ในอดีต ระบบ ERP มีหน้าที่หลักในการรวบรวมและควบคุมข้อมูลสำคัญขององค์กร ไม่ว่าจะเป็นยอดขาย การจัดซื้อ สินค้าคงคลัง การผลิต บัญชี การเงิน และข้อมูลลูกค้า

แต่การมาของ Generative AI และ AI Agent กำลังทำให้บทบาทของ ERP เปลี่ยนไป

ERP ไม่ได้เป็นเพียงระบบที่รอให้ผู้ใช้งานเปิดเมนู ค้นหารายงาน และนำข้อมูลไปวิเคราะห์อีกต่อไป แต่กำลังพัฒนาไปสู่ระบบที่สามารถรับคำถามภาษาธรรมชาติ ค้นหาข้อมูล วิเคราะห์ความผิดปกติ สรุปสถานการณ์ และช่วยดำเนินงานบางขั้นตอนได้

แนวโน้มนี้ไม่ได้เกิดขึ้นเฉพาะกับผู้ให้บริการรายใดรายหนึ่ง ผู้พัฒนา ERP รายใหญ่ต่างกำลังนำ AI เข้าไปเป็นส่วนหนึ่งของระบบธุรกิจ ตัวอย่างเช่น SAP พัฒนา Joule และ AI Agent ที่ทำงานโดยอาศัยบริบทของกระบวนการธุรกิจ ส่วน Microsoft วาง AI Agent และ Copilot ไว้ใน Dynamics 365 ทั้งด้านการเงิน Supply Chain การขาย และบริการ ขณะที่ Odoo เริ่มนำเสนอความสามารถด้าน AI, Custom Agent และ Retrieval-Augmented Generation หรือ RAG มากขึ้นเช่นกัน

คำถามสำคัญจึงไม่ใช่เพียงว่า

“AI จะมาแทน ERP หรือไม่?”

แต่ควรถามว่า

“องค์กรจะทำให้ AI เข้าใจข้อมูล โครงสร้าง และกระบวนการใน ERP ได้อย่างถูกต้องและปลอดภัยอย่างไร?”

AI จะเข้ามาแทนระบบ ERP หรือไม่?

คำตอบคือ AI ยังไม่สามารถแทน ERP ได้ทั้งหมด และในทางปฏิบัติ AI จำเป็นต้องมี ERP หรือระบบธุรกิจอื่นเป็นแหล่งข้อมูลที่เชื่อถือได้

ERP มีหน้าที่ควบคุมข้อมูลและธุรกรรม เช่น

• ใครเป็นผู้สร้างและอนุมัติรายการ
• สินค้าถูกส่งออกจากคลังใด
• Invoice ใดถูกบันทึกบัญชีแล้ว
• ลูกค้ารายใดมียอดค้างชำระ
• ต้นทุนถูกบันทึกเข้าบริษัท สาขา หรือ Cost Center ใด
• รายการใดมีผลต่อภาษีและงบการเงิน

AI สามารถช่วยค้นหา วิเคราะห์ สรุป และเสนอการดำเนินการ แต่การบันทึกธุรกรรมจริงยังต้องอยู่ภายใต้กฎของระบบ สิทธิ์ผู้ใช้งาน กระบวนการอนุมัติ และการตรวจสอบย้อนหลัง

กล่าวอีกแบบหนึ่งคือ

• ERP เป็น System of Record ที่ดูแลข้อเท็จจริงและธุรกรรม
• AI เป็น Intelligence Layer ที่ช่วยทำความเข้าใจข้อมูลและแนะนำการดำเนินงาน

หากองค์กรนำ AI มาใช้โดยไม่มีข้อมูลและ Workflow ที่ดี คำตอบที่ได้อาจดูน่าเชื่อถือ แต่ไม่สามารถนำไปใช้ตัดสินใจได้อย่างปลอดภัย

8 Use Case ของ AI กับ ERP ที่ธุรกิจนำไปใช้ได้จริง

1. Document AI และ OCR สำหรับงานบัญชี

Use Case ที่องค์กรไทยเริ่มเห็นผลได้ชัดที่สุดคือการใช้ AI อ่านเอกสาร เช่น

• ใบแจ้งหนี้
• ใบกำกับภาษี
• ใบเสร็จรับเงิน
• Purchase Order
• Bank Statement
• หนังสือรับรองการหักภาษี ณ ที่จ่าย
• เอกสารค่าใช้จ่ายของพนักงาน

ระบบสามารถดึงข้อมูลสำคัญออกจากเอกสาร เช่น

• ชื่อและเลขประจำตัวผู้เสียภาษีของคู่ค้า
• เลขที่เอกสาร
• วันที่ออกเอกสาร
• วันที่ครบกำหนด
• มูลค่าก่อนภาษี
• ภาษีมูลค่าเพิ่ม
• ยอดรวม
• รายการสินค้าและบริการ

จากนั้นจึงนำข้อมูลไปตรวจสอบและสร้างรายการร่างใน ERP เพื่อลดการคีย์ข้อมูลซ้ำ

อย่างไรก็ตาม AI OCR ไม่ควรถูกออกแบบให้ “อ่านแล้วบันทึกบัญชีทันที” โดยไม่มีการตรวจสอบ โดยเฉพาะเอกสารภาษาไทยที่มีรูปแบบหลากหลาย

ระบบที่เหมาะสมควรมี Validation Layer เพิ่มเติม เช่น

• ตรวจสอบเลขประจำตัวผู้เสียภาษี
• เปรียบเทียบชื่อคู่ค้ากับ Master Data
• ป้องกันเอกสารซ้ำ
• ตรวจสอบยอดก่อนภาษี ภาษี และยอดรวม
• แสดงระดับความมั่นใจของข้อมูล
• ส่งรายการที่ผิดปกติให้ผู้ใช้งานตรวจสอบ
• บันทึก Audit Trail ว่า AI อ่านค่าใดและผู้ใช้งานแก้ไขอะไร

เป้าหมายจึงไม่ใช่การแทนที่นักบัญชี แต่เป็นการลดเวลาที่นักบัญชีต้องใช้กับงานคีย์ข้อมูล เพื่อให้มีเวลาตรวจสอบความถูกต้องและวิเคราะห์ข้อมูลมากขึ้น

2. ถามข้อมูล ERP ด้วยภาษาธรรมชาติ

ผู้บริหารไม่ควรต้องรู้ว่ารายงานแต่ละฉบับอยู่ในเมนูใด หรือต้องตั้ง Filter อย่างไรทุกครั้งที่ต้องการข้อมูล

เมื่อ AI เชื่อมต่อกับ ERP อย่างถูกต้อง ผู้ใช้งานอาจถามคำถาม เช่น

• เดือนนี้มียอดขายเท่าไร
• ลูกค้ารายใดมียอดค้างชำระเกิน 90 วัน
• สินค้าใดมีแนวโน้มขาดสต็อกภายใน 30 วัน
• ใบเสนอราคาใดมีมูลค่าสูงแต่ยังไม่มีการติดตาม
• ค่าใช้จ่ายของแผนกใดเกินงบประมาณ
• สาขาใดมี Gross Margin ต่ำกว่าค่าเฉลี่ย
• Supplier รายใดส่งของล่าช้าบ่อยที่สุด

AI สามารถแปลงคำถามเป็นการค้นหาข้อมูล สรุปผล และอธิบายด้วยภาษาที่เข้าใจง่าย

แต่ระบบควรแสดงที่มาของคำตอบด้วย เช่น ช่วงวันที่ บริษัท สกุลเงิน เงื่อนไขที่ใช้ และรายการต้นทาง เพื่อให้ผู้ใช้งานตรวจสอบได้ ไม่ควรแสดงเพียงตัวเลขสรุปโดยไม่มีหลักฐานประกอบ

3. วิเคราะห์สาเหตุ ไม่ใช่เพียงแสดงตัวเลข

Dashboard สามารถบอกได้ว่ายอดขายลดลง 18% แต่ AI อาจช่วยวิเคราะห์ต่อว่าเหตุใดจึงลดลง เช่น

• ลูกค้ารายใหญ่หยุดสั่งซื้อ
• จำนวนใบเสนอราคาลดลง
• Conversion Rate ต่ำลง
• สินค้าบางรายการขาดสต็อก
• มีการส่งมอบล่าช้า
• ยอดขายบางสาขาลดลงผิดปกติ
• ราคาขายเฉลี่ยลดลงจากส่วนลดที่เพิ่มขึ้น

นี่คือความแตกต่างระหว่าง Business Intelligence แบบเดิมกับ AI Analytics

รายงานแบบเดิมตอบว่า “เกิดอะไรขึ้น”
AI ที่มีบริบททางธุรกิจควรช่วยตอบต่อว่า “น่าจะเกิดจากอะไร” และ “ควรตรวจสอบตรงไหนต่อ”

อย่างไรก็ตาม ข้อสรุปของ AI ควรถูกแสดงเป็นข้อสังเกตหรือสมมติฐานจนกว่าจะได้รับการตรวจสอบ ไม่ควรนำเสนอทุกคำตอบเสมือนเป็นข้อเท็จจริง

4. Forecast และการแจ้งเตือนเชิงคาดการณ์

ERP แบบเดิมสามารถแจ้งเตือนตามกฎที่กำหนดไว้ล่วงหน้า เช่น

• แจ้งเตือนก่อน Invoice ครบกำหนด 5 วัน
• แจ้งเตือนเมื่อสต็อกต่ำกว่า Minimum Stock
• แจ้งเตือนเมื่อใบเสนอราคาไม่มีการติดตาม

งานลักษณะนี้ไม่จำเป็นต้องใช้ AI เสมอไป เพราะ Rule-based Automation มีความแน่นอน ตรวจสอบง่าย และมีต้นทุนต่ำกว่า

AI จะมีประโยชน์เมื่อองค์กรต้องการวิเคราะห์แนวโน้มที่มีหลายปัจจัย เช่น

• Forecast กระแสเงินสดในอีก 12 สัปดาห์
• คาดการณ์วัตถุดิบที่อาจขาด
• ประเมินความเสี่ยงที่ลูกค้าจะชำระเงินล่าช้า
• คาดการณ์ยอดขายจาก Pipeline
• ตรวจจับความต้องการสินค้าที่เปลี่ยนแปลงผิดปกติ
• ประเมินโอกาสที่โครงการจะล่าช้า

หลักการเลือกใช้จึงควรเป็นดังนี้

• ใช้ Rule-based Automation เมื่อเงื่อนไขชัดเจนและต้องการผลลัพธ์แน่นอน
• ใช้ AI เมื่อโจทย์ต้องอาศัยรูปแบบ แนวโน้ม บริบท หรือข้อมูลหลายมิติ

5. AI Support สำหรับผู้ใช้งาน ERP

ปัญหาสำคัญหลัง Go-live คือผู้ใช้งานจำขั้นตอนไม่ได้ ไม่แน่ใจว่าต้องเลือกเมนูใด หรือส่งคำถามที่มีข้อมูลไม่เพียงพอให้ทีม Support เช่น

“กด Confirm แล้วไม่ได้”

AI Support สามารถเป็นด่านแรกเพื่อช่วย

• ตอบคำถามจากคู่มือและ Workflow ขององค์กร
• แนะนำขั้นตอนการใช้งานตาม Role
• ขอข้อมูลเพิ่มเติมอย่างเป็นระบบ
• ตรวจสอบว่าปัญหาเกิดในบริษัทหรือเอกสารใด
• รวบรวม Screenshot, Error Message และขั้นตอนก่อนเกิดปัญหา
• แยกคำถามการใช้งานออกจาก Software Bug
• สร้าง Ticket พร้อมข้อมูลที่ทีม Support ต้องใช้

หาก AI เชื่อมกับระบบได้มากขึ้น อาจตรวจสอบสถานะเอกสาร สิทธิ์ผู้ใช้งาน หรือ Configuration ที่เกี่ยวข้องได้โดยไม่ต้องให้ทีม Support ถามข้อมูลซ้ำหลายรอบ

อย่างไรก็ตาม AI ควรส่งต่อให้เจ้าหน้าที่เมื่อพบปัญหาที่เกี่ยวข้องกับบัญชี สิทธิ์เข้าถึง ความปลอดภัย หรือการเปลี่ยนแปลงข้อมูลสำคัญ

6. AI Agent สำหรับดำเนินงานข้ามระบบ

Chatbot ทั่วไปมีหน้าที่ตอบคำถาม แต่ AI Agent ถูกออกแบบให้สามารถวางแผนและเรียกใช้เครื่องมือต่าง ๆ เพื่อดำเนินงานตามเป้าหมายได้

ตัวอย่างเช่น ผู้ใช้งานสั่งว่า

“สรุปลูกค้าที่ค้างชำระเกิน 60 วัน แยกตาม Salesperson และเตรียมข้อความติดตามให้แต่ละราย”

AI Agent อาจดำเนินการเป็นลำดับดังนี้

1. อ่านข้อมูล Invoice จาก ERP
2. ตรวจสอบยอดคงเหลือและวันครบกำหนด
3. จัดกลุ่มตาม Salesperson
4. ตรวจสอบประวัติการติดตาม
5. ร่างอีเมลหรือข้อความ LINE
6. ส่งให้ผู้รับผิดชอบตรวจสอบ
7. บันทึกกิจกรรมกลับเข้า CRM หลังได้รับอนุมัติ

ผู้พัฒนา ERP รายใหญ่กำลังพัฒนาไปในทิศทางนี้ โดย Microsoft ระบุถึง AI Agent และ Copilot ที่ทำงานครอบคลุม ERP และ CRM ส่วน SAP วาง Joule Agent ให้ทำงานโดยอาศัย Role และ Business Process Context ไม่ใช่เพียงตอบคำถามทั่วไป

AI Agent จึงมีศักยภาพสูง แต่ต้องมีการควบคุมที่รัดกุมกว่าการทำ Chatbot โดยเฉพาะเมื่อ Agent สามารถสร้าง แก้ไข อนุมัติ หรือส่งข้อมูลออกนอกองค์กรได้

7. ตรวจจับความผิดปกติและความเสี่ยง

ธุรกิจมีธุรกรรมจำนวนมากจนผู้ใช้งานไม่สามารถตรวจสอบทุกรายการได้ด้วยตนเอง

AI สามารถช่วยค้นหารายการที่ควรได้รับการตรวจสอบ เช่น

• ราคาซื้อต่างจากค่าเฉลี่ยมากผิดปกติ
• มีการสร้าง Supplier ซ้ำ
• มี Invoice เลขที่เดียวกันจากคู่ค้ารายเดิม
• ราคาขายต่ำกว่าต้นทุนหรือ Minimum Margin
• มีการแก้ไข Master Data ก่อนสร้างรายการจ่ายเงิน
• พนักงานเบิกค่าใช้จ่ายผิดรูปแบบ
• มี Stock Adjustment จำนวนมากผิดปกติ
• มีการแบ่ง Purchase Order เพื่อหลีกเลี่ยงวงเงินอนุมัติ
• รายการบัญชีถูกบันทึกในช่วงเวลาที่ผิดปกติ

AI ไม่จำเป็นต้องตัดสินว่ารายการนั้นเป็นการทุจริต แต่ควรช่วยจัดลำดับความเสี่ยง เพื่อให้ฝ่ายบัญชี Internal Audit หรือผู้บริหารตรวจสอบได้เร็วขึ้น

8. AI ช่วยให้การ Implement ERP มีประสิทธิภาพขึ้น

AI ไม่ได้เปลี่ยนเฉพาะการใช้งาน ERP หลัง Go-live แต่ยังช่วยในกระบวนการ Implement ได้ด้วย เช่น

• ถอดและสรุปการประชุม
• แยก Requirement, Pain Point และ Action Item
• จัดทำ Process Flow ฉบับร่าง
• สร้าง Requirement Traceability Matrix
• ร่าง Test Scenario และ Test Case
• สร้างคู่มือจาก Workflow
• ช่วยวิเคราะห์ Data Migration
• สร้าง Script สำหรับทดสอบ
• ช่วยเขียนและ Review Code
• วิเคราะห์ Log และ Error
• เปรียบเทียบ Standard Feature กับ Requirement

ประโยชน์สำคัญไม่ได้อยู่ที่การให้ AI ทำเอกสารแทนทั้งหมด แต่อยู่ที่การลดเวลาสำหรับงานฉบับร่าง และเปิดโอกาสให้ Consultant ใช้เวลากับการออกแบบกระบวนการ ตรวจสอบความถูกต้อง และบริหารความเสี่ยงมากขึ้น

เมื่อ AI เขียน Code ได้ คนทำ ERP จะได้รับผลกระทบอย่างไร?

AI สามารถช่วยสร้าง Code อธิบาย Code เขียน Unit Test และค้นหาสาเหตุของ Error ได้เร็วขึ้น แต่การพัฒนา ERP ไม่ได้จบเพียงการทำให้ Code ทำงานได้

Developer ยังต้องเข้าใจเรื่องสำคัญ เช่น

• Business Process
• Data Model
• Accounting Impact
• Permission และ Record Rule
• Multi-company
• Transaction Integrity
• Performance
• Upgrade Compatibility
• Security
• Test Coverage
• Deployment และ Rollback

Code ที่ AI สร้างขึ้นอาจดูถูกต้องในระดับ Syntax แต่สร้างผลกระทบกับข้อมูลจริงในระยะยาวได้

บทบาทของ ERP Developer จึงมีแนวโน้มเปลี่ยนจากผู้เขียน Code ตาม Requirement ไปเป็นผู้ที่

• เข้าใจกระบวนการธุรกิจ
• ออกแบบ Architecture
• กำหนดข้อจำกัดให้ AI
• Review Code และ Test Result
• วิเคราะห์ผลกระทบข้าม Module
• รับผิดชอบคุณภาพของระบบโดยรวม

ผู้ที่ใช้ AI ได้เร็วที่สุดอาจไม่ใช่ผู้ที่มีมูลค่าสูงที่สุดเสมอไป ผู้ที่สามารถตรวจสอบผลลัพธ์ของ AI และเข้าใจว่าผลลัพธ์นั้นส่งผลต่อธุรกิจอย่างไรต่างหากที่จะมีความสำคัญมากขึ้น

Functional Consultant และ Business Analyst จะสำคัญน้อยลงหรือไม่?

ในทางกลับกัน Functional Consultant และ Business Analyst อาจยิ่งมีความสำคัญ

AI สามารถช่วยสรุป Requirement ได้ แต่ยังมีข้อจำกัดในการเข้าใจบริบทที่ไม่ได้ถูกพูดออกมาตรง ๆ เช่น

• เหตุใดองค์กรจึงใช้ Workflow เดิม
• ขั้นตอนใดเกิดจากข้อกำหนดทางกฎหมาย
• ขั้นตอนใดเกิดจากข้อจำกัดของระบบเดิม
• ใครเป็นผู้มีอำนาจตัดสินใจจริง
• ความต้องการใดขัดแย้งกันระหว่างแผนก
• Requirement ใดเป็นสิ่งจำเป็น และสิ่งใดเป็นเพียงความคุ้นเคย
• การเปลี่ยนแปลงใดจะกระทบผู้ใช้งานมากที่สุด

Functional Consultant ที่มีคุณค่าจึงไม่ใช่เพียงผู้ที่รู้ว่าแต่ละเมนูอยู่ที่ใด แต่ต้องสามารถ

• วิเคราะห์ Business Requirement
• ออกแบบ Future-state Process
• แยก Standard กับ Customization
• ประเมินผลกระทบด้านบัญชีและการควบคุม
• ออกแบบ Test Case
• ตรวจสอบผลลัพธ์จาก AI
• สื่อสารกับผู้บริหาร ผู้ใช้งาน และ Developer
• บริหาร Scope และ Change Management

AI ช่วยให้ทำงานเร็วขึ้น แต่ความรับผิดชอบต่อผลลัพธ์ยังคงอยู่กับคน

ทำไม AI ที่เชื่อมกับ ERP จึงไม่ควรอ่าน Database ตรง ๆ

การให้ AI เชื่อมต่อ Database โดยตรงอาจทำ Demo ได้เร็ว แต่มีความเสี่ยงหลายด้าน

1. AI ไม่เข้าใจความหมายทางธุรกิจโดยอัตโนมัติ

ชื่อ Field และ Table ไม่ได้อธิบายกฎทั้งหมดของระบบ ตัวอย่างเช่น Revenue อาจต้องพิจารณาสถานะเอกสาร วันที่บัญชี สกุลเงิน การคืนสินค้า ภาษี และบริษัทที่เกี่ยวข้อง

2. ข้อมูลเดียวกันอาจมีหลายความหมาย

คำว่า “ยอดขายเดือนนี้” อาจหมายถึง

• ยอดจาก Sales Order
• ยอด Invoice
• รายได้ที่บันทึกบัญชี
• ยอดรับเงินจริง
• ยอดก่อนภาษี
• ยอดรวมภาษี
• ยอดหลังหัก Credit Note

หากไม่มี Semantic Layer คำตอบของ AI อาจไม่ตรงกับสิ่งที่ผู้บริหารต้องการ แม้ Query จะทำงานถูกต้องก็ตาม

3. เสี่ยงต่อการเข้าถึงข้อมูลเกินสิทธิ์

ผู้ใช้งานแต่ละคนอาจมีสิทธิ์เห็นข้อมูลต่างกันตามบริษัท แผนก ตำแหน่ง หรือลูกค้าที่รับผิดชอบ AI ต้องเคารพสิทธิ์เดียวกับ ERP ไม่ใช่ใช้สิทธิ์ของ Database กลางแล้วเปิดเผยข้อมูลทั้งหมด

4. ขาด Audit Trail

องค์กรต้องสามารถตรวจสอบได้ว่า

• ใครถามคำถาม
• AI อ่านข้อมูลอะไร
• ใช้เงื่อนไขใด
• ได้คำตอบจากรายการใด
• AI เรียก Action อะไร
• ใครเป็นผู้อนุมัติการดำเนินการ

ดังนั้น AI สำหรับ ERP ระดับองค์กรควรเชื่อมผ่าน API หรือ Tool Layer ที่ควบคุมสิทธิ์ กำหนดคำจำกัดความทางธุรกิจ และบันทึกการทำงานได้

Enterprise Intelligence Layer คืออะไร?

Enterprise Intelligence Layer คือชั้นกลางระหว่างผู้ใช้งาน AI และระบบธุรกิจขององค์กร เช่น

• ERP
• CRM
• Accounting Software
• Document Management System
• Data Warehouse
• E-commerce
• Banking
• HR System
• Production System

ชั้นกลางนี้มีหน้าที่ทำให้ AI เข้าใจว่า

• ข้อมูลแต่ละชุดหมายถึงอะไร
• ต้องค้นหาข้อมูลจากระบบใด
• ผู้ใช้งานมีสิทธิ์เข้าถึงข้อมูลระดับใด
• คำถามทางธุรกิจต้องแปลงเป็นเงื่อนไขอย่างไร
• Action ใดทำได้ทันที
• Action ใดต้องขออนุมัติ
• ผลลัพธ์ต้องอ้างอิงกลับไปยังเอกสารใด

ตัวอย่างเช่น เมื่อผู้บริหารถามว่า

“ทำไมกำไรขั้นต้นของเดือนนี้ลดลง?”

ระบบไม่ควรเพียงค้นหาตัวเลขจาก General Ledger แต่ควรเข้าใจความสัมพันธ์ระหว่าง

• Sales
• Cost of Goods Sold
• Product Category
• Customer
• Discount
• Purchase Cost
• Manufacturing Cost
• Inventory Valuation
• Branch
• Analytic Account
• ช่วงเวลาและสกุลเงิน

นี่คือเหตุผลที่การสร้าง AI Chatbot ทั่วไปกับการสร้าง Enterprise AI สำหรับ ERP เป็นคนละระดับของงาน

ข้อควรระวังก่อนนำ AI มาเชื่อมกับ ERP

Data Quality

AI ไม่สามารถทำให้ข้อมูลต้นทางที่ไม่ถูกต้องกลายเป็นข้อมูลที่ถูกต้องได้โดยอัตโนมัติ

หากองค์กรมีปัญหา เช่น

• Master Data ซ้ำ
• ไม่กำหนดรหัสสินค้าเป็นมาตรฐาน
• ไม่บันทึก Cost Center
• วันที่เอกสารไม่ถูกต้อง
• ผู้ใช้งานข้าม Workflow
• Inventory ไม่ตรงกับของจริง

AI อาจช่วยสรุปข้อมูลที่ผิดได้เร็วขึ้น แต่ไม่ได้ทำให้คำตอบน่าเชื่อถือขึ้น

Security และสิทธิ์การเข้าถึง

ต้องกำหนดว่า AI สามารถอ่านและดำเนินการอะไรได้บ้าง เช่น

• อ่านอย่างเดียว
• สร้าง Draft ได้
• แก้ไขข้อมูลได้
• ส่งอีเมลได้
• บันทึกบัญชีได้
• อนุมัติเอกสารได้
• ดาวน์โหลดข้อมูลออกจากระบบได้

หลักการที่เหมาะสมคือเริ่มจากสิทธิ์น้อยที่สุด และให้มนุษย์อนุมัติก่อนทำ Action ที่มีผลต่อข้อมูล การเงิน หรือบุคคลภายนอก

Hallucination

Generative AI อาจสร้างคำตอบที่ดูสมเหตุสมผลแต่ไม่ตรงกับข้อมูลจริง ระบบจึงควร

• อ้างอิง Source Record
• แสดง Filter และช่วงเวลา
• แสดงระดับความมั่นใจ
• แยกข้อเท็จจริงออกจากข้อสันนิษฐาน
• เปิดให้ผู้ใช้งานตรวจสอบรายละเอียด
• ไม่ให้ AI สร้างตัวเลขเมื่อค้นหาข้อมูลไม่พบ

Accounting และ Compliance

ข้อมูลใน ERP อาจเกี่ยวข้องกับภาษี งบการเงิน ข้อมูลส่วนบุคคล และสัญญาทางธุรกิจ จึงต้องพิจารณา

• การจัดเก็บ Prompt และ Response
• สถานที่จัดเก็บข้อมูล
• การส่งข้อมูลออกไปยัง AI Provider
• Retention Policy
• Audit Log
• PDPA
• การปิดบังข้อมูลส่วนบุคคล
• การแบ่งข้อมูลตามบริษัท
• Human Approval

องค์กรควรเริ่ม AI กับ ERP จากตรงไหน?

ไม่ควรเริ่มจากคำถามว่า “เราจะใช้ AI ตัวไหนดี” แต่ควรเริ่มจากปัญหาที่ต้องการแก้

ขั้นที่ 1: เลือก Use Case ที่วัดผลได้

ตัวอย่างเช่น

• ลดเวลาคีย์ Invoice
• ลดเวลาจัดทำรายงาน
• ลดจำนวน Ticket ที่ทีม Support ต้องตอบซ้ำ
• ลดปัญหาสินค้าขาดสต็อก
• ติดตามลูกหนี้ได้เร็วขึ้น
• ลดเวลาสรุปข้อมูลก่อนประชุมผู้บริหาร

ขั้นที่ 2: ตรวจสอบความพร้อมของข้อมูล

พิจารณาว่า

• ข้อมูลอยู่ในระบบใด
• ข้อมูลครบถ้วนเพียงใด
• มี Master Data กลางหรือไม่
• มี API สำหรับเชื่อมต่อหรือไม่
• ใครเป็นเจ้าของข้อมูล
• ผู้ใช้งานแต่ละกลุ่มมีสิทธิ์อย่างไร

ขั้นที่ 3: เริ่มจาก Read-only

เริ่มให้ AI อ่าน ค้นหา สรุป และแนะนำก่อนที่จะอนุญาตให้สร้างหรือแก้ไขข้อมูลจริง

ขั้นที่ 4: สร้าง Proof of Concept ขนาดเล็ก

เลือกหนึ่งแผนก หนึ่งระบบ และคำถามสำคัญประมาณ 5–10 คำถาม เพื่อทดสอบ

• ความถูกต้อง
• ความเร็ว
• ความปลอดภัย
• ประสบการณ์ของผู้ใช้งาน
• ต้นทุนต่อการใช้งาน
• ความสามารถในการตรวจสอบที่มา

ขั้นที่ 5: เพิ่ม Action แบบมี Approval

เมื่อระบบตอบคำถามได้ถูกต้อง จึงเพิ่มความสามารถ เช่น

• สร้าง Draft
• เตรียมอีเมล
• สร้าง Follow-up Activity
• สร้าง Ticket
• เตรียมเอกสารให้ผู้ใช้งานตรวจสอบ

ขั้นที่ 6: วัดผลก่อนขยายระบบ

ตัวชี้วัดอาจประกอบด้วย

• ชั่วโมงการทำงานที่ลดลง
• จำนวนรายการที่ประมวลผลได้
• Accuracy
• จำนวน Error
• Adoption Rate
• ระยะเวลาตอบคำถาม
• จำนวน Action ที่ได้รับการอนุมัติ
• มูลค่าทางธุรกิจที่เกิดขึ้นจริง

AI ไม่ได้ทำให้ ERP หมดความสำคัญ

AI กำลังทำให้ ERP มีคุณค่ามากขึ้น เพราะข้อมูลที่เคยถูกเก็บไว้ในระบบสามารถถูกค้นหา วิเคราะห์ และนำไปใช้ตัดสินใจได้สะดวกกว่าเดิม

แต่ผลลัพธ์จะดีได้ก็ต่อเมื่อองค์กรมีพื้นฐานที่เหมาะสม ได้แก่

• กระบวนการทำงานที่ชัดเจน
• Master Data ที่มีคุณภาพ
• ERP ที่เชื่อมโยงข้อมูลระหว่างแผนก
• สิทธิ์การเข้าถึงที่เหมาะสม
• Business Definition ที่ตรงกัน
• ผู้เชี่ยวชาญที่สามารถตรวจสอบผลลัพธ์

ในอนาคต ความเร็วในการสร้าง Code หรือสร้างรายงานอาจไม่ใช่ข้อได้เปรียบที่ยั่งยืน เพราะหลายองค์กรสามารถเข้าถึงเครื่องมือ AI ได้ใกล้เคียงกัน

ข้อได้เปรียบที่แท้จริงจะอยู่ที่ความสามารถในการทำให้ AI เข้าใจบริบทของธุรกิจ ใช้ข้อมูลอย่างปลอดภัย และเปลี่ยนคำตอบของ AI ให้กลายเป็นการตัดสินใจและการดำเนินงานที่วัดผลได้

IMOTIF ช่วยองค์กรเชื่อม AI กับ ERP ได้อย่างไร

IMOTIF ให้บริการวางระบบและพัฒนาโซลูชันที่เชื่อมต่อระหว่าง ERP, Odoo, Cloud และ AI สำหรับธุรกิจไทย โดยครอบคลุมตั้งแต่

• วิเคราะห์ความพร้อมของข้อมูลและ Workflow
• วางระบบ Odoo ERP
• เชื่อมต่อ AI กับ Odoo และระบบธุรกิจเดิม
• Document AI และ OCR สำหรับเอกสารบัญชี
• AI Search สำหรับค้นหาข้อมูลธุรกิจ
• Dashboard และ AI Analytics
• AI Support จากคู่มือและ Workflow ขององค์กร
• AI Agent สำหรับกระบวนการที่ต้องทำงานข้ามระบบ
• ออกแบบ Role-based Access Control และ Approval
• พัฒนา Proof of Concept ก่อนขยายสู่ระบบจริง

องค์กรไม่จำเป็นต้องเริ่มจากโครงการขนาดใหญ่ การเลือก Use Case ที่ชัดเจนและทดลองกับข้อมูลจริงในขอบเขตเล็ก มักเป็นวิธีที่ช่วยให้ประเมินผลลัพธ์ ความเสี่ยง และความคุ้มค่าได้ดีที่สุด

ปรึกษาแนวทางนำ AI มาเชื่อมกับ Odoo หรือ ERP ขององค์กร
ติดต่อทีม IMOTIF เพื่อประเมิน Use Case และออกแบบ Proof of Concept ที่เหมาะกับกระบวนการของธุรกิจ

คำถามที่พบบ่อยเกี่ยวกับ AI กับ ERP

AI สามารถแทนระบบ ERP ได้หรือไม่?

ยังไม่สามารถแทนได้ทั้งหมด ERP ทำหน้าที่เป็นระบบควบคุมข้อมูล ธุรกรรม Workflow และสิทธิ์การใช้งาน ส่วน AI ช่วยค้นหา วิเคราะห์ สรุป และแนะนำการดำเนินงาน ทั้งสองส่วนจึงควรทำงานร่วมกัน

AI สามารถอ่านข้อมูลจาก ERP ได้อย่างไร?

AI สามารถเชื่อมต่อ ERP ผ่าน API, Data Warehouse, Middleware หรือ Tool Layer ที่กำหนดสิทธิ์และความหมายของข้อมูล ไม่แนะนำให้ AI อ่าน Production Database โดยตรงโดยไม่มีระบบควบคุม

ธุรกิจขนาดกลางสามารถใช้ AI กับ ERP ได้หรือไม่?

สามารถทำได้ และไม่จำเป็นต้องเริ่มจากโครงการขนาดใหญ่ ธุรกิจอาจเริ่มจาก Use Case เดียว เช่น OCR Invoice, AI Search, สรุปลูกหนี้ หรือ AI Support แล้วจึงขยายภายหลัง

OCR สามารถบันทึก Invoice เข้า ERP โดยอัตโนมัติได้หรือไม่?

สามารถสร้างรายการร่างได้ แต่ควรมี Validation ตรวจสอบข้อมูลคู่ค้า ภาษี ยอดรวม เอกสารซ้ำ และระดับความมั่นใจก่อนบันทึกรายการบัญชีจริง

AI Agent แตกต่างจาก Chatbot อย่างไร?

Chatbot เน้นการตอบคำถาม ส่วน AI Agent สามารถเรียกใช้เครื่องมือ อ่านข้อมูล วางแผน และดำเนินงานหลายขั้นตอนได้ เช่น สร้าง Draft เตรียมอีเมล หรือสร้างกิจกรรมติดตามใน CRM

ควรเริ่มทำ AI ก่อนหรือปรับปรุง ERP ก่อน?

หากข้อมูลและ Workflow ยังไม่มีมาตรฐาน ควรปรับปรุงพื้นฐาน ERP ควบคู่ไปก่อน เพราะคุณภาพของคำตอบ AI ขึ้นอยู่กับคุณภาพและโครงสร้างของข้อมูลต้นทาง

อ่านเพิ่มเติม

• ระบบ Odoo ERP
• Odoo สำหรับระบบบัญชี
• Odoo สำหรับโรงงานและการผลิต
• DocsPrep AI สำหรับเอกสารบัญชี
• ติดต่อทีม IMOTIF