ใช้ MCP ให้ AI เข้าถึงข้อมูลภายในองค์กรอย่างปลอดภัย

แนวออกแบบ MCP สำหรับองค์กร ตั้งแต่สิทธิ์รายคน มุมมองข้อมูลแบบอ่านอย่างเดียว log การใช้งาน จนถึงการควบคุมของแอดมินใน Claude และ ChatGPT

ผู้บริหารฝ่ายขายของบริษัทจัดจำหน่ายวัสดุก่อสร้างอยากให้เซลส์ถาม AI ได้ว่า "ลูกค้ารายนี้ค้างชำระเท่าไหร่ วงเงินเหลือเท่าไหร่" แทนการโทรถามฝ่ายบัญชีทุกครั้ง ฝ่ายไอทีตอบกลับมาว่า "ได้ แต่ต้องไม่ให้เซลส์เห็นข้อมูลลูกค้าของคนอื่น และต้องตรวจย้อนหลังได้" นี่คือโจทย์จริงของการใช้ MCP ในองค์กร

การใช้ MCP กับข้อมูลภายในคืออะไร

คือการสร้าง MCP Server ที่ห่อระบบภายใน เช่น ERP, CRM หรือคลังเอกสาร ให้แอป AI ที่พนักงานใช้เรียกข้อมูลได้ตามสิทธิ์ของแต่ละคน หัวใจไม่ได้อยู่ที่การต่อให้ได้ แต่อยู่ที่ ต่อแล้วคุมได้

หลักการออกแบบ 5 ข้อ

1. ยืนยันตัวตนรายคน ไม่ใช้บัญชีกลาง

Remote Server ควรใช้ OAuth ผ่านระบบ login ขององค์กร ศูนย์ช่วยเหลือของ Claude เตือนว่าถ้าใช้ credential ร่วมกันในแผน Team หรือ Enterprise ทุกคนจะได้สิทธิ์เท่ากับ credential นั้น จึงควรจำกัดขอบเขตให้แคบที่สุด

2. Tool ที่แต่ละคนเห็นขึ้นกับสิทธิ์

สเปก Tools ของ MCP อนุญาตให้ Server ส่งรายการ tool ต่างกันตามสิทธิ์ที่แนบมากับคำขอ เช่น เซลส์เห็นแค่ tool ดูยอดค้างชำระ ส่วนผู้จัดการเห็น tool อนุมัติวงเงินด้วย และใน tool เองก็ต้องกรองข้อมูลตามผู้ใช้ทุกครั้ง

3. ให้อ่านผ่านมุมมองที่จำกัดก่อน

อย่าให้ Server ต่อฐานข้อมูลหลักด้วยสิทธิ์เต็ม สร้าง view หรือ API ที่คืนเฉพาะฟิลด์ที่จำเป็น เช่น ยอดค้างและวันครบกำหนด ไม่รวมข้อมูลส่วนบุคคลที่ไม่เกี่ยวข้อง

4. เก็บ log ทุกการเรียก

สเปกแนะนำให้ Client เก็บ log การใช้ tool เพื่อการตรวจสอบ และฝั่ง Server เองก็ควรบันทึกว่าใคร เรียก tool ไหน ด้วย input อะไร เมื่อไหร่ เพื่อใช้สอบย้อนหลังเมื่อเกิดเหตุ

5. ตรวจ input จำกัดอัตรา และกรอง output

สเปกกำหนดว่า Server ต้อง validate input, ควบคุมสิทธิ์, จำกัดอัตราการเรียก และกรอง output ก่อนส่งกลับ

การควบคุมจากฝั่งแอดมิน

• Claude Team และ Enterprise: Owner เพิ่ม connector ได้จาก Organization settings แล้วสมาชิกค่อยกดเชื่อมบัญชีของตัวเอง
• ChatGPT Enterprise และ Edu: ศูนย์ช่วยเหลือของ OpenAI ระบุว่าแอดมินเลือกได้ว่าแอปทำ action ไหนได้และกลุ่มไหนเข้าถึงได้ action ใหม่ถูกปิดไว้ก่อน และแอปที่อนุมัติแล้วใช้ snapshot ของ tool ที่ล็อกไว้ จนกว่าแอดมินจะตรวจและเผยแพร่ใหม่

ข้อมูลที่อยู่ในเครือข่ายภายใน

นี่คือจุดที่หลายองค์กรติด Claude ระบุว่า remote connector ต้องเข้าถึงได้จากอินเทอร์เน็ต ถ้าอยู่หลัง VPN หรือ firewall ต้อง allowlist IP ของ Anthropic ส่วน ChatGPT ระบุว่า Server แบบ private หรือ local ต้องใช้ Secure MCP Tunnel ทางเลือกที่พบบ่อยคือวาง MCP Server ไว้ที่ขอบเครือข่าย ให้ต่อเข้ามาได้เฉพาะจากต้นทางที่อนุญาต แล้วให้ Server คุยกับระบบภายในอีกต่อ

ข้อควรระวัง

• PDPA: ข้อมูลลูกค้าและพนักงานเป็นข้อมูลส่วนบุคคล ควรปรึกษาฝ่ายกฎหมายหรือผู้เชี่ยวชาญเรื่องฐานทางกฎหมายและการส่งข้อมูลให้ผู้ให้บริการ AI
• อย่าเริ่มจาก tool ที่เขียนข้อมูล เริ่มจากอ่านอย่างเดียว แล้วค่อยเพิ่มการกระทำที่ต้องยืนยันจากคน
• Server ภายในไม่ควรอยู่ใน registry สาธารณะ เอกสารของ MCP Registry ระบุว่าไม่รองรับ Server แบบ private และแนะนำให้ตั้ง registry ส่วนตัวแทน
• ทบทวนสิทธิ์เป็นรอบ โดยเฉพาะเมื่อมีคนย้ายแผนกหรือลาออก

AI ควรเห็นข้อมูลเท่ากับที่พนักงานคนนั้นเห็น ไม่มากกว่านั้นแม้แต่บรรทัดเดียว

เริ่มต้นยังไง

1. เลือก use case เดียวที่ตอบคำถามซ้ำๆ ได้ เช่น ยอดค้างชำระของลูกค้าตัวเอง
2. กำหนดว่าใครควรเห็นข้อมูลอะไร ก่อนเขียนโค้ดบรรทัดแรก
3. สร้าง view แบบอ่านอย่างเดียว และ MCP Server ที่ login ผ่านระบบขององค์กร
4. เปิดให้กลุ่มนำร่องเล็กๆ ใช้ พร้อมเก็บ log และรีวิวทุกสัปดาห์
5. ขยายเมื่อมั่นใจเรื่องสิทธิ์และคุณภาพคำตอบ

ถ้าองค์กรยังไม่แน่ใจว่าพร้อมแค่ไหน SCALE มี workshop AI Readiness Diagnostic และ AI Governance ติดต่อได้ที่ scale.co.th และอ่านพื้นฐานความปลอดภัยต่อที่ ความปลอดภัยของ MCP