สร้างสมองให้บริษัท

ความรู้ขององค์กร กระจายอยู่ทุกที่ — ยกเว้นในที่ที่ใช้ตัดสินใจ

ในระบบทั่วไป ข้อมูล lead อยู่ที่หนึ่ง · สัญญาณการซื้ออยู่อีกที่ · และไม่มีทางตรวจสอบว่าเหตุการณ์การขายเชื่อมโยงกับผลลัพธ์จริงอย่างไร ผู้บริหารจึงตัดสินใจจาก "ความรู้สึกว่ารู้" — โดยไม่มีหลักฐานยืนยันว่ารู้จริง

สัญญาณมีอยู่จริง — แต่ไม่มีใครเก็บให้เป็นความรู้

จากงานจริงกับ EV dealer รายแรก เราพบว่าสัญญาณการขายเป็นรูปธรรมมาก: ระดับความสนใจทีละขั้น · ประวัติปฏิสัมพันธ์ · รุ่นรถที่ลูกค้าสนใจ — ถ้าเก็บทั้งหมดเป็น ข้อเท็จจริงที่แก้ไขย้อนหลังไม่ได้ (immutable facts) องค์กรจะตอบได้เสมอว่าสิ่งที่รู้มาจากไหน และรู้ตั้งแต่เมื่อไหร่

ให้ LLM ค้นอิสระ vs ให้ผู้บริหารตรวจสอบได้

ระบบ AI knowledge ทั่วไปปล่อยให้ LLM ค้นข้อมูลอย่างอิสระแล้วเรียบเรียงคำตอบ — ฟังดูฉลาด แต่คำตอบเต็มไปด้วยสิ่งที่ตรวจสอบไม่ได้

ในขณะที่ผู้บริหารต้องการสิ่งตรงข้าม: ทุกคำตอบต้อง audit ได้ ทุกตัวเลขต้องมีที่มา — เพราะคำตอบเหล่านี้จะกลายเป็นการตัดสินใจทางธุรกิจ

LLM แปลคำถาม — Code เป็นคนหาคำตอบ

เราจำกัดบทบาทของ LLM ให้เหลือสองอย่าง: แปลคำถามของผู้ใช้เป็น query template ที่กำหนดขอบเขตไว้ล่วงหน้า และเรียบเรียงผลลัพธ์ที่ code คำนวณแล้ว

• Code เป็นคนรัน query จริง — ไม่มี free-form SQL จาก LLM
• คะแนนและอันดับคำนวณด้วย logic ที่มี version — ไม่ใช่ความเห็นของโมเดล
• LLM เรียบเรียงได้ แต่ห้ามมีตัวเลขที่ไม่มีที่มา
• ทุก insight ระดับผู้บริหาร แนบ evidence เสมอ

สิ่งที่สร้างจริง — และ live แล้ว

• Knowledge graph — nodes · edges · facts พร้อม tenant isolation ที่ชั้น database และ immutability ที่บังคับด้วย trigger
• Bounded retrieval — template registry ที่กำหนด query ที่อนุญาตไว้ล่วงหน้า
• Executive insights — Opportunity / Risk / Trend ที่ code คำนวณ พร้อมหลักฐานแนบ
• Live ingestion — ข้อมูล lead และ knowledge base ไหลเข้า graph อัตโนมัติ
• Graph visualization — ผู้ใช้เห็นความสัมพันธ์ของสิ่งที่บริษัท "รู้" ได้จริง

ก่อนเปิดใช้ เรา gate ด้วยการทดสอบ parity: คะแนนที่คำนวณจาก knowledge graph ต้องตรงกับระบบเดิมทุกตัว — ผ่าน 100% ไม่มี mismatch จึงเปิดใช้จริง

End-to-end live บน pilot จริง

ระบบทำงานครบวงจรบน EV dealer pilot — จากข้อมูล lead ที่ไหลเข้า ผ่าน knowledge graph ไปจนถึง insight ที่ผู้บริหารเปิดดูใน portal โดยระบบเดิมยังทำงานตามปกติ ไม่มีความเสี่ยงระหว่างเปลี่ยนผ่าน

Knowledge system ที่ไว้ใจได้ ต้องแยก observe ออกจาก decide ตั้งแต่วันแรก

องค์กรไม่ได้ต้องการ AI ที่ตอบทุกอย่างได้ — องค์กรต้องการรู้ว่า ตัวเองรู้อะไรจริงบ้าง และหลักฐานอยู่ที่ไหน เมื่อ observation กับ decision แยกกันชัด ระบบจะตอบได้เสมอว่า "รู้จากไหน" และ "กฎเปลี่ยนไปเมื่อไหร่" — นั่นคือความต่างระหว่าง search engine กับ สมองของบริษัท