AI กับงานจัดซื้อ SME: 3 งานให้ AI ทำก่อน และอีก 2 งานยังต้องใช้คนตัดสินใจ

Sep 7

2 min read

Updated: Sep 8

เช้าวันจันทร์ต้นเดือน โต๊ะฝ่ายจัดซื้อของ SME ไทยหน้าตาคล้ายกันหมด กองใบเสนอราคาวางซ้อนกัน ไฟล์ Excel เปิดค้างสามแท็บเพื่อเทียบราคาซัพพลายเออร์สิบกว่าเจ้า อีกจอเป็นไลน์กลุ่มที่คนขายทยอยส่งราคามา กินเวลาครึ่งวัน แล้วก็ลงเอยเหมือนเดิม คือสั่งเจ้าประจำ เพราะไม่มีเวลาหาเจ้าใหม่

ไม่ใช่เพราะทีมจัดซื้อไม่เก่ง แต่เพราะงานจัดซื้อของ SME ต้องละเอียดสูงมาก แต่กลับซ้ำเดิมทุกเดือน ตั้งแต่หาผู้ขาย ขอราคา เทียบตาราง ทำใบสั่งซื้อ ตรวจใบวางบิล ไปจนถึงสรุปยอดใช้จ่ายสิ้นปี ทุกขั้นตอนกินเวลา และพลาดได้ถ้าคนทำกำลังเหนื่อย

ปี 2026 คำที่วงการจัดซื้อทั่วโลกพูดถึงมากที่สุดคือ Agentic AI หลายคนเคยได้ยินผ่านหู แต่ยังไม่แน่ใจว่าต่างจาก ChatGPT ตรงไหน และถ้าเป็นบริษัทสิบถึงร้อยคน จะเริ่มตรงไหนถึงเห็นผลจริงโดยไม่ต้องลงทุนเป็นล้าน บทความนี้ตอบให้จบ

Agentic AI คืออะไร ต่างจาก chatbot ตรงไหน

เราคุ้นกับการมอง AI เป็นเครื่องตอบคำถาม เราถาม มันตอบ แล้วจบ เหมือนมีลูกน้องเก่งแต่ต้องสั่งทีละขั้น บอกว่า "หาราคากล่องพัสดุให้หน่อย" มันก็หาให้แล้วหยุดรอ บอกต่อว่า "เทียบให้หน่อย" มันก็เทียบแล้วรออีก คนสั่งยังต้องคิดลำดับงานเองอยู่ดี

Agentic AI พลิกมุมนี้ คำว่า agent แปลว่าตัวแทน หมายถึง AI ที่รับโจทย์ใหญ่ไปทีเดียว แล้วแตกเป็นขั้นตอนย่อยไปทำเองจนจบงาน พูดง่ายๆ AI แบบเดิมคือเด็กฝึกงานที่ต้องบอกทีละสเต็ป

ส่วน Agentic AI คือผู้ช่วยที่คุณบอกแค่ว่า "จัดหากล่องบรรจุภัณฑ์ล็อตหน้าให้หน่อย" แล้วเขาไปหาผู้ขาย ขอราคา เทียบ ร่างอีเมลต่อรอง มาวางให้คุณกดอนุมัติ

ทำไมเพิ่งมาเป็นกระแสปีนี้

เพราะผลลัพธ์เริ่มจับต้องได้ รายงาน McKinsey ปี 2026 ยกกรณีบริษัทโทรคมนาคมที่ใช้ AI ช่วยต่อรองกับผู้ขายซอฟต์แวร์ ลดงานวิเคราะห์และเขียนอีเมลลงได้ถึง 90% และประหยัดค่าซอฟต์แวร์

10 ถึง 15% ที่สำคัญกว่านั้นคือขยับจากทดลองไปใช้จริงได้ในไม่กี่สัปดาห์ ไม่ใช่โปรเจกต์ไอทีเป็นปีแบบเมื่อก่อน สำหรับ SME นี่คือจุดเปลี่ยน เพราะค่าระบบและเวลาติดตั้งลดลงมาก

3 งานจัดซื้อที่ควรให้ AI ทำก่อน

หลักการเลือกงานง่ายกว่าที่คิด เริ่มจากงานที่ซ้ำเดิม มีข้อมูลเยอะ และถ้าทำผิดก็แก้กลับได้ สามงานนี้เข้าเกณฑ์ทั้งหมด

1. หาซัพพลายเออร์และเทียบใบเสนอราคา

เนื้อแท้ของงานนี้คือการอ่านข้อมูลเยอะๆ แล้วจัดระเบียบ ซึ่งคนทำแล้วเบื่อ แต่เครื่องทำได้ไม่มีเหนื่อย แบ่งเป็นสามจังหวะ

รวบรวมและจัดกลุ่มผู้ขาย แทนที่จะเปิดทีละเว็บ ให้ AI กวาดรายชื่อผู้ขายของแบบเดียวกัน แล้วจัดเป็นตารางพร้อมช่วงราคา เงื่อนไขการส่ง และยอดสั่งขั้นต่ำ
อ่านใบเสนอราคาแล้วสรุปให้เทียบง่าย ส่งไฟล์ quotation ทั้งชุดให้ AI ดึงออกมาเป็นตารางเทียบ ทั้งราคาต่อหน่วย ค่าส่ง เครดิตกี่วัน
เฝ้าราคาตลาด ให้ AI ดูราคาวัตถุดิบที่ซื้อประจำ ถ้าราคาลง มันจะเตือนว่าถึงเวลาต่อรองเจ้าเดิมหรือมองหาเจ้าใหม่

ตัวเลขจริงมีให้อ้างอิงแล้ว Supply Chain Management Review ปี 2026 รายงานว่าบริษัทซอฟต์แวร์แห่งหนึ่งใช้ AI วิเคราะห์และรวมผู้ขาย ลดค่าซอฟต์แวร์ลง 23% และลดเวลาในกระบวนการ sourcing ลงครึ่งหนึ่ง

ในสเกล SME ลองคิดแบบนี้ คุณสั่งกล่องพัสดุจากเจ้าเดิมใบละ 3.50 บาท พอให้ AI กวาดหาผู้ขายรายอื่น มันเจอแปดเจ้า และมีสามเจ้าขายที่ 3.10 ถึง 3.20 บาท คุณภาพใกล้กัน แค่นี้ก็พอเดินไปขอเจ้าเดิมให้ขยับราคาได้ ประหยัดใบละ 30 สตางค์ ปีหนึ่งใช้แสนใบ ก็คือ 30,000 บาท

เริ่มยังไง ครั้งหน้าที่ได้ใบเสนอราคาหลายเจ้าพร้อมกัน อัปโหลดทั้งชุดให้ AI ทำตารางเทียบสักครั้ง แล้วจับเวลาเทียบกับที่เคยทำเอง

2. ตรวจใบวางบิล

บริษัทยาแห่งหนึ่งที่ McKinsey ศึกษา (รายงานปี 2026) เอา AI มาตรวจว่าใบวางบิลตรงกับสัญญาไหม แล้วลดเงินรั่วจากการจ่ายเกินและจ่ายผิดเงื่อนไขลงได้ 4% ของยอดจ่าย แปลงให้เห็นภาพ ถ้าคุณจ่ายซัพพลายเออร์ปีละ 10 ล้านบาท 4% คือ 400,000 บาทที่หายไปโดยไม่รู้ตัว

ที่พลาดง่ายเพราะต้องเทียบเอกสารสามชุดให้ตรงกัน คือใบสั่งซื้อ (PO) ใบส่งของ และใบวางบิล วงการเรียกว่า 3-way match พอบิลเยอะและคนเหนื่อย การตรวจก็เริ่มผ่านๆ แล้วก็เกิดจ่ายเต็มทั้งที่ตกลงส่วนลดไว้ จ่ายของที่ยังส่งไม่ครบ หรือจ่ายบิลใบเดิมซ้ำสองรอบ

สิ่งที่ AI ช่วยได้ตรงจุดมีสี่อย่าง

ดึงตัวเลขจากใบวางบิลอัตโนมัติ แม้เป็นไฟล์ภาพหรือ PDF แล้วเทียบกับใบสั่งซื้อโดยไม่ต้องพิมพ์ใหม่
จับจุดที่ไม่ตรง ทั้งราคาที่ต่างจากที่ตกลง จำนวนที่ไม่ตรงกับของที่รับจริง หรือภาษีที่คำนวณผิด
กันบิลซ้ำ ถ้ามีเลขที่บิลเดิมหรือยอดเดิมเข้ามาอีก ระบบเตือนก่อนเงินออก
ตรวจเงื่อนไขสัญญา เช่น ซื้อครบ 100 ชิ้นต้องได้ส่วนลด AI จะเช็คให้ว่าบิลใบนี้ควรได้ส่วนลดหรือไม่

ต่างจากโปรแกรมบัญชีตรงที่โปรแกรมบัญชีเก็บข้อมูลได้ดี แต่ไม่ได้อ่านแล้วเข้าใจว่าอะไรผิดปกติ ขณะที่ Generative AI อ่านเอกสารที่รูปแบบไม่เหมือนกันเป๊ะได้ ซัพพลายเออร์ออกบิลคนละแบบก็ยังอ่านออก

ตัวอย่างที่เจอบ่อย คุณสั่งของ 100 ชิ้น ชิ้นละ 50 บาท ตกลงว่าครบ 100 ชิ้นได้ส่วนลด 5% แต่วันวางบิลกลับคิดเต็ม 5,000 บาท ถ้าคนตรวจยุ่งกับบิลอีก 40 ใบก็อาจเซ็นผ่าน เสียฟรี 250 บาทในบิลเดียว

เริ่มยังไง เอาบิลที่จ่ายไปแล้วย้อนหลังหนึ่งเดือน ให้ AI ไล่ดูว่ามีจ่ายเกินหรือจ่ายซ้ำไหม รอบเดียวก็อาจเจอเงินที่ควรตามคืน

3. วิเคราะห์การใช้จ่าย เห็นเงินรั่วที่ Excel ไม่บอก

Excel เก็บตัวเลขได้เก่ง แต่ไม่เข้าใจว่าตัวเลขแปลว่าอะไร ในไฟล์ของคุณอาจมีบรรทัดว่า "บ.เอบีซี" "ABC Co." และ "abc company" สำหรับ Excel นี่คือสามเจ้าคนละราย ทั้งที่จริงคือเจ้าเดียวกัน คุณจึงไม่รู้ว่าซื้อจากเจ้านี้เยอะพอขอส่วนลดได้แล้ว

งานนี้เรียกว่า spend analysis หรือการวิเคราะห์ว่าเงินบริษัทถูกใช้ไปกับอะไร จากใคร จุดที่ AI เหนือกว่าคือมันเข้าใจความหมาย ไม่ใช่แค่ตัวอักษร มันรู้ว่าสามชื่อข้างบนคือรายเดียวกัน จัดหมวดสินค้าอัตโนมัติแม้ชื่อไม่เหมือนกัน และบอกได้ว่าหมวดนี้ซื้อจากแปดเจ้า ควรรวมไปต่อรอง

เงินรั่วที่มักโผล่มามีสามแบบ คือซื้อซ้ำซ้อนหลายเจ้าหลายราคา พลาดโอกาสต่อรองเพราะยอดกระจายจนไม่เห็นภาพรวม และค่าบริการรายเดือนที่ต่ออัตโนมัติทั้งที่เลิกใช้แล้ว

ภาพที่เจอบ่อยคือสี่แผนกต่างคนต่างสั่งหมึกพิมพ์จากร้านใกล้ออฟฟิศตัวเอง ราคาตั้งแต่ 450 ถึง 620 บาทต่อกล่อง โดยไม่มีใครรู้ว่ารวมทั้งบริษัทซื้อปีละเป็นหมื่นกล่อง ถ้ารวมออเดอร์ไปต่อรองเจ้าเดียว ราคาอาจเหลือ 380 บาท ประหยัดหลายแสนต่อปี จากของแค่รายการเดียว

เริ่มยังไง เอาไฟล์การใช้จ่ายย้อนหลังหกเดือน ลบข้อมูลอ่อนไหวออกก่อน แล้วถาม AI สองคำถาม คือซื้อของหมวดไหนจากผู้ขายหลายเจ้าที่สุด และมีค่าบริการรายเดือนไหนที่ยังจ่ายแต่ไม่ได้ใช้แล้ว สองคำถามนี้มักเปิดเงินรั่วก้อนแรกได้ในชั่วโมงเดียว

2 งานที่ยังต้องใช้คน

ความกลัวว่า AI จะมาแทนคนจัดซื้อเข้าใจได้ แต่จากประสบการณ์ช่วยหลายบริษัทวางระบบ ความจริงคนละเรื่อง AI เก่งบางงานมาก และพลาดบางงานแบบน่ากลัว สองงานนี้ควรอยู่ในมือคน

เจรจาและดูแลความสัมพันธ์กับซัพพลายเออร์

AI เตรียมข้อมูลต่อรองให้ได้ดีเยี่ยม ทั้งราคาตลาด ประวัติการสั่ง และจุดที่เราได้เปรียบ แต่ตอนนั่งโต๊ะจริง การอ่านสีหน้า การรู้ว่าเมื่อไหร่ควรผ่อน เมื่อไหร่ควรกด

และการรักษามิตรระยะยาว ยังเป็นเรื่องของคน ซัพพลายเออร์ที่เคยช่วยเราตอนของขาดตลาด มีค่ากว่าราคาที่ถูกกว่าสองบาท และ AI ไม่รู้เรื่องนี้จากข้อมูลในระบบ

ตัดสินใจเรื่องที่มีความเสี่ยงและผูกพันระยะยาว

จะเปลี่ยนไปใช้เจ้าใหม่ที่ถูกกว่าแต่ไม่เคยร่วมงานไหม จะสต๊อกเพิ่มเพราะกลัวของขาดไหม คำถามพวกนี้ต้องชั่งน้ำหนักหลายอย่างที่ไม่มีในไฟล์ ทั้งชื่อเสียงบริษัท ความเสี่ยงที่รับได้ และทิศทางธุรกิจปีหน้า นี่คืองานของคนที่มีประสบการณ์

กฎข้อเดียวที่ใช้แยกงานได้จริง

เวลาเราช่วยลูกค้าแยกงาน เราใช้คำถามเดียว คืองานนี้ถ้าทำผิด ใครเดือดร้อน และแก้กลับได้ไหม งานจัดระเบียบข้อมูลถ้าผิดก็แค่รันใหม่ ไม่มีใครเจ็บ เหมาะให้ AI ทำ

แต่การเซ็นสัญญากับรายใหม่ถ้าเลือกผิดอาจผูกพันเป็นปี งานแบบนั้นต้องมีคนตัดสิน หลักเดียวกันใช้กับงานเขียน อีเมลยืนยันออเดอร์ให้ AI ร่างได้ แต่อีเมลแจ้งยกเลิกสัญญาควรเป็นคนเขียนเอง

ข้อควรระวังก่อนเริ่ม

AI ยังเดาผิดได้ โดยเฉพาะเอกสารลายมือหรือสแกนไม่ชัด อาการที่ AI มั่นใจแต่ตอบผิดเรียกว่า hallucination ช่วงแรกจึงต้องมีคนดูรายการที่ AI ตั้งธงว่าน่าสงสัย แต่ก็ดีกว่าตรวจเองทุกใบ
AI ไม่รู้บริบทธุรกิจทั้งหมด บางรายการที่ดูซ้ำซ้อน อาจตั้งใจซื้อสองเจ้ากันของขาด ให้มอง AI เป็นคนชี้เป้า ไม่ใช่คนตัดสินใจแทน
ข้อมูลการใช้จ่ายเป็นข้อมูลอ่อนไหว ถ้าใช้บริการ AI ภายนอก ต้องตรวจนโยบายการเก็บข้อมูลก่อน และลบข้อมูลระบุตัวตนก่อนอัปโหลด
อย่าเปลี่ยนทุกอย่างพร้อมกัน เลือกงานที่ทีมเบื่อที่สุดมาหนึ่งงาน ลองสองสัปดาห์ ถ้าเห็นผลค่อยขยาย งานเล็กที่เห็นผลไวทำให้ทีมอยากใช้ต่อ ต่างจากการยกเครื่องทั้งระบบที่มักจบด้วยการต่อต้าน

สรุป

โลกไม่ได้เปลี่ยนเพราะ AI ตอบคำถามเก่งขึ้น แต่เปลี่ยนเพราะ AI เริ่มลงมือทำเองได้ สำหรับ SME ทางเริ่มที่คุ้มที่สุดคือสามงาน คือหาและเทียบซัพพลายเออร์ ตรวจใบวางบิล และวิเคราะห์การใช้จ่าย ส่วนงานเจรจาและการตัดสินใจเชิงกลยุทธ์ยังเป็นของคน

หัวใจไม่ใช่การเอา AI มาแทนคน แต่คือการแบ่งงานให้ถูกตัว ให้เครื่องทำงานที่ต้องเร็วและไม่มีวันเบื่อ ให้คนทำงานที่ต้องใช้ใจและวิจารณญาณ ทักษะใหม่ของคนจัดซื้อยุคนี้คือการคุมกรอบให้ AI ทำงานถูกทาง

ถ้ายังไม่แน่ใจว่างานไหนควรเป็นงานแรก ลองเขียนงานจัดซื้อทั้งหมดออกมาแล้วคัดด้วยคำถามเรื่องความเสี่ยงดูก่อน หรือถ้าอยากมีคนช่วยมองภาพรวมให้ตรงกับหน้างานจริง ทีม MuchRoom Consultancy ยินดีคุยด้วยครับ