สำหรับองค์กรที่ข้อมูลห้ามออกนอกบริษัทจริง ๆFor organizations whose data genuinely cannot leave เทียบ 3 ทางเลือก ก่อนซื้อเครื่องCompare three options before buying hardware บอกตรง ๆ ถ้าคุณไม่ต้องทำ On-premiseWe say so if you do not need on-premise

อยากใช้ AI แต่ข้อมูลห้ามออกนอกบริษัท — Private LLM และ AI On-premise เริ่มยังไงYou Want AI, but Your Data Cannot Leave the Company — Where to Start With a Private LLM or On-Premise AI

อัปเดตล่าสุด 2026-10-15Last updated 2026-10-15

คำถามจริงไม่ใช่ว่าจะใช้ AI ตัวไหน แต่คือโมเดลควรรันที่ไหน และใครคุมทุกอย่างที่อยู่รอบตัวมันThe real question is not which AI to use, but where the model should run — and who controls everything around it

ฝ่ายกฎหมายส่งอีเมลเวียนทั้งบริษัทว่าห้ามนำเอกสารลูกค้าเข้า AI สาธารณะทุกชนิด เหตุผลฟังขึ้น เพราะสัญญากับลูกค้ารายใหญ่หลายฉบับเขียนไว้ชัดว่าห้ามส่งข้อมูลให้บุคคลที่สามประมวลผล แต่อีกฝั่งหนึ่ง ทีมวิศวกรต้องอ่านสเปกและแบบหลายร้อยหน้าต่อโปรเจกต์ ทีมกฎหมายต้องสรุปสัญญาทุกวัน และทุกคนเห็นอยู่แล้วว่า AI ช่วยงานแบบนี้ได้มาก ผลคือบางคนแอบใช้อยู่ดี ส่วนคนที่เหลือก็ทำงานช้าเหมือนเดิม แล้วรู้สึกว่าบริษัทตามคนอื่นไม่ทันLegal sends a company-wide email: no client documents go into any public AI tool, full stop. The reasoning holds up — several major client contracts explicitly forbid passing their data to a third party for processing. On the other side, the engineering team reads hundreds of pages of specs and drawings per project, the legal team summarizes contracts every day, and everyone can see how much AI would help with exactly this work. So some people quietly use it anyway, and the rest keep working slowly and feel the company falling behind.

แล้วก็มีคนเสนอว่า งั้นติดตั้ง AI ไว้ในเซิร์ฟเวอร์บริษัทเองเลย ข้อมูลจะได้ไม่ออกไปไหน ผู้ขายรายหนึ่งเดโมให้ดูบนโน้ตบุ๊กเครื่องเดียว ตอบได้ดูดี ทุกคนโล่งใจ แต่ไม่มีใครถามต่อว่า ถ้าพนักงานสองร้อยคนใช้พร้อมกันเช้าวันจันทร์จะช้าแค่ไหน ใครจะอัปเดตโมเดลและแพตช์ระบบ ภาษาไทยในเอกสารจริงจะอ่านถูกไหม และถ้าทุกคนถาม AI ได้ทุกเรื่อง พนักงานขายจะถามเรื่องเงินเดือนจากเอกสาร HR ได้ด้วยหรือเปล่า หน้านี้จะพาไล่ตั้งแต่ว่าคุณจำเป็นต้องทำแบบนี้จริงไหม ทางเลือกสามแบบที่ทำได้จริงพร้อมข้อแลก สิ่งที่ต้องมีนอกจากตัวโมเดล วิธีคุยเรื่องขนาดระบบ และเมื่อไหร่ที่ไม่ควรทำ On-premise เลยThen someone suggests installing AI on the company's own servers so the data never goes anywhere. A vendor demos it on a single laptop, the answers look decent, and everyone relaxes. But nobody asks the follow-up questions. How slow will it be when two hundred people use it at once on a Monday morning? Who updates the model and patches the system? Will it read the Thai in your real documents correctly? And if everyone can ask the AI anything, can a salesperson now ask about salaries pulled from HR documents? This page walks through whether you genuinely need this, the three realistic options and their trade-offs, what you need beyond the model itself, how to approach sizing, and when you should not go on-premise at all.

สรุปสั้นTL;DR

ถ้าข้อมูลขององค์กรห้ามออกนอกบริษัทจริง ทางเลือกที่ทำได้มีสามแบบ คือ บริการ AI บนคลาวด์แบบองค์กรที่มีสัญญาคุมการใช้ข้อมูล โมเดลในบัญชีคลาวด์ขององค์กรเองในภูมิภาคที่เลือก หรือโมเดลแบบ open-weight บนเซิร์ฟเวอร์ของบริษัท (On-premise) ยิ่งข้อมูลอยู่ใกล้ตัว ภาระดูแลยิ่งมาก และคุณภาพคำตอบมักต้องแลก AI Trainer Thailand ช่วยแยกให้ชัดก่อนว่าข้อมูลห้ามออกจริง หรือแค่ต้องการสัญญาที่ไม่นำข้อมูลไปฝึกโมเดล ทดสอบภาษาไทยด้วยงานจริงก่อนซื้อเครื่อง และวางสิทธิ์ บันทึก และการสำรองข้อมูลให้ครบ หน้านี้มีสัญญาณ 6 ข้อ ตารางเทียบสามทางเลือก รูปแบบผสม เช็กลิสต์ 5 ข้อ และคำตอบตรง ๆ ว่าเมื่อไหร่ไม่ควรทำ On-premise ปรึกษาฟรีภายใน 24 ชั่วโมงIf your organization's data genuinely cannot leave the company, there are three workable options: an enterprise cloud AI service with contract terms on data use, a model in your organization's own cloud account in a region you choose, or an open-weight model on your own servers (on-premise). The closer the data stays to you, the heavier the upkeep, and answer quality is usually part of the trade. AI Trainer Thailand helps you first establish whether the data truly cannot leave or you simply need a contract that keeps it out of model training, then test Thai on real work before buying hardware, and put permissions, logs and backups fully in place. This page gives you six signals, a table comparing the three options, a hybrid pattern, a five-point checklist, and a straight answer on when not to go on-premise. Free consultation within 24 hours.

เล่าโจทย์ให้เราฟัง / ปรึกษาฟรีTell Us Your Situation / Free Consultation ดูบริการวางระบบ AI ในองค์กรSee Our AI Solutions Service

อาการแบบนี้ใช่บริษัทคุณไหมDoes Any of This Sound Like Your Company?

ไม่ต้องครบทุกข้อ ถ้าตรงสักสามข้อ แปลว่าคุณกำลังจะตัดสินใจเรื่องที่ลงทุนสูง โดยยังไม่เห็นภาพครบYou do not need all of them. If three sound familiar, you are about to make an expensive decision without the full picture.

ฝ่ายกฎหมายสั่งห้ามใช้ AI สาธารณะ แต่งานยังรอ AI อยู่Legal has banned public AI, but the work is still waiting for it

คำสั่งห้ามถูกต้อง แต่ไม่มีทางเลือกอื่นให้ ทีมที่ต้องอ่านเอกสารยาวทุกวันจึงทำงานช้าเหมือนเดิม หรือแอบใช้บัญชีส่วนตัว ซึ่งเสี่ยงกว่าเดิมอีกThe ban is right, but there is no alternative on offer. Teams who read long documents every day either keep working slowly or quietly use personal accounts — which is riskier still.

สัญญากับลูกค้าห้ามส่งข้อมูลให้บุคคลที่สามClient contracts forbid sending data to a third party

ข้อนี้ไม่ใช่เรื่องความรู้สึก แต่เป็นข้อผูกพันที่ตรวจสอบได้ ถ้าวันหนึ่งลูกค้าถามว่าเอกสารของเขาถูกประมวลผลที่ไหน คุณต้องตอบได้จริงThis is not a matter of comfort; it is an obligation that can be audited. If a client asks one day where their documents were processed, you need a real answer.

สูตร แบบ หรือราคาประมูล คือหัวใจของธุรกิจFormulas, designs or bid prices are the heart of the business

ข้อมูลบางอย่างหลุดครั้งเดียวก็เสียความได้เปรียบที่สะสมมาหลายปี ผู้บริหารจึงไม่ยอมให้ออกนอกบริษัท แม้ผู้ให้บริการจะยืนยันว่าปลอดภัยSome information only has to leak once to wipe out years of advantage. Management will not let it leave the company, however reassuring the provider sounds.

มีคนลองรันโมเดลบนโน้ตบุ๊กแล้ว แต่ไม่มีใครรู้ว่าจะขยายยังไงSomeone ran a model on a laptop, but nobody knows how to scale it

เดโมเครื่องเดียวตอบได้ แต่พอคิดถึงพนักงานหลายร้อยคนที่ใช้พร้อมกัน การเชื่อมกับเอกสารจริง และการดูแลระยะยาว ทุกคนในห้องก็เงียบThe single-machine demo works, but once the conversation turns to hundreds of staff using it at once, connecting it to real documents, and looking after it long-term, the room goes quiet.

ผู้ขายบอกว่าทำ On-premise ได้หมด แต่ตอบไม่ได้ว่าใครดูแลต่อThe vendor says on-premise is no problem, but cannot say who maintains it

ถามเรื่องแพตช์ความปลอดภัย การอัปเดตโมเดล และการติดตามว่าระบบช้าหรือล่ม แล้วได้คำตอบกว้าง ๆ ว่าเดี๋ยวค่อยคุยกันหลังติดตั้งAsk about security patches, model updates, or monitoring for slowdowns and outages, and the answer is a vague "let's discuss that after installation."

เชื่อว่าอยู่ในบ้านแล้วปลอดภัย แต่ไม่มีใครคิดเรื่องสิทธิ์The belief that in-house means safe, with no thought for permissions

โมเดลอยู่ในห้องเซิร์ฟเวอร์ก็จริง แต่ถ้าทุกคนถามได้ทุกเรื่อง เอกสารเงินเดือนหรือสัญญาลับก็อาจถูกสรุปให้คนที่ไม่ควรเห็นได้เหมือนกันThe model may sit in your server room, but if anyone can ask anything, payroll files or confidential contracts can still be summarized for people who should never see them.

ข้อมูลของคุณห้ามออกนอกบริษัทจริงไหม หรือแค่ต้องการสัญญาที่ไม่เอาข้อมูลไปฝึกโมเดลDoes your data genuinely have to stay in-house, or do you just need a contract that keeps it out of model training?

หลายองค์กรที่คิดว่าต้องทำ On-premise จริง ๆ แล้วต้องการแค่บัญชี AI แบบองค์กร ที่สัญญาระบุชัดว่าไม่นำข้อมูลไปฝึกโมเดล และผู้ดูแลคุมสิทธิ์ได้จากส่วนกลาง การเก็บข้อมูลไว้ในบ้านจริงเหมาะกับกรณีที่มีกฎ สัญญา หรือความเสี่ยงทางธุรกิจบังคับว่า บุคคลที่สามห้ามประมวลผลข้อมูลนั้นเลยMany organizations that believe they need on-premise AI actually need an enterprise AI account whose contract clearly says data is not used for model training, with admins controlling access centrally. Keeping data genuinely in-house fits cases where a rule, a contract, or a business risk means no third party may process that data at all.

สัญญาณ 6 ข้อว่าข้อมูลต้องอยู่ในบ้านจริงSix signals that the data genuinely has to stay in-house

มีกฎหรือข้อกำหนดของอุตสาหกรรมระบุที่ตั้งของข้อมูล — ข้อมูลสุขภาพหรือข้อมูลทางการเงินบางประเภทมีข้อกำหนดว่าประมวลผลที่ไหนได้ ให้ฝ่ายกฎหมายหรือ compliance ยืนยันเป็นลายลักษณ์อักษร ไม่ใช่จำต่อกันมาA rule or industry requirement specifies where the data must be — some health or financial data comes with requirements on where it may be processed. Have legal or compliance confirm this in writing rather than relying on what people remember.
สัญญากับลูกค้าห้ามส่งข้อมูลให้บุคคลที่สามประมวลผล — อ่านข้อสัญญาจริง บางฉบับห้ามจริง บางฉบับแค่ให้แจ้งลูกค้าก่อน ซึ่งเปลี่ยนคำตอบได้ทั้งหมดClient contracts forbid third-party processing — read the actual clause. Some genuinely forbid it; others only require you to notify the client first, which can change the whole answer.
ข้อมูลเป็นความลับทางการค้าที่หลุดครั้งเดียวก็เสียหายถาวร — สูตรการผลิต แบบผลิตภัณฑ์ ราคาประมูล หรือข้อมูลการควบรวมกิจการThe data is a trade secret where one leak does permanent harm — production formulas, product designs, bid prices, or merger and acquisition information.
ต้องพิสูจน์ได้ว่าข้อมูลถูกประมวลผลที่ไหน — ถ้าวันหนึ่งต้องยืนยันกับผู้ตรวจสอบหรือลูกค้า คุณต้องชี้ได้ว่าข้อมูลวิ่งผ่านเครื่องไหนบ้างYou must be able to prove where data was processed — if an auditor or client asks one day, you need to point to exactly which machines the data passed through.
ระบบต้องทำงานในเครือข่ายที่ไม่ต่ออินเทอร์เน็ต — เช่น ในโรงงานหรือพื้นที่ที่แยกเครือข่ายออกด้วยเหตุผลด้านความปลอดภัยThe system must work on a network with no internet connection — for example in a factory or an area kept on a separate network for security reasons.
ผู้บริหารยอมรับต้นทุนดูแลระยะยาว แลกกับการควบคุมเต็มที่ — ไม่ใช่แค่งบซื้อเครื่องครั้งเดียว แต่รวมคนดูแล ค่าไฟ และการอัปเดตทุกปีManagement accepts long-term running costs in exchange for full control — not just a one-off hardware budget, but staff, power, and updates every year.

ถ้าไม่เข้าข่ายข้อ 1 ถึง 5 เลย สิ่งที่คุณต้องการน่าจะเป็นบัญชีองค์กรคู่กับนโยบายการใช้งานที่ชัด ซึ่งเร็วกว่าและประหยัดกว่ามาก อ่านต่อที่ ใช้ AI ยังไงไม่ให้ข้อมูลบริษัทรั่วIf none of points 1 to 5 apply, what you probably need is an enterprise account plus a clear usage policy — far faster and far cheaper. Read more in using AI without leaking company data.

AI ที่ข้อมูลไม่ออกนอกองค์กร มีทางเลือกอะไรบ้างWhat are the options for AI that keeps data under your control?

ทางเลือกที่ทำได้จริงมีสามแบบ เรียงจากเริ่มง่ายไปถึงควบคุมได้มากที่สุด คือ คลาวด์แบบองค์กรที่มีสัญญาคุมข้อมูล โมเดลที่รันในบัญชีคลาวด์ขององค์กรเอง และโมเดลแบบ open-weight ที่ติดตั้งบนเครื่องของบริษัท ยิ่งควบคุมได้มาก คุณยิ่งต้องรับภาระดูแลเองมากขึ้นThere are three workable options, running from easiest to start to most control: an enterprise cloud service with contract terms on data, a model running in your organization's own cloud account, and an open-weight model installed on company hardware. The more control you take, the more of the upkeep you carry yourself.

ทางที่ 1 บริการ AI บนคลาวด์แบบองค์กรOption 1: An enterprise cloud AI service

ข้อมูลออกไปประมวลผลที่ผู้ให้บริการ แต่มีสัญญาแบบองค์กรกำกับ ผู้ให้บริการรายใหญ่หลายรายระบุในเงื่อนไขแบบองค์กรหรือแบบ API ว่าไม่นำข้อมูลลูกค้าไปฝึกโมเดลโดยค่าเริ่มต้นData goes out to the provider for processing, but under an enterprise contract. Several major providers state in their business or API terms that customer data is not used to train their models by default.

ได้:You get: โมเดลระดับบนสุด เริ่มใช้ได้เร็ว ไม่ต้องดูแลเครื่องtop-tier models, a fast start, and no hardware to look after.

แลกกับ:You trade: ข้อมูลยังเดินทางออกนอกบริษัท และอาจถูกเก็บไว้ช่วงหนึ่งตามเงื่อนไขของผู้ให้บริการ ต้องอ่านเงื่อนไขฉบับปัจจุบันเสมอdata still travels outside the company and may be retained for a period under the provider's terms. Always read the current version of those terms.

ทางที่ 2 โมเดลในบัญชีคลาวด์ขององค์กรเองOption 2: A model in your own cloud account

แพลตฟอร์มคลาวด์รายใหญ่หลายรายเปิดให้เรียกใช้โมเดลผ่านบัญชีคลาวด์ขององค์กร และเลือกภูมิภาคที่ประมวลผลได้สำหรับบางโมเดล ข้อมูลอยู่ในขอบเขตบัญชีและเครือข่ายที่องค์กรกำหนดนโยบายเองSeveral major cloud platforms let you call models through your organization's own cloud account, and for some models you can choose the processing region. Data stays within an account and network whose policies your organization sets.

ได้:You get: ขยายได้ยืดหยุ่น คุณภาพใกล้เคียงทางที่ 1 และกำหนดที่ตั้งข้อมูลได้มากขึ้นflexible scaling, quality close to option 1, and more say over where data sits.

แลกกับ:You trade: ต้องมีคนตั้งค่าเครือข่าย สิทธิ์ และคุมค่าใช้จ่ายคลาวด์ให้ถูก และต้องเช็กว่าโมเดลที่ต้องการมีให้ใช้ในภูมิภาคที่สัญญากำหนดหรือไม่someone has to configure networking and permissions and keep cloud spending in check, and you must confirm the model you want is available in the region your contracts require.

ทางที่ 3 ติดตั้งโมเดล open-weight บนเซิร์ฟเวอร์บริษัทOption 3: An open-weight model on company servers

โมเดล open-weight คือโมเดลที่ผู้พัฒนาเปิดให้ดาวน์โหลดไปรันเองได้ หลายคนเรียกว่า Local LLM หรือ Open-source LLM ข้อมูลไม่ออกจากเครือข่ายของคุณเลย และทำงานได้แม้ไม่ต่ออินเทอร์เน็ตAn open-weight model is one whose developer lets you download and run it yourself — often called a local LLM or open-source LLM. Data never leaves your network, and it can run with no internet connection.

ได้:You get: ควบคุมได้เต็มที่ ชี้ได้ชัดว่าข้อมูลอยู่ที่ไหนfull control, and a clear answer to where the data is.

แลกกับ:You trade: คุณภาพที่มักตามหลังโมเดลระดับบนสุดในงานซับซ้อน ค่าเครื่องที่มีการ์ดประมวลผล (GPU) ไฟ และความเย็น และทีมที่ต้องดูแลเองทั้งหมดquality that often trails top-tier models on complex work, the cost of hardware with accelerator cards (GPUs) plus power and cooling, and a team that has to run all of it.

ข้อแลกที่มักไม่ถูกพูดถึงตอนเดโมTrade-offs that rarely come up in a demo

คุณภาพคำตอบ — โมเดลที่รันบนเครื่องขนาดที่องค์กรทั่วไปลงทุนไหว มักยังตามหลังโมเดลระดับบนสุดบนคลาวด์ในงานที่ต้องคิดหลายชั้น ช่องว่างแคบลงเรื่อย ๆ แต่ต้องวัดกับงานของคุณเอง ไม่ใช่เชื่อตารางคะแนนทั่วไปAnswer quality — models that run on hardware a typical organization can afford usually still trail the top cloud models on multi-step reasoning. The gap keeps narrowing, but measure it on your own work, not on a generic leaderboard.
ภาษาไทย — ความสามารถอ่านเขียนภาษาไทยต่างกันมากระหว่างโมเดล บางตัวสรุปเอกสารอังกฤษได้ดี แต่ตีความศัพท์เฉพาะทางภาษาไทยผิด ต้องทดสอบด้วยเอกสารไทยจริง รวมถึงไฟล์สแกนThai language — Thai reading and writing ability varies widely between models. Some summarize English documents well but misread Thai technical terms. Test with real Thai documents, including scanned files.
เครื่อง ไฟ และความเย็น — เครื่องที่มีการ์ดประมวลผลกินไฟและปล่อยความร้อนมากกว่าเซิร์ฟเวอร์ทั่วไป ห้องเซิร์ฟเวอร์เดิมอาจรับไม่ไหวHardware, power and cooling — machines with accelerator cards draw more power and run hotter than ordinary servers. Your existing server room may not cope.
ใครแพตช์และอัปเดต — ระบบปฏิบัติการ ไดรเวอร์ ซอฟต์แวร์ที่รันโมเดล และตัวโมเดลเอง ต้องมีคนดูแลเป็นรอบ ไม่อย่างนั้นระบบที่ตั้งใจให้ปลอดภัยจะกลายเป็นช่องโหว่เสียเองWho patches and updates — the operating system, drivers, the software that serves the model, and the model itself all need scheduled care. Otherwise a system meant to be secure becomes a vulnerability.
การติดตามระบบ — ต้องรู้ว่าระบบช้าลง ล่ม หรือคำตอบแย่ลงเมื่อไหร่ ก่อนที่ผู้ใช้จะเลิกใช้ไปเงียบ ๆMonitoring — you need to know when the system slows down, fails, or starts answering worse, before users quietly give up on it.
การขยาย — บนคลาวด์ขอเพิ่มกำลังได้เร็วกว่า แต่บนเครื่องตัวเองต้องสั่งซื้อและติดตั้ง ถ้าคนใช้เพิ่มเร็วกว่าที่คาด ระบบจะช้าจนคนเลิกใช้Scaling — in the cloud you can add capacity faster; on your own hardware you have to order and install it. If usage grows faster than planned, the system slows until people stop using it.
ทักษะของทีม — การดูแลโมเดลใช้ทักษะที่ทีม IT ทั่วไปอาจยังไม่มี ต้องวางแผนว่าจะฝึกคน จ้างเพิ่ม หรือทำสัญญาดูแลกับคนนอกTeam skills — running models takes skills a typical IT team may not have yet. Plan whether you will train people, hire, or sign a support contract with an outside party.

open-weight ไม่ได้แปลว่าใช้เชิงพาณิชย์ได้ทุกตัว แต่ละโมเดลมีเงื่อนไขอนุญาตของตัวเอง ต้องอ่านก่อนนำมาใช้ในงานของบริษัทOpen-weight does not mean every model may be used commercially. Each has its own licence terms, which you must read before using it for company work.

ทำไมโปรเจกต์ AI On-premise ถึงสะดุดบ่อยWhy do on-premise AI projects stall so often?

โปรเจกต์แบบนี้มักไม่ได้สะดุดเพราะโมเดลไม่เก่ง แต่สะดุดจากสามการตัดสินใจที่เร็วเกินไป คือ ซื้อเครื่องก่อนรู้ว่าจะใช้ทำงานอะไร เชื่อว่าโมเดลอยู่ในบ้านแล้วข้อมูลจะปลอดภัยเอง และไม่กำหนดเจ้าของระบบหลังติดตั้ง ทั้งสามเรื่องป้องกันได้ถ้ารู้ก่อนเริ่มThese projects rarely stall because the model is not clever enough. They stall because of three decisions made too early: buying hardware before knowing what work it will do, believing that an in-house model makes data safe by itself, and naming no owner once it is installed. All three are avoidable if you know about them before you start.

สาเหตุที่ 1 ซื้อเครื่องก่อนรู้ว่าจะใช้ทำอะไรCause 1: buying hardware before knowing what it is for

งบซื้อเครื่องมักอนุมัติง่ายกว่างบออกแบบระบบ เพราะจับต้องได้ แต่ขนาดเครื่องที่ถูกต้องขึ้นกับงาน จำนวนคนใช้พร้อมกัน และความยาวของเอกสาร ถ้าซื้อเล็กไป โมเดลที่ผ่านการทดสอบก็รันไม่ได้ ถ้าซื้อใหญ่ไป เครื่องราคาสูงจะนั่งว่างเกือบทั้งวันA hardware budget is often easier to approve than a design budget, because it is tangible. But the right size depends on the work, how many people use it at once, and how long the documents are. Buy too small and the model that passed your tests will not run; buy too big and an expensive machine sits idle most of the day.

สาเหตุที่ 2 เชื่อว่าโมเดลอยู่ในบ้านแล้ว ข้อมูลจะปลอดภัยเองCause 2: believing an in-house model makes the data safe by itself

โมเดลเป็นแค่ชิ้นเดียวของระบบ ข้อมูลยังรั่วได้ผ่านระบบค้นเอกสารที่ไม่เช็กสิทธิ์ บันทึกการใช้งานที่ใครก็เปิดอ่านได้ หรือเครื่องมือเสริมที่แอบเรียกบริการภายนอก หัวข้อถัดไปจะไล่ให้ครบว่าต้องคุมอะไรบ้างThe model is just one part of the system. Data can still leak through a document search that ignores permissions, usage logs anyone can open, or an add-on that quietly calls an outside service. The next section lists everything you need to control.

สาเหตุที่ 3 ติดตั้งเสร็จแล้วไม่มีเจ้าของCause 3: nobody owns it once it is installed

โปรเจกต์จบที่วันส่งมอบ ผู้ขายกลับไป ทีม IT รับเครื่องมาโดยไม่มีใครสอนวิธีอัปเดตโมเดล หรือวิธีดูว่าคำตอบแย่ลงไหม หกเดือนต่อมาระบบยังรันโมเดลรุ่นเดิม ไม่มีใครกล้าแตะ และผู้ใช้ค่อย ๆ หายไป ถ้าโปรเจกต์ของคุณค้างอยู่ในสภาพนี้ อ่าน ทำ PoC AI ผ่านแล้วแต่ไม่ได้ใช้จริงThe project ends on handover day, the vendor leaves, and IT inherits a machine with nobody having shown them how to update the model or tell whether answers are getting worse. Six months later it still runs the original model, nobody dares touch it, and users drift away. If your project is stuck like this, see when an AI pilot works but nobody uses it.

ข้อมูลไม่ออกนอกบริษัทจริง ต้องมีอะไรมากกว่าตัวโมเดลWhat does "the data never leaves" actually require beyond the model?

ต้องคุมทุกทางที่ข้อมูลเดินผ่าน ไม่ใช่แค่ที่ตั้งของโมเดล ได้แก่ ใครเข้าใช้ได้ AI ดึงเอกสารไหนมาตอบใครได้ บันทึกการใช้งานเก็บที่ไหนและใครอ่านได้ การสำรองข้อมูล และการเชื่อมต่อออกนอกเครือข่ายทุกเส้น ขาดข้อใดข้อหนึ่ง คำว่าข้อมูลไม่ออกนอกบริษัทก็ไม่จริงแล้วYou have to control every path the data travels, not just where the model sits: who can sign in, which documents the AI may pull to answer whom, where usage logs live and who can read them, backups, and every outbound network connection. Miss any one of these and "the data never leaves" is no longer true.

การยืนยันตัวตนและสิทธิ์ผู้ใช้ — ผูกกับระบบบัญชีพนักงานที่ใช้อยู่ (SSO) ไม่ใช่รหัสผ่านกลางที่แชร์กัน และปิดสิทธิ์ได้ทันทีเมื่อพนักงานลาออกSign-in and user permissions — tie access to your existing staff account system (SSO) rather than a shared password, and cut access the moment someone leaves.
สิทธิ์ในการดึงเอกสาร — ระบบที่ให้ AI ตอบจากเอกสาร (RAG) ต้องดึงเฉพาะเอกสารที่คนถามมีสิทธิ์เปิดอยู่แล้ว ไม่ใช่ทุกไฟล์ในคลัง ดูรายละเอียดที่ อยากให้ AI ตอบจากข้อมูลบริษัท ไม่ใช่ตอบมั่วRetrieval permissions — a system that answers from documents (RAG) must only pull documents the person asking is already allowed to open, not every file in the library. See getting AI to answer from your own company data.
บันทึกการใช้งาน — คำถามและคำตอบทุกข้อคือข้อมูลลับชุดใหม่ ต้องกำหนดว่าเก็บที่ไหน นานแค่ไหน และใครอ่านได้ บันทึกที่ผู้ดูแลระบบทุกคนเปิดอ่านได้ก็เป็นช่องรั่วแบบหนึ่งUsage logs — every question and answer is a new set of confidential data. Decide where logs are stored, for how long, and who may read them. Logs that every administrator can open are a leak of their own.
การสำรองและเข้ารหัสข้อมูล — ฐานข้อมูลเอกสารที่แปลงไว้ให้ AI ค้น บันทึก และการตั้งค่า ต้องสำรองไว้ในที่ที่คุมได้เหมือนกัน และกู้คืนได้จริงเมื่อเครื่องเสียBackups and encryption — the document index the AI searches, the logs, and the configuration must all be backed up somewhere you equally control, and actually restorable when hardware fails.
การเชื่อมต่อออกนอกเครือข่าย — ตรวจทุกเส้นทางที่ระบบคุยกับภายนอก เช่น การดาวน์โหลดอัปเดต การส่งสถิติการใช้งานกลับไปที่ผู้พัฒนาซอฟต์แวร์ หรือเครื่องมือเสริมที่เรียกบริการบนอินเทอร์เน็ตOutbound connections — check every route by which the system talks to the outside world: downloading updates, usage statistics sent back to a software developer, or add-ons that call internet services.
เครื่องมือที่ให้ AI ลงมือทำ — ถ้าเชื่อม AI เข้ากับระบบอื่นผ่านมาตรฐานอย่าง MCP ทุกการเชื่อมคือประตูอีกบาน ต้องกำหนดสิทธิ์แยกทีละประตู อ่านเพิ่มที่ MCP คืออะไร องค์กรควรสนใจตอนไหน และ ให้สิทธิ์ AI ทำงานในระบบแค่ไหนถึงจะไม่พังTools that let AI take action — if you connect AI to other systems through a standard like MCP, each connection is another door that needs its own permissions. Read more in what MCP is and when organizations should care and how much access to give AI inside your systems.
การเข้าถึงของผู้ขายเพื่อซัพพอร์ต — ถ้าผู้ขายต้องรีโมตเข้ามาแก้ระบบ ต้องมีขั้นตอนอนุมัติและบันทึกทุกครั้ง ไม่อย่างนั้นข้อมูลก็ออกนอกบริษัทผ่านหน้าจอของคนอื่นได้Vendor support access — if the vendor needs to connect remotely to fix things, require approval and a record every time. Otherwise data can leave the company through someone else's screen.

เริ่มทำ Private LLM องค์กรยังไง ไม่ให้ซื้อเครื่องผิดขนาดHow do you start a private LLM without buying the wrong-sized hardware?

เริ่มจากงานและข้อมูล ไม่ใช่จากเครื่อง จัดชั้นข้อมูลก่อนว่างานไหนแตะข้อมูลลับจริง ทดสอบโมเดลด้วยงานจริงภาษาไทยก่อนซื้ออะไร คุยเรื่องขนาดระบบจากการใช้งานจริง วางสิทธิ์และบันทึกให้เสร็จก่อนเปิดใช้ แล้วค่อยเปิดกับทีมเดียวก่อนขยายStart from the work and the data, not the hardware. Classify which tasks genuinely touch confidential data, test models on real Thai work before buying anything, size the system from real usage, finish permissions and logging before launch, then open it to one team before expanding.

จัดชั้นข้อมูลและงานก่อนClassify the data and the tasks first

ลิสต์งานที่อยากให้ AI ช่วย แล้วแยกว่างานไหนแตะข้อมูลลับจริง งานไหนใช้ข้อมูลทั่วไป หลายครั้งจะพบว่ามีแค่บางงานที่ต้องอยู่ในบ้าน ส่วนที่เหลือใช้คลาวด์แบบองค์กรได้List the jobs you want AI to help with, then separate the ones that truly touch confidential data from the ones that use ordinary information. Often only some tasks need to stay in-house, and the rest can use an enterprise cloud service.

ทดสอบคุณภาพด้วยงานจริง ก่อนซื้อเครื่องTest quality on real work before buying hardware

เตรียมชุดคำถามและเอกสารจริงภาษาไทย ใช้เอกสารที่ปิดบังข้อมูลแล้วเพื่อเทียบกับโมเดลบนคลาวด์ ส่วนเอกสารลับจริงให้ทดสอบบนเครื่องทดลองภายใน แล้วให้คนที่ทำงานนั้นจริงเป็นคนให้คะแนน ถ้าโมเดลที่รันเองไม่ผ่านเกณฑ์ งานนั้นอาจไม่ควรทำแบบ On-premise วิธีสร้างชุดทดสอบแบบนี้สอนอยู่ใน คอร์ส Prompt Engineering & AI EvaluationPrepare a set of real Thai questions and documents. Use masked documents to compare against cloud models, and test the truly confidential ones on an internal trial machine, with the people who actually do the work doing the scoring. If the self-hosted model fails, that task may not belong on-premise. Building this kind of test set is covered in our Prompt Engineering & AI Evaluation course.

คุยเรื่องขนาดระบบจากการใช้งานจริงSize the system from real usage

เอาผลทดสอบมารวมกับรูปแบบการใช้งานที่คาดไว้ เช่น คนใช้พร้อมกันช่วงพีก ปริมาณเอกสาร และความเร็วที่ผู้ใช้รับได้ แล้วจึงกำหนดขนาดเครื่องหรือขนาดคลาวด์ รายละเอียดอยู่ในหัวข้อถัดไปCombine the test results with the expected usage pattern — peak concurrent users, document volume, and the response time people will accept — and only then decide hardware or cloud size. Details are in the next section.

วางสิทธิ์ บันทึก และการสำรองให้เสร็จก่อนเปิดใช้Finish permissions, logging and backups before launch

ทำเจ็ดเรื่องในหัวข้อก่อนหน้าให้ครบก่อนผู้ใช้คนแรกเข้ามา การมาไล่เพิ่มสิทธิ์ทีหลัง ตอนที่ทุกคนใช้กันไปแล้ว ยากกว่าและเสี่ยงกว่ามากComplete all seven items from the previous section before the first user arrives. Retrofitting permissions after everyone is already using the system is much harder and much riskier.

เปิดกับทีมเดียว กำหนดเจ้าของ แล้วค่อยขยายLaunch with one team, name an owner, then expand

เริ่มกับทีมที่ได้ประโยชน์ชัดที่สุด ระบุชื่อคนที่ดูแลการอัปเดตและการติดตามระบบ วัดผลกับชุดทดสอบเดิมทุกครั้งที่เปลี่ยนโมเดล แล้วค่อยขยายไปทีมอื่นStart with the team that benefits most clearly, name the person responsible for updates and monitoring, re-run the same test set every time the model changes, and only then extend to other teams.

ก่อนคุยเรื่องขนาดเครื่อง ต้องเตรียมข้อมูลอะไรบ้างWhat should you prepare before a sizing conversation?

ไม่ต้องรู้สเปกเครื่องมาก่อน สิ่งที่ใช้กำหนดขนาดระบบจริงคือรูปแบบการใช้งาน คนใช้พร้อมกันกี่คนในช่วงพีก เอกสารมากแค่ไหน ผู้ใช้รอคำตอบได้นานเท่าไหร่ และงานแต่ละแบบยากแค่ไหน ข้อมูลพวกนี้ทีมของคุณตอบได้ดีกว่าผู้ขายเสมอYou do not need to know hardware specs. What really determines system size is the usage pattern: how many people use it at once at peak, how many documents there are, how long users will wait for an answer, and how demanding each task is. Your own team will always answer these better than a vendor.

จำนวนคนใช้พร้อมกันในช่วงพีก ไม่ใช่จำนวนพนักงานทั้งหมด — คนที่มีสิทธิ์ใช้อาจมีมาก แต่คนที่ถามพร้อมกันจริงมีแค่ส่วนหนึ่ง ยกเว้นบางช่วง เช่น เช้าวันจันทร์หรือช่วงปิดงบ ที่อาจพุ่งขึ้นมากPeak concurrent users, not total headcount — many people may have access, but only some ask at the same moment, except at certain times such as Monday morning or month-end close, when it can spike sharply.
ปริมาณและลักษณะเอกสาร — มีเอกสารกี่ประเภท เป็นไฟล์ข้อความหรือไฟล์สแกน ยาวแค่ไหน และเพิ่มขึ้นเร็วแค่ไหนในแต่ละเดือนDocument volume and type — how many kinds of document there are, whether they are text files or scans, how long they run, and how fast they grow each month.
ความเร็วที่ผู้ใช้รับได้ — งานถามตอบผ่านแชตต้องเร็ว แต่งานสรุปเอกสารชุดใหญ่ข้ามคืนรอได้ งานสองแบบนี้ต้องการเครื่องต่างกันมากAcceptable response time — chat-style questions need fast answers, while an overnight batch summary of a large document set can wait. These two kinds of work need very different hardware.
งานที่จะให้ AI ทำ — ถามตอบจากเอกสาร สรุป แปล จัดหมวดหมู่ หรือร่างเอกสาร งานยิ่งซับซ้อน ยิ่งต้องใช้โมเดลใหญ่และเครื่องแรงขึ้นWhich tasks the AI will do — answering from documents, summarizing, translating, classifying, or drafting. The more complex the task, the bigger the model and the more powerful the hardware.
โครงสร้างที่มีอยู่แล้ว — ห้องเซิร์ฟเวอร์ ไฟสำรอง ระบบบัญชีผู้ใช้ และนโยบายเครือข่ายที่ใช้อยู่ตอนนี้What you already have — the server room, backup power, the staff account system, and your current network policies.
คนที่จะดูแลต่อ — มีทีม IT ภายในไหม ถนัดเรื่องอะไร และพร้อมรับงานดูแลระบบนี้แค่ไหน ถ้าบริษัทไม่มีทีม IT อ่าน บริษัทไม่มีทีม IT อยากทำระบบ AI เริ่มยังไงWho will look after it — whether you have an in-house IT team, what they are good at, and how ready they are to take this system on. If you have no IT team, read how to start an AI system with no IT team.

คลาวด์องค์กร คลาวด์ส่วนตัว หรือ On-premise แบบไหนเหมาะกับองค์กรคุณEnterprise cloud, private cloud, or on-premise — which fits your organization?

ไม่มีแบบไหนถูกเสมอ ขึ้นกับว่าข้อจำกัดของคุณคือการห้ามนำข้อมูลไปใช้ต่อ การกำหนดที่ตั้งของข้อมูล หรือการห้ามบุคคลที่สามแตะข้อมูลเลย ตารางนี้เทียบให้เห็นก่อนตัดสินใจNone of them is always right. It depends on whether your constraint is about reuse of the data, where the data is located, or no third party touching it at all. This table lays out the trade-offs before you decide.

หัวข้อAspect	บริการ AI บนคลาวด์แบบองค์กรEnterprise cloud AI service	โมเดลในคลาวด์ส่วนตัวขององค์กรModel in your own cloud account	On-premise บนเครื่องของบริษัทOn-premise on company hardware
ข้อมูลไปที่ไหนWhere the data goes	ออกไปประมวลผลที่ผู้ให้บริการ ภายใต้เงื่อนไขสัญญาแบบองค์กรOut to the provider for processing, under enterprise contract terms	อยู่ในบัญชีคลาวด์และภูมิภาคที่องค์กรเลือก ภายใต้นโยบายเครือข่ายขององค์กรWithin your cloud account and chosen region, under your network policies	ไม่ออกจากเครือข่ายของบริษัท ถ้าตั้งค่าการเชื่อมต่อออกนอกไว้ถูกNever leaves the company network, if outbound connections are set correctly
คุณภาพคำตอบAnswer quality	เข้าถึงโมเดลระดับบนสุด และได้รุ่นใหม่เร็วAccess to top-tier models, with new versions quickly	ใกล้เคียงทางแรก ขึ้นกับว่าโมเดลที่ต้องการมีในภูมิภาคที่เลือกไหมClose to the first option, depending on which models your region offers	มักตามหลังในงานซับซ้อน แต่อาจพอสำหรับงานแคบที่ทดสอบแล้วOften behind on complex work, but may be enough for narrow, tested tasks
ความยากในการติดตั้งSetup effort	ต่ำ เปิดบัญชี ตั้งค่าสิทธิ์ และทำนโยบายการใช้งานLow — open accounts, set permissions, write a usage policy	ปานกลาง ต้องตั้งเครือข่าย สิทธิ์ และการเชื่อมกับระบบเดิมModerate — networking, permissions, and links to existing systems	สูง ต้องจัดหาเครื่อง ติดตั้ง ทดสอบ และวางระบบรอบตัวโมเดลเองทั้งหมดHigh — procure, install and test hardware, and build everything around the model yourself
ภาระดูแลต่อเนื่องOngoing operations burden	ต่ำ ผู้ให้บริการดูแลโมเดลและเครื่อง องค์กรดูแลบัญชีและนโยบายLow — the provider runs models and hardware; you manage accounts and policy	ปานกลาง ดูแลการตั้งค่า ค่าใช้จ่าย และความปลอดภัยของบัญชีคลาวด์Moderate — configuration, spending, and cloud account security	สูงที่สุดในสามแบบ ทั้งแพตช์ อัปเดตโมเดล ติดตามระบบ สำรองข้อมูล และซ่อมเครื่องเองThe highest of the three — patching, model updates, monitoring, backups, and hardware repair
ต้นทุนผันตามอะไรWhat drives cost	จำนวนผู้ใช้ หรือปริมาณการใช้งานNumber of users, or volume of usage	ปริมาณการใช้งาน ขนาดเครื่องบนคลาวด์ และเวลาที่เปิดเครื่องทิ้งไว้Usage volume, cloud machine size, and how long machines stay running	เครื่องและการ์ดประมวลผล ไฟ ความเย็น พื้นที่ และค่าคนดูแลตลอดอายุระบบHardware and accelerator cards, power, cooling, space, and staff for the system's whole life
เหมาะกับใครBest suited to	องค์กรที่ข้อจำกัดคือไม่ให้นำข้อมูลไปฝึกโมเดล และอยากเริ่มเร็วOrganizations whose constraint is keeping data out of model training, and who want to start fast	องค์กรที่ต้องกำหนดที่ตั้งข้อมูล มีทีมดูแลคลาวด์อยู่แล้ว และต้องการขยายได้ยืดหยุ่นOrganizations that must control data location, already have cloud skills, and need flexible scaling	องค์กรที่ห้ามบุคคลที่สามประมวลผลข้อมูลเลย ต้องทำงานในเครือข่ายปิด และพร้อมมีทีมดูแลระยะยาวOrganizations where no third party may process the data, that must run on a closed network, and that can staff it long-term

ใช้แบบผสมได้ไหม งานลับรันในบริษัท งานทั่วไปใช้คลาวด์Can you mix them — sensitive work in-house, general work in the cloud?

ได้ และมักลงตัวกว่าการย้ายทุกงานเข้าบ้าน งานที่แตะข้อมูลลับรันบนโมเดลในบริษัท ส่วนงานทั่วไป เช่น ร่างอีเมล แปลเอกสารสาธารณะ หรือหาไอเดีย ใช้บริการคลาวด์แบบองค์กรที่ได้โมเดลเก่งกว่า สิ่งที่ต้องออกแบบให้ดีคือกฎว่างานไหนไปทางไหนYes — and it often works out better than moving everything in-house. Work that touches confidential data runs on the in-house model, while general work such as drafting emails, translating public documents or brainstorming uses an enterprise cloud service with stronger models. What needs careful design is the rule for which work goes where.

รันในบริษัทRun in-house

สรุปสัญญาลูกค้าที่มีข้อห้ามส่งต่อ อ่านสูตรการผลิต หรือค้นราคาประมูลย้อนหลังSummarizing client contracts with no-transfer clauses, reading production formulas, or searching past bid prices

ใช้คลาวด์แบบองค์กรUse enterprise cloud

ร่างอีเมลนัดประชุม แปลบทความสาธารณะ ทำสไลด์จากข้อมูลที่เผยแพร่แล้วDrafting meeting emails, translating public articles, building slides from already-published material

เลือกได้ตามผลทดสอบDecide by test results

ถามตอบจากคู่มือภายในที่ไม่ลับ ใช้ทางไหนก็ได้ที่ผ่านเกณฑ์คุณภาพและคุ้มกว่าQuestions on non-confidential internal manuals — whichever route passes the quality bar at better value

กฎแยกทางไม่ควรพึ่งให้พนักงานเลือกเองทุกครั้ง เพราะวันที่รีบ ทุกคนจะเลือกทางที่ตอบเร็วกว่า ให้ระบบตัดสินจากแหล่งของเอกสารหรือป้ายชั้นความลับที่ติดไว้ และบันทึกว่าแต่ละคำขอวิ่งไปทางไหน เพื่อให้ตรวจย้อนหลังได้เมื่อมีคนถามThe routing rule should not rely on staff choosing correctly every time — on a busy day, everyone picks whichever route answers faster. Let the system decide from where a document came from or its confidentiality label, and log which route each request took so it can be checked later when someone asks.

เมื่อไหร่ที่ไม่ควรทำ AI On-premiseWhen should you not go on-premise?

การทำ On-premise โดยไม่จำเป็นแพงกว่าที่เห็นในใบเสนอราคาเครื่อง เพราะต้นทุนจริงอยู่ที่คนดูแลและคุณภาพคำตอบที่เสียไป สามกรณีนี้คือกรณีที่เราจะบอกตรง ๆ ว่ายังไม่ควรทำGoing on-premise when you do not need to costs more than the hardware quote suggests, because the real cost is in the people who run it and the answer quality you give up. In these three cases we will tell you plainly not to do it yet.

ข้อจำกัดจริงคือแค่ไม่ให้นำข้อมูลไปฝึกโมเดลThe real constraint is only "no model training"

ถ้าอ่านสัญญาและกฎแล้วพบว่าห้ามแค่การนำข้อมูลไปใช้ต่อ บัญชีองค์กรที่ระบุเงื่อนไขนี้ไว้ บวกนโยบายการใช้งานที่ชัด ก็ตอบโจทย์ได้เร็วกว่าและประหยัดกว่ามากIf, after reading the contracts and rules, the only restriction is on reusing the data, an enterprise account with that term written in, plus a clear usage policy, solves it far faster and more cheaply.

ไม่มีใครดูแลระบบหลังติดตั้งNobody will run the system after installation

ถ้าไม่มีทีม IT และไม่มีงบสัญญาดูแลระยะยาว ระบบ On-premise ที่ไม่มีใครแพตช์คือความเสี่ยงด้านความปลอดภัยชุดใหม่ ไม่ใช่ทางแก้ ลองดูคลาวด์ส่วนตัวที่มีผู้ดูแลก่อนWith no IT team and no budget for a long-term support contract, an on-premise system nobody patches is a new security risk, not a solution. Look at a managed private cloud first.

งานต้องใช้ความสามารถระดับบนสุด และข้อมูลไม่ได้ลับขนาดนั้นThe work needs top-tier capability, and the data is not that secret

ถ้างานหลักคือการวิเคราะห์ซับซ้อนหรืองานเขียนที่ต้องการคุณภาพสูงมาก และข้อมูลไม่ได้อยู่ในกลุ่มที่ห้ามออกจริง การยอมรับคำตอบที่ด้อยกว่าเพื่อความปลอดภัยที่ไม่จำเป็น คือการเสียสองต่อIf the main work is complex analysis or writing that demands very high quality, and the data is not genuinely in the must-stay category, accepting weaker answers for security you do not need is a double loss.

ถ้าเข้าข่ายข้อใดข้อหนึ่ง สิ่งที่คุ้มกว่าคือเริ่มจากบัญชีองค์กรกับนโยบายการใช้ข้อมูลที่ชัด หรือใช้แบบผสมโดยเก็บเฉพาะงานที่ลับจริงไว้ในบ้าน แล้วค่อยกลับมาคุยเรื่อง On-premise เต็มรูปแบบเมื่อข้อจำกัดหรือปริมาณงานเปลี่ยนไป เราบอกแบบนี้กับคนที่ทักมาจริง ๆ ไม่ใช่แค่เขียนไว้ในหน้าเว็บIf any of these apply, the better-value move is to start with an enterprise account and a clear data-use policy, or a hybrid that keeps only the truly confidential work in-house, then revisit full on-premise once your constraints or workload change. We say this to people who contact us, not only on a web page.

พร้อมทำ AI On-premise หรือยัง — เช็กลิสต์ 5 ข้อAre you ready for on-premise AI — a 5-point checklist

ตอบว่าใช่ได้อย่างน้อยสี่ในห้าข้อ แปลว่าเริ่มได้แล้ว ถ้าตอบใช่ได้ไม่ถึงสามข้อ ควรเตรียมตัวก่อนอีกสักพักFour yeses out of five means you can start. Fewer than three means spend a while preparing first.

มีเอกสารยืนยันแล้วหรือยังว่าข้อมูลห้ามออกนอกบริษัทจริง — ข้อสัญญา กฎ หรือการตัดสินใจของผู้บริหารที่เขียนไว้ ไม่ใช่ความเข้าใจที่เล่าต่อกันมาDo you have written confirmation that the data truly cannot leave? — a contract clause, a rule, or a recorded management decision, not an understanding passed along by word of mouth.
รู้แล้วหรือยังว่างานแรกคืออะไร และวัดผลยังไง — มีชุดคำถามจริงภาษาไทยและเกณฑ์ว่าคำตอบแบบไหนใช้ได้Do you know what the first task is and how to measure it? — a set of real Thai questions and a standard for which answers are acceptable.
มีภาพการใช้งานคร่าว ๆ สำหรับคุยเรื่องขนาดระบบหรือยัง — คนใช้พร้อมกันช่วงพีก ปริมาณเอกสาร และความเร็วที่ผู้ใช้รับได้Do you have a rough usage picture for sizing? — peak concurrent users, document volume, and acceptable response time.
ออกแบบสิทธิ์ผู้ใช้ สิทธิ์ดึงเอกสาร และนโยบายบันทึกการใช้งานแล้วหรือยัง — รู้ว่าใครถามอะไรได้ และใครอ่านบันทึกได้Have you designed user permissions, retrieval permissions and a logging policy? — you know who may ask about what, and who may read the logs.
มีชื่อคนหรือทีมที่ดูแลระบบระยะยาวหรือยัง — คนที่รับผิดชอบแพตช์ อัปเดตโมเดล ติดตามระบบ และสำรองข้อมูล พร้อมงบสำหรับงานนี้ทุกปีIs there a named person or team to run it long-term? — someone responsible for patching, model updates, monitoring and backups, with a budget for it every year.

คำถามที่พบบ่อยFAQ

ทำ AI On-premise หรือ Private LLM องค์กร ราคาเท่าไหร่How much does on-premise AI or a private LLM cost?

การวางระบบ AI ที่ข้อมูลไม่ออกนอกองค์กรไม่มีราคาตายตัว เพราะขึ้นอยู่กับปัจจัยเหล่านี้:There is no fixed price for AI that keeps data inside the organization — it depends on these factors:

รูปแบบที่เลือก ว่าเป็นคลาวด์แบบองค์กร คลาวด์ส่วนตัว On-premise หรือแบบผสมWhich model you choose — enterprise cloud, private cloud, on-premise, or hybrid
จำนวนผู้ใช้พร้อมกันในช่วงพีก และความเร็วที่ผู้ใช้ต้องการPeak concurrent users and the response speed they need
งานที่ให้ AI ทำ และขนาดโมเดลที่ต้องใช้จึงจะผ่านเกณฑ์คุณภาพThe tasks involved, and how large a model is needed to pass the quality bar
ปริมาณและลักษณะเอกสาร เช่น ไฟล์สแกนภาษาไทยที่ต้องแปลงก่อนDocument volume and type, such as Thai scans that need converting first
โครงสร้างที่มีอยู่แล้ว เช่น ห้องเซิร์ฟเวอร์ ระบบบัญชีผู้ใช้ และเครือข่ายWhat you already have — server room, staff account system, and network
ระบบเดิมที่ต้องเชื่อม รวมถึงระดับการดูแลหลังส่งมอบExisting systems to connect, and the level of support after handover

เราประเมินจากงานจริงและข้อจำกัดจริงของคุณ แล้วส่งใบเสนอราคาฟรีภายใน 24 ชั่วโมง ไม่มีข้อผูกมัด ส่วนค่าเครื่องและค่าคลาวด์ เราช่วยประเมินขนาดให้ได้ แต่ราคาจริงขึ้นกับผู้ขายและช่วงเวลาที่ซื้อWe assess your real work and real constraints, then send a free quote within 24 hours, no obligation. For hardware and cloud costs we can help you size the system, but actual prices depend on the seller and when you buy.

AI ที่รันในเซิร์ฟเวอร์บริษัท ตอบเก่งเท่า AI บนคลาวด์ไหมDoes AI running on company servers answer as well as cloud AI?

โดยทั่วไปยังไม่เท่าในงานที่ต้องคิดหลายชั้น เช่น วิเคราะห์ปัญหาซับซ้อน หรือเขียนงานยาวที่ต้องการความละเอียดสูง เพราะโมเดลขนาดที่องค์กรรันเองไหวมักเล็กกว่าโมเดลระดับบนสุดบนคลาวด์ แต่สำหรับงานแคบที่ชัดเจน เช่น ตอบจากเอกสารภายใน สรุปเอกสาร หรือจัดหมวดหมู่ โมเดลที่รันเองอาจดีพอใช้งานจริง ช่องว่างนี้เปลี่ยนเร็ว วิธีเดียวที่เชื่อถือได้คือทดสอบด้วยงานจริงภาษาไทยของคุณเอง แล้วให้คนที่ทำงานนั้นจริงเป็นคนให้คะแนนGenerally not yet on work that needs several layers of reasoning, such as complex analysis or long, detailed writing, because models an organization can run itself are usually smaller than the top cloud models. For narrow, well-defined tasks — answering from internal documents, summarizing, classifying — a self-hosted model may be good enough for real use. The gap changes quickly, so the only reliable method is to test on your own real Thai work and have the people who do that work score the results.

ผู้ให้บริการบอกว่าไม่นำข้อมูลไปฝึกโมเดล ยังต้องทำ On-premise อีกไหมIf the provider says it does not train on our data, do we still need on-premise?

ขึ้นกับว่าข้อจำกัดของคุณคือเรื่องไหน คำว่าไม่นำข้อมูลไปฝึกโมเดลไม่ได้แปลว่าข้อมูลไม่ออกนอกบริษัท ข้อมูลยังถูกส่งไปประมวลผลที่ผู้ให้บริการ และอาจถูกเก็บไว้ช่วงหนึ่งตามเงื่อนไขของแต่ละราย ถ้าข้อจำกัดของคุณคือห้ามนำข้อมูลไปใช้ต่อ บัญชีองค์กรที่สัญญาระบุเรื่องนี้ชัดก็อาจเพียงพอ แต่ถ้าสัญญาหรือกฎห้ามบุคคลที่สามประมวลผลข้อมูลเลย หรือกำหนดที่ตั้งของข้อมูล คุณต้องใช้คลาวด์ส่วนตัวในภูมิภาคที่กำหนด หรือ On-premise เงื่อนไขของผู้ให้บริการเปลี่ยนได้ ควรอ่านฉบับปัจจุบันและข้อตกลงการประมวลผลข้อมูลก่อนตัดสินใจทุกครั้งIt depends on what your constraint actually is. "We do not train on your data" does not mean the data never leaves the company: it is still sent to the provider for processing and may be kept for a period under each provider's terms. If your constraint is that data must not be reused, an enterprise account whose contract says so clearly may be enough. If a contract or rule forbids any third-party processing, or specifies where data must be located, you need a private cloud in the required region or on-premise. Provider terms change, so read the current version and the data processing agreement before every decision.

ทำ AI On-premise แล้ว ถือว่าผ่าน PDPA เลยไหมDoes going on-premise automatically make us PDPA-compliant?

ไม่ใช่ PDPA คือกฎหมายคุ้มครองข้อมูลส่วนบุคคล ซึ่งดูทั้งฐานทางกฎหมายในการใช้ข้อมูล การใช้ให้ตรงวัตถุประสงค์ การรักษาความปลอดภัย การจำกัดคนเข้าถึง และระยะเวลาเก็บ ไม่ว่าข้อมูลจะประมวลผลที่ไหน การทำ On-premise ช่วยควบคุมการส่งข้อมูลออกไปภายนอก แต่ถ้าพนักงานทุกคนถาม AI แล้วได้ข้อมูลส่วนบุคคลของลูกค้าที่ตัวเองไม่ควรเห็น ก็ยังเป็นปัญหาอยู่ดี คำตอบนี้เป็นแนวทางการออกแบบระบบ ไม่ใช่คำแนะนำทางกฎหมาย ควรให้ฝ่ายกฎหมายหรือเจ้าหน้าที่คุ้มครองข้อมูลส่วนบุคคลขององค์กรตรวจด้วยNo. PDPA, Thailand's personal data protection law, covers the legal basis for using data, using it only for its stated purpose, security, limiting who has access, and how long it is kept — wherever the data is processed. On-premise helps you control data leaving the organization, but if any employee can ask the AI and receive customer personal data they should not see, you still have a problem. This answer is system-design guidance, not legal advice; have your legal team or your organization's data protection officer review it too.

ต้องมีทีม IT แค่ไหน ถึงดูแลระบบ AI ในบริษัทเองได้How much of an IT team do we need to run AI in-house?

อย่างน้อยต้องมีคนรับผิดชอบสี่เรื่องอย่างชัดเจน คือ แพตช์ระบบปฏิบัติการและซอฟต์แวร์ที่รันโมเดล จัดการสิทธิ์ผู้ใช้ ติดตามว่าระบบช้าหรือล่ม และสำรองข้อมูลพร้อมทดสอบกู้คืน ส่วนการเลือกและทดสอบโมเดลรุ่นใหม่ทำร่วมกับผู้เชี่ยวชาญภายนอกได้ ถ้าบริษัทไม่มีทีม IT เลย On-premise เต็มรูปแบบมักไม่ใช่จุดเริ่มที่เหมาะ คลาวด์ส่วนตัวที่มีผู้ดูแลหรือแบบผสมจะเสี่ยงน้อยกว่า และเราสอนทีมให้ดูแลส่วนที่ทำเองได้ระหว่างส่งมอบAt minimum you need clear owners for four things: patching the operating system and model-serving software, managing user access, monitoring for slowdowns and outages, and backups with tested restores. Choosing and testing new models can be done together with outside specialists. If the company has no IT team at all, full on-premise is usually not the right place to start — a managed private cloud or a hybrid carries less risk, and we teach your team to run the parts they can handle during handover.

โมเดลใหม่ออกบ่อย ต้องอัปเดตตามทุกครั้งไหมNew models come out often — do we have to update every time?

ไม่จำเป็น และไม่ควรเปลี่ยนตามกระแส ให้ตั้งรอบทบทวนที่ชัด เช่น ทุกไตรมาส ดูว่ามีโมเดลใหม่ที่เหมาะกับงานของคุณกว่าเดิมไหม แล้วรันชุดทดสอบเดิมที่ทำไว้ตอนเริ่มโปรเจกต์เทียบกัน ถ้าดีขึ้นชัดและรันบนเครื่องเดิมได้จึงค่อยเปลี่ยน และก่อนใช้โมเดลใหม่ต้องอ่านเงื่อนไขอนุญาตว่าใช้เชิงพาณิชย์ได้หรือไม่ สิ่งที่ห้ามละเลยคือการแพตช์ความปลอดภัยของระบบรอบตัวโมเดล ซึ่งต้องทำตามรอบเสมอ ไม่ว่าจะเปลี่ยนโมเดลหรือไม่No, and you should not switch just because of the buzz. Set a clear review cycle — every quarter, say — to check whether a newer model suits your work better, then run the same test set you built at the start of the project to compare. Switch only if it is clearly better and runs on your existing hardware, and read the licence terms first to confirm commercial use is allowed. What you must never skip is security patching of the system around the model, which has to happen on schedule whether or not the model changes.

เริ่มจากเครื่องเล็กหรือทีมเดียวก่อน แล้วค่อยขยายได้ไหมCan we start with a small machine or one team and expand later?

ได้ และเราแนะนำแบบนั้น เริ่มจากงานเดียวกับทีมเดียวที่ได้ประโยชน์ชัด วัดคุณภาพและการใช้งานจริงก่อนลงทุนเพิ่ม เงื่อนไขสำคัญคือออกแบบให้ตัวแอปที่ผู้ใช้ใช้แยกจากตัวโมเดลที่อยู่ข้างหลัง เพื่อให้วันหนึ่งเปลี่ยนโมเดล เพิ่มเครื่อง หรือย้ายบางงานไปคลาวด์ได้โดยไม่ต้องสร้างใหม่ทั้งหมด สิ่งที่ไม่ควรทำคือซื้อเครื่องเล็กจนรันโมเดลที่ผ่านการทดสอบไม่ได้ เพราะจะได้ระบบที่ทั้งช้าและตอบไม่ดีYes, and we recommend it. Start with one task and one team that clearly benefits, and measure quality and real usage before investing further. The key condition is to keep the app people use separate from the model behind it, so that one day you can swap the model, add hardware, or move some work to the cloud without rebuilding everything. What you should not do is buy a machine too small to run the model that passed your tests — you would end up with a system that is both slow and poor at answering.

เราเข้ามาช่วยตรงไหนWhere do we come in?

เราเริ่มจากถามว่าข้อจำกัดของคุณจริง ๆ คืออะไร อ่านข้อสัญญาหรือกฎที่เกี่ยวข้องร่วมกับทีมคุณ แล้วบอกตรง ๆ ว่าควรใช้คลาวด์แบบองค์กร คลาวด์ส่วนตัว On-premise หรือแบบผสม ถ้าเดินหน้าต่อ เราทดสอบโมเดลกับงานจริงภาษาไทยก่อนแนะนำขนาดเครื่อง วางสิทธิ์ผู้ใช้ การดึงเอกสาร บันทึก และการสำรองข้อมูลให้ครบ แล้วส่งมอบพร้อมสอนทีม IT ของคุณให้ดูแลต่อเองได้ AI Trainer Thailand จัดอบรม AI ให้แล้วกว่า 100 องค์กร รวมถึงผู้เข้าอบรมจาก 9 หน่วยงานภาครัฐ ด้วยหลักสูตรทั้งหมด 64 หลักสูตร การส่งมอบพร้อมสอนจึงเป็นงานที่เราทำอยู่ทุกวัน ถ้าองค์กรของคุณกำลังเตรียมรับกฎหมาย AI ที่กำลังจะมาด้วย อ่านเพิ่มที่ กฎหมาย AI ของไทยกำลังจะมา องค์กรต้องเตรียมอะไรWe start by asking what your constraint really is and reading the relevant contract clauses or rules together with your team, then tell you plainly whether you should use an enterprise cloud service, a private cloud, on-premise, or a hybrid. If you go ahead, we test models on real Thai work before recommending hardware size, put user permissions, document retrieval, logging and backups fully in place, and hand over while teaching your IT team to run it themselves. AI Trainer Thailand has trained 100+ organizations, including participants from 9 government agencies, across 64 courses, so handing over with training is work we do every day. If your organization is also preparing for upcoming AI regulation, read what organizations should prepare for Thailand's coming AI law.

รับวางระบบ AI ในองค์กรEnterprise AI solutions

ออกแบบและติดตั้ง Private LLM ระบบตอบจากเอกสาร และทุกส่วนรอบตัวโมเดลที่ทำให้ข้อมูลไม่ออกนอกองค์กรจริงWe design and install private LLMs, document-answering systems, and everything around the model that keeps data genuinely in-house.

ดูบริการ →View service →

รับเขียนโปรแกรมและวางระบบองค์กรCustom software and systems development

ถ้าต้องสร้างแอปภายในให้พนักงานใช้ เชื่อมกับระบบบัญชีผู้ใช้เดิม หรือเชื่อมกับระบบงานที่มีอยู่If you need an internal app for staff, a link to your existing account system, or connections to the systems you already run.

ดูบริการ →View service →

ผลงานที่คุณตรวจสอบได้เองตอนนี้Work you can verify right now

เว็บไซต์ที่คุณกำลังอ่านอยู่มี กว่า 90 หน้า สองภาษาไทย-อังกฤษ ทีมของเราออกแบบ เขียนโค้ด และดูแลเองทั้งหมด คุณกดดูโครงสร้าง เปลี่ยนภาษา หรือเปิดบนมือถือเพื่อตรวจคุณภาพงานได้ทันที นอกจากนี้ทีมของเรายังทำช่องคอนเทนต์ที่ผลิตด้วย AI ทั้งหมด ปัจจุบันมีผู้ติดตามรวมกว่า 1 ล้าน และยอดวิวรวมกว่า 400 ล้านวิว ภายใน 1 ปี เราจึงพูดเรื่องการวางข้อมูลและการใช้ AI จากงานที่ทำจริงทุกวัน ไม่ใช่จากตำราThe website you are reading runs to 90+ pages in both Thai and English, designed, coded, and maintained entirely by our own team — inspect the structure, switch languages, or open it on a phone and judge the quality yourself. Our team also runs an all-AI content channel that has passed 1 million followers and more than 400 million views within a year. So when we talk about structuring data and using AI, it comes from work we do daily, not from a textbook.

หรือให้ทีมคุณเข้าใจก่อนลงทุนOr build understanding before you invest

คอร์สที่ช่วยให้ทีมคุณประเมิน Private AI ได้เองCourses That Help Your Team Evaluate Private AI Themselves

ก่อนลงทุนเครื่อง ทีมที่เข้าใจหลักการให้ AI ตอบจากเอกสาร และรู้วิธีวัดคุณภาพคำตอบ จะตั้งคำถามกับผู้ขายได้แม่นกว่า และดูแลระบบต่อได้จริงBefore you invest in hardware, a team that understands how AI answers from documents and how to measure answer quality asks vendors sharper questions — and can genuinely run the system afterwards.

คอร์ส RAG & Knowledge BaseRAG & Knowledge Base Course

เข้าใจวิธีให้ AI ตอบจากเอกสารองค์กร การเตรียมเอกสาร และการคุมสิทธิ์ว่าใครดึงเอกสารไหนได้Understand how AI answers from company documents, how to prepare those documents, and how to control who can retrieve what.

ดูหลักสูตร →View course →

คอร์ส Prompt Engineering & AI EvaluationPrompt Engineering & AI Evaluation Course

สร้างชุดทดสอบและเกณฑ์ให้คะแนน เพื่อเทียบโมเดลที่รันเองกับโมเดลบนคลาวด์อย่างเป็นระบบBuild test sets and scoring criteria to compare self-hosted and cloud models systematically.

ดูหลักสูตร →View course →

← ดูบริการทั้งหมดของเรา← Browse all our services

เล่าข้อจำกัดเรื่องข้อมูลของคุณ แล้วเราช่วยดูว่าต้องทำ On-premise จริงไหมTell Us Your Data Constraints, and We Will Help Check Whether You Really Need On-Premise

เล่าว่าข้อมูลแบบไหนที่ห้ามออก งานที่อยากให้ AI ช่วย และระบบที่มีอยู่ ไม่มีค่าใช้จ่ายและไม่มีข้อผูกมัด เราจะบอกตามจริงว่าคุณต้องการแค่บัญชีองค์กร คลาวด์ส่วนตัว On-premise หรือแบบผสม พร้อมใบเสนอราคาฟรีภายใน 24 ชั่วโมงถ้าคุณอยากเดินหน้าTell us which data cannot leave, the work you want AI to help with, and the systems you have — free and with no obligation. We will say honestly whether you need just an enterprise account, a private cloud, on-premise, or a hybrid, with a free quote within 24 hours if you want to proceed.

ปรึกษาฟรี / ขอประเมินFree Consultation / Request an Assessment ดูบริการทั้งหมดBrowse All Services