บทนำ
ถ้ามองผิวเผิน ข่าว Legora กำลังหาเงินที่ valuation มากกว่า US$10 billion เป็นเรื่องของนักลงทุนและตลาดเทคโนโลยี แต่ตัวเลขนี้มีความหมายต่อวงการกฎหมายมากกว่านั้น เพราะบริษัทไม่ได้ขาย AI สำหรับความบันเทิง แต่กำลังสร้างระบบที่เข้าไปอยู่ในงาน document review, drafting, due diligence และ regulatory compliance ของนักกฎหมายโดยตรง
Legal AI Consolidation คือ แนวโน้มการควบรวมเทคโนโลยีและซอฟต์แวร์ AI ในแวดวงกฎหมาย (Legal Tech) โดยเปลี่ยนจากการที่ทนายความหรือบริษัทกฎหมายต้องซื้อโปรแกรม AI แยกย่อยหลายๆ ตัว มาเป็นการใช้งานผ่าน "ซูเปอร์แพลตฟอร์มแบบครบวงจร" เพียงหนึ่งหรือสองระบบอีกด้านหนึ่ง กระแส open-weight AI ก็กำลังทำให้องค์กรมีทางเลือกมากขึ้นว่าจะส่งข้อมูลทั้งหมดไปยังบริการ AI ภายนอก หรือรันโมเดลบางประเภทใน private cloud, VPC หรือ infrastructure ที่ตนควบคุมเอง
นี่ทำให้คำถามสำคัญของสำนักงานกฎหมายกำลังเปลี่ยนไป จาก “AI ตัวไหนฉลาดที่สุด?” เป็น “เรายอมให้ AI ตัวไหนเข้าถึงข้อมูลอะไร ภายใต้ architecture และความรับผิดชอบแบบไหน?”
Legal AI กำลังโตจาก “เครื่องมือ” เป็น “Platform”
Financial Times รายงานเมื่อวันที่ 13 สิงหาคม 2026 ว่า Legora กำลังหารือเรื่องการระดมทุนโดยตั้งเป้ามูลค่ากิจการมากกว่า US$10 billion หลังจากมีมูลค่าราว US$5.6 billion เพียงประมาณสี่เดือนก่อนหน้า บริษัทให้บริการ AI สำหรับงานของนักกฎหมายหลายประเภท ตั้งแต่ตรวจเอกสาร ร่างเอกสาร ทำ due diligence ไปจนถึงงาน compliance
การเติบโตในระดับนี้มีความหมายมากกว่าเรื่องราคาหุ้นหรือ valuation เพราะเมื่อแพลตฟอร์มหนึ่งเริ่มรองรับหลายขั้นตอนของ legal workflow ลูกค้าไม่ได้ซื้อเพียง “AI ช่วยร่างสัญญา” แต่กำลังนำกระบวนการทำงานจำนวนมากเข้าไปอยู่บน ecosystem เดียว
ในโลก enterprise software เรื่องนี้ไม่ใช่ของใหม่ เราเคยเห็นองค์กรพึ่ง cloud provider, ERP, CRM หรือ productivity suite รายใหญ่จนการย้ายระบบออกภายหลังมีต้นทุนสูงมาก
Legal AI มีความละเอียดอ่อนกว่า software ธุรกิจทั่วไป เพราะสิ่งที่วิ่งผ่านระบบอาจเป็นร่างสัญญาที่ยังไม่เปิดเผย ข้อมูลการเจรจา หลักฐานในคดี ข้อมูลส่วนบุคคล รายละเอียดธุรกรรม หรือกลยุทธ์ทางกฎหมายของลูกความ
ขณะเดียวกัน Reuters รายงานเมื่อวันที่ 12 สิงหาคม 2026 ว่าความต้องการ open-weight AI กำลังเพิ่มขึ้น โดยแรงผลักดันสำคัญมาจากเรื่องต้นทุนและความสามารถในการปรับโมเดลให้เหมาะกับงานขององค์กร ผู้พัฒนาในสหรัฐฯ อย่าง Meta และ Nvidia จึงเพิ่มความสำคัญกับโมเดลประเภทนี้มากขึ้น ท่ามกลางการแข่งขันจากผู้พัฒนาจีน
นั่นหมายความว่า Legal AI ในอนาคตอาจไม่ได้มีรูปแบบเดียว บางสำนักงานอาจใช้ Legal AI SaaS เต็มรูปแบบ ขณะที่บางแห่งอาจใช้ architecture แบบผสม เช่น
Private Cloud / VPC → Open-Weight Model → RAG → ฐานข้อมูลกฎหมายและเอกสารภายใน
งานวิจัย NitiBench เกี่ยวกับการตอบคำถามกฎหมายไทยยังชี้ด้วยว่า architecture ของระบบมีผลต่อคุณภาพคำตอบ โดยการจัดการ retrieval และโครงสร้างของข้อมูลกฎหมายมีความสำคัญ ไม่ใช่เพียงเลือก LLM ที่มีขนาดใหญ่ที่สุดเท่านั้น
ดังนั้นการแข่งขันรอบต่อไปของ Legal AI อาจไม่ใช่แค่การแข่งขันว่าใครมี model ที่เก่งกว่า แต่รวมถึงว่า ใครสามารถครอง workflow, ข้อมูล และ knowledge layer ของสำนักงานกฎหมายได้มากกว่า
ผลกระทบต่อธุรกิจในประเทศไทย
สำหรับสำนักงานกฎหมายไทย เรื่องนี้ควรถูกมองเป็น AI Governance issue ก่อนเป็น Software Procurement issue
เหตุผลคือทันทีที่สำนักงานนำเอกสารลูกความขึ้น Legal AI platform ความสัมพันธ์ไม่ได้มีเพียง “สำนักงานกฎหมายกับผู้ขายซอฟต์แวร์” อีกต่อไป แต่อาจมี model provider, cloud provider, subprocessors, logging service, analytics service และระบบสำรองข้อมูลเข้ามาเกี่ยวข้องด้วย
คำถามแรกจึงไม่ควรเป็นว่า AI เขียนสัญญาได้ดีเพียงใด แต่ควรถามว่า ข้อมูลของลูกความเดินทางไปไหนบ้าง
ในประเทศไทย เรื่องความลับของลูกความมีน้ำหนักทางวิชาชีพอย่างชัดเจน สภาทนายความเคยย้ำว่าการเปิดเผยความลับของลูกความอาจเข้าข่ายประเด็นมรรยาททนายความ และข้อบังคับมรรยาทกำหนดหลักเรื่องการรักษาความลับของลูกความไว้
หากข้อมูลที่นำเข้า AI มีข้อมูลส่วนบุคคล PDPA ก็เข้ามาเกี่ยวข้องด้วย โดยเฉพาะเมื่อระบบมีการประมวลผลหรือส่งข้อมูลไปยัง infrastructure ในต่างประเทศ ซึ่งกฎหมายคุ้มครองข้อมูลส่วนบุคคลของไทยมีบทบัญญัติเกี่ยวกับการส่งหรือโอนข้อมูลไปต่างประเทศไว้โดยเฉพาะ
จุดนี้ทำให้สำนักงานกฎหมายไทยไม่ควรนำแนวคิดจากสหรัฐฯ หรืออังกฤษเรื่อง “legal privilege” มาใช้แบบตรงตัวโดยไม่ตรวจสอบบริบทกฎหมายไทย เพราะโครงสร้างสิทธิ หน้าที่ทางวิชาชีพ กฎหมายพยานหลักฐาน PDPA และข้อผูกพันตามสัญญากับลูกค้าอาจไม่เหมือนกัน
อีกความเสี่ยงหนึ่ง คือ พึ่งพาผู้ให้บริการ (Vendor) รายใดรายหนึ่งหรือเพียงไม่กี่รายมากจนเกินไป
สมมติว่าสำนักงานเริ่มจากใช้ AI ตรวจสัญญา ต่อมาเพิ่ม legal research แล้วนำ precedent library เข้าไป จากนั้นต่อระบบการจัดความเอกสารคดีความ และสร้างระบบงานอัตโนมัติบน platform เดียว
ผ่านไปสามปี สิ่งที่อยู่บน platform นั้นอาจไม่ใช่แค่ “ข้อมูล” แต่รวมถึง template, prompt, workflow, knowledge base และวิธีทำงานของสำนักงาน
วันหนึ่งถ้าราคาเพิ่มขึ้น เงื่อนไขการใช้ข้อมูลเปลี่ยน ผู้ให้บริการเปลี่ยน model provider หรือสำนักงานต้องการย้ายระบบ คำถามคือ:
นำสิ่งเหล่านั้นกลับออกมาได้ครบหรือไม่?
นี่คือการวางแผนเชิงกลยุทธ์ซึ่งควรถูกถามตั้งแต่ก่อนเซ็นสัญญา ไม่ใช่หลังตัดสินใจเลิกใช้บริการ
แต่ open-weight ก็ไม่ใช่คำตอบวิเศษ การติดตั้งโมเดลใน private cloud หรือ infrastructure ของตัวเองอาจช่วยลดการส่งข้อมูลออกไปยัง third-party AI service และเพิ่ม control ได้ แต่สำนักงานจะต้องรับผิดชอบมากขึ้นต่อการ patch ระบบ การควบคุมสิทธิ์ การบันทึก log การประเมินโมเดล การป้องกัน prompt injection การสำรองข้อมูล และการตรวจสอบว่า model version ใหม่ยังให้ผลลัพธ์อยู่ในระดับที่ยอมรับได้
“Open-weight AI ไม่ได้ทำให้ความเสี่ยงหายไป แต่มันย้ายความเสี่ยงบางส่วนจาก Vendor กลับมายัง ผู้บริหาร และ ทีม IT รวมถึง คนที่ต้องรับผิดชอบใน AI Governance อีกด้วย”
สำหรับบริษัทไทยที่ว่าจ้างสำนักงานกฎหมาย เรื่องนี้ก็สำคัญไม่แพ้กัน บริษัทอาจส่งเอกสาร M&A ข้อมูลพนักงาน ความลับทางการค้า หรือข้อมูลคดีให้สำนักงานกฎหมาย แต่ไม่เคยถามว่าสำนักงานนำเอกสารเหล่านั้นไปประมวลผลผ่าน AI หรือไม่
ในอนาคตบริษัทขนาดใหญ่จึงอาจเริ่มกำหนด AI clauses ใน engagement letter หรือ outside counsel guideline มากขึ้น เช่น ห้ามนำข้อมูลบางประเภทเข้า AI โดยไม่ได้รับอนุญาต กำหนดประเภทระบบที่ใช้ได้ หรือกำหนดให้แจ้งเหตุการณ์ด้านข้อมูลที่เกี่ยวข้องกับ AI
นั่นทำให้ AI Governance ของสำนักงานกฎหมายไม่ได้เป็นเพียงเรื่อง internal compliance อีกต่อไป แต่อาจกลายเป็น ปัจจัยแข่งขันในการชนะหรือรักษาลูกค้าองค์กร
คำถามที่สำนักงานกฎหมายควรถามก่อนซื้อ Legal AI
แทนที่จะเริ่มประชุมด้วยคำถามว่า “ตัวไหนตอบกฎหมายเก่งที่สุด” ควรเริ่มจาก 5 เรื่องนี้
1. ข้อมูลวิ่งไปไหนบ้าง? (Data Flow)
- สิ่งที่ต้องรู้: ตั้งแต่อัปโหลดเอกสาร ข้อมูลวิ่งไปเซิร์ฟเวอร์ไหน ค้างอยู่ที่ใคร (เช่น Cloud, ค่าย AI, ระบบแบ็กอัป) เก็บไว้นานเท่าไหร่ และสั่งลบแล้วหายจริงไหม
2. แอบเอาข้อมูลไปเทรน AI หรือเปล่า? (Data Training)
- สิ่งที่ต้องตรวจ: อย่าเชื่อแค่คำโฆษณาในหน้าเว็บ (FAQ) ให้เช็กใน “สัญญาจริง” ว่าทั้งคำสั่ง (Prompt) ผลลัพธ์ (Output) และประวัติการแชท (Logs) จะต้องไม่ถูกเอาไปใช้ฝึก AI ของเขา
3. ถ้า AI ตอบผิด… ใครรับผิดชอบ? (Accountability)
- หลักการสำคัญ: “AI ช่วยทำ แต่คนต้องตรวจ” งานกฎหมายห้ามเชื่อ AI 100% (เช่น การอ้างอิงฎีกา หรือสรุปข้อกฎหมาย) ทนายความยังคงต้องเป็นผู้รับผิดชอบความถูกต้องของงานเสมอ
4. เลือกใช้ระบบแบบไหน กับงานอะไร? (Risk-based Architecture)
- วิธีแบ่งงาน:
- งานทั่วไป/ไม่ลับ: ใช้ระบบแชร์ทั่วไป (SaaS) ได้ ประหยัดดี
- งานความลับสูง: ต้องใช้ระบบปิดส่วนตัว (Private Cloud / Open-weight) เพื่อความปลอดภัยสูงสุด
5. วันไหนเลิกใช้… จะย้ายระบบอย่างไร? (Exit Strategy)
- แผนทางหนีทีไล่: ก่อนเซ็นสัญญา ต้องมั่นใจว่าถ้าเปลี่ยนไปใช้เจ้าใหม่ เราจะดูดข้อมูลทั้งหมดกลับมาได้ (เช่น ไฟล์เอกสาร, คำสั่งที่เคยตั้งไว้, ประวัติการใช้งาน) ไม่ใช่โดนขังระบบไว้กับเขาตลอดไป
มุมมองผู้เชี่ยวชาญ
“สำหรับผม เรื่องนี้ไม่ใช่การเลือกว่า open-weight AI เจ้าไหนฉลาดที่สุด แต่คือเรากำลังเอาความลับของลูกความไปวางไว้ในระบบแบบไหน ถ้าวันหนึ่ง open-weight AI กลายเป็นโต๊ะทำงานหลักของทนาย การเลือก Vendor ก็แทบไม่ต่างจากการเลือกว่าจะฝากตู้เอกสารทั้งสำนักงานไว้กับใคร”
และอีกประเด็นที่ควรจับตาคือ open-weight AI
Open-weight AI คือ โมเดล AI ที่ผู้พัฒนาแจกจ่าย "ค่าน้ำหนัก" (Weights) และ "พารามิเตอร์" (Parameters) ที่ผ่านการฝึกฝน (Train) เสร็จแล้ว ออกมาให้สาธารณชนสามารถดาวน์โหลดไปใช้งาน รันบนเครื่องตัวเอง หรือปรับแต่ง (Fine-tune) ได้อย่างอิสระ ตัวอย่าง Llama Gemma Phi เป็นต้น“หลายคนคิดว่ารัน open-weight AI เองแล้วปลอดภัยกว่า ผมมองว่าถูกแค่ครึ่งเดียว เพราะคุณลดการพึ่งพา Vendor ได้ เช่น ChatGPT , Claude หรือ Gemini เป็นต้น แต่ตั้งแต่วินาทีนั้น Security, Access Control, Log, Update และการตรวจคุณภาพโมเดลจะกลายเป็นความรับผิดชอบของคุณเองทันที”
— Phuwara Krobtaku —
LL.M. (IP & IT) | M.S. (IT) | เนติบัณฑิต & ทนายความ
สิ่งที่ควรทำต่อ
สำหรับสำนักงานกฎหมายหรือฝ่ายกฎหมายที่กำลังเริ่มใช้ Legal AI สามารถเริ่มได้โดยไม่ต้องสร้างระบบใหญ่ทันที:
- ทำบัญชี AI ที่ใช้อยู่จริง — รวมทั้งเครื่องมือที่องค์กรอนุมัติและเครื่องมือที่พนักงานสมัครใช้เอง
- จัดระดับข้อมูลก่อนส่งเข้า AI — แยกข้อมูลทั่วไป ข้อมูลส่วนบุคคล ความลับทางธุรกิจ และข้อมูลลูกความที่มีความอ่อนไหวสูง
- ตรวจสัญญาและ Data Flow ของ Vendor — ดู retention, training, subprocessors, data location, security incident และสิทธิในการลบ/นำข้อมูลออก
- กำหนด Human Verification — โดยเฉพาะข้อกฎหมาย คำพิพากษา citation ตัวเลข และเอกสารที่ส่งออกภายนอก
- ทำ Exit Strategy ตั้งแต่วันแรก — ต้องรู้ว่าจะย้ายข้อมูล knowledge base และ workflow ออกจากระบบได้อย่างไร
แหล่งอ้างอิง
- Financial Times — “Legal AI start-up Legora seeks funds at more than $10bn valuation”, 13 สิงหาคม 2026
อ่านต้นฉบับ Financial Times - Reuters — “American AI model makers smell an opportunity”, 12 สิงหาคม 2026
อ่านต้นฉบับ Reuters - สภาทนายความในพระบรมราชูปถัมภ์ — ข้อมูลเกี่ยวกับมรรยาททนายความและการรักษาความลับของลูกความ
- พระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคล พ.ศ. 2562 — บทบัญญัติเกี่ยวกับการส่งหรือโอนข้อมูลส่วนบุคคลไปยังต่างประเทศ
- NitiBench: A Comprehensive Studies of LLM Frameworks Capabilities for Thai Legal Question Answering — งานวิจัยเกี่ยวกับ LLM, RAG และการตอบคำถามกฎหมายไทย
