
วิทยากร AI สำหรับองค์กร: บรรยายและเวิร์กช็อปใช้งานจริง
ประเด็นสำคัญ
กรอบ Design มาก่อน Name: ผลอบรมขึ้นกับการออกแบบ ไม่ใช่ชื่อวิทยากร ที่ทำให้ผลต่างคือสำรวจก่อนสอน ฝึกจริง ให้ความเห็นกลับ และแบ่งเรียนหลายช่วง [1] อ่านต่อ ↓
เลือกรูปแบบจากสิ่งที่อยากเปลี่ยน: บรรยายเปลี่ยนความเข้าใจผู้บริหาร เวิร์กช็อปภาคปฏิบัติเปลี่ยนทักษะรายคน เวิร์กช็อปออกแบบกระบวนการเปลี่ยนงานของทีม อ่านต่อ ↓
คนเก่งขึ้น ไม่เท่ากับ องค์กรได้ผล: 80% บอกว่า AI ช่วยให้ทำงานได้มากขึ้น แต่แค่ 37% เห็นผลถึงกำไร ถ้าเป้าคือกำไร เลือกแบบออกแบบกระบวนการ [2] อ่านต่อ ↓
ใช้เวลาเท่าไร: เวิร์กช็อป 1 วันคือวันออกแบบ งานจริงเปลี่ยนในหลายสัปดาห์หลังจากนั้น ผลอาจแย่ลงก่อนดีขึ้น วัดที่ 60 ถึง 90 วัน [3] อ่านต่อ ↓
คัดวิทยากรด้วย 6 ข้อ: ดูงานที่ทำเอง ผลทางธุรกิจ ความกว้างของประสบการณ์ การสำรวจก่อนสอน วาระ และแผนหลังอบรม คนเก่งมักประเมินคนเริ่มต้นสูงเกินจริง [4] อ่านต่อ ↓
ผู้จัดเตรียม 6 อย่าง: เป้าหมาย 1 ประโยค ตัวอย่างงานจริง 3 ถึง 5 งาน เจ้าของกระบวนการ ตัวเลขฐาน อุปกรณ์ และกติกาข้อมูล บรรยายได้ทั้งไทยและอังกฤษ อ่านต่อ ↓
จ้างวิทยากรที่ดังที่สุด แล้วผลอบรมจะดีที่สุดไหม?
ฟังดูเหมือนใช่
แต่ข้อมูลบอกว่าไม่จำเป็นครับ
งานรวมผลการศึกษาการอบรมในองค์กร 335 กลุ่มตัวอย่าง ไม่พบความต่างของผลระหว่างวิทยากรจากภายนอกกับวิทยากรภายใน [1]
แล้วอะไรทำให้ผลต่างกัน?
การสำรวจความต้องการก่อนสอน การให้ลงมือฝึก การให้ความเห็นกลับ การแบ่งเรียนเป็นหลายช่วง และการสอนแบบเจอตัวในที่ทำงาน [1]
ประเด็นไม่ใช่ "วิทยากรคนนี้ดังไหม"
ประเด็นคือ "เขาออกแบบงานให้ทีมเราอย่างไร และเคยใช้ AI สร้างผลทางธุรกิจจริงหรือเปล่า"
บทความนี้ตอบคำถามนั้นครบ
5 รูปแบบงาน วิธีเลือกวิทยากร 6 ข้อ และสิ่งที่ผู้จัดเตรียมแล้วเปลี่ยนผลได้มากที่สุด (ข้อสุดท้ายนี้หลายคนไม่คาดคิด)
วิทยากร AI ที่ดีต้องเป็นนักปฏิบัติ แต่นักปฏิบัติอย่างเดียวยังไม่พอ
ความรู้ที่ผู้เรียนต้องการที่สุด หาจากหนังสือไม่ได้
คนที่เคยทำโปรเจกต์ AI จริงจะรู้ว่าโจทย์ไหนคุ้ม โจทย์ไหนเสียเวลา
ข้อมูลแบบไหนพาให้โปรเจกต์ล้ม และทีมต้องเปลี่ยนวิธีทำงานตรงไหน
นี่คือสิ่งที่ผู้เรียนต้องใช้ เมื่อกลับไปที่โต๊ะ
ผู้เขียนเองมีทั้งงานวิจัย Machine Learning ทางการแพทย์ และงาน AI ในธุรกิจ [5]
และบทเรียนใหญ่ที่สุดคือ เก่งเอง กับ สอนให้คนอื่นทำได้ เป็นคนละทักษะกัน
ยิ่งเก่ง ยิ่งลืมว่าตอนเริ่มยากแค่ไหน (Curse of Expertise)
การทดลองพบว่า ยิ่งเชี่ยวชาญมาก ยิ่งประเมินว่าคนเริ่มต้นจะใช้เวลาน้อยกว่าความจริง และการเตือนให้ระวังก็แก้ได้ไม่มาก [4]
ในห้องอบรม AI ปัญหานี้เห็นชัดมาก
วิทยากรที่ใช้ AI ทุกวัน มักข้ามขั้นที่ตัวเองทำโดยไม่รู้ตัว เช่น การเตรียมไฟล์ การตรวจคำตอบ หรือการเขียนคำสั่งซ้ำหลายรอบ
วิธีตรวจคือ ขอดูแบบฝึกหัดจริง
แล้วถามว่ามีช่วงไหนที่ผู้เรียนทำเอง โดยมีคนดูและให้ความเห็น
วิทยากรไม่ได้มีไว้ส่งความรู้ แต่มีไว้ทำให้คนลงมือ
งานวิจัยเดียวกันพบว่า โปรแกรมที่ให้ผู้เรียนเรียนเองโดยไม่มีวิทยากร ได้ผลด้านการนำไปใช้น้อยกว่าโปรแกรมที่มีวิทยากรจากภายนอก [1]
บทบาทของวิทยากรจึงคือ ทำให้คนลงมือ แล้วแก้ให้ทันที
ประสบการณ์ตรงของ อ.โจ: จาก Machine Learning ถึง Agentic AI
Machine Learning และ AI ตรวจโรค: ร่วมเขียนงานวิจัยที่ใช้ Convolutional Neural Network แยกโรคกระจกตาติดเชื้อจากภาพถ่ายตา 6,478 ภาพ ตีพิมพ์ในวารสาร Clinical Ophthalmology ปี 2025
ที่ปรึกษาวิจัยตลาด: ทำงานด้าน consumer and market intelligence ให้องค์กรชั้นนำ เช่น Unilever
ที่ปรึกษาผู้บริหาร: ประสบการณ์มากกว่า 10 ปีในงาน Consulting และเทคโนโลยี ทำงานตรงกับ CEO และเจ้าของกิจการในไทย สิงคโปร์ และมาเลเซีย
ปัจจุบัน: ให้คำปรึกษาองค์กรเรื่องการใช้ AI เพื่อเพิ่มยอดขายหรือลดต้นทุน ตั้งแต่หาโจทย์ ออกแบบกระบวนการใหม่ ไปจนถึงใช้ AI Agent ทำงานแทนขั้นตอนที่ซ้ำ
การสอน: อาจารย์ที่ True Digital Academy จบวิศวกรรมเครื่องกลและปริญญาโทด้าน Managerial Economics จากจุฬาลงกรณ์มหาวิทยาลัย
ดูประวัติเต็มได้ที่ LinkedIn ของ อ.โจ และ หน้าวิทยากร
เลือกรูปแบบงานจากสิ่งที่อยากให้เปลี่ยน ไม่ใช่จากความยาวของงาน
คนเก่งขึ้น ไม่ได้แปลว่าองค์กรได้ผลมากขึ้น (Deploy ไม่เท่ากับ Reshape)
ในปี 2026 ผู้ตอบแบบสำรวจ 80% บอกว่า AI ทำให้ตัวเองทำงานได้มากขึ้น
แต่มีแค่ 37% ที่เห็นผลต่อกำไรขององค์กร [2]
กลุ่มที่ได้ผลสูงเกือบ 3 ใน 4 ทำอะไรต่างออกไป?
ออกแบบขั้นตอนงานใหม่ครับ [2]
ก่อนเลือกรูปแบบ ให้ตอบคำถามเดียว
ต้องการให้ คนแต่ละคน ใช้ AI เก่งขึ้น หรือต้องการให้ ขั้นตอนงานของทีม เปลี่ยน
รูปแบบ | เป้าหมาย | ผู้เข้าร่วม | ผลที่ควรได้ | ข้อจำกัด |
Executive keynote | ผู้บริหารเห็นทิศทาง และตัดสินใจว่าจะเริ่มตรงไหน | CEO ทีมบริหาร | โจทย์ที่จัดลำดับแล้ว และการสนับสนุนจากผู้บริหาร | ฟังอย่างเดียวไม่สร้างทักษะ |
AI awareness | ทั้งองค์กรเข้าใจสิ่งที่ AI ทำได้ ทำไม่ได้ และกติกาข้อมูล | พนักงานทุกระดับ | ภาษากลาง และกติกาที่ทุกคนรู้ | ไม่เปลี่ยนวิธีทำงานถ้าไม่มีขั้นต่อ |
Hands-on AI workshop | ทักษะรายคน | พนักงานที่มีงานคล้ายกัน | แม่แบบ Prompt และงานที่ทำเสร็จในห้อง | ทักษะหายเร็วถ้าไม่ฝึกต่อ |
Workflow redesign workshop | ขั้นตอนงานของทีมเปลี่ยน | ทีมข้ามฝ่าย เจ้าของกระบวนการ หัวหน้างาน | แผนผังขั้นตอนใหม่ ตัวชี้วัด และค่าตั้งต้น | ต้องมีเจ้าของกระบวนการ และใช้เวลาทดลองต่อหลายสัปดาห์ |
Build AI hackathon | ต้นแบบเครื่องมือ | ทีมธุรกิจผสมทีมเทคนิค | ต้นแบบที่ใช้งานได้ภายในวันเดียว | ต้นแบบส่วนใหญ่ไม่ไปต่อถ้าไม่มีเจ้าของรับ |
บรรยายได้ทั้งภาษาไทยและภาษาอังกฤษ ทุกหลักสูตรปรับตามงานจริงของผู้เรียนก่อนวันอบรม
งานบรรยายมีค่าตรงที่ทำให้ผู้บริหารแสดงจุดยืน ไม่ใช่ตรงที่สร้างทักษะ
เมื่อพนักงานรู้สึกว่าผู้นำสนับสนุนจริง สัดส่วนที่รู้สึกดีกับ AI ขึ้นจาก 15% เป็น 55% [6]
แต่พนักงานระดับปฏิบัติการมีแค่ 25% ที่บอกว่าได้รับการสนับสนุนพอ [6]
ส่วนการฟังอย่างเดียวไม่สร้างทักษะ โปรแกรมที่มีแต่การให้ข้อมูล ได้ผลน้อยกว่าโปรแกรมที่มีการฝึกด้วย [1]
งานบรรยายที่ดีจึงจบด้วยการตัดสินใจหรือขั้นต่อที่ชัด ไม่ใช่จบที่แรงบันดาลใจ
ทักษะรายคนต้องใช้ชั่วโมงฝึก และต้องเห็น AI ตอบผิด
คนที่ได้อบรมมากกว่า 5 ชั่วโมงเป็นผู้ใช้ AI ประจำ 79% เทียบกับ 67% ในกลุ่มที่ได้น้อยกว่า และการอบรมแบบเจอตัวกับการมีโค้ชช่วยเพิ่มการใช้ประจำ [6]
แต่ใช้เก่งอย่างเดียวยังไม่พอ ต้องรู้ว่าเมื่อไรไม่ควรเชื่อ (Jagged Frontier)
ในงานที่อยู่นอกความสามารถของ AI ที่ปรึกษาที่ใช้ AI ตอบถูกน้อยกว่าคนที่ไม่ใช้ 19 จุดเปอร์เซ็นต์ [7]
เวิร์กช็อปภาคปฏิบัติที่ดี จึงต้องมีช่วงที่ผู้เรียนเห็น AI ตอบผิดในงานของตัวเอง
งานของทีมเปลี่ยน เมื่อคนต่างฝ่ายออกแบบงานร่วมกัน
ในการทดลองกับพนักงาน 776 คนของบริษัทสินค้าอุปโภคบริโภครายใหญ่ AI ช่วยให้คนฝ่ายวิจัยและฝ่ายการค้าเสนอแนวคิดที่สมดุลมากขึ้น [8]
และคนเดียวที่มี AI ทำงานได้ใกล้เคียงทีม 2 คนที่ไม่มี AI [8]
นี่คือเหตุผลที่เวิร์กช็อปออกแบบกระบวนการ ต้องผสมคนที่อยู่ในกระบวนการเดียวกัน ไม่ใช่ให้แต่ละคนเรียนเครื่องมือแยกกัน
Hackathon ได้ต้นแบบ ไม่ได้ระบบ
Hackathon สร้างพลังได้เร็ว แต่โปรเจกต์จะไปต่อได้เมื่อตรงกับความต้องการจริง เข้ากับงานหรือผลิตภัณฑ์ที่มีอยู่ และมีหน่วยงานรับไปดูแล [9]
ผู้จัดควรวางขั้นหลังงานไว้ เช่น การนำเสนอต่อผู้มีอำนาจตัดสินใจ และตกลงก่อนจัดว่าใครจะรับต้นแบบที่ชนะไปทำต่อ
รู้แล้วว่ารูปแบบไหนให้อะไร
คำถามต่อไปคือ วันจริงหน้าตาเป็นอย่างไร
วันเดียวคือวันออกแบบ ไม่ใช่วันเปลี่ยน: ตัวอย่างวาระ Process Redesign Workshop 1 วัน
หลักสูตรนี้ออกแบบสำหรับผู้เรียนประมาณ 30 คน แบ่ง 6 กลุ่มที่ผสมทีมธุรกิจและทีมเทคนิค ทุกช่วงจบด้วยผลงานที่ทีมเก็บไปใช้ต่อได้
09:00 ความเชื่อผิด 4 ข้อเรื่องการปรับปรุงกระบวนการ: ได้ภาษากลางของทั้งห้อง
09:35 กำหนดและจัดลำดับปัญหา: ได้โจทย์ 1 ข้อพร้อมประมาณการความสูญเปล่า
10:40 สัมภาษณ์ผู้เกี่ยวข้องและวาดกระบวนการเดิม: ได้แผนผังขั้นตอนพร้อมเวลาทำงานและเวลารอ
13:00 วิเคราะห์และออกแบบใหม่: ตัดทิ้ง รวม สลับ ทำให้ง่าย แล้วจึงใส่ระบบอัตโนมัติ
14:30 KPI และค่าตั้งต้น: ได้แผนวัดผลและการคำนวณ FTE ที่ประหยัดได้
15:05 นำเสนอ: แต่ละทีมนำเสนอและได้คะแนนจากเพื่อนร่วมห้อง
ดูวาระอื่น เช่น Claude in a Day และ Google Apps Script ได้ที่ training.imimpower.com
งานของทีมไม่ได้เปลี่ยนในวันอบรม
แต่เปลี่ยนในหลายสัปดาห์หลังจากนั้น
หลังจบวัน ทีมต้องทดลองขั้นตอนใหม่กับงานจริง โดยมีเจ้าของกระบวนการตัดสินใจ
และวัดเทียบค่าตั้งต้นที่ได้จากช่วง 14:30
ช่วงแรกผลงานอาจแย่ลงก่อนดีขึ้น (J-curve)
ข้อมูลโรงงานสหรัฐฯ ชี้ว่าองค์กรที่เริ่มใช้ AI มักผลงานลดลงในช่วงแรก ก่อนจะดีขึ้น [3]
จึงควรวัดผลที่ 60 ถึง 90 วัน ไม่ใช่สัปดาห์แรก
วาระที่ดีเกิดจากวิทยากรที่ใช่
ส่วนถัดไปคือ 6 ข้อที่ใช้คัด
วิทยากรที่ใช่เล่าความล้มเหลวของตัวเองได้ชัด: 6 ข้อที่ใช้เลือก
ดูงานที่ทำเอง: ขอตัวอย่างโปรเจกต์ที่วิทยากรทำ ไม่ใช่แค่หัวข้อที่เคยสอน และถามว่าอะไรล้มเหลว เพราะคนที่ทำงานจริงจะเล่าความล้มเหลวได้ชัด
ดูผลทางธุรกิจ: งานนั้นเพิ่มยอดขายหรือลดต้นทุนอย่างไร วัดอย่างไร
ดูความกว้างของประสบการณ์: เข้าใจทั้ง Machine Learning แบบเดิมและ Generative AI หรือไม่ เพราะบางโจทย์ไม่ต้องใช้ Generative AI
ดูการสำรวจก่อนสอน: วิทยากรถามงานจริง ผู้เรียน และเป้าหมายของทีมก่อนวันอบรมหรือไม่ การสำรวจความต้องการก่อนสอนสัมพันธ์กับการเรียนรู้และการนำไปใช้ที่ดีกว่า
ดูวาระ: ทุกช่วงมีผลงานที่ผู้เรียนนำไปใช้ต่อหรือไม่ มีเวลาฝึกกี่เปอร์เซ็นต์ และมีช่วงให้ความเห็นกลับหรือไม่
ดูแผนหลังอบรม: มีการติดตามหรือช่วงที่สองหรือไม่ เพราะการแบ่งเรียนหลายช่วงสัมพันธ์กับการนำไปใช้และผลลัพธ์ที่ดีกว่าการเรียนรวดเดียว และใครช่วยประเมินว่างานไหนทำเอง งานไหนต้องจ้าง อ่านรายละเอียดได้ที่ วิธีเลือกหลักสูตรอบรม AI ให้พนักงาน
แต่ต่อให้ได้วิทยากรที่ใช่ ผลยังขึ้นกับอีกฝ่ายหนึ่งมาก
ฝ่ายที่หลายคนไม่คาดคิด คือผู้จัดงานครับ
ผู้จัดงานกำหนดผลได้มากกว่าวิทยากร: สิ่งที่ควรเตรียม
วิทยากรปรับเนื้อหาได้ตรงแค่ไหน ขึ้นกับข้อมูลที่ได้ก่อนวันงาน เตรียม 6 อย่างนี้
เป้าหมายของงาน 1 ประโยค เช่น ให้ผู้บริหารเห็นโอกาสลดต้นทุนจาก AI ใน 3 ฝ่าย และระบุว่าเป็นเป้าหมายรายคนหรือเป้าหมายของทีม
ข้อมูลผู้เข้าร่วม ตำแหน่ง และระดับความคุ้นเคยกับ AI
ตัวอย่างงานจริง 3 ถึง 5 งานที่อยากให้เร็วขึ้น
สำหรับเวิร์กช็อปออกแบบกระบวนการ: ชื่อเจ้าของกระบวนการที่จะเข้าร่วม และตัวเลขฐาน เช่น เวลาตั้งแต่รับเรื่องจนจบ
อุปกรณ์ เช่น โน้ตบุ๊ก บัญชีเครื่องมือ AI และอินเทอร์เน็ตที่รองรับทั้งห้อง สำหรับเวิร์กช็อปภาคปฏิบัติ
กติกาข้อมูลขององค์กร ว่าข้อมูลประเภทไหนห้ามใส่ใน AI
เตรียมครบแล้ว ส่งโจทย์มาได้เลย
คำถามที่พบบ่อย
วิทยากร AI บรรยายเป็นภาษาอังกฤษได้ไหม
ได้ อ.โจ บรรยายและสอนได้ทั้งภาษาไทยและภาษาอังกฤษ
ควรเลือกบรรยายหรือเวิร์กช็อป
ถ้าต้องการให้ผู้บริหารเห็นทิศทางและแสดงการสนับสนุน เลือกบรรยาย
ถ้าต้องการทักษะรายคน เลือกเวิร์กช็อปภาคปฏิบัติ
ถ้าต้องการให้ทีมเปลี่ยนวิธีทำงาน เลือกเวิร์กช็อปออกแบบกระบวนการ หลายองค์กรเริ่มจากบรรยายให้ผู้บริหาร แล้วต่อด้วยเวิร์กช็อปให้ทีมนำร่อง ลำดับนี้มีเหตุผล เพราะการสนับสนุนจากผู้บริหารเป็นปัจจัยที่สัมพันธ์กับการนำสิ่งที่เรียนไปใช้
ผู้เรียนต้องมีพื้นฐานไหม
ไม่ต้อง หลักสูตรเริ่มจากการสั่งงาน AI ให้ชัด อ่านพื้นฐานได้ที่ Prompt คืออะไร
มีหลักสูตรเฉพาะอุตสาหกรรมไหม
มี เช่น เวิร์กช็อปสำหรับตัวแทนประกันและที่ปรึกษาการเงิน อ่านตัวอย่างงานได้ที่ ตัวแทนประกันใช้ AI ยังไง
จัดออนไลน์ได้ไหม
ได้ แต่ถ้าเลือกได้ การสอนแบบเจอตัวในที่ทำงานสัมพันธ์กับผลที่ดีกว่าในงานวิจัยการอบรม และเหมาะกับเวิร์กช็อปที่ต้องทำงานเป็นทีม
ถ้าจัดออนไลน์ ให้แบ่งเป็นหลายช่วงสั้นและมีงานให้ทำระหว่างช่วง
สรุป
เลือกวิทยากรจากสิ่งที่เขาทำ ไม่ใช่สิ่งที่เขาพูด
ดูงานที่เขาทำเอง ผลทางธุรกิจที่เกิดขึ้นจริง และวิธีที่เขาออกแบบการสอนให้ทีมของคุณ
แล้วเลือกรูปแบบงานให้ตรงเป้าหมาย
บรรยายเพื่อให้เห็นทิศทาง เวิร์กช็อปภาคปฏิบัติเพื่อทักษะรายคน เวิร์กช็อปออกแบบกระบวนการเพื่อให้งานของทีมเปลี่ยน
และวางแผนหลังวันงานไว้ตั้งแต่ก่อนเริ่ม
ถ้าคุณอ่านจนจบ ยินดีด้วยครับ คุณพร้อมคุยกับวิทยากรทุกคนแล้ว
อ้างอิง
[1] Lacerenza, C. N., Reyes, D. L., Marlow, S. L., Joseph, D. L., Salas, E. (2017). Leadership Training Design, Delivery, and Implementation: A Meta-Analysis. Journal of Applied Psychology, 102(12), 1686-1718. https://doi.org/10.1037/apl0000241
[2] McKinsey. (2026). The State of AI in 2026: On the Road to ROI. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
[3] McElheran, K., et al. (2025). The Rise of Industrial AI in America: Microfoundations of the Productivity J-curve(s). US Census Bureau CES-WP-25-27. https://www.census.gov/library/working-papers/2025/adrm/CES-WP-25-27.html
[4] Hinds, P. J. (1999). The Curse of Expertise: The Effects of Expertise and Debiasing Methods on Predictions of Novice Performance. Journal of Experimental Psychology: Applied, 5(2), 205-221. https://doi.org/10.1037/1076-898X.5.2.205
[5] Satitpitakul, V., Puangsricharern, A., et al. (2025). A Convolutional Neural Network Using Anterior Segment Photos for Infectious Keratitis Identification. Clinical Ophthalmology. https://www.dovepress.com/a-convolutional-neural-network-using-anterior-segment-photos-for-infec-peer-reviewed-fulltext-article-OPTH
[6] BCG. (2025). AI at Work 2025: Momentum Builds, but Gaps Remain. https://www.bcg.com/publications/2025/ai-at-work-momentum-builds-but-gaps-remain
[7] Dell'Acqua, F., et al. (2025). Navigating the Jagged Technological Frontier. Organization Science. https://doi.org/10.1287/orsc.2025.21838
[8] Dell'Acqua, F., et al. (2025). The Cybernetic Teammate. NBER Working Paper 33641. https://www.nber.org/papers/w33641
[9] Pe-Than, E. P. P., Nolte, A., Herbsleb, J. D., et al. (2019). Designing Corporate Hackathons With a Purpose: The Future of Software Development. IEEE Software, 36(1). https://hackathon-planning-kit.org/files/Pethan-IEEESW-2019.pdf
ทำไมองค์กรเลือก IM Impower
ประสบการณ์ครบช่วง: จากงานวิจัย Machine Learning ถึง AI Agent ที่ใช้ในงานธุรกิจวันนี้
มุมผู้บริหาร: ทำงานตรงกับ CEO จึงเชื่อมเนื้อหาเข้ากับยอดขายและต้นทุนได้ ทีม IM Impower ทำโปรเจกต์ AI และงานที่ปรึกษาที่สร้างหรือสนับสนุนยอดขายให้องค์กรในไทยและต่างประเทศรวมกัน มากกว่า 1,000 ล้านบาท ดู อบรม AI สำหรับผู้บริหาร
ออกแบบกระบวนการก่อนใส่ AI: ทีมได้กระบวนการใหม่ ไม่ใช่แค่เครื่องมือใหม่
บทความที่เกี่ยวข้อง
องค์กรที่ อ.โจ เคยร่วมงานและสอน

Unilever, Samsung, PTT, C.P. Group, Minor International, True, LINE, Syngenta, Bridgestone, Hakuhodo, Allianz Ayudhya, จุฬาลงกรณ์มหาวิทยาลัย และมหาวิทยาลัยมหิดล





