งาน Excel อัตโนมัติด้วย AI ทำได้แค่ไหน | งานคีย์ข้อมูลซ้ำที่ไม่หายไปจากโรงงาน

ติดตั้ง Copilot ไปแล้ว แต่ปริมาณงาน Excel ที่หน้างานก็ยังไม่ลดลง — นี่คือเรื่องที่ได้ยินบ่อยมากจากโรงงานญี่ปุ่นในประเทศไทย การนำ AI มาช่วยงาน Excel ก้าวหน้าขึ้นจริงในปี 2026 แต่สิ่งที่ได้ผลจริงคือส่วน “การประมวลผล” อย่างการรวมยอดและสูตรคำนวณ ส่วนชั่วโมงงานที่หมดไปกับการคีย์ข้อมูลซ้ำ จากใบรายงานประจำวันไปตารางสต็อก และจากตารางสต็อกไปตารางควบคุม แทบไม่ขยับเลย บทความนี้จะแยกงาน Excel ออกเป็น 3 ชั้น 5 ประเภท แล้วจัดระเบียบเส้นแบ่งระหว่าง “ขอบเขตที่ AI อย่างเดียวก็พอ” กับ “ขอบเขตที่ต้องเชื่อมต่อระบบ” ให้อยู่ในรูปแบบที่แต่ละบริษัทตัดสินได้ด้วยตัวเอง

งาน Excel อัตโนมัติด้วย AI หมายถึงอะไรกันแน่ — โมเดล 3 ชั้น: ชั้นป้อนข้อมูล ชั้นประมวลผล ชั้นเผยแพร่

ความต้องการที่ว่า “อยากทำให้งาน Excel เป็นอัตโนมัติ” มักคุยกันไม่ตรงประเด็นเสมอเมื่อเริ่มถกกันในบริษัท เพราะสิ่งที่ผู้จัดการฝ่ายบริหารนึกถึงคือการรวมยอดรายเดือนและการทำเอกสาร สิ่งที่ผู้จัดการโรงงานนึกถึงคือการคีย์ข้อมูลที่พนักงานหน้างานใช้เวลาก้อนใหญ่ทุกเช้า ส่วนสิ่งที่คนดูแล IT ควบตำแหน่งนึกถึงคือไฟล์ที่กระจัดกระจายและเวอร์ชันที่ไม่ตรงกัน คำว่า “งาน Excel” คำเดียวกัน กลับหมายถึงปัญหาสามเรื่องที่แยกจากกัน

วิธีคลี่ความไม่ลงรอยนี้ที่เร็วที่สุดคือแบ่งงาน Excel ออกเป็นชั้น ๆ งาน Excel ที่ใช้กันในโรงงานสามารถจัดระเบียบได้เป็น 3 ชั้นดังนี้

นิยามของโมเดล 3 ชั้น

เมื่อมองแบบแบ่งเป็น 3 ชั้น จะเห็นสาเหตุของความสับสนที่มักเกิดในการถกเรื่องงาน Excel ชั้นประมวลผลกับชั้นเผยแพร่ดูเป็นงานออฟฟิศ จึงเข้าตาผู้บริหารได้ง่าย ในทางกลับกัน ชั้นป้อนข้อมูลฝังอยู่ในงานหน้างาน จึงแทบไม่เคยถูกนับรวมเป็นชั่วโมงงาน แต่เมื่อสำรวจชั่วโมงงาน Excel ทั้งหมดของโรงงานจริง ๆ กรณีที่ชั้นป้อนข้อมูลใช้เวลามากที่สุดกลับมีอยู่มาก เพราะแม้เวลาต่อคนจะสั้น แต่จำนวนคนและจำนวนครั้งต่างกันคนละระดับ

ลักษณะของคอขวดในแต่ละชั้นไม่เหมือนกัน

ทั้งสามชั้นติดขัดด้วยเหตุผลที่ต่างกัน

ชั้นประมวลผลติดขัดเพราะ “คนที่ทำเป็นมีจำกัด” เป็นหลัก คนที่เขียน VLOOKUP ทำ Pivot และสร้าง Macro ได้ในโรงงานมีเพียงไม่กี่คน พอคนนั้นลาหยุด งานปิดรายเดือนก็หยุดตาม สูตรพังแล้วไม่มีใครแก้ได้ นี่คือปัญหาการพึ่งพาตัวบุคคล และเป็นปัญหาด้านทักษะ

ชั้นเผยแพร่ติดขัดเพราะ “ฟอร์แมตมีหลายแบบ” ตารางที่ดูภายในโรงงาน ตารางที่ส่งสำนักงานใหญ่ ตารางที่ใช้ตอนตรวจสอบ และตารางที่ส่งลูกค้า ต่างกันหมด ตัวเลขชุดเดียวกันต้องจัดใหม่ 4 รูปแบบ นี่คือปัญหาด้านข้อกำหนดที่ถูกร้องขอ และเป็นปัญหาด้านการประสานงาน

ชั้นป้อนข้อมูลติดขัดเพราะ “ข้อมูลต้นทางไม่ได้มีอยู่ในรูปที่เครื่องอ่านได้” ผลการทำงานที่หน้างานอยู่บนกระดาษ บนไวท์บอร์ด หรืออยู่ในคำบอกเล่า แล้วต้องมีขั้นตอนเคาะคีย์บอร์ดเข้ามาเสมอ นี่ไม่ใช่ปัญหาทักษะและไม่ใช่ปัญหาการประสานงาน แต่เป็นปัญหาของโครงสร้างที่ข้อมูลเกิดขึ้น

ความต่างตรงนี้สำคัญอย่างยิ่ง ปัญหาด้านทักษะกับปัญหาด้านการประสานงานอยู่ใกล้กับพื้นที่ที่ AI ถนัด แต่ปัญหาโครงสร้างการเกิดข้อมูลนั้น ต่อให้ใส่ AI เข้าไปใน Excel โครงสร้างก็ไม่เปลี่ยน

แยกแยะต้นตอของ “ความอึดอัดกับ Excel” ด้วยชั้น

เมื่อนำเสียงบ่นที่ขึ้นมาจากหน้างานไปจัดเข้าแต่ละชั้น แนวทางแก้จะเปลี่ยนไป ตารางต่อไปนี้จับคำพูดที่ได้ยินบ่อยมาจับคู่กับชั้น

ถ้าฟังแค่คำพูดแล้วตัดสินใจว่า “งั้นเอา AI ที่ทำ Excel อัตโนมัติมาใช้” ก็จะกลายเป็นการซื้อเครื่องมือของชั้นประมวลผลมาตอบความไม่พอใจของชั้นป้อนข้อมูล และนี่คือรูปแบบที่พบบ่อยที่สุดของ “ใส่ Copilot แล้ว แต่ปริมาณงาน Excel ที่หน้างานไม่ลด”

สิ่งที่ AI ทำกับ Excel ได้ ณ ปี 2026 — สถานะปัจจุบันของ Copilot in Excel และ Claude for Excel

ก่อนอื่นขอยืนยันสถานะปัจจุบันก่อน Excel × AI ของปี 2026 เป็นคนละเรื่องกับ “แชตบอตที่สอนสูตรให้” เมื่อไม่กี่ปีก่อน

Copilot in Excel: ทำให้งานซ้ำ ๆ กลายเป็น “แม่แบบ” ได้แล้ว

Microsoft 365 Copilot เริ่มให้บริการฟังก์ชันชุดหนึ่งสำหรับ Copilot in Excel ในเดือนมิถุนายน 2026 สิ่งที่ได้ผลกับงานจริงมี 3 อย่างต่อไปนี้

อย่างแรกคือ “สกิล” ซึ่งทำให้เวิร์กโฟลว์ที่ทำซ้ำ ๆ ถูกแพ็กเป็นคำสั่งที่นำกลับมาใช้ใหม่ได้ สำหรับโรงงานที่รวมยอดแบบเดิมด้วยขั้นตอนเดิมทุกเดือน นี่หมายความว่าสามารถลงทะเบียนขั้นตอนนั้นไว้แล้วเรียกใช้ได้ อย่างที่สองคือ “การปรับให้เข้ากับผู้ใช้” (personalization) ซึ่งทำให้แนวทางเรื่องรูปแบบ กฎการตั้งชื่อ สูตร Pivot และสไตล์รายงาน ถูกใช้อย่างสอดคล้องกันทั้งเวิร์กบุ๊ก อย่างที่สามคือ “ชีตกฎของเวิร์กบุ๊ก” ซึ่งเมื่อบันทึกกฎเรื่องโครงสร้าง รูปแบบ การตั้งชื่อ และสูตรเฉพาะของเวิร์กบุ๊กนั้นไว้ในชีตเฉพาะชื่อ .Rules ผู้แก้ไขทุกคนก็จะทำตามแนวทางเดียวกัน

ข้อที่สามดูเรียบ ๆ แต่ได้ผลดีในโรงงานที่มีผู้รับผิดชอบหลายคนแตะตารางควบคุมเดียวกัน แต่เดิม กฎภายในของเวิร์กบุ๊ก (ข้อตกลงโดยปริยาย เช่น คอลัมน์นี้ต้องกรอกเป็นตัวอักษรภาษาอังกฤษเท่านั้น วันที่ต้องเป็น YYYY-MM-DD รหัสสินค้าต้องเติมศูนย์ข้างหน้า) อยู่ในหัวของคนก่อนหน้าเท่านั้น และพังทุกครั้งที่ส่งมอบงาน ตอนนี้ฝังกฎเหล่านั้นไว้ในเวิร์กบุ๊กได้แล้ว

นอกจากนี้ ระหว่างที่แก้ไข Copilot in Excel ยังมี Work IQ ดึงบริบทที่เกี่ยวข้องจากอีเมล บันทึกการประชุม แชต และไฟล์ เข้ามาโดยอัตโนมัติ อีกทั้งยังรองรับโหมด Plan และ Python ในภาพรวมของ Microsoft 365 Copilot เอง ตั้งแต่ต้นปี 2026 เป็นต้นมา การผสาน Claude ของ Anthropic และการใช้งานจริงของเอเจนต์เฉพาะทางอย่าง Researcher / Analyst / Word / Excel / PowerPoint Agent ก็คืบหน้าไปมาก จึงมีการระบุว่ากำลังเปลี่ยนจากขั้น “ใช้เป็นแชตบอต” ไปสู่ขั้น “ทำงานร่วมกับ AI”

Claude for Excel: อ่านความสัมพันธ์เชิงพึ่งพาทั่วทั้งเวิร์กบุ๊ก

Claude for Excel ของ Anthropic เปิดให้ใช้แบบเบตาในเดือนตุลาคม 2025 และเปิดให้ใช้งานทั่วไป (GA) ในเดือนพฤษภาคม 2026 โดยประจำอยู่ที่แถบด้านข้างของ Excel เข้าใจเวิร์กบุ๊กทั้งเล่ม จับความสัมพันธ์เชิงพึ่งพาของสูตรที่พาดข้ามหลายแท็บและโครงสร้างการอ้างอิงเซลล์ แล้ววิเคราะห์ ดำเนินการ และเสนอแนะในระดับเซลล์ ตำแหน่งของมันคือทำให้การสร้างแบบจำลองทางการเงิน การวิเคราะห์ข้อมูล และการทำรายงาน จบได้ภายใน Excel และมีการระบุว่าใช้ได้แม้ในแพลน Pro

ส่วนที่โดนใจงานจริงในโรงงานคือ “การจับความสัมพันธ์เชิงพึ่งพาของสูตรที่พาดข้ามหลายแท็บ” ไฟล์ Excel บริหารการผลิตที่ใช้มานาน มักมีชีตจำนวนมากอ้างอิงกันไปมา ไม่ใช่เรื่องแปลกที่จะเจอเวิร์กบุ๊กในสภาพที่ไม่มีใครกล้าแตะ เพราะไม่รู้ว่าแก้เซลล์ไหนแล้วจะพังตรงไหน แค่มีคู่สนทนาที่อ่านความสัมพันธ์เชิงพึ่งพาได้ สภาพนี้ก็คลายได้ง่ายขึ้น

ความต่างของตำแหน่งระหว่างสองเครื่องมือ

การเปรียบเทียบว่าอันไหนเหนือกว่ากันแทบไม่มีความหมาย สิ่งที่สำคัญกว่าคือข้อเท็จจริงที่ว่าจุดแข็งของทั้งคู่กระจุกอยู่ที่ชั้นประมวลผลและชั้นเผยแพร่ ทั้งการทำเวิร์กโฟลว์ให้เป็นแม่แบบ การใช้กฎกับทั้งเวิร์กบุ๊ก และการจับความสัมพันธ์เชิงพึ่งพา ล้วนมีเป้าหมายเป็น “ข้อมูลที่เข้ามาอยู่ใน Excel แล้ว”

สิ่งที่ “ทำไม่ได้” เหมือนกันทั้งคู่

ข้อจำกัดร่วมของ Excel × AI ณ ปี 2026 สรุปได้ในประเด็นเดียว AI อ่านได้เฉพาะสิ่งที่อยู่ในเวิร์กบุ๊ก สิ่งที่ไม่มีในเวิร์กบุ๊ก AI สร้างขึ้นมาไม่ได้

ตราบใดที่ผลการทำงานที่หน้างานอยู่บนใบเช็กชีตกระดาษ และกระดาษนั้นอยู่ในตู้เอกสาร ต่อให้เอา AI ที่ฉลาดแค่ไหนมาประจำใน Excel ข้อมูลนั้นก็ไม่โผล่ออกมา ตราบใดที่ผลการเดินเครื่องของเครื่องจักรอยู่ใน PLC และไม่ได้ออกมาสู่เครือข่าย Excel ก็มองไม่เห็น กำแพงนี้ไม่ใช่ปัญหาสมรรถนะ แต่เป็นปัญหาเส้นทางของข้อมูล สมรรถนะสูงขึ้นเท่าไร เส้นทางก็ไม่งอกขึ้นมาเอง

แยกงาน Excel ในโรงงานออกเป็น 5 ประเภท (คีย์ซ้ำ / รวมยอด / ช่วยตัดสินใจ / รายงาน / แบ่งปัน)

โมเดล 3 ชั้นมีประโยชน์ในการจัดระเบียบความคิด แต่หยาบเกินไปสำหรับการวัดชั่วโมงงาน เวลาสำรวจชั่วโมงงาน Excel ของบริษัทตัวเองจริง ๆ การแบ่งเป็น 5 ประเภทต่อไปนี้จะนับได้ง่ายกว่า

นิยามของ 5 ประเภท

5 ประเภทนี้จับคู่กับ 3 ชั้นข้างต้นดังนี้ ประเภทที่ 1 คือชั้นป้อนข้อมูล ประเภทที่ 2 และ 3 คือชั้นประมวลผล ประเภทที่ 4 และ 5 คือชั้นเผยแพร่

ขั้นตอนการสำรวจชั่วโมงงาน Excel ของบริษัทตัวเอง

เพื่อให้การถกเถียงเป็นรูปธรรม ขอแนะนำให้ทำการสำรวจสักครั้งด้วยขั้นตอนต่อไปนี้ ไม่ต้องใช้เครื่องมือพิเศษ และเริ่มได้ในเวลาสั้น ๆ

1. ไล่รายชื่อไฟล์ Excel ที่ใช้เป็นประจำในโรงงาน แยกตามแผนก แค่เขียนชื่อไฟล์กับที่จัดเก็บก็พอ
2. สอบถามผู้รับผิดชอบแต่ละไฟล์ว่า “ใคร” “เมื่อไร” “ใช้เวลากี่นาที” ในการแตะไฟล์นั้น
3. จัดงานนั้นเข้าประเภทที่ 1–5 ถ้าไฟล์เดียวคร่อมหลายประเภท ให้แยกนับ
4. บวกรวม “จำนวนคน × จำนวนครั้ง × จำนวนนาที” ในแต่ละประเภท
5. สุดท้าย สำหรับงานที่ถูกจัดเป็นประเภทที่ 1 (คีย์ซ้ำ) ให้เขียนต่อท้ายอีกหนึ่งบรรทัดว่า “ข้อมูลต้นทางอยู่ที่ไหน”

ข้อที่ 5 คือแก่นของบทความนี้ บรรทัดที่เขียนว่า “กระดาษ” “คำบอกเล่า” “ไวท์บอร์ด” “หน้าจอของอีกระบบหนึ่ง” ตรงนี้ คืองานที่ไม่หายไปแม้จะใส่ AI เข้าไปใน Excel

เมื่อทำการสำรวจแล้ว โรงงานส่วนใหญ่จะเห็นแนวโน้มแบบนี้ ถ้านับจำนวนรายการ ประเภทที่ 2 (รวมยอด) และประเภทที่ 4 (รายงาน) จะโดดเด่น แต่ถ้านับเวลารวม ประเภทที่ 1 (คีย์ซ้ำ) จะมากที่สุด เหตุผลง่ายมาก เพราะการรวมยอดและการรายงานเกิดเดือนละไม่กี่ครั้งและมีผู้รับผิดชอบจำกัด ในขณะที่การคีย์ซ้ำเกิดทุกวัน หลายคน และหลายฐานการผลิต

รูปแบบ “การป้อนข้อมูลซ้ำ” ที่มักเจอในการสำรวจ

สิ่งที่จะเจอแน่นอนระหว่างการสำรวจคือจุดที่ตัวเลขชุดเดียวกันถูกคีย์ตั้งแต่ 2 ครั้งขึ้นไป ที่พบบ่อยในโรงงานญี่ปุ่นในไทยคือวงจรแบบต่อไปนี้

มีการระบุว่าพื้นที่ที่การทำเป็นระบบให้ผลสูงคือพื้นที่ที่ “ใช้ทุกวัน” “ความผิดพลาดเชื่อมโยงกับความเสียหายโดยตรง” และ “มีการป้อนข้อมูลซ้ำมาก” ซึ่งในภาคการผลิตมักให้ความสำคัญกับสต็อก กระบวนการผลิต และเรื่องที่เกี่ยวกับการวางบิลก่อน จะเห็นว่าตารางข้างบนซ้อนทับกับพื้นที่เหล่านั้นพอดี

4 ประเภทที่ AI ลดได้ กับ 1 ประเภทที่ลดไม่ได้

เมื่อนำ Excel × AI ณ ปี 2026 ไปทาบกับ 5 ประเภทที่สำรวจไว้ จะเป็นอย่างไร เขียนจากข้อสรุปก่อนคือ ประเภทที่ 2, 3, 4, 5 มีช่องว่างให้ลดได้มาก ส่วนประเภทที่ 1 แทบไม่ขยับ

ประเภทที่ 2 รวมยอด และ 3 ช่วยตัดสินใจ: ชั้นประมวลผลได้ผลตรงไปตรงมา

การรวมยอดคือพื้นที่ที่ AI ได้ผลแน่นอนที่สุด เพราะข้อมูลอยู่ในเวิร์กบุ๊กอยู่แล้ว และสิ่งที่ต้องทำคือการคำนวณ ถ้าลงทะเบียนขั้นตอนการรวมยอดประจำเดือนไว้ใน “สกิล” ของ Copilot in Excel เดือนถัดไปก็แค่เรียกคำสั่งเดิมออกมา ถ้าเป็น Claude for Excel ก็ให้อ่านความสัมพันธ์เชิงพึ่งพาของสูตรในเวิร์กบุ๊กรวมยอดที่มีอยู่ แล้วให้ค้นหาการอ้างอิงที่พังและการคำนวณที่ซ้ำซ้อนได้

ผลที่เกิดขึ้นตรงนี้ไม่ได้มีแค่ “การลดเวลา” การคลายการพึ่งพาตัวบุคคลน่าจะมีความหมายในทางปฏิบัติมากกว่าด้วยซ้ำ ถ้าขั้นตอนการรวมยอดถูกบันทึกไว้เป็นกฎของเวิร์กบุ๊ก แม้ผู้รับผิดชอบจะย้ายตำแหน่ง งานปิดรายเดือนก็หยุดชะงักยากขึ้น ในองค์กรที่มีรอบการสับเปลี่ยนพนักงานญี่ปุ่นที่ประจำการอย่างฐานการผลิตในไทย ผลข้อนี้มองข้ามไม่ได้

ฝั่งการช่วยตัดสินใจอยู่ใกล้กับสิ่งที่ AI ถนัด แต่ต้องระวัง การกรองค่าผิดปกติและการค้นหากระบวนการที่ล่าช้ามอบให้ AI ได้ง่าย แต่การตัดสินว่า “ค่าผิดปกตินั้นเป็นปัญหาจริงหรือไม่” ต้องใช้บริบทของหน้างาน ถ้าโยนส่วนนี้ทิ้งไปทั้งหมด คำเตือนที่ AI ปล่อยออกมาจะถูกหน้างานเมิน และสุดท้ายก็ไม่มีใครดู

ในทางปฏิบัติ การออกแบบให้ AI ออกได้แค่รายการตัวเลือก แล้วให้คนถือการตัดสินใจไว้เอง มักมีเสถียรภาพมากกว่า กลไกที่เก็บบริบทจากอีเมลและบันทึกการประชุมภายในองค์กรได้อย่าง Work IQ น่าจะช่วยชดเชยจุดอ่อนนี้ได้บางส่วน

ประเภทที่ 4 รายงาน และ 5 แบ่งปัน: ฝั่งเอาต์พุตลดได้เป็นก้อน

การรายงานอยู่ระหว่างชั้นประมวลผลกับชั้นเผยแพร่ เป็นงานที่นำตัวเลขที่รวมยอดแล้วมาจัดเข้าฟอร์แมตที่กำหนด แล้วทำเป็นข้อความและกราฟ ตรงนี้ AI ลดได้มาก โดยเฉพาะโรงงานที่ต้องจัดตัวเลขชุดเดียวกันใหม่เป็น 3 แบบ คือแบบภายใน แบบส่งสำนักงานใหญ่ และแบบส่งลูกค้า มีโอกาสสูงที่จำนวนขั้นตอนการจัดรูปแบบจะลดลงเป็นก้อนใหญ่

ฐานการผลิตที่มีหลายภาษาเข้ามาเกี่ยวข้องจะได้ผลมากยิ่งขึ้น การขยายจากบันทึกหน้างานที่เขียนเป็นภาษาไทย ไปเป็นรายงานภาษาญี่ปุ่นสำหรับสำนักงานใหญ่ และรายงานภาษาอังกฤษสำหรับลูกค้า เป็นพื้นที่ที่ AI ถนัด

ส่วนการแบ่งปันนั้น ปัญหาเชิงกลไกใหญ่กว่าตัว AI เอง ปัญหาที่ว่าไม่รู้ว่าเวอร์ชันล่าสุดคืออันไหน หรือถูกบันทึกทับจนหาย แก้ด้วย AI ไม่ได้ แต่งานรอบข้างอย่างการร่างข้อความรายงาน หรือการสรุปส่วนต่างของการอัปเดต ลดได้

ประเภทที่ 1 คีย์ซ้ำ: แทบไม่ขยับ

แล้วก็มาถึงการคีย์ซ้ำ ตรงนี้คือหัวข้อหลักของบทความนี้ และเป็นพื้นที่ที่ขยับน้อยที่สุดแม้จะใส่ AI เข้าไปใน Excel เหตุผลจะกล่าวถึงอย่างละเอียดในบทถัดไป

แผนภาพรวมแยกตามประเภท

วิธีอ่านตารางนี้มีอยู่ข้อเดียว “เงื่อนไข” ของประเภทที่ 2–5 จัดการได้ภายใน Excel แต่เงื่อนไขของประเภทที่ 1 เพียงข้อเดียวเท่านั้นที่อยู่นอก Excel

ทำไมมีแต่การคีย์ซ้ำที่ AI ลบไม่ได้ — ปัญหา “ไม่มีข้อมูลต้นทาง”

เหตุผลที่การคีย์ซ้ำไม่หายไป ถ้าไล่ให้ถึงที่สุดแล้วเขียนได้ในประโยคเดียว เพราะข้อมูลที่เป็นต้นทางของการคีย์ซ้ำนั้น ตั้งแต่แรกก็ไม่ได้มีอยู่ในรูปดิจิทัล หรือมีอยู่แต่ถูกปิดขังไว้ในอีกระบบหนึ่ง

AI สร้างข้อมูลที่ไม่มีอยู่ขึ้นมาไม่ได้ ข้อเท็จจริงที่ธรรมดาสามัญข้อนี้ ถูกมองข้ามบ่อยอย่างน่าประหลาดใจในการถกเรื่องการทำ Excel ให้เป็นอัตโนมัติ

รูปแบบที่ 1: ต้นทางอยู่บนกระดาษ คำบอกเล่า หรือความทรงจำ

แบบนี้พบมากที่สุด ผลการทำงานที่หน้างาน เหตุผลที่เครื่องจักรหยุด ผลการตรวจสภาพภายนอกของสินค้ารับเข้า ข้อมูลเหล่านี้มีสื่อบันทึกลำดับแรกเป็นใบเช็กชีตกระดาษ ไวท์บอร์ด หรือความทรงจำของหัวหน้ากลุ่ม

ในสภาพนี้ งานที่จะนำเข้า Excel ก็คืองานที่คนต้องเคาะคีย์บอร์ด และเกิดขึ้นอย่างหลีกเลี่ยงไม่ได้ ต่อให้วาง AI ไว้ฝั่ง Excel ในสายตาของ AI ก็ไม่มีกระดาษปรากฏอยู่

มาตรการรับมือคือ AI-OCR กล่าวคือสแกนกระดาษเพื่ออ่าน แล้วแปลงเป็นข้อมูลที่มีโครงสร้าง ในความเป็นจริง การจับคู่ที่ให้ Generative AI หรือ OCR อ่านภาพและ PDF แล้วให้ RPA รับช่วงการบันทึกเข้าระบบต่อ กำลังแพร่หลาย แต่ AI-OCR ก็มีเงื่อนไขเช่นกัน คือรูปแบบของเอกสารต้องนิ่ง คุณภาพของลายมือต้องอยู่ในระดับหนึ่ง และต้องมีเส้นทางตรวจสอบความผิดพลาดของการอ่าน เกณฑ์การคัดเลือกในพื้นที่นี้ได้จัดระเบียบไว้ในบทความเปรียบเทียบ AI-OCR แล้ว โรงงานที่มีกระดาษเป็นสาเหตุหลักควรดูบทความนั้นก่อนจะเร็วกว่า

มาตรการที่ถึงรากมากกว่าคือทำให้ตัวต้นทางเองเป็นดิจิทัล วางแท็บเล็ตหรืออุปกรณ์ไว้ที่หน้างาน แล้วให้ป้อนข้อมูลโดยตรงแทนการเขียนลงกระดาษ หรือดึงผลการเดินเครื่องจากตัวเครื่องจักรโดยตรง ถ้าไม่ผ่านกระดาษ ก็ไม่ต้องอ่าน และไม่ต้องคีย์ซ้ำ

รูปแบบที่ 2: เป็นดิจิทัล แต่ถูกปิดขังในอีกระบบหนึ่ง

แบบนี้พบมากเป็นอันดับสอง ข้อมูลมีอยู่ในรูปดิจิทัล อยู่ในระบบบัญชี ในระบบบริหารการผลิต ในระบบลงเวลา หรืออยู่ในตัวควบคุมของเครื่องจักร แต่ระบบเหล่านั้นไม่ได้เชื่อมถึงกัน คนจึงต้องดูหน้าจอแล้วคีย์ซ้ำลง Excel

สภาพนี้เมื่อมองจากภายนอกจะดูเหมือน “ทำดิจิทัลแล้ว” ผู้บริหารจึงมองไม่เห็นปัญหา แต่ที่หน้างาน งานที่ต้องเปิดหน้าจอระบบ A อ่านตัวเลข คีย์ลง Excel แล้วคีย์เข้าระบบ B อีก ดำเนินต่อไปทุกวัน

มาตรการรับมือคือการเชื่อมต่อ มีหลายวิธี ทั้ง API การเชื่อม CSV อัตโนมัติ ฐานข้อมูลตัวกลาง และการทำงานหน้าจออัตโนมัติด้วย RPA ตลาดรวมของบริการโซลูชัน RPA เติบโตขึ้น โดยปีงบประมาณ 2024 อยู่ที่ 99,900 ล้านเยน ปีงบประมาณ 2025 คาดการณ์ที่ 111,400 ล้านเยน และปีงบประมาณ 2026 พยากรณ์ไว้ที่ 124,200 ล้านเยน และการจับคู่กับ Generative AI ก็แพร่หลายขึ้น โดย Generative AI รับผิดชอบงานที่ยืดหยุ่นอย่างการสรุป การจัดหมวดหมู่ และการร่างข้อความ ส่วน RPA รับผิดชอบงานประจำที่อยู่ก่อนและหลัง เช่น การดึงข้อมูล การบันทึก การแจ้งเตือน และการคีย์ซ้ำ กล่าวคือ RPA ไม่ได้ถูก Generative AI แทนที่ แต่ยังคงอยู่โดยเปลี่ยนบทบาทมาเป็นมือเป็นเท้าของ Generative AI

รูปแบบที่ 3: เป็นดิจิทัล แต่ไม่มีโครงสร้าง

แบบที่สามเป็นแบบที่มักถูกมองข้าม ข้อมูลอยู่ใน Excel แต่พังในฐานะตาราง มีการใช้เซลล์ผสานเยอะ หนึ่งแถวบรรจุความหมายหลายอย่าง หัวตารางมีสองชั้น และรหัสสินค้าเดียวกันก็เขียนไม่ตรงกัน เป็น “A-100” บ้าง “A100” บ้าง “a-100” บ้าง

ในสภาพนี้ ต่อให้ขอให้ AI ช่วยรวมยอด คำตอบที่ได้ก็ไม่ถูกต้อง และเพราะสาเหตุที่ไม่ถูกต้องไม่ได้อยู่ที่สมรรถนะของ AI แต่อยู่ที่โครงสร้างของข้อมูลนำเข้า เปลี่ยนโมเดลก็ไม่ดีขึ้น สุดท้ายที่หน้างานก็จะเกิดคำตัดสินฝังแน่นว่า “AI ใช้ไม่ได้”

มาตรการรับมือคือการทำตารางให้เป็นระเบียบ (normalization) หนึ่งแถวหนึ่งเรกคอร์ด หนึ่งเซลล์หนึ่งค่า หัวตารางชั้นเดียว และรวมระบบรหัสให้เป็นหนึ่งเดียว ดูเรียบง่าย แต่ถ้าเดินหน้าต่อโดยไม่แก้ตรงนี้ การลงทุนที่ตามมาทั้งหมดจะไม่ออกผล

วิธีแยกแยะ 3 รูปแบบ และเกณฑ์ตัดสินว่า “AI พอหรือไม่”

เพื่อให้ผู้อ่านตัดสินได้เองในบริษัทของตน ขอทำเส้นแบ่งออกมาเป็นตาราง ยิ่งเข้าข่ายหัวข้อฝั่งซ้ายมากเท่าไร ก็ยิ่งมีโอกาสสูงที่ Excel × AI อย่างเดียวจะเพียงพอ

ถ้าเข้าข่ายหัวข้อฝั่งขวาตั้งแต่ 3 ข้อขึ้นไป มีโอกาสสูงที่การนำเครื่องมือ AI มาใช้อย่างเดียวจะไม่ทำให้รู้สึกว่างานเปลี่ยนไป ซึ่งตรงกับกลุ่มอาการที่ถูกชี้มานานแล้วว่าเป็นข้อจำกัดทั่วไปของการจัดการด้วย Excel ได้แก่ ความผิดพลาดจากการป้อนด้วยมือ สูตรพัง การแก้ไขพร้อมกันหลายคนทำได้ยาก ไม่สามารถรู้สต็อกแบบเรียลไทม์ การพึ่งพาตัวบุคคลเพราะไฟล์ผูกกับ PC เครื่องใดเครื่องหนึ่ง ข้อมูลสูญหายจากการบันทึกทับตอนแก้ไขพร้อมกันและความสับสนของการจัดการเวอร์ชัน และไฟล์บวมขึ้นตามจำนวนรายการที่เพิ่มขึ้น

สิ่งสำคัญคืออย่ารับเรื่องนี้ไปในความหมายว่า “ให้เลิกใช้ Excel” ในชั้นประมวลผลและชั้นเผยแพร่ Excel ยังทรงพลังอยู่เช่นเดิม และเข้ากันได้ดีกับ AI ปัญหาอยู่ที่การใช้ Excel เป็นที่เก็บข้อมูลของชั้นป้อนข้อมูลต่อไปต่างหาก

3 ข้อจำกัดที่เพิ่มขึ้นสำหรับฐานการผลิตในไทย — หลายภาษา การควบคุมข้อมูลและ PDPA และการรักษาพนักงานท้องถิ่น

ที่กล่าวมาทั้งหมดใช้ได้กับโรงงานในญี่ปุ่นด้วยเช่นกัน แต่สำหรับฐานการผลิตในไทย (และอาเซียน) จะมีข้อจำกัดเพิ่มขึ้นอีก 3 ข้อทับซ้อนเข้ามา

ข้อจำกัดที่ 1: หลายภาษาทำให้การคีย์ซ้ำเพิ่มขึ้น

ในโรงงานที่ไทย มักมีโครงสร้างสามชั้น คือบันทึกหน้างานเป็นภาษาไทย ตารางควบคุมภายในเป็นภาษาญี่ปุ่นหรืออังกฤษ และเอกสารส่งลูกค้าเป็นภาษาอังกฤษหรือญี่ปุ่น โครงสร้างนี้เองที่ทำให้เกิดการคีย์ซ้ำ งานที่ต้องอ่านใบรายงานประจำวันที่เขียนเป็นภาษาไทยแล้วคีย์ใหม่ลงตารางควบคุมภาษาญี่ปุ่น คืองานที่การแปลและการคีย์ซ้ำเกิดขึ้นพร้อมกัน

ตรงนี้มีทั้งด้านดีและด้านเสีย ด้านดีคือส่วนการแปลนั้น AI ถนัดมาก ด้านเสียคือการมีการแปลเข้ามาเกี่ยวข้องทำให้ขั้นตอน “คนอ่านแล้วคีย์ใหม่” ถูกทำให้ชอบธรรมได้ง่าย และการถกเรื่องการทำเป็นระบบก็ถูกเลื่อนออกไปได้ง่าย

มาตรการที่ตรงประเด็นคือทำให้อินเทอร์เฟซการป้อนข้อมูลรองรับหลายภาษา แล้วเปลี่ยนไปสู่รูปแบบที่บันทึกเพียงครั้งเดียวและสลับการแสดงผลตามภาษา ถ้าถือข้อมูลชุดเดียวกันไว้เป็นไฟล์แยกตามภาษา การอัปเดตจะซ้ำซ้อนหลายรอบ และสุดท้ายจะไม่รู้ว่าอันไหนถูกต้อง

ข้อจำกัดที่ 2: การควบคุมข้อมูลและ PDPA

การให้ AI แตะ Excel หมายความว่าเนื้อหาในเวิร์กบุ๊กนั้นกลายเป็นสิ่งที่บริการ AI นำไปประมวลผล และ Excel ของโรงงานมักมีต้นทุน ชื่อคู่ค้า ราคาต่อหน่วย อัตราผลผลิตดี รวมถึงข้อมูลส่วนบุคคลอย่างชื่อพนักงานและข้อมูลลงเวลาอยู่ด้วย

ประเทศไทยมีพระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคล (PDPA) ซึ่งกำหนดให้การใช้ข้อมูลส่วนบุคคลต้องระบุวัตถุประสงค์และมีฐานทางกฎหมายรองรับ นอกจากนี้ยังมีระเบียบการจัดการข้อมูลของสำนักงานใหญ่ที่ญี่ปุ่น สัญญารักษาความลับกับลูกค้า และกฎการทำงานเฉพาะของแต่ละฐานการผลิต ซ้อนทับกันอยู่ ถ้าไม่กำหนดล่วงหน้าว่า “ข้อมูลชุดไหนส่งให้บริการ AI ตัวไหนได้บ้าง” หน้างานก็จะเริ่มใช้เครื่องมือตามดุลยพินิจของแต่ละคน แล้วภายหลังจะควบคุมไม่ได้

ในทางปฏิบัติ อย่างน้อยที่สุดควรกำหนด 3 เรื่องต่อไปนี้ หนึ่ง การจัดประเภทข้อมูลที่ใช้งาน (เปิดเผยได้ / ภายในเท่านั้น / ความลับ / ข้อมูลส่วนบุคคล) สอง บริการ AI และแพลนที่อนุญาตให้ใช้ในแต่ละประเภท สาม การรับมือเมื่อเกิดการฝ่าฝืนและช่องทางปรึกษา การจัดระเบียบเรื่องนี้ได้กล่าวถึงลงลึกถึงระดับโครงสร้างของข้อกำหนดไว้ในบทความเรื่องระเบียบการใช้ Generative AI แล้ว ฐานการผลิตที่ยังไม่มีระเบียบควรจัดตรงนั้นให้เรียบร้อยก่อนจะปลอดภัยกว่า

อนึ่ง ถ้าคุมเข้มเกินไปหน้างานก็จะไม่ใช้ แต่ถ้าหลวมเกินไปก็จะเกิดเหตุข้อมูลรั่วไหล ฐานการผลิตที่การใช้งานเดินได้จริงมักใช้โครงสร้างสองชั้น เช่น “เวิร์กบุ๊กที่มีต้นทุนและข้อมูลส่วนบุคคลให้ใช้เฉพาะในสภาพแวดล้อมที่กำหนด” และ “นอกเหนือจากนั้นใช้ได้อย่างอิสระในงานปกติ”

ข้อจำกัดที่ 3: การรักษาพนักงานท้องถิ่นและการหาบุคลากร

ในประเทศไทย ค่าแรงมีแนวโน้มสูงขึ้น และการหาพนักงานท้องถิ่นที่มีความสามารถก็ยากขึ้น สถานการณ์นี้มีความหมายสองชั้นต่อการใช้งาน Excel

อย่างแรกคือความเสี่ยงของการพึ่งพาตัวบุคคลสูงขึ้น เมื่อพนักงานที่สร้างตารางควบคุม Excel ไว้อย่างประณีตลาออก เวิร์กบุ๊กนั้นก็กลายเป็นกล่องดำที่ไม่มีใครแตะได้ อีกอย่างคือต้นทุนของการทำงานที่ตั้งอยู่บนสมมติฐานว่ามีคนคีย์ซ้ำ จะสูงขึ้นเรื่อย ๆ สมมติฐานที่ว่าเพิ่มคนแล้วงานจะเดินได้ จึงตั้งอยู่ได้ยากขึ้น

ในทางกลับกัน ด้านสภาพแวดล้อมก็มีปัจจัยหนุนเช่นกัน มูลค่าคำขอส่งเสริมการลงทุนในอุตสาหกรรมดิจิทัลของไทยในไตรมาสแรกของปี 2026 เพิ่มเป็น 2.4 เท่าของช่วงเดียวกันปีก่อน และ BOI ก็ดึงดูดการลงทุนในด้านศูนย์ข้อมูล คลาวด์ และการพัฒนา AI โดยเตรียมมาตรการยกเว้นภาษีเงินได้นิติบุคคลสูงสุด 13 ปี กล่าวได้ว่าสภาพแวดล้อมการลงทุนในพื้นที่ดิจิทัลกำลังพร้อมขึ้นเรื่อย ๆ

ค่าใช้จ่ายและวิธีเดินหน้า — 3 ขั้นตอนกับลำดับการลงทุน

เมื่อประมวลสิ่งที่จัดระเบียบมาทั้งหมด ลำดับของการเดินหน้าก็ปรากฏชัด สิ่งสำคัญคือ อย่าเรียงลำดับการลงทุนผิด

ขั้นที่ 1: มอบชั้นประมวลผลให้ AI (เริ่มได้ทันที)

สิ่งที่ควรทำก่อนคือมอบประเภทที่ 2 (รวมยอด) 3 (ช่วยตัดสินใจ) และ 4 (รายงาน) ให้ AI ตรงนี้ข้อมูลต้นทางอยู่ในเวิร์กบุ๊กแล้ว จึงเริ่มได้โดยไม่ต้องลงทุนระบบเพิ่ม

ในทางรูปธรรม จะเป็นงานอย่างการลงทะเบียนขั้นตอนการรวมยอดที่ทำซ้ำทุกเดือนไว้เป็น “สกิล” ของ Copilot in Excel การบันทึกกฎการตั้งชื่อและกฎรูปแบบของเวิร์กบุ๊กไว้ในชีต .Rules และการให้ Claude for Excel อ่านความสัมพันธ์เชิงพึ่งพาของสูตรในเวิร์กบุ๊กเดิมที่ซับซ้อนเพื่อจัดระเบียบ

คุณค่าของขั้นตอนนี้ไม่ได้อยู่ที่การลดเวลาโดยตัวมันเอง แต่อยู่ที่ “การได้เห็นกับตาภายในองค์กรว่ามอบงานให้ AI ได้ถึงระดับไหน” ถ้าตัดสินใจลงทุนในขั้นถัดไปโดยยังไม่ได้เห็นสิ่งนั้น เรื่องขออนุมัติงบก็จะไม่ผ่าน

ขั้นที่ 2: ทำต้นทางของข้อมูลให้เป็นดิจิทัล

ต่อไปคือทำให้ข้อมูลต้นทางของประเภทที่ 1 (คีย์ซ้ำ) เป็นสิ่งที่เครื่องอ่านได้ เป้าหมายคือบรรทัดที่เขียนว่า “กระดาษ” หรือ “คำบอกเล่า” ในการสำรวจ

วิธีการแยกออกไปตามสถานการณ์ ถ้าแบบฟอร์มเอกสารนิ่งก็อ่านด้วย AI-OCR ถ้าเปลี่ยนไปป้อนข้อมูลที่หน้างานได้ก็วางอุปกรณ์ไว้ ถ้าดึงผลการเดินเครื่องจากเครื่องจักรได้ก็เก็บโดยตรงผ่านเครือข่าย การเลือกอันไหนควรตัดสินจากความถี่ของงานเป้าหมาย และจากการที่ความผิดพลาดเชื่อมโยงกับความเสียหายโดยตรงหรือไม่ ถ้าจะจัดลำดับความสำคัญ ในภาคการผลิตเรื่องสต็อก กระบวนการผลิต และการวางบิล มักขึ้นมาอยู่อันดับต้น ๆ

ขั้นตอนนี้มาพร้อมกับการเปลี่ยนวิธีทำงานที่หน้างาน ถ้าพยายามทำทั้งหมดในคราวเดียวจะล้มเหลวได้ง่าย วิธีเดินหน้าที่ทำได้จริงคือเริ่มจาก 1 งาน 1 ไลน์ แสดงให้เห็นว่ามันเดินได้ แล้วค่อยขยาย รายละเอียดของวิธีเดินหน้าแบบนี้ได้กล่าวไว้ในบทความเรื่องการนำระบบมาใช้แบบ Small Start

ขั้นที่ 3: เชื่อมระบบเข้ากับระบบ

สุดท้ายคือเชื่อมข้อมูลที่ถูกปิดขังอยู่ในระบบแยกกันเข้าด้วยกัน ด้วยการเชื่อม API ฐานข้อมูลตัวกลาง หรือการเชื่อมสะพานด้วย RPA เมื่อมาถึงจุดนี้ สถานการณ์ที่ต้องคีย์ตัวเลขเดียวกันสองครั้งจะหายไปในเชิงโครงสร้าง

เมื่อให้ AI ประมวลผลข้อมูลบนฐานที่เชื่อมกันแล้ว ผลที่ได้จากขั้นที่ 1 จะเริ่มแสดงผลเต็มที่ในขนาดที่ควรจะเป็น หากมีแนวคิดที่จะให้ประมวลผลอย่างอิสระรวมถึงส่วนนี้ด้วย ได้จัดระเบียบแนวคิดเรื่องการออกแบบสิทธิ์และขอบเขตการใช้งานไว้ในบทความเรื่องการนำ AI Agent มาใช้ แล้ว

ลำดับการลงทุนและแนวคิดเรื่องค่าใช้จ่าย

ข้อที่สามคือความล้มเหลวที่พบบ่อยที่สุดซึ่งยกไว้ตั้งแต่ต้นบทความ และข้อที่สี่ก็พบบ่อยกว่าที่คิด คือกรณีที่รับข้อเสนอว่า “มาเชื่อมระบบเข้าด้วยกันเถอะ” แต่ข้อมูลผลการผลิตจริงที่เป็นหัวใจยังอยู่บนกระดาษ จึงไม่มีอะไรไหลมาที่ปลายทางที่เชื่อมไว้

แนวคิดเรื่องค่าใช้จ่าย จำนวนเงินเปลี่ยนแปลงมากตามโครงสร้างเครื่องมือและขนาด จึงบอกเป็นตัวเลขเดียวไม่ได้ แต่ถ้าแยกโครงสร้างค่าใช้จ่ายออกเป็น 3 ส่วนต่อไปนี้ ก็จะมองเห็นภาพ

ขั้นที่ 1 มีค่าไลเซนส์เป็นหลักและค่านำมาใช้ต่ำ ส่วนขั้นที่ 2 และ 3 สัดส่วนของค่านำมาใช้จะสูงขึ้น ด้วยเหตุนี้ ลำดับที่ปฏิบัติได้จริงคือสร้างการเห็นผลลัพธ์ที่จับต้องได้ในขั้นที่ 1 ก่อน แล้วจึงไปขออนุมัติงบสำหรับขั้นที่ 2 และ 3

เช็กลิสต์สำหรับตัดสิน บริษัทของคุณอยู่ที่ขั้นไหนในตอนนี้ ตัดสินได้จากคำถามต่อไปนี้

บรรทัดแรกที่ตอบว่า “ไม่ใช่” คือจุดที่ควรลงมือเป็นลำดับถัดไป

คำถามที่พบบ่อย (FAQ)

งาน Excel อัตโนมัติด้วย AI ทำได้ถึงระดับไหน

การรวมยอด วิเคราะห์ สร้างสูตร และจัดรูปแบบรายงาน ที่มีเป้าหมายเป็นข้อมูลซึ่งอยู่ในเวิร์กบุ๊ก Excel อยู่แล้ว คือพื้นที่ที่ลดได้มาก ณ ปี 2026 ในทางกลับกัน งานคีย์ข้อมูลที่อยู่นอกเวิร์กบุ๊ก — ใบรายงานประจำวันที่เป็นกระดาษ การสื่อสารด้วยคำพูด หน้าจอของระบบอื่น — เข้ามาใน Excel นั้น ไม่เปลี่ยนแปลงแม้จะวาง AI ไว้ฝั่ง Excel เข้าใจได้ง่ายที่สุดถ้าคิดว่าเส้นแบ่งถูกลากที่ “ข้อมูลต้นทางอยู่ในเวิร์กบุ๊กหรือไม่”

ระหว่าง Copilot in Excel กับ Claude for Excel ควรเลือกอันไหน

เนื่องจากการใช้งานต่างกัน การเปรียบเทียบว่าอันไหนเหนือกว่าจึงแทบไม่มีความหมาย ถ้าองค์กรใช้ Microsoft 365 ทั้งบริษัทอยู่แล้ว และอยากจัดการรวมถึงบริบทจากอีเมลและบันทึกการประชุมภายในองค์กรด้วย Copilot in Excel ก็เป็นทางเลือกที่เป็นธรรมชาติ ถ้าเป็นการใช้งานแบบอยากถอดรหัสโครงสร้างของเวิร์กบุ๊กเดิมที่ซับซ้อน หรืออยากจับความสัมพันธ์เชิงพึ่งพาของสูตรที่พาดข้ามหลายแท็บ Claude for Excel จะเหมาะกว่า อนึ่ง ตัว Microsoft 365 Copilot เองก็มีการผสาน Claude ของ Anthropic คืบหน้าไปแล้ว โครงสร้างแบบเลือกอย่างใดอย่างหนึ่งจึงน่าจะคลายลงอีกในอนาคต ถ้าลังเลในการตัดสินใจ ให้ดูว่าในชั่วโมงงาน Excel ของบริษัท ฝั่ง “เอนไปทางวิเคราะห์” กับฝั่ง “เอนไปทางจัดรูปแบบและแบ่งปัน” อันไหนมากกว่ากัน

การทำงานคีย์ซ้ำให้อัตโนมัติ ยังจำเป็นต้องใช้ RPA อยู่ไหม

ยังมีกรณีที่จำเป็นอยู่ ตลาดรวมของบริการโซลูชัน RPA คาดว่าจะขยายตัว โดยปีงบประมาณ 2024 อยู่ที่ 99,900 ล้านเยน ปีงบประมาณ 2025 คาดการณ์ที่ 111,400 ล้านเยน และปีงบประมาณ 2026 พยากรณ์ไว้ที่ 124,200 ล้านเยน จึงไม่ได้หายไปเพราะถูก Generative AI แทนที่ มองว่าบทบาทเปลี่ยนไปจะแม่นยำกว่า โดยการจับคู่ที่ Generative AI รับผิดชอบงานยืดหยุ่นอย่างการสรุป การจัดหมวดหมู่ และการร่างข้อความ ส่วน RPA รับผิดชอบงานประจำที่อยู่ก่อนและหลัง เช่น การดึงข้อมูล การบันทึก การแจ้งเตือน และการคีย์ซ้ำ กำลังแพร่หลาย ในรูปแบบที่ให้ Generative AI หรือ OCR อ่านภาพและ PDF แล้ว RPA คีย์เข้าระบบงาน ขอบเขตการใช้งานก็ขยายไปถึงงานที่แต่เดิมทำอัตโนมัติได้ยากด้วย ในฐานการผลิตที่ยังมีระบบงานเก่าซึ่งไม่มีอินเทอร์เฟซสำหรับเชื่อมต่อหลงเหลืออยู่ RPA น่าจะยังเป็นทางเลือกที่ใช้ได้จริงต่อไปอีกระยะ

จะตัดสินข้อจำกัดของการจัดการด้วย Excel ได้อย่างไร

ตัดสินได้จากอาการ ความผิดพลาดจากการป้อนด้วยมือเกิดบ่อย สูตรพังแล้วไม่มีใครแก้ได้ แก้ไขพร้อมกันหลายคนไม่ได้ ไม่สามารถรู้สต็อกแบบเรียลไทม์ ไฟล์ผูกกับ PC เครื่องใดเครื่องหนึ่งจนเกิดการพึ่งพาตัวบุคคล ข้อมูลหายจากการบันทึกทับตอนแก้ไขพร้อมกันจนการจัดการเวอร์ชันสับสน และไฟล์บวมขึ้นตามจำนวนรายการจนแค่เปิดก็ใช้เวลาหลายนาที — สิ่งเหล่านี้ถูกชี้ไว้ว่าเป็นสัญญาณคลาสสิกของข้อจำกัด

หากเกิดอาการเหล่านี้พร้อมกันหลายข้อ มีโอกาสสูงว่าได้เข้าสู่ระยะที่ย้อนกลับได้ยากด้วยการปรับวิธีใช้ Excel โดยเฉพาะถ้าปรากฏอาการ “ไม่สามารถรู้สต็อกแบบเรียลไทม์” และ “ข้อมูลสูญหายจากการแก้ไขพร้อมกัน” น่าจะถึงเวลาเริ่มพิจารณาย้ายที่เก็บข้อมูลของชั้นป้อนข้อมูลออกจาก Excel

ให้ AI แตะ Excel ที่ฐานการผลิตในไทย เรื่องข้อมูลรั่วไหลจะปลอดภัยหรือไม่

ขอแนะนำให้กำหนดกฎของบริษัทตัวเองก่อนสเปกของเครื่องมือ Excel ของโรงงานมักมีต้นทุน คู่ค้า ราคาต่อหน่วย รวมถึงข้อมูลส่วนบุคคลอย่างชื่อพนักงานและข้อมูลลงเวลาอยู่ด้วย และมี PDPA ของไทย ระเบียบการจัดการข้อมูลของสำนักงานใหญ่ที่ญี่ปุ่น และสัญญารักษาความลับกับลูกค้า บังคับใช้พร้อมกัน

ในทางปฏิบัติ รูปแบบที่ใช้งานได้ราบรื่นคือแบ่งข้อมูลเป็นประเภท (เปิดเผยได้ / ภายในเท่านั้น / ความลับ / ข้อมูลส่วนบุคคล) กำหนดบริการและแพลนที่ใช้ได้ในแต่ละประเภท และกำหนดช่องทางปรึกษาไว้ ถ้าหน้างานเริ่มใช้กันเองโดยยังไม่มีกฎ ภายหลังจะควบคุมได้ยาก วิธีจัดทำระเบียบได้กล่าวไว้ในบทความเรื่องระเบียบการใช้ Generative AI

ค่าใช้จ่ายประมาณเท่าไร

เปลี่ยนแปลงมากตามโครงสร้างและขนาด จึงระบุจำนวนเงินเดียวไม่ได้ แต่ถ้าประเมินโดยแยกเป็น “ค่าไลเซนส์” “ค่านำมาใช้และตั้งค่า” และ “ค่าดำเนินงาน” จะเปรียบเทียบได้ง่ายขึ้น ระยะที่มอบชั้นประมวลผลให้ AI (ขั้นที่ 1) มีค่าไลเซนส์เป็นหลัก และแทบไม่ต้องลงทุนระบบเพิ่ม อีกทั้งมีการระบุว่า Claude for Excel ใช้ได้แม้ในแพลน Pro การเริ่มทดลองเล็ก ๆ ก่อนจึงไม่ใช่เรื่องยาก

ในทางกลับกัน การทำต้นทางให้เป็นดิจิทัล (ขั้นที่ 2) และการเชื่อมต่อระหว่างระบบ (ขั้นที่ 3) สัดส่วนของค่านำมาใช้จะสูงขึ้นตามจำนวนงานเป้าหมาย ความซับซ้อนของแบบฟอร์ม และจำนวนฐานการผลิต ลำดับที่สร้างการเห็นผลลัพธ์ที่จับต้องได้ในขั้นที่ 1 ก่อนแล้วจึงไปขออนุมัติงบขั้นที่ 2 และ 3 จึงเป็นไปได้มากกว่าในแง่ของการผ่านการอนุมัติด้วย

สรุป

เมื่อจะพิจารณาเรื่องการทำงาน Excel ให้เป็นอัตโนมัติด้วย AI ขอแนะนำให้แยกงาน Excel ออกเป็น 3 ชั้น คือชั้นป้อนข้อมูล ชั้นประมวลผล และชั้นเผยแพร่ พร้อมกับ 5 ประเภท คือคีย์ซ้ำ รวมยอด ช่วยตัดสินใจ รายงาน และแบ่งปันเสียก่อน Copilot in Excel และ Claude for Excel ของปี 2026 คาดหวังผลลัพธ์ที่แน่นอนได้ในชั้นประมวลผลและชั้นเผยแพร่ ซึ่งได้แก่การรวมยอด วิเคราะห์ สูตร และการจัดรูปแบบรายงาน ตรงนี้เริ่มได้โดยไม่ต้องลงทุนระบบเพิ่ม และยังมีผลพลอยได้เรื่องการคลายการพึ่งพาตัวบุคคลที่มีน้ำหนักไม่น้อย

ในทางกลับกัน ชั้นป้อนข้อมูลซึ่งก็คือการคีย์ซ้ำ อันเป็นส่วนที่กินเวลามากที่สุดของชั่วโมงงาน Excel ในโรงงาน จะไม่หายไปแม้จะวาง AI ไว้ฝั่ง Excel เพราะ AI อ่านได้เฉพาะสิ่งที่อยู่ในเวิร์กบุ๊ก และสร้างข้อมูลที่ไม่มีอยู่ขึ้นมาไม่ได้ สาเหตุที่การคีย์ซ้ำไม่หายไปจัดระเบียบได้เป็น 3 ข้อ คือข้อมูลต้นทางอยู่บนกระดาษหรือคำบอกเล่า ถูกปิดขังในอีกระบบหนึ่ง หรืออยู่ใน Excel แล้วแต่โครงสร้างพัง ดังนั้นมาตรการรับมือจึงมีลำดับดังนี้ 1) มอบชั้นประมวลผลให้ AI 2) ทำต้นทางของข้อมูลให้เป็นดิจิทัล 3) เชื่อมระบบเข้ากับระบบ ถ้าข้ามลำดับนี้ ก็มักจะไปจบที่ข้อสรุปว่า “ใส่ AI แล้วแต่ปริมาณงาน Excel ที่หน้างานไม่ลด”

สำหรับฐานการผลิตในไทยยังมีข้อจำกัดอีก 3 ข้อทับซ้อนเข้ามา คือหลายภาษา การควบคุมข้อมูลรวมถึง PDPA และการหาบุคลากร ทั้งหมดนี้ไม่ใช่ตัวชี้ขาดว่าจะนำ AI มาใช้ได้หรือไม่ แต่เป็นหัวข้อที่ควรจัดระเบียบไว้ก่อนในฐานะเงื่อนไขตั้งต้นของการออกแบบ

ในบรรดางาน Excel ของบริษัทคุณ ส่วนไหนที่เครื่องมือ AI อย่างเดียวก็พอ และจากตรงไหนที่ต้องเชื่อมต่อฝั่งระบบ — การแยกแยะนี้ตัดสินภายในบริษัทได้ ขอเพียงทำการสำรวจให้ได้ แต่ถ้ามีตัวอย่างว่าฐานการผลิตอื่น ๆ แบ่งเส้นกันอย่างไร การตัดสินใจก็จะเร็วขึ้น TOMAS TECH ดำเนินงานด้านระบบบริหารการผลิตและระบบบริหารพลังงานสำหรับผู้ผลิตสัญชาติญี่ปุ่นในไทยและอาเซียน และยินดีรับปรึกษาแม้เพียงเรื่องการแยกแยะเส้นแบ่งนี้ แม้จะอยู่ในระยะที่แค่อยากจัดระเบียบการใช้งาน Excel ในปัจจุบันก็ไม่เป็นไร หากมีความจำเป็น สามารถติดต่อได้ทางหน้าติดต่อเรา

ข้อมูลอ้างอิง

• What’s new in Microsoft 365 Copilot: June 2026 (Windows Blog ภาษาญี่ปุ่น)
• สถานะปัจจุบันของ Microsoft 365 Copilot (Business+IT)
• Claude for Excel คืออะไร (notAI)
• คำอธิบาย Claude in Excel (INNOTEX)
• ข้อจำกัดของการจัดการด้วย Excel และกระบวนการทำงานที่ไร้รอยต่อ (Totec Sangyo)
• ข้อจำกัดของการบริหารกระบวนการผลิตด้วย Excel (SMART GO)
• ข้อจำกัดของการจัดการด้วย Excel และจังหวะที่ควรเปลี่ยน (mactism)
• ผลสำรวจตลาดบริการโซลูชัน RPA (MIC Research Institute)
• การเชื่อม RPA กับ Generative AI (Hitachi Solutions)
• ระบบส่งเสริมการลงทุนของไทย BOI (JETRO)
• แนวโน้มการลงทุนในอุตสาหกรรมดิจิทัลของไทย (Bangkok Shuho)