GenAI Roadmap Builder — คู่มือการขาย

📖 Go Digit (Thailand) — AWS Advanced Tier Partner
คู่มือนี้รวมทุกอย่างที่ sales ต้องรู้สำหรับ GenAI Readiness Assessment
อ่านบนมือถือก่อนเข้าพบลูกค้า ใช้เวลา 20 นาที

สารบัญ

ภาพรวม — นี่คืออะไร?
วิธีเริ่มต้น — Quick Mode (15 นาที)
Block 1: ข้อมูลและระบบ
Block 2: เทคโนโลยีและความพร้อม
Block 3: คนและวัฒนธรรม
ตัวอย่างเต็ม — ไทยฟู้ดส์ โปรเซสซิ่ง
ตัวอย่างเต็ม — คลินิกความงาม บิวตี้พลัส
ตัวอย่างเต็ม — มหาวิทยาลัยราชมงคล
การตัดสินว่า Qualified หรือยัง
Budget Gate — ถามเรื่องงบ
หลังจาก Qualified — ขั้นตอนถัดไป
POC Experience — ทำให้ลูกค้าจำได้
เชื่อมกับ Stage 1/2/3
AWS ACE — วิธี Sync Pipeline
Cheat Sheet — สำหรับพิมพ์ 1 หน้า

1. ภาพรวม — นี่คืออะไร?

🎯 Roadmap Builder คืออะไร?

เครื่องมือช่วย sales ประเมินความพร้อม GenAI ของลูกค้าใน 15 นาที แล้วสร้าง Roadmap ให้ทันที ลูกค้าได้ของกลับบ้านไม่ว่าจะซื้อหรือไม่

💡 ทำไมถึงใช้วิธีนี้?

Trust-First = ไม่ Hard Sell

วิธีเดิม (SI ปกติ)	วิธี Go Digit
Cold call → Demo → "สนใจไหม?" → ตาม → ลดราคา → ปิดได้บ้าง	ประเมินฟรี → ให้ค่าจริง → ลูกค้าเห็น gap เอง → Qualify ร่วมกัน → ปิดง่าย
Win rate: 10-15%	Win rate: 50%+ (จาก qualified ถึง close)

💡 หลักสำคัญ: เมื่อเราให้ roadmap ฟรี ปริ้น A1 ให้ติดผนัง ไม่ push ไม่กดดัน — เราจะเป็นตัวเลือกแรกเมื่อเขาพร้อม

📋 Pipeline ทั้งหมด

1. Prospect               → สร้าง Opportunity ใน ACE
2. ★ ASSESSMENT (15 นาที)  → ประเมิน + สร้าง Roadmap
3. Qualified              → Score ≥ 30% + Sponsor + Use Case
4. Budget Gate            → ถามเรื่องงบ 4 ข้อ
5. Tech Validation        → ตรวจสอบความเป็นไปได้
6. Proposal               → เสนอราคา + negotiate
7. Close                  → เซ็นสัญญา → Delivery
8. Launched               → Go-live → อัพเดท ACE

🔄 AWS ACE Sync

ทุก stage ต้องอัพเดท ACE — bot ช่วย auto-fill ข้อมูลจาก assessment ให้

2. วิธีเริ่มต้น — Quick Mode (15 นาที)

⏱️ ขั้นตอนทั้งหมด

ขั้นตอน	เวลา	ทำอะไร
Step 1	1 นาที	ถามข้อมูลพื้นฐาน 3 ข้อ
Step 2	4 นาที × 3	คุยกับลูกค้า 3 block
Step 3	2 นาที	ได้ Score Card + Roadmap
รวม	~15 นาที	จบ!

📝 คำถามพื้นฐาน 3 ข้อ

ถามเลย:

"ก่อนเริ่ม ขอถามข้อมูลพื้นฐาน:
1. อุตสาหกรรมอะไรครับ?
2. พนักงานกี่คน?
3. ระบบหลักที่ใช้อยู่อะไรบ้าง?"

🏭 Smart Defaults ตาม Industry

Bot จะโหลด profile อัตโนมัติตามคำตอบ:

Industry + Size	ระดับเริ่มต้น	ระบบที่มักใช้	Use Case ยอดนิยม
🏭 โรงงาน 200 คน	Data ต่ำ-กลาง, Tech ต่ำ, People ต่ำ-กลาง	SAP B1, Excel, Power BI	QC visual inspection, predictive maintenance, chatbot
🛍️ ค้าปลีก 100 คน	Data กลาง, Tech ต่ำ-กลาง, People กลาง	Shopify/Lazada, LINE OA, Excel	Product recommendation, chatbot, demand forecasting
🏦 การเงิน/ประกัน 500 คน	Data กลาง-สูง, Tech กลาง, People กลาง	Core banking/insurance, CRM, BI tools	Document processing, fraud detection, claims automation

⚠️ Smart Defaults เป็นแค่จุดเริ่ม — Bot จะปรับตาม conversation จริง

3. Block 1: ข้อมูลและระบบ (Data & Systems) — 4 นาที

🗣️ คำถามที่ต้องอ่านให้ลูกค้าฟัง

"เล่าให้ฟังหน่อยครับว่าตอนนี้ ข้อมูลสำคัญเก็บอยู่ที่ไหนบ้าง สภาพเป็นยังไง ระบบต่างๆ เชื่อมกันได้ไหม มีเรื่อง PDPA ทำไปแค่ไหน แล้วก็ ใช้ data ตัดสินใจยังไง ครับ"

📊 หัวข้อที่ต้องจับจาก conversation

หัวข้อ	🔴 ต่ำ	🟡 กลาง	🟢 สูง
📦 Data Catalog	ไม่มี ข้อมูลกระจัดกระจาย	มี list บ้างแต่ไม่ update	มี catalog มี owner ชัด
🔍 Data Quality	ต้อง manual verify ทุกครั้ง	ข้อมูลหลัก OK แต่รองมีปัญหา	มี automated quality check
🔗 Integration	ระบบ silo ไม่คุยกัน	เชื่อมบ้างแต่ส่วนใหญ่ manual	มี pipeline ที่ reliable
🔒 Privacy/PDPA	ไม่ได้ทำอะไร	มี policy แต่ enforce ไม่เต็ม	PDPA-ready มี DPO
📊 Analytics/BI	ไม่มี BI ดู report เดือนละครั้ง	มี Power BI/Tableau ใช้บางทีม	Data-driven ทุก dept มี dashboard

🏭 ตัวอย่างคำตอบจากลูกค้า

โรงงาน:

"ข้อมูลหลักอยู่ SAP B1 แต่ QC มี Excel ตัวเอง โลจิสติกส์อีกชุด เชื่อมไม่ได้ key ซ้ำ PDPA ทำ policy แล้วแต่ consent ยัง paper"
→ 📦 🔴 | 🔍 🟡 | 🔗 🔴 | 🔒 🟡 | 📊 🔴 → Data รวม ~29%

คลินิก:

"ข้อมูลคนไข้อยู่ใน HIS กับ LINE OA แยกกัน เชื่อมไม่ได้ PDPA ทำ consent form แล้ว ดู Excel report อาทิตย์ละครั้ง"
→ 📦 🔴 | 🔍 🟡 | 🔗 🔴 | 🔒 🟡 | 📊 🔴 → Data รวม ~29%

มหาวิทยาลัย:

"ข้อมูลนักศึกษาอยู่ระบบทะเบียน Moodle มีข้อมูลเรียนแยก Google Workspace ใช้ทุกคน ดู dashboard ใน Google Data Studio สัปดาห์ละครั้ง"
→ 📦 🟡 | 🔍 🟡 | 🔗 🟡 | 🔒 🟡 | 📊 🟡 → Data รวม ~50%

ค้าปลีก:

"POS data อยู่ใน Shopify เชื่อมกับ LINE OA ได้ CRM ใช้ HubSpot ฟรี data ลูกค้าพอดี"
→ 📦 🟡 | 🔍 🟡 | 🔗 🟡 | 🔒 🔴 | 📊 🟡 → Data รวม ~42%

🔍 สัญญาณที่ต้องจับ

สัญญาณ	แปลว่า
"มีบ้าง", "พอใช้ได้", "เริ่มทำ"	🟡 กลาง
"มีระบบ automated", "มี team ดูแล"	🟢 สูง
ลูกค้าเล่าได้เยอะ = ดี!	ยิ่ง context เยอะ ยิ่ง score แม่น

4. Block 2: เทคโนโลยีและความพร้อม (Tech & Readiness) — 4 นาที

🗣️ คำถามที่ต้องอ่านให้ลูกค้าฟัง

"ตอนนี้ มี automation อะไรบ้าง ครับ เคยทำ AI หรือ ML ไหม Infra เป็นยังไง cloud หรือ on-prem แล้วก็ มี use case ที่อยากทำไหม ถ้ามี AI ที่ทำได้ทุกอย่าง อยากให้ทำอะไรก่อน"

⚙️ หัวข้อที่ต้องจับ

หัวข้อ	🔴 ต่ำ	🟡 กลาง	🟢 สูง
🔧 Automation	ไม่มี manual ทั้งหมด	มี Excel macro, RPA บ้าง	มี automation strategy
🤖 AI/ML Experience	ไม่เคยเลย	เคย POC 1-2 ครั้ง	มี model in production
☁️ Infrastructure	On-prem เท่านั้น	เริ่ม cloud บ้าง	Cloud-first/native
🎯 Use Case	"อยากทำ AI แต่ไม่รู้จะทำอะไร"	มี idea กว้างๆ	มี use case ชัด มี data พร้อม

🏭 ตัวอย่างคำตอบ

โรงงาน:

"automation แทบไม่มี Excel macro บ้าง AI ไม่เคย แต่ MD ลอง ChatGPT เอง on-prem หมด IT 2 คน อยากให้ช่วย QC — ใช้คนตรวจ reject เยอะ"
→ 🔧 🔴 | 🤖 🔴 | ☁️ 🔴 | 🎯 🟡 → Workflow ~23%
⚠️ จุดสว่าง: MD ลอง ChatGPT = สนใจจริง, QC use case ชัดมี reject data พร้อม

คลินิก:

"ใช้ LINE OA ตอบคำถามคนไข้ ตอบซ้ำๆ ทุกวัน แอดมิน 2 คนตอบไม่ทัน ไม่เคยทำ AI ใช้ cloud hosting สำหรับเว็บ อยากได้ chatbot ตอบคำถามแทนคน"
→ 🔧 🔴 | 🤖 🔴 | ☁️ 🟡 | 🎯 🟡 → Workflow ~25%
⚠️ จุดสว่าง: Pain ชัด (ตอบ LINE ไม่ทัน), Use case ชัด (chatbot)

มหาวิทยาลัย:

"มี Google Apps Script ช่วย workflow บ้าง เคยลอง ChatGPT สำหรับแปลเอกสาร ใช้ Google Cloud อยู่แล้ว อยากให้ AI ช่วยตอบนักศึกษาเรื่องการลงทะเบียน"
→ 🔧 🟡 | 🤖 🟡 | ☁️ 🟡 | 🎯 🟡 → Workflow ~50%

ค้าปลีก:

"ใช้ Shopify automation สำหรับ order มี ChatGPT Plus ใช้ในทีม marketing ข้อมูลอยู่บน cloud หมด อยากได้ product recommendation กับ demand forecasting"
→ 🔧 🟡 | 🤖 🟡 | ☁️ 🟡 | 🎯 🟢 → Workflow ~54%

🔍 สัญญาณที่ต้องจับ

สัญญาณ	แปลว่า
"อยากทำ AI แต่ไม่รู้จะทำอะไร"	🔴 ยังไม่มี use case
ลูกค้าบอก pain point ชัดเจน	🟢 Use case พร้อม
"IT 2 คน on-prem หมด"	🔴 Infra ต้องทำเยอะ
"ใช้ cloud อยู่แล้ว"	🟢 Infra ดี

5. Block 3: คนและวัฒนธรรม (People & Culture) — 4 นาที

🗣️ คำถามที่ต้องอ่านให้ลูกค้าฟัง

"สุดท้ายเรื่องคนครับ ผู้บริหารมองเรื่อง AI ยังไง support แค่ไหน พนักงานพร้อมรับไหม เคยผ่าน digital transformation สำเร็จมาก่อนไหม แล้วก็ ทีมทำงานข้ามแผนกได้ดีไหม ครับ"

👥 หัวข้อที่ต้องจับ

หัวข้อ	🔴 ต่ำ	🟡 กลาง	🟢 สูง
👔 Leadership Buy-in	มอง AI เป็น buzzword	สนับสนุนแต่ไม่ involve	Champion — drive เอง
📚 AI Literacy	พนักงานกลัว AI แทนงาน	รู้จักผิวเผิน มี training บ้าง	ใช้ AI tools ได้ทุกคน
🔄 Change Readiness	เคย fail transformation	เคย implement ERP ใช้เวลานาน	Agile org เปลี่ยนง่าย
🤝 Cross-functional	Full silo ไม่คุยกัน	คุยกันพอได้	Seamless มี shared goals

🏭 ตัวอย่างคำตอบ

โรงงาน:

"MD สนใจมาก พูดเรื่อง AI เอง แต่ manager ไม่เข้าใจ พนักงาน line กลัว AI แทนงาน เคย SAP B1 สามปีก่อน ใช้ปีกว่าถึงเสถียร ข้ามแผนกพอได้ แต่ QC กับ production ขัดกัน"
→ 👔 🟢 | 📚 🔴 | 🔄 🟡 | 🤝 🟡 → People ~46%
💡 จุดแข็ง: MD champion — สำคัญที่สุด!

คลินิก:

"หมอเจ้าของสนใจมาก ส่ง article เรื่อง AI ใน LINE กลุ่มทุกวัน พนักงานรุ่นใหม่โอเค แต่พี่ๆ แอดมินรุ่นเก่ากลัว เคยเปลี่ยนระบบ HIS สำเร็จ ทีมเล็กทำงานด้วยกันง่าย"
→ 👔 🟢 | 📚 🟡 | 🔄 🟡 | 🤝 🟢 → People ~63%

มหาวิทยาลัย:

"อธิการมี vision Digital University แต่ยังไม่ allocate budget ชัด อาจารย์บางท่านใช้ ChatGPT สอน บางท่านต่อต้าน เคย implement Moodle สำเร็จ แต่ก็ยังมี อาจารย์ไม่ใช้ ข้ามคณะทำงานยากมาก"
→ 👔 🟡 | 📚 🟡 | 🔄 🟡 | 🤝 🔴 → People ~38%

ค้าปลีก:

"CEO รุ่นใหม่ ทำ digital first มาตลอด ทีมส่วนใหญ่ใช้ Canva, ChatGPT เป็น เพิ่งปรับระบบ inventory ใหม่สำเร็จ ทีม marketing กับ sales คุยกันทุกวัน"
→ 👔 🟢 | 📚 🟢 | 🔄 🟢 | 🤝 🟢 → People ~88%

🔍 สัญญาณที่ต้องจับ

สัญญาณ	ความสำคัญ
"พนักงานกลัว AI แทนงาน"	⚠️ ต้องมี change management
"เคย implement ERP สำเร็จ"	🟢 เคยผ่าน transformation มาแล้ว
"ข้ามแผนกทำงานยาก"	⚠️ Silo problem ต้องแก้

6. ตัวอย่างเต็ม — บริษัท ไทยฟู้ดส์ โปรเซสซิ่ง

🏭 โรงงานผลิตอาหาร | 150 คน | SAP B1 + Excel

บทสนทนาเต็ม

👤 Sales: "เริ่ม questionnaire บริษัท ไทยฟู้ดส์ โปรเซสซิ่ง"

🤖 Bot: "สวัสดีครับ! เริ่ม GenAI Readiness Assessment สำหรับ บริษัท ไทยฟู้ดส์ โปรเซสซิ่ง จำกัด ⏱️ 15 นาที

ก่อนเริ่ม:

อุตสาหกรรม?
จำนวนพนักงาน?
ระบบหลัก?"

👤 Sales: "โรงงานผลิตอาหาร 150 คน ใช้ SAP B1 กับ Excel"

🤖 Bot: "👍 โหลด profile โรงงาน 150 คนแล้ว

📊 Block 1/3 — ข้อมูลและระบบ (4 นาที)

ลองถามลูกค้า: เล่าให้ฟังหน่อยว่าข้อมูลสำคัญเก็บที่ไหน สภาพเป็นยังไง ระบบเชื่อมกันไหม PDPA ทำแค่ไหน ใช้ data ตัดสินใจยังไง"

👤 Sales: "ข้อมูลหลักอยู่ SAP B1 แต่หลายแผนกใช้ Excel แยก QC มี Excel ตัวเอง โลจิสติกส์อีกชุด เชื่อมไม่ได้ key ซ้ำ PDPA ทำ policy แล้วแต่ consent ยัง paper ผู้บริหารดู SAP report เดือนละครั้ง ไม่มี BI"

🤖 Bot:

สรุป Block 1:
📦 Data Catalog  🔴 ต่ำ — แผนก Excel แยก ไม่มี catalog กลาง
🔍 Data Quality  🟡 กลาง — SAP B1 พอได้ แต่นอก SAP key ซ้ำ
🔗 Integration   🔴 ต่ำ — SAP กับ Excel ไม่เชื่อม
🔒 Privacy       🟡 กลาง — มี policy แต่ consent ยัง paper
📊 Analytics     🔴 ต่ำ — SAP report เดือนละครั้ง ไม่มี BI

Data รวม: 29% 🔴 (avg โรงงานขนาดใกล้กัน 35%)
เห็นด้วยไหมครับ?

👤 Sales: "ใช่"

🤖 Bot: "✅ Block 1 ล็อค → Block 2

⚙️ Block 2/3 — เทคโนโลยีและความพร้อม (4 นาที)

ถามลูกค้า: ตอนนี้มี automation อะไรบ้าง เคยทำ AI ไหม infra เป็นยังไง ถ้ามี AI อยากให้ทำอะไรก่อน"

👤 Sales: "automation แทบไม่มี Excel macro บ้าง AI ไม่เคยทำ แต่ MD ลอง ChatGPT เอง on-prem หมด IT 2 คน อยากให้ช่วย QC ก่อน ใช้คนตรวจ reject เยอะ"

🤖 Bot:

สรุป Block 2:
🔧 Automation     🔴 ต่ำ — Excel macro เท่านั้น
🤖 AI Experience  🔴 ต่ำ — ไม่เคย (MD ลอง ChatGPT = ดี)
☁️ Infra          🔴 ต่ำ — On-prem IT 2 คน
🎯 Use Case       🟡 กลาง — QC visual inspection ชัดเจน

Workflow รวม: 23% 🔴 (avg 28%)
⚠️ จุดสว่าง: MD สนใจ + use case ชัด
เห็นด้วยไหม?

👤 Sales: "ใช่ ปรับ Use Case เป็นกลาง-สูง เพราะมี reject rate data พร้อม"

🤖 Bot: "✅ ปรับแล้ว Workflow: 23% 🔴 → Block 3

👥 Block 3/3 — คนและวัฒนธรรม (4 นาที)

ถามลูกค้า: ผู้บริหารมอง AI ยังไง พนักงานพร้อมไหม เคย digital transformation สำเร็จไหม ทีมข้ามแผนกทำงานด้วยกันดีไหม"

👤 Sales: "MD สนใจมาก พูดเรื่อง AI เอง แต่ manager ไม่เข้าใจ พนักงาน line กลัว AI แทนงาน เคย implement SAP B1 สามปีก่อน ใช้ปีกว่าถึงเสถียร ข้ามแผนกพอได้ แต่ QC กับ production ขัดกันบ่อย"

🤖 Bot:

สรุป Block 3:
👔 Leadership        🟢 สูง — MD drive เอง
📚 AI Literacy       🔴 ต่ำ — Manager ไม่เข้าใจ พนักงานกลัว
🔄 Change Readiness  🟡 กลาง — เคย SAP ได้ แต่นาน
🤝 Cross-functional  🟡 กลาง — พอได้ QC vs Production friction

People รวม: 46% 🟡 (avg 38% — สูงกว่า!)
💡 จุดแข็ง: MD champion
เห็นด้วยไหม?

👤 Sales: "ใช่ครับ"

📊 Score Card

╔══════════════════════════════════════════════════════════════╗
║  GenAI Readiness Score Card                                  ║
║  Company: ไทยฟู้ดส์ โปรเซสซิ่ง     Date: 2026-03-03        ║
╠══════════════════════════════════════════════════════════════╣
║                                                              ║
║  📊 Data Governance        [██░░░░░░░░] 29%  🔴               ║
║  ⚙️ Workflow & Skills       [██░░░░░░░░] 23%  🔴               ║
║  👥 People & Culture        [████░░░░░░] 46%  🟡               ║
║                                                              ║
║  ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━  ║
║  Overall Readiness          [███░░░░░░░] 31%  🟡 Early Stage  ║
║  → Stage 1: GOVERN                                           ║
║                                                              ║
║  ⚠️ Imbalance: Data & Workflow ตามหลัง People                 ║
║                                                              ║
║  🎯 Qualification: ✅ QUALIFIED                               ║
║     (score ≥ 30% + มี sponsor MD + มี use case QC)           ║
╚══════════════════════════════════════════════════════════════╝

🗺️ Roadmap

🎯 Quick Wins (30 วัน):
1. Data Inventory Sprint — สำรวจข้อมูลทั้ง SAP B1 + Excel ทุกแผนก
2. AI Awareness Workshop — 2 ชม. ให้ MD + หัวหน้าแผนก ทดลอง ChatGPT
3. QC Data Collection — เก็บ reject rate data แบบ structured

📋 Mid-Term (90 วัน):
1. SAP-QC-Logistics Integration — เชื่อม SAP B1 กับ Excel สำคัญ
2. Deploy ChatX Starter — ให้ทีมที่พร้อมใช้ก่อน
3. PDPA Digitize — เปลี่ยน paper consent เป็น digital

🚀 Long-Term (6-12 เดือน):
1. QC Visual Inspection AI — pilot AI ตรวจ QC ลด reject rate
2. Cloud Migration — ย้าย workload ขึ้น AWS
3. AI Training Program — upskill ทุกระดับ ลดความกลัว AI

7. ตัวอย่างเต็ม — คลินิกความงาม บิวตี้พลัส

💅 คลินิกความงาม | 30 คน | LINE OA + HIS

บทสนทนาเต็ม

👤 Sales: "เริ่ม questionnaire คลินิกความงาม บิวตี้พลัส"

🤖 Bot: "สวัสดีครับ! เริ่ม GenAI Readiness Assessment สำหรับ คลินิกความงาม บิวตี้พลัส ⏱️ 15 นาที

อุตสาหกรรม?
จำนวนพนักงาน?
ระบบหลัก?"

👤 Sales: "คลินิกความงาม 30 คน ใช้ LINE OA กับระบบ HIS"

🤖 Bot: "👍 โหลด profile คลินิก/healthcare 30 คนแล้ว

📊 Block 1/3 — ข้อมูลและระบบ (4 นาที)

ถามลูกค้าเลย: ข้อมูลสำคัญเก็บที่ไหน สภาพเป็นยังไง ระบบเชื่อมกันไหม PDPA ทำแค่ไหน ใช้ data ตัดสินใจยังไง"

👤 Sales: "ข้อมูลคนไข้อยู่ HIS ข้อมูลการนัดอยู่ใน LINE OA แยกกัน ดึงข้ามไม่ได้ แอดมินต้อง copy ข้อมูลจาก LINE ลง HIS manual ทุกวัน PDPA ทำ consent form กระดาษทุกคนไข้ ส่วน data ใช้ดู report จาก HIS เดือนละครั้ง ยอดขายดูจาก Excel"

🤖 Bot:

สรุป Block 1:
📦 Data Catalog  🔴 ต่ำ — HIS กับ LINE OA แยก ไม่มี catalog
🔍 Data Quality  🟡 กลาง — HIS พอดี แต่ LINE data กระจัดกระจาย
🔗 Integration   🔴 ต่ำ — manual copy ทุกวัน
🔒 Privacy       🟡 กลาง — consent form paper ทุกคนไข้
📊 Analytics     🔴 ต่ำ — HIS report เดือนละครั้ง Excel ยอดขาย

Data รวม: 25% 🔴
เห็นด้วยไหมครับ?

👤 Sales: "ใช่ครับ"

🤖 Bot: "✅ Block 1 ล็อค → Block 2

⚙️ Block 2/3 — เทคโนโลยีและความพร้อม (4 นาที)

ถามลูกค้า: มี automation อะไรบ้าง เคยทำ AI ไหม infra เป็นยังไง อยากให้ AI ทำอะไรก่อน"

👤 Sales: "automation ไม่มีเลย ใช้ LINE ตอบคำถามคนไข้ตลอดวัน คำถามซ้ำๆ ทุกวัน เช่น ราคาเท่าไร เปิดกี่โมง ที่จอดรถอยู่ไหน แอดมิน 2 คนตอบไม่ทัน วันละ 200+ ข้อความ AI ไม่เคยทำ หมอเจ้าของเคยลอง ChatGPT ถามเรื่องทำ content เว็บอยู่บน cloud hosting อยากได้ chatbot ตอบแทนคนให้แอดมินโฟกัสงานอื่น"

🤖 Bot:

สรุป Block 2:
🔧 Automation     🔴 ต่ำ — ไม่มี ตอบ LINE manual ทั้งหมด
🤖 AI Experience  🔴 ต่ำ — ไม่เคย (หมอลอง ChatGPT = ดี)
☁️ Infra          🟡 กลาง — เว็บ cloud hosting
🎯 Use Case       🟢 สูง — LINE chatbot ชัดมาก pain ชัด data พร้อม (FAQ)

Workflow รวม: 29% 🔴
⚠️ จุดสว่าง: Use case ชัดมาก! 200+ messages/day = ROI คำนวณง่าย
เห็นด้วยไหม?

👤 Sales: "ใช่เลย"

🤖 Bot: "✅ Block 2 ล็อค → Block 3

👥 Block 3/3 — คนและวัฒนธรรม (4 นาที)

ถามลูกค้า: ผู้บริหารมอง AI ยังไง พนักงานพร้อมไหม เคย transformation สำเร็จไหม ทีมข้ามฝ่ายทำงานด้วยกันดีไหม"

👤 Sales: "หมอเจ้าของสนใจมาก ส่ง article เรื่อง AI ใน LINE กลุ่มทุกวัน บอกว่าคลินิกอื่นเริ่มใช้แล้ว พนักงานรุ่นใหม่โอเค แต่พี่แอดมิน 2 คนกลัวจะไม่มีงาน เคยเปลี่ยนระบบ HIS สำเร็จเมื่อปีที่แล้ว ใช้เวลา 2 เดือน ทีมเล็กแค่ 30 คน ทำงานด้วยกันง่าย"

🤖 Bot:

สรุป Block 3:
👔 Leadership        🟢 สูง — หมอ drive เอง + competitive pressure
📚 AI Literacy       🟡 กลาง — รุ่นใหม่โอเค แต่แอดมินกลัว
🔄 Change Readiness  🟡 กลาง — เคยเปลี่ยน HIS สำเร็จ
🤝 Cross-functional  🟢 สูง — ทีมเล็ก ทำงานง่าย

People รวม: 63% 🟡
💡 จุดแข็ง: หมอ champion + ทีมเล็กเปลี่ยนง่าย + competitive pressure
เห็นด้วยไหม?

👤 Sales: "ใช่ครับ"

📊 Score Card

╔══════════════════════════════════════════════════════════════╗
║  GenAI Readiness Score Card                                  ║
║  Company: คลินิกความงาม บิวตี้พลัส   Date: 2026-03-04      ║
╠══════════════════════════════════════════════════════════════╣
║                                                              ║
║  📊 Data Governance        [██░░░░░░░░] 25%  🔴               ║
║  ⚙️ Workflow & Skills       [██░░░░░░░░] 29%  🔴               ║
║  👥 People & Culture        [██████░░░░] 63%  🟡               ║
║                                                              ║
║  ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━  ║
║  Overall Readiness          [███░░░░░░░] 36%  🟡 Early Stage  ║
║  → Stage 1: GOVERN                                           ║
║                                                              ║
║  ⚠️ Imbalance: Data & Workflow ตามหลัง People มาก             ║
║                                                              ║
║  🎯 Qualification: ✅ QUALIFIED                               ║
║     (score 36% + หมอ sponsor + use case chatbot ชัด)         ║
╚══════════════════════════════════════════════════════════════╝

🗺️ Roadmap

🎯 Quick Wins (30 วัน):
1. Deploy ChatX for LINE OA — Chatbot ตอบ FAQ อัตโนมัติ (ราคา, เวลาเปิด, ที่จอดรถ)
2. LINE-HIS Data Mapping — สำรวจข้อมูลที่ต้องเชื่อม
3. PDPA Digital Consent — เปลี่ยน consent paper เป็น digital

📋 Mid-Term (90 วัน):
1. ChatX Advanced — เพิ่ม chatbot สำหรับนัดหมาย, สอบถามโปรโมชั่น
2. LINE-HIS Integration — เชื่อมข้อมูลการนัดจาก LINE เข้า HIS
3. Dashboard — สร้าง dashboard ยอดขาย + appointment

🚀 Long-Term (6-12 เดือน):
1. AI-Powered Recommendation — แนะนำ treatment ตาม history คนไข้
2. Marketing Automation — ส่ง promo ตรงกลุ่มเป้าหมาย
3. Full Digital Clinic — ลดกระดาษทั้งหมด

💡 ROI ง่ายมาก: 200 messages/day × 5 min/message = ~17 ชม./วัน → ถ้า chatbot ตอบได้ 70% = ประหยัดแอดมิน ~12 ชม./วัน!

8. ตัวอย่างเต็ม — มหาวิทยาลัยราชมงคล

🎓 มหาวิทยาลัย | 500 คน | Moodle + Google Workspace

บทสนทนาเต็ม

👤 Sales: "เริ่ม questionnaire มหาวิทยาลัยเทคโนโลยีราชมงคล"

🤖 Bot: "สวัสดีครับ! เริ่ม GenAI Readiness Assessment สำหรับ มหาวิทยาลัยเทคโนโลยีราชมงคล ⏱️ 15 นาที

อุตสาหกรรม?
จำนวนพนักงาน?
ระบบหลัก?"

👤 Sales: "สถาบันการศึกษา พนักงาน+อาจารย์ 500 คน นักศึกษา 8,000 คน ใช้ Moodle กับ Google Workspace"

🤖 Bot: "👍 โหลด profile สถาบันการศึกษา 500 คนแล้ว

📊 Block 1/3 — ข้อมูลและระบบ (4 นาที)

ถามลูกค้า: ข้อมูลสำคัญเก็บที่ไหน สภาพเป็นยังไง ระบบเชื่อมกันไหม PDPA ทำแค่ไหน ใช้ data ตัดสินใจยังไง"

👤 Sales: "ข้อมูลนักศึกษาอยู่ระบบทะเบียน (Oracle-based) ข้อมูลการเรียนอยู่ Moodle email กับ doc อยู่ Google Workspace ระบบบัญชีอีกตัว ข้อมูลข้ามระบบลำบาก ต้องให้ IT ดึง report ทีละตัว PDPA ทำ policy level มหาวิทยาลัย consent นักศึกษาทำตอนลงทะเบียน ผู้บริหารดู Google Data Studio dashboard เดือนละครั้ง"

🤖 Bot:

สรุป Block 1:
📦 Data Catalog  🟡 กลาง — มีระบบหลัก 3-4 ตัว รู้ว่าอยู่ที่ไหน แต่ไม่มี catalog รวม
🔍 Data Quality  🟡 กลาง — ระบบทะเบียน OK Moodle data ไม่ค่อย clean
🔗 Integration   🔴 ต่ำ — ข้ามระบบต้องให้ IT ดึง manual
🔒 Privacy       🟡 กลาง — มี policy + consent ตอนลงทะเบียน
📊 Analytics     🟡 กลาง — มี Google Data Studio แต่ดูเดือนละครั้ง

Data รวม: 42% 🟡
เห็นด้วยไหมครับ?

👤 Sales: "ใช่ครับ"

🤖 Bot: "✅ Block 1 ล็อค → Block 2

⚙️ Block 2/3 — เทคโนโลยีและความพร้อม (4 นาที)

ถามลูกค้า: มี automation อะไรบ้าง เคยทำ AI ไหม infra เป็นยังไง อยากให้ AI ทำอะไรก่อน"

👤 Sales: "มี Google Apps Script ช่วย workflow บ้าง เช่น auto-send email เตือนนักศึกษา อาจารย์บางท่านเคยลอง ChatGPT แปลเอกสารงานวิจัย ไม่เคยทำ AI project จริงจัง ใช้ Google Cloud อยู่ เว็บมหาวิทยาลัยอยู่บน VM ปัญหาใหญ่คือ นักศึกษาโทรถาม-ส่ง LINE ถามเรื่องลงทะเบียน ตารางเรียน ผลสอบ วันละ 500+ ข้อความ เจ้าหน้าที่ 3 คนตอบไม่ไหว"

🤖 Bot:

สรุป Block 2:
🔧 Automation     🟡 กลาง — Google Apps Script + auto-email
🤖 AI Experience  🔴 ต่ำ — อาจารย์ลอง ChatGPT แต่ไม่มี project จริง
☁️ Infra          🟡 กลาง — Google Cloud + VM
🎯 Use Case       🟢 สูง — Student service chatbot ชัดมาก 500+ msg/day

Workflow รวม: 38% 🟡
⚠️ จุดสว่าง: Use case ชัดเจนมาก + ROI คำนวณง่าย
เห็นด้วยไหม?

👤 Sales: "ใช่"

🤖 Bot: "✅ Block 2 ล็อค → Block 3

👥 Block 3/3 — คนและวัฒนธรรม (4 นาที)

ถามลูกค้า: ผู้บริหารมอง AI ยังไง พนักงานพร้อมไหม เคย transformation สำเร็จไหม ข้ามหน่วยงานทำงานได้ดีไหม"

👤 Sales: "อธิการมี vision Digital University ประกาศเป็นนโยบาย แต่งบ IT ยังน้อย อาจารย์คณะ IT สนใจมาก อยากทำ AI lab แต่คณะอื่นมองว่าไกลตัว เจ้าหน้าที่โอเค ถ้าลดงาน เคย implement Moodle สำเร็จใช้เวลา 1 ปี COVID บังคับ ข้ามคณะทำงานยากมาก แต่ละคณะเหมือนบริษัทแยก"

🤖 Bot:

สรุป Block 3:
👔 Leadership        🟡 กลาง — อธิการมี vision แต่งบยังน้อย
📚 AI Literacy       🟡 กลาง — คณะ IT ดี คณะอื่นยังไม่เข้าใจ
🔄 Change Readiness  🟡 กลาง — เคย Moodle สำเร็จ (COVID บังคับ)
🤝 Cross-functional  🔴 ต่ำ — silo ข้ามคณะ แต่ละคณะเหมือนบริษัทแยก

People รวม: 38% 🟡
💡 จุดแข็ง: อธิการมี vision + คณะ IT เป็น champion ได้
⚠️ จุดอ่อน: silo ข้ามคณะ + งบจำกัด
เห็นด้วยไหม?

👤 Sales: "ใช่ครับ ตรงเลย"

📊 Score Card

╔══════════════════════════════════════════════════════════════╗
║  GenAI Readiness Score Card                                  ║
║  Company: ม.เทคโนโลยีราชมงคล        Date: 2026-03-04       ║
╠══════════════════════════════════════════════════════════════╣
║                                                              ║
║  📊 Data Governance        [████░░░░░░] 42%  🟡               ║
║  ⚙️ Workflow & Skills       [███░░░░░░░] 38%  🟡               ║
║  👥 People & Culture        [███░░░░░░░] 38%  🟡               ║
║                                                              ║
║  ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━  ║
║  Overall Readiness          [████░░░░░░] 40%  🟡 Early Stage  ║
║  → Stage 1: GOVERN                                           ║
║                                                              ║
║  ✅ Balanced: ทุก axis อยู่ระดับใกล้กัน                        ║
║                                                              ║
║  🎯 Qualification: ✅ QUALIFIED                               ║
║     (score 40% + อธิการ sponsor + use case chatbot ชัด)      ║
╚══════════════════════════════════════════════════════════════╝

🗺️ Roadmap

🎯 Quick Wins (30 วัน):
1. Deploy ChatX for Student Services — ตอบคำถาม FAQ ลงทะเบียน/ตาราง/ผลสอบ
2. Data Inventory — สำรวจข้อมูลทุกระบบ (ทะเบียน, Moodle, GWS, บัญชี)
3. AI Awareness Workshop — จัด workshop ให้ผู้บริหาร+คณบดี ทุกคณะ

📋 Mid-Term (90 วัน):
1. ChatX Advanced — เพิ่ม chatbot สำหรับอาจารย์ (ถามข้อมูลนักศึกษา, ระบบ)
2. ระบบทะเบียน-Moodle Integration — เชื่อมข้อมูลนักศึกษากับข้อมูลการเรียน
3. Student Analytics Dashboard — ติดตาม engagement, at-risk students

🚀 Long-Term (6-12 เดือน):
1. AI Tutor — ระบบช่วยเรียนรู้ส่วนตัวสำหรับนักศึกษา
2. Research AI Assistant — ช่วยอาจารย์ทำ literature review
3. Smart Campus — รวมข้อมูลทุกระบบเข้าที่เดียว

💡 ROI: 500 messages/day × 3 คนตอบ = ประหยัดเจ้าหน้าที่ 2 คน → ChatX Stage 1 คืนทุน 3 เดือน

9. การตัดสินว่า Qualified หรือยัง

✅ เกณฑ์ผ่าน — ต้องครบ 3 ข้อ

เงื่อนไข	ทำไม
1. Overall Score ≥ 30%	มี foundation พอที่จะเริ่ม
2. มี Executive Sponsor (Leadership ≥ 🟡)	ไม่มี sponsor = ไม่มีใครตัดสินใจ
3. มี Use Case อย่างน้อย 1 อัน	ต้องรู้ว่าจะแก้ปัญหาอะไร

📋 Decision Matrix

Score	Leadership	Use Case	ผลลัพธ์	ทำอะไรต่อ
≥ 30%	🟢 หรือ 🟡	✅ มี	✅ QUALIFIED	→ Budget Gate
≥ 30%	🟢 หรือ 🟡	❌ ไม่มี	⏳ NOT YET	→ จัด Use Case Workshop
≥ 30%	🔴	อะไรก็ได้	⏳ NOT YET	→ จัด Executive Briefing
< 30%	🟢 (สนใจ)	อะไรก็ได้	⏳ NOT YET	→ ทำ foundation + ประเมินใหม่ 3 เดือน
< 30%	🔴 หรือ 🟡	อะไรก็ได้	❌ DISQUALIFIED	→ Archive, revisit 6 เดือน

🔴 Red Flags — สัญญาณเตือน

ถ้าเจอแบบนี้ ระวัง:

Red Flag	แปลว่า
"แค่มาดูฟรี"	ไม่ได้จะซื้อ อยากได้ consulting ฟรี
ไม่มี decision-maker มาประชุม	ไม่มีใครตัดสินใจ
บริษัทกำลังมีปัญหาการเงิน	ไม่มีงบ
ต่อต้าน assessment	ไม่ไว้ใจ process
"ข้าม assessment ให้ราคาเลย"	อยากแค่เทียบราคา
อ้างว่าทุกอย่างดีหมด (score 5 ทุกข้อ)	ไม่ genuine
บริษัทเล็กเกินไป (< 30 คน)	ไม่คุ้มกับ enterprise AI

📊 ตัวอย่าง: ผ่าน vs ไม่ผ่าน

✅ ผ่าน — ไทยฟู้ดส์:

Score 31% (≥ 30% ✅)
MD drive เรื่อง AI เอง (Leadership 🟢 ✅)
QC visual inspection ชัด (Use Case ✅)

❌ ไม่ผ่าน — ร้านอาหาร 10 สาขา:

Score 22% (< 30% ❌)
เจ้าของบอก "แค่อยากรู้" (Leadership 🔴 ❌)
ไม่มี use case ชัด
→ DISQUALIFIED: Archive, revisit 6 เดือน

⏳ Not Yet — โรงพยาบาลเอกชน:

Score 45% (≥ 30% ✅)
ผอ.สนใจ (Leadership 🟢 ✅)
แต่ยังหา use case ไม่ได้ "อยากทำ AI แต่ไม่รู้จะทำอะไร" (Use Case ❌)
→ NOT YET: จัด Use Case Workshop ก่อน

10. Budget Gate — ถามเรื่องงบ

💰 ถามทันทีหลัง Qualify (หรือนัดแยกถ้าต้องคุยกับคนอนุมัติ)

📝 4 คำถาม — พร้อมใช้เลย

คำถาม 1: มีงบไหม?

"หลังจากเห็น roadmap แล้ว — ทางบริษัทมีงบประมาณสำหรับ AI หรือ digital transformation ปีนี้ไหมครับ?"

คำถาม 2: ใครอนุมัติ?

"ใครเป็นคนอนุมัติงบสำหรับ project แบบนี้ครับ? อนุมัติได้ถึงระดับไหน?"

คำถาม 3: งบเท่าไร?

"ถ้าเริ่มจาก Stage 1 ประมาณ 5 แสน - 1.5 ล้านบาท งบประมาณอยู่ในช่วงนี้ไหมครับ?"

คำถาม 4: Timeline?

"Timeline ที่อยากเริ่มต้นครับ? ภายในไตรมาสนี้ ครึ่งปีนี้ หรือปีหน้า?"

📊 วิธีตีความคำตอบ

ระดับ	สัญญาณจากลูกค้า	ทำอะไรต่อ
🟢 Confirmed	"มีงบจัดสรรแล้ว", "ผอ. OK แล้ว", "อยู่ในแผนปีนี้"	→ Tech Validation ทันที!
🟡 Likely	"กำลังขออนุมัติ", "ต้องเข้าบอร์ด", "รู้ว่าต้องใช้เท่าไร"	→ Tech Validation + ช่วยทำ business case
🔴 Unconfirmed	"ยังไม่มีงบ", "ไม่รู้", "ต้องถาม MD ก่อน"	→ ส่ง ROI deck, follow-up 1 เดือน

💬 Script สำหรับแต่ละสถานการณ์

🟢 Confirmed:

"ดีเลยครับ! ขั้นตอนถัดไปคือ Technical Validation — เราจะเช็คความเป็นไปได้ของ use case ก่อนเสนอราคาจริง"

🟡 Likely:

"เข้าใจครับ ผมช่วยเตรียม business case + ROI estimate ให้ไปเสนอขออนุมัติได้เลย"

🔴 Unconfirmed:

"ไม่เป็นไรครับ Roadmap ที่ได้ไปใช้วางแผนได้เลย ผมจะส่ง ROI analysis ให้ทาง email ถ้าพร้อมเมื่อไหร่ ทักมาได้ครับ"

⚠️ กฎสำคัญ: ถ้างบ 🔴 Unconfirmed → อย่า push ส่ง material แล้วให้เวลา เดี๋ยวเขากลับมาเอง

11. หลังจาก Qualified — ขั้นตอนถัดไป

⚡ Light Validation — Stage 1 (Sales ทำเอง, ฟรี, 30 นาที)

สำหรับ ChatX / ChatCenter — ไม่ต้องรอทีม tech:

ลูกค้ามี data ที่จะใช้กับ ChatX ไหม? (documents, FAQ, knowledge base)
มี internet ที่ stable สำหรับ SaaS?
มีคนดูแล (admin) ได้ 1 คนไหม?
Use case ตรงกับ ChatX capability ไหม?
ไม่มี compliance blocker (เช่น data ต้อง on-prem เท่านั้น)?

✅ ผ่านทุกข้อ → เสนอ Proposal ได้เลย!

🔬 Paid Discovery — Stage 2-3 (Tech team, ฿50,000-120,000)

วิธีเสนอลูกค้า:

"ขั้นตอนถัดไปคือ Technical Discovery ครับ ทีม tech ของเราจะเข้ามาดูระบบ data แล้วออกแบบ solution ให้เลย ใช้เวลา 2-3 วัน ค่า Discovery ประมาณ 5-12 หมื่น"

💡 วิธีพูดเรื่อง "หักจากค่า project":

"แต่ถ้าทำ project ต่อ ค่านี้หักจากค่า project ครับ เท่ากับว่าถ้าตกลงทำ ค่า Discovery เหมือนฟรี"

Paid Discovery ประกอบด้วย:

Solutions Architect + Data Engineer on-site 2-3 วัน
Data audit + use case validation
Architecture design
Deliverable: Technical Feasibility Report + Architecture Proposal

📋 Pipeline Flow

QUALIFIED
  │
  ├─ Budget 🟢/🟡 + Stage 1 product
  │   └─ Light Val (ฟรี 30 นาที) → Proposal → Close
  │
  ├─ Budget 🟢/🟡 + Stage 2-3 product
  │   └─ Paid Discovery (฿50-120K) → Tech Report → Proposal → Close
  │
  └─ Budget 🔴
      └─ ส่ง ROI deck → Follow-up 1 เดือน

12. POC Experience — ทำให้ลูกค้าจำได้

🏨 หลักการ: SI ปกติทำ POC แบบ "ส่งคนไป ทำเสร็จ ส่ง report" จบ — Go Digit ทำแบบ 5-star hotel ค่าใช้จ่ายแค่ ~2,000-3,000 ฿ ต่อ POC

📅 Timeline ทั้งหมด

วัน	ทำอะไร	ค่าใช้จ่าย
Day -3	📦 Welcome Kit ส่งถึงลูกค้า	500-800 ฿
Day 0	🚀 Kick-off + War Room Board ติดตั้ง	300-500 ฿
Day 1-20	📱 Daily Pulse ทุกเช้า 9:00	0 ฿
ทุกศุกร์	🎬 Weekly Wow — live demo ลูกค้ากดเอง	0 ฿
ตลอด POC	📸 Photo Documentation	0 ฿
Day 20	🏆 Closing Ceremony + Handover	800-1,200 ฿
Day 21, 7, 30	📬 Post-POC Follow-up + A1 v2 ส่งไปรษณีย์	200-400 ฿

📦 Welcome Kit (Day -3)

ส่งก่อน kick-off 3 วัน — กล่องประกอบด้วย:

📋 Roadmap A1 — ม้วนใส่กระบอกสวยๆ มี logo 2 ฝั่ง
📓 Project Notebook — A5 ปกแข็ง หน้าแรกพิมพ์ชื่อ project ให้แล้ว
🏷️ Team Cards — การ์ดแนะนำทีม Go Digit พร้อม LINE QR
🎯 Success Card — เกณฑ์สำเร็จ ลงชื่อทั้ง 2 ฝั่งวัน kick-off
☕ ขนม/กาแฟ local — 200-300 บาท เป็น touch เล็กๆ

📱 Daily Pulse (ทุกวัน 9:00)

ส่ง LINE สั้นๆ 30 วินาทีอ่านจบ — ไม่ใช่ daily standup:

🌅 Good morning ทีม [Company]
📊 POC Day [X]/20
เมื่อวาน ✅: [สิ่งที่ทำเสร็จ]
วันนี้ 🎯: [แผนวันนี้]
Blocker: [❌ ไม่มี / ⚠️ รอ X]
📈 Progress: [████████░░] XX%

💡 ทำไมได้ผล: ลูกค้าไม่ต้องถาม "ถึงไหนแล้ว" + Exec เห็น blocker แก้ให้เร็ว + สร้าง momentum

🎬 Weekly Wow (ทุกศุกร์)

กฎ: ทุกสัปดาห์ต้องมี live demo ให้ลูกค้ากดเอง ไม่ใช่ slide!

สัปดาห์	Wow	ลูกค้ารู้สึก
Week 1	ของเริ่มทำงาน — "ลองพิมพ์ถามดูครับ"	😲 "ทำได้จริง!"
Week 2	Core use case work — เทียบ AI กับคน	😲 "แม่นกว่าคนอีก!"
Week 3	Business impact dashboard	😲 "ประหยัดเท่าไร?"
Week 4	Full demo + ROI จริง	😲 "เริ่มเต็มรูปแบบเลย!"

🏆 Closing Ceremony (Day 20)

ไม่ใช่แค่ส่ง report email! จัดเป็น event 1.5 ชม.:

🎬 Journey Recap (15 นาที) — เล่า story ตั้งแต่วัน assessment
📊 Results & ROI (30 นาที) — live demo + ตัวเลข ROI จริง
🗺️ What's Next (15 นาที) — Roadmap v2 ไม่ hard sell แค่โชว์แผน
🎁 Handover (15 นาที) — A1 v2, framed photo, certificate, USB drive
🍰 Celebrate (15 นาที) — เค้ก/ขนม ถ่ายรูปรวม

📬 Post-POC Follow-up

Day 1: LINE ขอบคุณ + รูป closing
Day 7: "ใช้งานเป็นยังไง?"
Day 30: ส่ง A1 Roadmap v2 ทางไปรษณีย์ + handwritten note

💡 ไม่มี SI ไหนส่งไปรษณีย์ — differentiated ทันที!

13. เชื่อมกับ Stage 1/2/3

📊 Score → Stage Mapping

Overall Score	Stage	Products	Deal Size
< 30%	Pre-Stage 1	Foundation work (consulting)	-
30-54% 🟡	Stage 1: GOVERN	ChatX SaaS, ChatCenter, Data Governance, Workshop	฿500K-1.5M
55-74% 🟡	Stage 1+2: GOVERN→BUILD	ChatX + SAFE/STRUCTURE, Custom AI	฿1.5M-5M
75-100% 🟢	Full: Stage 1→2→3	Full AI Platform, MLOps, AI CoE	฿3M-10M+

💰 ราคาแต่ละ Stage

Stage 1: GOVERN (฿500K-1.5M)

Product	ราคา	ใช้สำหรับ
ChatX SaaS	฿15K-50K/เดือน	ChatGPT ภายในองค์กร
ChatCenter	฿20K-80K/เดือน	Chatbot สำหรับลูกค้า
Data Governance Setup	฿200K-500K	จัดระเบียบข้อมูล
AI Awareness Workshop	฿50K-100K	ฝึกอบรมทีม

Stage 2: BUILD (฿1.5M-5M)

Product	ราคา	ใช้สำหรับ
SAFE	฿500K-2M/use case	Custom AI solution
STRUCTURE	฿300K-1M	Data pipeline + analytics
ChatX Enterprise	฿50K-150K/เดือน	Advanced features, SSO
ML Model Development	฿500K-3M	Custom model

Stage 3: SCALE (฿3M-10M+)

Product	ราคา	ใช้สำหรับ
Full AI Platform	฿2M-5M	Enterprise AI infrastructure
MLOps Pipeline	฿1M-3M	Automated model lifecycle
AI Center of Excellence	฿500K-1.5M	ทีม + process + governance

💬 วิธีเสนอ Stage ที่เหมาะสม

ถ้า Score 30-54% (Stage 1):

"จาก assessment เราแนะนำเริ่มจาก Stage 1 ก่อนครับ — วาง foundation ให้แข็ง deploy ChatX ให้ทีมใช้ก่อน เห็นผลใน 30 วัน เริ่มที่ 5 แสน"

ถ้า Score 55-74% (Stage 1+2):

"organization พร้อมมากครับ! เราแนะนำ Stage 1 + 2 ไปเลย — ChatX + เริ่ม custom AI สำหรับ use case หลัก ประมาณ 1.5-3 ล้าน"

ถ้า Score 75%+ (Full roadmap):

"พร้อมมากครับ! วาง full roadmap เลย Stage 1→2→3 ภายใน 12 เดือน transform ทั้งองค์กร"

14. AWS ACE — วิธี Sync Pipeline

📋 แต่ละ Stage ต้องอัพเดทอะไร

Go Digit Stage	ACE Stage	ต้องอัพเดท
Assessment done	(ยัง Prospect)	เพิ่ม assessment scores, use cases ใน notes
Qualified	→ Qualified	ย้าย stage + เพิ่ม score card + sponsor
Budget Gate	(ยัง Qualified)	เพิ่ม budget level, approver, range
Tech Validation	→ Technical Validation	เพิ่ม tech details, discovery date
Proposal	→ Business Validation	เพิ่ม deal size, timeline, products
Signed	→ Committed	ยืนยัน contract date, revenue
Go-live	→ Launched	ปิด opportunity

🤖 ACE Fields ที่ Auto-fill จาก Assessment

Field	Auto-fill จาก
Industry	Industry จาก profile
Use Case	Primary use case จาก Block 2
AWS Services	Mapped จาก stage (Bedrock, S3, Rekognition ฯลฯ)
Expected Revenue	Score → Stage → Deal Size
Timeline	จาก Roadmap output

☁️ AWS Services ตาม Stage

Stage	AWS Services
Stage 1 GOVERN	Amazon Bedrock, S3, CloudWatch, Lambda
Stage 2 BUILD	SageMaker, Textract, Rekognition, Comprehend, Step Functions
Stage 3 SCALE	EKS/ECS, SageMaker, Step Functions, full ML pipeline

15. Cheat Sheet — สำหรับพิมพ์ 1 หน้า

╔══════════════════════════════════════════════════════════════╗
║  GenAI Roadmap Builder — Sales Cheat Sheet                   ║
║  Go Digit (Thailand) — AWS Advanced Tier Partner             ║
╠══════════════════════════════════════════════════════════════╣
║                                                              ║
║  ⏱️ 15 นาที = ได้ Score Card + Roadmap ทันที                  ║
║                                                              ║
║  📝 เริ่มต้น:                                                 ║
║  1. ถาม: อุตสาหกรรม? จำนวนคน? ระบบหลัก?                      ║
║  2. คุย 3 block (4 นาทีต่อ block):                            ║
║     📊 Block 1: ข้อมูล+ระบบ                                   ║
║     ⚙️ Block 2: เทคโนโลยี+ความพร้อม                           ║
║     👥 Block 3: คน+วัฒนธรรม                                   ║
║  3. Bot ให้ score → ตอบ "ใช่" หรือปรับ                        ║
║  4. ได้ Score Card + Roadmap!                                ║
║                                                              ║
║  ✅ QUALIFIED = Score ≥ 30% + Sponsor + Use Case              ║
║  ⏳ NOT YET = ส่ง Roadmap + Nurture + Re-assess 3 เดือน       ║
║  ❌ DISQUALIFIED = Archive + Revisit 6 เดือน                  ║
║                                                              ║
║  💰 Budget Gate (4 คำถาม หลัง Qualify):                       ║
║  1. มีงบไหม? 2. ใครอนุมัติ? 3. เท่าไร? 4. เมื่อไร?           ║
║  🟢 Confirmed → Tech Val ทันที                                ║
║  🟡 Likely → Tech Val + business case                        ║
║  🔴 Unconfirmed → ROI deck + follow-up 1 เดือน               ║
║                                                              ║
║  📊 Score → Stage:                                            ║
║  30-54% → Stage 1 GOVERN (฿500K-1.5M)                       ║
║  55-74% → Stage 1+2 (฿1.5M-5M)                              ║
║  75%+   → Full roadmap (฿3M-10M+)                           ║
║                                                              ║
║  🔑 หลักสำคัญ:                                                ║
║  • ไม่ Hard Sell — ให้ Roadmap พูดแทน                         ║
║  • Trust-First — ให้ก่อน ไม่ push                             ║
║  • 15 นาที — ถ้านานกว่านี้ = ยาวไป                            ║
║  • Honest — ถ้าไม่พร้อม บอกตรงๆ                              ║
║                                                              ║
║  🔄 อย่าลืม: อัพเดท ACE ทุก stage!                            ║
╚══════════════════════════════════════════════════════════════╝

💬 Objection Handling — สคริปต์สำหรับลูกค้า

ลูกค้าพูด	ตอบแบบนี้
"แพงไป"	"ลอง ROI จาก roadmap ดูครับ — ถ้าแค่ลด [pain] ลง 20% ปีนึง save เท่าไร? Stage 1 เริ่ม 5 แสน คืนทุนภายในปี"
"ยังไม่พร้อม"	"นั่นแหละที่ roadmap ช่วยได้ เราไม่ขาย AI ทำทันที แต่ช่วยวาง foundation Quick Win 30 วันแรกไม่ต้องลงทุนมาก"
"ต้องถาม MD"	"ดีเลยครับ ผมช่วยเตรียม executive summary 1 หน้าให้เอาไปคุย หรือจะนัดผม present ให้ MD ก็ได้"
"ขอดู competitor"	"ได้เลยครับ roadmap ที่ได้ไป ลองเทียบกับ vendor อื่นดู ถ้าใครตรงกับ roadmap ก็เป็นตัวเลือกที่ดี เราไม่ lock-in"

📌 จำไว้: เราไม่ได้ขาย AI — เราช่วยลูกค้าเห็นทางข้างหน้า ถ้าทางนั้นมี Go Digit อยู่ด้วย ก็เพราะเราเป็นตัวเลือกที่ดีที่สุด ไม่ใช่เพราะเรา push