§ FABERIC

Faberic

AI Operating Architects

Executive Briefing

90 minutes · AI Operating practice

Suparerk Boonrugsa

AI Operating Architect

2026-05-18

Act 1 · The Pain

80%

ลงทุน AI ไม่ได้ผล

RAND 2025

AI initiatives · ไม่บรรลุเป้า business value

5%

ใช้ AI transform ธุรกิจได้จริง

BCG 2025

"future-built" companies · transform ทั้งองค์กร at scale

ปัญหาไม่ใช่ AI ปัญหาคือ — ส่วนใหญ่ทำผิดวิธี

RAND breakdown

34% ถูกยกเลิกก่อนได้ใช้จริง

28% สร้างเสร็จแต่ไม่ได้ value

18% ได้ value บ้าง แต่ไม่คุ้ม investment

Sources: RAND 2025 (AI project failure) · BCG 2025 (Build for the Future · The Widening AI Value Gap) · MIT Sloan 2025 (GenAI scaling)

01 · 16

Act 1 · The Pain

AI ไม่ใช่ magic — AI คือ ตัวคูณ (multiplier)

ระบบดี + AI = อัตราเร่ง 10×

ประสิทธิภาพเพิ่มขึ้น 10 เท่า

ระบบเละ + AI = เร่งเละขึ้น 10×

ทำให้เละ "เร็ว/มาก" ขึ้น 10 เท่า

Factory / OEM

SOP ชัด · data clean

quotation 5 วัน → 30 นาที†

ปิด deal ที่เคยเสียคู่แข่ง

 

LINE 5 กลุ่ม · ไม่มี SOP กลาง

AI chatbot ดึงข้อมูลผิดกลุ่ม

ลูกค้า complain · sales ตามแก้ทั้งวัน

F&B / ร้าน 5 สาขา

POS sync · recipe/SOP digital

AI daily digest ทุก 7 โมง

จัดการ remote ได้ ไม่ต้องโทรสาขา

 

ผู้จัดการ LINE คนละกลุ่ม · stock จดสมุด

AI สรุปยอดผิด · stock พลาด

ของเสียทิ้งทุกเดือน · ปัญหาเดิมไม่หาย

Trading / ค้าส่ง

pricing rules ชัด · customer DB clean

AI ตอบราคาใน 5 นาที†

sales จัดการลูกค้าได้ 3 เท่า

 

pricing Excel หลายไฟล์ · ลูกค้าได้ราคาคนละแบบ

AI ดึงราคาผิด · trust หาย

sales ปฏิเสธ AI · ระบบไม่ adopt

† ตัวเลขรวม human-in-loop review ที่ architect ออกแบบ · AI core 1-5 นาที · ที่เหลือ = human approve ก่อนส่ง

02 · 16

Act 1 · The Pain

วิธีที่ ต่างกัน โดยสิ้นเชิง

✕ ตลาดส่วนใหญ่เริ่มจาก:

AI
→ use case
→ "หาทางใช้"

เริ่มจากปลายทาง
→ ลงทุนแล้วไม่ได้ผล

◆

✓ เราเริ่มจาก:

ปัญหาธุรกิจ
→ ออกแบบ
→ AI = leverage

เริ่มจากต้นทาง
→ AI ทำงานได้จริง

03 · 16

Act 1 · The Pain

ทำไม "เริ่มจาก AI" จึงล้มเหลว
— The Technology-First Trap

"Teams pick a use case because it sounds impressive — not because it solves a quantified business problem"

RAND Corporation · 2024 root cause analysis

🌐 IBM Watson Health (2014-22)

"AI จะแก้มะเร็ง" — ลงทุน $4 พันล้าน · MD Anderson partnership · doctors ปฏิเสธใช้

• ขาดทุน $3B · ขาย Watson Health $1B ปี 2022

🌐 Klarna AI Customer Service (2024-25)

ตัด ~700 ตำแหน่ง · AI ตอบลูกค้าทั้งหมด · ประกาศ save $40M

• CEO ยอมรับ "lower quality" · trust หาย
• หันกลับ จ้างคน customer service เพิ่ม (2025)

🇹🇭 ร้านอาหาร 5 สาขา

vendor ขาย "AI ตรวจ stock อัตโนมัติ" · POS ไม่ sync · ผู้จัดการบันทึก stock คนละแบบ

• AI output ผิด · เลิกใช้ใน 3 เดือน

🇹🇭 โรงงาน OEM

"AI quotation อัตโนมัติ" — ลงทุน 200K · pricing rules อยู่ในหัวเจ้าของ · ไม่เคย document

• เจ้าของ reject ทุกใบ · ปิดระบบ 3 เดือน

Sources: RAND 2024 · MIT Sloan 2025 · BCG 2025 · IBM Watson Health (Slate · Bloomberg) · Klarna (Fortune · Bloomberg) — see Appendix C

04 · 16

Act 2 · The Mirror

ปัญหาในองค์กรมี 5 ชั้น

ตลาดสอน Layer 1 —
แต่ pain จริง
อยู่ Layer 3-5

Layer 1 "งานล้นมือ" — เปิด ChatGPT ก็แก้ได้ ตลาดสอน Layer นี้ 95%

Layer 3-5 — Knowledge · Management · Organization Design — คือที่ value แรงที่สุด และที่ตลาดยังไม่พูดถึง

L1 · พิมพ์รายงานเดิม 30 นาที × 30 วัน = 15 ชม./เดือน

L2 · Quotation 5 วัน · รอ 4 แผนก ใช้ LINE คนละกลุ่ม

L3 · ผู้จัดการสาขาแม่ลาออก — SOP หายทั้งร้าน

L4 · รู้สาขาเชียงใหม่ยอดตก 18% หลังจาก 2 สัปดาห์

L5 · เปิดสาขา 3 มา 8 เดือน — ยัง break-even ไม่ได้

05 · 16

Act 2 · The Mirror

องค์กรของคุณ
มีอาการ กี่ข้อ?

พิจารณาในใจ
· ข้อไหนเจ็บที่สุด
· นั่นคือจุดเริ่มต้น

Layer 1

งานล้นมือ

งานซ้ำซากเสียเวลา 2+ ชม./วัน

copy/paste ระหว่างไฟล์/ระบบทุกวัน

เขียน email/รายงาน format เดิมซ้ำๆ

ตอบ FAQ ลูกค้าซ้ำๆ ทุกวัน

พนักงานสลับหน้าจอ/tab เยอะ เพื่อรวม 1 งาน

Layer 2

งานติดขัดระหว่างฝ่าย

งานข้ามแผนกค้าง · ตามไม่ได้

Approval ค้างเป็นประจำ

LINE/email หลายกลุ่ม · ข้อมูลตกหล่น

Quotation/order ใช้เวลามากกว่าคู่แข่ง

ลูกค้า/supplier ต้องโทรถามสถานะเอง

Layer 3

ความรู้ไม่อยู่ในระบบ

ความรู้สำคัญอยู่ในหัวคน 1-2 คน

พนักงานใหม่ onboard เป็นเดือน

SOP มี · ไม่มีใครใช้จริง

พนักงานลาออก = ระบบพังครึ่ง

ลูกค้าเก่าถาม "สั่งครั้งก่อน?" — ไม่มีใครจำ

Layer 4

ผู้บริหารมองภาพรวมไม่ออก

ไม่รู้ปัญหาในสาขา/แผนกจนสาย

KPI/รายงานล่าช้า 1-2 สัปดาห์

ต้องนั่งรวม Excel เองทุกสัปดาห์

พึ่งคำบอกของ manager · ไม่มี data รอง

ปัญหามักโผล่ตอน "ทุกอย่างพังแล้ว"

Layer 5

เติบโตต่อไม่ได้

ทุกอย่างยังติดเจ้าของ

สาขาใหม่ไม่เหมือนสาขาแม่

Succession ไม่ได้ · ขายธุรกิจไม่ออก

Middle management พัง · ไม่มีคนรับช่วง

ทายาท/ลูกไม่อยากกลับมาทำต่อ

06 · 16

Act 2 · The Mirror

Trap #1 · กับดักที่ผู้บริหารเดินเข้าไปเอง

The Market's 3 Mistakes

Mistake 01 · เดิม

"ซื้อ ERP / CRM / POS
= มีระบบ"

ลงทุนหลักล้าน · ใช้จริง 20% ของ feature

ตัวอย่าง: บริษัทไทยลงทุน ERP 5 ล้าน · ใช้จริง 20% feature · พนักงานกลับไปใช้ Excel · ระบบกลายเป็น database ตาย

Mistake 02 · 2024-26

"ซื้อ AI tool ใหม่
= ทันสมัย"

License ค้าง · ลูกค้าใช้ไม่กี่ครั้งเลิก

ตัวอย่าง: ChatGPT Plus 50 คน × 800 บาท = 40K/เดือน · พนักงาน "ไม่รู้จะใช้ทำอะไร" · เปิดดูไม่กี่ครั้ง · ยกเลิก license 6 เดือน

✕ Mistake 03 · อันตรายที่สุด

"ให้ AI เป็น CEO
— โยนข้อมูลทั้งหมดให้ตัดสินใจ"

ไม่มี role design · ไม่มี audit · ลด judgment จริง

ตัวอย่าง: Klarna 2024-25 — ตัด 700 ตำแหน่ง · AI ตอบลูกค้า · 2025 CEO ยอมรับ "lower quality" · หันกลับจ้างคน customer service เพิ่ม

ทั้งสาม — ขาด design · Software, AI tool, AI agent ไม่ใช่ระบบ — เป็นแค่เครื่องมือบังคับใช้ระบบที่ออกแบบ

07 · 16

Act 2 · The Mirror

Trap #1 · ขยายลึกลงในชั้นของระบบ

ตลาด AI พูดอะไร · ในแต่ละชั้น

5 ชั้นของระบบงาน · 5 คำสัญญาของ vendor · 5 ความจริงเชิงโครงสร้าง

Layer 1 · Task

งานล้นมือ

"ซื้อ AI ให้คนทำงานเร็วขึ้น"

AI เร่งงานชิ้นเดียว
≠ ทีมทำงานได้มากขึ้น

Layer 2 · Workflow

งานติดขัดระหว่างฝ่าย

"Automation ทำให้งานส่งต่อเร็ว"

ระบบแจ้งเตือนเร็วขึ้น
≠ งานไหลข้ามคนได้จริง

Layer 3 · Knowledge

ความรู้ไม่อยู่ในระบบ

"AI chatbot train จาก SOP บริษัท"

AI ตอบจากข้อมูลที่ไม่ครบ
= ความมั่นใจบนความเข้าใจที่ไม่ครบ

Layer 4 · Management

ผู้บริหารมองภาพรวมไม่ออก

"AI dashboard เห็นทุกอย่าง"

Dashboard ที่สวยขึ้น
· ไม่ได้แปลว่าบริษัทเห็นภาพชัดขึ้นเสมอไป

Layer 5 · Org Design

เติบโตต่อไม่ได้

"AI suite ช่วย scale บริษัท"

AI เพิ่มผลผลิต · แต่โครงสร้างไม่ขยายตาม
= เจ้าของเป็นคอขวดที่ใหญ่ขึ้น

วาง AI ผิดชั้น = เร่งปัญหาเชิงโครงสร้าง · ไม่ใช่แก้

08 · 16

Act 2 · The Mirror

Trap #2 · กับดักที่ใหญ่กว่า · ตลาดยังไม่ตั้งชื่อ

Authority Transfer by Exhaustion

เจ้าของไม่ได้มอบอำนาจให้ AI — แต่ค่อยๆ หยุดใช้ judgment ตัวเองไป

01

ให้ AI summarize — สะดวก รวดเร็ว ประหยัดเวลา

02

ให้ AI propose — มี options ให้ดู เปรียบเทียบง่าย

03

"งั้นเอาตาม AI ก็ได้" — ง่ายกว่า · ไม่ต้องถก

04

AI = de facto decision engine — โดยไม่มีใครประกาศตรงๆ

เกิดจาก — ภาวะ · ไม่ใช่ความผิดของเจ้าของ

Overload · ตัดสินใจหลายสิบเรื่องต่อวัน · ไม่มี middle management ที่ไว้ใจ · ไม่มี visibility เข้าระบบตรง · ไม่มี institutional memory ให้อ้างอิง · และ AI ตอบเร็ว · ดูสรุปสวย · มี confidence — ทุกอย่างทำให้การ defer ง่ายกว่าการตัดสินใจเอง

"เจ้าของไม่ได้เชื่อ AI เพราะ AI เก่ง —
แต่เพราะตัวเองหมดแรงเกินกว่าจะคิด"

ลด load · ไม่ลด judgment

09 · 16

Act 2 · The Fear

คำถามที่ผู้บริหารกลัวที่สุดเกี่ยวกับ AI

"ข้อมูลผม
จะรั่วมั้ย?"

ห้องรับแขก

เปิด

ใช้ AI ได้เต็มที่ — Marketing copy, brainstorm, เอกสารสาธารณะ

Marketing copy · Public PR · Blog · External FAQ · Brochure

ห้องทำงาน

พนักงานเข้าได้

AI ที่ออกแบบ access เข้าได้ — SOP, dashboard, workflow ops

Sales dashboard · Internal SOP · Customer ops · Quotation flow · Team docs

ห้องเซฟ

เจ้าของเท่านั้น

AI เข้าได้ในบทบาทเฉพาะ — Financials, margin, formula, board docs

Financials · Margin · Supplier pricing · Payroll · Formulas · Board docs

AI ไม่ได้กินข้อมูลทั้งหมดของบริษัท — AI กินเฉพาะสิ่งที่องค์กรออกแบบให้มันเห็น

10 · 16

Act 2 · The Fear

§ The Architect's Decision Grid

AI ไม่ได้มีระดับเดียว —
ห้องไหน · ใช้ AI ระดับไหน?

3 ห้อง × 5 ระดับ AI — แผนที่ตัดสินใจที่ owner ใช้เองได้ ก่อนเซ็น license

	Zone 1Openห้องรับแขก	Zone 2Internalห้องทำงาน	Zone 3Coreห้องเซฟ
Tier 1Direct Public AI	✓ปลอดภัย	⚠ต้องวินัย	✗ไม่ควร
Tier 2Managed RAG	✓ปลอดภัย	✓เหมาะ	⚠ขึ้นกับ vendor
Tier 3Filter Layer	○overkill	✓เหมาะ	✓ถ้ากรองดี
Tier 4Hybrid	○overkill	✓ดี	✓ดี
Tier 5Full Sovereign	○cost overkill	○overkill	✓regulated

ChatGPT พนักงาน + payroll = Zone 3 × L1 = ✗ ไม่ควร

GPU farm 100K/mo + marketing copy = ○ overkill · burn cash

Filter Layer (L3) = sweet spot ของ SME ส่วนใหญ่

"AI ไม่ได้มีระดับเดียว — เลือกระดับให้ตรงกับ ชั้นข้อมูล · stage องค์กร · งบ คือหน้าที่ของ architect ก่อนเซ็น license"

11 · 16

Act 3 · The Architect

✕ เราไม่ใช่

✕ AI Trainer

✕ Software Vendor

✕ AI Tool Seller

✕ Generic Consultant

✓ เราเป็น

AI Operating
Architect

ออกแบบ stack การทำงานของบริษัทคุณก่อน
ใส่ AI เป็น leverage บน design ที่มั่นคง

"เราออกแบบการทำงานก่อน — software/AI ตามมา"

12 · 16

Act 3 · The Method

Signature Methodology

Enterprise Operating Design Journey™

Stage 1

Business Problem Foundation

รู้ว่าปวดจริงตรงไหน

Stage 2

Workflow Flow Design

งานไหลอย่างไร

Stage 3

Data Intelligence Layer

ออกแบบสิ่งที่ AI จะเห็น

Stage 4

Software & AI Tools Enablement

เครื่องมือบังคับ workflow

Stage 5

AI Leverage Apex

คูณค่า / ขยายผล

5 stages · bottom-up method — ไม่ใช่ทุกบริษัทต้องเดินครบใน engagement เดียว

13 · 16

Act 3 · The Mentor

เราไม่ได้พูด framework เฉยๆ —
เรา build operating system มาแล้วทั้ง SME และ Corporate

Totoloop

Operating System for Restaurants · SME

Operating system สำหรับร้านอาหารหลายสาขา — workflow, knowledge และ management visibility ในตัวเดียว

EBK

Operating Memory + Governance Layer · Judgment-Preserving AI

AI Operating System ที่ Faberic build จริง — Institutional Memory (versioned profiles · decision archive · org's operating memory) + Governance Layer (hash-chained audit · RBAC · immutability triggers)

เราไม่ได้เริ่มจาก "อยากสร้าง SaaS" หรือ "อยากใส่ AI" — เราเริ่มจาก workflow จริงที่มีปัญหา — แล้ว software และ AI เป็นผลลัพธ์ที่ตามมา · คำตอบของกับดักที่ 2 · ระบบที่รักษาการตัดสินใจไว้ใช้

14 · 16

Act 4 · The Loop-back

จาก "คุณเจ็บตรงไหน" → สู่ "AI ช่วยคุณตรงไหน"

จำ Pyramid นี้ได้ไหม? — ตอนนี้ ความหมายเปลี่ยนแล้ว

ตอนเริ่ม — Pyramid ถาม: "ปัญหาธุรกิจคุณอยู่ลึกแค่ไหน?"

ตอนนี้ — Pyramid เดียวกัน บอก: "AI จะช่วยคุณที่ลึกระดับนั้น"

ตัวอย่าง — Pyramid เดียวกัน · 2 ความหมาย

Layer 4 · Management — ผู้บริหารมองภาพรวมไม่ออก

ตอนเริ่ม: "รู้สาขาเชียงใหม่ยอดตก 18% หลังจาก 2 สัปดาห์"
ตอนนี้: AI สรุปทุกเช้า 7 โมง — เห็นปัญหาก่อนสาย

Layer 2 · Workflow — งานติดขัดระหว่างฝ่าย

ตอนเริ่ม: "Quotation 5 วัน · รอ 4 แผนก · LINE คนละกลุ่ม"
ตอนนี้: AI orchestrate workflow — 30 นาที · ปิด deal ทัน

AI ที่ depth ของคุณ
ไม่ใช่ AI ทั่วไป

15 · 16

Act 4 · Close

Diagnostic Call · 60 นาที

Step ถัดไป

ก่อนพูดเรื่อง engagement — เราคุย 1-on-1 ก่อน เพื่อ: เข้าใจธุรกิจคุณอย่างละเอียด · เห็นว่า pain หลักอยู่ Layer ไหน · ดูว่าเราเหมาะที่จะทำงานด้วยกันมั้ย

MAZ Marketing Agency · AI Operating Architect

ติดต่อผ่าน MAZ

+66 93 987 6249 · suparerk@faberic.ai

Faberic

AI Operating Architects

We craft AI operations

16 · 16

Appendix A · Credibility

เราอยู่ตระกูลความคิดเดียวกันกับ
top consulting firms ของโลก

Firm	Framework	Maps to Layer
McKinsey	"Rewired" — redesign org around tech + data + AI	Layer 5
BCG X	"10-20-70 Rule" — 10% algo, 20% data, 70% people/process	Layer 4-5
Accenture	"Intelligent Operations" — Reinvent Work/CX/Ops	Layer 4
Deloitte	AI Governance + Internal Control	Layer 4-5

ความต่าง — Top-tier firms ออกแบบสำหรับ enterprise 10,000+ คน budget หลายล้านดอลลาร์ เราเอา depth ระดับเดียวกัน มาทำให้ SME ไทยใช้ได้จริง ด้วยภาษาที่ผู้ประกอบการพูด

App · A

Appendix B · Vertical Patterns

Killer Pattern — แต่ละ Vertical

F&B

Restaurants · Multi-branch

• SOP / Recipe digitization (รสนิ่งทุกสาขา)
• Daily ops digest สำหรับ owner
• Supplier & inventory intelligence

Trading / Wholesale

Multi-channel commerce

• Multi-channel order consolidation (LINE/Shopee/Lazada)
• Stock truth + customer Q&A AI
• Sales rep enablement

Factory / OEM

Manufacturing

• Quotation acceleration (สูตร + cost รวมเร็ว)
• Cross-department gluing (R&D / บัญชี / จัดซื้อ)
• Production status visibility

Real Estate

Developers · Projects

• Lead qualification automation
• Project document & sales kit generation
• Investor reporting + dashboards

App · B

Appendix C · Research References

Research References & Sources

ตัวเลขเหล่านี้มาจาก top-tier research firms · ใช้ defend ตัวเลขใน Slide 1

RAND Corporation, 2025

AI Project Failure Study

80.3%

• ของ AI projects ไม่บรรลุเป้า business value
• 33.8% cancelled before production
• 28.4% completed but no business value
• 18.1% partial value but not cost-justified
• 19.7% achieved/exceeded business objectives

Root causes — 73% lack exec alignment · 68% under-invest in data governance · 61% treat AI as IT project · 56% lose C-suite sponsorship within 6 months

BCG (Boston Consulting Group), 2025

Build for the Future · The Widening AI Value Gap

5%

• ของบริษัททั่วโลกเป็น "future-built" — transform at scale
• 60% generate no material value
• 26% have capabilities beyond proof-of-concept stage

MIT Sloan, 2025

GenAI Pilot Scaling Research

95%

• ของ GenAI pilots ไม่ scale ไป production
• 95% ของบริษัท saw zero measurable return
• Research scope: 300+ initiatives — interviews + structured surveys

Deloitte, 2025

State of AI Survey

42%

• ของบริษัท abandoned AI initiative อย่างน้อย 1 ตัว
• Average sunk cost per abandoned initiative: $7.2M

Case studies cited on Slide 4 — Technology-First Trap

IBM Watson Health (2014-22)

The $4B AI failure that became $1B sell-off

• $4 พันล้านลงทุน · AI cancer diagnostic · MD Anderson partnership shelved
• Sold to Francisco Partners 2022 ที่ ~$1 พันล้าน (ขาดทุน ~$3B)
• Root cause: technology-first launch · ไม่ได้แก้ specific clinical workflow

Klarna AI Customer Service Reversal (2024-25)

ตัด ~700 ตำแหน่ง · ใช้ AI ตอบลูกค้า · ประกาศ save $40M

• 2025: CEO admits "lower quality" · resumes human hiring
• Root cause: deployed Pattern B (Oracle) without designed role/scope

§ Source URLs

RAND · BCG · MIT Sloan · Deloitte

pertamapartners.com/insights/ai-project-failure-statistics-2026 media-publications.bcg.com/The-Widening-AI-Value-Gap-Sept-2025.pdf bcg.com/publications/2025/are-you-generating-value-from-ai-the-widening-gap fortune.com/2025/08/18/mit-report-95-percent-generative-ai-pilots-at-companies-failing-cfo

IBM Watson Health · Klarna case studies

slate.com/technology/2022/01/ibm-watson-health-failure-artificial-intelligence.html fiercehealthcare.com/tech/ibm-sells-watson-health-assets-to-investment-firm-francisco-partners fortune.com/2025/05/09/klarna-ai-humans-return-on-investment bloomberg.com/news/articles/2025-05-08/klarna-turns-from-ai-to-real-person-customer-service entrepreneur.com/business-news/klarna-ceo-reverses-course-by-hiring-more-humans-not-ai/491396

App · C

Thank you

เรา ออกแบบ
ก่อนใส่ AI

ขอบคุณสำหรับ 75 นาที — ติดต่อกลับเพื่อนัด Diagnostic Call

MAZ Marketing Agency · AI Operating Architect End of Briefing