การเปลี่ยนผ่านจาก Generative AI ที่ทำหน้าที่ตอบคำถาม ไปสู่ AI Agent ที่สามารถวางแผนและดำเนินงานได้ กำลังเปลี่ยนโจทย์การใช้ AI ในองค์กร จากเดิมที่มุ่งพัฒนาความสามารถของเทคโนโลยี ไปสู่การทำให้ Agent ทำงานร่วมกันได้อย่างมีประสิทธิภาพ สร้างผลลัพธ์ที่มีคุณภาพ และอยู่ภายใต้การควบคุมที่เหมาะสม ความท้าทายจึงไม่ได้อยู่ที่องค์กรจะสร้าง Agent ได้มากเพียงใด แต่อยู่ที่การทำให้เทคโนโลยีเหล่านี้สร้างคุณค่าทางธุรกิจได้จริง โดยไม่เพิ่มความเสี่ยงและต้นทุนเกินความจำเป็น
Mark Souza, Corporate Vice President & CTO Microsoft Asia ซึ่งทำงานในองค์กรวิศวกรรมของ Microsoft มาเป็นเวลา 25 ปีก่อนย้ายมารับตำแหน่งในเอเชียเมื่อ 3 ปีก่อน กล่าวว่า ประสบการณ์การทำงานกับลูกค้าในภูมิภาคทำให้เห็นว่า การนำ AI ไปใช้ให้เกิดผลต้องอาศัยมากกว่าการสร้าง Agent แต่ต้องออกแบบระบบให้มีข้อมูลและบริบทที่ถูกต้อง มีการประสานงานระหว่าง Agent มีกลไกด้านความปลอดภัย และควบคุมต้นทุนได้ พร้อมกำหนดบทบาทของมนุษย์ในการกำกับการทำงานของ AI
จากยุค Chatbot สู่ Agent จำนวนมาก โจทย์ใหม่คือการบริหารให้เกิดคุณค่า
จุดเริ่มต้นของการพัฒนา AI Solution เกิดขึ้นหลังการเปิด API สำหรับโมเดล GPT ในเดือนกุมภาพันธ์ 2023 ซึ่งเปิดทางให้นักพัฒนาสามารถสร้างโซลูชัน AI ได้ด้วยตนเอง ระยะแรกเป็นยุค Chatbot ที่เน้นการสนทนา ก่อนเปลี่ยนไปสู่ Agent ที่สามารถให้เหตุผลและดำเนินงานตามเป้าหมายได้ราวหนึ่งปีถัดมา ซึ่งเป็นช่วงที่เริ่มเห็นผลตอบแทนจากการลงทุนด้าน AI
เมื่อโมเดลภาษาขนาดใหญ่และเครื่องมือสำหรับ Agent พัฒนาขึ้น ระบบจึงขยายจาก Agent เดี่ยวไปสู่ Multi-agent ที่ทำงานร่วมกัน และ Super Agent ที่เรียกใช้ Sub-agent เพื่อแบ่งงานและดำเนินภารกิจที่ซับซ้อนขึ้น อย่างไรก็ตาม ความสามารถในการสร้าง Agent ที่เพิ่มขึ้นกลับนำมาสู่โจทย์อีกด้าน เมื่อผู้บริหารฝ่ายเทคโนโลยีสารสนเทศ หรือ CIO พบว่าองค์กรมี Agent อยู่ในหลายส่วน แต่ยังไม่แน่ใจว่าแต่ละตัวสร้างคุณค่าได้จริงหรือมีความปลอดภัยเพียงพอหรือไม่
ปัญหาจึงไม่ได้จบที่การเพิ่มความสามารถของโมเดล แต่ต้องจัดลำดับการทำงานของ Agent ให้ถูกต้อง ทำให้แต่ละตัวเข้าใจบริบทที่จำเป็น และกำหนดระบบบริหารจัดการที่ครอบคลุม ยิ่ง Agent มีความสามารถในการทำงานและเรียกใช้เครื่องมืออื่นมากขึ้นเท่าใด การประสานงานและการกำกับดูแลก็ยิ่งมีความสำคัญมากขึ้นเท่านั้น
AI ที่มีข้อมูลครบ อาจยังให้คำตอบผิดหากขาดบริบท
หนึ่งในเงื่อนไขสำคัญของการทำให้ AI ทำงานได้อย่างมีคุณภาพ คือการเข้าถึงข้อมูลที่ถูกต้องและเข้าใจความหมายของข้อมูลนั้น ข้อมูลขององค์กรไม่ได้อยู่ในระบบเดียว แต่อาจกระจายอยู่ในระบบภายใน SharePoint บริการคลาวด์ ฐานข้อมูล และแพลตฟอร์ม SaaS การเชื่อมโยงข้อมูลจากแหล่งต่าง ๆ จึงเป็นจุดเริ่มต้นของการสร้าง Intelligence Layer ที่ช่วยให้ Agent ทำงานได้ตรงกับความต้องการมากขึ้น
Microsoft นำเสนอ OneLake ซึ่งเชื่อมโยง Metadata จากแหล่งข้อมูลต่าง ๆ เพื่อให้เข้าถึงข้อมูลได้โดยไม่จำเป็นต้องคัดลอกข้อมูลทั้งหมดมารวมไว้ในที่เดียว พร้อมใช้ Semantic Layer เพื่อเชื่อมโยงความหมายของข้อมูลที่กระจายอยู่ในหลายระบบ แนวทางนี้เรียกว่า Fabric IQ แต่แม้จะเข้าถึงข้อมูลได้แล้ว ก็ยังมีข้อจำกัดหากระบบไม่เข้าใจที่มาของข้อมูลหรือเงื่อนไขที่ทำให้ข้อมูลนั้นมีความหมายแตกต่างกัน
ตัวอย่างที่สะท้อนปัญหานี้คือราคาสินค้า 200 ดอลลาร์ ซึ่งอาจเกิดจากผู้ขายมีสินค้าคงคลังมากจนต้องลดราคาเพื่อระบายสินค้า หรืออาจเป็นราคาที่สอดคล้องกับกำลังซื้อของผู้บริโภคในประเทศหนึ่ง ตัวเลขเดียวกันจึงไม่สามารถนำไปใช้ตัดสินใจได้โดยปราศจากบริบท เพราะเหตุผลเบื้องหลังราคาอาจแตกต่างกันอย่างสิ้นเชิง
บริบทเหล่านี้อาจอยู่ในอีเมลระหว่างผู้บริหาร การสนทนาผ่าน Slack หรือบันทึกการประชุม จึงต้องอาศัย Context Engineering เพื่อทำให้ AI เข้าใจทั้งที่มาของข้อมูลและสถานการณ์ที่เกี่ยวข้อง ตลอดจนบริบทของผู้ใช้ ทีม และองค์กร นอกจากนี้ ยังมี Web IQ ซึ่งมุ่งเพิ่มประสิทธิภาพการใช้ข้อมูลจากเว็บ และ Model IQ ที่เกี่ยวข้องกับการประสานงานระหว่าง Agent จากแหล่งต่าง ๆ เพื่อให้ระบบทำงานได้อย่างมีประสิทธิภาพและให้ผลลัพธ์ที่มีคุณภาพมากขึ้น
เมื่อ Agent กลายเป็นทั้งเครื่องมือและเป้าหมายของการโจมตี
ความสามารถในการเชื่อมโยงข้อมูลและทำงานข้ามระบบทำให้ AI Agent มีบทบาทมากขึ้น แต่ขณะเดียวกันก็ทำให้การรักษาความปลอดภัยต้องครอบคลุมมากกว่าการป้องกันระบบแบบเดิม แนวทางแรกคือ Secure for AI ซึ่งหมายถึงการรักษาความปลอดภัยให้ระบบ AI ด้วยเครื่องมือด้าน Compliance การตรวจจับภัยคุกคาม การกำหนดนโยบาย และการกำกับดูแลตั้งแต่ชั้นข้อมูล ส่วนติดต่อผู้ใช้ การทำงานของแอปพลิเคชัน ไปจนถึงการปฏิบัติการ
อีกแนวทางคือ Secure with AI ซึ่งนำ Agent มาเพิ่มความสามารถในการตรวจสอบและป้องกันภัยคุกคาม โดยเฉพาะสถานการณ์ที่ผู้โจมตีสามารถประสานงานผ่าน Agent ขณะที่ระบบป้องกันขององค์กรยังทำงานแยกส่วนกันอยู่ Microsoft ยกตัวอย่าง Project Perception ซึ่งใช้ Multi-agent Security เพื่อเชื่อมโยงการป้องกันด้านตัวตน อุปกรณ์ปลายทาง คลาวด์ และข้อมูลเข้าด้วยกัน พร้อมประมวลผลข้อมูลความเสี่ยงเพื่อให้การป้องกันครอบคลุมระบบมากขึ้น
Project Perception แบ่งบทบาท Agent ออกเป็น 3 กลุ่ม ได้แก่ Red Agent ซึ่งค้นหาเส้นทางการโจมตีก่อนที่ผู้โจมตีจะใช้ประโยชน์จากช่องโหว่ Blue Agent ซึ่งตรวจสอบและเชื่อมโยงข้อมูลเพื่อเร่งการตอบสนอง และ Green Agent ซึ่งควบคุมความเสี่ยงและตรวจสอบประสิทธิภาพของการป้องกัน แนวทางนี้สะท้อนการใช้ Agent ช่วยค้นหา ตรวจสอบ และจัดการความเสี่ยงอย่างต่อเนื่อง แทนการรอให้เกิดเหตุการณ์ก่อนจึงค่อยตอบสนอง
อย่างไรก็ตาม การใช้ Agent ป้องกัน Agent ไม่ได้หมายความว่าองค์กรจะปล่อยให้ระบบทำงานได้โดยไม่มีข้อจำกัด แต่ต้องกำหนดสิทธิ์เข้าถึงข้อมูล นโยบายความปลอดภัย และระดับความเป็นอิสระให้ Agent แต่ละตัว พร้อมติดตามพฤติกรรมและมีมาตรการหยุดหรือจำกัดการทำงานเมื่อเกิดความผิดปกติ Mark เน้นย้ำว่าการตัดสินใจของมนุษย์ต้องเป็นส่วนหนึ่งของระบบ และหากโมเดลไม่เปิดโอกาสให้มนุษย์เข้าแทรกแซงการทำงาน ก็ไม่ควรนำโมเดลดังกล่าวมาใช้
คุมต้นทุนตั้งแต่การออกแบบ ไม่ใช่รอแก้เมื่อค่าใช้จ่ายเพิ่ม
นอกเหนือจากความปลอดภัย การขยายการใช้ AI ยังต้องเผชิญข้อจำกัดด้านกำลังประมวลผลและต้นทุน Mark ระบุว่า ความต้องการกำลังประมวลผลสำหรับการฝึกโมเดลภาษาขนาดใหญ่และการทำงานของ AI สูงเกินขีดความสามารถในการรองรับความต้องการ ขณะที่ค่าใช้จ่ายจากการใช้ Token ทำให้องค์กรต้องพิจารณาประสิทธิภาพของระบบอย่างจริงจัง
การควบคุมต้นทุนจึงต้องเริ่มตั้งแต่ขั้นออกแบบ โดยเลือกโมเดลให้เหมาะกับงานและใช้ Model Router เพื่อส่งคำขอไปยังโมเดลที่เหมาะสม ไม่จำเป็นต้องใช้โมเดลเดียวกับทุกงาน การใช้หลายโมเดลร่วมกันยังเป็นอีกทางเลือกหนึ่งในการลดต้นทุนโดยรักษาคุณภาพของผลลัพธ์ ขณะเดียวกัน การออกแบบระบบต้องคำนึงถึงประเภทของข้อมูลและลักษณะงานตั้งแต่ต้น เพื่อให้การประมวลผลสอดคล้องกับความต้องการจริง
ในขั้นใช้งาน การทำ Caching ช่วยลดการประมวลผลซ้ำเมื่อระบบต้องจัดการกับคำขอหรือข้อมูลเดิมหลายครั้ง ส่วนการติดตามและปรับปรุงประสิทธิภาพต้องเริ่มจากการกำหนด Baseline เพื่อให้ทราบระดับการใช้งานและต้นทุนตั้งต้น ก่อนประเมินว่าการเปลี่ยนแปลงแต่ละส่วนช่วยเพิ่มประสิทธิภาพได้มากน้อยเพียงใด โดยต้องพิจารณาตั้งแต่ชั้น API และการเชื่อมต่อ ไปจนถึง Caching
แนวทางดังกล่าวทำให้การบริหารต้นทุนไม่ได้จำกัดอยู่ที่การเลือกใช้โมเดลราคาถูกกว่า แต่เป็นการออกแบบและติดตามประสิทธิภาพตลอดวงจรการทำงาน Mark ระบุว่า องค์กรต้องพิจารณาคุณภาพของผลลัพธ์ ความหน่วงของระบบ ความน่าเชื่อถือ และการกำกับดูแลควบคู่กับต้นทุน เพื่อให้การปรับปรุงระบบไม่ลดคุณภาพของงานที่ต้องการให้ AI ทำ
AI Frontier Company ต้องเปลี่ยนวิธีทำงาน ไม่ใช่แค่เพิ่มจำนวน Agent
เป้าหมายของการนำ AI มาใช้ในองค์กรคือการเปลี่ยนความสามารถของเทคโนโลยีให้กลายเป็นส่วนหนึ่งของการทำงานจริง Mark ให้นิยาม AI Frontier Company ว่าเป็นองค์กรที่ผสานดุลยพินิจและการควบคุมของมนุษย์เข้ากับความสามารถของ Agent เพื่อแก้ปัญหา ทำงานอย่างมีประสิทธิภาพขึ้น และสร้างคุณค่าให้กับองค์กร โดยมนุษย์และ Agent สามารถทำงานร่วมกันเป็นทีมได้ แทนการมอง Agent เป็นเพียงเครื่องมือแยกส่วน
รูปแบบหนึ่งคือการใช้ Chief of Staff Agent ช่วยเตรียมความพร้อมสำหรับการทำงานในแต่ละวัน โดยรวบรวมข้อมูลจากปฏิทิน อีเมล การสนทนาใน Teams การประชุม และรายการงานที่ยังค้างอยู่ ก่อนจัดลำดับความสำคัญว่างานใดต้องดำเนินการในวันนั้น งานใดทำได้ภายในสัปดาห์ และงานใดต้องเตรียมการล่วงหน้า อีกตัวอย่างคือการแบ่งงานระหว่างมนุษย์กับ Agent ในทีมพัฒนา โดยมอบหมายให้ Agent สร้างชุดทดสอบหรือดำเนินการตรวจสอบ Compliance ขณะที่บุคลากรรับผิดชอบงานส่วนอื่น
อีกรูปแบบคือการมอบหมายงานให้ Agent ที่สามารถเรียกใช้ Sub-agent เพื่อค้นหาข้อมูลจากฐานความรู้ ตรวจสอบปัญหาที่เคยเกิดขึ้น และค้นหาข้อมูลบริการที่เกี่ยวข้อง ก่อนนำผลลัพธ์มาช่วยแก้ปัญหา รูปแบบการทำงานเหล่านี้แสดงให้เห็นว่า Agent สามารถรับผิดชอบงานหลายขั้นตอนได้ แต่การใช้ดุลยพินิจของมนุษย์ยังจำเป็นต่อการกำหนดเป้าหมาย ตรวจสอบผลลัพธ์ และควบคุมการตัดสินใจที่สำคัญ
การเปลี่ยนผ่านจึงต้องเริ่มจากผู้บริหารที่สนับสนุนการนำ AI มาใช้ พร้อมจัดตั้ง Center of Excellence ที่มีทั้งบุคลากรด้านธุรกิจและด้านเทคนิค ตลอดจนมี AI Transformation Leads ทำหน้าที่ขับเคลื่อนการเปลี่ยนแปลงและแลกเปลี่ยนแนวทางที่ได้ผลภายในองค์กร ควบคู่กับการพัฒนาทักษะ AI อย่างต่อเนื่อง เพื่อให้บุคลากรสามารถปรับตัวตามการเปลี่ยนแปลงของเทคโนโลยี
ท้ายที่สุด การสร้าง AI Frontier Company ไม่ได้วัดจากจำนวน Agent ที่องค์กรนำมาใช้ แต่ขึ้นอยู่กับความสามารถในการเชื่อมโยงข้อมูลและบริบทเข้ากับการทำงานของ AI พร้อมกำกับดูแลความปลอดภัย ควบคุมต้นทุน และรักษาบทบาทการตัดสินใจของมนุษย์ เพื่อให้ Agent ทำงานร่วมกับบุคลากรและสร้างผลลัพธ์ที่สอดคล้องกับเป้าหมายขององค์กร
ข่าวอื่น ๆ ที่น่าสนใจ
AI-First Enterprise รื้อกระบวนการธุรกิจ-ปรับโครงสร้างทีม-สร้างความได้เปรียบ
Omise เปิด Mirai Flash ผู้ช่วย AI Coworker เชื่อมระบบองค์กร
Microsoft เร่งปั้นคน AI ป้อนตลาดงานไทย ขาดแคลน 8 หมื่นตำแหน่ง
