โลจิสติกส์ดิจิทัลในอาเซียน 2026: คลังสินค้าอัตโนมัติและระบบ WMS

โลจิสติกส์ดิจิทัลกลายเป็นวาระที่ผู้บริหารโรงงานและคลังสินค้าในไทยหลีกเลี่ยงไม่ได้อีกต่อไป แต่คำถามที่เราได้ยินบ่อยที่สุดเวลาลงหน้างานกลับไม่ใช่ “ควรลงทุนไหม” — มันคือประโยคทำนองว่า “เพิ่มคลังอีกหนึ่งหลังแล้ว แต่สัดส่วนต้นทุนโลจิสติกส์ต่อยอดขายก็ยังไม่ลดลงเลย” และ “ใช้ระบบ WMS มาสามปีแล้ว ทำไม Excel ที่หน้างานยังไม่หายไปสักที” สองประโยคนี้เราได้ยินซ้ำ ๆ ทั้งในไทยและในประเทศเพื่อนบ้าน ปัญหาของโรงงาน คลังสินค้า และบริษัทโลจิสติกส์ในภูมิภาคนี้คล้ายกันอย่างน่าประหลาดใจ

TOMAS TECH เป็นบริษัท IT integrator ที่มีฐานอยู่ในกรุงเทพฯ ทำงานด้านการวางระบบให้โรงงานและคลังสินค้าในไทยและประเทศรอบข้าง สิ่งที่เรารู้สึกได้ชัดจากการเข้าหน้างานทุกวันคือ ปี 2026 อาเซียนกำลังขยับจากช่วง “ถกเถียงว่าจะลงทุนดีไหม” ไปสู่ช่วง “ตัดสินใจว่าจะทำอะไรก่อนหลัง และทำลึกแค่ไหน” ข้อมูลตลาดก็ยืนยันแนวโน้มนี้ ตามรายงานของ Mordor Intelligence ตลาดคลังสินค้าอัตโนมัติในเอเชียตะวันออกเฉียงใต้จะขยายตัวจาก 910 ล้านดอลลาร์สหรัฐในปี 2026 ไปเป็น 1,630 ล้านดอลลาร์สหรัฐในปี 2031 คิดเป็นอัตราการเติบโตเฉลี่ยต่อปี (CAGR) ที่ 12.36%

แต่ในอีกด้านหนึ่ง ไม่ใช่ทุกบริษัทที่ลงทุนไปแล้วจะได้ผลลัพธ์ มีสถิติที่ระบุว่าในบรรดาองค์กรที่เพิ่มงบลงทุนด้าน AI มีเพียง 6% เท่านั้นที่ได้ผลตอบแทนคืนภายใน 1 ปี บทความนี้จะเรียบเรียงทั้งตัวเลขตลาด ความแตกต่างของแต่ละประเทศ วิธีประกอบเลเยอร์เทคโนโลยีเข้าด้วยกัน และขั้นตอนการนำไปใช้จริงที่ทำได้จริง โดยระบุแหล่งอ้างอิงกำกับไว้ทุกตัวเลข เราอยากให้ผู้อ่านใช้บทความนี้เป็นวัตถุดิบในการตัดสินใจว่า “ควรเริ่มจากตรงไหน”

ตลาดโลจิสติกส์อาเซียนปี 2026 — อ่านการเปลี่ยนแปลงเชิงโครงสร้างจากตัวเลข

ก่อนอื่นขอปูพื้นสภาพตลาดด้วยตัวเลข เหตุผลที่เราเริ่มจากตัวเลขแทนความรู้สึก เพราะเวลาต้องอธิบายในที่ประชุมอนุมัติงบว่า “ทำไมต้องเป็นตอนนี้” ไม่มีอะไรมีน้ำหนักเท่าข้อมูลจากภายนอกองค์กร

ตลาดคลังสินค้าอัตโนมัติโตด้วย CAGR 12.36%

ตามรายงาน “Southeast Asia Warehouse Automation Market” ของ Mordor Intelligence ตลาดคลังสินค้าอัตโนมัติในภูมิภาคอาเซียนมีมูลค่าราว 910 ล้านดอลลาร์สหรัฐในปี 2026 และคาดว่าจะแตะ 1,630 ล้านดอลลาร์สหรัฐในปี 2031 โดยมี CAGR อยู่ที่ 12.36%

ตัวเลข 12.36% นี้ไม่ได้แปลว่า “ลงทุนแล้วต้นทุนจะลดลงปีละ 12%” สิ่งที่ควรอ่านจากมันคือ จังหวะการลงทุนของคู่แข่ง บริษัทข้างเคียงในนิคมอุตสาหกรรมเดียวกัน ผู้ให้บริการ 3PL ที่อยู่ในสายซัพพลายเดียวกัน และคู่ค้าของคุณเอง กำลังเปลี่ยนสมมติฐานการทำงานด้วยความเร็วระดับนี้ ถ้าอีกห้าปีข้างหน้าคลังสินค้าของคุณยังทำงานด้วยรูปแบบเดิมจากต้นทศวรรษ 2020 ความเสี่ยงคือคุณอาจตอบสนองมาตรฐานที่เจ้าของสินค้าเรียกร้องไม่ไหว การอ่านตัวเลขนี้ในฐานะ “การเปลี่ยนแปลงของสนามแข่งขัน” จะใช้งานได้จริงมากกว่าการอ่านในฐานะผลตอบแทนการลงทุน

อีกมุมหนึ่งที่มักถูกมองข้ามคือ ตลาดที่โตระดับสองหลักหมายถึงมีผู้เล่นใหม่ ผู้ให้บริการใหม่ และโซลูชันใหม่เข้ามาต่อเนื่อง ซึ่งเป็นทั้งโอกาสและความเสี่ยง โอกาสคือตัวเลือกมากขึ้นและราคาแข่งขันมากขึ้น ความเสี่ยงคือผู้ขายบางรายยังไม่มีประวัติการติดตั้งที่ยาวพอในไทย และไม่มีทีมซัพพอร์ตในประเทศ เวลาประเมินข้อเสนอ ควรถามให้ชัดว่าทีมที่จะดูแลระบบหลังส่งมอบอยู่ที่ไหน

ตลาดขนส่งและโลจิสติกส์ของไทยแตะ 56,560 ล้านดอลลาร์ในปี 2026

มาดูตัวเลขเฉพาะของไทยกันบ้าง ตามรายงานตลาดขนส่งและโลจิสติกส์ของไทย ปี 2026-2031 ที่เผยแพร่โดย GII ขนาดตลาดขนส่งและโลจิสติกส์ของไทยจะขยายจาก 53,380 ล้านดอลลาร์สหรัฐในปี 2025 เป็น 56,560 ล้านดอลลาร์สหรัฐในปี 2026 และเติบโตด้วย CAGR 5.95% ในช่วงปี 2026 ถึง 2031 จนแตะระดับ 75,470 ล้านดอลลาร์สหรัฐในปี 2031

จุดที่น่าสนใจคือ อัตราการเติบโตของตลาดโดยรวมอยู่ที่ 5.95% ขณะที่ตลาดคลังสินค้าอัตโนมัติโตที่ 12.36% หรือมากกว่าสองเท่า พูดง่าย ๆ คือ “การลงทุนเพื่อเปลี่ยนวิธีทำโลจิสติกส์” กำลังโตเร็วกว่าตัวตลาดโลจิสติกส์เอง นี่เป็นสัญญาณว่าตลาดกำลังเข้าสู่ช่วงเปลี่ยนผ่านเชิงคุณภาพ ไม่ใช่แค่การขยายตัวเชิงปริมาณอีกต่อไป

และการที่ตลาดขนส่งและโลจิสติกส์โตปีละราว 6% ก็หมายความตรงไปตรงมาว่าปริมาณงานและจำนวนธุรกรรมจะเพิ่มขึ้นเรื่อย ๆ คำถามคือ ด้วยจำนวนคนเท่าเดิมและวิธีทำงานแบบเดิม คุณจะรองรับการเพิ่มขึ้นปีละ 6% ต่อไปได้อีกกี่ปี หน้างานส่วนใหญ่ที่เราเห็นตอนนี้ยังประคองด้วยการทำโอที การขอกำลังเสริมจากแผนกอื่น และความอึดของทีม ซึ่งเป็นวิธีที่มีเพดานของมันอยู่

ความต่างระหว่างการเติบโตของตลาด 3PL กับตลาดซัพพลายเชน AI

ตลาดผู้ให้บริการโลจิสติกส์บุคคลที่สาม (3PL) ในอาเซียน ตามผลสำรวจของ Report Ocean ที่เผยแพร่ผ่าน @Press มีมูลค่า 1,379.13 ล้านดอลลาร์สหรัฐในปี 2025 และจะเพิ่มเป็น 2,350.55 ล้านดอลลาร์สหรัฐในปี 2035 โดยมี CAGR ระหว่างปี 2026 ถึง 2035 อยู่ที่ 5.34% จะเห็นว่าการเติบโตของตลาด 3PL อยู่ในระดับใกล้เคียงกับตลาดขนส่งและโลจิสติกส์โดยรวม (ของไทยอยู่ที่ CAGR 5.95%)

ตรงกันข้ามกับตลาด AI ในสายซัพพลายเชน สถิติซัพพลายเชน AI ปี 2026 ที่ RELEX Solutions และ Open Sky Group รวบรวมไว้ ระบุว่าตลาด AI in supply chain จะขยายจาก 9,940 ล้านดอลลาร์สหรัฐในปี 2025 ไปเป็น 236,000 ล้านดอลลาร์สหรัฐในปี 2035 ซึ่งเป็นการเติบโตคนละระดับกัน

เราคิดว่าควรระมัดระวังในการเชื่อตัวเลขคาดการณ์ระยะยาวแบบนี้ตามตัวอักษร แต่อย่างน้อยสิ่งที่อ่านได้แน่ ๆ คือ เม็ดเงินและทรัพยากรด้านการพัฒนากำลังกระจุกตัวอยู่ในพื้นที่นี้ ที่สำคัญคือ ขนาดตลาดที่ถูกคาดการณ์ไว้ใหญ่ กับการที่ AI จะทำงานได้จริงในคลังสินค้าของคุณพรุ่งนี้ เป็นคนละเรื่องกัน ช่องว่างตรงนี้เราจะกลับมาดูพร้อมข้อมูลอัตราการใช้งานจริงในหัวข้อถัดไป

ความแตกต่างรายประเทศและรายเซกเมนต์

รายงานฉบับเดียวกันของ Mordor Intelligence ยังแสดงรายละเอียดแยกตามประเทศและเซกเมนต์ไว้ด้วย

• อินโดนีเซีย: ครองส่วนแบ่งรายได้ 28.63% ของตลาดคลังสินค้าอัตโนมัติในอาเซียน ณ ปี 2025 ถือเป็นตลาดใหญ่ที่สุดในภูมิภาค โดยมี Cikarang Dry Port เป็นตัวขับเคลื่อน
• เวียดนาม: มี CAGR 13% ซึ่งเร็วที่สุดในภูมิภาคจนถึงปี 2031 เบื้องหลังคือการสร้างเมกะฮับของ Shopee และ SPX Express
• ไทย: ได้แรงหนุนจากความหนาแน่นของคลัสเตอร์อุตสาหกรรมยานยนต์ และสิทธิประโยชน์ทางภาษีในพื้นที่ EEC (เขตพัฒนาพิเศษภาคตะวันออก)

เมื่อแยกตามเซกเมนต์ ค้าปลีกและอีคอมเมิร์ซครองส่วนแบ่งสูงสุดที่ 33.40% ในปี 2025 โดยมี CAGR 17.28% ส่วนเซกเมนต์เฮลท์แคร์เติบโตด้วย CAGR 13.81% ซึ่งมีปัจจัยจากข้อกำหนดที่ต้องเป็นไปตามมาตรฐาน GDP (Good Distribution Practice) และการเติบโตของยาชีววัตถุ

จุดที่เราอยากให้ผู้บริหารฝ่ายผลิตให้ความสำคัญเป็นพิเศษคือ ตัวขับเคลื่อนตลาดคลังสินค้าอัตโนมัติคือผู้ประกอบการอีคอมเมิร์ซ ไม่ใช่ภาคการผลิตเสมอไป โซลูชันจำนวนมากที่เวนเดอร์นำมาเสนอ ถูกออกแบบบนสมมติฐานของคลังอีคอมเมิร์ซ นั่นคือหยิบทีละชิ้น รายการสินค้าหลากหลาย และจัดส่งความถี่สูง ถ้านำมาใช้กับคลังของโรงงานที่จัดส่งเป็นพาเลท รายการสินค้าไม่มาก และมีแผนจัดส่งค่อนข้างแน่นอน ผลลัพธ์ต่อเงินที่ลงไปมักจะออกมาไม่คุ้ม

เวลาประเมินข้อเสนอจากเวนเดอร์ เราแนะนำให้ถามคำถามแรกว่า “ผลงานที่ยกมาอ้างอิงนั้น มาจากอุตสาหกรรมไหน และมีโปรไฟล์การจัดส่งแบบใด” ถ้าคำตอบคือคลังอีคอมเมิร์ซล้วน ๆ ก็ควรถามต่อว่าจะปรับให้เข้ากับโปรไฟล์ของคุณอย่างไร โดยไม่ต้องเกรงใจ เพราะนี่คือสิ่งที่จะกำหนดว่าโครงการจะให้ผลตอบแทนหรือไม่

ทำไมต้องเป็นตอนนี้ — แรงกดดันสามด้าน: แรงงาน ค่าจ้าง และอีคอมเมิร์ซ

การลงทุนเพียงเพราะตลาดกำลังโต เป็นแรงจูงใจที่อ่อนเกินไป สิ่งที่ผลักดันหน้างานจริง ๆ คือแรงกดดันสามด้านที่จ่อคออยู่ใกล้กว่านั้นมาก

การขาดแคลนแรงงานด้านโลจิสติกส์ในไทยถึงจุดที่ “ขึ้นค่าจ้างก็ยังหาคนไม่ได้”

ในรายงานเกี่ยวกับปัญหาการขาดแคลนบุคลากรในไทยที่ JETRO จัดทำไว้ มีการรายงานสถานการณ์ของพนักงานขับรถขนส่งว่า แม้จะเสนอค่าตอบแทนรวมค่าล่วงเวลาที่ระดับ 25,000 บาทต่อเดือน ก็ยังหาคนได้ยาก นอกจากนี้ การทำงานล่วงเวลายังมีเพดานตามกฎหมาย โดยรายงานฉบับเดียวกันอ้างถึงเพดาน 36 ชั่วโมงต่อเดือน หมายความว่าวิธีรับมือแบบเดิมคือ “อุดช่องว่างด้วยโอที” ก็มีเพดานเชิงกฎระเบียบเช่นกัน

เราคิดว่าการที่เงื่อนไขสองข้อนี้เกิดขึ้นพร้อมกันมีนัยสำคัญมาก เพราะเมื่อหาคนไม่ได้และไม่สามารถใช้โอทีมาชดเชยได้เต็มที่ ทางเลือกจะเหลือเพียงสามทาง คือ (1) ขึ้นค่าจ้างให้สูงขึ้นอีก (2) จ้างภายนอก หรือ (3) เพิ่มปริมาณงานที่คนหนึ่งคนทำได้ โลจิสติกส์ดิจิทัลคือแนวทางสำหรับข้อ (3) และมักจะถูกพิจารณาอย่างจริงจังก็ต่อเมื่อข้อ (1) และ (2) เริ่มตันในเชิงต้นทุนแล้ว บริษัทญี่ปุ่นในไทยจำนวนมากกำลังยืนอยู่ตรงจุดนั้นพอดี

สิ่งที่เราสังเกตเห็นเพิ่มเติมจากหน้างานคือ ปัญหาแรงงานไม่ได้กระทบเฉพาะจำนวนคน แต่กระทบ “ความต่อเนื่องของความรู้” ด้วย เมื่ออัตราการลาออกสูงขึ้น ความรู้เรื่องตำแหน่งจัดเก็บ กฎการหยิบสินค้า และวิธีจัดการเคสยกเว้น ที่เคยอยู่ในหัวของพนักงานอาวุโสก็หายไปพร้อมกับคนที่ออก การทำให้ความรู้เหล่านั้นอยู่ในระบบแทนที่จะอยู่ในตัวบุคคล จึงเป็นเหตุผลด้านการบริหารความเสี่ยงอีกข้อหนึ่งของการลงทุนด้านดิจิทัล

อัตราการขึ้นค่าจ้างเพิ่มต่อเนื่องเป็นปีที่สาม

ข้อมูลจาก JETRO เช่นกัน ระบุว่าอัตราการปรับขึ้นค่าจ้างของบริษัทญี่ปุ่นในไทยอยู่ที่ 3.8% ในปี 2023, 4.58% ในปี 2024 และคาดว่าจะอยู่ที่ 4.64% ในปี 2025 สิ่งที่สำคัญกว่าตัวเลขในแต่ละปีคือ แนวโน้มที่ปรับขึ้นต่อเนื่องสามปีติดต่อกัน

ถ้าค่าจ้างปรับขึ้นปีละราว 4.6% ต่อเนื่องห้าปี ต้นทุนบุคลากรจะเพิ่มขึ้นประมาณ 1.25 เท่าเมื่อคำนวณอย่างง่าย ตราบใดที่ยังใช้คนจำนวนเท่าเดิมทำงานปริมาณเท่าเดิม ต้นทุนโลจิสติกส์ก็จะเพิ่มขึ้นโดยอัตโนมัติในเชิงโครงสร้าง กลับกัน ถ้าองค์กรมีกลไกที่ทำให้ “ปริมาณงานต่อคนดีขึ้นปีละ 5%” ก็จะดูดซับการขึ้นค่าจ้างได้

การมองการตัดสินใจลงทุนด้านโลจิสติกส์ดิจิทัลในกรอบของ “การแข่งกับอัตราการขึ้นค่าจ้าง” จะช่วยให้อธิบายภายในองค์กรได้ง่ายขึ้นมาก เพราะเป็นกรอบที่ฝ่ายการเงินและฝ่ายบุคคลเข้าใจได้ทันที โดยไม่ต้องพูดเรื่องเทคโนโลยีเลยแม้แต่คำเดียว

ประชากรวัยแรงงานจะเริ่มลดลงตั้งแต่ปี 2026

ปัจจัยที่เป็นเชิงโครงสร้างยิ่งกว่านั้นคือโครงสร้างประชากร รายงานของ JETRO ระบุว่าประชากรวัยแรงงานของไทย (อายุ 15-65 ปี) อยู่ที่ 46.85 ล้านคน ณ ปี 2022 แต่คาดว่าจะเริ่มลดลงตั้งแต่ปี 2026 เป็นต้นไป

นั่นแปลว่าปี 2026 คือจุดเปลี่ยนของตลาดแรงงานไทย ที่ผ่านมากลยุทธ์การสรรหาที่ตั้งอยู่บนสมมติฐานว่า “จะมีคนจากต่างจังหวัดเข้ามาเรื่อย ๆ” ยังใช้ได้ แต่จากนี้ไปฐานประชากรนั้นเองจะหดตัว ซึ่งมีความหมายต่างจากภาวะหาคนยากตามวัฏจักรเศรษฐกิจในบางปีอย่างสิ้นเชิง

การเปลี่ยนแปลงเชิงโครงสร้างลักษณะนี้มีส่วนคล้ายกับที่ภาคการผลิตของญี่ปุ่นเผชิญมาตั้งแต่ปลายทศวรรษ 1990 ซึ่งหมายความว่าองค์ความรู้ด้านการลดการพึ่งพาแรงงานคนที่สั่งสมไว้ฝั่งญี่ปุ่นสามารถนำมาปรับใช้ได้ แต่ก็ต้องระวังเช่นกันว่าบริบทแรงงานและกฎหมายของไทยไม่เหมือนญี่ปุ่น การยกวิธีการมาทั้งชุดโดยไม่ปรับ มักไม่ได้ผล

อีคอมเมิร์ซโตด้วย CAGR 17.28% และเปลี่ยนมาตรฐานที่คลังสินค้าต้องทำได้

แรงกดดันข้อที่สามคือการขยายตัวของอีคอมเมิร์ซ อย่างที่กล่าวไปแล้ว ในตลาดคลังสินค้าอัตโนมัติของอาเซียน เซกเมนต์ค้าปลีกและอีคอมเมิร์ซครองส่วนแบ่งสูงสุดที่ 33.40% ในปี 2025 และมี CAGR ที่ 17.28%

เราคิดว่าการสรุปว่า “บริษัทเราเป็นภาคการผลิตแบบ B2B อีคอมเมิร์ซไม่เกี่ยวกับเรา” เป็นการด่วนสรุปเกินไป เพราะการขยายตัวของโลจิสติกส์อีคอมเมิร์ซจะดันเส้นมาตรฐานการบริการของทั้งอุตสาหกรรมให้สูงขึ้น เมื่อการส่งถึงในวันถัดไป การติดตามสถานะการจัดส่งแบบเรียลไทม์ และการเปิด API ให้ดึงสถานะการจัดส่งกลายเป็นเรื่องปกติในฝั่งอีคอมเมิร์ซ คู่ค้าฝั่ง B2B ก็จะเริ่มคาดหวังระดับเดียวกัน

ในทางปฏิบัติ คำปรึกษาแนวที่ว่า “ลูกค้าปลายทางขอให้ส่งข้อมูลแผนการจัดส่งผ่านการเชื่อมต่อระบบ” เพิ่มขึ้นอย่างเห็นได้ชัดในช่วงสองถึงสามปีที่ผ่านมา และคำขอลักษณะนี้มักมาพร้อมกำหนดเวลาที่สั้น เพราะฝั่งผู้ขอถือว่าเป็นเรื่องพื้นฐาน องค์กรที่ยังจัดการข้อมูลด้วย Excel จะพบว่าตอบสนองได้ยากมาก

นอกจากนี้ ผู้ประกอบการอีคอมเมิร์ซยังเป็นคู่แข่งที่แข็งแกร่งในสนามแย่งชิงบุคลากรด้านโลจิสติกส์ เมื่อผู้เล่นอย่าง SPX Express สร้างเมกะฮับกระจายอยู่ทั่วอาเซียน ก็เท่ากับมาดึงคนจากตลาดแรงงานเดียวกันกับคุณ พูดอีกแบบคือ แรงกดดันจากการขาดแคลนแรงงานกับแรงกดดันจากการขยายตัวของอีคอมเมิร์ซ แท้จริงแล้วเป็นเหรียญคนละด้านของเรื่องเดียวกัน

สถานะจริงของโลจิสติกส์ดิจิทัล — ช่องว่างของอัตราการใช้งานบอกอะไร

จนถึงตรงนี้เป็นเรื่องของ “เหตุผลที่ควรทำ” ต่อจากนี้เราจะดูอย่างเย็นชาว่าในความเป็นจริงเดินหน้าไปถึงไหนแล้ว โดยดูจากข้อมูลอัตราการใช้งานจริง เหตุผลที่เราให้ความสำคัญกับหัวข้อนี้มากที่สุด เพราะการตั้งความคาดหวังให้ถูกต้องคือสิ่งที่ชี้ขาดความสำเร็จหรือความล้มเหลวของโครงการ

เวนเดอร์ 77% มี AI แต่ใช้งานจริงอยู่ที่ 35% และ 10%

ผลสำรวจปี 2026 ของ Inbound Logistics ที่สำรวจผู้ให้บริการ IT ด้านโลจิสติกส์และซัพพลายเชน พบว่าเวนเดอร์ 77% ตอบว่ามีฟังก์ชัน AI ให้บริการ เพิ่มขึ้น 6 จุดจากปีก่อน และเพิ่มขึ้นถึง 27 จุดเมื่อเทียบกับปี 2024 ส่วนการให้บริการ machine learning อยู่ที่ 48% เพิ่มขึ้น 7 จุด พูดได้ว่า ฝั่งผู้ให้บริการติดตั้ง AI เป็นอุปกรณ์มาตรฐานไปแล้ว

แต่ในทางกลับกัน รายงาน “2026 State of Supply Chain Report” ของ Sage ระบุว่า บริษัทโลจิสติกส์ที่ใช้ AI ในการดำเนินงานจริงมีอยู่ 35% และหากดูเฉพาะการใช้ AI ในการดำเนินงานซัพพลายเชนของธุรกิจค้าปลีกและค้าส่ง ตัวเลขที่ขึ้นระบบใช้งานจริงอยู่ที่เพียง 10% เท่านั้น

ฝั่งอุปทานอยู่ที่ 77% แต่ฝั่งอุปสงค์ที่ใช้งานจริงอยู่ที่ 35% หรือ 10% ช่องว่างนี้แสดงให้เห็นว่ามีร่องลึกระหว่าง “การซื้อผลิตภัณฑ์ที่มีฟังก์ชัน AI ติดมาด้วย” กับ “การที่ AI สร้างผลลัพธ์ในงานจริง” การเขียนใน RFP ให้ผู้เสนอราคาระบุว่า “มีฟังก์ชัน AI” นั้นทำได้ง่าย แต่ฟังก์ชันนั้นจะทำงานจริงหรือไม่เป็นคนละประเด็น

สิ่งที่เราถามเสมอเวลานำเสนอคือ “ข้อมูลที่จำเป็นต่อการทำให้ฟังก์ชันนั้นทำงาน มีอยู่ที่หน้างานของคุณแล้วหรือยัง” AI พยากรณ์อุปสงค์ต้องการผลจัดส่งย้อนหลังหลายปี AI ตรวจจับความผิดปกติต้องการข้อมูลเซนเซอร์ในสภาวะปกติเป็นฐานเปรียบเทียบ ถ้าไม่มีข้อมูล อัลกอริทึมที่เก่งแค่ไหนก็ไม่ทำงาน

เรื่องสถานะการนำ AI แบบอัตโนมัติรวมถึง AI Agent มาใช้งาน เราได้เรียบเรียงไว้แล้วในแนวโน้ม AI Agent ปี 2026: DX ภาคการผลิตกับสถานะจริงของ AI แบบอัตโนมัติ ซึ่งในภาคการผลิตก็มีโครงสร้างปัญหาแบบเดียวกัน คือกรณีส่วนใหญ่คอขวดอยู่ที่ความพร้อมของข้อมูล ไม่ใช่ประสิทธิภาพของโมเดล

โจทย์อันดับหนึ่งของลูกค้าคือ “ลดต้นทุน 85%” ซึ่งอยู่ก่อนหน้า AI

ผลสำรวจ Inbound Logistics ปี 2026 ฉบับเดียวกันยังรายงานโจทย์ของฝั่งลูกค้าตามที่เวนเดอร์ IT รับรู้ไว้ด้วย

• การลดต้นทุน: 85% (เพิ่มขึ้น 5 จุดจากปีก่อน)
• การมองเห็นข้อมูล (visibility): 80% (เพิ่มขึ้น 5 จุด)
• การใช้งาน AI: 63% (เป็นหัวข้อที่เพิ่งเพิ่มเข้ามา เพิ่มขึ้น 16 จุด)
• การจัดการข้อมูล: 56% (เพิ่มขึ้น 9 จุด)

อันดับหนึ่งไม่ใช่ AI แต่เป็นการลดต้นทุน ตามด้วยการมองเห็นข้อมูล ส่วนการใช้งาน AI อยู่อันดับสามที่ 63% และการจัดการข้อมูลอยู่ที่ 56% โดยเพิ่มขึ้น 9 จุดจากปีก่อน

ลำดับนี้บอกอะไรได้หลายอย่าง สิ่งที่ลูกค้าเดือดร้อนจริง ๆ ยังคงเป็น “ต้นทุนที่ไม่ยอมลด” และ “การมองไม่เห็นสิ่งที่เกิดขึ้น” ส่วน AI อยู่ในสถานะเครื่องมือที่ความสนใจกำลังเพิ่มขึ้น การที่การรับรู้ปัญหาด้านการจัดการข้อมูลเพิ่มขึ้นถึง 9 จุด เราตีความว่าน่าจะเป็นผลจากการที่บริษัทซึ่งลองใช้ AI ไปแล้วต้องชนกำแพงที่ว่า “ข้อมูลยังไม่พร้อม”

สำหรับผู้บริหารที่กำลังวางแผนงบประมาณ เรามองว่าลำดับนี้ใช้เป็นเช็กลิสต์ได้เลย ถ้าเอกสารเสนอโครงการภายในของคุณเริ่มต้นด้วยคำว่า AI แต่ไม่มีตัวเลขว่าจะลดต้นทุนรายการใดลงเท่าไร โอกาสที่โครงการจะถูกตีกลับหรือหยุดกลางทางจะสูงขึ้นมาก

ความย้อนแย้งของตัวเลข warehouse visibility 44% ที่ลดลง 22 จุดจากปี 2023

ตัวเลขที่ตีความยากที่สุดในผลสำรวจเดียวกันคือตัวนี้ การให้บริการ TMS (ระบบบริหารการขนส่ง) อยู่ที่ 44% ลดลง 7 จุดจากปีก่อน ส่วนการมองเห็นข้อมูลในคลังสินค้าด้วย RFID/IoT ก็อยู่ที่ 44% เช่นกัน และเมื่อเทียบกับปี 2023 ลดลงถึง 22 จุด

ขณะที่ AI เพิ่มขึ้น 27 จุด การมองเห็นข้อมูลในคลังกลับลดลง 22 จุด อาจชวนให้ตีความว่า “การทำ visibility เป็นเทคโนโลยีที่หมดยุคแล้วหรือ” แต่เราไม่คิดเช่นนั้น การตีความที่เป็นไปได้มีอยู่สามแนวทางหลัก

1. การถูกผนวกรวมเป็นฟังก์ชันมาตรฐาน: การมองเห็นข้อมูลด้วย RFID/IoT ไม่ได้เป็นฟังก์ชันเดี่ยวอีกต่อไป แต่ถูกดูดกลืนเข้าไปเป็นฟังก์ชันมาตรฐานของระบบ WMS หรือแพลตฟอร์ม จึงไม่ถูกระบุแยกในฐานะ “บริการที่นำเสนอ”
2. การเปลี่ยนจุดขายของเวนเดอร์: ในพื้นที่นำเสนอที่จำกัด เวนเดอร์เลือกดัน AI ขึ้นมาข้างหน้า และผลัก visibility ไปไว้ด้านหลัง ซึ่งสะท้อนการเปลี่ยนแปลงเชิงการตลาด ไม่ใช่สถานะการใช้งานจริงในตลาด
3. การลงทุนที่ผ่านรอบแรกไปแล้ว: การลงทุนด้าน visibility ของบริษัทขนาดใหญ่และบริษัทที่ก้าวหน้าได้ผ่านรอบแรกไปแล้ว ทำให้ดีลใหม่ลดลง

ไม่ว่าจะเลือกตีความแบบไหน ข้อสรุปในเชิงปฏิบัติก็ไม่เปลี่ยน ตราบใดที่ การมองเห็นข้อมูลยังยืนอยู่ในอันดับสองของโจทย์ฝั่งลูกค้าที่ 80% ก็แปลว่าความต้องการด้าน visibility ไม่ได้หายไปไหน เพียงแต่หลบอยู่ใต้เงาของ AI ในหัวข้อรายการบริการของเวนเดอร์เท่านั้น ในแง่ความเดือดร้อนของหน้างานกลับเข้มข้นขึ้นด้วยซ้ำ

ยิ่งข้อเสนอจากเวนเดอร์เต็มไปด้วยเรื่อง AI เท่าไร ก็ยิ่งเป็นจังหวะที่คุณต้องกลับมาถามตัวเองว่า “ก่อนหน้านั้น เลเยอร์ของการมองเห็นข้อมูลถูกเติมเต็มแล้วหรือยัง” คำถามนี้ไม่มีใครถามแทนคุณได้ เพราะไม่มีเวนเดอร์รายไหนได้ประโยชน์จากการถามมันขึ้นมาเอง

ROI ภายใน 1 ปีมีแค่ 6% ความจริงคือ 2-4 ปี

ในแง่ของการตั้งความคาดหวัง ตัวเลขที่สำคัญที่สุดคือตัวนี้ สถิติซัพพลายเชน AI ปี 2026 ที่ RELEX Solutions และ Open Sky Group รวบรวมไว้ ระบุว่า 85% ขององค์กรเพิ่มการลงทุนด้าน AI ในรอบ 12 เดือนที่ผ่านมา แต่มีเพียง 6% เท่านั้นที่ได้ผลตอบแทนการลงทุนคืนภายใน 1 ปี และบริษัทส่วนใหญ่ใช้เวลา 2-4 ปีจึงจะได้ผลตอบแทนในระดับที่น่าพอใจ

เราคิดว่าตัวเลข “1 ปีได้แค่ 6% ความจริงคือ 2-4 ปี” นี้ ควรถูกเปิดเผยอย่างตรงไปตรงมาตอนขออนุมัติงบประมาณ เพราะถ้าวางแผนบนสมมติฐานว่าจะคืนทุนภายใน 1 ปี พอถึงเดือนที่ 9 ก็จะถูกประเมินว่า “ยังไม่เห็นผล” และโครงการจะถูกสั่งหยุดก่อนขึ้นระบบจริงเพียงนิดเดียว นี่คือรูปแบบความล้มเหลวที่เราเห็นซ้ำแล้วซ้ำเล่าด้วยตาตัวเอง

ในทางกลับกัน ถ้าตกลงกันตั้งแต่ต้นว่า “การคืนทุนใช้เวลา 2-4 ปี แต่ในเดือนที่ 12 ตัวชี้วัดระหว่างทางเหล่านี้ควรดีขึ้นแล้ว” โครงการก็จะทนต่อแรงเหวี่ยงระหว่างทางได้ ตัวชี้วัดระหว่างทางที่ใช้งานได้จริง เช่น อัตราความคลาดเคลื่อนของสต๊อก เวลาที่ใช้ต่อการหยิบสินค้าหนึ่งรายการ จำนวนวันที่ใช้ในการตรวจนับสต๊อก และความผันผวนของ lead time ในการจัดส่ง ตัวชี้วัดเหล่านี้วัดได้ทุกเดือน และสื่อสารกับผู้บริหารได้ง่ายกว่าตัวเลขทางการเงิน

กลุ่ม 15% ที่ “ไม่มีแผนนำ AI มาใช้” ไม่ได้ต่อต้านในเชิงความคิด

สถิติชุดเดียวกันระบุว่า 15% ขององค์กรตอบว่าไม่มีแผนนำ AI มาใช้ในซัพพลายเชน แต่เหตุผลไม่ใช่การต่อต้าน AI ในเชิงความคิด หากเป็น ข้อจำกัดด้านทรัพยากร เป็นหลัก

ข้อนี้ตรงกับความรู้สึกจริงของสำนักงานสาขาญี่ปุ่นในไทยและเวียดนามอย่างมาก เราแทบไม่เคยเจอผู้รับผิดชอบระบบสารสนเทศคนไหนที่พูดว่า “ไม่ต้องการ AI” สิ่งที่พวกเขาพูดคือ “แค่ดูแลระบบหลักกับรับเรื่องจาก help desk ก็เต็มมือแล้ว ไม่มีคนมารันโครงการใหม่” ในบริษัทลูกในต่างประเทศจำนวนมาก ทีม IT มีเพียง 1-3 คน และยังต้องรับงานที่สำนักงานใหญ่ในญี่ปุ่นส่งมาอีกด้วย

ดังนั้นเวลาจัดทำแผนดำเนินการด้านโลจิสติกส์ดิจิทัล จำเป็นต้องกำหนดว่า “ใครจะเป็นคนรัน” ด้วยน้ำหนักเท่ากับการเลือกเทคโนโลยี ถ้าเซ็นสัญญาโดยปล่อยประเด็นนี้ไว้คลุมเครือ โครงการจะหยุดนิ่งอย่างเงียบ ๆ ในสามเดือนหลังคิกออฟ

ทางออกที่เราเห็นว่าได้ผลมีสองแบบ แบบแรกคือกำหนดตัว project owner ฝั่งธุรกิจที่ไม่ใช่คน IT และให้เวลาเขาอย่างเป็นทางการอย่างน้อยสัปดาห์ละหนึ่งวัน แบบที่สองคือให้พาร์ตเนอร์ภายนอกรับบทบาทบริหารโครงการอย่างชัดเจนในสัญญา ไม่ใช่แค่ส่งมอบระบบ ทั้งสองแบบมีต้นทุน แต่ถูกกว่าโครงการที่ค้างกลางทางมาก

ความแตกต่างของแต่ละประเทศในอาเซียน — ไทย เวียดนาม อินโดนีเซีย มาเลเซีย

การเหมารวมทุกอย่างเป็น “อาเซียน” จะทำให้ตัดสินใจผิด ยิ่งเป็นผู้บริหารระดับภูมิภาคที่ดูแลหลายประเทศ ยิ่งคุ้มค่าที่จะเข้าใจความแตกต่างของเงื่อนไขในแต่ละประเทศ

ไทย: EEC คลัสเตอร์ยานยนต์ Land Bridge และ BOI

จุดแข็งของไทยคือคลัสเตอร์อุตสาหกรรมยานยนต์ที่มีความหนาแน่นสูง และสิทธิประโยชน์ทางภาษีในพื้นที่ EEC (เขตพัฒนาพิเศษภาคตะวันออก) Mordor Intelligence เองก็ระบุสองปัจจัยนี้ว่าเป็นแรงหนุนของตลาดไทย ซัพพลายเชนของอุตสาหกรรมยานยนต์มีหลายชั้น มีจำนวนชิ้นส่วนมาก และมีข้อกำหนดด้าน traceability สูง โครงสร้างอุตสาหกรรมแบบนี้ทำให้ความต้องการเชื่อมโยงข้อมูลระหว่างคลังสินค้ากับสายการผลิตอยู่ในระดับสูงตลอดเวลา

ด้านนโยบาย สิทธิประโยชน์ที่ปรับปรุงใหม่ของ BOI (คณะกรรมการส่งเสริมการลงทุน) สำหรับปี 2026-2027 เป็นเรื่องที่ควรจับตา ตามบทวิเคราะห์ของ Alvarez & Marsal สิทธิประโยชน์ครอบคลุมอุตสาหกรรมหลากหลายรวมถึงโลจิสติกส์ โดยมีทั้งการถือหุ้นต่างชาติได้ 100% การยกเว้นภาษีเงินได้นิติบุคคล การยกเว้นอากรขาเข้า และสิทธิในการถือครองที่ดิน สำหรับบริษัทที่กำลังพิจารณาลงทุนในอุปกรณ์คลังสินค้าอัตโนมัติหรือระบบไอที การจัดจังหวะแผนการลงทุนให้สอดคล้องกับกรอบสิทธิประโยชน์นี้ได้หรือไม่ จะสร้างความแตกต่างด้านต้นทุนอย่างเป็นรูปธรรม อย่างน้อยที่สุด การตรวจสอบว่าโครงการของคุณเข้าข่ายรับสิทธิ BOI หรือไม่ก่อนตัดสินใจลงทุน ถือว่าคุ้มค่าอย่างยิ่ง

ด้านโครงสร้างพื้นฐาน โครงการ Land Bridge (ชุมพร-ระนอง) กำลังเดินหน้า ตามคำอธิบายที่เผยแพร่บน Lexology โครงการนี้ใช้รูปแบบ PPP Net Cost ด้วยสัมปทาน 50 ปี โดย สนข. (สำนักงานนโยบายและแผนการขนส่งและจราจร หรือ OTP) กำลังเตรียมเอกสารประกวดราคา ตั้งเป้าเริ่มก่อสร้างในปี 2026 และคาดว่าระยะที่ 1 จะเปิดใช้งานในปี 2030 ขอบเขตของโครงการครอบคลุมท่าเรือ โครงสร้างพื้นฐานด้านโลจิสติกส์ ทางรถไฟ นิคมอุตสาหกรรม และคลังสินค้า รวมถึงเทคโนโลยีด้านพิธีการศุลกากรและการอำนวยความสะดวกทางการค้า ตลอดจนโครงสร้างพื้นฐานดิจิทัล

Land Bridge ยังอยู่ในขั้นตอนก่อนเริ่มก่อสร้าง จึงไม่มีหลักประกันว่าจะเดินหน้าตามแผน แต่ประเด็นที่น่าสนใจคือ เทคโนโลยีด้านพิธีการศุลกากร การอำนวยความสะดวกทางการค้า และโครงสร้างพื้นฐานดิจิทัล ถูกบรรจุไว้ในแนวคิดโครงการตั้งแต่ต้น หากในอนาคตโครงสร้างพื้นฐานระดับประเทศตั้งอยู่บนสมมติฐานว่าเป็นดิจิทัล องค์กรที่ยังจัดการเอกสารและข้อมูลด้วยกระดาษกับ Excel ก็จะเชื่อมต่อเข้ากับระบบเหล่านั้นไม่ได้ เรามองว่ามุมมองนี้ควรถูกใส่ไว้ในแผนไอทีระยะกลางที่มองไปถึงปี 2030

ด้านบุคลากร ตามที่รายงานตลาดระบุไว้ ไทยได้ดำเนินการลงทุนด้านการฝึกอบรมบุคลากรโลจิสติกส์มูลค่าราว 200 ล้านดอลลาร์สหรัฐ และวางตำแหน่งกรุงเทพฯ ให้เป็นฮับเชื่อมโยง บริบทที่ว่าประเทศทุ่มงบไม่เพียงกับอุปกรณ์แต่กับทักษะของผู้ปฏิบัติงานด้วย เป็นวัตถุดิบที่ใช้อธิบายภายในองค์กรได้ดี โดยเฉพาะเวลาต้องขออนุมัติงบฝึกอบรมซึ่งมักถูกตัดเป็นรายการแรก

นอกจากนี้ กรณีศึกษาที่ถูกหยิบยกในรายงานตลาดฉบับเดียวกัน คือการที่ Daifuku ขยายธุรกิจ intralogistics ในไทย และผลิต AS/RS (ระบบคลังสินค้าอัตโนมัติ) ในประเทศเพื่อส่งออกไปยังสิงคโปร์ มาเลเซีย และเวียดนาม ซึ่งสะท้อนตำแหน่งของไทยได้ดี ไทยกำลังกลายเป็นทั้ง “ปลายทางของการติดตั้ง” และ “ฐานการผลิตอุปกรณ์อัตโนมัติ” ไปพร้อมกัน ในแง่ของระบบซัพพอร์ตในประเทศและการจัดหาอะไหล่สำรอง ความหมายของเรื่องนี้ไม่เล็กเลย เพราะเวลาอุปกรณ์หยุดทำงาน ระยะเวลารออะไหล่คือสิ่งที่กำหนดความเสียหายจริง

เวียดนาม: CAGR 13%, VILOG 2026 และโครงการเปลี่ยนผ่านสู่ดิจิทัลระดับชาติ

เวียดนามเป็นตลาดที่คาดว่าจะมี CAGR 13% เร็วที่สุดในภูมิภาคจนถึงปี 2031 เบื้องหลังคือการสร้างเมกะฮับของ Shopee และ SPX Express

ด้านนโยบาย ภายใต้ National Digital Transformation Program 2030 มีการผลักดันการนำ WMS, TMS, AI, IoT และบล็อกเชนมาใช้ ตามรายงานของ VOV งาน VILOG 2026 ที่จัดขึ้นในนครโฮจิมินห์ชูธีมโลจิสติกส์อัจฉริยะและโลจิสติกส์สีเขียว ขณะที่ Vietnam SuperPort ได้เผยแพร่โรดแมปการทำดิจิทัลซึ่งครอบคลุมการบริหารคลังสินค้าด้วย AI การติดตามสต๊อกแบบเรียลไทม์ และการพยากรณ์อุปสงค์

สิ่งที่ต้องระวังในเวียดนามคือ อัตราการเติบโตที่สูงไม่ได้แปลว่านำระบบมาใช้ได้ง่าย CAGR 13% หมายความว่าตลาดกำลังขยายตัวอย่างรวดเร็ว ซึ่งกลับด้านกันก็คืออุปทานด้านบุคลากร เวนเดอร์ และโครงสร้างพื้นฐานอาจตามอุปสงค์ไม่ทัน เวลาคัดเลือกเวนเดอร์ ควรตรวจสอบไม่เพียงว่ามีสำนักงานขายในประเทศหรือไม่ แต่ต้องลงลึกถึงว่ามีวิศวกรที่ให้บริการบำรุงรักษาได้จริงอยู่ในประเทศกี่คน

ในทางกลับกัน สภาพแวดล้อมที่นโยบายรัฐหนุนการทำดิจิทัลอย่างชัดเจน ถือเป็นแรงส่งที่ดีต่อการสร้างฉันทามติภายในองค์กร คำอธิบายว่า “สอดคล้องกับทิศทางของโครงการระดับชาติ” เป็นเหตุผลที่ใช้ได้ผลทั้งกับสำนักงานใหญ่ในญี่ปุ่นและกับหน่วยงานราชการในพื้นที่

อินโดนีเซีย: ตลาดใหญ่ที่สุดด้วยส่วนแบ่ง 28.63%

อินโดนีเซียเป็นตลาดใหญ่ที่สุด ครองส่วนแบ่ง 28.63% ของตลาดคลังสินค้าอัตโนมัติในอาเซียน ณ ปี 2025 โดยมี Cikarang Dry Port เป็นตัวขับเคลื่อน เมื่อพิจารณาจากขนาดประชากรและความหนาแน่นของตลาดอีคอมเมิร์ซแล้ว ตำแหน่งนี้ถือว่าสมเหตุสมผล

อย่างไรก็ตาม อินโดนีเซียเป็นประเทศหมู่เกาะในเชิงภูมิศาสตร์ เงื่อนไขด้านโลจิสติกส์ระหว่างพื้นที่รอบจาการ์ตากับพื้นที่อื่นแตกต่างกันมาก จึงต้องระวังไม่ให้นำตัวเลขที่ว่า “ตลาดอินโดนีเซียโดยรวมมีขนาดใหญ่” ไปปนกับเงื่อนไขจริงของพื้นที่ที่ฐานผลิตของคุณตั้งอยู่ ตัวเลขระดับประเทศบอกเรื่องโอกาสทางการตลาด แต่ไม่ได้บอกว่าคลังของคุณจะหาผู้รับเหมาติดตั้งได้หรือไม่

มาเลเซียและสิงคโปร์: การลงทุนคลังสินค้าอัจฉริยะขนาดใหญ่

ขอยกตัวอย่างดีลการลงทุนในปี 2025 ที่ถูกรายงานในฐานะแนวโน้มของตลาดคลังสินค้าอัตโนมัติ ในมาเลเซีย เดือนสิงหาคม 2025 S P Setia ประกาศความร่วมมือกับ ALP Taiwan เพื่อพัฒนาแคมปัสคลังสินค้าอัจฉริยะมูลค่ารวมราว 900 ล้านดอลลาร์สหรัฐที่กลัง และในเดือนธันวาคม 2025 Chin Hin Group กับ PTT Synergy ได้จัดตั้งบริษัทร่วมทุนเพื่อขยายคลังสินค้าอัจฉริยะในพื้นที่ Klang Valley และปีนัง

ส่วนในสิงคโปร์ เดือนกรกฎาคม 2025 NCS Group ได้เริ่มโปรแกรมการวิเคราะห์เชิงพยากรณ์สำหรับหุ่นยนต์ในคลังสินค้า มูลค่าราว 130 ล้านดอลลาร์สิงคโปร์

จุดร่วมของดีลเหล่านี้คือ ไม่ใช่การสร้างแค่ “ตัวอาคารคลังสินค้า” แต่ถูกออกแบบบนสมมติฐานว่ามีข้อมูลและซอฟต์แวร์เป็นแกนตั้งแต่ต้น ในรูปของ “คลังสินค้าอัจฉริยะ” และ “การวิเคราะห์เชิงพยากรณ์” การที่สเปกมาตรฐานของคลังสินค้าสร้างใหม่ในภูมิภาคยกระดับขึ้น ก็หมายความว่าการดำเนินงานของคลังสินค้าเดิมจะดูด้อยลงโดยเปรียบเทียบไปเรื่อย ๆ แม้จะไม่ได้แย่ลงในเชิงสัมบูรณ์ก็ตาม

สิ่งที่นำไปใช้ได้จริงจากการเปรียบเทียบรายประเทศ

คำถามที่เราได้รับบ่อยจากบริษัทที่มีฐานหลายประเทศคือ “ควรเริ่มจากประเทศไหนก่อน” คำตอบของเราคือ ไม่ควรเริ่มจากประเทศที่มีอัตราการเติบโตสูงที่สุด แต่ควรเริ่มจาก ฐานที่ข้อมูลพร้อมที่สุด

เหตุผลนั้นเรียบง่าย ถ้าโครงการแรกไม่สำเร็จ งบประมาณของฐานที่สองก็จะไม่ถูกอนุมัติ ถ้าเลือกไปลองเสี่ยงในประเทศที่โตเร็วแต่สภาพแวดล้อมด้านเวนเดอร์ยังไม่สุกงอมแล้วล้มเหลว โลจิสติกส์ดิจิทัลของทั้งภูมิภาคจะช้าไปหลายปี การสร้างต้นแบบให้สำเร็จในฐานที่เงื่อนไขดีก่อน แล้วค่อยขยายผลไปยังฐานอื่น จะทำให้ภาพรวมเดินเร็วกว่าในท้ายที่สุด

เกณฑ์ที่เราใช้ประเมินว่าฐานไหน “ข้อมูลพร้อม” มีสามข้อง่าย ๆ คือ มีระบบ WMS หรือ ERP ที่บันทึกธุรกรรมจริงอยู่แล้วหรือไม่ มีคนหน้างานที่พูดเรื่องข้อมูลรู้เรื่องอย่างน้อยหนึ่งคนหรือไม่ และผู้บริหารฐานนั้นเข้าใจว่าโครงการนี้กินเวลาเกินหนึ่งปีหรือไม่ สามข้อนี้สำคัญกว่าขนาดของฐานมาก

จะประกอบ WMS, TMS, IoT และ AI เข้าด้วยกันอย่างไร

เข้าสู่เรื่องเทคโนโลยี คำว่าโลจิสติกส์ดิจิทัลครอบคลุมเทคโนโลยีหลายอย่าง ถ้าจับมารวมเป็นก้อนเดียวการสนทนาจะไม่ตรงกัน เราจึงแยกออกเป็นสี่เลเยอร์เพื่อจัดระเบียบความคิด

เลเยอร์ที่ 1: ระบบ WMS (ระบบบริหารคลังสินค้า) — ฐานรากของทุกอย่าง

ระบบ WMS คือระบบที่บันทึกตำแหน่ง จำนวน และสถานะของสินค้าคงคลัง พร้อมจัดการธุรกรรมการรับเข้า จ่ายออก และการตรวจนับ ในบริบทของโลจิสติกส์ดิจิทัล มันอาจดูไม่หวือหวา แต่ ถ้าเลเยอร์นี้ไม่แน่น เลเยอร์ที่อยู่ข้างบนจะไม่ทำงานเลยแม้แต่ชั้นเดียว

เหตุผลคือเลเยอร์ที่อยู่สูงกว่าทั้งหมดล้วนบริโภคข้อมูลที่ WMS สร้างขึ้น AI พยากรณ์อุปสงค์ต้องการข้อมูลผลการจัดส่ง หุ่นยนต์ขนย้ายอัตโนมัติต้องการข้อมูลตำแหน่งจัดเก็บที่ถูกต้อง แดชบอร์ดสำหรับการมองเห็นข้อมูลต้องการธุรกรรมสินค้าคงคลัง หากยังไม่มี WMS หรือมีแล้วแต่หน้างานไม่ได้ใช้อย่างถูกต้อง ไม่ว่าจะวางอะไรทับข้างบนก็จะเป็นวิมานในอากาศ

สิ่งที่เราเห็นบ่อยในหน้างานที่ไทยคือกรณีที่ “ติดตั้ง WMS แล้ว” แต่สภาพจริงไม่ได้เป็นไปตามนั้น ตัวอย่างที่พบทั่วไปคือสภาพต่อไปนี้

• ลงทะเบียนการรับเข้าใน WMS แต่การเคลื่อนย้ายระหว่างกระบวนการยังจัดการด้วย Excel
• มีการจัดการตำแหน่งจัดเก็บอยู่ในระบบ แต่ในทางปฏิบัติใช้กันแบบ “ประมาณแถว ๆ นี้”
• ปรับยอดผลต่างจากการตรวจนับในระบบให้ตรงกันเลย ทำให้ไม่สามารถสืบย้อนสาเหตุของผลต่างได้
• ข้อมูลจริงจากหน้างานถูกส่งออกเป็น Excel รายวัน และการวิเคราะห์ทั้งหมดหลังจากนั้นทำบน Excel
• ข้อมูลหลักของสินค้ามีหลายเวอร์ชัน โดยแต่ละแผนกดูแลไฟล์ของตัวเอง

สภาพเหล่านี้ในเชิงสถิติ “อัตราการติดตั้ง WMS” จะถูกนับว่าติดตั้งแล้ว แต่ในฐานะสินทรัพย์ข้อมูลกลับใช้งานไม่ได้ เวลาวางแผนโลจิสติกส์ดิจิทัล การสำรวจสภาพจริงตรงนี้อย่างตรงไปตรงมาคือจุดตั้งต้น และเราขอย้ำว่าการยอมรับความจริงในขั้นนี้ไม่ใช่การประจานใคร แต่เป็นการประหยัดเงินและเวลาให้องค์กรอย่างมหาศาล

เลเยอร์ที่ 2: ระบบ TMS (ระบบบริหารการขนส่ง) และการมองเห็นข้อมูล

ขณะที่ WMS ดูแลสิ่งที่อยู่ภายในคลัง TMS ดูแลสิ่งที่อยู่ภายนอกคลัง นั่นคือการวางแผน การดำเนินการ และผลลัพธ์ของการขนส่งและกระจายสินค้า ผลสำรวจ Inbound Logistics ปี 2026 ระบุว่าการให้บริการ TMS อยู่ที่ 44% ลดลง 7 จุดจากปีก่อน แต่เมื่อพิจารณาว่าโจทย์อันดับสองของลูกค้าคือการมองเห็นข้อมูลที่ 80% การตีความว่าความต้องการมองเห็นข้อมูลในพื้นที่การขนส่งยังคงสูงอยู่ จึงเป็นการตีความที่เป็นธรรมชาติกว่า

ในเลเยอร์เดียวกันนี้ยังรวมถึงการมองเห็นข้อมูลในคลังสินค้าด้วย RFID/IoT ทั้งเซนเซอร์ เครื่องอ่านบาร์โค้ดแบบมือถือ เครื่องอ่านที่ประตู และการเก็บข้อมูลการทำงานของเครื่องจักร ทั้งหมดนี้คือชั้นกายภาพที่แปลงการเคลื่อนไหวของของจริงให้กลายเป็นข้อมูลดิจิทัล

สิ่งที่ทำให้การตัดสินใจลงทุนในเลเยอร์นี้ยาก คือลำพังตัวมันเองแทบไม่สร้างผลลดต้นทุนโดยตรง การมองเห็นข้อมูลไม่ได้ลดอะไรลงด้วยตัวมันเอง ผลลัพธ์จะเกิดขึ้นก็ต่อเมื่อคุณเปลี่ยนวิธีการทำงานหลังจากที่มองเห็นแล้ว ด้วยเหตุนี้ เวลานำเสนอการลงทุนด้าน visibility จึงจำเป็นต้องกำหนดควบคู่กันไปว่า “เมื่อมองเห็นแล้วจะเปลี่ยนอะไร” ไม่ใช่แค่ “จะมองเห็นอะไรบ้าง”

คำถามที่เราใช้ตรวจสอบข้อเสนอในเลเยอร์นี้คือ “ถ้าแดชบอร์ดขึ้นเป็นสีแดง ใครจะทำอะไรภายในกี่ชั่วโมง” ถ้าตอบไม่ได้ แสดงว่ายังไม่พร้อมลงทุน เพราะสุดท้ายจะได้แดชบอร์ดสวย ๆ ที่ไม่มีใครเปิดดูหลังผ่านไปสามเดือน

เลเยอร์ที่ 3: อุปกรณ์อัตโนมัติ (AS/RS, AMR, ระบบคัดแยกอัตโนมัติ)

นี่คือเลเยอร์ของการทำอัตโนมัติในเชิงกายภาพ อย่างที่กล่าวไปแล้ว มีสถานการณ์ที่ Daifuku ขยายธุรกิจ intralogistics ในไทยและผลิต AS/RS ในประเทศ ซึ่งทำให้การจัดหาและการซัพพอร์ตในภูมิภาคนี้ง่ายขึ้นกว่าเมื่อก่อน

ในการตัดสินใจลงทุนอุปกรณ์อัตโนมัติ เราแนะนำให้ตรวจสอบสามข้อต่อไปนี้

• ความเสถียรของโปรไฟล์การจัดส่ง: โครงสร้างรายการสินค้าและรูปแบบการจัดส่งเสถียรในระดับหลายปีหรือไม่ ในหน้างานที่เปลี่ยนบ่อย การคืนทุนของอุปกรณ์ที่ติดตั้งตายตัวจะทำได้ยาก
• ระดับปริมาณงานในเชิงสัมบูรณ์: ประโยชน์ของระบบอัตโนมัติแปรผันตามปริมาณงาน ถ้าจำนวนรายการที่ประมวลผลต่อวันไม่ถึงระดับหนึ่ง ภาระค่าเสื่อมราคาจะมากกว่าการประหยัดค่าแรง
• ความถูกต้องของข้อมูลต้นน้ำ: หุ่นยนต์ขนย้ายอัตโนมัติทำงานบนสมมติฐานว่าข้อมูลตำแหน่งจัดเก็บและข้อมูลสต๊อกถูกต้อง ถ้าใส่ระบบอัตโนมัติเข้าไปในสภาพที่ข้อมูลไม่แม่นยำ จำนวนคนที่ต้องมาจัดการ error จะเพิ่มขึ้น กลายเป็นผลเสียแทน

ข้อที่สามคือข้อที่ถูกมองข้ามมากที่สุด ขอย้ำให้ชัดว่า ระบบอัตโนมัติเป็นเทคโนโลยีที่ เรียกร้อง ความแม่นยำของข้อมูล ไม่ใช่เทคโนโลยีที่ช่วย ยกระดับ ความแม่นยำของข้อมูลให้คุณ

เลเยอร์ที่ 4: AI สำหรับซัพพลายเชน

เลเยอร์บนสุดคือ AI ซึ่งครอบคลุมการพยากรณ์อุปสงค์ การหาจุดเหมาะสมของสินค้าคงคลัง การหาเส้นทางขนส่งที่เหมาะสม การตรวจจับความผิดปกติ และการทำงานเอกสารอัตโนมัติ

สิ่งสำคัญในเลเยอร์นี้คือข้อจำกัดที่ว่า มันได้ผลเฉพาะในขอบเขตที่สามเลเยอร์ล่างถูกเติมเต็มแล้วเท่านั้น ช่องว่างที่กล่าวถึงในหัวข้อก่อนหน้า ที่เวนเดอร์ 77% ให้บริการฟังก์ชัน AI แต่การใช้งานจริงอยู่ที่ 35% (และ 10% ในธุรกิจค้าปลีกกับค้าส่ง) เราเข้าใจว่าคือการแสดงออกของข้อจำกัดข้อนี้โดยตรง

แต่ก็มีข้อยกเว้น AI ในสายงานเอกสาร เช่น AI-OCR ที่แปลงข้อมูลไม่มีโครงสร้างอย่างใบแจ้งหนี้ เอกสารพิธีการศุลกากร และใบสั่งซื้อ ให้กลายเป็นข้อมูลที่มีโครงสร้าง มักสร้างผลลัพธ์ได้ด้วยตัวเองโดยไม่ขึ้นกับความสมบูรณ์ของระบบเดิม ถือเป็นข้อยกเว้นไม่กี่ข้อของหลักการที่ว่า “AI ต้องรอให้เลเยอร์ล่างเต็มก่อน” เราจะขยายความเรื่องนี้ในหัวข้อถัดไป

หลักการเรื่องลำดับการติดตั้ง: สร้างจากล่างขึ้นบน โดยมีข้อยกเว้นเพียงข้อเดียว

สรุปแล้ว ลำดับที่เราแนะนำมีดังนี้

1. ยกระดับคุณภาพการใช้งานจริงของระบบ WMS (ทั้งการติดตั้งใหม่หรือการแก้ไขวิธีใช้งานของระบบเดิม)
2. เติมเต็มเลเยอร์ของการมองเห็นข้อมูล (IoT/RFID และการเก็บข้อมูลผลการทำงานอัตโนมัติ)
3. วาง AI ทับลงไป (การพยากรณ์ การหาจุดเหมาะสม การตรวจจับความผิดปกติ)
4. พิจารณาการทำอัตโนมัติเชิงกายภาพ (เริ่มจากพื้นที่ที่เงื่อนไขด้านปริมาณงานและความเสถียรครบถ้วน)

แต่ AI สำหรับงานเอกสาร (เช่น AI-OCR) สามารถเริ่มได้เร็วโดยไม่ขึ้นกับลำดับนี้ เพราะระยะเวลาจนเห็นผลสั้น และหน้างานรู้สึกได้ทันทีว่าภาระลดลง จึงเป็นหัวข้อที่ใช้เป็นก้าวแรกของโลจิสติกส์ดิจิทัลได้ง่ายที่สุด

สิ่งที่ TOMAS TECH เห็นจากหน้างานจริง

ขออนุญาตเล่าเรื่องของเราสักเล็กน้อย ที่ผ่านมาทั้งหมดเป็นการเรียบเรียงจากข้อมูลตลาดและหลักการทั่วไป แต่ในหน้างานจริงมีเรื่องที่ดิบและติดดินกว่านั้นเกิดขึ้นอยู่เสมอ

TOMAS TECH มีฐานอยู่ในกรุงเทพฯ ให้บริการวางระบบสำหรับโรงงานและฐานโลจิสติกส์ของบริษัทญี่ปุ่นในไทยและประเทศรอบข้าง โดยมี PEGASUS ระบบบริหารการผลิตที่เราพัฒนาเองเป็นแกนหลัก และทำงานในพื้นที่อื่น ๆ ด้วย ได้แก่ การเก็บข้อมูลเครื่องจักรด้วย IoT, AI-OCR สำหรับงานเอกสารพิธีการศุลกากรและเอกสารการสั่งซื้อ, ระบบบริหารพลังงาน และโซลูชัน FA/หุ่นยนต์

“ในหน้างานที่ข้อมูลไม่มีโครงสร้าง ระบบอัตโนมัติจะไม่ได้ผล”

จากโครงการจำนวนมากที่ผ่านมา นี่คือสิ่งที่เรารู้สึกได้หนักแน่นที่สุด

เวลาการนำระบบอัตโนมัติหรือ AI มาใช้ไม่ราบรื่น สาเหตุส่วนใหญ่ไม่ได้อยู่ที่อัลกอริทึมหรือตัวอุปกรณ์ แต่อยู่ที่ข้อมูลฝั่งขาเข้า วิธีตั้งรหัสสินค้าระหว่างโรงงานกับคลังไม่ตรงกัน ชิ้นส่วนเดียวกันถูกลงทะเบียนด้วยชื่อเรียกหลายแบบ รูปแบบวันที่ต่างกันไปตามผู้บันทึก หน่วยนับปนกันระหว่าง PCS กับ BOX ถ้าวางระบบชั้นบนลงไปทั้งที่สภาพยังเป็นแบบนี้ ผลลัพธ์คือคนต้องมานั่งจัดการกองงานยกเว้น และงานกลับเพิ่มขึ้นแทนที่จะลด

ด้วยเหตุนี้ เวลามีการปรึกษาเรื่องการนำ AI มาใช้ เราจึงเริ่มจากการขอดูสภาพจริงของข้อมูลก่อน โดยดูสามตัว คือ อัตราการซ้ำซ้อนของข้อมูลหลัก อัตราการขาดหายของข้อมูลธุรกรรม และสัดส่วนของรายการที่ต้องกรอกด้วยมือ แค่ดูสามตัวนี้ก็พอจะเห็นคร่าว ๆ แล้วว่าโครงการนั้นจะใช้เวลากี่เดือน และควรตั้งงบเท่าไร

สำหรับเรื่องที่ว่า AI Agent แบบอัตโนมัติสามารถเข้าไปมีบทบาทในหน้างานการผลิตได้ลึกแค่ไหนแล้ว เราเขียนไว้อย่างละเอียดในแนวโน้ม AI Agent ปี 2026: DX ภาคการผลิตกับสถานะจริงของ AI แบบอัตโนมัติ และข้อสรุปที่นั่นก็เหมือนกัน คือการที่เอเจนต์จะตัดสินใจได้เองนั้น ข้อมูลที่ใช้เป็นวัตถุดิบในการตัดสินใจต้องมีอยู่ในรูปแบบที่เครื่องอ่านได้ การจัดระเบียบข้อมูลไม่ได้หมดความสำคัญในยุค AI แต่กลับสำคัญมากขึ้นกว่าเดิม

ทำไม AI-OCR จึงมักกลายเป็น “ก้าวแรก”

สิ่งที่เราเสนอเป็นอันดับแรกบ่อยที่สุดในสายโลจิสติกส์คือการทำ AI-OCR กับเอกสารพิธีการศุลกากรและเอกสารการสั่งซื้อ ด้วยเหตุผลสามข้อ

1. ไม่ต้องแก้ไขระบบเดิม: การแปลงกระดาษหรือ PDF ให้เป็นข้อมูลที่มีโครงสร้าง สามารถทำให้จบได้นอกระบบหลัก จึงเริ่มได้โดยไม่ต้องแตะระบบ WMS หรือ ERP ที่ใช้อยู่ ความเสี่ยงจึงต่ำ
2. วัดผลได้ชัดเจน: “วันหนึ่งประมวลผลเอกสารกี่ฉบับ ใช้เวลากี่นาที” เป็นสิ่งที่วัดได้ง่าย การเปรียบเทียบก่อนและหลังจึงชัดเจน ทำให้รายงานผลย้อนกลับไปยังผู้อนุมัติงบทำได้ง่าย
3. หน้างานต่อต้านน้อย: เพราะไม่ได้ไปแย่งงานของคน แต่ไปรับภาระงานคีย์ข้อมูลซ้ำซากที่ไม่มีใครอยากทำ การยอมรับจากหน้างานจึงดี

ในการเริ่มต้นทำโลจิสติกส์ดิจิทัล สิ่งที่สำคัญที่สุดคือการสร้างประสบการณ์ความสำเร็จ ถ้าหน้างานรู้สึกได้จากโครงการแรกว่า “งานเบาขึ้นจริง” คุณจะได้รับความร่วมมือในโครงการที่สองและสาม ในทางกลับกัน ถ้าเปิดหัวด้วยการรื้อระบบครั้งใหญ่จนหน้างานอ่อนล้า หลังจากนั้นอีกสองถึงสามปีจะไม่มีข้อเสนอไหนผ่านเลย นี่ไม่ใช่การพูดให้ดูน่ากลัว แต่เป็นสิ่งที่เราเห็นเกิดขึ้นจริงกับหลายองค์กร

IoT และระบบบริหารพลังงานในฐานะประตูอีกบานหนึ่ง

อีกเรื่องที่เราทำบ่อยคือการเก็บข้อมูลเครื่องจักรด้วย IoT และระบบบริหารพลังงาน อาจดูเหมือนออกนอกบริบทของโลจิสติกส์ดิจิทัลไปเล็กน้อย แต่จริง ๆ แล้วเกี่ยวข้องกันอย่างมาก

ต้นทุนพลังงานของคลังสินค้า ไม่ว่าจะเป็นระบบปรับอากาศ แสงสว่าง หรือห้องเย็นและห้องแช่แข็ง ในบางฐานคิดเป็นสัดส่วนของต้นทุนโลจิสติกส์ที่ละเลยไม่ได้ และข้อมูลการใช้ไฟฟ้าก็เป็นกระจกที่สะท้อนสถานะการทำงานของอุปกรณ์ด้วย บางครั้งรูปแบบการใช้พลังงานที่ผิดปกติทำให้มองเห็นการเสื่อมสภาพของอุปกรณ์หรือความสูญเปล่าในการทำงาน ซึ่งกลายเป็นวัตถุดิบที่ช่วยยกระดับความคุ้มค่าของการลงทุนในเลเยอร์การมองเห็นข้อมูล

นอกจากนี้ โครงสร้างพื้นฐานสำหรับเก็บข้อมูล IoT เมื่อสร้างขึ้นครั้งเดียวแล้วก็ขยายการใช้งานต่อได้ง่าย เริ่มจากการบริหารพลังงานก่อน แล้วต่อยอดไปยังอัตราการเดินเครื่องของอุปกรณ์ หรือการควบคุมอุณหภูมิและความชื้น (ซึ่งสำคัญเป็นพิเศษในโลจิสติกส์เฮลท์แคร์ที่ต้องปฏิบัติตาม GDP) โดยใช้โครงสร้างพื้นฐานเดียวกัน ดังที่กล่าวไปแล้ว เซกเมนต์เฮลท์แคร์ในตลาดคลังสินค้าอัตโนมัติของอาเซียนคาดว่าจะเติบโตในระดับสูงที่ CAGR 13.81% และข้อกำหนดด้านการบันทึกข้อมูลตามมาตรฐาน GDP มีแนวโน้มจะเข้มงวดขึ้นเรื่อย ๆ ต่อจากนี้

แผนการดำเนินงานที่เป็นจริงได้ในกรอบ 6 ถึง 18 เดือน

สุดท้ายขอพูดถึงแผนดำเนินการ บนพื้นฐานความจริงที่ว่า ROI ใช้เวลา 2-4 ปี คำถามคือจะออกแบบ 18 เดือนแรกอย่างไร

ขั้นที่ 1 (เดือนที่ 0-1): สำรวจกระบวนการทำงานและข้อมูล

เริ่มจากการเขียนสภาพปัจจุบันออกมาอย่างตรงไปตรงมา จุดสำคัญคือให้เขียน โฟลว์การทำงานจริง ไม่ใช่ผังโครงสร้างระบบ วัตถุประสงค์ของขั้นตอนนี้คือการค้นหาช่องว่าง เช่น งานที่ในผังระบบควรจบภายใน WMS แต่ในความเป็นจริงกลับต้องผ่าน Excel ถึงสองรอบ

โดยเฉพาะให้สำรวจสิ่งต่อไปนี้

• ในแต่ละขั้นตอนตั้งแต่รับเข้าจนถึงจัดส่ง ใครกรอกอะไรลงในระบบใด
• จุดที่มี Excel หรือไฟล์ที่ทำด้วยมืออื่น ๆ เข้ามาแทรก
• จุดที่ต้องกรอกข้อมูลเดียวกันตั้งแต่สองครั้งขึ้นไป (การกรอกซ้ำเป็นตัวเลือกอันดับหนึ่งของพื้นที่ที่ปรับปรุงได้)
• เอกสารที่ยังเดินด้วยกระดาษ และจำนวนฉบับต่อเดือน

ขั้นตอนนี้เน้นการสัมภาษณ์หน้างานเป็นหลัก และไม่สามารถทำให้จบได้ด้วยเวนเดอร์ภายนอกฝ่ายเดียว การที่คุณสามารถมอบหมายบุคลากรหลักจากหน้างานได้อย่างน้อยหนึ่งคนหรือไม่ คือสิ่งที่ชี้ขาดความสำเร็จของโครงการทั้งหมด

ขั้นที่ 2 (เดือนที่ 1-2): ตรวจสุขภาพข้อมูล

ต่อมาคือการตรวจสอบคุณภาพของข้อมูลที่สะสมอยู่ในระบบเดิม โดยเน้นสามตัวที่กล่าวไปแล้ว คือ อัตราการซ้ำซ้อนของข้อมูลหลัก อัตราการขาดหายของข้อมูลธุรกรรม และสัดส่วนของรายการที่กรอกด้วยมือ

ในขั้นนี้บางครั้งข้อสรุปที่ได้อาจเป็น “ข้อมูลยังไม่พอที่จะวาง AI ลงไป” นั่นไม่ใช่ความล้มเหลว แต่คือผลการวินิจฉัยที่ถูกต้อง เมื่อรู้ว่าข้อมูลยังไม่พอ แล้วตัดสินใจเลื่อนโครงการ AI ออกไปหนึ่งปี พร้อมใช้เวลาหนึ่งปีนั้นสร้างกลไกเก็บข้อมูล ก็เท่ากับคุณได้หลีกเลี่ยงการลงทุนที่สูญเปล่าไปแล้ว ในทางบัญชี นี่คือมูลค่าที่จับต้องได้ แม้จะไม่ปรากฏในรายงานผลงานของใครก็ตาม

ขั้นที่ 3 (เดือนที่ 2-5): PoC ขนาดเล็ก

ทำ PoC ในขอบเขตที่จำกัด เกณฑ์ของคำว่า “เล็ก” คือ ได้ผลลัพธ์ภายใน 3 เดือน และถ้าล้มเหลวก็ไม่ทำให้งานจริงหยุดชะงัก

วิธีเลือกหัวข้อ ควรเลือกสิ่งที่มีคุณสมบัติต่อไปนี้

• วัดผลเป็นตัวเลขได้ (เวลาที่ใช้ จำนวนข้อผิดพลาด ผลต่างสต๊อก ฯลฯ)
• เกี่ยวข้องกับแผนกจำนวนน้อย (ยิ่งข้ามแผนกมาก ต้นทุนการประสานงานยิ่งสูง)
• ส่งผลกระทบต่อระบบเดิมอย่างจำกัด
• เป็นงานที่หน้างานรู้ตัวเองว่า “กำลังลำบากอยู่”

การประมวลผลเอกสารด้วย AI-OCR ที่กล่าวไปแล้ว เป็นหัวข้อที่มีแนวโน้มเข้าเงื่อนไขทั้งสี่ข้อนี้ได้ครบ จึงเป็นตัวเลือกยอดนิยมสำหรับ PoC แรก

ขั้นที่ 4 (เดือนที่ 5-7): ออกแบบราวกันตก

เมื่อ PoC ได้ผลแล้ว ก่อนขยายสู่การใช้งานจริงต้องกำหนดกติกาก่อน สิ่งที่เราเรียกว่า “ราวกันตก” (guardrail)

• ผลลัพธ์ที่ AI หรือระบบให้ออกมา ใครจะเป็นคนอนุมัติด้วยเกณฑ์อะไร
• กรณีที่ระบบตัดสินใจไม่ได้ (เคสยกเว้น) จะจัดการอย่างไร
• เมื่อความแม่นยำต่ำกว่าที่คาด ใครจะรู้ตัวได้อย่างไร (การออกแบบการเฝ้าระวัง)
• ระยะเวลาจัดเก็บข้อมูล สิทธิ์การเข้าถึง และ audit log

ถ้าข้ามขั้นนี้ไปใช้งานจริงเลย อีกครึ่งปีต่อมาคุณจะเจอสภาพที่ “ไม่มีใครเชื่อตัวเลขที่ระบบให้ออกมา” โดยเฉพาะกลไกที่มี AI อยู่ด้วย การกำหนดกติกาการใช้งานบนสมมติฐานว่า “มันมีโอกาสผิดพลาด” ตั้งแต่แรกเป็นเรื่องสำคัญมาก และควรเขียนเป็นเอกสารที่หน้างานเปิดอ่านได้จริง ไม่ใช่สไลด์ที่ค้างอยู่ในโฟลเดอร์ของฝ่าย IT

ขั้นที่ 5 (เดือนที่ 7-12): ขึ้นระบบจริงและทำให้ยึดติดกับหน้างาน

เป็นเฟสของการขยายสู่การใช้งานจริง สิ่งที่ต้องตระหนักคือ การขึ้นระบบไม่ใช่เส้นชัย เส้นชัยคือการที่ระบบถูกใช้จนกลายเป็นเรื่องปกติของหน้างาน

ตัวชี้วัดของการยึดติดที่ใช้งานได้จริงคือ การติดตามว่า “มีการทำงานนอกระบบเกิดขึ้นมากแค่ไหน” ตราบใดที่ยังมีการใช้ Excel คู่ขนานเหลืออยู่ ข้อมูลก็ยังถูกตัดขาดจากกัน และไม่สามารถเดินหน้าไปยังเลเยอร์ถัดไปได้

การฝึกอบรมพนักงานในพื้นที่ก็จะกระจุกตัวอยู่ในช่วงเวลานี้ ดังที่เห็นได้จากการที่ไทยลงทุนด้านการฝึกอบรมบุคลากรโลจิสติกส์ราว 200 ล้านดอลลาร์สหรัฐ ลำพังอุปกรณ์และระบบไม่ได้ทำให้ผลิตภาพด้านโลจิสติกส์สูงขึ้น ตัวเลขจะเริ่มขยับก็ต่อเมื่อสร้างสภาพที่ผู้ปฏิบัติงานเชื่อมั่นและใช้ระบบได้จริงเท่านั้น

ในทางปฏิบัติ เราแนะนำให้ทำคู่มือเป็นภาษาไทยที่พนักงานหน้างานอ่านเข้าใจได้จริง ไม่ใช่การแปลตรงจากเอกสารญี่ปุ่นหรืออังกฤษ และให้มีพนักงานไทยที่เป็น key user ทำหน้าที่สอนต่อ วิธีนี้ได้ผลกว่าการอบรมโดยวิทยากรภายนอกเพียงครั้งเดียวมาก

ขั้นที่ 6 (เดือนที่ 12-18): ขยายผลและขึ้นเลเยอร์ถัดไป

เมื่อสร้างต้นแบบสำเร็จที่ฐานแรกแล้ว จึงขยายไปยังฐานอื่นหรืองานอื่น เป็นขั้นตอนที่ผลตอบแทนการลงทุนจะเริ่มเร่งตัวขึ้นเป็นครั้งแรก

อย่างที่กล่าวไปแล้ว องค์กรที่ได้ ROI จากการลงทุน AI ภายใน 1 ปีมีเพียง 6% และส่วนใหญ่ใช้เวลา 2-4 ปีจึงจะได้ผลตอบแทนที่น่าพอใจ การเข้าใจว่า ณ เดือนที่ 18 การคืนทุนยังอยู่ระหว่างทางถือเป็นเรื่องปกติ จะช่วยให้ตั้งเกณฑ์การประเมินภายในองค์กรได้อย่างถูกต้อง และป้องกันไม่ให้โครงการที่กำลังไปได้ดีถูกยุติเพราะเข้าใจผิด

รูปแบบความล้มเหลวสามแบบที่พบบ่อย

สุดท้ายขอยกรูปแบบความล้มเหลวที่เราเห็นซ้ำ ๆ มาเล่าไว้

1. เริ่มจากฟังก์ชันโดยให้เวนเดอร์เป็นผู้นำ

ถ้าเข้าเรื่องจากข้อเสนอทำนอง “เรามีฟังก์ชัน AI” หรือ “ทำอัตโนมัติได้” ขอบเขตของโครงการจะกลายเป็นสเปกผลิตภัณฑ์ของเวนเดอร์ ไม่ใช่โจทย์ขององค์กรคุณ ขอให้นึกถึงผลสำรวจ Inbound Logistics ปี 2026 ที่โจทย์อันดับหนึ่งของลูกค้าคือการลดต้นทุน 85% และการมองเห็นข้อมูล 80% การอธิบายโจทย์ของตัวเองให้ชัดในระดับรายละเอียดแบบนั้นก่อน แล้วค่อยย้อนกลับมาหาโซลูชัน จะทำให้จบเร็วกว่าและถูกกว่าในท้ายที่สุด

2. พยายามทำทุกอย่างพร้อมกันในครั้งเดียว

การติดตั้งขนาดใหญ่แบบครั้งเดียวจบ มีความเสียหายสูงเกินไปเมื่อล้มเหลว โดยเฉพาะในโครงสร้างของบริษัทลูกในต่างประเทศที่มีทีม IT เพียง 1-3 คน ลำพังการรันโครงการขนาดใหญ่ให้จบก็ยากอยู่แล้ว สถิติที่กล่าวไปแล้วซึ่งระบุว่าเหตุผลของกลุ่ม “ไม่มีแผนนำ AI มาใช้” คือข้อจำกัดด้านทรัพยากร ก็ยืนยันความจริงข้อนี้

3. เลื่อนการดึงหน้างานเข้ามามีส่วนร่วมไปไว้ทีหลัง

การออกแบบโดยสำนักงานใหญ่กับฝ่ายระบบสารสนเทศเพียงสองฝ่าย แล้วโยนลงหน้างานตอนใกล้ขึ้นระบบ แทบจะรับประกันได้ว่าจะเจอแรงต้าน หน้างานคือมืออาชีพที่หมุนงานนั้นอยู่ทุกวัน และเป็นฝ่ายแรกที่จะเจอจุดที่การออกแบบมองข้ามไป การดึงหน้างานเข้ามาตั้งแต่ขั้นที่ 1 ดูเหมือนเป็นทางอ้อม แต่จริง ๆ แล้วคือทางที่สั้นที่สุด

คำถามที่พบบ่อย (FAQ)

ควรเริ่มต้นทำโลจิสติกส์ดิจิทัลจากตรงไหน?

เราแนะนำให้เริ่มจาก การวินิจฉัยคุณภาพข้อมูลในปัจจุบัน ไม่ใช่การกระโดดไปคัดเลือกระบบทันที แต่เป็นขั้นตอนตรวจสอบว่าในระบบ WMS หรือ ERP ที่มีอยู่ มีข้อมูลที่ใช้งานได้สะสมอยู่มากน้อยแค่ไหน

เมื่อได้ผลวินิจฉัยแล้ว หัวข้อที่เหมาะเป็นโครงการแรกคือหัวข้อแบบ AI-OCR สำหรับงานเอกสาร ซึ่งเริ่มได้โดยไม่ต้องแก้ไขระบบเดิม และเห็นผลเป็นตัวเลขภายใน 3 เดือน เมื่อพิจารณาจากผลสำรวจ Inbound Logistics ปี 2026 ที่โจทย์อันดับหนึ่งของลูกค้าคือการลดต้นทุน 85% และการมองเห็นข้อมูล 80% การคิดย้อนกลับจากคำถามว่า “จะลดต้นทุนรายการไหน ลงเท่าไร” แทนที่จะเริ่มจาก “จะใช้ AI” ก็เป็นแนวทางที่เป็นธรรมชาติกว่าสำหรับก้าวแรกเช่นกัน

ค่าใช้จ่ายในการติดตั้งระบบ WMS ในไทยอยู่ที่ประมาณเท่าไร?

ค่าใช้จ่ายเปลี่ยนแปลงอย่างมากตามขนาดคลังสินค้า จำนวนรายการสินค้า ขอบเขตการเชื่อมต่อกับระบบเดิม และจำนวนแบบฟอร์มที่ต้องใช้ จึงไม่สามารถระบุตัวเลขเดียวที่ใช้ได้กับทุกกรณี แม้จะเรียกว่า “การติดตั้ง WMS” เหมือนกัน แต่กรณีที่ใช้ฟังก์ชันมาตรฐานอย่างเดียวได้ กับกรณีที่ต้องเชื่อมต่อ EDI กับระบบหลักเดิมหรือกับคู่ค้า มีโครงสร้างต้นทุนที่ต่างกันโดยสิ้นเชิง

แทนที่จะให้ตัวเลข เราขอเสนอมุมมองสำหรับการเปรียบเทียบใบเสนอราคา นอกเหนือจากค่าไลเซนส์ ขอให้ใส่สี่ข้อนี้ไว้ในการเปรียบเทียบเสมอ คือ (1) แรงงานสำหรับการย้ายข้อมูลและการจัดระเบียบข้อมูลหลัก (2) แรงงานสำหรับการฝึกอบรมหน้างาน (3) ระบบบำรุงรักษาหลังขึ้นระบบ (มีวิศวกรที่ให้บริการได้ในประเทศไทยหรือไม่) และ (4) โครงสร้างค่าใช้จ่ายเมื่อต้องเพิ่มฟังก์ชันในอนาคต โดยเฉพาะข้อ (1) เป็นรายการที่หลุดจากใบเสนอราคาได้ง่ายและมักบานปลายในภายหลัง

อนึ่ง ในไทยขณะนี้มีสิทธิประโยชน์ BOI ที่ปรับปรุงใหม่สำหรับปี 2026-2027 อยู่ ตามบทวิเคราะห์ของ Alvarez & Marsal อุตสาหกรรมหลากหลายรวมถึงโลจิสติกส์อาจเข้าข่ายได้รับการยกเว้นภาษีเงินได้นิติบุคคลและการยกเว้นอากรขาเข้า จึงคุ้มค่าที่จะตรวจสอบว่าโครงการของคุณเข้าข่ายหรือไม่ก่อนวางแผนการลงทุน

คลังสินค้าอัตโนมัติคุ้มทุนไหมสำหรับฐานขนาดกลางและเล็ก?

ขึ้นอยู่กับขนาด อุปกรณ์อัตโนมัติเชิงกายภาพ (AS/RS, เครื่องคัดแยกอัตโนมัติ ฯลฯ) มีลักษณะที่ผลลัพธ์แปรผันตามปริมาณงานที่ประมวลผล ดังนั้นในฐานที่ปริมาณงานยังไม่ถึงระดับหนึ่ง ภาระค่าเสื่อมราคาอาจมากกว่าการประหยัดค่าแรง

แต่ถ้าไม่จำกัดคำว่า “คลังสินค้าอัตโนมัติ” ไว้แค่การลงทุนในอุปกรณ์ เรื่องราวจะเปลี่ยนไป มาตรการที่เน้นซอฟต์แวร์เป็นหลัก เช่น การบันทึกผลการรับเข้าและจ่ายออกด้วยเครื่องอ่านแบบมือถือ การทำงานเอกสารอัตโนมัติ และการทำให้ข้อมูลสต๊อกเป็นแบบเรียลไทม์ เป็นพื้นที่ที่ฐานขนาดกลางและเล็กก็มองเห็นความคุ้มทุนได้ไม่ยาก

เกณฑ์ในการตัดสินใจที่เราแนะนำคือ ให้ลองวัดไม่ใช่ “เวลาที่คนเคลื่อนไหว” แต่วัด “เวลาที่คนใช้ในการค้นหา เวลาที่ใช้ในการกรอกข้อมูล และเวลาที่ใช้ในการตรวจสอบ” ฐานที่สามตัวนี้สูง ยังมีพื้นที่ให้ปรับปรุงเหลืออยู่มากโดยไม่ต้องลงทุนอุปกรณ์เลย

ในแง่ความคาดหวัง เมื่อพิจารณาจากสถิติที่ว่าองค์กรซึ่งได้ ROI จากการลงทุน AI ภายใน 1 ปีมีเพียง 6% และส่วนใหญ่ใช้เวลา 2-4 ปีในการคืนทุน การวางตำแหน่งเรื่องนี้ให้เป็นการลงทุนระยะกลางจึงสมเหตุสมผลที่สุด

ซัพพลายเชน AI ให้ผลกับงานโลจิสติกส์ส่วนไหนก่อน?

จากประสบการณ์ของเรา มันเริ่มให้ผลจาก การทำให้ข้อมูลที่ไม่มีโครงสร้างกลายเป็นข้อมูลที่มีโครงสร้าง ก่อน พูดให้ชัดคือการนำข้อมูลจากกระดาษหรือ PDF อย่างเอกสารพิธีการศุลกากร ใบสั่งซื้อ และใบแจ้งหนี้ เข้าสู่ระบบ งานลักษณะนี้ให้ผลลัพธ์ได้ด้วยตัวเองโดยไม่ขึ้นกับความสมบูรณ์ของระบบเดิม อีกทั้งภาระของหน้างานลดลงอย่างเห็นได้ชัด

ส่วน AI ประเภทการพยากรณ์อุปสงค์และการหาจุดเหมาะสมของสินค้าคงคลัง แม้จะมีผลกระทบเชิงบวกสูง แต่ต้องมีข้อมูลย้อนหลังหลายปีที่มีคุณภาพสม่ำเสมอเป็นเงื่อนไขเบื้องต้น เราเชื่อว่าเหตุที่ผลสำรวจของ Sage ปี 2026 ระบุว่าบริษัทโลจิสติกส์ใช้ AI จริงเพียง 35% และการดำเนินงานซัพพลายเชนของธุรกิจค้าปลีกและค้าส่งอยู่ที่เพียง 10% ส่วนหนึ่งมาจากความเข้มงวดของเงื่อนไขเบื้องต้นข้อนี้

สรุปเป็นลำดับคือ AI สายเอกสาร → การมองเห็นข้อมูลและการสะสมข้อมูล → AI สายพยากรณ์และการหาจุดเหมาะสม ซึ่งเป็นลำดับที่ทำได้จริงที่สุด

รับมือการขาดแคลนแรงงานด้านโลจิสติกส์ด้วยระบบอัตโนมัติหรือการจ้าง 3PL ดีกว่ากัน?

ทั้งสองอย่างเป็นตัวเลือกได้ แต่แกนในการตัดสินใจคือ “งานนั้นเชื่อมโยงโดยตรงกับความสามารถในการแข่งขันของบริษัทหรือไม่” ถ้าเป็นการจัดเก็บและการขนส่งแบบมาตรฐาน การใช้ 3PL มักสมเหตุสมผล และตลาด 3PL ในอาเซียนก็คาดว่าจะเติบโตจาก 1,379.13 ล้านดอลลาร์สหรัฐในปี 2025 เป็น 2,350.55 ล้านดอลลาร์สหรัฐในปี 2035 ด้วย CAGR 5.34% (Report Ocean)

ในทางกลับกัน โลจิสติกส์ภายในโรงงานที่เชื่อมโยงแนบแน่นกับการผลิต หรือพื้นที่ที่ต้องการ traceability ด้านคุณภาพ ต่อให้จ้างภายนอกก็เกิดการขาดตอนของข้อมูลได้ง่าย และสุดท้ายก็ยังต้องลงทุนด้านการมองเห็นข้อมูลในฝั่งของตัวเองอยู่ดี

แม้จะเลือกใช้ 3PL เราก็แนะนำให้ตกลงกันตั้งแต่ตอนทำสัญญาว่าจะได้รับข้อมูลผลการดำเนินงานในระดับความละเอียดเท่าใดและด้วยความถี่แค่ไหน ถ้าไม่กำหนดไว้ตั้งแต่ต้น การขอข้อมูลย้อนหลังจะกลายเป็นการเจรจาที่ยากและมีค่าใช้จ่ายเพิ่ม

สรุป

ขอทบทวนสถานะปัจจุบันของโลจิสติกส์ดิจิทัลในอาเซียนปี 2026 พร้อมตัวเลขอีกครั้ง

• ตลาดคลังสินค้าอัตโนมัติในอาเซียนคาดว่าจะขยายจาก 910 ล้านดอลลาร์สหรัฐในปี 2026 เป็น 1,630 ล้านดอลลาร์สหรัฐในปี 2031 ด้วย CAGR 12.36% (Mordor Intelligence)
• ตลาดขนส่งและโลจิสติกส์ของไทยจะเพิ่มจาก 53,380 ล้านดอลลาร์สหรัฐในปี 2025 เป็น 56,560 ล้านดอลลาร์สหรัฐในปี 2026 และ 75,470 ล้านดอลลาร์สหรัฐในปี 2031 (CAGR 5.95%) โดยการเติบโตของการลงทุนด้านระบบอัตโนมัติเร็วกว่าการเติบโตของตลาดมากกว่าสองเท่า
• เซกเมนต์ค้าปลีกและอีคอมเมิร์ซครองส่วนแบ่งสูงสุดในตลาดคลังสินค้าอัตโนมัติที่ 33.40% ด้วย CAGR 17.28% ตัวขับเคลื่อนคือผู้ประกอบการอีคอมเมิร์ซ ไม่ใช่ภาคการผลิต
• ในไทย พนักงานขับรถขนส่งหายากแม้เสนอ 25,000 บาทต่อเดือน อัตราการขึ้นค่าจ้างของบริษัทญี่ปุ่นอยู่ที่ 3.8% ในปี 2023 → 4.58% ในปี 2024 → 4.64% (คาดการณ์) ในปี 2025 และประชากรวัยแรงงานคาดว่าจะเริ่มลดลงตั้งแต่ปี 2026 (JETRO)
• เวนเดอร์ 77% ให้บริการ AI แต่การใช้ AI จริงในบริษัทโลจิสติกส์อยู่ที่ 35% และในการดำเนินงานซัพพลายเชนของธุรกิจค้าปลีกและค้าส่งอยู่ที่ 10% (ผลสำรวจ Inbound Logistics 2026, Sage 2026 State of Supply Chain Report)
• 85% ขององค์กรเพิ่มการลงทุนด้าน AI แต่มีเพียง 6% ที่ได้ ROI ภายใน 1 ปี ส่วนใหญ่ใช้เวลา 2-4 ปีจึงคืนทุน (สถิติปี 2026 ที่รวบรวมโดย RELEX Solutions และ Open Sky Group)

สิ่งที่เราอยากสื่อจากทั้งหมดนี้เรียบง่ายมาก โลจิสติกส์ดิจิทัลถูกตัดสินด้วยการจัดระเบียบข้อมูล มากกว่าการเลือกเทคโนโลยี ต่อให้ตลาดคลังสินค้าอัตโนมัติโตปีละ 12% ต่อให้เวนเดอร์ที่มีฟังก์ชัน AI จะแตะ 77% ถ้าข้อมูลในหน้างานของคุณยังไม่มีโครงสร้าง ผลลัพธ์ก็จะไม่เกิด กลับกัน ถ้าข้อมูลพร้อม ก็มีพื้นที่ที่สร้างผลลัพธ์ได้ด้วยการลงทุนที่ไม่ใหญ่นัก

และในแง่ความคาดหวัง ขอให้ตั้งต้นบนสมมติฐานว่าคืนทุนใน 2-4 ปี แล้วเดิน 18 เดือนแรกตามลำดับ “สำรวจกระบวนการ → วินิจฉัยข้อมูล → PoC ขนาดเล็ก → ออกแบบราวกันตก → ขึ้นระบบจริง → ขยายผล” แผนที่วางบนสมมติฐานว่าจะคืนทุนภายใน 1 ปี มีโอกาสสูงที่จะถูกหยุดกลางทาง

TOMAS TECH มีฐานอยู่ในกรุงเทพฯ และสนับสนุนการวางระบบไอทีให้โรงงานและคลังสินค้าในไทยและประเทศรอบข้าง เราเข้าไปทำงานตั้งแต่ขั้นตอนการทำให้ข้อมูลหน้างานอยู่ในรูปแบบที่ใช้งานได้ ครอบคลุมพื้นที่ต่าง ๆ ได้แก่ PEGASUS ระบบบริหารการผลิต, การเก็บข้อมูลเครื่องจักรด้วย IoT, AI-OCR สำหรับงานเอกสารพิธีการศุลกากรและงานสั่งซื้อ, ระบบบริหารพลังงาน และโซลูชัน FA/หุ่นยนต์

“ติดตั้ง WMS ไปแล้วแต่ใช้ประโยชน์ได้ไม่เต็มที่” “อยากพิจารณาระบบอัตโนมัติ แต่ไม่รู้จะเริ่มจากตรงไหน” “กำลังหนักใจว่าจะอธิบาย ROI กับสำนักงานใหญ่อย่างไร” เราได้รับการปรึกษาในลักษณะนี้อยู่เป็นประจำ เริ่มต้นจากการมาดูด้วยกันก่อนว่าข้อมูลของคุณอยู่ในสภาพแบบไหน ยินดีให้คำปรึกษาโดยไม่มีข้อผูกมัด แล้วเราจะเสนอหัวข้อที่เป็นจริงได้สำหรับก้าวแรก โดยปรับให้เข้ากับสถานการณ์ของบริษัทคุณ

แหล่งอ้างอิง

• Mordor Intelligence “Southeast Asia Warehouse Automation Market”: https://www.mordorintelligence.com/industry-reports/south-east-asia-warehouse-automation-market
• GII “รายงานตลาดขนส่งและโลจิสติกส์ของไทย 2026-2031”: https://www.gii.co.jp/report/moi1939641-thailand-freight-logistics-market-share-analysis.html
• @Press / Report Ocean “ตลาดโลจิสติกส์บุคคลที่สามในเอเชียตะวันออกเฉียงใต้ 2026-2035”: https://www.atpress.ne.jp/news/4432677
• Inbound Logistics “2026 Logistics IT Trends”: https://www.inboundlogistics.com/articles/2026-perspectives-and-market-research-logistics-it-accelerates/
• RELEX Solutions “Supply chain AI in 2026: The numbers behind the hype”: https://www.relexsolutions.com/resources/supply-chain-ai/
• Open Sky Group “Supply Chain AI Statistics 2026”: https://openskygroup.com/supply-chain-ai-statistics/
• Lexology “Thailand Advances Landmark Land Bridge Mega Project”: https://www.lexology.com/library/detail.aspx?g=af7a31e1-c8ab-4a28-b9a6-80050051d2f7
• Alvarez & Marsal “Thailand’s Renewed BOI Incentives (2026-2027)”: https://www.alvarezandmarsal.com/thought-leadership/thailand-s-renewed-boi-incentives-a-strategic-window-for-growth-expansion-and-investment-2026-2027
• JETRO “สถานการณ์การขาดแคลนบุคลากรและแนวโน้มค่าจ้างขั้นต่ำในประเทศไทย”: https://www.jetro.go.jp/biz/areareports/special/2024/0303/f5b4d6344434b2a9.html
• VOV “VILOG 2026 to showcase Vietnam’s shift toward smart and green logistics”: https://english.vov.vn/en/economy/vilog-2026-to-showcase-vietnams-shift-toward-smart-and-green-logistics-post1315916.vov