สินค้าหนึ่งชิ้นมี Carbon Footprint เท่าไร? เมื่อ IoT และ AI ช่วยโรงงานไทยตอบโจทย์ตลาดโลก

Product Carbon Footprint หรือ PCF กำลังเปลี่ยนจากข้อมูลด้านสิ่งแวดล้อมไปเป็น “ข้อมูลสำคัญในการรักษาลูกค้า” เพราะลูกค้าและผู้นำเข้าไม่ได้ต้องการรู้เพียงว่าโรงงานทั้งแห่งปล่อยก๊าซเรือนกระจกเท่าไร แต่เริ่มถามลึกลงไปว่าสินค้าหนึ่งชิ้นมี Carbon Footprint เท่าไร และตรวจสอบย้อนกลับได้หรือไม่

GHG Protocol ระบุว่า PCF คือ การประเมินการปล่อยก๊าซเรือนกระจกตลอดวัฏจักรชีวิตของผลิตภัณฑ์ ขณะที่ในไทย TGO มีทั้งโครงการ Product Carbon Footprint แพลตฟอร์มการรายงาน และชุด Emission Factor สำหรับใช้คำนวณ PCF เพื่อช่วยให้ภาคอุตสาหกรรมจัดทำข้อมูลคาร์บอนได้เป็นระบบมากขึ้น

แรงกดดันนี้ยิ่งชัดขึ้นเมื่อมาตรการ CBAM ของสหภาพยุโรปเข้าสู่ระบอบใช้งานจริงตั้งแต่วันที่ 1 มกราคม 2026 ครอบคลุมกลุ่มสินค้าที่มีการปล่อยคาร์บอนสูง เช่น เหล็ก อะลูมิเนียม ซีเมนต์ ปุ๋ย ส่วนในไทยก็มีเป้าหมาย Carbon Neutrality ภายในปี 2050 และ Net Zero ภายในปี 2065 ทำให้โรงงานต้องเริ่มสร้างระบบข้อมูลที่ละเอียด ตรวจสอบย้อนกลับได้ ตลอดจนเชื่อมโยงกับสินค้าและกระบวนการผลิตจริง ไม่ใช่พึ่งพาเพียงการคำนวณคาร์บอนแบบคร่าว ๆ

Product Carbon Footprint ต่างจากคาร์บอนรวมของโรงงาน

การวัดการปล่อยก๊าซเรือนกระจกระดับองค์กร หรือ Corporate Carbon Footprint ช่วยให้โรงงานรู้ว่าทั้งองค์กรปล่อยคาร์บอนรวมเท่าไร แต่ข้อมูลระดับนี้อาจยังไม่เพียงพอเมื่อคู่ค้าต้องการทราบว่า สินค้ารุ่นใด หรือสินค้าหนึ่งชิ้นมีผลกระทบต่อสิ่งแวดล้อมเท่าไร

นี่คือบทบาทของ PCF ซึ่งเป็นการประเมินการปล่อยก๊าซเรือนกระจกต่อหน่วยผลิตภัณฑ์ตลอดวัฏจักรชีวิต ตั้งแต่วัตถุดิบ การผลิต การใช้พลังงาน การขนส่ง การใช้งาน ไปจนถึงการจัดการเมื่อสิ้นสุดอายุการใช้งาน โรงงานส่วนใหญ่มักเริ่มประเมินแบบ Cradle-to-Gate ซึ่งครอบคลุมตั้งแต่การจัดหาวัตถุดิบจนถึงขั้นตอนก่อนส่งมอบสินค้าให้ลูกค้า เนื่องจากเป็นวิธีที่เริ่มดำเนินการได้ง่ายกว่า

ความท้าทาย คือ สินค้าแต่ละรุ่นมีกระบวนการผลิตที่ต่างกัน การใช้ค่าเฉลี่ยหรือนำค่าไฟรวมมาหารจำนวนสินค้าจึงไม่สะท้อนต้นทุนคาร์บอนที่แท้จริง

TGO ย้ำว่าโครงการ PCF คือ กลไกสำคัญที่ช่วยเพิ่มขีดความสามารถการแข่งขันให้อุตสาหกรรมไทยในระดับสากล

ใช้ IoT เป็นฐานข้อมูลวัดคาร์บอน

การวัด Product Carbon Footprint ให้แม่นยำยิ่งขึ้นจำเป็นต้องเริ่มจากข้อมูลจริงจากหน้างาน นี่จึงเป็นจุดที่ IoT เข้ามามีบทบาทสำคัญ

IoT ทำหน้าที่รวบรวมข้อมูลจากหน้างาน โดยเชื่อมโยงเครื่องจักร พลังงาน วัตถุดิบ และกระบวนการผลิตเข้าด้วยกัน ผ่านอุปกรณ์อย่าง Smart Meter วัดไฟฟ้า, Flow Meter วัดของไหลและเชื้อเพลิง, Sensor วัดค่าทางกายภาพต่าง ๆ รวมถึงการดึงสถานะเครื่องจักรจาก PLC และ SCADA ว่าอยู่ในโหมด Run, Stop, Idle หรือ Alarm

การเชื่อมข้อมูลกับ MES หรือ ERP ที่มีรายละเอียด Batch, Output และ Bill of Materials จะช่วยให้โรงงานเห็นภาพชัดเจนว่าสินค้าแต่ละชิ้นใช้ทรัพยากรและพลังงานเท่าไร รวมถึงเกิดความสูญเสียในกระบวนการมากน้อยเพียงใด

ตัวอย่างเช่น สินค้า 2 รุ่นบนไลน์ผลิตเดียวกันอาจมี Carbon Footprint ต่างกัน หากรุ่นหนึ่งใช้ Cycle Time นานกว่า ใช้ระบบทำความเย็นมากกว่า หรือมีอัตรา Scrap สูงกว่า แม้การใช้พลังงานรวมของโรงงานจะคงที่ก็ตาม

สรุปคือ IoT ไม่เพียงแต่เก็บข้อมูล แต่ยังช่วยยกระดับการคำนวณคาร์บอนจากการคาดการณ์แบบเดิม ไปสู่การใช้ข้อมูลจริงที่แม่นยำจากหน้างาน

AI เปลี่ยน Carbon Footprint ให้เป็น Carbon Intelligence

ในขณะที่ IoT ทำหน้าที่เป็นฐานข้อมูล AI จะเข้ามาช่วยวิเคราะห์สาเหตุการเพิ่มขึ้นของ Carbon Footprint เพื่อให้โรงงานทราบจุดที่ควรลดก๊าซเรือนกระจกได้อย่างแม่นยำ

AI ช่วยต่อยอดจากการคำนวณด้วย Emission Factor สู่การวิเคราะห์ข้อมูลเชิงลึก เช่น ความผิดปกติของการใช้พลังงานในแต่ละกะหรือ Batch, ความสัมพันธ์ระหว่างเครื่องจักรกับการเกิด Scrap หรือ Rework และการระบุรุ่นสินค้าที่มีค่าคาร์บอนต่อหน่วยสูงกว่าปกติ

ในบริบทนี้ โรงงานสามารถใช้ AI เพื่อสร้าง Carbon Intelligence หรือความสามารถในการวิเคราะห์คาร์บอนเชิงลึกได้ เช่น ตรวจจับความผิดปกติของ Carbon per Unit, คาดการณ์การใช้พลังงาน, จำลองการปรับแผนการผลิต, วิเคราะห์วัตถุดิบจากซัพพลายเออร์ต่างราย หรือประเมินการลด Scrap เพื่อลดคาร์บอนต่อชิ้นงาน

จุดสำคัญ คือ Carbon Footprint ไม่ควรเป็นเพียงรายงานย้อนหลัง แต่ต้องเป็นข้อมูลที่ฝ่ายผลิต วิศวกรรม พลังงาน คุณภาพ และจัดซื้อใช้ประกอบการตัดสินใจร่วมกันได้จริง

ตัวอย่างเช่น โรงงานผลิตสินค้า A และ B ในไลน์ผลิตเดียวกัน แต่สินค้า B มี Carbon Footprint ต่อชิ้นสูงกว่า จากปัจจัยด้านเวลาการผลิต ของเสีย การ Rework หรือภาระงานของระบบ Utility ที่สูงกว่า ซึ่งการวิเคราะห์ระดับรายสินค้าจะช่วยให้เห็นต้นทุนพลังงานและคาร์บอนที่แท้จริงมากกว่าการใช้ข้อมูลภาพรวมขององค์กร

โดย IoT ช่วยเก็บข้อมูลหน้างาน ส่วน AI ช่วยวิเคราะห์ว่าสาเหตุใดส่งผลต่อ Carbon Footprint มากที่สุด เช่น เกิดจากเครื่องจักรเดินเปล่า หรือเกิดจากวัตถุดิบที่มีค่า Emission Factor สูงกว่าเดิม

นี่คือจุดที่การจัดการคาร์บอนเริ่มเชื่อมกับ Productivity และ Cost Reduction อย่างชัดเจน เพราะการลด Carbon Footprint ต่อชิ้นมักหมายถึงการเพิ่มประสิทธิภาพของกระบวนการผลิตไปพร้อมกัน

อย่างกรณีที่ Schneider Electric รายงานเกี่ยวกับลูกค้ารายหนึ่งในอุตสาหกรรม Semiconductor ที่มีการใช้ EcoStruxure Industrial Advisor – Predictive Energy ที่ผสานข้อมูล IIoT และ Machine Learning เพื่อวิเคราะห์ คาดการณ์ และตรวจจับความผิดปกติของการใช้พลังงานในระบบ Utility เช่น ระบบทำความเย็นหรือไอน้ำ พร้อมแนะนำแนวทางปรับปรุงโดยไม่กระทบการผลิตหลัก 

Schneider Electric ระบุว่าโซลูชั่นนี้ช่วยให้ลูกค้าดังกล่าวประหยัดพลังงานได้ประมาณ 1 ล้านดอลลาร์สหรัฐต่อโรงงานต่อปี ลดการปล่อยคาร์บอนได้ 10,000 ตันต่อโรงงานต่อปี ลด Emissions ได้ 40% และคืนทุนในไซต์แรกภายในเวลาไม่ถึง 6 เดือน เคสนี้สะท้อนให้เห็นว่าการวิเคราะห์ข้อมูลหน้างานด้วย AI ช่วยเปลี่ยนข้อมูลพลังงานและคาร์บอนให้กลายเป็นข้อมูลที่ใช้ลดต้นทุนและลดการปล่อยคาร์บอนในกระบวนการผลิตจริงได้

จาก Carbon Footprint สู่ KPI หน้างาน

ในอนาคต Carbon Footprint อาจไม่ใช่เพียงรายงานปลายปีหรือเอกสารที่ส่งให้ลูกค้า แต่จะกลายเป็น KPI หน้างาน เช่น Carbon per Unit, Carbon by Batch, Energy per Unit, Scrap-Related Emission หรือ Rework Emission

เมื่อถูกแปลงเป็น KPI จะช่วยให้ทุกฝ่ายเห็นเป้าหมายที่ชัดเจนมากขึ้น โดยฝ่ายผลิตจะระบุแผนการผลิตที่ปล่อยคาร์บอนสูง ฝ่ายวิศวกรรมสามารถตรวจจับความผิดปกติในการใช้พลังงานของเครื่องจักร ฝ่ายคุณภาพประเมินผลกระทบจาก Scrap และ Rework ส่วนฝ่ายจัดซื้อสามารถคัดเลือกวัตถุดิบและซัพพลายเออร์ผ่านมิติด้านสิ่งแวดล้อมที่เป็นรูปธรรม

นี่คือการเปลี่ยน Carbon Footprint จากข้อมูลเพื่อการรายงาน ให้กลายเป็นข้อมูลเพื่อการตัดสินใจ

Product Carbon Footprint คือ ความสามารถในการแข่งขันใหม่

โรงงานไทยในห่วงโซ่อุปทานโลก โดยเฉพาะอุตสาหกรรมที่เกี่ยวกับการส่งออก จำเป็นต้องเตรียมข้อมูลคาร์บอนที่ละเอียดขึ้น เนื่องจากคู่ค้าในต่างประเทศเริ่มต้องการข้อมูลเชิงลึกในส่วนนี้ เพื่อใช้ประกอบการรายงาน ESG, Net Zero หรือข้อกำหนดด้านสิ่งแวดล้อมของตลาดปลายทาง

ขณะเดียวกัน มาตรการ CBAM ของสหภาพยุโรปเน้นย้ำว่า ข้อมูลคาร์บอนกำลังเป็นปัจจัยหลักทางการค้า แม้ผลกระทบจะเริ่มจากกลุ่มอุตสาหกรรมที่ปล่อยคาร์บอนสูง แต่นี่นับเป็นทิศทางสำคัญของตลาดโลก

การเตรียมข้อมูล Product Carbon Footprint จึงจำเป็นอย่างยิ่งสำหรับโรงงานไทยที่เป็น Tier Supplier หรือต้องแข่งขันในตลาดส่งออกเพื่อให้สามารถรักษาฐานลูกค้าเดิมและเพิ่มขีดความสามารถการแข่งขันได้ เครื่องมืออย่าง IoT และ AI จึงเข้ามามีบทบาทสำคัญ เพื่อช่วยให้โรงงานรู้ว่าสินค้าแต่ละหน่วยใช้ทรัพยากรไปเท่าใด ปัจจัยใดที่ทำให้คาร์บอนต่อชิ้นสูง และควรเริ่มลดก๊าซเรือนกระจกจากจุดไหนจึงจะมีประสิทธิภาพสูงสุด

บทความโดย :

Porlaoogkum

Content Writer