ระบบใบเสนอราคางานกลึงด้วย AI | กลไกประเมินราคาจากแบบงานและเกณฑ์การตรวจรับ

“คำขอใบเสนอราคาเข้ามามากขึ้นเรื่อยๆ แต่ในบริษัทมีคนที่ดูแบบงานแล้วตีราคาได้แค่ 2-3 คน ตอบลูกค้าช้าจนเสียงานไป” นี่คือปัญหาที่เรามักได้ยินจากเจ้าของกิจการและผู้จัดการฝ่ายขายของบริษัทรับจ้างแปรรูปชิ้นส่วนสัญชาติญี่ปุ่นในประเทศไทย จึงเริ่มมีการพิจารณานำ AI มาใช้ในระบบใบเสนอราคางานกลึงและงานแปรรูป แต่ขอเริ่มจากข้อสรุปก่อน การนำ AI มาใช้เสนอราคางานแปรรูปไม่ใช่การให้ AI เป็นผู้ตัดสินราคา แต่คือการแยกการตัดสินใจของผู้ประเมินราคาออกเป็น 4 ขั้นตอน คือ “การอ่านแบบ” “การค้นหางานที่คล้ายกัน” “การคำนวณต้นทุน” และ “การอนุมัติ” แล้วกำหนดเส้นแบ่งว่าขั้นตอนใดมอบให้ AI และขั้นตอนใดที่คนต้องรับผิดชอบ

สิ่งที่ชี้ขาดความสำเร็จไม่ใช่ความแม่นยำของ AI โดยตรง แต่อยู่ที่ว่าก่อนสั่งซื้อระบบ บริษัทได้กำหนด 3 เรื่องต่อไปนี้ไว้แล้วหรือไม่

• แบบงานประเภทใดที่ปล่อยให้ผ่านการประเมินราคาด้วย AI ได้ (ขอบเขตการใช้งาน)
• เมื่อ AI อ่านแบบผิด ใครจะเป็นผู้หยุดไว้ และหยุดที่จุดใด (จุดอนุมัติ หรือ approval gate)
• จะวัดความแม่นยำด้วยอะไร และอะไรถือว่าผ่าน (เกณฑ์การตรวจรับ)

อนึ่ง ตัวเลขด้านจำนวนเงิน เวลา จำนวนรายการ และอัตราส่วนในบทความนี้ที่เกี่ยวข้องกับ “โรงงานจำลอง Q” ซึ่งจะกล่าวถึงภายหลัง ล้วนเป็นค่าประมาณการและค่าสมมติที่บทความนี้จัดทำขึ้นเองทั้งหมด ไม่ใช่ค่าเฉลี่ยของอุตสาหกรรมหรือค่าจากการสำรวจ โปรดอ่านในฐานะ “แบบฟอร์มการคำนวณ” ที่ให้นำค่าจริงที่วัดได้ในบริษัทของท่านมาแทน

ปี 2026 เกิดอะไรขึ้นกับการใช้ AI ในงานเสนอราคางานแปรรูป

เงินทุนและผลิตภัณฑ์เริ่มมุ่งมาที่ “การเสนอราคา”

ช่วงฤดูร้อนถึงฤดูใบไม้ร่วงของปี 2026 มีความเคลื่อนไหวสำคัญรอบๆ งานเสนอราคางานแปรรูปต่อเนื่องกันหลายเรื่อง

เมื่อวันที่ 15 กันยายน 2026 บริษัท CADDi ประกาศว่าได้ระดมทุนรอบ Series D เป็นเงิน 17,700 ล้านเยน ทำให้มูลค่าบริษัทอยู่ที่ 182,000 ล้านเยน โดยระบุวัตถุประสงค์การใช้เงิน เช่น การพัฒนาเทคโนโลยี AI ของตนเอง การขยายแพลตฟอร์ม และการเสริมธุรกิจในอเมริกาเหนือ ก่อนหน้านั้นในวันที่ 6 สิงหาคม บริษัทได้เปิดตัว “CADDi แพลตฟอร์มข้อมูล AI สำหรับอุตสาหกรรมการผลิต” รุ่นใหม่ และจัดวางกลุ่มผลิตภัณฑ์เฉพาะงาน ซึ่งรวมถึงแพลตฟอร์มใบเสนอราคา “CADDi Quote” ที่เริ่มให้บริการในเดือนกันยายน 2024 และผลิตภัณฑ์ตรวจประเมินต้นทุน “CADDi Cost Review” ที่มีกำหนดให้บริการภายในปีนี้ ตามประกาศของบริษัท มีบริษัทในดัชนี Nikkei 225 มากกว่าครึ่งหนึ่งนำไปใช้ และมีการใช้งานใน 22 ประเทศ

ที่สหราชอาณาจักร มีรายงานเมื่อวันที่ 9 กันยายน 2026 ว่า CloudNC ซึ่งเป็นที่รู้จักจาก AI CAM “CAM Assist” ได้ระดมทุน 20 ล้านดอลลาร์สหรัฐ และมีแผนเปิดตัวผลิตภัณฑ์ใหม่ “Quote Agent” ที่นำ AI มาใช้กับการเสนอราคาและการประมาณต้นทุนงานแปรรูปด้วยเครื่องจักร (machining)ภายในปี 2026 ตามรายงาน Theo Saville ซีอีโอของบริษัทกล่าวว่า “Quoting is one of the biggest hidden bottlenecks in precision machining” ซึ่งสะท้อนมุมมองว่าการเสนอราคาเป็น “คอขวดที่มองไม่เห็น” ของหน้างานแปรรูป อย่างไรก็ตาม ณ เวลาที่เขียนบทความนี้ Quote Agent ยังไม่เปิดให้บริการ และยังไม่มีการเปิดเผยความแม่นยำหรือราคา

Paperless Parts บริษัทซอฟต์แวร์ใบเสนอราคาของสหรัฐฯ ประกาศเมื่อเดือนเมษายน 2026 ว่าได้รับสิทธิบัตรสหรัฐฯ ฉบับที่ 5 โดยครอบคลุม AI ที่อ่านแบบงานทันทีที่อัปโหลด แล้วแปลงเป็นข้อมูลเชิงโครงสร้างที่ใช้ในการเสนอราคาและการจัดซื้อได้ เสาหลักของสิทธิบัตรได้แก่ การตีความค่าพิกัดความเผื่อทางเรขาคณิต (GD&T) ข้อกำหนดวัสดุ การตกแต่งผิว และข้อกำหนดเกลียว การดึงข้อกำหนดจากแบบงาน PDF การจับคู่หมายเหตุกับรูปทรง 3D และความทนทานต่อแบบงานที่ถูกหมุนหรือมีคุณภาพเสื่อม ก่อนหน้านั้นในเดือนกันยายน 2025 บริษัทได้ประกาศ “Requirements Review” ซึ่งไฮไลต์ GD&T และหมายเหตุสำคัญโดยอัตโนมัติในขั้นตอนเสนอราคา และติดธงเตือนเงื่อนไขที่มีความเสี่ยงสูงตามกฎที่กำหนด โดยมีกำหนดเปิดให้ใช้ทั่วไปในเดือนตุลาคม 2025 หลังผ่านช่วงเบต้าแบบปิด

เครื่องมือของฝั่งผู้ซื้อ กับเครื่องมือของฝั่งผู้ขาย เป็นคนละอย่างกัน

ตรงนี้ต้องจัดระเบียบความเข้าใจก่อน ผลิตภัณฑ์ที่เรียกว่า “AI เสนอราคา” มี 2 ประเภทที่มีจุดยืนต่างกันปะปนอยู่

ประเภทแรกคือเครื่องมือจัดซื้อของฝั่งผู้ซื้อ (ฝั่งผู้สั่งงาน) CADDi Quote เป็นระบบคลาวด์สำหรับงานใบเสนอราคาของฝั่งผู้สั่งงาน มีจุดเด่น เช่น การส่งคำขอใบเสนอราคาพร้อมกันหลายราย การสร้างตารางเปรียบเทียบอัตโนมัติ และการเสนอรายการชิ้นส่วนที่คล้ายกันจากข้อมูลใบเสนอราคาและการจัดซื้อในอดีต ระบบเสนอราคาทันทีของแพลตฟอร์มรับจ้างผลิตอย่าง Xometry และ Protolabs ของสหรัฐฯ ก็เป็นกลไกที่ผู้สั่งงานใส่แบบงานหรือข้อมูล 3D แล้วได้ราคาและกำหนดส่งกลับมา Xometry ประกาศเมื่อเดือนมีนาคม 2026 ว่าได้เพิ่มข้อมูลฝึกของโมเดลคาดการณ์ระยะเวลาผลิต (lead time) งานแปรรูปด้วยเครื่องจักรเป็น 4 เท่าของเดิม และใช้โมเดลที่ปรับราคาเป็นรายใบเสนอราคาจากลักษณะรูปทรงและประวัติการซื้อของลูกค้า เป็นต้น Protolabs เปิดตัว “ProDesk” ซึ่งรวมการเสนอราคาด้วย AI เข้ากับการวิเคราะห์ความสามารถในการผลิตเมื่อเดือนกุมภาพันธ์ 2026 และตามคำอธิบายของบริษัท คาดว่าจะมีลูกค้าใช้งานประมาณ 50,000 รายในปี 2026 ส่วน meviy ของ MISUMI เริ่มให้บริการฟังก์ชันเชื่อมข้อมูลค่าพิกัดความเผื่อของขนาดโดยอัตโนมัติจาก 3D CAD “iCAD SX” ของ iCAD เมื่อเดือนมีนาคม 2026 ครอบคลุมงานตัดเฉือน (ชิ้นงานเหลี่ยม) และงานโลหะแผ่น และระบุว่าลดชั่วโมงงานในการตั้งค่าใบเสนอราคาลงประมาณ 25% เมื่อเทียบกับการตั้งค่าใหม่ด้วยมือแบบเดิม ตัวเลขนี้เป็นค่าที่ MISUMI ประกาศเอง และไม่ได้เปิดเผยรายละเอียดของเงื่อนไขการเปรียบเทียบ

ประเภทที่สองคือกลไกที่ฝั่งผู้ขาย (ฝั่งผู้รับจ้างแปรรูป) ใช้ออกใบเสนอราคาของตนเอง Paperless Parts และ Quote Agent ของ CloudNC จัดอยู่ในกลุ่มนี้ ผู้อ่านบทความนี้ส่วนใหญ่น่าจะอยู่ในฝั่งนี้

แม้ทั้งสองประเภทจะมีจุดประสงค์ต่างกัน แต่ก็ไม่ได้ไม่เกี่ยวข้องกัน เมื่อเครื่องมือจัดซื้อแพร่หลายในฝั่งลูกค้า ฝั่งผู้รับจ้างแปรรูปจะเจอแรงกดดันให้ส่งใบเสนอราคากลับ “เร็วขึ้น และในรูปแบบที่ครบถ้วนเป็นมาตรฐานเดียวกัน” เมื่อต้องไปอยู่ในตารางเปรียบเทียบของลูกค้า บริษัทที่ตอบช้า หรือส่งใบเสนอราคาที่ขาดหัวข้อ ย่อมหลุดออกจากการพิจารณาได้ง่าย ระบบเสนอราคาด้วย AI ของฝั่งผู้รับจ้างแปรรูปจึงเป็นการเตรียมรับมือกับแรงกดดันนี้ด้วย

ผู้บริหารรู้สึกถึงผลลัพธ์ แต่ยังไปไม่ถึงหน้างานเสนอราคา

ในการสำรวจออนไลน์ที่ CADDi ทำกับผู้บริหารในอุตสาหกรรมการผลิต 484 คน ระหว่างวันที่ 4-10 สิงหาคม 2026 (ประกาศเมื่อวันที่ 10 กันยายน) ผู้บริหารที่รู้สึกได้ถึงผลกระทบต่อการบริหารจากการลงทุนและการใช้ AI มีสัดส่วน 57.8% ขณะที่บริษัทที่ผลของ AI ไปถึงงานเฉพาะทาง เช่น การออกแบบ การเสนอราคา และการจัดซื้อ หรือไปถึงกระบวนการหน้างาน มีเพียง 17.2% นี่เป็นการสำรวจของบริษัทที่เป็นผู้ให้บริการผลิตภัณฑ์เสนอราคาด้วย AI เอง และกลุ่มตัวอย่างคือผู้บริหารในญี่ปุ่น แต่ภาพที่ว่า “ผู้บริหารรู้สึกได้ถึงผลลัพธ์ แต่ยังไปไม่ถึงงานเฉพาะทางอย่างการเสนอราคา” น่าจะตรงกับความรู้สึกของโรงงานญี่ปุ่นในไทยเช่นกัน

ฝั่งไทยก็มีกระแสการลงทุนเช่นกัน ตามประกาศของสำนักงานคณะกรรมการส่งเสริมการลงทุน (BOI) ในบรรดาคำขอรับการส่งเสริมการลงทุนในครึ่งแรกของปี 2026 มาตรการ “Smart and Sustainable Industry” ซึ่งครอบคลุมการปรับเปลี่ยนเครื่องจักร การนำเทคโนโลยีดิจิทัลมาใช้ และการนำระบบอัตโนมัติหรือหุ่นยนต์มาผสาน มีคำขอ 132 โครงการ มูลค่าประมาณ 17,200 ล้านบาท (เป็นตัวเลขตามคำขอ ไม่ใช่มูลค่าการลงทุนจริง) ส่วนอุปสงค์ในปัจจุบัน ตามที่ Trading Economics รายงานโดยอ้างประกาศของสภาอุตสาหกรรมแห่งประเทศไทย (FTI) การผลิตรถยนต์ในเดือนสิงหาคม 2026 อยู่ที่ 124,646 คัน เพิ่มขึ้น 10.93% เมื่อเทียบกับเดือนเดียวกันของปีก่อน แต่การส่งออกรถยนต์ในเดือนสิงหาคมลดลง 2.04% เมื่อเทียบกับเดือนเดียวกันของปีก่อน และ FTI คาดการณ์ว่าการผลิตตลอดปี 2026 จะลดลง 3.33% ยิ่งช่วงที่คาดเดาขึ้นลงของคำสั่งซื้อได้ยาก กลไกที่ให้ผู้ประเมินราคาจำนวนน้อยรับมือคำขอจำนวนมาก และคว้างานที่ควรได้ไว้อย่างแน่นอน ก็ยิ่งมีคุณค่ามากขึ้น

การนำ AI มาใช้เสนอราคางานแปรรูปคืออะไร: แบ่งการเสนอราคาออกเป็น 4 ขั้นตอน

หากแยกงานที่ผู้ประเมินราคาผู้มีประสบการณ์ทำไปพร้อมกันในหัว จะแบ่งได้คร่าวๆ เป็น 4 ขั้นตอนดังนี้

1. การอ่านแบบ: ดึงวัสดุ จำนวน ค่าพิกัดความเผื่อของขนาด ค่าพิกัดความเผื่อทางเรขาคณิต ความหยาบผิว และหมายเหตุ เช่น การชุบแข็ง (ปรับสภาพด้วยความร้อน) หรือการชุบผิว ออกมาจากแบบงาน
2. การค้นหางานที่คล้ายกัน: หาว่าเคยผลิตชิ้นส่วนที่คล้ายกันหรือไม่ และครั้งนั้นใช้ต้นทุนจริงเท่าไร
3. การคำนวณต้นทุน: รวมค่าวัสดุ เวลาตั้งเครื่องและเวลาแปรรูป กระบวนการจ้างภายนอก การตรวจสอบ และการบรรจุหีบห่อและขนส่ง
4. การอนุมัติ: พิจารณากำไร กำหนดส่ง และความเสี่ยง แล้วตัดสินราคาสุดท้ายและกำหนดส่งที่จะตอบลูกค้า

เหตุที่การถกเถียงเรื่อง AI เสนอราคามักสับสน ก็เพราะเรานำ 4 ขั้นตอนนี้มารวมกันแล้วถามว่า “AI ทำใบเสนอราคาอัตโนมัติได้หรือไม่” หากมองทีละขั้นตอน จะเห็นชัดว่าส่วนใดที่ AI ทำได้ดี และส่วนใดที่คนต้องรับผิดชอบ การอ่านแบบและการค้นหางานที่คล้ายกันเป็นขั้นตอนที่ใช้ AI ได้ง่าย (โดยมีเงื่อนไขว่าคนต้องตรวจสอบผลการอ่านแบบ) การคำนวณต้นทุนเหมาะหรือไม่เหมาะกับ AI ขึ้นอยู่กับแต่ละองค์ประกอบ ส่วนการอนุมัติเป็นงานของคน

นอกจากนี้ AI เสนอราคายังมักถูกสับสนกับระบบรอบข้าง การเสนอราคาสินค้าแบบปรับแต่งได้ ที่ราคาถูกกำหนดจากการเลือกตัวเลือก จะใช้อีกกลไกหนึ่งที่เรียกว่า CPQ (ดูรายละเอียดได้ในบทความเรื่องการนำ CPQ มาใช้ในอุตสาหกรรมการผลิต) ส่วนการใช้ AI สร้างเส้นทางเดินมีด (toolpath) ของโปรแกรมแปรรูป เป็นขอบเขตของ AI CAM ซึ่งมีจุดประสงค์ต่างจากการเสนอราคา อย่างไรก็ตาม อาจมีการเชื่อมโยงกันได้ เช่น นำเวลาแปรรูปที่คำนวณได้จาก AI CAM มาใช้ในการคำนวณต้นทุนของใบเสนอราคา

ขั้นตอนที่ 1 การอ่านแบบงาน: แบบ 2D ข้อมูล 3D GD&T และหมายเหตุสำคัญ

การอ่านแบบ 2D (PDF)

ที่หน้างานรับจ้างแปรรูปในไทย ยังมีแบบงานที่ส่งมาเป็น PDF แบบ 2D อยู่ไม่น้อย สิ่งที่ต้องอ่านได้แก่ กรอบรายละเอียดแบบ (title block: เลขที่แบบ ฉบับแก้ไข วัสดุ จำนวน) ขนาดและค่าพิกัดความเผื่อของขนาด ค่าพิกัดความเผื่อทางเรขาคณิต ความหยาบผิว และหมายเหตุ เช่น การชุบแข็ง การชุบผิว การเจียระไน และการลบครีบ สัญลักษณ์และการตีความค่าพิกัดความเผื่อทางเรขาคณิตกำหนดไว้ใน ISO 1101 สำหรับแบบงานในระบบ ISO และใน ASME Y14.5 สำหรับแบบงานของลูกค้าฝั่งสหรัฐฯ ลูกค้าญี่ปุ่นใช้ระบบ JIS หรือ ISO ส่วนลูกค้าอเมริกันใช้ระบบ ASME ดังนั้นในโรงงานเดียวกันอาจมีแบบงานหลายระบบปะปนกัน ซึ่งเป็นเรื่องที่ต้องคำนึงถึงตั้งแต่ขั้นกำหนดข้อกำหนดของการอ่านแบบ

ข้อมูล 3D (STEP AP242) และ PMI

กรณีรับข้อมูลเป็น 3D มาตรฐาน ISO 10303-242 (STEP AP242) ซึ่งออกฉบับที่ 4 เมื่อเดือนสิงหาคม 2025 ครอบคลุมข้อมูลขนาดและค่าพิกัดความเผื่อทางเรขาคณิต รวมถึงข้อมูลการผลิตผลิตภัณฑ์ (PMI) ในขั้นการออกแบบและการวางแผนการผลิต หากเป็นข้อมูลที่มี PMI ก็สามารถอ่านลักษณะรูปทรงและค่าพิกัดความเผื่อได้โดยไม่ต้องผ่านแบบงาน แต่ในทางปฏิบัติ มีไฟล์ STEP จำนวนไม่น้อยที่ส่งออกมาเฉพาะรูปทรงโดยไม่มี PMI ในกรณีนี้ข้อมูลค่าพิกัดความเผื่อจะไม่ถูกส่งไปถึง AI และต้องอ่านแบบ 2D แยกต่างหาก การที่ meviy ออกฟังก์ชันเชื่อมข้อมูลค่าพิกัดความเผื่อจาก iCAD SX โดยอัตโนมัติ ก็สะท้อนแนวคิดว่าการส่งค่าพิกัดความเผื่อจากฝั่งโมเดล 3D เป็นวิธีที่แน่นอนกว่า

ข้อจำกัดเมื่อใช้ Generative AI ทั่วไปอ่านแบบงาน

อีกวิธีหนึ่งคือให้ Generative AI ทั่วไปอย่าง ChatGPT, Claude หรือ Gemini อ่านไฟล์ PDF ของแบบงาน แต่เอกสารทางการของแต่ละบริษัทได้ระบุข้อจำกัดไว้อย่างชัดเจน

เอกสารทางการของ Anthropic ระบุข้อจำกัดด้านการทำความเข้าใจภาพไว้ว่า อาจเกิดข้อผิดพลาดกับภาพคุณภาพต่ำ ภาพที่ถูกหมุน และภาพขนาดเล็กกว่า 200 พิกเซล และผลลัพธ์ด้านพิกัดหรือตำแหน่งเป็นค่าโดยประมาณ พร้อมขอให้ไม่ใช้โดยไม่มีคนกำกับดูแลในงานที่ต้องการความแม่นยำสมบูรณ์ สำหรับ PDF กำหนดขนาดคำขอสูงสุด 32MB และสูงสุด 600 หน้าต่อคำขอ (100 หน้า สำหรับคำขอที่มีบริบทน้อยกว่า 1 ล้านโทเคน) ไม่รองรับ PDF ที่มีรหัสผ่านหรือเข้ารหัส และใช้ประมาณ 1,500-3,000 โทเคนต่อหน้า ภาพมีขีดจำกัดความละเอียด และภาพขนาดใหญ่จะถูกย่อขนาดก่อนประมวลผล จึงควรคิดไว้ว่าสัญลักษณ์ค่าพิกัดความเผื่อขนาดเล็กบนแบบงาน A3 อาจอ่านได้ยาก

Gemini API ของ Google ระบุว่ารับ PDF ได้สูงสุด 50MB หรือ 1,000 หน้า โดยนับ 1 หน้าเท่ากับ 258 โทเคน และจะย่อขนาดหน้าที่มีขนาดใหญ่ลงให้เหลือไม่เกิน 3072×3072 ส่วน API ของ OpenAI กำหนดให้อินพุต PDF มีขนาดน้อยกว่า 50MB ต่อไฟล์ และรวมไม่เกิน 50MB ต่อคำขอ พร้อมพารามิเตอร์สำหรับปรับระดับความละเอียดในการประมวลผลภาพ

กล่าวคือ หากจะใช้ AI ทั่วไปอ่านแบบงาน ต้องตั้งเงื่อนไขไว้ว่าต้องปรับความละเอียด โครงสร้างหน้า และการหมุนของแบบงานให้เรียบร้อยในขั้นเตรียมข้อมูล และคนต้องตรวจสอบผลการอ่านทุกครั้ง

เป้าหมายของการอ่านแบบ คือ “ไม่พลาดข้อกำหนดที่อันตราย” ก่อนเรื่องการคำนวณราคา

สิ่งสำคัญที่สุดของการอ่านแบบ แท้จริงแล้วไม่ใช่การได้ราคาออกมา เพราะการอ่านค่าพิกัดความเผื่อหรือหมายเหตุตกหล่น ไม่ใช่ปัญหาแค่ราคาเสนอคลาดเคลื่อนเล็กน้อย แต่นำไปสู่การขาดทุนหรือของเสียหลังได้รับงานโดยตรง ตัวอย่างเช่น หากมองข้ามคำสั่งให้ชุบแข็ง ค่าจ้างภายนอกจะตกหล่นไปจากราคาเสนอทั้งก้อน หากมองข้ามค่าพิกัดความเผื่อทางเรขาคณิตที่เข้มงวด ทั้งวิธีแปรรูปและวิธีตรวจสอบก็จะเปลี่ยนไป

การที่ Requirements Review ของ Paperless Parts ชูเรื่อง “การไฮไลต์ GD&T และหมายเหตุสำคัญ” และ “การติดธงเงื่อนไขความเสี่ยงสูง” แทนการคำนวณราคา และออกแบบโดยตั้งอยู่บนการตรวจทานของคน เช่น การมอบหมายผู้รับผิดชอบและประวัติการตรวจสอบ (audit trail) เป็นภาพสะท้อนของประเด็นนี้ ในเกณฑ์การตรวจรับของ AI อ่านแบบ ควรตั้งเรื่อง “ไม่ตกหล่นหมายเหตุสำคัญ” ไว้ก่อนเรื่องความคลาดเคลื่อนของจำนวนเงิน

ขั้นตอนที่ 2 การค้นหาแบบงานที่คล้ายกันและต้นทุนจริง

แค่ “เคยเสนอราคาชิ้นที่คล้ายกันไว้เท่าไร” ยังไม่พอ

สิ่งแรกที่ผู้ประเมินราคาทำเมื่อเห็นแบบงานใหม่ คือนึกว่า “เคยทำชิ้นที่คล้ายๆ กันมาก่อนหรือไม่” การค้นหาแบบงานที่คล้ายกันด้วย AI ช่วยแยกงานนี้ออกจากความจำของคน กลไกที่ดึงแบบงานในอดีตจากความใกล้เคียงของรูปทรง ขนาด วัสดุ และหมายเหตุ อธิบายไว้อย่างละเอียดในบทความเรื่อง AI ค้นหาแบบงาน

สิ่งสำคัญในการเสนอราคาคือ งานในอดีตที่ค้นเจอนั้นผูกอยู่กับข้อมูลอะไร หากผูกไว้แค่ “จำนวนเงิน” ของใบเสนอราคาในอดีต ก็ไม่รู้ว่าราคานั้นมีกำไรหรือไม่ เพราะมีราคาของงานที่ได้มาด้วยการลดราคา งานที่ขาดทุน และงานที่เสียให้คู่แข่งปะปนอยู่ สิ่งที่กำหนดความแม่นยำคือ งานในอดีตผูกกับต้นทุนจริง ได้แก่ เวลาตั้งเครื่องและเวลาแปรรูปที่ใช้จริง ค่าจ้างภายนอก และงานแก้ไขจากของเสีย หรือไม่

การจัดเตรียมข้อมูลคือด่านแรก

ในโรงงานญี่ปุ่นในไทย ข้อมูลมักกระจัดกระจาย เช่น ใบเสนอราคาอยู่ใน Excel แบบงานอยู่ในไฟล์เซิร์ฟเวอร์ ชั่วโมงงานจริงอยู่ในระบบควบคุมการผลิต และค่าจ้างภายนอกอยู่ในระบบบัญชี หากจะให้การค้นหางานที่คล้ายกันเป็นประโยชน์ต่อการเสนอราคา ต้องเชื่อมข้อมูลเหล่านี้เข้าด้วยกันโดยใช้เลขที่แบบและฉบับแก้ไขเป็นคีย์ หากฉบับแก้ไขของแบบงานคลาดกัน ก็จะกลายเป็นการประเมินราคาฉบับใหม่ด้วยต้นทุนจริงของฉบับเก่า ซึ่งเป็นสาเหตุของความคลาดเคลื่อน แนวคิดการจัดการฉบับแก้ไขของแบบงานสามารถดูเพิ่มเติมได้ในบทความเรื่อง AI บริหารการเปลี่ยนแปลงแบบ

การจัดเตรียมข้อมูลนี้อาจดูไม่หวือหวา แต่เป็นขั้นตอนสำคัญที่คิดเป็นหนึ่งในสี่ของเงินลงทุนเริ่มต้นในการประมาณการของโรงงานจำลองที่จะกล่าวถึงภายหลังด้วย

ขั้นตอนที่ 3 การคำนวณต้นทุน: องค์ประกอบที่มอบให้ AI ได้ง่าย และที่มอบได้ยาก

การคำนวณต้นทุนคือการรวมค่าวัสดุ เวลาตั้งเครื่อง เวลาแปรรูป กระบวนการจ้างภายนอก การตรวจสอบ และการบรรจุหีบห่อและขนส่ง ในบรรดาองค์ประกอบเหล่านี้ แบ่งได้ชัดเจนว่าส่วนใดมอบให้ AI ได้ง่าย และส่วนใดมอบได้ยาก

ในงานวิจัยทางวิชาการ มีงานที่แสดงว่าหากจำกัดเงื่อนไข แมชชีนเลิร์นนิงสามารถประมาณต้นทุนการผลิตได้ในระดับความแม่นยำหนึ่ง งานวิจัยที่ส่งขึ้น arXiv เมื่อเดือนสิงหาคม 2025 รายงานว่า ได้ดึงคุณลักษณะ (feature) ประมาณ 200 รายการจากแบบงาน 2D ของชิ้นส่วนช่วงล่างและระบบบังคับเลี้ยวของรถยนต์ 13,684 แผ่น (24 กลุ่มผลิตภัณฑ์) แล้วใช้ต้นไม้แบบ gradient boosting คาดการณ์ต้นทุนการผลิต ได้อัตราความคลาดเคลื่อนสัมบูรณ์เฉลี่ยรวมทุกกลุ่มผลิตภัณฑ์เกือบ 10% อย่างไรก็ตาม งานนี้เป็นเอกสารก่อนตีพิมพ์ (preprint) ที่ยังไม่ผ่านการประเมินโดยผู้ทรงคุณวุฒิ และเป็นผลลัพธ์บนชุดข้อมูลเฉพาะ (ชิ้นส่วนช่วงล่างและระบบบังคับเลี้ยวของรถยนต์) จึงไม่สามารถอ่านตัวเลขนี้ว่าเป็น “ความแม่นยำทั่วไปของ AI เสนอราคา” ได้ ความเข้าใจที่ถูกต้องคือ แม้มีงานวิจัยที่แสดงว่าหากจำกัดเงื่อนไขก็ประมาณได้ถึงระดับนี้ แต่หากไม่วัดกับกลุ่มชิ้นส่วนของบริษัทตนเอง ก็จะไม่รู้ความแม่นยำ

ณ ปัจจุบัน ยังไม่พบเกณฑ์มาตรฐาน (benchmark) ที่เป็นทางการหรือเป็นอิสระสำหรับความแม่นยำของ AI เสนอราคา ตัวเลขความแม่นยำที่ผู้ขายระบบนำเสนอ ควรตรวจสอบเสมอว่าวัดกับกลุ่มชิ้นส่วนใด ในช่วงเวลาใด และด้วยเกณฑ์ใด

ขั้นตอนที่ 4 จุดอนุมัติ: เขียนเงื่อนไขที่คนต้องหยุดไว้ให้ชัดเจน

ราคาสุดท้ายและกำหนดส่งที่ตอบลูกค้าต้องได้รับอนุมัติจากคน สิ่งสำคัญตรงนี้ไม่ใช่แค่พูดว่า “คนจะดู” แต่ต้องเขียนให้ชัดเจนว่าเงื่อนไขใดที่จะไม่ปล่อยใบเสนอราคาจาก AI ผ่านไปตรงๆ และคนต้องหยุดไว้ตรวจสอบทุกครั้ง หากเงื่อนไขคลุมเครือ ยิ่งช่วงงานยุ่ง การตรวจสอบก็ยิ่งกลายเป็นแค่พิธีการ

ตัวอย่างเงื่อนไขที่ให้หยุดไว้ที่จุดอนุมัติมีดังนี้ ทั้งหมดไม่ใช่มาตรฐานอุตสาหกรรม แต่เป็นตัวอย่างเกณฑ์ที่บริษัทกำหนดเอง

บนหน้าจออนุมัติ ควรแสดงไม่เพียงราคาที่ AI เสนอ แต่แสดงงานที่คล้ายกันซึ่งใช้เป็นฐาน ไฮไลต์หมายเหตุสำคัญที่อ่านได้ และเหตุผลที่ถูกหยุดไว้เคียงกัน การที่หน้าจอช่วยให้ผู้อนุมัติตรวจสอบได้ภายในไม่กี่สิบวินาทีว่า “ทำไมจึงเป็นราคานี้” เป็นหัวข้อที่ควรรวมไว้ในเกณฑ์การตรวจรับ

งานตัดเฉือน งานโลหะแผ่น และงานพลาสติก ต่างกันอย่างไร

แม้จะเป็น “การเสนอราคางานแปรรูป” เหมือนกัน แต่ความยากก็ต่างกันไปตามวิธีการผลิต ต่อไปนี้เป็นการสรุปในเชิงหลักการทั่วไปว่าต้องระวังตรงไหน

งานตัดเฉือน (งานกลึง งานกัด และงาน CNC) เวลาแปรรูปเปลี่ยนไปมากตามลักษณะรูปทรง (รู ช่องหลุม เกลียว ร่อง ฯลฯ) ค่าพิกัดความเผื่อ และความหยาบผิว ชิ้นงานกลมกับชิ้นงานเหลี่ยมมีกระบวนการต่างกัน จำนวนครั้งตั้งเครื่องและความจำเป็นของจิ๊กก็มีผล หัวใจของการเสนอราคาคือการอ่านแบบและการประมาณเวลาแปรรูป หากเชื่อมกับข้อมูลฝั่งการแปรรูป เช่น AI CAM ก็จะมีฐานในการประมาณมากขึ้น

งานโลหะแผ่น ต้นทุนขึ้นอยู่กับรูปคลี่ จำนวนครั้งพับ จำนวนรูและรอยบาก และประสิทธิภาพการจัดวางชิ้นงาน (nesting) ว่าวัสดุ 1 แผ่นตัดได้กี่ชิ้น วิธีตัดวัสดุเปลี่ยนไปตามจำนวน จึงต้องมีกลไกออกใบเสนอราคาแยกตามจำนวน เมื่อมีงานเชื่อมหรืองานพ่นสี สัดส่วนของงานจ้างภายนอกและกระบวนการหลังจะสูงขึ้น

งานขึ้นรูปพลาสติก โครงสร้างของใบเสนอราคาเปลี่ยนไปโดยสิ้นเชิงขึ้นอยู่กับว่ามีแม่พิมพ์หรือไม่ ต้องแยกคิดค่าแม่พิมพ์กับราคาต่อชิ้นในการขึ้นรูป และหากต้องทำแม่พิมพ์ใหม่ จะมีการตัดสินใจด้านการออกแบบแม่พิมพ์เข้ามาเกี่ยวข้อง การเสนอราคาอัตโนมัติจากแบบงานจึงยากยิ่งขึ้น

สิ่งที่เหมือนกันในทุกวิธีการผลิตคือ ไม่ควรครอบคลุมทุกวิธีการผลิตและทุกวัสดุตั้งแต่แรก ที่สมเหตุสมผลคือเริ่มจากวิธีการผลิตและวัสดุที่มีจำนวนงานมากที่สุด เมื่อผ่านเกณฑ์การตรวจรับในขอบเขตนั้นแล้วจึงค่อยขยายขอบเขต

วัดความแม่นยำด้วยอะไร: วิธีสร้างเกณฑ์การตรวจรับระบบเสนอราคาด้วย AI

การทดสอบย้อนหลัง (เปรียบเทียบกับงานในอดีต)

วิธีที่แน่นอนที่สุดในการตรวจสอบความแม่นยำของ AI เสนอราคา คือนำแบบงานของงานที่เคยได้รับคำสั่งซื้อและผลิตจริงแล้วมาผ่าน AI แล้วเปรียบเทียบราคาที่ AI ประเมินกับต้นทุนจริง ไม่ใช่เปรียบเทียบกับราคาที่เคยเสนอไว้ เพราะราคาที่เคยเสนอเองก็อาจคลาดเคลื่อนมาแล้ว งานที่ใช้เปรียบเทียบต้องแยกออกจากงานที่ใช้ฝึก AI

ดู “การกระจายของความคลาดเคลื่อน” ไม่ใช่ค่าเฉลี่ย

การตัดสินความแม่นยำด้วยตัวเลขความคลาดเคลื่อนเฉลี่ยเพียงตัวเดียวเป็นเรื่องอันตราย แม้ค่าเฉลี่ยจะดี แต่หากบางงานคลาดไปมาก งานนั้นก็จะขาดทุน สิ่งที่ควรดูคือการกระจายของความคลาดเคลื่อน โดยเฉพาะ “มีงานที่คลาดต่ำไปมาก (ประเมินราคาถูกเกินไป) อยู่มากเพียงใด”

ตัวอย่างตัวชี้วัดที่ควรใส่ในเกณฑ์การตรวจรับ

ค่าผ่านที่แสดงไว้ตรงนี้ล้วนเป็นตัวอย่างที่บริษัทต้องกำหนดเอง ระดับที่เหมาะสมต่างกันไปตามกลุ่มชิ้นส่วนและลูกค้า จึงไม่ควรนำ “ความแม่นยำ XX%” ที่ผู้ขายระบบกล่าวอ้างมาเป็นเกณฑ์การตรวจรับโดยตรง วิธีตัดสินว่าจะยุติ PoC ที่จุดใดและจะก้าวไปสู่การใช้งานจริงหรือไม่ ได้สรุปไว้ในบทความเรื่องเกณฑ์การยุติ AI PoC เช่นกัน

ต้นทุนและ ROI: การลดชั่วโมงงานเพียงอย่างเดียวไม่คุ้มทุน

ต่อจากนี้จะประมาณการด้วยโรงงานจำลองที่บทความนี้สร้างขึ้นเอง ขอย้ำอีกครั้งว่าตัวเลขต่อไปนี้ทั้งหมดเป็นค่าสมมติและค่าประมาณการ ไม่ใช่ค่าเฉลี่ยของอุตสาหกรรม

สมมติฐานของโรงงานจำลอง Q

• บริษัทรับจ้างแปรรูปงานตัดเฉือนความแม่นยำสูงและงานโลหะแผ่นสัญชาติญี่ปุ่น ในจังหวัดชลบุรี ประเทศไทย พนักงาน 320 คน
• คำขอใบเสนอราคา (RFQ) ปีละ 1,800 รายการ (เดือนละ 150 รายการ)
• เวลาทำงานของผู้ประเมินราคาต่อใบเสนอราคา 1 รายการ เฉลี่ย 2.0 ชั่วโมง (ค่าสมมติที่รวมการตรวจแบบ การออกแบบกระบวนการ การสอบถามผู้รับจ้างภายนอก การคำนวณ และการอนุมัติ)
• เวลางานเสนอราคาต่อปี = 1,800 รายการ × 2.0 ชั่วโมง = 3,600 ชั่วโมง
• ค่าแรงต่อชั่วโมงของผู้ประเมินราคา 400 บาท (ค่าที่บทความนี้ตั้งไว้ชั่วคราว โดยรวมเงินเดือนของผู้ประเมินราคาสายเทคนิคกับประกันสังคมและค่าใช้จ่ายอื่น)
• ค่าแรงงานเสนอราคาต่อปี = 3,600 ชั่วโมง × 400 บาท = 1,440,000 บาท
• อัตราการได้งาน 20% ได้รับคำสั่งซื้อปีละ 1,800 รายการ × 20% = 360 รายการ
• มูลค่าคำสั่งซื้อเฉลี่ยต่อรายการ 300,000 บาท อัตรากำไรส่วนเพิ่ม (marginal profit) 25% กำไรส่วนเพิ่มต่อรายการจึงเท่ากับ 75,000 บาท
• ระยะเวลาตอบใบเสนอราคาในปัจจุบันเฉลี่ย 5 วันทำการ

โครงสร้างระบบและค่าใช้จ่ายที่สมมติ

โครงสร้างระบบคือ “AI อ่านแบบ + ค้นหาแบบงานที่คล้ายกัน + ตารางต้นทุน โดยคนเป็นผู้อนุมัติราคาสุดท้าย”

จุดสำคัญที่ 1 ลดชั่วโมงงานอย่างเดียว ต้องใช้เวลา 10 ปี

สมมติว่าลดเวลางานเสนอราคาได้ 50% (จาก 2.0 ชั่วโมงต่อรายการ เหลือ 1.0 ชั่วโมง) เวลาที่ลดได้คือ 3,600 ชั่วโมง × 50% = 1,800 ชั่วโมง คิดเป็นค่าแรง 1,800 ชั่วโมง × 400 บาท = ปีละ 720,000 บาท

เมื่อหักค่าใช้จ่ายดำเนินงานต่อปี 600,000 บาท ประโยชน์สุทธิต่อปีจะเหลือเพียง 120,000 บาท ระยะเวลาคืนทุนอย่างง่ายคือ 1,200,000 ÷ 120,000 = 10.0 ปี ยอดสะสม 5 ปีเท่ากับ 120,000 × 5 − 1,200,000 = −600,000 บาท ซึ่งขาดทุน แปลว่าแม้จะลดชั่วโมงงานได้ครึ่งหนึ่ง แต่การลดชั่วโมงงานเพียงอย่างเดียวไม่สามารถคืนทุนได้

เมื่ออัตราการได้งานเพิ่มขึ้น 1 จุด ภาพจะเปลี่ยนไป

ต่อไป สมมติว่าเป็นผลจากการที่ระยะเวลาตอบใบเสนอราคาสั้นลง ทำให้อัตราการได้งานเพิ่มจาก 20% เป็น 21% หรือเพิ่มขึ้น 1 จุด คำสั่งซื้อที่เพิ่มขึ้นคือ 1,800 รายการ × 1% = 18 รายการ กำไรส่วนเพิ่มที่เพิ่มขึ้นคือ 18 รายการ × 75,000 บาท = ปีละ 1,350,000 บาท

ในกรณีนี้ ประโยชน์สุทธิต่อปีจะเท่ากับ 720,000 + 1,350,000 − 600,000 = 1,470,000 บาท ระยะเวลาคืนทุนอย่างง่ายคือ 1,200,000 ÷ 1,470,000 = ประมาณ 0.8 ปี (ประมาณ 10 เดือน) และยอดสะสม 5 ปีเท่ากับ 1,470,000 × 5 − 1,200,000 = 6,150,000 บาท

ขอบันทึกข้อควรระวังในการคำนวณไว้ 3 ข้อ ข้อแรก ผลของอัตราการได้งานนับเป็น “กำไรส่วนเพิ่ม” หากนำมูลค่าคำสั่งซื้อ 300,000 บาทมาบวกเป็นผลประโยชน์ทั้งก้อน จะทำให้ผลดูใหญ่เกินจริง ข้อสอง การลดชั่วโมงงาน 720,000 บาท (ค่าแรง) กับผลของอัตราการได้งาน 1,350,000 บาท (กำไรส่วนเพิ่ม) เป็นผลคนละประเภท จึงนำมารวมกัน แต่เนื่องจากจำนวนคำขอใบเสนอราคา 1,800 รายการไม่เปลี่ยน แม้คำสั่งซื้อจะเพิ่มขึ้น งานเสนอราคาก็ไม่ได้เพิ่มขึ้นตาม ข้อสาม การประมาณการนี้สมมติว่ากำลังการผลิตเพียงพอรองรับคำสั่งซื้อที่เพิ่มขึ้น

ข้อสรุปชัดเจน สิ่งที่ชี้ขาดการตัดสินใจลงทุนไม่ใช่การลดชั่วโมงงาน แต่คืออัตราการได้งาน อย่างไรก็ตาม อัตราการได้งานยังขึ้นอยู่กับราคา คุณภาพ กำหนดส่ง ภาวะเศรษฐกิจ และสถานการณ์ฝั่งลูกค้า การพิสูจน์ว่าเป็นผลจาก AI เสนอราคาจึงไม่ใช่เรื่องง่าย ด้วยเหตุนี้จึงต้องกำหนดการออกแบบไว้ตั้งแต่แรกว่า ในช่วง 30 วันก่อนนำระบบมาใช้ จะบันทึกอัตราการได้งาน ระยะเวลาตอบใบเสนอราคา และเหตุผลที่เสียงานในปัจจุบัน แล้วเปรียบเทียบด้วยตัวชี้วัดเดียวกันหลังนำระบบมาใช้ ในทางกลับกัน ข้อเสนอที่สัญญาว่าจะเพิ่มอัตราการได้งานได้นั้น ควรตั้งข้อสงสัยไว้ก่อน

จุดสำคัญที่ 2 ต้นทุนของการอ่านแบบผิด 1 ครั้ง

ขอวางไม้บรรทัดอีกอันหนึ่ง สมมติว่าการอ่านค่าพิกัดความเผื่อหรือหมายเหตุ เช่น การชุบแข็งหรือการชุบผิว ตกหล่น ทำให้เกิดคำสั่งซื้อที่ต่ำกว่าทุนปีละ 4 รายการ และขาดทุนรายการละ 150,000 บาท ความเสียหายคือ 4 รายการ × 150,000 บาท = ปีละ 600,000 บาท

ตัวเลขนี้เท่ากับประมาณ 83% ของผลจากการลดชั่วโมงงาน 720,000 บาทในจุดสำคัญที่ 1 (600,000 ÷ 720,000 = 0.833) ทั้งนี้ ตัวเลขความเสียหายนี้แสดงไว้เป็นไม้บรรทัดสำหรับเปรียบเทียบกับผลจากการลดชั่วโมงงานเท่านั้น ไม่ได้มีไว้เพื่อนำไปหักออกจากประโยชน์สุทธิในจุดสำคัญที่ 1 เพื่อสร้างการประมาณการชุดใหม่

สิ่งที่บอกได้จากตรงนี้คือ ทันทีที่ถอดจุดอนุมัติออก AI เสนอราคาอาจทำให้สูญเสียค่าแรงที่ประหยัดได้เกือบทั้งหมด นี่คือเหตุผลที่ต้องใส่เงื่อนไขการหยุดที่จุดอนุมัติ และหน้าจอที่คนใช้ตรวจสอบผลการอ่านแบบ (ไฮไลต์หมายเหตุสำคัญ) ไว้ในเกณฑ์การตรวจรับ

มาตรการภาษีสำหรับ SME ไทย

สำนักงานบัญชีแห่งหนึ่งได้อธิบายไว้ว่า พระราชกฤษฎีกา ฉบับที่ 802 ซึ่งให้หักรายจ่ายได้ 200% สำหรับการลงทุนด้านดิจิทัลของวิสาหกิจขนาดกลางและขนาดย่อม (SME) มีผลบังคับใช้ในเดือนกุมภาพันธ์ 2026 กลุ่มเป้าหมายคือนิติบุคคลที่มีทุนชำระแล้วไม่เกิน 5 ล้านบาท และรายได้ต่อปีไม่เกิน 30 ล้านบาท ครอบคลุมรายจ่ายตั้งแต่วันที่ 1 มิถุนายน 2025 ถึงวันที่ 31 ธันวาคม 2027 เพดาน 300,000 บาท และซอฟต์แวร์หรือฮาร์ดแวร์ต้องเป็นรายการที่ขึ้นทะเบียนกับสำนักงานส่งเสริมเศรษฐกิจดิจิทัล (DEPA) ยังต้องตรวจสอบการตีความ รวมถึงว่าเพดานดังกล่าวหมายถึงส่วนที่หักเพิ่มหรือยอดรวม และบริษัทขนาดเท่าโรงงานจำลอง Q อาจไม่เข้าเงื่อนไขกลุ่มเป้าหมาย การใช้สิทธิได้หรือไม่ โปรดสอบถามผู้เชี่ยวชาญด้านภาษีหรือกรมสรรพากรเป็นรายกรณี

12 หัวข้อที่ควรเขียนใน RFP ของระบบเสนอราคางานแปรรูปด้วย AI

สาเหตุส่วนใหญ่ของข้อพิพาทในการจ้างทำระบบ AI เสนอราคา คือในเอกสารข้อกำหนดไม่ได้เขียนไว้ว่า “อะไรคือความสำเร็จของงาน” ขอแนะนำให้เขียนอย่างน้อย 12 หัวข้อต่อไปนี้ไว้ในเอกสารข้อกำหนดการจัดซื้อจัดจ้าง (RFP)

โดยเฉพาะข้อ 5 “ความเป็นเจ้าของและสิทธิแก้ไขโมเดลต้นทุน” มักถูกมองข้าม หากโมเดลต้นทุนกลายเป็นกล่องดำของผู้ขายระบบ ทุกครั้งที่ราคาวัสดุหรือค่าชั่วโมงเครื่องจักรเปลี่ยน ก็ต้องร้องขอผู้ขายระบบ และบริษัทจะอธิบายที่มาของราคาเสนอด้วยตนเองไม่ได้ วิธีพิจารณาบริษัทพัฒนาระบบดูได้ในบทความเรื่องวิธีเลือกบริษัทพัฒนา AI และประเด็นที่ต้องกำหนดในสัญญาดูได้ในบทความเรื่องสัญญาพัฒนาระบบ ประกอบกัน

สิ่งที่ต้องตรวจสอบใน FAT/SAT

ในการทดสอบรับมอบที่โรงงานผู้ผลิต (FAT) และการทดสอบรับมอบ ณ สถานที่ติดตั้ง (SAT) ให้ตรวจสอบส่วนที่มองไม่เห็นจากการสาธิต

• การทดสอบย้อนหลังด้วยงานในอดีต: ใช้งานที่เคยได้รับคำสั่งซื้อซึ่งไม่ได้ใช้ฝึก AI เปรียบเทียบต้นทุนที่ประมาณกับต้นทุนจริง และดูว่าการกระจายของความคลาดเคลื่อนผ่านเกณฑ์การตรวจรับหรือไม่
• อ่านหมายเหตุสำคัญตกหล่นเป็นศูนย์: บริษัทจัดทำชุดแบบงานทดสอบเอง โดยจงใจใส่การชุบแข็ง การชุบผิว ค่าพิกัดความเผื่อทางเรขาคณิตที่เข้มงวด และคำสั่งตรวจสอบพิเศษ แล้วดูว่าอ่านได้ครบทั้งหมดหรือไม่
• จุดอนุมัติต้องหยุดได้แน่นอน: ป้อนแบบงานที่เข้าเงื่อนไขให้หยุด แล้วดูว่าทุกรายการถูกส่งไปยังผู้อนุมัติโดยไม่มีหลุดแม้แต่รายการเดียวหรือไม่
• ไม่มีชื่อบุคคลหลงเหลือ: ออกแบบให้ชื่อผู้ออกแบบหรือผู้อนุมัติในกรอบรายละเอียดแบบไม่หลงเหลืออยู่ในผลการอ่านหรือข้อมูลฝึกหรือไม่
• การจัดการแบบงานต่างฉบับแก้ไข: เมื่อป้อนแบบงานเลขที่แบบเดียวกันแต่ต่างฉบับแก้ไข ระบบแยกเป็นคนละรายการ และไม่นำต้นทุนจริงของฉบับเก่ามาใช้ผิดหรือไม่
• แบบงานที่ถูกหมุนหรือแบบสแกน: ระบบทำงานอย่างไรกับแบบสแกนที่เอียง หรือแบบงานความละเอียดต่ำ และเมื่ออ่านไม่ได้ แสดงว่า “อ่านไม่ได้” หรือไม่

สิ่งสำคัญคือ ชุดแบบงานทดสอบต้องสร้างจากแบบงานจริงของบริษัทเอง ไม่ใช่ให้ผู้ขายระบบเตรียมให้ ตัวอย่างที่ผู้ขายระบบเตรียมมาจะไม่สะท้อนลักษณะเฉพาะของแบบงานของบริษัท หรือวิธีเขียนหมายเหตุที่พบบ่อยในลูกค้าของบริษัท

ประเด็นเฉพาะของประเทศไทย: ความลับของแบบงาน PDPA การควบคุมการส่งออก และหลายภาษา

ความลับของแบบงานลูกค้ากับ AI บนคลาวด์

แบบงานของลูกค้าส่วนใหญ่อยู่ภายใต้สัญญารักษาความลับ (NDA) ก่อนอื่นโปรดตรวจสอบว่า NDA กับลูกค้าจำกัดการเปิดเผยแบบงานให้บุคคลที่สาม หรือการจัดเก็บบนคลาวด์ไว้หรือไม่

กรณีใช้ API ของ Generative AI บนคลาวด์ ผู้ให้บริการรายใหญ่ระบุไว้ในข้อกำหนดหรือเอกสารทางการว่าจะไม่นำข้อมูลลูกค้าจาก API เชิงพาณิชย์ไปใช้ฝึกโมเดล ข้อกำหนดการใช้งานเชิงพาณิชย์ของ Anthropic (มีผลวันที่ 17 มิถุนายน 2025) กำหนดว่าจะไม่ฝึกโมเดลด้วยเนื้อหาของลูกค้าในบริการเชิงพาณิชย์ เอกสารทางการของ OpenAI ระบุว่าข้อมูลที่ส่งไปยัง API จะไม่ถูกใช้ฝึกโมเดล เว้นแต่จะเลือกเข้าร่วม (opt-in) อย่างชัดแจ้ง และระบุว่าเก็บบันทึก (log) สำหรับตรวจสอบการใช้งานในทางมิชอบไว้สูงสุด 30 วัน และมีการเก็บข้อมูลเป็นศูนย์ (Zero Data Retention) ให้ใช้ได้แบบต้องได้รับอนุมัติ สามารถเลือกภูมิภาคจัดเก็บข้อมูล เช่น ญี่ปุ่นหรือสิงคโปร์ได้ แต่ในรายการไม่มีประเทศไทย

สิ่งที่ต้องระวังตรงนี้คือ “ไม่นำไปฝึก” กับ “ไม่จัดเก็บ” เป็นคนละเรื่องกัน แม้จะไม่ถูกนำไปฝึก ก็อาจมีการเก็บบันทึกไว้ช่วงระยะหนึ่ง นอกจากนี้ แผนสำหรับบุคคลทั่วไปมีเงื่อนไขต่างจากสัญญาเชิงพาณิชย์ แบบงานของลูกค้าต้องจัดการผ่านช่องทางสัญญาเชิงพาณิชย์ที่บริษัททำไว้ในนามบริษัทเสมอ และควรห้ามไม่ให้พนักงานนำแบบงานไปให้ AI อ่านผ่านบัญชีส่วนตัว

PDPA (พระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคล)

พระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคล (PDPA) ของไทยนิยามข้อมูลส่วนบุคคลว่า “ข้อมูลเกี่ยวกับบุคคลซึ่งทำให้สามารถระบุตัวบุคคลนั้นได้ไม่ว่าทางตรงหรือทางอ้อม” รูปทรงหรือค่าพิกัดความเผื่อในแบบงานโดยทั่วไปน่าจะไม่เข้าข่ายข้อมูลส่วนบุคคล แต่ชื่อผู้ออกแบบหรือผู้อนุมัติในกรอบรายละเอียดแบบ รวมถึงชื่อและข้อมูลติดต่อของผู้ประสานงานฝั่งลูกค้าในอีเมลขอใบเสนอราคา อาจเป็นข้อมูลส่วนบุคคลได้ การออกแบบให้ตัดชื่อบุคคลออกจากผลการอ่านและข้อมูลฝึกจึงปลอดภัยกว่า การจัดการในรายละเอียด โปรดสอบถามฝ่ายกฎหมายหรือผู้เชี่ยวชาญเป็นรายกรณี

การควบคุมการส่งออก

มีรายงานว่า ตามประกาศกระทรวงพาณิชย์ที่ออกภายใต้กฎหมายว่าด้วยการควบคุมการค้าสินค้าที่เกี่ยวกับอาวุธที่มีอานุภาพทำลายล้างสูง ตั้งแต่วันที่ 30 กรกฎาคม 2026 การส่งออกและการส่งออกต่อสินค้าที่ใช้ได้สองทาง (dual-use) ในหมวด 0 (ที่เกี่ยวกับนิวเคลียร์) ต้องได้รับอนุญาตผ่านระบบของกรมการค้าต่างประเทศ (DFT) คาดว่าผลกระทบโดยตรงต่อการเสนอราคาชิ้นส่วนแปรรูปทั่วไปมีจำกัด แต่ขึ้นอยู่กับเนื้อหาของแบบงาน ก็อาจมีกรณีที่ต้องระมัดระวังการจัดการข้อมูลทางเทคนิค ข้อมูลในบทความนี้อ้างอิงจากแหล่งข้อมูลทุติยภูมิ เช่น ข่าว ส่วนจะเข้าข่ายหรือไม่ โปรดสอบถามกรมการค้าต่างประเทศ (DFT) กระทรวงพาณิชย์ หรือผู้เชี่ยวชาญเป็นรายกรณี

หลายภาษา

ในโรงงานญี่ปุ่นในไทย ผู้ประเมินราคาชาวไทย ฝ่ายขายชาวญี่ปุ่น และสำนักงานใหญ่ที่ญี่ปุ่นหรือลูกค้าญี่ปุ่น ต่างมีส่วนเกี่ยวข้องกับใบเสนอราคาฉบับเดียวกัน หมายเหตุบนแบบงานก็อาจมีภาษาญี่ปุ่น อังกฤษ และไทยปะปนกัน ชื่อรายการในผลการอ่าน โดยเฉพาะสัญลักษณ์วัสดุและชื่อการปรับสภาพผิว หากไม่รวมให้เป็นหนึ่งเดียวด้วยพจนานุกรมคำศัพท์ วัสดุชนิดเดียวกันจะถูกลงทะเบียนด้วยชื่อต่างกัน ทั้งการค้นหางานที่คล้ายกันและการคำนวณต้นทุนก็จะผิดเพี้ยน การกำหนดผู้ดูแลพจนานุกรมคำศัพท์จึงเป็นหนึ่งในการเตรียมการก่อนนำระบบมาใช้

แผน 90 วันสำหรับการนำ AI มาใช้เสนอราคางานแปรรูป

ท้ายที่สุด ขอแสดงขั้นตอนการนำระบบมาใช้ในกรอบ 90 วัน

สิ่งที่สำคัญที่สุดใน 30 วันแรกไม่ใช่การลองใช้ AI แต่คือการบันทึกสถานะปัจจุบัน หากไม่รู้อัตราการได้งานหรือระยะเวลาตอบใบเสนอราคาก่อนนำระบบมาใช้ หลังนำระบบมาใช้แล้วก็จะไม่มีใครอธิบายได้ว่าอะไรดีขึ้น ดังที่เห็นในจุดสำคัญที่ 1 สิ่งที่ชี้ขาดการตัดสินใจลงทุนคืออัตราการได้งาน และฐานสำหรับเปรียบเทียบอัตราการได้งานนั้น สร้างได้เฉพาะก่อนนำระบบมาใช้เท่านั้น

ในการใช้งานคู่ขนานช่วงวันที่ 31-60 จะไม่ส่งใบเสนอราคาจาก AI ให้ลูกค้า แต่นำมาเทียบเคียงกับใบเสนอราคาของคน ช่วงนี้จะเริ่มเห็นว่า AI มักคลาดเคลื่อนกับแบบงานประเภทใด และควรหยุดที่จุดอนุมัติภายใต้เงื่อนไขใด

คำถามที่พบบ่อย (FAQ)

Q1. AI เสนอราคาคืออะไร ต่างจากระบบใบเสนอราคาแบบเดิมอย่างไร

ระบบใบเสนอราคาแบบเดิมเป็นเครื่องมือที่เมื่อคนป้อนวัสดุหรือเวลาแปรรูป ระบบจะคำนวณราคาตามสูตรที่กำหนดไว้ AI เสนอราคาต่างตรงที่ AI รับผิดชอบส่วนก่อนหน้านั้น ได้แก่ “อ่านแบบงาน” “ค้นหางานในอดีตที่คล้ายกัน” และ “ประมาณเวลาแปรรูป” อย่างไรก็ตาม เส้นแบ่งที่ว่าราคาสุดท้ายและกำหนดส่งที่ตอบลูกค้าต้องได้รับอนุมัติจากคนนั้นไม่เปลี่ยนแปลง

Q2. หากประเมินราคาจากแบบงานอัตโนมัติ จะมีความแม่นยำเท่าไร

ไม่มีตัวเลขความแม่นยำที่ใช้ได้ทั่วไป ยังไม่พบเกณฑ์มาตรฐานความแม่นยำที่เป็นทางการหรือเป็นอิสระ และตัวเลขจากงานวิจัยทางวิชาการก็เป็นผลก่อนการประเมินโดยผู้ทรงคุณวุฒิที่ได้จากชุดข้อมูลของกลุ่มชิ้นส่วนเฉพาะ วิธีเดียวคือนำงานที่บริษัทเคยได้รับคำสั่งซื้อมาผ่าน AI แล้ววัดการกระจายของความคลาดเคลื่อนและอัตราการอ่านได้ครบ ด้วยการทดสอบย้อนหลังเปรียบเทียบกับต้นทุนจริง ค่าผ่านต้องกำหนดเอง

Q3. ความยากของ AI เสนอราคา ระหว่างงานตัดเฉือนกับงานโลหะแผ่นต่างกันหรือไม่

ต่างกัน ในเชิงหลักการทั่วไป งานตัดเฉือนเน้นที่การประมาณเวลาแปรรูปจากลักษณะรูปทรงและค่าพิกัดความเผื่อ ส่วนงานโลหะแผ่น ต้นทุนขึ้นอยู่กับรูปคลี่ จำนวนครั้งพับ และประสิทธิภาพการจัดวางชิ้นงาน (nesting) งานขึ้นรูปพลาสติกมีโครงสร้างใบเสนอราคาเปลี่ยนไปตามการมีหรือไม่มีแม่พิมพ์ ที่สมเหตุสมผลคือเริ่มต้นโดยจำกัดไว้ที่วิธีการผลิตและวัสดุที่มีจำนวนงานมากที่สุด

Q4. ส่งแบบงานของลูกค้าไปยัง AI บนคลาวด์ได้หรือไม่

ก่อนอื่นโปรดตรวจสอบว่า NDA กับลูกค้าจำกัดการเปิดเผยให้บุคคลที่สามหรือการจัดเก็บบนคลาวด์ไว้หรือไม่ ผู้ให้บริการรายใหญ่ระบุชัดว่าจะไม่นำข้อมูลจาก API เชิงพาณิชย์ไปฝึกโมเดล แต่ “ไม่นำไปฝึก” กับ “ไม่จัดเก็บ” เป็นคนละเรื่อง และอาจมีการเก็บบันทึกไว้ช่วงระยะหนึ่ง ชื่อบุคคลในกรอบรายละเอียดแบบอาจเป็นข้อมูลส่วนบุคคลได้ จึงควรสอบถามฝ่ายกฎหมายหรือผู้เชี่ยวชาญเป็นรายกรณี รวมถึงการจัดการตาม PDPA ส่วนเนื้อหาของแบบงานอาจเกี่ยวข้องกับการควบคุมการส่งออกหรือไม่ ก็ควรสอบถามกรมการค้าต่างประเทศ (DFT) ซึ่งเป็นหน่วยงานที่รับผิดชอบ หรือผู้เชี่ยวชาญเป็นรายกรณีเพื่อความปลอดภัย

Q5. บริษัทรับจ้างแปรรูปขนาดกลางและขนาดย่อมนำ AI เสนอราคามาใช้ได้หรือไม่ ค่าใช้จ่ายเท่าไร

ในการประมาณการของโรงงานจำลอง Q ในบทความนี้ (พนักงาน 320 คน คำขอใบเสนอราคาปีละ 1,800 รายการ) ตั้งเงินลงทุนเริ่มต้นไว้ 1,200,000 บาท และค่าใช้จ่ายดำเนินงานต่อปี 600,000 บาท ตัวเลขเหล่านี้เป็นค่าสมมติ และจะเปลี่ยนไปมากตามโครงสร้างระบบและขอบเขต หากลดชั่วโมงงานอย่างเดียวต้องใช้เวลาคืนทุน 10.0 ปี แต่หากอัตราการได้งานเพิ่มขึ้น 1 จุด จะคืนทุนได้ในประมาณ 10 เดือน โปรดตรวจสอบโครงสร้างนี้ด้วยตัวเลขของบริษัทเอง สิทธิหักรายจ่าย 200% สำหรับการลงทุนด้านดิจิทัลของ SME ไทยมีเงื่อนไขเรื่องทุนและรายได้ และยังต้องตรวจสอบการตีความ โปรดสอบถามผู้เชี่ยวชาญด้านภาษีหรือกรมสรรพากรเป็นรายกรณี

Q6. ต้องใช้เวลานานเท่าไรจึงจะนำระบบมาใช้ได้

บทความนี้แสดงแผน 90 วัน 30 วันแรกคือการบันทึกสถานะปัจจุบันและจัดเตรียมข้อมูล 30 วันถัดไปคือการใช้งานคู่ขนานในขอบเขตจำกัด และ 30 วันสุดท้ายคือ FAT/SAT และการตัดสินว่าจะขยายขอบเขตหรือไม่ ภาระงานใน 30 วันแรกจะต่างกันมากขึ้นอยู่กับว่าต้นทุนจริงในอดีตจัดเก็บไว้เป็นระเบียบเพียงใด

สรุป

• การนำ AI มาใช้เสนอราคางานแปรรูป ไม่ใช่การให้ AI เป็นผู้ตัดสินราคา แต่คือการแบ่งการเสนอราคาออกเป็น 4 ขั้นตอน ได้แก่ การอ่านแบบ การค้นหางานที่คล้ายกัน การคำนวณต้นทุน และการอนุมัติ แล้วกำหนดเส้นแบ่งระหว่าง AI กับคน
• เป้าหมายของการอ่านแบบ คือการไม่มองข้ามข้อกำหนดที่อันตราย เช่น ค่าพิกัดความเผื่อ การชุบแข็ง และการชุบผิว ก่อนเรื่องการคำนวณราคา
• ความแม่นยำของการค้นหางานที่คล้ายกัน ขึ้นอยู่กับว่าผูกกับต้นทุนจริงหรือไม่ ไม่ใช่ราคาที่เคยเสนอในอดีต
• เขียนเงื่อนไขที่ให้หยุดที่จุดอนุมัติให้ชัดเจน และทำให้หน้าจออนุมัติแสดงฐานของราคาและหมายเหตุสำคัญให้ตรวจสอบได้
• วัดความแม่นยำกับกลุ่มชิ้นส่วนของบริษัทเอง ด้วยการทดสอบย้อนหลังกับงานที่เคยได้รับคำสั่งซื้อ และการกระจายของความคลาดเคลื่อน
• ในการประมาณการแบบจำลอง การลดชั่วโมงงานอย่างเดียวต้องใช้เวลาคืนทุน 10.0 ปี และสิ่งที่ชี้ขาดการตัดสินใจลงทุนคืออัตราการได้งาน ขณะเดียวกัน ความเสียหายจากการอ่านแบบผิดอาจสูงถึงประมาณ 83% ของผลจากการลดชั่วโมงงาน จุดอนุมัติจึงถอดออกไม่ได้
• การบันทึกสถานะปัจจุบันใน 30 วันก่อนนำระบบมาใช้ คือฐานของการเปรียบเทียบทั้งหมด

ท่านสามารถปรึกษาเราได้ตั้งแต่ขั้นตอนพิจารณาว่าจะบันทึกชั่วโมงงานเสนอราคาและอัตราการได้งานในปัจจุบันอย่างไร หรือขั้นตอนขีดเส้นแบ่งว่าแบบงานประเภทใดจะให้ผ่านการเสนอราคาด้วย AI รวมถึงกรณีที่ต้องการคำนวณการประมาณการใหม่ด้วยตัวเลขของบริษัทท่านเอง ติดต่อเราได้ทางแบบฟอร์มติดต่อ

ข้อมูลอ้างอิง

• The Next Web (การระดมทุนของ CloudNC และ Quote Agent): https://thenextweb.com/news/cloudnc-20m-cam-assist-quote-agent
• Robotics 24/7 (IMTS 2026 CloudNC): https://www.robotics247.com/article/imts-2026-cloudnc-raises-20m-to-expand-ai-tools-for-precision-machining
• Paperless Parts (ได้รับสิทธิบัตรฉบับที่ 5): https://www.paperlessparts.com/press/paperless-parts-awarded-fifth-patent-advancing-its-position-as-the-leading-intelligence-platform-for-the-industrial-supply-chain/
• Paperless Parts (ประกาศ Requirements Review): https://www.paperlessparts.com/press/paperless-parts-new-ai-features-surface-critical-requirements-helping-shops-quote-faster-with-confidence/
• CADDi (ประกาศแพลตฟอร์มรุ่นใหม่): https://caddi.com/ja-jp/news/press/20260806
• CADDi (การระดมทุนรอบ Series D): https://caddi.com/ja-jp/news/press/series-d-funding
• CADDi (การสำรวจผู้บริหารอุตสาหกรรมการผลิต 484 คน): https://caddi.com/ja-jp/news/press/20260910_aiimpact
• Mynavi News (เปิดให้บริการ CADDi Quote อย่างเป็นทางการ): https://news.mynavi.jp/techplus/article/20240918-3027513
• CIMdata (การขยาย Instant Quoting Engine ของ Xometry): https://www.cimdata.com/en/industry-summary-articles/item/29596-xometry-deepens-ai-native-marketplace-advantage-with-new-enterprise-lead-time-intelligence-and-personalized-pricing-models
• Netshop Tantousha Forum / PR TIMES (การเชื่อมข้อมูลค่าพิกัดความเผื่อระหว่าง meviy กับ iCAD SX): https://netshop.impress.co.jp/index%2Ephp/r/prtimes/items/000000332.000012100
• Digital Commerce 360 (Protolabs ProDesk): https://www.digitalcommerce360.com/2026/02/17/protolabs-launches-prodesk-ai-quoting-production-management/
• ISO 1101:2017: https://committee.iso.org/standard/66777.html
• ISO 10303-242:2025 (STEP AP242): https://committee.iso.org/standard/84300.html
• ASME Y14.5-2018: https://www.asme.org/codes-standards/find-codes-standards/y14-5-dimensioning-tolerancing/2018
• arXiv 2508.12440 (การคาดการณ์ต้นทุนการผลิตจากแบบงาน 2D ก่อนการประเมินโดยผู้ทรงคุณวุฒิ): https://arxiv.org/abs/2508.12440
• Anthropic (Vision): https://platform.claude.com/docs/en/build-with-claude/vision
• Anthropic (PDF support): https://platform.claude.com/docs/en/build-with-claude/pdf-support
• Anthropic (Commercial Terms of Service): https://www.anthropic.com/legal/commercial-terms
• OpenAI (Your data): https://developers.openai.com/api/docs/guides/your-data
• OpenAI (PDF files): https://developers.openai.com/api/docs/guides/pdf-files
• Google Gemini API (Document processing): https://ai.google.dev/gemini-api/docs/document-processing
• พระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคลของไทย (PDPA) ฉบับแปลภาษาอังกฤษ: https://pdpa.msu.ac.th/wp-content/uploads/2022/05/EN-PDPA-2019.pdf
• Nation Thailand (ระบบอนุญาตส่งออกสินค้าที่ใช้ได้สองทาง): https://www.nationthailand.com/news/policy/40068484
• Lex Bangkok (การควบคุมการส่งออกสินค้าที่ใช้ได้สองทางของไทย): https://lexbangkok.com/thailand-dual-use-export-controls/
• สำนักงานคณะกรรมการส่งเสริมการลงทุน (BOI) ประกาศครึ่งแรกของปี 2026: https://www.boi.go.th/upload/content/PR117_2569EN.pdf
• Trading Economics (การผลิตรถยนต์ของไทย ประกาศโดย FTI): https://tradingeconomics.com/thailand/total-vehicle-sales/news/587114
• Forvis Mazars (สิทธิหักรายจ่าย 200% สำหรับการลงทุนด้านดิจิทัลของ SME ไทย): https://www.forvismazars.com/th/en/insights/doing-business-in-thailand/tax/how-smes-benefit-from-the-200-tax-deduction