ปัญหาใหญ่ของหลายธุรกิจไม่ใช่ไม่มีข้อมูล แต่คือข้อมูลสำคัญกระจุกอยู่ในหัวคนไม่กี่คน พอคนเก่งลาออก ความรู้ก็หายไปด้วย Rushabh Doshi เล่าปัญหานี้ผ่านเคส Machinecraft โรงงานผลิตเครื่อง thermoforming ในอินเดีย หรือเครื่องที่ให้ความร้อนกับแผ่นพลาสติกแล้วขึ้นรูป เขาระบุว่าโรงงานมีพนักงานประมาณ 100 คน และใช้ระบบ AI เพื่อทำให้บริษัท “จำตัวเองได้”
บทความนี้สรุปคำบรรยาย The Factory That Dreams จากช่อง AI Engineer ซึ่งอัปโหลดวันที่ 12 กรกฎาคม 2026 ตามเวลาไทย ผู้บรรยายเล่าว่าไม่ได้เริ่มจากทีมวิทยาศาสตร์ข้อมูลหรือการฝึกโมเดลเอง แต่จัดเอกสาร ความสัมพันธ์ ประวัติลูกค้า การแก้ไขงาน และหลักคิดขององค์กรเข้าด้วยกัน รายละเอียดการทำงานเป็นคำบอกเล่าของผู้สร้างระบบ ส่วนตัวอย่างสำหรับธุรกิจไทยด้านล่างเป็นข้อเสนอให้นำไปทดลอง ยังไม่ใช่ผลการใช้งานที่วัดไว้ในคลิป
เริ่มจากมองให้ขาดว่า “บริษัท” คือความรู้ ไม่ใช่แค่เครื่องมือ
Machinecraft ทำเครื่อง thermoforming ซึ่งดูเผินๆ เหมือนธุรกิจเครื่องจักรธรรมดา แต่ Rushabh อธิบายว่าสิ่งที่ขับเคลื่อนงานขายไม่ได้มีแค่ตัวเครื่อง มันคือความรู้สะสม เช่น ลูกค้ารายนี้เคยขออะไร ราคาเคยเสนอเท่าไร และทำไมสเปกบางชิ้นต้องปรับเฉพาะทาง
ตัวอย่างการนำแนวคิดนี้มาคิดกับธุรกิจไทยคือ ลองตรวจว่าข้อมูลลูกค้าถูกเก็บไว้ครบในระบบบริหารข้อมูลลูกค้า หรือ CRM แล้วหรือยัง หรือเหตุผลของดีลยังอยู่ในอีเมล แชต ไฟล์เสนอราคา โน้ตประชุม และความทรงจำของคนทำงาน
ผู้บรรยายบอกว่าเขากลัว “การลืม” มากกว่าคู่แข่ง เพราะเมื่อคนออกจากบริษัท ความรู้ส่วนหนึ่งก็ออกไปด้วย คำถามของเขาคือจะเก็บความรู้ให้พ้นจากหัวคนไม่กี่คนได้อย่างไร
คำถามสำหรับใช้สำรวจธุรกิจของตัวเอง เช่น
- ถ้าหัวหน้าทีมขายหายไป 30 วัน งานจะสะดุดตรงไหน
- ถ้าพนักงานคนสำคัญลาออก เราจะหาเหตุผลของดีลเก่าเจอไหม
- ถ้าลูกค้าเก่ากลับมาในอีก 2 ปี เราจะจำได้ไหมว่าเคยคุยอะไรกันไว้
ถ้าคำตอบคือ “ไม่ค่อยแน่ใจ” ลองเริ่มจากหาให้เจอว่าความรู้ส่วนไหนยังค้นคืนไม่ได้ ก่อนเลือกว่าจะนำ AI มาช่วยงานอะไร
รวบรวมข้อมูลที่สะท้อนความจริงของบริษัท
ก้าวแรกที่ Rushabh เล่าว่า Machinecraft ทำคือรวบรวมข้อมูลภายในหลายปี ทั้งใบเสนอราคาเก่า แบบวาด ไทม์ไลน์งาน ตารางชำระเงิน และอีเมล
ประเด็นสำคัญคือเขาไม่ได้เริ่มจากข้อมูลบนอินเทอร์เน็ตสาธารณะ แต่ใช้ประวัติของบริษัทเอง เรื่องนี้ชวนให้เจ้าของธุรกิจถามว่าข้อมูลเฉพาะที่ AI ต้องใช้ตอบงานของเราคืออะไร
ตัวอย่างข้อมูลสำหรับใช้สำรวจภายในธุรกิจไทย ไม่ใช่รายการที่ต้องป้อนเข้า AI ทั้งหมด เช่น
- ใบเสนอราคาเก่า และเหตุผลที่ลูกค้าปิดหรือไม่ปิด
- แชตหรืออีเมลที่มีคำถามซ้ำๆ จากลูกค้า
- คู่มือเริ่มงานและขั้นตอนมาตรฐานที่ทีมใช้จริง
- โน้ตประชุมขายและบริการหลังการขาย
- ข้อมูลลูกค้าเดิมใน CRM ระบบจัดการทรัพยากรองค์กร หรือ Google Sheets
ข้อควรตรวจในการนำไปทดลองคือข้อมูลที่ซ้ำ เก่า หรือขัดกัน การรวบรวมข้อมูลอย่างเดียวไม่ได้พิสูจน์ว่าคำตอบจะถูกต้อง ต้องมีทางตรวจแหล่งที่มาและแก้ข้อมูลด้วย
ใช้โมเดลสำเร็จรูปควบคู่กับความจำที่ค้นคืนได้
Rushabh ระบุว่า Machinecraft ไม่ได้ฝึกโมเดลเอง ไม่ได้ตั้ง GPU หรือปรับฝึกโมเดลกับข้อมูลเฉพาะด้วยวิธี fine-tuning แต่ใช้โมเดลสำเร็จรูปอ่านข้อมูลที่แบ่งเป็นชิ้นเล็กๆ แล้วสกัดข้อเท็จจริงออกมา
เขาอธิบายว่าใช้ vector เพื่อเก็บความหมายของข้อมูล และ graph เพื่อเก็บความสัมพันธ์ระหว่างข้อมูล จุดที่เขาให้ความสำคัญจึงเป็นการจัดความจำให้เป็นระบบ มากกว่าการสร้างโมเดลใหม่
สองคำนี้หมายถึง
- vector ช่วยให้ระบบหาเอกสารหรือข้อความที่ความหมายใกล้กันได้
- graph ช่วยให้ระบบรู้ว่าใครเกี่ยวข้องกับอะไร เช่น ลูกค้ารายนี้เกี่ยวกับสเปกไหน ดีลไหน ฝ่ายขายคนไหน
ตัวอย่างการนำไปคิดต่อคือเชื่อมเหตุผลของดีลกับข้อมูลลูกค้า เช่น ลูกค้าเลื่อนโครงการเพราะงบประมาณ หรือเพราะไม่สนใจสินค้า ตัวอย่างนี้เป็นโจทย์สำหรับออกแบบข้อมูล ไม่ใช่ความสามารถที่คลิปทดสอบให้ดู
ออกแบบระบบเป็นส่วนที่มีหน้าที่ชัดเจน
Rushabh เปรียบการออกแบบระบบเหมือนการ “เลี้ยงสิ่งมีชีวิต” ให้มีประสาทสัมผัส ระบบย่อยอาหาร ความจำ ภูมิคุ้มกัน และวงจรพักฟื้น เป็นอุปมาสำหรับแยกหน้าที่ของระบบ ไม่ได้หมายความว่า AI มีชีวิต
เมื่อแปลอุปมานี้เป็นหน้าที่ของระบบ จะได้ภาพดังนี้
- ประสาทสัมผัส คือรู้ว่ากำลังคุยกับใคร เรื่องอะไร ช่องทางไหน
- ระบบย่อยอาหาร คือแปลงเอกสารดิบให้เป็นข้อเท็จจริงที่ใช้งานได้
- ความจำ คือเก็บสิ่งที่ต้องใช้ต่อ
- ภูมิคุ้มกัน คือส่วนที่ผู้บรรยายเปรียบกับการตรวจข้อมูลผิด
- วงจรพักฟื้น คือทบทวนและจัดระเบียบความรู้เป็นระยะ
คำถามสำหรับการนำไปทดลองคือ นอกจากช่องแชตที่คนใช้งานแล้ว เราได้เตรียมส่วนรับข้อมูล จัดเก็บ ตรวจสอบ และทบทวนข้อมูลไว้ด้วยหรือยัง
แบ่งหน้าที่ให้ AI Agent แต่ละตัว
ผู้บรรยายเล่าว่า Machinecraft แบ่งงานให้ agent หรือ AI ที่รับหน้าที่และใช้เครื่องมือเฉพาะเรื่อง ตัวหนึ่งประสานงาน ตัวหนึ่งดูการขาย ตัวหนึ่งดูราคา ตัวหนึ่งรู้สเปกเครื่อง ตัวหนึ่งตรวจข้อเท็จจริง และอีกตัวหนึ่งเก็บการแก้ไขจากมนุษย์
หลักที่ Rushabh เสนอคือหนึ่งบทบาท หนึ่งหน้าที่ บทความนี้ไม่ได้ยืนยันจำนวน agent เพราะชื่อและคำอธิบายคลิปใช้ 39 แต่ transcript พูด 36 จำนวนที่เหมาะกับธุรกิจอื่นยังต้องออกแบบตามงานของตัวเอง
ตัวอย่างบทบาทสำหรับนำไปทดลองกับธุรกิจไทย เช่น
- agent สรุปลูกค้าเก่าก่อนโทรขาย
- agent ร่างอีเมลติดตามดีลค้าง
- agent ตรวจความสอดคล้องของใบเสนอราคา
- agent สกัดคำถามที่เจอบ่อยเพื่อส่งต่อทีมบริการ
ข้อเสนอในการออกแบบคือเขียนขอบเขตของแต่ละบทบาทก่อนเลือกโมเดล เพื่อให้เห็นว่าใครเตรียมข้อมูล ใครร่าง และใครตรวจงาน
ให้ระบบประสานงาน และให้คนตรวจผลก่อนส่ง
Rushabh อธิบายว่ามีตัวประสานงานที่เรียกผู้เชี่ยวชาญแต่ละด้านเข้ามาพิจารณาก่อนสรุปคำตอบเดียว เขาเปรียบกระบวนการนี้เหมือนการประชุม
คำบรรยายระบุว่าระบบแสดงงานให้คนดูก่อนส่งออกจริง การมีหลาย agent เป็นวิธีออกแบบที่ผู้สร้างเลือกใช้ แต่คลิปไม่ได้เปรียบเทียบความแม่นยำกับระบบ agent เดียว จึงยังสรุปไม่ได้ว่าการถกกันจะลดคำตอบผิดได้เท่าไร
ตัวอย่างการนำไปทดลองคือให้คนตรวจใบเสนอราคา อีเมลลูกค้า หรือการประเมินความเหมาะสมของลูกค้าเป้าหมายก่อนส่งออก การตรวจจากคนเป็นขั้นตอนของงาน ไม่ใช่คำรับรองว่าระบบจะไม่ผิดพลาด
ระดับสิทธิ์ที่ควรกำหนดให้ชัดในการทดลอง เช่น
- งานไหนให้ AI แค่เสนอ
- งานไหนให้ AI เตรียมข้อมูล
- งานไหนห้าม AI ตัดสินใจเองเด็ดขาด
เชื่อมระบบกับงานหน้าบ้านของธุรกิจ
ผู้บรรยายรายงานว่าใช้ระบบกับงานหน้าบ้าน ได้แก่ ติดต่อหาลูกค้า สรุปข้อมูลบัญชีลูกค้าก่อนโทร จัดทำใบเสนอราคา คัดกรองลูกค้าเป้าหมาย ตอบข้อความที่เข้ามา และกลับไปติดต่อลูกค้าเป้าหมายเก่าที่เงียบไป ทั้งหมดเป็นการรายงานการใช้งานของเขา คลิปไม่ได้แสดงผลวัดรายได้หรืออัตราปิดการขาย
ตัวอย่างงานสำหรับธุรกิจไทยที่จะเลือกไปทดลองทีละงาน ได้แก่
- สรุปข้อมูลก่อนประชุมขาย
- ฟื้นดีลเก่าที่ค้างอยู่
- ช่วยทีมเสนอราคาให้ไวขึ้น
- ประเมินว่า lead ไหนควรใช้เวลาคนจริง
การวัดผลควรผูกกับงานที่เลือก เช่น เวลาที่คนใช้ตรวจข้อมูลก่อนประชุมและจำนวนข้อมูลที่ต้องแก้ ยังไม่ควรนับว่าระบบเพิ่มรายได้จนกว่าจะมีผลวัดของธุรกิจตัวเอง
จัดความจำเป็นหลายชั้น
Rushabh ใช้อุปมาเรื่องปลาทองเพื่ออธิบายเหตุผลที่เขาสร้างระบบความจำเพิ่ม แก่นของเรื่องคือออกแบบว่าจะเก็บอะไรและเรียกกลับมาเมื่อไร ไม่ใช่ข้อยืนยันว่าโมเดลภาษาทุกระบบลืมเหมือนกัน
ชั้นความจำที่ผู้บรรยายเล่าถึง ได้แก่
- ความจำระยะสั้นสำหรับเรื่องที่เพิ่งคุยกัน
- ข้อเท็จจริงที่ปักหมุดไว้เกี่ยวกับบุคคลหรือบริษัท
- ความทรงจำแบบเหตุการณ์ หรือ episode
- สถานะความสัมพันธ์จากคนแปลกหน้าไปสู่ลูกค้าที่ไว้ใจกัน
- กลไกคัดกรองว่าอะไรควรถูกจำ อะไรควรถูกปล่อยทิ้ง
ตัวอย่างการนำไปคิดต่อคือแยกข้อเท็จจริงของลูกค้าออกจากประวัติการสนทนา เช่น ข้อจำกัดเรื่องราคาและความต้องการด้านการส่งมอบ ตัวอย่างนี้ไม่ได้เป็นผลทดสอบในคลิป
Rushabh ระบุว่าหากข้อมูลสองชุดขัดกัน ระบบของเขาให้การแก้ไขจากคนมีน้ำหนักเหนือข้อมูลเดิม นี่เป็นกติกาที่ผู้สร้างเล่า ไม่ใช่หลักฐานว่าระบบจะไม่มีวันตอบผิดซ้ำ
ทบทวนและจัดระเบียบข้อมูลตอนกลางคืน
ผู้บรรยายเรียกกระบวนการนี้ว่าวงจร “ฝัน” ตอนกลางคืน โดยเล่าว่าระบบทบทวนงานของวันนั้น เก็บสิ่งที่มีประโยชน์ หาเรื่องขัดแย้ง ปล่อยข้อมูลที่เก่า และแปลงงานเป็นทักษะที่ใช้ซ้ำได้
เขาระบุว่าเช้ามาจะมีรายงานสิ่งที่รวบรวม สิ่งที่ปล่อยทิ้ง และสิ่งที่ระบบค้นพบ เรื่องนี้เป็นคำบอกเล่าของผู้สร้าง ยังไม่มีผลประเมินในคลิปว่าการทบทวนทำให้ระบบแม่นยำขึ้นเท่าไร
ตัวอย่างการนำไปทดลองคือให้ AI ร่างสรุปดีลและคำถามที่พบในวันนั้น แล้วให้คนตรวจรายงานก่อนนำข้อมูลไปแก้ฐานคำตอบกลาง โดยเฉพาะข้อมูลที่ระบบเสนอให้ลบหรือแทนที่
แปลงหลักคิดเป็นกฎการทำงาน
Rushabh เล่าถึงไฟล์หลักการที่คำอธิบายคลิปเรียกว่า SOUL.md ซึ่งแปลงหลักคิดจากธุรกิจครอบครัวมาเป็นกฎ เช่น ตรวจหลายแหล่งก่อนพูด อย่าฟันธงเกินไป อ้างอิงเอกสารและวันที่ ทำเฉพาะหน้าที่ตัวเอง และรายงานความจริงแม้จะไม่สวยงาม นี่เป็นการออกแบบที่เขารายงาน ยังไม่ใช่ผลตรวจความปลอดภัยของระบบ
สิ่งที่นำมาคิดกับงานของตัวเองได้คือ AI ควรมีหลักสำหรับการตัดสินใจ ไม่ใช่มีเพียงคำสั่งให้ตอบดูดี
ตัวอย่างกฎสำหรับนำไปทดลองกับธุรกิจไทย เช่น
- ห้ามตอบเรื่องราคาโดยไม่มีข้อมูลล่าสุด
- ถ้าไม่แน่ใจให้ระบุว่าไม่แน่ใจ และบอกแหล่งข้อมูลที่ใช้
- ห้ามสัญญา timeline เองถ้าไม่มีข้อมูลจากฝ่ายปฏิบัติการ
- เมื่อมีคนแก้คำตอบ ต้องบันทึกเป็นกฎหรือข้อเท็จจริงใหม่
แยกต้นทุนการจัดข้อมูลออกจากต้นทุนโมเดล
ผู้บรรยายบอกว่าทีมไม่ได้มีค่าใช้จ่ายสำหรับฝึกโมเดลเอง และส่วนที่ยากคือการสอนให้บริษัทจำตัวเองได้ เขาพูดถึงต้นทุนที่ทีมใช้สร้างและเดินระบบด้วย แต่บทความนี้ไม่ใช้ตัวเลขเหล่านั้น เพราะหน่วยของค่าพัฒนาใน transcript ไม่ชัดเจนและไม่มีเอกสารต้นทุนให้ตรวจ
รายการที่ควรนับเมื่อลองประเมินโครงการของตัวเอง ได้แก่
- การรวบรวมและทำความสะอาดข้อมูล
- การกำหนดขั้นตอนงาน
- การให้คนในทีมตรวจและแก้ข้อมูล
- การดูแลความถูกต้องต่อเนื่อง
ตัวอย่างการเริ่มต้นคือเลือกงานสรุปข้อมูลก่อนประชุมขายหรือร่างใบเสนอราคา แล้วเก็บเวลาและต้นทุนจริงของงานนั้นก่อนตัดสินใจขยาย โจทย์นี้เป็นข้อเสนอสำหรับทดลอง ไม่ใช่ผลตอบแทนที่ Machinecraft ยืนยันให้ธุรกิจอื่น
สร้างความจำที่เป็นของบริษัทตัวเอง
ในตอนท้าย Rushabh เสนอให้นำสถาปัตยกรรมออกไปทำสำเนาปรับใช้ในชื่อ Brain OS โดยเปรียบเป็นระบบประสาทเปล่าที่ต้องเติมข้อมูลของแต่ละบริษัท คำบรรยายนี้บอกแนวคิดของผู้สร้าง บทความไม่ได้ตรวจโค้ด ใบอนุญาต หรือความพร้อมใช้งานของโครงการในปัจจุบัน
ข้อเสนอท้ายคลิปคือคนในบริษัทต้องช่วยระบุเองว่าธุรกิจทำงานอย่างไร ลูกค้าต้องการอะไร และข้อมูลไหนเป็นความจริงขององค์กร การนำเครื่องมือภายนอกมาใช้จึงยังต้องอาศัยความรู้จากคนทำงาน
จุดเริ่มต้นที่นำไปใช้เป็นโจทย์ได้คือสำรวจความรู้หนึ่งส่วนที่ธุรกิจค้นคืนยาก แล้วออกแบบทางเก็บ ทางตรวจ และทางแก้ให้ชัด ก่อนเพิ่มจำนวน agent
แหล่งต้นทาง: The Factory That Dreams: 39 AI Agents, No Framework - Rushabh Doshi, Machinecraft จาก AI Engineer อัปโหลด 12 กรกฎาคม 2026 เวลา 03:00:27 น. ตามเวลาไทย เนื้อหาเป็นคำบรรยายของ Rushabh Doshi และข้อเสนอสำหรับนำไปทดลอง ไม่ใช่ผลทดสอบอิสระ วันที่อัปโหลดไม่ใช่วันจัดงาน และไม่ใช่วันเผยแพร่บทความนี้ ภาพและตำแหน่งเวลาเก็บตามบทความต้นทาง; เครดิตระบุที่มาและไม่ได้ยืนยันสิทธิ์นำภาพกลับมาใช้
