- 26
- กันยายน
"ใช้ AI เขียน Business Model Canvas ได้แค่ไหน? ทดลองจริงกับ Anthropic บริษัทผู้สร้าง Claude" — คำตอบสั้นที่สุดคือ ทำได้ถึงขั้นร่างครบ 9 ช่องพร้อมเลขอ้างอิงในไม่กี่นาที แต่ตัวเลขทุกตัวยังเป็นหน้าที่ของคนตรวจ และผลจะใช้ได้จริงต่อเมื่อคุณแนบข้อมูลให้ Claude ไม่ใช่ปล่อยให้นึกเอง บทความนี้ทดลองจริง 2 รอบกับบริษัท Anthropic รอบแรกไม่แนบข้อมูล รอบสองแนบเอกสาร 15 รายการ เทียบผลทีละตัวเลข แล้วสรุปเป็นวิธีเอาไปใช้กับบริษัทของคุณเอง
สรุปสั้นๆ: AI เขียน Business Model Canvas ครบ 9 ช่องได้ในไม่กี่นาที รอบที่ไม่แนบข้อมูล ตัวเลขหลักล้าหลังราว 1 ปี (คลาดเคลื่อน 5–9 เท่า) รอบที่แนบข้อมูล 15 รายการได้ BMC ที่อ้างอิงได้ทุกบรรทัด แต่ยังเหลือ 15 จุดที่คนต้องตรวจ
หมายเหตุก่อนอ่าน: การทดลองทำวันที่ 26 กันยายน 2569 ด้วย Claude (โมเดล Claude Fable 5.1 ผ่าน Claude Code) ปิดการค้นเว็บทั้งสองรอบ ข้อมูลของ Anthropic ที่ใช้ตรวจมาจากประกาศทางการของบริษัทและสำนักข่าว ตามรายการท้ายบทความ Anthropic เป็นบริษัทเอกชน ยังไม่เปิดเผยงบการเงิน ตัวเลขรายได้และอัตรากำไรจึงเป็นรายงานข่าวทั้งหมด ราคาเป็นดอลลาร์สหรัฐตามที่ Anthropic ประกาศ ไม่แปลงเป็นบาท และขอแจ้งให้ชัด บริษัทเราจำหน่ายและจัดหา Claude ให้องค์กรไทย แต่บทความนี้เขียนจากข้อมูลสาธารณะเท่านั้น ไม่มีข้อมูลภายในใด ๆ
บทความนี้ไม่ได้ตั้งใจสอนทฤษฎี แต่ตั้งใจตอบคำถามเดียวที่ผู้บริหารถามบ่อยขึ้นเรื่อย ๆ ว่า "ถ้าให้ AI ทำ Business Model Canvas ให้ จะเชื่อได้แค่ไหน" วิธีตอบที่ตรงที่สุดคือทดลองจริงกับบริษัทที่ข้อมูลสาธารณะเยอะและเปลี่ยนเร็ว เราจึงเลือก Anthropic ผู้สร้าง Claude ให้ Claude วิเคราะห์บริษัทแม่ของตัวเอง แล้วเอาผลมาตรวจทีละตัวเลข
1. Business Model Canvas คืออะไร และทำไมถึงเหมาะกับ AI
Business Model Canvas (BMC) คือกระดาษแผ่นเดียวที่สรุปว่าธุรกิจหนึ่ง "ทำเงินได้อย่างไร" ด้วย 9 ช่อง คิดค้นโดย Alexander Osterwalder และ Yves Pigneur ในหนังสือ Business Model Generation ปี 2553 จุดเด่นคือบังคับให้เขียนสั้น เห็นทั้งภาพในหน้าเดียว และทั้ง 9 ช่องต้องสอดคล้องกัน ถ้าช่องรายได้บอกว่าขายองค์กร แต่ช่องช่องทางมีแต่แอปสำหรับผู้ใช้ทั่วไป แปลว่ามีอะไรผิด
| ช่อง | คำถามที่ต้องตอบ | ข้อมูลที่ต้องมีก่อนเขียน |
|---|---|---|
| Customer Segments กลุ่มลูกค้า | ขายให้ใคร | รายชื่อกลุ่มลูกค้า สัดส่วนรายได้ต่อกลุ่ม |
| Value Propositions คุณค่าที่ส่งมอบ | ลูกค้าซื้อเพราะอะไร | ปัญหาที่แก้ ผลลัพธ์ที่ลูกค้าได้ |
| Channels ช่องทาง | ไปถึงลูกค้าทางไหน | ช่องทางขาย ช่องทางส่งมอบ |
| Customer Relationships ความสัมพันธ์ | ดูแลลูกค้าแบบไหน | บริการตัวเอง ทีมขาย ชุมชนผู้ใช้ |
| Revenue Streams กระแสรายได้ | เงินเข้ามาทางไหน | ราคา วิธีคิดเงิน สัดส่วนรายได้แต่ละทาง |
| Key Resources ทรัพยากรหลัก | ต้องมีอะไรถึงทำได้ | คน ทุน เทคโนโลยี ทรัพย์สินทางปัญญา |
| Key Activities กิจกรรมหลัก | ต้องทำอะไรเป็นหลัก | งานที่ถ้าหยุด ธุรกิจหยุด |
| Key Partnerships พันธมิตรหลัก | พึ่งพาใคร | ซัพพลายเออร์ พันธมิตร นักลงทุน |
| Cost Structure โครงสร้างต้นทุน | เงินออกทางไหน | ต้นทุนก้อนใหญ่ คงที่หรือแปรผัน |
เหตุผลที่ BMC เหมาะกับ AI คือมันเป็นงาน "จัดข้อมูลลงโครง" ซึ่ง AI ทำได้ดีมาก แต่นั่นก็เป็นจุดอ่อนเดียวกัน ถ้าข้อมูลที่ป้อนไม่ครบหรือเก่า AI จะจัดข้อมูลเก่าลงโครงอย่างเรียบร้อยสวยงาม และคุณจะไม่รู้จนกว่าจะตรวจ
หลักที่ใช้ทั้งบทความ: ให้ AI ทำโครง คนเป็นเจ้าของตัวเลข ทุกตัวเลขในโครงต้องชี้กลับไปที่เอกสารที่คนเลือกมาเองได้
ใช้ Claude ในองค์กร? ขอใบเสนอราคาเป็นเงินบาท พร้อมใบกำกับภาษี
บริการจัดหาของเรารับตั้งแต่ 5 ที่นั่ง · น้อยกว่านั้นแนะนำซื้อตรงจาก Anthropic · Enterprise ปรึกษาทีมขาย
2. วิธีทดลอง: prompt เดียว รันสองรอบ ต่างกันแค่ "แนบข้อมูลหรือไม่"
เราใช้ prompt เดียวกันทั้งสองรอบ รอบแรกไม่แนบอะไรเลย ให้ AI ตอบจากความรู้ในตัว รอบสองแนบเอกสาร 15 รายการที่เรารวบรวมเอง ได้แก่ ประกาศของ Anthropic 8 รายการ ข่าวและหน้าราคา 7 รายการ ทุกรายการมีวันที่กำกับ ปิดการค้นเว็บทั้งสองรอบ เพื่อให้เห็นชัดว่าผลที่ต่างกันมาจากข้อมูลที่แนบ ไม่ใช่จากความสามารถของโมเดล
คุณเป็นที่ปรึกษากลยุทธ์ธุรกิจ ช่วยวิเคราะห์บริษัท Anthropic (ผู้พัฒนา Claude)
ด้วย Business Model Canvas ให้ครบ 9 ช่อง
กติกา
1. ตอบเป็นภาษาไทย ภาษาคนทำงาน ไม่ต้องเกริ่น
2. แต่ละช่องเขียน 3–6 ข้อ เป็น bullet สั้น ๆ
3. ตัวเลขทุกตัว (รายได้ มูลค่าบริษัท จำนวนลูกค้า ราคาสินค้า) ให้ระบุว่า
"ข้อมูล ณ เมื่อไร" และ "มาจากไหน" ถ้าไม่มั่นใจให้เขียนว่าไม่มั่นใจ ห้ามเดา
4. ปิดท้ายด้วยตาราง "สิ่งที่คนต้องตรวจสอบเพิ่ม" ระบุว่าช่องไหนที่ข้อมูลของคุณ
อาจล้าสมัยหรือไม่ครบ
5. ตอบจากความรู้ของคุณเท่านั้น ไม่ต้องค้นเว็บ และบอกด้วยว่าความรู้ของคุณ
อัปเดตถึงเมื่อไรกติกา 5 ข้อนี้คือหัวใจของการทดลอง ข้อ 3 บังคับให้ทุกตัวเลขมีวันที่และแหล่ง ข้อ 4 บังคับให้ AI ทำรายการ "สิ่งที่ต้องตรวจ" เอง ซึ่งเป็นข้อที่ประหยัดเวลาคนตรวจได้มากที่สุด รอบสองเปลี่ยนแค่ข้อ 3 เป็น "ใช้เอกสารแนบเป็นหลัก ทุกตัวเลขให้ใส่เลขอ้างอิง [n] ถ้าต้องใช้ความรู้เดิมให้กำกับว่าอาจล้าสมัย" นอกนั้นเหมือนเดิมทุกตัวอักษร วิธีเขียนคำสั่งแบบนี้เราอธิบายละเอียดไว้ใน คู่มือเขียน prompt ให้ Claude
แต่ละรอบใช้เวลาราว 5–7 นาที เพราะเป็นโมเดลตัวบนสุดที่คิดนาน ได้คำตอบรอบละราว 7,000–8,000 ตัวอักษร พร้อมตารางสิ่งที่ต้องตรวจท้ายคำตอบ
3. รอบที่ 1 ไม่แนบข้อมูล: โครงถูกครบ 9 ช่อง แต่ตัวเลขย้อนหลังเกือบปี
บรรทัดแรกที่ AI ตอบ ก่อนจะเริ่มวิเคราะห์ คือประกาศขอบเขตของตัวเอง "ผมมีข้อมูลถึงประมาณกลางปี 2026 แต่ส่วนที่มั่นใจจริงอยู่ถึงปลายปี 2025 วันนี้ 26 ก.ย. 2026 จึงมีช่องว่างอย่างน้อย 3 เดือน และผมเป็นโมเดลของ Anthropic เอง มุมมองอาจเอนเอียงได้" ประโยคนี้มีค่ามากที่สุดในคำตอบทั้งหมด เพราะบอกวิธีอ่านทุกอย่างที่ตามมา
โครง 9 ช่องมาครบ เนื้อหาเชิงโครงสร้างถูกต้อง ลูกค้าหลักคือองค์กรและนักพัฒนาที่เรียกใช้ผ่าน API (Application Programming Interface) จุดขายคือความสามารถด้านโค้ดและ agent บวกแบรนด์ด้านความปลอดภัย พันธมิตรด้าน compute มี 3 ค่าย ต้นทุนก้อนใหญ่สุดคือ compute ทั้งหมดนี้ยังจริงอยู่ในวันนี้ แต่พอไล่ตัวเลข ทุกตัวหยุดอยู่ที่ปลายปี 2568
BMC รอบที่ 1 ตามที่ AI ตอบจากความจำ ยังไม่ตรวจ เราจัดลงโครง 9 ช่องโดยคงตัวเลขและคำว่า "ไม่มั่นใจ" ไว้ตามคำตอบเดิม คลิกที่ภาพเพื่อเปิดขนาดเต็ม · ตารางถัดไปเทียบตัวเลขในภาพนี้กับข้อมูลล่าสุด
| ประเด็น | AI รอบ 1 ตอบ (จากความจำ) | ข้อมูลล่าสุด ณ 26 ก.ย. 2569 | ห่างกัน |
|---|---|---|---|
| รายได้ run-rate (รายได้เดือนล่าสุด × 12) | ราว $7B (ต.ค. 2568) และเขียนว่า "ปี 2026 มีรายงานสูงกว่านี้มากแต่ไม่มั่นใจตัวเลข" | $65B ณ สิ้น ก.ค. 2569 [3] คาดเกิน $100B ภายในปี 2569 [4] | ราว 9 เท่า |
| มูลค่าบริษัท | $183B (Series F ก.ย. 2568) และ "ต้นปี 2026 ราว $350–380B ไม่มั่นใจ" | $965B หลังระดมทุน Series H พ.ค. 2569 [2] | ราว 5 เท่า |
| Claude Code | run-rate ราว $500M (ส.ค. 2568) เกิน $1B ปลายปี "ไม่มั่นใจ" | มากกว่า $2.5B (ก.พ. 2569) [1] | 2.5 เท่าจากตัวเลขหลัง |
| ราคา API | ราคาตระกูล 4.5 (Opus 4.5 $5/$25, Sonnet 4.5 $3/$15) และ "ตระกูล Claude 5 ไม่มีข้อมูล" | Fable 5.1 $10/$50 · Opus 5.5 $4/$20 · Sonnet 5 $2/$10 ต่อล้านโทเคน [10] | รุ่นเปลี่ยนทั้งหมด |
| ลูกค้าธุรกิจ | 300,000+ ราย (ก.ย.–ต.ค. 2568) | ยังเป็นตัวเลขล่าสุดที่ Anthropic ประกาศ [5] บวกองค์กร 100,000+ ที่ใช้ผ่าน Amazon Bedrock [7] | ตรงกัน |
| Compute | TPU สูงสุด 1 ล้านตัว, Project Rainier ~500,000 ชิป (ต.ค. 2568) | ตรง แต่ไม่รู้ดีลใหม่ 5 GW กับ Amazon และ 5 GW กับ Google/Broadcom (เม.ย.–พ.ค. 2569) [2][6][7] | ขาดดีลใหม่ |
| การเข้าตลาดหุ้น (IPO) | ไม่พูดถึงเลย | ยื่นเอกสารแบบลับแล้ว คาดเข้าตลาดปลายปี 2569 [3][4] | ขาดทั้งเรื่อง |
GW = กิกะวัตต์ หน่วยวัดกำลังไฟฟ้าของศูนย์ข้อมูล · TPU = Tensor Processing Unit ชิปประมวลผล AI ของ Google · ตัวเลขในวงเล็บ [n] ชี้ไปที่แหล่งอ้างอิงท้ายบทความ
สิ่งที่ต้องให้เครดิตคือ AI ไม่ได้มั่ว ทุกตัวเลขมีวันที่กำกับ ตัวที่ไม่มั่นใจก็บอกว่าไม่มั่นใจ ตาราง "สิ่งที่ต้องตรวจ" ท้ายคำตอบมี 10 แถว ชี้ถูกทุกจุดที่ตัวเลขล้าสมัยจริง แต่ถ้าผู้อ่านข้ามบรรทัดแรกไป ก็จะได้ BMC ที่ดูสมบูรณ์มาก ทั้งที่ตัวเลขหลักคลาดไป 5–9 เท่า
ข้อสังเกตที่ควรจำ: ตัวเลขที่ AI "จำได้" จากข่าวเก่า ดูน่าเชื่อกว่าตัวเลขที่เดา เพราะมีวันที่และแหล่งกำกับครบ นี่คือความเสี่ยงจริงของงานวิเคราะห์บริษัทที่เปลี่ยนเร็ว วันที่ที่กำกับไว้คือสัญญาณเตือนให้ไปหาของใหม่ ไม่ใช่ตราประทับรับรอง
4. รอบที่ 2 แนบข้อมูล 15 รายการ: ได้ BMC ที่อ้างอิงได้ทุกบรรทัด
รอบสองผลเปลี่ยนไปทั้งฉบับ ทุกข้อที่มีตัวเลขมีเลข [n] ชี้กลับไปที่เอกสารแนบ ข้อไหนเป็นความเห็นของ AI เอง มันเขียนกำกับว่า "(ตีความ)" โดยที่เราไม่ได้สั่ง และมี 3 อย่างที่ AI ทำเกินกว่าที่คาด
- ระบุว่าตัวเลข run-rate $65B และ $100B "สื่ออ้างแหล่งข่าว ไม่ใช่ประกาศทางการ" และแนะนำให้รอเอกสาร S-1 (แบบแสดงรายการข้อมูลที่บริษัทยื่นก่อนเข้าตลาดหุ้นสหรัฐ) ก่อนใช้เป็นตัวเลขยืนยัน
- เตือนว่าตัวเลข compute ทั้งหมดเป็น "สูงสุด (up to)" ตามข้อตกลง ไม่ใช่กำลังที่ติดตั้งและใช้งานจริง
- แยกว่าสัดส่วนรายได้จาก API ราว 80% เป็นประมาณการของบุคคลที่สาม ไม่ใช่ตัวเลขของ Anthropic
ตาราง "สิ่งที่คนต้องตรวจ" ยาวขึ้นจาก 10 เป็น 15 แถว ฟังดูเหมือนแย่ลง แต่จริง ๆ ดีขึ้น เพราะแต่ละแถวเจาะจงกว่าเดิม จาก "ตัวเลขอาจเก่า" กลายเป็น "ต้องดูเงื่อนไขส่วนแบ่งรายได้กับผู้ให้บริการคลาวด์" หรือ "ต้องแยกว่าเงินลงทุนที่ประกาศว่า 'สูงสุด' ปล่อยจริงแล้วเท่าไร" ซึ่งเป็นคำถามระดับที่นักวิเคราะห์ถามกัน
ด้านล่างคือ BMC ของ Anthropic ที่ได้จากรอบ 2 หลังเราตรวจกับแหล่งข้อมูลแล้ว เราตัดข้อที่ AI กำกับว่า "ความรู้เดิม" ออก และเก็บเฉพาะข้อที่ยืนยันกับเอกสารได้ ภาพแรกคือ canvas ในเลย์เอาต์มาตรฐาน 9 ช่อง ตารางถัดไปคือเนื้อหาเดียวกันพร้อมเลขแหล่งอ้างอิง
Business Model Canvas ของ Anthropic ที่ได้จากรอบ 2 หลังตรวจกับแหล่ง คลิกที่ภาพเพื่อเปิดขนาดเต็ม (2000 พิกเซล) · เลข [n] ในแต่ละช่องคือแหล่งอ้างอิงท้ายบทความ
| ช่อง | Business Model Canvas ของ Anthropic (ณ 26 ก.ย. 2569) | แหล่ง |
|---|---|---|
| กลุ่มลูกค้า | องค์กรใหญ่ (8 ใน Fortune 10 เป็นลูกค้า · ลูกค้าที่จ่ายเกิน $1M ต่อปี 500+ ราย) · ธุรกิจทั่วไป 300,000+ ราย · นักพัฒนาผ่าน Claude Code · ผู้ใช้ทั่วไปแผน Free/Pro/Max · หน่วยงานรัฐบาลกลางสหรัฐผ่าน GSA (General Services Administration) · ตลาดเอเชียแปซิฟิกที่ run-rate โตกว่า 10 เท่าในหนึ่งปี | [1][5][7][9][12] |
| คุณค่าที่ส่งมอบ | โมเดลหลายระดับเลือกตามงานและงบ (Fable 5.1, Opus 5.5, Sonnet 5, Haiku 4.5) · agent ที่ทำงานจริง ไม่ใช่แค่แชต (Claude Code, Cowork, Chrome, Microsoft 365) · พร้อมใช้ในองค์กร (SCIM, audit log, FedRAMP High, HIPAA) · เลือกคลาวด์ได้ 3 ค่าย ลดการผูกติดผู้ให้บริการ · มาตรฐานเปิด MCP (Model Context Protocol) · ความน่าเชื่อถือด้านความปลอดภัยผ่าน Responsible Scaling Policy และโครงสร้างบริษัทแบบ Public Benefit Corporation | [2][8][10][12][13][14] |
| ช่องทาง | ขายตรงผ่านแอปและ API · Amazon Bedrock, Google Cloud, Microsoft Foundry · ฝังในเครื่องมือที่คนใช้อยู่แล้ว (terminal, Chrome, Microsoft 365) · ช่องทางภาครัฐผ่าน GSA OneGov · สำนักงานเอเชียแปซิฟิก 4 แห่ง (Tokyo, Bengaluru, Seoul, Sydney) | [7][8][9][12][14] |
| ความสัมพันธ์กับลูกค้า | บริการตัวเองแบบขั้นบันได Free → Pro → Max → Team → Enterprise · ทีมดูแลบัญชีองค์กร (บัญชีที่จ่ายเกิน $100K ต่อปี โต 7 เท่าในหนึ่งปี) · ทีมท้องถิ่นในภูมิภาค · ชุมชนนักพัฒนาผ่าน MCP และ SDK | [1][9][10][14] |
| กระแสรายได้ | API คิดตามโทเคน (Fable 5.1 $10/$50 · Opus 5.5 $4/$20 · Sonnet 5 $2/$10 · Haiku 4.5 $1/$5 ต่อล้านโทเคน) ประมาณการบุคคลที่สามว่าราว 80% ของรายได้ · แผนบุคคล Pro $20 และ Max $100/$200 ต่อเดือน · Team $25 (Standard) และ $125 (Premium) ต่อที่นั่งต่อเดือน ขั้นต่ำ 2 ที่นั่ง · Enterprise $20 ต่อที่นั่งต่อเดือนบวกค่าใช้งานตามอัตรา API · run-rate $9B สิ้นปี 2568 → $65B ก.ค. 2569 คาดเกิน $100B ในปี 2569 | [1][2][3][4][10][15] |
| ทรัพยากรหลัก | Compute: สูงสุด 5 GW กับ Amazon · 5 GW กับ Google/Broadcom · 1 GW บน Azure · TPU สูงสุด 1 ล้านตัว · Trainium2 ราว 500,000 ชิป · ทุน: Series G $30B (มูลค่า $380B) และ Series H $65B (มูลค่า $965B) · ตระกูลโมเดล Claude และทีมวิจัย · โครงสร้าง Public Benefit Corporation บวก Long-Term Benefit Trust | [1][2][5][7][8][13] |
| กิจกรรมหลัก | วิจัยและฝึกโมเดลรุ่นใหม่ต่อเนื่อง · พัฒนาผลิตภัณฑ์ agent · จัดหา compute ระดับหลาย GW ข้าม 3 คลาวด์ · ประเมินความปลอดภัยตาม Responsible Scaling Policy · ขยายลูกค้าองค์กรและสำนักงานภูมิภาค · เตรียมเข้าตลาดหุ้น | [3][4][6][9][13][14] |
| พันธมิตรหลัก | Amazon (ลงทุน $8B เดิม + $5B + สูงสุด $20B · Anthropic ผูกพันใช้จ่ายกับ AWS มากกว่า $100B ใน 10 ปี) · Google/Broadcom (TPU) · Microsoft + NVIDIA (ซื้อ Azure $30B · รับลงทุนสูงสุด $5B + $10B) · SpaceX (เข้าถึง GPU) · นักลงทุนสถาบัน GIC, Coatue, Sequoia, Altimeter ฯลฯ · GSA | [1][2][5][6][7][8][12] |
| โครงสร้างต้นทุน | Compute ก้อนใหญ่สุด: ใช้ $0.71 ต่อรายได้ $1 ในไตรมาส 1/2569 และประมาณการ $0.56 ในไตรมาส 2 · อัตรากำไรขั้นต้นแนวโน้มราว 44% · ภาระผูกพันระยะยาว: AWS มากกว่า $100B · Azure $30B · Google "หลายหมื่นล้านดอลลาร์" · โครงสร้างพื้นฐานในสหรัฐ $50B · วิจัยและบุคลากร (ไม่มีตัวเลขสาธารณะ) · ต้นทุนการรับรองมาตรฐานความปลอดภัย | [5][6][7][8][11] |
SCIM = System for Cross-domain Identity Management (มาตรฐานจัดการบัญชีผู้ใช้อัตโนมัติ) · FedRAMP = โปรแกรมรับรองความปลอดภัยคลาวด์ของรัฐบาลกลางสหรัฐ · HIPAA = กฎหมายคุ้มครองข้อมูลสุขภาพสหรัฐ · run-rate = รายได้ล่าสุดคูณ 12 เดือน ไม่ใช่รายได้จริงทั้งปี
ถ้าอ่านตารางนี้เป็นกลยุทธ์ จะเห็นภาพเดียว Anthropic ขายให้องค์กรผ่านทุกช่องทางที่องค์กรซื้ออยู่แล้ว ทั้งคลาวด์ 3 ค่าย เครื่องมือที่ใช้อยู่ และช่องทางภาครัฐ แล้วเอารายได้นั้นไปผูกสัญญา compute ก้อนใหญ่ล่วงหน้าหลายปี ช่องรายได้กับช่องต้นทุนจึงโตไปด้วยกัน นี่คือเหตุผลที่บทวิเคราะห์ [11] เรียกอัตรากำไรขั้นต้นว่า "ตัวเลขที่สำคัญที่สุด" ของบริษัท และเป็นสิ่งที่ตัวเลขทางการจะเปิดเผยเมื่อเอกสาร S-1 ออกสู่สาธารณะ
ต้นทุนของการทดลองนี้: รวบรวมแหล่งข้อมูล 15 รายการใช้เวลาราว 1 ชั่วโมง รันสองรอบราว 15 นาที ตรวจผลอีกราว 1 ชั่วโมง ถ้าทำมือทั้งหมด งานระดับนี้ใช้เวลาเป็นวัน เวลาที่ประหยัดได้อยู่ที่ขั้น "จัดลงโครง" ส่วนขั้น "หาแหล่ง" และ "ตรวจ" ยังเป็นของคนเท่าเดิม
5. สี่อย่างที่ AI ยังทำแทนคนไม่ได้ ถึงจะแนบข้อมูลครบ
| งาน | AI ทำได้ | คนต้องทำ |
|---|---|---|
| จัดข้อมูลลงโครง 9 ช่อง | ทำได้ดี เร็ว ครบ | ตรวจว่าไม่ตกช่องที่สำคัญกับธุรกิจตัวเอง |
| อ้างอิงและแยกข้อเท็จจริงจากการตีความ | ทำได้เมื่อสั่งชัดในกติกา | ตรวจว่าเอกสารที่แนบถูกต้องตั้งแต่ต้น AI ไม่รู้ว่าเอกสารผิด |
| เลือกว่าอะไร "สำคัญที่สุด" ในแต่ละช่อง | ทำได้ระดับหนึ่ง แต่มักใส่ทุกอย่างที่หาเจอ | ตัดให้เหลือ 3 ข้อที่ผู้บริหารต้องรู้จริง |
| ตีความเชิงกลยุทธ์ว่าทำไมถึงทำแบบนี้ | เสนอได้ และกำกับว่าเป็นการตีความ | ตัดสินใจและรับผิดชอบผลของการตัดสินใจ |
| บริบทเฉพาะของผู้ใช้ เช่น ซื้อในไทยต้องทำอย่างไร | ไม่มีในเอกสารแนบ จึงไม่รู้ | เติมเอง |
ข้อสุดท้ายสำคัญกับผู้อ่านไทยเป็นพิเศษ BMC ของ Anthropic ทั้ง 9 ช่องไม่บอกเลยว่าองค์กรไทยจะซื้อ Claude แบบมีใบกำกับภาษี จัดการภาษีมูลค่าเพิ่มตาม ภ.พ.36 หรือทำเอกสารจัดซื้ออย่างไร เพราะเป็นเรื่องระดับช่องทางในแต่ละประเทศ ไม่ใช่ระดับโมเดลธุรกิจของบริษัทแม่ ถ้าต้องการ เราเขียนแยกไว้ที่ ซื้อตรงกับ Anthropic หรือผ่านผู้จัดหาในไทย และ คำถามที่พบบ่อยเรื่องแผน Team และ Enterprise
เรื่องข้อมูลที่แนบ: การทดลองนี้ใช้ข้อมูลสาธารณะทั้งหมด จึงแนบในบัญชีไหนก็ได้ แต่ถ้าจะทำ BMC ของบริษัทตัวเองด้วยรายงานภายในจริง ให้ใช้แผน Team, Enterprise หรือ API ซึ่งเงื่อนไขการใช้งานเชิงพาณิชย์ของ Anthropic ระบุว่าไม่นำข้อมูลไปฝึกโมเดล และตั้งค่าระยะเวลาเก็บข้อมูลตามนโยบายองค์กร อย่าแนบรายงานภายในลงบัญชีส่วนตัวของพนักงาน
6. เอาไปใช้กับธุรกิจตัวเอง: 5 ขั้น และจุดที่ ERP เข้ามาเกี่ยว
- รวบรวมข้อมูลจริงก่อนเปิดแชต อย่างน้อย 5 ใน 9 ช่องมีข้อมูลอยู่ในระบบขององค์กรอยู่แล้ว กลุ่มลูกค้าและช่องทางอยู่ในรายงานรายได้แยกตามลูกค้าหรือหน่วยงาน กระแสรายได้อยู่ในบัญชีแยกประเภท โครงสร้างต้นทุนอยู่ในรายงานต้นทุนตามศูนย์ต้นทุน พันธมิตรหลักคือซัพพลายเออร์รายใหญ่ในระบบจัดซื้อ ทรัพยากรหลักคืออัตรากำลังและงบประมาณ ส่งออกเป็น Excel หรือ PDF ใส่วันที่ทุกไฟล์
- ใช้ prompt ในหัวข้อ 2 เปลี่ยนชื่อบริษัท แนบไฟล์แทนเอกสาร 15 รายการของเรา วิธีแนบและขีดจำกัดของไฟล์แต่ละแบบอ่านที่ ใช้ Claude อ่านไฟล์ Excel, CSV, PDF
- ให้ทีมใช้เอกสารชุดเดียวกัน ผ่าน Claude Projects เพื่อให้ฝ่ายขาย ฝ่ายบัญชี และผู้บริหารได้ BMC จากข้อมูลชุดเดียวกัน ไม่ใช่ต่างคนต่างแนบ
- ผู้บริหารอ่านตาราง "สิ่งที่ต้องตรวจ" ก่อนอ่าน BMC ตารางนั้นคือรายการการบ้านที่ AI จัดให้ ถ้าผู้บริหารเซ็นรับ BMC โดยไม่ดูตารางนี้ ก็เท่ากับรับตัวเลขที่ยังไม่มีใครตรวจ เรื่องบทบาทผู้บริหารกับข้อมูลในระบบ เราเขียนไว้ใน ERP สำเร็จหรือล้มอยู่ที่ผู้บริหาร
- ทำซ้ำทุกไตรมาส เก็บ BMC เวอร์ชันเก่าไว้เทียบ ช่องไหนเปลี่ยนคือสัญญาณว่าธุรกิจกำลังขยับ
ตอนถัดไป: เราเอา BMC ฉบับนี้ไปต่อยอดเป็น SWOT และ TOWS Matrix ด้วยวิธีเดียวกัน อ่านได้ที่ ใช้ AI ทำ SWOT และ TOWS Matrix ได้แค่ไหน
จากงานของเรา: ลูกค้า Saeree ERP ดึงรายงานจากระบบบัญชี งบประมาณ จัดซื้อ และคลัง เป็น Excel หรือ PDF แล้วแนบให้ Claude อ่านตามขั้นตอนข้างต้นได้เลย ส่วนองค์กรที่ต้องการให้ Claude ถามข้อมูลจาก ERP ได้โดยตรงโดยไม่ต้องส่งออกไฟล์ เราเชื่อมผ่าน MCP โดยกำหนดสิทธิ์ตามบทบาทผู้ใช้และเก็บบันทึกทุกคำถาม ระบบ ERP (Enterprise Resource Planning) ยังเป็นแหล่งข้อมูลจริงเหมือนเดิม Claude เป็นผู้ช่วยอ่านและจัดโครง ดูรูปแบบงานที่ Claude Solutions และแนวคิดที่ MCP คืออะไร
สรุป
- AI เขียน Business Model Canvas ครบ 9 ช่องได้ในไม่กี่นาที โครงสร้างถูกตั้งแต่รอบที่ไม่แนบข้อมูล
- รอบที่ไม่แนบข้อมูล ตัวเลขหลักหยุดที่ปลายปี 2568 คลาดจากปัจจุบัน 5–9 เท่า แต่ AI ระบุขอบเขตความรู้และจุดที่ไม่มั่นใจไว้ชัด
- รอบที่แนบข้อมูล 15 รายการ ได้ BMC ที่ทุกตัวเลขชี้กลับไปที่แหล่ง แยกข้อเท็จจริงจากการตีความ และทำรายการ 15 จุดที่คนต้องตรวจให้เอง
- กติกาที่ทำให้ผลต่างกันคือ บังคับใส่วันที่และแหล่ง ห้ามเดา และให้ AI ทำตารางสิ่งที่ต้องตรวจ
- งานที่ยังเป็นของคน คือหาแหล่งที่ถูก ตัดให้เหลือสิ่งสำคัญ ตัดสินใจเชิงกลยุทธ์ และเติมบริบทเฉพาะเช่นการซื้อในไทย
- สำหรับบริษัทของคุณเอง ข้อมูล 5 ใน 9 ช่องอยู่ในระบบ ERP อยู่แล้ว เริ่มจากส่งออกรายงานพร้อมวันที่ แล้วใช้ prompt เดียวกัน
AI จัดข้อมูลลงโครงได้ในสิบนาที แต่ตัวเลขในโครงเป็นของคนที่แนบข้อมูลเข้าไป ถ้าไม่มีใครแนบ ตัวเลขก็เป็นของอดีต
- ข้อสรุปจากการทดลอง 26 กันยายน 2569
แหล่งอ้างอิง
- [1] Anthropic: Anthropic raises $30B Series G at $380B post-money valuation (12 ก.พ. 2569)
- [2] Anthropic: Anthropic raises $65B Series H at $965B valuation (28 พ.ค. 2569)
- [3] TechCrunch (อ้าง Bloomberg): Anthropic's annualized revenue surges to $65B (17 ส.ค. 2569)
- [4] Axios (อ้าง The New York Times): Anthropic tops $100 billion revenue pace, report says (18 ก.ย. 2569)
- [5] Anthropic: Expanding our use of Google Cloud TPUs and services (23 ต.ค. 2568)
- [6] Anthropic: Anthropic expands Google and Broadcom compute deal (6 เม.ย. 2569)
- [7] Amazon: Amazon announces $5B Anthropic investment, up to $20B more (20 เม.ย. 2569)
- [8] Microsoft: Microsoft, NVIDIA and Anthropic announce strategic partnerships (18 พ.ย. 2568)
- [9] Anthropic: Seoul becomes third Anthropic office in Asia-Pacific (และ Sydney fourth office, 10 มี.ค. 2569) (23 ต.ค. 2568)
- [10] Claude: Pricing page (ตรวจ 26 ก.ย. 2569)
- [11] Yahoo Finance: Anthropic's gross margin is the most important number in tech (10 มิ.ย. 2569)
- [12] GSA: GSA strikes another OneGov deal with Anthropic (ขยายถึง 31 ต.ค. 2569 ตามรายงาน Nextgov ก.ย. 2569) (12 ส.ค. 2568)
- [13] Anthropic: The Long-Term Benefit Trust (ก.ย. 2566)
- [14] Anthropic: Claude Cowork และหน้าผลิตภัณฑ์ที่ claude.com (ตรวจ 26 ก.ย. 2569)
- [15] Sacra: Anthropic revenue, valuation & funding (ประมาณการบุคคลที่สาม) (2569)
- Strategyzer: The Business Model Canvas (Osterwalder & Pigneur)
อยากลองทำ BMC ของบริษัทคุณด้วย Claude แบบมีข้อมูลจริง?
บริการจัดหา Claude Team และ Enterprise พร้อมใบเสนอราคาเป็นเงินบาทและใบกำกับภาษี รับตั้งแต่ 5 ที่นั่ง และงานเชื่อม Claude กับข้อมูล ERP ผ่าน MCP แบบกำหนดสิทธิ์ตามบทบาท
ปรึกษา / ขอใบเสนอราคาโทร 02-347-7730 | sale@grandlinux.com
