จดๆจาก Claude Thailand Community Meetup 3: Real Business Use Case

สัปดาห์ก่อนแวะไปงานของ AI อีกค่ายมาครับ มาวันนี้ลองส่วนของ Claude ครับ ว่าจะมี Use Case เด็ดๆอะไรบ้างครับ โดยผมได้จดๆแต่ละหัวข้อมาตามนี้คร้าบ

Intro - Opening

Speaker ธรรณพ อารีพรรค / ณัฐพล ยงค์ไพบูลย์

📌 สำหรับงานนี้เปิดมารอบที่ 3 แล้วนะครับ ถ้าสนใจเริ่ม Claude ตามกลุ่ม FB ได้เลยครับ ตอนนี้มีสมาชิก 520K และตอนนี้น่าจะเป็นกลุ่มรวมตัวคนใช้ AI มากที่สุดของไทย ปี้นีมารอลุ้นว่ามีสมาชิก 650K (1% ของประชากรไทย) โดยในกลุ่มมี Post 80-90 Post ต่อวัน

📌 SCBX NextTech ที่จัดงาน เปิดมา 3 ปีและ มี 15K Session ปลายปีมีงาน 3 Theme OCT (Invest & Insure) / NOV ( Dev & Emerging Tech) / DEC (Smart Skills)

📌 ในงานมี Local LLM มาให้ดูด้วยนะครับ

Deploying Claude in Production, Not Pilots

Speaker Ian Borders (KYBERNESIS)

📌 Most AI Pilot Never Reach Prod ไปไม่ถึง Prod เพราะ

• 95% ติด Loop ตอน POC ไปต่อไม่ได้
• ส่วนที่ผ่านไปได้ 30% ของถูกยกเลิกในปี 2026 มันขึ้นมาแต่ไม่รู้ว่าเอาไปทำอะไร
• และ 90% ของพนักงานใช้ AI แต่มีองค์กรเพียง 40% ที่มีเข้ามามีส่วนรวมในการจัดการ

📌 ในไทยมีการใช้ AI เยอะนะ มีสัดส่วนที่สูงเลย แต่ทว่าส่วนใหญ่ยังไม่ได้จัดการเรื่อง Goveranance เลยจะเป็นไปใช้รูปการนำของส่วนตัวมาใช้งานทำให้ เกิดปัญหา Shadow AI

📌 แล้วอะไรที่เรียกว่า Prod ได้ อันนี้ Speaker มองมี 6 View มาช่วยเราตัดสินได้นะ

View	Pilot	Prod
Data	Sample	Real Biz Data + Pemission
Owner	ดันจาก Champion เล็กๆ	มีทีมจัดการดูและ มีการสนันสนุนจากผู้บริหาร
Success	Demo ผ่านจบแล้ว	ต้องวัดหลายมุม Metric / Trace ตามรอบ
Evals / Evaluation	ดูผ่านๆ ไม่ได้เน้นอะไร	Deterministic Evals (Baseline Testing) | ใช้ทุกรอบตอนปรับ Prompt
Infra & API	บัญชีส่วนตัว หรือ Cloud Sandbox	Enterprise API (เช่น ผ่าน AWS หรือ Claude Platform อื่นๆ) / มีระบบ (Access Control) และ Deployment (CI/CD)
When its wrong	ไม่ได้เคร่งอะไร	มีกระบวนการ Human Review กำกับในทุก Output และ ทุกการเปลี่ยนแปลงของระบบ
Peple	ตามมีตามเกิด	ทำ Internal Training เพื่อ ให้คนในองค์กรเข้าใจการประยุกต์ใช้ AI อย่างถูกต้อง

DATA × AI with Claude : Beyond Analysis

Speaker ชไลเวท พิพัฒพรรณวงศ์ (9expert)

📌 Data != Analytic ซึ่งตอนนี้ Claude มันทำอะไรได้บ้าง

• Dashboard
• Data Cleaning พวก formate Date ที่แปลกๆ 2026-08-23 / 2026-23-08

📌 รูปการทำงาน Data ตอนนี้มี 6 ขั้น Dashbard เป็นจุดนึงในนั้น - ตั้งคำถามว่าอยากรู้อะไร

• Raw Data - จัดการกับข้อมูลหลายที่ จาก ETL ELT
• Cleaning - จัดข้อมูล พร้อมใช้งานต่อ ทำให้เป็น Standard
• Develop - Data Model มาหาตัววัน เพื่อตอบ หรือ หาตัววัดเพิ่ม
• Data Visualization - นำเสนอข้อมูล
• Data Storytelling - เอาข้อมูล+ Visualization ร้อยเรียงเป็นเรื่องราว เพื่ออธิบายเหตุผลและผลลัพธ์
• Decision - ทำข้อมูลสรุปให้ผู้ใหญ่ตัดสินใจ Action

📌 สำหรับแนวทางตอนนี้้

• เอา AI เอามาช่วยในแต่ละ Step ของ Workflow ซึ่งการมีท่าในการ Apply ที่ต่างไป และเหมาะสมในแต่ละจุด แต่ที่ยากพวก
  - Data Modeling ถ้าไม่เข้าใจ Biz เราไม่มีวิธีการตรวจมัน
  - กับส่วน Data Cleaning ถ้าให้มันจัดการเป็น 1M Row ด้วยจำนวนถ้าเยอะ ถ้าเอา AI เพียวๆ อาจจะผิดได้ มันไม่ได้เข้าใจ Biz + รูปแบบ Data ตรงนี้ Tools อย่าง Power BI + DAX / SQL ยังเก่ง ถ้าเอา AI เข้าไปไปในมุมของ Prompt ช่วยสร้าง DAX / SQL
  นอกจากนี้ยังเอาเครื่องมืออื่นๆ อย่าง MCP มาใช้ร่วมกับ AI ได้ด้วยนะ เพื่อให้การทำงานมีความน่าเชื่อถือ โดยที่ AI เป็นตัวเลือก Tools ต่างๆจาก MCP
• Full Stack Data Analyst (Skill)

• เรียนรู้เอา AI มาช่วยให้เราเข้าใน Business มาขจึ้น
• นอกจากนี้ AI มันมีอะไรใหม่ เราต้องเรียนรู้ไปตลอดมี Keyword ใหม่มาเรื่อยๆ

สุดท้าย Guard Rail ยังสำคัญ AI ช่วยคิด แค่คนตรวจก่อนเอาไปใช้ / Data Security / Human in Loop และอย่าหยุดเรียนรู้

Resource: Slide

1x50 : One Person can deliver the output of a 50-person team with Cowork as Company

Speaker วศิน ตรีสินธุรส (Innovation Vantage)

📌 ปัญหา ตอนนี้ AI เก่งขึ้น แต่ทำไมงานยังอยู่ที่เรา อาทิ เช่น Copy Error จาก Tools A > B / ย้ายไฟล์เอง / AI มันรอเราตอบ - มันเลยกลายเป็นว่า Bottleneck ที่ Human แทน

📌 สำหรับปัญหานี้ แก้ได้โดยเอา Agents มาใช้ช่วยงาน โดยมี 2 แบบ

• Human in the Loop - คนตรวจ คุมทุกชั้นตอน
• Human as a Judge - คนให้สิทธิ AI ไปทำเองได้ ให้ตัดสินใจ โดยตามข้อกำหนด โดย AODD เราต้องมองเป็น CEO / COO แบ่งงานให้กำหนดหน้าที่ชัดเจน

📌 แล้ว AODD คือ อิหยัง AI Orchatration Driven Development

• Role (Job Description / JD): การกำหนดบทบาทหน้าที่ ขอบเขตความรับผิดชอบ (Scope) และสายการบังคับบัญชา (Line of Command) ของ AI Agent แต่ละตัวอย่างชัดเจน เหมือนกับการระบุตำแหน่งงานให้พนักงานว่ามีหน้าที่อะไร และขึ้นตรงกับใคร

• SOP (Standard Operating Procedure): ขั้นตอนการปฏิบัติงานมาตรฐานที่กำหนดลำดับการทำงานของ AI ไว้อย่างชัดเจน เช่น 6 ขั้นตอน: อ่าน Worklog + brief ➔ ถามที่สงสัย ➔ ลงมือ ➔ ก่อนส่ง Output ว่าตรงกับ Definition of Done ➔ บันทึก Workspace
  เพื่อให้ AI ทำงานได้จบในตัว โดยไม่ต้องคอยสะดุดรอการอนุมัติจากมนุษย์ทุกขั้นตอน
• Handoff: ระบบการส่งมอบงานระหว่าง AI Agent แต่ละตัวหรือระหว่างแผนกย่อย เพื่อให้สามารถส่งต่อภารกิจและข้อมูลชุดถัดไปได้อย่างเรียบร้อยและเป็นระบบ
• Shared Context / Workspace: พื้นที่จัดเก็บข้อมูลกลางมองเป็น Google Drive หรือ SharePoint ขององค์กร ที่ AI Agent ทุกตัวในเครื่องสามารถเข้าถึง ดึงบริบท (Context) และแชร์ข้อมูลธุรกิจร่วมกันได้ เป็นจุดที่บันทึก Worklog / State เพื่อส่งต่อ Handoff หรือเอามา Improve / Audit

• Report (Reporting & Logging): การบันทึกการทำงาน (Logs) และ การรายงานผลกลับหัวหน้าประจำทีมหรือ COO/CEO เพื่อใช้ติดตาม ตรวจสอบ และอนุมัติงานในขั้นตอนสุดท้าย
• Learn (Self-Evolution): การเปิดให้ AI Agent เรียนรู้จาก Log และข้อมูลใน Workspace เพื่อพัฒนาศักยภาพตนเอง (Self-Evolution จาก v1 ไปสู่ v2, v3) ช่วยแก้ปัญหาการกด New Session แล้วกลายเป็น AI หน้าใหม่ที่ต้องเริ่มสอนแต่แรก

📌ตัวอย่าง AODD 12 Team 55 Agents มองว่าบริษัทย่อยอันนึง ที่ฟังแล้วชอบเหมือนคนจริง

• Agent แม่บ้าน รู้ทุกอย่าง สิทธิเยอะนิดนึง เข้ามาจัดการของในตอมเรา แล้วสรุป เช่น จัดไฟล์ให้เป็นระบบ
• ทีมย่อยต้องมี Leader จัดการงานชัดเจน สร้าง Agent ย่อยขึ้นมาเองได้ตามขนาดของงาน (Scaling) รวมถึงการส่งต่องานให้ Agents อื่นๆ
• AgentOps มองเป็น HR มาเก็บข้อมูลการทำงาน และ Improve จริง
• Audit - ตามตัวมาตรวจการทำงาน ว่าไม่ตุกติ๊ก
• หนึงทีม หนึ่ง Plugin (Set of Skills + Agent)

📌เจ็บอะไรมาบ้าง

• Over Enginner ไปจนใช้ Token เกิด
• จำนวน Agent ต้องปรับได้ตามรูปแบบงาน ไม้ Lock
• บางจุดยังคอขวด เช่นคน
• brief ที่ดี ไม่ต้องมาตามงาน (Goal / Definition of Done / Scope / Constrait / Trigger อะไรถึงต้อง Escalate / HandOff)
• หน้าที่หลักของมนุษย์ คือ Judge ตอนท้าย

Resource: แจก Plugin เพื่อมาสร้างองค์กรของเรา

Closing the AI Value Gap

Speaker Mr.Steve Li / คุณ เจียหลิง

📌Lark มาจากปัญหาในองค์กรของ Bytedance (เจ้าของเดียวกัน Tiktok / Lemon8 / Capcut) พบปัญหาว่าช่วง COVID-19 Tools ที่มีในตลาดอย่าง Line / WeChat / gchat มันยังไม่ตอบโจทย์ เลยทำ Lark เป็น All-in-One Workspace ที่มาช่วยให้ Capture Knowledge / Control Access และลด Process ที่ซับซ้อนได้

📌พอมี่ AI เข้ามามัน ตัว Lark เองปรับตัวนะ โดยยกมา 2 Use Case

Use Case: การประชุม

• คนทำทุกขั้นตอน (4 ปีก่อน) - ตั้งแต่เช็กปฏิทิน, ส่งอีเมลเชิญประชุม, ค้นหาข้อมูล ทำสไลด์, จด Meeting Minutes) และตามงาน Action Items
• AI as a Tools (1–2 ปีก่อน) - AI ช่วยสรุปเนื้อหา ค้นหาข้อมูล หรือร่างสไลด์ได้เร็วขึ้น แต่งานยังขึ้นอยู่กับคน
• AI Agent (ปัจจุบัน) - AI Agent เข้ามาเป็น Participant สามารถเช็กตารางงาน, ดึงบริบท จากภายในองค์กรมาเตรียมเอกสารให้, เข้าร่วมประชุม เพื่อตอบคำถาม, สรุปผล และสั่งงานต่อได้ รวมถึงต้องตามอะไรต่อไป + update project progress

Use Case: Songkarn Campaign

• AI Agent อ่านข้อมูลตามสิทธิ์ ค้นหาข้าม 3 กลุ่มแชท, อ่านบันทึกประชุม, ตรวจสอบปฏิทิน ยอดขาย และ Stock แล้วสร้างเป็น Interactive Dashboard ออกมาในแชท
• ผู้บริหารสั่งให้ AI สร้าง การสั่งรัน Action Plan ผู้รับผิดชอบ และส่งกาให้ผู้เกี่ยวข้อง

📌เบื่องหลังการ Lark ที่ทำยังไงให้ AI เลือกเครืองมือถูกมาจาก CLI เป็น Open Source แต่ Lark เป็น SAAS โดยเตรียม Tools มาช่วย

• จัดการ Context ให้ทั้งหมดของ Agents
• Access Controls
• AI as Tools จาก CLI เข้าส่วนต่างๆของ Lark ได้
• Collaboration จัดการ Handoff ส่งต่องานของ Human <=> Agents

The Claude Trading Lab

Speaker ลภัสรดา เพ็ญสุข (วัคซีนหุ้น)

📌Session นี้พาไปดูการใช้ Claude เป็นห้องทดลองสำหรับงานเทรดและการลงทุน

📌Garbage in-out คำตอบที่เราจะได้มาจาก Data ที่เราเตรียมให้ AI เช่น ถามว่าซื้อหุ้นนี้ดีไหม / ควรถือกี่วัน ถ้าเราถามกว้างๆ AI มันมโนตอบให้เราได้ แบบน่าเชื่อถือด้วย แต่ไม่มีหลักการอะไรมารองรับ (Hullucination)

📌ซึ่งการแก้พวกนี้ Speaker จะแก้ปัญหาไว้แล้ว ตาม Pyramid ตามนี้ ใน Talk ถึง Lv3

• ขั้นที่ 1: Basic Prompt - ถามตอบพื้นฐาน โยนรูปหรือใส่ Logic การเทรดง่ายๆ เข้าไปถาม AI
• ขั้นที่ 2: Context - กำหนด Profile / Trading Style และข้อจำกัดเงินทุนให้ AI เพื่อให้เข้าใจ
• ขั้นที่ 3: Tool Builder - การสร้าง Custom Tool หรือเขียน Prompt สำเร็จรูป เพื่มาช่วยงานทำซ้ำๆ ทุกวัน
• ขั้นที่ 4: Automated Workflow - ตั้งค่า Schedule ทำล่วงหน้า ให้ AI สรุปข้อมูล และเชื่อมระบบเข้ากับ Port
• ขั้นที่ 5: Agent - ให้มันทำงาน ตัดสินใจเองได้บางส่วน
• ขั้นที่ 6: System - ให้ Agent หลายมันทำงานรว่วมกัน

📌เพื่อป้องกันปัญหา Garbage In, Garbage Out Speaker เลยแนะนำ P.A.N.I.C Framework ขึ้นมา

• Purpose / Position - ทำเพื่ออะไร
• Assets (Data) - สนใจอะไร Product ไหน หุ้น คริปโต
• Number / Non-Negotables - ตัวเลขที่ต้องการ แล้วมีสูตรอะไรที่มายินหยัดได้ รวมถึงกฏเกณฑ์ต่างที่เราตั้งไว้
• Invalidation & Alternative - Second Opinion
• Check Condition & Choice

มีแนวทางการใช้ 2 แบบ P.A.C - ให้ AI ช่วยวิเคราะห์ อธิบาย เปรียบเทียบ / P.A.N.I.C ใช้ตอนจะลงทุนจริงแล้ว

📌Use Case HPE อันนี้ลองเอา P.A.N.I.C + Pyramid ตามนี้ ใน Talk ถึง Lv3 มาช่วย

• การหาโอกาสลงทุน: วิเคราะห์กลุ่ม AI Server เห็นหุ้น Dell ราคาพุ่ง จึงมองหาหุ้นในกลุ่มเดียว HPE
• ลองดู Techinal Graph ก่อน อันนี้ทำ โดย คน นะ
• AI มาช่วยเสริม
  - เอา P.A.N.I.C มาช่วยตรวจ Techinal Graph ที่เราดูมา
  - และจากนั้น Tool เพือช่วยให้เห็นภาพการลงทุนมากขึ้นว่าจะลงทีละไม้ หรือยังไง

Resource: Slide / Sample Tools Builder + Prompt

3 Founders+Claude vs. Google/ElevenLabs/OpenAI in Thai TTS

Speaker Phatrasek Jirabovonvisut (Paxa Labs)

📌ตลาดไทยได้รับความสนใจจาก LLM เจ้าใหญ่อย่าง Google Gemini / OpenAI xAI / Microsoft และตัวเล็กอย่าง ElevenLabs ที่เน้นเรืองเสียงเลย

📌แต่มันยังมี Gap เพราะ Resource อาจจะมาทุ่มได้ไม่เต็ม เลยเป็นโอกาศให้ Paxa Labs มาแก้ปัญหา คำว่า จบ AI มันไปอ่านออกเสียง จันทบุรี หรือ อ่าน วัน/เดือน/ปี/ตัวเลข การออกเสียงภาษาไทย ซึ่ง Model ที่ออกมาตอนนี้ Latency น้อยที่สุด / Speed / Naturalness (ความเป็นธรรมชาติ) / ราคา ผลโดยรวมที่ดีกว่า LLM เจ้าใหญ่ๆด้วย

สำหรับ Session ในวันนี้มาแชร์ว่า Startup เล็ก 3 คน ทีมงานจาก Typhoon เดิมนะ + Claude ทำยังไง ถึงสู้เจ้าใหญ่ได้

📌 ปัญหา Overhead ของการทำงาน - ยิ่งองค์กรใหญ่ มีลำดับขั้นที่มากขึ้น ทำให้มันซับซ้อน และล่าช้า มุมของ Info flow + Decisions

• Top vision + key information / context
• Down detail info without context

📌 แก้โดย ใครเก่งอะไร ให้ทำอันนั้นเป็นหลักเลยมีการแบ่งงานของ Human + Claude ตามนี้

• Human-Led Research ต้องใช้ประสบการณ์และความเข้าใจบริบทเฉพาะทางภาษาไทย ซึ่งคนทำได้ดีกว่า
• Claude-Led Coding/ Documentation / Test ข้อดีของ AI มันทำงานตามระบบ (bureaucracy) เราสั่งไป มันอาจจะงอแงบ้าง ท้วงกลับ ถ้าเรามั่นใจว่าดีแล้ว บอกให้มันทำไป ยอม Burn Token แล้วมาค่อยเทียบผล เช่น การใช้ Rust แทนของเดิม ซึ่ง Key ที่สำคัญ ของเดิมมันต้องไม่เพี้ยนนน
• Human + Claude งานด้าน Marketing, การสื่อสาร, การเขียนคอนเทนต์ หรือ คุย Business อาจจะให้ AI Draft แล้วเรามาปรับ แล้วไปคุยต่ออีกที เพราะ AI มันยัดขาดพวก Softskill

Resource: https://paxalabs.com / https://yoyoismee.github.io/claude-meetup-3/#listen

Facgure's Journey From Idea to Enterprise AI Product with Claude on Amazon Bedrock

Speaker ธีรยุทธ โกสินทร์ (facgure) / กิตติยา สงฆ์ชู (AWS)

📌จุดเริ่มต้นและ Idea สร้าง Enterprise AI Product เกิดจากอะไร?

• Pain Point: ทีมงานต้องเสียเวลาไปกับการจัดอบรม / สอนใช้ / Training / ตอบคำถามผู้ใหญ่ลูกค้าอยากรู้ วนลูปทุกปี
• Soluion
  - ยุคแรกเคยทดลองใช้ Chatbot ทั่วไปแต่ยังตอบโจทย์ไม่ได้ดีพอ
  - จึงเริ่มหันมาจัดเตรียม Knowledge Base และนำ Gen AI เข้ามาช่วยเสริมทีมงานหลังบ้าน ลองใช้แล้ว Work เจอ Pattern เลยจับมาทำเป็น Product ใหม่ Rover Compass

📌แล้วตัว Rover Compass (Executive Decision Intelligence) เอามาแก้ปัญหาอะไร

• แก้ปัญหา เดิมทีเวลาผู้บริหารต้องการข้อมูล เช่น ยอดขาย 6 เดือนของสินค้ากลุ่มการแพทย์ และมี Insight อะไร ต้องใช้ Data Engineer / Data Science / BI Developer ซึ่งต้องใช้เวลาจัดทำรายงานนาน 1–2 สัปดาห์
• โดยเน้น เข้าใจภาษาธุรกิจ / มีระบบ Compliance ควบคุมการเข้าถึงข้อมูล ซึ่งลด Hallucination
  แล้วออกเป็น Graph หรือ Dashboard / Analysis (บทวิเคราะห์) / และมีแหล่งอ้างอิงชัดเจน ตอนนี้กลุ่มลูกค้าหลัก Health Care

📌ทำไมถึงเลือกใช้ Claude ผ่าน Amazon Bedrock?

• ตอบโจทย์ การกำกับดูแล Goverance / Audit การรับประกันว่าข้อมูลจะไม่ถูกเอาไปเทรน
• ทีมมีความคุ้นเคยในการใช้งาน Cloud เจ้านี้อยู่ แต่ Product Design ให้เป็น Multi Cloud Support นะ
• นอกจากนี้ Claude มันช่วยเสริมกับ AWS ในแง่ของ Develper Friendly / Audit Support

📌จัดการกับคำถามที่ซับซ้อนยังไง ?

• ใช้ทั้ง Agentic และ Compound AI
• AI ต้องไม่ประมวลผลเกิน 4xx วิ ถ้าเกินต้องไปทำ Sandbox
• และต้องมี Guardrail มาคุมตรวจตาม Domain เพื่อให้มันได้ว่า AI เข้าใจถูก

📌ข้อคิดสำคัญ สำหรับองค์กรที่ต้องการนำ AI ไปใช้จริงคืออะไร?

• เราต้อง TreatAI เป็นพนักงานคนนึง ซึ่งต้องมีสาย การจัดการที่ชัดเจน รวมถึงสิทธิที่ทำได้
• สร้าง Sandbox รองรับการทำงาน เพื่อให้ AI ทำงานได้ปลอดภัยไม่หลุด
• แม้ว่า Cloud จะง่าย แต่มันช่องทางที่ให้ Simple อีก ให้เหมาะกับลูกค้าแต่ละแบบได้ อาทิ กดปุ๊บได้ทั้ง Agent + RAG + Pipeline Ingest Data เข้ามา จาก AWS Case Study แต่อันนี้บทความ 2025 เดิม week ยุคนี้เป็น AI เวลาลดลงไปอีก

Claude as My Junior Lawyer (Before Claude, I was a machine)

Speaker รับขวัญ ชลดำรงค์กุล (LawXTech)

📌หลายคนลองใช้ Claude ตอบกฏหมาย เพราะ

• ไม่อยากจ่ายค่าปรึกษา - มีคำตอบ no แต่ไม่ได้อธิบายเพิ่ม
• ภาษากฏหมายยาก ฟังแล้วทำความเข้าใจยาก

📌ซึ่งการเข้ามาของ Claude

• เปลี่ยนทั้งมุมที่ปรึกษา ผู้ประกอบการ และทำให้กลับมาเป้น Human
• ด้าน AI นอกจาก Claude ที่ทำ plugin และมี Law Firm Freshfields ลองเอาไปใช้ ยังมี harvey เป็น AI อีกเจ้าเน้นด้าน Legal เลย
• สัญญาส่วนใหญ่ AI ร่าง และคนตรวจ สำหรับ Speaker ยังไม่ plugin ของ Claude นะ เพราะงาน Customize อยู่ การใช้งานจริงๆ เรียกว่าสร้าง Custom Skill ตรวจสัญญา / Presentation
• Garfield AI เป้นอีก Use Case เอา AI มาช่วยร่างเอกสารข้อกฏหมาย ลดค่าใช้จ่ายส่วนนี้ แต่การขึ้นศาลยังต้องใช้ทนายคนจริงๆ
• แต่ต้องระวัง Hallucination -> making thing up (fact ที่ไม่มีจริง)

📌Can AI Replace Human Lawyer ?

• คนยังถาม เพื่อ Match ข้อกฏหมาย และยังมี Human Empathy อยู่ ความขัดแย้งและอารมณ์ความรู้สึก AI ยังขาด
• Judgement Call
• Reponsible ตามข้อกฏหมาย
• Experience + Insight
• AI มันมี Speed + Cost ที่คนทำงานได้ถึกทนกว่าคนนะ

📌5S Prompt Guide สำหรับมุมกฏหมาย

• Scope - ดูจากไหน Doc นี้ หรือ ราชกิจจานุเบกษา หรือเว็บไซต์ทางการเท่านั้น
• Source - ตอบแล้วให้บอกแหล่งอ้างอิง เพื่อ Cross Check ทำ Citation
• Still Valid - มันต้องเป็นกฏหมายที่ยังบังคับใช้
• Sure - อย่าเดา - ไม่แน่ใจถาม
• SOS - ถ้าไม่รู้ให้ถาม กรณีที่ต้องการ Specialist Lawyer จริงๆ มาตรวจ เพราะหลังๆงานที่ปรีกษาตรวจสอบ จะพบว่ามี Draft จาก AI มาให้ตรวจแทน

📌Share Guideline ในการ Review สัญญา 6 ข้อ

• Briefing: เราคือใคร มีอำนาจต่อรองแค่ไหน / Context / เข้มงวดระดับใด
• Rulebook: อะไรที่เป็น Pattern เช่น Credit Term ไม่เกินกี่วัน เพื่อให้ Claude ตรวจเปรียบเทียบได้
• Skim 5 Keyword ของทั้งสองฝั่ง
  - Right (สิทธิ)
  - Duty (หน้าที่)
  - Liability (ความรับผิดและค่าเสียหาย)
  - Default (การผิดนัดและผิดสัญญา)
  - Exit (การยกเลิกและออกจากสัญญา)
• ทำ Memo
• Decision Sheet ลง Log ไว้
• Redline - สิ่งที่ทำได้ ตอนนี้ Claude + Microsoft Word มันช่วยลดเวลาได้มาก

ก่อนทำอะไรตอบ 3 ข้อ Data เก็บอะไร PDPA / Promises ทำอะไรได้ เราต้องรับผิดชอบ / Blame ถ้าพลาดเราต้องรับผิดชอบนะ

📌AI ทำให้กลับมาเป้น Human

• มีเวลาจัดการชีวิต อยู่กับครอบครัว
• จัดการงานเดิม ตารางงาน หรือ ทำ Schedule สรุปข้อมูลทุกเช้า
• ช่วยให้มีโอกาศใหม่ เช่น Vibe Code ( https://legalhealthcheck.netlify.app/)/ ทำคอนเทนต์ / ออกแบบสไลด์
• new business model

แต่มีบางเคสที่ Claude ยังเข้าไม่ได้ เพราะ การประชุม ข้อมูลต้องเป็น confidential จริงๆ แล้วการให้ AI มาช่วย มันทำให้ Skill การจับประเด็นหลุดไป รวมถึงการตอบให้คำปรึกษา Realtime

How investors use Claude like a pro

Speaker ณัฐดนัย หวังพระธรรม (QuantCorner)

📌อาชีพนึงที่เงินเดือนสูง Fund Manager หรือผู้จัดการกองทุน ซึ่งงานแต่ละอัน อ่าน Research Papers จาก Broker ทุกเช้า / ประชุมตัดสินใจลงทุน ว่าจะซื้อ ขาย หรือถือ / ฟังข่าวและ Earnings Calls ตลอดทั้งวัน

📌แล้ว AI มาแทน Fund Manager ได้ไหม ?

ถามได้ เช่น Nvidia น่าลงทุนไหม? แต่เราไม่สามารถ Validate ได้มันทำงานถูกต้องไหม มีอ้างอิงอะไร

แต่ก่อนหน้านั้น เราเข้าใจ AI ก่อน ตอนนี้เราควรคุย หรือ วางระบบให้มันยังไง

1. Prompt Engineering (2 ปีก่อน): การเขียนคำสั่ง เพื่อ คุยกับ AI
2. Context Engineering (ต้นปี): การจัดเตรียม Context / KM / และเอกสารห้ AI เข้าใจ
3. Harness Engineering (ปัจจุบัน): การสร้าง Guardrails & Tools เนื่องจาก LLM มีจุดอ่อนเรื่องการคำนวณคณิตศาสตร์และตัวเลข จึงจำเป็นต้องสร้างเครื่องมือเฉพาะทางให้ AI เรียก

📌AI Investment Operating System อันนี้ Idea ของ Speaker เอา Harness Engineering มาใช้

Input

• Book to Skill /book-to-skill (ผมสลับจาก Slide นะ ติดว่าควรอยู่)
• webull api (หรือ ค่ายอื่น SetTrade / Trading View ) + python
• LLM wiki starter for Investor จากเพจหุ้นการบ้าน ไป Scape Research

/llm-wiki-starter ingest xxx link youtude doc
/llm-wkik-starter research nvidia 

Process

• Riskfolio-Lib - open-source Python library for quantitative strategic asset allocation and portfolio optimization

Output

• Zframes สร้าง Dashboard
• Decision Log สร้างเอง ให้บันทึกทำ Audit Logs เอาไว้ตามว่าเราทำอะไร

Resource https://github.com/nutdnuy/invest-like-apo-resources

Demo เริ่มจาก Onboarding (/book-to-skill) > Data Ingestion (/llm-wiki-starter) > Deep Research > Quant + API > Dashboard

Use Case : Real Estate Investors Who Actually Make Money

Speaker การันต์ แป้นทอง (SpaceNEXT/Space Story/Tambaan.co)

📌เล่านักลงทุนอสังหาว่า เอา AI มาช่วยอะไร ปัญหาที่นักลงทุนต้องเจอ

• หาห้องที่คุ้ม ต้องหาเอง / Track Status / จัดการต้นทุน
• คุยกับช่างแล้วไม่ตรงกัน
• พอเป็นการรวมตัวกันต้องมาจด ว่าคุยอะไร มีเอกสารอะไร แล้วใครสำรองจ่ายไปก่อน แต่พอเป็น Liene ขอวหาย
• เอกสารที่มีจัดการกันยังไง

📌Solution เอา Claude Cowork มาข่วยสิ

• Research ตามในกลุ่ม FB หาห้องที่ใช้ แล้วราคาที่เหมาะสมกับตลาด กรองให้ตรงตามราคาตลาด จากนั้นคนตัดสินใจ แล้วพูดคุยจนได้ Deal
• ทำเอกสาร เพื่ออธิบายช่าง ให้อยู่ในรูปแบบภาษาเดียวกัน จะได้ไม่ต้องคุยกันคนละภาษามีแบบที่ชัดเจน เอามาอ้างอิงตกลงกันได้

• การคุย การสื่อสารต่างๆจาก Line ย้ายมาใข้ Lark มาจัดการ ข้อมูลไม่หาย จากให้ใน Claude มาเรียก LarkCLI มาทำสรุปข้อมูล ว่าเอกสารไหนเกี่ยวกับห้องอะไร แล้วทำ Check List สรุป ในแต่ละ pharse

• พวกเอกสารรูป ใบเสร็จ ให้ Cowork จัดการจัดกลุ่มให้
• ทำจบแล้ว เริ่มจะขายแล้ว ให้ Clade มาทำ Sell Page ทำ web ขาย ทำ Link สร้างให้ลูกค้าดูภาพรวม

ลงทุนจ่ายแค่ 2 แสน ด้วยเทคนิค flipping มี Course ด้วยลองไปตามที่เพจได้ https://www.opl.to/tom.kp

Building a War Room with Claude Code in 24 Hours

Speaker ปรเมศวร์ มินศิริ (WARROOM)

📌บางอย่างมีของแล้ว แต่มันตีความยาก มี AI ช่วยให้งานได้ขึ้นเยอะ Computer Use มาอ่าน แล้วสรุปคำอธิบายให้ง่าย แบบคนทั่วไปเข้าใจ โพสลง X (Twitter) เช่น

• Windy.com มันดูยาก AI อ่านสรุป
• ถนนตรงไหนปิด อะไรใช้ไม่ได้ - ดูตามหมุดใน Google Map

📌งานยาก ง่ายขึ้น

• เมื่อ 10-15 ปีก่อน อย่างเว็บแจ้งน้ำท่วม thaiflood.com ตอนนั้นทำยากมาก แล้วใช้ API ข้างนอกของ Google จนติด Limit เค้าเลยให้ Google Earth แบบ Unlimited มาใช้ช่วงน้ำท่วม
• ปัจจุบัน พอมี AI ช่วยงานไวมาก + สภาพแวดล้อมรอบตัวดีขึ้น
  - Open Street Map ช้อมูลดีขึ้นมาด้วย
  - Open-Meteo
  - Thaiwater
  - แล้วมี AI อย่าง Claude ให้ Yolo Mode มัน Auto เลย ช่วยให้ Productivity ขึ้นไวมาก

📌แล้วเกิดคำถามใหม่ เพราะ มีเคสที่ 1 คนของทีม Grokbot ส่ง PR 2,500 ต่อเดือน ทำยังไง เลยลองมา Challenge ตัวเองดูว่าใน 24 ชัวโมงสามารถทำ Map 3D แสดงข้อมูลรถติด น้ำท่วมใน กทม ได้ไหม โดยไม่ใช่ Google API

• เราต้องคุยกับ AI แล้วเข้าใจศัพท์ในมุม GIS และ Tools อันที่เราทำความเข้าใจได้

📌การทำแบบนี้ต้องวาง Workflow

• Workflow มีส่วนสร้าง แล้วการ Validation เพื่อเป็นแนวทางในการตรวจ
• สิ่งที่สำคัญที่ Speaker ตรวจเอง ตัว ADR (architecture decision record) คนตรวจเอง พลาดไปแล้วรื้อยาก

• รวมถึงการจัดการพวก Context เมื่อ Context ของ AI เริ่มสะสมถึงประมาณ 60% ต้องสั่งให้ AI สรุปงานลงไฟล์และ เคลียร์ Context ทันที เพราะยิ่ง Context ยาว AI จะยิ่งมีประสิทธิภาพลดลง

• Human is the Bottleneck เราต้องปล่อยให้ AI ทำงาน และกลไลการตรวจอย่าง
  - Claude (Claude Code) - Coding / Codex เก่งเรื่อง 3D
  - ใช้ AI อีกตัวหนึ่ง (เช่น Codex/Qwen/Kimi) ทำหน้าที่เป็นตัวตรวจสอบ

การทำงานหลาย Agent มี ADE OCRA ผมเขียนในงาน Claude Code #3

• ความท้าทายตัว Project Sturcture ต้องให้ทุกเจ้าเข้าใจตรงกัน ล่าสุด AGENTS.md / Claude Code รองรับแล้วนะ
• บางที AI มันเหมือน อาจจะไม่รู้ใช้ Computer Use มาสอนมัน การเข้าไปอ่าน Windy / Thaiwater

ตอนขึ้นระบบ ถ้าไม่ติดเรื่อง Privacy ให้เอา Frontier ขึ้นไปก่อน แล้วพอนิ่งแล้วเอา Local Model มาช่วง Dev ตอนท้าย+ Operate

Resource: https://warroom-ceo.vercel.app/war-room-24h/

Techniques for Telling AI What You Really Want

Speaker ศิระ เอกบุตร (Thep Excel)

📌"หา" รู้ว่า AI ทำอะไรได้ และเราอยากได้อะไร

• ดูของคนอื่น แล้วลองเอง: ศึกษา Use Cases จากผู้ใช้อื่นเพื่อเปิดโลกไอเดีย หรือทดลองด้วยตัวเองเพื่อดูว่า AI สามารถทำอะไรได้บ้าง
• มีตัวอย่างที่ชอบไว้ตั้งต้น: เตรียมภาพ Reference เอกสารตัวอย่าง หรือไอเดียต้นแบบไว้เป็นจุดเริ่มต้น
• ให้ AI ทำมาหลายแบบ เลือก แล้วต่อยอด: หากยังไม่แน่ใจความต้องการของตัวเอง ให้ AI ช่วยเสนอตัวเลือก (Choices), สแกนเทรนด์ หรือสัมภาษณ์เราไปเรื่อยๆ เพื่อวิเคราะห์และดึงความชอบออกมา

ถ้าคิดไม่ออกลองทำ custom skill ของเราเอง /new-project มันจะพยายาม research มาให้ แล้วเรา feedback
ทำ Chrome Extension ให้ช่วยดึง Scrap ข้อมูล

📌"บอก" ให้ครบ ทุกช่องทาง

• บอกเป้าหมาย เหตุผล และข้อห้าม: สั่งงานแบบสั่ง "คนเก่ง" โดยบอก เป้าหมาย (Goal) ว่าอยากได้อะไร ควบคู่กับ เหตุผล (Reason) ว่าทำไมถึงอยากได้สิ่งนี้ เพื่อเปิดโอกาสให้ AI เสนอโซลูชันที่ดีกว่าที่เราคิด
• ใช้ทุกช่องทาง (Multimodal): ใช้สื่อทุกรูปแบบ ทั้งการพิมพ์ข้อความ แนบรูปภาพ ใส่ลิงก์ หรือสั่งงานด้วยเสียง
• ให้ AI ทวนความเข้าใจก่อนลงมือ: สั่งให้ AI สรุปทบทวนโจทย์ก่อนเริ่มงานใหญ่ เพื่อป้องกันความเข้าใจไม่ตรงกัน

📌"ปล่อย" ให้ AI ทำไป เราคอยตรวจ

• ทำหลายโปรเจกต์พร้อมกัน แวะตรวจตามจุดสำคัญ: กำหนดจุดตรวจสอบ (Checkpoints / Milestones) สำหรับงานระยะยาว เพื่อสุ่มตรวจความถูกต้องเป็นระยะ
• ตัวหลักตัวเดียว ให้มันไปประสานงานต่อ: AI หลายตัว/หลาย Session (Multi-Agent/Multi-Session) โดยสั่งงานผ่าน AI ตัวหลักเพียงตัวเดียว แล้วปล่อยให้ AI ตัวหลักไปสั่งและประสานงานต่อกับ AI ตัวอื่นเอง แนวหัวข้อ AODD
• งานยาว ส่งต่อให้ห้องใหม่ทำต่อ (Handoff): เมื่องานมีขนาดใหญ่จนบริบทสะสมเริ่มแน่น ให้ AI ทำการ Hand-off ส่งต่อภารกิจไปรันต่อใน Session ใหม่ได้อย่างราบรื่น

📌Use Case เข่าไปดูสวยมาก

• ทำ Video มันได้ Gen VDO จริง แต่เขียน Code สร้าง 3D Animation
• เอามาทำ Tools ที่ช่วยทำ Motion Capture พวกจาก Web Cam - วาดรูปสัดส่วนคนแบบมนุษย์จริง
• Game Rama Strike - ทำให้ Work ระบบการทำงานมัน OK แล้วต่อยทำให้สวย ลองไปดู Demo ใน Slide สวยมาก Claude วาง Flow การทำงาน / Codex Gen รูปตั้งต้นทำ 2D เอาที่ชอบสวย แล้วค่อยขยับมาเป็ฯ 3D
• AI Angle ComfyPod ถ้า workflow เรานิ่ง เอาไปทำ Template ขายได้
• การทำ Mod และ UI แสดงสถานะของ Claude
  - สร้าง Mod ปรับแต่งหน้าตาและการตอบสนองของ Claude น่าจะอารมร์แบบ Codex Pet
  - Dashboard Context Window ที่ใช้ไป สถาณะ Cache / Reset

Resource https://www.thepexcel.com/claude-meetup-3

When AI Makes Everyone a Builder: How Business Moves Forward

Speaker: ศุภชัย ปาจริยานนท์ (RISE) / กษิดิศ สตางค์มงคล (DataRockie) / เขมรินทร์ วีระเผ่า (Connected Tech)

📌จากคนที่แค่ "ใช้ AI เป็น" จะขยับไปเป็น "ผู้สร้างสิ่งใหม่ๆ" (Builder) ต้องเปลี่ยนวิธีคิดอย่างไร?

• เริ่มต้นคือการพัฒนาทักษะตนเองให้เก่งขึ้นก่อน เพราะการจะช่วยสังคมหรือคนอื่นได้ ตัวเราต้องรอดและเก่งขึ้นก่อน เลยเป็นที่มาของ datarockie
• จากนั้นขยับ ทีมงาน ไปจนถึงผู้บริหารและบอร์ดบริหาร ซึ่งต้องสร้างความเข้าใจร่วมกันในองค์กร ไม่ใช่แค่เอาเทคโนโลยีเข้ามาวาง และสุดท้ายขยับไปประเทศ อย่าง RISE จะ Goal ช่วยขยับ GDP 1%

📌ในยุคที่ AI สร้างสินค้าหรือบริการอะไรก็ได้ ทำไมลูกค้ายังต้องเลือกเรา?

• ความแตกต่างไม่ได้อยู่ที่การใช้ AI โมเดลไหน แต่อยู่ที่ Prompt, Context และความเข้าใจผู้บริโภค (Consumer Insight) ใครที่มีข้อมูลและเข้าใจพฤติกรรมลูกค้ามากกว่า จะสร้าง Prompt ได้คมกว่าและตอบโจทย์ได้ตรงจุดกว่า
• เน้นว่าคำถามในยุคนี้ไม่ใช่ จะสร้างอย่างไร แต่มองให้ใหญ่ขึ้น กำหนดสิ่งที่จะ Build เพื่อตอบโจทย์ แล้วเราต้องมองขยับจาก Local มาใหญ่ขึ้น เอา AI มาช่วยในประเทศรอบๆ ตอนนี้เพื่อนบ้านอย่างเวียดนามยิ่ง Ads มาขายของที่ไทยแล้วนะ

📌ตัวอย่างธุรกิจที่ใช้โอกาสในยุค AI แล้วเติบโตอย่างก้าวกระโดดให้เห็นไหม?

• Rise ยกตัวอย่างการลงทุนในบริษัท Zero-Carbon Data Center (ที่บอสตัน) ที่แก้ปัญหา Data Center ปล่อยคาร์บอนและความร้อนสูง โดยใช้น้ำเคมีดักจับคาร์บอนใส่ถัง แล้วนำไปขายให้โรงงานน้ำอัดลม รวมถึงขาย Carbon Credit ด้วย
• AI มันช่วยได้หมด สิ่งที่ต่างอีกอันนอกจาก Data คือ
  - ตัว Experience จาก founder ว่าเชี่ยว ทำสำเร็จไหม แล้วมุมเราตัดสินใจด้วยนะ
  - Idea นึงจากลงทุนอะไรที่ตอนนี้เป็น คอขวด
  - Idea is cheap, execution is everything
• หาคนที่มี pain ตรงกับเรา แล้วทำ product เช่น ขอแต่มีลูกค้า 1000 คน / 3 usd ดี ช่วงให้เรายยั่งยื่นได้

📌ทุกคนใช้ AI ได้เหมือนกัน ความโดดเด่นและบทบาทของ "คน" อยู่ตรงไหน?

• จดเด่นของคน เข้าใจโลกที่อยู่ในหัวซึ่งไม่สามารถถอดเป็น Prompt ได้ทั้งหมด
• หน้าที่ของคนคือการใช้ความคิดสร้างสรรค์ มองหาปัญหา และพัฒนาตนเองให้เป็น "มนุษย์ที่ดีขึ้นกว่าเดิม" รู้จักแบ่งปัน และเลือกใช้ AI ในทางที่ถูกต้อง

📌AI มันสำคัญ แล้วเราจะ Governance ยังไง / ไม่ให้การใช้ AI กลายเป็นแค่การใช้ Black Box

• อย่าใช้ AI แบบสั่งแล้วรับผลลัพธ์ไปใช้ทันที โดยไม่เข้าใจ แต่ต้องมีความรู้พื้นฐานและเข้าใจการทำงาน//เราต้องเก่งกว่า AI ไม่ใช่แค่ใช้ AI เก่ง และความรับผิดชอบยังเป็นของคน
• ในระดับองค์กร
  - ต้องสร้างระบบ Knowledge Management และ Skill Matrix ให้พนักงานได้ทดลองใช้ AI ควบคู่กับการวาง Use Case และ Guardrails ที่ชัดเจน เพื่อให้คนในองค์กรเติบโต ไปในทิศทางเดียวกัน
  - ต้องทำ Fact Checking และประเมินความเสี่ยง (Risk Assessment)

อย่างตอนนี้มี Trend Agentic Commerce คำตอบจาก AI มันบอกจริง หรือ บอกตามเงินค่าโฆษณาที่จ่ายไป และให้คำตอบเชียร์
ตอนนี้มีพวก Agent Grok Bot / Muse มันทำช่วยให้เราได้หมดแล้ว

• AI มันเก่งมากๆ จนกฏหมาย หรือ กรอบในการคุม ตามไม่ทันแล้ว มีเคสแบบ AI agent swarm สุมหัวกันทำงาน มันมีทางที่ดี และไม่ดี
  - Hack Huggingface / สาธารณสุขออสเตเลีย
  - รวมถึงการแก้ปัญหายากๆในมุมคณิตศาสตร์ แต่มีข้อถกเถียงการ Proof
• เคส Scammer - หลายทีมองไม่เหมือนกันนะ เน้น Awareness เยอะๆ ถ้าพลาดต้องดูแลตัวเอง หรือให้ Operator/Bank รับความเสี่ยงเอง แนวคิดแต่ละแบบมีผลการเข้ามาลงทุนด้วยนะ

📌สำหรับเจ้าของธุรกิจ วันจันทร์นี้สิ่งที่ต้องลงมือทำทันทีคืออะไร?

• Identify ปัญหา หรือ Pain Points ในธุรกิจ แล้วลงมือแก้ไข งานใดที่ใช้คนเยอะ ทำซ้ำ
  - ให้นำ AI เข้ามาช่วยย่อ + เครื่องมือ MCP อย่างเคสจัดการใบเสร็จ เอา AI + MCP ของ flow account มาใช้
  - ต้องแบ่งความเสียงตามผลกระทบ เพื่อหาตัว Control เช่น การแพทย์ ให้ปรึกษาหมอ หรือ น้อยหน่อยอาจจะให้ตรวจใน KM แนะนำ
• ลงทุนซื้อ AI เวอร์ชันเสียเงิน อย่างน้อย 1 ตัว มาลองใช้งานและพูดคุยกับมันทุกวัน เพราะมันเก่งกว่า เราจะๆได้รู้ความสามารถ และ AI จะไม่มีทางถูกลงกว่านี้

วันนี้ได้ความรู้เยอะมากครับ ของแจกเยอะด้วย ทั้งเสื้อ / สติ๊กเกอร์ / Clicker / พวกกุญแจครับ

Reference

• https://cthcommunity.com/events/meetup-3/
• Live: https://www.facebook.com/flaxiona/videos/947554618434213?idorvanity=1745892855948687