เมื่อ Agent เริ่มรับเงินเดือน: ศึกชิงลูกค้ารอบใหม่ที่ Dreamforce 2026 เผยให้เห็น | CEO Insights
3 สัญญาณจาก Dreamforce 2026: Agent เปลี่ยนจากฟีเจอร์เป็นตำแหน่งงาน การเลือกโมเดลภาษาขนาดใหญ่สำคัญน้อยลงเรื่อย ๆ และ Siemens ให้ AI จัดการคำถามขอใบเสนอราคา 100% CEO ของ OakMega วิเคราะห์ว่า AI CRM กำลังเปลี่ยนการหาลูกค้าของธุรกิจ B2B และอุตสาหกรรมการผลิตอย่างไร และปี 2027 คุณควรปล่อยมือแค่ไหน
Porsche TsaiCEO
สัญญาณหลักจาก Dreamforce 2026 คือ AI Agent กำลังเปลี่ยนจาก “ฟีเจอร์หนึ่งตัว” เป็น “ตำแหน่งงานหนึ่งตำแหน่ง” ที่ตั้งเป้าหมายเองและทำงานได้อย่างอิสระนานหลายสัปดาห์ นั่นหมายความว่า “จะเลือกโมเดลภาษาขนาดใหญ่ตัวไหน” สำคัญน้อยลงเรื่อย ๆ คูเมืองที่แท้จริงคือการนำ know-how ของบริษัทไปถึงทุกจุดที่สัมผัสกับลูกค้า และ Siemens ที่ให้ Agent จัดการคำถาม inbound ครบ 100% แล้ว คือหลักฐานที่ดีที่สุด
ช่วงเวลานี้ของปีที่แล้ว Agent ยังเป็นแค่ฟีเจอร์เด่นบนสไลด์ คุณถาม มันตอบ เหมือนช่องค้นหาที่ฉลาดขึ้นมาหน่อย แต่ Dreamforce ปีนี้ไม่เหมือนเดิม
สารบัญ
- โมเดลใหญ่จะถูกลงเรื่อย ๆ แต่ know-how ของคุณจะแพงขึ้นเรื่อย ๆ
- ทำไม AI ต้องแบ่งเป็น 4 ชั้น?
- กรณีศึกษา Siemens
- คำถามที่แท้จริงของปี 2027
- คำถามที่พบบ่อย
ครั้งนี้ Salesforce ไม่ได้ยื่น Agent Builder เปล่า ๆ มาให้คุณประกอบเองตั้งแต่ศูนย์ แต่เปิดตัว Agent ชุดใหญ่ที่ “มีตำแหน่งงาน” มาเลย:
ชื่อไม่สำคัญ ที่สำคัญคือเบื้องหลังของพวกมันมีสิ่งใหม่เพิ่มเข้ามา นั่นคือ long-horizon runtime
แยกออกมาได้ 3 อย่าง: Memory (จำได้), Durable Execution (ทำงานได้นาน) และ Dynamic Steering (ปรับทิศทางได้ระหว่างทาง) รวมกันแล้วหมายความว่า Agent รับเป้าหมายไป วางแผนเอง ทำงานต่อเนื่องหลายสัปดาห์ รับข้อมูลใหม่แล้วปรับกลยุทธ์ และจะกลับมาถามคนก็ต่อเมื่อติดขัดเท่านั้น
พูดให้ง่ายกว่านั้น Agent กำลังเปลี่ยนจาก “Task” เป็น “Responsibility” จากงานชิ้นหนึ่งที่คุณสั่ง กลายเป็นหน้าที่ที่คุณฝากไว้
และเมื่อ AI เริ่มรับผิดชอบหน้าที่ได้ คำถามแรกที่คุณในฐานะเจ้าของธุรกิจต้องคิดใหม่ อาจต่างจากที่คุณคิดไว้โดยสิ้นเชิง คุณอาจคิดว่าเรื่องที่ต้องกลุ้มใจคือ “จะเลือก GPT, Claude หรือ Gemini” แต่ผมขอบอกว่า ความสำคัญของคำถามนี้กำลังลดลงเรื่อย ๆ
โมเดลใหญ่จะถูกลงเรื่อย ๆ แต่ know-how ของคุณจะแพงขึ้นเรื่อย ๆ
ภาพหน้าจอจาก YouTube ของ Dreamforce 2026 คลิกที่ภาพเพื่อเปิดวิดีโอช่วงนี้
ทำไมน่ะหรือ? วันที่ 15 กันยายน Salesforce และ NVIDIA ร่วมกันเปิดตัว Koa จุดสำคัญไม่ได้อยู่ที่ว่ามันเก่งแค่ไหน แต่อยู่ที่ว่ามัน “คืออะไร” มันไม่ใช่ prompt ด้าน CRM ที่ห่อ GPT ไว้อีกชั้น แต่เป็น reasoning model ตัวแรกของ Salesforce ที่ post-train มาเพื่องาน CRM โดยเฉพาะ ฝึกด้วยข้อมูลสถานการณ์ CRM ที่สะสมมาเกือบ 30 ปี ครอบคลุมกว่า 14 อุตสาหกรรม
สิ่งนี้เปิดโครงสร้างที่ผมเชื่อว่าสำคัญที่สุดในอีก 3 ปีข้างหน้า เราเคยพูดไว้ว่า โมเดลจะกลายเป็นสินค้าโภคภัณฑ์ context ต่างหากคือคูเมือง สัปดาห์นี้ Koa ผลักแนวคิดนั้นไปอีกขั้น context ไม่จำเป็นต้องอยู่แค่ในฐานข้อมูลของคุณ เพราะ know-how ขององค์กรสามารถ “อัด” เข้าไปในตัวโมเดลเฉพาะทางได้
ตลาดจึงเริ่มแบ่งออกเป็น 3 ระดับ:
ระดับบนสุดกำลังกลายเป็นสาธารณูปโภคแบบน้ำไฟ ทรงพลัง จำเป็น แต่ใครก็ซื้อได้ และราคาลดลงไม่หยุด สิ่งที่มีค่าจริงและสร้างความต่างได้จริงคือ 2 ระดับข้างล่าง พูดให้ตรงกว่านั้น: โมเดลใหญ่จะถูกลงเรื่อย ๆ แต่ know-how ของคุณจะแพงขึ้นเรื่อย ๆ
ดังนั้น ถ้าวันนี้คุณยังใช้การประชุมครั้งแรกเรื่องนำ AI มาใช้ไปกับ “การเทียบว่าโมเดลเจ้าไหนคะแนนสูงกว่า” คุณอาจเลือกสนามรบผิดตั้งแต่เริ่ม
ทำไม AI ต้องแบ่งเป็น 4 ชั้น? เพราะองค์กร “เดาผิดไม่ได้”
3 ระดับข้างต้นเป็นมุมมองตลาดว่า “คูเมืองของใครอยู่ตรงไหน” ครั้งนี้ Salesforce ยังเสนอคำตอบที่จับต้องได้มากกว่านั้น คือถ้าจะให้ AI ทำงานจริงในองค์กรโดยไม่พลาด ต้องซ้อนกัน 4 ชั้น
ลองนึกภาพว่าคุณจ้าง “เลขา AI ที่เก่งรอบด้าน” ถ้าให้แค่สมองอัจฉริยะ (LLM) มันรู้ทุกเรื่องใต้ฟ้า แต่ไม่รู้เลยว่าบริษัทคุณขายอะไร ลูกค้าคือใคร พอรีบ ๆ เข้าก็อาจกุตัวเลขขึ้นมาเองด้วย ถ้าจะให้มันทำงานได้จริงและ “ไม่ผิดพลาด” ต้องเติมชั้นเหล่านี้:
เมื่อเข้าใจตารางนี้ คุณจะเห็นประเด็นสำคัญข้อหนึ่ง 4 ชั้นนี้มีไว้เพื่อแก้ความขัดแย้งพื้นฐาน นั่นคือ ความน่าจะเป็น vs ความแน่นอน
โดยแก่นแท้ โมเดล AI ทำงานแบบ “ความน่าจะเป็น” เก่งเรื่องสนทนาและการให้เหตุผล แต่เบื้องหลังคำนวณจากความน่าจะเป็น จึงเดาผิดหรือเกิดอาการหลอน (hallucination) ได้บ้าง ส่วนการดำเนินธุรกิจเป็นเรื่องของ “ความแน่นอน” ตัวเลขการเงิน สัญญา สต็อก กระบวนการด้านกฎระเบียบ ผิดแม้แต่ทศนิยมเดียวก็ไม่ได้
สิ่งที่สถาปัตยกรรมนี้ทำจริง ๆ คือการตรึง “AI ที่ยืดหยุ่นแต่อาจเดาผิด” (เอเจนต์และอินเทอร์เฟซชั้นบน) ไว้อย่างแน่นหนาบน “ข้อมูลและกฎทางธุรกิจที่แม่นยำ 100%” (ข้อมูลและความหมายชั้นล่าง) ชั้นบนรับหน้าที่ฉลาด ชั้นล่างรับหน้าที่ไม่ผิดพลาด
นี่คือเหตุผลที่ผมบอกลูกค้าเสมอว่า อย่าเพิ่งรีบส่ง Agent ลงสนาม ถามตัวเองก่อนว่า “2 ชั้นล่าง” ของคุณแน่นพอหรือยัง บริษัทที่ข้อมูลยังกระจายอยู่ในไฟล์ Excel ของแต่ละแผนก และกฎทางธุรกิจยังถูกล็อกไว้ในหัวของพนักงานรุ่นเก๋าไม่กี่คน ถ้ารีบใส่ Agent เข้าไป มันจะไม่ช่วยคุณหาลูกค้า แต่จะขยายข้อมูลผิด ๆ ของคุณให้ลูกค้าเห็นเร็วขึ้นด้วยน้ำเสียงที่มั่นใจเต็มที่ อุตสาหกรรมการผลิตยิ่งเป็นแบบนั้น ถ้าสเปก ตรรกะการเสนอราคา และความเป็นไปได้ของสายการผลิตยังไม่ถูกแปลงเป็นข้อมูล “แน่นอน” ที่เครื่องอ่านได้ ต่อให้เลขา AI ฉลาดแค่ไหนก็แค่เดาไปเรื่อย
กรณีศึกษา Siemens: หลักฐานจริงของ AI CRM ในอุตสาหกรรมการผลิต
แล้วสนามรบจริงหน้าตาเป็นอย่างไร? สัปดาห์นี้มีกรณีหนึ่งที่ผมคิดว่าเจ้าของธุรกิจ B2B ทุกคนควรดู โดยเฉพาะคนที่ทำอุตสาหกรรมการผลิต
วันที่ 15 กันยายนเช่นกัน Siemens และ Salesforce ประกาศความร่วมมือครั้งใหม่ ตอนนี้ Siemens ให้ Agent คัดกรอง (qualify) inbound lead ทุกรายการ ไม่ใช่แค่บางส่วน แต่ 100% รองรับพนักงานขายราว 18,000 คนใน 132 ประเทศทั่วโลก
ภาพหน้าจอจาก YouTube ของ Dreamforce 2026 คลิกที่ภาพเพื่อเปิดวิดีโอช่วงนี้
แต่ส่วนที่สวยงามจริง ๆ คือขั้นต่อไป Agentforce จะเชื่อมต่อกับ Teamcenter (ระบบบริหารวงจรชีวิตผลิตภัณฑ์) ของ Siemens นั่นหมายความว่าต่อไป Agent จะไม่ได้รู้แค่ว่า “ลูกค้ารายนี้คือใคร” แต่จะรู้ว่า หมายเลขซีเรียลนี้ตรงกับชิ้นส่วนไหน การอัปเกรดนี้ทำได้จริงในทางเทคนิคหรือไม่ และสายการผลิตผลิตสินค้านี้ได้จริงหรือเปล่า
สังเกตไหมครับ คำถามเหล่านี้แต่เดิมเป็นเรื่องที่ฝ่ายขายต้องวิ่งกลับไปถามวิศวกรทั้งหมด ตอนนี้ engineering context ถูกนำเข้ามาใน customer workflow โดยตรงแล้ว
สถาปัตยกรรมเป็นแบบนี้: CRM Context + Engineering Context (Digital Twin) → Agent → Sales / Service
นี่คือเหตุผลที่ผมบอกว่าอุตสาหกรรมการผลิตคือหลักฐานที่คมที่สุดของคลื่นลูกนี้ ที่ OakMega เราพูดเรื่องเดียวกันมาตลอดทั้งปี: วงผู้ตัดสินใจจัดซื้อในอุตสาหกรรมการผลิตกำลังขยายใหญ่ขึ้น ข้อมูลทางเทคนิคซับซ้อนขึ้นเรื่อย ๆ และฝ่ายขายมักต้องประสานถึง 3 แผนกกว่าจะได้ใบเสนอราคาหนึ่งใบ เคสของ Siemens แทบจะสาธิตวิธีแก้ปัญหานี้ให้ดูตรงหน้า
มันเปลี่ยนคำพูดลอย ๆ อย่าง “AI ช่วยให้ฝ่ายขายทำงานมีประสิทธิภาพขึ้น” ให้กลายเป็นประโยคที่จับต้องได้มาก: ส่งความรู้เชิงลึกที่ติดอยู่ในฝ่ายวิศวกรรม ERP และคู่มือสินค้า ไปถึงตรงจังหวะที่ฝ่ายขายกำลังคุยกับลูกค้า สำหรับผู้ผลิตจำนวนมากในไต้หวันที่เทคโนโลยีแข็งแกร่ง แต่ความรู้ทั้งหมดถูกล็อกไว้ในหัวของช่างรุ่นเก๋าและไฟล์ PDF นี่ไม่ใช่เรื่องประสิทธิภาพ แต่เป็นเรื่องว่าคุณจะเปลี่ยน “สินทรัพย์ที่มองไม่เห็น” ให้เป็น “อาวุธหาลูกค้า” ได้หรือไม่
คำถามที่แท้จริงของปี 2027 ไม่ใช่ทำได้หรือไม่ แต่คือปล่อยมือได้นานแค่ไหน
แน่นอนว่าผมไม่ได้ให้คุณยกกระบวนการหาลูกค้าทั้งหมดให้ Agent ตั้งแต่พรุ่งนี้ สัญญาณที่แสดงถึงความสุกงอมของคลื่นลูกนี้จริง ๆ ซ่อนอยู่ใน 2 จุดที่ดูไม่ค่อยหวือหวา
ข้อแรก วิธีวัดผลต้องเปลี่ยน ที่ผ่านมาเราวัด AI จากจำนวน prompt ที่รัน จำนวน token ที่ใช้ไป จำนวน session ที่เปิด ซึ่งไม่ใช่ภาษาที่เจ้าของธุรกิจเข้าใจเลย ครั้งนี้ Salesforce เสนอหน่วยใหม่ชื่อ Agentic Work Units สะสม 7 พันล้านหน่วยใน 2 ปี และเฉพาะไตรมาส 2 ก็ 3.2 พันล้านหน่วย ตัวเลขนี้บริษัทนับเอง อย่าเพิ่งเชื่อทั้งหมด แต่ทิศทางถูกต้อง ต่อไปคำถามที่ควรถามไม่ใช่ “Agent รันไปกี่ครั้ง” แต่คือ “มันทำ work สำเร็จไปเท่าไร” ค้นคว้า lead ไปหลายร้อยราย qualify ไปหลายร้อยราย นัด meeting ได้กี่ครั้ง เปิด opportunity ได้กี่รายการ นี่ต่างหากคือ ROI dashboard ที่แท้จริงของ AI
ข้อสอง และเป็นเรื่องที่ผมอยากเตือนที่สุด เบรกก็ปรากฏขึ้นพร้อมกัน วันที่ 19 กันยายน รอยเตอร์สรุปเหตุการณ์ต่อเนื่องชุดหนึ่ง ทั้ง OpenAI และ Anthropic ยอมรับว่า agent ที่อยู่ระหว่างทดสอบเคยหลุดออกจากสภาพแวดล้อมที่ควบคุมไว้และเข้าไปในระบบภายนอก บางกรณีไม่ถูกตรวจพบในตอนแรกด้วยซ้ำ ผมไม่ได้ให้คุณไปขุดรายละเอียดด้านความปลอดภัย แต่สิ่งนี้เผยให้เห็นความจริงที่หนักแน่นข้อหนึ่ง ยิ่ง Agent ทำงานอัตโนมัติได้นานเท่าไร ก็ยิ่งพึ่งแค่ prompt ประโยคเดียวในการคุมสิทธิ์ไม่ได้ คุณจึงเห็น Salesforce เน้นย้ำเรื่อง business rules, permission, human approval และ audit อย่างหนักในครั้งนี้ เรื่องธรรมาภิบาลของ agent ผมเคยเขียนบทความแยกไว้แล้วเช่นกัน
ในปี 2027 คำถามของการนำ AI มาใช้ในองค์กรจะค่อย ๆ เปลี่ยนจาก “Agent ทำได้หรือไม่” ไปเป็น “งานไหนให้มันทำเองได้? ทำได้นานแค่ไหน? ใครเป็นคนอนุมัติ?”
ผมมีเกณฑ์ที่คุณนำเข้าที่ประชุมสัปดาห์หน้าได้เลย อย่าเพิ่งถามว่าจะนำ AI มาใช้หรือไม่ ให้กางกระบวนการหาลูกค้าที่มีอยู่ออกมา แล้ววงไว้ 3 อย่าง: อะไรที่ยกให้ Agent จัดการเต็มที่ได้ตั้งแต่ตอนนี้ อะไรที่ให้มันทำเสร็จแล้วรอคุณพยักหน้า และอะไรที่ยังไม่ควรแตะเลย เจ้าของธุรกิจที่กรอก 3 ช่องนี้ได้ชัดเจนจะวิ่งนำในปี 2027 ส่วนคนที่กรอกไม่ได้จะพบว่า ตัวเองไม่ได้แพ้เพราะไม่มี AI แต่แพ้เพราะไม่รู้ว่าควรปล่อยมือแค่ไหน
Agent เริ่มรับเงินเดือนแล้ว คำถามต่อไปคือคุณจะให้อำนาจมันมากแค่ไหน
คำถามที่พบบ่อย
Q: AI Agent (Agentic AI) คืออะไร?
AI Agent คือ AI ที่ตั้งเป้าหมายเอง วางแผน และทำงานหลายขั้นตอนต่อเนื่องได้ ต่างจากแชตบอตที่ทำได้แค่ถามคำตอบคำ Agent รุ่นใหม่ที่ Dreamforce 2026 จดจำข้อมูลได้ ทำงานต่อเนื่องหลายสัปดาห์ และกลับมาถามคนเมื่อจำเป็น
Q: สถาปัตยกรรม AI องค์กร 4 ชั้นของ Salesforce คืออะไร?
จากล่างขึ้นบน ได้แก่ ชั้นข้อมูล (Data 360 รวมข้อมูลให้สะอาดเป็นแหล่งข้อมูลจริงหนึ่งเดียว) ชั้นแอปและความหมาย (Apps & Semantics กฎทางธุรกิจและศัพท์เฉพาะของบริษัท) ชั้นเอเจนต์ (Agents พนักงานดิจิทัลที่ขับเคลื่อนกระบวนการได้) และชั้นอินเทอร์เฟซแบบไดนามิก (Live Interface ส่งผลลัพธ์มาถึงคุณเชิงรุก) แก่นของแนวคิดคือการตรึง AI ที่ทำงานแบบความน่าจะเป็นไว้บนข้อมูลและกฎขององค์กรที่แน่นอน ให้ทั้งฉลาดและไม่ผิดพลาด
Q: Dreamforce 2026 เปลี่ยนอะไรมากที่สุดสำหรับธุรกิจ B2B?
การเลือกโมเดลพื้นฐานตัวไหนกำลังสำคัญน้อยลง ตัวชี้ขาดย้ายไปอยู่ที่ “โมเดลเฉพาะอุตสาหกรรม + context ของบริษัทเอง” ใครนำความรู้เชิงลึกที่ติดอยู่ในฝ่ายวิศวกรรม ERP และคู่มือ ไปถึงหน้างานที่ฝ่ายขายคุยกับลูกค้าได้ คนนั้นชนะศึกชิงลูกค้ารอบหน้า
Q: ผู้ผลิตควรเริ่มนำ AI CRM มาใช้จากขั้นไหน?
อย่าเพิ่งถามว่าจะนำมาใช้หรือไม่ ให้กางกระบวนการหาลูกค้าออกมาแล้ววงไว้ 3 อย่าง: อะไรให้ Agent จัดการเต็มที่ได้ อะไรให้มันทำเสร็จแล้วรอคุณอนุมัติ และอะไรที่ยังไม่แตะ กรอก 3 ช่องนี้ได้ชัดเจน คือก้าวแรกของการนำมาใช้
แหล่งข้อมูล
- Salesforce × NVIDIA เปิดตัว CRM reasoning model “Koa”
- ความร่วมมือด้าน industrial AI ระหว่าง Siemens × Salesforce
- Reuters: สรุปเหตุการณ์ด้านความปลอดภัยของ AI agent
