AI Text-to-SQL (Thai)

AI Validation · 52/100 · needs work

Market demand · 14/25

มีความต้องการอยู่บ้าง — business user ที่ไม่รู้ SQL แต่ต้องการดึงข้อมูลเป็นกลุ่มที่มีอยู่จริงในองค์กรไทย แต่ยังไม่มีหลักฐานเชิงตัวเลข (search volume, waitlist, หรือ paying customer) มาสนับสนุน TAM ในไทยแคบกว่า global เพราะองค์กรขนาดกลาง-เล็กยังใช้ Excel มากกว่า DB

Competitors · 11/25

มีคู่แข่งระดับ global ที่แข็งแกร่งมาก — Defog, Outerbase, MindsDB, DataGrip AI, และฟีเจอร์ Text-to-SQL ใน Databricks/BigQuery อยู่แล้ว จุดต่างที่อ้างได้คือ 'รองรับภาษาไทย' แต่ต้องพิสูจน์ว่า schema/column ชื่อภาษาไทยหรือ Romanized Thai นั้นทำให้ LLM พลาดบ่อยแค่ไหน ถ้าไม่มีข้อมูลนี้ angle ก็ยังบาง

Wrapper risk · 14/25 · level: medium

ไม่ใช่ wrapper บริสุทธิ์ — การเชื่อมต่อ schema จริงของบริษัท + safety guardrail (read-only, row-level permission) + Thai NL context มีความซับซ้อนเกินกว่าจะ prompt Claude.ai ตรงๆ ได้ แต่ถ้าไม่มี proprietary schema catalog หรือ feedback loop จาก query ที่ผิดพลาด โอกาสที่คนอื่น rebuild ใน 2 สัปดาห์ยังสูง

Builder requirements · 13/25

ต้องการ builder ที่มีทั้ง DB engineering (schema introspection, permission model) และ LLM fine-tuning หรืออย่างน้อย prompt engineering สำหรับ Thai NL โปรไฟล์ที่ต้องการชัดพอ แต่ยังต้องมี design access ไปยังฐานข้อมูลจริงขององค์กรเพื่อทดสอบ ถ้าไม่มี connection กับ IT/Data team ในบริษัทไทย การ validate ก็ติดขัด

Recommendation

ไอเดียนี้ไม่ได้แย่ แต่ยังขาด 'ข้อพิสูจน์' ที่ชัดเจน ขั้นต่อไปคือหา 2-3 บริษัทที่ยินดีให้ทดสอบ schema จริง แล้วดูว่า LLM (GPT-4o / Claude) พลาดตรงไหนกับ column ชื่อไทยหรือ business logic เฉพาะองค์กร ถ้าพลาดบ่อย — นั่นคือ moat ที่จับต้องได้ ถ้าไม่พลาด — ให้กลับมาคิดว่า differentiator คืออะไรกันแน่ safety guardrail เพียงอย่างเดียวไม่เพียงพอให้คนจ่ายเงิน