สรุปจากคลิป ดูคลิปต้นฉบับ
5 Skills สร้าง Second Brain ด้วย AI ให้ทำงานเป็นระบบ
ปัญหาใหญ่ของการใช้ AI ในงานจริงไม่ใช่เรื่อง model เก่งไม่พอ แต่คือ AI ไม่มีความจำเกี่ยวกับงานของเรา ธุรกิจของเรา และสิ่งที่ทีมกำลังทำอยู่ พอเริ่มแชตใหม่ทีไร ก็ต้องป้อน context ซ้ำ ผลลัพธ์ก็ยังออกมากว้างๆ และไม่ค่อยเข้าเรื่องเดิม
คลิปจาก Ben AI อธิบายเรื่องนี้ได้คมมาก โดยเสนอแนวทางสร้าง AI OS หรือ Second Brain ที่เก็บข้อมูลธุรกิจเป็นระบบ อัปเดตได้เรื่อยๆ และทำให้ AI tool หรือ agent ทุกตัวตอบได้ตรงขึ้นทันที จุดที่น่าสนใจไม่ใช่แค่ “มีคลังความรู้” แต่คือมี workflow ดูแลคลังนั้นให้ไม่รก ไม่เปลือง token และแชร์ให้ทีมใช้ร่วมกันได้
ถ้ามองจากมุมเจ้าของธุรกิจไทย แนวคิดนี้มีค่ามาก เพราะหลายทีมเริ่มใช้ AI แล้ว แต่ยังใช้แบบกระจัดกระจาย คนละ prompt คนละเอกสาร คนละความเข้าใจ สุดท้าย AI ไม่ได้ช่วยสร้างมาตรฐานร่วมในองค์กร บทความนี้จึงสรุปทั้ง 5 skills จากคลิป พร้อมวิเคราะห์ว่าอะไรเอาไปใช้ได้จริง อะไรควรระวัง และถ้าเริ่มวันนี้ควรเริ่มตรงไหนก่อน
สารบัญ
- Step 1: เข้าใจก่อนว่า Second Brain คืออะไร และทำไมธุรกิจควรมี
- Step 2: ตั้งโครงสร้าง Second Brain ด้วย OS Setup
- Step 3: ทำให้ Second Brain อัปเดตเองด้วย OS Operator
- Step 4: ลดความรกและค่า token ด้วย OS Optimizer
- Step 5: แชร์ให้ทีมใช้ร่วมกันด้วย Team OS
- Step 6: ทำให้ระบบรันเองบน cloud ด้วย OS MCP
- Step 7: วางแผนเริ่มต้นแบบที่ธุรกิจไทยทำตามได้จริง
- Actionable Insights
- Troubleshooting
- การต่อยอด
- สรุป Checklist ทั้งหมด
Step 1: เข้าใจก่อนว่า Second Brain คืออะไร และทำไมธุรกิจควรมี
Second Brain ในคลิปนี้ไม่ใช่แอปวิเศษ แต่คือ ชั้นความจำกลาง ที่ให้ AI เข้าถึงข้อมูลเกี่ยวกับเรา งานของเรา และธุรกิจของเราได้ต่อเนื่องข้ามหลายแชต หลายเครื่องมือ และหลาย use case
Ben ใช้ Obsidian เป็นหน้าตาในการจัดการ แต่แก่นจริงๆ คือการเก็บไฟล์ไว้ในโฟลเดอร์บนเครื่อง แล้วให้ AI อ่านและเขียนข้อมูลลงไปตามโครงสร้างที่กำหนดไว้ จุดนี้สำคัญมาก เพราะทำให้ระบบไม่ผูกตายกับ platform เดียว
ประโยชน์หลักมี 4 ข้อ
- AI ตอบตรงขึ้น เพราะดึงข้อมูลธุรกิจจริง ไม่ได้เดาจาก prompt สั้นๆ
- ไม่ต้องอธิบายซ้ำ ทุกครั้งที่เปิดแชตใหม่
- ความรู้สะสมเพิ่มขึ้นเรื่อยๆ ยิ่งใช้ AI นาน ระบบยิ่งฉลาดกับงานของเรา
- ทีมใช้ฐานข้อมูลชุดเดียวกัน ทำให้การทำงานสอดคล้องกันมากขึ้น
สำหรับธุรกิจไทย ภาพที่ชัดที่สุดคือบริษัทที่มีข้อมูลกระจายอยู่เต็มไปหมด เช่น Google Drive, LINE, อีเมล, สรุปประชุม, SOP, สคริปต์ขาย, คอนเทนต์เก่า, feedback ลูกค้า ถ้าข้อมูลเหล่านี้ถูกรวบให้ AI เข้าถึงได้ในรูปแบบที่เป็นระบบ AI จะเริ่มช่วยงานได้เกินกว่าแค่เขียนโพสต์หรือสรุปข้อความ แตะไปถึงการวางแผนงาน ประสานทีม และติดตามงานต่อเนื่องได้
มุมที่เห็นด้วยมากคือ Ben ย้ำว่า ควรเริ่มเร็ว เพราะ context เป็นของที่ยิ่งสะสมยิ่งมีมูลค่า แต่ก็มีข้อควรระวังเหมือนกัน ถ้าเริ่มแบบไม่มีโครงสร้าง เราจะได้ “กองไฟล์มหาศาล” ไม่ใช่ second brain
Step 2: ตั้งโครงสร้าง Second Brain ด้วย OS Setup
Skill แรกคือ OS Setup หน้าที่ของมันคือช่วยตั้งต้นระบบให้ถูกทาง โดยมี 3 งานหลัก
- ช่วยเก็บข้อมูลตั้งต้นเกี่ยวกับเราและธุรกิจ
- ช่วยสร้างโครงสร้างโฟลเดอร์
- ช่วยสร้างไฟล์ CLAUDE.md สำหรับบอก AI ว่าควรหาและบันทึกข้อมูลตรงไหน
ในคลิปมีการเลือกได้ 2 แบบ คือแบบสำหรับคนทำงานเดี่ยว และแบบสำหรับธุรกิจที่มีทีม อันนี้เป็นจุดที่คนทำตามแล้วมักพลาด เพราะชอบเลือกแบบใหญ่ไว้ก่อน ทั้งที่ยังไม่ได้ใช้จริง ผลคือระบบซับซ้อนเกินจำเป็น
แนวคิดที่ควรจำมีข้อเดียวคือ เริ่มเล็ก แต่เริ่มให้ถูก Ben บอกชัดว่าตอนเริ่ม เขามีแค่หลักสิบไฟล์ ไม่ได้มีเป็นพันไฟล์ตั้งแต่วันแรก ระบบค่อยๆ โตตามการใช้งานจริง
ตัวอย่างโครงสร้างที่ skill นี้สร้างให้ เช่น
- Context เก็บข้อมูลพื้นฐานของเราและบริษัท
- Daily บันทึกสิ่งที่เกิดขึ้นในแต่ละวัน
- Projects เก็บงานหรือโปรเจกต์ที่กำลังทำ
- Intelligence เก็บสรุปประชุม งานวิจัย คู่แข่ง การตัดสินใจ
- Resources เก็บ template, framework, prompt ที่ใช้ซ้ำ
- Departments / Team / Onboarding สำหรับองค์กรที่มีหลายทีม
สิ่งที่น่าสนใจมากคือเรื่อง CLAUDE.md เพราะมันทำหน้าที่เหมือนแผนที่ให้ AI ถ้าไม่มีไฟล์นี้ หรือเขียนแบบมั่วๆ AI จะหาไฟล์ผิดที่ บันทึกผิดหมวด และดึงข้อมูลเกินจำเป็น จน token บวมโดยไม่รู้ตัว
อีกส่วนที่มีประโยชน์มากสำหรับคนไม่ใช่สายเทคนิค คือ skill นี้จะถามคำถามเป็นชุดเพื่อเก็บข้อมูลตั้งต้นประมาณ 12 หมวด เช่น ข้อมูลส่วนตัว บริษัท ตลาด กลุ่มลูกค้า ระบบงาน และอื่นๆ เราไม่ต้องเขียนให้สวยตั้งแต่แรก แค่ brain dump ออกมาให้ครบก่อน แล้วค่อยให้ AI จัดรูปให้ทีหลัง
ถ้าเอามาใช้กับธุรกิจไทย วิธีที่เหมาะคือเริ่มจากเอกสารพื้นฐานเหล่านี้
- วิสัยทัศน์และเป้าหมายธุรกิจ
- สินค้าและบริการหลัก
- กลุ่มลูกค้าเป้าหมาย
- SOP งานที่ทำซ้ำบ่อย
- สรุปประชุมสำคัญย้อนหลัง 1-2 เดือน
- คอนเทนต์หรือแคมเปญที่เคยทำแล้วได้ผล
ไม่จำเป็นต้องเอาทุกอย่างเข้าไปวันแรก เพราะยิ่งเริ่มใหญ่เกินไป โอกาสเลิกกลางทางยิ่งสูง
Step 3: ทำให้ Second Brain อัปเดตเองด้วย OS Operator
พอมีโครงสร้างแล้ว คำถามถัดไปคือ “ใครจะคอยอัปเดตข้อมูล” ถ้าต้องทำมือทุกวัน ระบบจะตายเร็วมาก นี่คือหน้าที่ของ OS Operator
Skill นี้ช่วยตั้ง scheduled task ให้ AI ไปดึงข้อมูลใหม่จาก connector ต่างๆ เช่น สรุปประชุม แชตในทีม คอมมูนิตี้ อีเมล หรือระบบอื่นที่สำคัญกับงาน แล้วนำมาสร้างเป็น daily brief รวมถึงอัปเดตไฟล์เดิมที่เกี่ยวข้อง
ตัวอย่างผลลัพธ์ที่ Ben โชว์คือ ระบบรู้ได้ว่า
- วันนี้มีเรื่องเร่งด่วนอะไร
- มีประชุมอะไรในปฏิทิน
- แต่ละคนในทีมกำลังทำอะไร
- มีการเปลี่ยนแปลงเชิงกลยุทธ์ตรงไหนที่ควรอัปเดตในเอกสารหลัก
นี่คือจุดที่ Second Brain เริ่มกลายเป็น “ระบบปฏิบัติการงาน” จริงๆ ไม่ใช่แค่คลังเก็บไฟล์ เพราะ AI เริ่มรู้ความเคลื่อนไหวรายวันของธุรกิจ
ในบริบทธุรกิจไทย การประยุกต์ใช้ที่เห็นภาพคือ
- ดึงสรุปประชุมฝ่ายขายมาอัปเดต pain point ของลูกค้า
- ดึงข้อความจากแชตทีมเพื่อสรุป blockers ของแต่ละโปรเจกต์
- ดึงอีเมลลูกค้าเพื่ออัปเดตสถานะงานค้าง
- ดึง feedback จากทีมบริการลูกค้ามาอัปเดต FAQ หรือ SOP
ข้อจำกัดที่ควรพูดตรงๆ คือยิ่งดึงข้อมูลมาก ระบบยิ่งกิน token มาก ถ้ายังไม่แน่ใจว่าอะไรจำเป็น ควรเริ่มจากแหล่งข้อมูล 1-2 แหล่งก่อน เช่น ประชุมกับ daily tasks อย่าเพิ่งต่อทุกอย่างพร้อมกัน
อีกข้อที่ Ben ชี้ไว้และสำคัญมากคือ scheduled task แบบนี้จะทำงานได้เมื่อเครื่องเปิดและแอปเปิดอยู่ ถ้าต้องการให้รันเองแม้ปิดคอม ต้องไปต่อยอดด้วยระบบ cloud routine ในขั้นหลัง
Step 4: ลดความรกและค่า token ด้วย OS Optimizer
Second Brain ที่โตขึ้นเรื่อยๆ มีปัญหาแน่ ไม่ว่าจะเป็นไฟล์ซ้ำ ข้อมูลขัดกัน ลิงก์เสีย โครงสร้างเละ หรือ AI ดึง context ผิดอัน ปัญหาเหล่านี้ไม่ได้แค่ทำให้ค้นหายาก แต่ทำให้ AI ตอบช้าลงและเสีย token มากขึ้นด้วย
Ben จึงเสนอ skill ที่สามคือ OS Optimizer ซึ่งมีหน้าที่ audit และซ่อมระบบเป็นระยะ
สิ่งที่ skill นี้ทำได้ เช่น
- ตรวจไฟล์ซ้ำและรวมข้อมูล
- หาไฟล์ที่ไม่มีใครเข้าถึงหรือไม่ถูกอ้างอิง
- ตรวจข้อมูลเก่าหรือขัดกัน
- ปรับ CLAUDE.md และ index ให้ AI route context ได้ดีขึ้น
- แก้ formatting, broken links, tags และ front matter
จุดนี้ฟังดูเป็นเรื่องหลังบ้าน แต่จริงๆ คือหัวใจของการใช้ AI ระยะยาว เพราะหลายทีมตื่นเต้นกับการ “เพิ่มข้อมูล” มากกว่าการ “ดูแลข้อมูล” สุดท้ายระบบเสื่อมจนเลิกใช้
ถ้าเป็นธุรกิจไทยที่เริ่มเก็บข้อมูลเยอะจากหลายทีม เราแนะนำให้ตั้งรอบตรวจอย่างน้อยสัปดาห์ละครั้ง หรือสองสัปดาห์ครั้ง โดยเฉพาะถ้าใช้ AI เข้าถึงไฟล์ชุดเดิมทุกวัน เช่น ทีมการตลาด ทีมขาย และทีมโอเปอเรชัน
มุมที่อยากเติมคือ ต่อให้มี optimizer ก็ไม่ได้แปลว่าควรเก็บทุกอย่าง การคัดว่าอะไรควรเข้า vault ตั้งแต่ต้น ยังสำคัญกว่าการรอไปล้างทีหลังเสมอ
Step 5: แชร์ให้ทีมใช้ร่วมกันด้วย Team OS
พอระบบเริ่มนิ่ง คำถามต่อมาคือจะขยายให้ทีมใช้ยังไง Ben มองว่าถ้าทั้งทีมใช้ฐานข้อมูลกลางเดียวกัน AI ของแต่ละคนจะตอบได้สอดคล้องกันมากขึ้น และลดปัญหาที่แต่ละคนใช้ AI ไปคนละทาง
Skill ที่สี่คือ Team OS ซึ่งแก้ 2 เรื่องพร้อมกัน
- ซิงก์ไฟล์ second brain ระหว่างหลายคนแบบใกล้เคียง real-time
- ตั้งสิทธิ์ว่าใครอ่านได้ ใครแก้ไขได้
ในคลิป Ben อธิบายว่าทางเลือกบางแบบมีข้อจำกัด เช่น
- GitHub ไม่ real-time และต้องคอย push/pull
- Google Drive หรือ Notion ต้องผ่าน MCP ทำให้ซับซ้อน ช้าลง และกิน token เพิ่ม
- Obsidian Sync ยังไม่ตอบโจทย์เรื่อง real-time และ permission
ทางที่เขาเลือกคือใช้ plugin ชื่อ Relay เพื่อซิงก์ไฟล์ และต่อยอดด้วย plugin ที่เพิ่มสิทธิ์การเข้าถึงแบบ role-based
มุมนี้น่าสนใจมากสำหรับองค์กรที่เริ่มจริงจังกับ AI เพราะปัญหาหนึ่งของการใช้ AI ในบริษัทคือ “ใครมีสิทธิ์แก้อะไร” เช่น ไฟล์กลยุทธ์หลักควรเปิดให้ทีมอ่านได้ แต่ไม่ควรให้ AI ของทุกคนเขียนทับได้อิสระ
สำหรับธุรกิจไทยที่มีทีม 3-20 คน นี่น่าจะเป็นช่วงที่เริ่มเห็นผลชัด เช่น
- ทีมขายอ่าน positioning และ pricing ล่าสุดได้ตลอด
- ทีมคอนเทนต์เห็น messaging เดียวกับทีมบริหาร
- พนักงานใหม่เข้ามาแล้วให้ AI ช่วย onboarding จากเอกสารจริงของบริษัท
แต่ต้องพูดตรงๆ ว่าอย่าเพิ่งรีบ rollout ทั้งบริษัทตั้งแต่สัปดาห์แรก ควรเริ่มจากเจ้าของงาน 1-2 คนก่อน พอระบบนิ่งแล้วค่อยขยาย ไม่อย่างนั้นความซับซ้อนจะกลบประโยชน์ทันที
Step 6: ทำให้ระบบรันเองบน cloud ด้วย OS MCP
Skill สุดท้ายคือ OS MCP ใช้สำหรับสร้าง MCP จาก second brain เพื่อให้ routine หรือ managed agent บน cloud เข้ามาอ่านและอัปเดตข้อมูลได้ แม้คอมของเราจะปิดอยู่
เหตุผลที่ต้องมีขั้นนี้ เพราะ scheduled task บนเครื่องมีข้อจำกัดเรื่องการรันเฉพาะตอนที่เครื่องเปิด แต่ถ้าเอาระบบขึ้น cloud ได้ เราจะตั้งให้รันตามเวลา หรือรันตาม event ก็ได้ เช่น หลังประชุมจบให้ประมวลผล transcript ทันที
แนวคิดนี้สำคัญมากสำหรับธุรกิจที่เริ่มมีงานประจำวันเยอะ เพราะมันทำให้ second brain ไม่ใช่แค่คลังข้อมูล แต่กลายเป็นระบบที่ “ดูแลตัวเอง” ได้ระดับหนึ่ง
อย่างไรก็ตาม ขั้นนี้ถือว่าเริ่มมีความเทคนิคมากกว่าขั้นก่อนหน้า ถ้าองค์กรยังไม่ได้ใช้ second brain จนเห็นประโยชน์จริง ยังไม่จำเป็นต้องรีบทำ ควรทำเมื่อมี 3 เงื่อนไข
- มีการอัปเดตข้อมูลเป็นประจำทุกวัน
- มีหลายแหล่งข้อมูลที่ต้องเชื่อม
- มีความต้องการให้ AI รันงานโดยไม่พึ่งเครื่องของใครคนหนึ่ง
Step 7: วางแผนเริ่มต้นแบบที่ธุรกิจไทยทำตามได้จริง
ถ้าตัดรายละเอียดเชิงเทคนิคออก แก่นของคลิปนี้คือการสร้าง AI memory layer ให้เป็นทรัพย์สินขององค์กร ไม่ใช่ให้ AI ทำงานแบบจำความไม่ได้
วิธีเริ่มที่เหมาะกับคนทำงานและเจ้าของธุรกิจ คือแบ่งเป็น 3 ระยะ
- ระยะเริ่มต้น ตั้งโครงสร้างและใส่ข้อมูลหลักของธุรกิจ
- ระยะใช้งานจริง ต่อข้อมูลรายวัน เช่น ประชุม งานค้าง และสรุปความคืบหน้า
- ระยะขยายผล แชร์ให้ทีม ใช้สิทธิ์การเข้าถึง และตั้งงานอัตโนมัติบน cloud
สิ่งที่ Ben ทำได้ดีคือทำให้เห็นว่า AI ไม่ได้เก่งขึ้นเพราะ prompt ล้วนๆ แต่เก่งขึ้นเพราะ “มีความจำที่จัดการดี” อันนี้เป็นมุมที่คนส่วนใหญ่มองข้าม
ส่วนจุดที่ควรระวังคืออย่าหลงกับการสร้างระบบใหญ่เกินงานจริง ถ้าเราเป็นธุรกิจขนาดเล็ก การมีโฟลเดอร์เรียบง่าย + daily update จากประชุม + optimizer เป็นรอบๆ ก็ให้ผลลัพธ์ดีมากแล้ว ไม่จำเป็นต้องเริ่มด้วย architecture เต็มรูปแบบเสมอไป
Actionable Insights
- เริ่มจากข้อมูล 20-30 ไฟล์ที่สำคัญที่สุดก่อน อย่าโยนทุกอย่างเข้าไปพร้อมกัน
- ตั้ง daily brief จากประชุมหรือแชตทีมเพียง 1 แหล่งก่อน เพื่อดูว่า AI ช่วยงานตรงไหนได้จริง
- กำหนดไฟล์หลักขององค์กรให้ชัด เช่น strategy, offer, ICP, SOP แล้วห้ามให้ทุกคนแก้ได้เท่ากัน
- ตั้งรอบ audit second brain ทุกสัปดาห์ เพื่อลดไฟล์ซ้ำและลด token ที่สูญเปล่า
- ถ้าทีมยังไม่คุ้นกับ AI ให้เริ่มจาก use case เดียวก่อน เช่น สรุปประชุมและจัดลำดับงานรายวัน
Troubleshooting
- ปัญหา: AI ตอบกว้างๆ เหมือนไม่รู้จักธุรกิจเรา
สาเหตุ: ข้อมูลตั้งต้นใน second brain ยังน้อย หรือไม่มีไฟล์หลักที่อธิบายธุรกิจชัด
วิธีแก้: เพิ่มเอกสารพื้นฐาน เช่น ลูกค้าเป้าหมาย สินค้า บริการ ข้อเสนอ จุดต่าง และสรุปงานที่ผ่านมา - ปัญหา: ระบบเริ่มรก หาไฟล์ไม่เจอ และ AI ดึงข้อมูลผิด
สาเหตุ: โครงสร้างโฟลเดอร์ไม่ชัด หรือมีไฟล์ซ้ำจำนวนมาก
วิธีแก้: รัน optimizer ตามรอบ ตรวจไฟล์ซ้ำ และจัดหมวดใหม่เฉพาะส่วนที่ใช้จริง - ปัญหา: token หมดเร็ว ค่าใช้งานสูงขึ้นเรื่อยๆ
สาเหตุ: AI ต้องอ่านข้อความยาวเกินไป หรือ CLAUDE.md กับ index ไม่กระชับ
วิธีแก้: สรุปไฟล์ใหญ่ให้สั้นลง ลบข้อมูลไม่เกี่ยวข้อง และตรวจ routing ของไฟล์หลัก - ปัญหา: ทีมใช้ร่วมกันแล้วเอกสารถูกแก้ไขมั่ว
สาเหตุ: ไม่มีการตั้ง permission ตามบทบาท
วิธีแก้: แยกสิทธิ์อ่านกับสิทธิ์แก้ไข โดยเฉพาะเอกสารกลยุทธ์ ราคา และ SOP สำคัญ - ปัญหา: scheduled task ไม่ทำงานตอนไม่ได้เปิดเครื่อง
สาเหตุ: งานถูกตั้งให้รันใน desktop แทน cloud routine
วิธีแก้: ใช้ MCP เพื่อย้ายงานสำคัญไปให้รันบน cloud แทน
การต่อยอด
- สร้าง daily CEO brief ที่สรุปว่าวันนี้ทีมทำอะไร มีเรื่องเสี่ยงอะไร และมีงานไหนต้องตัดสินใจ
- ทำ onboarding assistant สำหรับพนักงานใหม่ โดยให้ AI ดึงข้อมูลจาก SOP, team profile และเอกสารบริษัท
- เชื่อม second brain กับระบบ analytics หรือ CRM เพื่อให้ AI ช่วยสรุปสถานะธุรกิจแบบใกล้เวลาจริง
สรุป Checklist ทั้งหมด
- ☐ ตัดสินใจก่อนว่าจะทำ second brain สำหรับงานเดี่ยวหรือทั้งทีม
- ☐ สร้างโครงสร้างโฟลเดอร์เริ่มต้นให้เหมาะกับรูปแบบงาน
- ☐ ใส่ข้อมูลตั้งต้นของธุรกิจอย่างน้อย 12 หมวดหรือเท่าที่จำเป็น
- ☐ สร้างและตรวจไฟล์ CLAUDE.md ให้ AI รู้ว่าจะหาและเก็บข้อมูลตรงไหน
- ☐ เปิดโฟลเดอร์นั้นใน Obsidian เพื่อจัดการไฟล์ได้ง่ายขึ้น
- ☐ ตั้ง scheduled task เพื่อดึงข้อมูลใหม่จากประชุม แชต หรือแหล่งที่สำคัญ
- ☐ สร้าง daily brief และ task summary จากข้อมูลรายวัน
- ☐ รัน optimizer รายสัปดาห์เพื่อลดไฟล์ซ้ำและปัญหาเรื่อง token
- ☐ ถ้าจะให้ทีมใช้ร่วมกัน ให้ตั้งระบบ sync และ permission ก่อน
- ☐ ถ้าต้องการให้ระบบรันเองตอนปิดเครื่อง ให้สร้าง MCP และย้ายงานไป cloud routine
สรุปให้สั้นที่สุด แนวคิดจากคลิป 5 Skills to Build a Second Brain Like The 1% ไม่ได้สอนแค่ตั้งเครื่องมือ แต่กำลังบอกว่าองค์กรที่ใช้ AI ได้คุ้มในระยะยาว คือองค์กรที่สร้าง ความจำร่วม ให้ AI ใช้งานได้จริง
สำหรับคนทำงานและเจ้าของธุรกิจ เราไม่จำเป็นต้องเริ่มด้วยระบบซับซ้อน ขอแค่เริ่มเก็บ knowledge สำคัญของงานให้เป็นที่เป็นทาง ตั้งให้ AI เข้าถึงได้ และดูแลไม่ให้รก เท่านี้ AI ก็จะค่อยๆ เปลี่ยนจากผู้ช่วยตอบคำถาม มาเป็นผู้ช่วยที่เข้าใจงานของเรามากขึ้นทุกสัปดาห์
