เมื่อ AI เริ่มเปลี่ยนวิธีที่องค์กรตัดสินใจและทำงาน
- Sertis
- 6 วันที่ผ่านมา
- ยาว 4 นาที
ในวันที่ AI กลายเป็นหัวข้อสำคัญในแทบทุกห้องประชุม คำถามที่หลายองค์กรกำลังเผชิญอาจไม่ใช่แค่ว่า “ควรใช้ AI หรือไม่” แต่คือ “จะใช้ AI อย่างไรให้เกิดผลลัพธ์จริงกับธุรกิจ”
ระหว่างการต้อนรับ Sasin Turbo program ที่ Sertis ประเด็นนี้กลายเป็นหัวใจสำคัญของการแลกเปลี่ยนมุมมอง โดยมี Aubin Samacoits, Chief AI Officer ของ Sertis เป็นผู้บรรยายและถ่ายทอดภาพของ AI ในมุมที่ลึกกว่ากระแส ไม่ได้มองแค่เรื่องเทคโนโลยีที่กำลังมาแรง แต่ชวนมองไปถึงคำถามที่สำคัญกว่านั้นว่า AI จะช่วยให้องค์กรตัดสินใจดีขึ้น ทำงานเป็นระบบขึ้น และสร้างผลลัพธ์ทางธุรกิจได้จริงอย่างไร
สิ่งที่น่าสนใจคือ บทสนทนาเรื่อง AI วันนี้กำลังเปลี่ยนไปอย่างชัดเจน จากเดิมที่หลายคนคุ้นกับ AI ในฐานะเครื่องมือช่วยเขียน ช่วยสรุป หรือช่วยตอบคำถาม กำลังขยับไปสู่มุมมองใหม่ที่มองว่า AI ควรเป็นมากกว่าผู้ช่วย แต่ต้องเป็นแรงขับเคลื่อนที่ช่วยให้งานสำคัญเดินหน้าได้จริง ไม่ว่าจะเป็นการวิเคราะห์ข้อมูล การประสานหลายระบบ หรือการเร่งให้การตัดสินใจเกิดขึ้นได้เร็วและแม่นยำขึ้น
นี่จึงไม่ใช่แค่เรื่องของการมีเครื่องมือใหม่ แต่เป็นเรื่องของการออกแบบวิธีทำงานใหม่ และนั่นคือเหตุผลที่คำว่า Agentic AI และ Data-Driven Transformation เริ่มมีความหมายมากขึ้นสำหรับองค์กรที่ไม่ได้ต้องการเพียงความน่าตื่นเต้นจากเทคโนโลยี แต่ต้องการผลลัพธ์ที่วัดได้จริงในโลกธุรกิจ
คำถามของธุรกิจวันนี้ ไม่ใช่แค่ว่า “มี AI หรือยัง”
ช่วงที่ผ่านมา หลายองค์กรเริ่มใช้ AI กันแล้ว บางทีมใช้ช่วยสรุปข้อมูล บางทีมใช้ช่วยเขียน บางทีมใช้ค้นหาความรู้ภายใน หรือช่วยให้งานบางอย่างเดินเร็วขึ้นกว่าเดิม แต่เมื่อ AI เริ่มกลายเป็นสิ่งที่หลายองค์กรเข้าถึงได้เหมือนกัน คำถามสำคัญก็เปลี่ยนไปทันที
วันนี้ สิ่งที่แยกองค์กรที่แค่ทดลองใช้ AI ออกจากองค์กรที่เริ่มสร้างผลลัพธ์จาก AI ได้จริง ไม่ใช่เรื่องว่ามีเครื่องมือหรือไม่ แต่คือ AI ถูกวางไว้ตรงไหนของธุรกิจ และมันช่วยให้งานสำคัญเดินหน้าได้จริงหรือยัง เพราะในโลกธุรกิจ ความเร็วของคำตอบไม่เคยสำคัญเท่าความเร็วของการตัดสินใจและการลงมือทำ
นี่คือเหตุผลที่บทสนทนาเรื่อง AI กำลังขยับจากเรื่อง “เทคโนโลยีใหม่” ไปสู่เรื่อง “ความสามารถในการแข่งขัน” มากขึ้นเรื่อย ๆ
AI เติบโตอย่างรวดเร็ว แต่การสร้างมูลค่าทางธุรกิจยังไม่ได้เกิดขึ้นเท่ากันทุกองค์กร
ภาพรวมของตลาดวันนี้ชัดมากว่า AI ไม่ใช่กระแสระยะสั้นอีกต่อไป ปัจจุบัน 78% ขององค์กรทั่วโลกใช้ AI แล้ว เงินลงทุนใน generative AI อยู่ที่ระดับ US$33.9B และเศรษฐกิจดิจิทัลของเอเชียตะวันออกเฉียงใต้มีแนวโน้มแตะ US$300B GMV ในปี 2025 แต่ในอีกด้าน มีเพียง 39% ขององค์กรเท่านั้นที่ระบุว่า AI เริ่มส่งผลต่อ EBIT ในระดับองค์กรอย่างชัดเจน
ตัวเลขชุดนี้สะท้อนชัดว่า การเข้าถึง AI ไม่ได้แปลว่าธุรกิจจะได้ผลลัพธ์จาก AI ทันที หลายองค์กรมีเครื่องมือแล้ว มี use case แล้ว แต่ยังไปไม่ถึงจุดที่ AI เข้าไปช่วยลดต้นทุน เร่งการตัดสินใจ หรือยกระดับการทำงานในระดับระบบได้จริง ความต่างจึงไม่ได้อยู่ที่ใครเริ่มก่อนอย่างเดียว แต่อยู่ที่ว่าใครทำให้ AI เข้าไปอยู่ในงานจริงได้ลึกกว่าและคุ้มค่ากว่ามากกว่า
ในช่วงแรก มูลค่าของ AI มักอยู่ที่การช่วยให้คนทำงานเร็วขึ้นในระดับ productivity gain ราว 5–10% แต่เมื่อองค์กรเริ่มขยับไปสู่ AI ที่เข้าใจ “เป้าหมาย” มากกว่ารับ “คำสั่ง” และช่วยให้งานหลายช่วงเดินต่อได้เองมากขึ้น ศักยภาพก็เริ่มแตะเรื่อง throughput ของทั้งระบบ และเปิดทางไปสู่การลดต้นทุนการดำเนินงานในระดับ 40%+ ในบางกรณี
จุดเปลี่ยนของยุคนี้ คือ AI ต้องช่วยให้งาน “ไปต่อ” ไม่ใช่แค่ “ตอบกลับ”
ที่ผ่านมา หลายบริษัทคุ้นกับ AI ในรูปแบบที่คนถาม แล้วระบบตอบ ไม่ว่าจะเป็นข้อความ ภาพ โค้ด หรือสรุปข้อมูล แต่ภาพรวมของปี 2025–2026 เริ่มเปลี่ยนไปชัดเจน ธุรกิจเริ่มมองหา AI ที่เข้าใจ “เป้าหมาย” แล้วช่วยคิดต่อ วางลำดับต่อ ใช้เครื่องมือต่อ สู่การตัดสินใจ นี่คือศักยภาพจริงของ Agentic AI ซึ่งกำลังขยับ AI จากการเป็นระบบที่ตอบเก่ง ไปสู่ระบบที่ช่วยให้งานสำเร็จจริงได้มากขึ้น
อีกมุมที่สำคัญคือ ความได้เปรียบในปี 2026 ไม่ได้อยู่ที่ตัวโมเดลเพียงอย่างเดียว แต่อยู่ที่ชั้นการจัดลำดับงาน การเชื่อมเครื่องมือ และการทำให้ข้อมูลกับระบบต่าง ๆ ทำงานต่อกันได้ หรือพูดง่าย ๆ คือองค์กรไม่ได้ต้องการแค่ AI ที่ตอบดีขึ้น แต่ต้องการระบบการทำงานที่ดีขึ้นต่างหาก
ถ้าข้อมูลยังไม่พร้อม AI ก็ไปได้ไม่ไกล
ต่อให้ AI เก่งแค่ไหน ถ้าข้อมูลในองค์กรยังกระจัดกระจาย แยกกันอยู่คนละระบบ หรือยังไม่มีแหล่งข้อมูลที่ทุกฝ่ายเชื่อถือร่วมกัน AI ก็จะเก่งได้แค่บนหน้าจอ แต่ไปไม่ถึงผลลัพธ์ในธุรกิจจริง นี่จึงเป็นเหตุผลที่ Data-Driven Transformation ไม่ใช่เรื่องหลังบ้านอีกต่อไป แต่เป็นรากฐานของความได้เปรียบในระยะยาว
องค์กรที่มองข้อมูลเป็นทรัพย์สินระยะยาว และจัดการมันแบบโครงสร้างพื้นฐานที่ใช้ซ้ำและน่าเชื่อถือได้ มักขยายการใช้งาน AI ได้เร็วกว่าองค์กรที่ยังเตรียมข้อมูลกันเป็นรอบ ๆ ตามแต่ละโปรเจกต์ แนวคิดนี้สอดคล้องกับหลักสำคัญของการทำ AI transformation ที่เน้นเริ่มจากปัญหาธุรกิจจริง ให้ความสำคัญกับคนพอ ๆ กับเทคโนโลยี มองข้อมูลเป็น long-term asset ทำงานข้ามทีม และวาง governance ตั้งแต่ต้น
ในอีกด้านหนึ่ง หลายองค์กรกำลังย้ายงบ AI license ไปสู่การจัดระเบียบข้อมูลและเชื่อมระบบมากขึ้น โดยมีการระบุถึงการขยับงบประมาณ 60% ไปยัง infrastructure และ data connection เพื่อให้ AI รู้จักธุรกิจจริง ไม่ใช่แค่ตอบได้เก่งในเชิงทั่วไป
Southeast Asia ไม่ได้อยู่ในช่วงเริ่มต้น แต่กำลังอยู่ในช่วงเร่งเครื่อง
เอเชียตะวันออกเฉียงใต้ไม่ใช่ภูมิภาคที่กำลังยืนมอง AI จากข้างสนามอีกแล้ว สัดส่วนขององค์กรที่อยู่ในช่วง piloting และ scaling use cases อยู่ในระดับสูง และหลายแห่งกำลังขยับจาก momentum ไปสู่ execution มากขึ้นเรื่อย ๆ
เรื่องนี้สำคัญมากในเชิงธุรกิจ เพราะโจทย์ของผู้บริหารในภูมิภาคไม่ใช่ “ควรเริ่มใช้ AI หรือยัง” อีกต่อไป แต่เป็น “จะทำอย่างไรให้ใช้ได้จริงทั้งองค์กร โดยไม่สะดุด” มากกว่า และเมื่อเศรษฐกิจดิจิทัลของภูมิภาคยังโตต่อเนื่อง การตัดสินใจเรื่อง AI จึงไม่ใช่แค่เรื่องภาพลักษณ์ด้านนวัตกรรม แต่เกี่ยวกับความสามารถในการแข่งขันโดยตรงด้วย
Sovereign AI กำลังสำคัญขึ้น เพราะธุรกิจในภูมิภาคไม่เหมือนกัน
อีกเรื่องที่เริ่มชัดขึ้นคือ Sovereign AI หรือการพัฒนา AI ที่ตอบโจทย์ของแต่ละประเทศมากขึ้น ทั้งเรื่องโครงสร้างพื้นฐาน การประมวลผลในประเทศ การจัดเก็บข้อมูล และโมเดลที่เข้าใจภาษาและพฤติกรรมการใช้งานที่มีเอกลักษณ์เฉพาะตัวมากขึ้น สำหรับเอเชียตะวันออกเฉียงใต้ เรื่องนี้สำคัญมาก เพราะภาษา วัฒนธรรม และข้อกำหนดด้านข้อมูลในแต่ละประเทศไม่เหมือนกัน
ในภาพรวมของภูมิภาค มี localized investment มากกว่า US$50B ในมาเลเซีย อินโดนีเซีย และไทย พร้อมกับการเกิดขึ้นของ sovereign LLMs และระบบที่รองรับภาษา Thai/Bahasa มากขึ้น นอกจากนี้ ยังมีการระบุว่าราว 45% ของ ASEAN Tier-1 firms ขยับ agentic workflows จาก pilot ไปสู่ production แล้ว สะท้อนว่า AI ในภูมิภาคนี้ไม่ได้โตแค่ในเชิงกระแส แต่เริ่มมีรากฐานสำหรับการใช้งานจริงมากขึ้นเรื่อย ๆ
คำถามที่ถูกกว่า อาจไม่ใช่ “จะทำ chatbot ให้ดีขึ้นอย่างไร”
เมื่อมองจากมุมธุรกิจ คำถามสำคัญอาจไม่ใช่ “จะทำ chatbot ให้ดีขึ้นอย่างไร” แต่คือ “จะตัดขั้นตอนที่ไม่จำเป็นออกจากงานได้อย่างไร” มากกว่า เพราะองค์กรที่มอง AI เป็นเพียงผู้ช่วยตอบคำถาม มักได้ผลลัพธ์แบบค่อยเป็นค่อยไป แต่ถ้ามอง AI เป็นกำลังเสริมของทีม ที่เข้ามารับช่วงงานบางส่วน ช่วยประสานข้อมูลหลายแหล่ง และช่วยให้กระบวนการเดินได้เร็วขึ้น องค์กรจะเริ่มเห็นผลลัพธ์อีกระดับหนึ่งทันที
มุมคิดนี้ชัดมากในแนวทาง agent-ready organization ที่เน้น data cleanliness, การขยับจากระบบแบบ silo ไปสู่ API-first, การวัดผลใหม่ และการพัฒนาคนจาก operator ไปสู่ agent orchestrator พร้อมคำแนะนำที่คมมากว่า อย่าสร้าง chatbot ที่ดีขึ้น แต่ให้สร้าง digital worker ที่เข้าไปแทนกระบวนการ manual หลายขั้นตอนแทน
4 อุตสาหกรรมที่เห็นโอกาสของ AI ชัดขึ้นเรื่อย ๆ
เมื่อมองข้ามหลายอุตสาหกรรม จะเห็นรูปแบบคล้ายกันมาก ทุกธุรกิจมีข้อมูลมากขึ้น งานซับซ้อนขึ้น และแรงกดดันให้ต้องตัดสินใจเร็วขึ้นเหมือนกัน โอกาสของ AI จึงไม่ได้อยู่แค่การช่วยให้ “เห็นข้อมูล” ดีขึ้น แต่อยู่ที่การช่วยให้ทีมตัดสินใจ ประสานงาน และลงมือทำได้ดีขึ้นด้วย
Retail: เริ่มขยับจากงานรายงาน ไปสู่การช่วยเรื่อง assortment decisions, demand sensing, promotion optimization และ faster commercial action
Finance: ขยับจาก digital service ไปสู่งานที่เกี่ยวกับ fraud monitoring, risk workflows, compliance support และ knowledge-intensive decision processes
Manufacturing: กำลังช่วยเรื่อง predictive maintenance, quality intelligence, process visibility และ operational response
Energy: .ให้ความสำคัญมากขึ้นกับ forecasting, asset intelligence, operational prioritization และ resilience planning
โอกาสใหม่ของ AI ไม่ได้อยู่ที่การช่วย “วิเคราะห์” อย่างเดียว แต่อยู่ที่การช่วยให้ทีม “ตีความ ประสานงาน และลงมือทำ” ได้ดีขึ้น และนั่นคือจุดที่ Agentic AI เริ่มมีมูลค่าจริงในระดับธุรกิจ
Real use cases ที่ชี้ให้เห็นผลลัพธ์ทางธุรกิจชัดขึ้น
ในภาคการผลิต กรณีของ Midea Thailand แสดงให้เห็นว่า 5G + AI inspection สามารถลด rework ได้ 75% เพิ่มประสิทธิภาพการผลิต และต่อยอดไปถึงการได้รับการยกย่องเป็น Global Lighthouse Factory ของไทยโดย World Economic Forum ในปี 2025
ในโลจิสติกส์ กรณีของ WHA Group Thailand แสดงให้เห็นว่า real-time fleet visibility, data-driven route planning, predictive battery monitoring และ automated ESG reporting ช่วยเพิ่ม operational visibility ลดต้นทุน และสร้างรากฐานสำหรับการขยาย EV logistics ได้จริง
ในอสังหาริมทรัพย์ กรณีของ Nestopa AI Agent ช่วยเปลี่ยนการค้นหาทรัพย์จากการใช้ rigid filters บน listing กว่า 130,000 รายการ ไปสู่การค้นหาที่ฉลาดขึ้น รองรับหลายภาษา และมี context memory ส่งผลให้ engagement ดีขึ้น productivity ของ agent เพิ่มขึ้น 70% และเปิดตลาดต่างประเทศได้
ในสาธารณสุข AI-assisted chest X-ray screening ที่พัฒนาโดย Siriraj Hospital และพันธมิตร ช่วยให้โรงพยาบาลที่มีภาระงานสูงและขาดรังสีแพทย์สามารถคัดกรองภาพได้สม่ำเสมอขึ้น ระบุเคสเสี่ยงได้เร็วขึ้น และขยายการใช้งานได้ในระดับเครือข่ายสุขภาพ
ส่วนในภาคธนาคาร ระบบ Knowledge Management AI ที่รองรับผู้ใช้งาน 1,500 คนจากหลายทีม ช่วยเพิ่ม productivity ปรับปรุงกระบวนการขายหน้าสาขา และผลัก conversion rate เพิ่มขึ้น 12% พร้อมลดความเสี่ยงจาก mis-selling และช่องว่างด้านความรู้ภายในองค์กร
จากแนวคิดสู่การลงมือทำ AI ที่สร้างผลลัพธ์จริง ต้องมีทั้งโครงสร้างที่ชัด และตัวชี้วัดที่วัดผลได้
หนึ่งในเหตุผลที่หลายองค์กรยังไปไม่ถึงผลลัพธ์จาก AI ไม่ใช่เพราะเทคโนโลยียังไม่พร้อม แต่เพราะยังไม่ได้ออกแบบให้ชัดว่า AI จะเข้ามาช่วยตรงไหนของธุรกิจ ทำงานร่วมกับข้อมูลและระบบเดิมอย่างไร และสุดท้ายจะวัดความสำเร็จจากอะไร หาก 3 เรื่องนี้ยังไม่ชัด AI ก็มักจะหยุดอยู่แค่ระดับ “น่าสนใจ” แต่ยังไม่กลายเป็นความสามารถใหม่ขององค์กรจริง ๆ
ในทางปฏิบัติ AI ที่ใช้งานได้จริงในระดับองค์กรต้องเริ่มจากเป้าหมายที่ชัดก่อน ว่าธุรกิจต้องการให้ AI ช่วยตัดสินใจเรื่องไหน ช่วยเร่งงานช่วงใด หรือช่วยลดภาระตรงจุดไหนของกระบวนการทำงาน จากนั้น AI ต้องอาศัยชั้นของข้อมูลและความรู้ที่เชื่อถือได้ เพื่อให้สิ่งที่มันคิดและแนะนำอ้างอิงจากบริบทจริงขององค์กร ไม่ใช่ตอบแบบกว้าง ๆ ตามความน่าจะเป็นเพียงอย่างเดียว เมื่อมีทั้งเป้าหมายและข้อมูลที่พร้อมแล้ว จึงค่อยต่อยอดไปสู่ชั้นการคิด วางลำดับงาน และเชื่อมกับระบบต่าง ๆ เพื่อให้ AI ไม่ได้หยุดอยู่ที่การตอบ แต่ช่วยให้งานเดินต่อได้จริงในระบบธุรกิจที่ใช้อยู่ทุกวัน
ถ้ามองให้เป็นภาพเดียวกัน โครงสร้างของ AI agent ที่พร้อมใช้งานจริงมักเริ่มจาก Goal & Context ต่อด้วย Knowledge & Memory ซึ่งเป็นชั้นของข้อมูล องค์ความรู้ และแหล่งอ้างอิงที่องค์กรไว้ใจได้ จากนั้นจึงเป็น Reasoning & Planning สำหรับคิด แยกงาน และวางลำดับการทำงาน ก่อนจะไปสู่ Action & Integration ที่เชื่อมกับ API และระบบธุรกิจต่าง ๆ เพื่อให้ AI ลงมือทำงานต่อได้จริง ไม่ได้จบแค่ในหน้าต่างแชต
ในมุมเทคโนโลยี AI ลักษณะนี้มักทำงานผ่าน 3 ชั้นหลัก
Perception Layer
ที่รับข้อมูลจากหลายแหล่ง
Cognition Layer
ที่ตีความ คิด และตัดสินใจ
Action Layer
ที่เชื่อมไปสู่การลงมือทำจริง เช่น service integration, monitoring และ feedback engine
ตัวชี้วัดที่สำคัญมีอยู่ 3 เรื่องหลัก
Cost Reduction
Time to Completion
Error Rate
องค์กรที่พร้อมกว่า ไม่ได้มีแค่เทคโนโลยี แต่มีวินัยในการออกแบบ
แม้หลายองค์กรอยากไปสู่การใช้ AI ที่ลึกขึ้น แต่ความพร้อมไม่ได้วัดจากจำนวนเครื่องมือที่ซื้อมาเพียงอย่างเดียว วัดจากคำถามพื้นฐานกว่านั้น เช่น จัดเก็บข้อมูลอย่างมีระเบียบ ระบบต่าง ๆ เชื่อมต่อกันอย่างมีประสิทธิภาพ การวัดผลที่ส่งเสริมธุรกิจในระยะยาว และทีมที่พร้อมเปลี่ยนบทบาทจากผู้ใช้การทำงานร่วมกับ AI
องค์กรที่ทำ AI transformation ได้ผล มักมีหลักคิดร่วมกันชัดเจน คือเริ่มจากปัญหาธุรกิจจริง ให้ความสำคัญกับคนพอ ๆ กับเทคโนโลยี มองข้อมูลเป็นทรัพย์สินระยะยาว ทำงานร่วมกันข้ามทีมตั้งแต่ต้น และวาง governance กับ security ไว้ตั้งแต่แรก ไม่ใช่มาเติมทีหลัง
นี่คือความต่างระหว่างการ “ทำโปรเจกต์ AI” กับการ “สร้างความสามารถใหม่ให้ธุรกิจ” อย่างแท้จริง
บทสรุปที่ธุรกิจควรหยิบกลับไปคิด
ต่อจากนี้ AI จะไม่ได้ถูกตัดสินด้วยความสามารถในการตอบอย่างเดียว แต่จะถูกตัดสินด้วยความสามารถในการเข้าไปอยู่ในงานจริงขององค์กรได้มากแค่ไหน
องค์กรที่ได้เปรียบจึงไม่จำเป็นต้องเป็นองค์กรที่มีเทคโนโลยีล้ำที่สุดเสมอไป แต่อาจเป็นองค์กรที่เข้าใจข้อมูลของตัวเองดีที่สุด วางโครงสร้างการทำงานได้ชัดที่สุด และรู้ว่าควรให้ AI เข้าไปช่วยตรงไหนเพื่อสร้างผลลัพธ์ที่ชัดที่สุดมากกว่า เพราะเมื่อ AI ถูกวางในจุดที่ถูก มันจะไม่ได้เป็นแค่เครื่องมือใหม่ แต่มันจะกลายเป็นวิธีใหม่ของการขับเคลื่อนธุรกิจทั้งระบบ
FAQ
Agentic AI คืออะไร
Agentic AI คือ AI ที่ไม่ได้หยุดแค่การตอบคำถามหรือสร้างคอนเทนต์ แต่สามารถรับเป้าหมาย คิดเป็นลำดับ ใช้เครื่องมือ และช่วยให้งานหลายขั้นตอนเดินต่อได้จริงมากขึ้น
Data-Driven Transformation สำคัญอย่างไร
เพราะ AI จะสร้างผลลัพธ์ทางธุรกิจได้จริง ก็ต่อเมื่อมีข้อมูลที่พร้อมใช้ เชื่อถือได้ และเชื่อมเข้ากับระบบงานขององค์กรได้จริง หากข้อมูลยังแยกกันอยู่ AI ก็จะเก่งได้แค่บนหน้าจอ แต่ไปไม่ถึงผลลัพธ์ในงานจริง
จะวัดผล AI ในองค์กรอย่างไร
กรอบวัดผลที่สำคัญมี 3 เรื่อง คือ ลดต้นทุนได้จริงไหม งานเสร็จเร็วขึ้นจริงไหม และความผิดพลาดลดลงจริงหรือไม่ ซึ่งก็คือ Cost Reduction, Time to Completion และ Error Rate
อุตสาหกรรมไหนได้ประโยชน์จาก AI มากที่สุด
จากตัวอย่างในเนื้อหา จะเห็นโอกาสชัดในค้าปลีก การเงิน การผลิต พลังงาน โลจิสติกส์ อสังหาริมทรัพย์ สุขภาพ และธนาคาร โดยจุดร่วมคือทุกอุตสาหกรรมมีข้อมูลมากขึ้น งานซับซ้อนขึ้น และต้องการตัดสินใจให้เร็วขึ้น
