“ต้องนั่งเขียนเอกสารหน้าตาเหมือนเดิมขึ้นใหม่ตั้งแต่ต้นทุกวัน” “แค่นำเอกสารที่ทำเป็นภาษาญี่ปุ่นไปแปลเป็นภาษาไทยและภาษาอังกฤษใหม่ ก็หมดไปครึ่งวันแล้ว” “การเรียบเรียงรายงานการประชุมที่ยาวเหยียดกลายเป็นภาระของผู้รับผิดชอบ” — ที่หน้างานของบริษัทสัญชาติญี่ปุ่นในอุตสาหกรรมการผลิตและโลจิสติกส์ซึ่งดำเนินธุรกิจอยู่ในประเทศไทย งานประจำที่ต้องทำซ้ำ ๆ เหล่านี้กำลังกัดกินทรัพยากรบุคคลอันมีค่าไปอย่างเงียบ ๆ แต่แน่นอน แม้แต่ละงานจะใช้เวลาเพียงไม่กี่สิบนาที แต่เมื่อเกิดขึ้นทุกวันและสะสมรวมกันจากผู้รับผิดชอบหลายคน เมื่อมองเป็นรายเดือนก็กลายเป็นชั่วโมงทำงานจำนวนไม่น้อย และสิ่งที่น่าหนักใจคือ งานเหล่านี้มีลักษณะ “ใครก็ทำได้ แต่ต้องมีใครสักคนทำ” กล่าวคือ ทั้งที่สร้างมูลค่าเพิ่มได้ยาก แต่ก็ไม่สามารถหยุดทำได้

ในช่วงไม่กี่ปีที่ผ่านมา การนำ Generative AI มาใช้กับงานธุรกิจได้ขยายตัวอย่างรวดเร็ว ในฐานะวิธีการที่จะทบทวนภาระของงานประจำเหล่านี้ตั้งแต่ระดับรากฐาน โมเดลภาษาขนาดใหญ่ (LLM) ที่มี Claude เป็นตัวแทน สามารถทำ “งานที่ต้องจัดการกับภาษา” เช่น การเขียน การแปล การสรุป การจัดระเบียบ และการจำแนกประเภท ได้ในคุณภาพที่ใกล้เคียงกับมนุษย์แล้ว หากนำความสามารถนี้ไปผสานเข้ากับเวิร์กโฟลว์ RPA และระบบภายในองค์กร ก็จะทำให้งานจำนวนมากที่เคยพึ่งพาแรงงานคน ตั้งแต่การจัดทำเอกสาร การแปล การสรุป การวิเคราะห์ข้อมูล การตอบอีเมล ไปจนถึงการจัดทำแบบฟอร์มเอกสาร กลายเป็นงานอัตโนมัติหรือกึ่งอัตโนมัติได้ TOMAS TECH ในฐานะ IT integrator ที่เข้าใจหน้างานของอุตสาหกรรมการผลิตและโลจิสติกส์ในประเทศไทย ให้การสนับสนุนการนำการทำงานอัตโนมัติด้วย Generative AI ไปใช้จริง โดยไม่ใช่แบบ “ติดตั้งเสร็จแล้วจบ” แต่เป็นรูปแบบที่ “ฝังรากอยู่ในหน้างานและหมุนต่อไปได้เองภายในองค์กร” บทความนี้จะอธิบายอย่างเป็นระบบจากมุมมองของการปฏิบัติจริง ตั้งแต่แนวคิดของการทำงานอัตโนมัติด้วย Generative AI งานที่ทำให้เป็นอัตโนมัติได้อย่างเป็นรูปธรรม แนวทางการนำไปใช้จริง การรองรับหลายภาษา การพัฒนาขีดความสามารถภายในองค์กรและการฝังราก กระบวนการนำไปใช้ ไปจนถึงเรื่องความปลอดภัย

การทำงานอัตโนมัติด้วย Generative AI คืออะไร

การทำงานอัตโนมัติด้วย Generative AI หมายถึงความพยายามที่จะวาง Generative AI (โมเดลภาษาขนาดใหญ่) อย่างเช่น Claude ไว้เป็นแกนกลาง แล้วเปลี่ยนงานประจำที่คนเคยทำด้วยมือ โดยเฉพาะงานที่ต้องจัดการกับ “ภาษา” “เอกสาร” และ “ข้อมูล” ให้เป็นงานอัตโนมัติหรือกึ่งอัตโนมัติ ในขณะที่ระบบอัตโนมัติแบบเดิมหรือ RPA ถนัดเรื่อง “การทำตามขั้นตอนที่กำหนดไว้ซ้ำ ๆ ตามที่กำหนด” Generative AI กลับถนัดเรื่อง “การอ่านบริบทแล้วสร้างผลลัพธ์ออกมาเป็นภาษาที่เป็นธรรมชาติ” ความแตกต่างนี้มีความสำคัญอย่างยิ่ง ตัวอย่างเช่น งาน “คัดลอกข้อมูลจากช่องนี้ของใบแจ้งหนี้ไปยังอีกช่องหนึ่ง” คือขอบเขตของ RPA แต่งาน “ตีความเจตนาของอีเมลสอบถามจากลูกค้าแล้วร่างข้อความตอบกลับที่เหมาะสม” นั้น ที่ผ่านมามีเพียงมนุษย์เท่านั้นที่ทำได้ Generative AI ได้ขยายขอบเขตของสิ่งที่ทำเป็นอัตโนมัติได้อย่างมาก ตรงที่มันสามารถก้าวเข้าไปใน “พื้นที่ซึ่งเคยต้องอาศัยวิจารณญาณและทักษะการเขียนของมนุษย์” นี่เอง

สิ่งสำคัญคือ การใช้ Generative AI เดี่ยว ๆ ในฐานะ “เครื่องมือแชทที่สะดวก” เพียงอย่างเดียวนั้นยังไม่นับเป็นการทำงานอัตโนมัติ ผู้รับผิดชอบเปิดหน้าจอแชทขึ้นมาถามทุกครั้งที่นึกได้ แล้วคัดลอกคำตอบที่ได้ไปวาง วิธีใช้แบบนี้จะจบลงเพียงแค่ “การค้นหาที่ฉลาดขึ้น” ซึ่งขึ้นอยู่กับตัวบุคคลและไม่สามารถทำซ้ำให้ได้ผลเหมือนเดิม การจะทำให้กลายเป็นการทำงานอัตโนมัติได้จริงนั้น จำเป็นต้องมีการออกแบบดังนี้ (1) ออกแบบและกำหนดมาตรฐานของพรอมต์ (ข้อความสั่งงาน) เพื่อให้ไม่ว่าใครใช้ก็ได้ผลลัพธ์คุณภาพเดียวกัน (2) ตรึงกระแสงานตั้งแต่อินพุตจนถึงเอาต์พุตให้เป็นเวิร์กโฟลว์ที่ชัดเจน (3) เชื่อมต่อกับระบบงานเดิมหรือ RPA ผ่าน API ตามความจำเป็น และ (4) จัดเตรียมกลไกให้ AI สามารถอ้างอิงเอกสารและข้อมูลขององค์กรได้ การทำงานอัตโนมัติด้วย Generative AI จึงเป็นงานออกแบบและพัฒนาที่นำ “เครื่องยนต์” อย่าง Generative AI มาติดตั้งลงใน “ตัวถังรถ” อย่างงานธุรกิจได้อย่างถูกต้อง TOMAS TECH ให้การสนับสนุนตั้งแต่การออกแบบ การพัฒนา ไปจนถึงการฝังรากอย่างครบวงจร

ความท้าทายที่หน้างานในประเทศไทยเผชิญ — ทำไมต้องเป็นการทำงานอัตโนมัติในตอนนี้

ที่หน้างานของบริษัทสัญชาติญี่ปุ่นซึ่งเข้ามาลงทุนในประเทศไทย มีปัญหาเชิงโครงสร้างอยู่หลายประการที่การทำงานอัตโนมัติด้วย Generative AI ให้ผลได้ดีเป็นพิเศษ หากมองในอีกด้านหนึ่ง ปัญหาเหล่านี้เองที่เป็นปัจจัยทำให้ผลตอบแทนจากการลงทุนในการทำงานอัตโนมัติสูงขึ้น

ชั่วโมงทำงานที่ถูกบีบด้วยงานประจำที่ทำซ้ำ ๆ

การจัดทำรายงานประจำวัน รายงานประจำสัปดาห์ และรายงานประจำเดือน การคัดลอกข้อมูลลงในฟอร์มมาตรฐาน การเรียบเรียงรายงาน การตอบคำถามด้วยข้อความสำเร็จรูป งานเหล่านี้แม้จะขาดไม่ได้ต่อการดำเนินงาน แต่แทบไม่ต้องใช้ความคิดหรือความเชี่ยวชาญของผู้รับผิดชอบเลย ทว่าก็หยุดทำไม่ได้ ผลลัพธ์คือ “เวลาที่ควรจะนำไปใช้กับงานที่มีคุณค่าสูงกว่า” ถูกใช้หมดไปกับงานที่ทำซ้ำ ๆ โดยทั่วไปแล้ว งานเอกสารประจำลักษณะนี้ถือว่ากินสัดส่วนที่ไม่อาจมองข้ามได้ในเวลาทำงานของพนักงานออฟฟิศ และเป็นพื้นที่ที่มีช่องว่างให้ทำเป็นอัตโนมัติได้มาก

ภาระของการรองรับหลายภาษา

ในบริษัทสัญชาติญี่ปุ่นในประเทศไทย จำเป็นต้องใช้อย่างน้อยสามภาษาสลับกันไปในชีวิตประจำวัน คือภาษาญี่ปุ่นสำหรับสำนักงานใหญ่ที่ญี่ปุ่น ภาษาไทยสำหรับพนักงานท้องถิ่น และภาษาอังกฤษสำหรับคู่ค้าระดับสากล การนำเอกสารที่ทำเป็นภาษาญี่ปุ่นไปแปลเป็นภาษาไทย แล้วยังต้องเตรียมฉบับภาษาอังกฤษอีก งานแปลเพียงอย่างเดียวนี้ก็กินชั่วโมงทำงานไปมากแล้ว อีกทั้งคุณภาพของการแปลและความสอดคล้องของคำศัพท์ก็มักขึ้นอยู่กับทักษะของผู้รับผิดชอบ บางครั้งศัพท์เฉพาะทางหรือสำนวนเฉพาะภายในองค์กรถูกแปลไม่ถูกต้อง จนทำให้เกิดความเข้าใจคลาดเคลื่อนในการสื่อสาร

การพึ่งพาตัวบุคคลและการกลายเป็นกล่องดำของงาน

“รายงานฉบับนั้นมีแต่คนนั้นเท่านั้นที่ทำได้” “การดูแลลูกค้ารายนี้ต้องอาศัยประสบการณ์และสัญชาตญาณของคนเก่า” การที่งานผูกติดอยู่กับบุคคลใดบุคคลหนึ่งเป็นปัญหาที่หลายหน้างานประสบอยู่ หากผู้รับผิดชอบลาหยุด ย้ายตำแหน่ง หรือลาออก งานก็จะติดขัดและคุณภาพก็จะไม่คงที่ องค์ความรู้ของงานที่ผูกติดกับตัวบุคคลจะคงอยู่แต่ในหัวของคนคนนั้นโดยไม่ถูกบันทึกเป็นเอกสาร และไม่กลายเป็นสินทรัพย์ขององค์กร

การขาดแคลนบุคลากรและความยากในการสรรหา

ในตลาดแรงงานของประเทศไทย การสรรหาบุคลากรที่ใช้ภาษาญี่ปุ่นได้ หรือบุคลากรที่มีทักษะเฉพาะทาง ยากขึ้นทุกปี วิธีการแบบเดิมที่ใช้การเพิ่มคนเพื่อรองรับปริมาณงานกำลังเข้าใกล้ขีดจำกัด ทั้งในแง่ต้นทุนและในแง่ความยากของการสรรหา การจะทำงานที่เพิ่มขึ้นให้ได้ด้วยกำลังคนที่จำกัด ทำได้เพียงการยกระดับผลิตภาพของแต่ละคนเท่านั้น และตรงจุดนี้เองที่การทำงานอัตโนมัติด้วย Generative AI ปรากฏขึ้นมาเป็นทางเลือกที่เป็นจริงได้

ปัญหาเหล่านี้เกี่ยวพันกันไปมา งานประจำบีบกำลังคน การรองรับหลายภาษาเพิ่มภาระเข้าไปอีก การพึ่งพาตัวบุคคลเพิ่มความเสี่ยง และการขาดแคลนบุคลากรทำให้ภาพรวมแย่ลง การทำงานอัตโนมัติด้วย Generative AI คือมาตรการที่ร้อยเรียงวงจรอุบาทว์นี้เข้าด้วยกัน และบรรเทาปัญหาหลายอย่างได้พร้อมกัน

งานที่ทำให้เป็นอัตโนมัติได้ด้วย Generative AI — ตัวอย่างที่เป็นรูปธรรม

แล้วงานลักษณะใดบ้างที่เป็นเป้าหมายของการทำให้เป็นอัตโนมัติหรือกึ่งอัตโนมัติได้จริง ในหัวข้อนี้เราจะดูอย่างเป็นรูปธรรม โดยเน้นงานที่มีความต้องการสูงเป็นพิเศษที่หน้างานของอุตสาหกรรมการผลิตและโลจิสติกส์ในประเทศไทย

การจัดทำเอกสารแบบอัตโนมัติ

รายงาน ข้อเสนอ คู่มือ ประกาศภายในองค์กร เอกสารแนะนำสำหรับลูกค้า การจัดทำเอกสารทางธุรกิจเป็นหนึ่งในพื้นที่ที่ Generative AI แสดงศักยภาพได้มากที่สุด เพียงส่งบันทึกย่อแบบหัวข้อหรือประเด็นสำคัญให้ ก็สามารถสร้างร่างเอกสารที่มีรูปแบบเรียบร้อยออกมาได้ และหากให้เรียนรู้โทนและรูปแบบของเอกสารในอดีต ก็จะได้ผลลัพธ์ที่คงสำนวนเฉพาะตัวขององค์กรไว้ได้ด้วย ผู้รับผิดชอบไม่ต้องเขียนขึ้นใหม่ตั้งแต่ต้น เพียงตรวจสอบและแก้ไขร่างที่ AI สร้างขึ้นเท่านั้น จึงย่นระยะเวลาการจัดทำได้อย่างมาก

การแปลภาษาแบบอัตโนมัติ

การแปลไปมาระหว่างภาษาญี่ปุ่น ภาษาไทย และภาษาอังกฤษ เป็นภาระที่เกิดขึ้นอย่างต่อเนื่องสำหรับบริษัทสัญชาติญี่ปุ่นในประเทศไทยซึ่งทำงานในสภาพแวดล้อมหลายภาษา Generative AI แตกต่างจากการแปลด้วยเครื่องที่เพียงแทนที่คำศัพท์ เพราะสามารถแปลได้อย่างเป็นธรรมชาติโดยคำนึงถึงบริบทและบริบททางธุรกิจ ยิ่งไปกว่านั้น หากฝังคลังศัพท์เฉพาะทางภายในองค์กรและกฎการใช้คำให้เป็นมาตรฐานลงในพรอมต์ ก็จะได้การแปลที่ปฏิบัติตามกฎเฉพาะขององค์กร เช่น “ชื่อผลิตภัณฑ์นี้ให้แปลแบบนี้” “แผนกนี้ให้เขียนแบบนี้” งานแปลเอกสาร การแปลอีเมล และการทำคู่มือให้รองรับหลายภาษา จึงมีประสิทธิภาพสูงขึ้นอย่างมาก

การสรุปความแบบอัตโนมัติ

รายงานการประชุมที่ยาว รายงานหนาเตอะ อีเมลเธรดจำนวนมาก สัญญาและข้อกำหนดเฉพาะ Generative AI สามารถดึงประเด็นสำคัญออกมาจากเอกสารที่แค่อ่านก็กินเวลาเหล่านี้ได้ในเวลาอันสั้น สามารถสร้างบทสรุปตามวัตถุประสงค์ได้ด้วยคำสั่ง เช่น “สรุปให้เหลือ 3 ประเด็นสำคัญ” “ดึงเฉพาะเรื่องที่ตัดสินใจแล้วและ TODO ออกมา” “สรุปให้เหลือหน้าเดียวสำหรับผู้บริหาร” การที่ลด “เวลาที่ใช้อ่าน” ข้อมูลลงได้โดยตรงนั้น เชื่อมโยงถึงการยกระดับผลิตภาพของผู้บริหารและระดับหัวหน้างานทันที

การจัดทำรายงานการประชุมแบบอัตโนมัติ

ถอดเสียงการประชุมออกมาเป็นข้อความ แล้วให้ Generative AI จัดรูปแบบข้อความนั้นเป็นรายงานการประชุม หากวางกระแสงานแบบนี้ได้ การจัดทำบันทึกการประชุมก็แทบจะเป็นอัตโนมัติทั้งหมด สามารถดึงหัวข้อต่าง ๆ เช่น เรื่องที่ตัดสินใจแล้ว งานที่ต้องติดตาม ผู้รับผิดชอบ และกำหนดส่ง ออกมาอย่างเป็นโครงสร้าง แล้วนำไปลงในรายงานการประชุมรูปแบบมาตรฐานได้ อีกทั้งยังทำการประมวลผลข้ามภาษาได้ด้วย เช่น สรุปเนื้อหาการประชุมที่ดำเนินเป็นภาษาไทยหรือภาษาอังกฤษออกมาเป็นรายงานการประชุมภาษาญี่ปุ่น การแบ่งปันข้อมูลให้ผู้เกี่ยวข้องที่ไม่ได้เข้าร่วมประชุมก็จะรวดเร็วและแม่นยำขึ้นด้วย

การวิเคราะห์และจัดระเบียบข้อมูลแบบอัตโนมัติ

ข้อมูลยอดขาย ผลการผลิต ข้อมูลสินค้าคงคลัง คำตอบแบบเขียนอิสระในแบบสอบถาม การจับแนวโน้มของข้อมูลตัวเลข รวมถึงการจำแนกและรวบรวมข้อมูลที่เป็นข้อความ ก็เป็นสิ่งที่ Generative AI ถนัด เพียงส่งข้อมูลจากตารางคำนวณให้ แล้วสั่งว่า “จัดระเบียบรายการสินค้าที่เติบโตและที่ลดลงเมื่อเทียบกับเดือนก่อน” “จำแนกคำตอบแบบเขียนอิสระนี้ตามเนื้อหาแล้วนับจำนวนออกมา” ก็สามารถมอบหมายงานเตรียมการก่อนวิเคราะห์ให้ AI ได้ ในขณะที่การประมวลผลทางสถิติเฉพาะทางยังคงใช้เครื่องมือวิเคราะห์ข้อมูลควบคู่กันไป แต่การให้ AI รับผิดชอบส่วนของ “การจัดระเบียบให้อยู่ในรูปแบบที่มนุษย์อ่านได้” และ “การให้ความเห็นเชิงข้อค้นพบ” จะช่วยเพิ่มความเร็วของงานวิเคราะห์

การตอบอีเมลและการรับมือคำถามแบบอัตโนมัติ

Generative AI จะร่างข้อความตอบกลับอีเมลสอบถามจากคู่ค้าหรือจากภายในองค์กร หากให้อ้างอิงการติดต่อในอดีตหรือระเบียบภายในองค์กร ก็จะได้ร่างคำตอบที่ตรงประเด็นและสอดคล้องกับเนื้อหา สำหรับคำถามที่พบบ่อย ยังสามารถสร้างเป็นแชทบอทสำหรับใช้ภายในองค์กร หรือเป็นระบบ AI ที่ตอบคำถามเกี่ยวกับข้อบังคับการทำงานและระเบียบภายในองค์กรโดยอัตโนมัติได้ด้วย ผู้รับผิดชอบเพียงตรวจสอบร่างที่ AI สร้างขึ้นแล้วกดส่ง หรือเพียงเสริมเนื้อหาที่ AI ตอบไปในชั้นแรกตามความจำเป็นเท่านั้น จึงได้ทั้งความเร็วในการตอบสนองและคุณภาพไปพร้อมกัน

การจัดทำแบบฟอร์มเอกสารและการป้อนข้อมูลแบบอัตโนมัติ

การใช้ AI-OCR อ่านแบบฟอร์มเอกสารอย่างใบแจ้งหนี้หรือใบส่งของ แล้วดึงข้อมูลที่จำเป็นออกมาเพื่อทำให้งานป้อนข้อมูลเข้าระบบเป็นอัตโนมัติ นี่คือพื้นที่ที่มีความต้องการสูงเป็นพิเศษที่หน้างานของอุตสาหกรรมการผลิตและโลจิสติกส์ การคัดลอกข้อมูลด้วยมือนอกจากจะกินเวลาแล้ว ยังเป็นบ่อเกิดของความผิดพลาดในการป้อนข้อมูล แต่หากฝังการอ่านและการจัดโครงสร้างข้อมูลด้วย AI เข้าไป ก็จะลดได้ทั้งชั่วโมงการป้อนข้อมูลและความผิดพลาด และเมื่อเชื่อมต่อเนื้อหาที่อ่านได้เข้ากับระบบหลักเดิมหรือสเปรดชีต ก็จะทำให้กระแสงานของการประมวลผลใบสำคัญทั้งกระบวนการมีประสิทธิภาพขึ้น

การสร้างรายงานและเอกสารนำเสนอโดยอัตโนมัติ

รายงานประจำรูปแบบมาตรฐานทั้งรายวัน รายสัปดาห์ และรายเดือน หากมีข้อมูลพร้อม ก็สามารถสร้างแบบกึ่งอัตโนมัติด้วย Generative AI ได้ โดยป้อนข้อมูลผลการดำเนินงานเข้าไป แล้วสร้างเนื้อหารายงานที่มีทั้งความเห็นเกี่ยวกับแนวโน้มและการเปรียบเทียบกับงวดก่อน ตามโครงสร้างที่ออกแบบไว้ล่วงหน้า ผู้รับผิดชอบจะสามารถทุ่มเทให้กับการตรวจสอบตัวเลขและการปรับแต่งขั้นสุดท้าย โดยบทบาทจะเปลี่ยนจากงาน “เขียนรายงาน” ไปสู่งาน “อ่านรายงานแล้วตัดสินใจ” ยิ่งเป็นเอกสารรายงานที่ทำเป็นประจำเท่าใด ผลของการทำเป็นอัตโนมัติก็จะยิ่งสะสมทบต้นทบดอกมากขึ้นเท่านั้น

ทั้งหมดนี้เป็นเพียงตัวอย่างที่เป็นตัวแทนเท่านั้น TOMAS TECH ยินดีรับปรึกษาตั้งแต่ระดับที่ว่า “งานนี้พอจะทำอะไรด้วย AI ได้บ้างไหม” และนำเสนอรูปแบบการทำงานอัตโนมัติที่เหมาะสมที่สุดตามปัญหาทางธุรกิจของลูกค้า ยิ่งเป็นงานเฉพาะขององค์กรที่เครื่องมือสำเร็จรูปรองรับได้ไม่ครบถ้วนเท่าใด การออกแบบแบบสั่งทำเฉพาะก็ยิ่งมีคุณค่ามากขึ้นเท่านั้น

แนวทางในการทำให้เกิดการทำงานอัตโนมัติ

การจะทำให้การทำงานอัตโนมัติด้วย Generative AI ออกมาอยู่ใน “รูปแบบที่ใช้งานได้จริง” ต้องผสมผสานแนวทางเชิงเทคนิคหลายอย่างเข้าด้วยกัน ในหัวข้อนี้จะอธิบายแนวทางหลักที่ TOMAS TECH ใช้ในการพัฒนา

การออกแบบพรอมต์ — หัวใจของการทำงานอัตโนมัติ

คุณภาพผลลัพธ์ของ Generative AI ขึ้นอยู่กับการออกแบบข้อความสั่งงาน (พรอมต์) เป็นอย่างมาก การออกแบบพรอมต์ที่ “ไม่ว่าใครใช้ก็ได้ผลลัพธ์คุณภาพเดียวกันอย่างสม่ำเสมอ” คือก้าวแรกของการทำงานอัตโนมัติ พรอมต์ที่ดีจะบรรจุองค์ประกอบต่าง ๆ ไว้อย่างเป็นโครงสร้างและชัดเจน ทั้งบทบาทที่ให้ AI รับผิดชอบ ข้อมูลพื้นฐานที่ต้องอ้างอิง รูปแบบของผลลัพธ์ กฎที่ต้องปฏิบัติตาม และถ้อยคำที่ต้องหลีกเลี่ยง TOMAS TECH ออกแบบและปรับจูนพรอมต์แยกตามแต่ละงานโดยอิงจากข้อมูลการทำงานจริงของลูกค้า แล้วจัดเตรียมไว้เป็น “ชุดพรอมต์ที่หน้างานนำไปใช้ได้ทันที” การกำหนดมาตรฐานนี้เองคือกุญแจสำคัญที่ป้องกันการพึ่งพาตัวบุคคล และทำให้การทำงานอัตโนมัติเกิดผลซ้ำได้

การจัดทำเวิร์กโฟลว์ — เชื่อมจุดให้เป็นเส้น

การนำพรอมต์เดี่ยว ๆ ไปฝังไว้ในกระแสของงานคือการจัดทำเวิร์กโฟลว์ ตัวอย่างเช่น ออกแบบกระบวนการต่อเนื่องอย่าง “รับอีเมล → จำแนกเนื้อหา → สร้างร่างคำตอบที่เหมาะสม → ผู้รับผิดชอบตรวจสอบแล้วส่ง” แล้วแยกให้ชัดเจนในแต่ละขั้นตอนว่าส่วนใดให้ AI รับผิดชอบและส่วนใดให้คนเป็นผู้ตัดสินใจ แทนที่จะทำให้ทุกอย่างเป็นอัตโนมัติเต็มรูปแบบ เราจะยึดหลัก “การทำงานกึ่งอัตโนมัติ (human-in-the-loop)” ที่ให้คนเป็นผู้ตัดสินใจในเรื่องสำคัญ เพื่อรักษาสมดุลระหว่างคุณภาพและความเร็ว การออกแบบว่าจะทำเป็นอัตโนมัติถึงระดับใดและให้คนตรวจสอบที่จุดใด ตามลักษณะของงานนั้น ๆ คือหัวใจของการทำงานอัตโนมัติที่ใช้ได้ผลจริงในทางปฏิบัติ

การเชื่อมต่อระบบด้วย RPA และ API

การเชื่อม Generative AI เข้ากับระบบงานและเครื่องมือที่มีอยู่เดิม จะขยายขอบเขตของการทำงานอัตโนมัติออกไปได้อย่างก้าวกระโดด โดยการรับส่งข้อมูลกับระบบหลัก สเปรดชีต เครื่องมือแชท และระบบจัดการเอกสาร ผ่าน API แล้วฝังการประมวลผลของ AI ลงในกระบวนการทำงาน การทำงานซ้ำ ๆ ที่เป็นแบบแผนให้ RPA รับผิดชอบ ส่วนที่ต้องเข้าใจบริบทและสร้างข้อความให้ Generative AI รับผิดชอบ การแบ่งบทบาทระหว่างสองสิ่งนี้ทำให้สามารถรวม “งานที่ทำซ้ำแต่ต้องใช้วิจารณญาณ” ซึ่งเดิมทำเป็นอัตโนมัติได้ยาก เข้ามาอยู่ในขอบเขตของการทำงานอัตโนมัติได้ด้วย TOMAS TECH ในฐานะ IT integrator มีความเชี่ยวชาญในการออกแบบการเชื่อมต่อให้เข้ากับสภาพแวดล้อมระบบเดิมของลูกค้า

RAG กับเอกสารภายในองค์กร — มอบความรู้ขององค์กรให้ AI

Generative AI มีความรู้ทั่วไปอยู่มากมาย แต่ย่อมไม่รู้ข้อมูลเฉพาะขององค์กร เช่น ข้อกำหนดผลิตภัณฑ์ ระเบียบภายในองค์กร กรณีศึกษาในอดีต หรือคู่มือการทำงาน สิ่งที่ได้ผลในจุดนี้คือกลไกที่เรียกว่า RAG (การสร้างคำตอบเสริมด้วยการค้นคืน) ซึ่งค้นหาเอกสารภายในองค์กรแล้วสะท้อนลงในคำตอบ ตอบคำถามเกี่ยวกับข้อบังคับการทำงานได้อย่างแม่นยำโดยอ้างอิงจากเอกสารระเบียบจริง ค้นหาโครงการที่คล้ายกันในอดีตเพื่อใช้อ้างอิงในการรับมือ การฝัง RAG เข้าไปจะเปลี่ยนคำตอบของ AI จาก “ทฤษฎีทั่วไป” ไปเป็น “คำตอบที่สอดคล้องกับสภาพจริงขององค์กร” และเพิ่มความใช้งานได้จริงในงานอย่างมาก อีกทั้งยังเป็นกลไกที่เปลี่ยนองค์ความรู้ภายในองค์กรซึ่งเคยผูกติดกับตัวบุคคล ให้กลายเป็นสินทรัพย์ที่ทุกคนในองค์กรดึงออกมาใช้ได้

การรองรับหลายภาษา — ก้าวข้ามกำแพงภาษาญี่ปุ่น ไทย และอังกฤษ

สำหรับบริษัทสัญชาติญี่ปุ่นในประเทศไทย การรองรับหลายภาษาเป็นประเด็นที่หลีกเลี่ยงไม่ได้ การทำงานอัตโนมัติด้วย Generative AI เป็นวิธีการอันทรงพลังที่จะก้าวข้ามกำแพงภาษานี้ กระบวนการทำงานและพรอมต์ที่จัดทำขึ้นเป็นภาษาญี่ปุ่น สามารถทำงานได้เช่นเดิมทั้งในภาษาไทยและภาษาอังกฤษ ทำให้พนักงานชาวญี่ปุ่นและพนักงานท้องถิ่นใช้กลไกเดียวกันร่วมกันได้

สิ่งที่สำคัญเป็นพิเศษคือ พนักงานท้องถิ่นสามารถใช้กลไกการทำงานอัตโนมัตินี้ด้วยภาษาแม่ของตนเองได้ กลไกที่ออกแบบมาด้วยภาษาญี่ปุ่นเพียงอย่างเดียว ย่อมทำให้การใช้งานเอนไปทางพนักงานชาวญี่ปุ่นอย่างเลี่ยงไม่ได้ และการฝังรากในหน้างานท้องถิ่นก็ไม่คืบหน้า แต่หากผ่าน Generative AI ก็จะจัดวางการใช้งานข้ามภาษาได้อย่างเป็นธรรมชาติ เช่น สั่งงานเป็นภาษาไทยแล้วรับผลลัพธ์เป็นภาษาไทย หรือป้อนข้อมูลเป็นภาษาไทยแล้วได้ผลลัพธ์เป็นภาษาญี่ปุ่น TOMAS TECH มีผลงานการจัดอบรมการนำ AI ไปใช้ทั้งในภาษาญี่ปุ่นและภาษาไทย จึงเข้าใจดีถึงความสำคัญของการที่ “เมื่อสื่อสารกับพนักงานท้องถิ่นด้วยภาษาแม่ได้ สิ่งนั้นก็จะคงอยู่ในหน้างาน” ในการออกแบบการทำงานอัตโนมัติก็เช่นกัน เราจะฝังการใช้งานที่ตั้งอยู่บนสมมติฐานของการใช้หลายภาษาเข้าไป เพื่อผลักดันการนำไปใช้ทั่วทั้งองค์กร

ในด้านคุณภาพการแปลก็เช่นกัน การฝังคลังศัพท์และกฎภายในองค์กรลงในพรอมต์หรือ RAG จะทำให้การใช้งานหลายภาษาเป็นไปอย่างสอดคล้องกัน โดยถ้อยคำไม่แกว่งไปมาระหว่างภาษา หากกำหนดชื่อผลิตภัณฑ์ ชื่อแผนก ศัพท์เฉพาะทาง และสำนวนมาตรฐานให้เป็นหนึ่งเดียวไว้ล่วงหน้า ก็จะได้การแปลที่น่าเชื่อถือและสื่อความหมายเข้าใจตรงกันภายในองค์กร ไม่ว่าจะออกผลลัพธ์เป็นภาษาใดก็ตาม

การพัฒนาขีดความสามารถภายในและการฝังราก — สู่กลไกที่ “ใช้ต่อไปได้เรื่อย ๆ”

จุดสำคัญที่สุดที่ชี้ขาดความสำเร็จหรือล้มเหลวของการทำงานอัตโนมัติด้วย Generative AI นั้น แท้จริงแล้วไม่ได้อยู่ที่ตัวเทคโนโลยี แต่อยู่ที่ “การฝังราก” ไม่ว่าจะสร้างกลไกการทำงานอัตโนมัติที่ยอดเยี่ยมเพียงใด หากหน้างานเลิกใช้ไป การลงทุนก็ไม่มีทางคืนทุน เหตุที่ TOMAS TECH ให้ความสำคัญกับการไม่ทำแบบ “ติดตั้งเสร็จแล้วจบ” ก็เพราะเราเชื่อว่าการฝังรากนี้เองคือช่วงที่สร้างคุณค่าขึ้นมาจริง

การขยายผลภายในองค์กร — จากคนกลุ่มหนึ่งสู่ทั้งองค์กร

การเริ่มต้นเล็ก ๆ ที่แผนกหรืองานใดงานหนึ่งก่อน แล้วขยายไปยังแผนกอื่นและงานอื่นในแนวราบพร้อมกับตรวจสอบผลลัพธ์ไปด้วย คือแนวทางหลักของการฝังราก การแบ่งปันกรณีความสำเร็จภายในองค์กร และการขยายความรู้สึกที่ว่า “แผนกนั้นเขาใช้แบบนี้แล้วสบายขึ้น” จะทำให้การนำไปใช้เกิดขึ้นเองโดยสมัครใจและแพร่กระจายออกไป การสั่งการจากบนลงล่างเพียงอย่างเดียวไม่ทำให้หน้างานขยับ คนที่ได้ลองใช้แล้วสัมผัสถึงผลลัพธ์จะกลายเป็นผู้ผลักดันคนต่อไป การสร้างวงจรที่ดีเช่นนี้คือหัวใจของการขยายผลภายในองค์กร

การเปลี่ยนพรอมต์ให้เป็นสินทรัพย์

พรอมต์ที่มีประสิทธิภาพซึ่งถูกขัดเกลาขึ้นในหน้างานจริง คือสินทรัพย์อันมีค่าขององค์กร หากปล่อยให้แต่ละคนคิดปรับปรุงกันเองเท่านั้น องค์ความรู้นั้นก็จะไม่ถูกแบ่งปันและสูญหายไป การรวบรวมและจัดระเบียบพรอมต์ที่ใช้บ่อยไว้ภายในองค์กร แล้วบริหารจัดการเป็น “ชุดพรอมต์” ที่ทุกคนอ้างอิงและนำกลับมาใช้ซ้ำได้ จะทำให้องค์ความรู้ของการทำงานอัตโนมัติกลายเป็นสมบัติร่วมขององค์กร การใช้เครื่องมือบริหารองค์ความรู้อย่าง Notion แล้วจัดวางการใช้งานที่สะสมและอัปเดตพรอมต์และชีตสรุปอย่างต่อเนื่อง จะเป็นรากฐานที่รองรับการพัฒนาขีดความสามารถภายในองค์กร ในการอบรมของ TOMAS TECH เองก็ใช้รูปแบบที่ให้ผู้เข้าอบรมสร้าง “พรอมต์สำหรับงานของตนเอง” แล้วนำกลับไปใช้ โดยให้ความสำคัญกับการสร้างสินทรัพย์ที่คงอยู่ในหน้างาน

ธรรมาภิบาลและกฎการใช้งาน

การจะนำ Generative AI ไปใช้ทั่วทั้งบริษัท จำเป็นอย่างยิ่งที่จะต้องจัดทำกฎการใช้งาน (ธรรมาภิบาล) เช่น “ใช้กับอะไรได้บ้าง” “ป้อนข้อมูลประเภทใดได้บ้าง” “จะตรวจสอบผลลัพธ์อย่างไร” หากปล่อยให้แต่ละคนใช้อย่างอิสระโดยไม่มีกฎ ก็จะเกิดความเสี่ยง เช่น ข้อมูลรั่วไหลหรือคุณภาพไม่สม่ำเสมอ ในทางกลับกัน หากมีแนวปฏิบัติที่ชัดเจน หน้างานก็จะใช้งานได้อย่างสบายใจ และการนำไปใช้ก็จะคืบหน้า TOMAS TECH ให้บริการสนับสนุนการฝังรากที่ครอบคลุมถึงการจัดทำกฎการใช้งานเหล่านี้และการอบรมภายในองค์กร ควบคู่ไปกับการนำเทคโนโลยีเข้ามาใช้

ประโยชน์จากการนำไปใช้ — สิ่งที่อยู่เหนือกว่าการลดชั่วโมงทำงาน

ผลของการทำงานอัตโนมัติด้วย Generative AI ไม่ได้หยุดอยู่แค่การลดชั่วโมงทำงานโดยตรงเท่านั้น แน่นอนว่าการที่เวลาซึ่งเคยใช้ไปกับงานประจำถูกย่นให้สั้นลง ตัวมันเองก็มีคุณค่ามหาศาลอยู่แล้ว หากย่นเวลาที่ใช้กับงานอย่างการจัดทำเอกสาร การแปล การสรุป และการจัดระเบียบข้อมูลลงได้มาก ก็จะสามารถโยกเวลาส่วนนั้นไปใช้กับงานอื่นได้

แต่ประโยชน์ที่เป็นแก่นแท้ยิ่งกว่านั้นอยู่ที่การสามารถโยกเวลาที่เกิดขึ้นใหม่ไปสู่ “งานที่มีมูลค่าเพิ่มสูง” การมอบงานที่ทำซ้ำ ๆ อย่างการรับมือคำถามและการป้อนข้อมูลให้ AI จะทำให้พนักงานสามารถทุ่มเทให้กับงานที่มีเพียงมนุษย์เท่านั้นที่ทำได้ เช่น การสร้างความสัมพันธ์กับลูกค้า การวางแผนปรับปรุงงาน และการพิจารณาริเริ่มสิ่งใหม่ ๆ เป้าหมายของการทำงานอัตโนมัติไม่ใช่แค่การลดต้นทุน แต่คือการยกระดับผลิตภาพผ่านการจัดสรรทรัพยากรบุคคลใหม่ต่างหาก

ยิ่งไปกว่านั้น ยังมีประโยชน์ในแง่ของการทำให้คุณภาพงานคงที่ด้วย การรับมือโดยคนย่อมมีความแปรปรวนตามสถานการณ์ในวันนั้นและตามทักษะของผู้รับผิดชอบ แต่หากทำเป็นอัตโนมัติด้วยพรอมต์และเวิร์กโฟลว์ที่เป็นมาตรฐานแล้ว ไม่ว่าใครจะรับผิดชอบก็จะได้ผลลัพธ์ที่มีคุณภาพในระดับหนึ่งเสมอ ทั้งยังลดความผิดพลาดของมนุษย์ เช่น การป้อนข้อมูลผิดหรือการแปลที่แกว่งไปมาได้ด้วย และเมื่องานที่เคยผูกติดกับตัวบุคคลถูกแปลงเป็นกลไก ความเสี่ยงที่งานจะติดขัดเมื่อมีการโยกย้ายตำแหน่งหรือการลาออกของผู้รับผิดชอบก็จะลดลง กล่าวได้ว่าจะได้รับผลหลายอย่างพร้อมกัน ทั้งการลดชั่วโมงทำงาน คุณภาพที่คงที่ และการแก้ปัญหาการพึ่งพาตัวบุคคล

หากจะให้เห็นภาพเป็นรูปธรรม เช่น เปลี่ยนงานที่พนักงานแต่ละสาขาเคยเขียนรายงานประจำวันเรียบเรียงด้วยลายมือทุกวัน ให้เป็นกลไกที่เพียงป้อนประเด็นสำคัญเข้าไปแล้ว AI จะจัดรูปแบบให้ หรือเปลี่ยนงานแปลเอกสารภาษาญี่ปุ่นเป็นภาษาไทยและภาษาอังกฤษ ให้ใช้การแปลด้วย AI ที่ฝังกฎการใช้คำศัพท์ให้เป็นหนึ่งเดียวไว้แล้วเป็นฉบับร่างแรก ส่วนผู้รับผิดชอบเพียงตรวจสอบเท่านั้น การแทนที่ทีละอย่างเช่นนี้จะสะสมทับถมกัน และยกระดับผลิตภาพขององค์กรโดยรวมขึ้นมา ขนาดของผลลัพธ์จะแตกต่างกันไปตามเนื้อหาและปริมาณของงาน แต่ยิ่งเป็นงานประจำที่เกิดขึ้นซ้ำ ๆ ผลตอบแทนจากการลงทุนก็มีแนวโน้มจะยิ่งสูงขึ้น

กระบวนการนำไปใช้ — ตั้งแต่การสำรวจงานจนถึงการฝังราก

การจะทำให้การทำงานอัตโนมัติด้วย Generative AI ประสบความสำเร็จนั้น สิ่งสำคัญคือการดำเนินการเป็นขั้นเป็นตอน ไม่ใช่การกระโดดไปสร้างระบบขนาดใหญ่ตั้งแต่แรก กระบวนการนำไปใช้ที่ TOMAS TECH แนะนำมีลำดับดังนี้

ขั้นที่ 1: การสำรวจงานและการจัดระเบียบปัญหา

ขั้นแรก เราจะรวบรวมงานในปัจจุบันออกมาทั้งหมด แล้วทำให้เห็นภาพว่างานประจำที่ทำซ้ำ ๆ อยู่ตรงไหน และชั่วโมงทำงานถูกใช้ไปกับจุดใด ไม่จำเป็นต้องทำให้ทุกอย่างเป็นอัตโนมัติ ยิ่งเป็นงานที่ “เกิดขึ้นบ่อย” “มีขั้นตอนเป็นแบบแผน” และ “กินชั่วโมงทำงานมาก” เท่าใด ผลของการทำเป็นอัตโนมัติก็จะยิ่งสูงขึ้นเท่านั้น ผ่านการสำรวจนี้ เราจะระบุงานที่ควรลงมือทำเป็นลำดับแรก TOMAS TECH จะรับฟังปัญหาทางธุรกิจของลูกค้าอย่างละเอียด และร่วมกันพิจารณาคัดเลือกงานที่เป็นตัวเลือกสำหรับการทำเป็นอัตโนมัติซึ่งสอดคล้องกับสภาพจริงของหน้างาน

ขั้นที่ 2: PoC (การพิสูจน์แนวคิด)

PoC คือการเลือกงานหนึ่งจากที่ระบุไว้มาทดลองในขนาดเล็ก เราจะสร้างต้นแบบกลไกการทำงานอัตโนมัติโดยใช้ข้อมูลการทำงานจริง แล้วตรวจสอบว่า “ใช้ได้จริงหรือไม่” “มีผลมากน้อยเพียงใด” “มีปัญหาอยู่ตรงไหน” การเริ่มต้นเล็ก ๆ ทำให้ตรวจสอบผลลัพธ์ได้ในขณะที่ควบคุมความเสี่ยง และยังสร้างฉันทามติภายในองค์กรได้ง่ายขึ้นด้วย ความรู้ที่ได้จากขั้นนี้จะเป็นประโยชน์ต่อการออกแบบในขั้นการขยายผลเต็มรูปแบบ

ขั้นที่ 3: การขยายผล

เมื่อยืนยันผลลัพธ์จาก PoC ได้แล้ว เราจะสร้างกลไกขึ้นอย่างเต็มรูปแบบ และขยายไปยังงานและแผนกเป้าหมาย โดยดำเนินการทั้งการกำหนดมาตรฐานพรอมต์ การจัดทำเวิร์กโฟลว์ การเชื่อมต่อกับระบบเดิม และการอธิบายวิธีใช้งาน เพื่อทำให้ออกมาอยู่ในรูปแบบที่หน้างานใช้ได้ในงานประจำวัน ในขั้นนี้เช่นกัน การขยายทีละขั้นพร้อมตรวจสอบผลลัพธ์ไปด้วยนั้นปลอดภัยกว่าการทำพร้อมกันทั่วทั้งบริษัทในทันที

ขั้นที่ 4: การสนับสนุนการฝังราก

หลังการนำไปใช้ต่างหากคือของจริง เราจะติดตามว่ามีการใช้งานจริงหรือไม่ เก็บเสียงจากหน้างานมาปรับปรุงอย่างต่อเนื่อง และอัปเดตพรอมต์กับเวิร์กโฟลว์ไปเรื่อย ๆ ผ่านการจัดทำกฎการใช้งาน การอบรมภายในองค์กร และการอบรมติดตามผล เราจะทำให้การทำงานอัตโนมัติหยั่งรากลงในองค์กร TOMAS TECH ให้การสนับสนุนการใช้งานและการปรับปรุงหลังการนำไปใช้อย่างต่อเนื่อง และเดินเคียงข้างไปจนกว่าจะฝังรากเป็น “กลไกที่ใช้ต่อไปได้เรื่อย ๆ”

กระบวนการ “สำรวจงาน → PoC → ขยายผล → ฝังราก” นี้มีจุดเด่นตรงที่สามารถเดินหน้าอย่างมั่นคงไปพร้อมกับตรวจสอบผลตอบแทนจากการลงทุน หลีกเลี่ยงความเสี่ยงของความล้มเหลวครั้งใหญ่ พร้อมกับสะสมความสำเร็จเล็ก ๆ แล้วขยายไปทั่วทั้งบริษัท นี่คือเส้นทางที่เป็นจริงได้ในการทำให้การทำงานอัตโนมัติด้วย Generative AI หยั่งรากลงในหน้างาน

ความปลอดภัยและธรรมาภิบาลข้อมูล

ในการนำ Generative AI มาใช้กับงานธุรกิจ ความปลอดภัยและธรรมาภิบาลข้อมูลเป็นประเด็นสำคัญที่หลีกเลี่ยงไม่ได้ โดยเฉพาะอย่างยิ่งเมื่อต้องจัดการกับข้อมูลที่มีความลับสูง เช่น ข้อมูลลูกค้า ข้อมูลการค้า ข้อมูลทางเทคนิค และข้อมูลบุคลากร จำเป็นต้องออกแบบอย่างรอบคอบว่า “จะป้อนข้อมูลใด ให้ AI ตัวใด และป้อนอย่างไร”

พื้นฐานอันดับแรกคือการกำหนดขอบเขตของข้อมูลที่ป้อนเข้าไปได้ให้ชัดเจน ไม่ใช่ป้อนทุกสิ่งทุกอย่างเข้า AI แต่ให้กำหนดกฎการจัดการตามระดับชั้นความลับ แล้วแบ่งปันกันภายในองค์กร นอกจากนี้ ยังสำคัญที่จะต้องตรวจสอบว่าบริการ AI ที่ใช้จัดการข้อมูลอย่างไร เช่น ข้อมูลที่ป้อนเข้าไปถูกนำไปใช้เรียนรู้หรือไม่ ถูกจัดเก็บไว้หรือไม่ และประมวลผลในภูมิภาคใด แล้วเลือกบริการหรือโครงสร้างที่เหมาะสมกับระดับความลับของงานนั้น ทั้งนี้ ขึ้นอยู่กับวัตถุประสงค์ เราสามารถออกแบบโครงสร้างที่ไม่ส่งข้อมูลออกไปภายนอก หรือกลไกสำหรับใช้ภายในองค์กรที่บริหารสิทธิ์การเข้าถึงอย่างเข้มงวดได้ด้วย

อีกทั้งระบบการตรวจสอบผลลัพธ์ก็ขาดไม่ได้เช่นกัน Generative AI มีประโยชน์อย่างยิ่ง แต่บางครั้งก็ให้ข้อมูลที่ผิดพลาดออกมาอย่างดูน่าเชื่อถือ ในงานที่สำคัญ แทนที่จะใช้ผลลัพธ์ของ AI ตามที่ได้มาโดยตรง เราจะฝังกระบวนการให้คนตรวจสอบเข้าไป เพื่อบริหารจัดการทั้งด้านคุณภาพและความเสี่ยง การออกแบบแบบ “human-in-the-loop” ที่กล่าวถึงข้างต้นนั้นสมเหตุสมผลจากมุมมองของความปลอดภัยและคุณภาพด้วยเช่นกัน TOMAS TECH ในฐานะ IT integrator ให้การสนับสนุนการออกแบบและพัฒนาการทำงานอัตโนมัติที่ปลอดภัย โดยคำนึงถึงข้อกำหนดด้านความปลอดภัยและนโยบายการจัดการข้อมูลของลูกค้า การทำให้ความสะดวกของเทคโนโลยีและธรรมาภิบาลไปด้วยกันได้ คือเงื่อนไขพื้นฐานของการทำงานอัตโนมัติที่ใช้ต่อไปได้อย่างสบายใจ

คำถามที่พบบ่อย (FAQ)

Q1. หน้างานที่ไม่มีความรู้เรื่อง Generative AI หรือการเขียนโปรแกรมเลย จะนำไปใช้ได้หรือไม่

ได้ เรายินดีต้อนรับการปรึกษาตั้งแต่ระดับที่ว่า “ไม่รู้ว่า AI ทำอะไรได้บ้าง” เสียด้วยซ้ำ TOMAS TECH ดำเนินการอย่างครบวงจร ตั้งแต่การรับฟังปัญหาทางธุรกิจ การออกแบบ การพัฒนา การอธิบายวิธีใช้งาน ไปจนถึงการสนับสนุนการฝังราก สำหรับพนักงานหน้างาน เราจะส่งมอบ “พรอมต์ที่ใช้ได้ทันที” และกลไกที่เสร็จสมบูรณ์แล้ว จึงสามารถนำไปใช้ได้แม้ไม่มีความรู้เฉพาะทาง และตามความจำเป็น เรายังมีการอบรมเชิงปฏิบัติที่เรียนรู้ Generative AI ได้ตั้งแต่พื้นฐานให้บริการด้วย

Q2. สามารถเริ่มทดลองจากงานเล็ก ๆ ได้หรือไม่

ได้ และเราแนะนำให้ทำเช่นนั้นเสียด้วยซ้ำ แทนที่จะลงมือทำในขนาดใหญ่ตั้งแต่แรก การทำ PoC (การพิสูจน์ในขนาดเล็ก) กับงานหนึ่งงานที่เกิดขึ้นบ่อยและเห็นผลได้ชัด แล้วค่อยขยายหลังจากยืนยันผลลัพธ์แล้ว เป็นวิธีที่ปลอดภัยและแน่นอนกว่า การเริ่มต้นเล็ก ๆ ช่วยควบคุมความเสี่ยงพร้อมกับทำให้ได้รับความเข้าใจจากภายในองค์กรได้ง่ายขึ้นด้วย

Q3. พนักงานท้องถิ่นที่พูดได้เฉพาะภาษาไทยจะใช้งานได้หรือไม่

ได้ Generative AI รองรับหลายภาษา จึงสามารถป้อนข้อมูลและรับผลลัพธ์เป็นภาษาไทยได้ TOMAS TECH ออกแบบการทำงานอัตโนมัติโดยตั้งอยู่บนสมมติฐานของการใช้งานหลายภาษา และสามารถจัดอบรมได้ทั้งในภาษาญี่ปุ่นและภาษาไทย เนื่องจากเราให้ความสำคัญกับการ “สื่อสารกับพนักงานท้องถิ่นด้วยภาษาแม่ของเขา” จึงผลักดันการนำไปใช้ทั่วทั้งองค์กร ไม่ใช่เฉพาะพนักงานชาวญี่ปุ่น แต่รวมถึงพนักงานท้องถิ่นด้วย

Q4. กังวลว่าผลลัพธ์ของ AI จะผิดพลาด จะรับประกันคุณภาพได้หรือไม่

ความกังวลนี้สมเหตุสมผล Generative AI มีประโยชน์ก็จริง แต่บางครั้งก็ให้ผลลัพธ์ที่ผิดพลาดออกมา ด้วยเหตุนี้ ในงานที่สำคัญ เราจะออกแบบโดยยึดหลัก “การทำงานกึ่งอัตโนมัติ (human-in-the-loop)” ที่ให้คนตรวจสอบผลลัพธ์ของ AI การใช้พรอมต์ที่เป็นมาตรฐานเพื่อทำให้คุณภาพของผลลัพธ์คงที่ ควบคู่ไปกับการให้คนเป็นผู้ตัดสินใจและตรวจสอบขั้นสุดท้าย จะทำให้ได้ทั้งคุณภาพและความเร็วไปพร้อมกัน

Q5. ป้อนข้อมูลลับภายในองค์กรเข้าไปได้หรือไม่

การจัดการข้อมูลลับเป็นเรื่องที่เราพิจารณาอย่างรอบคอบตั้งแต่ขั้นตอนการออกแบบ เราจะกำหนดขอบเขตของข้อมูลที่ป้อนเข้าไปได้ ตรวจสอบนโยบายการจัดการข้อมูลของบริการที่ใช้ และออกแบบโครงสร้างที่ไม่ส่งข้อมูลออกไปภายนอกหรือกลไกที่บริหารสิทธิ์การเข้าถึงตามความจำเป็น การออกแบบการทำงานอัตโนมัติที่ปลอดภัยและสอดคล้องกับข้อกำหนดด้านความปลอดภัย ก็เป็นบทบาทหนึ่งของ TOMAS TECH ในฐานะ IT integrator เช่นกัน

Q6. เชื่อมต่อกับระบบหลักหรือเครื่องมือที่มีอยู่เดิมได้หรือไม่

ได้ สามารถเชื่อมต่อกับระบบหลัก สเปรดชีต เครื่องมือแชท และระบบจัดการเอกสาร ผ่าน API หรือ RPA ได้ TOMAS TECH ในฐานะ IT integrator มีความเชี่ยวชาญในการออกแบบการเชื่อมต่อให้เข้ากับสภาพแวดล้อมระบบเดิมของลูกค้า เราจะพัฒนาการทำงานอัตโนมัติในรูปแบบที่ผสานเข้ากับกระบวนการทำงานเดิมได้อย่างไม่ฝืน

Q7. ใช้เวลานานเท่าใดกว่าจะนำไปใช้ได้

แตกต่างกันไปตามขนาดและความซับซ้อนของงานเป้าหมาย หากเป็น PoC ขนาดเล็กก็สามารถยืนยันผลลัพธ์ได้ในระยะเวลาสั้น แล้วขยายผลเป็นขั้นเป็นตอนจากจุดนั้น ซึ่งเป็นรูปแบบทั่วไป เบื้องต้นเราจะเริ่มลงมือจากงานที่มีลำดับความสำคัญสูงก่อน ผ่านการสำรวจงานและการรับฟังข้อมูล ส่วนกำหนดการที่เป็นรูปธรรม เราจะนำเสนอหลังจากได้รับฟังสถานการณ์ของลูกค้าแล้ว

Q8. ขอใช้บริการเฉพาะการอบรมอย่างเดียวได้หรือไม่

ได้ TOMAS TECH มีการอบรมเชิงปฏิบัติที่ตั้งเป้าหมายให้ผู้เข้าอบรมเริ่มใช้ Generative AI อย่าง “Claude” ในงานจริงได้ตั้งแต่วันรุ่งขึ้น เราจะขอรับข้อมูลจริงของบริษัทท่าน เช่น แบบฟอร์มเอกสารและรายงานประจำวัน ไว้ล่วงหน้าเพื่อปรับแต่งแบบฝึกหัดให้เข้ากับงานของท่าน และดำเนินการอบรมโดยเน้นการฝึกปฏิบัติเป็นหลัก ผู้เข้าอบรมสามารถสร้าง “พรอมต์สำหรับงานของตนเอง” ให้เสร็จสมบูรณ์ในระหว่างการอบรมแล้วนำกลับไปใช้ได้ และยังสามารถเริ่มจากการอบรมก่อน แล้วค่อยก้าวไปสู่การทำงานอัตโนมัติอย่างเต็มรูปแบบในภายหลังได้ด้วย

สรุป — ปลดปล่อยจากงานประจำ สู่งานที่มีเพียงมนุษย์เท่านั้นที่ทำได้

การทำงานอัตโนมัติด้วย Generative AI คือความพยายามที่จะทำให้ “งานประจำที่ทำซ้ำ ๆ” อย่างการจัดทำเอกสาร การแปล การสรุป การวิเคราะห์ข้อมูล การตอบอีเมล การจัดทำแบบฟอร์มเอกสาร รายงานการประชุม และรายงานต่าง ๆ กลายเป็นงานอัตโนมัติหรือกึ่งอัตโนมัติ ด้วย Generative AI อย่าง Claude ร่วมกับเวิร์กโฟลว์ RPA และการเชื่อมต่อระบบ นับเป็นมาตรการที่เป็นจริงได้และให้ผลหลายอย่างพร้อมกัน ต่อปัญหาที่หน้างานของอุตสาหกรรมการผลิตและโลจิสติกส์ในประเทศไทยเผชิญอยู่ ไม่ว่าจะเป็นชั่วโมงทำงานที่ถูกบีบด้วยงานประจำ ภาระของการรองรับหลายภาษา การพึ่งพาตัวบุคคล และการขาดแคลนบุคลากร

กุญแจสู่ความสำเร็จอยู่ที่การทำให้อยู่ในรูปแบบที่ “ไม่ว่าใครใช้ก็ทำซ้ำได้” ด้วยการกำหนดมาตรฐานพรอมต์และการออกแบบเวิร์กโฟลว์ การทำให้ “ทุกคนรวมถึงพนักงานท้องถิ่นใช้งานได้” โดยตั้งอยู่บนสมมติฐานของการใช้งานหลายภาษา และการเดินเคียงข้างไปจนถึงการพัฒนาขีดความสามารถภายในและการฝังราก แทนที่จะ “ติดตั้งเสร็จแล้วจบ” ลดชั่วโมงทำงาน โยกเวลาที่เกิดขึ้นใหม่ไปสู่งานที่มีมูลค่าเพิ่มสูง ทำให้คุณภาพงานคงที่ และแก้ปัญหาการพึ่งพาตัวบุคคล สิ่งที่การทำงานอัตโนมัติด้วย Generative AI มอบให้จึงไม่ใช่แค่การเพิ่มประสิทธิภาพ แต่คือการยกระดับผลิตภาพของทั้งองค์กรผ่านการจัดสรรทรัพยากรบุคคลใหม่

TOMAS TECH ในฐานะ IT integrator ที่เข้าใจหน้างานของโรงงานและโลจิสติกส์ ให้บริการอย่างครบวงจร ตั้งแต่การรับฟังปัญหาทางธุรกิจ การออกแบบและพัฒนาระบบ AI การรองรับหลายภาษา การนำไปใช้และการอธิบายวิธีใช้งาน ไปจนถึงการสนับสนุนการฝังราก เรายินดีรับปรึกษาตั้งแต่ระดับที่ว่า “งานนี้พอจะทำอะไรด้วย AI ได้บ้างไหม” ยิ่งเป็นปัญหาเฉพาะขององค์กรที่เครื่องมือสำเร็จรูปแก้ไม่ได้เท่าใด การออกแบบแบบสั่งทำเฉพาะก็ยิ่งมีคุณค่ามากขึ้นเท่านั้น เบื้องต้น ขอเชิญบอกเล่าปัญหาที่หน้างานของท่านให้เราฟัง เราจะนำเสนอการใช้ Generative AI ในรูปแบบที่ได้ผลจริงกับงานของท่าน

หากต้องการปรึกษาหรือสอบถามข้อมูล กรุณาติดต่อเราได้ที่ https://tomastc.com/th/contact/