ขาย AI ด้วยภาษาธุรกิจ

Google วางตัวเองว่าเป็นบริษัท AI ที่ให้บริการคลาวด์ ไม่ใช่บริษัทคลาวด์ที่บังเอิญมี AI ดังนั้น AI คือจุดที่ลูกค้ามองว่า GCP ต่างจากคู่แข่งชัดที่สุด ผู้สัมภาษณ์อยากเห็นว่าเราเล่า AI เป็นภาษาธุรกิจได้ ไม่ใช่แค่ชื่อโมเดล หัวใจคือเริ่มจาก "ปัญหาธุรกิจของลูกค้า" แล้วค่อยเสนอว่า AI ช่วยอย่างไร ไม่ใช่เริ่มจากเทคโนโลยีแล้วยัดให้ลูกค้า DCE ที่เก่งเรื่องนี้จะเปลี่ยนบทสนทนาจาก "ขายของ" เป็น "แก้ปัญหา"

ควรเข้าใจว่า AI บน GCP มีหลายระดับตามความพร้อมและความต้องการปรับแต่งของลูกค้า ไล่จากใช้ง่ายไปคุมได้ลึก:

ระดับที่ 1 — Pre-trained APIs (ใช้ทันที): โมเดลสำเร็จที่เรียกผ่าน API โดยไม่ต้องเทรนเอง เหมาะลูกค้าที่อยากได้ผลเร็ว เช่น Vision API (วิเคราะห์รูป), Speech-to-Text และ Text-to-Speech, Translation, Natural Language API (วิเคราะห์ข้อความ), Document AI (ดึงข้อมูลจากเอกสาร เช่นใบแจ้งหนี้ สัญญา)

ระดับที่ 2 — AutoML และการปรับแต่ง: เทรนหรือปรับโมเดลด้วยข้อมูลของลูกค้าเองโดยไม่ต้องเขียนโมเดลตั้งแต่ต้น เหมาะลูกค้าที่มีข้อมูลเฉพาะทางแต่ทีม data science จำกัด

ระดับที่ 3 — Vertex AI (แพลตฟอร์มครบวงจร): สร้าง เทรน จูน deploy และบริหารโมเดล ML แบบ end-to-end รวม MLOps สำหรับทีมที่ทำ ML จริงจัง และเป็นที่เข้าถึงโมเดล foundation อย่าง Gemini

ระดับที่ 4 — Generative AI และ Gemini: Gemini เป็นโมเดล multimodal ที่เก่งที่สุดของ Google รับและเข้าใจได้ทั้งข้อความ รูป เสียง วิดีโอ ใช้สร้างเนื้อหา สรุป ตอบคำถาม และเป็นสมองของ application อัจฉริยะ

ระดับที่ 5 — Agentic AI: ระบบ AI ที่ไม่ใช่แค่ตอบ แต่ทำงานหลายขั้นแทนคนได้ เช่นค้นข้อมูล ตัดสินใจ เรียกเครื่องมือ และทำงานต่อเนื่องจนจบงาน เป็นทิศทางที่ Google เน้นมากในช่วงนี้ DCE ที่เคยทำ AI agent มาก่อนจะเล่าเรื่องนี้ได้เป็นจุดแข็ง

แนวคิดที่ลูกค้าองค์กรถามบ่อยคือทำอย่างไรให้ AI ตอบจากข้อมูลของบริษัทเอง ไม่ใช่ความรู้ทั่วไป คำตอบคือ RAG (Retrieval-Augmented Generation) คือการให้โมเดลดึงข้อมูลจากคลังความรู้ขององค์กรมาประกอบก่อนตอบ ทำให้คำตอบอิงข้อมูลจริงและลดการแต่งเรื่อง (hallucination) องค์ประกอบหลักคือการแปลงเอกสารเป็น embedding เก็บใน vector database หรือ vector search แล้วเวลาผู้ใช้ถาม ระบบจะค้นข้อมูลที่เกี่ยวข้องมาป้อนให้โมเดลตอบ บน GCP ทำได้ด้วย Vertex AI Search และเครื่องมือ vector search ประกอบกับ Gemini นี่คือ pattern ที่ขายได้จริงเพราะตอบโจทย์ "อยากมีผู้ช่วย AI ที่รู้เรื่องบริษัทเรา"

เตรียม use case ให้เล่าได้หลายอุตสาหกรรม โดยเล่าเป็น ปัญหาธุรกิจ แล้วโซลูชัน AI แล้วผลลัพธ์

ค้าปลีกและ e-commerce:

• ระบบแนะนำสินค้า (recommendation): เพิ่มยอดขายต่อบิลด้วยการแนะนำสินค้าที่ตรงใจ
• พยากรณ์ความต้องการสินค้า (demand forecasting): วางแผนสต็อกแม่นขึ้น ลดของค้างและของขาด
• แชทบอทบริการลูกค้าด้วย gen AI: ตอบลูกค้าได้ตลอดเวลา ลดภาระทีม support
• ค้นหาสินค้าด้วยภาพและภาษาธรรมชาติ: ลูกค้าหาของเจอง่ายขึ้น

การเงินและธนาคาร:

• ตรวจจับธุรกรรมทุจริต (fraud detection) แบบ real-time: จับธุรกรรมผิดปกติในระดับมิลลิวินาทีด้วย Dataflow + model ลดความเสียหาย
• ประเมินความเสี่ยงสินเชื่อด้วย ML
• ผู้ช่วยตอบคำถามภายในด้วย RAG บนเอกสารนโยบายและ regulation
• สรุปและวิเคราะห์เอกสารจำนวนมากด้วย Document AI และ Gemini

การผลิตและอุตสาหกรรม:

• การบำรุงรักษาเชิงพยากรณ์ (predictive maintenance): ทำนายว่าเครื่องจักรจะเสียเมื่อไหร่จากข้อมูล sensor ลด downtime ที่ไม่ได้วางแผน
• ตรวจสอบคุณภาพด้วย computer vision: จับของเสียในสายการผลิตอัตโนมัติ
• เพิ่มประสิทธิภาพ supply chain

สุขภาพ:

• วิเคราะห์ภาพทางการแพทย์ช่วยแพทย์
• สรุปและดึงข้อมูลจากเวชระเบียนด้วย Document AI
• ผู้ช่วยตอบคำถามจากคลังความรู้ทางการแพทย์ด้วย RAG (โดยเน้น responsible AI และความเป็นส่วนตัว)

ภาครัฐและบริการสาธารณะ:

• บริการประชาชนด้วยแชทบอทหลายภาษา
• ดึงและประมวลผลเอกสารราชการจำนวนมาก
• วิเคราะห์ข้อมูลเมืองและจราจร

Use case ที่ใช้ได้ข้ามอุตสาหกรรม:

• สรุปเอกสารและการประชุมยาว ๆ ให้สั้นและค้นได้
• ค้นหาความรู้ภายในองค์กรด้วย RAG แทนการหาในไฟล์กระจัดกระจาย
• ผู้ช่วยเขียนโค้ดและเร่งงานพัฒนา
• automation งานซ้ำ ๆ ที่เคยใช้คนทำ
• วิเคราะห์เสียงและข้อความจาก call center เพื่อปรับปรุงบริการ

หลักการที่ทำให้ดูเป็นที่ปรึกษา:

• เริ่มจากปัญหาธุรกิจเสมอ ถามว่าลูกค้าอยากแก้อะไรหรือวัดผลด้วยตัวเลขอะไร แล้วค่อยจับคู่กับโซลูชัน AI
• เลือกระดับ AI ให้เหมาะ ลูกค้าที่อยากได้ผลเร็วเริ่มจาก pre-trained API; ลูกค้าที่มีข้อมูลเฉพาะทางและทีมพร้อมค่อยขยับไป Vertex AI หรือ fine-tune
• เริ่มจาก use case ที่ value ชัดและทำได้เร็วก่อน เพื่อสร้างความเชื่อมั่น แล้วค่อยขยาย
• ระวังการคาดหวังเกินจริง AI ไม่ใช่เวทมนตร์ ต้องมีข้อมูลที่ดีและวัดผลได้
• เตือนเรื่องข้อมูลและ governance ตั้งแต่ต้น

ลูกค้าองค์กรกังวลว่าข้อมูลที่ป้อนโมเดลจะปลอดภัยและถูกใช้อย่างถูกต้องไหม DCE ต้องตอบได้:

• ความเป็นส่วนตัวของข้อมูล: ข้อมูลที่ใช้กับโมเดลบน enterprise platform ไม่ถูกนำไปเทรนโมเดลสาธารณะ และอยู่ภายใต้การควบคุมของลูกค้า
• การกำกับ: ใครเข้าถึงโมเดลและข้อมูลได้ ผ่าน IAM และ audit log
• ความเป็นธรรมและอคติ (fairness/bias): ระวังอคติในข้อมูลและผลลัพธ์
• ความโปร่งใสและตรวจสอบได้: อธิบายได้ว่าโมเดลตัดสินใจอย่างไรในระดับที่เหมาะ
• การลด hallucination ด้วย RAG และการอ้างอิงแหล่งข้อมูล
• compliance เช่น PDPA สำหรับข้อมูลส่วนบุคคล

การพูดเรื่องนี้แสดงวุฒิภาวะ เพราะลูกค้าจริงตัดสินใจช้าลงเพราะกังวลเรื่องนี้ ถ้าเราเคลียร์ได้ก็เร่งดีลได้

ถาม: "ยกตัวอย่าง use case AI สำหรับลูกค้าค้าปลีก" ตอบ: เล่าเป็นปัญหา-โซลูชัน-ผลลัพธ์ เช่นปัญหายอดขายต่อบิลต่ำ แก้ด้วยระบบแนะนำสินค้า ผลคือยอดขายต่อบิลเพิ่ม พร้อมเสริม demand forecasting และแชทบอท

ถาม: "ลูกค้าอยากมีผู้ช่วย AI ที่ตอบจากเอกสารภายในบริษัท ทำอย่างไร" ตอบ: ใช้ RAG ดึงข้อมูลองค์กรมาประกอบคำตอบของ Gemini ผ่าน Vertex AI Search และ vector search ลด hallucination และอ้างแหล่งได้

ถาม: "ลูกค้ากลัวว่าข้อมูลที่ป้อน AI จะรั่วหรือถูกเอาไปเทรน จะตอบอย่างไร" ตอบ: อธิบายว่าบน enterprise platform ข้อมูลอยู่ใต้การควบคุมของลูกค้า ไม่ถูกนำไปเทรนโมเดลสาธารณะ มี IAM และ audit ควบคุมการเข้าถึง

ถาม: "ลูกค้าอยากเริ่มทำ AI แต่ไม่รู้เริ่มตรงไหน" ตอบ: เริ่มจากปัญหาธุรกิจที่ value ชัดและทำเร็วได้ ใช้ pre-trained API หรือ use case ที่พร้อมก่อน แล้วค่อยขยายไป custom model

ถาม: "predictive maintenance ทำงานอย่างไร" ตอบ: เก็บข้อมูล sensor จากเครื่องจักร (Bigtable/Pub/Sub) วิเคราะห์ด้วยโมเดลทำนายความเสียหายล่วงหน้า แจ้งเตือนก่อนเครื่องพัง ลด downtime

เริ่มจากเทคโนโลยีแทนปัญหาธุรกิจ; ท่องชื่อโมเดลโดยไม่มี use case; สัญญาเกินจริงว่า AI ทำได้ทุกอย่าง; ลืมเรื่อง responsible AI และ data governance ที่ลูกค้ากังวล; ไม่รู้จัก RAG ทั้งที่เป็นคำถามยอดฮิต; เสนอ custom model ทั้งที่ pre-trained API ก็พอและเร็วกว่า; ไม่เล่าผลลัพธ์เชิงธุรกิจของ use case

AI คือจุดที่ GCP ต่างจากคู่แข่งชัดสุด เล่าเป็นภาษาธุรกิจโดยเริ่มจากปัญหาลูกค้าเสมอ เข้าใจระดับการใช้ AI ตั้งแต่ pre-trained API ถึง agentic AI และ Gemini รู้จัก RAG สำหรับต่อ AI เข้ากับข้อมูลองค์กร เตรียม use case ตามอุตสาหกรรมให้เล่าได้เป็นปัญหา-โซลูชัน-ผลลัพธ์ เลือกระดับและ use case ให้เหมาะกับความพร้อมลูกค้า เริ่มเล็กที่ value ชัด และเคลียร์เรื่อง responsible AI กับ governance เพื่อปลดล็อกความกังวลที่มักทำให้ดีลช้า