AI agent ในความหมายที่องค์กรใช้ได้จริง ไม่ใช่หุ่นยนต์ที่คิดเองทำเองทุกอย่าง แต่คือ AI ที่รับเป้าหมายหนึ่งอย่าง แล้วทำงานหลายขั้นตอนเพื่อไปถึงเป้าหมายนั้นโดยใช้เครื่องมือที่เราให้ เช่น อ่านอีเมล เปิดไฟล์ ค้นข้อมูล เขียนลงตาราง แล้วส่งผลให้คนตรวจ บทความนี้อธิบายว่า agent ต่างจากการใช้ AI แบบถาม-ตอบตรงไหน งานแบบไหนในองค์กรที่ควรเป็น agent และงานแบบไหนที่ยังไม่ควร พร้อมวิธีเริ่มโดยไม่ต้องมีทีมพัฒนา
agent ต่างจากแชทบอทและจาก automation เดิมอย่างไร
มีสามอย่างที่มักถูกเรียกปนกัน
- แชทบอท เราถาม มันตอบ ทีละครั้ง เราเป็นคนตัดสินใจทุกขั้น
- automation แบบเดิม เช่น workflow ที่ตั้งกฎไว้ว่า "ถ้ามีอีเมลจากลูกค้ารายนี้ ให้ย้ายไปโฟลเดอร์นั้น" ทำตามกฎเป๊ะ ๆ ไม่มีการตีความ
- AI agent อยู่ตรงกลาง มันรับเป้าหมาย ตีความสถานการณ์ เลือกว่าจะใช้เครื่องมือไหนในลำดับไหน ทำหลายขั้น แล้วหยุดถามเมื่อไม่แน่ใจ
จุดที่องค์กรมักเข้าใจผิดคือคิดว่า agent ต้องซับซ้อน ในทางปฏิบัติ agent ที่ให้ผลคุ้มที่สุดมักเป็น agent เล็กที่ทำงานเดียวให้เสร็จ เช่น "ทุกเช้าอ่านอีเมลที่ส่งเข้ากล่องรับคำร้อง จัดหมวด แล้วสรุปเป็นตารางให้หัวหน้าทีม" ไม่ใช่ agent ที่พยายามแทนทั้งแผนก
งานแบบไหนควรเป็น agent
เกณฑ์ที่ใช้ได้จริงมีสี่ข้อ งานที่ผ่านครบสี่ข้อคืองานที่ควรทำเป็น agent ก่อน
- ทำซ้ำเป็นประจำ อย่างน้อยสัปดาห์ละครั้ง งานที่ทำปีละหนไม่คุ้มค่าตั้ง
- มีหลายขั้นตอนแต่แต่ละขั้นไม่ยาก เช่น ดึงข้อมูล จัดรูปแบบ สรุป ส่งต่อ ถ้าเป็นงานขั้นเดียว แชทธรรมดาก็พอ
- ข้อมูลตั้งต้นอยู่ในที่ที่ agent เข้าถึงได้ อีเมล โฟลเดอร์ ตาราง หรือระบบที่มี connector ถ้าข้อมูลอยู่ในหัวคนหรือในระบบปิด ยังไม่ใช่เวลา
- ผลลัพธ์มีคนตรวจก่อนใช้ agent ที่ส่งงานถึงลูกค้าโดยตรงโดยไม่ผ่านคนคืองานรุ่นหลัง ไม่ใช่รุ่นแรก
ตัวอย่างที่พบบ่อยในองค์กรไทย: สรุปคำร้องจากอีเมลเป็นตารางประจำวัน รวบรวมรายงานจากหลายสาขาเป็นฉบับเดียว เตรียมเอกสารก่อนประชุมจากไฟล์ที่เกี่ยวข้อง ตรวจความครบถ้วนของเอกสารที่ส่งเข้ามาตามเช็กลิสต์ และร่างคำตอบคำถามที่พบบ่อยให้ทีมบริการลูกค้ากดส่ง
งานแบบไหนยังไม่ควร
- งานที่ต้องแม่นยำ 100% และไม่มีคนตรวจ เช่น การโอนเงินหรือการยืนยันสัญญา
- งานที่ต้องเข้าถึงข้อมูลส่วนบุคคลของลูกค้าจำนวนมากโดยไม่มีทางปกปิด
- งานที่กฎเปลี่ยนบ่อยจนคนยังตกลงกันไม่ได้ว่าถูกคืออะไร agent จะสับสนเท่ากับคน
- งานที่ต้องเชื่อมระบบภายในหลายระบบซึ่งยังไม่มี connector ต้นทุนการเชื่อมจะกินประโยชน์หมด
เริ่มโดยไม่ต้องมีทีมพัฒนา
เครื่องมือรุ่นปัจจุบันทำให้คนทำงานทั่วไปตั้ง agent ขนาดเล็กเองได้ในสองทาง
ทางที่หนึ่ง ใช้ agent ที่มากับเครื่องมือทำงาน เช่น Claude Cowork หรือ ChatGPT Work ที่รับเป้าหมาย เปิดไฟล์ ต่อกับ Gmail หรือ Drive และตั้งเวลาทำซ้ำได้ เหมาะกับงานเอกสารและงานรวบรวมข้อมูลของแต่ละคนหรือแต่ละทีม (เทียบสองตัวนี้)
ทางที่สอง ใช้เครื่องมือต่อ workflow เช่น n8n หรือ Power Automate ที่ลากวางขั้นตอนแล้วแทรกโมเดล AI เข้าไปตรงที่ต้องตีความ เหมาะกับงานที่ต้องวิ่งข้ามระบบหลายตัวและต้องการให้ทั้งแผนกใช้ร่วมกัน
ทั้งสองทางอยู่ที่ระดับ 3 ของกรอบ AI Learning Layer และเงื่อนไขก่อนเริ่มเหมือนกันคือทีมต้องผ่านระดับ 1 มาก่อน คือใช้ AI กับงานประจำเป็นและรู้ว่าข้อมูลอะไรป้อนได้ ถ้าข้ามขั้นนี้ agent ที่ตั้งขึ้นมาจะสะท้อนความไม่เข้าใจนั้นออกมาแบบอัตโนมัติ
วัดผล agent อย่างไร
วัดสองอย่างตั้งแต่วันแรก คือเวลาที่คนใช้กับงานนั้นก่อนและหลัง และสัดส่วนผลลัพธ์ที่คนตรวจแล้วใช้ได้โดยไม่ต้องแก้ ตัวเลขที่สองสำคัญกว่าที่คิด เพราะ agent ที่เร็วแต่ต้องแก้ทุกครั้งไม่ได้ประหยัดอะไร และเป็นตัวบอกว่าควรปรับคำสั่งหรือควรเลิก (วิธีวัดที่ผู้บริหารเชื่อ)
อ่านต่อ
เลือกงานแรกด้วยเกณฑ์หา use case วางกติกาข้อมูลก่อนให้ agent เข้าถึงอะไรด้วยโครงนโยบายการใช้ AI หรือดูหลักสูตร AI Agents & Automation ที่จัดในองค์กรได้