Agentic AI: สิ่งที่คุณต้องรู้สำหรับการใช้งานในองค์กรธุรกิจ
เมื่อมีการเปิดตัว Manus.ai สู่สาธารณะ หลายคนอาจคิดว่ายุคของ Agentic AI ได้มาถึงแล้วจริงๆ ต้องยอมรับว่า Agentic AI เป็นคำยอดฮิตแห่งปี 2025 ในวงการ AI ซึ่งมันอาจเป็นจริงสำหรับหลายกรณีการใช้งาน โดยเฉพาะกรณีสำหรับผู้บริโภคที่ต้องการสร้างเว็บเพจสำหรับการใช้งานส่วนตัว หรือธุรกิจขนาดเล็กที่ต้องการ automate การตลาดทางอีเมล แต่ประสิทธิภาพของ Agentic AI ณ ปัจจุบันในบริบทของการใช้งานในองค์กรธุรกิจที่มีมาตรฐานสูงกว่าทั้งในแง่ของมูลค่าทางเศรษฐกิจและการยอมรับของผู้ใช้ จะยังเป็นจริงอยู่หรือไม่ เราจะมาคุยกันในบทความนี้ แต่ก่อนอื่นเรามาทำความรู้จักกับ Agentic AI กันก่อนดีกว่า

Agentic AI คืออะไร?
Agentic AI หมายถึง AI ที่มีความสามารถในการกระทำการแทนผู้ใช้ มันสามารถวางแผน ดำเนินการ และประสานงานระหว่าง AI agents และเครื่องมือต่างๆ เพื่อทำงานที่เราสั่งให้ทำ ความสามารถนี้ครอบคลุมตั้งแต่ AI ที่สามารถทำงานเป็นลำดับขั้นตอนง่ายๆ (เช่น การวิเคราะห์และสรุปรายงานแล้วเขียนลงในเว็บเพจ) ไปจนถึงระบบที่ซับซ้อนกว่า เช่น ทำงานเหมือนนักบัญชีที่สามารถประมวลผลใบแจ้งหนี้ กระทบยอดกับใบสั่งซื้อ ทำการชำระเงิน และบันทึกรายละเอียดธุรกรรมในโปรแกรมบัญชี
ถัดไป เราลองมาดูกันว่าการใช้งานในแบบต่างๆ ของ Agentic AI มีแบบไหนบ้าง เพื่อให้เห็นภาพการทำงานในรูปแบบต่างๆ ที่อาจคาดหวังได้จาก Agentic AI
รูปแบบการใช้งานของ Agentic AI ประเภทต่างๆ
Andrew Ng กูรูทางด้าน AI ได้เคยกล่าวไว้ว่า เขามอง Agentic AI ว่าเป็นสเปกตรัมของวิธีการใช้งาน AI ตั้งแต่ง่ายๆไปจนถึงสลับซับซ้อนมาก แต่สามารถแบ่งรูปแบบการใช้งานที่แตกต่างกันได้ 4 รูปแบบ รูปแบบเหล่านี้ไม่ได้ต้องแยกกันโดยสิ้นเชิง ซึ่งหมายความว่าโซลูชันหรือเวิร์กโฟลว์ของ Agentic AI อาจรวมรูปแบบทั้งหมดเหล่านี้เข้าด้วยกันหรือใช้แค่เพียงบางอัน
- Reflection Pattern: ความสามารถนี้มีอยู่แล้วในปัจุบันระดับหนึ่ง กล่าวคือ เราเพียงแค่ให้คำแนะนำ prompts หรือคำถามแก่ AI และมันจะสร้างคำตอบ ซึ่งจากนั้นจะได้รับการประเมินตนเอง ปรับปรุง หรือแก้ไข ปัจจุบัน เราทำสิ่งนี้ทุกวันนี้โดยใช้ feedback จากมนุษย์ รวมถึงการทำ chain of thoughts ให้กับ AI แต่ Agentic AI ในรูปแบบนี้ควรจะสามารถสำรวจคำตอบของตนเองและปรับปรุงคำตอบได้โดยไม่ต้องมี input จากมนุษย์ ตัวอย่างการใช้งานในรูปแบบนี้ ได้แก่ การสร้างโค้ดซอฟต์แวร์ที่ผลลัพธ์เริ่มต้นได้รับการปรับปรุงผ่านการทบทวนและแก้ไขด้วยตัว AI เอง
- Planning Pattern: รูปแบบการใช้งานนี้เกี่ยวข้องกับการที่ AI แบ่งงานที่ซับซ้อนออกเป็นชุดของงานย่อย เมื่องานย่อยแต่ละงานเสร็จสิ้น มันสามารถรวมผลลัพธ์เป็นคำตอบสุดท้ายหรือตรวจสอบว่างานย่อยแต่ละงานต้องได้รับการแก้ไขหรือปรับกลยุทธ์หรือไม่ ความสามารถนี้มีอยู่แล้วในปัจุบันระดับหนึ่งเช่นกัน เช่น การทำ chain of thought หรือ AI reasoning model ในปัจจุบัน ก็สามารถทำ planning ได้ แต่ Agentic AI ต้องมีความสามารถในการปฏิบัติขั้นตอนเหล่านี้ได้เองสำหรับ task หลากหลายแบบ และสามารถทบทวนผล เพื่อที่จะแก้ไขกลยุทธ์ในการแก้ปัญหาได้ด้วยตัวเอง
- Tool Use Pattern: เพื่อที่จะดำเนินการบางอย่างหรือค้นหาความรู้ที่จำเป็นในการทำงาน AI จำเป็นต้องเข้าถึงเครื่องมือและทรัพยากรภายนอก การใช้เครื่องมือใน Agentic AI ขยายขีดความสามารถของ agent โดยอนุญาตให้มันโต้ตอบกับแอปพลิเคชันภายนอก ค้นหาข้อมูลแบบเรียลไทม์ หรือทรัพยากรการคำนวณอื่นๆ เช่น การเรียกใช้ API สำหรับบริการออนไลน์จาก computer software บน server อื่น โมเดล machine learning อื่นๆ หรือระบบอีเมล์เพื่อส่งข้อความการตลาดโดยอัตโนมัติ
- Multi-agent Pattern: เมื่อเรามี AI หนึ่งตัว คงไม่ยากที่จะจินตนาการถึงรูปแบบ Agentic AI ที่มี AI agents หลายตัวทำงานร่วมกัน แต่ละตัวเชี่ยวชาญในงานที่แตกต่างกัน (อาจเชื่อมต่อกับเครื่องมือต่างๆ และสามารถคิดและวางแผนได้ด้วยตัวเอง) agent ตัวหนึ่งอาจทำหน้าที่เป็นผู้ควบคุมหลักที่แบ่งงานและประสานงานกับ agents อื่นๆ เพื่อให้บรรลุเป้าหมายสุดท้าย

ข้อดีและข้อจำกัด
หากมีการใช้งาน Agentic AI ได้อย่างเต็มรูปแบบ คงไม่ยากที่จะจินตนาการว่าเราสามารถทำงานที่ซับซ้อนหลายอย่างให้เป็นอัตโนมัติผ่าน AI agents ซึ่งนำไปสู่การเพิ่มประสิทธิภาพการทำงานอย่างมีนัยสำคัญ ในทางตรงกันข้ามกับ LLM รุ่นแรกที่มุ่งเน้นการช่วยเหลือด้านการให้ความรู้ ข้อมูล แก้ปัญหา เป็นหลัก Agentic AI สามารถลงมือดำเนินการได้ด้วย ซึ่งคาดว่าจะทำให้ประสิทธิภาพการทำงานเพิ่มมากขึ้นอีกเมื่อเทียบกับการแค่ได้รับข้อมูลที่ต้องการสำหรับงานบางส่วน เพราะงานหรือเวิร์กโฟลว์ทั้งหมดอาจทำให้เสร็จสิ้นกระบวนการได้โดยไม่ต้องมีการแทรกแซงจากมนุษย์
หรืออย่างน้อยนั่นคือสิ่งที่เราคิด(และฝันให้เกิดขึ้น)
มีข้อจำกัดบางอย่างใน Agentic AI ในปัจจุบัน ที่ต้องพิจารณาก่อนการนำไปใช้ เนื่องจากไม่ใช่งานทุกอย่างที่เหมาะสมกับเทคโนโลยีนี้
ข้อจำกัดแรกคือ AI มีความไม่แน่นอนในผลลัพธ์อยู่เสมอ เพราะ AI ไม่ใช่ระบบที่ตายตัว (non-deterministic but probabilistic) โดยเฉพาะอย่างยิ่งเมื่อเราต้องใช้หลายขั้นตอนเพื่อให้บรรลุเป้าหมาย มีโอกาสหลากหลายที่ Agentic AI อาจออกนอกลู่นอกทาง ค่าใช้จ่ายในการคำนวณและเวลาที่ใช้เองก็อาจมากเกินไปสำหรับงานบางอย่าง และสำหรับงานที่ต้องการการอธิบายได้ หรือเป็นเรื่องที่มีความอ่อนไหว เช่น การใช้ Agentic AI เกี่ยวกับการให้สินเชื่อ ตัดสินเกี่ยวกับสุขภาพ การมีห่วงโซ่ของ AI Agents ที่คาดเดาไม่ได้แน่นอน ทำงานร่วมกันอาจทำให้ยากต่อการอธิบายในแง่ของกฎระเบียบข้อบังคับ
ในบทความถัดไป Agentic AI ในองค์กร: ความเป็นจริง ณ ปัจจุบัน เราจะประเมินสถานการณ์ของ Agentic AI ในปัจจุบันสำหรับบริบทการนำไปใช้ในองค์กร

CEO บริษัท ไอเจ็น จำกัด-ผู้เชี่ยวชาญด้าน AI และ Machine learning ทั้งในไทยและต่างประเทศมามากกว่า 10 ปี