- ระบบ AI ในองค์กรมีเจ็ดชั้น ชั้นที่บริษัทไม่ตัดสินเอง ผู้ขายจะเลือกให้
- Cloud หรือติดตั้งในบริษัท ตอบแยกทีละชั้นได้ แต่ชั้นที่คุมสิทธิ์และเก็บบันทึกควรอยู่ฝั่งคุณ
- เริ่มจากงานเดียว ตกลงก่อนว่าผลแบบไหนถือว่าผ่าน แล้วสร้างจากข้อมูลขึ้นไป
ระบบ AI หนึ่งระบบมีเจ็ดชั้น
ลองนึกถึงการเปิดสาขาใหม่ ต้องมีหน้าร้าน ผู้จัดการ พนักงาน ตู้เอกสาร สายตรงถึงคลัง กฎการอนุมัติ และรายงานสิ้นเดือน ระบบ AI มีส่วนเดียวกันครบ แต่ละส่วนเลือกได้ว่าจะเช่า Cloud หรือติดตั้งในบริษัทแบบ On-Premise
ภาพของบทนี้คือห้าชั้นเรียงจากบนลงล่าง ช่องทาง Orchestration โมเดล ความรู้ และข้อมูลกับระบบ มีเสาสองต้นแตะทุกชั้น คือการควบคุมและการวัดผล คำถามไหลลงไปหาข้อมูล คำตอบไหลกลับขึ้นมาผ่านเสาควบคุมทุกครั้งที่ข้ามชั้น
ชั้น 1 ช่องทาง: ที่ที่คนพิมพ์คำถาม
ช่องทางคือ LINE เว็บ แอป หรืออีเมล ฝ่าย IT ตัดสินว่าจะเปิดช่องทางไหนก่อน และรู้ได้อย่างไรว่าใครพิมพ์ ช่องทางแรกที่ดีคือที่ที่คนใช้อยู่แล้ว ที่ผิดบ่อยคือช่องทางที่ไม่ผูกบัญชีพนักงาน ระบบจึงไม่รู้ว่าใครควรเห็นอะไร ข้อความ LINE ผ่านเซิร์ฟเวอร์ของ LINE เสมอ ถ้าข้อมูลออกนอกบริษัทไม่ได้ ใช้เว็บภายในที่ล็อกอินด้วย SSO และให้ LINE แค่แจ้งเตือน
ชั้น 2 Orchestration: ใครสั่งขั้นต่อไป
Orchestration ตัดสินว่าจะค้นเอกสาร เรียกระบบ ถามโมเดล หรือส่งให้คน Workflow Engine เดินตามลำดับที่เขียนไว้ ส่วน Agent Loop ให้โมเดลเลือกขั้นต่อไปเอง ฝ่าย IT ตัดสินว่างานไหนใช้แบบไหน งานที่ขั้นตอนเหมือนเดิมทุกครั้งควรเป็น Workflow ตรวจง่ายและประหยัดค่าโมเดล ที่ผิดบ่อยคือใช้ Agent ทุกงานโดยไม่จำกัดรอบ ชั้นนี้ติดตั้งในบริษัทได้ เช่น LangChain บน Kubernetes ดูกรณีหลาย Agent ใน Multi-Agent Business Platform
ชั้น 3 โมเดล: Cloud, Private หรือทั้งสองแบบ
ฝั่ง Cloud คือ Claude, GPT หรือ Gemini แบบองค์กร เก่งโดยไม่ต้องดูแลเครื่อง แต่ข้อความออกนอกบริษัท ฝั่งติดตั้งเองคือ Private LLM เช่น Llama หรือ Qwen บน vLLM หรือ Ollama ข้อมูลอยู่ในบริษัท แลกกับการดูแลฮาร์ดแวร์ ฝ่าย IT ตัดสินว่างานไหนไปโมเดลไหนด้วย Model Routing งานที่มีข้อมูลลูกค้าเข้าโมเดลในบริษัท งานทั่วไปไป Cloud ที่ผิดบ่อยคือผูกโค้ดกับโมเดลเจ้าเดียว อ่านต่อใน อย่าผูกธุรกิจไว้กับผู้ให้บริการ AI เจ้าเดียว และ ทางเลือก Private AI
ชั้น 4 ความรู้: เอกสารที่ AI ใช้ตอบ
ระบบค้นเอกสารก่อนตอบด้วย RAG โดยแปลงเอกสารเป็นตัวเลขที่แทนความหมาย หรือ Embedding เก็บใน Vector Database ฝ่าย IT ตัดสินว่าฉบับไหนเป็นฉบับจริง ใครเป็นเจ้าของ และใครเห็นอะไรได้ ไฟล์สแกนต้องผ่าน OCR และภาษาไทยไม่เว้นวรรคระหว่างคำ จึงควรค้นตามความหมายคู่กับค้นคำ ที่ผิดบ่อยคือนำทั้งไดรฟ์เข้าคลัง ฉบับเก่าปนฉบับใหม่ ทั้งชั้นติดตั้งในบริษัทได้ เช่น Elasticsearch กับโมเดล Embedding ของคุณเอง
ชั้น 5 ข้อมูลและระบบ: API, MCP และ RPA
AI เข้าถึง ERP, CRM และระบบบัญชีได้สามทาง API คือช่องที่ระบบเปิดให้โปรแกรมอื่นเรียก MCP ห่อ API ให้ AI เลือกใช้เอง ส่วน RPA กดหน้าจอแทนคนในระบบเก่าที่ไม่มี API ฝ่าย IT ตัดสินว่า AI อ่านอย่างเดียวหรือเขียนด้วย และข้อมูลแต่ละอย่างมีต้นฉบับที่ไหน ที่ผิดบ่อยคือให้ AI ใช้บัญชีผู้ดูแลบัญชีเดียวเข้าทุกระบบ หรือพึ่ง RPA ที่หยุดทุกครั้งที่หน้าจอเปลี่ยน ตัวเชื่อมควรรันในเครือข่ายเดียวกับ ERP แม้โมเดลอยู่บน Cloud อ่านต่อใน การเชื่อมแอปกับ ERP และข้อมูลเดิม
ชั้น 6 การควบคุม: สิทธิ์ การอนุมัติ และบันทึก
ชั้นนี้กำหนดว่าใครถามอะไรได้ AI เรียกเครื่องมือไหนได้ งานไหนต้องมีจุดอนุมัติ Guardrail ตรวจอะไร และบันทึกทุกขั้นใน Audit Log รวมถึงกัน Prompt Injection หรือข้อความในเอกสารที่แอบสั่ง AI ฝ่าย IT ตัดสินว่าสิทธิ์ของ AI ผูกกับคนที่ถามหรือไม่ ถ้าผูกผ่าน Active Directory ระบบจะเห็นไม่เกินที่คนถามเห็น ที่ผิดบ่อยคือเขียนใน Prompt ว่า "ห้ามเปิดเผยเงินเดือน" แล้วถือว่าคุมแล้ว การควบคุมต้องเป็นโค้ดนอกโมเดล และอยู่ฝั่งคุณเสมอ
ชั้น 7 การวัดผล: ตอบถูกไหม และงานละเท่าไร
วิธีหลักคือทดสอบระบบด้วยตัวอย่างจริงจากงานของบริษัทก่อนเปิดใช้ และทดสอบซ้ำทุกครั้งที่เปลี่ยนโมเดล เอกสาร หรือ Prompt คู่กับ Dashboard ที่แสดงคำตอบที่คนต้องแก้และค่าใช้จ่ายต่องาน ฝ่าย IT ตัดสินก่อนเปิดใช้ว่าใครรับรองคำตอบและเกณฑ์ผ่านคืออะไร ที่ผิดบ่อยคือเริ่มวัดหลังเปิดระบบ โมเดล Cloud คิดเงินตามปริมาณข้อความ Private LLM เป็นค่าเครื่องคงที่ ตัวเลขต่องานจึงบอกว่างานไหนควรย้ายฝั่ง
MCP ต่างจาก API ยังไง
ลองนึกถึงอาคารสำนักงาน API คือประตูห้องที่มีเลขชัดเจน โปรแกรมเมอร์เขียนไว้ก่อนว่าจะเปิดห้องไหนตามลำดับใด MCP คือป้ายหน้าลิฟต์ที่บอกว่าแต่ละห้องทำอะไร AI อ่านป้ายแล้วเลือกห้องเองตามคำถาม
ตามเอกสารทางการ MCP หรือ Model Context Protocol เป็นมาตรฐานเปิดสำหรับเชื่อมแอป AI กับระบบภายนอก แอป AI เป็น Host ที่สร้าง Client หนึ่งตัวต่อ Server หนึ่งตัว Server ประกาศ Tools สำหรับลงมือทำ Resources สำหรับอ่าน และ Prompts ที่เป็นแม่แบบคำสั่ง เครื่องมือแต่ละตัวมีชื่อ คำอธิบาย และรูปแบบข้อมูลที่ต้องส่ง
รหัสผ่านของระบบปลายทางอยู่ที่ MCP Server โมเดลไม่เห็น MCP Server ส่วนใหญ่ห่อ API เดิมของ ERP ไว้ คุณจึงใช้ API ที่มีอยู่ต่อได้ และแอป AI ทุกตัวที่รองรับ MCP ใช้ Server เดียวกันได้ ถ้าลำดับขั้นตายตัว เช่น ส่งยอดขายเข้าระบบบัญชีทุกคืน ให้ Workflow เรียก API ตรง ๆ ถ้า AI ต้องเลือกระบบเองตามคำถาม ให้ใช้ MCP ส่วนเรื่องสิทธิ์ยังเป็นงานของชั้น 6
ลำดับการสร้าง: จากข้อมูลขึ้นไปหาหน้าจอ
หลายโครงการเริ่มจากหน้าจอแชต แล้วไปติดเรื่องข้อมูลกับสิทธิ์ทีหลัง ลำดับที่ปลอดภัยกว่าคือ
1. เลือกงานเดียว ตกลงก่อนเขียนโค้ดว่าใครรับรองคำตอบและผลแบบไหนถือว่าผ่าน (ชั้น 7) 2. ตัดสินว่าข้อมูลไหนออกนอกบริษัทได้ และ AI แตะระบบไหน (ชั้น 6 และ 5) คำตอบนี้กำหนดฝั่งของชั้น 3 และ 4 3. จัดเอกสารให้มีเจ้าของและฉบับล่าสุด (ชั้น 4) 4. เลือกโมเดลและกฎ Routing (ชั้น 3) 5. เริ่มจาก Workflow แล้วค่อยเพิ่ม Agent Loop (ชั้น 2) 6. เปิดช่องทางเดียวที่คนใช้อยู่แล้ว (ชั้น 1)
กรณีจำลอง
โรงงานชิ้นส่วนยานยนต์ในระยอง (ชื่อและรายละเอียดสมมติ) อยากให้หัวหน้าไลน์ถามวิธีทำงานและสเปกลูกค้าได้ทันที แบบชิ้นงานของลูกค้าออกนอกโรงงานไม่ได้ตามสัญญา ฝ่าย IT จึงเลือก Private LLM ในโรงงาน ช่องทางเป็นเว็บภายในบนแท็บเล็ตประจำไลน์ ส่วน LINE แค่แจ้งงานรออนุมัติ ERP เชื่อมผ่าน MCP Server แบบอ่านอย่างเดียว งานเดียวที่เขียนได้คือร่างรายงานของเสียที่หัวหน้า QC ต้องกดยืนยัน
ทีม QC ทดสอบระบบด้วยคำถามจริงจากงานของทีม รอบแรกระบบตอบจากคู่มือฉบับเก่าที่ปนอยู่ในคลัง ทีมจึงเก็บเฉพาะฉบับที่ใช้อยู่ แสดงเลขฉบับในทุกคำตอบ และทดสอบใหม่จนผ่านเกณฑ์ ก่อนเปิดให้ไลน์แรกใช้
คำถามเดียวต่อชั้น
- ชั้นไหนยังตอบไม่ได้ อย่าเพิ่งไปต่อ
ชั้น 1: คนที่จะใช้ระบบพิมพ์คำถามที่ไหนวันนี้
ชั้น 2: ขั้นตอนของงานนี้ตายตัว หรือขึ้นกับผลขั้นก่อน
ชั้น 3: ข้อมูลที่ลับที่สุดที่ผ่านโมเดลคือระดับไหน
ชั้น 4: ฉบับไหนคือฉบับจริง และใครเป็นเจ้าของ
ชั้น 5: AI แค่อ่าน หรือเขียนลงระบบด้วย
ชั้น 6: เมื่อ AI ทำผิด ใครหยุด และย้อนกลับอย่างไร
ชั้น 7: ใครรับรองคำตอบ และเกณฑ์ผ่านคืออะไร
| ชั้น | ตัดสินเรื่อง | Cloud | On-Premise | ผิดบ่อย |
|---|---|---|---|---|
| 1 ช่องทาง | ช่องทางแรก ยืนยันตัวตน | LINE OA, เว็บแชต | เว็บภายในผ่าน SSO | ไม่ผูกบัญชีพนักงาน |
| 2 Orchestration | Workflow หรือ Agent Loop | Workflow บน Cloud | LangChain บน Kubernetes | Agent ทุกงาน ไม่จำกัดรอบ |
| 3 โมเดล | งานไหนไปโมเดลไหน | Claude, GPT, Gemini | Llama, Qwen บน vLLM | ผูกโค้ดกับโมเดลเจ้าเดียว |
| 4 ความรู้ | ฉบับจริง เจ้าของ สิทธิ์เห็น | ค้นเอกสารบน Cloud | Elasticsearch ในบริษัท | ฉบับเก่าปนฉบับใหม่ |
| 5 ข้อมูลและระบบ | อ่านหรือเขียน ต้นฉบับอยู่ไหน | ตัวเชื่อมของ SaaS | MCP Server ข้าง ERP | บัญชีผู้ดูแลบัญชีเดียว |
| 6 การควบคุม | สิทธิ์ผูกกับคนถาม จุดอนุมัติ | ตัวกรองของผู้ให้บริการ | Active Directory, Audit Log | ใช้ Prompt แทนการควบคุม |
| 7 การวัดผล | ผู้รับรองคำตอบ เกณฑ์ผ่าน | รายงานของผู้ให้บริการ | Dashboard, การทดสอบในบริษัท | วัดหลังเปิดระบบ |
ก่อนอนุมัติแบบระบบ AI ตรวจแปดข้อนี้
- แผนภาพครบเจ็ดชั้น และทุกชั้นมีชื่อระบบหรือผู้ให้บริการ
- ระบุจุดที่ข้อมูลส่วนบุคคลออกนอกบริษัท ตาม PDPA กฎหมายคุ้มครองข้อมูลส่วนบุคคล
- AI เห็นข้อมูลไม่เกินสิทธิ์ของคนที่ถาม
- เครื่องมือเขียนแยกจากเครื่องมืออ่าน และมีจุดอนุมัติ
- Audit Log บันทึกผู้ใช้จริง เครื่องมือที่เรียก และผลลัพธ์
- ตกลงวิธีทดสอบด้วยตัวอย่างจริงและเกณฑ์ผ่านก่อนเริ่มสร้าง
- เปลี่ยนโมเดลได้โดยไม่รื้อชั้นอื่น
- วัดค่าใช้จ่ายต่องานได้ตั้งแต่วันแรก
สำหรับทีมพัฒนา · MCP Server กับ REST Endpoint, การส่งต่อตัวตน และ Least Privilege
REST Endpoint ถูกเรียกโดยโค้ดที่เขียนตามเอกสาร ส่วน MCP Server เปิดเครื่องมือผ่าน JSON-RPC 2.0 Client เรียก tools/list รับชื่อ คำอธิบาย และ inputSchema แล้วเรียก tools/call คำอธิบายเครื่องมือจึงอยู่ใน Context ของโมเดล ต้องตรวจก่อนติดตั้ง Server ภายนอก การส่งต่อตัวตน: Server ใช้ตัวตนจาก SSO ตัดสินสิทธิ์ และเรียก API ปลายทางด้วย Token ที่ออกให้ตัวเอง ข้อกำหนดของ MCP ห้าม Token Passthrough Least Privilege: แยกเครื่องมืออ่านกับเขียน ไม่ใช้ Wildcard Scope เครื่องมือเขียนผ่าน Approval Policy หรือ Elicitation Server แบบ stdio ควรอยู่ใน Sandbox และบันทึกทุก Tool Call พร้อมผู้ใช้
วิธีที่เราออกแบบระบบ AI ครบเจ็ดชั้นให้องค์กรไทย
คนที่รู้ว่าเอกสารฉบับไหนคือฉบับจริง และใครอนุมัติอะไรได้ คือทีมของคุณ DNA Maker เริ่มจากนั่งกับฝ่าย IT และเจ้าของงาน วาดเจ็ดชั้นลงกระดาษแผ่นเดียว ระบุว่าข้อมูลแต่ละระดับผ่านชั้นไหน และจุดไหนที่คนต้องอนุมัติ ก่อนเลือกโมเดล
ทีมที่ทำงานกับคุณเป็นทีมของ DNA Maker ทั้งหมด ไม่มีการจ้างช่วง คุณเห็น Demo ทุกสัปดาห์ เมื่อข้อมูลออกนอกบริษัทไม่ได้ เราติดตั้ง Private LLM ด้วย Llama หรือ Qwen บน vLLM พร้อม Elasticsearch และ Active Directory เมื่อใช้ Cloud ได้ เราวางชั้นควบคุมและตัวเชื่อม MCP ไว้ฝั่งคุณ จุดอนุมัติและ Audit Log มีตั้งแต่เวอร์ชันแรก ขอบเขตและราคาคงที่ก่อนเริ่มงาน ส่งมอบ Source Code และเอกสารตามขอบเขตในสัญญา งานลักษณะนี้คือสิ่งที่เราทำให้ธนาคาร โรงพยาบาล และกลุ่มบริษัทขนาดใหญ่ของไทย ดูที่หน้า Private LLM และ AI Workflow หรือถาม Dream ในหน้าแชต
SOFTWARE ENGINEERING GLOSSARY
คลังคำศัพท์การพัฒนาซอฟต์แวร์
| คำศัพท์ | คืออะไร | ตัวอย่างที่เข้าใจง่าย | คำถามที่ผู้บริหารควรถามทีมพัฒนา |
|---|---|---|---|
| MCP | มาตรฐานเปิดที่ให้แอป AI ค้นพบและเรียกเครื่องมือของระบบอื่น | ผู้ช่วย AI เลือกเปิดดูสต็อกใน ERP เอง | MCP Server ใช้สิทธิ์ของใคร? |
| RPA | โปรแกรมที่กดหน้าจอแทนคน ใช้กับระบบที่ไม่มี API | บอตคีย์ใบแจ้งหนี้ลงโปรแกรมบัญชีรุ่นเก่า | ถ้าหน้าจอเปลี่ยน ใครแก้? |
| Embedding | ตัวเลขที่แทนความหมายของข้อความ ใช้ค้นตามความหมาย | ถาม "ลาคลอด" แล้วเจอข้อ "การลาเพื่อคลอดบุตร" | โมเดล Embedding รันที่ไหน และอ่านภาษาไทยดีแค่ไหน? |
| Model Routing | การส่งงานไปโมเดลที่เหมาะ ตามความยากและความลับ | คำถามที่มีชื่อลูกค้าเข้าโมเดลในบริษัท | ใครเปลี่ยนกฎการส่งงานได้? |