สรุปจากคลิป ดูคลิปต้นฉบับ
OpenJarvis + Ollama ฟรี แต่โหดมาก แค่ติดตั้งครั้งเดียวก็มี AI ส่วนตัว
AI ที่หลายธุรกิจอยากใช้จริง มักติดอยู่ 3 เรื่องเหมือนกัน คือค่ารายเดือน ความเป็นส่วนตัวของข้อมูล และความยุ่งยากในการตั้งค่า นั่นทำให้หลายทีมจบลงที่การทดลองเล่น แต่ไม่เคยเอาไปใช้กับงานประจำวันแบบจริงจังเสียที
คลิปของ Julian Goldie SEO หยิบประเด็นนี้มาได้ตรงมาก เพราะสิ่งที่นำเสนอไม่ใช่แค่ chatbot อีกตัว แต่เป็นแนวคิดของการมี AI ส่วนตัวบนเครื่องของเราเอง ผ่าน OpenJarvis ที่ทำงานคู่กับ Ollama แบบ offline และไม่ต้องจ่ายรายเดือน จุดที่น่าสนใจไม่ใช่แค่คำว่า “ฟรี” แต่คือคำถามที่ใหญ่กว่า ว่าเมื่อ AI รันอยู่ในเครื่องเรา ค้นข้อมูลในแอปเรา ใช้เอกสารเรา และทำงานตามตารางให้เราได้ ธุรกิจไทยจะเอาไปต่อยอดอะไรได้บ้าง
บทความนี้สรุปสาระสำคัญ พร้อมวิเคราะห์ในมุมของเจ้าของธุรกิจและคนทำงานที่อยากเอา AI ไปใช้จริง โดยไม่ต้องเป็น developer
สารบัญ
- Step 1: เข้าใจก่อนว่า OpenJarvis + Ollama คืออะไร
- Step 2: มองให้ขาดว่าทำไมการรันแบบ offline ถึงมีความหมาย
- Step 3: เริ่มจากจุดที่คนทำงานต้องการจริง คือ ติดตั้งง่ายและเข้าใช้งานเร็ว
- Step 4: ใช้ AI ค้นข้อมูลข้ามแอปในเครื่อง แทนการไล่หาเองทีละไฟล์
- Step 5: เปลี่ยนข้อมูลกระจัดกระจายให้เป็น morning briefing แบบส่วนตัว
- Step 6: ใช้ทำ deep research จากทั้งเว็บและเอกสารภายใน
- Step 7: ตั้งงานประจำสัปดาห์ให้รันอัตโนมัติ
- Step 8: เข้าใจเรื่องการเรียนรู้พฤติกรรมและ workflow ของเรา
- Step 9: ประเมินคุณค่าของ built-in agents และ community skills
- Actionable Insights
- Troubleshooting
- การต่อยอด
- สรุป Checklist ทั้งหมด
- บทสรุป
Step 1: เข้าใจก่อนว่า OpenJarvis + Ollama คืออะไร
ภาพรวมแบบสั้นที่สุดคือ OpenJarvis ทำหน้าที่เหมือนชั้นการใช้งานหรือ Agent OS ที่ช่วยให้เรา “สั่งงาน AI เป็นระบบ” ส่วน Ollama คือเครื่องมือที่ช่วยให้เราเรียกใช้ local model บนเครื่องได้ง่ายขึ้น
เมื่อเอาสองอย่างนี้มารวมกัน เราจะได้ AI assistant ที่ไม่จำเป็นต้องพึ่ง cloud ตลอดเวลา สามารถทำงานในเครื่องของเราเอง เก็บข้อมูลไว้ใกล้ตัว และลดภาระค่าใช้จ่ายแบบจ่ายรายเดือน
สำหรับธุรกิจไทย นี่ไม่ใช่แค่ของเล่นสายเทค แต่เป็นทางเลือกที่น่าสนใจมากสำหรับงานที่เกี่ยวกับข้อมูลภายใน เช่น
- สรุปอีเมลสำคัญในแต่ละวัน
- ค้นข้อมูลจากไฟล์เอกสารในบริษัท
- ช่วยเตรียมเนื้อหาประจำสัปดาห์
- จัด workflow งานซ้ำๆ ให้ทำอัตโนมัติ
มุมที่ควรเห็นให้ชัดคือ จุดขายของระบบแบบนี้ไม่ใช่ “ฉลาดที่สุดในโลก” แต่คือ ใกล้ข้อมูลงานของเรา และ ควบคุมได้มากกว่า ซึ่งสำหรับหลายองค์กร นี่สำคัญกว่าการไล่ใช้ model ที่แรงที่สุดเสียอีก
Step 2: มองให้ขาดว่าทำไมการรันแบบ offline ถึงมีความหมาย
ในคลิปมีการเน้นชัดว่า AI ชุดนี้ทำงานแบบ offline และช่วยรักษาความเป็นส่วนตัวของข้อมูล ประเด็นนี้สำคัญมาก โดยเฉพาะกับทีมที่ต้องแตะข้อมูลลูกค้า เอกสารภายใน ราคา ต้นทุน หรือแผนธุรกิจ
หลายธุรกิจอยากใช้ AI แต่กลัวว่าพอส่งข้อมูลขึ้น platform ภายนอกแล้วจะควบคุมไม่ได้เต็มที่ การมี local AI จึงตอบโจทย์ในเชิงความสบายใจและการกำกับดูแลข้อมูล
แต่ก็ต้องพูดตรงๆ ว่า offline ไม่ได้แปลว่าไม่มีข้อจำกัดเลย เพราะประสิทธิภาพจะผูกกับสเปกเครื่อง และ model ที่รันในเครื่องอาจไม่ได้แรงเท่าระบบ cloud ระดับสูงทุกกรณี ถ้างานเป็นเรื่องซับซ้อนมาก เช่น วิเคราะห์หลายแหล่งข้อมูลขนาดใหญ่ หรือใช้ reasoning หนักๆ เราอาจยังต้องประเมินว่าระบบ local ตอบโจทย์พอหรือไม่
สำหรับธุรกิจไทย ทางเลือกที่สมเหตุสมผลคือแยกงานออกเป็น 2 กลุ่ม
- งานภายในและข้อมูลอ่อนไหว ให้ local AI จัดการ
- งานที่ต้องใช้ความสามารถขั้นสูงมาก ค่อยพิจารณาใช้ cloud เพิ่มในบางส่วน
แนวคิดนี้คล้ายกับการทำ hybrid workflow ซึ่งหลายองค์กรทั่วโลกก็ใช้แนวทางนี้เช่นกัน โดยเฉพาะเมื่อประเด็นด้าน privacy และ governance เริ่มสำคัญขึ้นเรื่อยๆ สามารถอ่านแนวคิดเรื่อง local AI เพิ่มได้จาก Ollama และเรื่อง retrieval หรือการดึงข้อมูลมาใช้ร่วมกับ model ได้จาก LangChain RAG concepts
Step 3: เริ่มจากจุดที่คนทำงานต้องการจริง คือ ติดตั้งง่ายและเข้าใช้งานเร็ว
อีกจุดที่ทำให้เครื่องมือนี้น่าสนใจคือแนวคิดเรื่องติดตั้งครั้งเดียวแล้วเริ่มใช้งานได้เร็ว มีการย้ำว่าคำสั่งเดียวสามารถติดตั้งทุกอย่าง และพอเรียกใช้งานก็พร้อมทำงานได้เลย
สำหรับคนทำธุรกิจ เรื่องนี้สำคัญกว่าที่คิด เพราะของที่ดูเทพแต่ตั้งค่ายาก มักไม่รอดในชีวิตจริง ต่อให้เครื่องมือเก่งแค่ไหน ถ้าต้องมีคนเทคนิคมาช่วยทุกครั้ง ระบบนั้นก็มักติดอยู่ในช่วงทดลอง
สิ่งที่ควรถามก่อนเริ่มไม่ใช่ “ทำได้กี่อย่าง” แต่คือ
- ทีมเราเปิดใช้เองได้ไหม
- ถ้าต้องย้ายเครื่องหรือติดตั้งใหม่จะยุ่งยากหรือไม่
- คนที่ไม่ใช่สายเทคพอจะเรียนรู้การใช้งานพื้นฐานได้ไหม
ถ้าตอบ 3 ข้อนี้ได้ดี โอกาสนำไปใช้จริงจะสูงขึ้นมาก
Step 4: ใช้ AI ค้นข้อมูลข้ามแอปในเครื่อง แทนการไล่หาเองทีละไฟล์
หนึ่งในความสามารถที่น่าสนใจที่สุดคือการพิมพ์คำสั่งสั้นๆ แล้วให้ระบบไปค้นหาข้อมูลจากแอปหรือข้อมูลบนเครื่องของเราเอง นี่คือสิ่งที่ทำให้ AI เริ่มมีค่าเกินกว่าการตอบคำถามทั่วไป
ปัญหาของคนทำงานไม่ได้อยู่ที่ “ไม่มีข้อมูล” แต่อยู่ที่ข้อมูลกระจัดกระจายเต็มไปหมด ทั้งอีเมล ไฟล์เอกสาร โน้ต ปฏิทิน และข้อความต่างๆ การมี AI ที่ช่วยดึงสิ่งเหล่านี้มาเชื่อมกันได้ จะลดเวลาในการค้นหางานมหาศาล
ตัวอย่างในธุรกิจไทยที่เห็นภาพชัด เช่น
- หาเอกสารเสนอราคาล่าสุดของลูกค้ารายหนึ่งจากหลายโฟลเดอร์
- ดึงโน้ตประชุมกับอีเมล follow-up มาเรียงเป็นภาพรวมเดียว
- ค้นหาว่าโปรเจกต์ไหนติดอะไรอยู่จากหลายแหล่งข้อมูลภายใน
จุดนี้น่าตื่นเต้น แต่ก็มีข้อควรระวัง ถ้าโครงสร้างไฟล์ในองค์กรมั่ว ชื่อเอกสารไม่ชัด หรือข้อมูลไม่ได้จัดหมวดหมู่เลย AI ก็จะช่วยได้แค่ระดับหนึ่งเท่านั้น พูดง่ายๆ คือ AI ไม่ได้แก้ปัญหาความรกของข้อมูลทั้งหมด มันแค่ช่วยให้รับมือกับความรกได้ดีขึ้น
Step 5: เปลี่ยนข้อมูลกระจัดกระจายให้เป็น morning briefing แบบส่วนตัว
คลิปยกตัวอย่างการเชื่อม Gmail และปฏิทินเพื่อสร้าง morning briefing รายวัน ซึ่งเป็น use case ที่ดีมาก เพราะแตะ pain point ที่คนทำงานแทบทุกคนเจอ คือเช้าแต่ละวันต้องเสียเวลาสแกนอีเมล เช็กนัด และไล่ดูงานค้างด้วยตัวเอง
ถ้า AI ช่วยรวมสิ่งสำคัญมาให้เป็นสรุปเดียว ไม่ว่าจะเป็นงานเร่งด่วน อีเมลที่ต้องตอบ นัดประชุม และรายการที่ควรติดตาม วันทำงานจะเริ่มด้วยความชัดเจนมากขึ้น
ในมุมธุรกิจไทย เราเห็นภาพการใช้งานได้หลายแบบ เช่น
- เจ้าของบริษัทให้ AI สรุปเรื่องสำคัญก่อนเริ่มงานทุกเช้า
- ทีมขายรับสรุปนัดลูกค้า ใบเสนอราคา และอีเมลที่ต้องตอบ
- ผู้จัดการโครงการรับสรุป deadline และงานเสี่ยงตกหล่น
สิ่งที่น่าสนใจจริงๆ ไม่ใช่แค่ “สรุปได้” แต่คือระบบนี้ทำงานบนเครื่องและคงความเป็นส่วนตัวไว้ได้ ถ้าทีมไหนกังวลเรื่องข้อมูลลูกค้าหลุด นี่คือจุดแข็งที่มีน้ำหนักมาก
Step 6: ใช้ทำ deep research จากทั้งเว็บและเอกสารภายใน
อีกความสามารถที่น่าใช้คือการค้นทั้งข้อมูลจากเว็บและเอกสารในเครื่อง แล้วส่งกลับมาเป็นคำตอบที่มีการอ้างอิงแหล่งข้อมูล ประโยชน์ของสิ่งนี้คือช่วยลดเวลาการรวบรวมข้อมูลสำหรับงานที่ต้องตัดสินใจ
แทนที่เราจะเปิดแท็บจำนวนมาก อ่านรายงานหลายไฟล์ แล้วค่อยมาเขียนสรุปเอง AI สามารถดึงข้อมูลมาเรียบเรียงให้ในเวลาสั้นลงมาก
ถ้าเอามาใช้กับธุรกิจไทย เราอาจประยุกต์ได้แบบนี้
- สรุปข้อมูลคู่แข่งจากเว็บร่วมกับเอกสารยอดขายในบริษัท
- ค้นข้อมูลสินค้าจากคู่มือภายในและบทความภายนอกพร้อมกัน
- ทำสรุปเบื้องต้นก่อนประชุมผู้บริหาร
อย่างไรก็ตาม เราไม่ควรตีความว่ามันแทนการวิจัยทั้งหมดได้ทันที ต่อให้มีการอ้างอิง ก็ยังต้องตรวจสอบคุณภาพแหล่งข้อมูล ความใหม่ของข้อมูล และความถูกต้องของการตีความ โดยเฉพาะถ้าเป็นงานที่มีผลต่อการตัดสินใจทางธุรกิจจริง
วิธีใช้ที่ดีคือให้ AI เป็น นักวิจัยผู้ช่วย ไม่ใช่ ผู้ตัดสินใจแทน
Step 7: ตั้งงานประจำสัปดาห์ให้รันอัตโนมัติ
ส่วนที่เหมาะกับเจ้าของธุรกิจมากที่สุดน่าจะเป็นเรื่อง schedule automation หรือการตั้งให้ AI ทำงานซ้ำๆ ตามเวลา เช่น ทุกคืนวันอาทิตย์ให้เตรียมเนื้อหาประจำสัปดาห์ไว้ก่อนเช้าวันจันทร์
นี่คือ use case ที่สะท้อนว่า AI เริ่มขยับจาก “เครื่องมือถามตอบ” ไปสู่ “แรงงานดิจิทัล” สำหรับงาน routine
ตัวอย่างการนำไปใช้จริงในไทย เช่น
- สรุปรายงานยอดขายทุกสัปดาห์
- ร่างโพสต์คอนเทนต์สำหรับเพจและอีเมล
- รวบรวมประเด็นจากลูกค้าที่ถามบ่อยเพื่อนำไปทำ FAQ
- เตรียม agenda ประชุมประจำสัปดาห์
แต่มีจุดที่ต้องระวังเหมือนกัน คือการปล่อยให้งานอัตโนมัติรันโดยไม่มีคนตรวจ อาจสร้างงานที่ “เสร็จแต่ใช้ไม่ได้” ได้ง่ายมาก โดยเฉพาะงานคอนเทนต์ ถ้า prompt ไม่ชัด หรือไม่มีตัวอย่างสไตล์ที่ดี AI อาจร่างอะไรที่ดูครบแต่ไม่เข้ากับแบรนด์เลย
ดังนั้นวิธีใช้ที่เหมาะคือให้ AI ทำ first draft และให้ทีมทำหน้าที่ตรวจ ปรับ และตัดสินใจขั้นสุดท้าย
Step 8: เข้าใจเรื่องการเรียนรู้พฤติกรรมและ workflow ของเรา
คลิปพูดถึงการที่ระบบค่อยๆ เรียนรู้รูปแบบการทำงาน ความชอบ และ workflow ของเรา ประเด็นนี้มีพลังมากถ้าเกิดขึ้นจริงในระดับใช้งานต่อเนื่อง เพราะมันทำให้ AI ไม่ได้ตอบแบบกลางๆ อีกต่อไป แต่เริ่มเข้าใจว่าทีมของเราต้องการผลลัพธ์แบบไหน
สำหรับธุรกิจ นี่คือส่วนที่จะสร้างผลต่างระหว่าง “ใช้ AI แล้วประหยัดเวลาเล็กน้อย” กับ “ใช้ AI แล้วเปลี่ยนวิธีทำงานทั้งทีม”
ตัวอย่างเช่น ถ้าระบบรู้ว่า
- เจ้าของธุรกิจชอบสรุปสั้นแบบ bullet
- ทีมการตลาดต้องการโทนภาษาแบบเป็นกันเอง
- ทีมขายต้องจัดลำดับ lead ตามเกณฑ์บางอย่าง
ผลลัพธ์ที่ได้จะเริ่มใกล้สิ่งที่ใช้จริงมากขึ้นทุกครั้ง
แต่ในทางปฏิบัติ คำว่า “เรียนรู้” มักถูกพูดเกินจริงได้ง่าย เราควรทดสอบด้วยงานเล็กๆ ก่อน และวัดจากผลลัพธ์จริง เช่น ลดเวลาได้กี่ชั่วโมง งานซ้ำลดลงแค่ไหน และทีมยอมรับการใช้งานหรือไม่ มากกว่าจะเชื่อจากคำอธิบายอย่างเดียว
Step 9: ประเมินคุณค่าของ built-in agents และ community skills
มีการระบุว่าระบบมี built-in agents หลายตัวและมี community skills จำนวนมาก นี่สะท้อนแนวคิดสำคัญว่า AI ไม่ควรมีแค่ความสามารถเดี่ยว แต่ควรขยายงานได้ผ่านโมดูลหรือ skill ที่พร้อมใช้
สำหรับคนทำธุรกิจ สิ่งนี้แปลว่าเราอาจไม่ต้องเริ่มจากศูนย์ทุกครั้ง หากมี skill สำหรับงานบางประเภทอยู่แล้ว เช่น งานค้นหา งานสรุป งานตั้งเวลา หรืองานจัดการข้อมูล ก็สามารถหยิบมาทดลองใช้ก่อน แล้วค่อยปรับให้เข้ากับทีม
มุมวิเคราะห์ของเราคือ จำนวน skill เยอะไม่ได้แปลว่าใช้ได้จริงทั้งหมด สิ่งที่สำคัญกว่าคือ
- มีเอกสารอธิบายชัดหรือไม่
- ติดตั้งแล้วเสถียรหรือไม่
- ตอบโจทย์งานธุรกิจจริงหรือเป็นแค่เดโม
ดังนั้นเวลาประเมินเครื่องมือประเภทนี้ อย่าดูแค่ตัวเลขว่ามีกี่ skill แต่ให้ดูว่า 3 ถึง 5 งานหลักของทีมเราทำได้ดีพอหรือยัง
Actionable Insights
- เริ่มจากงานที่ทำซ้ำทุกสัปดาห์ เช่น สรุปรายงาน ร่างคอนเทนต์ หรือเตรียม agenda ประชุม เพราะเห็นผลเร็วที่สุด
- เลือกข้อมูลงานภายในที่ปลอดภัยก่อน เช่น โน้ตประชุมหรือเอกสารทั่วไป แล้วค่อยขยับไปข้อมูลงานสำคัญ
- ตั้งรูปแบบผลลัพธ์ให้ชัด เช่น อยากได้สรุป 5 bullet หรือร่างอีเมลโทนไหน เพื่อให้ AI ส่งงานที่ใช้ต่อได้ง่าย
- วัดผลด้วยเวลาและคุณภาพ ไม่ใช่แค่ความว้าว เช่น ใช้เวลาเตรียมงานลดลงกี่นาที และงานที่ได้ต้องแก้มากน้อยแค่ไหน
- ให้ AI ทำร่างก่อนเสมอ แล้วให้คนตรวจขั้นสุดท้าย โดยเฉพาะงานที่เกี่ยวกับลูกค้าและภาพลักษณ์แบรนด์
Troubleshooting
- ปัญหา: ติดตั้งแล้วใช้งานไม่ลื่นหรือช้าเกินคาด
สาเหตุ: สเปกเครื่องไม่เหมาะกับ model ที่เลือกใช้
วิธีแก้: เริ่มจาก model ขนาดเล็กก่อน ปิดงานอื่นที่กินทรัพยากร และทดสอบงานสั้นๆ ก่อนขยาย - ปัญหา: AI ตอบได้แต่ไม่ค่อยตรงกับงานบริษัท
สาเหตุ: ยังไม่มีข้อมูลตัวอย่างหรือรูปแบบผลลัพธ์ที่ชัด
วิธีแก้: เตรียมตัวอย่างงานที่ดี 3 ถึง 5 ชิ้น ระบุโครงสร้างคำตอบ และกำหนดรูปแบบการสรุปให้แน่นขึ้น - ปัญหา: ค้นข้อมูลในเครื่องแล้วเจอไม่ครบ
สาเหตุ: ไฟล์กระจัดกระจาย ชื่อเอกสารไม่สื่อความหมาย หรือสิทธิ์เข้าถึงไม่ครบ
วิธีแก้: จัดระเบียบโฟลเดอร์ ตั้งชื่อไฟล์ใหม่ให้สม่ำเสมอ และทดสอบกับชุดเอกสารเล็กๆ ก่อน - ปัญหา: งานอัตโนมัติรันได้ แต่ผลลัพธ์ใช้งานต่อไม่ได้จริง
สาเหตุ: ตั้ง schedule ได้แล้ว แต่ prompt ยังไม่ดีพอ
วิธีแก้: ปรับ prompt ให้ระบุเป้าหมาย กลุ่มเป้าหมาย โทนภาษา และตัวอย่างผลลัพธ์ที่ต้องการ - ปัญหา: ทีมไม่กล้าใช้ เพราะกลัวข้อมูลสำคัญรั่วไหล
สาเหตุ: ยังไม่เข้าใจขอบเขตของ local AI และวิธีจัดการข้อมูล
วิธีแก้: เริ่มนำร่องกับข้อมูลความเสี่ยงต่ำ อธิบาย workflow การเก็บข้อมูลให้ชัด และทำแนวทางใช้งานภายในทีม
การต่อยอด
- ทำ AI briefing สำหรับผู้บริหารแต่ละแผนก ให้ฝ่ายขาย การตลาด และปฏิบัติการได้รับสรุปคนละแบบจากข้อมูลชุดเดียวกัน
- สร้างคลังความรู้ภายในบริษัท โดยให้ AI ช่วยค้นและตอบจากเอกสารที่ทีมใช้บ่อย ลดการถามซ้ำในแชต
- ต่อยอดสู่ workflow คอนเทนต์ เช่น ร่างโพสต์ อีเมล และสรุปประเด็นจากข้อมูลลูกค้าในรอบสัปดาห์
สรุป Checklist ทั้งหมด
- ☐ เข้าใจบทบาทของ OpenJarvis และ Ollama ว่าทำงานร่วมกันอย่างไร
- ☐ ประเมินก่อนว่าองค์กรเราต้องการ local AI เพราะเรื่อง privacy หรือค่าใช้จ่ายหรือไม่
- ☐ ตรวจสเปกเครื่องให้เหมาะกับการรัน model ในเครื่อง
- ☐ เริ่มจาก use case ง่ายและใกล้งานจริง เช่น สรุปอีเมลหรือค้นเอกสาร
- ☐ จัดระเบียบไฟล์และข้อมูลภายในก่อนให้ AI เข้าไปค้น
- ☐ ตั้งรูปแบบผลลัพธ์ให้ชัด เช่น bullet summary หรือร่างอีเมล
- ☐ ทดลองทำ morning briefing จากอีเมลและปฏิทิน
- ☐ ใช้ deep research เป็นผู้ช่วยรวบรวมข้อมูล ไม่ใช่ตัดสินใจแทน
- ☐ ตั้ง schedule สำหรับงานซ้ำรายสัปดาห์ที่กินเวลาทีมมากที่สุด
- ☐ ให้คนตรวจงานทุกครั้งก่อนส่งออกจริง
- ☐ ทดสอบ built-in agents และ community skills จากงานเล็กก่อน
- ☐ วัดผลจากเวลาที่ประหยัดได้และคุณภาพงานที่ดีขึ้น
บทสรุป
OpenJarvis + Ollama น่าสนใจเพราะมันขยับ AI จากของเล่นบนเว็บ ไปสู่ผู้ช่วยที่อยู่บนเครื่องเราเอง ค้นข้อมูลของเราเอง และทำงานตาม workflow ของเราได้ จุดเด่นจึงไม่ใช่แค่ฟรี แต่คือการเปิดทางให้ธุรกิจเริ่มสร้างระบบ AI ส่วนตัวโดยไม่ต้องพึ่งโครงสร้างซับซ้อนมาก
ถ้ามองในมุมเจ้าของธุรกิจไทย เครื่องมือนี้เหมาะกับทีมที่อยากเริ่มใช้ AI กับงานจริง แต่ยังห่วงเรื่องข้อมูลและค่าใช้จ่าย สิ่งที่ควรทำไม่ใช่พยายามใช้ทุกฟีเจอร์พร้อมกัน แต่เลือก 1 งานที่ทำซ้ำบ่อยที่สุด แล้วให้ AI เข้ามาลดเวลาในงานนั้นก่อน ถ้างานแรกเวิร์ก งานต่อๆ ไปจะตามมาเอง
สุดท้ายแล้ว AI ที่ดีไม่ใช่ตัวที่พูดเก่งที่สุด แต่คือตัวที่เข้ากับงานของเราได้ดีที่สุด และจากสิ่งที่คลิปนี้ชี้ให้เห็น OpenJarvis + Ollama อาจเป็นจุดเริ่มต้นที่ดีสำหรับทีมที่อยากมี AI ส่วนตัวแบบคุมเกมเองได้มากขึ้น