Agentic AI ในองค์กร: ความเป็นจริง ณ ปัจจุบัน

เราจะเห็นได้ว่าการใช้ Agentic AI สำหรับงานบางอย่างอาจซับซ้อนกว่าอย่างอื่นมาก และจะยังคงเป็นอุปสรรคต่อการนำไปใช้อย่างแพร่หลายในองค์กรในระดับใหญ่ เพื่อให้การนำไปใช้ประสบความสำเร็จ น่าจะต้องมีหลายอย่างที่ต้องได้รับการปรับปรุงเสียก่อน

AI ที่มีความสามารถในการคิดและวางแผนที่ดีขึ้น

Agentic AI ในอุดมคติต้องสามารถวางแผนอย่างชาญฉลาดว่าจะบรรลุเป้าหมายอย่างไรเมื่อตอบสนองต่อคำสั่งของมนุษย์ จากคำสั่งที่ให้มา ซึ่งมักคาดว่าจะเป็นระดับสูงโดยมีรายละเอียดน้อย มันต้องเข้าใจวิธีแบ่งงานเป็นงานย่อยที่จำเป็น งานย่อยแต่ละงานต้องการการพิจารณาอย่างรอบคอบจาก AI เองเกี่ยวกับวิธีการบรรลุเป้าหมายย่อย

ข่าวดีคือ ความสำคัญด้านนี้มีความก้าวหน้าอย่างมีนัยสำคัญเมื่อเร็วๆนี้ อาจจะมากกว่าด้านอื่นๆ จากโมเดลภาษาขนาดใหญ่อย่าง GPT-4 หรือ DeepSeek-V3 ที่ได้รับการฝึกฝนสำหรับความเข้าใจภาษาทั่วไปและการแก้ปัญหาที่ซับซ้อน เรามีโมเดลการให้เหตุผลอย่าง GPT-o4 หรือ DeepSeek-R1 ที่ได้รับการฝึกฝนจำเพาะสำหรับการคิดเชิงลึกและการให้เหตุผลเพื่อแก้ปัญหาที่ซับซ้อนมากขึ้น เมื่อโมเดลประเภทนี้มีความเชี่ยวชาญในการแตกปัญหาอย่างชาญฉลาดเป็นงานย่อยและรวมผลลัพธ์ย่อยทั้งหมดเพื่อให้บรรลุเป้าหมายหลัก เราจะมีผู้ช่วยเสมือนที่มีประโยชน์มากในรูปแบบของ Agentic AI จริงๆ

การเชื่อมต่อที่ราบรื่นกับเครื่องมือออนไลน์ ระบบ หรือตัวแทนอื่นๆ

เพื่อให้ AI ใช้เครื่องมือออนไลน์ที่จำเป็นในการทำงาน เครื่องมือเหล่านี้ต้องพร้อมใช้งานสำหรับ AI ในการเชื่อมต่อและใช้งาน นอกจากนี้ AI ต้องรู้ว่าเครื่องมือใดเหมาะสมที่จะใช้กับงานใด ลงไปถึงรายละเอียดย่อยของความสามารถและคุณลักษณะพิเศษเมื่อเทียบกับเครื่องมือทางเลือกอื่นๆ ปัจจุบันนี้ เครื่องมือออนไลน์ส่วนใหญ่เปิดให้ใช้ในรูปแบบ API (Application Programming Interface) ซึ่งเป็นมาตรฐานที่ออกแบบมาสำหรับระบบซอฟต์แวร์ในการเรียกใช้บริการกันและกันด้วยโปรโตคอลจำเพาะ เพื่อให้แน่ใจว่าการสอบถามและการตอบสนองสอดคล้องกันและทำให้ระบบที่เรียกใช้ สามารถนำผลตอบกลับไปใช้ต่อได้

ในทำนองเดียวกัน เรื่องนี้ได้มีการพัฒนาเป็นโปรโตคอลมาตรฐานเช่น MCP Server ที่เสนอโดย Anthropic ซึ่งได้รับการสนับสนุนอย่างมากจากชุมชนนักพัฒนา โดย MCP เหมือนกับที่มาตรฐาน USB เป็นสำหรับอุปกรณ์ที่เชื่อมต่อกัน หรือเหมือนกับที่ REST API เป็นสำหรับระบบซอฟต์แวร์ออนไลน์ที่เรียกใช้และให้บริการซึ่งกันและกัน และในขณะที่ MCP ออกแบบมาเพื่อการทำให้ LLM สามารถเข้าถึงเครื่องมือต่างๆข้างนอกได้อย่างง่ายดาย Google เองก็ได้ออกตัว A2A ที่อ้างว่าเป็นส่วนช่วยเสริมของ MCP โดยเน้นการเชื่อมต่อทั่วๆไประหว่าง AI agent ด้วยกัน เมื่อโปรโตคอลและมาตรฐานเติบโตขึ้น พลังของเครื่องมือออนไลน์ต่างๆ และ AI agents อื่นๆ จะถูกปลดล็อค และ Agentic AI จะแพร่หลาย แต่เราอาจใช้เวลาสักพักกว่าที่ทุกอย่างจะลงตัว จุดอ่อนได้รับการแก้ไขอย่างเพียงพอ และมีมาตรฐานอย่างน้อยตัวหนึ่งที่เป็นตัวเลือกที่ชัดเจนที่ทุกคนยอมรับ

การตรวจสอบข้อผิดพลาดและการแก้ไขอัตโนมัติ

ด้วย AI ที่สามารถทำผิดพลาด บางครั้งแม้แต่การให้คำตอบที่ผิดพลาดอย่างมั่นใจ ซึ่งยังพบเห็นได้บ่อยแม้แต่ในโมเดล AI ที่ก้าวหน้าที่สุดตอนนี้ การมีห่วงโซ่ของการกระทำที่เรียงร้อยกันเพื่อทำงานมีความเสี่ยงสูง สำหรับ agentic AI ที่จะใช้งานได้ในกรณีการใช้งานขององค์กรส่วนใหญ่ ที่ข้อผิดพลาดและความผิดพลาดเป็นเรื่องสำคัญที่ส่งผลต่อความไว้วางใจ หรือแม้แต่ทำให้เกิดการสูญเสียทางทรัพย์สินจริงๆ เครื่องมือและวิธีการทั้งหลายที่ฝังอยู่ภายใน Agentic AI ต้องได้รับการคิดค้นเป็นโซลูชันที่รวมไปถึง AI re-iteration หรือ sub-agent AI และการทำงานร่วมกับมนุษย์ (human-in-the-loop) ต้องได้รับการออกแบบและพิสูจน์การใช้งานอย่างแน่นหนา เราจะรู้ได้อย่างไรว่า AI ทำผิดพลาดในการจองร้านอาหารผิดที่มีชื่อเดียวกัน? เราจะจับข้อผิดพลาดของ AI ได้อย่างไรก่อนที่มันจะชำระเงินค่าตั๋วเครื่องบินเมื่อมันทำตามใจตัวเองและวางแผนบางอย่างที่คิดว่าดีที่สุดแต่จริงๆ แล้วไม่ตรงกับความตั้งใจของมนุษย์ผู้ควบคุม? การตรวจสอบข้อผิดพลาดและการดำเนินการแก้ไข ไม่ว่าจะอยู่ภายในเวิร์กโฟลว์ Agentic AI เองหรือผ่านการทำงานร่วมกับมนุษย์ ต้องได้รับการจัดการก่อนที่องค์กรจะนำ Agentic AI มาใช้ทั่วทั้งองค์กร

สุดท้าย ความเร็วในการตอบสนองของ AI ในปัจจุบันยังคงเป็นอุปสรรคอยู่บ้าง แม้แต่ prompt ที่ยาวสำหรับงานง่ายๆ ก็อาจใช้เวลาพอสมควรกว่าจะได้ response ทั้งหมดกลับมา ลองจินตนาการถึง prompts ที่เรียงร้อยเป็นลูกโซ่ไปมาภายในเวิร์กโฟลว์ของ Agentic AI – การรอคอยผลลัพธ์อาจถึงขั้นทรมาน อย่างไรก็ตาม อาจมีข้อโต้แย้งว่าสำหรับงานที่ซับซ้อน เวลาที่ใช้ในการทำงานไม่ใช่ประเด็นสำคัญ และมนุษย์ส่วนใหญ่สามารถรอได้เนื่องจากยังคงประหยัดเวลาของพวกเขาได้มาก

Agentic AI เป็นเทคโนโลยีที่เห็นได้ชัดว่ามาถึงแล้ว แต่เพื่อให้เกิดการนำไปใช้อย่างแพร่หลายในองค์กรพร้อมกับการยอมรับประโยชน์ที่ชัดเจน ยังมีปัญหาหลายอย่างที่เทคโนโลยีและระบบนิเวศของมันต้องได้รับการปรับปรุงจนกว่าจะพร้อมจริงๆ ธุรกิจควรติดตามพัฒนาการในพื้นที่นี้และเลือกงานและสิ่งที่เหมาะสมกับการใช้ Agentic AI โดยพิจารณาจากสิ่งที่มันเป็นและข้อจำกัดของมัน