การให้ AI เขียนโค้ดเร็วขึ้น ไม่ได้หมายความว่าองค์กรจะส่งมอบงานได้เร็วขึ้นเสมอไป เช่นเดียวกับการให้ AI ประเมินผลงานตามเกณฑ์ ก็ไม่ได้รับประกันว่าระบบจะปรับปรุงงานให้ดีขึ้นจริง ประสบการณ์ที่ Microsoft, SCB 10X และ OpenAI นำมาแบ่งปันสะท้อนว่า การใช้ AI Agent ต้องอาศัยทั้งการออกแบบกระบวนการ การกำหนดเป้าหมาย และการวางจุดตรวจสอบให้เหมาะสม องค์กรจึงต้องพิจารณาตั้งแต่ว่ากำลังแก้ปัญหาอะไร ไปจนถึงจะรู้ได้อย่างไรว่างานสำเร็จและพร้อมนำไปใช้
ทั้ง 3 บริษัทนำเสนอมุมมองและกรณีใช้งานในงาน “จากผู้ช่วย AI สู่ AI Agent: การเปลี่ยนแปลงครั้งสำคัญของวิศวกรรมซอฟต์แวร์” ที่ Agoda เมื่อเร็ว ๆ นี้ ซึ่งเป็นกิจกรรมพบปะชุมชนเทคโนโลยีจากภายนอกครั้งแรก ณ สำนักงานแห่งใหม่ที่ One Bangkok โดย Microsoft ชี้ให้เห็นข้อจำกัดของการเร่งงานเพียงบางขั้นตอน SCB 10X แบ่งปันวิธีนำวิจารณญาณของคนมาใช้ในการออกแบบระบบ ส่วน OpenAI สาธิตการให้ Agent ทำงานต่อเนื่องภายใต้เงื่อนไขที่กำหนด ตั้งแต่เตรียมงาน ตรวจพบความผิดพลาด ไปจนถึงหยุดรอคนอนุมัติ
Microsoft ชี้ AI เขียนโค้ดเร็ว แต่งานทั้งระบบอาจไม่เร็วตาม
Harley Young, Head of High-Tech Pod, ASEAN Enterprise, Microsoft ยกตัวอย่างการเดินทางจากกรุงเทพฯ ไปลอนดอน ซึ่งเกี่ยวข้องกับหลายทีม ตั้งแต่เช็กอิน ตรวจความปลอดภัย ไปจนถึงรับกระเป๋าที่ปลายทาง หากทีมสายพานกระเป๋าเพิ่มความเร็วได้เป็นสองเท่า ทีมอาจมองว่าตนเองทำผลงานได้ดีมาก แต่ผู้เดินทางอาจประหยัดเวลาเพียง 5 นาทีจากการเดินทางราว 13 ชั่วโมง การเพิ่มประสิทธิภาพเฉพาะจุดจึงอาจเปลี่ยนประสบการณ์โดยรวมได้น้อยกว่าที่คาด
งานพัฒนาผลิตภัณฑ์มีลักษณะคล้ายกัน AI ช่วยเขียนโค้ด สร้างโครงงาน เตรียมการทดสอบ และทำความเข้าใจโครงการเดิมได้เร็วขึ้น แต่ขั้นตอนอื่นยังใช้เวลา ทั้งการค้นหาปัญหาของลูกค้า การตั้งสมมติฐาน การตรวจความปลอดภัย การกำกับความเสี่ยง และการอนุมัตินำระบบขึ้นใช้งาน เมื่อช่วงพัฒนาเร็วขึ้น งานจึงอาจไปกองอยู่ก่อนหรือหลังขั้นตอนนั้น องค์กรต้องกลับมาพิจารณากระบวนการตั้งแต่ต้นจนจบ เพื่อดูว่าควรเปลี่ยนอะไรจึงจะส่งมอบผลลัพธ์ได้เร็วขึ้นจริง
Harley มองว่า เมื่อทำงานร่วมกับ Agent นักพัฒนาต้องรับบทบาทผู้จัดการมากขึ้น เพราะต้องอธิบายงาน เตรียมข้อมูล และตรวจสอบสาเหตุเมื่อระบบทำผิด หาก Agent ไม่ทำตามที่ต้องการ คำถามที่ต้องย้อนกลับมาพิจารณาคือข้อมูลหรือคำสั่งส่วนใดขาดหาย ขณะเดียวกัน เอกสารคำสั่งต้องได้รับการทบทวนอย่างต่อเนื่อง เพราะสิ่งที่เคยต้องอธิบายอย่างละเอียดอาจไม่จำเป็นเท่าเดิมเมื่อโมเดลเก่งขึ้น การเก็บคำสั่งยาวไว้ทั้งหมดจึงอาจเพิ่มข้อมูลที่ระบบต้องประมวลผลโดยไม่ได้ช่วยให้งานดีขึ้น
กำหนดโจทย์และวิธีทดสอบให้ AI Agent ทำงานต่อได้
หนึ่งในแนวทางที่ Harley เสนอ คือการกำหนดข้อกำหนดก่อนลงมือ ให้ครอบคลุมความต้องการทางธุรกิจ การทำงานของระบบ และวิธีทดสอบ เพื่อให้ Agent เข้าใจว่าต้องสร้างอะไรและจะตรวจความสำเร็จอย่างไร เขายกตัวอย่างเครื่องมืออย่าง Spec Kit ของ Microsoft และแนวทางอื่นในลักษณะเดียวกัน ซึ่งช่วยจัดระเบียบข้อกำหนด เป้าหมายคือให้ Agent มีข้อมูลเพียงพอที่จะทำงานต่อเนื่อง แทนการสนทนาแก้คำสั่งกลับไปกลับมาหรือรอคนคอยบอกขั้นตอนถัดไป
องค์กรยังต้องพร้อมทบทวนเครื่องมือและเทคโนโลยีที่ใช้อยู่ด้วย Harley ยกตัวอย่างการใช้ Agent ช่วยปรับปรุงเอกสารและเครื่องมือสำหรับพัฒนาระบบ รวมถึงการพิจารณาภาษาโปรแกรมให้เหมาะกับงาน บางทีมที่เขาทำงานด้วยเลือกใช้ TypeScript เพื่อช่วยตรวจสอบชนิดข้อมูล หรือ Rust เพื่อประสิทธิภาพและข้อความแจ้งข้อผิดพลาดที่ชัดเจนขึ้น ประเด็นคือการตรวจว่าทางเลือกเดิม ยังเหมาะกับวิธีทำงานที่เปลี่ยนไปหรือไม่ และสิ่งใดช่วยให้ Agent ทำงานและแก้ปัญหาได้ดีขึ้น
อีกส่วนคือ การทำให้รอบการตรวจสอบและแก้ไขสั้นลง โดยรวมการตรวจรูปแบบโค้ด การทดสอบอัตโนมัติ การตรวจความปลอดภัย และการประเมินผลเข้าไปในงานของ Agent พร้อมเตรียมสภาพแวดล้อมให้ทดลองได้รวดเร็ว เช่น ใช้บริการจำลองในกรณีที่เหมาะสม แทนการเรียกใช้ระบบจริงที่มีขั้นตอนเตรียมการมาก วิธีนี้ช่วยให้ Agent พบข้อผิดพลาดและปรับปรุงงานได้ต่อเนื่อง โดยไม่ต้องรอคนเข้ามาดำเนินการทุกครั้ง
อย่างไรก็ตาม การมี Agent หลายตัวทำงานพร้อมกัน อาจเพิ่มภาระให้วิศวกรที่ต้องสลับไปติดตามแต่ละงาน Harley เตือนถึงความเหนื่อยล้าจากการคอยตรวจ ว่าเครื่องมือทุกตัวกำลังทำงาน และเดินหน้าได้เร็วที่สุดหรือไม่ องค์กรจึงต้องออกแบบการจัดการงานให้เหมาะสม ควบคู่กับการเพิ่มความเร็ว เพราะหากคนยังต้องคอยประสานทุกขั้น ความสามารถที่เพิ่มขึ้นของ Agent ก็อาจกลายเป็นภาระใหม่ของผู้ดูแล
SCB 10X แยกจุดที่ AI ทำต่อได้กับจุดที่ต้องรอคน
การเตรียมข้อกำหนดให้ชัด ยังนำไปสู่คำถามว่า งานส่วนใดควรให้ AI ดำเนินการเอง และส่วนใดต้องหยุดรอคน Oravee Smithiphol, Tech Intelligence & Insights Manager, SCB 10X อธิบายเรื่องนี้ผ่านงานลงทุนและการจัดประชุม สำหรับงานที่มีผลกระทบสูงแต่เกิดขึ้นไม่บ่อย เช่น การตัดสินใจลงทุนในสตาร์ตอัป บริษัทกำหนดให้มีจุดหยุดรอวิจารณญาณของคน ส่วนงานปริมาณมาก ทีมพยายามนำหลักคิดและเกณฑ์ตัดสินใจของคนมาใช้ตั้งแต่การออกแบบระบบ เพื่อลดภาระการตรวจผลงานทุกชิ้นภายหลัง
กรณีแรกคือ Beacon เครื่องมือภายในที่ช่วยค้นคว้าและเตรียมข้อมูลประเมินสตาร์ตอัป ทีมพัฒนาเปรียบเทียบผลงานของ AI กับงานที่ทีมลงทุนทำเองต่อเนื่องประมาณครึ่งปี เพื่อดูว่าส่วนใดทำได้ดี ส่วนใดยังมีข้อผิดพลาด และความคลาดเคลื่อนแบบใดอยู่ในระดับยอมรับได้ การประเมินครอบคลุมข้อมูลหลายด้าน เช่น แนวโน้มการเติบโต บริษัทที่ใช้เปรียบเทียบ และตัวคูณมูลค่าที่ใช้ประเมินผลตอบแทนเมื่อขายการลงทุน
การเปรียบเทียบดังกล่าวทำให้ทีมระบุได้ละเอียดขึ้นว่าส่วนใดใช้ผลงานจาก AI ได้ และส่วนใดยังต้องมีคนเข้ามาให้ข้อมูล โดยเฉพาะตัวแปรสำคัญที่ไม่ยอมรับความผิดพลาด บริษัทกำหนดไว้ในระบบว่าต้องหยุดรอคนพิจารณาก่อนเดินหน้าต่อ วิธีนี้ช่วยป้องกันการนำข้อเสนอของ AI ไปใช้โดยเผลอมองข้ามประเด็นสำคัญ และทำให้การตัดสินใจของคนเกิดขึ้นในจุดที่ออกแบบไว้ชัดเจน
เมื่อ AI แก้คะแนนแทนแก้งาน ต้องตรวจอะไรเพิ่ม
อีกกรณีมาจากการใช้ AI ช่วยเตรียมงานประชุม Redefine ซึ่งมีประมาณ 30 ช่วงเสวนาและวิทยากร 60 คน งานครอบคลุมตั้งแต่ค้นคว้าข้อมูล ออกแบบหัวข้อ จับคู่วิทยากรกับผู้ดำเนินรายการ ไปจนถึงเตรียมคำถาม Oravee เริ่มจากลงมือทำตัวอย่างบางส่วนให้ได้คุณภาพที่ต้องการ แล้วให้ AI เรียนรู้เพื่อขยายงาน แต่พบว่าการบอกเพียงว่านี่คือตัวอย่างที่ดียังไม่เพียงพอ เพราะ AI ใช้รูปแบบหรือคำถามคล้ายกันซ้ำ ๆ โดยไม่เข้าใจว่าคุณภาพที่ต้องการประกอบด้วยอะไรบ้าง
ทีมจึงสร้างเกณฑ์ประเมินให้ชัดขึ้น ทั้งความแตกต่างของคำถาม ความลึก และระดับคะแนน แต่ในบางขั้นตอนกลับพบว่า Agent เปลี่ยนคะแนนที่เคยประเมินไว้จนงานดูเหมือนผ่านเกณฑ์ แทนที่จะปรับรายละเอียดให้ดีขึ้น เหตุการณ์นี้ทำให้เห็นว่า การมีตัวชี้วัดยังต้องมาพร้อมการตรวจสอบว่าระบบใช้เกณฑ์อย่างไร และแก้ไขตัวงานจริงหรือไม่ รวมถึงต้องมีการตรวจทานเพิ่มเติมระหว่างกระบวนการ
จุดเปลี่ยนอีกส่วนมาจากคำแนะนำให้ทบทวนเป้าหมาย จากเดิมที่คิดหัวข้อแล้วหาวิทยากรมาใส่ เปลี่ยนเป็นการออกแบบบทสนทนาที่ดี ทีมจึงเริ่มศึกษาความเชี่ยวชาญ มุมมอง และผลงานล่าสุดของวิทยากร เพื่อพิจารณาว่าใครควรสนทนาร่วมกันและควรสำรวจประเด็นใด วิธีนี้ทำให้กำหนดคุณภาพของคำถามได้ชัดขึ้น เช่น คำถามใดช่วยสร้างความคุ้นเคย คำถามใดคลี่คลายความเข้าใจผิด และคำถามใดพาบทสนทนาไปสู่ประเด็นที่ลึกขึ้น
สำหรับ Oravee บทบาทของคนเริ่มตั้งแต่การตั้งเป้าหมายและอธิบายให้ได้ว่างานที่ดีมีลักษณะอย่างไร หากให้ AI สร้างคำถามจำนวนมากแล้วนำทั้งหมดกลับมาให้คนตรวจ คนก็ยังรับภาระหนักอยู่ดี การใช้วิจารณญาณออกแบบกระบวนการตั้งแต่ต้นช่วยให้ระบบทำงานตรงความต้องการมากขึ้น พร้อมมีหลักเกณฑ์ที่ใช้ตรวจสอบได้ว่าคุณภาพดีขึ้นจริง
OpenAI แนะวัดต้นทุน AI Agent รวมงานที่ต้องทำใหม่
Kevin Chan, AI Deployment Engineer Manager, OpenAI หยิบอุปสรรคการใช้ Agent สามเรื่องมาอธิบาย ได้แก่ ต้นทุน ความซับซ้อนในการเชื่อมต่อระบบ และการกำกับดูแล เขาเสนอให้ประเมินต้นทุนตั้งแต่เริ่มจนงานสำเร็จ รวมการลองใหม่และความล้มเหลว แล้วเปรียบเทียบกับคุณค่าที่ได้รับ เพื่อดูว่า Agent ช่วยคืนเวลาให้ทีมไปทำงานที่มีประโยชน์มากขึ้น เช่น ออกแบบผลิตภัณฑ์ พัฒนาสิ่งใหม่ หรือปรับโครงสร้างระบบ ได้เพียงใด
ในด้านการทำงาน Agent ต้องได้รับข้อมูลและเครื่องมือเพียงพอ หากจำกัดการเข้าถึงมากเกินไปก็อาจทำงานได้ไม่เต็มความสามารถ แต่การเปิดสิทธิ์ต้องมาพร้อมขอบเขตที่ชัดเจนว่าสิ่งใดทำได้ สิ่งใดทำไม่ได้ และจุดไหนต้องให้คนเข้ามาพิจารณา Kevin ยังกล่าวถึงการย้ายงานที่ใช้เวลานานไปทำบนคลาวด์ เพื่อให้ระบบทำงานต่อได้โดยไม่ต้องเปิดแล็ปท็อปรอ รวมถึงเครื่องมือช่วยจัดการหลายงานพร้อมกันและรักษาความต่อเนื่องของข้อมูลประกอบการทำงาน
สาธิต Codex ตรวจข้อมูลผิด ระงับเผยแพร่ก่อนคนอนุมัติ
Kevin แสดงตัวอย่างผ่านร้านเครื่องประดับออนไลน์จำลอง โดยใช้เสียงสั่ง Codex ให้เตรียมหน้าร้านสำหรับแคมเปญครบรอบ พร้อมเก็บหน้าร้านเดิมไว้ให้เปรียบเทียบและยังไม่เผยแพร่ จากนั้นให้ตรวจชุดข้อมูลโปรโมชั่นกับรายการที่อนุมัติไว้ เมื่อ Agent พบว่าข้อมูลที่นำเข้ามีสินค้า ภาพ และรหัสโปรโมชั่นไม่ตรงกับแคมเปญ ก็ระงับการเผยแพร่และสร้างรายการแจ้งปัญหา แทนการนำข้อมูลขึ้นใช้งานต่อทันที
ขั้นต่อมา Agent ได้รับคำสั่งให้ตรวจสอบว่าสินค้าที่ควรใช้กับสินค้าที่นำเข้าต่างกันอย่างไร กระทบการเปิดตัวเพียงใด และทีมใดเกี่ยวข้อง พร้อมตรวจว่าสินค้าสำหรับแคมเปญยังอยู่ในแหล่งข้อมูลต้นทางหรือไม่ โดยไม่เปลี่ยนแปลงรายการสินค้า การให้ระบบรวบรวมหลักฐานและบันทึกข้อมูลไว้ในงานแจ้งปัญหาช่วยให้ผู้เกี่ยวข้องมีรายละเอียดประกอบการแก้ไข แทนการรับเพียงข้อความว่ามีบางอย่างผิดพลาด
หลังได้รับชุดข้อมูลที่แก้ไขแล้ว Agent ตรวจสินค้า สต็อก ราคา และการกำหนดโปรโมชั่นอีกครั้ง ก่อนหยุดรอคนตรวจและสั่งเผยแพร่บนระบบจำลองในเครื่อง จากนั้น Kevin ส่งงานทดสอบว่าการเปลี่ยนแปลงกระทบการทำงานเดิมหรือไม่ไปทำต่อบน Codex Cloud การสาธิตครอบคลุมทั้งการเตรียมงาน การตรวจพบข้อผิดพลาด การแก้ไข และการทดสอบ พร้อมกำหนดจุดที่ต้องได้รับความเห็นชอบก่อนดำเนินการต่อ
ประสบการณ์ของทั้ง 3 บริษัทแสดงให้เห็นว่า ความสามารถของ AI Agent ต้องทำงานร่วมกับกระบวนการที่ออกแบบให้ตรวจสอบได้ Microsoft ให้ความสำคัญกับการแก้ข้อจำกัดตลอดกระบวนการ SCB 10X แสดงวิธีนำวิจารณญาณของคนมาใช้ตั้งแต่กำหนดเป้าหมายและเกณฑ์ประเมิน ส่วน OpenAI สาธิตการใช้เงื่อนไขเหล่านั้นระหว่างลงมือทำ ตั้งแต่ตรวจข้อมูลไปจนถึงหยุดเมื่อพบปัญหา สิ่งที่องค์กรต้องเตรียมจึงครอบคลุมทั้งงานที่ต้องการให้ AI ทำ หลักฐานที่จะใช้ตรวจผลงาน และจุดที่คนต้องเข้ามาตัดสินใจก่อนนำไปใช้จริง
ข่าวอื่น ๆ ที่น่าสนใจ
องค์กรไทยเร่งใช้ AI แต่การกำกับดูแลยังตามไม่ทัน
Microsoft ชี้โจทย์ AI องค์กร จากสร้าง Agent สู่คุมคุณภาพ-ความปลอดภัย-ต้นทุน
