สรุปจากคลิป ดูคลิปต้นฉบับ

Perplexity Computer ใน Microsoft Teams กำลังเปลี่ยนวิธีทำงานของทีม

AI ที่คนส่วนใหญ่คุ้นเคยยังเป็นแค่ “ปลายทาง” เราต้องเปิดเว็บใหม่ พิมพ์คำสั่ง รอคำตอบ แล้วค่อยคัดลอกกลับมาที่งานจริง แต่สิ่งที่ Julian Goldie SEO พูดถึงในคลิปนี้น่าสนใจตรงที่ Perplexity กำลังขยับจากเครื่องมือค้นหา ไปเป็น AI agent ที่นั่งอยู่ใน workspace เดียวกับทีมงานทันที

ประเด็นสำคัญไม่ใช่แค่ Perplexity ออกฟีเจอร์ใหม่ แต่คือทิศทางของการทำงานที่ AI ไม่ได้อยู่นอก workflow อีกต่อไป เมื่อ Perplexity Computer เข้าไปอยู่ใน Microsoft Teams มันเริ่มมีสถานะคล้าย “เพื่อนร่วมทีมดิจิทัล” มากกว่า chatbot ธรรมดา บทความนี้จะสรุปว่าอัปเดตนี้คืออะไร ใช้ทำอะไรได้จริง และถ้าเอามาใช้กับธุรกิจไทย เราควรมองมันแบบไหนโดยไม่หลง hype เกินไป

สารบัญ

• Step 1: ทำความเข้าใจก่อนว่า Perplexity Computer คืออะไร
• Step 2: เข้าใจว่าอะไรเปลี่ยนเมื่อ Perplexity เข้า Microsoft Teams
• Step 3: มองให้ออกว่าหัวใจของเรื่องนี้คือ “AI อยู่ใน workflow”
• Step 4: ดู use case ที่ใช้ได้จริงในองค์กร
• Step 5: ปรับมุมคิดเรื่อง productivity ใหม่
• Step 6: มองให้ครบทั้งโอกาสและข้อจำกัด
• Step 7: ถ้าเอาไปใช้กับธุรกิจไทย ควรเริ่มแบบไหน
• Step 8: Actionable Insights ที่เอาไปทำได้ทันที
• Step 9: Troubleshooting ปัญหาที่มักเจอเมื่อเริ่มใช้ AI ใน workspace
• Step 10: การต่อยอดที่น่าลองหลังเริ่มใช้ได้แล้ว
• Step 11: สรุป Checklist ทั้งหมด
• Step 12: บทสรุป

Step 1: ทำความเข้าใจก่อนว่า Perplexity Computer คืออะไร

หลายคนยังติดภาพว่า Perplexity คือ AI search engine สำหรับถามคำถามและรับคำตอบพร้อมแหล่งอ้างอิง แต่ในมุมที่คลิปนี้เน้น Perplexity Computer คือระบบ AI agent ที่รับ “งาน” ไม่ใช่แค่รับ “คำถาม”

ความต่างสำคัญอยู่ตรงนี้:

• AI แบบเดิม ตอบกลับเป็นข้อความ
• AI agent แตกงานเป็นหลายขั้นตอน แล้วลงมือทำให้ต่อ

ตัวอย่างเช่น ถ้าเราขอให้ช่วยทำ market analysis มันไม่ได้หยุดที่การสรุปข้อมูลจากเว็บ แต่มันสามารถไล่ค้นหา ประมวลผล จัดกลุ่มประเด็น และสรุปออกมาเป็นเอกสารหรือ output ที่พร้อมใช้มากกว่าเดิม

มุมที่ควรตีความให้ชัดคือ Perplexity Computer ไม่ได้แทนคนทั้งหมด แต่มันแทน “งานชิ้นย่อยที่กินเวลา” ได้ดี เช่น งานค้นข้อมูล งานสรุป งานจัดโครงเอกสาร งานตามหาข้อมูลในแชตหรือไฟล์ที่กระจัดกระจาย

สำหรับเจ้าของธุรกิจไทย เรื่องนี้มีผลมาก เพราะงานจำนวนมากในองค์กรไม่ได้ติดที่ “ไม่มีคนเก่ง” แต่ติดที่คนเก่งต้องเสียเวลาทำงานซ้ำๆ จนไม่มีเวลาคิดเรื่องสำคัญ ถ้า AI เข้ามาช่วยรับงานชิ้นย่อยเหล่านี้ได้ เวลาในการตัดสินใจของทีมจะสั้นลงทันที

Step 2: เข้าใจว่าอะไรเปลี่ยนเมื่อ Perplexity เข้า Microsoft Teams

จุดที่ทำให้อัปเดตนี้น่าสนใจ คือ Perplexity เอา AI agent ไปฝังไว้ใน Microsoft Teams ซึ่งเป็นแอปที่หลายองค์กรใช้คุยงาน แชร์ไฟล์ ประชุม และติดตามงานทุกวัน

นั่นหมายความว่า เราไม่ต้องออกจากพื้นที่ทำงานหลักเพื่อไปหา AI อีกแล้ว แต่สามารถส่งข้อความหา AI ใน Teams ได้เหมือนส่งหาคนในทีม

นี่ไม่ใช่แค่เรื่องความสะดวก แต่เป็นเรื่องของ แรงเสียดทานในการทำงาน ที่ลดลงอย่างเห็นได้ชัด เพราะขั้นตอนที่เคยเป็นแบบนี้

1. เปิดเบราว์เซอร์
2. เข้าเว็บ AI
3. พิมพ์ prompt
4. คัดลอกคำตอบ
5. กลับไปวางในเอกสารหรือแชต
6. พอมีคำถามใหม่ก็เริ่มซ้ำอีกครั้ง

กำลังถูกแทนที่ด้วย flow ที่ง่ายกว่า

1. อยู่ใน Teams เหมือนเดิม
2. พิมพ์ขอให้ AI ทำงาน
3. รับผลลัพธ์ในที่เดียวกับที่ทีมทำงานอยู่แล้ว

สิ่งนี้ลด cost ที่มองไม่เห็นของการ “สลับหน้าจอ” และ “หลุด context” ได้มาก คนทำงานแทบทุกสายจะเข้าใจจุดนี้ดี เพราะบางครั้งเวลาหายไปไม่ใช่เพราะงานยาก แต่เพราะเราต้องกระโดดไปมาระหว่างหลาย tool

ถ้าเอามาเทียบกับธุรกิจไทยที่ใช้ Microsoft 365 อยู่แล้ว เช่น บริษัท B2B, ทีมเซลส์, เอเจนซี, ฝ่าย operation หรือ HR ประโยชน์จะชัดมาก เพราะ Teams มักเป็นศูนย์กลางของการสื่อสารภายใน ถ้า AI อยู่ตรงนั้นด้วย ทีมไม่ต้องเปลี่ยนพฤติกรรมเยอะ

Step 3: มองให้ออกว่าหัวใจของเรื่องนี้คือ “AI อยู่ใน workflow”

ประโยคที่สำคัญที่สุดจากคลิปนี้คือ AI ที่ดีที่สุดไม่จำเป็นต้องเป็น AI ที่ฉลาดที่สุด แต่เป็น AI ที่ฝังอยู่ใน workflow ของเรา

นี่เป็นมุมที่น่าเห็นด้วยมากกว่าการแข่งกันเรื่อง model ไหนเก่งกว่า เพราะในการทำงานจริง คนไม่ได้ใช้ AI จาก benchmark แต่ใช้จากความง่ายในการหยิบมาใช้งานซ้ำทุกวัน

ถ้า AI เก่งมากแต่ต้องเปิดอีกระบบ ตั้งค่าเพิ่ม และไม่มีข้อมูลต่อเนื่องจากที่ทีมคุยกันอยู่ สุดท้ายคนในองค์กรก็ใช้ไม่ต่อเนื่อง แต่ถ้า AI อยู่ในที่ที่งานเกิดขึ้นอยู่แล้ว adoption จะง่ายกว่า

นี่คือเหตุผลที่หลาย platform กำลังวิ่งไปทางเดียวกัน ไม่ว่าจะเป็น Microsoft Teams, Slack หรือ Google Workspace แนวโน้มคือ AI จะไม่ใช่เว็บที่เรา “เข้าไปใช้เป็นครั้งคราว” แต่จะเป็นชั้นพื้นฐานของซอฟต์แวร์ทำงานทั้งหมด

หากอยากติดตามภาพรวมของ Microsoft Teams เพิ่มเติม สามารถดูข้อมูลจากหน้าทางการของ Microsoft ได้ที่ Microsoft Teams และหากต้องการทำความเข้าใจ Perplexity ในภาพรวม สามารถดูได้ที่ Perplexity

Step 4: ดู use case ที่ใช้ได้จริงในองค์กร

คลิปยกตัวอย่างการใช้งานไว้หลายแบบ ซึ่งเหมาะกับคนทำงานสายธุรกิจมากกว่าสายเทคนิค เพราะแต่ละอย่างคือปัญหาที่เจอทุกวันอยู่แล้ว

4.1 งานวิจัยและหาข้อมูลให้ทีม

ถ้าทีมต้องทำ competitor analysis, market research หรือรวบรวมข้อมูลก่อนประชุม ปกติจะใช้เวลามากกับการเปิดหลายแท็บ อ่านหลายแหล่ง แล้วสรุปเอง

เมื่อ AI agent อยู่ใน Teams เราสามารถสั่งให้มัน:

• ค้นข้อมูลหัวข้อที่ต้องการ
• สรุปประเด็นสำคัญ
• จัดรูปแบบเป็นบันทึกสำหรับส่งต่อในทีม

สำหรับธุรกิจไทย ตัวอย่างที่ชัดคือร้านค้าหรือแบรนด์ที่อยากรู้ว่าคู่แข่งพูดอะไรในตลาด, มีโปรโมชั่นแบบไหน, positioning ไปทางใด หรือเอเจนซีที่ต้องเตรียมข้อมูลลูกค้าก่อน pitch งาน

4.2 ช่วยสร้างเอกสารและโครงงานคอนเทนต์

อีก use case ที่ตรงกับงานจริงคือการให้ AI ช่วยร่างเอกสาร เช่น รายงาน สรุปประชุม โครง presentation หรือ draft เบื้องต้นของคอนเทนต์

ตรงนี้ต้องพูดตรงๆ ว่า AI ไม่ได้แทนการคิดทั้งหมด แต่ช่วยย่นเวลา “เริ่มต้นจากหน้ากระดาษว่าง” ได้เยอะมาก

สำหรับทีมการตลาดไทย เราอาจใช้มันช่วยร่าง:

• outline แคมเปญ
• สรุป insight จาก feedback ลูกค้า
• draft เอกสาร brief ภายใน

4.3 ค้นหาความรู้ภายในองค์กร

อันนี้น่าจะเป็น use case ที่หลายองค์กรอยากได้มากที่สุด เพราะปัญหาคลาสสิกคือ “ข้อมูลอยู่ไหนก็ไม่รู้” บางอย่างอยู่ในแชต บางอย่างอยู่ในไฟล์ บางอย่างมีคนตอบไว้เมื่อสามสัปดาห์ก่อน แต่หาไม่เจอ

ถ้า Perplexity Computer เข้าถึงข้อมูลภายในทีมได้ตามสิทธิ์ที่กำหนด มันจะช่วยลดเวลาตามหาเรื่องเดิมๆ เช่น:

• ไฟล์เวอร์ชันล่าสุดอยู่ที่ไหน
• ใครเคยอธิบายเงื่อนไขโปรเจกต์นี้ไว้
• สรุปบทสนทนายาวๆ ใน channel หนึ่งให้ที

ในองค์กรไทยที่เติบโตเร็ว ปัญหา knowledge กระจายตัวเกิดบ่อยมาก และเป็นต้นทุนแฝงที่มักมองไม่เห็น

4.4 ทำ workflow หลายขั้นตอนจากคำสั่งเดียว

จุดที่คลิปพยายามชี้ให้เห็นคือ AI agent เริ่มทำงานแบบ “ต่อหลายจังหวะ” ได้ เช่น ค้นข้อมูลก่อน แล้วสรุป จากนั้นจัดเป็นเอกสาร พร้อมรวมผลลัพธ์กลับมาในคำตอบเดียว

นี่คือแนวคิดของ workflow automation ในเวอร์ชันที่คนไม่ต้องเขียนโค้ดเอง

ในเชิงธุรกิจ เราอาจตีโจทย์ได้แบบนี้:

• หาข้อมูลคู่แข่ง 5 ราย
• สรุปจุดต่างของแต่ละราย
• จัดเป็น memo สำหรับประชุมทีมขาย

งานยังต้องมีคนตรวจ แต่ปริมาณงานมือที่ลดลงมีนัยสำคัญ

Step 5: ปรับมุมคิดเรื่อง productivity ใหม่

อีกจุดที่น่าสนใจคือคลิปพยายามนิยาม productivity ใหม่ จากเดิมที่วัดว่าเราทำงานได้มากแค่ไหน ไปสู่การวัดว่าเรา “สั่งงานและกำกับงาน” ได้ดีแค่ไหน

มุมนี้สำคัญสำหรับเจ้าของธุรกิจมาก เพราะเมื่อ AI รับงานย่อยได้มากขึ้น ทักษะที่มีค่าจะไม่ใช่การลงมือทุกอย่างเอง แต่เป็นการ:

• ตั้งโจทย์ให้ชัด
• ให้ prompt ที่ไม่กำกวม
• ตรวจทานผลลัพธ์ให้ตรงเป้าธุรกิจ
• รู้ว่าอะไรควรให้ AI ทำ และอะไรยังต้องใช้คน

พูดอีกแบบคือ คนที่ได้เปรียบไม่ใช่คนใช้ AI เก่งแบบสายเทคนิคเสมอไป แต่คือคนที่แปลงเป้าหมายธุรกิจให้เป็นคำสั่งที่ AI ทำต่อได้

นี่เป็นทักษะใหม่ที่ทีมไทยควรเริ่มฝึกตั้งแต่ตอนนี้ โดยเฉพาะหัวหน้าทีม ฝ่าย operation ฝ่ายขาย และการตลาด

Step 6: มองให้ครบทั้งโอกาสและข้อจำกัด

แม้อัปเดตนี้จะน่าตื่นเต้น แต่ก็มีข้อจำกัดที่ต้องพูดตรงๆ เพื่อไม่ให้คาดหวังเกินจริง

ข้อดีที่ชัดเจน

• ลดการสลับเครื่องมือระหว่างทำงาน
• เก็บ context ของงานไว้ในที่เดียว
• ช่วยให้ทีมเริ่มใช้ AI ได้ง่ายขึ้น เพราะอยู่ในเครื่องมือเดิม
• เหมาะกับงานค้นข้อมูล สรุป และร่างเอกสาร

ข้อจำกัดที่ต้องระวัง

• AI ไม่ได้ถูกต้องเสมอ ต้องมีคนตรวจ
• การเข้าถึงข้อมูลภายในต้องมีเรื่องสิทธิ์และความปลอดภัย
• ถ้าทีมสั่งงานไม่ชัด ผลลัพธ์ก็จะกว้างหรือใช้ไม่ได้
• ไม่ใช่ทุกงานที่ควรโยนให้ AI โดยเฉพาะงานที่ต้องใช้วิจารณญาณสูง

อีกเรื่องที่ควรมองตามจริงคือ ต่อให้ tool ดีแค่ไหน ถ้าองค์กรไม่มีระบบตั้งชื่อไฟล์ ไม่มีวินัยในการคุยงาน หรือข้อมูลกระจัดกระจายมาก AI ก็ช่วยได้ไม่เต็มที่ เพราะ input ที่ป้อนไม่เป็นระเบียบตั้งแต่ต้น

Step 7: ถ้าเอาไปใช้กับธุรกิจไทย ควรเริ่มแบบไหน

สำหรับองค์กรที่อยากทดลอง ไม่จำเป็นต้องเริ่มจากการยกเครื่องทั้งบริษัท แต่ควรเริ่มจากงานที่มีรูปแบบซ้ำและวัดผลได้

แนวทางเริ่มต้นที่เหมาะมีดังนี้

1. เลือก 1 ทีม เช่น การตลาด เซลส์ หรือ operation
2. เลือก 3 งานซ้ำๆ ที่กินเวลามาก เช่น สรุปประชุม ค้นข้อมูลคู่แข่ง ร่างเอกสารภายใน
3. ตั้ง template prompt ให้ทีมใช้ร่วมกัน
4. กำหนดคนตรวจงาน ทุก output ที่ AI ส่งมา
5. วัดผลก่อนและหลังใช้ เช่น เวลาในการทำงาน คุณภาพเอกสาร หรือความเร็วในการตัดสินใจ

ถ้าเริ่มแบบนี้ เราจะเห็นเร็วว่า AI agent ใน Teams ช่วยงานส่วนไหนจริง และส่วนไหนยังไม่คุ้มที่จะใช้

Step 8: Actionable Insights ที่เอาไปทำได้ทันที

• เริ่มจาก pain point ไม่ใช่เริ่มจาก tool เลือกงานที่ทีมบ่นว่าเสียเวลาบ่อยที่สุดก่อน
• ทำ prompt กลางของทีม เช่น template สำหรับสรุปประชุม สรุปคู่แข่ง หรือร่างรายงาน
• แยกงาน “ให้ AI ทำ” กับ “ให้คนตัดสินใจ” เพื่อลดความผิดพลาดจากการเชื่อ AI มากเกินไป
• เก็บงานทุกอย่างไว้ใน Teams ให้เป็นระบบ เพราะยิ่งข้อมูลรวมศูนย์ AI ก็ยิ่งช่วยได้มาก
• วัดผลจากเวลาที่ประหยัดได้ ไม่ใช่วัดจากความว้าวของคำตอบ

Step 9: Troubleshooting ปัญหาที่มักเจอเมื่อเริ่มใช้ AI ใน workspace

- ปัญหา: AI ตอบกว้างเกินไป ใช้งานต่อไม่ได้

- สาเหตุ: คำสั่งไม่ชัด ไม่มีเป้าหมายหรือรูปแบบ output ที่ต้องการ

- วิธีแก้: ระบุให้ชัดว่าต้องการอะไร ใช้ข้อมูลจากแหล่งไหน และให้สรุปออกมาในรูปแบบใด เช่น bullet, ตาราง, memo

- ปัญหา: ทีมใช้แล้วได้ผลไม่เท่ากัน

- สาเหตุ: แต่ละคนสั่งงานคนละแบบ ไม่มีมาตรฐานร่วมกัน

- วิธีแก้: สร้าง prompt template กลางของทีม และเก็บตัวอย่างคำสั่งที่ใช้ได้ผลไว้ให้ทุกคนอ้างอิง

- ปัญหา: คำตอบดูดีแต่มีข้อมูลผิด

- สาเหตุ: AI สรุปจากข้อมูลไม่ครบหรือตีความเกินจริง

- วิธีแก้: ให้มีขั้นตอนตรวจทานเสมอ โดยเฉพาะงานที่เกี่ยวกับลูกค้า ตัวเลข หรือการตัดสินใจสำคัญ

- ปัญหา: หาไฟล์หรือข้อมูลภายในแล้วยังไม่แม่น

- สาเหตุ: ข้อมูลในองค์กรกระจัดกระจาย ตั้งชื่อไม่เป็นระบบ หรือสิทธิ์เข้าถึงไม่ครบ

- วิธีแก้: จัดระเบียบไฟล์ ตั้งชื่อมาตรฐาน และทบทวน permission ก่อนคาดหวังให้ AI ค้นข้อมูลได้ดี

- ปัญหา: ทีมไม่ค่อยใช้ต่อหลังทดลองช่วงแรก

- สาเหตุ: ยังไม่เห็นประโยชน์ชัด หรือ workflow เดิมยังง่ายกว่าในมุมของคนทำงาน

- วิธีแก้: เริ่มจาก use case เดียวที่ประหยัดเวลาเห็นชัด แล้วแชร์ผลลัพธ์ให้ทีมเห็นร่วมกัน

Step 10: การต่อยอดที่น่าลองหลังเริ่มใช้ได้แล้ว

• ต่อยอดสู่ AI สำหรับสรุปประชุมอัตโนมัติ แล้วส่ง action items กลับเข้า Teams ให้ทีมติดตามต่อ
• ทำ knowledge assistant ภายในองค์กร สำหรับตอบคำถามเรื่อง SOP, เอกสารขาย, policy หรือ onboarding
• เชื่อม workflow ระหว่างทีม เช่น ให้ฝ่ายขายสรุป feedback ลูกค้า แล้วส่งต่อให้ทีมการตลาดเอาไปใช้ต่อในคอนเทนต์และข้อเสนอ

Step 11: สรุป Checklist ทั้งหมด

• ☐ เข้าใจว่า Perplexity Computer เป็น AI agent ไม่ใช่แค่ search tool
• ☐ มองให้ออกว่าคุณค่าหลักคือการอยู่ใน Microsoft Teams และลดการสลับเครื่องมือ
• ☐ เลือก use case ที่ชัด เช่น research, สรุปข้อมูล, ร่างเอกสาร, ค้นหา knowledge ภายใน
• ☐ เริ่มทดลองกับ 1 ทีมก่อน ไม่ต้องยกเครื่องทั้งองค์กร
• ☐ สร้าง prompt template กลางเพื่อให้ทีมใช้งานสม่ำเสมอ
• ☐ กำหนดขั้นตอนตรวจงานทุกครั้ง โดยเฉพาะข้อมูลสำคัญ
• ☐ จัดระเบียบไฟล์และแชตใน Teams เพื่อให้ AI ดึงข้อมูลได้ดีขึ้น
• ☐ วัดผลจากเวลา ความเร็วในการทำงาน และคุณภาพ output
• ☐ แยกให้ชัดว่าอะไรให้ AI ทำ อะไรให้คนตัดสินใจ
• ☐ วางแผนต่อยอดจากงานเล็กๆ ไปสู่ workflow ที่ซับซ้อนขึ้น

Step 12: บทสรุป

Perplexity Computer ใน Microsoft Teams น่าสนใจไม่ใช่เพราะมันเป็น AI ตัวใหม่ แต่เพราะมันสะท้อนว่าทิศทางของงานกำลังเปลี่ยนจาก “การไปหา AI” มาเป็น “AI อยู่ในที่ที่งานเกิดขึ้น” เลย

สำหรับเจ้าของธุรกิจและคนทำงาน ประโยชน์ที่จับต้องได้คือการลดงานจุกจิก ลดเวลาหาข้อมูล และทำให้ทีมเคลื่อนเร็วขึ้น แต่ผลลัพธ์จะดีแค่ไหนไม่ได้ขึ้นกับเทคโนโลยีอย่างเดียว มันขึ้นกับว่าทีมของเราตั้งโจทย์เก่งแค่ไหน จัดข้อมูลเป็นแค่ไหน และรู้หรือไม่ว่างานส่วนใดควรให้ AI รับไป

ถ้ามองแบบไม่หลง hype อัปเดตนี้ไม่ใช่เวทมนตร์ แต่มันคือสัญญาณชัดว่า AI กำลังกลายเป็นส่วนหนึ่งของ workflow ประจำวัน และองค์กรที่เริ่มทดลองตั้งแต่ตอนนี้ จะมีโอกาสเรียนรู้ก่อนใครว่า AI agent แบบนี้ควรเอาไปใช้ตรงไหนให้คุ้มที่สุด