สรุปจากคลิป ดูคลิปต้นฉบับ

Prep for Sales Meetings Faster with Codex: AI ที่ลดงานเตรียมประชุมขายแบบเห็นภาพ

ปัญหาของงานขายไม่ใช่แค่ปิดดีลไม่ได้ แต่คือเสียเวลาไปกับการ “ประกอบข้อมูล” ก่อนจะได้คุยกับลูกค้าจริงๆ เปิดปฏิทิน เช็กอีเมล ดู Salesforce ไล่ Slack แล้วค่อยสรุปลงเอกสาร สุดท้ายเวลาที่ควรใช้คิดเชิงกลยุทธ์กลับหมดไปกับงานจุกจิก

คลิปจาก OpenAI เรื่อง Prep for sales meetings faster with Codex แสดงภาพชัดมากว่า AI ไม่ได้มีหน้าที่แค่ตอบคำถาม แต่เริ่มทำงานเป็นตัวกลางที่เชื่อมหลายระบบเข้าด้วยกันได้แล้ว จุดที่น่าสนใจกว่าเดโมคือ มันสะท้อนรูปแบบการทำงานใหม่ของทีมขายและเจ้าของธุรกิจ นั่นคือใช้ AI รวบรวม context จากหลายแอป แล้วเปลี่ยนให้กลายเป็นงานที่พร้อมใช้ทันที

สำหรับธุรกิจไทย ประเด็นนี้สำคัญมาก เพราะหลายทีมไม่ได้ติดปัญหาว่า “ไม่มีข้อมูล” แต่ติดตรงข้อมูลกระจัดกระจายอยู่คนละที่ บทความนี้จะสรุปสิ่งที่เกิดขึ้นในคลิป พร้อมวิเคราะห์ว่าถ้าเราเอาแนวคิดเดียวกันไปใช้จริงกับงานขาย งานลูกค้า หรือแม้แต่งานผู้บริหาร จะหน้าตาเป็นอย่างไร

สารบัญ

• Codex ในคลิปทำอะไรได้บ้าง
• จุดแข็งจริงๆ ไม่ใช่การสรุป แต่คือการเชื่อมระบบ
• เริ่มจากปฏิทิน: เพราะประชุมที่ดีเริ่มจากรู้ว่าเรากำลังจะคุยกับใคร
• ดึงข้อมูลจาก Salesforce: ลดปัญหาเปิดหลายจอแล้วก็ยังไม่ครบ
• สร้างเอกสารสรุปอัตโนมัติ: จากข้อมูลกระจัดกระจายสู่ meeting brief ที่แชร์ต่อได้
• จากเอกสารสู่การสื่อสาร: ส่ง Slack และร่างอีเมลโดยไม่ต้องสลับแอป
• อัปเดต CRM ทันทีหลังได้ข้อสรุป: ลดปัญหาคุยเสร็จแล้วระบบไม่ตาม
• Pipeline review แบบคุยกับ AI: นี่แหละส่วนที่น่าจับตาสำหรับผู้บริหาร
• ถ้าเอาแนวคิดนี้มาใช้กับธุรกิจไทย จะเริ่มตรงไหนก่อนดี
• Actionable Insights
• Troubleshooting
• การต่อยอด
• สรุป Checklist ทั้งหมด
• สรุป

Codex ในคลิปทำอะไรได้บ้าง

ภาพรวมของเดโมนี้คือการใช้ Codex เป็นศูนย์กลางการทำงานจากบทสนทนาเดียว แล้วให้มันไปคุยกับหลายเครื่องมือแทนเรา เช่น Google Calendar, Salesforce, Google Docs, Slack และ Gmail

ลำดับงานที่เกิดขึ้นมีดังนี้

• ดึงข้อมูลนัดประชุมจาก Google Calendar
• สรุปรายชื่อผู้เข้าร่วมและ agenda
• ไปหา context เพิ่มจาก Salesforce เช่น account details, opportunities, open tickets
• สร้าง meeting brief ลง Google Docs
• จัดรูปแบบเอกสารให้อ่านง่ายขึ้น
• ส่งลิงก์เอกสารไปทาง Slack ให้ทีมที่เกี่ยวข้อง
• ร่างอีเมลเตรียมความพร้อมผ่าน Gmail
• อัปเดต next steps ใน Salesforce
• เปิดดู pipeline ทั้งหมดและสั่งแก้ข้อมูลดีลแบบคุยกับ AI

สิ่งที่น่าสนใจไม่ใช่แค่ “ทำได้หลายอย่าง” แต่คือทุกอย่างเกิดขึ้นใน thread เดียว หมายความว่า AI เก็บ context ต่อเนื่องได้ ไม่ต้องอธิบายงานใหม่ทุกครั้ง

จุดแข็งจริงๆ ไม่ใช่การสรุป แต่คือการเชื่อมระบบ

หลายคนพอได้ยินว่า AI ช่วยงานขาย มักนึกถึงสรุปประชุม เขียนอีเมล หรือช่วยคิดข้อความตอบลูกค้า ซึ่งก็ดี แต่ยังเป็นแค่ชั้นบนสุดของปัญหา

สิ่งที่ OpenAI พยายามโชว์ในคลิปนี้คือ ถ้า AI เข้าถึงเครื่องมือทำงานหลักได้ มันจะไม่ใช่แค่ “ผู้ช่วยเขียน” แต่กลายเป็น “ตัวประสานงาน” ระหว่างระบบต่างๆ

ยกตัวอย่างจากเดโม เมื่อมีประชุมลูกค้าพรุ่งนี้ Codex ไม่ได้หยุดแค่บอกว่าใครเข้าประชุม แต่ยังไปไล่ดูข้อมูลลูกค้าใน Salesforce ต่อให้เอง แล้วสรุปกลับมาเป็นภาพเดียวว่า

• ลูกค้ารายนี้มีสถานะบัญชีอย่างไร
• มีโอกาสการขายไหนเปิดอยู่บ้าง
• มี ticket ค้างที่อาจกระทบการประชุมหรือไม่
• ควรเตรียมคำถามอะไรไปถาม

นี่คือการเปลี่ยน AI จากเครื่องมือปลายทาง เป็น workflow layer ที่ซ้อนอยู่บนระบบเดิมของบริษัท

สำหรับธุรกิจไทย แนวคิดนี้ใช้ได้กว้างกว่างานขายมาก เช่น

• ผู้บริหารให้ AI รวมข้อมูลจากปฏิทิน, CRM และอีเมล ก่อนประชุมลูกค้ารายใหญ่
• ทีม account ให้ AI รวบรวมสถานะโปรเจกต์, issue ค้าง, และเอกสารล่าสุด ก่อน call กับลูกค้า
• ทีมบริการให้ AI ไล่เคสจาก ticket system, ประวัติแชต, และการชำระเงิน ก่อนโทรหาลูกค้า

จุดร่วมคือ เราไม่ได้อยากได้ AI ที่เก่งอย่างเดียว เราอยากได้ AI ที่ “หาของเป็น” และ “ส่งงานต่อเป็น”

เริ่มจากปฏิทิน: เพราะประชุมที่ดีเริ่มจากรู้ว่าเรากำลังจะคุยกับใคร

เดโมเริ่มต้นจาก Google Calendar ซึ่งเป็นจุดที่ฉลาดมาก เพราะในโลกการทำงานจริง ปฏิทินคือสัญญาณเริ่มต้นของงานจำนวนมาก

เมื่อ Codex ถูกสั่งให้ดูนัดประชุม มันดึงรายชื่อผู้เข้าร่วมและ agenda กลับมาได้ทันที จากนั้น AI ใช้ข้อมูลนี้เป็นฐานเพื่อขยาย context ต่อไป

ตรงนี้มีบทเรียนสำคัญสำหรับคนทำงานไทยคือ ถ้าอยากใช้ AI ให้เกิดผล เราต้องเริ่มจาก “event ที่ชัด” ไม่ใช่สั่งกว้างๆ เช่น “ช่วยเตรียมประชุมให้หน่อย” แต่ควรระบุว่าเป็นประชุมไหน กับใคร และต้องการผลลัพธ์แบบไหน

prompt ที่ดีในโลกธุรกิจมักมี 3 ส่วน

• จุดเริ่มต้น เช่น ประชุมลูกค้าพรุ่งนี้เวลา 10 โมง
• แหล่งข้อมูล เช่น Calendar, CRM, email
• ผลลัพธ์ที่ต้องการ เช่น brief, รายการคำถาม, ข้อควรระวัง

ถ้าองค์กรไหนอยากให้ AI ช่วยงานจริง การจัดโครงสร้างข้อมูลตั้งแต่ปฏิทินเป็นเรื่องเล็กที่ส่งผลใหญ่ เช่น ตั้งชื่อประชุมให้ชัด ใส่ attendee ครบ ใส่ agenda สั้นๆ ในคำอธิบาย สิ่งเหล่านี้ทำให้ AI ทำงานต่อได้ดีขึ้นมาก

ดึงข้อมูลจาก Salesforce: ลดปัญหาเปิดหลายจอแล้วก็ยังไม่ครบ

ขั้นต่อมาคือให้ Codex เข้าไปดู Salesforce เพื่อดึงข้อมูลลูกค้า ทั้งรายละเอียดบัญชี โอกาสการขาย และ ticket ที่ยังเปิดอยู่

นี่คือส่วนที่สะท้อน pain point ของทีมขายชัดที่สุด เพราะต่อให้บริษัทมี CRM อยู่แล้ว ก็ไม่ได้แปลว่าข้อมูลจะพร้อมใช้เสมอ ปัญหาที่เจอบ่อยคือ

• ข้อมูลอยู่ครบ แต่หายาก
• ข้อมูลอยู่หลาย object อ่านแล้วไม่ต่อกัน
• ทีมขายเห็นเฉพาะดีล แต่ไม่เห็นปัญหาฝั่ง support
• ก่อนประชุมต้องไปถามหลายคนเอง

สิ่งที่ AI ทำในเดโมคือแปลงข้อมูลเชิงระบบให้กลายเป็นข้อความสั้นที่คนอ่านแล้วเอาไปใช้ต่อได้ทันที ตรงนี้มีมูลค่ามากกว่าที่เห็น เพราะผู้บริหารหรือเซลส์อาวุโสมักไม่ต้องการ “ข้อมูลเพิ่ม” แต่ต้องการ “มุมมองที่พร้อมใช้ตัดสินใจ”

อย่างไรก็ตาม เราควรมองข้อจำกัดให้ชัดด้วย ถ้าข้อมูลใน Salesforce ไม่อัปเดต AI ก็สรุปสิ่งที่ล้าสมัยได้เหมือนกัน ดังนั้นเดโมนี้ไม่ได้แปลว่า AI แก้ปัญหาข้อมูลสกปรกได้ แต่แปลว่า AI จะยิ่งมีพลังเมื่อระบบต้นทางมีวินัยพอสมควร

สำหรับธุรกิจไทยที่ยังไม่ได้ใช้ Salesforce ก็ยังใช้แนวคิดเดียวกันได้กับ CRM ตัวอื่น ขอแค่มีทางเชื่อมข้อมูลเข้า AI ได้ หลักการไม่เปลี่ยน คือดึงข้อมูลลูกค้าหลายมุมมารวมเป็น brief เดียว

สร้างเอกสารสรุปอัตโนมัติ: จากข้อมูลกระจัดกระจายสู่ meeting brief ที่แชร์ต่อได้

หลังจากได้ข้อมูลจากปฏิทินและ CRM แล้ว Codex ถูกสั่งให้สร้างเอกสารใน Google Docs โดยให้มีองค์ประกอบสำคัญ เช่น executive summary, สิ่งที่ควรรู้ และคำถามที่ควรถาม

นี่เป็นขั้นตอนที่หลายทีมมองข้าม แต่จริงๆ สำคัญมาก เพราะงานเตรียมประชุมที่ดีไม่ได้จบที่เรา “รู้” ข้อมูล มันต้องถูกจัดรูปแบบให้ทีมอื่นหยิบไปใช้ต่อได้ด้วย

meeting brief ที่ดีควรมีอย่างน้อย

• ภาพรวมลูกค้า เพื่อให้ทุกคนเห็นตรงกัน
• สถานะดีลหรือประเด็นค้าง เพื่อไม่เริ่มประชุมแบบหลงทิศ
• ความเสี่ยงหรือเรื่องอ่อนไหว เช่น ticket ที่ยังไม่ปิด
• เป้าหมายของการประชุม ว่าเราต้องการ outcome อะไร
• คำถามที่ต้องถาม เพื่อให้การคุยไม่ลอย

ในเดโม เมื่อเอกสารถูกสร้างแล้ว ยังสามารถสั่งให้ Codex ปรับ formatting ต่อได้ เช่นทำหัวข้อให้ชัด อ่านง่ายขึ้น ตรงนี้ดูเหมือนเล็ก แต่สะท้อนว่าคนทำงานไม่ได้ต้องการแค่ “มีเอกสาร” เราต้องการเอกสารที่พร้อมแชร์โดยไม่เสียเวลามาเก็บงานเองอีกหลายรอบ

มุมมองของเราคือ จุดนี้เหมาะมากกับทีมไทยที่มีผู้บริหารเข้าประชุมร่วมกันหลายคน เพราะ AI สามารถช่วยลดงานของคนที่ต้องทำ briefing pack ก่อนประชุมได้เยอะมาก โดยเฉพาะในองค์กรที่ยังใช้ Google Workspace อยู่แล้ว

จากเอกสารสู่การสื่อสาร: ส่ง Slack และร่างอีเมลโดยไม่ต้องสลับแอป

หลังจากได้ meeting brief แล้ว Codex ถูกใช้ส่งลิงก์เอกสารไปยังคนที่จะเข้าประชุมผ่าน Slack และร่างอีเมลผ่าน Gmail เพื่อเตรียมความพร้อมให้ผู้เกี่ยวข้อง

นี่คือช่วงที่แสดงให้เห็นว่า AI ไม่ได้แค่ “คิด” แต่เริ่ม “ลงมือ” ในงานประสานงานประจำวัน ซึ่งเป็นงานที่กินเวลาแบบไม่รู้ตัว

ในองค์กรจริง เวลาจะประชุมลูกค้าหนึ่งครั้ง เรามักต้องทำ 3 อย่างซ้ำๆ

1. สรุปข้อมูลให้ทีม
2. ส่งต่อให้คนที่ต้องเข้าประชุม
3. แจ้งสิ่งที่ต้องเตรียมล่วงหน้า

ถ้า AI ทำทั้งหมดนี้ต่อเนื่องจากข้อมูลชุดเดียว โอกาสที่ข้อความจะตกหล่นหรือสื่อสารไม่ตรงกันก็ลดลง

สำหรับทีมไทยที่ใช้ LINE มากกว่า Slack หลักคิดก็ยังเหมือนเดิม แม้เครื่องมืออาจต่างกัน สิ่งที่ควรมองคือ workflow ว่าจะให้ AI ดึง brief ไปส่งต่อทางช่องทางไหน และยังให้มนุษย์ตรวจทานก่อนส่งได้หรือไม่

จุดที่ควรระวังคืออีเมลหรือข้อความที่ AI ร่างให้อาจดูเรียบร้อยเกินจริงหรือเป็นทางการเกินวัฒนธรรมทีม เราควรกำหนด style guide ไว้ล่วงหน้า เช่น น้ำเสียงสั้น กระชับ ตรงประเด็น หรือแบ่งข้อความเป็น bullet เพื่อให้นำไปใช้ได้จริง

อัปเดต CRM ทันทีหลังได้ข้อสรุป: ลดปัญหาคุยเสร็จแล้วระบบไม่ตาม

อีกส่วนที่มีประโยชน์มากคือ Codex สามารถอัปเดต next steps บน opportunity record ใน Salesforce ได้จากบทสนทนาเดียวกัน

นี่คือปัญหาคลาสสิกของทีมขายแทบทุกที่ ข้อมูลในหัวคนขายไปไกลกว่าข้อมูลใน CRM เสมอ จนสุดท้าย forecast ผิด ผู้บริหารมองภาพไม่ตรง และทีมอื่นช่วยต่อไม่ได้

สิ่งที่เดโมสะท้อนคือ ถ้า AI มี context ครบตั้งแต่ต้น มันสามารถช่วยบันทึกสิ่งที่ควรอยู่ในระบบให้ไวขึ้น ไม่ต้องรอให้คนขายกลับมาอัปเดตทีหลัง

แต่เราควรเห็นต่างกับเดโมนิดหนึ่งในเชิงการใช้งานจริง การให้ AI เขียนกลับเข้า CRM โดยตรงควรมี guardrail ชัดเจน โดยเฉพาะข้อมูลที่กระทบ forecast, amount หรือ stage ของดีล องค์กรอาจเริ่มจากให้ AI “เสนอการแก้ไข” แล้วให้คนกดยืนยันก่อน จะเหมาะกว่าเปิดสิทธิ์เต็มตั้งแต่วันแรก

สรุปคือ AI ช่วยลดงานคีย์ข้อมูลได้ แต่เรื่องสิทธิ์และความถูกต้องยังต้องออกแบบดีๆ

Pipeline review แบบคุยกับ AI: นี่แหละส่วนที่น่าจับตาสำหรับผู้บริหาร

ช่วงท้ายของเดโมคือการดึง pipeline ทั้งหมดขึ้นมาใน interface ที่คุยกับ Codex ได้ แล้วสั่งกรองเฉพาะดีลที่ต้องการ เช่นโอกาสของ Acme จากนั้นแก้ forecast category, amount หรือ next steps ได้เลย

นี่เป็นมากกว่าผู้ช่วยประชุม เพราะมันแตะถึงวิธีใหม่ในการใช้ซอฟต์แวร์ธุรกิจ เราอาจไม่ต้องไล่คลิกหลายหน้าจอเหมือนเดิม แต่สั่งเป็นภาษาคนแทน เช่น

• แสดงดีลที่เสี่ยงปิดไม่ทันไตรมาสนี้
• กรองเฉพาะลูกค้าที่มี open ticket และมูลค่าดีลสูง
• อัปเดต next steps ของดีลกลุ่มนี้ให้เหมือนกัน

ถ้าทำได้เสถียรจริง สิ่งนี้มีผลต่อผู้บริหารและเจ้าของธุรกิจมาก เพราะช่วยให้การรีวิว pipeline กลายเป็นบทสนทนาที่เร็วขึ้น และเข้าถึง insight ได้โดยไม่ต้องเก่งการใช้ระบบมากนัก

แต่ข้อจำกัดก็ชัดเช่นกัน งานแบบนี้จะเวิร์กเมื่อโครงสร้างข้อมูลใน CRM ค่อนข้างดี และนิยามแต่ละ field ชัด ถ้าบริษัทมีข้อมูลมั่ว ชื่อดีลไม่เป็นมาตรฐาน หรือ next steps เขียนคนละแบบ AI ก็จะช่วยได้ไม่เต็มที่

ถ้าเอาแนวคิดนี้มาใช้กับธุรกิจไทย จะเริ่มตรงไหนก่อนดี

ไม่จำเป็นต้องมี stack ใหญ่แบบในเดโมถึงจะเริ่มได้ สิ่งสำคัญคือเลือก use case ที่เจ็บจริงและทำซ้ำบ่อย

ตัวอย่างที่เหมาะกับธุรกิจไทยมีหลายแบบ เช่น

1) ธุรกิจ B2B ที่มีเซลส์และผู้บริหารเข้าประชุมลูกค้าร่วมกัน

ให้ AI ดึงข้อมูลจากปฏิทิน, CRM, อีเมล และเอกสารข้อเสนอ แล้วสรุป brief ก่อนประชุมทุกครั้ง ลดงานของทีม sales ops หรือผู้ช่วยผู้บริหาร

2) เอเจนซีหรือบริษัทบริการที่ต้องประชุมอัปเดตลูกค้าประจำ

ให้ AI รวมสถานะงาน, issue เปิดค้าง, เอกสารล่าสุด และร่างเมล follow-up หลังประชุม ทำให้ account manager ดูมืออาชีพขึ้นโดยไม่ต้องทำงานเอกสารเองทั้งหมด

3) เจ้าของกิจการที่ยังไม่มี CRM เต็มรูปแบบ

เริ่มจากเชื่อมปฏิทินกับอีเมลและเอกสารก่อน ใช้ AI สร้าง briefing note อัตโนมัติจากข้อมูลที่มี แล้วค่อยขยายไปสู่ระบบขายในภายหลัง

ถ้าจะให้เห็นภาพง่ายๆ สิ่งที่ธุรกิจไทยควรถามไม่ใช่ “จะใช้ Codex ได้ไหม” แต่คือ “ก่อนประชุมลูกค้า 1 ครั้ง ตอนนี้เราต้องเปิดกี่ระบบ และเสียเวลากี่นาที” ถ้าคำตอบคือเยอะ นั่นคือพื้นที่ของ AI ทันที

Actionable Insights

• เริ่มจากงานที่เกิดซ้ำทุกสัปดาห์ เช่น การเตรียมประชุมลูกค้า ไม่ต้องเริ่มจากโปรเจกต์ AI ใหญ่ทั้งองค์กร
• จัดข้อมูลต้นทางให้เรียบร้อยก่อน ชื่อประชุม, attendee, agenda, ชื่อลูกค้าใน CRM ควรตรงกัน เพื่อให้ AI หา context ได้แม่น
• กำหนดผลลัพธ์ชัด เช่น ต้องการ executive summary, คำถามที่ควรถาม, และ next steps ไม่ใช่สั่งกว้างๆ ว่าให้ช่วยสรุป
• ให้ AI ร่างก่อน แล้วให้คนอนุมัติ โดยเฉพาะการส่งอีเมลหรืออัปเดตข้อมูลสำคัญใน CRM
• วัดผลจากเวลาที่ประหยัดได้จริง เช่น เวลาการเตรียมประชุมลดลงกี่นาทีต่อครั้ง ไม่ใช่วัดจากความว้าวของเดโม

Troubleshooting

-ปัญหา: AI ดึงข้อมูลมาไม่ครบหรือสรุปผิดลูกค้า

• สาเหตุ: ชื่อประชุมใน Calendar ไม่ชัด หรือไม่มีการผูกข้อมูลกับ CRM ให้ตรงกัน
• วิธีแก้: ตั้งชื่อ event ให้มีชื่อลูกค้าชัดเจน ใส่ attendee ให้ครบ และตรวจว่า record ใน CRM ใช้มาตรฐานเดียวกัน

-ปัญหา: เอกสารสรุปออกมายาวเกิน อ่านยาก

• สาเหตุ: prompt ไม่ระบุรูปแบบผลลัพธ์ที่ต้องการ
• วิธีแก้: สั่งให้สรุปเป็นหัวข้อ เช่น ภาพรวมลูกค้า, ความเสี่ยง, คำถามสำคัญ, next steps และกำหนดความยาวแต่ละส่วน

-ปัญหา: ข้อความ Slack หรืออีเมลที่ AI ร่างไม่เข้ากับสไตล์ทีม

• สาเหตุ: ไม่มี guideline เรื่องน้ำเสียงและรูปแบบการสื่อสาร
• วิธีแก้: เขียน template ตัวอย่าง 2-3 แบบให้ AI ยึดตาม เช่น แบบทางการ แบบสั้นสำหรับภายในทีม แบบส่งหาลูกค้า

-ปัญหา: คนในทีมไม่กล้าให้ AI อัปเดต CRM

• สาเหตุ: กังวลเรื่องข้อมูลผิดและสิทธิ์การแก้ไข
• วิธีแก้: เริ่มจากโหมดเสนอการเปลี่ยนแปลงก่อน ให้คนตรวจแล้วค่อยกดยืนยัน จากนั้นค่อยขยายสิทธิ์ตามความมั่นใจ

-ปัญหา: ใช้ AI แล้วเหมือนยังไม่ประหยัดเวลา

• สาเหตุ: workflow เดิมยังไม่ถูกออกแบบใหม่ แค่ย้ายงานเดิมมาใส่ AI
• วิธีแก้: ไล่ดูทั้งกระบวนการ ตั้งแต่ดึงข้อมูล สร้าง brief ส่งต่อทีม และอัปเดตระบบ แล้วตัดขั้นตอนที่ซ้ำทิ้งให้มากที่สุด

การต่อยอด

• ทำ pre-meeting pack อัตโนมัติสำหรับผู้บริหาร โดยรวมข้อมูลลูกค้า, ยอดขาย, ticket, และเอกสารล่าสุดไว้ในหน้าเดียวก่อนประชุมทุกครั้ง
• ต่อยอดเป็น post-meeting workflow หลังประชุมเสร็จให้ AI ร่างสรุป ส่ง follow-up และอัปเดต CRM ต่อทันที
• ใช้กับ pipeline review รายสัปดาห์ ให้ AI คัดดีลเสี่ยง ดีลมูลค่าสูง และดีลที่ไม่มี next step เพื่อให้ทีมโฟกัสถูกจุด

สรุป Checklist ทั้งหมด

เช็กลิสต์นี้ใช้เป็น reference ได้ทันที ถ้าเราอยากเอาแนวคิดจาก Prep for sales meetings faster with Codex ไปปรับใช้กับงานขายหรืองานลูกค้า

• ☐ เลือก use case ที่ทำซ้ำบ่อย เช่น เตรียมประชุมลูกค้า
• ☐ ตรวจว่าปฏิทินมีชื่อประชุม รายชื่อผู้เข้าร่วม และ agenda ชัดเจน
• ☐ เชื่อมแหล่งข้อมูลหลักที่ใช้จริง เช่น Calendar, CRM, Docs, Chat, Email
• ☐ ออกแบบ prompt ให้ระบุทั้งแหล่งข้อมูลและผลลัพธ์ที่ต้องการ
• ☐ ให้ AI ดึงข้อมูลลูกค้า ดีล และ issue ค้างมารวมเป็นชุดเดียว
• ☐ สร้าง meeting brief ที่มี executive summary, ประเด็นสำคัญ, คำถามที่ควรถาม
• ☐ ปรับรูปแบบเอกสารให้อ่านง่ายและแชร์ต่อได้
• ☐ ให้ AI ร่างข้อความส่งทีมในช่องทางสื่อสารภายใน
• ☐ ให้ AI ร่างอีเมลเตรียมประชุมหรือ follow-up โดยมีคนตรวจทานก่อนส่ง
• ☐ ตั้งกติกาการอัปเดต CRM ว่าอะไรให้ AI เสนอได้ และอะไรต้องให้คนยืนยัน
• ☐ ทดลองใช้กับทีมเล็กก่อน แล้ววัดผลจากเวลาที่ประหยัดได้จริง
• ☐ ทบทวนคุณภาพข้อมูลต้นทาง เพราะ AI จะเก่งได้เท่ากับข้อมูลที่เราให้มันเข้าถึง

สรุป

เดโมนี้ไม่ได้น่าสนใจเพราะ AI เขียนเอกสารได้เก่งกว่าเดิม แต่น่าสนใจเพราะมันชี้ให้เห็นระยะถัดไปของงานความรู้ในองค์กรว่า AI จะเข้ามาอยู่ “ระหว่างระบบ” และทำหน้าที่ประกอบ context ให้เราแทน

สำหรับเจ้าของธุรกิจและคนทำงานไทย บทเรียนสำคัญคืออย่าเริ่มจากคำถามว่า AI ฉลาดแค่ไหน ให้เริ่มจากคำถามว่า workflow ไหนของเรามีข้อมูลกระจัดกระจายและกินเวลามากที่สุด ถ้าเลือกจุดเริ่มต้นถูก ต่อให้ยังไม่ได้ใช้ stack แบบบริษัทใหญ่ เราก็เอาแนวคิดแบบ Codex มาลดงานเตรียมประชุม ลดงานประสานงาน และทำให้การตัดสินใจเร็วขึ้นได้จริง

หากต้องการอ่านแนวทางเพิ่มเติมเกี่ยวกับ Codex for work สามารถดูข้อมูลจาก OpenAI ได้โดยตรง และสำหรับองค์กรที่อยากวางระบบ CRM ให้รองรับการใช้งาน AI มากขึ้น การทำความเข้าใจเรื่อง CRM workflows และแนวทางการใช้งาน Google Workspace ควบคู่กันจะช่วยให้เห็นภาพการต่อยอดชัดขึ้น