ที่มา: วิดีโอต้นทาง และบทความ VideoToBlog วันที่ 2026-08-17 (วันที่แสดงในบทความต้นทาง ไม่ใช่วันที่อัปโหลดวิดีโอที่ตรวจยืนยันแล้ว) รายละเอียดเครื่องมือ เวอร์ชัน ตัวเลข และประสบการณ์เป็นข้อมูลที่ต้นทางกล่าวไว้ในขณะนั้น ยังไม่ได้ทดสอบซ้ำหรือตรวจยืนยันสถานะล่าสุด · วิดีโอต้นทาง
ปัญหาของการหา lead ไม่ได้อยู่ที่หา “รายชื่อ” ไม่พอ แต่อยู่ที่รายชื่อจำนวนมากไม่ตรงกลุ่ม อีเมลเด้ง ข้อความเหมือนกันหมด และทีมต้องเสียเวลาย้ายข้อมูลข้ามหลายเครื่องมือ สุดท้ายธุรกิจมีรายชื่อเต็มชีต แต่ไม่ได้มีบทสนทนาที่นำไปสู่ยอดขายมากขึ้น
คลิปจากช่อง Julian Goldie SEO เสนอแนวคิด Hermes Lead Machine ซึ่งเป็น AI lead generation agent ที่รวมการค้นหา ตรวจอีเมล คัดคะแนน เขียนข้อความ และเตรียมส่งไว้ใน Agent OS จุดที่น่าสนใจที่สุดไม่ใช่การทำงานอัตโนมัติ แต่คือแนวคิดว่า AI ควรช่วย ตัดคนที่ไม่ใช่ออก เพื่อให้ทีมโฟกัสกับคนที่มีโอกาสเหมาะกับข้อเสนอจริง
สำหรับเจ้าของธุรกิจและคนทำงานไทย นี่ไม่จำเป็นต้องแปลว่าเราต้องสร้างระบบซับซ้อนแบบเดียวกันทั้งหมด สิ่งที่นำไปใช้ได้ทันทีคือ workflow การหาลูกค้าแบบมีเกณฑ์ มีจุดอนุมัติ และเก็บข้อมูลการติดต่อไว้เป็นระบบ
สารบัญ
- ขั้นตอนที่ 1: เปลี่ยนเป้าหมายจากหา lead เยอะ เป็นหา lead ที่เหมาะ
- ขั้นตอนที่ 2: วาง workflow หกส่วนก่อนเลือกเครื่องมือ
- ขั้นตอนที่ 3: ค้นหาและเติมข้อมูล โดยไม่เริ่มจากชีตที่รก
- ขั้นตอนที่ 4: ให้คะแนน lead แล้วกล้าตัดทิ้ง
- ขั้นตอนที่ 5: ใช้ AI ร่างข้อความเฉพาะราย แต่เก็บคนไว้ในวงอนุมัติ
- ขั้นตอนที่ 6: แยก inbox สำหรับ outreach และติดตามสถานะในที่เดียว
- ขั้นตอนที่ 7: เริ่มทดลองกับ use case ที่ใกล้รายได้ที่สุด
- ขั้นตอนที่ 8: แปลงแนวคิดเป็น Actionable Insights สำหรับทีมงาน
- ขั้นตอนที่ 9: แก้ปัญหาที่พบบ่อยก่อนขยายระบบ
- ขั้นตอนที่ 10: ต่อยอดจากการหา lead ไปสู่ระบบขายที่เรียนรู้ได้
- ขั้นตอนที่ 11: สรุป Checklist ทั้งหมดก่อนเริ่มทำ AI Lead Generation
ขั้นตอนที่ 1: เปลี่ยนเป้าหมายจากหา lead เยอะ เป็นหา lead ที่เหมาะ
วิธีหา lead แบบเดิมมักเริ่มจากการซื้อรายชื่อ ค้นหาชื่อบริษัทจากหลายแหล่ง เดาอีเมล แล้วโยนทุกอย่างลงสเปรดชีต ปัญหาคือข้อมูลเก่าเร็ว ตรวจสอบยาก และทีมต้องสลับระหว่างเครื่องมือค้นหาบริษัท เครื่องมือตรวจอีเมล และระบบส่งข้อความ
แนวคิดของ Hermes คือเริ่มด้วยประโยคเดียวที่อธิบายคนที่เราอยากติดต่อ เช่น “เอเจนซี SEO ที่ทำบริการ link building” จากนั้นระบบจึงค้นหาบริษัทและบุคคล เติมข้อมูล ตรวจสอบอีเมล และคัดกรองตามความเหมาะสม
มุมที่ธุรกิจไทยควรหยิบไปใช้คือ อย่าเริ่มจากคำถามว่า “เราจะหาชื่อได้กี่ราย” แต่ให้เริ่มจาก “ใครมีปัญหาที่สินค้าเราแก้ได้ และมีเหตุผลพอจะคุยกับเรา” ร้านรับทำบัญชีอาจเลือกบริษัทขนาดเล็กที่กำลังขยายทีม เอเจนซีคอนเทนต์อาจเลือกแบรนด์ที่ทำการตลาดสม่ำเสมอแต่เนื้อหายังไม่ตอบโจทย์การค้นหา ส่วนบริษัท B2B อาจเลือกองค์กรที่มีตำแหน่งงานหรือสัญญาณว่ากำลังลงทุนในเรื่องที่บริการของเราช่วยได้
ประโยคอธิบายกลุ่มเป้าหมายที่ดีควรมีอย่างน้อย 4 ส่วน ได้แก่ กลุ่มธุรกิจ ขนาดหรือระดับความพร้อม ปัญหาที่คาดว่าจะมี และบริการที่สอดคล้อง ตัวอย่างเช่น “คลินิกความงามในกรุงเทพฯ ที่มีหลายสาขาและทำโฆษณาออนไลน์ แต่ยังไม่มีระบบตอบแชตนอกเวลาทำการ” ประโยคนี้ดีกว่า “ธุรกิจความงาม” มาก เพราะให้ AI และทีมขายมีเกณฑ์เดียวกัน
ขั้นตอนที่ 2: วาง workflow หกส่วนก่อนเลือกเครื่องมือ
ระบบ Hermes แบ่งงาน lead generation เป็น 6 ส่วน คือ Describe, Find, Verify, Score, Write และ Send แม้ไม่ได้ใช้ Agent OS ก็สามารถนำโครงนี้ไปจัดงานในทีมได้ทันที จุดสำคัญคือแต่ละขั้นมีหน้าที่ชัดเจน ไม่ใช่ให้ AI ค้นหาแล้วส่งอีเมลโดยไม่มีด่านตรวจ
- Describe: ระบุ ideal customer profile หรือคนที่อยากติดต่อด้วยภาษาปกติ
- Find: ค้นหาบริษัทและผู้ติดต่อที่ตรงกับคำอธิบาย
- Verify: ตรวจว่าอีเมลใช้งานได้ก่อนเริ่มติดต่อ
- Score: ให้คะแนนความเหมาะสมจาก 0 ถึง 100 และตัดรายที่ไม่ผ่าน
- Write: ร่างประโยคเปิดและข้อความสั้นเฉพาะราย
- Send: ส่งหลังมีคนตรวจและอนุมัติแล้วเท่านั้น
จุดที่ควรเห็นต่างกับความฝันเรื่อง automation เต็มรูปแบบคือ ขั้น Send ไม่ควรถูกมองเป็นปลายทางที่ AI ต้องทำเองเสมอไป สำหรับงานขายที่มูลค่าสูง การให้คนตรวจรายชื่อและข้อความก่อนส่งยังสำคัญมาก เพราะชื่อบริษัท ตำแหน่ง และเหตุผลที่ติดต่อผิดเพียงจุดเดียวก็ทำลายความน่าเชื่อถือได้
ขั้นตอนที่ 3: ค้นหาและเติมข้อมูล โดยไม่เริ่มจากชีตที่รก
Hermes เชื่อมกับ Hunter ซึ่งเป็นเครื่องมือสำหรับค้นหาและตรวจสอบอีเมลที่ทำงาน ระบบสามารถดึงข้อมูลอย่างโดเมน อีเมล ขนาดบริษัท และรายละเอียดธุรกิจได้ หรือถ้าเรามีรายชื่อเก่าอยู่แล้ว ก็สามารถนำเข้ามาเพื่อทำความสะอาดและเติมข้อมูลที่ขาดได้
ข้อมูลที่ควรมีในฐาน lead สำหรับธุรกิจขนาดเล็กไม่จำเป็นต้องเยอะเกินไป เริ่มจากข้อมูลที่ใช้ตัดสินใจได้จริง:
- ชื่อบริษัทและเว็บไซต์
- ชื่อผู้ติดต่อและตำแหน่ง
- อีเมลที่ผ่านการตรวจสอบ
- กลุ่มธุรกิจและขนาดบริษัท
- เหตุผลที่คิดว่าบริษัทนี้น่าจะเหมาะ
- คะแนนความเหมาะสม
- สถานะการติดต่อ เช่น ใหม่ ตรวจแล้ว ติดต่อแล้ว ตอบกลับแล้ว
ถ้าใช้เครื่องมือตรวจอีเมล ควรศึกษาเงื่อนไขและการใช้งานของแพลตฟอร์มโดยตรง เช่น Hunter แต่สิ่งที่ต้องจำคือการตรวจพบว่าอีเมลใช้งานได้ ไม่ได้แปลว่าเราควรส่งข้อความแบบไม่เลือกหน้า การติดต่อควรมีเหตุผลเกี่ยวข้องกับงานของผู้รับ ชัดเจนว่าเราคือใคร และต้องเปิดทางให้ปฏิเสธการติดต่อได้
ขั้นตอนที่ 4: ให้คะแนน lead แล้วกล้าตัดทิ้ง
ส่วนที่เป็นหัวใจของระบบคือ Score เพราะ Hermes ให้คะแนนแต่ละราย 0 ถึง 100 แล้วตัดรายที่ไม่ตรงเกณฑ์ออก แนวคิดนี้สวนทางกับความเชื่อว่า “รายชื่อยิ่งมากยิ่งดี” แต่สำหรับ outreach โดยเฉพาะ B2B รายชื่อ 30 รายที่ตรงจริง อาจมีค่ากว่ารายชื่อ 500 รายที่ไม่รู้ว่าติดต่อไปทำไม
เราอาจตั้งเกณฑ์คะแนนแบบง่ายสำหรับธุรกิจตัวเอง เช่น ให้คะแนนจาก 4 มิติ มิติละ 25 คะแนน ได้แก่ ความตรงกับกลุ่มอุตสาหกรรม ขนาดธุรกิจ สัญญาณว่ามีปัญหาที่เราแก้ได้ และความเหมาะสมของผู้ติดต่อ ตั้งเกณฑ์เริ่มต้นที่ 70 คะแนนขึ้นไป แล้วค่อยปรับจากผลตอบกลับจริงในรอบต่อไป
ตัวอย่างเช่น บริษัทรับวางระบบ CRM ต้องการขายให้ธุรกิจบริการ คะแนนสูงอาจมาจากบริษัทที่มีหลายสาขา รับลูกค้าผ่านแชต มีทีมขาย และยังใช้การจดข้อมูลแบบกระจัดกระจาย ส่วนบริษัทที่เพิ่งเริ่มต้น ไม่มีทีมขาย และไม่เห็นสัญญาณเรื่องการจัดการลูกค้า อาจไม่ควรอยู่ในลำดับแรก แม้จะอยู่ในอุตสาหกรรมเดียวกัน
การตัดทิ้งไม่ใช่ความสูญเสีย แต่เป็นการปกป้องเวลาของทีมขาย ชื่อเสียงโดเมนอีเมล และงบประมาณในการติดตามผล
ขั้นตอนที่ 5: ใช้ AI ร่างข้อความเฉพาะราย แต่เก็บคนไว้ในวงอนุมัติ
หลังคัดรายชื่อแล้ว Hermes สามารถเขียนประโยคเปิดและข้อความสั้นโดยอ้างอิงชื่อและบริษัทของแต่ละราย เป้าหมายคือหลีกเลี่ยงข้อความ copy paste ที่เหมือนกันสำหรับทุกคน
อย่างไรก็ตาม คำว่า “personalized” ไม่ควรหมายถึงแค่สลับชื่อบริษัทใน template ข้อความที่ดีต้องเชื่อมสิ่งที่เรารู้กับเหตุผลที่ติดต่อจริง ตัวอย่างโครงสร้างที่ใช้ได้กับธุรกิจไทยคือ:
- กล่าวถึงสัญญาณเฉพาะที่พบจากบริษัทนั้น
- เชื่อมสัญญาณกับปัญหาหรือโอกาสที่เกี่ยวข้อง
- เสนอความช่วยเหลือแบบสั้นและไม่บีบให้ซื้อ
- จบด้วยคำถามที่ตอบง่ายหรือเสนอเวลาพูดคุย
ตัวอย่างเชิงแนวคิดคือ “เห็นว่าทีมกำลังเปิดสาขาเพิ่ม จึงอาจมีภาระตอบลูกค้าจากหลายช่องทาง เราทำระบบรวมแชตและคัดคำถามเบื้องต้นให้ธุรกิจบริการ หากเรื่องนี้อยู่ในแผนไตรมาสนี้ เรายินดีส่งตัวอย่าง workflow ที่ใช้ได้จริง” ข้อความแบบนี้มีเหตุผลมากกว่าการเปิดด้วยคำชมกว้าง ๆ ที่ไม่ได้สะท้อนว่าเราเข้าใจธุรกิจนั้น
ในระบบของ Hermes ข้อความทั้งหมดอยู่ใน draft จนกว่าจะมีคนอนุมัติ นี่คือมาตรฐานที่ควรยึดไว้ AI เก่งเรื่องทำร่างแรกและลดงานซ้ำ แต่คนต้องรับผิดชอบเรื่องน้ำเสียง ข้อเท็จจริง และความเหมาะสมของการติดต่อ
ขั้นตอนที่ 6: แยก inbox สำหรับ outreach และติดตามสถานะในที่เดียว
Julian Goldie เน้นให้ใช้อีเมลแยกสำหรับ outreach ไม่ปะปนกับอีเมลส่วนตัวหรือกล่องงานหลัก วิธีนี้ช่วยแยกการทำงาน ลดความสับสน และทำให้เราติดตามผลของแคมเปญได้ง่ายขึ้น ระบบยังจัดสถานะตั้งแต่ lead ใหม่ ผ่านการเติมข้อมูล อีเมลใช้ได้ ติดต่อแล้ว จนถึงตอบกลับแล้ว
สำหรับทีมเล็ก การมี dashboard เดียวมีประโยชน์กว่าการใช้เครื่องมือเยอะ ๆ แต่ไม่เชื่อมกัน เพราะข้อมูลไม่หายไปพร้อมกับการปิดแท็บ ทุกครั้งที่มีการตอบกลับ ปฏิเสธ หรือไม่ตรงกลุ่ม ทีมสามารถบันทึกเหตุผลไว้ แล้วใช้ข้อมูลนั้นปรับเกณฑ์ในรอบหน้าได้
สิ่งนี้คือความหมายที่แท้จริงของ “memory” ใน Agent OS ระบบไม่ได้แค่ค้นหาคนแล้วลืม แต่สะสมภาพรวมว่าเคยติดต่อใครแล้ว รายใดตอบรับ และกลุ่มไหนไม่เหมาะ อย่างไรก็ดี ประโยชน์นี้จะเกิดขึ้นก็ต่อเมื่อทีมบันทึกสถานะให้มีวินัย ถ้าปล่อยข้อมูลค้างหรือใส่สถานะแบบเดาสุ่ม AI ก็จะเรียนรู้จากข้อมูลที่ไม่ดีเช่นกัน
ขั้นตอนที่ 7: เริ่มทดลองกับ use case ที่ใกล้รายได้ที่สุด
ตัวอย่างที่ใช้ในคลิปมีทั้งการหา lead ใหม่สำหรับ AI Profit Boardroom การกลับไปติดต่อผู้ที่เคยสนใจแต่ยังไม่ได้เข้าร่วม และการหา creator หรือ community ที่มีกลุ่มเป้าหมายทับซ้อนกัน ทั้งสามกรณีชี้ให้เห็นว่า lead generation ไม่ได้หมายถึงการล่ารายชื่อใหม่เสมอไป
สำหรับธุรกิจไทย ลำดับที่ควรลองก่อนคือรายชื่อที่มีความสัมพันธ์อยู่แล้ว เช่น ผู้ที่เคยขอใบเสนอราคา ลูกค้าเก่าที่ไม่ได้ซื้อซ้ำ ผู้ลงทะเบียนกิจกรรม หรือพาร์ตเนอร์ที่มีฐานลูกค้าใกล้เคียงกัน รายชื่อเหล่านี้มักต้องการการเติมข้อมูล ตรวจความพร้อม และข้อความที่เหมาะสม มากกว่าการส่งแคมเปญจำนวนมาก
ข้อจำกัดที่ควรพูดกันตรง ๆ คือ Hermes Lead Machine ยังเป็นระบบใหม่ที่อยู่ระหว่างทดสอบ จึงไม่ควรตั้งความหวังว่าแค่เชื่อม API และใส่ prompt แล้วจะได้ยอดขายทันที คุณภาพผลลัพธ์ขึ้นกับความชัดของกลุ่มเป้าหมาย ข้อมูลต้นทาง เกณฑ์การให้คะแนน คุณค่าของข้อเสนอ และการตอบกลับของทีมเป็นหลัก
ขั้นตอนที่ 8: แปลงแนวคิดเป็น Actionable Insights สำหรับทีมงาน
- เขียน ICP เป็นประโยคเดียว: ระบุกลุ่มธุรกิจ ปัญหา สัญญาณความพร้อม และสิ่งที่เราเสนอให้ชัดก่อนเริ่มหา lead
- ตั้งเกณฑ์คะแนนก่อนค้นหา: กำหนดคะแนนขั้นต่ำที่ทีมยอมรับได้ เพื่อไม่ให้ตัดสินใจจากความรู้สึกทุกครั้ง
- ตรวจอีเมลก่อนติดต่อ: ลดอีเมลเด้งและลดเวลาที่เสียกับรายชื่อใช้ไม่ได้
- ให้ AI ร่าง แต่ให้คนอนุมัติ: ตรวจข้อเท็จจริง น้ำเสียง และเหตุผลที่ติดต่อทุกครั้งก่อนส่ง
- วัดคุณภาพ ไม่ใช่แค่ปริมาณ: ติดตามอัตราการตอบกลับ จำนวนบทสนทนาที่มีคุณภาพ และนัดหมายที่เกิดขึ้นจริง
ขั้นตอนที่ 9: แก้ปัญหาที่พบบ่อยก่อนขยายระบบ
- ปัญหา: ได้รายชื่อเยอะ แต่ไม่ตรงกลุ่ม
สาเหตุ: คำอธิบาย ideal customer กว้างเกินไป
วิธีแก้: เพิ่มอุตสาหกรรม ขนาดบริษัท พื้นที่ ปัญหาที่พบ และตำแหน่งผู้ติดต่อให้ชัด จากนั้นยกคะแนนขั้นต่ำ - ปัญหา: AI เขียนข้อความฟังดูทั่วไปหรือเหมือนกันหมด
สาเหตุ: ระบบมีข้อมูลเฉพาะรายไม่พอ หรือ prompt บอกเพียงให้เขียนข้อความขาย
วิธีแก้: เพิ่มช่อง “เหตุผลที่ติดต่อ” และกำหนดให้ข้อความอ้างอิงข้อมูลนั้นเพียง 1 จุด พร้อมให้คนแก้ก่อนอนุมัติ - ปัญหา: มีอีเมลตอบกลับน้อย
สาเหตุ: ข้อเสนอไม่เกี่ยวข้องกับผู้รับ หรือคำขอในข้อความหนักเกินไป
วิธีแก้: ลดความยาวของข้อความ เปลี่ยนจากการขายทันทีเป็นการเสนอข้อมูล ตัวอย่าง หรือคำถามสั้นที่ตอบได้ง่าย - ปัญหา: ทีมสับสนว่าใครติดต่อใครไปแล้ว
สาเหตุ: ไม่มีสถานะกลางและไม่มีคนรับผิดชอบการอัปเดต
วิธีแก้: ตั้งสถานะมาตรฐาน เช่น ใหม่ ตรวจแล้ว รออนุมัติ ส่งแล้ว ตอบกลับแล้ว และกำหนดผู้ดูแลแต่ละช่วง - ปัญหา: กลัวส่งผิดคนหรือกระทบชื่อเสียงแบรนด์
สาเหตุ: ปล่อยให้ส่งอัตโนมัติโดยไม่มีจุดตรวจ
วิธีแก้: เริ่มจาก draft only ใช้ inbox แยก และกำหนดว่ารอบแรกทุกข้อความต้องผ่านการอนุมัติด้วยคน
ขั้นตอนที่ 10: ต่อยอดจากการหา lead ไปสู่ระบบขายที่เรียนรู้ได้
แนวคิดแรกคือเชื่อมข้อมูลตอบกลับเข้ากับเกณฑ์คะแนน หากกลุ่มคะแนนสูงตอบรับน้อย เราไม่ควรรีบเพิ่มจำนวนส่ง แต่ควรย้อนดูว่าเกณฑ์ “สูง” ของเราวัดสิ่งที่สัมพันธ์กับการซื้อจริงหรือไม่
แนวคิดที่สองคือแยก workflow ตามประเภทความสัมพันธ์ เช่น กลุ่มลูกค้าเก่า กลุ่มผู้สนใจเดิม กลุ่มพาร์ตเนอร์ และกลุ่ม cold outreach แต่ละกลุ่มควรมีข้อความ เป้าหมาย และระดับการติดตามที่ต่างกัน
แนวคิดที่สามคือสร้างคลัง insight จากการขาย เก็บเหตุผลที่ลูกค้าตอบรับ ปฏิเสธ หรือเลื่อนการตัดสินใจ แล้วใช้ข้อมูลนี้ปรับ prompt และข้อเสนอในรอบถัดไป เมื่อทำต่อเนื่อง AI lead generation agent จะไม่ใช่เครื่องส่งอีเมล แต่เป็นระบบที่ช่วยให้ทีมเข้าใจตลาดชัดขึ้น
ขั้นตอนที่ 11: สรุป Checklist ทั้งหมดก่อนเริ่มทำ AI Lead Generation
- ☐ กำหนดว่าใครคือ ideal customer ที่มีโอกาสซื้อจริง
- ☐ เขียนคำอธิบายกลุ่มเป้าหมายเป็นประโยคเดียวที่ชัดเจน
- ☐ ระบุข้อมูลขั้นต่ำที่ต้องมีในฐาน lead
- ☐ ค้นหาหรือนำเข้ารายชื่อเดิมเพื่อเติมข้อมูล
- ☐ ตรวจสอบอีเมลก่อนเริ่มติดต่อ
- ☐ สร้างเกณฑ์คะแนนและตัดรายที่ไม่เหมาะออก
- ☐ ให้ AI ร่างข้อความโดยอิงเหตุผลเฉพาะราย
- ☐ ตรวจข้อความด้วยคนก่อนอนุมัติส่ง
- ☐ ใช้ inbox แยกสำหรับ outreach
- ☐ ติดตามสถานะตั้งแต่รายชื่อใหม่จนถึงตอบกลับ
- ☐ วัดคุณภาพของบทสนทนา ไม่ใช่จำนวนอีเมลที่ส่ง
- ☐ นำผลตอบกลับมาปรับ ICP คะแนน และ prompt ในรอบถัดไป
บทเรียนสำคัญจาก Hermes Lead Machine คือ AI lead generation ที่ดีไม่ใช่ระบบที่ส่งข้อความได้มากที่สุด แต่เป็นระบบที่ช่วยให้เรา เลือกคนที่ใช่ ตรวจข้อมูลให้รอบคอบ และรักษาการตัดสินใจของมนุษย์ไว้ตรงจุดสำคัญ เมื่อทำตามลำดับนี้ ธุรกิจจะได้มากกว่ารายชื่อใหม่ เพราะได้ workflow ที่นำกลับมาใช้และปรับให้ดีขึ้นได้ทุกสัปดาห์