คำแนะนำสำหรับธุรกิจที่จะนำ Agentic AI ไปใช้ในปี 2025

ช่วงที่ผ่านมา เราพูดคุยและตื่นเต้นกันอย่างมากเกี่ยวกับ AI ท่ามกลางคำถามที่ยังคงวนเวียนอยู่ว่า “AI จริง ๆ คืออะไร?” และ “AI จะนำไปใช้สร้างประโยชน์ทางธุรกิจได้อย่างไร?”

แต่ยังไม่ทันที่เราจะหาคำตอบชัดเจน เรื่องใหม่ก็โผล่เข้ามาอีกแล้ว นั่นคือ Agentic AI ทุกวันนี้แค่พูดว่า “ใช้ AI” ดูเหมือนจะไม่เพียงพอ หากโครงการไหนไม่ใส่คำว่า Agentic AI ก็ดูจะไม่อินเทรนด์ทันกระแส ถึงขั้นทำให้หลายคนปวดหัวกับ “เสาโกล์แห่งความคาดหวัง” ที่ถูกเลื่อนออกไปอีกครั้ง

ก่อนอื่นเรามาแจกแจงความหมายของ Agentic AI ก่อน ตามนิยามที่วาดภาพกันไว้ จากเดิมที่ Generative AI มีความสามารถด้านความรู้และภาษา ถามมาตอบไป เขียนบทสรุป แก้ปัญหา ขึ้นโครงบทความให้เราได้ เจ้า Agentic AI มีดีกว่านี้ด้วยความสามารถ ดังนี้

1. คิดวางแผนเองได้ จาก task หรือ goal ที่ให้มาว่าต้องทำอะไรบ้าง
2. สามารถเลือกเครื่องมือมาใช้ได้เอง อย่างเหมาะสม เพื่อให้ accomplish task นั้นๆได้
3. สามารถ orchestrate และ co-ordinate กับ AI agent ตัวอื่นๆได้
4. สามารถตรวจทานและแก้ไขงานของตัวเองได้

คำถามที่หลายคนอยากรู้คือ “Agentic AI เป็นไปได้แล้วหรือยัง?”
คำตอบคือ เป็นไปได้แล้ว  แต่ถ้าถามว่า ใช่ตามความคาดหวังหรือไม่ หรือ พร้อมใช้ในระดับ Enterprise จริงหรือเปล่า อันนี้ไม่ง่ายที่จะตอบตรงไปตรงมา

ปัจจุบัน use case demo มีให้เห็นไม่น้อย หลายตัวก็ดูน่าสนใจและทำได้จริงในเชิง B2C เช่น การช้อปปิ้งออนไลน์ หรือการจองตั๋วเครื่องบิน ซึ่งดูเหมือน “ว้าว” ในแวบแรก แต่เมื่อมองลึกลงไปที่การใช้งานจริงในระดับ Enterprise จะพบว่ายังมีปัจจัยที่ต้องพิจารณาอีกมาก

ประเด็นหนึ่งที่ยังคงเป็นความท้าทายมาตั้งแต่ยุค Non-Agentic AI คือเรื่อง ความผิดพลาด (Error) คำถามคือองค์กรจะยอมรับได้มากน้อยแค่ไหน หาก Agentic AI สามารถเข้าถึงฐานข้อมูลกลางขององค์กร แล้วเกิดการแก้ไขข้อมูล “ผิดพลาด” ขึ้น แม้เพียงเล็กน้อย แต่เนื่องจาก Agentic AI ทำงานแบบหลายขั้นตอน ความผิดพลาดเล็ก ๆ ในตอนต้นอาจถูก “ขยายผล” จนทำให้ผลลัพธ์สุดท้ายคลาดเคลื่อนไปไกลจากที่ตั้งใจ

เราจะเห็นตัวอย่างจาก Benchmark ของ Agentic AI ที่ความแม่นยำในงาน Airline task อยู่ที่เพียง ไม่เกิน 60% เท่านั้น ในขณะที่ความคาดหวังของลูกค้าองค์กร (Enterprise clients) ส่วนใหญ่ต้องการความแม่นยำระดับ 90% ขึ้นไปดังนั้น คำถามจึงไม่ใช่เพียงว่า “Agentic AI ทำได้หรือยัง” แต่คือ “องค์กรจะเตรียมรับมือกับข้อจำกัดและความเสี่ยงอย่างไร” ก่อนจะนำไปใช้ในสเกลจริง

*ข้อมูลเมื่อมิถุนายนปี 2024  https://sierra.ai/blog/benchmarking-ai-agents

*ข้อมูลของ Claude Sonnet 3.7 กุมภาพันธ์ 2025 https://www.anthropic.com/news/claude-3-7-sonnet

แต่ทนฝืนกระแสก็คงไม่ไหว ถ้าธุรกิจใดยืนยันว่าอยากนำ Agentic AI ไปใช้ในธุรกิจให้ได้ (เดี๋ยวตก KPI อะไรก็แล้วแต่) เรามีคำแนะนำ ดังนี้

1. Agentic AI มีหลายแบบเป็น spectrum: อันนี้อ้างผู้รู้ได้อย่าง Andrew Ng, The GodFather of AI เชิญชวนให้คนอย่ายึดติดกับคำจำกัดความของ Agentic AI ให้มากนัก ทำได้บางส่วน ส่วนตัวเขาก็มองว่ามันมีความเป็น Agentic แล้ว แปลว่าทำได้อย่างใดอย่างหนึ่งตามข้างต้น มากกว่าแค่ดึงข้อมูลมาตอบคำถามและแก้ปัญหาโดยใช้แค่ภาษาหรือรูปภาพหรือเสียง ก็น่าจะ Agentic แล้ว
2. หา use case ที่ง่าย ตรงไปตรงมา อย่าเยอะ มาทำ แล้ว Agentic AI ระดับ enterprise ที่ให้ผลจริงในธุรกิจ จะเป็นไปได้ แต่อย่าไปทำทุกอย่าง แล้วบอกว่าอันนี้ก็ทำไม่ดี อันนี้ก็ไม่ได้ อันไหนยาก ผสมผสานกับ Non-Agentic Generative AI กันไปก่อน หรือตีออกไปให้คนทำ
3. จุดอ่อนเรื่อง Security ของ Agentic AI for Enterprise ยังมีอีกเยอะ เช่น การป้องกัน jailbreak การเข้าถึงข้อมูล(และอาจมีสิทธิ์ทำอะไรกับข้อมูลได้) ถ้าไม่เผื่อใจไว้ เอาไปใช้ในกรณีที่สิ่งเหล่านี้ไม่สามารถเกิดขึ้นได้แล้วคุณจะผิดหวัง นอกจากนี้ MCP Server ที่ทำมาให้ LLM สามารถรู้จักและเรียกใช้เครื่องมือต่างๆผ่าน MCP standard ก็ยังไม่สมบูรณ์ในการป้องกันเรื่อง security ต่างๆ
4. Tool Discovery หรือ Agent Discovery ยังไงก็ต้องไปเซ็ตให้จำกัดไว้ก่อน ไม่สามารถปล่อยให้ Agentic AI ไปค้นหาเอง ตัดสินใจเอง การทำ MCP Server ทำใช้เองได้ หรือถ้า Third-party อย่างระบบ CRM เขามี support ก็ลองใช้ดู แต่อย่าคาดหวังว่าจะ mature แม้แต่ปรมาจารย์ในวงการ programmer อย่าง Armin Ronacher ผู้สร้าง Flask ก็แชร์ไว้ว่า “ไม่ใช่ว่าเขาไม่ชอบความคิดเรื่องนี้ แต่มันทำได้ไม่เหมือนที่โฆษณา” เขาพบว่าการเขียนโค้ด(ด้วยความช่วยเหลือจาก Agentic AI สำหรับ coding) เพื่อสร้างการเชื่อมต่อเองระหว่าง AI กับเครื่องมืออย่าง database เพื่อให้ AI นำข้อมูลไปใช้ได้ เร็วและออกมาดีกว่าการหวังพึ่ง MCP Server ที่ทำงานได้ไม่ตรงประเด็น ใช้ได้ไม่ดีในการใช้งานจริง เพราะขึ้นอยู่กับขั้นตอนการ inference ของ LLM ว่าเป็นอย่างไร เข้าใจเครื่องมือผ่าน MCP protocol ดีขนาดไหน (เป็นตัวอย่างการใช้ Agentic AI กับสิ่งที่ใช่มากกว่าอย่าง coding อันนี้แนะนำว่าใช้ได้เลยวันนี้)
5. เช่นเดียวกับ Non-Agentic AI ความผิดพลาดเกิดขึ้นได้ เราจะต้องออกแบบกระบวนการทั้งหมดในการนำ Agentic AI มาใช้ และสร้าง prompt หรือ guardrails ให้สอดคล้องกัน เพื่อให้ outcome ของทั้ง workflow ดีกว่าเดิม โดยรับมือกับความผิดพลาดได้ หรือแม้ว่าผิดพลาดก็ไม่ได้เกิดความเสียหายรุนแรง และก่อนนำไปใช้จริง ไม่เพียงแต่ควรจะทดสอบ function การใช้งาน (อยากให้ทำอะไรได้) แต่การทดสอบ guardrails (อยากให้ไม่ทำอะไร) ก็เป็นสิ่งที่ต้องคำนึงถึงตั้งแต่แรกในการออกแบบ

ทั้ง 5 ข้อนี้เป็นเพียง คำแนะนำเบื้องต้น สำหรับผู้ที่สนใจนำ Agentic AI ไปใช้ในธุรกิจจริงหวังว่าจะช่วยให้ทุกคน มองเห็นเคสที่ใช่ และสามารถ นำไปใช้ได้อย่างเกิดประโยชน์ หวังว่าทุกองค์กรได้พบกับ การประยุกต์ใช้ Agentic AI ที่ตอบโจทย์และสร้างคุณค่าได้จริง

ต้องการนำ AI ไปใช้งานกับธุรกิจ

หากธุรกิจต้องการปรึกษาการนำ AI ไปใช้งานกับธุรกิจ ผู้เชี่ยวชาญของเรายินดีให้คำปรึกษาตั้งแต่ขั้นตอนการออกแบบขั้นตอนการทำงาน การเลือกโซลูชัน AI ที่ตอบโจทย์กับความต้องการของธุรกิจไปจนถึงการนำ AI ไปใช้งานให้ประสบผลสำเร็จ สามารถติดต่อเพื่อปรึกษากับผู้เชี่ยวชาญของเราฟรี! ได้ที่นี่

หรือหากต้องการติดต่อไอเจ็นเพื่อไปบรรยาย และให้ความรู้เกี่ยวกับการนำ AI ไปใช้งานกับธุรกิจ ติดต่อเราได้ที่ Line : @aigen หรืออีเมล [email protected]