ใช้ AI ทำ SWOT และ TOWS Matrix ได้แค่ไหน? ทดลองต่อกับ Anthropic จาก Business Model Canvas สู่ทางเลือกกลยุทธ์

ตอนแรกเราพิสูจน์ว่า AI จัดข้อมูลลงโครง 9 ช่องได้ดี ถ้าแนบข้อมูลให้ คำถามที่ค้างคือ ถ้าเลยจาก "จัดข้อมูล" ไปสู่ "ตัดสินว่าอะไรดีอะไรร้าย" และ "เสนอว่าควรทำอะไร" AI จะยังไปได้ไหม SWOT ตอบคำถามแรก TOWS ตอบคำถามที่สอง เราจึงทดลองต่อกับ Anthropic บริษัทเดิม เอกสารชุดเดิมบวกของใหม่ 6 รายการ แล้วเอาผลมาให้ดูทั้งภาพและตาราง

1. SWOT คืออะไร แล้ว TOWS ต่างตรงไหน

SWOT คือการแยกปัจจัยของธุรกิจเป็น 4 ช่อง จุดแข็ง (Strengths) กับจุดอ่อน (Weaknesses) เป็นเรื่องภายในที่บริษัทควบคุมได้ โอกาส (Opportunities) กับอุปสรรค (Threats) เป็นเรื่องภายนอกที่ควบคุมไม่ได้ ใช้กันมาตั้งแต่ทศวรรษ 1960 จุดอ่อนที่รู้กันดีคือ SWOT จบที่ "รายการ" ไม่ได้บอกว่าต้องทำอะไรต่อ

TOWS Matrix ของ Heinz Weihrich (ปี 2525) แก้ตรงนั้น โดยเอา 4 ช่องมาจับคู่กันเป็น 4 กลุ่มกลยุทธ์ ทุกกลยุทธ์ต้องชี้ได้ว่ามาจากข้อไหนของ SWOT ถ้าชี้ไม่ได้ แปลว่าคิดเอาเอง

เหตุผลที่คู่นี้เหมาะทดสอบ AI คือ SWOT ราวครึ่งหนึ่งเป็นงานจัดข้อเท็จจริง อีกครึ่งเป็นการตัดสิน ส่วน TOWS เป็นการตัดสินล้วน ๆ ถ้า AI ทำได้ดี เราจะรู้ว่ามันคิดเป็น ถ้าทำได้แต่ไม่รู้ขอบเขตตัวเอง เราจะได้กลยุทธ์ที่ดูดีแต่เชื่อไม่ได้

2. วิธีทดลอง: สองขั้นต่อกัน SWOT ก่อน แล้วเอาผลไปทำ TOWS

ทำเหมือนที่ปรึกษาทำจริง คือทำ SWOT ให้เสร็จก่อน ตรวจ แล้วค่อยเอาผลไปจับคู่เป็น TOWS ในคำสั่งที่สอง เอกสารแนบมี 21 รายการ 15 รายการแรกคือชุดเดิมจากตอนที่ 1 (ประกาศของ Anthropic ข่าว หน้าราคา) เพิ่มของใหม่ 5 รายการที่ SWOT ต้องมีแต่ BMC ไม่ต้องใช้ ได้แก่ ตัวเลขคู่แข่ง (OpenAI, Google Cloud) ผลสำรวจส่วนแบ่งตลาดองค์กรของ Menlo Ventures รายงานเรื่องโมเดล open-weight จีนของ State Street และไทม์ไลน์ EU AI Act บวกรายการที่ 21 คือ BMC ที่ตรวจแล้วจากตอนที่ 1

คุณเป็นที่ปรึกษากลยุทธ์ธุรกิจ ช่วยทำ SWOT Analysis ของบริษัท Anthropic
(ผู้พัฒนา Claude) จากเอกสารแนบด้านล่าง

กติกา
1. ตอบเป็นภาษาไทย ภาษาคนทำงาน ไม่ต้องเกริ่น
2. แต่ละด้าน (Strengths, Weaknesses, Opportunities, Threats) เขียน 5–7 ข้อ
   เรียงจากสำคัญมากไปน้อย ตั้งรหัสข้อเป็น S1, S2, W1, O1, T1 ...
3. ทุกข้อให้ระบุ (ก) เลขอ้างอิง [n] ของเอกสารแนบที่ใช้ (ข) ป้ายกำกับว่าเป็น
   "ข้อเท็จจริง" หรือ "ตีความ" ถ้าเป็นการตีความ ให้บอกสั้น ๆ ว่าตีความจากอะไร
4. Strengths และ Weaknesses ต้องเป็นเรื่องภายในบริษัท Opportunities และ
   Threats ต้องเป็นเรื่องภายนอก ห้ามสลับ
5. ถ้าเอกสารแนบไม่ครอบคลุมและต้องใช้ความรู้เดิมของคุณ ให้กำกับว่า
   (ความรู้เดิม อาจล้าสมัย) ห้ามเดาตัวเลข
6. ปิดท้ายด้วยตาราง "สิ่งที่คนต้องตัดสินใจหรือตรวจสอบเพิ่ม" ระบุว่าข้อไหน
   ของ SWOT ขึ้นกับมุมมองมากกว่าข้อมูล และข้อมูลอะไรที่ยังขาด
7. ไม่ต้องค้นเว็บ

คำสั่งขั้นที่สองแนบผล SWOT ทั้งฉบับกับเอกสารชุดเดิม แล้วสั่งให้ทำ 4 กลุ่ม กลุ่มละ 3 กลยุทธ์ กติกาที่เพิ่มเข้ามาและสำคัญที่สุดมี 3 ข้อ หนึ่ง ทุกกลยุทธ์ต้องระบุว่าจับคู่จากรหัสไหน (เช่น S3+O2) ห้ามเสนอสิ่งที่ไม่มีใน SWOT สอง ทุกกลยุทธ์ต้องบอก "สิ่งที่ต้องเป็นจริงก่อน" คือสมมติฐานที่ถ้าผิด กลยุทธ์นั้นล้ม พร้อมระดับความมั่นใจสูง กลาง ต่ำ สาม ปิดท้ายด้วยตาราง "ถ้าต้องเลือกแค่ 3 กลยุทธ์" และตาราง "สิ่งที่คนต้องตัดสินใจ" ที่ระบุว่าทางเลือกไหนขึ้นกับความเสี่ยงที่ผู้บริหารยอมรับได้ ไม่ใช่ขึ้นกับข้อมูล วิธีเขียนกติกาแบบนี้เราอธิบายไว้ใน คู่มือเขียน prompt ให้ Claude

สองขั้นใช้เวลารวมราว 15 นาที ได้คำตอบขั้นละราว 8,000–10,000 ตัวอักษร

3. ผล SWOT: 28 ข้อ AI ติดป้ายเองว่า 12 ข้อเป็นข้อเท็จจริง 16 ข้อเป็นการตีความ

นี่คือ SWOT ที่ได้ หลังเราตรวจกับเอกสารแล้ว ตัวเลขทุกตัวชี้กลับไปที่แหล่ง [n] ท้ายบทความ ป้ายสีเขียวคือข้อเท็จจริง สีเหลืองคือการตีความตามที่ AI กำกับเอง คลิกที่ภาพเพื่อเปิดขนาดเต็ม

สามอย่างที่ควรสังเกตในภาพนี้

• ป้ายกระจุกตามธรรมชาติของงาน จุดแข็ง 6 ใน 7 ข้อเป็นข้อเท็จจริง เพราะมีตัวเลขรองรับ จุดอ่อนและโอกาส 6 ใน 7 ข้อเป็นการตีความ เพราะต้องอนุมานจากโครงสร้าง AI ไม่ได้แต่งป้ายให้ดูดี มันสะท้อนว่า SWOT ครึ่งหลังคือความเห็นเสมอ
• ข้อมูลชุดเดียวกันเป็นได้ทั้งจุดแข็งและจุดอ่อน สัญญา compute ราว 11 กิกะวัตต์อยู่ใน S5 ในฐานะข้อได้เปรียบที่คู่แข่งซื้อไม่ได้ทันที และอยู่ใน W2 ในฐานะภาระคงที่ที่ไม่ลดตามรายได้ AI ไม่ได้เลือกข้างให้ แต่เขียนไว้ในตารางท้ายว่า "ต่างกันที่เชื่อว่าโตต่อได้อีกกี่ปี ไม่มีข้อมูลไหนพิสูจน์อนาคต" EU AI Act ก็เช่นกัน อยู่ทั้ง O7 และ T7
• AI เตือนเรื่องอายุของข้อมูลเอง ส่วนแบ่งตลาดโค้ด 54% ที่ทำให้ S3 ดูแข็ง AI กำกับว่ามาจากสำรวจเดือนพฤศจิกายน 2568 ก่อนที่ OpenAI จะดัน Codex และหั่นราคา จึงจัดเป็น "ตีความ" ไม่ใช่ข้อเท็จจริง และขอตัวเลขปี 2569 ในตารางท้าย

ตาราง "สิ่งที่คนต้องตัดสินใจหรือตรวจสอบเพิ่ม" ท้าย SWOT มี 9 แถว เราคัดมา 5 แถวที่ผู้อ่านน่าจะเจอกับบริษัทตัวเองด้วย

GW = กิกะวัตต์ หน่วยกำลังไฟฟ้าของศูนย์ข้อมูล · run-rate = รายได้เดือนล่าสุดคูณ 12 · S-1 = เอกสารที่ยื่นก่อนเข้าตลาดหุ้นสหรัฐ · ตารางเต็ม 9 แถวอยู่ในไฟล์ผลดิบที่เราเก็บไว้

4. ผล TOWS: 12 กลยุทธ์ พร้อมสมมติฐานที่ต้องจริงก่อน และ 3 ข้อที่ AI เลือก

ขั้นที่สองคือส่วนที่เราสงสัยมากที่สุดว่า AI จะทำได้ไหม ผลคือได้ครบ 12 กลยุทธ์ ทุกข้อชี้กลับไปที่รหัส SWOT ทุกข้อมี "สิ่งที่ต้องเป็นจริงก่อน" และระดับความมั่นใจ ดาวในภาพคือ 3 ข้อที่ AI เลือกเมื่อถูกบังคับให้เลือกแค่ 3

RSP = Responsible Scaling Policy กรอบความปลอดภัยของ Anthropic · LTBT = Long-Term Benefit Trust · ระดับความมั่นใจเป็นของ AI ทั้งหมด

เหตุผลที่ AI เลือก 3 ข้อนี้อ่านแล้วเป็นตรรกะของคนทำการเงิน ข้อแรกเลือก WT1 เพราะ "อัตรากำไร 44% คือตัวเลขที่ตัดสินทั้งมูลค่า IPO และความสามารถจ่าย commitment ถ้าหลุดต่ำกว่า 40% กลยุทธ์ที่เหลือไม่มีเงินทำ" ข้อสองเลือก ST1 เพราะหน้าต่างที่คู่แข่งยอมรับว่าตามหลัง "มีวันหมดอายุ" ข้อสามเลือก WO1 เพราะเป็นตัวปลดล็อกให้อีกสองข้อมีน้ำหนักในการเจรจา และ AI อธิบายด้วยว่าทำไมไม่เลือก SO1 ที่ดูน่าตื่นเต้นกว่า เพราะ "สื่อระบุว่า Cowork เป็นแรงขับรายได้อยู่แล้ว จึงเป็นสิ่งที่กำลังเกิดมากกว่าสิ่งที่ต้องตัดสินใจใหม่"

ตารางสุดท้ายที่ AI ทำคือ "สิ่งที่คนต้องตัดสินใจ" 7 ประเด็น แต่ละประเด็นบอกว่าถ้ารับความเสี่ยงได้สูงจะเลือกทางไหน ถ้ารับได้ต่ำจะเลือกทางไหน และทำไมข้อมูลตอบให้ไม่ได้ เราคัดมา 4 ประเด็น

5. สิ่งที่เรียนรู้: AI คิดเป็น แต่ไม่รู้ว่าคุณกล้าแค่ไหน

สรุปจากสองตอนรวมกัน AI ไปได้ 3 ขั้น จัดข้อมูลลงโครง แยกข้อเท็จจริงจากความเห็น และจับคู่เป็นทางเลือกพร้อมเงื่อนไข ขั้นที่ 4 คือเลือก มันทำให้ได้ถ้าบังคับ แต่มันเลือกด้วยเกณฑ์ที่มันเดาว่าเหมาะ ไม่ใช่เกณฑ์ของคุณ และไม่รู้ข้อมูลภายในที่ตัดสินจริง เช่น เงื่อนไขสัญญา ต้นทุนจริงต่อหน่วย หรือความสัมพันธ์กับลูกค้ารายใหญ่

• ที่ AI ทำได้ดีกว่าที่คาด ติดป้ายข้อเท็จจริงกับตีความโดยไม่เอนเอียง ชี้ว่าข้อมูลชุดเดียวกันเป็นได้ทั้งจุดแข็งและจุดอ่อน แยกสิ่งที่ควบคุมได้ออกจากสิ่งที่ควบคุมไม่ได้ และยอมเว้นช่องที่ข้อมูลไม่พอ
• ที่ต้องเป็นคน กำหนดระดับความเสี่ยงที่ยอมรับได้ เติมข้อมูลภายในที่ไม่อยู่ในเอกสารสาธารณะ ตรวจว่า "สิ่งที่ต้องเป็นจริงก่อน" ของแต่ละกลยุทธ์จริงหรือไม่ และรับผิดชอบผลของการเลือก
• ที่ต้องระวังเป็นพิเศษ TOWS ที่อ่านลื่นทำให้คนอยากเชื่อ ให้อ่านคอลัมน์ "สิ่งที่ต้องเป็นจริงก่อน" ก่อนคอลัมน์ชื่อกลยุทธ์เสมอ

6. เอาไปใช้กับบริษัทตัวเอง: จุดแข็งจุดอ่อนมาจากตัวเลขในระบบ ไม่ใช่จากความรู้สึก

SWOT ที่ล้มเหลวส่วนใหญ่ล้มที่ครึ่งภายใน คือจุดแข็งและจุดอ่อนถูกเขียนจากความรู้สึกในห้องประชุม ไม่ใช่จากตัวเลข ในขณะที่ตัวเลขเหล่านั้นอยู่ในระบบ ERP (Enterprise Resource Planning) ขององค์กรอยู่แล้ว ครึ่งภายนอกคือโอกาสและอุปสรรคต่างหากที่ต้องหาจากข้างนอก

1. ดึงตัวเลขภายในก่อน อัตรากำไรแยกตามสินค้าหรือโครงการ ต้นทุนต่อหน่วยย้อนหลัง 8 ไตรมาส ลูกหนี้ค้างชำระ สต๊อกหมุนช้า งบประมาณใช้จริงเทียบแผน อัตรากำลังเทียบงาน ทั้งหมดส่งออกจากระบบบัญชี งบประมาณ จัดซื้อ คลัง และบุคคล เป็น Excel หรือ PDF ใส่วันที่ทุกไฟล์ นี่คือ "เอกสารแนบ" ฝั่งจุดแข็งและจุดอ่อนของคุณ
2. รวบรวมภายนอกแยกชุด ข่าวคู่แข่ง กฎระเบียบใหม่ ราคาวัตถุดิบ พฤติกรรมลูกค้า อย่างน้อย 5 รายการพร้อมวันที่ เหมือนที่เราเพิ่ม 5 รายการให้ Anthropic ถ้าอยู่ในภาครัฐ ระเบียบและงบประมาณปีถัดไปคือเอกสารสำคัญที่สุดของชุดนี้
3. ใช้คำสั่งขั้นที่ 1 แล้วตรวจก่อน อย่าเพิ่งทำ TOWS ให้ผู้บริหารดู SWOT และตารางสิ่งที่ต้องตรวจก่อน แก้ป้าย เติมข้อมูลภายในที่ AI ไม่มี แล้วค่อยส่งฉบับที่แก้แล้วเข้าขั้นที่ 2 วิธีแนบไฟล์และขีดจำกัดอ่านที่ ใช้ Claude อ่านไฟล์ Excel, CSV, PDF ส่วนการให้ทีมใช้เอกสารชุดเดียวกันทำผ่าน Claude Projects
4. ประชุมผู้บริหารด้วยตาราง "สิ่งที่คนต้องตัดสินใจ" ไม่ใช่ด้วยรายชื่อกลยุทธ์ ตารางนั้นบังคับให้พูดเรื่องความเสี่ยงที่ยอมรับได้ก่อน ซึ่งเป็นเรื่องที่ประชุมกลยุทธ์มักข้าม เรื่องบทบาทผู้บริหารกับการตัดสินใจบนข้อมูลจริง เราเขียนไว้ใน ERP สำเร็จหรือล้มอยู่ที่ผู้บริหาร และมุมความเสี่ยงองค์กรใน การบริหารความเสี่ยงองค์กร
5. ผูกกลยุทธ์ที่เลือกกับตัวเลขที่จะดูทุกไตรมาส ทุกกลยุทธ์มี "สิ่งที่ต้องเป็นจริงก่อน" แปลงมันเป็นตัวชี้วัดในระบบ เช่น อัตรากำไรต่อสินค้าต้องไม่ต่ำกว่าเท่าไร ถ้าหลุด กลยุทธ์นั้นต้องกลับมาทบทวน

ตอนถัดไป: กลยุทธ์ 3 อันดับแรกของ AI ล้วนตั้งอยู่บนสมมติฐานว่า "ลูกค้ายอมจ่ายเพื่อคุณภาพ" ตอนที่ 3 เราเอาสมมติฐานนี้ไปทดสอบด้วย Customer Value Proposition อ่านได้ที่ ใช้ AI ทำ Customer Value Proposition (CVP) ได้แค่ไหน

สรุป

• AI ทำ SWOT 28 ข้อจากเอกสาร 21 รายการ และติดป้ายเองว่า 12 ข้อเป็นข้อเท็จจริง 16 ข้อเป็นการตีความ ป้ายกระจุกตามธรรมชาติของงาน ไม่ได้แต่งให้ดูดี
• AI จับคู่เป็น TOWS 12 กลยุทธ์ ทุกข้อชี้กลับไปที่รหัส SWOT มี "สิ่งที่ต้องเป็นจริงก่อน" และระดับความมั่นใจ สูง 1 กลาง 9 ต่ำ 2
• เมื่อบังคับให้เลือก 3 ข้อ AI เลือกด้วยเกณฑ์อัตรากำไรและการระดมทุน และอธิบายว่าทำไมไม่เลือกข้อที่ดูน่าตื่นเต้นกว่า
• AI แยกสิ่งที่ควบคุมได้ออกจากสิ่งที่ควบคุมไม่ได้ และยอมเว้นกลยุทธ์ที่ข้อมูลไม่พอ นี่คือพฤติกรรมที่ทำให้ผลเชื่อได้
• สิ่งที่คนต้องทำคือกำหนดความเสี่ยงที่ยอมรับได้ เติมข้อมูลภายใน ตรวจสมมติฐานของแต่ละกลยุทธ์ และรับผิดชอบการเลือก
• สำหรับบริษัทของคุณ จุดแข็งจุดอ่อนต้องมาจากตัวเลขในระบบ ไม่ใช่จากความรู้สึก และตาราง "สิ่งที่คนต้องตัดสินใจ" คือวาระประชุมผู้บริหารที่ดีที่สุดที่ AI ทำให้ได้

AI จับคู่จุดแข็งกับโอกาสได้ในสิบนาที แต่มันไม่รู้ว่าคุณกล้าเสี่ยงแค่ไหน ตารางที่มีค่าที่สุดที่มันทำให้ จึงไม่ใช่รายชื่อกลยุทธ์ แต่คือรายการคำถามที่คุณต้องตอบเอง

- ข้อสรุปจากการทดลองตอนที่ 2 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)
• [16] Yahoo Finance / Quartz (อ้าง Bloomberg): OpenAI annualized revenue tops $40 billion ahead of IPO (14 ส.ค. 2569)
• [17] Menlo Ventures: 2025 — The State of Generative AI in the Enterprise (9 ธ.ค. 2568)
• [18] State Street Investment Management: Beyond DeepSeek — China's 2026 model wave and the repricing of the AI stack (21 ก.ย. 2569)
• [19] EU Artificial Intelligence Act: Implementation timeline (อัปเดต 31 ส.ค. 2569)
• [20] PYMNTS: Google Cloud rides enterprise AI demand to 82% growth (ผลประกอบการ Alphabet Q2/2569) (22 ก.ค. 2569)
• [21] บทความตอนที่ 1 ของเรา: ใช้ AI เขียน Business Model Canvas ได้แค่ไหน? (26 ก.ย. 2569) — BMC ที่ตรวจแล้ว ใช้เป็นเอกสารแนบรายการที่ 21
• Weihrich, H. (1982): The TOWS Matrix — A Tool for Situational Analysis, Long Range Planning 15(2)