02-347-7730  |  Claude Integration สำหรับองค์กรไทย ติดต่อเรา

Claude Integration · Pillar 03

นำ Claude เชื่อมเข้าระบบ
ในองค์กรของคุณ

เชื่อม Claude API เข้า ERP / Intranet / Helpdesk / Document Management + ตั้งค่า SSO/SAML + ออกแบบ RAG & workflow + วาง data governance สอดคล้อง PDPA — โดยทีมที่ implement ระบบให้องค์กรไทยมา 25 ปี

บริการ Integration

6 ประเภทบริการที่เลือกได้

เลือกได้แบบใดแบบหนึ่ง หรือผสมตามความต้องการ — เริ่มจาก pilot scope เล็กก่อนขยาย · ถัดจากนี้คือ 13 งานขั้นสูง ที่ต้องรู้ทั้งพฤติกรรมของโมเดล ระบบหลังบ้าน และระเบียบ

ERP & Business System Integration

เชื่อม Claude เข้า ERP (รวม Saeree ERP), CRM, Accounting, HR ผ่าน Claude API + workflow ที่ออกแบบมาตรงกับ business process

  • Claude API integration
  • Workflow automation
  • Report & analytics
  • Approval workflow + AI assist

MCP Server — เชื่อม Claude เข้าระบบภายใน

พัฒนา MCP Server ให้ Claude เรียกข้อมูลและทำงานกับระบบภายในได้โดยตรง — ERP, จัดซื้อ, คลัง, บุคคล, ระบบเอกสาร — ภายใต้สิทธิ์ของผู้ใช้เดิม ไม่ต้องคัดลอกข้อมูลออกมานอกระบบ

  • ออกแบบขอบเขต tool ต่อระบบ
  • สิทธิ์อิงตาม role เดิมขององค์กร
  • Audit trail ทุกการเรียกใช้
  • ทดสอบก่อนขึ้นจริง + deploy on-premise ได้

RAG & Knowledge Base

ออกแบบ RAG architecture ให้ Claude ตอบเรื่องเฉพาะองค์กรของคุณ — SOP, HR policy, product catalog, ระเบียบราชการ — โดยไม่ต้อง fine-tune

  • Vector DB setup (pgvector / Pinecone / Weaviate)
  • Document ingestion pipeline
  • Retrieval tuning
  • Citation + audit trail

SSO / SAML / SCIM Setup

ตั้งค่า Claude Enterprise ให้เชื่อมกับ identity provider ขององค์กร — Azure AD / Okta / Google Workspace + SCIM auto-provisioning

  • SAML 2.0 configuration
  • SCIM 2.0 provisioning
  • Role / group mapping
  • Audit log + compliance evidence

Data Governance & PDPA

วาง data governance ให้สอดคล้อง PDPA ม.40 + Anthropic DPA + SCC + AWS Bedrock APAC ตามความต้องการ regulator ในไทย

  • DPA review & alignment
  • Data classification policy
  • ZDR addendum facilitation
  • Bedrock region ไทย (ap-southeast-7) สำหรับข้อมูลที่ต้องเก็บในประเทศ

Managed AI Service — ดูแลต่อเนื่อง

สัญญาดูแลรายเดือนหรือรายปีหลัง go-live — เพราะ integration ที่ส่งมอบวันแรกกับอีกหกเดือนถัดมาไม่เหมือนกัน ทั้ง process ที่เปลี่ยน โมเดลที่ออกรุ่นใหม่ และค่าใช้จ่ายที่ต้องคุม

  • ติดตาม usage + ควบคุมค่าใช้จ่าย
  • ปรับ prompt / workflow ตาม process ที่เปลี่ยน
  • ย้ายไปโมเดลใหม่เมื่อ Anthropic ออกรุ่นถัดไป
  • บริหาร seat / role + รายงานการใช้งานผู้บริหาร
งานขั้นสูง · Advanced Capability

13 งานที่ต้องรู้ทั้ง AI ระบบหลังบ้าน และระเบียบ

หกบริการข้างบนคือโครงหลักของงาน integration — เชื่อมให้ติดแล้วใช้งานได้ ส่วนกลุ่มนี้เป็นงานอีกระดับ ต้องรู้พร้อมกันสามด้าน: พฤติกรรมของโมเดล ระบบหลังบ้านที่เก็บข้อมูลจริง และระเบียบที่องค์กรไทยต้องตอบผู้ตรวจสอบให้ได้ ขาดด้านใดด้านหนึ่ง งานจะติดกลางทาง

01

ให้ AI ทำงานเป็นขั้นตอน ไม่ใช่แค่ตอบคำถาม

เปลี่ยนจากถาม-ตอบทีละครั้ง เป็นงานที่เดินตามขั้นตอนขององค์กรได้เอง โดยยังมีคนคุมจุดสำคัญ

Agent Skills ของหน่วยงาน

ถอดมาตรฐานการทำงานขององค์กรออกมาเป็นชุดทักษะที่ Claude หยิบไปใช้ได้ตรงกันทุกคน — รูปแบบหนังสือราชการของหน่วยงาน โครงเรื่องเสนอผู้บริหาร วิธีคิดต้นทุนที่ใช้จริง รายการตรวจเอกสารก่อนส่ง

  • ถอดขั้นตอนจากคนที่ทำงานจริง ไม่ใช่จากคู่มือ
  • ผลลัพธ์เป็นรูปแบบเดียวกันทุกครั้ง ไม่ขึ้นกับคนสั่ง
  • แก้ที่ Skill จุดเดียว ทุกคนได้ของใหม่พร้อมกัน
จุดที่ยากงานหนักอยู่ที่ขั้นถอดความรู้ ต้องนั่งคุยกับคนที่ทำงานจริงจนได้ขั้นตอนที่เครื่องทำตามได้ แล้วทดสอบซ้ำจนผลออกมาเหมือนกันทุกครั้ง

Multi-agent — แตกงานยาวให้ทำขนานกัน

งานที่ยาวเกินกว่าจะทำรวดเดียว ถูกแตกเป็นงานย่อยที่ทำพร้อมกันแล้วรวมผล — ตรวจซองเสนอราคาหลายเจ้าพร้อมกัน ตรวจสัญญาทีละหมวดแล้วสรุปประเด็นที่ต้องระวัง

  • ออกแบบจุดแตกงานและวิธีรวมผลกลับ
  • แยกงานอ่านเยอะไปใช้โมเดลที่ถูกกว่า
  • คุมเพดานค่าใช้จ่ายต่อหนึ่งงาน
จุดที่ยากสิ่งที่ต้องตัดสินให้ได้ก่อนคือแตกงานตรงไหน ส่งอะไรให้ตัวไหน และรวมผลอย่างไรไม่ให้ขัดกันเอง อีกเรื่องคือยิ่งแตกงานมาก token ยิ่งเพิ่มตาม เพดานค่าใช้จ่ายต่อหนึ่งงานจึงต้องวางตั้งแต่ขั้นออกแบบ ไม่ใช่ไปตามแก้ทีหลัง

Claude Code ให้ทีมพัฒนาขององค์กร

วางระบบให้ทีมพัฒนาในองค์กรใช้ Claude Code กับโค้ดจริงได้อย่างมีขอบเขต — กำหนดสิทธิ์ว่าแตะไฟล์ไหนได้ ตั้ง hook ที่หยุดก่อนทำสิ่งที่ห้าม ต่อ MCP เข้าระบบภายใน และงานอ่านโค้ดเดิมกับการย้ายระบบเก่า

  • permission rule + hook ระดับองค์กร
  • ทบทวนโค้ดเดิมและงาน migration ที่คนไม่อยากแตะ
  • อบรมทีมพัฒนาให้ใช้แล้วได้โค้ดที่ผ่านรีวิวจริง
จุดที่ยากตัวเครื่องมือติดตั้งเสร็จในไม่กี่นาที แต่การวางกติกาให้ทั้งทีมใช้ร่วมกันบนโค้ดจริงเป็นคนละเรื่อง — เราใช้เครื่องมือชุดนี้พัฒนา Saeree ERP ของเราเองทุกวัน จึงรู้ว่าต้องกันตรงไหนไว้ก่อน

จุดที่คนต้องอนุมัติก่อนระบบบันทึกจริง

ออกแบบว่าตรงไหนที่คนต้องกดผ่านก่อน AI จะเขียนข้อมูลลงระบบจริง พร้อมหน้าจอที่ให้ผู้อนุมัติเห็นว่าจะเปลี่ยนอะไรบ้าง เพราะอะไร และอ้างจากเอกสารฉบับไหน

  • หน้าจอเทียบ ก่อน/หลัง ก่อนบันทึกจริง
  • เหตุผลประกอบที่กดกลับไปดูต้นทางได้
  • บันทึกว่าใครเป็นผู้อนุมัติและเมื่อไร
จุดที่ยากเส้นแบ่งอยู่ตรงไหนคือคำถามที่ตอบยากที่สุด ใส่จุดอนุมัติมากเกินไป คนเลิกใช้เพราะช้ากว่าทำเอง น้อยเกินไปก็เสี่ยง จะวางให้พอดีต้องรู้ business process จริงของหน่วยงานนั้นก่อน
02

ความถูกต้อง ความปลอดภัย และการตรวจสอบย้อนหลัง

กลุ่มที่ตัดสินว่าองค์กรจะกล้าใช้กับข้อมูลจริงหรือไม่ — และวันที่ผู้ตรวจสอบถาม จะตอบได้หรือไม่

ด่านตรวจข้อมูลอ่อนไหว — วางกติกาแล้วให้ระบบบังคับเอง

วางด่านตรวจไว้ระหว่างระบบภายในกับ Claude ข้อมูลทุกชุดถูกสแกนก่อนออกจากองค์กร ถ้าเจอสิ่งที่องค์กรกำหนดว่าห้ามส่ง — เลขบัตรประชาชน เลขบัญชีธนาคาร เงินเดือนรายบุคคล เอกสารชั้นความลับ ข้อมูลผู้ป่วย — ระบบจะปิดบังเฉพาะส่วนนั้น หรือปฏิเสธทั้งคำขอ พร้อมแจ้งผู้ใช้และบันทึกเหตุการณ์ไว้ให้ผู้ดูแลตรวจย้อนหลัง

  • ร่างชั้นความลับของข้อมูลร่วมกับองค์กร แล้วแปลงเป็นกติกาที่ระบบบังคับได้
  • รูปแบบข้อมูลไทยที่เครื่องมือต่างประเทศไม่รู้จัก — เลขบัตร 13 หลัก เลขผู้เสียภาษี เลขทะเบียนรถ เลขที่หนังสือราชการ
  • กติกาแยกตามบทบาท — ฝ่ายบุคคลถามเงินเดือนได้ ฝ่ายอื่นถูกปิดบัง
  • รายงานผู้ดูแล — เดือนนี้ถูกสกัดกี่ครั้ง เรื่องอะไรบ้าง
จุดที่ยากข้อห้ามที่เขียนไว้ในระเบียบกับข้อห้ามที่ระบบบังคับได้จริงเป็นคนละอย่างกัน ตราบใดที่ยังเป็นข้อความในเอกสาร ผลของมันขึ้นอยู่กับว่าผู้ใช้จำได้หรือไม่ในวันที่รีบ ด่านนี้จึงต้องไปวางที่ชั้นเครื่องมือซึ่งข้อมูลวิ่งผ่านจริง — เป็นโค้ดที่ต้องมีคนเขียน ดูแล และทดสอบซ้ำเมื่อรูปแบบข้อมูลเปลี่ยน

สิทธิ์ระดับแถวและคอลัมน์

เครื่องมือที่เปิดให้ Claude เรียก ไม่ได้เปิดทั้งตาราง — จำกัดถึงระดับว่าผู้ใช้คนนี้เห็นแถวไหนได้บ้าง เฉพาะหน่วยงานตัวเอง เฉพาะปีงบที่รับผิดชอบ และคอลัมน์ไหนถูกปิดไว้

  • ยกสิทธิ์ที่มีอยู่แล้วใน ERP มาบังคับซ้ำที่ชั้นเครื่องมือ
  • โมเดลเห็นเฉพาะผลลัพธ์ตามสิทธิ์ ไม่ใช่ทั้งฐานข้อมูล
  • บันทึกทุกการเรียกใช้พร้อมชื่อผู้ใช้และขอบเขตที่ให้ไป
จุดที่ยากหลักการคือยกสิทธิ์ชุดเดิมจาก ERP มาบังคับให้ตรงกัน ไม่ใช่เขียนสิทธิ์ชุดใหม่ขึ้นมาคู่ขนาน วันที่สองชุดไม่ตรงกันคือวันที่มีคนเห็นสิ่งที่ไม่ควรเห็น — เราเขียนระบบสิทธิ์ของ Saeree ERP เอง จึงรู้ว่าต้องแมปจากตรงไหน

ชุดทดสอบคุณภาพคำตอบ (Eval)

สร้างชุดคำถามจริงจากงานขององค์กรพร้อมคำตอบที่ถูกต้อง แล้วรันซ้ำทุกครั้งที่เปลี่ยน prompt เปลี่ยนรุ่นโมเดล หรือเพิ่มเอกสารเข้าคลัง เพื่อเทียบคะแนนกับรอบก่อนว่าดีขึ้นหรือแย่ลง

  • ชุดทดสอบจากคำถามที่ผู้ใช้ถามจริง
  • รันก่อนเปลี่ยนทุกครั้ง มีผลเทียบเป็นตัวเลข
  • ส่งมอบชุดทดสอบให้องค์กรเก็บไว้ใช้ต่อเอง
จุดที่ยากชุดทดสอบคือสิ่งเดียวที่ตอบได้ว่าการเปลี่ยนครั้งนี้ดีขึ้นจริง หรือแค่รู้สึกว่าดีขึ้น แต่คนที่ตัดสินว่าคำตอบไหนถูกคือคนที่รู้เนื้องาน ไม่ใช่งานที่ฝ่ายไอทีทำคนเดียวจบ ขั้นนี้จึงมักถูกเลื่อนออกไปก่อน ทั้งที่เป็นตัวที่บอกได้เร็วที่สุดว่าคุณภาพกำลังลดลง

ป้องกันคำสั่งแฝงในเอกสาร

เอกสาร อีเมล หรือหน้าเว็บที่ AI อ่านเข้าไป อาจมีข้อความที่เขียนดักไว้เพื่อสั่งให้ AI ทำสิ่งที่ไม่ควรทำ เราออกแบบให้ข้อมูลที่อ่านเข้ามาถูกแยกจากคำสั่ง จำกัดขอบเขตเครื่องมือให้แคบ และทดสอบแบบผู้บุกรุกก่อนขึ้นระบบจริง

  • แยกชั้นข้อมูลนำเข้าออกจากชั้นคำสั่ง
  • จำกัดว่าเครื่องมือแต่ละตัวทำอะไรได้บ้าง
  • ทดสอบด้วยเอกสารที่จงใจฝังคำสั่งก่อนเปิดใช้
จุดที่ยากช่องโหว่กลุ่มนี้ไม่โผล่ในการทดสอบปกติ ระบบทำงานถูกต้องทุกอย่างจนกว่าจะมีคนตั้งใจป้อนเอกสารที่ฝังคำสั่งเข้ามา จึงต้องให้คนที่รู้รูปแบบการโจมตีมาทดสอบก่อนเปิดใช้ — ดูรายละเอียดที่ บทความเรื่องคำสั่งแฝงในระบบธุรกิจ

ออกแบบหลักฐานให้ผู้ตรวจสอบ

ตกลงกันตั้งแต่ขั้นออกแบบว่า ถึงวันที่ผู้ตรวจสอบขอดู จะหยิบอะไรให้ได้บ้าง — ใครถามอะไร เมื่อไร โมเดลเห็นข้อมูลชุดไหน คำตอบอ้างจากเอกสารฉบับไหน และใครอนุมัติให้บันทึกลงระบบ

  • กำหนดรายการหลักฐานที่ต้องเก็บก่อนเขียนโค้ด
  • คำตอบอ้างกลับไปยังเอกสารหรือรายการต้นทางได้
  • รูปแบบรายงานที่ส่งให้ผู้ตรวจสอบได้โดยไม่ต้องแปลงมือ
จุดที่ยากถ้าไม่ได้ออกแบบไว้ตั้งแต่แรก บันทึกที่ระบบเก็บไว้จะตอบคำถามผู้ตรวจสอบไม่ได้ และย้อนกลับไปเก็บของที่ผ่านมาแล้วก็ไม่ได้ด้วย งานส่วนนี้เราทำภายใต้กรอบ ISO/IEC 29110 ที่บริษัทได้รับการรับรองต่อเนื่องมา 10 ปี
03

ระบบเดิมที่ต่อยาก และค่าใช้จ่ายที่ต้องคุม

สองเรื่องที่มักทำให้โครงการ AI สะดุด — ข้อมูลอยู่ในระบบที่ต่อไม่ได้ และค่าใช้จ่ายโตเกินงบที่ตั้งไว้

เชื่อมระบบเดิมที่ไม่มี API

ข้อมูลที่ต้องใช้มักอยู่ในระบบที่ไม่มีช่องทางให้เรียก — ระบบที่เขียนไว้นานแล้ว ระบบที่ผู้พัฒนาเดิมไม่อยู่แล้ว หรือระบบที่มีแต่หน้าจอ ไม่มีช่องทางให้ระบบอื่นเรียก เราทำชั้นกลางขึ้นมารับหน้าที่นั้น

  • ต่อฐานข้อมูลตรงแบบอ่านอย่างเดียว ไม่แตะระบบเดิม
  • อ่านไฟล์ส่งออกที่ระบบปล่อยเป็นรอบ
  • ห่อระบบเดิมด้วยชั้นกลางที่มี API ให้เรียก
จุดที่ยากต้องอ่านโครงสร้างฐานข้อมูลของระบบที่เอกสารไม่ครบและคนทำไม่อยู่แล้ว แล้วตัดสินให้ได้ว่าตารางไหนคือของที่ใช้จริง ตารางไหนเป็นของเก่าที่เลิกใช้แต่ยังไม่ได้ลบ งานแบบนี้ต้องเคยรื้อระบบธุรกิจมาก่อนถึงทำได้ — เราทำงานด้านนี้มา 24 ปี

ลดค่าใช้จ่ายโดยไม่ลดคุณภาพ

ค่าใช้จ่ายของงาน AI คิดตามปริมาณข้อมูลที่ส่งเข้าออก ซึ่งลดลงได้มากจากการออกแบบ ไม่ใช่จากการใช้งานน้อยลง

  • จัดลำดับ prompt ให้ส่วนที่ซ้ำทุกครั้งถูกนำกลับมาใช้ซ้ำได้
  • ย้ายงานที่ไม่ต้องการคำตอบทันทีไปประมวลผลเป็นชุด ซึ่ง Anthropic คิดค่าบริการครึ่งหนึ่งของอัตราปกติ
  • เลือกรุ่นโมเดลตามความยากของงาน แทนใช้รุ่นสูงสุดกับทุกคำถาม
จุดที่ยากต้องวัดก่อนว่า token หมดไปกับอะไร แล้วต้องรู้ด้วยว่าการแก้ตรงไหนจะทำให้ prompt cache ที่เคยใช้ซ้ำได้ กลายเป็นใช้ไม่ได้ทั้งชุด จุดนี้พลาดแล้วไม่มี error ฟ้อง ระบบยังทำงานเหมือนเดิมทุกอย่าง รู้ตัวอีกทีตอนเห็นบิล

เตรียมเอกสารไทยก่อนถึงโมเดล

งานส่วนใหญ่ของโครงการที่ต้องอ่านเอกสารจำนวนมาก อยู่ที่ขั้นก่อนถึงโมเดล — ไฟล์สแกนที่ไม่มีชั้นข้อความ ฟอร์มราชการที่เป็นตาราง ตราครุฑและลายเซ็นที่ปนมากับเนื้อความ

  • แปลงไฟล์สแกนเป็นข้อความพร้อมตรวจความถูกต้อง
  • อ่านโครงสร้างฟอร์มและตารางให้ถูกช่อง
  • จัดการ พ.ศ. กับ ค.ศ. เลขไทย และชื่อหน่วยงานที่เขียนได้หลายแบบ
จุดที่ยากโมเดลอ่านภาษาไทยได้ดี แต่ถ้าสิ่งที่ป้อนเข้าไปแปลงมาจากภาพสแกนเอียงและผิดตั้งแต่ต้น คำตอบก็ผิดตามโดยไม่มีอะไรฟ้อง สิ่งที่ต้องลงแรงจึงไม่ใช่การเลือกโมเดล แต่เป็นขั้นเตรียมเอกสารก่อนส่งเข้าไป

รายงานการใช้งานและปันส่วนค่าใช้จ่าย

ผู้บริหารที่อนุมัติงบถามคำถามเดียวกันเสมอ — จ่ายไปแล้วใครใช้บ้าง และคุ้มไหม เราทำแดชบอร์ดที่ตอบคำถามนั้นได้

  • ใช้งานแยกตามหน่วยงาน ตามคน และตามประเภทงาน
  • แจ้งเตือนเมื่อการใช้งานผิดไปจากปกติ ก่อนจะกลายเป็นยอดในบิล
  • ปันส่วนค่าใช้จ่ายกลับไปตามผังหน่วยงานและรหัสงบประมาณขององค์กร
จุดที่ยากข้อมูลการใช้งานดึงออกมาได้ แต่ออกมาเป็นรายบัญชีผู้ใช้ ไม่ได้ผูกกับผังหน่วยงานหรือรหัสงบประมาณขององค์กร จะปันส่วนให้ตรงกับที่ฝ่ายบัญชีใช้จริง ต้องแมปสองฝั่งเข้าหากันก่อน

งานพวกนี้เราทำกับงานของเราเองมาก่อน

ทีมสนับสนุนของเราใช้ MCP Server ที่เราเขียนเอง ต่อเข้ากับฐานข้อมูลของระบบที่ดูแลอยู่ ใช้ทุกวันกับงานจริงสามอย่าง — ตอบคำถามการใช้งานที่ลูกค้าแจ้งเข้ามา ตรวจเงื่อนไขการทำงานของระบบ และตรวจ bug ที่ได้รับแจ้ง เช่นเดียวกับที่ทีมพัฒนาใช้ Claude Code กับซอร์สโค้ดของ Saeree ERP

เหตุผลที่เริ่มจากงานของตัวเองก่อนคือข้อมูลใน ERP ผิดแล้วแก้ยาก ลูกค้าไม่ควรเป็นคนเจอปัญหาก่อนเรา — ตอนนี้ผ่านขั้นนั้นมาแล้ว และพร้อมรับงานขององค์กรอื่น สิ่งที่ได้จากช่วงนั้นคือรู้ว่าตรงไหนเชื่อถือได้ ตรงไหนต้องมีคนคุม ซึ่งเป็นความรู้ที่อ่านจากเอกสารไม่ได้

ตัวอย่างขอบเขตงาน

งานแบบไหนที่เชื่อม Claude เข้าไปแล้วได้ผล

ไม่ใช่ทุกงานที่ควรใส่ AI เข้าไป — งานที่ได้ผลชัดคืองานที่คนต้องเปิดหลายหน้าจอเพื่อตอบคำถามเดียว หรืองานที่คำตอบอยู่ในเอกสารขององค์กรอยู่แล้วแต่หาไม่เจอ

จัดซื้อจัดจ้าง

ค้นระเบียบและเงื่อนไขใน TOR · ตรวจความครบถ้วนของเอกสารก่อนเสนอ · สรุปเปรียบเทียบใบเสนอราคาหลายเจ้าให้อยู่ในตารางเดียว

คลังพัสดุ

ถามยอดคงเหลือและประวัติการเบิกเป็นภาษาคน แทนการไล่เปิดรายงานทีละหน้า · ตรวจรายการที่ยอดไม่ตรงก่อนตรวจนับ

บัญชีและงบประมาณ

สรุปงบคงเหลือแยกรายโครงการและแหล่งเงิน · ชี้รายการที่ผิดปกติให้ดูก่อนปิดงวด โดยคนยังเป็นผู้ตัดสินใจ

งานบุคคล

ตอบคำถามระเบียบวันลา สวัสดิการ และขั้นตอนภายใน จากเอกสารขององค์กรเอง ไม่ใช่ความรู้ทั่วไปของโมเดล

สารบรรณและเอกสาร

ร่างหนังสือตามรูปแบบที่หน่วยงานใช้ · สรุปเรื่องเสนอที่ยาวหลายสิบหน้า · ค้นเรื่องเดิมที่เกี่ยวข้องกับเรื่องที่กำลังทำ

ฝ่ายสนับสนุนผู้ใช้

ตอบคำถามการใช้งานระบบจากคู่มือและเคสเดิม · ตรวจเงื่อนไขการทำงานของระบบ — งานกลุ่มนี้ทีมสนับสนุนของเราใช้เองอยู่ทุกวัน

Data Flow & Residency

ข้อมูลไปไหน — ต้องเคาะก่อนเริ่มเขียนโค้ด

คำถามแรกของฝ่าย IT และฝ่ายกฎหมายเกือบทุกองค์กรคือ "ข้อมูลออกนอกประเทศไหม" คำตอบขึ้นกับเส้นทางที่เลือก และควรเลือกตั้งแต่ก่อนออกแบบระบบ ไม่ใช่ตอนจะขึ้นใช้งาน

เส้นทาง ประมวลผลที่ไหน ข้อมูลที่ถูกเก็บ เหมาะกับ
Claude API
ตรงจาก Anthropic
ค่าเริ่มต้นวิ่งแบบ global · บังคับให้ประมวลผลเฉพาะในสหรัฐฯ ได้ผ่านพารามิเตอร์ inference_geo โดยมีค่าบริการ 1.1 เท่าของอัตราปกติ บทสนทนาไม่ถูกเก็บเป็นค่าเริ่มต้น · ขอทำข้อตกลง Zero Data Retention เพิ่มกับ Anthropic ได้ · ที่เก็บข้อมูลระดับ workspace ปัจจุบันมีเฉพาะสหรัฐฯ องค์กรที่รับได้กับการประมวลผลนอกประเทศ และต้องการใช้ฟีเจอร์หรือโมเดลใหม่ทันทีที่ออก
Amazon Bedrock
region ไทย (ap-southeast-7)
เรียกจาก region ประเทศไทยได้ตั้งแต่ ก.พ. 2569 · แต่เป็นการเรียกแบบ Global cross-Region inference การประมวลผลจึงอาจวิ่งไป region อื่นทั่วโลก ข้อมูลที่เก็บถาวร — log, knowledge base, ค่าตั้งค่าต่างๆ — อยู่ใน region ต้นทางคือไทย · ผู้ประมวลผลข้อมูลตามสัญญาคือ AWS ไม่ใช่ Anthropic องค์กรที่ใช้ AWS อยู่แล้ว หรือมีเงื่อนไขว่าข้อมูลที่จัดเก็บต้องอยู่ในประเทศ
MCP Server
+ ระบบเดิมที่ on-premise
ERP และฐานข้อมูลยังอยู่ในองค์กร Claude ไม่ได้ต่อฐานข้อมูลโดยตรง แต่เรียกผ่าน tool ที่เราเปิดให้เท่านั้น โมเดลเห็นเฉพาะผลลัพธ์ที่ tool ส่งกลับตามสิทธิ์ของผู้ใช้คนนั้น ไม่ใช่ทั้งฐานข้อมูล · ทุกการเรียกถูกบันทึกไว้ตรวจย้อนหลังได้ องค์กรที่ต้องจำกัดขอบเขตข้อมูลให้แคบที่สุด และต้องตอบให้ได้ว่าใครถามอะไรเมื่อไร

พูดกันตรงๆ ก่อนตัดสินใจ

ไม่มีเส้นทางไหนที่ข้อมูลไม่ออกจากองค์กรเลย Claude เป็นบริการประมวลผลบนคลาวด์ ไม่ว่าจะเรียกผ่านทางไหน คำถามและข้อมูลที่ใช้ประกอบคำตอบต้องถูกส่งไปให้โมเดล สิ่งที่ออกแบบได้จริงคือ ส่งอะไรออกไปบ้าง เก็บไว้ที่ไหนนานเท่าไร และ ตรวจสอบย้อนหลังได้แค่ไหน

เรื่องนี้ต่างจาก Saeree ERP ที่ติดตั้งบนเซิร์ฟเวอร์ขององค์กรและข้อมูลไม่ออกไปไหน — สองเรื่องนี้เล่าแทนกันไม่ได้ ใครที่บอกว่าเชื่อม AI แล้วข้อมูลยังอยู่ในองค์กร 100% กำลังอธิบายไม่ครบ

How We Work

5 ขั้นตอน — Discovery ถึง Go-Live

ทำตามมาตรฐาน ISO/IEC 29110 ที่ Grand Linux ได้รับรอง 10 ปีต่อเนื่อง — โปร่งใส มีเอกสารทุก phase ส่งให้ลูกค้า

1

Discovery

เข้าใจ use case + ระบบเดิม + ข้อจำกัด

  • บันทึกขอบเขตงานที่ตกลงร่วมกัน
  • รายการระบบและข้อจำกัดที่พบ
2

Design

ออกแบบ architecture + data flow + security

  • เอกสารสถาปัตยกรรม + เส้นทางข้อมูล
  • ผังสิทธิ์การเข้าถึงรายบทบาท
3

Build

Integration code + test + UAT

  • ซอร์สโค้ดที่ส่งมอบให้องค์กร
  • ผลทดสอบ + เอกสาร UAT
4

Train

อบรมทีมผู้ใช้ + admin + ส่งคู่มือ

  • คู่มือผู้ใช้ + คู่มือผู้ดูแลระบบ
  • ระเบียบการใช้งานที่แนะนำ
5

Go-Live + Support

เปิดใช้งานจริง + ติดตาม + tuning

  • บันทึกการติดตั้งใช้งานจริง
  • แผนดูแลต่อเนื่องหลัง go-live
Why Grand Linux

ทีมที่เข้าใจทั้งฝั่ง AI และฝั่ง Business System

เพราะ Claude Integration ไม่ใช่แค่ "เรียก API" — ต้องเข้าใจ business process + compliance + change management

ที่ปรึกษาระดับ 1 กระทรวงการคลัง (เลขที่ 4162)

รับงานจัดซื้อจัดจ้างภาครัฐได้ตามระเบียบ · ต่ออายุต่อเนื่อง 3 ครั้ง (2561, 2564, 2567)

ISO/IEC 29110 — TÜV NORD 10 ปีต่อเนื่อง

ต่อเนื่อง 4 ฉบับ (2558–2570) · Project Management + Software Implementation

25 ปี implement ระบบให้องค์กรไทย

เข้าใจ business workflow ของไทยตั้งแต่ภาครัฐ รัฐวิสาหกิจ ถึงเอกชน

พัฒนา Saeree ERP เอง

เราเข้าใจฝั่ง business system ลึก — ไม่ใช่ตัวแทนขาย AI หน้าใหม่

คำถามที่ถูกถามบ่อย

คำถามที่ฝ่าย IT และฝ่ายจัดซื้อถามก่อนเสมอ

รวมคำถามที่เจอซ้ำในช่วง Discovery — ตอบตามข้อเท็จจริงที่ตรวจสอบได้ ณ กันยายน 2569

ข้อมูลขององค์กรจะถูกเอาไปเทรนโมเดลไหม

แผนเชิงพาณิชย์ — Team, Enterprise และ API — ค่าเริ่มต้นคือ ไม่ถูกนำไปเทรน ตามเงื่อนไขที่ Anthropic ประกาศไว้

ข้อยกเว้นที่ควรบอกผู้ใช้ให้รู้: ถ้าผู้ใช้กดปุ่มให้ feedback (ถูกใจ/ไม่ถูกใจ) กับคำตอบใด บทสนทนานั้นทั้งชุดจะถูกเก็บไว้ได้นานถึง 5 ปี และนำไปใช้ปรับปรุงโมเดลได้ — ควรเขียนเรื่องนี้ไว้ในระเบียบการใช้งานภายในตั้งแต่วันแรก

ส่วนแผนผู้ใช้ทั่วไป (Free / Pro / Max) การเปิดหรือปิดอยู่ในมือผู้ใช้แต่ละคน องค์กรควบคุมจากส่วนกลางไม่ได้ จึงไม่ควรใช้กับงานที่มีข้อมูลจริงขององค์กร

รันทั้งหมดแบบ on-premise ในองค์กรได้ไหม

ไม่ได้ — ตัวโมเดล Claude ไม่ได้เปิดให้ติดตั้งบนเซิร์ฟเวอร์ขององค์กร ทุกเส้นทางต้องเรียกผ่านคลาวด์

สิ่งที่อยู่ในองค์กรได้คือ MCP Server, ระบบงาน, ฐานข้อมูล และชั้นควบคุมสิทธิ์ทั้งหมด ซึ่งทำให้กำหนดได้ว่าข้อมูลส่วนไหนถูกส่งออกไปบ้าง — ดูรายละเอียดที่ ตารางเปรียบเทียบเส้นทางข้อมูล

ต้องซื้อ license Claude ก่อนไหม ซื้อผ่านใคร

ต้องมี ไม่ว่าจะเป็น API key สำหรับงาน integration หรือ seat ของแผน Team / Enterprise สำหรับผู้ใช้ทั่วองค์กร

จัดหาผ่านเราได้ — ออกใบเสนอราคาภาษาไทย รองรับ PO ใบกำกับภาษี และหัก ณ ที่จ่ายตามระเบียบไทย ดูที่หน้า บริการจัดหา Claude · หรือถ้าองค์กรจัดหา license เองอยู่แล้ว จะให้เราทำเฉพาะงาน integration ก็ได้เช่นกัน

เชื่อมกับ ERP ยี่ห้ออื่นที่ไม่ใช่ Saeree ได้ไหม

ได้ ถ้าระบบนั้นมีทางเข้าถึงข้อมูล — REST API, ฐานข้อมูลที่อ่านได้ หรืออย่างน้อยไฟล์ส่งออกที่ออกได้สม่ำเสมอ

สิ่งที่ตอบล่วงหน้าไม่ได้คือระบบเฉพาะรายจะต่อได้ลึกแค่ไหน ต้องดูของจริงในขั้น Discovery ก่อน ถ้าดูแล้วไม่คุ้มหรือทำไม่ได้ เราจะบอกตั้งแต่ตอนนั้น ไม่ลากไปถึงขั้นเสนอราคา

คิดราคาอย่างไร

ไม่มีเรตสำเร็จรูป เพราะขอบเขตต่างกันมาก แต่โครงสร้างค่าใช้จ่ายแยกเป็น 3 ก้อนเสมอ และเราแจกแจงให้เห็นทั้งสามก้อนก่อนเซ็น

(1) ค่า license หรือค่าเรียกใช้ API ซึ่งเป็นของ Anthropic และผันแปรตามปริมาณการใช้งานจริง · (2) ค่างาน integration คิดเป็นโครงการตามขอบเขตที่ตกลง · (3) ค่าดูแลต่อเนื่องหลัง go-live คิดเป็นรายเดือนหรือรายปี

ถ้า AI ตอบผิดจะรู้ได้อย่างไร

ออกแบบให้รู้ตั้งแต่แรกดีกว่าตามแก้ทีหลัง — คำตอบต้องอ้างอิงกลับไปยังเอกสารหรือรายการต้นทางได้ ทุกการเรียกข้อมูลถูกบันทึกไว้ตรวจย้อนหลัง และงานที่ผิดแล้วแก้ยากจะถูกจำกัดให้เป็นการอ่านอย่างเดียว

งานที่ต้องบันทึกลงระบบจริงให้คนเป็นผู้กดอนุมัติเสมอ เราไม่ออกแบบให้ AI เขียนข้อมูลลง ERP เองโดยไม่มีคนดู

ห้ามไม่ให้ข้อมูลบางอย่างถูกส่งเข้า AI ได้จริงไหม

ได้ ถ้าไปบังคับที่ชั้นเครื่องมือซึ่งข้อมูลวิ่งผ่านจริง ไม่ใช่ที่ตัวโมเดล — เราวางด่านตรวจไว้ก่อนถึง Claude ทุกครั้ง ถ้าเจอสิ่งที่องค์กรกำหนดว่าห้ามส่ง จะปิดบังเฉพาะส่วนนั้นหรือปฏิเสธทั้งคำขอ พร้อมบันทึกเหตุการณ์ไว้ให้ผู้ดูแลตรวจย้อนหลัง

ด่านนี้ทำงานตามกติกาที่เขียนไว้ล่วงหน้า จับได้เท่าที่กำหนดรูปแบบไว้ ไม่ใช่เครื่องที่เดาเจตนาเองได้ งานจึงเริ่มจากการนั่งเคาะร่วมกับองค์กรว่าอะไรคือข้อมูลที่ห้ามออก แล้วค่อยแปลงเป็นกติกาที่ระบบบังคับได้ — ดูรายละเอียดที่ ด่านตรวจข้อมูลอ่อนไหว

งานขั้นสูง 13 ข้อ ต้องทำครบทุกข้อไหม

ไม่ต้อง และไม่ควร — ส่วนใหญ่เริ่มจากสองถึงสามข้อที่ตรงกับความเสี่ยงและงานจริงของหน่วยงานนั้น

องค์กรที่มีข้อมูลอ่อนไหวมาก เราแนะนำให้เริ่มจากด่านตรวจข้อมูลกับสิทธิ์ระดับแถว-คอลัมน์ ส่วนองค์กรที่เปิดใช้มาสักพักแล้วคำตอบเริ่มเพี้ยน ควรเริ่มจากชุดทดสอบคุณภาพคำตอบ ในขั้น Discovery เราจะบอกว่าข้อไหนควรทำก่อน และข้อไหนยังไม่จำเป็นสำหรับขอบเขตปัจจุบัน

เริ่มเล็กก่อนได้ไหม ไม่อยากลงทุนทั้งองค์กรรอบเดียว

แนะนำให้ทำแบบนั้น เริ่มจาก pilot หนึ่ง use case ในหน่วยงานเดียวที่วัดผลได้ชัด แล้วค่อยขยาย

ข้อดีคือได้เห็นของจริงว่าคนในองค์กรใช้แล้วเปลี่ยนวิธีทำงานจริงหรือไม่ ก่อนจะผูกงบก้อนใหญ่ — เรื่อง change management มักเป็นตัวตัดสินผลมากกว่าตัวเทคโนโลยี

ทำไมต้องมีสัญญาดูแลต่อเนื่อง จบเป็นโครงการอย่างเดียวไม่ได้หรือ

ได้ แต่เราจะบอกไว้ล่วงหน้าว่าอะไรจะเกิดขึ้น ระบบที่เชื่อมไว้วันนี้กับอีกหกเดือนถัดมาไม่เหมือนกัน — ขั้นตอนงานภายในเปลี่ยน โมเดลออกรุ่นใหม่ที่ทำงานต่างจากเดิม และปริมาณการใช้งานที่โตขึ้นทำให้ค่าใช้จ่ายเปลี่ยน

ถ้าไม่มีใครดูต่อ สิ่งที่เจอบ่อยคือระบบยังทำงานอยู่แต่คุณภาพคำตอบค่อยๆ เพี้ยนโดยไม่มีใครสังเกต จนคนเลิกใช้ไปเอง

เริ่ม Claude Integration ในองค์กรของคุณ

นัดเข้าทำ Discovery กับทีม Grand Linux — ฟรี ไม่มีข้อผูกมัด · เราประเมินขอบเขต + งบประมาณ + timeline ให้ภายใน 1 สัปดาห์