Claude ไม่ได้มีไว้แค่ถาม: 17 ฟีเจอร์ที่เปลี่ยนแชตให้เป็น workspace ของ AI

มีโพสต์หนึ่งบน X ของ Anatoli Kopadze ที่สรุปว่า Claude ทำอะไรได้มากกว่าที่คนส่วนใหญ่คิด พร้อมภาพกลางที่เขียนว่า “Claude can do more than you think” และล้อมรอบด้วยฟีเจอร์อย่าง Projects, Artifacts, Memory, Adaptive Thinking, Chrome, Cowork, Skills, CLAUDE.md, Claude Code, Design, Scheduled Tasks และ Prompt Caching

ถ้ามองผิวเผิน นี่คือโพสต์แนว “รวม hidden features”

แต่ถ้ามองลึกขึ้น นี่คือสัญญาณที่สำคัญกว่านั้นมากครับ

Claude กำลังถูกประกอบจาก chatbot ให้กลายเป็น workspace ของ AI

ไม่ใช่แค่ model ที่ตอบเก่งขึ้น แต่เป็นระบบที่มี context, output, tool access, reusable workflow, schedule, permission และ cost control

พูดแบบเจ้าของธุรกิจ: ถ้าเมื่อก่อน AI คือคนที่เราถามเป็นครั้ง ๆ วันนี้ AI เริ่มเป็นคนที่เรามอบงานเป็นชิ้น ๆ ได้

แต่จะมอบงานได้จริงหรือไม่ ขึ้นอยู่กับว่าเราออกแบบ “ระบบงานรอบตัว AI” ดีแค่ไหน

ฟีเจอร์เยอะไม่ใช่ประเด็น ประเด็นคือมันเรียงกันเป็น workflow

บทความ mirror/synthesis ที่อ้างถึงโพสต์นี้ตีความฟีเจอร์ของ Claude เป็น 5 ชั้นของ workflow stack:

1. Context entry: Projects, Memory, Project instructions, CLAUDE.md
2. Auditable outputs: Artifacts, Files, Design
3. Reach and permissions: Chrome, Cowork, Connectors, Claude Code
4. Reusable processes: Skills, Scheduled Tasks, workflow rules
5. Control surface: Permissions, Incognito, Extended Thinking, Prompt Caching, review

ผมว่า framing นี้ใช้งานได้มากสำหรับทีมไทย

เพราะมันบอกเราว่า ถ้า AI ยังช่วยงานจริงไม่ได้ อย่าเพิ่งโทษ model อย่างเดียว ให้ถามก่อนว่า layer ไหนยังหายไป

AI ไม่มี context หรือเปล่า

AI สร้าง output ที่ตรวจต่อไม่ได้หรือเปล่า

AI แตะเครื่องมือจริงไม่ได้ หรือแตะได้กว้างเกินไปจนเสี่ยงหรือเปล่า

งานซ้ำยังเป็น prompt กระจัดกระจาย ไม่เคยถูกทำเป็น Skill หรือ workflow หรือเปล่า

เราควบคุม reasoning, cost, permission, review ดีพอหรือยัง

แค่เปลี่ยนคำถามจาก “Claude มีฟีเจอร์อะไรบ้าง” เป็น “workflow ของเราขาด layer ไหน” มุมมองจะเปลี่ยนทันทีครับ

1. Context: AI ต้องรู้ว่าเข้ามาทำงานตรงไหน

Claude Projects ถูกออกแบบให้เป็น workspace แยกตามงาน โดยมี chat history, knowledge base, project instructions และไฟล์อ้างอิงของตัวเอง

เอกสาร Claude Help Center ระบุว่า Projects ช่วยให้ผู้ใช้สร้าง workspace ที่มีประวัติแชตและ knowledge base แยกจากกัน ส่วนผู้ใช้ paid plan ยังได้ enhanced project knowledge ผ่าน RAG ที่ขยาย capacity ได้มากขึ้น

แปลเป็นภาษาธุรกิจ: อย่าโยนไฟล์ทุกอย่างเข้าห้องเดียว แล้วหวังว่า AI จะเดา context ได้เอง

ควรแยกเป็นพื้นที่ทำงาน เช่น

• Project สำหรับการตลาด
• Project สำหรับ customer support
• Project สำหรับหลักสูตร
• Project สำหรับรายงานผู้บริหาร
• Project สำหรับ product development

แต่ละ Project ควรมี instruction ของตัวเอง เช่น tone, audience, forbidden claims, source of truth, format ของ output และระดับความเสี่ยงของงาน

ถ้าเป็น Claude Code ฝั่ง developer, CLAUDE.md ทำหน้าที่คล้ายไฟล์ความจำและกติกาของ repo เช่น build command, test command, architecture, code style และ workflow convention

เอกสาร Claude Code ย้ำชัดว่า CLAUDE.md ถูกอ่านเข้า context แต่ไม่ได้ enforce อัตโนมัติ ดังนั้นมันเป็นการ guide AI ไม่ใช่กำแพงกันพลาด

นี่เป็นข้อควรจำมากครับ

Context ช่วยให้ AI ทำงานดีขึ้น แต่ไม่ได้แทน review

2. Artifact: งานต้องกลายเป็นของที่ตรวจได้ ไม่ใช่ข้อความที่ไหลผ่านแชต

Artifacts คือหนึ่งในฟีเจอร์ที่ทำให้ Claude ต่างจาก Q&A chat เยอะมาก

เอกสาร Help Center บอกว่า Artifacts ใช้สำหรับงานที่เป็น standalone content เช่น document, code, HTML app, SVG, diagram, React component หรือ visualization และเปิดให้แก้, iterate, copy, download หรือ share ได้

สำหรับทีมทำงาน นี่สำคัญกว่าที่คิด

เพราะ output ที่อยู่ในแชตยาว ๆ มักหายไปกับ conversation

แต่ output ที่เป็น Artifact กลายเป็นชิ้นงานที่ตรวจได้

ตัวอย่าง:

• รายงานยอดขายที่มี structure ชัด
• pricing calculator ให้ทีมขายใช้
• dashboard mockup ให้ทีม product review
• landing page draft ให้ marketing ปรับต่อ
• SOP checklist ให้ทีม admin ใช้ซ้ำ

ความต่างคือ AI ไม่ได้แค่ “ตอบ” แต่สร้างสิ่งที่มนุษย์ตรวจและนำไปใช้ต่อได้

สำหรับ Data-Espresso ผมจะเรียกสิ่งนี้ว่า proof artifact

งานยังไม่จบเมื่อ AI พูดดูดี

งานจบเมื่อมี artifact ที่ตรวจได้ว่าใช้งานจริงหรือไม่

3. Reach: AI ต้องแตะของจริงได้ แต่ต้องมีขอบเขต

Claude Cowork เป็นสัญญาณชัดมากว่า Anthropic ไม่ได้อยากให้ AI อยู่แค่ในกล่องแชต

หน้า product ของ Anthropic บอกว่า Claude Cowork รับ goal แล้วทำงานบน computer, local files และ applications เพื่อส่งมอบ deliverable โดยเน้นงานความรู้ที่ repetitive, messy, high-effort เช่น จัดไฟล์, เตรียมเอกสาร, สังเคราะห์ research และดึงข้อมูลจาก unstructured files

Claude in Chrome ก็ไปในทิศทางเดียวกัน เอกสาร Claude Code ระบุว่า Chrome integration ช่วยให้ Claude เห็นเว็บ, อ่าน console/DOM, test web app, ใช้ session login ที่มีอยู่, extract data และ automate browser task ได้ โดยหากเจอ login page หรือ CAPTCHA จะ pause ให้คนจัดการเอง

นี่คือจุดเปลี่ยนจาก AI ที่ “คิด” ไปสู่ AI ที่ “แตะ workflow”

แต่ยิ่งแตะได้มาก ยิ่งต้องระวังมาก

ถ้าให้ AI เปิด browser, ใช้ session login, เข้าถึงไฟล์ local, run command หรือเชื่อม connector กับ Gmail/Drive/Slack/Notion เราต้องมี permission boundary ชัดมาก

คำถามที่ควรถามก่อนใช้งานจริง:

• AI เห็นโฟลเดอร์ไหนได้บ้าง
• AI อ่านอย่างเดียวหรือเขียนได้ด้วย
• AI ส่ง email/post/message ได้เองไหม หรือต้อง draft ให้คน approve
• AI แตะ customer data ได้ไหม
• AI ต้อง log หลักฐานอะไรหลังทำงานเสร็จ
• action ไหนต้องหยุดทันทีและถามมนุษย์

สำหรับ SME นี่คือเส้นแบ่งระหว่าง “AI ช่วยงาน” กับ “AI สร้างความเสี่ยง”

อย่าให้ reach มากกว่า governance

4. Process: งานซ้ำควรถูกทำเป็น Skill ไม่ใช่ prompt ที่หล่นหาย

Claude Skills และ Claude Code Skills ชี้ไปทางเดียวกัน: workflow ที่ทำซ้ำควรถูก package เป็น process asset

เอกสาร Claude Code อธิบายว่า Skills คือ folder ที่มี SKILL.md พร้อม instruction และ supporting files โดย Claude โหลด skill เฉพาะเมื่อเกี่ยวข้อง หรือผู้ใช้เรียกผ่าน /skill-name

ประโยชน์คือเราไม่ต้อง paste prompt ยาว ๆ ซ้ำทุกครั้ง

ถ้ามีวิธีทำงานที่พิสูจน์แล้ว เช่น

• ตรวจ PR ด้วย checklist ของทีม
• สรุป meeting เป็น action items
• ทำ weekly marketing report
• แปลง customer feedback เป็น issue
• สร้าง proposal ตาม template บริษัท
• ตรวจ claim ก่อน publish content

ให้ทำเป็น Skill หรือ workflow rule

ในมุมธุรกิจ นี่คือการเปลี่ยน prompt ให้เป็น SOP

และเป็นจุดที่ AI เริ่มสเกลได้จริง

เพราะถ้าทุกคนในทีมใช้ prompt คนละแบบ คุณจะได้คุณภาพคนละแบบ

แต่ถ้าทุกคนใช้ Skill เดียวกัน คุณเริ่มควบคุมมาตรฐานได้

5. Schedule และ Routine: AI เริ่มทำงานตามจังหวะระบบได้

Claude Code Desktop มี local scheduled tasks ที่เปิด session ใหม่ตามเวลาหรือความถี่ที่ตั้งไว้ เช่น daily code review, dependency audit หรือ morning briefing

เอกสารแยกชัดว่า local scheduled task รันบนเครื่องเรา ต้องเปิด app และเครื่องต้องตื่นอยู่ ส่วน remote Routines รันบน infrastructure ของ Anthropic และทำงานได้แม้ laptop ปิด

Routines ยิ่งชัดกว่า เพราะเป็น saved Claude Code configuration ที่มี prompt, repositories, connectors และ trigger เช่น schedule, API call หรือ GitHub event

นี่คือสิ่งที่ทำให้ AI เลิกเป็นเครื่องมือที่ต้อง “นึกได้แล้วค่อยเปิด”

มันเริ่มเป็น worker ที่มี cadence

ตัวอย่างธุรกิจทั่วไป:

• ทุกเช้า สรุป inbox/LINE lead/งานค้างให้ผู้จัดการ
• ทุกศุกร์ สรุปยอดขายและ insight จาก CRM
• ทุกครั้งที่มี issue ใหม่ ให้ AI triage และเสนอ owner
• หลัง deploy ให้ AI run smoke check และเขียน go/no-go summary
• ทุกสัปดาห์ ให้ AI ตรวจ docs drift หรือ content backlog

แต่มีข้อควรจำครับ

งานที่ run เองต้อง self-contained มากกว่างานในแชตปกติ

prompt ต้องบอกชัดว่า source อยู่ไหน ทำอะไรได้ ทำอะไรห้ามทำ output ต้องส่งที่ไหน และ success criteria คืออะไร

ไม่งั้น scheduled AI จะกลายเป็น scheduled confusion

6. Control: ยิ่งให้ AI ทำงานจริง ยิ่งต้องควบคุม effort, cost และ review

Extended Thinking และ effort setting ช่วยให้ Claude ใช้ reasoning มากขึ้นกับงานซับซ้อน แต่ก็ใช้เวลาและ token มากขึ้น

Prompt Caching ฝั่ง API ช่วยลด cost เมื่อมี context prefix ที่ใช้ซ้ำ เช่น system prompt, tool definition หรือเอกสารคงที่

สิ่งนี้สำคัญเพราะ workflow จริงไม่ได้วัดแค่คำตอบดีหรือไม่ดี

ต้องวัดด้วยว่า:

• งานนี้ควรใช้ model/effort ระดับไหน
• context ไหนควรถูก cache
• task ไหนควร run อัตโนมัติ
• task ไหนต้องมี human review
• output ไหนต้องมี source/proof
• cost ต่อ deliverable คุ้มไหม

AI workflow ที่ดีไม่ใช่ให้ model แพงสุดคิดทุกอย่างตลอดเวลา

แต่คือใช้ระดับ reasoning ให้เหมาะกับความเสี่ยงของงาน

งาน routine ใช้ effort ต่ำได้

งาน strategy, finance, customer impact, public content, security หรือ code deploy ควรใช้ effort สูงขึ้นและมี review

Framework: เช็ก 5 ชั้นก่อนบอกว่า AI ยังใช้ไม่ได้

ถ้าคุณใช้ Claude หรือ AI ตัวอื่นแล้วรู้สึกว่ายังไม่ช่วยงานจริง ลองใช้ checklist นี้ก่อนครับ

1. Context entry

• มี Project หรือ workspace แยกตามงานหรือยัง
• มี source of truth หรือยัง
• มี instruction ชัดเรื่อง role, tone, boundary, output format หรือยัง

1. Auditable output

• AI สร้าง artifact ที่ตรวจได้ไหม
• output ถูกเก็บเป็น file, draft, table, dashboard, issue หรือ document ใช้ต่อได้ไหม
• มี source/proof/assumption แยกชัดไหม

1. Permissioned reach

• AI เข้าถึงไฟล์, browser, app, connector, repo หรือ data source ได้เท่าที่จำเป็นไหม
• write/send/delete/publish ถูก approval gate หรือยัง
• มี log ว่าทำอะไรไปบ้างไหม

1. Reusable process

• งานซ้ำถูกทำเป็น Skill, SOP, template หรือ scheduled task หรือยัง
• ทีมใช้ workflow เดียวกันหรือ prompt คนละชุด
• มีตัวอย่าง output ที่ดีให้ AI เทียบไหม

1. Control surface

• เลือก model/effort ตามความเสี่ยงของงานไหม
• มี cost guardrail ไหม
• มี review ก่อนกระทบลูกค้า เงิน ข้อมูล หรือ public channel ไหม

ถ้า layer ไหนตอบว่า “ยัง” นั่นคือจุดเริ่ม ไม่ใช่สรุปว่า AI ใช้ไม่ได้

ตัวอย่าง: จากแชตหนึ่งกล่อง ไปเป็นระบบงานจริง

สมมติ SME อยากใช้ Claude ช่วยงาน customer support

วิธีใช้แบบ chatbot:

“ช่วยตอบลูกค้าคนนี้หน่อย”

วิธีใช้แบบ workflow stack:

• Project: Customer Support AI
• Knowledge: FAQ, product catalog, refund policy, pricing, tone guide
• Instruction: ตอบสุภาพ, ไม่สัญญาส่วนลดเอง, ไม่วินิจฉัยเรื่องที่ไม่รู้, escalate เคสเงิน/สุขภาพ/กฎหมาย
• Artifact: draft reply พร้อม source snippet และ confidence level
• Reach: อ่าน ticket/CRM ได้ แต่ส่งจริงต้องให้คนกด approve
• Skill: /support-reply-review สำหรับตรวจคำตอบก่อนส่ง
• Schedule: สรุป ticket ค้างทุกเช้า
• Control: เคสความเสี่ยงสูงต้อง human review เสมอ

นี่คือความต่างระหว่าง “AI ช่วยเขียนคำตอบ” กับ “AI เป็นส่วนหนึ่งของระบบ support”

อีกตัวอย่างคือ marketing report

วิธีใช้แบบ chatbot:

“ช่วยสรุป performance เดือนนี้”

วิธีใช้แบบ workflow stack:

• Project: Weekly Growth Review
• Knowledge: GA4/GSC export, ad spend, campaign calendar, offer map
• Artifact: executive summary, chart, issue list, action plan
• Skill: ตรวจ metric, หา anomaly, แยก insight จาก assumption
• Schedule: run ทุกเช้าวันจันทร์
• Control: recommendation ที่มี budget impact ต้อง marked as proposal ไม่ใช่ action

พอจัดแบบนี้ AI ไม่ได้ตอบเก่งขึ้นเฉย ๆ แต่งานทั้งระบบตรวจง่ายขึ้น

ข้อควรระวัง: ฟีเจอร์เยอะไม่ได้แปลว่าควรเปิดหมด

นี่เป็นจุดที่ผมอยากเตือนแรง ๆ

เวลาคนเห็น feature list ยาว ๆ มักอยากเปิดทุกอย่าง

Projects, Memory, Chrome, Connectors, Cowork, Skills, Routines, Scheduled Tasks

แต่ production workflow ไม่ควรเริ่มจากการเปิดทุก capability

ควรเริ่มจากงานเดียวที่ซ้ำ วัดผลได้ และ risk ต่ำ

เช่น:

• สรุปรายงานภายใน
• จัดไฟล์ที่ไม่ sensitive
• ร่าง reply ให้คนตรวจ
• สรุป feedback ลูกค้า
• สร้าง issue จาก bug report
• ทำ checklist ก่อน publish content

พอ workflow นั้นนิ่ง ค่อยเพิ่ม reach

จากอ่านไฟล์ ไปเขียนไฟล์

จากร่างคำตอบ ไปสร้าง ticket

จาก manual run ไป scheduled run

จาก suggestion ไป action ที่ต้อง approve

นี่คือวิธีที่ปลอดภัยกว่า “ให้ AI เป็นทุกอย่างตั้งแต่วันแรก”

มุม Data-Espresso: AI product ที่ดีต้องมีบ้าน ไม่ใช่แค่สมอง

ถ้าดูภาพใหญ่ Claude กำลังบอกตลาดว่า AI assistant ยุคต่อไปไม่ใช่แค่ model

แต่ต้องมีบ้านให้ทำงาน

บ้านนั้นมี:

• ห้องทำงาน: Projects
• ความจำ: Memory, chat search, CLAUDE.md
• โต๊ะวางงาน: Artifacts, Files, Design
• มือไปแตะระบบจริง: Chrome, Cowork, Connectors, Claude Code
• คู่มือทำงานซ้ำ: Skills
• นาฬิกาปลุกให้ทำงานตามเวลา: Scheduled Tasks, Routines
• แผงควบคุม: Permission, Effort, Extended Thinking, Prompt Caching, review

นี่คือทิศทางเดียวกับที่เราเห็นใน Hermes, Codex, OpenClaw, OPB Stack และ agent platform อื่น ๆ

AI ที่ไม่มีบ้าน จะเป็น chatbot ที่เก่งเป็นครั้ง ๆ

AI ที่มีบ้าน จะเริ่มเป็น coworker ที่ทำงานต่อเนื่องได้

แต่บ้านที่ดีต้องมีประตู กุญแจ กล้องวงจรปิด และพื้นที่ห้ามเข้า

พูดง่าย ๆ: context, tool, memory, schedule ต้องมากับ governance

สรุป

โพสต์ของ Anatoli Kopadze ใช้คำว่า 17 hidden features

แต่บทเรียนที่ผมอยากให้ทีมไทยเอาไปใช้คือ อย่ามองฟีเจอร์เหล่านี้เป็น checklist ของเล่นใหม่

ให้มองเป็น workflow stack

ถ้าคุณอยากให้ AI ช่วยงานจริง ให้ถาม 5 คำถามนี้:

1. AI มี context entry ที่ดีหรือยัง
2. AI สร้าง artifact ที่ตรวจได้หรือยัง
3. AI แตะเครื่องมือจริงได้เท่าที่จำเป็นหรือยัง
4. งานซ้ำถูกทำเป็น process asset หรือยัง
5. มี control surface สำหรับ permission, cost, reasoning และ review หรือยัง

ถ้าตอบได้ครบ Claude จะไม่ใช่แค่ chatbot ที่คุณถาม

มันจะเริ่มเป็นพื้นที่ทำงานของ AI ที่ทีมคุณออกแบบและควบคุมได้

และนั่นคือจุดเริ่มของ AI coworker ที่ใช้งานจริงครับ