ที่ปรึกษา Generative AI สำหรับโรงงานในไทย | สัญญา 4 แบบ ต้นทุน 5 ชั้น และ ROI 5 ปี

ถ้าเริ่มพิจารณาจากคำถามว่า “ควรจ้างที่ปรึกษา Generative AI หรือไม่” สิ่งที่จะได้กลับมาแทบทุกครั้งคือข้อเสนอที่เอามาเทียบกันไม่ได้ เพราะคำคำนี้ใช้เรียกสัญญาที่มีเนื้อในต่างกันโดยสิ้นเชิงถึง 4 แบบ ได้แก่ สัญญาที่ซื้อเฉพาะการวินิจฉัย สัญญาที่ซื้อเฉพาะการขีดเส้นขอบเขต สัญญาที่ให้เดินเคียงข้างจนใช้งานได้จริง และสัญญาที่ซื้อของที่ทำงานได้จริงมาทั้งชุด ทั้งสี่แบบต่างกันทั้งสิ่งส่งมอบ ระยะเวลา ค่าใช้จ่าย และรูปแบบของความล้มเหลว บทความนี้จะเปลี่ยนคำถามให้ถูกต้องเป็น “เรากำลังจะเซ็นสัญญาเพื่อซื้ออะไรกันแน่” แล้วคำนวณกำไรขาดทุน 5 ปีด้วยตัวเลขจริงของโรงงานญี่ปุ่นในประเทศไทย

ทำไมการปรึกษาเรื่องที่ปรึกษา Generative AI จึงเพิ่มขึ้นในปี 2026

ตั้งแต่เข้าปี 2026 คุณภาพของคำถามที่ผู้บริหารระดับจัดการของฐานการผลิตในไทยส่งเข้ามาเปลี่ยนไป คำปรึกษาในช่วงปี 2024 ถึง 2025 ส่วนใหญ่ยังเป็นการสำรวจ เช่น “Generative AI คืออะไร” หรือ “บริษัทเราใช้ได้ไหม” แต่คำปรึกษาในปี 2026 ไม่ใช่แบบนั้นแล้ว ส่วนใหญ่กลายเป็นเรื่องของการติดขัดหลังจากเริ่มเดินไปแล้ว เช่น “สำนักงานใหญ่สั่งให้นำมาใช้กับงานจริงภายในปีนี้” “ปีที่แล้วทำ PoC ไปแล้วแต่ยังขึ้นระบบจริงไม่ได้สักที” หรือ “ถูกสั่งให้กำหนดขอบเขตที่ใช้ได้ แต่ไม่มีใครกล้าตัดสินใจ”

การเปลี่ยนแปลงนี้มีตัวเลขรองรับ คำปรึกษาที่เพิ่มขึ้นไม่ได้มาจากความสนใจที่สูงขึ้น แต่มาจากการที่การนำมาใช้ขยับไปอีกขั้นหนึ่ง แล้วเกิดการติดขัดชนิดใหม่ขึ้นพร้อมกันทั้งตลาด เราจะไล่ดูทีละประเด็น

อัตราการนำ AI มาใช้เพิ่มขึ้นแล้ว สิ่งที่หยุดนิ่งคือขั้นถัดจากนั้น

ตามรายงาน Deloitte Thailand Digital Transformation Survey 2026 (เผยแพร่เดือนสิงหาคม 2026) อัตราการนำ AI มาใช้จริงของบริษัทไทยขึ้นถึง 61% เพิ่มขึ้นอย่างมีนัยสำคัญจาก 47% ในปีก่อนหน้า เมื่อบริษัทเกินครึ่งนำ AI เข้ามาในงานในรูปแบบใดรูปแบบหนึ่งแล้ว ตัวเลขนี้จึงบอกว่า “ช่วงพิจารณาว่าจะเอาหรือไม่เอาจบไปแล้ว”

ปัญหาอยู่ที่รายละเอียดข้างใน จากการสำรวจเดียวกัน บริษัทที่ขยายไปถึงระดับทั้งองค์กรมีเพียง 19% ส่วนที่เหลืออีก 81% ยังหยุดนิ่งอยู่ในขั้นทดลองและนำร่อง แปลว่าเนื้อแท้ของตัวเลข 61% คือกลุ่มบริษัทที่ “ลองแล้ว แต่ยังฝังเข้าไปในงานไม่ได้” ตัวเลข 81% นี้บอกเราว่าสาเหตุของความล้มเหลวไม่ได้อยู่ที่การเลือกเครื่องมือ เพราะถ้าเครื่องมือไม่ดี อัตราการนำมาใช้จะไม่ขึ้นตั้งแต่แรก ในเมื่อมันขึ้นแล้วค่อยมาหยุด จุดที่ติดขัดจึงอยู่ที่ครึ่งหลังของการนำมาใช้ นั่นคือการจัดระเบียบฝั่งงาน การทำให้ใช้ต่อเนื่อง และการปฏิบัติการ

รายละเอียดของอุปสรรคก็ชี้ไปทางเดียวกัน อุปสรรคอันดับหนึ่งคือการขาดบุคลากรและทักษะด้านเทคนิคที่ 71% และบริษัทที่ตอบว่าระบุ use case ที่ใช้ได้จริงไม่ได้มีถึง 40% การระบุ use case ไม่ได้ไม่ใช่ปัญหาเชิงเทคนิค แต่เป็นปัญหาเรื่องความละเอียดในการมองงานของตัวเอง และเมื่อดูฝั่งผลลัพธ์ บริษัทที่ตอบว่า AI นำไปสู่รายได้ใหม่มีเพียง 9% ในขณะที่บริษัทที่ทำให้ลดต้นทุนได้จริงมีถึง 50% ความไม่สมมาตรนี้สำคัญมาก เพราะแปลว่า Generative AI ในฐานะ “เครื่องมือสร้างยอดขาย” ยังแทบไม่ทำงาน แต่ในฐานะ “เครื่องมือลดเวลาของงานเดิม” มีถึงครึ่งหนึ่งที่ได้ผล ทันทีที่เขียนเอกสารขออนุมัติโดยสัญญาว่าจะเกิดรายได้ใหม่ เท่ากับกำลังเดิมพันกับฝั่ง 9%

ยังมีอีกตัวเลขหนึ่งในรายงานของ Deloitte ที่มักถูกมองข้าม บริษัทราว 70% จัดให้ AI เป็นความรับผิดชอบของฝ่าย IT แทนที่จะให้ฝั่งธุรกิจเป็นเจ้าภาพ ทั้งที่ความสำเร็จของ Generative AI ตัดสินกันที่ว่าเปลี่ยนกระบวนการทำงานได้หรือไม่ แต่กลับวางหน่วยงานที่ไม่มีอำนาจเปลี่ยนงานเป็นเจ้าของเรื่อง ถ้าปล่อยโครงสร้างแบบนี้ไว้แล้วไปเซ็นสัญญาที่ปรึกษา คู่สัญญาจะกลายเป็นฝ่าย IT และสิ่งส่งมอบจะกลายเป็นรายงานที่จบอยู่ในฝ่าย IT เท่านั้น

สิ่งที่เกิดขึ้นในฐานการผลิตไทยคือ “สำนักงานใหญ่เดินหน้าไปแล้ว หน้างานถูกทิ้งไว้ข้างหลัง”

เงื่อนไขเฉพาะของฐานการผลิตในไทยคือช่องว่างของความคืบหน้าระหว่างสำนักงานใหญ่กับหน้างาน สำนักงานใหญ่ที่ญี่ปุ่นทำสัญญาไลเซนส์ระดับทั้งบริษัทไปตั้งแต่ปี 2024 ถึง 2025 จัดทำระเบียบภายในเสร็จ และเดินมาถึงขั้นรวบรวมกรณีการใช้งานรายแผนกแล้ว ในขณะที่ฐานการผลิตในไทย กรณีที่พบมากที่สุดคือการใช้งานอยู่แค่ระดับที่พนักงานแต่ละคนใช้เวอร์ชันฟรีช่วยขัดเกลาอีเมลภาษาอังกฤษ

จุดนี้เองที่ทำให้เกิดแนวคิด “ขยายสัญญาของสำนักงานใหญ่มาใช้ในแนวราบ” คือคิดว่าเอาสัญญาที่ปรึกษา Generative AI ที่สำนักงานใหญ่เซ็นไว้มาใช้กับไทยด้วยจะเร็วกว่า ขอสรุปก่อนว่าวิธีนี้ไม่ได้ผล เหตุผลมี 4 ข้อ ซึ่งจะอธิบายละเอียดในหัวข้อถัดไป แต่ขอวางประเด็นหลักไว้ก่อน นั่นคือภาษาของหน้างานเป็นภาษาไทย กระบวนการทำงานต่างจากสำนักงานใหญ่ เอกสารกระจัดกระจายอยู่บนกระดาษและเซิร์ฟเวอร์ท้องถิ่น และกฎเกณฑ์ต่างกัน ทั้งสี่ข้อนี้ล้วนส่งผลในรูปแบบเดียวกันคือ “เอาสิ่งส่งมอบที่ทำไว้ที่สำนักงานใหญ่มาใช้ตรง ๆ ไม่ได้”

ความเคลื่อนไหวของฝั่ง SME ไทยก็เป็นข้อมูลอ้างอิงที่ดี ใน UOB Business Outlook Study 2026 (มิถุนายน 2026) ผู้บริหาร SME ไทยที่ตอบแบบสอบถามจำนวน 265 คน มีมากกว่า 7 ใน 10 ที่นำ AI มาใช้แล้ว และในกลุ่มที่นำมาใช้ มี 58% ที่รู้สึกได้ถึงการลดต้นทุน และ 44% ที่รู้สึกได้ถึงผลิตภาพที่สูงขึ้น บริษัทท้องถิ่นไม่ได้รออยู่เฉย ๆ ในระหว่างที่ฐานการผลิตญี่ปุ่นหยุดนิ่งหนึ่งปีเพราะ “รอนโยบายจากสำนักงานใหญ่” บริษัทไทยในนิคมอุตสาหกรรมเดียวกันกำลังสร้างความต่างด้วยความเร็วในการตอบใบเสนอราคา

ตัวเลขตลาดคือ “รายจ่าย” ไม่ใช่ “ผลลัพธ์”

ตัวเลขคาดการณ์ตลาดถูกอ้างอิงบ่อยในข้อเสนอ แต่ถ้าอ่านผิดก็ตัดสินใจผิด Gartner คาดการณ์ว่ารายจ่ายด้าน AI ทั่วโลกในปี 2026 จะอยู่ที่ 2.59 ล้านล้านดอลลาร์ โตขึ้น 47% (ข่าวประชาสัมพันธ์ 19 พฤษภาคม 2026) ส่วนรายจ่ายด้าน IT ทั่วโลกทั้งหมดจะแตะ 6.15 ล้านล้านดอลลาร์ โดยกลุ่มบริการด้าน IT อยู่ที่ 1.866 ล้านล้านดอลลาร์ เติบโต 8.7% (รายงานเดือนกุมภาพันธ์ 2026) และอัตราการเติบโตของรายจ่ายด้านโมเดล Generative AI โดดเด่นที่ 80.8%

ทั้งหมดนี้เป็นตัวเลขของ “รายจ่าย” ไม่ใช่ตัวเลขของ “ผลลัพธ์” การที่ตลาดโตไม่ได้รับประกันแม้แต่น้อยว่าการลงทุนของบริษัทเราจะคืนทุน ในทางกลับกัน ช่วงที่รายจ่ายพุ่งขึ้นเร็วคือช่วงที่บุคลากรฝั่งผู้ให้บริการเจือจางลง และความน่าจะเป็นที่ที่ปรึกษาซึ่งมีประสบการณ์น้อยจะเข้ามาทำงานหน้างานด้วยอัตราค่าจ้างสูงก็เพิ่มขึ้น

ตัวเลขฝั่งผลลัพธ์ที่ตรงไปตรงมาที่สุดคือการศึกษาของ MIT Project NANDA (กรกฎาคม 2025) ซึ่งรายงานว่าโครงการนำร่อง Generative AI ถึง 95% ยังไม่ได้สร้างผลกระทบที่วัดได้ต่องบกำไรขาดทุน ถ้าตัวเลข 81% ของ Deloitte คือตัวเลขที่บอกว่า “ขึ้นระบบจริงไม่ได้” ตัวเลข 95% ของ MIT ก็คือตัวเลขที่บอกว่า “ขึ้นระบบจริงแล้วก็ยังไม่กระทบกำไรขาดทุน” เมื่อวางสองตัวเลขนี้เรียงกัน จะเห็นสภาพจริงของการลงทุนใน Generative AI คือในบรรดาบริษัทที่เริ่มไปแล้ว มีไม่ถึง 2 ใน 10 ที่ไปถึงการใช้งานจริง และในจำนวนนั้นมีเพียงส่วนหนึ่งที่กระทบกำไรขาดทุน สิ่งที่ควรเลือกจึงไม่ใช่บริษัทที่เขียนอัตราการเติบโตของตลาดลงในข้อเสนอ แต่เป็นบริษัทที่ออกแบบงานโดยตั้งต้นจากสองตัวเลขนี้

ที่ปรึกษา Generative AI แบ่งออกได้เป็น 4 แบบ

ตรงนี้คือแกนกลางของบทความ ถ้าตอนขอใบเสนอราคาเราโยนโจทย์ไปว่า “อยากให้ช่วยสนับสนุนการนำ Generative AI มาใช้” ข้อเสนอที่ได้กลับมาจะเรียงข้างกันแล้วเทียบกันไม่ได้ บริษัท A เสนอการวินิจฉัย 4 สัปดาห์ราคา 400,000 บาท ส่วนบริษัท B เสนอการพัฒนา 9 เดือนราคา 3,000,000 บาท ทั้งสองเป็นใบเสนอราคาของ “ที่ปรึกษา Generative AI” เหมือนกัน ถ้าเลือกอันที่ถูกกว่า สิ่งที่เหลืออยู่ในมือคือรายงานวินิจฉัย ถ้าเลือกอันที่แพงกว่า จะได้ของที่ใช้งานได้จริงมา แต่ยังเหลือความเสี่ยงว่าเลือกงานเป้าหมายผิด

ให้แยกสัญญาออกเป็น 4 แบบก่อน แล้วตัดสินใจว่าตอนนี้บริษัทเราควรซื้อแบบไหน จากนั้นจึงค่อยขอใบเสนอราคา เพียงเท่านี้ข้อเสนอก็เทียบกันได้แล้ว

แบบ A ประเมินสถานะ — สัญญาที่ตัดสินว่าจะเริ่มลงมือจากตรงไหน

สิ่งที่ซื้อในแบบ A คือวัตถุดิบสำหรับการตัดสินใจ ผู้ให้บริการจะสำรวจงานทั้งหมด คัดแยกว่างานไหน Generative AI ได้ผลและงานไหนไม่ได้ผล แล้วจัดลำดับความสำคัญกลับมาให้ ระยะเวลา 4-6 สัปดาห์ ค่าใช้จ่ายโดยประมาณ 150,000-400,000 บาท

แบบ A ได้ผลกับบริษัทที่อยู่ในฝั่ง 40% ซึ่ง Deloitte ชี้ว่าระบุ use case ที่ใช้ได้จริงไม่ได้ สภาพที่มีตัวเลือกผุดขึ้นในองค์กรหลายอันจนตัดสินใจไม่ได้ว่าจะเริ่มจากอะไร เป็นปัญหาของการตัดสินใจ ไม่ใช่ปัญหาทางเทคนิค จึงมีคุณค่าที่จะให้สายตาจากภายนอกมาช่วยจัดลำดับ

ในทางกลับกัน ความล้มเหลวแบบฉบับของแบบ A คือ “จบลงที่รายงานวินิจฉัย” ตารางสำรวจงานและการประเมิน use case ถูกส่งมอบ มีการประชุมรายงานผล แล้วก็หยุดอยู่ตรงนั้น วิธีเลี่ยงคือกำหนดในนิยามสิ่งส่งมอบตอนทำสัญญาให้ชัดว่าต้องมี “ข้อสรุปที่บีบเหลืองานเดียวสำหรับลงมือใน 90 วันข้างหน้า” อย่าขอตารางลำดับความสำคัญที่เรียงตัวเลือกไว้ 5 อัน แต่ขอข้อสรุปที่บีบเหลืออันเดียว การวินิจฉัยที่บีบไม่ลงไม่ใช่การวินิจฉัย

แบบ B ธรรมาภิบาล — สัญญาที่กำหนดขอบเขตที่ใช้ได้

สิ่งที่ซื้อในแบบ B คือกฎ ได้แก่ระเบียบการใช้ Generative AI เส้นแบ่งระหว่างข้อมูลที่ป้อนเข้าไปได้กับที่ป้อนไม่ได้ ขั้นตอนพิจารณาข้อยกเว้น นโยบายการเก็บล็อก และเอกสารอบรมสำหรับพนักงาน ระยะเวลา 6-10 สัปดาห์ ค่าใช้จ่ายโดยประมาณ 250,000-600,000 บาท

เหตุที่ความต้องการแบบ B สูงในฐานการผลิตไทย เพราะระเบียบของสำนักงานใหญ่ใช้ตรง ๆ ไม่ได้ ระเบียบของสำนักงานใหญ่เขียนขึ้นบนสมมติฐานของกฎหมายคุ้มครองข้อมูลส่วนบุคคลของญี่ปุ่นและสภาพแวดล้อม IT ของสำนักงานใหญ่ ส่วนในไทย สิ่งที่บังคับใช้คือ PDPA เอกสารที่ใช้ในงานส่วนใหญ่เป็นภาษาไทย และสถานะการบริหารจัดการอุปกรณ์ที่หน้างานใช้ก็ต่างจากสำนักงานใหญ่ ระเบียบที่แค่แปลมาจะกลายเป็น “เอกสารที่อ่านแล้วไม่รู้ว่าทำอะไรได้บ้าง” ในสายตาหน้างาน และสุดท้ายก็ไม่มีใครอ่าน แล้วต่างคนต่างใช้ตามดุลพินิจของตัวเอง

ข้อควรระวังเมื่อทำสัญญาแบบ B เดี่ยว ๆ คือถ้าสร้างแต่ระเบียบขึ้นมาก่อน หน้างานจะหดตัว เมื่อรายการข้อห้ามถูกแจกจ่ายออกไปโดยที่ขอบเขตที่ใช้ได้ยังคลุมเครือ ทุกคนจะเลือกทางที่ปลอดภัยไว้ก่อนแล้วไม่ใช้เลย ระเบียบมีไว้เพื่อให้ใช้งานได้ ในทางปฏิบัติ โครงสร้างที่ได้ผลคือการวางคำอนุญาตแบบ “ในงานนี้ทำได้ถึงระดับนี้” ไว้ก่อน แทนที่จะไล่เรียงข้อห้าม ตามที่เรียบเรียงไว้ในวิธีจัดทำระเบียบการใช้ Generative AI

แบบ C เดินเคียงข้าง — สัญญาที่ให้อยู่ด้วยจนกว่าจะใช้งานอยู่ตัว

สิ่งที่ซื้อในแบบ C คือเวลา ด้วยค่าใช้จ่ายรายเดือน 60,000-150,000 บาท เป็นเวลา 6-12 เดือน เพื่อให้มีคนมาอยู่ด้วยในการจัดทำชุดข้อมูลประเมิน การตรวจสอบความแม่นยำและปรับปรุงรายเดือน และการสร้างผู้ขับเคลื่อนภายในองค์กร

ข้อเท็จจริงที่ว่า 81% ของ Deloitte หยุดอยู่ที่ขั้นทดลอง และ 95% ของ MIT ยังไม่กระทบกำไรขาดทุน ล้วนเกิดขึ้น “หลังจากนำเข้ามาแล้ว” ทั้งคู่ ดังนั้นสัญญาที่ได้ผลต่อการทำให้ใช้งานอยู่ตัวคือแบบ C แต่ถึงอย่างนั้น แบบ C กลับเป็นแบบที่ผ่านการขออนุมัติยากที่สุด เพราะสิ่งส่งมอบไม่ใช่ของที่จับต้องได้อย่างการพัฒนาระบบหรือระเบียบ แต่เป็นกิจกรรมต่อเนื่องที่เรียกว่าการปรับปรุงรายเดือน

การจะทำให้แบบ C ผ่านการขออนุมัติได้ ต้องนิยามสิ่งส่งมอบรายเดือนให้เป็นรูปธรรม ได้แก่จำนวนคำถามในชุดข้อมูลประเมิน ผลการวัดความแม่นยำ จำนวนพรอมป์ที่ปรับปรุงไป และขอบเขตงานที่ผู้ขับเคลื่อนภายในทำเองได้แล้ว ให้เขียนสี่รายการนี้ลงในสัญญาเป็นหัวข้อบังคับของรายงานประจำเดือน ถ้าทำสัญญาโดยระบุเพียงว่า “จะเดินเคียงข้าง” การประชุมประจำเดือนจะแปรสภาพเป็นเวทีรายงานความเคลื่อนไหว และอีกครึ่งปีให้หลังจะอธิบายไม่ได้ว่ามีอะไรเปลี่ยนไปบ้าง

แบบ D รวมการพัฒนา — สัญญาที่ซื้อของที่ใช้งานได้จริงมาทั้งชุด

สิ่งที่ซื้อในแบบ D คือระบบที่ทำงานได้จริง รวมการพัฒนา การเชื่อมต่อกับระบบเดิม การทดสอบ ไปจนถึงการส่งมอบ ใช้เวลา 3-9 เดือน ค่าใช้จ่าย 800,000-3,000,000 บาท ซึ่งเป็นช่วงที่กว้างมาก

ความกว้างของช่วงนี้เองคือวัตถุดิบสำหรับการตัดสินใจ ส่วนต่างระหว่าง 800,000 บาทกับ 3,000,000 บาท ในหลายกรณีตัดสินกันที่ “จะเชื่อมต่อกับระบบเดิมลึกแค่ไหน” ถ้าเพียงตั้งค่าเครื่องมือ Generative AI เดี่ยว ๆ ให้ค้นหาเอกสารภายในองค์กรได้ ราคาจะเอนไปทางขอบล่าง แต่ถ้าทำถึงขั้นดึงข้อมูลสเปกจากระบบหลักหรือ PLM อ้างอิงฐานข้อมูลใบเสนอราคาในอดีต และไหลร่างคำตอบเข้าไปในฟอร์มใบเสนอราคาเดิม ราคาจะเอนไปทางขอบบน ข้อเสนอที่ไม่ระบุจำนวนระบบที่จะเชื่อมต่อไว้ในรายละเอียดใบเสนอราคา จะมีค่าใช้จ่ายเพิ่มตามมาทีหลังแน่นอน

สิ่งที่ต้องยืนยันก่อนเลือกแบบ D คืองานเป้าหมายบีบเหลือหนึ่งงานจริงหรือยัง ถ้าเข้าแบบ D ทั้งที่ยังบีบไม่ลง จะเดินตามเส้นทางของสถานการณ์ A ที่จะกล่าวถึงต่อไป

เส้นแบ่งระหว่างบริษัทที่ปรึกษา บริษัทพัฒนา AI และ SIer อยู่ตรงไหน

ทั้ง 4 แบบสอดคล้องอย่างคร่าว ๆ กับประเภทของบริษัทฝั่งผู้ให้บริการด้วย บริษัทที่ปรึกษาสายกลยุทธ์และสายกระบวนการทำงานถนัดแบบ A และแบบ B แล้วส่งงานพัฒนาของแบบ D ออกไปข้างนอก บริษัทพัฒนา AI มีแบบ D เป็นงานหลัก ส่วนการวินิจฉัยแบบ A มักทำได้เพียงระดับพื้นฐาน ส่วน SIer แข็งแรงในงานแบบ D ที่มีสัดส่วนการเชื่อมต่อระบบเดิมสูง และหลายรายรับงานปฏิบัติการแบบ C ได้ด้วย

อย่าเพิ่งตัดสินใจว่าจะจ้างใคร แต่ให้ตัดสินใจก่อนว่าจะซื้อแบบไหน เมื่อแบบชัดแล้ว ผู้ให้บริการที่เหมาะสมจะแคบลงเองโดยธรรมชาติ วิธีประเมินตามประเภทของบริษัทเรียบเรียงไว้อย่างละเอียดในวิธีเลือกบริษัทพัฒนา AI แนะนำให้อ่านก่อนขอใบเสนอราคาเปรียบเทียบ

แยกค่าใช้จ่ายออกเป็น 5 ชั้น

การเทียบเรื่องค่าใช้จ่ายด้วยคำถามว่า “บริษัทนี้เท่าไร” ไม่มีความหมาย เพราะแม้จำนวนเงินเท่ากัน ถ้าสัดส่วนของเนื้อในต่างกัน ผลลัพธ์ก็จะเป็นคนละเรื่องกันโดยสิ้นเชิง ตรงนี้เราจะแยกค่าใช้จ่ายของสัญญา 12 เดือนออกเป็น 5 ชั้น แล้ววางเทียบกันระหว่างกรณีที่ขยายงานเป้าหมาย (สถานการณ์ A) กับกรณีที่บีบเหลืองานเดียว (สถานการณ์ B)

บริษัทตัวอย่างคือผู้ผลิตชิ้นส่วนเครื่องจักรสัญชาติญี่ปุ่นในชลบุรี ประเทศไทย ฐานการผลิตในไทยมีพนักงาน 320 คน ผู้บริหารชาวญี่ปุ่นประจำการ 6 คน สำนักงานใหญ่นำ Generative AI มาใช้ทั้งองค์กรแล้ว แต่ที่หน้างานยังอยู่แค่ระดับที่พนักงานแต่ละคนใช้เวอร์ชันฟรี ต้นทุนแรงงานภายในอยู่ที่ 450 บาทต่อชั่วโมง งานเป้าหมายคือการตอบใบสอบถาม (การตอบใบเสนอราคา) มีใบสอบถามเดือนละ 180 รายการ แต่ละรายการใช้เวลาเฉลี่ย 95 นาทีไปกับการรวบรวมข้อมูลภายใน ค้นหาใบเสนอราคาในอดีต และยืนยันสเปก โดยในจำนวนนั้น 40 นาทีเป็นการค้นหาเอกสารและคัดลอกข้อมูล

เริ่มจากสถานการณ์ A ที่ลงมือกับ 5 งานพร้อมกัน

ค่าปฏิบัติการรายปีตั้งแต่ปีที่ 2 เป็นต้นไป (เทียบเท่าชั้นที่ 5) อยู่ที่ 580,000 บาท

ถัดมาคือสถานการณ์ B ที่บีบเหลือเฉพาะงานตอบใบสอบถามเพียงงานเดียว

ค่าปฏิบัติการรายปีตั้งแต่ปีที่ 2 เป็นต้นไป (เทียบเท่าชั้นที่ 5) อยู่ที่ 220,000 บาท

สิ่งแรกที่ควรสังเกตเมื่อวางสองตารางเรียงกันคือสัดส่วนแทบไม่เปลี่ยนเลย ทั้งที่ยอดรวมต่างกันมากระหว่าง 2,800,000 บาทกับ 1,000,000 บาท แต่สัดส่วนของแต่ละชั้นต่างกันไม่เกิน 2 จุด สิ่งนี้แปลว่าถึงเปลี่ยนขนาด “รูปทรง” ของค่าใช้จ่ายก็ไม่เปลี่ยน นั่นคือยอดรวมมากหรือน้อยไม่ได้ตัดสินด้วยคุณภาพของสิ่งที่ทำ แต่ตัดสินด้วยจำนวนงานเป้าหมาย

ทำไมชั้นที่ 2 จึงใหญ่ที่สุด

ทั้งสองสถานการณ์ ชั้นที่ใหญ่ที่สุดคือชั้นที่ 2 “จัดระเบียบฝั่งงาน” คิดเป็น 29.3% ในสถานการณ์ A และ 28.0% ในสถานการณ์ B ซึ่งใหญ่กว่าการพัฒนา (ชั้นที่ 3)

เอกสารขออนุมัติจำนวนมากมองข้ามจุดนี้ พอได้ยินคำว่าค่าใช้จ่ายในการนำ Generative AI มาใช้ ก็นึกถึงค่าไลเซนส์เครื่องมือกับค่าพัฒนา แต่สิ่งที่ใช้เงินมากที่สุดจริง ๆ คืองานทำให้เอกสารภายในองค์กรที่จะให้ Generative AI อ่านอยู่ในสภาพที่อ่านได้ ยกตัวอย่างงานตอบใบสอบถาม ใบเสนอราคาในอดีตกระจายอยู่ในโฟลเดอร์ของผู้รับผิดชอบแต่ละคน ไม่มีกฎการตั้งชื่อไฟล์ และชิ้นส่วนเดียวกันถูกเรียกคนละชื่อระหว่างในแบบกับใน ERP ถ้าให้ค้นหาในสภาพนี้ สิ่งที่ได้กลับมาคือใบเสนอราคาเก่าที่ไม่ตรงประเด็น

ชั้นที่ 2 ยังเป็นชั้นที่ที่ปรึกษาทำให้จบเองฝ่ายเดียวไม่ได้ เพราะคนที่ตัดสินได้ว่าคำศัพท์ไหนกับคำศัพท์ไหนหมายถึงสิ่งเดียวกันมีเพียงคนในองค์กรเท่านั้น ดังนั้นข้อเสนอที่ตั้งงบชั้นที่ 2 ไว้เพียงราว 1 ใน 10 ของยอดรวม แปลว่าตั้งสมมติฐานให้ฝั่งผู้ว่าจ้างทำงานส่วนนี้ให้ฟรี ก่อนเซ็นสัญญาให้ยืนยันเป็นคน-วันว่าฝั่งผู้ว่าจ้างต้องลงแรงเท่าไรในชั้นที่ 2 ถ้าปล่อยจุดนี้ให้คลุมเครือแล้วเซ็นสัญญาไป กลางโครงการหน้างานจะทำงานล่วงเวลามากขึ้น และจะเกิดความรู้สึกต่อต้านการนำ Generative AI มาใช้ในตัวมันเอง

อย่ายกราคากลางของญี่ปุ่นมาใช้กับไทยตรง ๆ

ขอยกราคากลางของค่าที่ปรึกษา Generative AI ในญี่ปุ่นมาเป็นข้อมูลอ้างอิง แบบที่ปรึกษารายเดือนอยู่ที่ 100,000-300,000 เยนต่อเดือน แบบโครงการอยู่ที่ 500,000-2,000,000 เยน และ PoC อยู่ที่ 400,000-10,000,000 เยน

ตัวเลขเหล่านี้ขออย่าแปลงเป็นบาท เพราะทันทีที่แปลง การตัดสินใจจะผิดพลาด เหตุผลมี 3 ข้อ ข้อแรก การดำเนินการในไทยมีงานที่ญี่ปุ่นไม่มีเพิ่มเข้ามา ได้แก่การจัดการเอกสารภาษาไทย การอบรมเป็นภาษาไทยสำหรับพนักงานท้องถิ่น และการรวมคำศัพท์ให้เป็นหนึ่งเดียวในสองภาษาญี่ปุ่นและไทย ข้อสอง ในทางกลับกันก็มีส่วนที่เบากว่าญี่ปุ่นด้วย เพราะขนาดของฐานการผลิตเล็กกว่าและจำนวนหน่วยงานเป้าหมายจำกัด ต้นทุนการสร้างฉันทามติข้ามทั้งองค์กรจึงเล็กกว่า ข้อสาม โครงสร้างของฝั่งผู้ให้บริการต่างกัน ในไทยมีบุคลากรที่เข้าใจงานหน้างานการผลิตได้ครบทั้งสามภาษาคือญี่ปุ่น ไทย และอังกฤษอยู่จำกัด และความหายากนั้นถูกบวกเข้าไปในค่าตัว

ดังนั้นราคากลางของญี่ปุ่นให้ใช้เพียงในฐานะ “ภาษากลางเวลาถกเรื่องความรู้สึกต่อราคากับสำนักงานใหญ่ที่ญี่ปุ่น” เท่านั้น ส่วนงบประมาณในไทยให้ประกอบขึ้นจากโมเดล 5 ชั้นข้างต้น เวลาอธิบายกับสำนักงานใหญ่ การอธิบายด้วย “จะใช้เงินเท่าไรในชั้นไหนของ 5 ชั้น” จะผ่านง่ายกว่าการอธิบายว่า “ถูกหรือแพงกว่าราคากลางของญี่ปุ่น”

เขียนลงในเอกสารขออนุมัติอย่างไร

ถ้าเขียนค่าใช้จ่ายในเอกสารขออนุมัติเป็นยอดรวมบรรทัดเดียว ผู้มีอำนาจอนุมัติจะตัดสินจากยอดรวมมากน้อยเพียงอย่างเดียว แต่ถ้าเขียนเป็น 5 ชั้น การถกเถียงจะย้ายไปที่ “จะตัดชั้นไหน” ความต่างนี้ใหญ่มาก

รูปแบบที่แนะนำคือเขียนจำนวนเงินของชั้นที่ 1 ถึงชั้นที่ 5 พร้อมกับสิ่งที่จะได้มาในแต่ละชั้นบรรทัดละหนึ่งข้อ แล้วระบุให้ชัดว่า “ชั้นที่ 2 รวมแรงงานของบริษัทเราเองด้วย” จากนั้นให้เขียนไว้ก่อนเลยว่าผลประโยชน์ในปีแรกจะไม่เกิดเต็มจำนวนเพราะมีช่วงตั้งต้น ในโมเดลที่จะกล่าวถึงต่อไป เราคิดผลประโยชน์ปีแรกที่ 50% เท่ากับ 324,436 บาท เอกสารขออนุมัติที่เขียนผลประโยชน์เต็มจำนวนตั้งแต่ปีแรก จะอธิบายไม่ได้เมื่อผ่านไปหนึ่งปี

สำหรับวิธีตั้ง ROI เอง ได้สรุปขั้นตอนการออกแบบตัวชี้วัดไว้ในการวัดผลและออกแบบ ROI ของการนำ AI มาใช้ ลำดับที่ถูกต้องคือกำหนดวิธีวัดให้เสร็จก่อนเขียนเอกสารขออนุมัติ

ขนาดของสัญญาไม่เกี่ยวกับผลลัพธ์

ตรงนี้คือส่วนที่บทความนี้อยากสื่อมากที่สุด เมื่อวางสถานการณ์ A กับสถานการณ์ B เรียงกันในระยะ 5 ปี เครื่องหมายจะกลับด้าน

ขอให้สังเกตว่าผลประโยชน์รวม 5 ปีเท่ากันที่ 2,919,924 บาททั้งสองสถานการณ์ นี่ไม่ใช่การพิมพ์ผิด ในโมเดลของบทความนี้ ไม่ว่าจะลงมือกับ 5 งานพร้อมกันหรือบีบเหลืองานเดียว ผลประโยชน์ที่ได้ในระยะ 5 ปีก็เท่ากัน เหตุผลจะอธิบายต่อไป

ผลที่ตามมาคือ ROI 5 ปีของสถานการณ์ A อยู่ที่ -43.0% ส่วนสถานการณ์ B อยู่ที่ +55.3% บวกกับลบสลับที่กัน สถานการณ์ A ใช้เวลา 5 ปีก็ยังไม่คืนทุน ส่วนสถานการณ์ B คืนทุนในราว 2.6 ปี

ถ้าจะพูดตรง ๆ รวมถึงข้อสรุปที่ไม่เป็นผลดีต่อบริษัทเราเอง สิ่งที่ผู้ให้บริการอย่าง TOMAS TECH พึงปรารถนาคือสถานการณ์ A ที่มูลค่าสูงกว่า แต่ถึงอย่างนั้นเราก็ไม่แนะนำสถานการณ์ A เพราะงานที่ผ่านไป 5 ปีแล้วยังไม่คืนทุนย่อมไม่นำไปสู่สัญญาฉบับถัดไป

วิธีสร้างผลประโยชน์ 3 เสาหลัก

เรามาเปิดรายละเอียดของผลประโยชน์กัน เราประกอบมันขึ้นจาก 3 เสาหลัก และคูณอัตราการเกิดผลจริง 70% เข้ากับทุกเสา โดยจะแสดงทั้งก่อนคูณและหลังคูณ

ขออธิบายแนวคิดการออกแบบของทั้ง 3 เสาหลัก

การลดแรงงาน วัดง่ายที่สุด แต่ก็ถูกประเมินเกินจริงง่ายที่สุดเช่นกัน ในงาน 95 นาทีต่อหนึ่งรายการ ส่วนที่ Generative AI ได้ผลคือการค้นหาเอกสารและคัดลอกข้อมูล 40 นาทีเท่านั้น การตัดสินความเหมาะสมของสเปก การประเมินต้นทุน และการตั้งเงื่อนไขโดยคำนึงถึงสถานการณ์ของลูกค้า ยังคงอยู่ครบ ดังนั้นเราจึงไม่เขียนว่า 95 นาทีจะเหลือครึ่งเดียว แต่เขียนว่า 40 นาทีจะเหลือ 16 นาที นั่นคือลดลงรายการละ 24 นาที เดือนละ 180 รายการเท่ากับ 4,320 นาที หรือ 72 ชั่วโมง คูณด้วยต้นทุนแรงงาน 450 บาทต่อชั่วโมงได้เดือนละ 32,400 บาท และปีละ 388,800 บาท เมื่อคูณอัตราการเกิดผลจริง 70% เหลือ 272,160 บาท วินัยของการ “จำกัดขอบเขตที่จะลดให้อยู่เฉพาะบางส่วนของงาน” คือสิ่งที่ตัดสินความน่าเชื่อถือของเอกสารขออนุมัติ

การเลี่ยงการเสียงาน ให้ตัวเลขที่ใหญ่ จึงต้องวางฐานเหตุผลให้เข้มงวดตามไปด้วย ใบสอบถามทั้งปี 2,160 รายการ ราคาเฉลี่ยต่อออเดอร์ 158,000 บาท อัตรากำไรขั้นต้น 18% ทำให้กำไรขั้นต้นต่อหนึ่งรายการเท่ากับ 28,440 บาท สมมติว่ามีงานที่เสียไปเพราะตอบช้าปีละ 42 รายการ เราจะตั้งเป้าเก็บกลับมาเพียง 14 รายการ หรือหนึ่งในสามเท่านั้น เราไม่เขียนว่าจะเอากลับมาได้ทั้งหมด เพราะต่อให้ตอบเร็วขึ้น งานที่แพ้ด้านราคาและงานที่แพ้ด้านข้อกำหนดทางเทคนิคก็ยังเหลืออยู่ ผลลัพธ์คือ 398,160 บาท และหลังใช้อัตราการเกิดผลจริงเหลือ 278,712 บาท

การร่นเวลาตั้งตัวของคนใหม่ คือผลประโยชน์ที่ถูกมองข้ามมากที่สุด วิศวกรฝ่ายขายคนใหม่ที่เคยต้องใช้เวลา 6 เดือนกว่าจะทำใบเสนอราคาได้ด้วยตัวเอง จะร่นลงเหลือ 4 เดือนจากการค้นหาใบเสนอราคาในอดีตด้วยภาษาธรรมชาติได้ ปีละ 2 คน ร่นได้ 2 เดือน ส่วนต่างผลิตภาพต่อเดือน 35,000 บาท รวมเป็นปีละ 140,000 บาท และหลังใช้อัตราการเกิดผลจริงเหลือ 98,000 บาท ฐานการผลิตในไทยมีการหมุนเวียนของคนเร็วกว่าสำนักงานใหญ่ที่ญี่ปุ่น ผลประโยชน์ข้อนี้จึงยิ่งได้ผลมากขึ้นเมื่อเวลาผ่านไป

รวมทั้ง 3 เสาได้ปีละ 648,872 บาท ปีแรกมีช่วงตั้งต้นจึงคิดที่ 50% เท่ากับ 324,436 บาท ค่าสัมประสิทธิ์อัตราการเกิดผลจริง 70% อาจดูอนุรักษ์นิยม แต่ถ้าตั้งต้นจากตัวเลข 95% ของ MIT แล้ว ต้องถือว่าค่อนไปทางมองโลกในแง่ดีเสียด้วยซ้ำ

ทำไมขยายแล้วผลประโยชน์จึงไม่เพิ่ม

ขออธิบายเหตุผลที่สถานการณ์ A ซึ่งลงมือกับ 5 งานพร้อมกัน ยังได้ผลประโยชน์อยู่แค่ 2,919,924 บาทเท่ากับหนึ่งงาน ตรงนี้คือหัวใจของบทความนี้

เมื่อขยายงานเป้าหมายเป็น 5 งาน ทั้ง 5 งานต้องผ่านขั้นตอนเดียวกันทั้งหมด ได้แก่การจัดระเบียบเอกสารและข้อมูล การรวมคำศัพท์ การสร้างชุดข้อมูลประเมิน การอบรมหน้างาน และการตกลงกฎการใช้งาน ในบรรดานี้ ส่วนที่ซื้อด้วยเงินได้คือครึ่งแรกเท่านั้น ส่วนครึ่งหลังที่ว่า “หน้างานใช้งานต่อเนื่องจริง” นั้น แต่ละงานมีหน่วยงานรับผิดชอบต่างกัน และแต่ละหน่วยงานก็เคลื่อนไหวตามความสะดวกของตัวเอง

ในระยะสัญญา 12 เดือน เรื่องที่ 5 หน่วยงานจะเปลี่ยนวิธีทำงานไปพร้อมกันนั้นไม่เกิดขึ้น สิ่งที่เกิดขึ้นจริงคือมีเพียงหน่วยงานเดียวที่คับขันที่สุดลงมือทำอย่างจริงจัง ส่วนอีก 4 หน่วยงานที่เหลือเข้าอบรมแล้วรายงานในที่ประชุมประจำเดือนว่า “ยังอยู่ในขั้นทดลองอยู่” นี่คือสภาพจริงของ 81% ที่ Deloitte พูดถึง และเป็นสภาพจริงของ 95% ที่ MIT พูดถึงด้วย โครงการนำร่องเดินอยู่จริง เพียงแต่ไม่กระทบกำไรขาดทุน

ผลก็คือ สิ่งที่เพิ่มขึ้นเมื่อขยายเป็น 5 งานมีเพียงค่าใช้จ่าย ค่าจัดระเบียบของชั้นที่ 2 เกิดขึ้น 5 งาน การพัฒนาในชั้นที่ 3 ก็เกิดขึ้น 5 งาน และค่าปฏิบัติการชั้นที่ 5 ก็กลายเป็นปีละ 580,000 บาทสำหรับ 5 งาน แต่งานที่ใช้จนอยู่ตัวมีเพียงงานเดียว ผลประโยชน์จึงเกิดได้แค่หนึ่งงาน เมื่อมองในระยะ 5 ปี ค่าใช้จ่ายจึงบวมขึ้นถึง 5,120,000 บาท ในขณะที่ผลประโยชน์หยุดอยู่ที่ 2,919,924 บาท หักลบกันได้ ROI เท่ากับ -43.0%

เมื่อเข้าใจโครงสร้างนี้ วิธีอ่านข้อเสนอจะเปลี่ยนไป ข้อเสนอที่เขียนว่า “ประยุกต์ใช้กับ 5 งานพร้อมกันข้ามทั้งองค์กร” ไม่ได้ดีเพราะขนาดใหญ่ แต่แปลว่าต้องใช้แรงในการทำให้อยู่ตัวมากขึ้น 5 เท่า และถ้าไม่ได้เขียนไว้ว่าใครจะเป็นผู้จัดหาแรง 5 เท่านั้น มันคือข้อเสนอที่มีแต่ค่าใช้จ่ายเพิ่มขึ้น 5 เท่า โครงสร้างที่ทำให้ PoC ไม่ขึ้นระบบจริงนั้น ได้กล่าวถึงประเด็นเดียวกันไว้ในเหตุผลที่การนำ AI Agent มาใช้หยุดอยู่แค่ PoC ด้วยเช่นกัน

4 เหตุผลที่สัญญาซึ่งสำนักงานใหญ่เป็นผู้นำใช้ไม่ได้ผลในฐานการผลิตไทย

การเอาสัญญาที่ปรึกษา Generative AI ที่สำนักงานใหญ่เซ็นไว้มาขยายใช้กับฐานการผลิตในไทยตรง ๆ ดูเป็นการตัดสินใจที่สมเหตุสมผล แต่เราจะอธิบายเหตุผลที่มันไม่ทำงานโดยแยกเป็น 4 ข้อ

เหตุผลที่ 1 ภาษาของหน้างานคือภาษาไทย

เอกสารที่เกี่ยวข้องกับการตอบใบเสนอราคาในฐานการผลิตไทย ไม่ว่าจะเป็นหมายเหตุในแบบ บันทึกยืนยันสเปกภายใน บันทึกการประสานงานกับฝ่ายจัดซื้อ หรือบันทึกการจัดการข้อร้องเรียนในอดีต ส่วนใหญ่เขียนเป็นภาษาไทย ในโครงสร้างที่มีผู้บริหารชาวญี่ปุ่นประจำการ 6 คนต่อพนักงาน 320 คน เอกสารที่เขียนเป็นภาษาญี่ปุ่นจึงมีเฉพาะส่วนที่ผู้บริหารประจำการเข้าไปเกี่ยวข้องเท่านั้น

การออกแบบการใช้ Generative AI ของสำนักงานใหญ่ตั้งอยู่บนสมมติฐานว่าเอกสารภายในองค์กรเป็นภาษาญี่ปุ่นทั้งหมด ทั้งเทมเพลตพรอมป์ เกณฑ์การประเมิน และเอกสารอบรมล้วนเป็นภาษาญี่ปุ่น ถ้ายกสิ่งเหล่านี้มาที่ไทย เท่ากับเอาแนวคิดการออกแบบแบบญี่ปุ่นมาหมุนด้วยเทมเพลตที่แปลแล้ว ซึ่งจะทำให้ความแม่นยำในการค้นหาเอกสารภาษาไทยไม่สูงขึ้น

ทางแก้คือสร้างชุดข้อมูลประเมินเป็นภาษาไทย ชุดข้อมูลประเมิน 30 คำถามที่จะสร้างในเฟส 1 ซึ่งกล่าวถึงต่อไป ต้องสร้างด้วยภาษาที่หน้างานใช้จริงและด้วยวิธีถามที่หน้างานถามจริง ถ้าสร้างเป็นภาษาญี่ปุ่นก่อนแล้วค่อยแปลเป็นภาษาไทยทีหลัง จะเกิดสภาพที่ประเมินผ่านด้วย “ภาษาไทยที่สวยงามจากการแปล” แต่ไม่ผ่านด้วยภาษาไทยแบบพูดที่หน้างานใช้จริง

เหตุผลที่ 2 กระบวนการทำงานต่างจากสำนักงานใหญ่

แม้จะเป็น “การตอบใบสอบถาม” เหมือนกัน ขั้นตอนของสำนักงานใหญ่กับฐานการผลิตในไทยก็ต่างกัน สำนักงานใหญ่แบ่งงานกันระหว่างฝ่ายขาย ฝ่ายเทคนิค และฝ่ายบริหารต้นทุน โดยข้อมูลอยู่ในระบบของแต่ละฝ่าย ส่วนที่ฐานการผลิตในไทย วิศวกรฝ่ายขายจำนวนไม่กี่คนรับผิดชอบกระบวนการทำใบเสนอราคาทั้งหมด บริหารต้นทุนด้วยสเปรดชีต และการตัดสินใจบางส่วนพึ่งพาประสบการณ์ของผู้บริหารประจำการ

ส่วนที่สำนักงานใหญ่ออกแบบไว้ว่า “ดึงอัตโนมัติจากระบบบริหารต้นทุน” กลายเป็นขั้นตอนที่ “ผู้รับผิดชอบนึกถึงงานคล้าย ๆ กันในอดีตแล้วเปิดสเปรดชีต” ในไทย ถ้ายกการออกแบบของสำนักงานใหญ่มาโดยไม่อุดช่องว่างนี้ การพัฒนาจะหยุดชะงักด้วยเหตุผลว่าระบบปลายทางที่จะเชื่อมต่อไม่มีอยู่จริง

ดังนั้นในฐานการผลิตไทย จะละเว้นกระบวนการแบบ A ที่สำรวจสถานะปัจจุบันของกระบวนการทำงานก่อนไม่ได้ การตัดสินใจว่า “สำนักงานใหญ่วินิจฉัยไปแล้วจึงไม่จำเป็น” คืออันตรายที่สุด

เหตุผลที่ 3 เอกสารกระจัดกระจายอยู่บนกระดาษและเซิร์ฟเวอร์ท้องถิ่น

ในฐานการผลิตของไทย แบบที่ผ่านการอนุมัติแล้วและบันทึกการตรวจสอบยังถูกเก็บไว้ในรูปกระดาษอยู่มาก ส่วนเอกสารที่แปลงเป็นดิจิทัลแล้วก็ยังกระจัดกระจายอยู่ตามไฟล์เซิร์ฟเวอร์ของแต่ละแผนก คอมพิวเตอร์ส่วนตัว ไดรฟ์ที่แชร์ร่วมกัน และไฟล์แนบในแชท

การจะให้ Generative AI ค้นหาเอกสารภายในองค์กรได้ ต้องกำหนดให้ชัดก่อนว่าเอกสารเป้าหมายอยู่ที่ไหน จัดระเบียบสิทธิ์การเข้าถึง และคัดของซ้ำกับฉบับเก่าออก งานนี้คือชั้นที่ 2 “จัดระเบียบฝั่งงาน” ซึ่งแม้แต่ในสถานการณ์ B ก็ยังกินงบ 280,000 บาท คิดเป็น 28.0% ของยอดรวม ต่อให้ที่สำนักงานใหญ่รวมทุกอย่างไว้ใน SharePoint แล้วจนแทบไม่ต้องทำงานนี้ ในไทยงานนี้ก็เกิดขึ้นเต็มจำนวน

เหตุผลที่การขยายสัญญาของสำนักงานใหญ่มาใช้ในแนวราบไม่คุ้มในเชิงค่าใช้จ่าย ส่วนใหญ่มาจากการที่งบของชั้นนี้หายไป ถ้าใช้ตารางราคาของสำนักงานใหญ่ตรง ๆ ชั้นที่กินเงินและแรงมากที่สุดในไทยจะไม่ถูกตั้งงบไว้เลย

เหตุผลที่ 4 กฎเกณฑ์ต่างกัน — กฎหมาย AI ของไทยยังไม่ประกาศใช้

ตรงนี้มีข้อมูลผิด ๆ แพร่กระจายอยู่ จึงขอเขียนให้ชัด กฎหมาย AI ของไทยยังไม่ผ่านการประกาศใช้ ณ เดือนสิงหาคม 2026 ขณะนี้อยู่ในขั้นที่ ETDA (สำนักงานพัฒนาธุรกรรมทางอิเล็กทรอนิกส์) กำลังขัดเกลา Draft Principles of AI Law และคาดว่าจะใช้เวลาอีก 2-3 ปีกว่าจะประกาศใช้ ข้อมูลนี้อ้างอิงจากการเรียบเรียงของ Baker & McKenzie เรื่อง “Thailand: 2026 AI Regulatory Landscape for Businesses” (มีนาคม 2026)

บนอินเทอร์เน็ตมีบทความทุติยภูมิหลายชิ้นที่เขียนว่า “กฎหมาย AI ของไทยมีผลบังคับใช้เมื่อวันที่ 1 มีนาคม 2026” นี่คือ การสับสนกับกฎหมาย AI ของเวียดนามที่มีผลบังคับใช้ในเดือนมีนาคม 2026 เวียดนามบังคับใช้แล้ว ส่วนไทยยังอยู่ในขั้นร่าง ถ้าสับสนสองเรื่องนี้แล้วไปจัดทำระเบียบภายในองค์กร จะเสียแรงงานไปกับการรับมือหน้าที่ที่ไม่มีอยู่จริง และมองข้ามกฎเกณฑ์ที่บังคับใช้อยู่จริง

สิ่งที่บังคับใช้อยู่จริงในไทยคือ PDPA (กฎหมายคุ้มครองข้อมูลส่วนบุคคล) และกฎเกณฑ์เฉพาะราย เช่น ภาคการเงินและการแพทย์ ดังนั้นระเบียบภายในองค์กรเรื่อง Generative AI ให้ประกอบขึ้นบนฐานของการปฏิบัติตาม PDPA ไม่ใช่การรับมือกฎหมาย AI พูดให้เป็นรูปธรรมคือขอบเขตของข้อมูลส่วนบุคคลที่ป้อนเข้า Generative AI ได้ การจัดการเรื่องความยินยอมในการส่งข้อมูลไปยังบริการภายนอก และระยะเวลาเก็บล็อกกับการรับมือคำขอเข้าถึงข้อมูล ถ้ากำหนดสามข้อนี้ให้เสร็จก่อน เมื่อกฎหมาย AI ประกาศใช้ในอนาคต ก็สามารถวางการรับมือเพิ่มเติมทับลงไปได้

ถ้าในข้อเสนอมีหัวข้อว่า “รองรับกฎหมาย AI ของไทย” ขอให้ตรวจสอบมาตราที่อ้างอิง ถ้าแสดงไม่ได้ แปลว่าบริษัทนั้นไม่ได้ศึกษากฎเกณฑ์ของไทย วิธีดำเนินการจัดทำระเบียบที่รวมการรับมือด้านกฎเกณฑ์ สรุปไว้ในวิธีจัดทำระเบียบการใช้ Generative AI

10 คำถามที่ต้องยืนยันให้ได้ก่อนทำสัญญา

ในขั้นตอนขอใบเสนอราคาและอ่านทวนข้อเสนอ ให้โยน 10 คำถามต่อไปนี้ออกไปตรง ๆ จุดประสงค์ไม่ใช่เพื่อคัดบริษัทที่ตอบไม่ได้ออก แต่เพื่อใช้เปรียบเทียบเนื้อหาของคำตอบ

คำถามที่ 1 สัญญานี้เป็นแบบไหนใน 4 แบบ ให้เขาระบุว่าตรงกับแบบ A B C หรือ D และถ้าเป็นแบบผสม ให้แสดงสัดส่วนของแต่ละแบบเป็นจำนวนเงิน ข้อเสนอที่ตอบคลุมเครือตรงนี้ จะเกิดการตีความสิ่งส่งมอบไม่ตรงกันในภายหลัง

คำถามที่ 2 งานเป้าหมายมีกี่งาน บีบเหลืองานเดียวได้หรือยัง ถ้าหลายงาน ได้แสดงลำดับการทำให้อยู่ตัวและเกณฑ์ตัดสินว่าอยู่ตัวแล้วของแต่ละงานไว้หรือไม่

คำถามที่ 3 การจัดระเบียบฝั่งงานในชั้นที่ 2 ต้องใช้แรงงานของฝั่งผู้ว่าจ้างกี่คน-วัน ข้อเสนอที่ตอบเป็นคน-วันไม่ได้ คือข้อเสนอที่หวังพึ่งแรงงานส่วนนี้แบบไม่มีค่าใช้จ่าย

คำถามที่ 4 ชุดข้อมูลประเมินจะสร้างกี่คำถาม และใครเป็นคนสร้าง งานที่ไม่มีการออกแบบการประเมินอยู่ในสัญญา จะจบลงโดยที่วัดผลลัพธ์ไม่ได้

คำถามที่ 5 จะจัดการเอกสารงานภาษาไทยอย่างไร จะแปลแล้วจัดการ หรือจัดการเป็นภาษาไทยตามเดิม ถ้าจะแปล ใครเป็นคนตรวจคุณภาพ

คำถามที่ 6 จะเชื่อมต่อกับระบบเดิมกี่ระบบ ให้ระบุชื่อและจำนวนของระบบปลายทางให้ชัด นี่คือแหล่งกำเนิดค่าใช้จ่ายเพิ่มเติมที่ใหญ่ที่สุด

คำถามที่ 7 เมื่อครบ 12 เดือน จะเหลืออะไรอยู่ในมือเรา ให้เขาอธิบายเป็นคำพูดว่าใน 3 อย่างนี้คือของที่ใช้งานได้จริง ระเบียบ และคนที่เติบโตขึ้น จะเหลืออะไรบ้าง

คำถามที่ 8 การส่งมอบสู่การทำเองภายในองค์กรครอบคลุมแค่ไหน จะทำให้ฝั่งเราทำอะไรของงานปฏิบัติการได้เองบ้าง การออกแบบทางออกต้องตัดสินตั้งแต่ตอนทำสัญญา

คำถามที่ 9 การรับมือกฎเกณฑ์ของไทยอ้างอิงกฎหมายฉบับใด คำตอบที่ถูกต้องคือ PDPA ถ้าตอบว่า “กฎหมาย AI ของไทย” ให้ตรวจสอบฐานอ้างอิง

คำถามที่ 10 กรณีใดบ้างที่สัญญานี้จะไม่คืนทุน บริษัทที่เสนอเงื่อนไขที่ไม่เป็นผลดีต่อตัวเองได้ คือบริษัทที่เข้าใจความเสี่ยง ส่วนบริษัทที่ตอบว่ากรณีที่ไม่คืนทุน “ไม่มี” อย่าไว้ใจ

6 รูปแบบความล้มเหลวที่พบบ่อย

ความล้มเหลวที่ 1 ขอใบเสนอราคาเปรียบเทียบโดยยังไม่ตัดสินใจเรื่องแบบ ใบเสนอราคาที่มีแต่การวินิจฉัยกับใบเสนอราคาที่รวมการพัฒนามาวางเรียงกัน แล้วตัดสินใจด้วยส่วนต่างของจำนวนเงินเพียงอย่างเดียว นี่คือความล้มเหลวที่พบบ่อยที่สุด

ความล้มเหลวที่ 2 ขยายสัญญาของสำนักงานใหญ่มาใช้ในแนวราบตรง ๆ ด้วยเหตุผล 4 ข้อในหัวข้อก่อนหน้า สัญญาจะเริ่มต้นโดยไม่มีการตั้งงบชั้นที่ 2 และต้องขออนุมัติงบเพิ่มกลางทาง

ความล้มเหลวที่ 3 ไม่บีบงานเป้าหมาย ต่อให้ขยายเป็น 5 งาน งานที่ใช้จนอยู่ตัวก็มีงานเดียว สิ่งที่เพิ่มขึ้นมีแต่ค่าใช้จ่าย และ ROI 5 ปีจะกลายเป็น -43.0%

ความล้มเหลวที่ 4 เริ่มโดยไม่สร้างชุดข้อมูลประเมิน เพราะไม่มีไม้บรรทัดร่วมสำหรับถกว่าความแม่นยำดีหรือไม่ดี การประชุมประจำเดือนจึงกลายเป็นการพูดตามความรู้สึก และหยุดลงใน 3 เดือนด้วยคำว่า “รู้สึกว่าใช้ไม่ได้”

ความล้มเหลวที่ 5 ให้ฝ่าย IT เป็นเจ้าภาพ บริษัทราว 70% ที่ Deloitte ชี้ถึงอยู่ในโครงสร้างนี้ เมื่อหน่วยงานที่ไม่มีอำนาจเปลี่ยนงานเป็นเจ้าภาพ สิ่งส่งมอบก็จบอยู่ในฝ่าย IT

ความล้มเหลวที่ 6 เขียนเอกสารขออนุมัติด้วยผลประโยชน์เต็มจำนวนตั้งแต่ปีแรก ถ้าเขียนปีละ 648,872 บาทโดยไม่คิดช่วงตั้งต้นเข้าไปด้วย พอผลงานปีแรกอยู่แค่ราว 324,436 บาท ก็จะถูกตัดสินว่า “ไม่เกิดผล” และงบประมาณปีที่ 2 จะถูกตัดทิ้ง นี่คือความล้มเหลวที่น่าเสียดายที่สุด

แนวทางเริ่มต้นให้ได้ภายใน 90 วัน

เราจะแปลงเส้นทางของสถานการณ์ B ลงมาเป็น 90 วันแรก สิ่งที่มุ่งหมายในช่วงเวลานี้ไม่ใช่การขยายไปทั้งองค์กร แต่คือการสร้างสภาพที่ “ใช้งานได้จริง วัดได้ และหน้างานใช้อย่างต่อเนื่อง” ในงานเดียว

เฟส 0 (สัปดาห์ที่ 1-2) ตัดสินใจเลือกงานเป้าหมายให้เหลือหนึ่งงาน

เรียงตัวเลือกออกมาแล้วบีบให้เหลือหนึ่ง เกณฑ์การบีบมี 3 ข้อ คือมีจำนวนรายการมาก วัดรายละเอียดของเวลาทำงานได้ และพูดผลลัพธ์เป็นตัวเงินได้ เหตุที่เลือกงานตอบใบสอบถาม เพราะมีจำนวนถึงเดือนละ 180 รายการ แยกย่อยได้ว่าใน 95 นาทีต่อรายการมี 40 นาทีที่เป็นการค้นหาเอกสารและคัดลอกข้อมูล และแปลงการเสียงานเป็นกำไรขั้นต้น 28,440 บาทได้

ในสองสัปดาห์นี้ ให้วัดสถานะปัจจุบันของงานเป้าหมายลงไปถึงรายละเอียดของเวลา งานที่ไม่ได้วัดไว้ ต่อให้ปรับปรุงแล้วก็พิสูจน์ไม่ได้ว่าปรับปรุงจริง

เฟส 1 (สัปดาห์ที่ 3-6) สร้างชุดข้อมูลประเมิน 30 คำถามก่อน

ให้สร้างชุดข้อมูลประเมินก่อนการพัฒนา จำนวน 30 คำถาม โดยรวบรวมคำถามที่วิศวกรฝ่ายขายถามจริงด้วยสำนวนที่ใช้จริงมา 30 คำถาม แล้วให้คนในองค์กรตกลงกันให้ได้ข้อยุติว่า “คำตอบที่ถูกต้องคือแบบนี้” สำหรับแต่ละคำถาม

ห้ามสลับลำดับ ถ้าพัฒนาก่อน การประเมินจะถูกสร้างขึ้นโดยยึดคำตอบที่ระบบนั้นให้เป็นเกณฑ์ และการประเมินจะกลายเป็นพิธีกรรม แต่ถ้าสร้างการประเมินก่อน จะตัดสินความดีความด้อยของระบบได้อย่างเป็นภววิสัย และ 30 คำถามชุดนี้จะกลายเป็นสินทรัพย์ที่ใช้ต่อได้ทันทีแม้ตอนเปลี่ยนเครื่องมือ

เฟสนี้เป็นเฟสที่ทรมานที่สุด เพราะระหว่างการหาข้อยุติของคำตอบมาตรฐาน จะต้องมีคำถามที่คนในองค์กรตอบไม่ตรงกันโผล่ขึ้นมาแน่นอน แต่การที่ “คำตอบไม่ตรงกัน” นั้นเองคือผลลัพธ์ที่เก็บเกี่ยวได้ในฐานะปัญหาที่มีอยู่ก่อนหน้า Generative AI

เฟส 2 (สัปดาห์ที่ 7-10) การพัฒนาและกฎการใช้งาน

ป้อนเอกสารเป้าหมายเข้าไป แล้วทำให้การค้นหาและการสร้างร่างคำตอบทำงานได้ พร้อมกันนั้นให้กำหนดกฎการใช้งาน ได้แก่ใครใช้ได้ ห้ามป้อนอะไรเข้าไป และใครเป็นผู้อนุมัติร่างที่ถูกสร้างขึ้น ให้สรุปเส้นแบ่งที่ตั้งอยู่บนฐานของ PDPA ให้จบในเฟสนี้

การวางการพัฒนากับกฎการใช้งานไว้ในเฟสเดียวกันเป็นความตั้งใจ เพราะถ้าสร้างกฎก่อน มันจะกลายเป็นกฎที่ไม่มีใครใช้ แต่ถ้าสร้างทีหลัง ก็จะกลายเป็นการสร้างกฎหลังเกิดอุบัติเหตุไปแล้ว การกำหนดกฎไปพร้อมกับมองของที่ทำงานได้จริงคือวิธีที่เร็วที่สุด

เฟส 3 (สัปดาห์ที่ 11-13) เปิดใช้แบบจำกัดและหมุนวงจรการปรับปรุง

เปิดใช้เฉพาะวิศวกรฝ่ายขาย 5 คน อย่าเปิดทั้งองค์กร เหตุผลที่บีบเหลือ 5 คน คือเพื่อให้ใช้ทุกวันและเก็บกรณีที่ไม่เป็นไปตามคาดกลับมาได้ทันที ถ้าแจกจ่ายไปทั้งองค์กร จะเก็บเหตุผลที่ไม่มีคนใช้กลับมาไม่ได้

ในสามสัปดาห์นี้ ให้วัดชุดข้อมูลประเมิน 30 คำถามซ้ำ แล้วบันทึกพรอมป์ที่ปรับปรุงและเอกสารที่เพิ่มเข้าไป สิ่งที่จะรายงานในวันที่ 90 ไม่ใช่ “นำมาใช้แล้ว” แต่คือ “ในการประเมิน 30 คำถาม คำตอบที่ถูกเพิ่มขึ้นเป็นกี่ข้อ และเวลาทำงานต่อหนึ่งรายการหดลงกี่นาที” เมื่อมาถึงจุดนี้เท่านั้น จึงจะมีวัตถุดิบครบสำหรับตัดสินใจขยายไปสู่งานที่สอง

การออกแบบทางออก — ส่งต่อสู่การทำเองภายในองค์กรอย่างไร

สิ่งที่ถูกออกแบบน้อยที่สุดในสัญญาที่ปรึกษา Generative AI คือทางออก หลังสัญญาจบแล้วใครจะเป็นผู้ดำเนินการต่อ ถ้าเริ่มโดยไม่ตัดสินจุดนี้ การปฏิบัติการจะหยุดลงพร้อมกับการสิ้นสุดสัญญา หรือไม่ก็จบสัญญาไม่ลงแล้วจ่ายรายเดือนต่อไปเรื่อย ๆ

สิ่งที่ต้องส่งมอบมี 4 อย่าง ได้แก่งานปรับปรุงชุดข้อมูลประเมิน การเพิ่มเอกสารเป้าหมายและการตัดฉบับเก่าออก การแก้ไขพรอมป์และกฎการใช้งาน และการแยกแยะสาเหตุเบื้องต้นเมื่อความแม่นยำตก ถ้าหมุนสี่อย่างนี้ได้เองภายในองค์กร ก็ลดขนาดสัญญากับภายนอกลงได้

ปลายทางของการส่งมอบให้วางไว้ที่หน่วยงานเจ้าของงานเป้าหมาย ไม่ใช่ฝ่าย IT เหตุผลง่ายมาก เพราะคนที่ตัดสินคำตอบมาตรฐานของชุดข้อมูลประเมินได้มีเพียงคนที่รู้งานเท่านั้น ให้ฝ่าย IT รับผิดชอบแค่การบริหารสิทธิ์การเข้าถึงและล็อก ส่วนการบริหารความแม่นยำให้ฝั่งงานเป็นเจ้าของ ตัวเลขราว 70% ของ Deloitte ที่กล่าวถึงก่อนหน้า ซึ่งเป็นสัดส่วนบริษัทที่จัดให้ AI เป็นความรับผิดชอบของฝ่าย IT แสดงให้เห็นว่ามีบริษัทจำนวนมากขนาดนั้นที่วางตำแหน่งนี้ผิด

ช่วงเวลาของทางออกให้ตัดสินตั้งแต่ตอนทำสัญญา ถ้าเป็นสัญญาเดินเคียงข้างแบบ C ให้เขียนลงในสัญญาว่า 3 เดือนหลังของช่วง 6-12 เดือน จะเป็นช่วงที่ “ผู้ขับเคลื่อนภายในเป็นผู้รับผิดชอบหลัก ส่วนภายนอกทำหน้าที่ตรวจสอบเท่านั้น” สัญญาเดินเคียงข้างที่ไม่มีข้อความนี้ มักแปรสภาพเป็นสัญญารายเดือนที่ไม่มีวันสิ้นสุด ขั้นตอนการทำเองภายในองค์กรและแกนการตัดสินว่าจะเหลือการสนับสนุนจากภายนอกไว้แค่ไหน เรียบเรียงไว้ในแนวทางการสนับสนุนการทำ AI เองภายในองค์กร

พูดตามตรง การระบุการออกแบบทางออกไว้ชัดเจนทำให้รายได้ของฝั่งผู้ให้บริการลดลง แต่ถึงอย่างนั้นก็ควรเขียน เพราะสัญญาที่ไม่มีทางออกมักถูกตัดจบกะทันหันในปีที่ 3 ด้วยเหตุผลว่า “ไม่รู้ว่าจ่ายไปเพื่ออะไร” การออกแบบให้ลดขนาดลงเป็นขั้น ๆ กลับทำให้ความสัมพันธ์ยืนยาวกว่าในท้ายที่สุด

คำถามที่พบบ่อยเกี่ยวกับที่ปรึกษา Generative AI

ค่าที่ปรึกษา Generative AI อยู่ที่เท่าไร

หลักของตัวเลขเปลี่ยนไปตามแบบที่ซื้อ แบบ A (ประเมินสถานะ) อยู่ที่ 150,000-400,000 บาท แบบ B (ธรรมาภิบาล) อยู่ที่ 250,000-600,000 บาท แบบ C (เดินเคียงข้าง) อยู่ที่เดือนละ 60,000-150,000 บาท และแบบ D (รวมการพัฒนา) อยู่ที่ 800,000-3,000,000 บาท ส่วนราคากลางในญี่ปุ่นคือแบบที่ปรึกษารายเดือน 100,000-300,000 เยนต่อเดือน แบบโครงการ 500,000-2,000,000 เยน และ PoC 400,000-10,000,000 เยน แต่ห้ามแปลงตัวเลขเหล่านี้เป็นบาทแล้วใช้เป็นงบประมาณในไทย เพราะในไทยมีขั้นตอนที่ญี่ปุ่นไม่มีเพิ่มเข้ามาคือการจัดระเบียบเอกสารภาษาไทย ในทางกลับกันแรงงานในการสร้างฉันทามติก็น้อยกว่าเพราะขนาดของฐานการผลิตเล็กกว่า วิธีที่ถูกต้องคือประกอบขึ้นด้วยโมเดล 5 ชั้น

AI PoC ต้องทำถึงระดับไหนจึงจะพอ

พอเมื่อวัดอัตราการตอบถูกด้วยชุดข้อมูลประเมิน 30 คำถามแล้ว และยืนยันได้จากการวัดจริงว่าเวลาทำงานของงานเป้าหมายหดลง พูดกลับกันคือ PoC ที่ยืนยันสิ่งนี้ไม่ได้ ต่อให้ทำไปกี่เดือนก็ไม่มีวันพอ เหตุที่ MIT Project NANDA (กรกฎาคม 2025) รายงานว่าโครงการนำร่อง Generative AI ถึง 95% ยังไม่สร้างผลกระทบที่วัดได้ต่องบกำไรขาดทุน ก็เพราะ PoC จำนวนมากหยุดอยู่ที่ “ทำงานได้” แล้วไม่ก้าวไปสู่ขั้นวัดด้วยเวลาหรือจำนวนเงิน ให้เขียนเงื่อนไขผ่านของ PoC เป็นตัวเลขไว้ตั้งแต่ตอนทำสัญญา

ระหว่าง AI สั่งทำเฉพาะองค์กรกับเครื่องมือสำเร็จรูป ควรพิจารณาอะไรก่อน

เครื่องมือสำเร็จรูปมาก่อน เหตุผลคือการตรวจสอบว่างานเป้าหมายบีบลงจริงหรือยังนั้น ใช้เครื่องมือสำเร็จรูปก็เพียงพอแล้ว ถ้าใช้เครื่องมือสำเร็จรูปแล้วอัตราการตอบถูกของชุดข้อมูลประเมิน 30 คำถามไม่ขยับ สาเหตุมักไม่ได้อยู่ที่เครื่องมือ แต่อยู่ที่การจัดระเบียบเอกสารในชั้นที่ 2 ถ้าเดินหน้าไปสู่การพัฒนาแบบสั่งทำในสภาพนั้น จะกลายเป็นการค้นหาเอกสารที่ยังไม่ได้จัดระเบียบด้วยกลไกราคาแพง การสั่งทำเฉพาะองค์กรจำเป็นเมื่อจำนวนระบบเดิมที่ต้องเชื่อมต่อเพิ่มขึ้น และเมื่อจำเป็นต้องฝังตรรกะการตัดสินใจเฉพาะของงานเข้าไป

ควรอ่านกรณีศึกษาการนำ AI มาใช้ในองค์กรอย่างไร

ให้ยืนยัน 3 จุด จุดแรกคืองานเป้าหมายมีกี่งาน กรณีศึกษาที่เขียนว่าทำ 5 งานพร้อมกัน ให้ตรวจสอบว่าในนั้นมีกี่งานที่ใช้จนอยู่ตัวจริง จุดที่สองคือผลประโยชน์ถูกคูณด้วยอัตราการเกิดผลจริงหรือไม่ ในบทความนี้เราคูณ 70% และคิดปีแรกที่ 50% ตัวเลขของกรณีศึกษาที่ไม่ได้คูณคือค่าสูงสุด จุดที่สามคือค่าใช้จ่ายรวมการจัดระเบียบฝั่งงาน (ชั้นที่ 2) ไว้หรือไม่ ยอดรวมของกรณีศึกษาที่ไม่รวมส่วนนี้ แสดงเพียงราว 7 ใน 10 ของจำนวนเงินที่จะเกิดขึ้นจริง

บริษัทที่ปรึกษากับบริษัทพัฒนา AI ต่างกันอย่างไร

แบบที่ถนัดต่างกัน บริษัทที่ปรึกษามีแบบ A และแบบ B เป็นงานหลัก จึงแข็งแรงเรื่องการเลือกงานเป้าหมายและการจัดทำกฎ ส่วนบริษัทพัฒนา AI มีแบบ D เป็นงานหลัก จึงแข็งแรงเรื่องการสร้างของที่ใช้งานได้จริง ส่วน SIer หลายรายรับได้ทั้งงานแบบ D ที่มีสัดส่วนการเชื่อมต่อระบบเดิมสูง และงานสนับสนุนการปฏิบัติการแบบ C ควบคู่กัน อย่าเลือกจากประเภทของบริษัท แต่ให้ตัดสินก่อนว่าตอนนี้บริษัทเราควรซื้อแบบไหน แล้วจึงไปจ้างบริษัทที่มีแบบนั้นเป็นงานหลัก

จำเป็นต้องรับมือกฎหมาย AI ของไทยหรือไม่

ณ เดือนสิงหาคม 2026 ไม่มีกฎหมาย AI ของไทยที่ต้องรับมือ ขณะนี้ ETDA อยู่ในขั้นขัดเกลา Draft Principles of AI Law และคาดว่าจะใช้เวลาอีก 2-3 ปีกว่าจะประกาศใช้ (Baker & McKenzie, มีนาคม 2026) มีบทความที่เขียนว่า “กฎหมาย AI ของไทยมีผลบังคับใช้เมื่อวันที่ 1 มีนาคม 2026” แต่นั่นคือการสับสนกับกฎหมาย AI ของเวียดนามที่มีผลบังคับใช้ในเดือนมีนาคม 2026 สิ่งที่บังคับใช้อยู่จริงในไทยคือ PDPA และกฎเกณฑ์เฉพาะราย ดังนั้นให้จัดทำระเบียบภายในองค์กรบนฐานของ PDPA

บทสรุป

เมื่อพิจารณาเรื่องที่ปรึกษา Generative AI สิ่งแรกที่ต้องตัดสินไม่ใช่ว่าจะจ้างใคร แต่คือแบบของสัญญาที่จะซื้อ แบบ A (วินิจฉัย) แบบ B (ขีดเส้น) แบบ C (ทำให้อยู่ตัว) และแบบ D (พัฒนา) ต่างกันทั้งสิ่งส่งมอบ ระยะเวลา ค่าใช้จ่าย และรูปแบบของความล้มเหลว ถ้าขอใบเสนอราคาเปรียบเทียบโดยยังไม่ตัดสินเรื่องแบบ สิ่งที่ได้คือข้อเสนอที่เทียบกันไม่ได้มาวางเรียงกัน

ค่าใช้จ่ายให้แยกเป็น 5 ชั้น ชั้นที่ใหญ่ที่สุดไม่ใช่การพัฒนา แต่คือชั้นที่ 2 การจัดระเบียบฝั่งงาน ซึ่งคิดเป็น 29.3% ในสถานการณ์ A และ 28.0% ในสถานการณ์ B ให้ตกลงกันให้ชัดก่อนทำสัญญาว่าฝั่งผู้ว่าจ้างต้องลงแรงกี่คน-วันในชั้นนี้

และข้อสรุปที่สำคัญที่สุดคือขนาดของสัญญาไม่เกี่ยวกับผลลัพธ์ ทั้งสัญญา 2,800,000 บาทที่ลงมือกับ 5 งานพร้อมกัน และสัญญา 1,000,000 บาทที่บีบเหลืองานเดียว ต่างก็ให้ผลประโยชน์ 5 ปีเท่ากันที่ 2,919,924 บาท เพราะสุดท้ายแล้วงานที่ใช้จนอยู่ตัวมีเพียงงานเดียว ผลก็คือ ROI 5 ปีของแบบบีบเป้าหมายอยู่ที่ +55.3% ส่วนแบบเหมารวมทั้งองค์กรอยู่ที่ -43.0% กลับด้านกันทั้งเครื่องหมาย และแบบเหมารวมทั้งองค์กรใช้เวลา 5 ปีก็ยังไม่คืนทุน

ในฐานการผลิตของไทย สัญญาที่สำนักงานใหญ่เซ็นไว้ใช้ตรง ๆ ไม่ได้ผล เพราะภาษาของหน้างานเป็นภาษาไทย กระบวนการทำงานต่างจากสำนักงานใหญ่ เอกสารกระจัดกระจายอยู่บนกระดาษและเซิร์ฟเวอร์ท้องถิ่น และกฎเกณฑ์ต่างกัน สำหรับเรื่องกฎเกณฑ์ ลำดับที่ถูกต้องคือเข้าใจให้ถูกว่ากฎหมาย AI ของไทยยังไม่ประกาศใช้ แล้วประกอบระเบียบขึ้นบนฐานของ PDPA

สิ่งที่ต้องทำใน 90 วันแรกมีเพียงอย่างเดียว คือตัดสินงานเป้าหมายให้เหลือหนึ่งงาน สร้างชุดข้อมูลประเมิน 30 คำถามขึ้นก่อน แล้วหมุนใช้งานจริงด้วยวิศวกรฝ่ายขาย 5 คนพร้อมวัดผล เท่านั้นเอง

TOMAS TECH ให้บริการนำระบบบริหารการผลิตและบริหารพลังงาน PEGASUS รวมถึงงาน FA ระบบควบคุม และ IoT แก่ผู้ผลิตสัญชาติญี่ปุ่นในประเทศไทย และในส่วนต่อขยายจากงานเหล่านี้ เราสนับสนุนตั้งแต่การเลือกงานเป้าหมายสำหรับใช้ Generative AI การออกแบบการประเมิน ไปจนถึงการทำให้ใช้งานอยู่ตัวที่หน้างานในไทย แม้ยังอยู่ในขั้นที่ตัดสินใจเรื่องแบบไม่ได้ เราก็รับปรึกษาโดยเริ่มจากการช่วยกันจัดระเบียบว่าในงานของท่านค่าใช้จ่ายจะไปตกอยู่ที่ชั้นไหน จะเป็นการปรึกษาแบบอยากตรวจสอบว่าโมเดล 5 ชั้นตรงกับบริษัทท่านตรงไหน หรืออยากให้สายตาบุคคลที่สามช่วยอ่านข้อเสนอที่ได้รับมา ก็ยินดีเช่นกัน ติดต่อเราได้ที่ https://tomastc.com/th/contact/

ข้อมูลอ้างอิง

• รายงานผลสำรวจ Deloitte Thailand Digital Transformation Survey 2026 (Kaohoon International, สิงหาคม 2026): https://www.kaohooninternational.com/technology/588138
• UOB Business Outlook Study 2026 การนำ AI มาใช้ของธุรกิจขนาดกลางและขนาดย่อมไทย (ThaiPR.NET, มิถุนายน 2026): https://www.thaipr.net/en/business_en/3735803
• คาดการณ์รายจ่ายด้าน AI ทั่วโลกปี 2026 (Gartner, พฤษภาคม 2026): https://www.gartner.com/en/newsroom/press-releases/2026-05-19-gartner-forecasts-worldwide-ai-spending-to-grow-47-percent-in-2026
• คาดการณ์รายจ่ายด้าน IT ทั่วโลกปี 2026 (CIO, กุมภาพันธ์ 2026): https://www.cio.com/article/4126847/gartner-it-spending-to-exceed-6-trillion-by-2026.html
• MIT Project NANDA ระบุว่าโครงการนำร่อง Generative AI 95% ไม่สร้างผลลัพธ์ (Forbes, สิงหาคม 2025): https://www.forbes.com/sites/jasonsnyder/2025/08/26/mit-finds-95-of-genai-pilots-fail-because-companies-avoid-friction/
• Thailand 2026 AI Regulatory Landscape for Businesses (Baker & McKenzie, มีนาคม 2026): https://www.bakermckenzie.com/-/media/files/insight/publications/2026/03/thailand-2026-ai-regulatory-landscape-for-businesses.pdf
• ราคากลางค่าที่ปรึกษาการนำ AI มาใช้ในองค์กร (Revival Asia, 2026): https://www.revivalasia.co.jp/column/ai-consulting-cost