เปลี่ยนคำพูดเป็นคำสั่ง ERP: AI Text-to-Action ใน Odoo สำหรับ SME ไทย

Text-to-Action คือ AI agent ที่แปลงคำสั่งภาษาไทยให้เป็นการดำเนินการจริงใน Odoo ERP โดยตรง ไม่ว่าจะเป็น การสร้างใบเสนอราคา การอัปเดตสต็อก การอนุมัติเอกสาร หรือการตรวจสอบยอดขาย เพียงแค่พิมพ์หรือพูดประโยคธรรมชาติ เช่น “สร้างใบเสนอราคาให้คุณสมชาย จำนวน 10 ชิ้น ราคาชิ้นละ 1,200 บาท” ระบบก็จะตีความ Intent และ Entity เรียกใช้ Odoo API โดยอัตโนมัติ สำหรับ SME ไทยที่พนักงานไม่ถนัดการคลิกผ่านเมนูซับซ้อนของ ERP เทคโนโลยีนี้ช่วยลดขั้นตอนจากหลายนาทีเหลือเพียงไม่กี่วินาที เพิ่มความเร็วและลดข้อผิดพลาดจากการกรอกข้อมูลด้วยมือ

ทำไม Text-to-Action ถึงสำคัญกับ SME ไทย

SME ไทยส่วนใหญ่ใช้ Odoo เพื่อจัดการธุรกิจ แต่ปัญหากลับอยู่ที่ การเรียนรู้ระบบ ERP ที่มีเมนูหลายชั้น พนักงานหน้าร้านหรือคลังสินค้ามักไม่ถนัดใช้งาน ต้องพึ่งพาพนักงานออฟฟิศที่คุ้นเคยระบบ ซึ่งกลายเป็นคอขวด ยกตัวอย่าง ร้านค้าปลีกที่ต้องสร้างใบเสนอราคาให้ลูกค้าทุกวัน พนักงานต้องคลิกเข้าสู่เมนู Sales > Quotations > Create > เลือกลูกค้า > เพิ่มสินค้า > ใส่จำนวน > บันทึก รวมกว่า 10 ขั้นตอน หากทำ 50 ครั้งต่อวัน เสียเวลาไปมากกว่า 1 ชั่วโมง

AI Text-to-Action แก้ปัญหานี้ด้วย การลดความซับซ้อนของ UI ให้เหลือเพียงบรรทัดสนทนาเดียว พนักงานไม่ต้องจำว่าเมนูอยู่ตรงไหน แค่บอกความต้องการ ตัวอย่างจริง: โรงงาน SME แห่งหนึ่งในอยุธยาใช้ Text-to-Action เพื่อให้หัวหน้างานคลังพิมพ์ว่า “ตรวจสอบยอดสินค้าหม้อแปลงรุ่น TY-200” ระบบจะเรียก API /api/product/stock และตอบกลับยอดคงเหลือทันที โดยไม่ต้องเข้าไปค้นหาใน Inventory Module

Text-to-Action ทำงานอย่างไรเบื้องหลัง

กระบวนการทำงานประกอบด้วย 3 ขั้นตอนหลัก:

1. รับคำสั่งภาษาธรรมชาติ: ผู้ใช้พิมพ์หรือพูดภาษาไทยผ่านแชทบอท (LINE, Slack, หรือฟอร์มในหน้าเว็บ) ข้อความถูกส่งไปยัง LLM (Large Language Model) เช่น GPT-4, Claude 3 หรือโมเดลภาษาไทยอย่าง Typhoon
2. AI ตีความ Intent และ Entity: LLM ถูกเทรนด้วย Prompt และ Few-shot examples เพื่อแยกแยะว่า “สร้างใบเสนอราคา” คือ Intent ประเภท create_quotation และดึง Entity ได้แก่ {customer: “คุณสมชาย”, product: “สินค้าA”, quantity: 10, price: 1200} การใช้ LangChain ร่วมกับ Pydantic Parser ช่วยให้ผลลัพธ์เป็นโครงสร้าง JSON ที่คาดเดาได้
3. สร้าง API call และดำเนินการใน Odoo: JSON ที่ได้จะถูกส่งต่อไปยัง Odoo External API (XML-RPC หรือ REST API ล่าสุด) เช่น เรียก /api/sale.order เพื่อสร้างใบเสนอราคา หรือ /api/stock.quant เพื่ออัปเดตสต็อก คำตอบจะถูกส่งกลับเป็นข้อความยืนยันให้ผู้ใช้

เครื่องมือที่ใช้ทั่วไปคือ LangChain สำหรับ orchestration และ n8n สำหรับ Low-Code workflow นอกจากนี้ยังสามารถใช้ MCP Server (Model Context Protocol) เพื่อเชื่อมต่อ LLM โดยตรงกับ Odoo แบบเรียลไทม์

Use Case จริงในธุรกิจ SME ไทย

1. สร้างใบเสนอราคาทันที

เจ้าของร้านค้าส่งในจตุจักรพูดกับไมโครโฟนว่า “ทำใบเสนอราคาให้ร้านคุณแดง 5 โหล ราคาโหลละ 200” ระบบจะสร้าง Quotation ใน Odoo ภายใน 3 วินาที พร้อมส่งลิงก์ให้ลูกค้าทาง LINE

2. ตรวจสอบยอดสินค้าแบบ Real-time

พนักงานคลังในโรงงานพลาสติกพิมพ์ “เหลือแก้วน้ำรุ่น XL กี่ลัง” ระบบค้นหาจาก product.template และตอบ “แก้วน้ำรุ่น XL คงเหลือ 205 ลัง” โดยดึงข้อมูลจาก Location หลักโดยตรง

3. อัปเดตสถานะออเดอร์

ผู้จัดการพิมพ์ “เปลี่ยนออเดอร์ SO-00123 เป็น ‘จัดส่งแล้ว’ และเพิ่มหมายเลข tracking TK-456” ระบบจะเรียก sale.order API เพื่อเขียนค่า state และ stock.picking เพื่อบันทึกหมายเลขติดตาม

4. อนุมัติใบขอซื้อด้วยคำสั่ง

หัวหน้าแผนกช่างพิมพ์ “อนุมัติ PO-009 ให้ซื้อปั๊มน้ำ 2 ตัว วงเงินไม่เกิน 15,000 บาท” ระบบตรวจสอบว่า user มีสิทธิ์อนุมัติใน Odoo หรือไม่ ถ้ามี ก็จะเปลี่ยนสถานะ Purchase Order เป็น “approved” และแจ้งผู้ขอซื้อผ่าน LINE

ความท้าทายและแนวทางแก้ไข

ความแม่นยำของ Entity extraction เป็นปัญหาหลัก ภาษาไทยมีคำพ้องและชื่อสินค้าที่ซับซ้อน เช่น “น้ำตาลทรายขาว” อาจถูกตีความเป็นสีหรือชนิด วิธีแก้ไขคือ ใช้ Few-shot examples เฉพาะบริบทของธุรกิจนั้น ๆ และเพิ่ม Validation layer ที่ตรวจสอบชื่อสินค้าจากฐานข้อมูล Odoo ก่อนดำเนินการ ถ้าไม่ตรง ให้ถามซ้ำ

ความปลอดภัยของ API ต้องไม่ให้ AI ดำเนินการลบข้อมูลหรือแก้ไขการตั้งค่าระบบ แนวทางคือ จำกัด Odoo API Key ด้วย Security Groups เฉพาะกลุ่มที่ต้องการ เช่น “Sales User” และ “Inventory User” และบันทึก Log ทุกการเรียก API พร้อม timestamp และ user ที่ส่งคำสั่ง

การใช้ Human-in-the-Loop สำหรับคำสั่งที่มีผลต่อการเงินเป็นสิ่งที่แนะนำอย่างยิ่ง ตัวอย่างเช่น การสร้าง Invoice หรือการปรับราคาขายในใบเสนอราคา ให้ AI สร้าง Draft แล้วส่งให้ผู้ใช้กด Approve ผ่าน LINE ก่อนดำเนินการจริง ซึ่งสามารถทำได้ง่ายด้วย n8n + LINE Messaging API

ขั้นตอนเริ่มต้นสำหรับ SME ไทยที่ต้องการทดลองใช้

1. เลือกโมเดลภาษาไทยที่เหมาะสม – หากเน้นความแม่นยำสูง ใช้ GPT-4 (0.03 USD/1K tokens) หรือ Claude 3 Haiku ที่ถูกกว่า หากทดลองในวงจำกัด ใช้ Typhoon ซึ่งพัฒนาโดย SCB10X ให้บริการฟรีในบาง quota
2. ตั้งค่า Odoo API Endpoints – เปิดใช้งาน External API และสร้าง User สำหรับ AI โดยเฉพาะ กำหนดสิทธิ์ให้แค่อ่านและเขียนเฉพาะโมดูลที่จำเป็น
3. สร้าง AI Workflow ด้วย n8n – เริ่มจากเทมเพลตที่มีให้ใน n8n Community หรือเขียนเองโดยใช้ HTTP Request Node เรียก LLM API จากนั้นใช้ Code Node แปลง JSON response ไปเป็น XML-RPC call ไปยัง Odoo
4. ทดสอบด้วยคำสั่งภาษาไทย 10–20 ตัวอย่าง – ปรับ Prompt จนกว่าผลลัพธ์ถูกต้องมากกว่า 90% ควรเพิ่มตัวอย่างที่ผิดพลาดเพื่อให้ LLM รู้จักกรณีไม่แน่ใจ
5. เพิ่ม Human-in-the-Loop สำหรับคำสั่งที่ละเอียดอ่อน – ใช้ Webhook หรือ Email Node เพื่อรอการยืนยันก่อนดำเนินการ
6. เปิดให้พนักงานทดลองใช้จริง – เก็บ Log และ Feedback ปรับปรุง Prompt ทุกเดือน

สรุป

AI Text-to-Action คือกุญแจสำคัญในการปลดล็อกศักยภาพของ Odoo สำหรับ SME ไทยที่ต้องการลดขั้นตอนทำงาน เพิ่มความเร็ว และลดภาระการฝึกอบรมพนักงาน ด้วยการรวม LLM ภาษาไทยและ Odoo API เข้าด้วยกันผ่านเครื่องมืออย่าง LangChain และ n8n ธุรกิจสามารถสร้างระบบที่พนักงานพูดหรือพิมพ์คำสั่งแล้ว ERP ดำเนินการให้โดยอัตโนมัติ ความท้าทายด้านความแม่นยำและความปลอดภัยสามารถจัดการได้ด้วย Human-in-the-Loop และการจำกัดสิทธิ์ที่เหมาะสม ในยุคที่เวลาคือเงิน การเปลี่ยนคำพูดให้เป็น action อาจเป็นความได้เปรียบทางการแข่งขันที่ SME ไทยไม่ควรมองข้าม