อรวรรณ หอยจันทร์

เปิดความพร้อม-สภาพแวดล้อม-การใช้ AI ของไทย-อาเซียน แม้คนไทยจะมีความตื่นตัวและคุ้นเคยกับ AI ในระดับสูง (กว่า 80% เคยใช้งานประจำ) แต่ก็ยังอยู่ในระดับ “ผู้ใช้งานทั่วไป” (Basic) ยังขาดทักษะการใช้เชิงลึกและการรู้เท่าทัน AI

1.การใช้งาน AI ในปัจจุบันการใช้งานในชีวิตประจำวัน

-คนไทยใช้ AI เพื่อความบันเทิงและการใช้ชีวิต (เช่น ระบบแนะนำวิดีโอ/เพลง ระบบ GPS ฟิลเตอร์กล้อง) และใช้ค้นหาข้อมูล

-ใช้ในการทำงาน แรงงานและธุรกิจใช้ Generative AI (เช่น ChatGPT, Gemini) เพื่อช่วยสรุปเอกสาร แปลภาษา ค้นหาไอเดียสร้างสรรค์ และงานแอดมิน เพื่อเพิ่มความเร็วในการทำงาน

2.ความสามารถและการรู้เท่าทัน AI

-ระดับความเข้าใจ จากการสำรวจประเมินผู้บริโภคพบว่า 46% เข้าใจแบบพื้นฐาน (Basic) มีเพียง 16% ที่อยู่ในระดับ Pro และเข้าใจเชิงลึก

-การประยุกต์ใช้เต็มศักยภาพ คนไทยใช้ AI เพื่อ “จัดการงานเอกสาร” มากกว่า “สร้างนวัตกรรมทางธุรกิจ” ทำให้ยังไม่เกิด AI Economy อย่างเต็มรูปแบบ

-ความตระหนักรู้ ในช่วง 3-5 ปีที่ผ่านมา แม้คนไทยจะเปิดรับ AI แต่ยังมีความกังวลเรื่องข้อมูลส่วนบุคคล ข่าวปลอม (Fake News) และความแม่นยำของผลลัพธ์ ทำให้หน่วยงานต่างๆ ต้องเร่งให้ความรู้ด้าน AI Literacy

3.มาตรการส่งเสริมของรัฐบาล

รัฐบาลไทยได้ขับเคลื่อนแผนปฏิบัติการ ด้านปัญญาประดิษฐ์แห่งชาติ (2565–2570) ด้วยมาตรการสำคัญ ดังนี้

-การพัฒนาโครงสร้างพื้นฐาน สนับสนุนการลงทุนศูนย์ข้อมูล (Data Center) และพัฒนาระบบภาษาไทยกลาง (ThaiLLM) เพื่อสร้างอธิปไตยทางเทคโนโลยี

-โครงการ TH-AI Passport มาตรการจัดสรรสิทธิ ให้ประชาชนเข้าถึงเครื่องมือ AI ระดับ Pro เพื่อลดความเหลื่อมล้ำ และกระตุ้นการใช้งานในวงกว้าง

-กรอบธรรมาภิบาล สำนักงานพัฒนาธุรกรรมทางอิเล็กทรอนิกส์ (ETDA) และหน่วยงานที่เกี่ยวข้อง ได้จัดทำแนวปฏิบัติและศูนย์ให้คำปรึกษา เพื่อผลักดันการใช้ AI อย่างมีจริยธรรม

4.การวัดและประเมินผล

มีการประเมินผลอย่างต่อเนื่อง ทั้งในระดับองค์กรและระดับประเทศ ดังนี้

-ระดับองค์กร หน่วยงานเช่น ETDA มีเครื่องมือ AI Readiness Assessment เพื่อประเมินความพร้อมขององค์กรไทยใน 5 ด้าน (ยุทธศาสตร์, บุคลากร, ข้อมูล, เทคโนโลยี และธรรมาภิบาล)

-ระดับประเทศ ไทยได้นำกรอบการประเมินความพร้อมด้าน AI ของ UNESCO (RAM – Readiness Assessment Methodology) มาใช้ ซึ่งพบว่าไทยมีจุดแข็งด้านโครงสร้างพื้นฐานดิจิทัล แต่ยังต้องเร่งพัฒนาทักษะดิจิทัลของแรงงาน

ขณะเดียวกัน ต้นทุนการใช้ AI ของคนไทยมีลักษณะเป็น “ความย้อนแย้งเชิงราคา” คือคนทั่วไปเข้าถึงได้ในราคาถูกมากหรือฟรี แต่สำหรับภาคธุรกิจและอุตสาหกรรม กลับมีต้นทุนแฝงที่สูงและซับซ้อน

ขีดความสามารถในการใช้ AI ในอุตสาหกรรมต่าง ๆ ของไทย ปัจจุบันอยู่ในระดับ “กึ่งพร้อมกึ่งขาดแคลน” คือ มีการใช้จริงในบางกลุ่มอุตสาหกรรมหลัก แต่ยังไม่มีความพร้อมในภาพรวมระดับประเทศ เนื่องจากข้อจำกัดด้านกำลังคนและงบประมาณ

1.โครงสร้างต้นทุนการใช้ AI ในประเทศไทย

-ระดับบุคคลและ SME (ต้นทุนต่ำมาก) คนไทยเข้าถึงเครื่องมือ Generative AI ระดับสากล (เช่น ChatGPT, Gemini, Canva AI) ได้ในราคาเริ่มต้นเพียงหลักร้อยบาทต่อเดือน หรือใช้งานฟรี ทำให้ต้นทุนด้านเครื่องมือสำหรับบุคคลทั่วไป ไม่ใช่ปัญหาหลัก

-ระดับองค์กรและอุตสาหกรรม (ต้นทุนสูงและบานปลาย) การคำนวณต้นทุนรวมในการเป็นเจ้าของ (Total Cost of Ownership – TCO) ของระบบ AI ในอุตสาหกรรมไทย พบว่ามีความซับซ้อนสูง ดังนี้

*ค่าเตรียมข้อมูล (30-40%) เป็นส่วนที่แพงที่สุด เพราะระบบข้อมูลเดิมของโรงงาน หรือองค์กรไทยส่วนใหญ่ยังไม่เป็นระบบ (Legacy Data) ต้องลงทุนทำ Data Cleansing และ Structuring ใหม่ทั้งหมด

*ค่าพัฒนาและปรับแต่งโมเดล (20-30%) ค่าจ้างผู้เชี่ยวชาญ AI หรือผู้ให้บริการภายนอก (Vendor) เพื่อปรับแต่งระบบให้เข้ากับบริบทของธุรกิจ

*ค่าโครงสร้างพื้นฐานและพลังงานประมวลผล (15-20%) ค่าใช้จ่ายแปรผัน (OpEx) เช่น ค่า Cloud Server และค่า Token ซึ่งหากควบคุมไม่ดี อาจเกิดปัญหาการใช้งานเกินขอบเขต (Tokenmaxxing) จนงบบานปลายสูงกว่าค่าจ้างพนักงาน

*ค่าปรับเปลี่ยนองค์กร (15-20%) ต้นทุนในการ Train พนักงาน และเชื่อมต่อ AI เข้ากับซอฟต์แวร์เดิม

2.ขีดความสามารถในการใช้ AI แยกตามกลุ่มอุตสาหกรรม

ประเทศไทยมีขีดความสามารถในการประยุกต์ใช้ AI แตกต่างกันอย่างชัดเจนในแต่ละกลุ่มธุรกิจ โดยสามารถจำแนกกลุ่มที่มีความพร้อม และกลุ่มที่ยังขาดแคลนได้ดังนี้

อุตสาหกรรมในไทยที่มีการใช้ AI อย่างก้าวหน้า (ขีดความสามารถสูง)

*ภาคการเงินและธนาคาร (Banking & Fintech) เป็นอุตสาหกรรมที่ก้าวหน้าที่สุด มีการใช้ AI วิเคราะห์ความเสี่ยง ปล่อยสินเชื่อเฉพาะบุคคลแบบอัตโนมัติ (AI-driven Pricing) และกำลังขยายตัวไปสู่กลุ่มธนาคารไร้สาขา (Virtual Bank) เพื่อลดต้นทุนดำเนินงาน

*ภาคการตลาดและการบริการลูกค้า (Marketing & Retail) มีการใช้ AI วิเคราะห์พฤติกรรมผู้บริโภคแบบเรียลไทม์ และระบบแชทบอทอัจฉริยะ ในธุรกิจค้าปลีกออนไลน์เพื่อปิดการขายอัตโนมัติ

*ภาคอุตสาหกรรมการผลิตขั้นสูง (Advanced Manufacturing) ในเขตพัฒนาพิเศษภาคตะวันออก (EEC) และโรงงานขนาดใหญ่ เริ่มเปลี่ยนผ่านสู่ โรงงานอัจฉริยะ (Smart Factory) อุตสาหกรรมที่กำลังเร่งพัฒนา (ขีดความสามารถระดับกลาง)

*ภาคยานยนต์และอิเล็กทรอนิกส์ กำลังเร่งนำ AI มาใช้ในส่วนของ Generative Design เพื่อออกแบบชิ้นส่วนยานยนต์ไฟฟ้า (EV) และแผงวงจร (PCB) รวมถึงการใช้ระบบตรวจจับตำหนิสินค้าด้วยภาพ (Vision AI) เพื่อยกมาตรฐานความปลอดภัย

*ภาคโลจิสติกส์ ใช้ AI คำนวณเส้นทางการขนส่งสินค้า และจัดตารางเวลาของคลังสินค้าอัจฉริยะ เพื่อลดต้นทุนพลังงาน

อุตสาหกรรมที่ยังขาดแคลนและเข้าไม่ถึง (ขีดความสามารถต่ำ)

ภาคเกษตรกรรมและกลุ่ม SME ทั่วไป เกษตรกรรายย่อย และ SME ส่วนใหญ่ยังขาดเงินทุนในการวางระบบ AI เฉพาะทาง (เช่น ระบบวิเคราะห์สภาพดินอัจฉริยะ หรือระบบพยากรณ์โรคพืชระดับลึก) การเข้าถึงจึงยังจำกัดอยู่เพียง การใช้แอปพลิเคชันพื้นฐานทั่วไป

3.สรุปความพร้อม สิ่งที่ “มี” และ “ไม่มี” ในบริบทอุตสาหกรรมไทย

*สิ่งที่มี (จุดแข็ง) ไทยมีโครงสร้างพื้นฐานดิจิทัลที่ดี (โครงข่าย 5G ทั่วถึง) และเป็นเป้าหมายหลักในการเข้ามาลงทุนสร้าง Data Center ของบริษัทเทคโนโลยีระดับโลกเกือบแสนล้านบาท นอกจากนี้แรงงานไทยยังมีอัตราการเปิดรับและทดลองใช้เครื่องมือ AI ในที่ทำงานสูงกว่าค่าเฉลี่ยโลก

*สิ่งที่ไม่มี (จุดอ่อน) ไทยยัง “ขาดแคลนบุคลากรสายเทคนิคขั้นสูง” (เช่น AI Engineer, Data Scientist) ที่จะทำหน้าที่พัฒนา และ Customize โมเดลให้ตอบโจทย์แต่ละอุตสาหกรรม ส่งผลให้ดัชนีความสามารถในการแข่งขัน ด้านดิจิทัลในภาพรวมของไทยยังอยู่ระดับกลางค่อนไปทางต่ำ (อันดับ 38 จาก 69 เขตเศรษฐกิจ)

เนื่องจากไม่สามารถเปลี่ยนผ่าน การเปิดรับเทคโนโลยีไปสู่ การสร้างมูลค่าเพิ่มเชิงธุรกิจได้อย่างเต็มที่

คนไทยส่วนใหญ่ยังใช้ AI ระดับพื้นฐาน

บุคลากรวัยทำงานของไทยส่วนใหญ่มีความตื่นตัว และใช้ AI ช่วยทำงานในระดับสูง แต่ความสามารถในการ “สร้างมูลค่าเพิ่ม (Value Creation)” หรือเพิ่มประสิทธิภาพการผลิตอย่างแท้จริง ยังจำกัดอยู่เฉพาะกลุ่ม โดยสามารถแบ่งระดับความเข้าใจ และสิ่งที่จะต้องพัฒนาต่อยอดได้ ดังนี้

1.ระดับความรู้และการใช้งาน ของแรงงานไทยในปัจจุบัน

ปัจจุบันแรงงานไทยมีพฤติกรรมการใช้ AI แบ่งออกเป็น 3 กลุ่มหลักอย่างชัดเจน

กลุ่มผู้ใช้พื้นฐาน (แรงงานส่วนใหญ่ – 70%)

-พฤติกรรม ใช้ Generative AI (เช่น ChatGPT, Gemini, Claude) เพื่อทำงานเอกสาร สรุปรายงาน แปลภาษา ค้นหาไอเดีย หรือเขียนอีเมลตอบโต้

-ผลลัพธ์ ช่วยลดเวลาการทำงานรายวัน (Productivity ชั่วคราว) แต่ยังไม่ได้เปลี่ยนวิธีคิดในการทำงาน หรือเพิ่มรายได้ใหม่ให้กับองค์กร

กลุ่มผู้นำไปประยุกต์ใช้เฉพาะสายงาน (แรงงานฝีมือ – 25%)

-พฤติกรรม เริ่มใช้ AI ร่วมกับทักษะวิชาชีพขั้นสูง เช่น นักการตลาดใช้ AI เจาะกลุ่มเป้าหมาย (Personalized Marketing), นักออกแบบใช้ Generative Design ช่วยขึ้นโครงสร้างชิ้นส่วน โปรแกรมเมอร์ใช้ AI ช่วยตรวจโค้ด

ผลลัพธ์: เริ่มสร้างมูลค่าเพิ่ม และยกระดับขีดความสามารถการแข่งขันของธุรกิจได้จริง

กลุ่มผู้เชี่ยวชาญและผู้พัฒนา (ขาดแคลนวิกฤต – น้อยกว่า 5%)

-พฤติกรรม ขาดแคลนอย่างหนักในกลุ่ม AI Engineers, Data Scientists และ Cloud Architects ซึ่งเป็นกลุ่มที่เข้าใจลึกถึงสถาปัตยกรรมของโมเดล และสามารถนำ AI มาเชื่อมต่อกับระบบฐานข้อมูลหรือเครื่องจักรในโรงงาน (OT/IT Integration) ได้

2.สิ่งที่แรงงานไทย “ต้องพัฒนาเพิ่ม” เพื่อสร้างมูลค่าระดับสูง

หากต้องการเปลี่ยนจาก “ผู้ใช้งานเครื่องมือ” ไปสู่ “ผู้สร้างมูลค่าเพิ่มและเพิ่มผลผลิต” แรงงานไทยจำเป็นต้องพัฒนาทักษะ 4 ด้านหลัก ดังนี้:

1)ทักษะการตั้งคำถาม และคิดเชิงวิเคราะห์ (Advanced Prompt Engineering & Critical Thinking)

-ปัญหา แรงงานไทยมักสั่งงาน AI แบบกว้างๆ ทำให้ได้ผลลัพธ์ที่ผิวเผิน และบางครั้งหลงเชื่อข้อมูลที่ AI ป้อนให้อย่างไม่ตรวจสอบ (AI Hallucination)

-สิ่งต้องพัฒนา ทักษะการออกแบบคำสั่งเชิงลึก (Multi-step Prompts) และการคิดวิเคราะห์เพื่อกลั่นกรอง ตรวจสอบ ต่อยอดไอเดียที่ AI สร้างขึ้น เพื่อให้ได้ชิ้นงานที่มีคุณภาพแตกต่างจากคู่แข่ง

2)ทักษะการบริหารจัดการข้อมูล (Data Literacy & Governance)

ปัญหา AI จะเก่งเท่ากับข้อมูลที่ป้อนให้ แต่แรงงานทั่วไปยังขาดความเข้าใจ เรื่องโครงสร้างข้อมูลและความปลอดภัย

-สิ่งต้องพัฒนา การเรียนรู้วิธีจัดเก็บข้อมูลให้เป็นระบบ เรียนรู้ข้อจำกัดด้านกฎหมาย เช่น PDPA และจริยธรรม AI เพื่อป้องกันไม่ให้ข้อมูลความลับขององค์กรรั่วไหล จากการป้อนเข้าไปในระบบ AI สาธารณะ

3)ทักษะการทำงานร่วมกับ AI ในกระบวนการธุรกิจ (AI-Human Collaboration)

-ปัญหา การใช้ AI แยกเป็นจุด ๆ (Stand-alone) ไม่สามารถเพิ่มประสิทธิภาพการผลิตในภาพรวมได้

-สิ่งต้องพัฒนา ผู้นำองค์กรและหัวหน้างาน ต้องมีทักษะ “AI Workflow Design” เพื่อออกแบบกระบวนการทำงานใหม่ ตั้งแต่ต้นจนจบ (Redesign Business Process) โดยกำหนดชัดเจนว่าจุดใดใช้ AI ทำแทน และจุดใดที่มนุษย์ต้องตัดสินใจ เพื่อให้ลดต้นทุน และเพิ่มความเร็วในการผลิตได้สูงสุด

4)ทักษะเฉพาะทางเพื่ออุตสาหกรรม (Industry-Specific AI Skills)

-ปัญหา แรงงานขาดความรู้ในการเชื่อมโยง Generative AI เข้ากับซอฟต์แวร์หลักของอุตสาหกรรม

-สิ่งต้องพัฒนา สำหรับภาคการผลิต ต้องเรียนรู้การใช้ AI ร่วมกับระบบ IoT และระบบการมองเห็นของคอมพิวเตอร์ (Vision AI) เพื่อตรวจจับสิ่งผิดปกติในไลน์ผลิต หรือสำหรับภาคบริการ ต้องเรียนรู้การทำ Automation ร่วมกับระบบ CRM เพื่อสร้างประสบการณ์เฉพาะบุคคลให้กับลูกค้า

การใช้ AI ไทยแค่ระดับกลางในอาเซียน

หากพิจารณาจากการจัดอันดับ ตามดัชนีระดับสากลล่าสุด (อัปเดตปี 2025–2026) ประเทศไทยมีความพร้อมในภาพรวมด้าน AI อยู่ในระดับ “ปานกลาง” โดยรั้งตำแหน่งอันดับ 3 ของภูมิภาคอาเซียน เป็นรอง สิงคโปร์และมาเลเซีย แต่หากเจาะลึกในแง่ของ “อัตราการนำ AI มาใช้งานจริงในระดับประชากร” ไทยยังตามหลังหลายประเทศ และอยู่อันดับค่อนข้างท้ายในเวทีโลก

1.ดัชนีความพร้อมด้าน AI ของรัฐบาล (Government AI Readiness Index) จัดอันดับโดย Oxford Insights (ประเมินความพร้อมของภาครัฐ โครงสร้างพื้นฐาน และภาคเทคโนโลยี)

-ระดับโลก ประเทศไทยอยู่อันดับที่ 34 ของโลก (จากทั้งหมด 195 ประเทศ)

-ระดับเอเชีย-อาเซียน ประเทศไทยอยู่อันดับที่ 3 ของอาเซียน

ตารางเปรียบเทียบในอาเซียน

อันดับ 1 สิงคโปร์ (อันดับ 2 ของโลก)

อันดับ 2 มาเลเซีย (อันดับ 38 ของโลก)

อันดับ 3 ไทย (อันดับ 34 ของโลก)

อันดับ 4 ฟิลิปปินส์

อันดับ 5 เวียดนาม

อันดับ 6 อินโดนีเซีย

-สะท้อนว่า ภาครัฐไทยมีนโยบายและแผนยุทธศาสตร์ที่ชัดเจน รวมถึงมีโครงสร้างพื้นฐานดิจิทัล (เช่น ระบบ 5G และ Cloud) ที่ดีเป็นอันดับต้นๆ ของภูมิภาค

2.ดัชนีการพัฒนาและขีดความสามารถด้าน AI ในภาพรวม (Global AI Index) จัดอันดับโดย Tortoise Media (ประเมินระบบนิเวศน์ AI ทั้งหมด ทั้งการลงทุนของเอกสาร งานวิจัย จำนวนสตาร์ทอัพ และบุคลากรสายเทคนิค)

-ระดับโลก ประเทศไทยอยู่อันดับที่ 43 ของโลก

-ระดับอาเซียน อยู่อันดับที่ 3 ของอาเซียน (ตามหลังสิงคโปร์อันดับ 3 ของโลก และมาเลเซียอันดับ 38 ของโลก)

-สะท้อนว่า แม้โครงสร้างพื้นฐานจะพร้อม แต่ภาคเอกชนไทยยังขาดแคลนบริษัทผู้พัฒนาเทคโนโลยี (Tech Sector) ของตัวเอง และงบประมาณลงทุนวิจัยเชิงลึกยังน้อย เมื่อเทียบกับกลุ่มผู้นำ

3.อัตราการใช้งานจริงและการตระหนักรู้ (AI Adoption & Awareness) จากรายงานสากลล่าสุด “Global AI Adoption in 2025: A Widening Digital Divide” (ประเมินสัดส่วนประชากรที่นำ AI มาประยุกต์ใช้จริงในชีวิตและการทำงาน)

-ระดับโลก ประเทศไทยอยู่อันดับที่ 89 ของโลก

-ระดับอาเซียน ไทยอยู่อันดับที่ 6 ของอาเซียน โดยมีอัตราการนำ AI มาใช้งานจริงอยู่ที่ 10.7% ของประชากร ซึ่งต่ำกว่าค่าเฉลี่ยโลกที่ 16.3%

-เปรียบเทียบสัดส่วนการใช้งานในอาเซียน สิงคโปร์ (60.9%) เวียดนาม (23.5%) มาเลเซีย (19.7%) ฟิลิปปินส์ (18.3%) อินโดนีเซีย (12.7%) ไทย (10.7%)

-จุดสะท้อนที่น่าสนใจ (ความเข้าใจและการยอมรับ) แม้อัตราการใช้งานเชิงลึกจะต่ำ แต่อ้างอิงข้อมูลจาก Stanford AI Index Report พบว่า คนไทยมีระดับความตื่นตัวและทัศนคติเชิงบวกต่อ AI สูงเป็นอันดับต้น ๆ ของโลก (77% มองว่า AI มีประโยชน์มากกว่าโทษ) และมี AI Awareness สูงที่สุดในอาเซียน คนไทยพร้อมเปิดรับและอยากใช้ แต่ยังขาดทักษะขั้นสูง (Skill gap) และเครื่องมือเฉพาะทางในการนำไปใช้สร้างงานจริงจัง

แนวทางยกระดับการใช้ AI ของไทย  

ภาพรวมของประเทศไทยต่อก่ารใช้ AI ไทยเปรียบเหมือน “เมืองที่มีถนนหนทางดี (Infrastructure พร้อม) ประชาชนอยากขับรถขับเคลื่อนอัตโนมัติ (Awareness สูง) แต่ประเทศยังขาดแคลนช่างซ่อมเครื่องยนต์ และโรงงานผลิตรถยนต์ของตัวเอง (ขาด Talent และ Tech Sector)”

ทำให้อันดับความพร้อมของภาครัฐดูดี (อันดับ 34 ของโลก) แต่พลังในการขับเคลื่อนเศรษฐกิจจริง ผ่านการใช้งาน AI ของประชาชนยังรั้งท้าย (อันดับ 89 ของโลก)

การที่สิงคโปร์ (อันดับ 1 ในอาเซียน) และมาเลเซีย (อันดับ 2 ในอาเซียน) มีอันดับดัชนีความพร้อมด้าน AI แซงหน้าประเทศไทยอย่างชัดเจน เกิดจากความแตกต่างอย่างมหาศาลในด้าน “มูลค่าเม็ดเงินลงทุนจริง” และ “ความเฉียบคมของนโยบายภาครัฐ” ที่เปลี่ยนจากการเตรียมความพร้อมทั่วไป สู่การอัดฉีดงบประมาณระดับพันล้านดอลลาร์ เพื่อสร้างสตาร์ทอัพ และโครงสร้างพื้นฐานอธิปไตยทางข้อมูล

เปรียบเทียบมิติการลงทุนและนโยบาย AI สิงคโปร์-มาเลเซีย-ไทย

มิติความพร้อม สิงคโปร์(ผู้นำระดับโลก) มาเลเซีย(ดาวรุ่งพุ่งแรง) ไทย(กำลังไล่ตาม)

ลงทุนในสตาร์ทอัพ & การวิจัย

สิงคโปร์ ลงทุนสูงสุดในภูมิภาค เพิ่มงบกว่า 1,000 ล้านดอลลาร์สิงคโปร์ (2568–2573) แผน National AI R&D

มาเลเซีย โตแบบก้าวกระโดดดึงทุนต่างชาติสร้าง Data Center ทะลุ 16,900 ล้านดอลลาร์สหรัฐ และอนุมัติทุน AI ท้องถิ่น เฉพาะครึ่งปีแรกสูงถึง 13,290 ล้านริงกิต

ไทย เน้นพึ่งพาทุนต่างชาติ ได้อานิสงส์จากการลงทุน Data Center แสนล้านบาท แต่งบอัดฉีดตรงสู่สตาร์ทอัพ AI สัญชาติไทย และงานวิจัย ยังมีสัดส่วนน้อยมาก

นโยบาย-ยุทธศาสตร์หลัก

สิงคโปร์ National AI Strategy 2.0 & Budget 2026 มุ่งเน้นการสร้าง “Champions of AI” และจัดตั้งนิคม AI Park ชื่อ “Kampong AI”

มาเลเซีย AI Nation 2030 & Belanjawan MADANI 2026 ตั้งหน่วยงาน NAIO คุมกฎหมาย และทุ่มงบ 2,000 ล้านริงกิต สร้าง Sovereign AI Cloud ของตัวเอง

ไทย มีแผนปฏิบัติการ AI แห่งชาติ (2565-2570) เน้นจัดกรอบธรรมาภิบาล (ETDA) และเตรียมทำโครงการภาษาไทยกลาง (ThaiLLM)

มาตรการภาษีและแรงจูงใจธุรกิจ

สิงคโปร์ หักภาษีสูงถึง 400% สำหรับค่าใช้จ่าย ในการลงทุนเทคโนโลยีและระบบ AI (Enterprise Innovation Scheme

มาเลเซีย ให้สิทธิประโยชน์ทางภาษีเต็มรูปแบบ และให้ทุนอุดหนุนโดยตรงผ่านโครงการ Malaysia Digital Acceleration Grant

ไทย มีมาตรการยกเว้นภาษีเงินได้นิติบุคคลจาก BOI ให้กับกลุ่ม Cloud รายใหญ่ แต่สิทธิประโยชน์ของสตาร์ทอัพรายย่อย ยังไม่จูงใจเท่าที่ควร

จุดเด่น-กลยุทธ์ที่ชนะไทย

*สิงคโปร์ มีระบบนิเวศการลงทุน (Venture Capital) ที่แข็งแกร่ง และกฎหมาย AI Trusted Hub ที่เอื้อต่อการทดสอบโมเดลระดับโลก

*มาเลเซีย ใช้การทูตเชิงเศรษฐกิจดึงบิ๊กเทค (Google, Microsoft, Oracle) สำเร็จ โดยรัฐบาลเป็นผู้ลงทุนสร้าง Cloud โครงสร้างพื้นฐานให้เอง

*ไทย ดัชนีโครงสร้างพื้นฐานเน็ตเวิร์ก (5G) แข็งแกร่ง แต่เผชิญปัญหาคอขวดด้านทักษะและกฎหมาย ที่ยังไม่เอื้ออำนวย

นโยบายที่ทำให้ สิงคโปร์-มาเลเซีย แซงไทย

1.สิงคโปร์ ใช้เงินทุนนำทาง ยกระดับธุรกิจด้วย “Champions of AI” สิงคโปร์ไม่ได้มอง AI เป็นแค่เครื่องมือช่วยทำงาน แต่ดำเนินนโยบายเชิงรุก ภายใต้แนวคิด “AI-First Economy”

-จัดตั้ง National AI Council นำโดยนายกรัฐมนตรีลอว์เรนซ์ หว่อง โดยตรง เพื่อทลายข้อจำกัดการทำงานแยกส่วนของแต่ละกระทรวง

-โครงการ Champions of AI รัฐบาลเข้าไปคัดเลือกและแจกเงินทุนแบบเจาะจง ให้แก่สตาร์ทอัพและบริษัทในสิงคโปร์ที่มีศักยภาพ เพื่อดันให้เป็นบริษัทระดับโลก

-การอุดหนุนรายจ่าย AI ของ SME รัฐบาลช่วยลดต้นทุนให้ SME ด้วยการเปิดให้ลงทะเบียนเรียนทักษะ AI แลกกับการใช้งานเครื่องมือ AI ระดับ Premium ฟรี 6 เดือน พร้อมทั้งหักลดหย่อนภาษีไอทีได้สูงถึง 400%

2.มาเลเซีย ปฏิรูปสถาบันและสร้างระบบคลาวด์อธิปไตย (Sovereign AI Cloud) มาเลเซียก้าวข้ามไทยในแง่ของความเร็วในการปฏิบัติงาน (Execution Speed) ด้วยโมเดลขับเคลื่อนประเทศที่ดุดัน

-จัดตั้งสำนักงาน AI แห่งชาติ (NAIO) ในขณะที่ไทยยังประสบปัญหาการผลักดันร่างกฎหมาย AI เนื่องจากขาดแคลนผู้เชี่ยวชาญสายเทคนิคในภาครัฐ แต่มาเลเซียได้ตั้งหน่วยงาน NAIO ขึ้นมาดูแลนโยบาย กรอบจริยธรรม และกฎหมาย AI โดยเฉพาะ เพื่อสร้างความเชื่อมั่นให้ทุนต่างชาติอย่างเบ็ดเสร็จ

-ทุ่มงบ 2,000 ล้านริงกิตสร้าง Sovereign AI Cloud รัฐบาลมาเลเซียลงทุนสร้างระบบคลาวด์ปัญญาประดิษฐ์ของประเทศ ผ่านสภาการสื่อสารและมัลติมีเดีย (MCMC) เพื่อให้มั่นใจว่าข้อมูลอุตสาหกรรมในประเทศ จะถูกจัดเก็บอย่างปลอดภัย และสตาร์ทอัพท้องถิ่นสามารถเข้ามาดึงพลังประมวลผล (Computing Power) ไปพัฒนาต่อยอดได้ในราคาถูก

3.บทเรียนสำหรับประเทศไทย สิ่งที่ไทยต้องเร่งเรียนรู้จากทั้งสองประเทศ คือ “การเปลี่ยนยอดการลงทุนกระดาษ (Approved Investment) ให้กลายเป็นการสร้างศักยภาพจริง” เนื่องจากประเทศไทย ดึงดูดเม็ดเงินสร้าง Data Center ได้ดีไม่แพ้กัน แต่สิงคโปร์และมาเลเซีย สามารถแปลงเม็ดเงินเหล่านั้น ให้กลายเป็นกลไกสนับสนุนสตาร์ทอัพ และบุคลากรท้องถิ่นได้สำเร็จ (Local Tech Ecosystem) ในขณะที่ไทยยังคงประสบปัญหา วิกฤตขาดแคลนแรงงานทักษะขั้นสูง (Talent Shortage) ซึ่งส่งผลให้การสร้างมูลค่าเพิ่มเชิงธุรกิจยังตามหลังอยู่

สิ่งสำคัญของไทยคือการพัฒนาบุคลากร หลังจากนี้รัฐบาลและองค์กรธุรกิจ จำเป็นต้องเปลี่ยนผ่านจากการอบรมเพื่อให้รู้จัก AI (AI Awareness) ไปสู่การสร้าง “หลักสูตร Upskilling และ Reskilling ที่เน้นการปฏิบัติจริง (Action-oriented Learning)”

โดยจับคู่เครื่องมือ AI เข้ากับอาชีพเฉพาะด้านโดยตรง เพื่อให้แรงงานไทย สามารถก้าวข้ามการเป็นผู้บริโภคเทคโนโลยี ไปสู่การเป็นผู้ขับเคลื่อนเศรษฐกิจด้วย AI (AI-Driven Economy) ได้อย่างแท้จริง

#ความพร้อม #AI #ไทย#สิงคโปร์ #มาเลเซีย #อาเซียน #BangkokX

ที่มาของข้อมูล: https://www.mdes.go.th/home

ข่าวที่เกี่ยวข้อง: https://bangkokx.me/free-ai-passport-ai-literacy/