การสนับสนุนการทำ AI เองภายในองค์กร – ไม่ใช่เลือกระหว่างทำเองกับจ้างภายนอก แต่คือการกำหนดว่าแต่ละชั้นให้ใครถือ

เมื่อมีผู้ติดต่อเข้ามาปรึกษาเรื่องการทำ AI เองภายในองค์กร สิ่งแรกที่เราถามกลับเสมอมีเพียงข้อเดียว คือ “ต้องการทำอะไรเองภายในองค์กร” คำตอบที่ได้รับส่วนใหญ่คือ “ตัว AI เอง” แต่บทสนทนามักหยุดอยู่ตรงนั้น เพราะการทำเองภายในองค์กรกับการจ้างภายนอกไม่ใช่ทางเลือก 2 ทางที่ต้องเลือกอย่างใดอย่างหนึ่ง งานที่ทำให้ AI เข้าไปอยู่ในงานประจำวันได้จริงนั้นแยกออกเป็น 5 ชั้น และเป็นโจทย์ของการตัดสินใจว่าแต่ละชั้นจะให้ใครถือ สิ่งที่ตัดสินว่าบริษัทถือชั้นไหนเองได้บ้างนั้น ท้ายที่สุดแล้วไม่ใช่ความสามารถทางเทคนิคและไม่ใช่งบประมาณ แต่เป็นเงื่อนไขพื้น ๆ ที่ไม่สวยหรูแต่ชี้ขาดว่า หาคนมารับผิดชอบชั้นนั้นได้หรือไม่ และคนคนนั้นจะอยู่กับเราโดยไม่ลาออกหรือไม่

บทความนี้เขียนขึ้นสำหรับหัวหน้าฝ่ายบริหารจัดการ ผู้ดูแลระบบสารสนเทศ และผู้จัดการโรงงานในโรงงานสัญชาติญี่ปุ่นในไทยและอาเซียน ที่เคยลองใช้ generative AI มาแล้วครั้งหนึ่งแต่ไม่ติด และยังตัดสินใจไม่ได้ว่าบริษัทของตนควรถือเองถึงระดับไหน เราจะนำสภาพจริงของบุคลากรที่อ่านได้จากผลสำรวจสาธารณะภายในประเทศญี่ปุ่น ซึ่งเป็นชุดสมมติฐานที่บริษัทแม่ในญี่ปุ่นมักนำติดตัวเข้ามาด้วย มาวางเทียบกับตัวเลขของตลาดแรงงานไทย แล้วเรียบเรียงว่าควรออกแบบเส้นแบ่งของแต่ละชั้นอย่างไร ตัวเลขทุกตัวระบุแหล่งอ้างอิงไว้ และหากมีการใช้ตัวเลขที่ไม่ปรากฏในแหล่งอ้างอิงในฐานะค่าแนะนำของบริษัทเราหรือค่าสมมติ ก็จะระบุไว้ให้ชัดเจนทุกครั้ง

ก่อนจะออกไปหาผู้ให้การสนับสนุน – การลังเลว่าจะทำเองหรือจ้างภายนอกคือการตั้งคำถามผิดตั้งแต่ต้น

ขอเขียนข้อสรุปก่อน คำถามที่ว่า “ควรทำ AI เองภายในองค์กร หรือควรจ้างภายนอก” นั้นไม่มีคำตอบตั้งแต่แรก เพราะวิธีตั้งคำถามหยาบเกินไป

งานที่ทำให้ AI เข้าไปอยู่ในงานประจำวันได้จริง ในทางปฏิบัติแล้วแยกออกเป็น 5 ชั้นดังนี้

ชั้นที่ 1 คือชั้นที่ตัดสินว่าจะใช้ AI แก้ความเดือดร้อนข้อไหนของงานใด ชั้นที่ 2 คือชั้นที่รวบรวมข้อมูลที่จำเป็นจากภายในบริษัทมาจัดให้เรียบร้อย ชั้นที่ 3 คือชั้นที่เลือกโมเดลกับเครื่องมือแล้วสร้างของที่ทำงานได้จริงขึ้นมา ชั้นที่ 4 คือชั้นที่นำของนั้นไปฝังลงในวิธีปฏิบัติงานของหน้างานจนกลายเป็นสิ่งที่ถูกใช้จริง และชั้นที่ 5 คือชั้นที่ทำให้มันเดินต่อไปได้และปรับปรุงให้ดีขึ้นเรื่อย ๆ

ทั้ง 5 ชั้นนี้ต่างกันโดยสิ้นเชิงทั้งในแง่ทักษะที่ต้องใช้ และในแง่ระดับที่คนภายนอกจะเข้ามาทำแทนได้ ชั้นที่ 3 มีผู้ให้บริการอยู่ทั่วโลก ขอเพียงกำหนดข้อกำหนดให้ชัดเจนก็ให้ภายนอกทำได้ ในทางกลับกัน ชั้นที่ 1 และชั้นที่ 4 ทำได้เฉพาะคนที่รู้จักงานของบริษัทตนเองและรู้จักความสัมพันธ์ระหว่างผู้คนที่หน้างานเท่านั้น ต่อให้ผู้รับจ้างภายนอกเก่งกาจเพียงใด ก็ไม่สามารถตัดสินแทนเราได้ว่างานคีย์รายงานประจำวันของกระบวนการนี้เป็นความทรมานของหน้างานจริงหรือไม่ หรือบันทึกผลการตรวจรับชุดนี้มีใครเป็นคนดูและดูไปเพื่ออะไร

ดังนั้น คำถามที่ถูกต้องจึงเป็นแบบนี้ ในบรรดา 5 ชั้นนี้ ชั้นไหนที่บริษัทจะถือเอง ชั้นไหนที่จะให้ภายนอกทำ และชั้นไหนที่จะถือร่วมกัน คำตอบของคำถามนี้ต่างกันไปในแต่ละบริษัท ขึ้นอยู่กับขนาดของโรงงาน สภาพของระบบเดิมที่มีอยู่ จำนวนคนของผู้ดูแลระบบสารสนเทศ และเหนือสิ่งอื่นใดคือระดับของบุคลากรที่ฐานในประเทศไทยจ้างเข้ามาได้จริง

การที่ท่านกำลังค้นหาพันธมิตรจากภายนอกด้วยคำว่า “การสนับสนุนการทำ AI เองภายในองค์กร” อยู่นั้น แปลว่าตั้งแต่แรกท่านก็ไม่ได้ตั้งใจจะถือทุกอย่างไว้เองอยู่แล้ว ถ้าเป็นเช่นนั้น สิ่งแรกที่ต้องตัดสินใจจึงไม่ใช่การคัดเลือกบริษัทผู้ให้การสนับสนุน แต่คือการลากเส้นแบ่งว่าจะแบ่งตรงไหน ถ้าขอความช่วยเหลือทั้งที่ยังไม่ได้ลากเส้น ฝ่ายผู้ให้การสนับสนุนก็จะให้ได้แค่ชั้นที่ 3 ซึ่งเป็นงานสร้าง และผลลัพธ์ก็จะลงเอยด้วยตอนจบที่พบบ่อยที่สุด นั่นคือ “ของที่ทำงานได้ก็สร้างเสร็จแล้ว แต่ไม่มีใครใช้”

ต่อจากนี้จะแยกย่อยไปตามลำดับว่าควรออกแบบเส้นแบ่งของ 5 ชั้นนี้อย่างไร เริ่มจากสภาพจริงของบุคลากรซึ่งเป็นข้อสมมติตั้งต้นก่อน

ตรวจสอบข้อสมมติตั้งต้น – แม้แต่ในประเทศญี่ปุ่นเอง ปริมาณบุคลากรด้าน AI และ DX ก็ไม่เพียงพอ

ก่อนจะเข้าเรื่องของฐานในประเทศไทย ขอตรวจสอบสถานการณ์ภายในประเทศญี่ปุ่นไว้ก่อน เพราะหากจุดนี้สั่นคลอน การออกแบบที่ตั้งอยู่บนความคิดที่ว่า “บริษัทแม่ถืออยู่แล้ว ฝั่งไทยเป็นฝ่ายใช้ก็พอ” ก็จะไม่ตั้งอยู่

ตามรายงานผลสำรวจแนวโน้ม DX ฉบับปีงบประมาณ 2025 ที่ Information-technology Promotion Agency (IPA) เผยแพร่เมื่อวันที่ 16 กรกฎาคม 2026 คำตอบเรื่องปริมาณของบุคลากรที่ผลักดัน DX ซึ่งรวมคำตอบว่าขาดแคลนเล็กน้อยกับขาดแคลนอย่างมากเข้าด้วยกันแล้ว อยู่ที่ 85.5% ผลสำรวจนี้ทำกับผู้บริหาร ฝ่ายระบบสารสนเทศ และฝ่ายผลักดัน DX ของบริษัทในประเทศญี่ปุ่น ดำเนินการระหว่างวันที่ 17 เมษายน ถึง 12 มิถุนายน 2026 และได้รับคำตอบจาก 1,799 บริษัท

สิ่งสำคัญคือ ตัวเลข 85.5% นี้อยู่ในระดับใกล้เคียงกับปีงบประมาณ 2024 และปีงบประมาณ 2023 นั่นแปลว่าตลอด 3 ปีที่ผ่านมาไม่มีการปรับตัวดีขึ้นเลย ในช่วงไม่กี่ปีที่ generative AI เข้ามาอยู่ในงานประจำวัน เครื่องมือถูกลง และใช้งานง่ายขึ้น ความรู้สึกที่มีต่อปริมาณบุคลากรกลับแทบไม่เปลี่ยนแปลง

จากผลสำรวจชุดเดียวกัน ยังอ่านความแตกต่างของการนำ AI มาใช้ตามขนาดของบริษัทได้อีกด้วย

ตัวเลข 16.6% นี้คืออัตราการนำมาใช้ของบริษัทที่มีพนักงาน 101 คนหรือน้อยกว่า ไม่ใช่ตัวเลขที่แทนภาพของวิสาหกิจขนาดกลางและขนาดย่อมทั้งหมด แต่ที่แน่นอนคือมีช่องว่างพอสมควรระหว่างกลุ่มนี้กับบริษัทขนาดใหญ่ และโรงงานสัญชาติญี่ปุ่นในไทยจำนวนมาก แม้บริษัทแม่ในญี่ปุ่นจะมีพนักงาน 1,001 คนขึ้นไป แต่ในฐานะนิติบุคคลในพื้นที่แล้วมีขนาดตั้งแต่หลักสิบถึงหลักร้อยคน หากมองเฉพาะนิติบุคคลในพื้นที่เพียงลำพัง การคิดว่าสภาพแวดล้อมใกล้เคียงกับกลุ่มหลังมากกว่า น่าจะตรงกับความเป็นจริงมากกว่า

สิ่งที่พูดได้จากตรงนี้คือ ข้อสมมติที่ว่า “บริษัทแม่ในญี่ปุ่นรู้เรื่อง AI ดี ฝั่งไทยแค่รอให้เขาสอนก็พอ” มีความน่าจะเป็นค่อนข้างสูงที่จะไม่ตั้งอยู่ ฝ่ายระบบสารสนเทศของบริษัทแม่เองก็คนไม่พอเช่นกัน และลำดับความสำคัญของบริษัทแม่ย่อมมุ่งไปที่โรงงานในประเทศและระบบหลักในประเทศก่อน ภาพที่การใช้ AI ของฐานในประเทศไทยหยุดนิ่งเพราะรอการสนับสนุนจากบริษัทแม่ จึงเป็นสิ่งที่อนุมานได้อย่างเป็นธรรมชาติจากตัวเลขการขาดแคลนบุคลากรชุดนี้

อนึ่ง เรื่องที่ว่าการใช้ AI ถูกวางตำแหน่งไว้อย่างไรในภาพรวมของ DX ก็มีบันทึกอยู่ในผลสำรวจเดียวกัน คำตอบว่าใช้ AI เป็นส่วนหนึ่งของการผลักดัน DX รวมกับคำตอบว่าใช้ AI เป็นแกนกลางเพื่อผลักดัน DX อยู่ที่ 54.2% ขณะเดียวกัน บริษัทที่ตอบว่าทำ DX กับ AI แยกกันคนละเรื่อง คิดเป็น 1 ใน 4 ของบริษัทที่ลงมือทำ DX สภาพที่ AI กับ DX วิ่งเป็นคนละโครงการภายในบริษัทเดียวกันจึงไม่ใช่เรื่องแปลกเลย

สิ่งที่ขาดแคลนไม่ใช่คนที่สร้าง AI เป็น – ตรงนี้คือแก่นของการทำเองภายในองค์กร

ตรงนี้คือหัวใจของบทความนี้

ในผลสำรวจของ IPA ชุดเดียวกัน มีคำตอบเรื่องความเพียงพอของบุคลากรที่เกี่ยวข้องกับ AI แยกตามประเภทของบุคลากรด้วย ในขณะที่บุคลากรหลายประเภทมีคำตอบว่าขาดแคลนเกินครึ่ง แนวโน้มกลับแยกออกจากกันอย่างชัดเจนตามประเภท

ขอเชิญอ่านตารางนี้ช้า ๆ อีกครั้ง

สิ่งที่ลดลงคือการขาดแคลนพนักงานที่ใช้เครื่องมือ AI ให้เกิดประโยชน์กับธุรกิจของบริษัทตนเองได้ พูดอีกอย่างคือ คนที่จับเครื่องมือเป็น คนที่เขียนพรอมต์ได้ คนที่ใช้ generative AI ในงานประจำวันได้ กำลังเพิ่มขึ้นภายในบริษัท ความเข้าใจของผู้บริหารเองก็คืบหน้าไปในเชิงเปรียบเทียบเช่นกัน

ในทางกลับกัน สิ่งที่ไม่ลดลงคือการขาดแคลนพนักงานที่มีความรู้จากหน้างานและความรู้พื้นฐานด้าน AI และผลักดันการนำ AI เข้ามาใช้ในบริษัทตนเองได้ กับบุคลากรที่มีความรู้ด้านการบริหารจัดการข้อมูลและวางแผนกับผลักดันได้จากภายในบริษัท

ความต่างของ 2 กลุ่มนี้อธิบายข้อถกเถียงเรื่องการทำเองภายในองค์กรได้ทั้งหมด

สิ่งที่ขาดแคลนไม่ใช่คนที่สร้าง AI เป็น สิ่งที่ขาดแคลนคือ คนที่รู้จักงานของบริษัทตนเอง และรู้ว่า AI ทำอะไรได้บ้าง แล้วเชื่อม 2 สิ่งนี้เข้าด้วยกันได้ ถ้าเอาแค่อย่างแรกอย่างเดียว จ้างได้ทั้งในไทยและในญี่ปุ่น ถ้าเอาแค่อย่างหลังอย่างเดียว จ้างภายนอกได้ แต่งานที่ต้องผูก 2 สิ่งนี้เข้าด้วยกันภายในหัวของคนคนเดียว เป็นสิ่งที่คนที่มาจากข้างนอกทำไม่ได้โดยหลักการ เพราะการจะรู้จักงานของบริษัทได้นั้นต้องใช้เวลา

พูดอีกแบบหนึ่งได้ว่าอย่างนี้ สาเหตุที่แท้จริงของความกังวลที่ว่าใช้ generative AI ไม่เป็นนั้น ในหลายกรณีไม่ใช่ปัญหาเรื่องวิธีใช้เครื่องมือ คนที่รู้วิธีใช้เครื่องมือเพิ่มขึ้นแล้ว แต่คนคนนั้นไม่มีทั้งอำนาจและข้อมูลที่จะตัดสินว่า “ถ้าอย่างนั้นจะเอาไปจับกับงานคีย์ย้ายข้อมูลบันทึกผลการตรวจรับของเราอย่างไร” ในทางกลับกัน หัวหน้าแผนกที่หน้างานซึ่งรู้จักงานนั้นทะลุปรุโปร่ง กลับไม่รู้ว่า AI ทำอะไรได้บ้าง ช่องว่างนี้คือสาเหตุที่แท้จริงของการหยุดอยู่แค่ PoC หรือการพิสูจน์แนวคิด

ในผลสำรวจแนวโน้มการใช้ประโยชน์จาก IT ขององค์กรปี 2026 ที่ Japan Institute for Promotion of Digital Economy and Community (JIPDEC) ดำเนินการเมื่อเดือนมกราคม 2026 ก็ระบุว่าอุปสรรคใหญ่ที่สุดก่อนการนำ AI มาใช้คือการขาดแคลนบุคลากรหรือทักษะที่พัฒนาและเดินระบบ AI ได้ ผลสำรวจเดียวกันระบุว่าบริษัทที่ลงมือปฏิบัติและใช้ประโยชน์จาก AI อยู่จริงมีเพียง 36% อนึ่ง ตัวเลข 36% นี้ต่างจากผลสำรวจของ IPA ทั้งในแง่ผู้จัดทำ ช่วงเวลา และกลุ่มเป้าหมาย จึงนำมาวางเรียงเทียบกับตัวเลขในบทก่อนหน้าไม่ได้ วิธีอ่านที่ถูกต้องคือ ผลสำรวจคนละชุดต่างก็พูดว่าบุคลากรไม่พอ จากคนละมุมมองกัน

เมื่อตั้งโครงสร้างบุคลากรแบบนี้เป็นข้อสมมติ แนวทางการออกแบบการทำเองภายในองค์กรก็ถูกกำหนดขึ้นโดยอัตโนมัติ นั่นคือ ชั้นที่หาจากภายนอกได้ยากที่สุด คือชั้นที่ไม่มีทางเลือกอื่นนอกจากต้องปั้นขึ้นมาเองภายใน ส่วนสิ่งที่ซื้อจากข้างนอกได้ก็ซื้อเสีย เส้นแบ่งของ 5 ชั้นจะลู่เข้าหาข้อสรุปธรรมดา ๆ ข้อนี้

งานที่ AI ได้ผลกับงานที่ AI ยังไม่ได้ผล – ใช้ตรงนี้ถอดกลับมาว่าควรถือชั้นไหนไว้เอง

คำถามที่ว่าควรถือชั้นไหนไว้เอง ถอดกลับมาได้จากสิ่งที่ว่าตอนนี้ AI ได้ผลจริงที่ตรงไหน ในผลสำรวจของ IPA มีการรวบรวมทั้งวัตถุประสงค์การใช้ AI และผลที่เป็นรูปธรรมที่ได้รับจากการนำมาใช้ แยกกันไว้

เริ่มจากวัตถุประสงค์การใช้งานก่อน ข้อมูลต่อไปนี้เป็นการรวบรวมจากคำถามแบบตอบได้หลายข้อ รวมกันแล้วจึงไม่เท่ากับ 100% กรุณาอย่านำวัตถุประสงค์แต่ละข้อมาบวกกัน

อันดับต้น 3 ข้อล้วนเป็นงานที่จัดการกับถ้อยคำทั้งสิ้น คือสรุป เขียน และค้นหา ในทางกลับกัน สิ่งที่จมอยู่ท้ายตารางคืองานที่ตัดสินการไหลของสิ่งของ การสนับสนุนการวางแผนการผลิตและแผนโลจิสติกส์หยุดอยู่ที่ 6.0%

ถัดมาคือผลที่ได้รับจริง ข้อมูลชุดนี้ก็มาจากคำถามแบบตอบได้หลายข้อเช่นกัน

เมื่อนำ 2 ตารางนี้มาซ้อนกัน เค้าโครงของการใช้ AI ในปัจจุบันก็ปรากฏชัดเจน สิ่งที่ได้ผลคือการทำให้งานมีประสิทธิภาพและรวดเร็วขึ้น ซึ่งอยู่ที่ 91.6% ส่วนการมีส่วนช่วยต่อยอดขายหรือกำไรนั้นแทบไม่มีใครรายงาน โดยอยู่ที่ 3.9% บริษัทที่ระบุว่าลดชั่วโมงทำงานล่วงเวลาได้อยู่ที่ 29.2% ซึ่งน้อยกว่าบริษัทที่ระบุเรื่องประสิทธิภาพอยู่มากพอสมควร นี่คือขั้นที่ว่างานเร็วขึ้นแล้วจริง แต่ยังไปไม่ถึงจุดที่ความเร็วนั้นถูกบันทึกออกมาเป็นเวลาที่ลดลงได้

อนึ่ง ในแง่ของการประเมินผลโดยรวมต่อผลลัพธ์ของการนำ AI มาใช้ บริษัทที่เลือกว่าดีเกินคาดรวมกับที่เลือกว่าเป็นไปตามคาด หยุดอยู่ที่ 31.8% ขณะที่การประเมินระดับกลางที่ว่าได้ผลอยู่บ้าง คิดเป็น 50.6% บริษัทจำนวนมากจึงอยู่ในตำแหน่งที่ไม่ถึงกับปฏิเสธ แต่ก็ยังไม่ถึงระดับที่คาดหวังไว้

ทีนี้ขอกลับมาที่เส้นแบ่งของการทำเองภายในองค์กร งานสรุป จัดทำ และค้นหา ซึ่งอยู่อันดับต้นนั้น ไปถึงระดับที่ใช้ได้จริงพอสมควรด้วยเครื่องมือสำเร็จรูปทั่วไป การเอาวิศวกรของบริษัทตนเองไปปักหลักสร้างของเฉพาะทางตรงนี้ พูดตามตรงแล้วมีเหตุผลรองรับไม่มากนัก การเปรียบเทียบเครื่องมือที่วางขายอยู่แล้วเลือกใช้จะเร็วกว่า ถูกกว่า และคุณภาพก็นิ่งกว่า แนวคิดในการคัดเลือกเครื่องมือได้เรียบเรียงไว้ในบทความเปรียบเทียบ generative AI สำหรับองค์กร

ในทางกลับกัน การสนับสนุนการวางแผนการผลิตกับโลจิสติกส์ และการยกระดับผลิตภัณฑ์กับบริการของบริษัทตนเองซึ่งจมอยู่ท้ายตาราง เป็นพื้นที่ที่เครื่องมือสำเร็จรูปทั่วไปเข้าไม่ถึง เหตุผลชัดเจนมาก เพราะข้อมูลที่จำเป็นสำหรับเรื่องเหล่านั้นมีอยู่แต่ในบริษัทของเราเองเท่านั้น และยังไม่ได้ถูกจัดให้เรียบร้อยอีกด้วย ในผลสำรวจของ JIPDEC เองก็ระบุปัญหาที่ยังเหลืออยู่หลังนำ AI มาใช้ว่ามีข้อมูลจำนวนมากที่ยังไม่ถูกแปลงเป็นข้อมูลดิจิทัลสำหรับให้ AI เรียนรู้

สรุปแล้วก็คือแบบนี้ โจทย์ที่แก้ได้ด้วยแรงจากภายนอกก็ให้ภายนอกทำ ส่วนโจทย์ที่ต้องใช้ข้อมูลและความรู้เรื่องงานที่มีอยู่แต่ในบริษัทเราเท่านั้น จึงเป็นที่ที่ต้องปักคนของเราลงไป นี่คือข้อสรุปของการถอดกลับ

แยกการทำ AI เองภายในองค์กรออกเป็น 5 ชั้น – ชั้นไหนถือเอง ชั้นไหนให้ภายนอกทำ

ขอนำสิ่งที่เรียบเรียงมาทั้งหมดมาลงเป็นเส้นแบ่งจริง โดยแยกงานที่ทำให้ AI เข้าไปอยู่ในงานประจำวันออกเป็น 5 ชั้น แล้วกำหนดว่าแต่ละชั้นให้ใครถือ

ในบรรดา 5 ชั้นนี้ ชั้นที่จ้างภายนอกไม่ได้มี 2 ชั้น คือชั้นที่ 1 กับชั้นที่ 4 ชั้นที่ให้ภายนอกทำได้ง่ายมี 1 ชั้น คือชั้นที่ 3 และชั้นแบบผสมมี 2 ชั้น คือชั้นที่ 2 กับชั้นที่ 5 รวมกันแล้วเป็น 5 ชั้นพอดี

ในผลสำรวจของ IPA ที่เห็นในบทก่อนหน้า บุคลากรที่ขึ้นเป็นอันดับต้นของการขาดแคลน คือพนักงานที่มีความรู้จากหน้างานและความรู้พื้นฐานด้าน AI และผลักดันการนำ AI เข้ามาใช้ในบริษัทตนเองได้ ซึ่งก็คือบุคลากรที่รับผิดชอบชั้นที่ 1 และชั้นที่ 4 นี้เอง เฉพาะ 2 ชั้นนี้ ต่อให้ทุ่มงบประมาณมากแค่ไหน ก็เติมเต็มด้วยการจ้างภายนอกไม่ได้ นี่คือกระดูกสันหลังของบทความนี้

ชั้นที่ 1 – การนิยามโจทย์และจัดลำดับความสำคัญจ้างภายนอกไม่ได้

สิ่งที่ทำในชั้นที่ 1 ไม่ใช่เรื่องของ AI แต่คือการสำรวจรายการงานทั้งหมด ในกระบวนการไหน ใครทำอะไร เดือนละกี่ชั่วโมง และในบรรดางานเหล่านั้น งานไหนที่ทรมานสำหรับตัวผู้ทำ งานไหนที่เป็นความสูญเสียสำหรับบริษัท 2 ข้อนี้มีบางครั้งที่ไม่ตรงกัน

ยกตัวอย่างเช่น ตัวเลขต่อไปนี้เป็นค่าสมมติเพื่อการอธิบายทั้งหมด สมมติว่าผู้รับผิดชอบงานควบคุมการผลิตใช้เวลาทุกเช้าวันละ 1 ชั่วโมงในการรวบรวมสรุปรายงานประจำวัน สำหรับตัวเขาเองนั้นทรมาน แต่สิ่งที่บริษัทเสียไปเท่ากับเดือนละ 20 ชั่วโมงทำงาน ในทางกลับกัน กรณีที่การตัดสินอนุมัติการจัดส่งช้าไป 1 วันจนสินค้าคงคลังค้างอยู่นั้น ไม่มีใครรู้สึกทรมานเลย แต่บริษัทกลับต้องแบกความสูญเสีย 2 เรื่องนี้วัดด้วยหน่วยคนละหน่วย คือชั่วโมงทำงานกับสินค้าคงคลัง จึงไม่มีทางรู้ได้ว่าเรื่องไหนใหญ่กว่ากันจนกว่าจะเอาตัวเลขจริงของบริษัทตนเองมาวางเทียบ การจัดลำดับก่อนหลังก็คือการลงมือเปรียบเทียบนี้จริง ๆ

งานตัดสินว่าจะแก้เรื่องไหนก่อน คนภายนอกบริษัททำไม่ได้ เพราะข้อมูลที่จำเป็นต่อการตัดสินส่วนใหญ่เป็นความรู้ที่ฝังอยู่ในตัวคนภายในบริษัท ถ้าโยนตรงนี้ให้ผู้รับจ้างภายนอกทั้งดุ้น สิ่งที่ผู้รับจ้างภายนอกจะเสนอกลับมาคือหัวข้อที่โดยทั่วไปแล้วเห็นผลง่าย ซึ่งไม่ใช่เรื่องผิด แต่จะดีที่สุดสำหรับบริษัทของเราหรือไม่นั้นเป็นคนละเรื่องกัน

ชั้นที่ 2 – การจัดเตรียมข้อมูลควรถือแบบผสม

ชั้นที่ 2 คือชั้นที่กินชั่วโมงทำงานมากที่สุด และถูกมองข้ามมากที่สุด

การจะให้ AI ตัดสินอะไรสักอย่างได้ วัตถุดิบสำหรับการตัดสินต้องมีโครงสร้างเสียก่อน แต่ข้อมูลข่าวสารของโรงงานกระจัดกระจายอยู่ในกระดาษ Excel ระบบควบคุมการผลิต บันทึกของเครื่องจักร และในความทรงจำของคน ปัญหาที่ผลสำรวจของ JIPDEC ชี้ไว้ว่ามีข้อมูลจำนวนมากที่ยังไม่ถูกแปลงเป็นข้อมูลดิจิทัล ก็หมายถึงตรงนี้นี่เอง

ชั้นนี้แบ่งงานกันได้ คนที่รู้ว่าข้อมูลตัวไหนอยู่ตรงไหนของบริษัทมีเพียงคนของบริษัทเราเท่านั้น การระบุตำแหน่งที่เก็บและการตัดสินเรื่องสิทธิ์เข้าถึงจึงต้องถือไว้เอง ส่วนงานที่ต้องลงมือทำอย่างการดึงข้อมูล การรวมรายการซ้ำให้เป็นรายการเดียว และการจัดรูปแบบ ให้ภายนอกทำได้ ถ้าปล่อยให้ผู้ดูแลระบบสารสนเทศของบริษัทแบกตรงนี้ไว้คนเดียว งานอื่นทั้งหมดจะหยุดชะงัก

อนึ่ง ส่วนที่ต้องดึงข้อมูลออกมาจากระบบหลักที่มีอยู่เดิมนั้น เอาเข้าจริงเป็นงานเชื่อมต่อระบบมากกว่าจะเป็นงาน AI ความรู้สึกเรื่องค่าใช้จ่ายของส่วนนี้ได้เรียบเรียงไว้ในบทความเรื่องการพัฒนาระบบงานและการเชื่อมต่อกับระบบหลัก การประมาณการแยกกรอบออกจากงบประมาณ AI ไว้ตั้งแต่ต้น จะช่วยไม่ให้ต้องตกใจภายหลัง

ชั้นที่ 3 – การคัดเลือกและสร้างโมเดลกับเครื่องมือให้ภายนอกทำได้ง่าย

ชั้นที่ 3 เป็นชั้นที่ดูเหมือน AI มากที่สุดในบรรดา 5 ชั้น และในขณะเดียวกันก็เป็นชั้นที่ให้ภายนอกทำได้ง่ายที่สุด

เหตุผลง่ายมาก เพราะงานของชั้นนี้เขียนลงเป็นข้อกำหนดได้ อินพุตเป็นแบบนี้ เอาต์พุตเป็นแบบนี้ และต้องเข้าเงื่อนไขเหล่านี้ ถ้าเขียนออกมาได้แบบนั้น คนที่พัฒนาได้มีอยู่นอกบริษัท พูดกลับกันก็คือ ถ้าจ้างภายนอกทั้งที่ยังเขียนข้อกำหนดไม่ได้ การจ้างภายนอกของชั้นนี้จะล้มเหลวอย่างแน่นอน เพราะงานเขียนข้อกำหนดคือผลผลิตของชั้นที่ 1 และชั้นที่ 2

ถ้ายึดติดกับการทำเองภายในองค์กรมากเกินไปตรงนี้ เรื่องที่พบบ่อยก็จะเกิดขึ้น คือรับคนรุ่นใหม่เข้ามา 1 คน ให้คนนั้นรับผิดชอบการสร้างโมเดล ของที่ทำงานได้ก็เสร็จออกมา แล้ว 2 ปีถัดมาคนนั้นย้ายงาน จากนั้นก็ไม่มีใครเข้าใจข้างในอีกเลย การตัดสินใจถือชั้นที่ 3 ไว้เองจะมีความหมายก็ต่อเมื่อมาพร้อมกับคำถามที่ว่า จะรักษากลไกนั้นไว้ได้ตลอด 5 ปีหรือไม่

ชั้นที่ 4 – การฝังเข้าไปในงานและทำให้ถูกใช้จริงจ้างภายนอกไม่ได้

ชั้นที่ 4 เป็นชั้นที่จ้างภายนอกไม่ได้เคียงคู่กับชั้นที่ 1 และยังเป็นชั้นที่เกิดความล้มเหลวมากที่สุดด้วย

สิ่งที่ต้องทำหลังจากของที่ทำงานได้เสร็จออกมาแล้วไม่ใช่เรื่องเทคนิค แต่คือการเขียนคู่มือปฏิบัติงานใหม่ การตัดสินว่าจะตัดการอนุมัติของใครออก การอธิบายกับคนที่ทำงานนั้นด้วยมือมาตลอดว่างานของคุณจะเปลี่ยนไปแบบนี้ และการทำให้หัวหน้าแผนกที่หน้างานยอมรับเรื่องนั้น

งานแบบนี้ทำได้เฉพาะคนที่หน้าตาและชื่อเป็นที่รู้จักภายในบริษัท ต่อให้ที่ปรึกษาจากภายนอกเดินเข้าไปที่หน้างานแล้วบอกว่าตั้งแต่พรุ่งนี้ให้ทำแบบนี้ ก็ไม่มีใครขยับ ยิ่งเป็นโรงงานในประเทศไทยยิ่งเป็นเช่นนั้น เพราะเดินหน้าได้เฉพาะบนความไว้วางใจระหว่างผู้บริหารชาวญี่ปุ่นกับพนักงานคนไทยเท่านั้น

ชั้นที่ 5 – การเดินระบบและปรับปรุงให้ส่งการเฝ้าระวังออกไปแต่เก็บการตัดสินใจไว้ข้างใน

ชั้นที่ 5 คือชั้นหลังจากเริ่มเดินแล้ว ความแม่นยำตกลงหรือไม่ มีคนใช้หรือไม่ ถ้าไม่มีคนใช้เป็นเพราะอะไร

การเฝ้าระวังและการรับมือเบื้องต้นให้ภายนอกทำได้ เพราะงานที่ดูบันทึกแล้วตรวจจับความผิดปกติเพื่อรายงานนั้นทำให้เป็นแบบแผนได้ แต่การตัดสินใจที่ว่าจะยอมรับความแม่นยำที่ตกลงนี้ หรือจะลงทุนแก้ไข ต้องเก็บไว้ข้างใน ถ้าฝากการตัดสินใจไว้ข้างนอก ผู้รับจ้างภายนอกก็จะพูดเรื่อยไปว่าควรแก้ไข เพราะนั่นคืองานของเขา

เรื่องวิธีวัดผลนั้น บทความเรื่องการวัดผลและ ROI ของการนำ AI มาใช้ ได้กล่าวถึงการออกแบบการวัดไว้ เวลาออกแบบชั้นที่ 5 หากกำหนดรายการที่จะวัดจากบทความนั้นให้เสร็จก่อนแล้วค่อยจัดวางการเดินระบบ จะช่วยเลี่ยงสถานการณ์ที่มาอธิบายผลไม่ได้ในภายหลัง

การสร้าง AI ภายในบริษัทและสภาพแวดล้อม generative AI ที่ปลอดภัย – จะถือชั้นที่ 3 ไว้เองแค่ไหน

ขอลงรายละเอียดเรื่องชั้นที่ 3 เพิ่มอีกสักหน่อย คำว่าสร้าง AI ภายในบริษัทนั้น เอาเข้าจริงมีช่วงกว้างอยู่

ยิ่งขึ้นไปทางบนยิ่งง่ายและเบา ยิ่งลงมาทางล่างยิ่งควบคุมได้มาก และยิ่งลงมาทางล่าง ความเสียหายเมื่อคนคนนั้นลาออกก็ยิ่งหนักขึ้น

ความต้องการที่ว่าอยากได้สภาพแวดล้อม generative AI ที่ปลอดภัยนั้น ในหลายกรณีมักถูกตีความว่าหมายถึงตัวเลือกล่างสุด แต่สิ่งที่จำเป็นจริง ๆ ส่วนใหญ่คือการที่ข้อมูลลับไม่ถูกนำไปใช้ในการเรียนรู้ของภายนอก ซึ่งบางกรณีโครงสร้างระดับกลางก็ตอบโจทย์นั้นได้ด้วยเงื่อนไขในสัญญา สิ่งที่ต้องทำก่อนคือระบุให้ได้ว่าการควบคุมระดับไหนคือสิ่งที่จำเป็นจริง โดยเทียบกับข้อกำหนดทางกฎหมาย เงื่อนไขในสัญญากับลูกค้า และระเบียบของบริษัทแม่

อนึ่ง ในผลสำรวจของ JIPDEC มีคำตอบที่ระบุว่าการทำให้มีการตัดสินใจขั้นสุดท้ายโดยมนุษย์ และการมีโครงสร้างที่อธิบายเหตุผลกับกระบวนการตัดสินของเอาต์พุตจาก AI ได้ เป็นปัญหาอยู่ 35.3% เรื่องนี้ไม่ใช่เรื่องโครงสร้างพื้นฐาน แต่เป็นเรื่องกติกาการเดินระบบ ก่อนจะถกกันว่าจะวางโมเดลไว้ที่ไหน จำเป็นต้องตัดสินเสียก่อนว่าใครจะเป็นคนอนุมัติคำตอบที่ AI ให้มา ด้วยเกณฑ์อะไร ถ้าสร้างแต่สภาพแวดล้อมขึ้นมาโดยไม่มีข้อตกลงนี้ จะได้กลไกที่ดูเหมือนควบคุมได้ แต่ในความเป็นจริงกลับไม่มีใครรับผิดชอบได้เลย

สำหรับโครงสร้างที่เพิ่มเอกสารภายในบริษัทเข้าไปในขอบเขตการค้นหานั้น บทความเรื่องการสร้าง RAG สำหรับองค์ความรู้ของโรงงาน ได้กล่าวถึงงานจริงของการจัดเตรียมข้อมูลที่จำเป็นไว้ ใช้เป็นวัตถุดิบในการประมาณได้ว่าภาระของชั้นที่ 2 หนักประมาณไหน

ข้อสมมติที่พังลงที่ฐานในประเทศไทย – ผู้รับผิดชอบชั้นที่ 1 และชั้นที่ 4 จะถูกเปลี่ยนตัวอย่างแน่นอน

ข้อถกเถียงทั้งหมดที่ผ่านมาตั้งอยู่ได้เหมือนกันทั้งในประเทศญี่ปุ่นและในประเทศไทย แต่ฐานในประเทศไทยมีเงื่อนไขเฉพาะตัวอยู่ข้อหนึ่ง นั่นคือ คนที่รับผิดชอบชั้นที่ 1 และชั้นที่ 4 จะถูกเปลี่ยนตัวเป็นระยะ ๆ

เหตุผลมี 2 ข้อ

ข้อที่ 1 คือการหมุนเวียนสับเปลี่ยนของผู้บริหารชาวญี่ปุ่นที่มาประจำการ ผู้บริหารชาวญี่ปุ่นจะสับเปลี่ยนกันทุกไม่กี่ปี คนที่เข้าใจความเดือดร้อนของโรงงานเราดีที่สุดและสร้างฉันทามติที่หน้างานได้ด้วย จะกลับญี่ปุ่นเมื่อครบวาระ คนที่มาใหม่ต้องเริ่มจากการจำงานตั้งแต่ศูนย์ ความรู้ที่ฝังอยู่ในตัวคนซึ่งจำเป็นต่อชั้นที่ 1 และชั้นที่ 4 จึงถูกล้างใหม่ทุกครั้งที่มีการสับเปลี่ยน ในมุมของท่านที่ทำงานอยู่ในพื้นที่ นี่คือเรื่องที่ท่านเป็นผู้รับผลโดยตรง เพราะคนที่ต้องอธิบายบริบทเดิมซ้ำอีกรอบให้ผู้บริหารคนใหม่ฟัง ก็คือทีมของท่านเอง

ข้อที่ 2 คือการย้ายงานของพนักงานในพื้นที่ เรื่องตลาดแรงงานไทยนั้นมีผลสำรวจที่สรุปแนวโน้มของปี 2026 ไว้

วิธีอ่านตารางนี้ต้องระวัง งบประมาณการขึ้นเงินเดือน 4.7% เป็นอัตราของงบประมาณต่อ 1 ปี ส่วน 15 ถึง 30% เมื่อย้ายงานคือการกระโดดขึ้นของระดับผลตอบแทนที่เกิดขึ้น ณ จุดที่เปลี่ยนงาน เนื่องจากทั้งสิ่งที่วัดและช่วงเวลาที่วัดต่างกัน จึงนำมาหารกันแล้วบอกว่าขึ้นเร็วกว่ากันกี่เท่าไม่ได้ ตรงนี้ขอเขียนตามตรงว่า ในแหล่งอ้างอิงไม่มีข้อมูลที่จะแปลงค่า 2 ตัวนี้เข้าหากันได้

สิ่งที่พูดได้มีเพียงว่า มีโครงสร้างที่ทำให้ผลตอบแทนขยับไปคนละแบบระหว่างกรณีที่อยู่ต่อในบริษัทเดิมกับกรณีที่ขยับออกไปข้างนอก และยิ่งทักษะหายากเท่าไร ช่องว่างนั้นก็ยิ่งกว้างขึ้น งานที่ได้จับ AI ก็เข้าข่ายทักษะหายากนั้นพอดี

อีกทั้งอัตราการลาออก 17.5% นั้น แหล่งอ้างอิงระบุว่าเป็นตัวเลขในภูมิภาค ไม่ได้เขียนว่าเป็นอัตราการลาออกของประเทศไทยเพียงประเทศเดียว จึงฟันธงว่าเป็นตัวเลขของไทยไม่ได้ แต่การเข้าใจไว้ว่าเราอยู่ในตลาดที่คนขยับตัวกันในระดับนี้ก็มีความหมายอยู่

แนวโน้มอัตราการเติบโตทางเศรษฐกิจของไทยในปี 2026 อยู่ที่ประมาณ 1.6% ในขณะที่ตั้งข้อสมมติว่าธุรกิจโดยรวมจะโตขึ้นมากได้ยาก ฝั่งผลตอบแทนของบุคลากรกลับขยับได้ง่ายกว่า อย่างไรก็ตาม การนำ 2 เรื่องนี้มาผูกกันเพื่ออภิปรายเป็นการกระทำของบริษัทเรา ไม่ใช่ว่าแหล่งอ้างอิงวิเคราะห์ไว้เช่นนั้น หากจะกล่าวในฐานะการตีความของบริษัทเรา สถานการณ์นี้ทำให้การรวบรวมบุคลากรด้าน AI ที่ฐานในประเทศไทยด้วยวิธีรับสมัครงานเป็นเรื่องยาก

อนึ่ง เรื่องความแตกต่างเชิงปฏิบัติที่เกิดขึ้นเฉพาะกับการนำ AI มาใช้ในประเทศไทย ได้เรียบเรียงไว้ในบทความเรื่องการนำ AI มาใช้ในประเทศไทย รวมถึงการจัดการเรื่องภาษาและข้อมูลด้วย

เส้นทางของการเปลี่ยนผ่านบุคลากร ไม่ใช่แค่การรับสมัคร

การหาบุคลากรไม่ได้มีแค่การรับสมัครเป็นวิธีเดียว ยังมีเส้นทางของการเปลี่ยนผ่านบุคลากรที่มีอยู่แล้วอีกด้วย

ตามที่ The Nation Thailand รายงานเมื่อวันที่ 17 กรกฎาคม 2026 บริษัท FPT Corporation ซึ่งเป็นบริษัท IT รายใหญ่ของเวียดนาม ได้เปลี่ยนผ่านวิศวกรซอฟต์แวร์แบบดั้งเดิมจำนวน 30,000 คนไปเป็นบุคลากรแบบ AI-augmented ตามคำกล่าวของ Levi Nguyen ซึ่งเป็น CEO ของบริษัท และระบุว่าบริษัทมีนักศึกษาในกรอบความร่วมมือกับมหาวิทยาลัยและการอบรมต่าง ๆ รวม 170,000 คน

อย่างไรก็ตาม นี่เป็นเรื่องที่ขนาดต่างกันโดยสิ้นเชิง บริษัท IT ที่มีวิศวกรหลักหมื่นคนกับโรงงานสัญชาติญี่ปุ่นที่มีคนหลักสิบถึงหลักร้อยคน ทำสิ่งที่ต่างกัน ไม่ได้แปลว่าโรงงานสัญชาติญี่ปุ่นจะเปลี่ยนผ่านได้ในขนาดเดียวกัน ความหมายของการอ้างถึงตรงนี้มีเพียงข้อเดียว คือใช้เป็นกรณีตัวอย่างที่แสดงว่าการหาบุคลากรด้าน AI นั้นมีโครงสร้างของการเปลี่ยนผ่านคนที่มีอยู่แล้ว นอกเหนือจากการรับคนใหม่จากภายนอก

ในรายงานฉบับเดียวกันยังกล่าวถึงการที่ Economic Research Institute for ASEAN and East Asia (ERIA) ชี้ว่าการขาดแคลนบุคลากรอย่างรุนแรงและความไม่สอดคล้องของทักษะกำลังทำให้การนำ AI มาใช้ทั่วอาเซียนล่าช้าลง การที่บุคลากรไม่พอจึงไม่ใช่เรื่องเฉพาะของประเทศไทย แต่เป็นโครงสร้างของทั้งภูมิภาค ดังนั้นตัวเลือกที่ว่ารอจนกว่าตลาดแรงงานจะดีขึ้นจึงไม่ค่อยสมจริงนัก

การออกแบบที่ไม่ผูกติดกับตัวบุคคลคือเงื่อนไขตั้งต้นของการทำเองภายในองค์กร – สิ่งที่เหลืออยู่แม้คนจะหายไป

ข้อสรุปของบทก่อนหน้าสรุปได้แบบนี้ ที่ฐานในประเทศไทย ต้องออกแบบโดยตั้งเรื่องที่ผู้รับผิดชอบชั้นที่ 1 และชั้นที่ 4 จะถูกเปลี่ยนตัวไว้เป็นข้อสมมติตั้งต้น ไม่ใช่ข้อยกเว้น

นี่ไม่ใช่เหตุผลที่จะเลิกล้มการทำเองภายในองค์กร แต่เป็นเหตุผลที่จะเปลี่ยนการออกแบบ พูดให้เป็นรูปธรรมคือ ให้ทอเรื่องการไม่วางสิ่งของไว้ในหัวของคนเข้าไปในกลไกตั้งแต่แรก

ถ้าดูตารางนี้แล้วรู้สึกว่ามีแต่เรื่องธรรมดาสามัญทั้งนั้น ความรู้สึกนั้นถูกต้อง ไม่มีอะไรพิเศษเลย แต่ที่หน้างานจริง สิ่งธรรมดาสามัญเหล่านี้กลับไม่หลงเหลืออยู่เสียเป็นส่วนใหญ่

เหตุผลนั้นเข้าใจได้ การนำ AI เข้ามาใช้มักถูกผลักดันโดยคนใดคนหนึ่งที่มีใจอยากทำ คนคนนั้นขยับตัวเร็ว และเพื่อจะขยับตัวเร็ว เขาจึงเลื่อนการบันทึกออกไปก่อน พอถึงตอนที่ผลลัพธ์ออกมาแล้ว เวลาสำหรับเขียนบันทึกก็หมดไปแล้ว

ดังนั้น กลไกป้องกันการผูกติดกับตัวบุคคลจึงต้องค้ำยันด้วยกระบวนการที่กำหนดไว้ ไม่ใช่ด้วยความปรารถนาดี สิ่งที่บริษัทเราแนะนำมี 3 ข้อดังนี้ จำนวนคนและความถี่ไม่ใช่ค่ามาตรฐานที่อิงจากแหล่งอ้างอิง แต่เป็นค่าแนะนำของบริษัทเราเอง

ข้อที่ 1 ระบุไว้ในใบสั่งจ้างที่ให้กับผู้รับจ้างภายนอกว่าให้รวมเอกสารไว้ในสิ่งที่ต้องส่งมอบด้วย หมายความว่าอย่าให้ของที่ทำงานได้เป็นสิ่งเดียวที่รับมอบ ข้อที่ 2 ตั้งผู้รับผิดชอบการผลักดันภายในบริษัทไว้ 2 คนตั้งแต่ต้น ถ้ามีคนเดียว ทุกอย่างจะหยุดทันทีที่คนคนนั้นหายไป ข้อที่ 3 กำหนดวันไว้เลยว่าไตรมาสละ 1 ครั้งจะตรวจว่าเอกสารส่งมอบงานยังตรงกับสภาพปัจจุบันอยู่หรือไม่ ถ้าไม่กำหนดไว้ ก็จะไม่ได้ทำ

การถือไว้เองภายในองค์กรหมายถึงการกักเก็บความรู้ไว้ในบริษัท ถ้าความรู้นั้นออกไปพร้อมกับคน ก็เท่ากับไม่ได้ถือไว้เอง ตรงนี้คือหลุมพรางที่ใหญ่ที่สุดของการทำเองภายในองค์กรที่ฐานในประเทศไทย

สิ่งที่ต้องตกลงกันให้แน่นเมื่อขอการสนับสนุนแบบเคียงข้าง – ขอบเขตที่ส่งมอบและจังหวะที่ปล่อยมือ

คำว่าการสนับสนุนแบบเคียงข้างในการใช้ AI ถูกใช้กันบ่อยขึ้นในไม่กี่ปีมานี้ ไม่ใช่คำที่ไม่ดี แต่คลุมเครือ เพราะในคำว่าเคียงข้างนั้นไม่มีทั้งเรื่องว่าจะวิ่งไปด้วยกันถึงเมื่อไร และจะปล่อยมือตรงไหน

สิ่งที่ควรตกลงกันให้แน่นในสัญญาหรือบันทึกข้อตกลงเมื่อขอการสนับสนุนแบบเคียงข้าง มีดังต่อไปนี้

ในบรรดารายการเหล่านี้ สิ่งที่สำคัญที่สุดคือเงื่อนไขการปล่อยมือในบรรทัดที่ 3

เป้าหมายของการสนับสนุนแบบเคียงข้างคือการทำให้บริษัทเราวิ่งได้เอง ดังนั้น ถ้าไม่ได้นิยามวิธีจบไว้ตั้งแต่ตอนทำสัญญา สิ่งนั้นก็ไม่ใช่การสนับสนุนแบบเคียงข้าง แต่เป็นการจ้างภายนอกธรรมดา การจ้างภายนอกต่อเนื่องไม่ใช่เรื่องเลวร้าย ชั้นที่ 3 และส่วนที่เป็นการเฝ้าระวังในชั้นที่ 5 กลับจะเสถียรกว่าถ้าวางไว้ข้างนอกอย่างต่อเนื่อง ปัญหาอยู่ที่การที่สิ่งที่ควรทำสัญญาโดยมีเป้าหมายเป็นการทำเองภายในองค์กร กลับแปรสภาพเป็นการจ้างภายนอกต่อเนื่องโดยไม่รู้ตัว และยังไม่มีใครสังเกตเห็นอีกด้วย

วิธีเขียนเงื่อนไขการปล่อยมือมีเคล็ดลับอยู่ข้อหนึ่ง คือให้เขียนด้วยการกระทำ ไม่ใช่ด้วยสิ่งที่ส่งมอบ อย่าเขียนว่าส่งมอบเอกสาร แต่ให้เขียนว่าผู้รับผิดชอบของบริษัทเราสามารถพางานใหม่ 1 เรื่องผ่านตั้งแต่ชั้นที่ 1 จนถึงชั้นที่ 5 ได้โดยไม่ต้องพึ่งความช่วยเหลือจากฝ่ายผู้ให้การสนับสนุน เมื่อเขียนด้วยการกระทำ ทุกคนจะเห็นชัดเจนว่าทำสำเร็จแล้วหรือยัง

ยังมีอีกสิ่งหนึ่งที่ฝ่ายผู้ว่าจ้างต้องเตรียมไว้ นั่นคือเวลาของผู้รับผิดชอบฝั่งบริษัทเราเอง การสนับสนุนแบบเคียงข้างไม่อาจตั้งอยู่ได้ถ้าฝั่งเราไม่มีคนคอยรับ การว่าจ้างที่บอกว่ายุ่งมากขอฝากทั้งหมดเลย ตามคำนิยามแล้วไม่ใช่การสนับสนุนแบบเคียงข้าง ถ้าไม่ตกลงตรงนี้กันตั้งแต่แรก ฝ่ายผู้ให้การสนับสนุนก็จะแบกแทนด้วยความปรารถนาดี และผลลัพธ์ก็จะจบลงอย่างน่าเสียดายด้วยการที่ไม่มีอะไรเหลืออยู่เลย

รูปแบบความล้มเหลว 3 แบบของการทำ AI เองภายในองค์กร

จากสิ่งที่เรียบเรียงมาทั้งหมด ขอยกรูปแบบความล้มเหลวที่พบบ่อยของการทำเองภายในองค์กรมา 3 แบบ ทุกแบบเกิดจากการข้ามชั้นใดชั้นหนึ่งใน 5 ชั้นไป

รูปแบบที่ 1 – รับคนเข้ามาก่อนแล้วค่อยคิดว่าจะทำอะไร

เป็นลำดับที่ว่ารับบุคลากรด้าน AI มาแล้ว 1 คน เอาละ จะให้เขาทำอะไรดี

เมื่อมองผิวเผินเหมือนเป็นการลงทุนเชิงรุก แต่นี่คือการข้ามชั้นที่ 1 คนที่ถูกรับเข้ามาในสภาพที่ยังไม่ได้กำหนดโจทย์จะทำอะไรก่อน เขาจะออกตามหาโจทย์ด้วยตัวเอง แต่คนคนนั้นเพิ่งเข้าบริษัทและยังไม่รู้จักงานภายใน ผลลัพธ์คือเขาจะลงเอยที่โจทย์ที่หาง่าย นั่นคือหัวข้อที่โดยทั่วไปแล้วว่ากันว่าเห็นผล และไม่มีอะไรรับประกันว่าหัวข้อนั้นจะตรงกับความเจ็บปวดของบริษัทเรา

ยิ่งกว่านั้น รูปแบบนี้ยังมีปัญหาลำดับที่ 2 ตามมา คือตัวคนที่ถูกรับเข้ามาจะโดดเดี่ยวโดยที่ยังทำผลงานไม่ได้ คนรอบข้างจะปฏิบัติกับเขาในฐานะคนของ AI แต่จะไม่สอนเรื่องงานให้ ดังที่เห็นในบทก่อนหน้าว่าตลาดของไทยมีโครงสร้างที่บุคลากรทักษะสูงขยับตัวได้ง่าย บุคลากรที่โดดเดี่ยวย่อมไม่อยู่กับเราแน่นอน

ลำดับที่ถูกต้องคือกลับกัน คือคัดกรองโจทย์ให้แคบลงที่ชั้นที่ 1 ก่อน แล้วเมื่อบทบาทที่ต้องการชัดเจนแล้ว จึงรับคนที่จะรับบทบาทนั้นเข้ามา หรือมอบหมายให้บุคลากรที่มีอยู่แล้ว

รูปแบบที่ 2 – จ้างภายนอกทำ PoC แล้วจบลงตรงนั้น

ด้วยความคิดที่ว่าลองเล็ก ๆ ดูก่อน จึงว่าจ้างผู้รับจ้างภายนอกให้ทำ PoC ผ่านไป 3 เดือน เดโมที่ทำงานได้ก็เสร็จ นำไปแสดงในที่ประชุม ได้รับคำชมว่าทำได้ดี แล้วก็หยุดอยู่ตรงนั้น

นี่คือการข้ามชั้นที่ 4 เงื่อนไขความสำเร็จของ PoC คือการทำงานได้ ส่วนเงื่อนไขความสำเร็จของการใช้งานจริงคือการถูกใช้ ทั้ง 2 อย่างนี้เป็นงานคนละงาน และในขอบเขตสัญญาของ PoC ส่วนใหญ่แล้วไม่มีชั้นที่ 4 รวมอยู่ด้วย

การจ้างภายนอกทำ PoC ในตัวมันเองไม่ใช่เรื่องแย่ ปัญหาคือ ณ จุดที่ PoC จบลง ยังไม่ได้กำหนดว่าใครจะทำอะไรต่อ ให้กำหนดไว้ตั้งแต่ตอนที่สั่งจ้าง PoC ว่าถ้าสำเร็จแล้วใครจะเป็นคนนำไปที่หน้างาน และเวลาของคนคนนั้นจะเจียดมาจากไหน แค่นี้ก็ป้องกันรูปแบบนี้ได้มากพอสมควร

รูปแบบที่ 3 – ใส่แต่เครื่องมือเข้าไปแล้วปล่อยวิธีใช้ให้หน้างานคิดเอง

แจกไลเซนส์ generative AI ให้พนักงานทั้งบริษัท จัดอบรม 1 ครั้ง จากนั้นก็ปล่อยให้เป็นเรื่องของการประยุกต์ใช้ที่หน้างาน

รูปแบบนี้ก็ไม่ใช่เรื่องแปลก ขอให้นึกถึงข้อมูลจากผลสำรวจของ IPA ที่ว่าสัดส่วนการขาดแคลนพนักงานที่ใช้เครื่องมือ AI ให้เกิดประโยชน์กับธุรกิจของบริษัทตนเองได้นั้นลดลงเมื่อเทียบกับประเภทอื่น คนที่จับเครื่องมือเป็นกำลังเพิ่มขึ้น ดังนั้นถ้าแจกไลเซนส์ไป ก็จะมีการใช้งานอยู่พอสมควร โดยเป็นวัตถุประสงค์อันดับต้น ๆ อย่างการสรุป การแปล และการจัดทำเอกสาร

แต่จะไปต่อจากตรงนั้นไม่ได้ เพราะไม่มีใครรับผิดชอบงานฝังเข้าไปในวิธีปฏิบัติงาน ซึ่งก็คือชั้นที่ 4 ผลิตภาพของแต่ละบุคคลจะสูงขึ้นเล็กน้อย แต่กระบวนการทำงานขององค์กรจะไม่เปลี่ยน และวัดผลก็ไม่ได้ด้วย จบลงที่ความรู้สึกว่าดูเหมือนจะสะดวกขึ้นนะ

ข้อมูลของ IPA ในบทก่อนหน้าที่ว่ามีคำตอบว่างานมีประสิทธิภาพและรวดเร็วขึ้นถึง 91.6% ในขณะที่การลดชั่วโมงทำงานล่วงเวลาหยุดอยู่ที่ 29.2% นั้น อ่านได้ว่าน่าจะบ่งชี้ถึงการแพร่หลายของรูปแบบนี้ คืองานเร็วขึ้นแล้ว แต่ยังเก็บกลับมาเป็นเวลาไม่ได้ การจะเก็บกลับมาได้ต้องรื้อวิธีปฏิบัติงานเสียใหม่

การออกแบบเป็นขั้น – ควรเริ่ม generative AI จากตรงไหน

ขอประกอบคำตอบสำหรับคำถามที่ว่าควรเริ่ม generative AI จากตรงไหน ขึ้นจากสิ่งที่เรียบเรียงมาทั้งหมด สิ่งที่บริษัทเราแนะนำคือ 4 ขั้นดังต่อไปนี้ ขอให้สังเกตว่าคำว่าขั้นในตารางนี้หมายถึงลำดับของเวลา ส่วนคำว่าชั้นหมายถึงการแบ่งงานออกเป็น 5 ส่วนตามที่กล่าวไปแล้ว เป็นคนละเรื่องกัน

ในบรรดา 4 ขั้นนี้ ขั้นที่ 0 และขั้นที่ 2 บริษัทเราเป็นผู้นำ ส่วนขั้นที่ 1 ใช้แรงจากภายนอกได้ง่าย และขั้นที่ 3 นั้นให้ภายนอกทำงานลงมือวัดได้ แต่เก็บการประเมินและการคัดเลือกหัวข้อถัดไปไว้ที่บริษัทเรา หากดูการจับคู่กับ 5 ชั้นก็จะเห็นว่า 4 ขั้นนี้ถูกออกแบบให้วนครบ 5 ชั้นตามลำดับพอดี

สิ่งสำคัญคืออย่าข้ามขั้นที่ 0 ถ้าข้ามตรงนี้ไปจะตกลงไปในทั้งรูปแบบที่ 1 และรูปแบบที่ 2 ของบทก่อนหน้า และขั้นที่ 0 นี้จ้างภายนอกไม่ได้ สิ่งที่ผู้ให้การสนับสนุนจากภายนอกทำได้มีเพียงการชี้แนะวิธีเดินของการสำรวจรายการงาน การโยนคำถามให้ และการจัดหากรณีตัวอย่างของบริษัทอื่นมาเป็นวัตถุดิบเท่านั้น คนที่ให้คำตอบคือบริษัทเราเอง

วิธีแปลงผลลัพธ์เป็นจำนวนเงิน

ตอนวัดผลในขั้นที่ 3 บางครั้งจะถูกขอให้แปลงเป็นจำนวนเงิน ขอเขียนข้อควรระวังไว้ตรงนี้

อย่างแรก ให้ตรึงฐานเปรียบเทียบไว้อย่างเดียว โดยนิยามสภาพก่อนนำมาใช้ไว้ 1 แบบ แล้ววัดผลทุกอย่างเป็นส่วนต่างจากจุดนั้น ถ้าเริ่มคำนวณโดยไม่ประกาศเรื่องนี้ไว้ ตัวเลขจะไม่ตรงกันในภายหลังอย่างแน่นอน

อย่างต่อมา สำหรับงานเดียวกัน กรุณาอย่าบวกการลดชั่วโมงทำงานของพนักงานภายในกับการลดค่าจ้างผู้รับจ้างภายนอกเข้าด้วยกัน ถ้างานหนึ่งเคยทำโดยคนภายในบริษัท สิ่งที่ลดได้คือชั่วโมงทำงานภายใน ถ้าเคยจ้างภายนอก สิ่งที่ลดได้คือค่าจ้างภายนอก ไม่ใช่ทั้ง 2 อย่างพร้อมกัน การประมาณการที่บวกทั้ง 2 อย่างเข้าด้วยกันเท่ากับลงบัญชีผลที่ไม่มีอยู่จริง นี่เป็นความผิดพลาดที่พบบ่อยในงานจริง

และ ค่าสัมบูรณ์ที่เป็นจำนวนเงินนั้นบทความนี้จะไม่เขียน เพราะในแหล่งอ้างอิงที่ใช้ไม่มีตัวเลขของจำนวนเงินที่ลดต้นทุนได้จากการนำ AI มาใช้ สิ่งที่เขียนได้มีเพียงวิธีการเท่านั้น กรุณาวางต้นทุนต่อชั่วโมงทำงานของบริษัทท่านเอง จำนวนครั้งที่เกิดขึ้นต่อเดือนของงานเป้าหมาย และเวลาที่ใช้ต่อ 1 ครั้ง ด้วยค่าที่วัดได้จริงของบริษัทท่านเอง แล้วคำนวณด้วยตัวท่านเอง การนำจำนวนเงินที่ปรากฏในกรณีตัวอย่างของบริษัทอื่นมาสวมกับบริษัทตนเองแทบไม่มีความหมาย เพราะข้อสมมติตั้งต้นต่างกัน

เรื่องการออกแบบรายการที่จะวัดนั้นได้สรุปวิธีนับที่เป็นรูปธรรมไว้ในบทความเรื่องการวัดผลและ ROI ของการนำ AI มาใช้ ส่วนวิธีวัดจริงในกรณีที่มีเอกสารและแบบฟอร์มเป็นเป้าหมายนั้นได้สรุปไว้ในบทความเปรียบเทียบ AI-OCR

คำถามที่พบบ่อย

ควรเริ่ม generative AI จากตรงไหน

กรุณาเริ่มจากการสำรวจรายการงานทั้งหมด ไม่ใช่เริ่มจากการคัดเลือกเครื่องมือ ตรงกับขั้นที่ 0 ในบทก่อนหน้า พูดให้เป็นรูปธรรมคือ ให้คัดกรองงานที่กินเวลาแต่มีมูลค่าเพิ่มต่ำออกมาทีละแผนก แล้วเขียนจำนวนครั้งที่เกิดขึ้นต่อเดือนกับเวลาที่ใช้ต่อ 1 ครั้งออกมา ในฐานะเกณฑ์คร่าว ๆ ของบริษัทเรา ใช้เวลากับงานนี้ 2 ถึง 4 สัปดาห์ก็ไม่เป็นไร ถ้าคัดตัวเลือกให้เหลือไม่เกิน 3 เรื่องได้ตรงนี้ การตัดสินใจหลังจากนั้นจะเร็วขึ้นมาก

สาเหตุที่ใช้ generative AI ไม่เป็นอยู่ตรงไหน

ในหลายกรณีไม่ใช่เรื่องวิธีใช้เครื่องมือ ในผลสำรวจปีงบประมาณ 2025 ของ IPA สัดส่วนการขาดแคลนพนักงานที่ใช้เครื่องมือ AI ให้เกิดประโยชน์กับธุรกิจของบริษัทตนเองได้นั้นลดลงเมื่อเทียบกับบุคลากรประเภทอื่น แปลว่าคนที่ใช้เป็นกำลังเพิ่มขึ้น สิ่งที่ไม่ลดลงคือการขาดแคลนพนักงานที่มีความรู้จากหน้างานและความรู้พื้นฐานด้าน AI และผลักดันการนำ AI เข้ามาใช้ในบริษัทตนเองได้ ดังนั้นคอขวดจึงไม่ใช่ทักษะการใช้งาน แต่อยู่ที่การไม่มีบทบาทที่เชื่อมงานกับ AI วางอยู่ภายในบริษัท

ควรไปปรึกษาเรื่องการนำ AI มาใช้ที่ไหน

ก่อนจะเลือกที่ปรึกษา กรุณาตัดสินก่อนว่าใน 5 ชั้นนั้นท่านต้องการปรึกษาเรื่องชั้นไหน ถ้าเป็นชั้นที่ 3 ซึ่งเป็นการสร้าง บริษัทพัฒนาระบบหรือ SIer ก็เหมาะสม แต่ถ้าเป็นชั้นที่ 1 ซึ่งเป็นการนิยามโจทย์ จำเป็นต้องเลือกคู่สนทนาที่รู้จักพื้นที่งานใกล้เคียงกับงานของบริษัทท่าน ถ้าเป็นโรงงาน พันธมิตรที่เข้าใจงานของหน้างานผลิตจะทำให้คุยกันได้เร็วกว่า ในทางกลับกัน ต่อให้ไปปรึกษาเรื่องชั้นที่ 4 ซึ่งเป็นการทำให้ถูกใช้จริงกับคนภายนอก ก็ไม่มีใครทำแทนให้ได้ ตรงนี้ต้องตั้งข้อสมมติว่าบริษัทเรารับผิดชอบเอง แล้วรับคำแนะนำเรื่องวิธีเดินหน้าเท่านั้น

วิสาหกิจขนาดกลางและขนาดย่อมใช้ประโยชน์จาก generative AI ได้หรือไม่

ในผลสำรวจปีงบประมาณ 2025 ของ IPA บริษัทที่มีพนักงาน 1,001 คนขึ้นไปนำ AI มาใช้แล้วเกือบ 8 ใน 10 ขณะที่อัตราการนำมาใช้ของบริษัทที่มีพนักงาน 101 คนหรือน้อยกว่าอยู่ที่ 16.6% ช่องว่างมีอยู่จริง แต่ตัวเลขนี้บอกว่านำมาใช้หรือไม่ ไม่ได้บอกว่าได้ผลหรือไม่ การมีขนาดเล็กกลับเป็นข้อได้เปรียบในชั้นที่ 1 และชั้นที่ 4 เพราะมองเห็นได้ว่าใครทำอะไร และมีคู่สนทนาที่ต้องสร้างฉันทามติสำหรับการเปลี่ยนวิธีปฏิบัติงานอยู่น้อยราย ส่วนที่เสียเปรียบคือชั้นที่ 3 และส่วนที่เป็นการเฝ้าระวังในชั้นที่ 5 ซึ่งการใช้แรงจากภายนอกมาเติมเป็นแนวทางที่สมจริงกว่า

ควรรับสมัครบุคลากรด้าน AI หรือควรปั้นขึ้นมาเอง

ยิ่งเป็นชั้นที่หาจากภายนอกได้ยาก ก็ยิ่งไม่มีทางเลือกอื่นนอกจากปั้นขึ้นมาเองภายใน วิศวกรที่รับผิดชอบชั้นที่ 3 มีความเป็นไปได้ที่จะหาได้จากตลาด แต่บุคลากรที่รับผิดชอบชั้นที่ 1 และชั้นที่ 4 ซึ่งก็คือคนที่รู้จักงานของบริษัทตนเองทะลุปรุโปร่งและเข้าใจพื้นฐานของ AI ด้วยนั้น ไม่มีอยู่ในตลาด เพราะการจะรู้จักงานของบริษัทตนเองทะลุปรุโปร่งได้ต้องใช้เวลาทำงานอยู่ในบริษัทนั้น คำตอบที่สมจริงจึงเป็นการเลือกคนจากพนักงานที่มีอยู่แล้วมาปั้นสำหรับชั้นที่ 1 และชั้นที่ 4 ส่วนชั้นที่ 3 ให้เติมเต็มด้วยการรับสมัครหรือการจ้างภายนอก การที่มีเส้นทางของการเปลี่ยนผ่านบุคลากรที่มีอยู่แล้วนั้นก็อ่านได้จากกรณีตัวอย่างในอาเซียนเช่นกัน

สภาพแวดล้อม generative AI ที่ปลอดภัยจำเป็นถึงระดับไหน

ระดับของการควบคุมที่จำเป็นถูกกำหนดจากข้อกำหนดทางกฎหมาย เงื่อนไขในสัญญากับลูกค้า และระเบียบของบริษัทแม่ ในแง่ตัวเลือกทางเทคนิคมีเป็นระดับตั้งแต่การใช้ SaaS ที่วางขายอยู่ตามที่เป็น การต่อข้อมูลภายในบริษัทเข้าไปใช้ และการวางโมเดลไว้ในสภาพแวดล้อมของบริษัทเอง แต่ยิ่งลงมาทางล่างยิ่งต้องมีกำลังคนประจำสำหรับการเดินระบบ ในหลายกรณี สิ่งที่อยากปกป้องจริง ๆ คือการที่ข้อมูลที่ป้อนเข้าไปไม่ถูกนำไปใช้ในการเรียนรู้ของภายนอก ซึ่งบางกรณีตอบได้ด้วยเงื่อนไขในสัญญา ก่อนจะเริ่มถกเรื่องสภาพแวดล้อม กรุณาแปลงสิ่งที่อยากปกป้องออกมาเป็นถ้อยคำก่อน

การสนับสนุนแบบเคียงข้างในการใช้ AI ต่างจากการจ้างภายนอกทั่วไปอย่างไร

ความต่างอยู่ที่มีการนิยามวิธีจบไว้หรือไม่ การสนับสนุนแบบเคียงข้างจะจบลง ณ จุดที่บริษัทเราวิ่งได้เอง ดังนั้นจึงต้องเขียนไว้ตอนทำสัญญาว่าทำอะไรได้แล้วจึงจะถือว่าจบ การสนับสนุนแบบเคียงข้างที่ไม่ได้เขียนเรื่องนี้ไว้ โดยเนื้อแท้แล้วคือการจ้างภายนอกต่อเนื่อง การจ้างภายนอกต่อเนื่องไม่ใช่เรื่องเลวร้าย แต่ถ้าตั้งงบประมาณโดยมีเป้าหมายเป็นการทำเองภายในองค์กร ก็เท่ากับเป้าหมายกับวิธีการเคลื่อนออกจากกันแล้ว

บุคลากรด้าน AI ที่ฐานในประเทศไทยไม่อยู่กับเรานาน ควรทำอย่างไร

ก่อนอื่น กรุณาปรับโครงสร้างการออกแบบใหม่โดยตั้งข้อสมมติว่าคนจะไม่อยู่กับเรานาน ในผลสำรวจตลาดแรงงานไทยปี 2026 ค่าเฉลี่ยของงบประมาณการขึ้นเงินเดือนอยู่ที่ประมาณ 4.7% และการปรับขึ้นของผลตอบแทนเมื่อย้ายงานในสาขาที่ต้องใช้ทักษะสูงอยู่ที่ 15 ถึง 30% ทั้ง 2 ตัวนี้วัดสิ่งที่ต่างกันจึงแปลงค่าเข้าหากันไม่ได้ แต่อ่านได้ว่ามีโครงสร้างที่การขยับออกไปทำให้ผลตอบแทนสูงขึ้น นอกจากนี้ อัตราการลาออกในภูมิภาคอยู่ที่ประมาณ 17.5% การเก็บรายการโจทย์ คำนิยามของข้อมูล เกณฑ์การตัดสิน และคู่มือปฏิบัติงานไว้เป็นเอกสารบนข้อสมมติที่ว่าคนจะขยับตัว จึงเป็นเงื่อนไขตั้งต้นของการทำเองภายในองค์กร

เริ่มจากตรงไหนแล้วโน้มน้าวคนในบริษัทได้ง่ายที่สุด

การเริ่มจากงานที่วัดผลได้ง่ายและมีผู้เกี่ยวข้องน้อยรายเป็นสูตรสำเร็จ ในผลสำรวจของ IPA ผลที่เป็นรูปธรรมของการนำ AI มาใช้ซึ่งระบุว่างานมีประสิทธิภาพและรวดเร็วขึ้นนั้นมีมากถึง 91.6% อย่างท่วมท้น ขณะที่ยอดขายหรือกำไรสูงขึ้นหยุดอยู่ที่ 3.9% สิ่งที่ AI ในปัจจุบันถนัดคือการทำให้งานมีประสิทธิภาพขึ้นก่อนเป็นอันดับแรก ถ้าตั้งการมีส่วนช่วยต่อยอดขายเป็นเป้าหมายแรก จะได้ผลลัพธ์ที่อธิบายไม่ได้ง่าย ๆ กรุณาสร้างผลงานด้วยการเพิ่มประสิทธิภาพ และสร้างแบบแผนของการวัดให้ได้ก่อน แล้วค่อยเดินหน้าไปยังหัวข้อที่ยากขึ้น

สรุป – การสนับสนุนการทำ AI เองภายในองค์กรคืองานที่ร่วมกันตัดสินเส้นแบ่งของแต่ละชั้น

ข้อเสนอของบทความนี้มีเพียงข้อเดียว การทำเองภายในองค์กรกับการจ้างภายนอกไม่ใช่ทางเลือก 2 ทางที่ต้องเลือกอย่างใดอย่างหนึ่ง แต่เป็นโจทย์ของการตัดสินว่าแต่ละชั้นจะให้ใครถือ

งานที่ทำให้ AI เข้าไปอยู่ในงานประจำวันแยกออกเป็น 5 ชั้น คือการนิยามโจทย์ การจัดเตรียมข้อมูล การสร้าง การฝังเข้าไปในงาน และการเดินระบบกับปรับปรุง ในบรรดานี้ ชั้นที่ 1 ซึ่งเป็นการนิยามโจทย์ และชั้นที่ 4 ซึ่งเป็นการฝังเข้าไปในงาน จ้างภายนอกไม่ได้ เพราะทำได้เฉพาะคนที่รู้จักงานของบริษัทตนเองและความสัมพันธ์ระหว่างผู้คนที่หน้างาน ส่วนชั้นที่ 3 ซึ่งเป็นการสร้างนั้น ขอเพียงเขียนข้อกำหนดได้ก็ให้ภายนอกทำได้ ขณะที่ชั้นที่ 2 ซึ่งเป็นการจัดเตรียมข้อมูล และชั้นที่ 5 ซึ่งเป็นการเดินระบบกับปรับปรุงนั้น การถือแบบผสมโดยเก็บตัวข้อมูลจริงกับการตัดสินใจไว้ข้างใน และวางงานลงมือทำกับการเฝ้าระวังไว้ข้างนอก เป็นแนวทางที่สมจริง

เส้นแบ่งนี้สอดคล้องกับผลสำรวจที่ IPA เผยแพร่เมื่อเดือนกรกฎาคม 2026 ในผลสำรวจนั้น คำตอบที่ระบุว่าปริมาณของบุคลากรที่ผลักดัน DX ไม่เพียงพออยู่ที่ 85.5% และแทบไม่ขยับตลอด 3 ปี และเมื่อดูแยกตามประเภทของบุคลากรจะพบว่า สัดส่วนการขาดแคลนพนักงานที่ใช้เครื่องมือ AI ให้เกิดประโยชน์กับธุรกิจของบริษัทตนเองได้นั้นลดลงเมื่อเทียบกับประเภทอื่น ขณะที่การขาดแคลนพนักงานที่มีความรู้จากหน้างานและความรู้พื้นฐานด้าน AI และผลักดันการนำ AI เข้ามาใช้ในบริษัทตนเองได้นั้นไม่ลดลง สิ่งที่ขาดจึงไม่ใช่คนที่สร้าง AI เป็น แต่คือคนที่เชื่อมงานของบริษัทตนเองเข้ากับ AI ได้ และชั้นนี้ซื้อจากข้างนอกไม่ได้ ทั้งนี้ ผลสำรวจดังกล่าวเป็นผลสำรวจของบริษัทในประเทศญี่ปุ่น จึงควรอ่านในฐานะชุดข้อสมมติที่บริษัทแม่นำเข้ามา ไม่ใช่ตัวเลขของนิติบุคคลในประเทศไทย

และที่ฐานในประเทศไทยยังมีเงื่อนไขเพิ่มมาอีกข้อหนึ่ง นั่นคือผู้รับผิดชอบชั้นที่ 1 และชั้นที่ 4 จะถูกเปลี่ยนตัวเป็นระยะ ๆ จากการสับเปลี่ยนของผู้บริหารชาวญี่ปุ่นที่มาประจำการและการย้ายงานของพนักงานในพื้นที่ ในตลาดแรงงานไทยปี 2026 ค่าเฉลี่ยของงบประมาณการขึ้นเงินเดือนอยู่ที่ประมาณ 4.7% การปรับขึ้นของผลตอบแทนเมื่อย้ายงานในสาขาที่ต้องใช้ทักษะสูงอยู่ที่ 15 ถึง 30% และอัตราการลาออกในภูมิภาคอยู่ที่ประมาณ 17.5% คนจะขยับตัว ดังนั้นความรู้ที่ตัดสินใจแล้วว่าจะถือไว้เองภายในองค์กร จึงห้ามวางไว้แต่ในหัวของคน ต้องเก็บเหตุผลของโจทย์ คำนิยามของข้อมูล เกณฑ์การตัดสิน และคู่มือปฏิบัติงานไว้เป็นเอกสาร นี่คือเงื่อนไขตั้งต้นของการทำเองภายในองค์กรที่ฐานในประเทศไทย

ลำดับของสิ่งที่ต้องทำก็ชัดเจน คือคัดโจทย์ให้เหลือไม่เกิน 3 เรื่องด้วยการสำรวจรายการงานทั้งหมด เลือกมา 1 เรื่องแล้วสร้างเล็ก ๆ เขียนคู่มือปฏิบัติงานใหม่แล้วนำขึ้นที่หน้างาน จากนั้นวัดผลแล้วขยายไปยังเรื่องถัดไป ในบรรดา 4 ขั้นนี้ ขั้นที่ 0 และขั้นที่ 2 บริษัทเราเป็นผู้นำ ทันทีที่ข้ามตรงนี้ไป ก็จะตกลงไปในความล้มเหลว 1 ใน 3 แบบ คือรับคนเข้ามาก่อนแล้วค่อยคิด จบลงที่ PoC หรือใส่แต่เครื่องมือเข้าไป

สิ่งที่ควรคาดหวังจากบริการสนับสนุนการทำ AI เองภายในองค์กร ไม่ใช่การให้เขาสร้างแทนให้ แต่คือ การร่วมกันตัดสินว่าจะถือชั้นไหนไว้เอง การทำให้บริษัทเรารับผิดชอบชั้นที่ตัดสินใจว่าจะถือได้จริง และการปล่อยมือ การสนับสนุนที่ไม่ได้เขียนเงื่อนไขการปล่อยมือไว้ ไม่ใช่การสนับสนุนการทำเองภายในองค์กร

TOMAS TECH มีฐานอยู่ที่กรุงเทพ ดูแลระบบควบคุมการผลิตและระบบจัดการพลังงานให้กับโรงงานสัญชาติญี่ปุ่นทั่วไทยและอาเซียน และสำหรับเรื่องการใช้ AI เรารับปรึกษาตั้งแต่ขั้นก่อนลงมือสร้าง นั่นคือการเรียบเรียงเส้นแบ่ง เช่น จะเริ่มลงมือจากงานใด และจะถือชั้นไหนไว้เอง แม้จะยังอยู่ในขั้นที่ยังไม่ได้กำหนดหัวข้อที่เป็นรูปธรรม หรืออยู่ในสภาพที่ลองสำรวจรายการงานภายในบริษัทแล้วแต่ยังตัดสินลำดับความสำคัญไม่ได้ ก็ยินดีทั้งสิ้น หากต้องการปรึกษาเรื่องการออกแบบบนข้อสมมติที่ว่าจะเดินระบบในพื้นที่ไปอีกยาวนาน กรุณาติดต่อเราได้ตามสะดวกผ่าน แบบฟอร์มติดต่อ

ข้อมูลอ้างอิง

• Key Points of DX and AI Utilization Trends in Japanese Companies (IPA, 16 July 2026) – ผลสำรวจแนวโน้ม DX ฉบับปีงบประมาณ 2025 จำนวนคำตอบที่ได้รับ 1,799 บริษัท ช่วงเวลาสำรวจ 17 เมษายน ถึง 12 มิถุนายน 2026 เป็นแหล่งอ้างอิงของตัวเลขเรื่องบุคลากร วัตถุประสงค์ และผลลัพธ์ในบทความนี้
• Survey on Corporate IT Utilization Trends 2026 (JIPDEC) – ดำเนินการเมื่อเดือนมกราคม 2026 สถานะการลงมือใช้ประโยชน์จาก AI และปัญหาก่อนกับหลังการนำมาใช้
• Thailand Job Market 2026 Outlook – The Great Digital Divide (RECRUITdee) – งบประมาณการขึ้นเงินเดือนปี 2026 ของไทย การปรับขึ้นของผลตอบแทนเมื่อย้ายงาน อัตราการลาออกในภูมิภาค และแนวโน้มอัตราการเติบโตทางเศรษฐกิจ
• Bridging the Tech Rift – How Southeast Asia’s Giants are Forcing an AI Talent Revolution (The Nation Thailand, 17 July 2026) – กรณีตัวอย่างการเปลี่ยนผ่านบุคลากรของ FPT Corporation และข้อชี้แนะของ ERIA
• DX Trends 2025 (IPA) – ผลสำรวจของปีก่อนหน้า ใช้อ้างอิงเมื่อต้องการตรวจสอบการเปรียบเทียบตามช่วงเวลา
• Discussion Paper on Developing Digital Talent in the AI Era (IPA) – แหล่งอ้างอิงเรื่องแนวคิดในการพัฒนาบุคลากร