Name: ระดับสูง: ออกแบบเวิร์กโฟลว์ นำร่อง agents และ scale ทั้งองค์กร · หลักสูตร AI for Business อย่างมืออาชีพ
Author: จักริน นพรุจนธาดา

3.1

โมดูล 3.1

รื้อวิธีทำงานใหม่ (workflow redesign): จุดที่ทำให้คุณต่างจากคนอื่นจริง ๆ

รื้อกระบวนการทำงานและย้ายความรู้ขององค์กรมาอยู่ในรูปที่ AI ใช้ได้ (re-platform) ไม่ใช่แค่เอาแชทบอทมาแปะเสริม (bolt-on)

👋 สำหรับผู้เริ่มต้น — อ่านตรงนี้ก่อน

💡

เปรียบง่าย ๆ: การเอา AI มาแปะไว้เฉย ๆ เหมือนติดเครื่องยนต์ใหม่เอี่ยมเข้ากับเกวียนไม้เก่า ๆ มันวิ่งเร็วขึ้นนิดหน่อยแต่ยังเป็นเกวียนอยู่ดี ของจริงคือต้องรื้อแล้วสร้างเป็นรถใหม่ทั้งคัน คือรื้อวิธีทำงานทั้งกระบวนการใหม่รอบ ๆ AI ไม่ใช่แค่แปะแชทบอทเพิ่ม

🎯

ทำไมต้องรู้: ตัวเลขบอกชัดว่าเกือบทุกบริษัทเอา AI มาใช้แล้ว แต่มีแค่หยิบมือเดียวที่ได้กำไรจริง ถ้าคุณอยากอยู่ในกลุ่มที่ได้ผลจริง คุณต้องกล้ารื้อวิธีทำงาน ไม่ใช่แค่ซื้อเครื่องมือมาแปะ

🎯 สิ่งที่คุณจะทำได้หลังเรียนโมดูลนี้

เข้าใจว่าทำไมจุดที่ทำให้ธุรกิจต่างจากคู่แข่งคือการรื้อวิธีทำงานใหม่รอบ AI ไม่ใช่ตัวโมเดล AI
บอกได้ว่าองค์กรหัวแถวที่ใช้ AI แล้วได้ผลจริง (high performer) ต่างจากองค์กรที่แค่เอา AI มาแปะเสริมยังไง
ออกแบบวิธีย้ายความรู้ขององค์กรมาให้ AI ใช้งานได้อย่างน่าเชื่อถือ

เนื้อหา

ลองดูตัวเลขจริงกันก่อน เพื่อให้เห็นภาพชัด ๆ รายงาน McKinsey State of AI 2025 บอกว่าเกือบ 80% ขององค์กรเอา AI แบบสร้างเนื้อหาได้ (gen AI) ไปใช้ในงานอย่างน้อย 1 อย่างแล้ว แต่ถึงราว 94% กลับบอกว่ายังไม่เห็นผลที่ "มีนัยสำคัญ" จริง ๆ และมีแค่ประมาณ 6% เท่านั้น (กลุ่มองค์กรหัวแถว หรือ AI high-performer) ที่เห็นเงินกลับมาชัดเจน มีแค่ราว 6% ที่บอกว่า AI ช่วยเพิ่มกำไรก่อนหักดอกเบี้ยและภาษี (EBIT) ตั้งแต่ 5% ขึ้นไป แล้วอะไรคือตัวแยกระหว่างสองกลุ่มนี้ คำตอบไม่ใช่ตัวโมเดล AI แต่คือการรื้อวิธีทำงานใหม่ทั้งกระบวนการ องค์กรหัวแถวเขารื้อขั้นตอนงานจริง (เช่น คู่มือการขาย คู่มือทีมซัพพอร์ต) แล้วย้ายความรู้ในองค์กรมาอยู่ในรูปที่ AI หยิบไปใช้ได้อย่างน่าเชื่อถือ ไม่ใช่แค่เอาแชทบอทมาแปะเพิ่ม อีกอย่างคือกลุ่มนี้มีโอกาสขยายการใช้ AI agents ทั่วองค์กรมากกว่าคนอื่นราว 3 เท่า และที่สำคัญ ราว 70% ของอุปสรรคเวลานำ AI มาใช้จริงเป็นเรื่องของคนและกระบวนการทำงาน ไม่ใช่เรื่องเทคโนโลยีเลย

📖 คำศัพท์ในโมดูลนี้ (อธิบายง่าย ๆ)

workflow redesignการรื้อและออกแบบขั้นตอนการทำงานใหม่ทั้งหมดให้เหมาะกับ AI ไม่ใช่แค่แทรก AI ลงไปในวิธีเดิม

bolt-on chatbotแชทบอทที่เอามาแปะเสริมไว้เฉย ๆ โดยไม่ได้เปลี่ยนวิธีทำงานเดิม มักได้ผลน้อย

gen AI (generative AI)AI ที่สร้างเนื้อหาใหม่ได้เอง เช่น เขียนข้อความ สรุปงาน ทำรูป แบบ ChatGPT

EBITกำไรของบริษัทก่อนหักดอกเบี้ยและภาษี พูดง่าย ๆ คือตัวเลขที่บอกว่าธุรกิจทำเงินได้จริงแค่ไหน

AI high-performerกลุ่มองค์กรหัวแถวที่ใช้ AI แล้วเห็นผลตอบแทนเป็นเงินชัดเจน ต่างจากบริษัทส่วนใหญ่ที่ยังไม่เห็นผล

🧪 ตัวอย่างจริง + ผลลัพธ์ที่ได้

แผน redesign กระบวนการรอบ AI

ช่วยวิเคราะห์กระบวนการตอบ RFP ปัจจุบันของเรา (รับโจทย์ → ค้นข้อเสนอเก่า → ร่าง → รีวิว → ส่ง ใช้เวลา 3-4 วัน) แล้วเสนอการ redesign รอบ AI: ระบุขั้นตอนที่ควร re-platform ความรู้เป็น library ที่ค้นได้ (RAG), ขั้นที่ AI ร่างได้, จุดที่ต้อง human gate และ KPI ที่ควรวัดก่อน-หลัง

✅ ผลลัพธ์ที่ได้

ได้แผนรื้อกระบวนการที่ชี้ให้เห็นว่า ถ้าเอาข้อเสนอเก่า ๆ มาทำเป็นคลังที่ AI ค้นได้ (แบบ RAG) แล้วให้ AI ช่วยร่าง ส่วนคนมาปิดท้ายเรื่องราคา จะย่นเวลาจากหลายวันเหลือแค่ไม่กี่ชั่วโมง พร้อมตัวชี้วัดอย่างเวลาที่ใช้ต่อรอบ (cycle time) และอัตราปิดดีลได้ (win rate)

💡 จุดสอน

ให้ผู้เรียนเห็นความต่างชัด ๆ ระหว่างการรื้อกระบวนการทั้งหมด (ซึ่งได้ผลตอบแทนจริง) กับการแค่เอาแชทบอทมาแปะบนวิธีทำงานเดิม ๆ (ซึ่งก็จะไปอยู่ในกลุ่ม 94% ที่ยังไม่เห็นผล)

แบบฝึกหัดท้ายโมดูล

เลือกงานที่ความรู้ส่วนใหญ่อยู่ในหัวคนไม่กี่คน ไม่ได้จดไว้เป็นระบบ (tribal knowledge) แล้วออกแบบวิธีย้ายความรู้นั้นออกมาให้ AI เข้าถึงได้
เลือกกระบวนการหนึ่งในองค์กรมาวิเคราะห์ว่าตอนนี้เป็นแบบเอา AI มาแปะเสริม (bolt-on) หรือรื้อใหม่จริง ๆ (redesign) แล้วเสนอแผนยกระดับให้ดีขึ้น

3.2

โมดูล 3.2

ทำให้ AI ตอบจากข้อมูลจริงขององค์กร (grounding): RAG และ Copilot Graph

ให้ AI ทำงานบนข้อมูลของคุณ ไม่ใช่ตอบจากความจำที่มันฝึกมา

👋 สำหรับผู้เริ่มต้น — อ่านตรงนี้ก่อน

💡

เปรียบง่าย ๆ: โมเดล AI ทั่วไปเหมือนพนักงานใหม่ที่ฉลาดมากแต่เพิ่งเข้าวันแรก ยังไม่รู้เรื่องบริษัทเราเลย การ ground ด้วยข้อมูลองค์กรก็เหมือนยื่นแฟ้มเอกสาร อีเมล และไฟล์ทั้งหมดของบริษัทให้เขาอ่านก่อนตอบ เขาจะได้ตอบจากข้อมูลจริงของเรา ไม่ใช่เดาจากความจำเก่า ๆ

🎯

ทำไมต้องรู้: ถ้าไม่ให้ข้อมูลของเรา AI จะตอบแบบทั่ว ๆ ไปหรือมั่วขึ้นมา แต่พอต่อกับไฟล์ อีเมล ปฏิทินจริงของบริษัท มันจะตอบเรื่องงานของเราได้ตรงจุด ใช้ได้จริง และเชื่อถือได้มากขึ้น

🎯 สิ่งที่คุณจะทำได้หลังเรียนโมดูลนี้

เข้าใจแนวคิด RAG และการให้ AI ตอบโดยอ้างอิงจากเอกสารขององค์กร
ใช้ Copilot Graph หรือเอกสารที่อัปโหลดเข้าไป เพื่อลดการที่ AI มั่วข้อมูล (hallucination)
ออกแบบคลังความรู้ (knowledge base) ที่ AI ค้นเจอและอ้างอิงกลับได้

เนื้อหา

หลักการที่ "ได้ผลจริง" ข้อเดียวคือ ทำให้ AI ตอบจากข้อมูลของคุณเอง (ด้วย RAG, Copilot Graph หรือเอกสารที่อัปโหลดเข้าไป) แทนที่จะปล่อยให้มันตอบจากความจำที่ฝึกมา ยกตัวอย่างของจริง Microsoft 365 Copilot จะดึงข้อมูลจาก Microsoft Graph มาตอบ ซึ่งก็คืออีเมล ไฟล์ แชท และปฏิทินของคุณนั่นเอง ส่วน Notion AI ก็มีชั้นข้อมูลกลาง (data layer) ที่รวมทั้งหน้าเอกสาร ฐานข้อมูล บันทึกประชุม และข้อมูลลูกค้าไว้ที่เดียว เหมาะกับการจัดการความรู้แบบเชื่อมโยงกันทั้งองค์กร ส่วนแชทบอทแบบ RAG ที่วางอยู่บนเอกสารองค์กร (เช่น คู่มือพนักงาน ขั้นตอนการทำงานมาตรฐาน คลังข้อเสนอ) ก็จะทำให้คำตอบอ้างอิงจากข้อมูลจริง และมั่วน้อยลงมาก สรุปคือ การย้ายความรู้ในองค์กรมาอยู่ในรูปที่ค้นเจอได้ นี่แหละคือเงื่อนไขที่องค์กรหัวแถวใช้ ทำให้ AI ลงมือทำงานได้อย่างน่าเชื่อถือ

📖 คำศัพท์ในโมดูลนี้ (อธิบายง่าย ๆ)

Groundingการทำให้ AI ตอบโดยอ้างอิงจากข้อมูลจริงของเราที่ป้อนให้ ไม่ใช่เดาจากความจำที่ฝึกมา

RAGเทคนิคให้ AI ไปค้นเอกสารของเราก่อนแล้วค่อยตอบ เหมือนเปิดหนังสือดูก่อนตอบ ทำให้แม่นและอ้างอิงได้

Microsoft Graphระบบที่รวมอีเมล ไฟล์ แชท ปฏิทินของคุณใน Microsoft 365 ให้ Copilot ดึงมาใช้ตอบได้

data layerชั้นข้อมูลกลางที่รวมข้อมูลจากหลายที่ไว้ด้วยกัน เพื่อให้ AI เข้าถึงได้จากจุดเดียว

connected knowledge managementการจัดการความรู้ในองค์กรแบบเชื่อมโยงกัน เอกสาร ฐานข้อมูล บันทึกประชุม อยู่รวมกันให้ค้นและใช้ต่อได้ง่าย

🧪 ตัวอย่างจริง + ผลลัพธ์ที่ได้

ออกแบบ RAG ผู้ช่วยตอบนโยบายภายใน

ออกแบบผู้ช่วย RAG ที่ตอบคำถามพนักงานจาก employee handbook: (1) แหล่งข้อมูลที่ต้อง index (2) วิธีให้คำตอบอ้างอิงหัวข้อ/หน้าเสมอ (3) พฤติกรรมเมื่อไม่พบคำตอบ ('ไม่พบในเอกสาร ติดต่อ HR') (4) วิธีอัปเดตเมื่อนโยบายเปลี่ยน

✅ ผลลัพธ์ที่ได้

ได้โครงสร้างผู้ช่วย RAG ที่ระบุชัดว่าจะดึงข้อมูลจากแหล่งไหน บังคับให้อ้างอิงที่มาทุกครั้ง กำหนดว่าถ้าหาคำตอบไม่เจอให้ทำยังไง และจะอัปเดตข้อมูลยังไงเมื่อนโยบายเปลี่ยน ทำให้คำตอบเชื่อถือได้ และลดคำถามซ้ำ ๆ ที่ HR ต้องคอยตอบเอง

💡 จุดสอน

ย้ำว่าสามอย่างนี้คือหัวใจของการทำให้ AI เชื่อถือได้ในองค์กร ได้แก่ การให้ตอบจากข้อมูลจริง การบังคับให้อ้างอิงที่มา และการให้มันกล้าตอบว่า "ไม่รู้" เมื่อไม่มีข้อมูล

แบบฝึกหัดท้ายโมดูล

ทำรายการเอกสารองค์กร 5-10 ชิ้นที่ควรเอาเข้าคลังความรู้ (knowledge base) สำหรับ RAG พร้อมจัดลำดับว่าอันไหนสำคัญก่อนหลัง
ออกแบบคำสั่งระบบ (system prompt) ที่บังคับให้ผู้ช่วยตอบจากเอกสารเท่านั้น และต้องอ้างอิงแหล่งที่มาทุกครั้ง

3.3

โมดูล 3.3

ยุค AI agents: จากผู้ช่วยสู่ผู้ลงมือ

AI ที่ลงมือทำงานเองต่อเนื่องจนจบ (agentic execution) ในปี 2026 และวิธีเริ่มนำร่องอย่างปลอดภัย

👋 สำหรับผู้เริ่มต้น — อ่านตรงนี้ก่อน

💡

เปรียบง่าย ๆ: ผู้ช่วย AI แบบเดิมเหมือนเลขาที่คอยแนะนำว่าควรทำอะไร แต่ AI agent เหมือนพนักงานที่ลงมือทำงานให้เสร็จเองหลายขั้นตอน เช่น สั่งครั้งเดียวแล้วมันไปดึงข้อมูล คำนวณ ตรวจสอบ แล้วส่งผลกลับมาให้ โดยไม่ต้องจ้ำจี้ทีละก้าว

🎯

ทำไมต้องรู้: งานที่เคยต้องนั่งคลิกทีละขั้นเป็นชั่วโมง AI agent ทำแทนได้จบในตัว ทำให้คุณเอาเวลาไปทำงานที่ต้องใช้สมองและการตัดสินใจจริง ๆ แต่ต้องเริ่มแบบมีขอบเขตปลอดภัยก่อน

🎯 สิ่งที่คุณจะทำได้หลังเรียนโมดูลนี้

เข้าใจความต่างระหว่างผู้ช่วยที่แค่ตอบคำถาม กับ agent ที่ลงมือทำงานให้จริง ๆ
รู้จัก agent ที่ใช้จริงในปี 2026 เช่น agent ด้านการเงินของ Copilot, HubSpot Breeze และ agent ช่วยวิเคราะห์ข้อมูล (BI)
ออกแบบการนำร่อง agent กับงานที่ทำซ้ำ ๆ ปริมาณเยอะ ๆ

เนื้อหา

ปี 2026 คือปีที่ AI เริ่มลงมือทำงานเองต่อเนื่องได้จริง ไม่ใช่แค่ตอบ ยกตัวอย่างเช่น M365 Copilot เพิ่มความสามารถทำงานหลายขั้นตอนต่อกันเองจนจบ และมี agent ด้านการเงิน (ทำเรื่องวิเคราะห์ส่วนต่าง กระทบยอด และตามเก็บหนี้ ใน Excel) ฝั่ง HubSpot ก็มี Breeze agents ช่วยงานหาลูกค้า ดูแลลูกค้า ทำคอนเทนต์ และโพสต์โซเชียล ส่วน agent ช่วยวิเคราะห์ข้อมูล (BI) รุ่นใหม่ก็ไม่ได้แค่แนะนำว่าควรทำกราฟแบบไหน แต่ไปสืบหาความผิดปกติในตัวเลข (anomaly) เองได้ และตอบคำถามต่อเนื่อง ช่วยหาสาเหตุของปัญหาได้เร็วขึ้น องค์กรหัวแถวมีแนวโน้มจะขยายการใช้ agent ทั่วองค์กรมากกว่าคนอื่นราว 3 เท่า ส่วนหลักการเริ่มนำร่องที่ปลอดภัยคือ ให้เริ่มจากงานแคบ ๆ ที่ทำซ้ำบ่อยและมีปริมาณเยอะ โดยมีคนคอยตรวจชัดเจน แล้วต้องกำหนดด้วยว่างานแต่ละแบบยอมให้ AI ผิดพลาดได้แค่ไหน (acceptable hallucination threshold), มีจุดที่ให้คนตรวจก่อนผ่าน (human-review gate), มีการบันทึกทุกการกระทำไว้ตรวจย้อนหลัง (audit trail) และจำกัดว่า agent เข้าถึงข้อมูลได้แค่ไหน ตอนนี้ก็เริ่มมีเครื่องมือสำหรับกำกับดูแล agent ออกมาแล้ว เช่น Agent 365 (อยู่ใน M365 E7 Frontier Suite ราคา $99 ต่อคนต่อเดือน)

📖 คำศัพท์ในโมดูลนี้ (อธิบายง่าย ๆ)

AI agentAI ที่ลงมือทำงานเองได้หลายขั้นตอนจนจบ ไม่ใช่แค่ตอบคำถามหรือแนะนำ

agentic executionการที่ AI ทำงานเป็นชุดขั้นตอนต่อเนื่องด้วยตัวเองเพื่อทำงานหนึ่งให้สำเร็จ

multi-step taskงานที่มีหลายขั้นตอนต่อกัน เช่น ดึงข้อมูล วิเคราะห์ แล้วสรุป AI agent ทำครบทุกขั้นได้เอง

anomalyความผิดปกติในข้อมูล เช่น ตัวเลขที่พุ่งหรือตกผิดปกติ ที่ AI ช่วยสืบหาสาเหตุได้

BI (Business Intelligence)เครื่องมือวิเคราะห์ข้อมูลธุรกิจเพื่อช่วยตัดสินใจ เช่น ทำกราฟ ทำรายงานยอดขาย

🧪 ตัวอย่างจริง + ผลลัพธ์ที่ได้

spec การนำร่อง finance agent

Pilot: Copilot Reconciliation agent Scope: กระทบยอดบัญชีธนาคาร 3 บัญชีหลัก, ธุรกรรม/เดือน ~500 Guardrails: - human_review_gate: ทุกความไม่ตรงกัน > 1,000 บาท ต้องให้คนอนุมัติ - data_access: อ่านได้เฉพาะ GL และ statement, ห้ามแก้ ledger โดยตรง - audit_trail: บันทึกทุก action ของ agent - fallback: หากมั่นใจ < 90% ให้ flag ให้คนตัดสิน Success_KPI: เวลาปิดเดือนลดลง, error rate ไม่เพิ่ม, % รายการที่ agent จัดการได้เอง

✅ ผลลัพธ์ที่ได้

ได้สเปกการนำร่องที่กำหนดขอบเขตงาน (scope) กติกาคุมความปลอดภัย (guardrails) และตัวชี้วัดผล (KPI) ชัดเจน ทำให้ทดสอบ agent ได้อย่างปลอดภัยและวัดผลได้ก่อนจะขยายใช้จริง

💡 จุดสอน

แสดงว่า agent ที่ใช้จริงต้องมีกติกาคุมความปลอดภัย มีจุดให้คนตรวจ และมีการบันทึกไว้ตรวจย้อนหลัง ไม่ใช่ปล่อยให้มันทำเองอิสระ และต้องผูกกับตัวชี้วัดผลก่อนขยายใช้เสมอ

แบบฝึกหัดท้ายโมดูล

เลือกงานในองค์กรที่เหมาะจะนำร่อง agent (งานแคบ ทำซ้ำบ่อย ปริมาณเยอะ) แล้วเขียนสเปกพร้อมกติกาคุมความปลอดภัย
ออกแบบการบันทึกไว้ตรวจย้อนหลัง (audit trail) และจุดให้คนตรวจก่อนผ่าน สำหรับ agent ที่ต้องแตะข้อมูลลูกค้าหรือเรื่องการเงิน

3.4

โมดูล 3.4

AI สำหรับงานกฎหมาย สัญญา และผู้บริหาร

ตรวจสัญญา ร่างเอกสารมาตรฐาน ค้นข้อมูลเชิงลึก (deep research) และทำสไลด์นำเสนอบอร์ด (board deck)

👋 สำหรับผู้เริ่มต้น — อ่านตรงนี้ก่อน

💡

เปรียบง่าย ๆ: เหมือนมีผู้ช่วยทนายที่อ่านสัญญายาว ๆ ทั้งฉบับได้ในไม่กี่นาที คอยขีดเส้นใต้ตรงข้อที่เสี่ยงหรือเอาเปรียบเรา แล้วเสนอวิธีแก้ให้ด้วย ส่วนผู้บริหารก็เหมือนมีนักวิเคราะห์ช่วยทำสไลด์และค้นข้อมูลเชิงลึกให้ก่อนเข้าประชุมบอร์ด

🎯

ทำไมต้องรู้: งานรีวิวสัญญาที่เคยกินเวลาเป็นวัน ลดลงได้ 70-85% ช่วยจับข้อเสี่ยงที่คนอาจมองข้าม แต่ต้องมีคนตรวจซ้ำเสมอ เพราะเรื่องกฎหมายพลาดไม่ได้

🎯 สิ่งที่คุณจะทำได้หลังเรียนโมดูลนี้

ใช้ Spellbook หรือ Harvey ตรวจสัญญาและชี้จุดเสี่ยงให้เห็น
ใช้ Deep Research ทำสรุปย่อ (brief) เรื่องตลาดหรือคู่แข่งพร้อมแหล่งอ้างอิง
ร่างสไลด์นำเสนอบอร์ดด้วย Copilot ใน PowerPoint

เนื้อหา

เริ่มจากงานกฎหมายก่อน เครื่องมือที่มีในตลาดก็เช่น Harvey (เหมาะกับสำนักงานใหญ่หรือทีมกฎหมายองค์กร ราคาแพงและต้องซื้อหลายที่นั่ง), Spellbook (เหมาะกับธุรกิจขนาดเล็กถึงกลาง ใช้งานได้ในตัว Word เลย สอดคล้องมาตรฐานความเป็นส่วนตัวอย่าง GDPR/PIPEDA/CCPA และไม่เก็บข้อมูลไว้หลังใช้งานเสร็จ), LegalOn และ GC AI งานที่ใช้บ่อยคือการตรวจสัญญาและชี้จุดเสี่ยง เช่น Spellbook ชี้ข้อสัญญา (clause) ที่เสี่ยง แล้วเสนอวิธีแก้แบบเห็นรอยขีดฆ่า-เพิ่มข้อความ (redline) โดยอิงจากคู่มือมาตรฐานขององค์กร ช่วยลดเวลาตรวจได้ 70-85% แต่ต้องย้ำผู้เรียนว่า ต้องตรวจซ้ำเสมอ อย่ากดรับอัตโนมัติ อีกงานคือให้ AI ช่วยร่าง NDA หรือสัญญามาตรฐานฉบับแรกจากคลังตัวอย่างสัญญาเดิม (precedent library) ส่วนงานฝั่งผู้บริหารและกลยุทธ์ ก็มีการทำสรุปย่อจากการค้นข้อมูลเชิงลึก (เช่น Deep Research ของ ChatGPT หรือ Gemini รวบรวมสรุปตลาดหรือคู่แข่งมาให้พร้อมแหล่งอ้างอิง อย่างบริษัท Newman's Own ประหยัดเวลาสรุปข่าวและข้อมูลอุตสาหกรรมได้ถึง 70 ชั่วโมงต่อเดือน) และการร่างสไลด์นำเสนอบอร์ดฉบับแรก (Copilot ใน PowerPoint ร่างสไลด์จากไฟล์ Word หรือโน้ตได้ ทำให้งานสร้างสรรค์เร็วขึ้นราว 40%)

📖 คำศัพท์ในโมดูลนี้ (อธิบายง่าย ๆ)

contract reviewการตรวจสอบสัญญาว่ามีข้อไหนเสี่ยง เอาเปรียบ หรือควรแก้ไขบ้าง

clauseข้อความหรือข้อกำหนดแต่ละข้อในสัญญา

redlineการแก้ไขสัญญาแบบเห็นรอยขีดฆ่าและเพิ่มข้อความ เพื่อให้เห็นชัดว่าเปลี่ยนตรงไหน

playbookคู่มือมาตรฐานขององค์กรว่าเงื่อนไขแบบไหนรับได้หรือรับไม่ได้ ใช้เป็นเกณฑ์ให้ AI ตรวจสัญญา

board deckชุดสไลด์นำเสนอต่อคณะกรรมการบริษัท (บอร์ด) มักสรุปผลงานและทิศทางธุรกิจ

🧪 ตัวอย่างจริง + ผลลัพธ์ที่ได้

review สัญญาแบบ flag ความเสี่ยง

ตรวจร่างสัญญาบริการนี้ใน Word แล้ว flag clause ที่มีความเสี่ยงต่อบริษัทเรา (ในฐานะผู้ให้บริการ) โดยเฉพาะเรื่องความรับผิด, การชดใช้, การบอกเลิก และทรัพย์สินทางปัญญา เสนอ redline พร้อมเหตุผลแต่ละจุด และระบุจุดที่ต้องให้ทนายพิจารณาเพิ่ม

✅ ผลลัพธ์ที่ได้

ได้รายการข้อสัญญาที่เสี่ยง พร้อมข้อความแก้ไข (redline) และเหตุผลกำกับ ช่วยลดเวลาตรวจได้ 70-85% แต่มันจะชี้จุดที่ต้องให้ทนายคนจริงพิจารณาไว้ด้วย ไม่ใช่ให้เรากดรับหมดโดยอัตโนมัติ

💡 จุดสอน

ย้ำหลักการ ต้องตรวจซ้ำ อย่ากดรับอัตโนมัติ AI ช่วยให้ตรวจเร็วขึ้นก็จริง แต่การตัดสินใจทางกฎหมายที่มีผลกระทบ ต้องมีคนที่เชี่ยวชาญตัวจริงมาดูเสมอ

แบบฝึกหัดท้ายโมดูล

ให้ AI ตรวจสัญญาตัวอย่างและชี้จุดเสี่ยง 5 จุด แล้วลองประเมินเองว่าจุดไหนถูกต้อง จุดไหนต้องตรวจซ้ำ
ใช้ Deep Research ทำสรุปย่อเรื่องคู่แข่ง 1 หน้าพร้อมแหล่งอ้างอิง แล้วตามไปเช็กว่าแหล่งที่มาเชื่อถือได้จริงไหม

3.5

โมดูล 3.5

ROI framework และการวัดผลกระทบ

วัดทั้ง leading indicators และ business KPI เลือกจุดเริ่มที่คุ้มค่า

👋 สำหรับผู้เริ่มต้น — อ่านตรงนี้ก่อน

💡

เปรียบง่าย ๆ: การวัดผล AI เหมือนตอนลดน้ำหนัก ถ้าดูแค่ตัวเลขบนตาชั่ง (KPI ธุรกิจ) อย่างเดียวจะเห็นผลช้าและท้อ ต้องดูสัญญาณระหว่างทางด้วย เช่น ออกกำลังกี่ครั้ง กินดีขึ้นไหม (leading indicators) จึงจะรู้ว่ามาถูกทางก่อนผลใหญ่จะโผล่

🎯

ทำไมต้องรู้: ถ้าวัดผลไม่เป็น คุณจะไม่รู้ว่า AI คุ้มเงินไหมและควรขยายตรงไหน การวัดทั้งเวลาที่ประหยัดได้และผลกำไร ช่วยให้เลือกจุดเริ่มที่คุ้มที่สุดและกล้าลงทุนต่อ

🎯 สิ่งที่คุณจะทำได้หลังเรียนโมดูลนี้

แยกออกว่าอะไรคือสัญญาณระหว่างทาง (leading indicators) และอะไรคือตัวชี้วัดผลธุรกิจ (business KPI)
เข้าใจทั้งหลักฐานที่บอกว่า AI คุ้มจริง และหลักฐานฝั่งตรงข้ามที่ยังไม่คุ้ม (counter-evidence)
ทำแผนวัดผล (measurement plan) ก่อนขยายใช้จริง

เนื้อหา

ลองดูหลักฐานฝั่งที่วัดผลได้จริงก่อน หน่วยงานราชการอังกฤษประหยัดเวลาได้ราว 26 นาทีต่อคนต่อวัน หรือประมาณ 112 ชั่วโมงต่อปี บางทีมที่ใช้ Copilot ทำงานบางอย่างเร็วขึ้นถึง 77% บริษัทประกัน Hiscox ลดเวลาดำเนินเรื่องเคลมจากราว 1 ชั่วโมง เหลือแค่ราว 10 นาทีต่อเคลม ใน 14 ประเทศ Quilter ประหยัดได้ราว 45 นาทีต่อการประชุมหนึ่งครั้ง ส่วนรายงาน Forrester TEI (ซึ่ง Microsoft เป็นผู้ว่าจ้างให้ทำ) คาดว่าใช้ M365 Copilot แล้วได้ผลตอบแทนคืนราว 112%-457% แต่เพื่อความยุติธรรม ต้องดูหลักฐานฝั่งตรงข้ามด้วย McKinsey บอกว่าราว 94% ยังไม่เห็นผลชัด มีแค่ราว 5.5% ที่เห็นเงินกลับมาจริง และผลสำรวจของ Gallup ก็พบว่ามีพนักงานแค่ราว 6% เท่านั้นที่รู้สึก "สบายใจมาก" ในการใช้ AI ส่วนหลักการวัดผลคือ ต้องวัดทั้งสัญญาณระหว่างทาง (เช่น สัดส่วนคนที่เริ่มใช้จริง คุณภาพของงานที่ออกมา และเวลาที่ใช้ต่องาน) และตัวชี้วัดผลธุรกิจ (เช่น ความพึงพอใจลูกค้าอย่าง CSAT, อัตราการปิดการขาย, เวลาที่ใช้ต่อรอบงาน และกำไร EBIT) โปรแกรมส่วนใหญ่มักไปสะดุดตอนขยายใช้ทั้ง ๆ ที่ยังไม่มีตัววัดผลชัดเจน หมายเหตุสำคัญ ตัวเลขบางอันมาจากผู้ขายเป็นคนว่าจ้างให้ทำ (เช่น Forrester TEI) เวลานำเสนอต้องบอกให้ชัดว่าเป็นข้อมูลจากฝั่งผู้ขาย ไม่ใช่ข้อมูลจากหน่วยงานกลางที่เป็นอิสระ

📖 คำศัพท์ในโมดูลนี้ (อธิบายง่าย ๆ)

ROIผลตอบแทนจากการลงทุน พูดง่าย ๆ คือลงเงินไป 1 บาท ได้กลับมากี่บาท คุ้มไหม

leading indicatorsสัญญาณระหว่างทางที่บอกแนวโน้มล่วงหน้า เช่น เวลาที่ประหยัดได้ต่อวัน ก่อนจะเห็นผลกำไรก้อนใหญ่

business KPIตัวชี้วัดผลสำคัญของธุรกิจ เช่น ยอดขาย กำไร จำนวนเคสที่ปิดได้

TEI (Total Economic Impact)วิธีคำนวณผลกระทบทางเศรษฐกิจรวมของการลงทุน ทั้งต้นทุนและประโยชน์ที่ได้ (รายงานของ Forrester)

claim processingการดำเนินเรื่องเคลมประกัน ตั้งแต่รับเรื่องจนอนุมัติจ่าย ซึ่ง AI ช่วยให้เร็วขึ้นมาก

🧪 ตัวอย่างจริง + ผลลัพธ์ที่ได้

measurement plan ก่อน scale

ช่วยสร้าง measurement plan สำหรับการนำร่อง AI ในทีมบริการลูกค้า 20 คน: (1) leading indicators 3 ตัว (adoption, คุณภาพคำตอบ, time-to-first-response) (2) business KPI 3 ตัว (CSAT, deflection rate, cost per resolution) (3) baseline ที่ต้องเก็บก่อนเริ่ม (4) รอบการรีวิว ทำเป็นตาราง

✅ ผลลัพธ์ที่ได้

ได้แผนวัดผลแบบตารางที่แยกสัญญาณระหว่างทางกับตัวชี้วัดผลธุรกิจออกจากกัน พร้อมค่าตั้งต้นก่อนเริ่ม (baseline) และรอบการทบทวน ทำให้ตัดสินใจขยายใช้บนข้อมูลจริง ไม่ใช่ความรู้สึก

💡 จุดสอน

ย้ำว่าการวัดทั้งสองระดับนี่แหละคือตัวแยกระหว่างโปรแกรมที่ขยายได้สำเร็จ กับที่ไปสะดุดกลางทาง และต้องเก็บค่าตั้งต้นไว้ก่อนเริ่มเสมอ

แบบฝึกหัดท้ายโมดูล

เลือกงานจริง 1 อย่าง แล้วกำหนดสัญญาณระหว่างทาง 3 ตัว กับตัวชี้วัดผลธุรกิจ 3 ตัว พร้อมค่าตั้งต้น
เลือกคำกล่าวอ้างเรื่องผลตอบแทน (ROI) ที่ผู้ขายเป็นคนว่าจ้างให้ทำ 1 ชิ้น มาวิเคราะห์ แล้วอธิบายว่าจะนำเสนอต่อผู้บริหารอย่างตรงไปตรงมาได้ยังไง

3.6

โมดูล 3.6

บริหารการเปลี่ยนแปลง (change management) และวางกฎกติกา (governance): ~70% ที่ไม่ใช่เรื่องเทคโนโลยี

ผู้บริหารหนุนหลัง (executive sponsorship), คนช่วยผลักดัน (change champions), พื้นที่ทดลองปลอดภัย (sandbox) และนโยบายใช้ AI อย่างรับผิดชอบ (responsible-AI policy)

👋 สำหรับผู้เริ่มต้น — อ่านตรงนี้ก่อน

💡

เปรียบง่าย ๆ: การนำ AI มาใช้เหมือนย้ายบ้านทั้งครอบครัว ตัวบ้านใหม่ (เทคโนโลยี) เป็นแค่ส่วนเล็ก เรื่องยากจริง ๆ คือทำให้ทุกคนในบ้านยอมย้าย ปรับตัว และอยู่ร่วมกันได้ นั่นคือเรื่องคนกับกระบวนการที่คิดเป็น 70% ของงาน

🎯

ทำไมต้องรู้: AI ดีแค่ไหนก็ล้มเหลวถ้าคนไม่ใช้หรือใช้ผิด การมีผู้บริหารหนุนหลัง มีคนช่วยผลักดัน มีที่ให้ทดลองปลอดภัย และกฎกติกาชัดเจน คือสิ่งที่ทำให้ AI เกิดผลจริงและไม่สร้างปัญหา

🎯 สิ่งที่คุณจะทำได้หลังเรียนโมดูลนี้

ออกแบบโครงสร้างการบริหารการเปลี่ยนแปลง ทั้งผู้บริหารหนุนหลัง ทีมข้ามแผนก และคนช่วยผลักดัน
วางกฎกติกาการใช้ AI ทั้งเกณฑ์ที่ยอมให้ AI ผิดพลาดได้ จุดให้คนตรวจก่อนผ่าน และการบันทึกไว้ตรวจย้อนหลัง
สร้างนโยบายใช้ AI อย่างรับผิดชอบ และพื้นที่ทดลองที่ปลอดภัย

เนื้อหา

ราว 70% ของอุปสรรคในการนำ AI มาใช้จริงเป็นเรื่องคนและกระบวนการทำงาน ไม่ใช่เรื่องเทคโนโลยี ดังนั้นการบริหารการเปลี่ยนแปลงจึงต้องมีองค์ประกอบเหล่านี้ คือมีผู้บริหารระดับสูงคอยหนุนหลังจริงจัง มีทีม AI ที่รวมคนหลายแผนก (ทั้งไอที ฝ่ายบุคคล และฝ่ายธุรกิจ) มีการฝึกอบรมที่ออกแบบเฉพาะแต่ละบทบาท มี "คนช่วยผลักดัน" ที่คอยชวนเพื่อนร่วมงานให้ลองใช้ มีพื้นที่ทดลองที่ปลอดภัย และที่สำคัญที่สุดคือ ต้องรื้อวิธีทำงานใหม่รอบ AI ไม่ใช่แค่เอามาแปะเสริม ส่วนกติกาการใช้ AI ในองค์กรก็ควรเป็นแบบนี้ ให้ใช้แพ็กเกจระดับธุรกิจหรือองค์กร (business/enterprise) ที่เขาไม่เอาข้อมูลของเราไปฝึกโมเดลต่อ (เช่น ChatGPT Business/Enterprise, Claude Enterprise, Copilot) แล้วกำหนดว่างานแต่ละแบบยอมให้ AI ผิดพลาดได้แค่ไหน มีจุดให้คนตรวจก่อนผ่าน มีการบันทึกไว้ตรวจย้อนหลัง และจำกัดว่าใครเข้าถึงข้อมูลอะไรได้บ้าง แนวโน้มก็ดีขึ้นเรื่อย ๆ ในปี 2025 สัดส่วนธุรกิจที่ยังไม่มีนโยบายใช้ AI อย่างรับผิดชอบเลย ลดจาก 24% เหลือ 11% และตำแหน่งงานด้านกำกับดูแล AI ก็โตขึ้นราว 17% ตอนนี้ก็เริ่มมีเครื่องมือกำกับดูแล agent ออกมาแล้ว เช่น Agent 365 ใน M365 E7 Frontier Suite

📖 คำศัพท์ในโมดูลนี้ (อธิบายง่าย ๆ)

change managementการบริหารการเปลี่ยนแปลง คือช่วยให้คนในองค์กรปรับตัวและยอมรับวิธีทำงานใหม่ได้ราบรื่น

governanceการวางกฎกติกาและการกำกับดูแลว่าจะใช้ AI อย่างไรให้ปลอดภัยและมีความรับผิดชอบ

executive sponsorshipการมีผู้บริหารระดับสูงคอยสนับสนุนและผลักดันโครงการอย่างจริงจัง

change championsพนักงานตัวอย่างที่กระตือรือร้น คอยช่วยสอนและชวนเพื่อนร่วมงานให้ใช้ AI

sandboxพื้นที่ทดลองที่ปลอดภัย ให้ลองใช้ AI ได้โดยไม่กระทบงานจริงหรือข้อมูลสำคัญ

responsible-AI policyนโยบายการใช้ AI อย่างมีความรับผิดชอบ เช่น ห้ามใส่ข้อมูลลับ ต้องมีคนตรวจก่อนใช้จริง

🧪 ตัวอย่างจริง + ผลลัพธ์ที่ได้

โครงร่าง responsible-AI policy

ร่างโครงสร้าง responsible-AI policy 1 หน้าสำหรับบริษัทไทย ครอบคลุม: (1) เครื่องมือที่อนุมัติและ tier ที่ต้องใช้ (2) ข้อมูลที่ห้ามป้อน (ข้อมูลส่วนบุคคลตาม PDPA) (3) human-review gate สำหรับงานผลกระทบสูง (4) การเปิดเผยว่าใช้ AI (5) ผู้รับผิดชอบ/DPO ทำเป็นหัวข้อพร้อมคำอธิบายสั้น

✅ ผลลัพธ์ที่ได้

ได้โครงร่างนโยบาย 5 หัวข้อที่พร้อมเอาไปปรับใช้ ครอบคลุมทั้งเครื่องมือ ข้อมูลที่ห้ามป้อน จุดให้คนตรวจ การเปิดเผยว่าใช้ AI และผู้รับผิดชอบ สอดคล้องกับ PDPA

💡 จุดสอน

เชื่อมเรื่องกฎกติกาเข้ากับ PDPA ของไทย และย้ำว่านโยบายที่ดีต้องระบุให้ชัดเป็นรูปธรรม ทั้งแพ็กเกจที่ใช้ ข้อมูลที่ห้ามป้อน และจุดที่ต้องให้คนตรวจ

แบบฝึกหัดท้ายโมดูล

ออกแบบโครงสร้างทีม AI แบบข้ามแผนกสำหรับองค์กรของตัวเอง ระบุว่าใครทำหน้าที่อะไร และใครเป็นคนช่วยผลักดัน
ร่างนโยบายใช้ AI อย่างรับผิดชอบ 1 หน้าที่สอดคล้องกับ PDPA พร้อมกำหนดจุดให้คนตรวจก่อนผ่าน สำหรับงานผลกระทบสูง 3 อย่าง

🏆 Capstone: แผนนำ AI ไป scale ในองค์กรจริงพร้อม ROI และ governance

เลือกกระบวนการจริง 1-2 อย่างที่จะรื้อใหม่รอบ AI (ไม่ใช่แค่เอามาแปะเสริม) พร้อมแผนย้ายความรู้มาทำเป็น RAG หรือคลังความรู้
ออกแบบการนำร่อง AI agent 1 ตัว พร้อมกติกาคุมความปลอดภัย จุดให้คนตรวจก่อนผ่าน การบันทึกไว้ตรวจย้อนหลัง และการจำกัดการเข้าถึงข้อมูล
สร้างกรอบวัดผลตอบแทน (ROI framework) ที่มีทั้งสัญญาณระหว่างทาง ตัวชี้วัดผลธุรกิจ ค่าตั้งต้น และรอบการทบทวน
ร่างนโยบายใช้ AI อย่างรับผิดชอบ และแผนบริหารการเปลี่ยนแปลง (ผู้บริหารหนุนหลัง ทีมข้ามแผนก คนช่วยผลักดัน พื้นที่ทดลอง และการฝึกอบรม)
จัดทำส่วนที่ว่าด้วย PDPA และการทำตามกฎ ได้แก่ ข้อมูลที่ห้ามป้อน แพ็กเกจที่ใช้ การลบข้อมูลระบุตัวตนออก (anonymize) ฐานทางกฎหมาย และการเลือกโมเดลสำหรับงานภาษาไทยและเรื่องการเก็บข้อมูลไว้ในประเทศ (data-sovereignty โดยลองพิจารณา Typhoon เทียบกับ Claude/Gemini/GPT)

🎓

จบหลักสูตรการใช้งาน AI for Business อย่างมืออาชีพ

Use Cases →วัดผล ROI →จริยธรรม →