การนำ AI มาใช้กับ FMEA: RFP และการทดสอบรับมอบที่ไม่ปล่อยให้ Failure Mode ตกหล่น

การนำ AI มาใช้กับ FMEA (การนำ Generative AI มาช่วยงาน FMEA) เป็นทางเลือกที่มักถูกหยิบขึ้นมาพิจารณาในโรงงานชิ้นส่วนยานยนต์และชิ้นส่วนอิเล็กทรอนิกส์ของญี่ปุ่นในประเทศไทย เพราะปัญหาที่เราได้ยินบ่อยจากผู้จัดการฝ่ายประกันคุณภาพ (QA) และผู้จัดการฝ่ายวิศวกรรมการผลิตคือ “ชิ้นงานใหม่เข้ามาพร้อมกันหลายตัว ทำ PFMEA ใหม่และแก้ไขฉบับเดิมไม่ทัน คนที่ไล่หา Failure Mode ได้เก่งก็เกษียณไปแล้ว และในการ Audit ของลูกค้ายังถูกชี้ว่า FMEA กับ Control Plan ไม่สอดคล้องกัน” ขอสรุปคำตอบไว้ก่อนเลยว่า สิ่งที่ควรซื้อเมื่อนำ AI มาใช้กับ FMEA ไม่ใช่ “เครื่องมือที่เขียนได้เร็ว” แต่เป็นเครื่องมือที่ช่วยหา Failure Mode ที่ “ตกหล่น”

ทั้งงานวิจัยและผลิตภัณฑ์ของผู้ขายต่างออกแบบไปในทิศทางเดียวกันว่า “AI เป็นผู้เสนอ คนเป็นผู้ตัดสินใจ” ดังนั้นความสำเร็จของการนำไปใช้จึงไม่ได้ขึ้นอยู่กับความฉลาดของ AI เป็นหลัก แต่ขึ้นอยู่กับว่าคุณได้กำหนด 3 เรื่องต่อไปนี้ไว้ก่อนสั่งซื้อหรือไม่

• การแบ่งเส้นระหว่างขั้นตอนที่ให้ AI ทำ กับขั้นตอนที่คนต้องตัดสินใจ (โดยเฉพาะค่าความรุนแรง S ต้องให้คนเป็นผู้กำหนดเท่านั้น)
• การเตรียมข้อมูลที่ให้ AI อ้างอิง (Foundation FMEA, รายงาน 8D และข้อร้องเรียนจากลูกค้าในอดีต, บันทึกการเปลี่ยนแปลง 4M, Control Plan)
• วิธีวัด “การตกหล่น” และ “การกุขึ้นเอง” ในการทดสอบรับมอบ

และอีกเรื่องหนึ่งที่ขอบอกไว้ก่อนคือ การลดชั่วโมงงานเพียงอย่างเดียวไม่สามารถคืนทุนได้ การจะคืนทุนได้หรือไม่ขึ้นอยู่กับว่า “ลดข้อร้องเรียนจากลูกค้าที่เกิดจากการตกหล่นใน FMEA ได้กี่เรื่อง” ซึ่งเราจะแสดงด้วยการประมาณการแบบจำลองในช่วงหลังของบทความ

หมายเหตุ ตัวเลขด้านจำนวนเงิน เวลา และจำนวนครั้งในบทความนี้ที่เกี่ยวกับ “โรงงานต้นแบบ R” ซึ่งจะกล่าวถึงภายหลัง ล้วนเป็นค่าประมาณการและค่าสมมติที่บทความนี้จัดทำขึ้นเอง ไม่ใช่ค่าเฉลี่ยของอุตสาหกรรมหรือค่าจากการสำรวจ โปรดอ่านในฐานะ “แบบฟอร์มการคำนวณ” ที่นำไปแทนด้วยตัวเลขจริงของโรงงานคุณเอง

ปี 2026 เกิดอะไรขึ้นกับ FMEA และ Generative AI

เครื่องมือ FMEA หลักทยอยเพิ่ม Generative AI

ปี 2026 เป็นปีที่ Generative AI ถูกฝังเข้าไปในเครื่องมือเฉพาะทางสำหรับ FMEA อย่างต่อเนื่อง

Siemens อธิบายไว้ในบทความแนะนำ “Teamcenter Quality 2512” ที่เผยแพร่เมื่อวันที่ 12 มกราคม 2026 ว่า Teamcenter Copilot ใช้ AI ช่วยลดภาระในการสร้างโครงสร้าง FMEA ตามที่บริษัทระบุ ระบบจะสร้าง “ข้อเสนอแนะ” สำหรับคำอธิบายองค์ประกอบของระบบ ฟังก์ชัน ความล้มเหลว (Failure) และมาตรการคุณภาพประเภทป้องกันและประเภทตรวจจับ จากนั้นผู้ใช้เป็นผู้รับหรือแก้ไขตามความจำเป็น นอกจากนี้บริษัทระบุว่าได้เพิ่มฟังก์ชันที่ให้กระโดดจากแดชบอร์ด AP, RPN และส่วนต่าง ไปยังตำแหน่งที่เกี่ยวข้องบน FMEA Tree ได้โดยตรง และฟังก์ชันเปรียบเทียบ FMEA ระหว่าง Variant แบบวางเคียงกัน

ต่อมา Relyence ได้ประกาศ “Relyence 2026” เมื่อวันที่ 20 มีนาคม 2026 ตามที่บริษัทระบุ ได้เพิ่ม “SmartSuggest” ซึ่งให้ AI สร้างฟังก์ชัน Failure Mode ผลกระทบ (Effect) สาเหตุ (Cause) ฯลฯ ภายในซอฟต์แวร์ FMEA โดยใช้ ChatGPT มีฟังก์ชัน “full prompt transparency” ที่แสดงเนื้อหาของ Prompt ทั้งหมด และแสดงปริมาณการใช้ Token ส่วนการรับ แก้ไข หรือทิ้งข้อเสนอแนะเป็นการตัดสินใจของผู้ใช้ และบริษัทระบุว่าโดยค่าเริ่มต้นจะใส่เฉพาะชื่อรายการใน Analysis Tree ลงใน Prompt เท่านั้น

จากนั้นเมื่อวันที่ 18 มิถุนายน 2026 Siemens อธิบายว่า “Teamcenter Quality 2606” ขยายการช่วยเหลือด้วย AI ของ Teamcenter Copilot ไปยังทุกโมดูลของ Teamcenter Quality ตามที่บริษัทระบุ ฝั่ง Control Plan และแผนการตรวจสอบจะสร้างข้อเสนอแนะสำหรับนิยามการตรวจสอบ วิธีการควบคุม และแผนตอบสนอง (reaction plans) เพื่อให้จัดทำได้เร็วขึ้น นั่นหมายความว่าข้อเสนอแนะจาก AI เริ่มเข้ามาไม่เฉพาะภายใน FMEA แต่รวมถึงส่วนที่เชื่อม FMEA เข้ากับ Control Plan ด้วย

ก่อนหน้านั้นในเดือนกรกฎาคม 2025 Omnex Systems ได้ประกาศผ่านเว็บบินาร์ว่าได้เพิ่ม AI แบบ Agentic เข้าไปใน “AQuA Pro” ตามที่บริษัทระบุ ระบบจะนำ Foundation FMEA กลับมาใช้ซ้ำเพื่อสร้าง PFMEA และ DFMEA ที่เหมาะกับบริบท แนะนำ Failure Mode สาเหตุ การควบคุม และมาตรการ รวมทั้งตรวจสอบความครบถ้วน ความสม่ำเสมอ และความสอดคล้องกับมาตรฐานของ FMEA มาตรฐานที่รองรับคือ AIAG-VDA ฉบับที่ 1, AIAG ฉบับที่ 4 และ SAE J1739 และบริษัทระบุว่ามีการเชื่อมโยงกับ BOM และมีลิงก์เชิงโครงสร้างไปยัง Control Plan และ Process Flow

ในญี่ปุ่นเอง บริษัท Things (ผู้พัฒนา PRISM) ประกาศผ่านข่าวประชาสัมพันธ์เมื่อวันที่ 18 พฤษภาคม 2026 ว่า คุณ Atsuya Suzuki ซีอีโอของบริษัท ได้เขียนบทความเรื่อง “Generative AI กำลังเปลี่ยนกิจกรรมป้องกันปัญหาล่วงหน้า: แนวหน้าของการใช้ AI ใน DRBFM และ FMEA” ลงในนิตยสาร Kikai Sekkei (Machine Design) ฉบับเดือนมิถุนายน 2026 ของสำนักพิมพ์ Nikkan Kogyo Shimbun บริษัทชี้ว่าในการใช้งาน DRBFM และ FMEA ไม่ใช่เรื่องแปลกที่ “จำนวนประเด็นที่น่ากังวลซึ่งคนรุ่นใหม่กับคนที่มีประสบการณ์สูงหยิบยกขึ้นมาต่างกันมากกว่า 2 เท่า” และยกปัญหาการสูญเสียความรู้โดยนัยเมื่อผู้มีประสบการณ์เกษียณ รวมถึงการที่เอกสารภายในกระจัดกระจายอยู่ในหลายระบบ ตามที่บริษัทระบุ PRISM เป็นเวิร์กโฟลว์ที่แสดงประเด็นที่น่ากังวลซึ่งครอบคลุมหลายสาขาเมื่อมีการเปลี่ยนแปลงการออกแบบ และทำให้การจัดทำ DRBFM ที่เคยใช้เวลาหลายสัปดาห์เหลือเพียง “ไม่กี่นาที”

สิ่งที่น่าสังเกตคือ ทุกผลิตภัณฑ์วางตำแหน่งผลลัพธ์ของ AI ไว้เป็น “ข้อเสนอแนะ” และให้คนเป็นผู้ตัดสินว่าจะรับหรือไม่ ข้อกล่าวอ้างเรื่องประสิทธิผลของแต่ละบริษัทล้วนเป็นข้อมูลที่ผู้ผลิตระบุเอง และในขอบเขตการสำรวจของบทความนี้ เราไม่พบการประเมินเปรียบเทียบความแม่นยำที่เป็นอิสระ

IATF 16949 ฉบับที่ 2 มีกำหนดออกช่วงกลางปี 2027 (กำหนดการเบื้องต้น)

IATF Global Oversight ได้เผยแพร่ความคืบหน้าการปรับปรุง IATF 16949 ฉบับที่ 2 ผ่าน Stakeholder Communique SC-2026-005 ในเดือนกรกฎาคม 2026 โดยระบุหัวข้อที่ให้ความสำคัญ 5 ข้อ ได้แก่ การทำให้เรียบง่าย ชัดเจน และมีประสิทธิภาพ (หลีกเลี่ยงความซ้ำซ้อนกับ ISO 9001), การประกันคุณภาพซอฟต์แวร์, การบริหารห่วงโซ่อุปทาน Tier N, การบริหารการเริ่มผลิต (Launch Management) และข้อกำหนดเฉพาะของลูกค้า (CSR) กำหนดการเป็นเพียงกำหนดการเบื้องต้น โดยร่างทำงานและการรับฟังความเห็นจากภายนอกอยู่ในปี 2026 การตรวจสอบขั้นสุดท้าย การแปล และเอกสารสนับสนุนอยู่ในปี 2027 และมีกำหนดออกในช่วงกลางปี 2027

ข้อควรระวังคือ เอกสารนี้ไม่ได้กล่าวถึง FMEA หรือ AI โดยตรง จึงไม่ใช่เรื่องที่ว่า “ฉบับที่ 2 จะกำหนดให้ใช้ AI กับ FMEA” ในอีกด้านหนึ่ง Smithers ซึ่งเป็นหน่วยรับรอง ได้ยกข้อบกพร่อง (Nonconformity) ที่พบบ่อยของ IATF 16949 จากข้อมูลของ IAOB ซึ่งรวมถึง 8.3.5.2 (ผลลัพธ์ของการออกแบบกระบวนการผลิต เช่น ข้อกำหนดขาดหายหรือเอกสาร FMEA ไม่สมบูรณ์) และ 8.5.1.1 (Control Plan เช่น ไม่สะท้อนทุกขั้นตอนของกระบวนการผลิตจริง หรือไม่สอดคล้องกับ FMEA) จึงเป็นเรื่องสมเหตุสมผลที่จะมองว่าช่วงก่อนการปรับปรุงมาตรฐานเป็นโอกาสที่ดีในการทำให้ FMEA และ Control Plan สอดคล้องกันอย่างมั่นคง ภาพรวมของการเตรียมพร้อมสำหรับฉบับที่ 2 สรุปไว้ใน “การเตรียมพร้อมสำหรับ IATF 16949 ฉบับที่ 2“

ข้อสรุปของงานวิจัยคือ “ต้องมีคนตรวจสอบเป็นเงื่อนไขพื้นฐาน”

ฝั่งงานวิจัยก็ไปในทิศทางเดียวกับผู้ขาย บทความทางเทคนิคของ SAE (2026-01-0106) ที่เผยแพร่เมื่อวันที่ 7 เมษายน 2026 ได้ประเมินระบบที่ใช้ LLM สร้าง FMEA จากแผนภาพสถาปัตยกรรมร่วมกับการตรวจสอบแบบมีคนอยู่ในวงจร (Human-in-the-loop) (กลุ่มเป้าหมายคือแผนภาพระบบด้าน Functional Safety) และรายงานว่าอัตราความถูกต้องในการให้คะแนน S/O/D อยู่ที่ 70-90% ส่วนบทความของ El Hassani และคณะที่ตีพิมพ์ในวารสาร Design Science ระบุไว้ชัดเจนว่า LLM อาจคาดการณ์ Failure Mode เกินกว่าข้อมูลที่ป้อนเข้าไป และผลลัพธ์จำเป็นต้องได้รับการตรวจสอบและแก้ไขโดยผู้เชี่ยวชาญ (SME) รายละเอียดจะกล่าวถึงในหัวข้อถัดไป

บริบทด้านการผลิตและการลงทุนของไทย

เมื่อหันมามองหน้างานในไทย ตามที่ Trading Economics รายงานเมื่อวันที่ 28 กันยายน 2026 อ้างอิงการประกาศของสภาอุตสาหกรรมแห่งประเทศไทย (FTI) การผลิตรถยนต์ในเดือนสิงหาคม 2026 อยู่ที่ 124,646 คัน เพิ่มขึ้น 10.93% เมื่อเทียบกับเดือนเดียวกันของปีก่อน ขณะที่การส่งออกลดลง 2.04% และ FTI คาดการณ์การผลิตทั้งปี 2026 ว่าจะลดลง 3.33%

ด้านการลงทุน ในการประกาศของสำนักงานคณะกรรมการส่งเสริมการลงทุน (BOI) เมื่อวันที่ 23 กรกฎาคม 2026 เกี่ยวกับคำขอรับการส่งเสริมการลงทุนในครึ่งแรกของปี 2026 กลุ่มไฟฟ้าและอิเล็กทรอนิกส์มี 179 โครงการ มูลค่า 3.56 พันล้านดอลลาร์ กลุ่มยานยนต์ 122 โครงการ และคำขอจากญี่ปุ่น 123 โครงการ (ทั้งหมดเป็นตัวเลขตามคำขอ) นอกจากนี้ ตามคำอธิบายของ BOI ที่ New Straits Times รายงานในเดือนสิงหาคม 2026 จากคำขอลงทุนด้านเซมิคอนดักเตอร์และอิเล็กทรอนิกส์ 880 โครงการระหว่างปี 2023 ถึงกลางปี 2026 แผงวงจรพิมพ์ (PCB) เป็นกลุ่มใหญ่ที่สุดด้วย 224 โครงการ มูลค่า 9.85 พันล้านดอลลาร์ เมื่อมีโรงงานใหม่และชิ้นงานใหม่เพิ่มขึ้น งานจัดทำ PFMEA และทำให้สอดคล้องกับ Control Plan ทุกครั้งที่เริ่มการผลิตก็จะเพิ่มขึ้นตามไปด้วย จึงเป็นเรื่องธรรมดาที่จะมีความต้องการใช้ AI เข้ามาช่วยเพื่อให้วิศวกรคุณภาพที่มีจำนวนจำกัดรับมือได้

การนำ AI มาใช้กับ FMEA คืออะไร: ขั้นตอนที่ให้ AI ทำ กับขั้นตอนที่คนตัดสินใจ

AIAG-VDA FMEA Handbook ฉบับที่ 1 ออกเมื่อเดือนมิถุนายน 2019 เป็นคู่มืออ้างอิงสำหรับซัพพลายเออร์ในอุตสาหกรรมยานยนต์ ช่วยในการจัดทำ Design FMEA, Process FMEA และ FMEA เสริมสำหรับการเฝ้าติดตามและการตอบสนองของระบบ (FMEA-MSR) และระบุว่ามุ่งให้สอดคล้องกับ SAE J1739 ตามคำอธิบายของ Quality-One นั้น AIAG-VDA FMEA ดำเนินการเป็น 7 ขั้นตอน และ RPN (Risk Priority Number) แบบเดิมถูกยกเลิกไป แทนที่ด้วย AP (Action Priority: H/M/L)

เมื่อจัดแบ่งตาม 7 ขั้นตอนนี้ว่าส่วนใดให้ AI ทำได้ง่ายและส่วนใดคนต้องตัดสินใจ จะได้ดังนี้

AI เป็นผู้ “เสนอ” คนเป็นผู้ “ตัดสิน”

จากตารางจะเห็นว่าบทบาทของ AI รวมอยู่ที่การ “เสนอรายการ” ในขั้นตอนที่ 2-4 และการ “ตรวจเทียบ” ในขั้นตอนที่ 7 การเสนอโครงสร้าง ฟังก์ชัน และความล้มเหลวให้ได้กว้างที่สุดเป็นงานเชิงขยายความคิด (Divergent) ที่ AI ค่อนข้างถนัด ในทางกลับกัน ขั้นตอนที่ 5 และ 6 คือการประเมินความเสี่ยงและการตัดสินใจมาตรการ เป็นการตัดสินใจที่มาพร้อมความรับผิดชอบ คนจึงต้องเป็นผู้ตัดสิน

ค่าความรุนแรง S ต้องให้คนเป็นผู้กำหนดเท่านั้น

โดยเฉพาะค่าความรุนแรง S (Severity) เราแนะนำให้ตัดออกจากรายการที่ให้ AI เสนอด้วย (ยกเว้นกรณีให้ AI เสนอเพื่อวัดความคลาดเคลื่อนในการทดสอบรับมอบ ในการใช้งานจริงให้ปิดฟังก์ชันเสนอค่าไว้) ความรุนแรงคือการประเมินว่า “ความล้มเหลวนั้นส่งผลกระทบรุนแรงต่อลูกค้าหรือผู้ใช้ปลายทางมากเพียงใด” ซึ่งมีผลอย่างมากต่อการตัดสินว่าต้องมีมาตรการหรือไม่ หาก AI เสนอค่าความรุนแรงที่ต่ำเกินไป แล้วคนรับไปใช้ตามนั้นเพราะงานยุ่ง Failure Mode ที่จริงๆ แล้วต้องมีมาตรการอาจถูกจัดเป็น “ไม่ต้องดำเนินการ” ขนาดของความเสียหายในกรณีนี้จะแสดงในการประมาณการภายหลัง (จุดชี้ขาดที่ 3)

คิดด้วย AP ไม่ใช่ RPN

ข้อควรระวังอีกประการคือ แนวคิดที่ให้ AI “คำนวณ RPN” เป็นวิธีแบบเดิม ในแบบ AIAG-VDA นั้น RPN ถูกยกเลิกแล้ว และใช้ AP ในการกำหนดลำดับความสำคัญของมาตรการ เมื่อเลือกเครื่องมือ ให้ตรวจสอบว่ารองรับ AP แบบ AIAG-VDA หรือไม่ และจัดการ FMEA เดิมที่ทำตามแบบ AIAG ฉบับที่ 4 ได้อย่างไร ทั้งนี้ เกณฑ์การประเมิน S/O/D แต่ละระดับและตารางการจับคู่ของ AP ต้องตรวจสอบจาก Handbook ฉบับจริง บทความนี้จะไม่นำมาแสดงซ้ำ

ฟังก์ชัน AI ในซอฟต์แวร์ FMEA ต่างจาก Generative AI ทั่วไปอย่างไร

เมื่อได้ยินคำว่า “ใช้ Generative AI กับ FMEA” หลายคนคงนึกถึงการอธิบายกระบวนการให้ Generative AI ทั่วไปอย่าง ChatGPT หรือ Claude ฟัง แล้วให้เขียนตาราง FMEA ออกมา แต่ฟังก์ชัน AI ที่ฝังอยู่ในเครื่องมือเฉพาะทางสำหรับ FMEA กับการให้ Generative AI ทั่วไปเขียน FMEA เป็นคนละเรื่องกัน

Generative AI ทั่วไปมีประโยชน์ในฐานะคู่ระดมความคิด แต่เพราะไม่มีการควบคุมเวอร์ชัน Audit Trail และการเชื่อมโยงกับ Control Plan ในทางปฏิบัติจึงยากที่จะใช้เป็นเครื่องมือจัดทำตัว FMEA ซึ่งต้องบริหารเป็นเอกสารตาม IATF 16949 นอกจากนี้ ChatGPT และ Claude.ai สำหรับบุคคลมีเงื่อนไขการใช้งานต่างจาก API เชิงพาณิชย์ จึงควรหลีกเลี่ยงการนำข้อมูลที่มีแบบงานของลูกค้าหรือเงื่อนไขกระบวนการไปวางในบัญชีส่วนตัว

ฝั่งเครื่องมือเองก็ไม่ได้เหมือนกันทั้งหมด คู่มือผู้ใช้ของ Relyence ระบุว่าใช้ ChatGPT หรือ Copilot มีการใช้ Token และแม้เป็นเวอร์ชัน On-premise ก็ต้องมีสัญญาบำรุงรักษาและต้องสื่อสารกับ Application Server ของ Relyence ดังนั้น “เป็น On-premise จึงไม่มีข้อมูลออกไปข้างนอก” ไม่จริงเสมอไป ประเด็นนี้ต้องตรวจสอบใน RFP ทุกครั้ง

ข้อมูลที่ AI อ้างอิง: Foundation FMEA, 8D, ข้อร้องเรียน และบันทึกการเปลี่ยนแปลง 4M

สิ่งที่กำหนดคุณภาพผลลัพธ์ของ AI ที่ช่วยงาน FMEA คือสิ่งที่ให้ AI อ้างอิง มากกว่าสมรรถนะของโมเดล หากเป็น Failure Mode ทั่วไป Generative AI ทั่วไปก็เสนอได้ สิ่งที่มีคุณค่าต่อหน้างานคือการแสดง “Failure Mode ที่เคยเกิดขึ้นจริงในกระบวนการนี้ ในบริษัทนี้”

Foundation FMEA (Family FMEA)

ดังที่ Omnex อธิบายว่า “นำ Foundation FMEA กลับมาใช้ซ้ำเพื่อสร้าง PFMEA ที่เหมาะกับบริบท” Foundation FMEA (Family FMEA) จึงเป็นหนึ่งในข้อมูลป้อนเข้าที่สำคัญที่สุดของ AI หากมี Foundation FMEA ที่จัดโครงสร้าง ฟังก์ชัน และ Failure Mode มาตรฐานไว้ตามกระบวนการ เช่น งานปั๊มขึ้นรูป งานเชื่อม และงานฉีดพลาสติก PFMEA ของชิ้นงานใหม่ก็เริ่มจากตรงนั้นได้ ในทางกลับกัน โรงงานที่คัดลอกและแก้ไข FMEA ทีละชิ้นงานซ้ำไปมาจนไม่มี Foundation FMEA หรือมีแต่ถูกทิ้งไว้ไม่ปรับปรุง AI ก็จะเพียงผลิตเนื้อหาเก่าซ้ำออกมา

รายงาน 8D และข้อร้องเรียนจากลูกค้าในอดีต

สิ่งที่มีคุณค่าสูงที่สุดคือรายงาน 8D และบันทึกข้อร้องเรียนจากลูกค้าในอดีต ปัญหาที่หลุดออกไปถึงลูกค้าจริงบ่งชี้ถึง Failure Mode ที่ FMEA ไม่ได้คาดการณ์ไว้ หรือ Failure Mode ที่คาดการณ์ไว้แล้วแต่การควบคุมไม่ได้ผล หาก AI ค้นหาข้อมูลเหล่านี้และเสนอได้ว่า “กระบวนการเชื่อมนี้เคยมีข้อร้องเรียนแบบนี้” นั่นคือการทำหน้าที่ป้องกันการตกหล่นอย่างแท้จริง แนวคิดการใช้ AI จัดทำตัวรายงาน 8D อธิบายไว้ใน “การจัดทำรายงานการแก้ไขและ 8D ด้วย AI“

บันทึกการเปลี่ยนแปลง 4M และ Control Plan

การเปลี่ยนแปลง 4M ได้แก่ คน เครื่องจักร วัสดุ และวิธีการ เป็นทางเข้าของ Failure Mode ใหม่ หากมีการทบทวน PFMEA ทุกครั้งที่มีการเปลี่ยนแปลง บันทึกการเปลี่ยนแปลงกับประวัติการแก้ไข FMEA ก็ควรสอดคล้องกัน การให้ AI อ้างอิงบันทึกการเปลี่ยนแปลง 4M ยังช่วยเป็นเบาะแสในการหา “กระบวนการที่มีการเปลี่ยนแปลงแต่ FMEA ไม่ได้รับการแก้ไข” ด้วย ระบบบันทึกการเปลี่ยนแปลง 4M ดูได้ที่ “ระบบบริหารการเปลี่ยนแปลง 4M” หากต้องการติดตามการเปลี่ยนแปลงฝั่งการออกแบบ “AI สำหรับบริหารการเปลี่ยนแปลงการออกแบบ” ก็เกี่ยวข้องเช่นกัน

การเตรียมข้อมูลคืออุปสรรคแรก

ในความเป็นจริง รายงาน 8D ในอดีตกระจายอยู่ในกระดาษ Excel และอีเมล บันทึกข้อร้องเรียนมีรูปแบบต่างกันตามลูกค้าแต่ละราย และมีภาษาไทย ญี่ปุ่น และอังกฤษปนกัน Things เองก็ยกเรื่องเอกสารภายในกระจัดกระจายอยู่ในหลายระบบเป็นปัญหา ก่อนนำ AI เข้ามา อย่างน้อยต้องจัด Foundation FMEA ของกระบวนการหลัก และรายงาน 8D และข้อร้องเรียนล่าสุดให้อยู่ในรูปที่ค้นหาได้ นี่คืออุปสรรคแรกของโครงการ งานถอดความรู้ในหัวของผู้มีประสบการณ์ออกมาเป็นเอกสารยังทับซ้อนกับแนวทางใน “AI สำหรับการถ่ายทอดทักษะ” ด้วย

ข้อจำกัดของ Generative AI จากงานวิจัย: การตกหล่น การกุขึ้นเอง และความคลาดเคลื่อนของ S/O/D

มีงานวิจัยหลายชิ้นที่ใช้ LLM จัดทำ FMEA เมื่อนำผลมาวางเทียบกัน จะเห็นทั้งขอบเขตที่ให้ AI ทำได้ และสิ่งที่ควรวัดในการทดสอบรับมอบ

ข้อจำกัดที่อ่านได้จากงานวิจัยเหล่านี้มี 3 ข้อ

ข้อที่ 1 คือ “การกุขึ้นเอง” El Hassani และคณะระบุชัดว่า LLM อาจคาดการณ์ Failure Mode เกินกว่าข้อมูลที่ป้อนเข้าไป ในแง่การขยายความคิดอาจเป็นข้อดี แต่หาก Failure Mode ที่ไม่มีหลักฐานรองรับในกระบวนการของเราหลุดเข้าไปใน FMEA ก็จะกินเวลาการทบทวนของ CFT และลดความน่าเชื่อถือของเอกสาร

ข้อที่ 2 คือ “การตกหล่น” งานวิจัยของ IBM ระบุว่าสร้างเนื้อหาหลักได้ถูกต้องมากกว่าครึ่ง แต่กล่าวอีกนัยหนึ่งคือเกือบครึ่งไม่ถูกต้อง Collier และคณะก็ประเมินว่าผลลัพธ์ทั่วไปเกินไปและไม่สะท้อนความลึกของความรู้ผู้เชี่ยวชาญ หากพึ่งพารายการที่ AI เสนอทั้งหมด Failure Mode เฉพาะของโรงงานนั้นซึ่งไม่ปรากฏในความรู้ทั่วไปจะหลุดหายไป

ข้อที่ 3 คือ “ความคลาดเคลื่อนของ S/O/D” ในบทความ SAE ความถูกต้องในการให้คะแนน S/O/D อยู่ที่ 70-90% กลุ่มเป้าหมายคือแผนภาพระบบด้าน Functional Safety และจากบทคัดย่อไม่ทราบจำนวนแผนภาพที่ใช้ประเมิน จึงไม่สามารถนำตัวเลขนี้ไปใช้เป็นการทั่วไปได้ ถึงกระนั้น ตัวอย่างนี้ก็แสดงว่า “อาจคลาดเคลื่อนจากการประเมินของผู้เชี่ยวชาญในสัดส่วนหนึ่ง” และเป็นเหตุผลที่ไม่ควรให้ AI เป็นผู้กำหนด S/O/D

งานวิจัยเหล่านี้ไม่มีชิ้นใดวัดอัตราความถูกต้องใน FMEA กระบวนการของโรงงาน ด้วยเหตุนี้ การวัดการตกหล่นและการกุขึ้นเองต่อกระบวนการของเราเองจริงๆ ในการทดสอบรับมอบโดยใช้ FMEA ในอดีตของบริษัทจึงเป็นสิ่งที่ขาดไม่ได้

การเชื่อมโยง FMEA กับแผนควบคุม (Control Plan) และการใช้ AI ตรวจสอบความสอดคล้อง

ดังที่กล่าวไปแล้ว ข้อบกพร่องที่พบบ่อยที่ Smithers ยกมารวมถึง 8.3.5.2 (เช่น เอกสาร FMEA ไม่สมบูรณ์) และ 8.5.1.1 (เช่น Control Plan ไม่สอดคล้องกับ FMEA) บทความเดียวกันยกตัวอย่างที่ FMEA ที่ไม่สมบูรณ์ทำให้ Control Plan อ่อนแอลง คือสภาพที่ “การควบคุมที่กำหนดไว้ใน Control Plan ไม่ได้รองรับ Failure Mode ความเสี่ยงสูงที่ระบุไว้ใน Process FMEA อย่างเพียงพอ”

คำอธิบายของ 16949store.com ก็ระบุว่า Control Plan ต้องพิจารณาผลลัพธ์ของ DFMEA และ PFMEA และยกตัวกระตุ้นให้ทบทวน ได้แก่ การส่งมอบผลิตภัณฑ์ที่ไม่เป็นไปตามข้อกำหนด การเปลี่ยนแปลงผลิตภัณฑ์หรือกระบวนการ ข้อร้องเรียนจากลูกค้า และความถี่ตามการวิเคราะห์ความเสี่ยง กล่าวคือ FMEA และ Control Plan ไม่ใช่สิ่งที่ทำครั้งเดียวแล้วจบ แต่ต้องปรับปรุงทั้งสองให้สอดคล้องกันทุกครั้งที่มีข้อร้องเรียนหรือการเปลี่ยนแปลง

นี่คือจุดที่เครื่องมือรวมถึง AI เข้ามามีบทบาท สิ่งที่เราอยากแนะนำคือ ก่อนจะให้ AI เขียนข้อความ ให้ใช้กับการตรวจสอบความสอดคล้องเชิงกลไกก่อน

• Failure Mode ทุกรายการที่มี AP เป็น H มีการควบคุมเชิงป้องกันหรือเชิงตรวจจับผูกอยู่ในฝั่ง Control Plan หรือไม่
• รายการที่กำหนดเป็นคุณลักษณะพิเศษใน FMEA อยู่ใน Control Plan ครบหรือไม่
• เมื่อแถวของ FMEA ได้รับการแก้ไขจากการเปลี่ยนแปลง 4M หรือข้อร้องเรียน เวอร์ชันของ Control Plan ได้รับการปรับปรุงตามด้วยหรือไม่
• หมายเลขและชื่อกระบวนการใน Process Flow, PFMEA และ Control Plan ตรงกันหรือไม่

การตรวจสอบข้อแรกนั้น แม้ไม่ใช้ AI ก็ทำได้เชิงกลไกหากใช้เครื่องมือที่ FMEA และ Control Plan เชื่อมโยงกันเชิงโครงสร้าง บทบาทของ AI คือการเสนอวิธีการควบคุมและแผนตอบสนองสำหรับ Failure Mode ที่ยังไม่มีการควบคุมผูกอยู่ การที่ Siemens เพิ่มการเสนอแผนตอบสนองของ Control Plan ในเวอร์ชัน 2606 ก็เป็นความเคลื่อนไหวที่เกี่ยวข้องกับส่วนนี้โดยตรง แต่ผู้ที่ตัดสินว่าวิธีการควบคุมที่ถูกเสนอนั้นทำได้จริงกับเครื่องจักรและเครื่องมือวัดที่มีอยู่หรือไม่คือคน วิธีแสดงความสอดคล้องระหว่าง FMEA กับ Control Plan ในการ Audit ของลูกค้า ดูเพิ่มเติมได้ที่ “การ Audit ของลูกค้าและการตรวจสอบย้อนกลับ“

ต้นทุนและ ROI ของการนำ AI มาใช้กับ FMEA: ลดชั่วโมงงานอย่างเดียวไม่คืนทุน

ต่อจากนี้คือการประมาณการสำหรับโรงงานต้นแบบ R ขอย้ำอีกครั้งว่าตัวเลขต่อไปนี้ทั้งหมดเป็นค่าสมมติที่บทความนี้จัดทำขึ้นเอง ไม่ใช่ค่าเฉลี่ยของอุตสาหกรรม

สมมติฐานของโรงงานต้นแบบ R

โรงงานต้นแบบ R เป็นผู้ผลิตชิ้นส่วนยานยนต์ของญี่ปุ่น (งานปั๊มขึ้นรูป งานเชื่อม งานฉีดพลาสติก) ตั้งอยู่ในจังหวัดระยอง ประเทศไทย เป็นซัพพลายเออร์ Tier 1/Tier 2 มีพนักงาน 450 คน และได้รับการรับรอง IATF 16949

ความเสียหายต่อข้อร้องเรียน 1 เรื่องจำนวน 250,000 บาท รวมค่าคัดแยก การดำเนินการ 8D การขนส่งด่วน และค่าปรับที่ลูกค้าเรียกเก็บ

โครงสร้างระบบและค่าใช้จ่ายที่สมมติ

โครงสร้างที่สมมติคือ “เครื่องมือ FMEA ที่มี AI ร่วมกับการค้นหา FMEA, 8D และบันทึกการเปลี่ยนแปลง 4M ในอดีต โดย S/O/D และมาตรการให้คนเป็นผู้ตัดสินใจ”

ขอให้สังเกตว่าเงินลงทุนเริ่มต้นเกือบครึ่งใช้กับการเตรียมข้อมูล ไม่ใช่ตัวเครื่องมือ ดังที่กล่าวไว้ในหัวข้อก่อนหน้า หากตัดส่วนนี้ออก AI จะเสนอได้แค่ความรู้ทั่วไป

จุดชี้ขาดที่ 1: ลดชั่วโมงงานอย่างเดียวจะขาดทุน

สมมติว่าการเสนอรายการของ AI ทำให้การจัดทำใหม่เร็วขึ้น 30% และการแก้ไขเร็วขึ้น 25%

คิดเป็นเงิน 672 ชั่วโมง x 450 บาท = 302,400 บาท/ปี แต่ค่าดำเนินการต่อปีคือ 450,000 บาท ผลประโยชน์สุทธิต่อปีจึงเป็น 302,400 – 450,000 = -147,600 บาท/ปี ไม่พอแม้แต่ค่าดำเนินการ และไม่สามารถคืนทุนเงินลงทุนเริ่มต้นได้ ยอดสะสม 5 ปีคือ -147,600 x 5 – 850,000 = -738,000 – 850,000 = -1,588,000 บาท

นี่คือผลลัพธ์เมื่อใช้ “AI ช่วยให้เขียน FMEA ได้เร็ว” เป็นเหตุผลเดียวในการนำมาใช้ หากสมมติสัดส่วนการลดชั่วโมงงานให้สูงกว่านี้ตัวเลขจะเปลี่ยนไป แต่เวลาที่ CFT ใช้อภิปราย ประเมิน S/O/D และตัดสินใจมาตรการ จะไม่ลดลงมากนักแม้มี AI และที่จริงแล้วเป็นเวลาที่ไม่ควรลดด้วย

จุดชี้ขาดที่ 2: หากลดข้อร้องเรียนได้ปีละ 2 เรื่องจะคืนทุนได้

ต่อไป สมมติว่า AI ค้นหา 8D ข้อร้องเรียน และบันทึกการเปลี่ยนแปลง 4M ในอดีต แล้วแสดง “Failure Mode ที่เคยเกิดขึ้นในกระบวนการนี้” ทำให้การตกหล่นใน FMEA ลดลง และป้องกันข้อร้องเรียนได้ 2 เรื่องจาก 6 เรื่องต่อปี

• ความเสียหายที่หลีกเลี่ยงได้: 2 เรื่อง x 250,000 บาท = 500,000 บาท/ปี
• ผลประโยชน์สุทธิต่อปี: 302,400 + 500,000 – 450,000 = 352,400 บาท/ปี
• ระยะเวลาคืนทุนอย่างง่าย: 850,000 / 352,400 = ประมาณ 2.4 ปี
• ยอดสะสม 5 ปี: 352,400 x 5 – 850,000 = 1,762,000 – 850,000 = 912,000 บาท

แต่หากป้องกันข้อร้องเรียนได้เพียง 1 เรื่อง ผลประโยชน์สุทธิต่อปีจะเป็น 302,400 + 250,000 – 450,000 = 102,400 บาท/ปี และระยะเวลาคืนทุนอย่างง่ายคือ 850,000 / 102,400 = ประมาณ 8.3 ปี

“1 เรื่องหรือ 2 เรื่อง” ทำให้ภาพเปลี่ยนไปอย่างมาก ด้วยเหตุนี้ ก่อนนำมาใช้จึงควรกำหนดตั้งแต่แรกให้มีการบันทึกโดยจำแนกสาเหตุรากของข้อร้องเรียนว่า “FMEA คาดการณ์ไว้แล้วแต่การควบคุมไม่ได้ผล” หรือ “FMEA คาดการณ์ตกหล่น” หากไม่มีการจำแนกนี้ แม้ข้อร้องเรียนจะลดลงหลังนำมาใช้ ก็ไม่สามารถอธิบายได้ว่าเป็นผลจาก AI ที่ช่วยลดการตกหล่น หรือมาจากปัจจัยอื่น วิธีกำหนดจุดสิ้นสุดของ PoC อธิบายไว้อย่างละเอียดใน “เกณฑ์การสิ้นสุด AI PoC“

จุดชี้ขาดที่ 3: ต้นทุนเมื่อกำหนดค่าความรุนแรงต่ำเกินไป 1 รายการ

ขอแปลงความเสี่ยงในทิศทางตรงข้ามเป็นตัวเลขด้วย สมมติว่ารับข้อเสนอของ AI ไปใช้ตามนั้นและกำหนดค่าความรุนแรง S ต่ำเกินไป ทำให้ Failure Mode 1 รายการถูกจัดเป็นไม่ต้องมีมาตรการ แล้วปัญหาหลุดออกไปจนเกิดความเสียหาย 1,000,000 บาท จำนวนนี้เท่ากับประมาณ 3.3 ปีของผลจากการลดชั่วโมงงาน 302,400 บาทในจุดชี้ขาดที่ 1 (1,000,000 / 302,400)

ผลจากการลดชั่วโมงงานหลายปีหายไปได้เพียงเพราะกำหนดค่าความรุนแรงต่ำเกินไปเพียงรายการเดียว ข้อสรุปจึงชัดเจน ค่าความรุนแรง S ต้องให้คนเป็นผู้กำหนดเท่านั้น ข้อเสนอ S/O/D ของ AI เป็นสิ่งที่ใช้วัด “ความคลาดเคลื่อนจากการประเมินของคน” ในการทดสอบรับมอบ ไม่ใช่สิ่งที่จะนำไปใช้ ในบทความ SAE ที่กล่าวถึงข้างต้นก็มีตัวอย่างที่ความถูกต้องในการให้คะแนน S/O/D อยู่ที่เพียง 70-90% ทั้งนี้ ตัวเลข 1,000,000 บาทนี้เป็นเพียงไม้บรรทัดสำหรับเปรียบเทียบ ไม่ได้นำไปหักออกจากผลประโยชน์สุทธิข้างต้นเพื่อคำนวณระยะเวลาคืนทุนใหม่

ข้อควรระวังเพื่อไม่ให้นับซ้ำ

ความเสียหาย 250,000 บาทต่อข้อร้องเรียน 1 เรื่องรวมชั่วโมงงานในการดำเนินการ 8D ไว้แล้ว ขณะเดียวกัน ในชั่วโมงการแก้ไข FMEA 960 ชั่วโมงก็รวมการแก้ไขที่เกิดจากข้อร้องเรียนไว้ด้วย ในการประมาณการนี้ ผลของการป้องกันข้อร้องเรียนนับเป็น “ความเสียหายที่หลีกเลี่ยงได้” และไม่นับเวลาเดียวกันซ้ำกับการลดชั่วโมงงานแก้ไข นอกจากนี้ หากข้อร้องเรียนลดลง จำนวนการแก้ไขที่เริ่มจากข้อร้องเรียนก็อาจลดลงด้วย แต่การประมาณการนี้กำหนดจำนวนการแก้ไขไว้คงที่ที่ปีละ 120 ครั้ง (เป็นการสมมติแบบอนุรักษ์นิยม)

12 รายการที่ควรเขียนใน RFP สำหรับซอฟต์แวร์ FMEA และฟังก์ชัน AI

เมื่อเปรียบเทียบซอฟต์แวร์ FMEA เราแนะนำให้เขียน 12 รายการต่อไปนี้ลงในข้อกำหนดการจัดซื้อ (RFP) และให้ผู้ขายทุกรายตอบในรูปแบบเดียวกัน แทนที่จะตัดสินจากความประทับใจในการสาธิต

เพิ่มเติม การที่ผู้ขายได้รับการรับรอง ISO/IEC 42001 (มาตรฐานระบบการบริหาร AI ที่ออกเมื่อเดือนธันวาคม 2023) หรือไม่ ถือเป็นข้อมูลประกอบการพิจารณาข้อหนึ่งได้ แต่การ Audit IATF 16949 ไม่ได้กำหนดให้ต้องมี วิธีพิจารณาบริษัทพัฒนาระบบหรือบริษัทที่ช่วยติดตั้ง ดูเพิ่มเติมได้ที่ “วิธีเลือกบริษัทพัฒนา AI“

สิ่งที่ต้องตรวจสอบใน FAT/SAT: วัด “การตกหล่น” และ “การกุขึ้นเอง”

ในการทดสอบรับมอบ (การทดสอบที่โรงงานผู้ผลิต FAT และการทดสอบรับมอบที่หน้างาน SAT) การยืนยันจากการสาธิตว่า “ได้ FMEA ที่ดูเหมือนจริงออกมา” ไม่มีความหมาย สิ่งที่ต้องวัดคือการตกหล่นและการกุขึ้นเองต่อกระบวนการของเราเอง

วิธีจัดทำชุด FMEA สำหรับทดสอบที่เราแนะนำคือ เลือก FMEA ของชิ้นงานที่เคยมีข้อร้องเรียนหรือ 8D หลายฉบับ แล้วซ่อน Failure Mode ที่เกิดขึ้นจริงไว้ จากนั้นให้ AI เสนอรายการ เนื่องจากรู้คำตอบอยู่แล้ว จึงวัดได้อย่างเป็นกลางว่า AI ค้นพบ Failure Mode ที่ทราบอยู่แล้วได้มากเพียงใด แต่หากรายงาน 8D หรือข้อร้องเรียนที่เกี่ยวข้องยังอยู่ในข้อมูลอ้างอิง การทดสอบจะกลายเป็นการทดสอบว่า “ค้นหาเจอหรือไม่” หากต้องการดูความสามารถในการคาดการณ์ทั่วไป ให้วัดในเงื่อนไขที่นำข้อมูลเหล่านั้นออกจากข้อมูลอ้างอิงด้วย

ตัวอย่างเกณฑ์ผ่านเป็นเพียงตัวอย่างของบทความนี้ โปรดทดลองคำนวณด้วยข้อมูลในอดีตของโรงงานคุณ และกำหนดหลังจากได้ข้อตกลงร่วมกันระหว่าง CFT กับฝ่ายประกันคุณภาพ สิ่งสำคัญคืออย่าวัดครั้งเดียวใน FAT แล้วจบ แต่ให้ทำการทดสอบเดียวกันซ้ำใน SAT ด้วยข้อมูลและสภาพแวดล้อมทางภาษาของโรงงานเอง

ประเด็นเฉพาะของประเทศไทย: ความลับ PDPA ร่างกฎหมาย AI และหลายภาษา

ความลับของลูกค้าและ AI บน Cloud

FMEA มีแบบงานของลูกค้า เงื่อนไขกระบวนการ ประวัติปัญหา และชื่อลูกค้าอยู่ด้วย ก่อนอื่นให้ตรวจสอบว่า NDA หรือข้อตกลงด้านคุณภาพกับลูกค้าได้จำกัดการจัดเก็บบน Cloud หรือการเปิดเผยต่อบุคคลที่สามไว้หรือไม่

ด้านเงื่อนไขของผู้ให้บริการ LLM ข้อกำหนดการใช้งานเชิงพาณิชย์ของ Anthropic ระบุว่าจะไม่นำเนื้อหาของลูกค้าไปใช้ฝึกโมเดล ส่วนคำอธิบาย API ของ OpenAI ระบุว่าข้อมูลที่ส่งผ่าน API จะไม่ถูกนำไปฝึกโมเดล เว้นแต่จะเลือกเข้าร่วม (Opt-in) อย่างชัดแจ้ง บันทึกการเฝ้าระวังการใช้งานในทางมิชอบเก็บไว้ 30 วันโดยค่าเริ่มต้น และสามารถใช้ Zero Data Retention (ZDR) ได้เมื่อได้รับอนุมัติล่วงหน้า อย่างไรก็ตาม “ไม่นำไปฝึกโมเดล” กับ “ไม่จัดเก็บ” เป็นคนละเรื่องกัน และหากส่งข้อมูลไปยัง LLM ภายนอกผ่านเครื่องมืออย่าง Relyence ต้องตรวจสอบเงื่อนไขทั้งของผู้ขายเครื่องมือและของผู้ให้บริการ LLM

PDPA (พระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคล)

โดยทั่วไป ตัว Failure Mode และเงื่อนไขกระบวนการไม่ใช่ข้อมูลส่วนบุคคล แต่ชื่อสมาชิก CFT ใน FMEA ชื่อผู้รับผิดชอบใน 8D และชื่อผู้ติดต่อฝั่งลูกค้า อาจเป็นข้อมูลส่วนบุคคลได้ การออกแบบให้ลบชื่อออกก่อนส่งให้ AI จึงปลอดภัยกว่า สำหรับการจัดการในรายละเอียด โปรดตรวจสอบกับฝ่ายกฎหมายหรือผู้เชี่ยวชาญเป็นกรณีไป

ร่างกฎหมาย AI ของไทย

สำนักงานพัฒนาธุรกรรมทางอิเล็กทรอนิกส์ (ETDA) ได้เผยแพร่ร่างพระราชบัญญัติปัญญาประดิษฐ์ฉบับใหม่เมื่อวันที่ 2 กรกฎาคม 2026 และเปิดรับฟังความคิดเห็น ตามคำอธิบายของสำนักงานกฎหมาย Tilleke & Gibbins ร่างนี้เป็นแบบอิงความเสี่ยง (Risk-based) มีการแบ่งประเภท AI ต้องห้าม AI ความเสี่ยงสูง และ AI ที่ต้องขึ้นทะเบียน การบังคับใช้นอกอาณาเขตกับการกระทำที่ส่งผลต่อบุคคลในประเทศไทย และความรับผิดโดยเคร่งครัด เป็นต้น เนื่องจากยังอยู่ในขั้นร่างและยังไม่ผ่านการตราเป็นกฎหมาย ในขณะนี้จึงยังไม่ทราบว่าเครื่องมือช่วยงาน FMEA ที่ใช้ภายในบริษัทจะถูกจัดการอย่างไร ควรติดตามความเคลื่อนไหวต่อไป และตรวจสอบกับหน่วยงานที่เกี่ยวข้องหรือผู้เชี่ยวชาญเป็นกรณีไปตามความจำเป็น

CFT ที่ใช้หลายภาษา

CFT ของโรงงานญี่ปุ่นในไทยประกอบด้วยวิศวกรกระบวนการชาวไทย พนักงานชาวญี่ปุ่นที่มาประจำ (Expat) และฝ่ายออกแบบและฝ่ายคุณภาพของบริษัทแม่ในญี่ปุ่น รายงาน 8D และบันทึกข้อร้องเรียนในอดีตมักมีภาษาไทย ญี่ปุ่น และอังกฤษปนกันเป็นเรื่องปกติ หากไม่รวมศัพท์ของ Failure Mode และสาเหตุให้เป็นหนึ่งเดียวด้วยพจนานุกรม “ครีบ (Burr)” หรือ “งานเชื่อมไม่สมบูรณ์” ตัวเดียวกันจะถูกมองเป็นคนละเรื่องเพราะความต่างของภาษาและการสะกด และการค้นหาของ AI จะพลาดเป้า การจัดทำพจนานุกรมจึงเป็นงานที่ควรเริ่มภายใน 30 วันแรกเช่นเดียวกับการเตรียมข้อมูล

แผน 90 วันสำหรับการนำ AI มาใช้กับ FMEA

สุดท้ายนี้ ขอเสนอตัวอย่างแผนที่ดำเนินการนำมาใช้จนถึงการตัดสินใจภายใน 90 วัน

ประเด็นสำคัญคือ ใน 30 วันแรกให้สร้าง “ระบบสำหรับนับ” ก่อนลงมือใช้เครื่องมือ AI หากไม่มีบันทึกการจำแนกสาเหตุรากของข้อร้องเรียน ในการตัดสินใจช่วงวันที่ 61-90 ก็จะไม่มีข้อมูลมาอธิบายผลลัพธ์แบบจุดชี้ขาดที่ 2 นอกจากนี้ การจำกัดการใช้งานคู่ขนานไว้ที่ 1 กระบวนการก็เพื่อให้เงื่อนไขการเปรียบเทียบเท่ากัน หากเริ่มพร้อมกันหลายกระบวนการ จะแยกไม่ออกว่าเป็นผลจาก AI หรือจากความยากง่ายที่ต่างกันของแต่ละกระบวนการ

คำถามที่พบบ่อย (FAQ)

Q1. การใช้ Generative AI กับ FMEA คืออะไร และฟังก์ชัน AI ในซอฟต์แวร์ FMEA ต่างจากการให้ ChatGPT เขียนอย่างไร

การใช้ Generative AI กับ FMEA คือการให้ AI เสนอรายการ เช่น โครงสร้าง ฟังก์ชัน Failure Mode และการควบคุม แล้วให้คนตัดสินว่าจะรับหรือไม่ ฟังก์ชัน AI ในซอฟต์แวร์ FMEA จะใส่ข้อเสนอเข้าไปในโครงสร้าง FMEA ของเครื่องมือ และอยู่ภายใต้การควบคุมเวอร์ชัน การอนุมัติ Audit Trail และการเชื่อมโยงกับ Control Plan ส่วนการให้ Generative AI ทั่วไปเขียนนั้นไม่มีระบบเหล่านี้ ยังคงต้องคัดลอกและทำให้สอดคล้องกันเอง นอกจากนี้ควรหลีกเลี่ยงการนำข้อมูลลับไปวางในแผนสำหรับบุคคล

Q2. PFMEA ที่ AI จัดทำผ่านการ Audit IATF 16949 ได้หรือไม่

สิ่งที่การ Audit น่าจะพิจารณาไม่ใช่ว่าเครื่องมือเป็นผู้จัดทำหรือไม่ แต่เป็นบันทึกการทบทวนโดย CFT ความสอดคล้องกับ Control Plan และความเป็นปัจจุบันที่สะท้อนข้อร้องเรียนและการเปลี่ยนแปลง IATF 16949 ฉบับที่ 2 มีกำหนดออกในช่วงกลางปี 2027 (กำหนดการเบื้องต้น) แต่เอกสารที่เผยแพร่ในขณะนี้ไม่ได้กล่าวถึง FMEA หรือ AI โดยตรง สำหรับการพิจารณาในรายละเอียด โปรดตรวจสอบกับหน่วยรับรองเป็นกรณีไป

Q3. ให้ AI ประเมิน S/O/D (ความรุนแรง โอกาสเกิด ความสามารถในการตรวจจับ) ได้หรือไม่

เราแนะนำว่าไม่ควร ในงานวิจัยมีตัวอย่างที่ความถูกต้องในการให้คะแนน S/O/D อยู่ที่เพียง 70-90% และโดยเฉพาะหากกำหนดค่าความรุนแรง S ต่ำเกินไป มาตรการที่จำเป็นจะหลุดหายไป ในการประมาณการแบบจำลองของบทความนี้ ความเสียหายจากการกำหนดความรุนแรงต่ำเกินไป 1 รายการเท่ากับประมาณ 3.3 ปีของผลจากการลดชั่วโมงงาน การปฏิบัติต่อข้อเสนอ S/O/D ของ AI เป็นค่าอ้างอิงสำหรับวัดความคลาดเคลื่อนจากการประเมินของคนในการทดสอบรับมอบจึงปลอดภัยกว่า

Q4. ประเด็นสำคัญในการเปรียบเทียบซอฟต์แวร์ FMEA คืออะไร

ไม่ควรตัดสินจากความประทับใจในการสาธิต แต่ควรเขียน 12 รายการในบทความนี้ลงใน RFP และรวบรวมคำตอบในรูปแบบเดียวกัน โดยเฉพาะรายการที่มักเห็นความแตกต่าง ได้แก่ ตั้งค่าไม่ให้เสนอ S/O/D ได้หรือไม่ แสดงบันทึกในอดีตที่เป็นที่มาของข้อเสนอได้หรือไม่ มองเห็นและจำกัดข้อมูลที่ส่งไปยัง LLM ได้หรือไม่ เวอร์ชัน On-premise ยังมีการสื่อสารภายนอกหรือไม่ และมีลิงก์เชิงโครงสร้างกับ Control Plan หรือไม่

Q5. ต้นทุนและประสิทธิผลของการนำ AI มาใช้กับ FMEA เป็นอย่างไร

ในการประมาณการของโรงงานต้นแบบ R ในบทความนี้ (ค่าสมมติที่จัดทำขึ้นเอง) เงินลงทุนเริ่มต้น 850,000 บาท และค่าดำเนินการต่อปี 450,000 บาท หากลดชั่วโมงงานอย่างเดียว ผลประโยชน์สุทธิต่อปีเป็น -147,600 บาท คืนทุนไม่ได้ หากป้องกันข้อร้องเรียนที่เกิดจากการตกหล่นใน FMEA ได้ปีละ 2 เรื่อง ผลประโยชน์สุทธิต่อปีเป็น 352,400 บาท และคืนทุนอย่างง่ายในประมาณ 2.4 ปี ประสิทธิผลจึงขึ้นอยู่กับว่า “ลดข้อร้องเรียนได้กี่เรื่อง”

Q6. ใช้เวลานานเท่าใดกว่าจะนำมาใช้ได้

บทความนี้เสนอตัวอย่างแผนรวม 90 วัน ได้แก่ 30 วันสำหรับการบันทึกและเตรียมข้อมูล 30 วันสำหรับการใช้งานคู่ขนานใน 1 กลุ่มผลิตภัณฑ์และ 1 กระบวนการ และ 30 วันสำหรับ FAT/SAT และการตัดสินใจขยายขอบเขต ทั้งนี้ ขึ้นอยู่กับว่าข้อมูลกระจัดกระจายมากเพียงใดและมี Foundation FMEA หรือไม่ ช่วง 30 วันแรกมักยืดเยื้อออกไปบ่อยครั้ง

สรุป

• สิ่งที่ควรซื้อเมื่อนำ AI มาใช้กับ FMEA ไม่ใช่ “เครื่องมือที่เขียนได้เร็ว” แต่เป็น “เครื่องมือที่ช่วยหาการตกหล่น” ทั้งฟังก์ชัน AI ของเครื่องมือที่ทยอยออกมาในปี 2026 และงานวิจัย ต่างออกแบบไปในทางเดียวกันว่า “AI เป็นผู้เสนอ คนเป็นผู้ตัดสินใจ”
• งานที่ให้ AI ทำคือการเสนอโครงสร้าง ฟังก์ชัน และความล้มเหลว และการตรวจเทียบกับ Control Plan ส่วนการประเมิน S/O/D และการตัดสินใจมาตรการเป็นหน้าที่ของคน โดยเฉพาะค่าความรุนแรง S ต้องให้คนเป็นผู้กำหนดเท่านั้น
• สิ่งที่กำหนดคุณภาพผลลัพธ์คือข้อมูลอ้างอิง ได้แก่ Foundation FMEA รายงาน 8D และข้อร้องเรียนในอดีต และบันทึกการเปลี่ยนแปลง 4M การเตรียมข้อมูลคืออุปสรรคแรก
• ในการทดสอบรับมอบ ให้วัดอัตราการค้นพบ Failure Mode ที่ทราบอยู่แล้วซึ่งถูกซ่อนไว้ อัตราการเกิดรายการที่ไม่มีหลักฐานรองรับ และการตรวจสอบการผูกการควบคุมกับ AP=H
• ในการประมาณการแบบจำลอง การลดชั่วโมงงานอย่างเดียวขาดทุน ป้องกันข้อร้องเรียนได้ปีละ 1 เรื่องคืนทุนในประมาณ 8.3 ปี และหากป้องกันได้ปีละ 2 เรื่องจะคืนทุนในประมาณ 2.4 ปี การบันทึกโดยจำแนกสาเหตุรากของข้อร้องเรียนว่า “คาดการณ์ไว้แล้ว/คาดการณ์ตกหล่น” ก่อนนำมาใช้ คือเงื่อนไขพื้นฐานในการอธิบายประสิทธิผล
• ความลับ PDPA ร่างกฎหมาย AI ของไทย และการรวมศัพท์หลายภาษาให้เป็นหนึ่งเดียว เป็นประเด็นเฉพาะของโรงงานในไทย ส่วนที่ต้องใช้การตัดสินใจ โปรดตรวจสอบกับผู้เชี่ยวชาญหรือหน่วยรับรองเป็นกรณีไป

TOMAS TECH ยินดีให้คำปรึกษาตั้งแต่ขั้นตอนก่อนเลือกเครื่องมือ เช่น วิธีจำแนกสาเหตุรากของข้อร้องเรียน หรือการจัดระเบียบว่าควรให้ AI อ้างอิงบันทึกในอดีตรายการใด หากคุณกำลังพิจารณาว่าจะทำให้ FMEA และ Control Plan สอดคล้องกันอย่างมั่นคงได้อย่างไร ติดต่อเราได้ผ่านแบบฟอร์มติดต่อ

แหล่งอ้างอิง

• Siemens (Teamcenter Quality 2512): https://blogs.sw.siemens.com/teamcenter/whats-new-teamcenter-quality-2512/
• Siemens (Teamcenter Quality 2606): https://blogs.sw.siemens.com/teamcenter/whats-new-teamcenter-quality-2606/
• Relyence (ประกาศ Relyence 2026): https://relyence.com/?p=17326
• Relyence (คู่มือผู้ใช้ SmartSuggest): https://relyence.com/help/user-guide/smartsuggest-generate-suggestions.html
• Omnex Systems (เว็บบินาร์ AI แบบ Agentic ใน AQuA Pro): https://my.omnex.com/webinars/transforming-fmea-launch-of-agentic-ai-in-aqua-pro
• PR TIMES (บทความของบริษัท Things ในนิตยสาร Kikai Sekkei ฉบับเดือนมิถุนายน 2026): https://prtimes.jp/main/html/rd/p/000000018.000089483.html
• VDA (AIAG & VDA FMEA Handbook): https://webshop.vda.de/QMC/en/aiag-vda-fmea-handbook_eng
• Quality-One (คำอธิบาย AIAG-VDA FMEA): https://quality-one.com/aiag-vda-fmea/
• IATF Global Oversight (ประกาศ SC-2026-005): https://www.iatfglobaloversight.org/?p=6589
• Stakeholder Communique SC-2026-005 (สถานะ IATF 16949 ฉบับที่ 2): https://media-cdn.smithers.com/mediacontainer/medialibraries/smithersb4f/resources/2026/downloads/stakeholder-communique-sc-2026-005_iatf-16949-2nd-edition-status.pdf
• Smithers (ข้อบกพร่องที่พบบ่อย 5 อันดับแรกของ IATF 16949): https://prd-b4f.smithers.com/resources/2025/december/iatf-16949-top-5-non-conformances-via-iaob
• 16949store.com (คำอธิบาย Control Plan ตาม IATF 16949): https://16949store.com/articles/iatf-16949-control-plan/
• SAE 2026-01-0106 (AI Powered Failure Mode and Effect Analysis in Safety Critical Industry): https://saemobilus.sae.org/papers/ai-powered-failure-mode-effect-analysis-safety-critical-industry-2026-01-0106
• El Hassani และคณะ (Design Science): https://www.cambridge.org/core/product/22F110A2BF0DB4D01A69472CF17A0B43/core-reader
• Collier และคณะ (How good are large language models at product risk assessment?): https://vtechworks.lib.vt.edu/items/01506cca-0075-4ffe-8553-49ede6fb6d90
• IBM Research (FMEA Builder, arXiv 2411.05054): https://arxiv.org/abs/2411.05054
• Younus และคณะ (arXiv 2511.17743): https://arxiv.org/abs/2511.17743
• ISO/IEC 42001:2023: https://committee.iso.org/standard/81230.html
• Anthropic (Commercial Terms of Service): https://www.anthropic.com/legal/commercial-terms
• OpenAI (Your data): https://developers.openai.com/api/docs/guides/your-data
• Tilleke & Gibbins (คำอธิบายร่างกฎหมาย AI ของไทย): https://www.tilleke.com/insights/thailand-releases-new-draft-artificial-intelligence-act/
• Trading Economics (การผลิตรถยนต์ของไทย ประกาศโดย FTI): https://tradingeconomics.com/thailand/total-vehicle-sales/news/587114
• สำนักงานคณะกรรมการส่งเสริมการลงทุน (BOI) ประกาศครึ่งแรกปี 2026: https://www.boi.go.th/upload/content/PR117_2569EN.pdf
• New Straits Times (คำขอลงทุนด้านเซมิคอนดักเตอร์และอิเล็กทรอนิกส์ของไทย): https://www.nst.com.my/amp/business/economy/2026/08/1503841/thailand-attracts-us268bil-chip-electronics-investment-bids-supply