🚀 GDG Super Consulting — START HERE

อ่านไฟล์นี้ไฟล์เดียว แล้วเริ่มงานได้เลย

สำหรับพนักงานปัจจุบันและพนักงานใหม่

อัปเดตล่าสุด: 9 มีนาคม 2026

สารบัญ

1. เราคือใคร
2. เราขายอะไร (3 ตัวเท่านั้น)
3. ลูกค้าเราคือใคร
4. ขายยังไง — ขั้นตอนทั้งหมด
5. เครื่องมือขายที่ต้องรู้
6. หน้าที่ของแต่ละคน
7. กฎเหล็ก — สิ่งที่ทำ vs สิ่งที่ห้ามทำ
8. รับมือข้อโต้แย้งลูกค้า
9. ตัวเลขที่ต้องรู้
10. เริ่มงานสัปดาห์แรก
11. Appendix — เอกสารเชิงลึก

1. เราคือใคร

ประโยคเดียวที่อธิบายบริษัทเรา:

"เราวางระบบ AI ที่องค์กรคุมได้ วัดผลได้ และขยายได้จริง"

เราไม่ใช่ software house ที่รับเขียนโปรแกรม เราไม่ใช่บริษัทขาย chatbot เราไม่ใช่บริษัทจัดอบรม AI

เราคือ "ที่ปรึกษาที่มี platform" — ผสมระหว่าง consulting firm กับ technology company

ลูกค้าได้อะไรจากเรา:

• Strategy ที่ผู้บริหารตัดสินใจได้
• Governance ที่ IT คุมได้ (ใครใช้อะไร จ่ายเท่าไหร่ ข้อมูลไปไหน)
• Workflow ที่ business เห็นผลลัพธ์จริง
• Managed Service ที่วัดผลได้ทุกเดือน

Partner ของเรา:

สิ่งที่ทำให้เราต่างจากคู่แข่ง:

2. เราขายอะไร

มีแค่ 3 อย่าง จำให้ได้:

┌─────────────────────┐    ┌──────────────────────┐    ┌──────────────────────┐
│  TIER 1              │    │  TIER 2               │    │  TIER 3               │
│  AI Strategy Sprint  │ →  │  AI Control Tower     │ →  │  AI ScaleOps          │
│                      │    │                       │    │                       │
│  "วินิจฉัยก่อนรักษา"   │    │  "วางรากฐาน AI ทั้งองค์กร" │    │  "เราดูแลให้ต่อเนื่อง"   │
│                      │    │                       │    │                       │
│  250-350K ครั้งเดียว   │    │  150-250K/เดือน        │    │  100-200K/เดือน        │
│  4 สัปดาห์            │    │  สัญญา 2 ปี            │    │  ต่อเนื่อง              │
│                      │    │                       │    │                       │
│  จุดเข้า: ทุก deal     │    │  ← นี่คือ DEAL หลัก →  │    │  เครื่องจักรเงินสด       │
│  เริ่มจากตรงนี้เสมอ     │    │  ตัวนี้ที่ทำเงินจริง      │    │  recurring ทุกเดือน     │
└─────────────────────┘    └──────────────────────┘    └──────────────────────┘

Tier 1: AI Strategy Sprint — "วินิจฉัยก่อนรักษา"

สิ่งที่ลูกค้าได้:

• ประเมินความพร้อม AI ทั้งองค์กร (AI Maturity Score)
• สำรวจ Shadow AI (พนักงานแอบใช้ AI อะไรอยู่บ้าง? เสี่ยงไหม?)
• หา 3-5 workflow ที่ AI ช่วยได้มากสุด จัดลำดับ
• วิเคราะห์ช่องว่างด้าน Governance (policy, risk, compliance)
• สร้าง Pilot จริง — AI ทำงานบน workflow จริงของลูกค้า ไม่ใช่ demo
• Roadmap 12 เดือนพร้อม ROI

ราคา: 250-350K (AWS fund ได้ 150K → ลูกค้าจ่ายจริง 100-200K) ระยะเวลา: 4 สัปดาห์ เป้าหมาย: Convert 60%+ เข้า Tier 2

Tier 2: AI Control Tower — "วางรากฐาน AI ทั้งองค์กร"

นี่คือสินค้าหลักของเรา ตัวนี้ทำเงินจริง

สิ่งที่ลูกค้าได้:

• AI Landing Zone บน AWS (infrastructure พร้อมใช้)
• Governance Hub = ระบบควบคุมกลาง (ใครใช้ model ไหน, จ่ายเท่าไหร่, data ไปไหน, audit trail)
• 3-5 AI Workflow ที่ทำงานจริงบนระบบจริงของลูกค้า
• AI Policy Pack ภาษาไทย (พร้อม audit, พร้อมบอร์ด)
• TTT (Train-the-Trainer) รับรองพนักงาน 5-10 คนเป็น AI practitioner
• Operating Model (ใครรับผิดชอบอะไร, escalation, review cadence)

ราคา: Subscription 150-250K/เดือน สัญญา: 2 ปี (จ่ายล่วงหน้ารายไตรมาส) Revenue ต่อ deal: 3.6-6.0M ตลอดสัญญา ทำไม switch ยาก: Platform + data + governance ฝังอยู่ในระบบลูกค้า

Tier 3: AI ScaleOps — "เราดูแลให้ต่อเนื่อง"

สิ่งที่ลูกค้าได้:

• Monitor ระบบ 24/7 หรือ business hours
• รีวิว governance ทุกเดือน
• ปรับ cost + model ให้ optimal
• Tune และเพิ่ม workflow ต่อเนื่อง
• รายงาน C-level ทุกไตรมาส (ผู้บริหารเห็นว่า AI คุ้มจริง)
• จัดการ backlog use case ใหม่

ราคา: 100-200K/เดือน (รวมใน Tier 2 หรือขายแยก) Margin: 85-92% — กำไรดีมาก สัญญา: 1-3 ปี

ChatCenter (แยก track — สำหรับ SME)

• LINE bot + ticketing + AI customer service
• 5-25K/เดือน
• เป้าหมาย: คลินิก, gaming, retail
• Trojan Horse: ลูกค้าเริ่มจาก ChatCenter → ผู้บริหารเจอ AI → expand เป็น consulting
• ไม่เปลี่ยนแปลง — ขายต่อตามปกติ

3. ลูกค้าเราคือใคร

กลุ่มหลัก (Control Tower Subscription):

กลุ่ม ChatCenter (Volume):

คนที่เราต้องคุยด้วย:

4. ขายยังไง

Sales Flow — จากคนแปลกหน้า จนถึงลูกค้า recurring

ขั้นที่ 1              ขั้นที่ 2              ขั้นที่ 3             ขั้นที่ 4
─────────            ──────────           ──────────          ──────────
เปิดบทสนทนา           วินิจฉัย + Pilot       เซ็นสัญญา            ดูแลต่อเนื่อง

ถามคำถาม              AI Strategy Sprint    AI Control Tower     AI ScaleOps
Governance Gap        250-350K             150-250K/เดือน        100-200K/เดือน
                     4 สัปดาห์             สัญญา 2 ปี            ต่อเนื่อง

Sales ทำ              Solution Consulting   Sales + CEO close    Ops team ดูแล
                     + SA ทำ

     60%+ convert →          80%+ convert →          85%+ renew →

ขั้นที่ 1: เปิดบทสนทนา

คำถามเปิดที่ต้องใช้ทุกครั้ง:

🎯 "คุณรู้ไหมว่าพนักงานในองค์กรใช้ AI อะไรอยู่บ้าง? มีใครคุมอยู่ไหม?"

ทำไมคำถามนี้ทรงพลัง:

• องค์กรไทย 90% ตอบไม่ได้ → เปิด gap ทันที
• ไม่ได้ขายของ → กำลังช่วยให้เขาเห็นปัญหา
• ถ้าตอบว่า "ไม่รู้" หรือ "ยังไม่มี policy" → นั่นคือ deal ของเรา

คำถามต่อเนื่อง (ถ้าลูกค้าสนใจ):

• "รู้ไหมว่าเดือนนึงองค์กรจ่ายค่า AI tools รวมเท่าไหร่?"
• "ถ้า audit มา มีหลักฐานไหมว่าข้อมูลลับไม่ได้ถูกส่งเข้า AI สาธารณะ?"
• "ถ้า Board ถามว่า AI strategy ขององค์กรคืออะไร ตอบได้ไหม?"

คัดกรองลูกค้า — ใช้ B.O.G.D. Framework:

ขั้นที่ 2: AI Strategy Sprint (4 สัปดาห์)

สัปดาห์ที่ 1-2: วินิจฉัย

• สัมภาษณ์ผู้บริหาร + หัวหน้าแผนก + พนักงานหน้างาน
• ใช้ AI Maturity Model ให้คะแนน 5 มิติ (ดูหัวข้อ 5)
• แกะ workflow จริงด้วย 8 Elements (ดูหัวข้อ 5)
• สำรวจ Shadow AI
• ระบุ top 3-5 use case

สัปดาห์ที่ 3-4: สร้าง Pilot + รายงาน

• สร้าง AI workflow จริงบนข้อมูลจริงของลูกค้า 1 ตัว
• เขียนรายงาน AI Readiness + Roadmap + ROI
• นำเสนอต่อผู้บริหาร → ถ้าเห็นผล → pitch Tier 2

ใครทำ:

• Solution Consulting นำ (ภาษาธุรกิจ, สัมภาษณ์, วินิจฉัย)
• Solution Architect ร่วม (เทคนิค, architecture, pilot)
• Sales rep มาร่วมตอน present ผู้บริหาร

ขั้นที่ 3: ปิด deal — AI Control Tower Subscription

เงื่อนไขการปิด:

• ลูกค้าเห็น pilot ทำงานจริง → มั่นใจแล้ว
• นำเสนอ subscription model (OPEX ไม่ใช่ CAPEX — ลูกค้าอนุมัติง่ายกว่า)
• สัญญา 2 ปี จ่ายล่วงหน้ารายไตรมาส
• Deal >3M → CEO (Golf) ไปร่วม close ด้วย

ขั้นที่ 4: Delivery + ScaleOps

• GAble สร้าง Landing Zone + infrastructure
• Go Digit deploy Governance Hub + workflows
• หลัง go-live → ScaleOps team ดูแลต่อเนื่อง
• Monthly review + ขยาย workflow เพิ่ม

5. เครื่องมือขายที่ต้องรู้

เครื่องมือที่ 1: AI Maturity Model — Quick Scan (15 นาที)

ใช้ตอน: โทรคุยครั้งแรก, นัดแรก, discovery call ใครใช้: Sales ทุกคน

ถามลูกค้า 5 คำถาม ให้คะแนน 1-5 แต่ละข้อ:

คำนวณ: เฉลี่ย 5 ข้อ → ได้ Quick Score

ใช้ Quick Score นำทาง:

สำคัญ: Quick Score ไม่ใช่แค่เครื่องมือภายใน — ส่งให้ลูกค้าได้ เขาเอาไปบอก boss ได้ว่า "องค์กรเราได้ 2.1 จาก 5.0 ต้องทำอะไรสักอย่าง"

เครื่องมือที่ 2: AI Maturity Model — Full Assessment (2-3 ชั่วโมง)

ใช้ตอน: AI Strategy Sprint สัปดาห์ที่ 1 ใครใช้: Solution Consulting นำ + Solution Architect ร่วม

5 มิติ เหมือน Quick Scan แต่ลงลึกด้วยคำถามย่อย 20+ ข้อ ครอบคลุม:

• Strategy: vision, budget, roadmap, executive sponsorship
• Data: quality, governance, classification, PDPA, API readiness
• Technology: cloud, security, shadow AI, model access, integration
• Governance: AI policy, cost control, risk framework, audit trail, approval workflow (มิตินี้ถ่วงน้ำหนัก 30% เพราะคือจุดแข็งของเรา)
• People: AI literacy, change readiness, champion, adoption metrics

ผลลัพธ์: Radar chart + Industry benchmark + Prioritized roadmap

→ รายละเอียดเต็มอยู่ใน Appendix: AI Maturity Model

เครื่องมือที่ 3: 8 Elements Workflow Extraction

ใช้ตอน: แกะ workflow จริงของลูกค้าระหว่าง Strategy Sprint ใครใช้: Solution Consulting + Solution Architect

สัมภาษณ์พนักงานหน้างาน ถาม 8 แกน:

Gap Markup — แปะป้ายปัญหาบน workflow:

จัดลำดับ workflow — เลือกทำอันไหนก่อน:

→ Grade A = Quick Win → ทำก่อน

เครื่องมือที่ 4: กฎ 3-No ในการขาย

6. หน้าที่ของแต่ละคน

Pipe (Sales Director)

KPI หลัก: Conversion rate จาก Strategy Sprint → Control Tower subscription

Gale (Enterprise)

กลุ่มลูกค้า: Enterprise / Conglomerate 500+ คน KPI: 5-7 deals, 20M target

Ohm (EDU)

กลุ่มลูกค้า: มหาวิทยาลัย / สถาบันการศึกษา KPI: 4-6 deals, 13M target

Ry (Wellness + ChatCenter)

ChatCenter: ขายต่อตามปกติ 5-25K/เดือน — ไม่เปลี่ยน Hospital groups: ChatCenter = ทางเข้า → expand เป็น Control Tower subscription

กลุ่มลูกค้า: คลินิก, โรงพยาบาล, gaming, retail KPI: 12M target (ChatCenter volume + 2 Control Tower deals)

New Sales Reps (from May)

• เรียนรู้ระบบใหม่ตั้งแต่ต้น — ได้เปรียบเพราะไม่มีนิสัยเก่า
• จับคู่กับ Pipe coach + ออกพบลูกค้าร่วมกับคนเก่าก่อน
• KPI: 18M combined target (ramp from Q3)

Solution Consulting (ใหม่ — อดีต AVP จากบริษัทใหญ่)

คุณคือหน้าตาของ advisory layer — พูดภาษา C-suite ได้

Solution Architect (ใหม่ — อดีตจาก Cloud Provider)

คุณคือ technical authority ที่ทำให้ลูกค้า IT เชื่อมั่น

Aom (Sales Admin)

Golf (CEO)

Deal >3M: Golf + Solution Consulting + Sales rep ไปด้วยกัน

7. กฎเหล็ก

✅ ต้องทำ

1. ทุก deal เริ่มจาก Maturity Assessment — ไม่มีข้อยกเว้น แม้แค่ Quick Scan 15 นาที
2. ทุก proposal ต้องมี governance — ไม่ใช่ optional มันคือจุดขายหลัก
3. ขาย subscription ไม่ใช่ sprint — ลูกค้าเห็นราคารายเดือน ไม่ใช่ราคาต่อรอบงาน
4. พูดภาษาธุรกิจ — risk, control, ROI, productivity ไม่ใช่ model, prompt, API
5. ทุก deal ต้องมี next action + วันที่ + เจ้าของ — ไม่มี deal ลอย
6. Deal stuck >2 สัปดาห์ = auto escalate — ไม่รอ

❌ ห้ามทำ

1. ห้ามเสนอราคา manday — เราไม่ขายคนเป็นรายวัน อีกต่อไปแล้ว
2. ห้ามเสนอราคา sprint ให้ลูกค้า — Sprint คือวิธี deliver ภายใน ลูกค้าเห็นแค่ subscription
3. ห้ามพูดว่า "เราสร้าง AI chatbot" — พูดว่า "เราวางระบบ AI ทั้งองค์กร"
4. ห้ามขาย ChatX แยกเป็น SaaS ให้ enterprise — ChatX คือส่วนหนึ่งของ Control Tower bundle
5. ห้ามพูดศัพท์เทคนิคกับ C-level — No RAG, No Bedrock, No LLM ในห้องผู้บริหาร
6. ห้ามเสนอ free discovery — Strategy Sprint มีค่า ไม่ให้ฟรี (AWS fund ได้แต่ไม่ใช่ฟรี)

8. รับมือข้อโต้แย้ง

"แพงไป"

สิ่งที่ลูกค้าคิดจริงๆ: ไม่เห็นว่าคุ้มค่า หรือ budget ไม่พอ

วิธีตอบ:

"นี่ไม่ใช่การซื้อซอฟต์แวร์ครับ นี่คือการวางโครงสร้างธุรกิจใหม่ ถ้าองค์กรคู่แข่งมี AI ที่ทำงานจริงได้ก่อน ค่าเสียโอกาสจะสูงกว่าค่าลงทุนนี้มาก — แต่เริ่มจาก Strategy Sprint 250K ก่อนก็ได้ครับ ลองดูผล แล้วค่อยตัดสินใจต่อ"

เทคนิคเสริม:

• Reframe เป็น OPEX ไม่ใช่ CAPEX → อนุมัติง่ายกว่า
• แสดง ROI: ลดเวลา X ชั่วโมง/เดือน = ประหยัด Y บาท
• AWS funding ช่วยลดค่าใช้จ่ายปีแรก 300-900K

"ทำเองได้"

สิ่งที่ลูกค้าคิดจริงๆ: มี IT team อยู่แล้ว / ไม่เชื่อ vendor ภายนอก

วิธีตอบ:

"เยี่ยมเลยครับที่มีทีม IT แข็ง — เราไม่ได้มาแทนทีมคุณ เรามาเสริม เรื่อง governance, policy, operating model — อันนี้ IT team ส่วนใหญ่ไม่ได้ถูก train มา และไม่มีเวลาทำ ทีมคุณโฟกัสที่ tech ได้เลย เราจะดูแลเรื่อง control framework"

"ยังไม่พร้อม / ไม่ใช่ตอนนี้"

สิ่งที่ลูกค้าคิดจริงๆ: มี priorities อื่น / ยังไม่เข้าใจ AI พอ

วิธีตอบ:

"เข้าใจครับ แต่ตอนนี้พนักงานหลายคนในองค์กรน่าจะเริ่มใช้ AI เองแล้วนะครับ — ChatGPT, Copilot — โดยไม่มีใครคุม ยิ่งรอนาน shadow AI ยิ่งเยอะ Strategy Sprint 4 สัปดาห์ก็พอครับ แค่มาดูสถานการณ์จริง ไม่ต้อง commit อะไรใหญ่"

"ไม่มีเวลา / ทีมยุ่ง"

วิธีตอบ:

"นั่นแหละครับคือเหตุผลที่ต้องทำ — เราเข้ามาเพื่อเป็นผู้คัดแยกงาน เอาภาระงาน routine ไปให้ AI ทำ เหมือน 'ซื้อเวลาคืน' ให้คนสำคัญในทีมได้ไปทำงานที่มีค่ากว่า"

"แล้วต่างจาก ChatGPT / Copilot ยังไง?"

วิธีตอบ:

"ChatGPT กับ Copilot เป็นเครื่องมือ — เหมือนค้อนกับตะปู ดี แต่ไม่มีใครวางแปลนบ้านให้ เราคือสถาปนิก — วางแปลนว่าจะใช้เครื่องมือไหน ตรงไหน ให้คุ้มค่าสูงสุด พร้อมระบบควบคุมว่าใครใช้อะไร data ไปไหน จ่ายเท่าไหร่"

9. ตัวเลขที่ต้องรู้

เป้าหมาย FY2026: 140M THB

ใครรับผิดชอบ new revenue 77.5M:

Revenue ต่อลูกค้า (ค่าเฉลี่ย):

จำนวนลูกค้าที่ต้องปิด:

Key insight: แค่ 8-12 ราย Control Tower subscription ก็ขับเคลื่อน revenue หลักทั้งหมด ไม่ต้อง 100 ราย

10. เริ่มงานสัปดาห์แรก

สำหรับพนักงานปัจจุบัน (ทุกคน)

วันที่ 1-2:

• อ่านเอกสารนี้จบ (ใช้เวลาประมาณ 30-45 นาที)
• ท่องจำ "คำถามเปิด" ให้ได้: "คุณรู้ไหมว่าพนักงานใช้ AI อะไรอยู่บ้าง? มีใครคุมอยู่ไหม?"
• ท่องจำ 3 Tier: Strategy Sprint → Control Tower → ScaleOps
• ฝึก Quick Scan 5 คำถาม — ลองให้คะแนนองค์กรเราเองดู

วันที่ 3-5:

• (Sales) ใช้คำถาม governance gap ใน meeting ลูกค้าถัดไป — report ผลให้ Pipe
• (Sales) ดู pipeline ปัจจุบัน — deal ไหนเสนอใหม่เป็น subscription ได้?
• (Solution Consulting) อ่าน Appendix: AI Maturity Model ฉบับเต็ม + ให้ feedback
• (Solution Architect) อ่าน Appendix: Commercial Plan → ร่าง Control Tower architecture 1 หน้า
• (Aom) สร้าง subscription tracker: ชื่อลูกค้า, tier, วันเริ่ม, ราคา/เดือน, วัน invoice, วัน renew

สำหรับพนักงานใหม่

สัปดาห์ที่ 1:

• อ่านเอกสารนี้ (START-HERE.md) — นี่คือทุกอย่างที่ต้องรู้เพื่อเริ่มงาน
• นัด 1:1 กับ Pipe (Sales Director) เพื่อเข้าใจ pipeline ปัจจุบัน
• นัด 1:1 กับ Golf (CEO) เพื่อเข้าใจ vision + top deals
• ฟัง recording ของ meeting ลูกค้าที่ผ่านมา 2-3 งาน

สัปดาห์ที่ 2:

• ไป meeting ลูกค้าร่วมกับ sales คนเก่า (สังเกตการณ์)
• ลองทำ Quick Scan กับลูกค้าจริง (มีคนเก่าอยู่ด้วย)
• อ่าน Appendix ที่เกี่ยวข้องกับ role (ดูหัวข้อ 11)

สัปดาห์ที่ 3+:

• เริ่มถือ lead ของตัวเอง
• เป้าหมาย: ทำ Strategy Sprint แรกภายในเดือนที่ 2

11. Appendix — เอกสารเชิงลึก

ไม่ต้องอ่านทั้งหมด — เลือกอ่านตามที่เกี่ยวข้องกับ role ของคุณ

คำถามที่พบบ่อย (FAQ)

Q: Sprint ยกเลิกเลยเหรอ? A: ไม่ได้ยกเลิก Sprint ยังเป็นวิธีที่เรา deliver งาน เพียงแต่ลูกค้า ไม่เห็นราคา sprint แล้ว ลูกค้าเห็นแค่ subscription รายเดือน

Q: ลูกค้าเก่าที่ซื้อ sprint อยู่ล่ะ? A: ส่งมอบ sprint ที่ขายไปแล้วให้จบตามปกติ จากนั้น pitch subscription สำหรับงานต่อไป อย่าขาย sprint ใหม่

Q: ChatCenter เปลี่ยนไหม? A: ไม่เปลี่ยน ขายต่อตามปกติ 5-25K/เดือน ChatCenter คือ Trojan Horse — ลูกค้า SME เริ่มจาก ChatCenter แล้วโตเป็น consulting deal

Q: ถ้าลูกค้าไม่ยอมเซ็นสัญญา 2 ปีล่ะ? A: เริ่มจาก Strategy Sprint ก่อน (one-time 250-350K) ให้เห็นผลจริง แล้วค่อย pitch subscription ลูกค้าที่เห็น pilot ทำงานจริงมี close rate 80%

Q: ฉันยังไม่ค่อยเข้าใจ governance คืออะไร? A: พูดง่ายๆ = "ระบบควบคุมการใช้ AI ขององค์กร" — ใครใช้อะไร ใช้กับข้อมูลอะไร จ่ายเท่าไหร่ ปลอดภัยไหม audit ได้ไหม คิดว่าเหมือน "ระบบ ERP แต่สำหรับ AI"

Q: อ่านจบแล้ว ยังสงสัย ทำไงดี? A: ถาม Pipe หรือ Solution Consulting ได้เลย ไม่ต้องเกรงใจ ดีกว่าเดาเองแล้วพูดผิดหน้าลูกค้า

จำไว้: เราไม่ได้ขาย AI use case ทีละชิ้น — เราเข้ามาวางระบบให้ทั้งองค์กรใช้ AI ได้อย่างปลอดภัย คุมได้ และขยายได้จริง

คำถามเปิดเดียว: "คุณรู้ไหมว่าพนักงานใช้ AI อะไรอยู่บ้าง? มีใครคุมอยู่ไหม?"

ถ้าจำได้แค่ 2 อย่างนี้ ก็เริ่มงานได้แล้ว 💪

Cloudflare Product Line — Enterprise AI Entry Point

Go Digit × Cloudflare Developer Platform

The Angle

Cloudflare = "เห็นผลใน 1 สัปดาห์" entry point AWS Control Tower = "วางรากฐานทั้งองค์กร" long-term play

CF ไม่ได้มาแทน AWS — มาเป็น fast lane ที่ทำให้ลูกค้าเห็นค่าเร็ว แล้ว expand เป็น full Control Tower ทีหลัง

Why CF Fits Go Digit's Narrative Perfectly

AI Gateway ของ Cloudflare = Governance out of the box

• Log ทุก AI API call ขององค์กร (OpenAI, Anthropic, Gemini — ทุกตัว)
• เห็น cost per request, tokens used, latency
• Rate limiting — คุม budget ไม่ให้บานปลาย
• Caching — ลดค่าใช้จ่าย AI ได้ 30-60%
• Model fallback — ถ้า OpenAI ล่ม auto switch ไป Anthropic
• 1 line of code to connect — ไม่ต้องสร้าง infrastructure

นี่คือ "AI ที่คุมได้" ที่ deploy ได้ใน 1 สัปดาห์

Product: AI QuickShield

"เปิดไฟส่องดูว่าองค์กรใช้ AI อะไรอยู่ — แล้วคุมมันได้ทันที"

สิ่งที่ลูกค้าได้ (Deploy ภายใน 1-2 สัปดาห์):

Optional Add-ons:

Pricing

Tier A: AI QuickShield Starter — "เปิดไฟ"

สำหรับ: องค์กรที่อยากรู้ว่าเกิดอะไรขึ้น + คุม AI เบื้องต้น

ได้อะไร:

• AI Gateway setup (log + analytics + caching + rate limiting)
• AI Visibility Dashboard (Pages)
• Shadow AI Audit Report ครั้งแรก
• Secure AI Proxy (Workers)
• Monthly report

Tier B: AI QuickShield Pro — "คุมได้จริง"

สำหรับ: องค์กรที่ต้องการ AI governance + private AI + knowledge base

ได้ทุกอย่างใน Starter +:

• Private AI Models (Workers AI) — ข้อมูลไม่ออกนอก
• Internal AI Portal สำหรับพนักงาน
• Knowledge Base AI (RAG on R2 + Vectorize)
• PII filtering (Workers proxy)
• AI Policy Pack (basic version)
• Department-level budget controls
• Quarterly governance review

Tier C: AI QuickShield → Control Tower Bridge

สำหรับ: ลูกค้า QuickShield ที่พร้อม scale

ได้อะไร:

• ประเมินว่า workload ไหนควรอยู่ CF, workload ไหนต้องไป AWS
• Architecture design: CF (edge + governance) + AWS (heavy compute + Landing Zone)
• Migration plan + ROI comparison
• → Convert เข้า AI Control Tower subscription

Sales Flow — CF as Entry Point

WEEK 1-2                    MONTH 2-6                    MONTH 6+
─────────                   ──────────                   ─────────
AI QuickShield Starter      AI QuickShield Pro           AI Control Tower
80-120K setup               150-250K setup               150-250K/month
25-40K/month                50-80K/month                 สัญญา 2 ปี

"เปิดไฟส่อง"                "คุมได้จริง"                  "วางรากฐานทั้งองค์กร"
                                                        
CF stack                    CF + Private AI              CF (edge) + AWS (core)
Deploy 1-2 สัปดาห์           Deploy 2-3 สัปดาห์            Deploy 8-12 สัปดาห์

     80% convert →               40-60% convert →

ทำไมลูกค้า convert:

1. QuickShield Starter → เห็นข้อมูลจริงว่า shadow AI เยอะแค่ไหน → กลัว → อยากคุม
2. QuickShield Pro → ใช้ private AI + governance แล้วชอบ → อยากขยาย → แต่ heavy workload ต้องการ AWS
3. Control Tower → CF ดูแล edge + governance proxy, AWS ดูแล core compute + Landing Zone → hybrid architecture

Why This Is a Killer Entry Point

vs AI Strategy Sprint (เดิม):

AI QuickShield ไม่ได้แทน Strategy Sprint — มันเป็น ทางเลือกที่ 2:

• ลูกค้าที่พร้อมจ่าย 250K+ → Strategy Sprint (deep diagnosis)
• ลูกค้าที่อยากเห็นผลเร็ว / budget จำกัด → QuickShield (working system fast)
• ทั้งสองทาง → Control Tower ปลายทาง

Positioning Map (Updated with CF)

                    LIGHTWEIGHT                    HEAVY
                    (Edge / Fast)                  (Core / Deep)
                    
   ENTRY        ┌──────────────────┐          ┌──────────────────┐
                │  AI QuickShield  │          │  AI Strategy     │
                │  (Cloudflare)    │          │  Sprint (AWS)    │
                │                  │          │                  │
                │  80-120K setup   │          │  250-350K        │
                │  1-2 weeks       │          │  4 weeks         │
                │  Working system  │          │  Report + Pilot  │
                └────────┬─────────┘          └────────┬─────────┘
                         │                             │
                         └──────────┬──────────────────┘
                                    │
   CORE         ┌───────────────────▼──────────────────┐
                │        AI Control Tower               │
                │        (AWS + Cloudflare hybrid)      │
                │                                       │
                │  150-250K/month — สัญญา 2 ปี           │
                │  CF = edge governance + proxy          │
                │  AWS = core compute + Landing Zone     │
                └───────────────────┬───────────────────┘
                                    │
   RECURRING    ┌───────────────────▼───────────────────┐
                │           AI ScaleOps                  │
                │           100-200K/month               │
                └───────────────────────────────────────┘

Tech Architecture — CF + AWS Hybrid

                         ┌─────────────────────────┐
    พนักงาน / Apps ──────▶│   CLOUDFLARE EDGE        │
                         │                          │
                         │  AI Gateway              │
                         │  ├─ Log ทุก AI call       │
                         │  ├─ Cache (ลด cost)       │
                         │  ├─ Rate limit (คุม budget)│
                         │  └─ PII filter (Workers)  │
                         │                          │
                         │  Workers AI              │
                         │  └─ Open-source models    │
                         │    (ข้อมูลไม่ออกนอก)      │
                         │                          │
                         │  Pages                    │
                         │  └─ AI Portal + Dashboard │
                         │                          │
                         │  R2 + Vectorize           │
                         │  └─ Knowledge Base (RAG)  │
                         └────────────┬─────────────┘
                                      │
                              Heavy workloads only
                                      │
                         ┌────────────▼─────────────┐
                         │   AWS (Control Tower)     │
                         │                          │
                         │  Landing Zone             │
                         │  Bedrock (GPT-4 class)    │
                         │  SageMaker (custom models)│
                         │  Governance Hub (ChatX)   │
                         └──────────────────────────┘

ลูกค้าเห็น: One unified AI system เราเห็น: CF handles edge + governance proxy, AWS handles heavy lifting

Target Customers for QuickShield

What Go Digit Needs to Execute

Immediate (this month):

• CF partner agreement — reach out to Cloudflare Thailand/APAC partner team
• Build QuickShield Starter template — reusable CF Workers + AI Gateway + Pages setup
• 1-page sales sheet for QuickShield (Thai)
• Train sales team: "ถ้าลูกค้ายังไม่พร้อม Strategy Sprint → pitch QuickShield"

Month 2:

• QuickShield Pro template — add Workers AI + Vectorize + R2
• Internal demo environment ที่ sales สามารถ show ลูกค้าได้สด
• First 2-3 QuickShield Starter deployments

Month 3:

• Case study จาก QuickShield customers
• Bridge assessment template (CF → AWS migration path)
• CF + AWS hybrid reference architecture

Revenue Impact

QuickShield alone: 12-20M new revenue (conservative) + Control Tower conversions: additional 15-25M over 24 months

Created: 2026-03-10 Part of GDG Super Consulting product suite

🛡️ Go Digit — Objection Handling Library

สำหรับทีม Sales ทุกคน | GDG Super Consulting

สร้างจาก Objection Handler Skill v1.0

วิธีใช้: หาหัวข้อที่ตรงกับสิ่งที่ลูกค้าพูด → อ่าน "สิ่งที่เขาคิดจริงๆ" → ใช้ Response → ถาม Follow-up → อ้าง Proof Point กฎ: ห้ามอ่านตามสคริปต์คำต่อคำ — เข้าใจ logic แล้วพูดเป็นภาษาของตัวเอง

💰 หมวด 1: ราคาและงบประมาณ

"แพงไป"

สิ่งที่เขาคิดจริงๆ: ยังไม่เห็นว่าคุ้มค่ากับเงินที่จ่าย หรือเปรียบเทียบกับราคา manday/chatbot ทั่วไปอยู่

Response:

"เข้าใจครับ — ถ้ามองเป็นค่า software มันแพงจริง แต่นี่ไม่ใช่ software ครับ นี่คือการวางโครงสร้าง AI ทั้งองค์กร — governance, workflow, training รวมหมด เหมือนจ้างที่ปรึกษา Big4 แต่ราคา 1 ใน 10 แล้วได้ platform เป็นของแถม เริ่มจาก Strategy Sprint 250K ก่อนก็ได้ครับ ดูผลแล้วค่อยตัดสินใจ"

Follow-up question: "อยากรู้ไหมครับว่า องค์กรขนาดใกล้เคียงกัน ROI ที่เห็นจริงเป็นยังไง?"

Proof point: มหิดล 60,000 users — ลดเวลา admin work 40%+ ภายใน 3 เดือนแรก ค่าใช้จ่ายระบบ Foundation เทียบกับ Big4 ถูกกว่า 10 เท่า

If they push back again:

"งั้นเริ่มจาก Strategy Sprint 4 สัปดาห์ก่อนครับ — AWS fund ให้ 150K ลูกค้าจ่ายจริงแค่ ~100K ไม่มีความเสี่ยง ถ้าไม่พอใจก็จบตรงนี้ได้เลย"

"ไม่มี budget ปีนี้"

สิ่งที่เขาคิดจริงๆ: อาจมี budget แต่ไม่ได้จัดไว้สำหรับ AI หรือต้องของบเพิ่ม ซึ่งยุ่งยาก

Response:

"เข้าใจเลยครับ หลายองค์กรไม่ได้ตั้งงบ AI ไว้ตั้งแต่ต้นปี — แต่สิ่งที่เราเสนอเป็น OPEX รายเดือนครับ ไม่ใช่ CAPEX ก้อนใหญ่ อนุมัติคนละช่องทางกัน แถม AWS มี funding support ที่ลดค่าใช้จ่ายปีแรก 300-900K ได้ด้วย"

Follow-up question: "ถ้าเป็น OPEX รายเดือน ต้องผ่าน process อนุมัติยังไงครับในองค์กรคุณ?"

Proof point: AWS POC Funding ครอบคลุม Phase 0 ได้ 150-300K, MAP Program ช่วยค่า Landing Zone 100-500K — ปีแรก effective cost ลดลง 30-50%

If they push back again:

"ไม่เป็นไรครับ — งั้นเอา Strategy Sprint 250K ไปก่อน ไม่ต้อง commit ระยะยาว ได้ assessment report + roadmap + pilot ไปเสนอ board ของบปีหน้าได้เลย"

"Vendor อื่นเสนอมาถูกกว่า"

สิ่งที่เขาคิดจริงๆ: กำลังเปรียบเทียบราคาจริง หรือใช้เป็นเครื่องมือต่อรองราคา

Response:

"ถูกกว่าเท่าไหร่ครับ? และเขาเสนออะไรบ้าง? ถ้าเขาเสนอสร้าง chatbot ตัวเดียว มันคนละเรื่องกันเลยครับ — เราไม่ได้ขาย chatbot เราวางระบบ AI governance ทั้งองค์กร: policy, cost control, audit trail, training, managed service คำถามสำคัญคือ — ถ้าวันนึง Board ถามว่า 'AI ขององค์กรเราคุมได้ไหม' vendor นั้นตอบให้ได้ไหมครับ?"

Follow-up question: "ให้ผมเทียบ scope ให้ดูไหมครับ ว่าสิ่งที่เราเสนอกับที่ vendor นั้นเสนอ ครอบคลุมต่างกันตรงไหน?"

Proof point: ลูกค้าที่เคยเริ่มกับ vendor ถูก แล้วมาหาเราทีหลัง ต้องจ่ายซ้ำเพราะไม่มี governance foundation — สุดท้ายแพงกว่าเริ่มกับเราตั้งแต่แรก

If they push back again:

"ผมแนะนำแบบนี้ครับ — เอา Strategy Sprint ของเราไปลองก่อน 4 สัปดาห์ ได้ assessment + pilot จริง แล้วเอาผลไปเทียบกับ vendor อื่น ให้ข้อมูลตัดสินใจ ดีกว่าเลือกจากแค่ proposal"

⏰ หมวด 2: จังหวะเวลา

"ยังไม่ใช่ตอนนี้" / "รอก่อน"

สิ่งที่เขาคิดจริงๆ: มี priority อื่นที่กดดันมากกว่า หรือยังไม่เข้าใจว่าเรื่องนี้เร่งด่วน

Response:

"เข้าใจครับ — แต่ขอถามตรงๆ นะครับ ตอนนี้พนักงานในองค์กรใช้ ChatGPT, Copilot หรือ AI tools อื่นเองอยู่แล้วไหมครับ? เพราะถ้าใช่ แปลว่า AI เข้าองค์กรคุณแล้ว — แค่ไม่มีใครคุม ทุกเดือนที่ผ่านไปโดยไม่มี governance ข้อมูลลับอาจถูกส่งออกไปโดยไม่มีใครรู้ตัว"

Follow-up question: "ถ้าไม่ทำทั้งหมดก็ได้ครับ — แค่ทำ Shadow AI Audit สำรวจว่าตอนนี้คนในองค์กรใช้อะไรอยู่บ้าง ก็จะเห็นภาพชัดขึ้น สนใจไหมครับ?"

Proof point: ผลสำรวจ: องค์กรไทย 70%+ พนักงานใช้ AI สาธารณะกับข้อมูลงานแล้ว โดยไม่มี policy ควบคุม

If they push back again:

"ไม่เป็นไรครับ ผมส่ง AI Readiness Checklist สั้นๆ ให้อ่านก่อนก็ได้ ถ้าวันไหนพร้อมก็ทักมาได้เลยครับ"

"กำลัง restructure อยู่"

สิ่งที่เขาคิดจริงๆ: องค์กรวุ่นวาย ไม่อยากเพิ่มโปรเจกต์อีก

Response:

"ยิ่งดีเลยครับ — ช่วง restructure คือจังหวะที่ดีที่สุดในการวาง AI foundation ใหม่ เพราะระบบงานกำลังถูก redesign อยู่แล้ว ถ้าเอา AI governance เข้าไปตอนนี้ มันจะฝังอยู่ใน operating model ใหม่ตั้งแต่ต้น ไม่ต้องมาดัดแปลงทีหลัง"

Follow-up question: "restructure ครั้งนี้มี mandate เรื่อง digital transformation หรือ efficiency improvement ด้วยไหมครับ?"

Proof point: หลายองค์กรที่ restructure แล้ววาง AI foundation พร้อมกัน สามารถลดต้นทุน operational ได้ 20-30% ภายในปีแรก

If they push back again:

"เข้าใจครับ — งั้นขอนัดคุยอีกทีหลัง restructure เสร็จนะครับ ช่วงไหนที่คาดว่าจะ settle?"

🔒 หมวด 3: ความเชื่อมั่น

"บริษัทเล็กไป" / "ไม่เคยได้ยินชื่อ"

สิ่งที่เขาคิดจริงๆ: กลัวว่าจะ deliver ไม่ได้ หรือบริษัทจะหายไป

Response:

"เข้าใจเลยครับ — แต่ขอเล่าให้ฟังนะครับ มหิดล 60,000 users ไว้วางใจให้เราวาง AI governance ทั้งมหาวิทยาลัย เราเป็น AWS Advanced Tier Partner ซึ่งต้องผ่าน certification หลายระดับ และทีม delivery ของเราไม่ใช่แค่ 20 คน — เรามี network ของ AWS certified engineers หลายสิบคนที่ scale ได้ตามงาน ขนาดเล็กทำให้เราเร็วกว่า คล่องกว่า ไม่ต้องรอ approval 5 ชั้นแบบบริษัทใหญ่"

Follow-up question: "อยากคุยกับ reference ลูกค้าที่ใช้อยู่ไหมครับ? จัดให้ได้เลย"

Proof point: AWS Advanced Tier Partner (มีไม่กี่เจ้าในไทย), มหิดล 60,000 users, delivery network certified engineers 30+ คน

If they push back again:

"ผมเข้าใจว่าความเชื่อมั่นสำคัญครับ — งั้น Strategy Sprint 4 สัปดาห์คือวิธีพิสูจน์ที่เร็วที่สุด เห็นผลงานจริงก่อน แล้วค่อยตัดสินใจเรื่องสัญญายาว"

"ทำไมไม่ใช้ Big4?"

สิ่งที่เขาคิดจริงๆ: รู้สึกปลอดภัยกว่าถ้าใช้ชื่อใหญ่ หรือ Board กดดันให้ใช้ vendor ที่รู้จัก

Response:

"Big4 เก่งมากครับเรื่องวางแผน strategy — แต่ปกติ Big4 จะส่ง junior consultants มาทำ PowerPoint สวยๆ แล้วจบ ไม่ได้สร้าง platform ให้ ไม่ได้ deploy AI จริง ไม่ได้ operate ให้ต่อเนื่อง ราคาก็ 10 เท่าของเรา สิ่งที่ลูกค้าได้จากเราคือ strategy + platform + delivery + managed service ครบในที่เดียว — แล้วเราจะอยู่กับคุณ 2-3 ปี ไม่ใช่ส่ง report แล้วหายไป"

Follow-up question: "เคยใช้ Big4 มาก่อนไหมครับ? ได้ผลยังไง? implement จริงได้กี่เปอร์เซ็นต์?"

Proof point: ลูกค้า Big4 ส่วนใหญ่ได้ strategy document ที่ implement ไม่ถึง 30% — เพราะไม่มีคน deliver จริง Go Digit อยู่จนถึง production + operate ให้

If they push back again:

"ถ้า Board ต้องการชื่อใหญ่จริงๆ — Hummingbird ซึ่งเป็น partner ของเราเป็น boutique consulting firm ที่ co-present ให้ได้ครับ ได้ทั้งชื่อเสียงและผลลัพธ์จริง"

🏢 หมวด 4: แรงต้านภายในองค์กร

"ทำเองได้" / "มี IT team อยู่แล้ว"

สิ่งที่เขาคิดจริงๆ: IT team รู้สึกถูกคุกคาม หรือผู้บริหารคิดว่า AI ง่ายกว่าที่เป็น

Response:

"เยี่ยมเลยครับที่มี IT team แข็ง — เราไม่ได้มาแทนทีมคุณเลย สิ่งที่เราทำเป็นคนละ layer กัน: ทีม IT ดูแล infrastructure, network, security ซึ่งเก่งอยู่แล้ว แต่เรื่อง AI governance — policy ว่าใครใช้ model ไหน, budget control, audit trail, data classification — อันนี้เป็น skill set ที่ต่างออกไป ไม่มี IT team ไหนถูก train มาเรื่องนี้ เราเข้ามาเสริมตรงนี้ ไม่ใช่แทน"

Follow-up question: "ทีม IT ตอนนี้ดูแล AI governance ด้วยไหมครับ? มี policy คุม AI usage อยู่แล้วหรือยัง?"

Proof point: แม้แต่ tech companies ระดับโลกยังต้องจ้างที่ปรึกษา AI governance แยกต่างหาก เพราะ IT operations กับ AI governance เป็นคนละ discipline

If they push back again:

"งั้นลองนี่ไหมครับ — ให้ทีม IT ลองตอบคำถามนี้: ตอนนี้มี audit log ว่าพนักงานคนไหนส่งข้อมูลอะไรเข้า AI tools บ้างไหม? ถ้ายังไม่มี นั่นคือ gap ที่เราช่วยเติมได้"

"พนักงานจะต่อต้าน"

สิ่งที่เขาคิดจริงๆ: กลัว change management จะยุ่งยาก คนจะไม่ยอมใช้

Response:

"กลัวถูกต้องครับ — 70% ของ AI projects ที่ล้มเหลวไม่ใช่เพราะ tech ไม่ดี แต่เพราะคนไม่ใช้ นั่นคือเหตุผลที่ service ของเรารวม People Empowerment ด้วย: เราไม่ได้แค่ deploy AI แล้วบ๊ายบาย เราทำ TTT certification — สร้าง AI champion ภายใน 5-10 คนที่เป็นแนวหน้าช่วยดึงทีม เราออกแบบ Human-in-the-Loop workflow ให้คนรู้สึกว่า AI ช่วยเขา ไม่ใช่มาแย่งงาน"

Follow-up question: "แผนกไหนที่คุณคิดว่าพร้อมที่สุดครับ? เราเริ่มจากตรงนั้น — ให้เป็นตัวอย่างแล้วแผนกอื่นจะตามเอง"

Proof point: มหิดล: เริ่มจาก 1 คณะที่พร้อม → เห็นผล → คณะอื่นขอใช้เอง ไม่ต้องบังคับ

If they push back again:

"ลองดูแบบนี้ไหมครับ — เริ่มจากงาน routine ที่ทุกคนเบื่อ เช่น ตอบคำถามซ้ำๆ หรือ data entry ถ้า AI ทำแทนได้ ไม่มีใครต่อต้านครับ คนดีใจด้วยซ้ำ"

⚔️ หมวด 5: เปรียบเทียบคู่แข่ง

"ใช้ ChatGPT / Copilot อยู่แล้ว ทำไมต้องจ่ายเพิ่ม?"

สิ่งที่เขาคิดจริงๆ: ใช้ ChatGPT team แล้วรู้สึกว่าพอ ไม่เห็นว่าต้องทำอะไรเพิ่ม

Response:

"ChatGPT กับ Copilot เหมือนค้อนกับตะปูครับ — เป็นเครื่องมือที่ดี แต่ไม่มีใครวางแปลนบ้านให้ ตอนนี้คุณรู้ไหมครับว่าพนักงานกี่คนใช้? ใช้กับข้อมูลอะไร? ข้อมูลลับถูกส่งเข้าไปไหม? เดือนนึงจ่ายรวมเท่าไหร่? นี่คือสิ่งที่เราเข้ามาจัดการครับ — ไม่ได้มาแทน ChatGPT แต่มาทำให้การใช้ ChatGPT ขององค์กรคุณปลอดภัยและคุ้มค่า"

Follow-up question: "ลองนึกดูนะครับ — ถ้า audit มาวันนี้ แล้วถามว่า 'ข้อมูลลับขององค์กรถูกส่งเข้า AI สาธารณะไหม' ตอบได้ไหมครับ?"

Proof point: องค์กรที่มี 500 คน ใช้ ChatGPT โดยไม่มี governance → พบว่า 23% ของ prompt มีข้อมูล confidential ปนอยู่ (industry benchmark)

If they push back again:

"ดีแล้วที่ใช้ครับ — แสดงว่าองค์กรพร้อม เราไม่ได้มาบอกให้เลิกใช้ เรามาทำให้มัน enterprise-grade: ควบคุมได้ budget ชัด data ปลอดภัย audit ผ่าน"

"Cloud provider (AWS/Azure) มี AI ให้แล้ว ใช้ของเขาก็พอ"

สิ่งที่เขาคิดจริงๆ: IT team ชอบ self-service tools จาก cloud provider มากกว่า

Response:

"ถูกต้องครับ AWS Bedrock, Azure OpenAI ดีมาก — และเราก็ใช้มันด้วย เราไม่ได้สร้าง AI model เอง เราใช้ Bedrock เป็น engine หลัก แต่สิ่งที่ cloud provider ไม่ได้ให้คือ: governance layer ที่บอกว่าใครใช้ได้ ใครใช้ไม่ได้ budget เท่าไหร่ data classification ยังไง workflow ที่เชื่อมกับระบบงานจริง และคนที่ดูแลให้ทุกเดือน cloud provider ให้ building blocks เราสร้างบ้านทั้งหลัง"

Follow-up question: "ตอนนี้ทีม IT ใช้ Bedrock / Azure OpenAI อยู่ไหมครับ? deploy เป็น production workflow หรือยัง?"

Proof point: เราเป็น AWS Advanced Tier Partner — AWS เองก็ refer ลูกค้ามาหาเราเพื่อทำส่วน governance และ workflow ที่ AWS ไม่ได้ทำเอง

If they push back again:

"ลองคิดแบบนี้ครับ — AWS ขาย EC2 แต่ไม่ได้ design architecture ให้ เรา = architect ที่ใช้ AWS tools สร้างระบบ AI ที่ production-ready"

🔐 หมวด 6: Data & Security

"ข้อมูลเราส่งออกไม่ได้" / "ต้อง on-premise"

สิ่งที่เขาคิดจริงๆ: กลัว data leak จริงๆ โดยเฉพาะ regulated sectors

Response:

"เข้าใจเลยครับ — ข้อมูลไม่ต้องออกไปไหน เราทำ Landing Zone ใน AWS VPC ของลูกค้าเอง data อยู่ใน account ของคุณ เราแค่ช่วย configure และ manage Governance Hub ก็ deploy ใน environment ของคุณ ไม่ใช่ cloud ของเรา คุณถือ key ทั้งหมด"

Follow-up question: "ตอนนี้ใช้ AWS อยู่แล้วหรือยังครับ? ถ้าใช้อยู่ เราต่อจากตรงนั้นได้เลย"

Proof point: มหิดล: ข้อมูลทั้งหมดอยู่ใน AWS VPC ของมหาวิทยาลัย Go Digit ไม่เคยเข้าถึง raw data โดยตรง

If they push back again:

"ถ้าต้องการ air-gapped จริงๆ ก็ทำได้ครับ — GAble ทีม certified engineers ของเรา design on-premise deployment ได้"

😶 หมวด 7: Stall & ไม่ commit

"ขอคิดก่อน" / "เดี๋ยวติดต่อกลับ"

สิ่งที่เขาคิดจริงๆ: อาจยังมีข้อกังวลที่ไม่ได้พูด หรือกำลังหาทางปฏิเสธอย่างสุภาพ

Response:

"ได้เลยครับ เข้าใจว่าต้องคิดให้ดี — แต่ขอถามตรงๆ ได้ไหมครับ มีอะไรที่ยังกังวลอยู่ไหม? พูดตรงๆ ได้เลยครับ จะได้ช่วยตอบให้ตรงจุด"

Follow-up question: "ถ้าต้องเสนอ board ผมช่วยเตรียม executive summary 1 หน้าให้ได้ครับ — จะได้มีข้อมูลประกอบการตัดสินใจ"

Proof point: ส่ง AI Readiness Checklist ให้อ่านระหว่างคิด — value-add ที่ทำให้ยังนึกถึงเรา

If they push back again:

"ไม่เป็นไรเลยครับ — ผมขอ follow up อีกที สัปดาห์หน้าวันไหนสะดวกครับ?" (ล็อกวัน ไม่ปล่อยลอย)

"ส่ง proposal มาก่อน"

สิ่งที่เขาคิดจริงๆ: อาจแค่อยากดูราคาเพื่อเปรียบเทียบ หรือต้องการเอกสารไปเสนอคนอื่น — แต่ 50% จะไม่ได้อ่าน

Response:

"ได้ครับ — แต่จะให้ proposal ตรงจุดจริงๆ ขอถามเพิ่มอีก 2-3 ข้อนะครับ เพราะเราไม่ได้ส่ง proposal แบบ one-size-fits-all ผมอยากให้ proposal ที่ส่งไปมีตัวเลข ROI ที่คำนวณจากข้อมูลจริงขององค์กรคุณ"

Follow-up question: "Proposal นี้จะเอาไปเสนอใครครับ? จะได้ปรับภาษาให้ตรง — ถ้า IT ก็ลงเทคนิค ถ้า Board ก็เน้น ROI + risk"

Proof point: proposal ของเราทุกฉบับมี customized ROI estimate เพราะเราทำ Quick Assessment ก่อนเสมอ

If they push back again:

"ได้ครับ — ส่งให้ภายใน 3 วัน แล้วขอนัดโทรคุย 15 นาทีหลังส่ง เพื่อ walk through ด้วยกันนะครับ ดีกว่าอ่านเอง" (ล็อก next meeting)

🔄 Objection Chains — Top 3

Chain 1: ราคา → คู่แข่ง → ขอคิด

Client: "แพงไป"
→ Rep: Reframe เป็น OPEX + เริ่มจาก Strategy Sprint 250K

Client: "แต่ vendor [X] เสนอมาแค่ 300K ทั้งโปรเจกต์"
→ Rep: "เขาเสนอ scope อะไรบ้างครับ? ถ้าแค่สร้าง chatbot 1 ตัว
        มันคนละเรื่องกับการวาง AI governance ทั้งองค์กร
        เหมือนเทียบราคาช่างไฟ กับสถาปนิกที่ออกแบบบ้านทั้งหลัง"

Client: "ขอคิดก่อนนะ"
→ Rep: "ได้เลยครับ — ระหว่างคิด ผมส่ง AI Readiness Checklist
        ให้ลองประเมินองค์กรดูก่อนนะครับ ฟรี ไม่มีข้อผูกมัด
        แล้ว follow up วันศุกร์ได้ไหมครับ?"

Chain 2: ยังไม่พร้อม → ทำเองได้ → ขอดูก่อน

Client: "ยังไม่ใช่ตอนนี้ ยังไม่พร้อม"
→ Rep: "แต่พนักงานใช้ AI เองอยู่แล้วนะครับ — Shadow AI"

Client: "เรามี IT team ดูแลอยู่"
→ Rep: "IT ดูแล infrastructure ได้ครับ แต่ AI governance
        เป็นคนละ skill set — ลองถาม IT ว่ามี audit log
        ว่าใครส่งข้อมูลอะไรเข้า ChatGPT บ้างไหมครับ"

Client: "...น่าสนใจ ส่งรายละเอียดมาก่อนได้ไหม"
→ Rep: "ได้ครับ — แต่ดีกว่านั้น ให้ผมทำ Quick Assessment
        ฟรี 15 นาที ให้คะแนนความพร้อม AI 5 มิติ
        ได้ report 1 หน้าไปเสนอ boss ด้วย สะดวกสัปดาห์นี้ไหมครับ?"

Chain 3: Board ไม่ buy-in → ต้องใช้ Big4 → เอกสารเยอะ

Client: "ผู้บริหารยังไม่ buy-in เรื่อง AI"
→ Rep: "เข้าใจครับ — ถ้าผู้บริหารเห็นตัวเลขจริงจะง่ายขึ้น
        Strategy Sprint 4 สัปดาห์จะให้ assessment + ROI
        ที่เอาไปเสนอ board ได้เลย"

Client: "Board น่าจะอยากเห็นชื่อ Big4 มากกว่า"
→ Rep: "เข้าใจครับ — Hummingbird ซึ่งเป็น consulting partner
        ของเราร่วม present ให้ได้ ได้ทั้งชื่อเสียงและผลลัพธ์จริง
        ราคาก็ 1 ใน 10 ของ Big4"

Client: "ต้องเตรียมเอกสารเยอะ procurement ยุ่งยาก"
→ Rep: "เราช่วยเตรียมให้ได้ครับ — executive summary, ROI,
        technical spec, compliance checklist มีหมด
        Aom ทีม admin ของเราเชี่ยวชาญเรื่องเอกสาร procurement"

⚔️ Competitive Battle Cards

vs Software House ทั่วไป (ราคา 200-500K)

Their pitch: "เราสร้าง AI chatbot / LINE bot ให้ ราคาถูกกว่า ส่งมอบเร็ว" Their weakness: ไม่มี governance, ไม่มี policy, สร้างเสร็จแล้วจบ ไม่ดูแลต่อ ไม่ scalable ข้ามแผนก Our counter: "เขาสร้าง chatbot 1 ตัว เราวาง AI ทั้งองค์กร — governance, training, managed service 2-3 ปี" Trap question: "ถ้าวันนึง Board ถามว่า 'AI ทั้งองค์กรเราคุมได้ไหม' vendor นั้นตอบให้ได้ไหมครับ?"

vs ChatGPT Team / Enterprise

Their pitch: "แค่สมัคร ChatGPT Enterprise $60/user/month ก็ใช้ได้แล้ว" Their weakness: ไม่มี workflow integration กับระบบงานจริง, ไม่มี Thai governance policy, ไม่มี audit trail ระดับองค์กร, ไม่มีคนดูแล Our counter: "ChatGPT คือเครื่องมือ — ดีมาก แต่ใครวาง policy ว่าใช้กับข้อมูลอะไรได้? ใครดู cost? ใครสร้าง workflow ที่เชื่อมกับ ERP?" Trap question: "ตอนนี้รู้ไหมว่าพนักงานส่งข้อมูลอะไรเข้า ChatGPT บ้าง? มี log ไหม?"

vs Big4 Consulting (Deloitte, EY, Accenture, etc.)

Their pitch: "เราเป็นบริษัทที่ปรึกษาระดับโลก มี framework, methodology, global reference" Their weakness: ราคา 10x, ส่ง junior, ได้ PowerPoint ไม่ได้ production system, ไม่ operate ให้, engagement จบเมื่อ slide เสร็จ Our counter: "Big4 ให้ strategy document เราให้ strategy + platform + production AI + managed service 2-3 ปี — implement rate ของเรา 90%+ vs Big4 <30%" Trap question: "เคยจ้าง Big4 ทำ digital transformation มาก่อนไหมครับ? implement ได้กี่เปอร์เซ็นต์?"

vs AWS ProServe / Cloud Provider PS

Their pitch: "AWS มี ProServe team ที่ช่วย implement Bedrock ได้โดยตรง" Their weakness: ทำแค่ technical implementation ไม่มี business advisory, governance, change management, ไม่ operate ต่อ Our counter: "AWS ProServe build infrastructure — เราวาง governance + workflow + training + operate ให้ เราเป็น AWS partner ด้วย ทำงานร่วมกัน ไม่ใช่แข่งกัน" Trap question: "AWS ProServe ช่วยเขียน AI Policy ภาษาไทยให้ได้ไหม? ช่วยทำ change management ให้พนักงานใช้ AI ได้ไหม?"

จำไว้ 3 ข้อ:

1. ฟังก่อนตอบ — เข้าใจ "สิ่งที่เขาคิดจริงๆ" ก่อนเสมอ
2. ถามกลับ — อย่าจบที่ response ต้องมี follow-up question ทุกครั้ง
3. อ้าง proof จริง — มหิดล, AWS Advanced Tier, ตัวเลข ROI ที่เฉพาะเจาะจง ไม่ใช่ "ลูกค้าหลายราย"

🛡️ AI QuickShield

Shadow AI is already in your company. Now you can see it — and lock it down.

By Go Digit — Cloudflare Partner · AWS Advanced Tier Partner

🎤 30-Second Elevator Pitch

พนักงานของคุณใช้ ChatGPT, Copilot, Claude อยู่แล้ว — แต่คุณไม่รู้ว่าใครใช้อะไร ส่งข้อมูลอะไรออกไป และใช้เงินเท่าไหร่

AI QuickShield เปิดไฟให้เห็นทุก AI ที่ใช้ในองค์กร ควบคุมค่าใช้จ่าย บังคับ policy สร้าง audit trail — และ ล็อคประตูไม่ให้ข้อมูลรั่ว ด้วย Zero Trust security — deploy ได้ใน 1-2 สัปดาห์

Built on Cloudflare's edge + security platform. ระบบทำงานจริงตั้งแต่วันแรก ไม่ใช่แค่ report

😱 The Problem

Shadow AI กำลังกินองค์กรคุณจากข้างใน

ถ้าวันนี้บอร์ดถามว่า:

• พนักงานใช้ AI อะไรบ้าง? → 🤷
• ข้อมูลอะไรถูกส่งออกไป? → 🤷
• เราใช้เงินกับ AI เท่าไหร่? → 🤷
• เรามี compliance evidence ไหม? → 🤷

คุณไม่ได้มีปัญหา AI — คุณมีปัญหา visibility

💡 The Solution

AI QuickShield = AI Governance ที่ deploy ได้ใน 2 สัปดาห์

ไม่ใช่ consulting report 200 หน้า ไม่ใช่ project 6 เดือน แต่เป็น working system ที่ทำงานจริงตั้งแต่วันแรก

┌─────────────────────────────────────────────┐
│                                             │
│   😶 BEFORE          →     🛡️ AFTER         │
│                                             │
│   Shadow AI ทุกที่       ทุก call ถูก log    │
│   ไม่รู้ใครใช้อะไร       dashboard real-time │
│   ไม่มี audit trail     compliance-ready     │
│   ค่าใช้จ่ายมองไม่เห็น   cost ลด 30-60%      │
│   ข้อมูลรั่วไม่รู้ตัว     PII filtering อัตโนมัติ│
│                                             │
└─────────────────────────────────────────────┘

⚙️ How It Works

3 ขั้นตอน — ง่ายมาก

     ① CONNECT              ② SEE                ③ CONTROL
  ┌──────────────┐    ┌──────────────┐    ┌──────────────┐
  │              │    │              │    │              │
  │  Route ทุก   │───▶│  Dashboard   │───▶│  Enforce     │
  │  AI call ผ่าน │    │  แสดงทุกอย่าง │    │  policy +    │
  │  AI Gateway  │    │  real-time   │    │  budget +    │
  │              │    │              │    │  compliance  │
  └──────────────┘    └──────────────┘    └──────────────┘
        │                    │                    │
   Cloudflare           Cloudflare           Cloudflare
   AI Gateway            Pages              Workers

Architecture (simplified):

                    🔐 ZERO TRUST LAYER
                    (Cloudflare One)
                    
  พนักงาน ──▶ Identity Check ──▶ AI QuickShield Proxy ──▶ Approved AI only
              (ใครใช้ได้?)        │                        (ChatGPT / Claude / etc.)
                                │
                    ┌───────────┼───────────┐
                    │           │           │
               Log ทุก call  Filter PII  Block unauthorized
               Analytics     Rate Limit  AI sites (Gateway)
               Cache         Budget      DLP scan
               (ลดค่าใช้จ่าย)  Control     (ป้องกัน data รั่ว)
                    │
               Dashboard 📊
               Audit Trail 📋

🔐 Zero Trust AI Security Stack

┌──────────────────────────────────────────────────────────┐
│  LAYER 1: WHO — Identity & Access (Cloudflare Access)    │
│  ► ใครได้ใช้ AI tools บ้าง? (by role, department, level) │
│  ► SSO integration (Google, Azure AD, Okta)              │
│  ► ไม่ login = ไม่ใช้ ไม่มีข้อยกเว้น                       │
├──────────────────────────────────────────────────────────┤
│  LAYER 2: WHAT — Gateway & CASB (Cloudflare Gateway)     │
│  ► บล็อก AI sites ที่ไม่ได้ approve (DNS + HTTP policy)   │
│  ► ค้นหา shadow AI SaaS ที่พนักงานแอบใช้ (CASB scan)     │
│  ► อนุญาตเฉพาะ AI ที่ผ่าน proxy ของเรา                    │
├──────────────────────────────────────────────────────────┤
│  LAYER 3: PROTECT — DLP & Browser Isolation              │
│  ► สแกนทุก prompt ก่อนส่ง — บล็อกถ้ามี PII/ข้อมูลลับ     │
│  ► Remote Browser Isolation — AI ทำงานใน sandbox          │
│  ►   copy/paste ข้อมูลสำคัญออกไม่ได้                      │
├──────────────────────────────────────────────────────────┤
│  LAYER 4: OPTIMIZE — AI Gateway                          │
│  ► Log ทุก AI API call + analytics + cost tracking       │
│  ► Caching (ลด cost 30-60%) + Rate limiting              │
│  ► Model fallback + retry                                │
│  ► Budget control per department                         │
└──────────────────────────────────────────────────────────┘

4 ชั้นป้องกัน ครบวงจร:

• WHO can use AI → Zero Trust Access
• WHAT AI they can access → Gateway + CASB
• WHAT DATA goes out → DLP + Browser Isolation
• HOW MUCH it costs → AI Gateway

ทุกอย่าง run บน Cloudflare edge — เร็ว ปลอดภัย data อยู่ในภูมิภาค

📦 What You Get

Starter vs Pro — เลือกระดับที่ใช่

┌──────────────────────────────┬──────────────────────────────┐
│     🔦 STARTER               │     🏰 PRO                   │
│     "เปิดไฟ"                  │     "คุมได้จริง"               │
├──────────────────────────────┼──────────────────────────────┤
│                              │                              │
│  ✅ AI Gateway               │  ✅ Everything in Starter     │
│     (log + cache + limit)    │                              │
│                              │  🔐 Zero Trust Access        │
│  ✅ AI Visibility Dashboard  │     (ใครใช้ AI ได้ by role)   │
│                              │                              │
│  ✅ Shadow AI Audit Report   │  🔐 Secure Web Gateway       │
│                              │     (บล็อก unauthorized AI)   │
│  ✅ Secure AI Proxy          │                              │
│                              │  🔐 CASB Shadow AI Discovery │
│  ✅ Monthly Governance       │     (ค้นหา AI SaaS ทั้งหมด)   │
│     Report                   │                              │
│                              │  🔐 DLP — Data Loss Prevention│
│  🔐 DNS-level AI site       │     (สแกน PII ก่อนส่ง)        │
│     blocking (basic)         │                              │
│                              │  🔐 Remote Browser Isolation │
│                              │     (AI ใน sandbox, data ไม่รั่ว)│
│                              │                              │
│                              │  ✅ Private AI Models         │
│                              │     (data ไม่ออกนอกองค์กร)     │
│                              │                              │
│                              │  ✅ Internal AI Portal        │
│                              │     (approved tools only)    │
│                              │                              │
│                              │  ✅ Knowledge Base AI (RAG)   │
│                              │     (ค้นหาเอกสารด้วย AI)       │
│                              │                              │
│                              │  ✅ AI Policy Pack            │
│                              │                              │
│                              │  ✅ Department Budget Control │
│                              │                              │
│                              │  ✅ Quarterly Review          │
│                              │                              │
│  🕐 Deploy: 1 สัปดาห์        │  🕐 Deploy: 2-3 สัปดาห์       │
└──────────────────────────────┴──────────────────────────────┘

📈 Why Now

Regulatory pressure กำลังมา — เตรียมตัวก่อนได้เปรียบ

🇹🇭 PDPA บังคับใช้แล้ว — ข้อมูลส่วนบุคคลที่พนักงาน paste เข้า AI ถือเป็นการ "ส่ง" ข้อมูล

🇪🇺 EU AI Act เริ่มมีผล — global standard ที่ลูกค้าต่างชาติจะถามถึง

🏢 Board & Auditors เริ่มถามเรื่อง AI governance ทุก quarterly meeting

ต้นทุนของการไม่ทำอะไร

• Data breach จาก shadow AI → ค่าเสียหาย + ค่าปรับ PDPA สูงสุด 5 ล้านบาท
• AI spend ไม่ควบคุม → เฉลี่ยองค์กรจ่ายเกินจริง 2-3x โดยไม่รู้ตัว
• Caching ผ่าน AI Gateway → ประหยัดค่า API call ได้ 30-60% ทันที

🔐 Zero Trust = คำตอบที่ auditor อยากได้ยิน

องค์กรที่เริ่มก่อน ไม่ได้แค่ปลอดภัยกว่า — แต่ประหยัดกว่าด้วย

💰 Pricing

ราคาชัด ไม่มีซ่อน ไม่ต้องขอ quote

┌─────────────────────────────────────────────────┐
│                                                 │
│  🔦 STARTER — "เปิดไฟ"                           │
│                                                 │
│     Setup    ฿80,000 - 120,000                  │
│     Monthly  ฿25,000 - 40,000 /เดือน             │
│     Commit   6 เดือน                             │
│                                                 │
│     AI Gateway + Dashboard + Proxy              │
│     + DNS-level AI blocking                     │
│                                                 │
├─────────────────────────────────────────────────┤
│                                                 │
│  🏰 PRO — "คุมได้จริง"                            │
│                                                 │
│     Setup    ฿200,000 - 350,000                 │
│     Monthly  ฿60,000 - 100,000 /เดือน            │
│     Commit   12 เดือน                            │
│                                                 │
│     Everything in Starter                       │
│     + 🔐 Full Zero Trust (Access + Gateway      │
│       + DLP + CASB + Browser Isolation)         │
│     + Private AI Models + AI Portal + RAG       │
│     + AI Policy Pack + Budget Control           │
│                                                 │
└─────────────────────────────────────────────────┘

💡 ROI ชัด: caching อย่างเดียวประหยัด 30-60% ของ AI API cost
   + Zero Trust ป้องกัน data breach ที่อาจเสียหาย 5M+ บาท
   → หลายองค์กร QuickShield จ่ายค่าตัวเองได้ภายในเดือนแรก

👥 The Team & Partners

┌──────────────┐    ┌──────────────┐    ┌──────────────┐
│              │    │              │    │              │
│   Go Digit   │    │  Cloudflare  │    │     AWS      │
│   🇹🇭         │    │  ☁️          │    │  ☁️          │
│              │    │              │    │              │
│  20 คน       │    │  Technology  │    │  Advanced    │
│  AI-focused  │    │  Partner     │    │  Tier        │
│  consulting  │    │              │    │  Partner     │
│              │    │  QuickShield │    │              │
│  "วางระบบ AI  │    │  platform    │    │  Control     │
│   ที่คุมได้"   │    │              │    │  Tower path  │
│              │    │              │    │              │
└──────────────┘    └──────────────┘    └──────────────┘

Go Digit ไม่ใช่ vendor ที่ขายแล้วหาย — เราเป็น long-term AI operations partner

เริ่มจาก QuickShield (Cloudflare) → scale ขึ้นเป็น AI Control Tower (AWS) เมื่อองค์กรพร้อม

🚀 Next Step

เส้นทางจาก 0 → Full AI Governance

  📞 Free AI Quick Scan    →    🔦 Starter    →    🏰 Pro    →    🏗️ AI Control Tower
     (15 นาที, ฟรี)              (เปิดไฟ)          (คุมจริง)       (AWS, full scale)

เริ่มง่ายมาก:

1️⃣ จอง Free AI Quick Scan (15 นาที)

เราสแกนให้ดูว่าองค์กรคุณมี shadow AI อยู่แค่ไหน — ฟรี ไม่มีข้อผูกมัด

2️⃣ เห็นภาพ → ตัดสินใจ

ได้ report สั้นๆ + recommendation ว่าควรเริ่มจากตรงไหน

3️⃣ Deploy QuickShield

ระบบทำงานจริงภายใน 1-2 สัปดาห์

📧 ติดต่อ: [sales@godigit.co.th] 📞 โทร: [xxx-xxx-xxxx]

❓ FAQ

"เราแค่ 50-100 คน จำเป็นต้องมี AI governance จริงเหรอ?"

คน 50 คนที่ใช้ ChatGPT ทุกวันโดยไม่มี policy = ข้อมูลรั่ว 50 จุด ขนาดไม่สำคัญ — shadow AI สำคัญ

"เราล็อก ChatGPT ที่ firewall ไม่ง่ายกว่าเหรอ?"

บล็อก = พนักงานหาทางอ้อม + productivity ตก QuickShield ให้ใช้ได้แต่ คุมได้ — ดีกว่าบล็อกเสมอ

"ทำไมไม่ build เอง?"

ได้ ถ้ามี DevOps team ว่างๆ + 3-6 เดือน แต่ QuickShield ให้ระบบเดียวกัน deploy ใน 1-2 สัปดาห์ ที่ต้นทุนต่ำกว่า

"แล้วถ้าเราโตจน QuickShield ไม่พอ?"

นั่นคือ plan ตั้งแต่แรก QuickShield → AI Control Tower (AWS) เป็น natural upgrade path ข้อมูลและ policy ย้ายไปต่อได้เลย ไม่ต้องเริ่มใหม่

_{¹ Salesforce "State of IT" 2024 / Microsoft Work Trend Index}

_{© 2026 Go Digit Group — เราวางระบบ AI ที่องค์กรคุมได้ วัดผลได้ และขยายได้จริง}

The Offer That Slaps

Go Digit — Enterprise AI Governance

The One-Liner

"เราวางระบบ AI ที่องค์กรคุมได้ วัดผลได้ และขยายได้จริง — ภายใน 4 สัปดาห์เห็นผล"

The Problem (ที่ทุกองค์กรไทยมี แต่ไม่มีใครพูดถึง)

พนักงานคุณใช้ AI อยู่แล้ว — คุณแค่ไม่รู้

• 🔓 Shadow AI ทั่วองค์กร — ChatGPT, Copilot, Claude — ไม่มีใครคุม
• 💸 ไม่รู้ว่าจ่ายค่า AI tools รวมเดือนละเท่าไหร่
• 🚨 ข้อมูลลับ (ลูกค้า, การเงิน, ผู้ป่วย) ถูกส่งเข้า AI สาธารณะทุกวัน
• 📋 ถ้า audit มาวันนี้ — ไม่มีหลักฐานอะไรเลย
• ❓ ถ้า Board ถามว่า "AI strategy คืออะไร" — ตอบไม่ได้

คู่แข่งคุณกำลังแก้ปัญหานี้อยู่ ยิ่งรอนาน ยิ่งตามหลัง

The Offer (3 ระดับ ชัดเจน)

🔍 STEP 1: AI Strategy Sprint — "วินิจฉัยก่อนรักษา"

ใน 4 สัปดาห์ คุณจะรู้ทุกอย่าง:

• องค์กรพร้อมแค่ไหน (AI Maturity Score — วัดได้ เทียบ benchmark ได้)
• พนักงานแอบใช้ AI อะไรอยู่ (Shadow AI Audit)
• 3-5 workflow ที่ AI ช่วยได้มากที่สุด — จัดลำดับแล้ว
• Pilot จริง 1 ตัว ทำงานบนข้อมูลจริงของคุณ — ไม่ใช่ demo
• Governance gap ที่ต้องปิด + Roadmap 12 เดือนพร้อม ROI

ราคา: 250-350K (AWS co-fund ได้ 150K → คุณจ่ายจริง 100-200K) ความเสี่ยง: ต่ำมาก — 4 สัปดาห์ เห็นผลจริง ไม่ต้อง commit ระยะยาว

🏗️ STEP 2: AI Control Tower — "วางรากฐาน AI ทั้งองค์กร"

สิ่งที่ได้:

• AI Landing Zone บน AWS — infrastructure พร้อมใช้
• Governance Hub — ระบบควบคุมกลาง (ใครใช้ model ไหน จ่ายเท่าไหร่ data ไปไหน audit trail ครบ)
• 3-5 AI Workflow ทำงานจริงบนระบบจริง
• AI Policy Pack ภาษาไทย — พร้อม audit พร้อมบอร์ด
• Train-the-Trainer — รับรองพนักงาน 5-10 คนเป็น AI practitioner
• Operating Model — ใครรับผิดชอบอะไร ชัดเจน

ราคา: 150-250K/เดือน (subscription — OPEX ไม่ใช่ CAPEX, อนุมัติง่ายกว่า) สัญญา: 2 ปี จ่ายล่วงหน้ารายไตรมาส ทำไม switch ยาก: Platform + data + governance ฝังในระบบคุณ — ยิ่งใช้ยิ่งคุ้ม

🔄 STEP 3: AI ScaleOps — "เราดูแลให้ต่อเนื่อง"

• Monitor 24/7
• รีวิว governance ทุกเดือน
• ปรับ cost + model ให้ optimal
• เพิ่ม workflow ต่อเนื่อง
• รายงาน C-level ทุกไตรมาส

ราคา: 100-200K/เดือน Margin: 85-92%

Position — ทำไมต้อง Go Digit (ไม่ใช่คนอื่น)

เราคือ "ที่ปรึกษาที่มี platform" — ไม่มีใครในไทยทำตรงนี้

ทำไม Governance ชนะทุก value prop อื่น:

• ❌ "Innovation" → ทุกคนพูดเหมือนกัน
• ❌ "ทำเร็ว" → พรุ่งนี้มีคนเร็วกว่า
• ❌ "ทีมเก่ง" → body shop positioning
• ❌ "ถูก" → race to the bottom
• ✅ "AI ที่คุมได้" → ไม่มีใครในไทยทำดี, องค์กร NEED มัน, regulatory มาแน่ (PDPA + AI Ethics), สร้าง recurring revenue ธรรมชาติ

Proof — ไม่ใช่แค่พูด เรามีหลักฐาน

🎓 Case: มหาวิทยาลัยมหิดล (60,000 คน)

• วาง AI governance ระดับ institution-wide
• จากไม่มี policy → มีระบบควบคุมทั้งมหาวิทยาลัย
• Reference ที่ใช้ได้ทันที

☁️ AWS Advanced Tier Partner

• AWS co-fund ลดต้นทุนลูกค้า 150-900K/ปี
• AWS referral pipeline → deal flow จากคนขาย AWS เอง
• ลูกค้าได้ infrastructure ระดับ enterprise

🤝 Partner Ecosystem ที่ไม่มีใครมี

• Hummingbird — boutique consulting เปิดประตู C-level
• GAble — AWS certified engineers สร้าง infrastructure
• Go Digit — platform + methodology + governance

เราไม่ต้องสร้างทุกอย่างเอง เรา orchestrate ทีมที่เก่งที่สุดในแต่ละด้าน

📊 ตัวเลขที่พิสูจน์ model

• Control Tower subscription = 3.6-6.0M ตลอดสัญญา/ราย
• แค่ 8-12 ราย → ขับเคลื่อน revenue หลักทั้งหมด
• ScaleOps margin 85-92% → ยิ่งขยาย ยิ่งกำไร

The Killer Question (ใช้เปิดทุก conversation)

"คุณรู้ไหมว่าพนักงานในองค์กรใช้ AI อะไรอยู่บ้าง? มีใครคุมอยู่ไหม?"

90% ขององค์กรไทยตอบไม่ได้ → นั่นคือ deal ของเรา

Risk Reversal — ลดความกลัวของลูกค้า

Summary — The Offer in 30 Seconds

Go Digit วางระบบ AI ที่องค์กรคุมได้

เริ่มจาก Strategy Sprint 4 สัปดาห์ (จ่ายจริงแค่ 100-200K หลัง AWS fund) → วินิจฉัยความพร้อม + สร้าง pilot จริง 1 ตัว

ถ้าเห็นผล → ต่อ AI Control Tower subscription 150-250K/เดือน → governance ทั้งองค์กร + workflow จริง + policy พร้อม audit

เราดูแลต่อเนื่องด้วย ScaleOps → วัดผลได้ทุกเดือน

ไม่มีใครในไทยทำตรงนี้ เราคือ partner เดียวที่มีทั้ง consulting + platform + AWS

คำถามเดียว: พนักงานคุณใช้ AI อะไรอยู่? มีใครคุมไหม?

Created: 2026-03-10