บริษัทของคุณจะไม่มีวันขยายขนาดได้ ถ้า headcount ยังคงเป็นคำตอบ

ข้อมูลเชิงลึกจาก Scaling Business Summit 2026 นครโฮจิมินห์

ช่วงบ่ายมีเวลาที่ยากที่สุดของวัน — ทันทีหลังอาหารกลางวัน โดยมี masterclass คู่ขนานแข่งขันกัน Lars Jankowfsky ผู้ก่อตั้ง Gradion ก้าวขึ้นเวทีพร้อมเปิดด้วยสุภาษิตเยอรมัน: ช่างทำรองเท้าสวมรองเท้าที่แย่ที่สุด นั่นคือคำสารภาพ Gradion สร้างโซลูชัน AI ให้ลูกค้ามาหลายปี แต่บ้านของตัวเองกลับเป็นความวุ่นวาย

ร่วมกับ Dung Nguyen ผู้อำนวยการด้านเทคโนโลยีและนวัตกรรมของ Gradion Lars ใช้เวลาสี่สิบนาทีถัดไปแสดงให้เห็นว่าพวกเขาสร้างอะไรขึ้นมาและราคาที่ต้องจ่ายเพื่อยอมรับว่าพวกเขาต้องทำความสะอาดข้อมูลก่อนที่จะแตะต้อง AI ได้

เซสชันนี้คือกรณีศึกษาสดเกี่ยวกับสิ่งที่จำเป็นต้องทำจริงๆ เพื่อให้ AI แบบ agent ทำงานได้ในธุรกิจจริง — ธุรกิจที่ดำเนินงานใน 7 ประเทศบน 3 ทวีป

1. Garbage In, Garbage Out – ทำความสะอาดข้อมูลของคุณก่อนแตะต้อง AI

บริษัทส่วนใหญ่ต้องการข้ามขั้นตอนนี้ พวกเขาได้ยินเรื่อง AI วางงบประมาณสำหรับ AI และเริ่มซื้อเครื่องมือ AI จากนั้นก็ชนกำแพงที่ Gradion ชนเป็นรายแรก

เมื่อ Lars และทีมตรวจสอบระบบภายใน พวกเขาพบว่ารหัสพนักงาน — สิ่งง่ายๆ อย่างหมายเลข ID — มีรูปแบบต่างกันในอียิปต์ เวียดนาม และไทย "เมื่อคุณพยายามพัฒนาโซลูชันแบบองค์รวม คุณพบว่า: เราไม่สามารถทำงานแบบนี้ได้" ปัญหาเดิมปรากฏกับรหัสลูกค้า ประเทศต่างกัน ระบบกฎหมายต่างกัน รูปแบบต่างกัน ไม่มีแหล่งข้อมูลเดียว

ต้องใช้เวลาหลายเดือนในการสร้างรหัสพนักงานรวมและรหัสลูกค้ารวมก่อนที่จะคิดถึงการรัน AI บนนั้น บทเรียนนี้ใช้ได้กับทุกคน ตามที่ Lars กล่าว: "ผมมั่นใจ 100% ว่าข้อมูลของคุณ ไม่ว่าคุณจะทำงานที่ไหน จะไม่สะอาดพอหรือมีโครงสร้างพอที่จะก้าวไปกับ AI" นี่คือการสนทนาแรกที่ Gradion มีกับลูกค้าที่มีศักยภาพด้วย พวกเขาไม่พูดถึง AI จนกว่าจะได้เห็นข้อมูล

บทเรียนที่ 1: ก่อนวางงบประมาณสำหรับ AI ให้ตรวจสอบข้อมูลของคุณก่อน ปัญหามักจะอยู่ที่นั่นก่อนเสมอ

2. Agent ไม่ใช่ chatbot กำหนดงานและวัดผลลัพธ์

มี AI เวอร์ชันหนึ่งที่กินเงินหลายล้านยูโรและไม่ส่งมอบสิ่งที่ใครใช้ Lars เคยเห็นมัน รูปแบบคาดเดาได้: ระบบขนาดใหญ่ ราคาแพง ทั่วไป สร้างขึ้นในระยะเวลายาวนาน โดยไม่มีเกณฑ์ความสำเร็จที่ชัดเจน

แนวทาง agent พลิกเรื่องนี้โดยสิ้นเชิง "เราพัฒนา agent ขนาดเล็กที่เฉพาะเจาะจง ซึ่งรับงานที่ชัดเจนมากในโดเมนเฉพาะและส่งมอบผลลัพธ์ที่วัดได้" ที่ Gradion หมายความว่า agent สำหรับการคัดกรองประวัติ agent สำหรับการแยกข้อมูลใบแจ้งหนี้ ไม่มีแพลตฟอร์ม ไม่มีชุดเครื่องมือ หนึ่ง agent หนึ่งปัญหา หนึ่งตัวเลขที่พิสูจน์ว่ามันทำงาน

Dung Nguyen สาธิต workflow การแยกข้อมูลใบแจ้งหนี้แบบสด ใบแจ้งหนี้ถูกวางในโฟลเดอร์ที่กำหนด Agent ประมวลผล จัดหมวดหมู่ — แยกแยะใบแจ้งหนี้จากใบเสร็จ ประมวลผลเอกสารภาษาไทย — และโพสต์ผลลัพธ์ไปยังช่อง Slack และ Google Sheets โดยตรง ทีมการเงินดำเนินการตามผลลัพธ์ พวกเขาไม่ได้จัดการกระบวนการ ค่า token: ไม่กี่ดอลลาร์ต่อวัน

บทเรียนที่ 2: หากคุณไม่สามารถระบุปัญหาที่แน่นอนที่ agent แก้ไขและตัวเลขที่พิสูจน์ว่ามันทำงาน คุณยังไม่พร้อมที่จะสร้างมัน

3. แทนที่ต้นทุนเชิงเส้นด้วยต้นทุนแบบไม่เชิงเส้น

การเติบโตเคยหมายถึงการจ้างพนักงานเพิ่ม รายได้ที่มากขึ้นต้องการคนมากขึ้น ซึ่งต้องการการจัดการ การฝึกอบรม ข้อผิดพลาด และค่าใช้จ่ายเพิ่มมากขึ้น ผู้ก่อตั้งทุกคนในห้องรู้จักสมการนี้

ทีมจัดหาบุคลากรของ Gradion ได้รับประวัติมากกว่า 300 รายการต่อวัน ด้วยเวลาเจ็ดนาทีต่อประวัติกับผู้นำห้าคนในทีม นั่นคือเจ็ดชั่วโมงต่อคนต่อวัน — เพียงแค่ขั้นตอนแรกของกระบวนการจ้างงาน พวกเขาสร้าง agent เดียวที่ตอนนี้ประมวลผล 700 ประวัติต่อวัน การเพิ่มความสามารถจะต้องใช้เพียงการใช้ token เพิ่มเติมจาก Gemini วัดเป็นดอลลาร์ ไม่ใช่เงินเดือน

Lars ใช้ตรรกะเดิมกับ SaaS stack Gradion ใช้จ่ายมากกว่าครึ่งล้านยูโรต่อปีสำหรับเครื่องมือ — HubSpot, Slack, Expensify, Lever, Google สำหรับ HubSpot เพียงอย่างเดียว ค่าใช้จ่ายคือ 47,000 € ต่อปี สำหรับฟีเจอร์ประมาณ 5% "นั่นคือวิศวกรอย่างน้อยสองถึงสามคนตลอดทั้งปีในเวียดนาม" แผน: สร้าง CRM ของตัวเองด้วย AI เป็นเจ้าของ IP นั้นและเสนอให้กับบริษัทอื่น

"กุญแจสำคัญคือเรากำลังแยกการเติบโตออกจากต้นทุน ในอดีตการเติบโตหมายถึงคนมากขึ้น ตอนนี้เราสามารถเติบโตได้โดยไม่ต้องเพิ่มพนักงาน"

บทเรียนที่ 3: การเปลี่ยนจากพนักงานไปสู่ agent ไม่ใช่เรื่องการลดคน — มันเป็นเรื่องการกำจัดเพดานเหนือการเติบโตของคุณ

4. คาดหวังการต่อต้านทางวัฒนธรรม แต่ยังคงมุ่งสู่ความเป็นเลิศ

กรณีการประเมินผลการปฏิบัติงานเป็นส่วนที่ตรงไปตรงมาที่สุดของเซสชัน มันไม่ได้เริ่มต้นได้ดี

Gradion ติดตั้งการประเมิน 360 องศาที่ใช้ AI: การประเมินตนเอง ข้อมูลจากผู้นำ และผู้ประเมินที่สาม ประมวลผลโดย AI เพื่อสร้างผลลัพธ์ด้านประสิทธิภาพที่ชัดเจนและวัดได้ ในทางเทคนิคมันทำงาน แต่ในทางวัฒนธรรมมันปะทะกับสิ่งที่ Lars เรียกว่า "เศรษฐกิจอุปการะ" "ฉันเกาหลังคุณ คุณเกาหลังฉัน คุณให้คะแนนที่ดีแก่ฉัน ฉันให้คะแนนที่ดีแก่คุณ" AI ทำลายระบบนี้ พนักงานต่อต้าน เวอร์ชันแรกตรงเกินไป พวกเขาเรียนรู้ ปรับตัว และดำเนินต่อไป

Lars ชัดเจนเกี่ยวกับนัยที่กว้างขึ้น: "เรากำลังสร้างวัฒนธรรมแห่งความเป็นเลิศ ไม่ใช่วัฒนธรรมแห่งความสะดวกสบาย เราแลกความชัดเจนและความเป็นเลิศกับความสะดวกสบายและความสุภาพ"

หากพนักงานไม่พร้อมที่จะเติบโตไปกับ AI หรือต่อต้านนวัตกรรมอย่างจริงจัง พวกเขาไม่ควรอยู่ต่อ มันฟังดูตรงไปตรงมา มันยังเป็นจุดยืนที่ตรงไปตรงมาของทุกบริษัทที่ผ่านการเปลี่ยนผ่านนี้สำเร็จ

บทเรียนที่ 4: ระบบอัตโนมัติจะทำลายระบบที่ไม่เป็นทางการที่ผู้คนพึ่งพา นั่นคือจุดประสงค์ เตรียมพนักงานของคุณหรือเปลี่ยนพนักงานของคุณ

5. กินช้างทีละคำ

คำถามสุดท้ายจากผู้ชมเป็นคำถามที่มีประโยชน์ที่สุด: ทำไมโครงการ AI ถึงล้มเหลวมากมาย และ Gradion ทำอะไรต่างออกไป?

คำตอบนั้นเรียบง่าย "โครงการ agent นั้นเล็กมาก อยู่ในแผนกหนึ่ง พวกมันแก้ไขปัญหาทางธุรกิจที่เฉพาะเจาะจงหนึ่งอย่าง" ไม่มีโปรแกรมการเปลี่ยนแปลง ไม่ใช่ทุกอย่างพร้อมกัน หนึ่งจุดเจ็บปวด สองหรือสามคน ผลลัพธ์หนึ่งอย่างที่วัดได้ เมื่อมันทำงาน สิ่งต่อไปก็จะมาถึง นั่นคือวิธีที่ Gradion ก้าวจากการคัดกรองประวัติไปสู่การแยกข้อมูลใบแจ้งหนี้ไปสู่การประเมินผลการปฏิบัติงานจนถึงการแทนที่ CRM ที่วางแผนไว้ — ไม่ใช่โดยการวางแผนแผนที่เต็มรูปแบบล่วงหน้า แต่โดยการพิสูจน์โมเดลทีละ agent

เมื่อผู้บริหารด้านสาธารณสุขในผู้ชมกล่าวถึงความท้าทายของข้อมูลที่กระจัดกระจายในระบบการขาย การตลาด และ point-of-sale Lars ให้คำตอบเดิม เริ่มต้นด้วยจุดเจ็บปวดที่ใหญ่ที่สุด เชื่อมต่อระบบสำหรับปัญหาเดียวนั้น แก้ไขมัน จากนั้นทำซ้ำ

"จะกินช้างได้อย่างไร? ทีละคำ โครงการ AI หลายโครงการล้มเหลวเพราะพวกเขาพยายามกินช้างทีเดียว"

บทเรียนที่ 5: บริษัทที่ล้มเหลวกับ AI พยายามต้มน้ำทั้งมหาสมุทร เลือกสิ่งเดียวที่เจ็บปวดมากที่สุดและแก้ไขเพียงสิ่งนั้น

Playbook การดำเนินงานสำหรับ CEO: สิ่งที่คุณควรทำในวันพรุ่งนี้

1. 1. ตรวจสอบข้อมูลของคุณก่อน ระบุทุกระบบในบริษัทของคุณที่มีข้อมูลการดำเนินงาน ระบุว่าเอนทิตีเดียวกัน — พนักงาน ลูกค้า ใบแจ้งหนี้ — ถูกอธิบายต่างกันในระบบต่างๆ ช่องว่างนั้นคือจุดเริ่มต้นที่แท้จริงของคุณ
2. 2. ระบุกระบวนการที่มีต้นทุนที่วัดได้และผลลัพธ์ที่ชัดเจน ค้นหางานที่คุณสามารถพูดว่า: มันใช้เวลา X นาทีต่อหน่วย เราประมวลผล Y หน่วยต่อวัน นั่นคือผู้สมัคร agent คนแรกของคุณ
3. 3. คำนวณว่า SaaS stack ของคุณใช้จ่ายเท่าไรต่อฟีเจอร์ที่ใช้จริง คำนวณดู: คุณกำลังจ่ายเท่าไรสำหรับเครื่องมือที่คุณใช้น้อยกว่า 20% ของความสามารถ? นั่นคือโอกาส build vs. buy ของคุณ
4. 4. ตัดสินใจว่า feedback loop ใดที่คุณพร้อมจะทำให้เป็นกลาง เลือกหนึ่งด้าน — การสรรหาบุคลากร การดำเนินโครงการ ความพึงพอใจของลูกค้า — และมุ่งมั่นที่จะวัดมันโดยไม่มีการลดทอนทางการเมือง อดทนต่อความไม่สะดวก
5. 5. เลือกหนึ่งปัญหา มอบหมายสองคน ตั้งกำหนดเวลา 30 วัน อย่าพยายามเชื่อมต่อทุกอย่าง แก้ไขสิ่งเดียวที่ทำให้เสียค่าใช้จ่ายมากที่สุดหรือบล็อกมากที่สุด พิสูจน์โมเดล จากนั้นขยายมัน

→ ดูตัวสาธิตสดฉบับเต็มบน YouTube