บทความนี้เป็นคู่มือเชิงปฏิบัติสำหรับการใช้ AI เพื่อเพิ่มประสิทธิภาพงานพิธีการศุลกากร สำหรับผู้บริหาร เจ้าหน้าที่ศุลกากร และผู้จัดการด้านโลจิสติกส์ของบริษัทญี่ปุ่นที่ดำเนินธุรกิจนำเข้า-ส่งออกในประเทศไทย ในเดือนมกราคม 2026 ระบบศุลกากรไทยได้ดำเนินการปฏิรูปครั้งใหญ่ 3 ประการพร้อมกัน ได้แก่ "การยกเลิกการยกเว้นภาษีศุลกากรสำหรับสินค้ามูลค่าต่ำโดยสมบูรณ์" "การบังคับใช้ระบบศุลกากรทางอิเล็กทรอนิกส์ (e-Customs)" และ "การเพิ่มความเข้มงวดด้านความถูกต้องของรหัส HS Code" ซึ่งส่งผลให้ภาระงานหน้างานและความเสี่ยงด้านการปฏิบัติตามกฎระเบียบ (Compliance) เพิ่มสูงขึ้นอย่างมาก ความผิดพลาดในการจำแนกประเภท HS Code อาจนำไปสู่การเรียกเก็บภาษีย้อนหลัง ความล่าช้าในการผ่านพิธีการศุลกากร และการถูกตรวจสอบจากกรมศุลกากร ซึ่งเป็นสถานการณ์ที่การใช้แรงงานคนเพียงอย่างเดียวเริ่มไม่เพียงพออีกต่อไป

บทความนี้จะอธิบายอย่างเป็นระบบว่า AI สามารถเข้ามาช่วยทำงานในด้านใดได้บ้างและทำได้ถึงระดับไหน ครอบคลุมถึงการจำแนกประเภท HS Code, การรับรองถิ่นกำเนิดสินค้าอาเซียน (ASEAN Origin), การรองรับสถานะ AEO ของไทย และการตรวจสอบความถูกต้องของใบขนสินค้า (Cross-check) รวมถึงตัวอย่างการใช้งานตามประเภทธุรกิจ, แนวทางต้นทุนการติดตั้งและ ROI, ตลอดจนรูปแบบความล้มเหลวและวิธีหลีกเลี่ยงที่ได้จากผลการทำ PoC ของบริษัทเรา เมื่ออ่านบทความนี้จบ คุณจะมีเกณฑ์ในการตัดสินใจว่าบริษัทของคุณควร "เริ่มเมื่อไหร่ เริ่มจากจุดไหน และเริ่มอย่างไร" เพื่อให้ได้ผลตอบแทนจากการลงทุน (ROI) ที่เป็นจริงได้

ผลลัพธ์ที่บริษัทซึ่งดำเนินธุรกิจนำเข้าและส่งออกในประเทศไทยจะได้รับจากการนำ AI มาใช้ในงานพิธีการศุลกากรนั้น ไม่ได้จำกัดอยู่เพียงแค่การลดเวลาในการทำงานเท่านั้น แต่ผลกระทบเชิงบริหารที่เกิดขึ้นจริงมี 3 ประการ ได้แก่ "การขยายขีดความสามารถในการรองรับปริมาณงาน" "การสร้างเสถียรภาพให้กับความแม่นยำในการจำแนกประเภทสินค้า" และ "การลดต้นทุนในการรองรับการตรวจสอบ" ทั้งสามประการนี้มีความเชื่อมโยงกัน ซึ่งส่งผลดีต่อทั้งงบกำไรขาดทุน (PL) และงบดุล (BS) ในรูปแบบของการลดชั่วโมงการทำงานล่วงเวลาในช่วงที่มีงานหนาแน่น การลดต้นทุนด้านการฝึกอบรม และการลดความเสี่ยงจากการถูกเรียกเก็บภาษีย้อนหลัง ในบทนี้จะสรุปประเด็นทั้ง 3 ด้านโดยอ้างอิงจากการสัมภาษณ์หน้างานและผลการดำเนินงาน PoC (Proof of Concept) ที่ผ่านมา

งานที่ใช้เวลามากที่สุดในกระบวนการพิธีการศุลกากรคือขั้นตอนการเตรียมข้อมูล ซึ่งต้องดึงข้อมูลรายการสินค้าจากใบกำกับสินค้า (Invoice), รายการบรรจุหีบห่อ (Packing List) และสัญญาซื้อขาย (Sales Contract) เพื่อนำไปกรอกลงในช่องต่างๆ ของระบบใบขนสินค้า โดยในระบบที่ใช้แรงงานคนเป็นหลัก จำนวนใบขนสินค้าที่เจ้าหน้าที่ 1 คนสามารถจัดการได้ต่อวันจะมีขีดจำกัดอยู่ที่ประมาณ 30–50 ฉบับ การนำ AI-OCR มาทำงานร่วมกับโมเดลภาษาขนาดใหญ่ (LLM) จะช่วยให้สามารถดึงข้อมูลชื่อสินค้า จำนวน ราคาต่อหน่วย ประเทศต้นกำเนิด และ INCOTERMS จากเอกสารที่เป็นไฟล์ PDF หรือรูปภาพได้โดยอัตโนมัติ และแปลงเป็นข้อมูลที่มีโครงสร้าง (Structured Data) เพื่อส่งต่อไปยังระบบใบขนสินค้าได้ จากการทำ PoC ของบริษัทเรา พบว่าระยะเวลาในขั้นตอนการเตรียมข้อมูลลดลงประมาณ 70% และจำนวนใบขนสินค้าที่เจ้าหน้าที่จำนวนเท่าเดิมสามารถจัดการได้เพิ่มขึ้นมากกว่า 2 เท่า การเพิ่มขีดจำกัดของปริมาณงาน (Throughput) ไม่เพียงแต่ช่วยลดการทำงานล่วงเวลาและค่าใช้จ่ายในการจ้างงานภายนอกในช่วงที่มีงานหนาแน่นเท่านั้น แต่ยังเป็นการสร้างความแข็งแกร่งให้กับองค์กรในการรองรับกรณีที่มีงานเพิ่มขึ้นอย่างกะทันหันอีกด้วย ยิ่งไปกว่านั้น การใช้เครื่องจักรเข้ามาช่วยในขั้นตอนการเตรียมข้อมูลยังช่วยให้เจ้าหน้าที่สามารถจัดสรรเวลาไปทำงานที่ต้องใช้การตัดสินใจ (เช่น การกำหนดรหัส HS Code, การเสนอแนวทางเพิ่มประสิทธิภาพทางภาษีศุลกากร และการประสานงานกับกรมศุลกากร) ได้มากขึ้น

การจำแนกประเภทพิกัดศุลกากร (HS Code) เป็นงานที่ต้องอาศัยประสบการณ์ของเจ้าหน้าที่ออกของที่มีความชำนาญสูง ซึ่งบ่อยครั้งที่การตัดสินใจอาจแตกต่างกันไปตามแต่ละบุคคล แม้จะเป็นชิ้นส่วนอิเล็กทรอนิกส์ชนิดเดียวกัน แต่หากจำแนกเป็น "เครื่องใช้ไฟฟ้า" หรือ "ส่วนประกอบ" ก็จะส่งผลให้อัตราภาษีศุลกากรเปลี่ยนไป ซึ่งในบางกรณีอาจสร้างความแตกต่างของต้นทุนได้ถึงหลักล้านเยนต่อปี

โมเดลการจำแนกประเภทด้วย AI จะเรียนรู้จากข้อมูลการสำแดงสินค้าในอดีต เพื่อนำเสนอตัวเลือก HS Code ที่สอดคล้องกับมาตรฐานของบริษัทด้วยความสามารถในการทำซ้ำที่สูง สิ่งสำคัญคือ "AI ไม่ได้เป็นผู้ตัดสินใจขั้นสุดท้าย" แต่ทำหน้าที่ "เตรียมข้อมูลสำหรับการตัดสินใจให้มีความสม่ำเสมอ" เพื่อให้เจ้าหน้าที่มือใหม่สามารถเข้าถึงข้อมูลพื้นฐานในระดับเดียวกับผู้เชี่ยวชาญ ซึ่งช่วยลดต้นทุนในการฝึกอบรมและเพิ่มความทนทานต่อความเสี่ยงจากการลาออกของพนักงาน

นอกจากนี้ การที่สามารถหมุนเวียนพนักงานได้ง่ายขึ้นและลดความเสี่ยงจากการพึ่งพาบุคคลใดบุคคลหนึ่ง (Individual Dependency) ได้อย่างมากนั้น ถือเป็นคุณค่าเชิงบริหารที่สำคัญอย่างยิ่งในสถานการณ์ปัจจุบันที่การสรรหาบุคลากรทำได้ยาก

ในการตรวจสอบย้อนหลัง (Post-Clearance Audit) ของกรมศุลกากรไทย จำเป็นต้องมีการอธิบายเหตุผลประกอบการจำแนกพิกัดอัตราศุลกากร (HS Code) ที่เคยสำแดงไปแล้วย้อนหลัง ซึ่งในทางปฏิบัติแทบจะเป็นไปไม่ได้เลยที่จะรื้อฟื้นเหตุผลการสำแดงเมื่อ 5 ปีก่อนโดยอาศัยเพียงความทรงจำหรือการส่งต่องานด้วยวาจาของเจ้าหน้าที่

หากใช้โมเดลการจำแนกด้วย AI ข้อมูลที่ป้อนเข้า ข้อมูลอ้างอิงจากกรณีในอดีต ตัวเลือกและค่าความเชื่อมั่น (Confidence Score) ที่โมเดลนำเสนอ รวมถึงความคิดเห็นของผู้ตรวจสอบที่เป็นมนุษย์ จะถูกบันทึกไว้ในระบบทั้งหมด เมื่อถึงเวลาตรวจสอบจริง กระบวนการตัดสินใจว่า "ทำไมจึงเลือก HS Code นั้น" สามารถนำมาแสดงเป็นลายลักษณ์อักษรได้ ซึ่งช่วยลดทั้งความเสี่ยงด้านภาษีเรียกเก็บย้อนหลังและความเสี่ยงต่อชื่อเสียงของบริษัท

โดยเฉพาะในกรณีที่มีมูลค่าสูงหรือเป็นรายการที่เกิดขึ้นต่อเนื่อง ความสามารถในการอธิบายได้ (Explainability) จะช่วยลดความเสี่ยงจากการถูกเรียกเก็บภาษีย้อนหลังโดยตรง ซึ่งสามารถประเมินความคุ้มค่า (ROI) ของการนำ AI มาใช้ได้ในมุมมองของการเป็นเบี้ยประกันความเสี่ยง

ในเดือนมกราคม 2026 กระทรวงการคลังและกรมศุลกากรของไทยได้ประกาศใช้การปฏิรูประบบศุลกากรครั้งใหญ่พร้อมกัน โดยสรุป 3 ประเด็นที่มีผลกระทบอย่างมีนัยสำคัญต่อบริษัทญี่ปุ่น ดังนี้:

การปฏิรูปทั้ง 3 ประการนี้ไม่เพียงแต่สร้างผลกระทบต่อการปฏิบัติงานอย่างมหาศาลในแต่ละด้านเท่านั้น แต่ยังส่งเสริมซึ่งกันและกันอีกด้วย ส่งผลให้ "ระบบศุลกากรที่พึ่งพาความรู้ความชำนาญเฉพาะตัวของพนักงานที่มีประสบการณ์" แบบเดิมเริ่มไม่สามารถรองรับการดำเนินงานได้ในหลายสถานการณ์ ในบทนี้เราจะทำความเข้าใจภาพรวมของการปฏิรูป ก่อนที่จะอธิบายถึงแนวทางแก้ไขด้วย AI ในลำดับถัดไป

เดิมทีการนำเข้าสินค้าข้ามพรมแดนผ่านช่องทางอีคอมเมิร์ซที่มีมูลค่าไม่เกิน 1,500 บาทจะได้รับยกเว้นภาษีศุลกากร แต่ปัจจุบันการยกเว้นสำหรับสินค้ามูลค่าต่ำนี้ได้ถูกยกเลิกโดยสมบูรณ์แล้ว ผู้ประกอบการที่ขายสินค้าไปยังประเทศไทยผ่าน Shopee, Lazada, TikTok Shop และช่องทางอื่นๆ จำเป็นต้องคำนวณและสำแดงภาษีศุลกากรตามรหัส HS Code สำหรับคำสั่งซื้อทั้งหมด เนื่องจากจำนวนคำสั่งซื้อต่อเดือนของผู้ประกอบการอีคอมเมิร์ซอาจสูงถึงหลักพันหรือหลักหมื่น การจำแนกประเภทด้วยแรงงานคนทีละรายการจึงไม่ใช่เรื่องที่ทำได้จริง การจำแนกประเภทด้วย AI จึงเป็นส่วนที่มีประสิทธิภาพสูงในการนำมาใช้งาน โดยระบบจะประเมินรหัส HS Code โดยอัตโนมัติจาก "ชื่อสินค้า หมวดหมู่ วัสดุ และแหล่งกำเนิดสินค้า" พร้อมทั้งสร้างข้อมูลสำหรับการสำแดงภาษีไปพร้อมกับการออกฉลากจัดส่ง สำหรับผู้ประกอบการที่ทำธุรกิจอีคอมเมิร์ซข้ามพรมแดนแล้ว อาจกล่าวได้ว่าการสร้างระบบปฏิบัติการที่ยั่งยืนโดยปราศจาก AI นั้นเป็นเรื่องยากในเชิงโครงสร้าง

กระบวนการพิธีการศุลกากรแบบกระดาษถูกยกเลิก และการยื่นสำแดงข้อมูลทั้งหมดได้ถูกรวมศูนย์เข้าสู่ระบบ e-Customs ในรูปแบบอิเล็กทรอนิกส์ ส่งผลให้ข้อกำหนดด้านรูปแบบของใบสำแดง รูปแบบไฟล์เอกสารแนบ และข้อกำหนดด้านลายมือชื่ออิเล็กทรอนิกส์มีความละเอียดซับซ้อนมากขึ้น ซึ่งการตรวจสอบด้วยคนทีละรายการมักทำให้เกิดข้อผิดพลาดได้ง่าย การตรวจสอบใบสำแดงล่วงหน้าด้วย AI สามารถตรวจจับรายการที่ขาดหายไป, ความไม่สอดคล้องของ MIME type ของไฟล์แนบ, รหัสประเทศต้นทางที่ต้องเป็นไปตามมาตรฐาน ISO 3166 และวันหมดอายุของลายมือชื่ออิเล็กทรอนิกส์ได้อย่างรวดเร็ว การลดจำนวนการตีกลับจากระบบ e-Customs จะช่วยลดระยะเวลาในกระบวนการพิธีการศุลกากรและลดค่าใช้จ่ายในการจัดเก็บสินค้าในคลังสินค้าได้โดยตรง จากกรณีศึกษาของลูกค้าเรา สามารถลดอัตราการถูกตีกลับจาก 15 ครั้งต่อเดือนเหลือไม่เกิน 3 ครั้ง และช่วยลดเวลาในการแก้ไขงานได้หลายสิบชั่วโมงต่อเดือน

กรมศุลกากรไทยได้เพิ่มความเข้มงวดในการดำเนินงาน โดยหากรหัส HS Code ในใบขนสินค้าไม่ตรงกับรายละเอียดสินค้าหรือข้อมูลในใบกำกับสินค้า (Invoice) ระบบจะจัดให้เข้าสู่กระบวนการตรวจสอบด้วยตนเอง (Manual Audit) โดยอัตโนมัติ การสำแดงชื่อสินค้าที่คลุมเครือ (เช่น "ชิ้นส่วนอิเล็กทรอนิกส์" หรือ "ชิ้นส่วนเครื่องจักร") เป็นสาเหตุหลักที่ทำให้การผ่านพิธีการศุลกากรล่าช้า ซึ่งอาจส่งผลให้ระยะเวลาการขนส่ง (Lead time) เพิ่มขึ้นตั้งแต่ไม่กี่วันไปจนถึง 1 สัปดาห์

การนำโมเดล AI Classification มาใช้ร่วมกันในฐานะ "เครื่องมือตรวจสอบความชัดเจนของชื่อสินค้า" (Specificity Checker) จะช่วยตรวจจับชื่อสินค้าที่คลุมเครือก่อนการสำแดง และสามารถเสนอแนะการแก้ไขให้เป็นชื่อสินค้าที่มีความละเอียดมากขึ้นได้ สิ่งนี้จะช่วยลดระยะเวลาการตรวจสอบของเจ้าหน้าที่ศุลกากร และเพิ่มอัตราการจัดสรรเข้าสู่ช่องทางสีเขียว (Green Lane) หรือการผ่านพิธีการศุลกากรแบบเร่งด่วน

เนื่องจากการได้รับการรับรองช่องทางสีเขียวเป็นหนึ่งในเกณฑ์การประเมินสำหรับการยื่นขอสถานะ AEO ดังนั้นในระยะยาว บริษัทที่มุ่งหวังจะได้รับสถานะ AEO ยิ่งจะได้รับประโยชน์จากการนำ AI มาปรับใช้ตั้งแต่เนิ่นๆ มากยิ่งขึ้น

ปัญหาที่พบบ่อยจากการสอบถามหน้างาน สามารถสรุปได้เป็น 5 ประเด็น ดังนี้:

1. การพึ่งพาความสามารถเฉพาะบุคคลในการจำแนก HS Code: ความรู้เชิงลึก (Tacit Knowledge) ของพนักงานที่มีประสบการณ์สูญหายไปเมื่อมีการลาออกหรือโยกย้าย ทำให้ผู้รับช่วงต่อไม่สามารถทำงานแทนได้ ต้นทุนการฝึกอบรมสูง และความเสี่ยงจากการลาออกส่งผลโดยตรงต่อความต่อเนื่องทางธุรกิจ
2. ภาระในการจัดทำหนังสือรับรองถิ่นกำเนิดสินค้า (ASEAN Certificate of Origin): ข้อกำหนดที่แตกต่างกันในแต่ละฟอร์ม ได้แก่ Form D (AFTA), Form E (จีน-อาเซียน), Form AK (เกาหลี-อาเซียน) และ Form AJ (ญี่ปุ่น-อาเซียน) ทำให้การจัดทำเอกสารมีความซับซ้อน และมักเกิดกรณีการพลาดสิทธิประโยชน์ทางภาษีศุลกากร
3. จำนวนการนำเข้าสินค้าข้ามพรมแดนผ่านช่องทาง EC ที่เพิ่มขึ้น: ไม่สามารถจำแนก SKU หลายพันรายการต่อเดือนด้วยแรงงานคนได้ และเมื่อมีการยกเลิกการยกเว้นภาษีที่ทำให้ต้องสำแดงสินค้าทุกรายการ การออกแบบระบบการดำเนินงานจึงเป็นสิ่งที่จำเป็นอย่างยิ่ง
4. การจัดเตรียมเอกสารสำหรับการขอรับรอง AEO ของไทย: การจัดทำเอกสารด้านการควบคุมภายใน ความปลอดภัยด้านโลจิสติกส์ และการจัดการบันทึกข้อมูล ต้องใช้เวลาและทรัพยากรจำนวนมหาศาล ทำให้การเตรียมตัวเพื่อยื่นคำร้องต้องใช้เวลามากกว่าครึ่งปี
5. การรับมือกับการตรวจสอบย้อนหลัง (Post-Clearance Audit): เมื่อมีการตรวจสอบย้อนหลังถึง 5 ปี กลับไม่มีวิธีการอธิบายถึงเหตุผลหรือหลักฐานในการจำแนกพิกัดย้อนหลังได้ ซึ่งส่งผลกระทบอย่างรุนแรงต่อชื่อเสียงและอาจนำไปสู่การเรียกเก็บภาษีเพิ่มเติม

ปัญหาเหล่านี้ไม่สามารถแก้ไขได้ด้วยเครื่องมือเพียงอย่างเดียว แต่จำเป็นต้องมีการออกแบบโครงสร้างพื้นฐานของข้อมูล, การจำแนกด้วย AI, การตรวจสอบโดยมนุษย์ และบันทึกการตรวจสอบ (Audit Log) ให้เป็นหนึ่งเดียวกัน ในบทความนี้จะอธิบายถึงวิธีการนำ AI มาประยุกต์ใช้เพื่อแก้ไขปัญหาแต่ละประการตามลำดับ

ในส่วนของงานพิธีการศุลกากรไทย จะขอยกตัวอย่าง 4 ด้านที่ AI สามารถสร้างผลลัพธ์ในการทำงานอัตโนมัติและการสนับสนุนได้อย่างมีประสิทธิภาพ โดยทั้งหมดนี้ไม่ได้มีจุดประสงค์เพื่อ "แทนที่มนุษย์" แต่เป็นการ "เร่งความเร็วในการตัดสินใจของมนุษย์" หลักการสำคัญคือการแยกการอนุมัติอัตโนมัติและการตรวจสอบโดยมนุษย์ (HITL - Human-in-the-Loop) ตามระดับความเชื่อมั่นของ AI รวมถึงการบันทึกการตัดสินใจทั้งหมดไว้ในระบบ ซึ่งจะช่วยให้สามารถเพิ่มประสิทธิภาพการทำงานควบคู่ไปกับการรองรับการตรวจสอบ (Audit) ได้อย่างลงตัว

ระบบจะนำเสนอรายการ HS Code ที่เป็นไปได้จำนวน 3-5 อันดับ โดยอ้างอิงจากข้อมูลชื่อสินค้า วัสดุ การใช้งาน และตลาดเป้าหมาย พร้อมระบุระดับความเชื่อมั่น (Confidence Level) และกรณีศึกษาอ้างอิง (ข้อมูลการสำแดงสินค้าของบริษัทในอดีต หรือคำวินิจฉัยที่เผยแพร่โดย WCO) ประกอบกัน เจ้าหน้าที่ผู้รับผิดชอบเพียงแค่ต้องตัดสินใจเลือกจากตัวเลือกที่นำเสนอมาให้เท่านั้น จึงช่วยลดเวลาในการค้นหาตารางอัตราภาษีศุลกากรจากศูนย์ สิ่งสำคัญคือการออกแบบเกณฑ์มาตรฐาน (Threshold) ของระดับความเชื่อมั่น โดยการกำหนดกฎว่าหากระดับความเชื่อมั่นสูงกว่าเกณฑ์ที่กำหนดให้ระบบอนุมัติโดยอัตโนมัติ และหากต่ำกว่าเกณฑ์ให้ส่งต่อให้มนุษย์ตรวจสอบ (Escalation) จะช่วยให้สามารถทุ่มเททรัพยากรบุคคลไปกับการจำแนกประเภทสินค้าที่มีความเสี่ยงสูงเท่านั้น ทั้งนี้ การปรับเกณฑ์ระดับความเชื่อมั่นให้เหมาะสมตามประเภทธุรกิจและลักษณะของสินค้าถือเป็นแนวทางที่ปฏิบัติได้จริง โดยการใช้กลยุทธ์สองระดับ ได้แก่ การตั้งเกณฑ์สูงสำหรับสินค้าที่มีผลกระทบต่ออัตราภาษีมาก และการผ่อนปรนเกณฑ์สำหรับสินค้าที่มีความเสี่ยงต่ำเพื่อเพิ่มอัตราการทำงานแบบอัตโนมัติถือเป็นวิธีที่มีประสิทธิภาพ

ในการค้าภายในภูมิภาคอาเซียน การใช้ Form D สามารถช่วยให้ได้รับสิทธิยกเว้นภาษีศุลกากรได้ แต่เนื่องจากการพิจารณาเกณฑ์ถิ่นกำเนิดสินค้า (RVC/CTC) มีความซับซ้อน จึงมักเกิดกรณีที่ไม่ได้รับสิทธิประโยชน์ทางภาษีเนื่องจากความผิดพลาดในการจัดทำเอกสาร AI สามารถช่วยอ่านรายการส่วนประกอบ (BOM) และข้อมูลซัพพลายเออร์ เพื่อคำนวณสัดส่วนมูลค่าภายในภูมิภาคโดยอัตโนมัติ พิจารณาเกณฑ์การเปลี่ยนพิกัดอัตราศุลกากร (CTC) และช่วยสร้างเอกสารที่จำเป็น สำหรับผลิตภัณฑ์ที่มีชิ้นส่วนประกอบตั้งแต่หลายร้อยถึงหลายพันชิ้น เช่นในอุตสาหกรรมการผลิตของญี่ปุ่น การคำนวณถิ่นกำเนิดสินค้าด้วยแรงงานคนนั้นแทบจะเป็นไปไม่ได้เลย ซึ่งถือเป็นส่วนงานที่การนำ AI มาช่วยจะสร้างผลลัพธ์ได้มากที่สุด ยิ่งไปกว่านั้น ในผลิตภัณฑ์ที่มีการเปลี่ยนซัพพลายเออร์หรือเปลี่ยนสเปกอยู่บ่อยครั้ง สถานะถิ่นกำเนิดสินค้าจะเปลี่ยนแปลงไปตามการแก้ไข BOM ทุกครั้ง ดังนั้นการดำเนินงานที่ไม่มีการคำนวณซ้ำอย่างต่อเนื่องโดย AI จึงเป็นโครงสร้างที่ทำให้เกิดการสูญเสียสิทธิประโยชน์ทางภาษีอย่างต่อเนื่องในทางปฏิบัติ

タイAEO (Authorized Economic Operator) は、内部統制・物流セキュリティ・記録管理などの認定要件を満たす事業者に通関簡素化を提供する制度です。AEO認定取得には膨大な手順書・記録の整備が必要で、申請準備に半年以上を要するケースが一般的です。AIは社内の既存規程・業務マニュアル・監査記録を読み込み、AEO要件項目への対応状況をマッピングして「不足している文書」「曖昧な記述」を可視化します。当社の事例では、AEO申請書類の初稿作成時間が約60%短縮され、申請から認定までのリードタイムも3ヶ月程度圧縮できました。一度AEO認定を取得すれば、検査率の低下・通関リードタイム短縮・優先審査などの恩典が長期的に効くため、AI×AEOは中堅以上の輸出入事業者にとって戦略的価値が高い投資です。

ระบบ AEO (Authorized Economic Operator) ของไทย คือระบบที่มอบสิทธิประโยชน์ในการอำนวยความสะดวกด้านพิธีการศุลกากรให้แก่ผู้ประกอบการที่ผ่านเกณฑ์การรับรองด้านการควบคุมภายใน ความปลอดภัยของห่วงโซ่อุปทาน และการจัดการบันทึกข้อมูล การขอรับรอง AEO จำเป็นต้องมีการจัดเตรียมคู่มือปฏิบัติงานและบันทึกข้อมูลจำนวนมหาศาล ซึ่งโดยทั่วไปมักใช้เวลาเตรียมการยื่นคำขอนานกว่าครึ่งปี AI สามารถอ่านระเบียบข้อบังคับ คู่มือการปฏิบัติงาน และบันทึกการตรวจสอบภายในบริษัท เพื่อทำ Mapping สถานะการปฏิบัติตามข้อกำหนดของ AEO และแสดงภาพรวมของ "เอกสารที่ขาดหายไป" หรือ "เนื้อหาที่ยังคลุมเครือ" ได้ ในกรณีศึกษาของบริษัทเรา พบว่าสามารถลดเวลาในการจัดทำร่างเอกสารคำขอ AEO ได้ประมาณ 60% และลดระยะเวลา (Lead time) ตั้งแต่การยื่นคำขอจนถึงการได้รับรองลงได้ประมาณ 3 เดือน เมื่อได้รับรอง AEO แล้ว จะได้รับสิทธิประโยชน์ในระยะยาว เช่น การลดอัตราการสุ่มตรวจ การลดระยะเวลาในพิธีการศุลกากร และการได้รับสิทธิพิจารณาก่อน ดังนั้น AI x AEO จึงเป็นการลงทุนที่มีคุณค่าเชิงกลยุทธ์สูงสำหรับผู้ประกอบการนำเข้า-ส่งออกระดับกลางขึ้นไป

กระบวนการตรวจสอบความถูกต้องของจำนวน หน่วยราคา และประเทศต้นทางที่ระบุในใบขนสินค้าให้ตรงกับใบกำกับสินค้า (Invoice) รายการบรรจุหีบห่อ (Packing List) และสัญญาซื้อขายนั้น หากเกิดข้อผิดพลาดจะนำไปสู่ความเสี่ยงในการสำแดงเท็จโดยตรง AI สามารถอ่านเอกสารเหล่านี้แบบข้ามฉบับเพื่อตรวจหาความแตกต่างและไฮไลต์จุดที่พบโดยอัตโนมัติ ตัวอย่างเช่น สามารถตรวจสอบได้ทันทีว่า INCOTERMS (เช่น FOB/CIF) ในสัญญาตรงกับเกณฑ์ราคาประเมินภาษีในใบขนสินค้าหรือไม่ ประเทศต้นทางในใบกำกับสินค้าและใบขนสินค้าตรงกันหรือไม่ หรือจำนวนรวมตรงกับรายการบรรจุหีบห่อหรือไม่ ความสามารถในการตรวจพบข้อผิดพลาดที่มนุษย์มักมองข้าม เช่น ความผิดพลาดของหลักตัวเลข หน่วยนับ หรือการแปลงสกุลเงินตั้งแต่เนิ่นๆ ถือเป็นคุณค่าอย่างยิ่งในแง่ของการบริหารจัดการความเสี่ยง โดยเฉพาะในช่วงที่อัตราแลกเปลี่ยนมีความผันผวนสูงหรือในกรณีที่มีการใช้หลายสกุลเงินร่วมกัน การตรวจสอบแบบข้ามฉบับด้วย AI จะช่วยยกระดับคุณภาพการสำแดงข้อมูลได้อย่างมาก

ผลลัพธ์จากการนำระบบ AI มาใช้ในงานพิธีการศุลกากรจะแตกต่างกันไปตามประเภทธุรกิจ ในบทนี้ เราจะอธิบายการทำงานของ AI ใน 3 อุตสาหกรรม ได้แก่ ภาคการผลิต, ธุรกิจอีคอมเมิร์ซข้ามพรมแดน (EC) และผู้รับจัดการขนส่งสินค้าระหว่างประเทศ (Forwarder) โดยอ้างอิงจากประสบการณ์การให้คำปรึกษาของเรา โปรดพิจารณาลำดับความสำคัญในการนำไปใช้งานจากกรณีศึกษาที่ใกล้เคียงกับรูปแบบธุรกิจของท่านมากที่สุด

สำหรับผู้ผลิตชิ้นส่วนยานยนต์ เครื่องใช้ไฟฟ้า และอิเล็กทรอนิกส์สัญชาติญี่ปุ่นในประเทศไทย การได้รับสิทธิประโยชน์ทางภาษีศุลกากรภายใต้ FTA จะขึ้นอยู่กับองค์ประกอบของแหล่งกำเนิดสินค้า (Rules of Origin) ในผลิตภัณฑ์ที่มีการเปลี่ยนแปลง BOM (Bill of Materials) บ่อยครั้ง การคำนวณแหล่งกำเนิดสินค้าด้วยแรงงานคนนั้นแทบจะเป็นไปไม่ได้ในทางปฏิบัติ ส่งผลให้เกิดกรณีที่พลาดการใช้สิทธิประโยชน์ทางภาษีอยู่บ่อยครั้ง AI สามารถเข้ามาช่วยดึงข้อมูล BOM และข้อมูลซัพพลายเออร์อย่างต่อเนื่อง เพื่ออัปเดตสถานะแหล่งกำเนิดของชิ้นส่วนแต่ละรายการให้เป็นปัจจุบัน พร้อมทั้งตัดสินโดยอัตโนมัติว่าผลิตภัณฑ์สำเร็จรูปนั้นเข้าข่ายได้รับสิทธิประโยชน์ทางภาษี FTA หรือไม่ จากการทำ PoC ของบริษัทเรา พบกรณีที่สามารถค้นพบรายการที่เข้าข่ายได้รับสิทธิ FTA ซึ่งถูกมองข้ามไป จนนำไปสู่การขอคืนภาษีหรือการประหยัดภาษีได้ในระดับหลายสิบล้านเยนต่อปี

ผู้ประกอบการธุรกิจ EC มีการเปลี่ยนแปลงรายการสินค้าอยู่ทุกวัน และในบางเดือนอาจมีการเพิ่ม SKU ใหม่หลายพันรายการ ในปัจจุบันที่การยกเลิกการยกเว้นภาษีศุลกากรสำหรับสินค้ามูลค่าต่ำทำให้ทุกคำสั่งซื้อจำเป็นต้องมีการคำนวณภาษี การดำเนินงานโดยไม่มีระบบ AI ช่วยจำแนกประเภทสินค้าจึงไม่ใช่เรื่องที่เป็นไปได้จริง AI จะทำหน้าที่กำหนดรหัส HS Code ให้โดยอัตโนมัติเมื่อมีการลงทะเบียนข้อมูลสินค้าหลัก (Product Master) และจะคำนวณยอดภาษีเพื่อแสดงให้ผู้สั่งซื้อทราบในขั้นตอนการสร้างฉลากจัดส่ง สำหรับการจัดการสินค้าคืน AI ยังสามารถสร้างเอกสารคำร้องขอคืนภาษีโดยอัตโนมัติ ซึ่งช่วยลดต้นทุนด้านโลจิสติกส์ย้อนกลับ (Reverse Logistics) ได้อีกด้วย การลดปัญหา "การเรียกเก็บภาษีที่ไม่คาดคิด" สำหรับผู้บริโภคชาวไทยถือเป็นเรื่องสำคัญในมุมมองของ NPS และสำหรับผู้ประกอบการบางราย ความโปร่งใสที่ได้รับจาก AI ตั้งแต่ขั้นตอนก่อนการสั่งซื้อยังส่งผลโดยตรงต่ออัตราการซื้อซ้ำอีกด้วย

บริษัทตัวแทนออกของ (Forwarder) มีลูกค้าจำนวนมาก ซึ่งแต่ละรายมีกฎการจัดประเภทสินค้าภายใน ข้อกำหนดพิเศษ และนโยบายการใช้สิทธิประโยชน์ทางภาษีที่แตกต่างกัน การที่พนักงานต้องจดจำกฎของลูกค้าแต่ละรายด้วยตนเองนั้นมีขีดจำกัด ทำให้เกิดความผิดพลาดในการส่งต่องานอยู่บ่อยครั้ง AI สามารถเรียนรู้ "คู่มือการจัดประเภทสินค้า (Classification Playbook)" ของลูกค้าแต่ละราย และเสนอแนะแนวทางที่สอดคล้องกับกฎของลูกค้านั้นๆ ให้แก่พนักงานได้ ซึ่งช่วยให้พนักงานใหม่สามารถรักษาคุณภาพงานได้เทียบเท่ากับพนักงานที่มีประสบการณ์ ทำให้บริษัทตัวแทนออกของสามารถขยายธุรกิจไปพร้อมกับการรักษาคุณภาพการบริการได้ นอกจากนี้ การที่ AI สามารถบันทึกเหตุผลในการจัดประเภทและประวัติการตัดสินใจของลูกค้าแต่ละรายได้ ยังช่วยให้การแสดงความรับผิดชอบเมื่อเกิดการละเมิด SLA (SLA violation) ทำได้ง่ายขึ้นอีกด้วย

ระบบพิธีการศุลกากรด้วย AI ไม่ใช่โครงการที่ "ติดตั้งแล้วจบไป" แต่เป็นโครงการที่ต้องพัฒนาอย่างต่อเนื่องใน 3 ด้าน ได้แก่ ข้อมูล (Data) โมเดล (Model) และกระบวนการดำเนินงาน (Operational Process) โดยเราขอแนะนำ 5 ขั้นตอน ดังนี้ ระยะเวลาโดยประมาณของแต่ละขั้นตอนคือ Step 1 ใช้เวลา 1-2 เดือน, Step 2 และ 3 ดำเนินการควบคู่กันโดยใช้เวลา 2-3 เดือน, Step 4 และ 5 เป็นช่วงเริ่มใช้งานจริงใช้เวลา 1-2 เดือน รวมระยะเวลาตั้งแต่การทำ PoC จนถึงการเริ่มใช้งานจริงอยู่ที่ประมาณครึ่งปี

ความแม่นยำของโมเดลการจำแนกประเภท AI ขึ้นอยู่กับคุณภาพและปริมาณของข้อมูลที่ใช้ในการเรียนรู้ (Training Data) โดยต้องจัดเตรียมข้อมูลการยื่นภาษีศุลกากรย้อนหลัง 3-5 ปี (ชื่อสินค้า, รหัส HS, อัตราภาษีศุลกากร, ประเทศต้นกำเนิด, ผลการยื่นสำแดง) ให้อยู่ในรูปแบบ CSV หรือฐานข้อมูล หากมีเพียงสำเนาใบขนสินค้าที่เป็นกระดาษ ให้เริ่มจากการแปลงเป็นข้อมูลดิจิทัลด้วย AI-OCR ปริมาณข้อมูลที่แนะนำคืออย่างน้อย 1,000 รายการขึ้นไปเพื่อให้ครอบคลุมสินค้าหลักของบริษัท เนื่องจากความแม่นยำของข้อมูลที่ใช้เรียนรู้จะเป็นตัวกำหนดขีดจำกัดความแม่นยำของโมเดล กระบวนการตรวจสอบว่าข้อมูลการยื่นสำแดงในอดีตสามารถนำมาใช้เป็นข้อมูลสอน (Teacher Data) ได้หรือไม่ โดยการแยกแยะและติดป้ายกำกับข้อผิดพลาดที่เคยเกิดขึ้น (การจำแนกประเภทผิด, การยื่นแก้ไข) จึงมีความสำคัญอย่างยิ่ง

เราจะวัดความแม่นยำในการจำแนกประเภทโดยป้อนข้อมูลการสำแดงภาษีในอดีตของบริษัทเข้าสู่โมเดลภาษาขนาดใหญ่ (Large Language Model: LLM) แบบทั่วไปที่มีอยู่ โดยไม่คาดหวังความสมบูรณ์แบบตั้งแต่เริ่มต้น แต่ตั้งเป้าหมายให้ความแม่นยำใน 3 อันดับแรก (Top-3 accuracy) อยู่ที่ 80% ขึ้นไป หากคำตอบที่ถูกต้องรวมอยู่ใน 3 อันดับแรก การดำเนินงานโดยใช้การตรวจสอบจากมนุษย์เพื่อตัดสินใจขั้นสุดท้ายจะสามารถใช้งานได้อย่างมีประสิทธิภาพ ตัวชี้วัดการประเมินจะไม่ใช่เพียงแค่อัตราความถูกต้องทั่วไปเท่านั้น แต่จะวัดผลกระทบของอัตราภาษีศุลกากร (ว่าความผิดพลาดในการจำแนกประเภททำให้เกิดส่วนต่างของภาษีมากน้อยเพียงใด) ควบคู่ไปด้วย เพื่อให้เห็นภาพความสัมพันธ์ระหว่างผลกระทบทางธุรกิจและความแม่นยำ สำหรับการเลือกโมเดล แนวทางที่เป็นจริงคือการเริ่มจากวิธี RAG (ใช้ข้อมูลการสำแดงของบริษัทเป็นแหล่งอ้างอิง) ซึ่งไม่จำเป็นต้องทำ Fine-tuning และค่อยขยับไปสู่การทำ Fine-tuning หากมีความจำเป็นในภายหลัง

สำหรับรายการสินค้าที่มีค่าความเชื่อมั่นต่ำในการจำแนกประเภทด้วย AI หรือรายการสินค้าที่มีผลกระทบสูงต่ออัตราภาษีศุลกากร เราจะดำเนินการขอความเห็นอย่างเป็นทางการผ่านระบบการวินิจฉัยล่วงหน้า (Advance Ruling) ของกรมศุลกากรไทย แม้ว่าการขอ Advance Ruling จะต้องใช้เวลาหลายสัปดาห์ แต่ความเห็นที่ได้รับจะเป็นหลักฐานสำคัญที่ผูกพันการตัดสินใจของศุลกากรสำหรับสินค้าชนิดเดียวกันในอนาคต การที่ AI นำกรณีศึกษาจาก Advance Ruling ในอดีตมาเป็นส่วนหนึ่งของข้อมูลการเรียนรู้ จะช่วยให้สามารถรักษาความสอดคล้องระหว่างองค์ความรู้ภายในบริษัทกับความเห็นอย่างเป็นทางการของกรมศุลกากรไทยไว้ได้ ทั้งนี้ จะให้ความสำคัญกับการขอ Advance Ruling สำหรับสินค้าที่มีปริมาณการนำเข้าต่อปีสูงและมีความเสี่ยงที่จะจำแนกประเภทผิดพลาดก่อนเป็นอันดับแรก นอกจากนี้ AI ยังสามารถทำหน้าที่ได้อย่างมีประสิทธิภาพในการจัดทำรายการ "สินค้าที่ควรยื่นขอ Advance Ruling" อีกด้วย

ห้ามนำ AI ไปใช้ในการยื่นเอกสารโดยตรงโดยไม่ผ่านการตรวจสอบ เราควรออกแบบระบบ Human-in-the-Loop (HITL) เพื่อคัดแยกการอนุมัติอัตโนมัติหรือการตรวจสอบโดยมนุษย์โดยอิงจากเกณฑ์ค่าความเชื่อมั่น (Confidence Threshold) โดยแบ่งออกเป็น 3 ระดับ ได้แก่: หากค่าความเชื่อมั่นตั้งแต่ 95% ขึ้นไปให้เป็นการอนุมัติอัตโนมัติ, 85–95% ให้เป็นการตรวจสอบแบบง่ายในรูปแบบรายการตรวจสอบ (Checklist), และต่ำกว่า 85% ให้เป็นการตรวจสอบโดยละเอียดโดยเจ้าหน้าที่พิธีการศุลกากรที่มีประสบการณ์ ผลลัพธ์จากการตรวจสอบจะถูกส่งกลับเข้าสู่ Feedback Loop ของโมเดล AI เพื่อปรับปรุงความแม่นยำอย่างต่อเนื่อง คุณภาพของการออกแบบ HITL คือปัจจัยสำคัญที่สุดที่จะกำหนด ROI ของโครงการ AI ด้านพิธีการศุลกากร โปรดออกแบบหน้าจอการตรวจสอบ ความสะดวกในการใช้งาน เส้นทางการยกระดับปัญหา (Escalation Route) และการตั้งค่า SLA ให้ละเอียดถี่ถ้วนตั้งแต่เริ่มต้น

สำหรับการตัดสินใจจำแนกประเภททั้งหมด ระบบจะจัดเก็บข้อมูลอินพุต, เวอร์ชันของโมเดล AI, รายการตัวเลือก, ผู้ตัดสินใจขั้นสุดท้าย และเหตุผลประกอบการตัดสินใจไว้ในรูปแบบ Structured Log เนื่องจากการตรวจสอบย้อนหลังของกรมศุลกากรไทยมีระยะเวลา 5 ปี จึงจำเป็นต้องมีโครงสร้างพื้นฐานที่สามารถจัดเก็บและสืบค้นข้อมูลย้อนหลังได้ 5 ปี ซึ่งการใช้ Cloud Storage ร่วมกับ Metadata DB เป็นวิธีมาตรฐานที่สามารถดำเนินการได้ด้วยค่าใช้จ่ายเพียงหลักหมื่นบาทต่อเดือน ทั้งนี้ การนำระบบป้องกันการแก้ไขข้อมูล (เช่น WORM Storage หรือ Cryptographic Timestamp) มาใช้กับ Log จะช่วยเพิ่มความน่าเชื่อถือของหลักฐานในการตรวจสอบได้ดียิ่งขึ้น

เราจะสรุปโครงสร้างต้นทุนทั่วไปและแบบจำลองการคำนวณ ROI ของโครงการ AI Customs Clearance เพื่อให้ผู้มีอำนาจตัดสินใจสามารถประเมินได้ว่า "จะคืนทุนเมื่อใดและเป็นจำนวนเท่าใด" โดยแบ่งออกเป็น 3 แกนหลัก ได้แก่ การลงทุนเริ่มแรก (Initial Investment) ต้นทุนการดำเนินงาน (Operational Costs) และการประมาณการผลตอบแทน (Benefit Estimation)

ต้นทุนเริ่มต้นแบ่งออกเป็น 4 รายการหลัก ได้แก่ (1) การเตรียมข้อมูล (การแปลงข้อมูลการยื่นแบบในอดีตให้เป็นดิจิทัลและทำให้เป็นมาตรฐาน) (2) การสร้างโมเดล (การบูรณาการข้อมูลของบริษัทเข้ากับ LLM แบบทั่วไป การสร้าง RAG และการทำ Fine-tuning ตามความจำเป็น) (3) โครงสร้างพื้นฐานสำหรับการดำเนินงาน (API สำหรับเชื่อมต่อระบบยื่นแบบ, UI สำหรับ HITL, และโครงสร้างพื้นฐานสำหรับบันทึกการตรวจสอบ) และ (4) การออกแบบกระบวนการทำงาน (กระบวนการ HITL, กฎการส่งต่อเรื่อง (Escalation rules), และการฝึกอบรม) ในกรณีทั่วไปสำหรับผู้ประกอบการขนาดกลาง ต้นทุนการลงทุนเริ่มต้นมักจะอยู่ในช่วง 15 ถึง 40 ล้านเยน โดยสาเหตุหลักที่ทำให้งบประมาณบานปลายคือการประเมินชั่วโมงการทำงานสำหรับการเตรียมข้อมูลที่ต่ำเกินไป

ปัจจัยหลักของ ROI ประกอบด้วย 3 ตัวแปร ได้แก่ "จำนวนการยื่นเอกสารต่อปี" "ค่าภาษีศุลกากรเฉลี่ย" และ "อัตราการจำแนกประเภทผิดพลาดในปัจจุบัน" สำหรับผู้ประกอบการที่มีการยื่นเอกสารมากกว่า 1,000 ฉบับต่อเดือน โดยทั่วไปแล้วจะสามารถคืนทุนจากการลงทุนเริ่มแรกได้ภายใน 6-12 เดือน จากผลรวมของการลดขั้นตอนการประมวลผลล่วงหน้าและการเพิ่มความแม่นยำในการจำแนกประเภท สำหรับผู้ประกอบการขนาดเล็กที่มีการยื่นเอกสารไม่เกิน 500 ฉบับต่อเดือน หากรวมการสนับสนุนด้านเอกสารสำหรับการขอ AEO และการลดความเสี่ยงจากการตรวจสอบย้อนหลัง (Post-clearance Audit) เข้าไปด้วย จะสามารถเห็นระดับ ROI ได้ภายในเวลาประมาณ 2 ปี ซึ่งรวมถึงมูลค่าในเชิงการประกันความเสี่ยง สิ่งสำคัญคือการประเมินโดยนำ "ปริมาณการจัดการต่อปี" มาคูณกับ "ความหลากหลายของรายการสินค้า" โดยผู้ประกอบการที่มีจำนวนรายการสินค้ามาก จะได้รับมูลค่าสัมพัทธ์จาก AI สูงขึ้นตามไปด้วย

นี่คือ 5 รูปแบบทั่วไปที่ทำให้การนำ AI มาใช้ในพิธีการศุลกากรล้มเหลว พร้อมแนวทางแก้ไข:

1. เริ่มทำ PoC ทั้งที่ข้อมูลสำหรับเรียนรู้ไม่เพียงพอ: หากพยายามวัดความแม่นยำด้วยข้อมูลการสำแดงย้อนหลังไม่ถึง 100 รายการ ผลการประเมินจะถูกกลบด้วยสัญญาณรบกวน (Noise) จนไม่สามารถตัดสินใจได้ ควรเตรียมข้อมูลอย่างน้อย 1,000 รายการ และถ้าเป็นไปได้ควรมากกว่า 3,000 รายการ

2. ตั้งเป้าหมายเป็นระบบอัตโนมัติเต็มรูปแบบ: การจำแนกพิกัดอัตราศุลกากร (HS Code) เป็นงานที่มีพื้นที่สีเทาจากฝั่งศุลกากร การทำให้เป็นอัตโนมัติ 100% จึงไม่สมเหตุสมผล การตั้งเป้าหมายไปที่ "การเพิ่มประสิทธิภาพการตัดสินใจของมนุษย์" โดยมีพื้นฐานจาก HITL (Human-in-the-loop) จะช่วยให้เห็น ROI ที่เป็นจริงได้มากกว่า

3. ขาดการมีส่วนร่วมของเจ้าหน้าที่พิธีการศุลกากรที่มีประสบการณ์: ข้อมูลสอน (Teacher Data) ของโมเดล AI มาจากข้อมูลการสำแดงในอดีต ซึ่งคุณภาพของข้อมูลขึ้นอยู่กับการตัดสินใจของผู้เชี่ยวชาญ ควรดึงตัวผู้เชี่ยวชาญเข้ามาตั้งแต่ช่วงเริ่มต้นโครงการ รวมถึงให้มีการตรวจสอบความถูกต้องของข้อมูลสอนด้วย

4. การเพิ่ม Audit Log ในภายหลัง: หากละเลยการออกแบบ Log ตั้งแต่แรก จะทำให้ไม่สามารถตอบสนองต่อข้อกำหนดในการตรวจสอบย้อนหลังได้หลังจากเปิดใช้งานจริง ควรออกแบบให้เป็นไปตาม 3 ข้อกำหนดตั้งแต่ขั้นตอนการออกแบบ คือ ต้องจัดเก็บได้ 5 ปี, ค้นหาได้ และป้องกันการแก้ไขข้อมูลได้

5. ไม่ติดตามการเปลี่ยนแปลงการดำเนินงานของกรมศุลกากรไทย: ตารางอัตราภาษีศุลกากรมีการแก้ไขทุกปีและมีการออกประกาศการดำเนินงานอยู่บ่อยครั้ง ควรจัดให้มีวงจรการเรียนรู้ใหม่ของโมเดล AI (แนะนำให้ทำทุกไตรมาส) และรวมกระบวนการนำเข้าประกาศการดำเนินงานให้เป็นงานประจำ ทั้งนี้ บริษัทของเรามีเทมเพลตการดำเนินงานที่ช่วยตรวจจับการแก้ไขตารางอัตราภาษีโดยอัตโนมัติ และจัดทำรายการสินค้าที่ได้รับผลกระทบเป็นรายเดือนให้แก่คุณ

Q1. การจำแนกประเภทสินค้าด้วย AI ได้รับการยอมรับจากกรมศุลกากรหรือไม่? A. กรมศุลกากรไทยรับการสำแดงข้อมูลที่จำแนกประเภทด้วย AI แต่ความรับผิดชอบขั้นสุดท้ายยังคงอยู่ที่ผู้สำแดง โปรดระบุให้ชัดเจนว่ามีการใช้ AI เป็นเครื่องมือช่วยตัดสินใจ และมีการตัดสินใจขั้นสุดท้ายโดยมนุษย์ การสำแดงข้อมูลโดยพึ่งพา AI เพียงอย่างเดียวไม่ได้รับการแนะนำในแง่ของจริยธรรมทางวิชาชีพ

Q2. สามารถรองรับใบกำกับสินค้า (Invoice) หลายภาษา (ไทย/อังกฤษ/ญี่ปุ่น) ได้หรือไม่? A. โมเดลภาษาขนาดใหญ่ (Large Language Models) รองรับภาษาหลักต่างๆ ได้ดี ซึ่งการสกัดข้อมูลรายการสินค้าจากใบกำกับสินค้าภาษาไทยอยู่ในระดับที่ใช้งานได้จริง อย่างไรก็ตาม เพื่อความแม่นยำที่เสถียร ควรลงทะเบียนคำศัพท์เฉพาะ (ชื่อซัพพลายเออร์ท้องถิ่น, ชื่อสถานที่) ไว้ในพจนานุกรมล่วงหน้า การจัดทำพจนานุกรมสำหรับคำศัพท์เฉพาะทางในองค์กรถือเป็นส่วนสำคัญของขั้นตอนเริ่มต้น

Q3. สามารถเชื่อมต่อกับระบบศุลกากรที่มีอยู่ (เช่น SAP GTS) ได้หรือไม่? A. ผลลัพธ์การจำแนกประเภทด้วย AI สามารถส่งผ่าน API ไปยังระบบที่มีอยู่ได้ โดยมีผลงานการเชื่อมต่อกับ SAP GTS, Oracle GTM และระบบเฉพาะทางของผู้ให้บริการด้านศุลกากรต่างๆ มาแล้ว การเชื่อมต่อควรผ่านชั้น ETL เพื่อความปลอดภัย และแนะนำให้มีการออกแบบที่แยกความรับผิดชอบระหว่างการนำเข้า-ส่งออกข้อมูลของ AI กับระบบการสำแดงข้อมูลให้ชัดเจน

Q4. ค่าใช้จ่ายในการติดตั้งและเกณฑ์ ROI เป็นอย่างไร? A. ขึ้นอยู่กับจำนวนรายการสินค้าและปริมาณการสำแดงข้อมูล แต่สำหรับบริษัทที่มีการนำเข้า-ส่งออกมากกว่า 1,000 รายการต่อเดือน โดยทั่วไปจะสามารถเห็นผลตอบแทนจากการลงทุน (ROI) ได้ภายใน 6-12 เดือน เมื่อคำนวณรวมจากส่วนต่างของภาษีศุลกากร การลดชั่วโมงการทำงานล่วงเวลา และการหลีกเลี่ยงความล่าช้าในการผ่านพิธีการศุลกากร

Q5. AI ได้รับการยอมรับสำหรับการขอสถานะ AEO ของไทยหรือไม่? A. ข้อกำหนดด้านการควบคุมภายในของ AEO ครอบคลุมถึง "กระบวนการบริหารจัดการความเสี่ยง" การใช้ AI ร่วมกับแนวทาง HITL (Human-in-the-loop) มักได้รับการประเมินในเชิงบวกในฐานะหลักฐานที่ช่วยลดความเสี่ยงจากการพึ่งพาบุคคล หากมีเป้าหมายเพื่อขอรับสถานะ AEO การดำเนินการติดตั้ง AI ควบคู่ไปกับการเตรียมขอรับรอง AEO จะช่วยสร้างผลลัพธ์เชิงบวกได้

Q6. การโอนย้ายข้อมูลข้ามพรมแดน (จากไทยไปญี่ปุ่น/ต่างประเทศ) มีปัญหาหรือไม่? A. หากเอกสารที่จัดการมีข้อมูลส่วนบุคคลที่เข้าข่าย PDPA (พระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคลของไทย) จำเป็นต้องจัดเตรียมเหตุผลรองรับสำหรับการโอนย้ายข้อมูลข้ามพรมแดน ผู้ให้บริการ AI ด้านศุลกากรส่วนใหญ่สามารถเลือกจัดเก็บข้อมูลในภูมิภาคเอเชียแปซิฟิก (AP Region) ได้ ซึ่งการเลือกภูมิภาคและการทำสัญญาที่รัดกุมกับผู้ให้บริการจะช่วยให้เป็นไปตามข้อกำหนดของ PDPA

การปฏิรูประบบศุลกากรของไทยในปี 2026 มีทั้งแง่ลบสำหรับบริษัทญี่ปุ่นในแง่ของ "ภาระด้านการปฏิบัติตามกฎระเบียบที่เพิ่มขึ้นอย่างรวดเร็ว" และแง่บวกในฐานะ "จุดเริ่มต้นของการปฏิรูปการดำเนินงาน" ในที่สุด สภาพแวดล้อมที่สามารถแก้ไขปัญหาเรื้อรังต่างๆ ได้อย่างเป็นระบบ เช่น การจำแนกพิกัดศุลกากร (HS Code) ที่ขึ้นอยู่กับตัวบุคคล ความยุ่งยากในการพิสูจน์ถิ่นกำเนิดสินค้า และภาระในการจัดทำเอกสาร AEO ด้วยการผสมผสานระหว่าง AI และ HITL (Human-in-the-Loop) ก็พร้อมใช้งานแล้ว สิ่งสำคัญคือการยึดมั่นในหลักการออกแบบ 3 ประการตั้งแต่วันแรก ได้แก่ "ไม่พึ่งพา AI เพียงอย่างเดียว" "เร่งการตัดสินใจของมนุษย์" และ "บันทึกการตัดสินใจทั้งหมดไว้ใน Log" ความคุ้มค่าของการลงทุนจะเริ่มเห็นได้ชัดเจนเมื่อจำนวนการยื่นใบขนสินค้าเกิน 1,000 ฉบับต่อเดือน และเมื่อรวมถึงมูลค่าระยะยาว เช่น การได้รับสถานะ AEO และการเตรียมพร้อมรับความเสี่ยงจากการตรวจสอบย้อนหลัง (Post-clearance Audit) การใช้ AI ในงานศุลกากรจึงกลายเป็นการลงทุนที่จำเป็นสำหรับผู้ประกอบการนำเข้า-ส่งออกระดับกลางขึ้นไป บริษัทของเราให้บริการสนับสนุนการนำ AI มาใช้ในงานศุลกากรสำหรับบริษัทญี่ปุ่นที่ดำเนินธุรกิจนำเข้า-ส่งออกในประเทศไทยอย่างครบวงจร ตั้งแต่การเตรียมข้อมูล การออกแบบการดำเนินงานแบบ HITL ไปจนถึงการสร้างโครงสร้างพื้นฐานสำหรับบันทึกการตรวจสอบ หากท่านกำลังกังวลเกี่ยวกับการรับมือกับการปฏิรูปในปี 2026 โปรดติดต่อเรา