เดือนสิงหาคม 2569 มีโพสต์หนึ่งในกลุ่ม Claude Thailand Community ถามคำถามสั้น ๆ ว่า "1 คน + claude มันจะพีคได้ขนาดไหน" แล้วขอให้คนเอาโปรเจคมาอวด ภายใน 21 ชั่วโมงมันได้ 7,400 reactions, 1,200 คอมเมนต์ และ 21,000 shares ¹

ผมดึงคอมเมนต์ระดับบนสุดออกมาได้ 29 อันที่ไม่ซ้ำ — ไม่ใช่ทั้งหมด และเหตุผลอยู่ในภาคผนวก — ในนั้นเป็นโปรเจคจริง 23 ตัว บทความนี้คือสิ่งที่ 23 ตัวนั้นบอก เก็บข้อมูล 23 ส.ค. 2569

บทความนี้อ้างถึงตัวโปรเจคและลิงก์ที่เจ้าของเปิดสาธารณะไว้เอง แต่ไม่อ้างชื่อผู้คอมเมนต์ ตัวเลขทุกตัวเป็นคำกล่าวอ้างของเจ้าของโปรเจค ผมยังไม่ได้ตรวจสอบ

ไม่มีใครสร้าง AI product เลยสักคน — ทุกคนสร้างซอฟต์แวร์ธรรมดา

นี่คือสิ่งแรกที่สะดุดตา และมันสวนกับสิ่งที่คนคาดจากกลุ่มที่ตั้งชื่อตาม LLM ตัวหนึ่ง

ในกลุ่มตัวอย่าง 23 โปรเจค ไม่มี chatbot ไม่มี AI wrapper ไม่มี prompt marketplace ไม่มี agent framework สิ่งที่คนเอามาอวดคือระบบภาษี ระบบ POS โปรแกรมถอดแบบก่อสร้าง แอปจดความดัน แผนที่ทรัพย์บังคับคดี — ซอฟต์แวร์ธรรมดาที่บังเอิญเขียนด้วย AI

ตัวชี้วัด	ค่า
คอมเมนต์ทั้งโพสต์ (นับ reply ด้วย)	1,200
คอมเมนต์ระดับบนสุดที่เก็บได้	29
โปรเจคจริงในนั้น	23
chatbot / AI wrapper	0
โปรเจคที่พูดถึงรายได้หรือมูลค่าซื้อขายจริง	3
โปรเจคที่ผ่านด่าน app store หรือ web store	2

อ่านแบบ Solutions Architect สิ่งที่ตัวเลข 0 บอกไม่ใช่ว่าคนไทยไม่สนใจ AI แต่คือ AI เลื่อนสถานะจาก "สิ่งที่ขาย" ไปเป็น "เครื่องมือในสายการผลิต" เรียบร้อยแล้ว ในกลุ่มคนที่ลงมือทำ ช่วงที่การพูดว่า "เราใช้ AI" เป็นจุดขายได้ผ่านไปแล้วสำหรับคนกลุ่มนี้ — เหลือแค่คำถามว่าคุณส่งมอบอะไร ผลที่ตามมาสำหรับคนวางกลยุทธ์: การประชุมที่ยังใช้เวลาไปกับ "เราจะเอา AI มาใช้ยังไง" กำลังถามผิดคำถาม คำถามที่กลุ่มนี้ตอบไปแล้วคือ "งานไหนที่เมื่อก่อนแพงเกินกว่าจะทำ แล้วตอนนี้ไม่แพงแล้ว"

ครึ่งหนึ่งเป็นเครื่องมือทำมาหากินและเครื่องมือใช้เอง ไม่ใช่ของเล่น

จัดกลุ่มตามงานที่โปรเจคทำ ไม่ใช่ตามเทคโนโลยีที่ใช้

กลุ่ม	จำนวน	สัดส่วน
ธุรกิจ / SME back-office / vertical SaaS	4	17%
E-commerce / marketplace / ราคา	4	17%
เครื่องมือส่วนตัว / productivity / สุขภาพ	4	17%
การเงิน / ภาษี / การลงทุน	3	13%
ข้อมูลสาธารณะ / civic tech	3	13%
เกม / งานสร้างสรรค์	2	9%
การศึกษา / ครอบครัว / ภาษา	2	9%
AI agent fleet / องค์กร	1	4%

อ่านแบบ Solutions Architect สามกลุ่มบนรวมกันเป็น 52% และทั้งสามคือเครื่องมือที่มีคนใช้มันทำงานจริงทุกวัน ไม่ใช่ demo สิ่งที่หายไปอย่างเห็นได้ชัดคือ B2B/enterprise ซึ่งมีแค่ 2 จาก 23 — ข้อโต้แย้งที่ตรงไปตรงมาคือ public forum ไม่ใช่ที่ที่คนทำงาน enterprise เอาของมาโชว์ได้ (รายหนึ่งบอกตรง ๆ ว่า "อาจจะให้รายละเอียดมากไม่ได้") แต่มันก็สอดคล้องกับข้อสังเกตข้อถัดไป คือ pain ส่วนตัวเป็นจุดตั้งต้นเกือบทุกราย และคนเราไม่ค่อยมี pain ส่วนตัวเรื่อง procurement workflow ขององค์กรอื่น

สามกลุ่มที่ใหญ่ที่สุด — 12 จาก 23

โปรเจค	สิ่งที่มันทำ ตามที่เจ้าของเขียนไว้
Meysure	โปรแกรมถอดแบบก่อสร้าง — "ประมาณ 2 weeks 700 commits"
VelyPOS Pet	POS แบบออฟไลน์ สำหรับร้านขายอาหารสัตว์
8 ระบบจากคนคนเดียวใน 6 เดือน	portfolio · ระบบช่วยเกษตรกร · ระบบบริหารจัดการโรงเรียน สพฐ. · เว็บบริษัท · ระบบบัญชีบริษัท · ระบบจัดการขนส่งเช่ารถ · ระบบทำนายหวยและดูดวง · ระบบลงเวลาเช็คไลน์ผลิต + AI CCTV
งาน software testing ระดับ enterprise	"Full service software testing ทั้งระบบ SDLC" — ไม่เปิดรายละเอียด
check-slip · earn-back · hyphen-plus · cf-shops · kittung	"Startup เล็กๆ Production แล้ว 6 ระบบ ที่มี users จริงๆ 3-4 ระบบ · มูลค่าการซื้อขายผ่านระบบประมาณ 100MB/เดือน · เริ่มจากทุนหลักพัน"
24CarFix	เรียกช่างซ่อมรถ 24 ชม. — 13,000 ช่าง / ลูกค้าใช้ 700,000 คน / "4 ปีที่ผ่านมาเดินทางทั่วประเทศหาช่างในแต่ละพื้นที่"
ราคาถูกยัง	เช็คประวัติราคาสินค้า Shopee ย้อนหลัง — "ไม่ใช่ว่าซื้อวันนี้พรุ่งนี้ลดราคา"
ฝากหน่อย (FarkNoiGo)	ฝากซื้อของจากคนที่เดินทางผ่านอยู่แล้ว — รายเดียวที่ระบุ toolchain: "ใช้ Claude + Codex"
JotBantuek	"ผมใช้ช่วยทำแอพเล็กๆเอง" — journaling
แอปจดผลวัดความดัน	"ทำไว้ให้ผู้สูงอายุที่บ้านจดผลวัดความดันทุกวัน เรียกดูย้อนหลัง ปริ้นให้หมอได้"
วิทยุออนไลน์	เพิ่มสถานีเองได้ เลือก screensaver หรือวิดีโอจากคลังตัวเองได้ ดึงรายการสถานีจาก Radio Browser
หน้ารวมเครื่องมือใช้เอง	"ไม่มีลิมิต ไม่มีโฆษณา ทำไว้ใช้เอง จุกๆ"

อ่านแบบ Solutions Architect สังเกตคำว่า ออฟไลน์ ในบรรทัดที่สอง และคำว่า ปริ้นให้หมอได้ ในบรรทัดรองสุดท้าย ทั้งสองคือ requirement ที่มาจากการอยู่ในสถานการณ์จริง ไม่ใช่จากการนั่งคิด feature list — ร้านขายอาหารสัตว์เน็ตหลุด และหมอไม่เปิดแอปคนไข้ เกณฑ์ตัดสินใจที่ได้จากตรงนี้: ถ้า requirement ของโปรดักต์อ่านแล้วรู้สึกว่า "ทำไมต้องมีอันนี้ด้วย" นั่นมักแปลว่าคนเขียนเคยอยู่หน้างาน และนั่นคือสิ่งที่ AI ยังก็อปไม่ได้

อีกห้ากลุ่มที่เหลือ — 11 จาก 23

โปรเจค	สิ่งที่มันทำ ตามที่เจ้าของเขียนไว้
ETF Lens V2	คัด ETF อเมริกา ~2,000 ตัวแยก tier · สรุปงานวิจัยเป็นภาษาไทย · ตอบคำถาม 4 ข้อแล้วเสนอแนวทางพอร์ต · จำลอง DCA ระยะยาว — ทำเพราะเพื่อนร่วมงาน "มีเงินเก็บแต่ไม่รู้ว่าจะเริ่มต้นอย่างไร"
Planndee	คำนวณเงินเกษียณและภาษี — "ทำมาแก้ pain ตัวเองล้วนๆ"
FasttaxPlanner + RubJai	โปรแกรมภาษี "อัพเดทกฎหมายถึงปัจจุบัน (เอาเรื่องลดหย่อน Solarcell มาแล้ว)" + เตรียมยื่นภาษีกลางปี + บันทึกรับ-จ่ายตามแบบกรมสรรพากร
Siahra Radar	แผนที่ 3 มิติรายจังหวัด แสดงภัยพิบัติ/ความเสี่ยง "ที่วัดจริง (ไม่ใช่พยากรณ์เดา)" ดึงจากหลายแหล่ง
FastLEDChecker	"เอาทรัพย์บังคับคดีมาปักหมุด ให้หาง่าย"
LawLoop (iOS App Store)	ค้นกฎหมาย "และอ่านออกเสียงให้ฟังเหมือนฟังเพลง ค้นหาง่ายๆ ไม่ต้องจำเลขมาตราก็ได้"
MineMiew + genhaha	visual novel engine แบบลากวาง มีระบบขายผลงานและแก้ไขร่วมกัน + สร้างวิดีโอสั้นด้วย AI — "ตอนนี้เริ่มขายได้บ้างแล้วครับ"
บอทเกม	"ไม่กล้าเอามาลง กลัวสังคมประนาม"
เต้าหู้แปลภาษา	Chrome Extension พากย์เสียงไทยทับวิดีโอ เรียลไทม์ บน YouTube และ Udemy พร้อม sync ให้ตรงจังหวะ
PanDekDee	"แค่ระบุเวลาที่มี ระบบจะจัดกิจกรรม นิทาน และเกมฝึกคิดให้ทันที" สำหรับพ่อแม่กับลูก
ทีม AI 10+ ทีมในองค์กร	+ AI สำหรับ pre-production · digital transformation ในบริษัท · ผู้ช่วยส่วนตัวที่ automation ไปแล้ว 80% · ทีมวิเคราะห์ geopolitical คาดการณ์ตลาดและยุทธวิธีทางทหาร · ลดน้ำหนักตัวเองจาก 120+ เหลือ 100 กว่า

อ่านแบบ Solutions Architect แถวสุดท้ายคือรายเดียวที่ไม่ได้ตอบว่า "แอป" แต่ตอบเป็น operating model — ทีม AI หลายทีมที่ต่อกันเป็นระบบ ไม่ใช่โปรดักต์ชิ้นเดียว นี่คือ pattern ที่ scale ในองค์กรได้จริงกว่าการให้พนักงานคนหนึ่งไปทำแอปเดี่ยว เพราะสิ่งที่ทำซ้ำได้คือวิธีจัดทีม ไม่ใช่ตัวแอป และตัวชี้วัดที่เขายกมาก็ไม่ใช่ feature แต่เป็น "automation ไปแล้ว 80%" ซึ่งเป็นภาษาของคนที่วัดกระบวนการ ไม่ใช่ของคนที่วัด output

---

คูน้ำคือความรู้บริบทไทย ไม่ใช่เทคโนโลยี

ถ้าเรียงโปรเจคทั้ง 23 ตัวแล้วถามว่า "อะไรที่ทำให้ ChatGPT หรือ Claude เปล่า ๆ แทนตัวนี้ไม่ได้" คำตอบแทบไม่เคยเป็นเรื่องเทคนิค

โปรเจค	ความรู้ไทยที่มันเข้ารหัสไว้
FasttaxPlanner	กฎหมายลดหย่อนภาษีไทยฉบับปัจจุบัน รวมถึงลดหย่อน Solarcell และการยื่นกลางปี
FastLEDChecker	ข้อมูลทรัพย์บังคับคดี ซึ่งเป็นระบบเฉพาะของกระบวนการยุติธรรมไทย
ราคาถูกยัง	พฤติกรรมการตั้งราคาและลดราคาบน Shopee ในตลาดไทย
ETF Lens V2	ไม่ใช่ข้อมูล ETF (นั่นหาได้ทั่วไป) แต่คือการแปลศัพท์การลงทุนเป็นไทย สำหรับคนที่ "หาข้อมูลยาก และมีศัพท์เฉพาะเยอะ"
ระบบบริหารโรงเรียน สพฐ.	ระเบียบและแบบฟอร์มของสำนักงานคณะกรรมการการศึกษาขั้นพื้นฐาน
Meysure	วิธีถอดแบบก่อสร้างแบบที่ผู้รับเหมาไทยทำจริง
เต้าหู้แปลภาษา	ช่องว่างที่คอร์ส Udemy เป็นภาษาอังกฤษ แต่ผู้เรียนเป็นคนไทย
LawLoop	โครงสร้างประมวลกฎหมายไทยและวิธีที่คนไทยค้นหามัน (ไม่ต้องจำเลขมาตรา)

อ่านแบบ Solutions Architect นี่คือข้อโต้แย้งต่อความกลัวที่ได้ยินบ่อยที่สุด — "AI จะทำให้ซอฟต์แวร์กลายเป็นสินค้าโภคภัณฑ์ ใครก็ทำได้ ไม่มีใครมีคูน้ำ" ในตัวอย่างชุดนี้ตรงกันข้าม: เมื่อการเขียนโค้ดถูกลง สิ่งที่เหลือเป็นความได้เปรียบคือสิ่งที่ไม่ได้อยู่ในโค้ด คือความรู้ว่ากรมสรรพากรอัปเดตอะไรเมื่อไหร่ ผู้รับเหมาถอดแบบยังไง โรงเรียน สพฐ. ต้องกรอกอะไรบ้าง ความรู้พวกนี้ไม่มีใน training data เพราะมันอยู่ในหัวคนที่ทำงานนั้น เกณฑ์ตัดสินใจ: ถ้าไอเดียของคุณอธิบายให้คนต่างชาติเข้าใจได้ครบใน 30 วินาที มันน่าจะยังไม่มีคูน้ำ

สิ่งที่ปลดล็อกจริงคือซอฟต์แวร์ที่เล็กเกินกว่าจะจ้างทำ

ถอดแบบก่อสร้าง · POS ร้านอาหารสัตว์ · จดความดันให้แม่ · ลงเวลาเช็คไลน์ผลิต · ปักหมุดทรัพย์บังคับคดี — ทุกตัวคือตลาดที่เล็กเกินกว่าบริษัทซอฟต์แวร์จะสนใจ แต่ใหญ่พอสำหรับคนที่เจ็บกับปัญหานั้นเอง

ตัวเลขความเร็วที่คนในโพสต์ยกมาเอง

สิ่งที่ทำ	เวลาที่ใช้
โปรแกรมถอดแบบก่อสร้าง	"ประมาณ 2 weeks 700 commits"
8 ระบบ รวมระบบที่ deploy ให้โรงเรียนจริง	6 เดือน
6 ระบบ production, 3-4 ระบบมี user จริง	ไม่ระบุ — แต่ "เริ่มจากทุนหลักพัน"

อ่านแบบ Solutions Architect ตัวเลข 700 commits ใน 2 สัปดาห์ไม่ได้แปลว่าคนนั้นเก่งกว่าคนอื่น 20 เท่า มันแปลว่าต้นทุนของการลองผิดลดลงจนการลองกลายเป็นวิธีคิด — เมื่อการเขียนโค้ดชิ้นหนึ่งใช้เวลาเป็นนาทีแทนที่จะเป็นวัน คุณไม่ต้องออกแบบให้ถูกก่อนลงมือ ผลที่ตามมาที่คนมักมองข้าม: สิ่งที่กลายเป็นคอขวดใหม่ไม่ใช่การเขียน แต่คือการตัดสินใจว่าจะเขียนอะไร และนั่นคืองานที่ต้องรู้จักหน้างาน

แต่ตัวที่ไปได้ไกลที่สุดไม่ได้ชนะด้วยความเร็ว

โปรเจคที่มีตัวเลขธุรกิจจริงในกลุ่มนี้มีสองตัว และทั้งคู่ไม่ได้เกิดใน 2 สัปดาห์

"4 ปีที่ผ่านมาเดินทางทั่วประเทศหาช่างในแต่ละพื้นที่ ตอนนี้มี 13,000 คน · เรียกช่างซ่อมรถได้ 24 ชม. มีลูกค้าใช้ 700,000 คน"

อ่านแบบ Solutions Architect 4 ปีนั้นคืองานภาคสนามที่ AI ทำแทนไม่ได้เลยแม้แต่วันเดียว — การหาช่าง 13,000 คนคือการเดินทาง คุยกับคน สร้างความไว้ใจ AI เข้ามาช่วยตอนสร้างแอป ไม่ใช่ตอนสร้าง supply อีกรายที่มีมูลค่าซื้อขายผ่านระบบราว 100 ล้านบาทต่อเดือน ก็มีรูปทรงพอร์ตที่บอกอะไรคล้ายกัน คือระบบตรวจสลิป ระบบ cashback ระบบร้านค้า — โครงสร้างพื้นฐานการค้า ไม่ใช่แอปผู้บริโภค ซึ่งเป็นของที่ต้องมีคู่ค้าเชื่อใจก่อนถึงจะมีปริมาณ นี่คือข้อที่ควรใช้เตือนคนที่สรุปว่า AI แปลว่าไม่ต้องมี moat แล้ว

---

ปัญหาย้ายจาก "สร้างไม่ได้" ไปเป็น "ไม่มีคนใช้"

โพสต์ที่มี 1,200 คอมเมนต์และ 21,000 shares เต็มไปด้วยคนที่สร้างของเสร็จแล้ว สิ่งที่แทบไม่มีเลยคือคนที่พูดถึงสิ่งที่เกิดขึ้นหลังจากสร้างเสร็จ

ช่องว่างสี่ข้อที่เงียบผิดปกติ

ช่องว่าง	หลักฐานในกลุ่มตัวอย่าง
Distribution	เกือบทุกคนโพสต์ลิงก์แล้วจบ ไม่มีใครพูดถึงว่าจะหา user ยังไง
รายได้	3 จาก 23 ที่พูดถึงเงินจริง ที่เหลืออยู่ในสถานะ "เข้าไปช่วยกันทดลองใช้ได้ครับ ส่ง feedback ได้"
ต้นทุนและการดูแลระบบ	8 ระบบรันอยู่บนชั้นฟรีของ PaaS ยังไม่มีใครถึงจุดที่ต้องจ่าย จึงยังไม่มีใครคิดเรื่อง unit economics
Compliance	โปรแกรมภาษี ระบบโรงเรียน ระบบชำระเงิน ล้วนแตะกฎเกณฑ์ แต่ไม่มีคอมเมนต์ไหนเอ่ยถึงเลยสักคำ

อ่านแบบ Solutions Architect สามข้อหลังเป็นเรื่องเวลา — มันจะโผล่มาเองเมื่อมี user มากพอ แต่ข้อแรกไม่ใช่ ความเงียบเรื่อง distribution คือสัญญาณว่าคอขวดย้ายที่แล้วแต่คนยังไม่ทันรู้ตัว ตอนที่การสร้างซอฟต์แวร์ยาก การมีของถือเป็นความได้เปรียบในตัวมันเอง ตอนนี้ทุกคนในโพสต์นั้นมีของ และของทุกชิ้นแข่งกันเพื่อความสนใจของคนกลุ่มเดิม ผลที่ตามมาสำหรับใครก็ตามที่กำลังจะเริ่ม: งบประมาณเวลาที่เคยเป็น 90% สร้าง / 10% บอกคนอื่น ควรกลับด้าน

สี่สัญญาณที่แยกโปรเจคที่ไปต่อได้ออกจากที่เหลือ

จากการอ่านทั้ง 23 ตัว โปรเจคที่ดูน่าเชื่อมีอย่างน้อยหนึ่งในสี่ข้อนี้ และส่วนใหญ่ในโพสต์ยังไม่มีสักข้อ

1. มีตัวเลขที่ตรวจสอบได้ — 700 commits, 13,000 ช่าง, ~100 ล้านบาท/เดือน ไม่ใช่ "ใช้งานได้ดีมาก"
2. มีโดเมนจริง ไม่ใช่ subdomain ฟรี — .co, .com, .ac.th เทียบกับ *.vercel.app
3. ผ่านการรีวิวของ store — มี 2 ตัวจาก 23 (Chrome Web Store และ iOS App Store)
4. มีคนใช้ที่ไม่ใช่ตัวเอง — โรงเรียนที่ deploy จริง เพื่อนร่วมงานที่ใช้จริง ลูกค้าที่จ่ายจริง

อ่านแบบ Solutions Architect สี่ข้อนี้ไม่ได้วัดคุณภาพของโค้ด มันวัดการสัมผัสกับความจริงภายนอก — คนอื่นที่ไม่ใช่คุณต้องยอมรับมันในบางรูปแบบ ไม่ว่าจะเป็นทีมรีวิวของ Google หน่วยงานที่ยอม deploy หรือคนที่ควักเงิน เกณฑ์ตัดสินใจที่ผมใช้เองเวลาประเมินโปรเจคภายใน: ถ้าหลักฐานความสำเร็จทั้งหมดมาจากคนที่สร้างมัน แปลว่ามันยังไม่ได้ถูกทดสอบ ไม่ว่าจะดูดีแค่ไหน

---

ภาคผนวก

ศัพท์เฉพาะ

คำ	ความหมาย
AI wrapper	โปรดักต์ที่เป็นเปลือกบาง ๆ ครอบ LLM ของคนอื่น มูลค่าหลักมาจากตัว LLM ไม่ใช่จากเปลือก
Vertical SaaS	ซอฟต์แวร์ที่ทำให้อุตสาหกรรมเดียวโดยเฉพาะ เช่น POS สำหรับร้านอาหารสัตว์ ตรงข้ามกับซอฟต์แวร์ที่ใช้ได้ทุกวงการ
PaaS	Platform-as-a-Service — บริการรันเว็บแอปให้โดยไม่ต้องดูแลเซิร์ฟเวอร์เอง เช่น Vercel, Railway, Netlify ทุกเจ้ามีชั้นฟรี
Moat / คูน้ำ	สิ่งที่ทำให้คู่แข่งลอกตามไม่ได้ทันที ในบทความนี้คือความรู้บริบทเฉพาะถิ่น
Commit	หน่วยการบันทึกการเปลี่ยนแปลงโค้ดหนึ่งครั้ง ใช้เป็นตัวชี้วัดปริมาณงานอย่างหยาบ ๆ
Distribution	ช่องทางที่ทำให้คนรู้จักและเข้าถึงโปรดักต์ ไม่ใช่การขนส่งสินค้า
Unit economics	กำไร-ขาดทุนต่อหน่วย เช่น ต่อผู้ใช้หนึ่งคนหรือต่อธุรกรรมหนึ่งครั้ง
ทรัพย์บังคับคดี	ทรัพย์สินที่ถูกยึดและนำออกขายทอดตลาดตามคำสั่งศาล
สพฐ.	สำนักงานคณะกรรมการการศึกษาขั้นพื้นฐาน — ต้นสังกัดของโรงเรียนรัฐส่วนใหญ่
ถอดแบบ	การอ่านแบบก่อสร้างแล้วคำนวณปริมาณวัสดุและค่าแรงออกมาเป็นตัวเลข

สูตรและสมมติฐาน

สัดส่วนทุกตัวในบทความคำนวณจากฐานเดียวกัน คือ 23 โปรเจค ไม่ใช่ 29 คอมเมนต์ และไม่ใช่ 1,200 คอมเมนต์

สัดส่วนของกลุ่ม = จำนวนโปรเจคในกลุ่ม ÷ 23
  ธุรกิจ/SME        4 ÷ 23 = 17.4%  → ปัดเป็น 17%
  E-commerce        4 ÷ 23 = 17.4%  → 17%
  เครื่องมือส่วนตัว  4 ÷ 23 = 17.4%  → 17%
  การเงิน/ภาษี      3 ÷ 23 = 13.0%  → 13%
  civic tech        3 ÷ 23 = 13.0%  → 13%
  เกม/สร้างสรรค์     2 ÷ 23 =  8.7%  → 9%
  การศึกษา/ครอบครัว 2 ÷ 23 =  8.7%  → 9%
  agent fleet       1 ÷ 23 =  4.3%  → 4%

"สามกลุ่มบนรวมกัน 52%" = (4 + 4 + 4) ÷ 23 = 12 ÷ 23 = 52.2%

สมมติฐานที่ผลลัพธ์แขวนอยู่กับมัน สองข้อ

1. "100MB/เดือน" ถูกอ่านว่า 100 ล้านบาทต่อเดือน ไม่ใช่ 100 เมกะไบต์ — MB เป็นคำย่อที่คนไทยในวงธุรกิจใช้แทน "ล้านบาท" และบริบทของประโยคคือ "มูลค่าการซื้อขายผ่านระบบ" ซึ่งเป็นจำนวนเงิน ถ้าการอ่านนี้ผิด ข้อสรุปเรื่อง "โปรเจคที่มีตัวเลขธุรกิจจริง" ก็ผิดตามไปด้วย เจ้าของโปรเจคไม่ได้ระบุหน่วยไว้ชัด
2. การจัดกลุ่มทั้ง 8 กลุ่มเป็นการตัดสินของผมเอง ไม่ใช่หมวดหมู่ที่เจ้าของโปรเจคเลือก โปรเจคหลายตัวคาบเกี่ยวสองกลุ่มได้ — ระบบบัญชีบริษัทเป็นได้ทั้ง SME back-office และการเงิน — ผมเลือกกลุ่มตามผู้ใช้ปลายทาง ไม่ใช่ตามหน้าที่ของซอฟต์แวร์ การจัดกลุ่มแบบอื่นย่อมให้สัดส่วนอื่น

วิธีเก็บข้อมูลและข้อจำกัด

วิธีเก็บ — ดึงผ่านเบราว์เซอร์ที่ล็อกอินบัญชีของผมเอง อ่านโครงสร้างหน้าเว็บของกล่องคอมเมนต์โดยตรง เก็บเฉพาะคอมเมนต์ระดับบนสุด ไม่รวม reply สลับการเรียงลำดับระหว่าง Most relevant / All comments / Newest และรีโหลดหน้าหลายรอบ แล้วรวมผลเข้าด้วยกัน

ข้อจำกัดที่ต้องรู้ก่อนเชื่อตัวเลขในบทความนี้

• ครอบคลุมแค่บางส่วน และเป็นส่วนที่เล็ก — โพสต์มี 1,200 คอมเมนต์ เก็บได้ 29 คอมเมนต์บนสุดที่ไม่ซ้ำ Facebook หยุดโหลดคอมเมนต์เพิ่มที่ราว 10–20 อันต่อรอบ การรีโหลดและสลับการเรียงได้เพิ่มรอบละราว 10 แล้วอิ่มตัวที่ 29 ไม่ว่าจะลองอีกกี่รอบ สัดส่วนทุกตัวจึงอ่านเป็นทิศทาง ไม่ใช่ตัวเลขจริงของทั้งโพสต์
• มีอคติจากการเลือกตัวอย่างสามชั้น — (ก) เฉพาะคนที่กล้าอวดผลงาน ซึ่งเอียงไปทางคนที่ทำสำเร็จ (ข) เฉพาะคอมเมนต์ที่ Facebook จัดว่าเกี่ยวข้องหรือใหม่ที่สุด ช่วงกลางไม่ได้เก็บเลย (ค) เฉพาะคนในกลุ่ม Claude Thailand ซึ่งเป็น early adopter ไม่ใช่ตัวแทนนักพัฒนาไทยทั่วไป
• ตัวเลขทุกตัวยังไม่ได้ตรวจสอบ — 100 ล้านบาท/เดือน, 700,000 ผู้ใช้, 13,000 ช่าง, 700 commits, ลดน้ำหนัก 120 เหลือ 100 กว่า ทั้งหมดเป็นคำกล่าวอ้างของเจ้าของ ผมไม่ได้เปิดเว็บไปยืนยันสักตัว
• ไม่ได้อ่าน reply เลย — เธรดที่ยาวที่สุดมี 94, 60, 41, 32 และ 28 reply ซึ่งน่าจะมีทั้งโปรเจคเพิ่มและคำวิจารณ์ที่มีค่า
• ไม่ได้วัดว่าคอมเมนต์ไหนคนชอบ — ไม่ได้เก็บ reaction รายคอมเมนต์ การจัดว่าอันไหนน่าสนใจในบทความนี้เป็นการตัดสินเชิงคุณภาพล้วน ๆ
• แทบไม่มีใครบอกว่าใช้เครื่องมืออะไร — มีสองรายที่ระบุ (รายหนึ่งบอก "Claude + Codex" อีกรายโฮสต์งานไว้บนโดเมนของ ChatGPT) ที่เหลือผมอนุมานจากบริบทว่าใช้ Claude เพราะโพสต์อยู่ในกลุ่ม Claude — เป็นการอนุมาน ไม่ใช่ข้อมูล และแปลว่าพาดหัวเรื่อง "AI" ตรงกว่าเรื่อง "Claude"

สิ่งที่บทความสาธารณะนี้ตัดออกโดยตั้งใจ — ไฟล์วิจัยต้นทางบันทึกชื่อผู้คอมเมนต์ทั้ง 29 ราย พร้อมข้อความเต็มของแต่ละคน บทความนี้อ้างเฉพาะตัวโปรเจคและลิงก์ที่เจ้าของเปิดสาธารณะไว้เอง แต่ไม่อ้างชื่อบุคคล เพราะการโพสต์ในกลุ่มกับการถูกยกมาลงเว็บเป็นคนละเรื่องกัน

ถ้าจะทำให้แน่นขึ้น — เปิดเว็บทั้ง 23 ตัวยืนยันว่ายังทำงานอยู่ · อ่าน reply ของห้าเธรดที่ยาวที่สุด · เก็บ reaction รายคอมเมนต์เพื่อจัดอันดับตามการตอบรับจริง · กลับไปเก็บซ้ำเมื่อคอมเมนต์นิ่งแล้ว