สรุปจากคลิป ดูคลิปต้นฉบับ

AI คูณพลังคนทำงาน: วิธีใช้ ChatGPT ในงานการเงินให้ไปไกลกว่าเดิม

ปัญหาของหลายองค์กรไม่ใช่ว่าคนทำงานไม่เก่งพอ แต่เป็นเพราะเวลาจำนวนมากถูกใช้ไปกับงานที่จำเป็นแต่ไม่ได้ต้องการการตัดสินใจของมนุษย์มากนัก งานรวบรวมข้อมูล งานจัดรูปแบบ งานสรุปเอกสาร และงานทำโมเดลซ้ำๆ กินเวลาจนคนเก่งไม่มีพื้นที่พอสำหรับงานที่สร้างมูลค่าจริง

คลิป Multiplying workforce impact จากช่อง OpenAI โดย Stephanie Anani พูดเรื่องนี้ได้ตรงจุดมาก โดยเฉพาะในมุมขององค์กรสายการเงินที่ต้องพึ่งข้อมูลที่เชื่อถือได้ ต้องตรวจสอบย้อนหลังได้ และต้องทำงานภายใต้ข้อกำกับที่เข้มงวด ประเด็นสำคัญไม่ใช่ AI จะมาแทนคน แต่คือ AI จะยก “ระดับการทำงาน” ของคนในองค์กรได้แค่ไหน ถ้าเอาไปฝังอยู่ใน workflow ประจำวันอย่างถูกที่

สำหรับเจ้าของธุรกิจและคนทำงานไทย สิ่งที่น่าสนใจที่สุดในคลิปนี้ไม่ใช่ชื่อ model หรือเดโมที่ดูสวย แต่คือแนวคิดการออกแบบงานใหม่ทั้งหมด ตั้งแต่การหาข้อมูล การสร้างโมเดล ไปจนถึงการสรุปเพื่อใช้ตัดสินใจ ซึ่งเอาไปประยุกต์ได้ไกลกว่างานการเงินมาก

สารบัญ

• แก่นของเรื่อง: AI ไม่ได้แค่ทำงานเร็วขึ้น แต่ช่วยให้คนทำงานในระดับที่สูงขึ้น
• 5 มิติที่ทำให้ AI ใช้ในองค์กรจริงได้
• Context สำคัญกว่าความฉลาดของ model
• Deep Research ไม่ใช่แค่ค้นหา แต่เป็นการจัดระบบความรู้ให้พร้อมใช้ตัดสินใจ
• Skill ที่ฝังวิธีทำงานขององค์กร คือของจริงที่คนทำงานควรสนใจ
• ChatGPT ใน Excel คือภาพชัดของคำว่า intelligence everywhere
• จากโมเดลสู่การตัดสินใจ: AI ควรจบที่ deck ไม่ใช่จบที่คำตอบ
• Governance และ auditability คือเส้นแบ่งระหว่างของเล่นกับระบบงานจริง
• สิ่งที่เห็นด้วย และสิ่งที่ควรมองอย่างระวัง
• Actionable Insights
• Troubleshooting
• การต่อยอด
• สรุป Checklist ทั้งหมด

แก่นของเรื่อง: AI ไม่ได้แค่ทำงานเร็วขึ้น แต่ช่วยให้คนทำงานในระดับที่สูงขึ้น

ประโยคสำคัญของคลิปนี้คือ OpenAI มองว่า AI ไม่ได้มีหน้าที่แค่เร่งงานเดิมให้เสร็วไวขึ้น แต่ช่วยให้คนทำสิ่งที่ก่อนหน้านี้ทำไม่ได้เลยด้วยซ้ำ ตัวเลขที่ยกมาคือผู้ใช้ ChatGPT ในกลุ่มองค์กรจำนวนมากบอกว่าสามารถทำงานบางอย่างที่ไม่เคยทำได้มาก่อน

นี่เป็นมุมที่เจ้าของธุรกิจไทยควรคิดตาม เพราะเวลาพูดถึง AI เรามักถามแค่ว่า “ลดชั่วโมงทำงานได้กี่เปอร์เซ็นต์” แต่คำถามที่คมกว่าคือ “AI ทำให้ทีมเรารับงานที่ใหญ่ขึ้น ซับซ้อนขึ้น หรือคุณภาพสูงขึ้นได้ไหม” ถ้าคำตอบคือใช่ ผลกระทบทางธุรกิจจะมากกว่าการประหยัดเวลาอย่างเดียว

ยกตัวอย่างง่ายๆ ทีมการเงินของบริษัทขนาดกลางในไทยอาจไม่ได้มี analyst ระดับ investment bank แต่ถ้า AI ช่วยรวบรวมเอกสาร สรุปข้อมูลสำคัญ สร้างตารางสมมติฐาน และทำ draft รายงานเบื้องต้นได้ ทีมเดิมอาจเริ่มทำงานวิเคราะห์ที่เคยต้องจ้างที่ปรึกษาภายนอกบางส่วนเองได้

5 มิติที่ทำให้ AI ใช้ในองค์กรจริงได้

Stephanie วางกรอบไว้ 5 มิติสำหรับการเพิ่ม impact ของพนักงานแต่ละคน ซึ่งแม้คลิปจะเน้นอุตสาหกรรมการเงิน แต่จริงๆ ใช้เป็น checklist สำหรับธุรกิจทั่วไปได้ดีมาก

• More context หรือมีข้อมูลรอบด้านมากขึ้น
• Deep research หรือค้นคว้าเชิงลึกได้
• Sharper skills หรือมีทักษะงานเฉพาะทางที่ฝังอยู่ในระบบ
• Intelligence everywhere หรือใช้ AI ได้ในเครื่องมือทำงานเดิม เช่น Excel
• Governance and control หรือมีการกำกับและตรวจสอบได้

ถ้าขาดข้อใดข้อหนึ่ง การใช้งานในองค์กรจะสะดุดทันที โดยเฉพาะธุรกิจที่มีข้อมูลสำคัญหรือมีความเสี่ยงด้านกฎระเบียบ เช่น การเงิน ประกัน สุขภาพ และกฎหมาย

Context สำคัญกว่าความฉลาดของ model

หนึ่งในประเด็นที่คลิปย้ำชัดคือ AI จะให้ผลลัพธ์ดีแค่ไหนขึ้นอยู่กับว่าเข้าถึงข้อมูลที่เชื่อถือได้และอัปเดตแค่ไหน สำหรับสายการเงิน OpenAI พยายามเชื่อมต่อกับแหล่งข้อมูลที่น่าเชื่อถือ เช่น Dow Jones, LSE และ S&P เพื่อให้การค้นคว้าไม่ได้ลอยอยู่บนข้อมูลทั่วไปจากอินเทอร์เน็ต

นี่คือบทเรียนใหญ่สำหรับธุรกิจไทยด้วย ถ้าเราใช้ AI บนข้อมูลสาธารณะอย่างเดียว เราจะได้คำตอบแบบกว้างๆ แต่ถ้าเชื่อม AI เข้ากับเอกสารภายใน รายงานยอดขาย สัญญา ประวัติลูกค้า หรือฐานความรู้ของทีม AI จะเริ่มมีประโยชน์จริง

สรุปง่ายๆ คือ AI ไม่ได้เก่งเพราะตอบเก่งอย่างเดียว แต่เก่งเพราะเข้าถึง context ที่ถูกต้อง

ถ้าเป็นธุรกิจไทย ภาพการใช้งานอาจเป็นแบบนี้

• ธุรกิจอสังหาฯ เชื่อม AI กับสัญญาซื้อขาย เอกสารโครงการ และรายงานต้นทุน
• ธุรกิจค้าปลีกเชื่อม AI กับข้อมูลสต๊อก ยอดขายรายสาขา และโปรโมชั่นย้อนหลัง
• ธุรกิจบริการเชื่อม AI กับ FAQ ภายใน เอกสาร onboarding และข้อมูลการให้บริการลูกค้า

ยิ่ง context ดี AI ยิ่งตอบแบบใช้งานได้ ไม่ใช่ตอบแบบดูดีแต่ลงมือทำต่อไม่ได้

Deep Research ไม่ใช่แค่ค้นหา แต่เป็นการจัดระบบความรู้ให้พร้อมใช้ตัดสินใจ

ช่วงเดโมในคลิปเริ่มจากโจทย์สมมติของ analyst ที่ต้องเตรียมมุมมองใหม่เกี่ยวกับบริษัท QXO สำหรับการประชุมคณะกรรมการลงทุนในวันถัดไป ขั้นแรกคือการใช้ความสามารถด้าน deep research เพื่อสร้างเอกสารสรุปเชิงลึก หรือ investment dossier

สิ่งที่น่าสนใจคือระบบไม่ได้กระโดดไปตอบเลย แต่สร้างแผนการค้นคว้าก่อน จากนั้นจึงรวบรวมข้อมูลจากเอกสารสำคัญ เช่น เอกสารยื่นหน่วยงานกำกับ บทถอดความการประชุมผลประกอบการ และเอกสารนำเสนอนักลงทุน

ตรงนี้สะท้อนแนวคิดที่ดีมากสำหรับคนทำงานทุกสาย งานค้นคว้าที่ดีไม่ใช่การโยนคำถามแล้วรับคำตอบ แต่คือการมีแผนว่าจะเก็บข้อมูลอะไร จากแหล่งไหน และเพื่อพิสูจน์สมมติฐานอะไร

ถ้าเอามาใช้กับธุรกิจไทย เราอาจสั่ง AI ให้ทำ dossier ในรูปแบบอื่นได้ เช่น

• วิเคราะห์คู่แข่ง 5 รายในตลาดเดียวกัน
• สรุปแนวโน้มลูกค้าจากคอมเมนต์ รีวิว และบทสนทนาบริการลูกค้า
• รวบรวมความเสี่ยงก่อนเปิดสาขาใหม่จากข้อมูลทำเล ค่าเช่า และกำลังซื้อ

มุมที่ควรระวังคือ deep research จะดีมากเมื่อใช้เพื่อ “ตั้งต้น” แต่ยังไม่ควรปล่อยให้เป็นข้อสรุปสุดท้ายโดยไม่ตรวจสอบ โดยเฉพาะถ้าเรื่องนั้นมีผลต่อการลงทุน การทำสัญญา หรือการตัดสินใจเชิงกลยุทธ์

Skill ที่ฝังวิธีทำงานขององค์กร คือของจริงที่คนทำงานควรสนใจ

ช่วงที่น่าสนใจมากในเดโมคือการใช้สิ่งที่เรียกว่า skill สำหรับสร้าง three-statement model ของธนาคารสมมติ Blossom Bank แก่นของเรื่องคือองค์กรสามารถฝัง know-how ของตัวเองลงไปได้เลยว่าโมเดลควรมีโครงแบบไหน ใช้สมมติฐานอะไร และเรียงลำดับงานอย่างไร

ผลคือคนทำงานไม่ต้องเสียเวลาพิมพ์ prompt ยาวๆ ใหม่ทุกครั้ง เพราะ logic มาตรฐานขององค์กรถูกเก็บไว้แล้ว ใช้เพียง prompt สั้นๆ เพื่อบอกว่าโจทย์รอบนี้ต้องการอะไร

นี่คือจุดที่หลายธุรกิจไทยยังพลาด เวลาจะใช้ AI มักปล่อยให้แต่ละคนถามแบบตามถนัด ทำให้คุณภาพงานแกว่งมาก แต่ถ้าองค์กรเริ่มเก็บ “วิธีทำงานที่ดี” เป็น template, skill, หรือ prompt มาตรฐาน เราจะได้งานที่สม่ำเสมอขึ้นทันที

ตัวอย่างการประยุกต์

• ทีมขายมี skill สำหรับสรุปข้อมูลลูกค้าก่อนเข้าพบ
• ทีม HR มี skill สำหรับร่าง job description และสรุปผู้สมัคร
• ทีมบัญชีมี skill สำหรับตรวจเอกสารและสรุปข้อผิดปกติ
• ทีมผู้บริหารมี skill สำหรับสร้าง board memo จากข้อมูลหลายแหล่ง

พูดอีกแบบคือ จากเดิมที่ AI เป็นเครื่องมือรายบุคคล มันเริ่มกลายเป็นทรัพย์สินทางปฏิบัติการขององค์กร

ChatGPT ใน Excel คือภาพชัดของคำว่า intelligence everywhere

คลิปนี้ย้ำว่าคนทำงานสายการเงินจำนวนมากใช้ชีวิตอยู่ใน Excel ดังนั้นแทนที่จะบังคับให้ทุกคนย้ายไปทำงานในเครื่องมือใหม่ OpenAI เลือกเอา AI ไปอยู่ในที่ที่คนทำงานอยู่แล้ว

ในเดโม AI ช่วยสร้าง workbook สำหรับการประเมินมูลค่า จากนั้นเมื่อได้รับข้อมูลเพิ่มจากหัวหน้า ก็สามารถปรับโมเดลเพื่อสะท้อนกรณี bear, base และ bull ได้ พร้อมสรุปว่าตัวเลขอะไรเปลี่ยน เหตุผลคืออะไร และควรอ่าน insight จุดไหนต่อ

สิ่งที่สำคัญมากคือระบบไม่ได้ทำตัวเป็นกล่องดำ ตัวเลขมีสูตรให้ตรวจสอบ มีคอมเมนต์เรื่องสมมติฐานและแหล่งที่มาให้ audit ย้อนหลังได้ นี่คือเงื่อนไขสำคัญของการใช้ AI กับงานที่มีผลต่อเงินจริง

ถ้าเป็นธุรกิจไทย เราไม่จำเป็นต้องเริ่มจากโมเดลการลงทุนที่ซับซ้อนเสมอไป เราอาจเริ่มจากงานที่คุ้นกว่า เช่น

• ให้ AI ช่วยสร้าง forecast ยอดขายหลาย scenario
• ให้ AI อธิบายว่าตัวเลขไหนเปลี่ยนผิดปกติในงบรายเดือน
• ให้ AI แปลงข้อมูลดิบในชีตหลายแท็บเป็นสรุปสำหรับผู้บริหาร

ส่วนตัวมองว่านี่คือทิศทางที่ใช้ได้จริงกว่า AI ที่บังคับให้คนเปลี่ยน workflow ทั้งหมด เพราะคนทำงานส่วนใหญ่ไม่ได้อยากเรียนระบบใหม่ตลอดเวลา แต่อยากได้ผลลัพธ์ที่ดีขึ้นในเครื่องมือเดิม

จากโมเดลสู่การตัดสินใจ: AI ควรจบที่ deck ไม่ใช่จบที่คำตอบ

อีกช่วงที่น่าสนใจคือการเปลี่ยนผลวิจัยและ valuation ให้กลายเป็น presentation สำหรับคณะกรรมการลงทุน โดยใช้ deck build skill ที่เก็บรูปแบบการทำสไลด์ขององค์กรไว้แล้ว

AI สร้างสไลด์ที่มีข้อเสนอชัดเจน มีกราฟสรุปจุดตัดสินใจ และยังมี presenter notes อธิบายว่าเหตุผลของข้อสรุปแต่ละจุดมาจากอะไร

จุดนี้สำคัญมาก เพราะในโลกการทำงานจริง งานไม่จบตอนวิเคราะห์เสร็จ งานจบเมื่อคนอื่นเข้าใจและใช้ผลวิเคราะห์นั้นตัดสินใจต่อได้ AI ที่เก่งเฉพาะตอบคำถาม แต่ช่วยแปลงคำตอบให้เป็นเอกสารพร้อมใช้ไม่ได้ ก็ยังไม่สุดทาง

สำหรับธุรกิจไทย ภาพประยุกต์ใช้ชัดมาก เช่น

• แปลงรายงานยอดขายเป็นสไลด์ประชุมผู้บริหาร
• แปลงผลสำรวจลูกค้าเป็น deck สำหรับทีมการตลาด
• แปลงข้อมูลแผนขยายธุรกิจเป็นสไลด์ขออนุมัติงบ

แต่มุมที่ควรระวังคือ deck ที่ AI ทำมัก “เนียน” มากจนคนเผลอเชื่อ ดังนั้นยิ่งสไลด์สวย เรายิ่งต้องย้อนเช็ก logic และแหล่งอ้างอิงให้เข้มกว่าเดิม

Governance และ auditability คือเส้นแบ่งระหว่างของเล่นกับระบบงานจริง

คลิปนี้ไม่ได้ขายฝันแบบ AI ทำทุกอย่างเอง แต่พยายามชี้ว่าในอุตสาหกรรมที่มีข้อกำกับสูง สิ่งที่สำคัญไม่แพ้ความสามารถคือการควบคุมได้ ตรวจสอบได้ และอธิบายได้

การมีคอมเมนต์ประกอบสมมติฐาน การเปิดให้ตรวจสูตรใน Excel และการมีหมายเหตุในสไลด์ว่าทำไมถึงสรุปเช่นนั้น ล้วนเป็นสัญญาณของระบบที่ออกแบบมาสำหรับงานจริง ไม่ใช่แค่เดโมสวยๆ

ถ้าเราคิดจะใช้ AI ในธุรกิจไทย ประเด็นนี้ควรถูกเขียนลงในนโยบายตั้งแต่แรก เช่น

• ข้อมูลประเภทไหนให้ AI เข้าถึงได้
• งานประเภทไหนต้องมีคนอนุมัติก่อนส่งออก
• ผลลัพธ์แบบไหนต้องมีแหล่งอ้างอิงแนบเสมอ
• ใครรับผิดชอบเมื่อ AI ให้ข้อเสนอที่ผิดพลาด

หากยังไม่มี governance ต่อให้ AI ตอบเก่งขึ้นทุกเดือน องค์กรก็จะใช้ได้แค่ผิวๆ

สิ่งที่เห็นด้วย และสิ่งที่ควรมองอย่างระวัง

สิ่งที่เห็นด้วยมากคือการวาง AI เป็นตัวช่วยดึงงานเชิงกลไกออกจากวันทำงาน เพื่อคืนเวลาให้มนุษย์ใช้ judgment ในจุดที่สำคัญกว่า นี่เป็น framing ที่ถูกต้องและใช้งานได้จริง

แต่อีกด้านหนึ่ง เดโมลักษณะนี้มักเกิดใน environment ที่เตรียมข้อมูลดี มี skill พร้อม และมี workflow ที่ชัดอยู่แล้ว องค์กรจำนวนมากในไทยยังไม่มีพื้นฐานเหล่านี้ ดังนั้นถ้าหวังจะกดปุ่มเดียวแล้วได้ผลลัพธ์แบบในคลิป อาจผิดหวังได้

ประเด็นที่ควรคิดต่อคือ AI จะสร้างมูลค่าได้มากเมื่อองค์กรรู้ก่อนว่า “งานที่ดี” หน้าตาเป็นอย่างไร ถ้างานเดิมยังไม่เป็นระบบ AI ก็มีแนวโน้มจะขยายความสับสนให้เร็วขึ้น ไม่ได้แก้ปัญหาให้เอง

Actionable Insights

• เริ่มจากงานที่ซ้ำและตรวจได้ เช่น สรุปรายงาน สร้างตาราง เปรียบเทียบเอกสาร
• ให้ความสำคัญกับ context ก่อน prompt เตรียมข้อมูลภายในและแหล่งอ้างอิงที่เชื่อถือได้ให้พร้อม
• เก็บวิธีทำงานที่ดีเป็น skill หรือ template เพื่อให้คนทั้งทีมได้คุณภาพงานใกล้เคียงกัน
• ฝัง AI ในเครื่องมือที่ทีมใช้อยู่แล้ว เช่น Excel, เอกสาร, สไลด์ จะใช้จริงได้ง่ายกว่า
• ตั้งกติกาการตรวจสอบตั้งแต่แรก โดยเฉพาะงานที่เกี่ยวกับเงิน กฎหมาย และลูกค้า

Troubleshooting

• ปัญหา: AI ตอบกว้างมาก ใช้ทำงานต่อไม่ได้
  สาเหตุ: ให้โจทย์แต่ไม่ได้ให้ context หรือแหล่งข้อมูลที่เชื่อถือได้
  วิธีแก้: แนบเอกสารจริง ระบุวัตถุประสงค์ให้ชัด และบอก format ของผลลัพธ์ที่ต้องการ
• ปัญหา: งานที่ได้สวยแต่ตรวจสอบไม่ได้
  สาเหตุ: ใช้ AI แบบกล่องดำ ไม่มีการบังคับเรื่องสูตร สมมติฐาน หรือที่มา
  วิธีแก้: กำหนดให้ทุกงานต้องมี assumptions, sources และส่วนที่คนตรวจย้อนกลับได้
• ปัญหา: แต่ละคนในทีมใช้ AI แล้วคุณภาพไม่เท่ากัน
  สาเหตุ: ไม่มีมาตรฐานกลางของ prompt หรือ workflow
  วิธีแก้: สร้าง prompt template, checklist และ skill กลางของทีม
• ปัญหา: ทีมรู้สึกว่า AI เพิ่มงาน ไม่ได้ลดงาน
  สาเหตุ: เอา AI ไปวางนอก workflow เดิม ทำให้ต้องสลับเครื่องมือไปมา
  วิธีแก้: เริ่มจากจุดที่ทีมใช้อยู่ทุกวัน เช่น Excel หรือเอกสารประชุม
• ปัญหา: คนเชื่อผลลัพธ์ AI เร็วเกินไป
  สาเหตุ: งานที่ออกมาดูเรียบร้อยจนคิดว่าถูกต้องทั้งหมด
  วิธีแก้: ตั้งกฎว่าข้อเสนอสำคัญทุกชิ้นต้องมี human review ก่อนใช้งานจริง

การต่อยอด

• สร้าง AI workflow สำหรับประชุมผู้บริหาร ตั้งแต่ดึงข้อมูล สรุปประเด็น จนเป็นสไลด์พร้อมพูด
• ทำ knowledge base ภายในบริษัท เพื่อให้ AI ใช้ข้อมูลจริงขององค์กรแทนการตอบแบบทั่วไป
• เริ่มสะสม skill เฉพาะทีม เช่น skill สำหรับฝ่ายขาย การเงิน HR และ operation แยกกัน

สรุป Checklist ทั้งหมด

• ☐ เลือกงานที่ซ้ำ ใช้เวลามาก และมีรูปแบบชัดเจน
• ☐ รวบรวมแหล่งข้อมูลที่เชื่อถือได้ก่อนเริ่มใช้ AI
• ☐ กำหนด output ที่อยากได้ให้ชัด เช่น รายงาน ตาราง หรือสไลด์
• ☐ สร้าง template หรือ skill จากวิธีทำงานที่ดีที่สุดของทีม
• ☐ ทดลองฝัง AI ในเครื่องมือเดิมที่ทีมใช้อยู่ เช่น Excel
• ☐ บังคับให้มี assumptions, sources และจุดที่ตรวจสอบย้อนหลังได้
• ☐ ให้คนเป็นผู้ตัดสินใจขั้นสุดท้ายในเรื่องสำคัญ
• ☐ วัดผลทั้งเรื่องเวลาที่ลดลงและระดับงานที่ทีมทำได้เพิ่มขึ้น
• ☐ ขยายจาก use case เล็กไปสู่ workflow ที่เชื่อมกันทั้งสายงาน

สรุปแล้ว คลิปนี้ไม่ได้แค่โชว์ว่า ChatGPT ทำอะไรได้บ้างในงานการเงิน แต่ชี้ให้เห็นว่าถ้าออกแบบ workflow ดี AI จะเชื่อมตั้งแต่การหาข้อมูล การวิเคราะห์ตัวเลข ไปจนถึงการสื่อสารเพื่อการตัดสินใจได้ครบเส้นทาง สำหรับเจ้าของธุรกิจและคนทำงานไทย บทเรียนที่สำคัญที่สุดคืออย่าเริ่มจากการถามว่า AI ตัวไหนเก่งสุด แต่ให้เริ่มจากการถามว่า งานของเราจุดไหนมีแรงเสียดทานมากที่สุด และเราจะฝัง AI เข้าไปตรงนั้นอย่างไรโดยยังตรวจสอบได้อยู่

หากต้องการต่อยอดเรื่องการวางระบบ AI ในองค์กรอย่างเป็นรูปธรรม การศึกษาหลักคิดด้าน enterprise AI, แนวทางกำกับดูแลจาก NIST AI Risk Management Framework และแนวปฏิบัติเรื่อง AI governance จาก OECD AI Principles จะช่วยให้การนำ AI ไปใช้ไม่หยุดอยู่แค่เดโม แต่กลายเป็นระบบงานที่ขยายผลได้จริง