์ BOI สำหรับอุตสาหกรรมดิจิทัล ข้อที่สามคือการลงทุนในศูนย์ข้อมูลและโครงสร้างพื้นฐาน GPU ในประเทศไทยกำลังคืบหน้า ทำให้ทางเลือกในการวางทรัพยากรการประมวลผลไว้ในประเทศกว้างขึ้น

ค่าใช้จ่ายในการพัฒนา AI ในไทยอยู่ที่ประมาณเท่าไร

การระบุราคาตลาดตายตัวเป็นเรื่องยาก เพราะจำนวนเงินเปลี่ยนไปมากตามชนิดของ AI ที่จะพัฒนา สภาพความพร้อมของข้อมูลที่มีอยู่ และจำนวนฐานที่เป็นเป้าหมาย อย่างไรก็ตาม ตอนวางภาพโครงสร้างค่าใช้จ่ายควรจับ 2 จุดนี้ไว้ จุดแรกคือมีการชี้ว่าระดับค่าตอบแทนของบุคลากรสาย AI และข้อมูลสูงกว่าคนไอทีสายทั่วไปอย่างชัดเจน หากตั้งเกณฑ์ค่าแรงไว้ที่ราคาตลาดของงานไอทีทั่วไปจะกลายเป็นการประเมินต่ำเกินจริง จุดที่สองคือการพัฒนา AI ไม่ได้มีแค่ค่าพัฒนาช่วงแรก แต่มีค่าใช้จ่ายต่อเนื่องสำหรับการเทรนใหม่และการจัดระเบียบข้อมูลในช่วงใช้งานจริงด้วย เวลาเปรียบเทียบใบเสนอราคา ควรตรวจสอบว่ารวมส่วนของช่วงใช้งานจริงไว้แล้วหรือไม่

สิทธิประโยชน์ BOI ใช้กับการพัฒนา AI ขนาดเล็กได้หรือไม่

เงื่อนไขตั้งต้นคือเนื้อหาธุรกิจต้องเข้าข่ายกิจการที่ได้รับการส่งเสริม และคำขอต้องได้รับอนุมัติ แม้ขนาดการลงทุนจะเล็ก ก็ยังมีโอกาสเข้าข่ายได้ อย่างไรก็ตาม เงื่อนไขอย่างข้อกำหนดของสิทธิประโยชน์และมูลค่าการลงทุนขั้นต่ำถูกกำหนดแยกตามประเภทกิจการ และเปลี่ยนได้เมื่อมีการปรับปรุงหลักเกณฑ์ กรณีของบริษัทท่านจะเข้าข่ายหรือไม่ ควรตรวจสอบเอกสารเผยแพร่ล่าสุดของ BOI แล้วปรึกษาผู้เชี่ยวชาญที่ทำงานยื่นคำขอเป็นรายกรณี

ประเทศไทยมีกฎระเบียบแบบกฎหมาย AI ของสหภาพยุโรปหรือไม่

ณ เดือนสิงหาคม 2026 ประเทศไทยยังไม่มีกฎหมายที่กำกับตัว AI โดยตรงที่ผ่านการตราแล้ว กรอบธรรมาภิบาลยังอยู่ในขั้นร่าง โดยอยู่ระหว่างการพิจารณาและกระบวนการรับฟังความคิดเห็นสาธารณะที่ตั้งเป้าจะสรุปตัวร่างกฎหมาย ส่วนกำหนดเวลาที่จะผ่านและมีผลบังคับใช้ยังไม่ถูกกำหนด ประเด็นที่ถูกยกขึ้นมาได้แก่ ความโปร่งใส ความรับผิดชอบในการอธิบายการตัดสินใจแบบอัตโนมัติ และกติกาแยกรายภาคส่วนสำหรับการใช้งานที่มีความเสี่ยงสูง อนึ่ง ในเวียดนามมีกฎหมายเกี่ยวกับ AI ที่มีผลบังคับใช้แล้ว ซึ่งสถานการณ์ต่างกัน เนื่องจากมีบทความอธิบายที่จับสองประเทศมารวมเป็นเรื่องเดียวกัน เวลาทำเอกสารภายในองค์กรจึงควรเขียนแยกให้ชัด

ส่งข้อมูลของโรงงานในไทยไปเทรนที่สำนักงานใหญ่ในญี่ปุ่นได้หรือไม่

หากข้อมูลมีข้อมูลส่วนบุคคลปะปนอยู่ ก็จะเข้าข่ายกฎเกณฑ์การโอนข้อมูลข้ามพรมแดนตาม PDPA ตามกฎหมายลำดับรองที่ได้ข้อสรุปเมื่อวันที่ 7 เมษายน 2025 ผู้รับข้อมูลที่อยู่นอกประเทศไทยต้องพิสูจน์ได้ว่ามีมาตรฐานการคุ้มครองเทียบเท่า PDPA และมีบางกรณีที่ต้องใช้กรอบอย่างการจัดทำข้อสัญญามาตรฐาน หากมีรหัสพนักงาน ภาพใบหน้า หรือข้อมูลการลงเวลาปะปนอยู่ ก็อาจเข้าข่ายข้อมูลส่วนบุคคลได้ จึงแนะนำให้ตรวจนับรายการข้อมูลเป้าหมายก่อน แล้วพิจารณาว่าจะตัดออกจากขอบเขตการโอนข้ามพรมแดนด้วยการทำให้ไม่ระบุตัวตนหรือการแทนที่ด้วยนามแฝงได้หรือไม่ ส่วนการวินิจฉัยเป็นรายกรณี กรุณาตรวจสอบกับผู้เชี่ยวชาญด้านกฎหมาย

สรุป

ขอเรียบเรียงสาระสำคัญของบทความนี้

ทางเลือกในการพัฒนา AI ในไทยมีความเป็นจริงมากขึ้นภายใต้แรงหนุน 2 ทาง คือการเติบโตของภาคดิจิทัลและทิศทางการลงทุนผ่าน BOI GDP ดิจิทัลของไทยถูกคาดว่าจะแตะ 5.7 ล้านล้านบาท หรือราว 171,800 ล้านดอลลาร์สหรัฐ ในปี 2026 โดยอัตราการเติบโต 5.6% คิดเป็นราว 2.2 เท่าของ 2.5% ซึ่งเป็นอัตราของเศรษฐกิจทั้งประเทศ ส่วนภาคซอฟต์แวร์ถูกประเมินว่าจะโต 9.4% มูลค่าคำขอรับการส่งเสริมการลงทุนต่อ BOI ในไตรมาสแรกของปี 2026 มีรายงานว่าเพิ่มขึ้นราว 2.4 เท่าเมื่อเทียบกับช่วงเดียวกันของปีก่อน โดยภาคดิจิทัลเป็นหนึ่งในกลุ่มที่ขับเคลื่อนการเติบโต และมีการลงทุนขนาดใหญ่ในศูนย์ข้อมูลกับโครงสร้างพื้นฐาน GPU ตามมาต่อเนื่อง

ในทางกลับกัน เมื่อลงมือเดินงานพัฒนาจริง จะมีข้อจำกัด 3 เรื่องที่ออกฤทธิ์ เรื่องแรกคือบุคลากร หลายการสำรวจชี้ว่าอุปทานนักพัฒนายังตามความต้องการไม่ทันอย่างต่อเนื่อง และระดับค่าตอบแทนของสาย AI กับข้อมูลสูงกว่างานไอทีทั่วไป ถ้าตั้งงบด้วยราคาตลาดของงานไอทีทั่วไป การสรรหาจะไม่คืบหน้า เรื่องที่สองคือ BOI อุตสาหกรรมดิจิทัลอยู่ในกิจการที่ได้รับการส่งเสริม และมีสิทธิประโยชน์เพิ่มเติม 3 ทิศทาง ได้แก่ รายจ่ายวิจัยและพัฒนา การฝึกอบรมเทคโนโลยีขั้นสูง และทำเลที่ตั้ง แต่เนื่องจากสิทธิประโยชน์โดยหลักการใช้กับกิจกรรมหลังได้รับอนุมัติ หากพลาดจังหวะยื่นคำขอ ทางเลือกก็หายไป เรื่องที่สามคือข้อมูล PDPA บังคับใช้เต็มรูปแบบแล้วตั้งแต่ปี 2022 และกฎหมายลำดับรองเรื่องการโอนข้อมูลข้ามพรมแดนได้ข้อสรุปเมื่อวันที่ 7 เมษายน 2025 โดยกำหนดให้ต้องพิสูจน์ว่าผู้รับข้อมูลนอกประเทศไทยมีมาตรฐานการคุ้มครองเทียบเท่า

ตัวกฎหมาย AI ของไทยเองยังไม่ผ่านการตรา และยังอยู่ในขั้นพิจารณาเพื่อสรุปตัวร่างกฎหมาย เนื่องจากสถานการณ์ต่างจากเวียดนาม เอกสารภายในองค์กรจึงควรแยกให้ชัด ทั้งนี้ไม่ได้แปลว่าไม่มีกฎเกณฑ์แล้วจะทำอะไรก็ได้ แต่ควรตั้งสมมติฐานว่าข้อกำหนดจะนิ่งในอนาคตอันใกล้ แล้วใส่การเก็บบันทึกข้อมูลที่ใช้เทรนและความสามารถในการอธิบายไว้ในการออกแบบตั้งแต่แรก นั่นคือการเตรียมพร้อมในทางปฏิบัติ

รูปแบบทีมแบ่งได้เป็น 3 แบบ คือ การจ้างพัฒนาแบบออฟชอร์ การร่วมงานแบบเนียร์ชอร์ และการพัฒนาเองในบริษัทที่ไทย จุดตัดของการตัดสินใจอยู่ที่ว่า AI ที่อยากพัฒนาเป็นงานครั้งเดียวจบหรือจะเพิ่มขึ้นต่อเนื่อง และจำเป็นต้องเก็บองค์ความรู้ไว้กับบริษัทของเราหรือไม่ ในทางปฏิบัติ เรามองว่าคำตอบที่เป็นจริงมักเป็นการเปลี่ยนผ่านเป็นขั้น โดยเริ่มตัวแรกด้วยเนียร์ชอร์ พร้อมกันนั้นก็จัดหาบุคลากรไว้ที่บริษัทในไทย แล้วค่อยตัดส่วนที่ทำให้เป็นงานมาตรฐานได้ออกไปให้ออฟชอร์

ปรึกษาเราได้ตั้งแต่ขั้นเริ่มพิจารณา

การพัฒนา AI ในไทยเป็นเรื่องที่มีสิ่งที่ต้องตัดสินใจในฝั่งบริษัทของท่านเองอยู่มาก ก่อนจะไปเปรียบเทียบบริษัทผู้พัฒนา จะใช้ข้อมูลชุดใด จะประมวลผลข้อมูลนั้นที่ไหน จะมีบุคลากรไว้ในองค์กรเองหรือไม่ จะพิจารณา BOI หรือไม่ ถ้าเริ่มขอใบเสนอราคาทั้งที่ยังไม่ได้จัดระเบียบเรื่องเหล่านี้ ทุกครั้งที่สมมติฐานเปลี่ยน ก็ต้องกลับมาเปรียบเทียบกันใหม่

TOMAS TECH ให้การสนับสนุนบนพื้นฐานความเข้าใจหน้างานของผู้ผลิตสัญชาติญี่ปุ่นในประเทศไทย ตั้งแต่ระบบบริหารการผลิตและการเก็บข้อมูลหน้างานด้วย IoT ไปจนถึงการพิจารณานำ AI มาใช้ แม้ยังไม่ได้กำหนดงบประมาณและช่วงเวลา หรือยังไม่รู้ว่าการพัฒนาเองกับการจ้างข้างนอกแบบไหนเหมาะกับบริษัทของท่านมากกว่า ก็ปรึกษาได้ เราเริ่มจากการตรวจสอบร่วมกันว่าข้อมูลที่มีอยู่ตอนนี้อยู่ในสภาพที่ใช้งานได้แค่ไหน ติดต่อเราได้ที่หน้าติดต่อสอบถาม

ข้อมูลอ้างอิง

• The Nation Thailand – Thailand digital economy outlook for 2026
• JETRO – タイの外資に関する奨励制度
• VOIX – データセクション、タイ投資委員会よりAIインフラ事業の投資承認を取得
• バンコク週報 – タイのデータセンター投資承認に関する報道
• PwC – タイのデータ関連規制の動向
• Lexology – Thailand cross-border data transfer rules
• Aree Technology – 2026年のテック人材不足に関する解説
• Asia News Network – Thailand AI ambition and skills deficit
• Time Doctor – Outsourcing to Thailand
• Norton Rose Fulbright – Thailand’s draft AI law