Name: ระดับพื้นฐาน: เริ่มใช้ AI ในงานประจำอย่างมั่นใจ · หลักสูตร AI for Business อย่างมืออาชีพ
Author: จักริน นพรุจนธาดา

1.1

โมดูล 1.1

รู้จักผู้ช่วย AI ตัวหลัก ๆ แล้วเลือกให้เข้ากับเครื่องมือที่บริษัทใช้อยู่ (stack)

ทำความรู้จัก Copilot, ChatGPT, Claude, Gemini, Notion AI แล้วเลือกตัวที่เหมาะกับบริษัทเรา

👋 สำหรับผู้เริ่มต้น — อ่านตรงนี้ก่อน

💡

เปรียบง่าย ๆ: เหมือนเวลาจะซื้อรถ เราต้องดูก่อนว่าจะเอาไปใช้ทำอะไร วิ่งในเมืองหรือลุยป่า แล้วค่อยเลือกยี่ห้อให้เหมาะ ผู้ช่วย AI ก็เหมือนกัน แต่ละตัวเก่งคนละแบบ ต้องเลือกให้เข้ากับงานและเครื่องมือที่บริษัทใช้อยู่

🎯

ทำไมต้องรู้: ถ้าเลือกผิดตั้งแต่แรก พนักงานจะไม่อยากใช้และเสียเงินฟรี แต่ถ้าเลือกตัวที่เชื่อมกับโปรแกรมที่ใช้อยู่ทุกวัน (เช่น Word, อีเมล) คนจะหยิบมาใช้เองโดยไม่ต้องบังคับ

🎯 สิ่งที่คุณจะทำได้หลังเรียนโมดูลนี้

บอกได้ว่าผู้ช่วย AI ตัวหลัก 5 ตัวต่างกันยังไง แต่ละตัวเก่งด้านไหน
เข้าใจหลักง่าย ๆ ว่า ควรเลือกผู้ช่วยที่เชื่อมกับเครื่องมือที่บริษัทใช้อยู่ได้แบบเนียน ๆ (native)
อ่านตารางราคาแต่ละระดับแพ็กเกจ (tier) ได้ถูกต้อง ไม่หลงกล

เนื้อหา

มาดูกันว่าผู้ช่วย AI ที่พนักงานหยิบมาใช้ได้ทุกวันมีตัวไหนบ้าง Microsoft 365 Copilot จะฝังอยู่ในโปรแกรมที่เราคุ้นเคยเลย ทั้ง Word, Excel, PowerPoint, Outlook, Teams, Loop และเชื่อมอีเมล ไฟล์ แชท ปฏิทินของเราเข้าด้วยกันผ่านตัวกลางที่ชื่อ Microsoft Graph ส่วน ChatGPT (ปี 2025 เปลี่ยนชื่อรุ่น Team มาเป็น ChatGPT Business) ก็เป็นอีกตัวยอดนิยม ด้าน Claude เด่นเรื่องอ่านและวิเคราะห์เอกสารยาว ๆ ทีเดียวได้เยอะ (large-context reasoning) กับงานเขียน ขณะที่ Google Gemini for Workspace จะฝังอยู่ใน Gmail, Docs, Sheets, Slides, Meet และ Notion AI เหมาะกับทีมที่ทำงานบนคลังความรู้ (wiki) เป็นหลัก วิธีเลือกง่าย ๆ คือดูจากเครื่องมือที่บริษัทใช้อยู่ ถ้าใช้ Microsoft 365 อยู่แล้วก็เลือก Copilot ถ้าใช้ Google ก็ Gemini ถ้าเน้นทำคลังความรู้ก็ Notion AI แต่ถ้าอยากได้งานคิดวิเคราะห์หรืองานเขียนระดับท็อปแบบใช้เดี่ยว ๆ ก็เลือก Claude หรือ ChatGPT มีผลสำรวจจาก G2 ปี 2026 บอกว่า ผู้ช่วยที่เชื่อมกับระบบลูกค้า (CRM) หรือชุดโปรแกรมที่บริษัทใช้อยู่ได้แบบเนียน ๆ (native) จะช่วยให้พนักงานเริ่มใช้เร็วขึ้นราว 40% และคุ้มค่าเงินมากขึ้นราว 2 เท่า

📖 คำศัพท์ในโมดูลนี้ (อธิบายง่าย ๆ)

AI assistant (ผู้ช่วย AI)โปรแกรมที่ช่วยทำงานให้เรา เช่น ร่างอีเมล สรุปเอกสาร เหมือนมีผู้ช่วยส่วนตัวคอยรับคำสั่ง

stackชุดเครื่องมือ/โปรแกรมที่บริษัทใช้อยู่รวมกันเป็นระบบ เหมือนชุดเครื่องครัวที่เราคุ้นมือแล้ว

horizontal (แนวนอน)ผู้ช่วยที่ใช้ได้กับงานทั่ว ๆ ไปทุกแผนก ไม่ได้เจาะจงงานใดงานหนึ่ง เหมือนมีดสารพัดประโยชน์

Microsoft Graphสะพานที่ให้ Copilot เข้าถึงอีเมล ไฟล์ แชท ปฏิทินของเราในระบบ Microsoft ได้ เหมือนพนักงานที่มีกุญแจเข้าห้องเก็บของบริษัท

large-context reasoningความสามารถอ่านและคิดวิเคราะห์เอกสารยาว ๆ ทีเดียวได้เยอะ เหมือนคนที่อ่านหนังสือทั้งเล่มแล้วสรุปให้ฟังได้

🧪 ตัวอย่างจริง + ผลลัพธ์ที่ได้

เปรียบเทียบเครื่องมือให้ผู้บริหารตัดสินใจ

ช่วยทำตารางเปรียบเทียบ Microsoft 365 Copilot, ChatGPT Business, Claude, Gemini for Workspace และ Notion AI สำหรับบริษัทของเราที่ใช้ Google Workspace อยู่แล้ว โดยมีคอลัมน์: จุดแข็งหลัก, การเชื่อมต่อกับ stack ที่เรามี, ราคาต่อผู้ใช้ต่อเดือน และเหมาะกับงานประเภทใด สรุปคำแนะนำ 3 บรรทัดตอนท้าย

✅ ผลลัพธ์ที่ได้

ได้ตารางเปรียบเทียบ 5 เครื่องมือพร้อมคอลัมน์ตามที่ขอ และคำแนะนำว่า เพราะบริษัทใช้ Google Workspace อยู่แล้ว Gemini for Workspace จึงเป็นตัวที่เชื่อมได้เนียนที่สุด (ช่วยให้คนเริ่มใช้เร็ว) แต่ถ้าต้องการงานเขียนหรือวิเคราะห์เอกสารยาวเป็นพิเศษ ให้เสริม Claude เข้าไป

💡 จุดสอน

ให้ผู้เรียนเห็นว่า AI ช่วยตัดสินใจเลือกเครื่องมือได้ แต่ต้องตรวจราคาจริงกับหน้า pricing ทางการเสมอ เพราะเป็นข้อมูลที่เปลี่ยนเร็ว

แบบฝึกหัดท้ายโมดูล

ลองสำรวจดูว่าทีมเราใช้เครื่องมืออะไรอยู่บ้าง (อีเมล เอกสาร แชท ระบบลูกค้า CRM) แล้วบอกว่าผู้ช่วย AI ตัวไหนเชื่อมกับของที่มีอยู่ได้เนียนที่สุด พร้อมเหตุผล 3 ข้อ
จับคู่งาน 5 แบบ (เขียนอีเมล วิเคราะห์เอกสารสัญญายาว ๆ จัดการคลังความรู้ สร้างสไลด์ วิเคราะห์ Excel) กับผู้ช่วยที่เหมาะที่สุดในแต่ละงาน

1.2

โมดูล 1.2

อ่านราคาให้เป็น: tier, add-on และกับดักงบประมาณ

เข้าใจราคาจริงปี 2025-2026 และแนวโน้มการคิดเงินตามผลงาน (per-outcome pricing)

👋 สำหรับผู้เริ่มต้น — อ่านตรงนี้ก่อน

💡

เปรียบง่าย ๆ: เหมือนดูราคาแพ็กเกจมือถือ ที่มีทั้งค่ารายเดือนหลัก ค่าเสริมจุกจิก และโปรลดราคาที่มีเงื่อนไข ถ้าไม่อ่านดี ๆ บิลจริงจะแพงกว่าที่คิดไว้เยอะ

🎯

ทำไมต้องรู้: ราคาที่เห็นบนหน้าโฆษณามักไม่ใช่ราคาที่จ่ายจริง การอ่านโครงสร้างราคาให้เป็นช่วยให้วางงบไม่บานปลาย และรู้ว่าจ่ายเพิ่มตรงไหนแล้วคุ้ม ตรงไหนเสียเปล่า

🎯 สิ่งที่คุณจะทำได้หลังเรียนโมดูลนี้

แยกแพ็กเกจ (tier) ของ Copilot, ChatGPT, Gemini ได้ถูกต้อง
เข้าใจว่ารุ่นองค์กร (Enterprise) ที่เป็นของเสริม ต้องจ่ายทั้งแพ็กเกจหลัก (base plan) และค่าของเสริม (add-on)
รู้จักแนวโน้มการคิดเงินตามงานที่ทำเสร็จจริง (per-resolution/per-outcome pricing) ในงานบริการลูกค้า

เนื้อหา

มาดูราคาจริงกัน (เป็นดอลลาร์สหรัฐ ช่วงปลายปี 2025 ถึงต้นปี 2026) เริ่มจาก Microsoft 365 Copilot Business (สำหรับธุรกิจเล็กถึงกลางไม่เกิน 300 คน) อยู่ที่ราว $21 ต่อคนต่อเดือนถ้าจ่ายแบบรายปี (ถ้าจ่ายรายเดือนจะราว $25 หรือถ้าซื้อพ่วงกับ Business Standard จะราว $23.50 ถึงเดือน ก.ย. 2026) โดยราคาฐานถูกปรับลดถาวรจาก $30 เหลือราว $21 ตั้งแต่วันที่ 1 ธ.ค. 2025 ส่วนรุ่น Copilot Enterprise อยู่ที่ $30 ต่อคนต่อเดือน ซึ่งเป็นของเสริม (add-on) ที่ต้องซื้อพ่วงบนแพ็กเกจหลัก (จ่ายทั้งสองอย่าง) แต่แลกมากับการได้ Copilot for Sales/Service/Finance ฟรี และยังมี M365 E7 'Frontier Suite' (พ.ค. 2026) ที่ $99 ต่อคนต่อเดือน ด้าน ChatGPT Business อยู่ที่ $25 ต่อคนต่อเดือน (รายปี) หรือ $30 (รายเดือน) พร้อมสัญญาว่าจะไม่เอาข้อมูลธุรกิจของเราไปฝึกโมเดล ส่วน ChatGPT Pro อยู่ที่ $200 ต่อเดือน ขณะที่ Gemini จะรวมอยู่ในแพ็กเกจ Workspace Business Standard (ราว $14 ต่อคนต่อเดือน) ขึ้นไปตั้งแต่ ม.ค. 2025 และยังมี Gemini Enterprise (ต.ค. 2025) ที่ $30 ต่อคนต่อเดือน สิ่งที่ต้องระวังคือ งานบริการลูกค้ามักคิดเงินสองต่อ คือค่าลิขสิทธิ์รายหัว (per-seat license) บวกกับค่าคิดตามจำนวนเรื่องที่ปิดจบได้ (per-resolution fee)

📖 คำศัพท์ในโมดูลนี้ (อธิบายง่าย ๆ)

tierระดับแพ็กเกจ เช่น ธรรมดา/ธุรกิจ/องค์กร ยิ่งสูงยิ่งได้ของเยอะและแพงขึ้น เหมือนที่นั่งเครื่องบินชั้นประหยัดกับชั้นธุรกิจ

add-onของเสริมที่ต้องจ่ายเพิ่มนอกเหนือจากแพ็กเกจหลัก เหมือนสั่งท็อปปิ้งเพิ่มบนพิซซ่า

per-user/moคิดเงินต่อพนักงานหนึ่งคนต่อเดือน มีกี่คนใช้ก็คูณไปเท่านั้น

per-outcome pricingแนวโน้มการคิดเงินตามผลงานที่ได้จริง แทนที่จะจ่ายเหมารายเดือน เหมือนจ่ายตามจำนวนงานที่เสร็จ ไม่ใช่จ่ายเป็นเงินเดือน

SMBธุรกิจขนาดเล็กถึงกลาง (Small and Medium Business) มักมีพนักงานไม่เยอะ

🧪 ตัวอย่างจริง + ผลลัพธ์ที่ได้

คำนวณงบ AI ให้ทีม 50 คน

บริษัทเราใช้ Microsoft 365 อยู่แล้ว มีพนักงาน 50 คน อยากเพิ่ม Microsoft 365 Copilot Business แบบรายปี ช่วยคำนวณค่าใช้จ่ายต่อเดือนและต่อปีเป็น USD และอธิบายว่าถ้าจะขยับไป Copilot Enterprise ต้องจ่ายอะไรเพิ่มบ้าง

✅ ผลลัพธ์ที่ได้

คำนวณให้ว่า 50 คน x ราว $21 = ราว $1,050 ต่อเดือน (ราว $12,600 ต่อปี) สำหรับ Copilot Business และอธิบายว่า ถ้าจะขยับไป Enterprise ต้องจ่ายเพิ่มอีก $30 ต่อคนต่อเดือน โดยจ่ายทับลงบนแพ็กเกจหลักที่มีอยู่ แต่ข้อดีคือได้ Copilot for Sales/Service/Finance ฟรี

💡 จุดสอน

ย้ำให้เห็นว่า แพ็กเกจแบบของเสริมต้องจ่ายทั้งตัวหลักและตัวเสริม และราคาแพ็กเกจระดับบนสุดเปลี่ยนเร็วมาก ก่อนเสนองบจริงต้องเข้าไปเช็กราคาที่หน้าราคาทางการทุกครั้ง

แบบฝึกหัดท้ายโมดูล

ลองทำตารางเปรียบเทียบค่าใช้จ่ายรายปีของ Copilot Business, ChatGPT Business และ Gemini for Workspace สำหรับทีม 20 คน
ลองอธิบายด้วยคำพูดของตัวเองว่า การคิดเงินตามงานที่ทำเสร็จ (per-outcome pricing) ในงานบริการลูกค้า ต่างจากการคิดเงินรายหัว (per-seat) ยังไง และทำไมถึงต้องตั้งงบเผื่อไว้

1.3

โมดูล 1.3

เขียนคำสั่ง (prompt) ให้ AI แบบมืออาชีพ

บอกให้ครบทั้งความยาว รูปแบบ คนอ่าน โทน และข้อห้าม เพื่อให้ได้งานที่ใช้ได้จริง

👋 สำหรับผู้เริ่มต้น — อ่านตรงนี้ก่อน

💡

เปรียบง่าย ๆ: การเขียน prompt เหมือนสั่งงานลูกน้อง ถ้าบอกลอย ๆ ว่า 'ช่วยเขียนอีเมลให้หน่อย' ก็จะได้งานมั่ว ๆ แต่ถ้าบอกละเอียดว่าเขียนถึงใคร ยาวแค่ไหน โทนแบบไหน จะได้งานที่ใช้ได้เลย

🎯

ทำไมต้องรู้: คำสั่งที่ชัดเจนคือหัวใจของการได้ผลลัพธ์ที่ดี ยิ่งบอกละเอียดเท่าไหร่ ยิ่งไม่ต้องเสียเวลาแก้ซ้ำหลายรอบ ประหยัดเวลาได้จริงในงานประจำวัน

🎯 สิ่งที่คุณจะทำได้หลังเรียนโมดูลนี้

เขียนคำสั่งที่บอกครบ 5 อย่าง คือ ความยาว รูปแบบ คนอ่าน โทน และข้อห้าม
เลี่ยงหลุมพราง (pitfall) ของการสั่งงานแบบกว้าง ๆ คลุมเครือ
ใช้เทคนิคกำหนดบทบาทให้ AI ใส่บริบท และให้ตัวอย่าง (role/context/example) เวลาสั่งงาน

เนื้อหา

ความผิดพลาดที่เจอบ่อยที่สุดคือ สั่งงานแบบคลุมเครือ พอ AI ไม่รู้ว่าเราต้องการอะไรกันแน่ ก็เลยตอบมาแบบกว้าง ๆ ใช้ไม่ค่อยได้ วิธีแก้คือบอกให้ครบ ๆ เริ่มจาก ความยาว (กี่คำ กี่ย่อหน้า หรือกี่หัวข้อย่อย), รูปแบบ (เอาเป็นตาราง อีเมล สไลด์ หรือข้อมูลแบบ JSON), คนอ่าน (ผู้บริหาร ลูกค้า หรือทีมเทคนิค), โทน (ทางการหรือเป็นกันเอง ซึ่งภาษาไทยยังรวมถึงระดับความสุภาพครับ/ค่ะ ด้วย) และข้อห้ามต่าง ๆ (เช่น ห้ามใช้ศัพท์เทคนิค ต้องอ้างอิงแหล่งที่มา หรืออยู่ในงบเท่านี้) นอกจากนี้ ถ้าเราใส่บริบทและยกตัวอย่างให้ AI ดูสัก 2-3 ตัวอย่าง (few-shot) ก็จะช่วยให้งานออกมาดีขึ้นเยอะ และถ้าเป็นงานภาษาไทย อย่าลืมบอกระดับความสุภาพและบริบทวัฒนธรรมให้ชัด

📖 คำศัพท์ในโมดูลนี้ (อธิบายง่าย ๆ)

promptคำสั่งหรือคำถามที่เราพิมพ์บอก AI ว่าอยากได้อะไร เหมือนใบสั่งงานที่ยื่นให้ลูกน้อง

pitfallหลุมพราง จุดที่คนมักทำพลาดโดยไม่รู้ตัว

tone (โทน)น้ำเสียงของงานเขียน เช่น ทางการ สุภาพ หรือเป็นกันเอง เหมือนพูดกับเจ้านายต่างจากพูดกับเพื่อน

JSONรูปแบบการจัดข้อมูลให้เป็นระเบียบแบบที่คอมพิวเตอร์อ่านต่อได้ เหมือนกรอกฟอร์มที่มีช่องตายตัว มือใหม่ยังไม่ต้องเข้าใจลึกก็ได้

🧪 ตัวอย่างจริง + ผลลัพธ์ที่ได้

prompt คลุมเครือ vs prompt มืออาชีพ

เขียนอีเมลถึงลูกค้าองค์กรเพื่อขอเลื่อนนัดประชุมจากวันอังคารเป็นวันพฤหัส ความยาวไม่เกิน 120 คำ โทนสุภาพเป็นทางการแบบใช้ครับ ผู้อ่านคือผู้จัดการฝ่ายจัดซื้อ ขึ้นต้นด้วยการขอโทษ เสนอ 2 ช่วงเวลาให้เลือก และปิดท้ายด้วยการยืนยันว่าวาระเดิมยังคงเดิม ห้ามใช้คำฟุ่มเฟือย

✅ ผลลัพธ์ที่ได้

ได้อีเมลภาษาไทยทางการราว 110 คำ ขึ้นต้นด้วยการขอโทษ เสนอสองช่วงเวลาชัดเจน ปิดท้ายด้วยการยืนยันวาระเดิม ครบตามที่สั่งทุกข้อ ต่างจากการสั่งลอย ๆ ว่า 'เขียนอีเมลเลื่อนนัด' ที่ได้งานกว้าง ๆ แล้วต้องมานั่งแก้อีกหลายรอบ

💡 จุดสอน

เทียบให้เห็นชัด ๆ ว่า คำสั่งที่บอกครบ 5 อย่างจะได้งานที่ใช้ได้เลย ไม่ต้องแก้หลายรอบ แถมยังคุมโทนภาษาไทยได้ตามต้องการ

แบบฝึกหัดท้ายโมดูล

หยิบคำสั่งคลุมเครือมา 3 อัน แล้วปรับให้บอกครบ 5 อย่าง จากนั้นลองใช้เทียบผลลัพธ์ดูว่าต่างกันแค่ไหน
เขียนคำสั่งให้ AI สรุปการประชุมสำหรับผู้บริหาร ความยาว 5 หัวข้อย่อย โทนทางการ พร้อมรายการสิ่งที่ต้องทำต่อ (action items) ที่ระบุผู้รับผิดชอบด้วย

1.4

โมดูล 1.4

งาน 'quick win' รายวัน: อีเมล เอกสาร สรุป

เริ่มจากงานที่ทำบ่อย ทำซ้ำได้ และต้องมีคนคอยตรวจ (human check) เสมอ

👋 สำหรับผู้เริ่มต้น — อ่านตรงนี้ก่อน

💡

เปรียบง่าย ๆ: เหมือนหางานบ้านที่ทำซ้ำ ๆ ทุกวันแล้วยกให้เครื่องช่วย เช่น เครื่องซักผ้าซักเสื้อ แต่เราก็ยังต้องตรวจดูว่าสะอาดจริงก่อนเก็บ AI ก็เหมาะกับงานประจำที่ทำบ่อย ๆ แต่ต้องมีคนคอยตรวจเสมอ

🎯

ทำไมต้องรู้: การเริ่มจากงานเล็ก ๆ ที่ทำซ้ำทุกวัน เช่น ร่างอีเมลหรือสรุปเอกสาร ทำให้เห็นผลเร็วและประหยัดเวลาได้จริง มีข้อมูลว่าช่วยประหยัดได้ราว 26 นาทีต่อคนต่อวัน

🎯 สิ่งที่คุณจะทำได้หลังเรียนโมดูลนี้

บอกได้ว่างานแบบไหนที่ AI ทำได้ดี คืองานที่ขอบเขตแคบ ทำบ่อย ทำซ้ำได้ และมีคนคอยตรวจ
ใช้ Copilot/ChatGPT/Gemini ช่วยร่างและสรุปเอกสารได้
ติดนิสัยตรวจงานที่ AI ทำมาให้ทุกครั้งก่อนเอาไปใช้

เนื้อหา

งานที่ AI ทำได้ดีจริง ๆ คืองานที่ขอบเขตแคบ ทำบ่อย ทำซ้ำได้ และมีคนคอยตรวจ เช่น การร่างงานฉบับแรก (drafting), การสรุป (summarizing), การวิเคราะห์รอบแรก (first-pass), การคัดกรองว่าเรื่องไหนก่อนหลัง (triage) และการดึงข้อมูลออกมา (data extraction) มีหลักฐานจริงให้เห็น เช่น การทดลองในหน่วยงานราชการอังกฤษ (UK civil service) ช่วยประหยัดเวลาได้ราว 26 นาทีต่อคนต่อวัน หรือราว 112 ชั่วโมงต่อคนต่อปี (เท่ากับทำงานได้ฟรี ๆ ราว 3 สัปดาห์) และครูที่ Brisbane Catholic Education ก็ประหยัดเวลาได้เฉลี่ย 9.3 ชั่วโมงต่อสัปดาห์ด้วย Copilot เคล็ดลับสำคัญคือ ให้เริ่มจากงานเล็ก ๆ ที่เห็นผลเร็วและความเสี่ยงต่ำก่อน แล้วค่อยขยายไปทีละนิด โดยต้องมีคนคอยดูแลตรวจงานอยู่ในทุกขั้นตอน (human-in-the-loop) เสมอ

📖 คำศัพท์ในโมดูลนี้ (อธิบายง่าย ๆ)

quick winงานที่ทำแล้วเห็นผลดีเร็ว ใช้แรงน้อย เหมือนผลไม้ที่อยู่กิ่งเตี้ยเอื้อมเก็บง่าย

drafting (การร่าง)ให้ AI เขียนฉบับแรกให้ก่อน แล้วเราค่อยเอามาปรับ เหมือนได้โครงร่างมาต่อยอด

summarizing (การสรุป)ย่อเนื้อหายาว ๆ ให้เหลือใจความสำคัญ เหมือนอ่านหนังสือให้แล้วเล่าย่อ ๆ ให้ฟัง

triage (การคัดกรอง)แยกแยะว่าเรื่องไหนสำคัญ/เร่งด่วนก่อนหลัง เหมือนพยาบาลคัดคนไข้หน้าห้องฉุกเฉิน

human checkการมีคนคอยตรวจงานของ AI ก่อนใช้จริงเสมอ เพราะ AI อาจผิดพลาดได้

🧪 ตัวอย่างจริง + ผลลัพธ์ที่ได้

สรุปอีเมลยาวเป็น action items

สรุปเธรดอีเมลนี้ให้เป็น 3 ส่วน: (1) ประเด็นสำคัญ 3 bullet (2) การตัดสินใจที่ตกลงกันแล้ว (3) action items พร้อมระบุผู้รับผิดชอบและกำหนดเวลา ถ้าข้อมูลไม่ชัดเจนให้ระบุว่า 'ไม่ระบุ' อย่าเดา

✅ ผลลัพธ์ที่ได้

สรุปสามส่วนชัดเจน โดยรายการที่ข้อมูลไม่พอถูกทำเครื่องหมาย 'ไม่ระบุ' แทนที่จะเดา ทำให้ผู้ใช้เห็นช่องว่างที่ต้องตามต่อ

💡 จุดสอน

สอนเทคนิค 'เปิดทางให้ AI ตอบว่าไม่รู้ได้' ซึ่งเป็นหนึ่งในวิธีหลักที่ช่วยลดปัญหา AI มั่วข้อมูล (hallucination) และช่วยสร้างนิสัยตรวจงานก่อนเอาไปใช้

แบบฝึกหัดท้ายโมดูล

เลือกงานประจำของตัวเองมา 3 อย่างที่เข้าข่าย ขอบเขตแคบ ทำบ่อย ทำซ้ำได้ แล้วลองให้ AI ช่วย พร้อมจดเวลาที่ประหยัดได้
ลองร่างบันทึกภายในจากหัวข้อย่อย 5 ข้อ แล้วตรวจแก้จนได้ฉบับสุดท้าย พร้อมจดว่ามีจุดไหนบ้างที่ต้องแก้เองด้วยมือ

1.5

โมดูล 1.5

รู้จักอาการ AI มั่วข้อมูล (hallucination) และข้อจำกัดของ LLM

การมั่วข้อมูลเป็นเรื่องที่ติดมากับตัวระบบ เป้าหมายคือคอยควบคุมจัดการ ไม่ใช่กำจัดให้หายขาด

👋 สำหรับผู้เริ่มต้น — อ่านตรงนี้ก่อน

💡

เปรียบง่าย ๆ: hallucination เหมือนเพื่อนที่พูดเก่งมาก เล่าเรื่องน่าเชื่อจนเราคล้อยตาม แต่บางทีก็มั่วขึ้นมาเองแบบหน้าตาเฉย เราเลยต้องเช็กเสมอ อย่าเชื่อทันทีแค่เพราะฟังดูดี

🎯

ทำไมต้องรู้: ถ้าไม่รู้ว่า AI มั่วได้ เราอาจเอาข้อมูลผิดไปใช้ตัดสินใจสำคัญ มีผลสำรวจว่า 47% ของผู้ใช้ในองค์กรเคยตัดสินใจธุรกิจสำคัญจากข้อมูลที่ AI กุขึ้นมา การรู้ทันช่วยให้เราใช้อย่างปลอดภัย

🎯 สิ่งที่คุณจะทำได้หลังเรียนโมดูลนี้

เข้าใจว่าการมั่วข้อมูล (hallucination) เป็นเรื่องที่ติดมากับตัว LLM ยุคนี้ เลี่ยงไม่ได้
รู้จักวิธีลดปัญหา (mitigation) หลัก ๆ 4 อย่าง
รู้ทันความเสี่ยงเวลาเอาข้อมูลที่ AI กุขึ้นเองไปใช้ตัดสินใจ

เนื้อหา

การมั่วข้อมูล (hallucination) คืออาการที่ AI สร้างข้อมูลที่ฟังดูน่าเชื่อแต่จริง ๆ แล้วผิด และมันเป็นเรื่องที่ติดมากับวิธีการทำงาน (สถาปัตยกรรม) ของ LLM ยุคนี้ ดังนั้นเป้าหมายของเราคือ 'คอยควบคุมจัดการ' ไม่ใช่ 'กำจัดให้หายขาด' มีตัวเลขที่น่าตกใจอยู่ ผลสำรวจจาก Deloitte ปี 2025 พบว่า 47% ของผู้ใช้ AI ในองค์กร ยอมรับว่าเคยเอาข้อมูลที่ AI กุขึ้นมาไปใช้ตัดสินใจเรื่องธุรกิจสำคัญอย่างน้อยหนึ่งครั้ง วิธีลดปัญหาหลัก ๆ มี 4 อย่าง คือ (1) เปิดทางให้ AI ตอบว่า 'ไม่รู้' ได้ (2) ให้ AI คิดเป็นขั้นเป็นตอนก่อนตอบ (chain-of-thought) (3) บังคับให้อ้างอิงแหล่งที่มาเสมอ และ (4) มีคนคอยดูแลตรวจงาน (human-in-the-loop) ในทุกเรื่องที่มีผลกระทบ

📖 คำศัพท์ในโมดูลนี้ (อธิบายง่าย ๆ)

hallucinationอาการที่ AI สร้างข้อมูลผิด ๆ ขึ้นมาแต่พูดเหมือนจริงมาก เหมือนคนโม้แบบเนียน ๆ

LLMโมเดลภาษาขนาดใหญ่ (Large Language Model) คือสมองเบื้องหลัง AI แชท ที่เรียนรู้จากข้อความมหาศาล

สถาปัตยกรรม (architecture)โครงสร้างพื้นฐานวิธีการทำงานของ AI ตัวนั้น เหมือนโครงสร้างของตึกที่ออกแบบมาแบบนี้

เชิงโครงสร้าง (structural)เป็นเรื่องที่ติดมากับตัวระบบเอง แก้ให้หายขาดไม่ได้ ทำได้แค่จัดการควบคุม

🧪 ตัวอย่างจริง + ผลลัพธ์ที่ได้

บังคับให้อ้างอิงและยอมรับความไม่แน่นอน

จากเอกสารที่แนบมาเท่านั้น ตอบคำถามว่านโยบายการคืนสินค้าของบริษัทกี่วัน โดยอ้างอิงหน้า/หัวข้อที่พบคำตอบ ถ้าเอกสารไม่ได้ระบุ ให้ตอบว่า 'ไม่พบข้อมูลในเอกสาร' ห้ามอนุมานจากความรู้ทั่วไป

✅ ผลลัพธ์ที่ได้

ได้คำตอบพร้อมบอกด้วยว่าไปเจอในหน้าไหนของเอกสาร หรือไม่ก็ตอบตรง ๆ ว่า 'ไม่พบข้อมูลในเอกสาร' ช่วยลดโอกาสที่เราจะไปหลงเชื่อข้อมูลที่ AI กุขึ้นมาเอง

💡 จุดสอน

ให้ผู้เรียนเห็นว่า การให้ AI ตอบโดยอิงจากเอกสารที่เราแนบให้เท่านั้น บวกกับบังคับให้อ้างอิง และเปิดทางให้ตอบว่า 'ไม่รู้' ได้ คือชุดเครื่องมือพื้นฐานที่สุดในการจัดการปัญหา AI มั่วข้อมูล

แบบฝึกหัดท้ายโมดูล

ลองหาตัวอย่างที่ AI มั่วข้อมูล โดยถามข้อเท็จจริงเฉพาะเจาะจง (เช่น ตัวเลข วันที่ แหล่งอ้างอิง) แล้วอธิบายว่าเราจะจับได้ยังไงว่ามันมั่ว
เขียนเช็กลิสต์สำหรับให้คนตรวจงาน (human-review) 5 ข้อ สำหรับงานที่มีผลกระทบสูงในทีมของตัวเอง

1.6

โมดูล 1.6

ความปลอดภัยข้อมูลเบื้องต้น และแพ็กเกจระดับองค์กร (enterprise tier)

อย่าเอาข้อมูลส่วนตัวไปใส่ในเครื่องมือรุ่นทั่วไป (consumer) ให้ใช้แพ็กเกจที่ไม่เอาข้อมูลเราไปฝึกโมเดล

👋 สำหรับผู้เริ่มต้น — อ่านตรงนี้ก่อน

💡

เปรียบง่าย ๆ: เหมือนการเลือกธนาคารฝากเงิน เราไม่เอาเงินไปฝากร้านที่ไม่มีตู้เซฟ ข้อมูลลูกค้าก็เหมือนกัน ต้องใส่ในเครื่องมือรุ่นธุรกิจที่สัญญาว่าจะไม่แอบเอาข้อมูลเราไปใช้ต่อ

🎯

ทำไมต้องรู้: ถ้าเผลอเอาข้อมูลส่วนตัวลูกค้าไปใส่ในเครื่องมือฟรีทั่วไป ข้อมูลอาจรั่วหรือถูกนำไปเทรนต่อ ซึ่งผิดกฎหมาย PDPA ของไทย การใช้ tier ที่ถูกต้องช่วยปกป้องทั้งลูกค้าและบริษัท

🎯 สิ่งที่คุณจะทำได้หลังเรียนโมดูลนี้

แยกออกว่ารุ่นทั่วไป (consumer tier) กับรุ่นธุรกิจ/องค์กร (business/enterprise tier) ต่างกันยังไงเรื่องการเอาข้อมูลไปฝึกโมเดล
รู้ว่าข้อมูลประเภทไหนที่ห้ามเอาไปใส่ในเครื่องมือรุ่นทั่วไปเด็ดขาด
เข้าใจหลักการปิดบังข้อมูลระบุตัวตน (anonymize) และการหาฐานทางกฎหมายรองรับก่อนใช้

เนื้อหา

เราควรใช้รุ่นธุรกิจหรือองค์กร (business/enterprise tier) ที่มีสัญญาชัดเจนว่า 'จะไม่เอาข้อมูลของเราไปฝึกโมเดล' เช่น ChatGPT Business/Enterprise, Claude Enterprise และ Microsoft 365 Copilot สำหรับบ้านเรา (เกริ่นไว้ก่อนไปเรียนระดับสูง) กฎหมาย PDPA ครอบคลุม AI ทุกตัวที่ไปแตะข้อมูลส่วนบุคคลของคนในไทย ข้อควรทำจริง ๆ คือ อย่าเอาข้อมูลส่วนตัวของลูกค้า เลขบัตรประชาชน หรือข้อมูลสุขภาพ/การเงิน ไปวาง (paste) ลงในเครื่องมือ AI รุ่นทั่วไปเด็ดขาด ให้ใช้รุ่นองค์กรที่มีสัญญาว่าจะไม่เอาข้อมูลไปฝึกโมเดล (no-training guarantee) ปิดบังข้อมูลระบุตัวตนออกก่อน และต้องมีฐานทางกฎหมายรองรับ (lawful basis) ด้วย ข่าวดีคือ ในปี 2025 สัดส่วนของธุรกิจที่ 'ไม่มี' นโยบายการใช้ AI อย่างมีความรับผิดชอบ (responsible-AI) ลดลงจาก 24% เหลือ 11%

📖 คำศัพท์ในโมดูลนี้ (อธิบายง่าย ๆ)

enterprise tierแพ็กเกจระดับองค์กรที่มีสัญญาคุ้มครองข้อมูล ปลอดภัยกว่ารุ่นฟรีทั่วไป

consumer tierรุ่นฟรีหรือรุ่นสำหรับใช้ส่วนตัวทั่วไป ที่มักไม่มีสัญญาคุ้มครองข้อมูลแบบธุรกิจ

train (เทรน/ฝึกโมเดล)การเอาข้อมูลไปสอน AI ให้เก่งขึ้น ถ้าเป็นข้อมูลเรา แปลว่าข้อมูลเราอาจกลายไปเป็นส่วนหนึ่งของ AI

PDPAกฎหมายคุ้มครองข้อมูลส่วนบุคคลของไทย ที่บังคับให้ดูแลข้อมูลของคนอย่างระมัดระวัง

paste (วาง/แปะ)การก็อปข้อความมาวางลงในช่องแชท ซึ่งต้องระวังไม่แปะข้อมูลส่วนตัวลูกค้าลงไป

🧪 ตัวอย่างจริง + ผลลัพธ์ที่ได้

anonymize ก่อนวิเคราะห์

ก่อนส่งข้อมูลลูกค้าให้ AI วิเคราะห์ ฉันจะแทนที่ชื่อจริง เลขบัตรประชาชน และเบอร์โทรด้วยรหัสอ้างอิง (C001, C002...) แล้วเก็บ mapping ไว้ในไฟล์แยกที่ไม่ส่งเข้าเครื่องมือ — ช่วยตรวจว่าชุดข้อมูลตัวอย่างนี้ยังมีข้อมูลระบุตัวตนหลงเหลืออยู่หรือไม่

✅ ผลลัพธ์ที่ได้

AI ตรวจเจอและชี้ให้เห็นช่องข้อมูลที่ยังระบุตัวตนได้อยู่ (เช่น อีเมลที่มีชื่อ-นามสกุล) เพื่อให้เราปิดบังเพิ่มก่อนเอาไปวิเคราะห์จริง

💡 จุดสอน

สร้างนิสัยปิดบังข้อมูลระบุตัวตนให้เป็นขั้นตอนบังคับก่อนใส่ข้อมูลทุกครั้ง และดูให้ออกว่าเครื่องมือตัวไหนมีสัญญาว่าจะไม่เอาข้อมูลไปฝึกโมเดล

แบบฝึกหัดท้ายโมดูล

ลองจัดหมวดข้อมูล 10 ประเภทในงานของตัวเอง ว่าอันไหน 'ห้ามเอาไปใส่ AI รุ่นทั่วไป' และอันไหนปลอดภัย
ลองร่างแนวปฏิบัติ 1 หน้า เรื่องการใช้ AI อย่างปลอดภัยสำหรับทีมของตัวเอง

🎯 Mini-project: คู่มือเริ่มต้นใช้ AI สำหรับทีมของฉัน

เลือกผู้ช่วย AI ที่เข้ากับเครื่องมือที่ทีมใช้อยู่ (stack) พร้อมบอกเหตุผลและประมาณงบรายปี
รวบรวมคลังคำสั่ง (prompt library) 10 อันสำหรับงานประจำของทีม โดยแต่ละอันบอกครบ 5 อย่าง (ความยาว/รูปแบบ/คนอ่าน/โทน/ข้อห้าม)
เลือกงานเล็ก ๆ ที่เห็นผลเร็ว (quick win) 3 อย่าง จับเวลาก่อน-หลังใช้ AI แล้วรายงานว่าประหยัดเวลาไปได้เท่าไหร่
เขียนแนวปฏิบัติความปลอดภัยข้อมูล 1 หน้า ระบุว่าข้อมูลไหนห้ามใส่ และต้องใช้แพ็กเกจ (tier) แบบไหน
ทำเช็กลิสต์สำหรับให้คนตรวจงาน (human-review) สำหรับงานที่มีผลกระทบสูง

ก้าวต่อไป

ระดับกลาง: เอา AI ไปใช้ในสายงานจริง และต่อเข้ากับขั้นตอนการทำงาน (เวิร์กโฟลว์)

ไปต่อ →