จากของเล่นทดลองสู่โครงสร้างพื้นฐานใหม่ขององค์กร
AI agent คือระบบซอฟต์แวร์ที่ใช้เทคโนโลยีปัญญาประดิษฐ์และ machine learning เพื่อรับคำสั่งระดับเป้าหมาย วางแผน และลงมือทำงานแทนมนุษย์แบบอัตโนมัติ ตั้งแต่งานหลังบ้านอย่างประมวลเอกสาร การเขียนโค้ด ไปจนถึงงานเชิงรุกอย่างดูแลลูกค้าและตัดสินใจเชิงธุรกิจ โดยเชื่อมต่อกับระบบต่างๆ ในองค์กรและเรียนรู้ปรับตัวจากข้อมูลที่ได้รับอย่างต่อเนื่อง
ประเด็นสำคัญวันนี้คือองค์กรขนาดใหญ่ไม่ได้แค่ทดลองใช้ตัวแทน AI อีกต่อไป แต่กำลังผลักดันสู่ระดับโครงสร้างพื้นฐานธุรกิจ รายงานของ McKinsey ระบุว่า 40% ของบริษัทที่มีรายได้ระดับสูงกำลังเดินหน้า AI agent scaling เพิ่มขึ้นจาก 27% ในปีก่อนอย่างชัดเจน ตัวเลขนี้บอกอย่างหนึ่งแบบไม่ต้องตีความมากว่า enterprise AI adoption กำลังก้าวพ้นช่วงพิสูจน์แนวคิด และเข้าสู่ยุคที่ใครยังมองว่า AI เป็นของเล่นทดลอง กำลังจะตามหลังทันที คำถามจึงไม่ใช่จะใช้ AI หรือไม่ แต่คือจะใช้ให้คุ้มและปลอดภัยแค่ไหน
ทำไมองค์กรแห่ขยาย AI agents และผู้ใช้ปลายทางได้อะไร
ปัจจัยที่ผลักดันการขยาย AI agents มีทั้งแรงดันจากการแข่งขันและแรงดึงจากต้นทุนเทคโนโลยีที่ลดลง ฝั่งองค์กรเริ่มเห็นแล้วว่าโครงการนำร่องที่เคยจำกัดอยู่ในแผนกทดลอง สามารถต่อยอดเป็น machine learning deployment ระดับโปรดักชันที่ช่วยลดเวลาทำงาน และลดค่าใช้จ่ายซ้ำซ้อน เมื่อโมเดลราคาย่อมเยาเริ่มทำงานได้ดีพอในหลายกรณี บริษัทจึงไม่จำเป็นต้องส่งทุกงานไปใช้โมเดลระดับ frontier ที่มีต้นทุนสูงอีกต่อไป
ผลกระทบต่อผู้ใช้ทั่วไปคือประสบการณ์บริการที่ฉลาดขึ้น ตอบสนองเร็วขึ้น และเฉพาะบุคคลมากขึ้น ตั้งแต่การขอใบเสนอราคา การเคลมประกัน ไปจนถึงการช่วยนักพัฒนาสร้างแอปพลิเคชันซับซ้อน ระบบเบื้องหลังเริ่มเปลี่ยนจาก chatbot ที่ตอบคำถามอย่างเดียว ไปสู่เอเจนต์ที่ลงมือทำงานยาวเป็นลำดับขั้นได้รายงานชี้ว่าเรากำลังขยับจากยุคแชตบอตไปสู่ยุค agentic ที่โมเดลสามารถวางแผนและจัดเส้นทางงาน ส่งงานง่ายไปให้โมเดลราคาถูก และใช้โมเดลทรงพลังเฉพาะงานยาก นี่คือการผสมผสานประสิทธิภาพกับความคุ้มค่าที่ปลายทางผู้ใช้จะสัมผัสได้โดยไม่รู้ตัว
เมื่อ ‘ใหญ่สุด’ ไม่ใช่คำตอบเดียว นักลงทุนกำลังมองหาอะไร
ในฝั่งทุน การแข่งขันของ AI startup investment เข้าสู่เฟสใหม่ที่ไม่ได้วัดกันที่โมเดลใหญ่แค่ไหน แต่ดูว่าบริษัทใช้โมเดลอย่างมีประสิทธิภาพเพียงใด พาร์ตเนอร์จากกองทุนรายใหญ่รายหนึ่งมองว่าศูนย์กลางของเฟสถัดไปในอุตสาหกรรม AI คือการตัดสินใจว่าเคสไหนต้องใช้ frontier intelligence และเคสไหนใช้โมเดลแบบ open weight ที่ถูกกว่าแต่ดีพอ เขาเชื่อว่าโมเดลระดับ frontier จะยังจำเป็นสำหรับปัญหายาก เปิดปลาย และงานที่กินระยะเวลายาว เช่น การวางแผนงานซับซ้อนหรือเขียนระบบการเงินที่ต้องการมาตรฐานความปลอดภัยสูง
แต่สำหรับงานประจำวันจำนวนมาก โมเดลถูกกว่าก็เพียงพอ และนี่คือจุดที่นักลงทุนเริ่มถามสตาร์ทอัพว่า คุณออกแบบสถาปัตยกรรมการใช้โมเดลอย่างไร คุณส่งงานแบบไหนให้โมเดลระดับสูง และกันงานง่ายไปให้โมเดลต้นทุนต่ำหรือไม่ ตลาดกำลังขยับจากยุคที่เชื่อว่า “ใหญ่คือดีกว่าเสมอ” ไปสู่ทศวรรษที่นิยามด้วย “การใช้โมเดลอย่างมีประสิทธิภาพ” ที่ไม่จำเป็นต้องใช้ frontier intelligence กับทุกงาน ใครออกแบบสแต็ก AI ให้ผสมโมเดลได้ฉลาดกว่า คนนั้นมีแต้มต่อทั้งกับลูกค้าและผู้ถือหุ้น
Data governance กลายเป็นเงื่อนไขห้ามพลาดของ AI agent scaling
เมื่อ AI agents เริ่มแตะทุกระบบในองค์กร ตั้งแต่โค้ดซอร์ส ข้อมูลงบการเงิน ไปจนถึงข้อมูลลูกค้า คำถามใหม่ที่โหดกว่าเรื่องประสิทธิภาพคือ เราคุมข้อมูลได้จริงหรือไม่ ข้อมูลบางประเภทมีความอ่อนไหวสูง เช่น ซอร์สโค้ดหรือข้อมูลการเงินและข้อมูลลูกค้า ซึ่งยิ่งทำให้ความกังวลด้านความปลอดภัยเพิ่มขึ้นตามระดับความอ่อนไหวเหล่านี้ หลายองค์กรจึงไม่อนุญาตให้ใช้โมเดลต้นกำเนิดจากผู้เล่นที่ไม่สามารถตรวจสอบได้มากในการแตะต้องข้อมูลภายใน แม้โมเดลเหล่านั้นจะมีประสิทธิภาพและราคาคุ้มค่าก็ตาม
แนวโน้มนี้ทำให้ data governance และการควบคุมระดับโปรโตคอลเริ่มขึ้นแท่นพระเอก โดยเฉพาะเมื่อตัวแทน AI ถูกกระจายใช้ทั่วทั้งองค์กร ระบบที่วางอยู่บนสถาปัตยกรรม blockchain เช่นแพลตฟอร์มหนึ่งที่ออกแบบมาเพื่อรองรับแอปพลิเคชันที่ปรับขนาดได้ มีบทบาทสำคัญในฐานะพื้นฐานที่รับประกันความเป็นเจ้าของข้อมูลและความสมบูรณ์ของข้อมูล เมื่อเศรษฐกิจของตัวแทน AI เติบโต การเน้นความเป็นเจ้าของข้อมูลอาจผลักให้เกิดความร่วมมือระหว่าง AI กับภาค blockchain มากขึ้น เปิดโอกาสการลงทุนชุดใหม่ทั้งสำหรับนักลงทุนดิจิทัลและผู้เล่นองค์กรที่ต้องการสถาปัตยกรรมข้อมูลแบบไม่รวมศูนย์
อะไรต่อจากนี้สำหรับองค์กรและนักลงทุนที่ไม่อยากตกขบวน
ทิศทางถัดไปของตลาดกำลังชัดขึ้นว่า open weight มีโอกาสกินส่วนแบ่งมากขึ้น โดยเฉพาะเมื่อราคาต่ำลงและปรับแต่งได้ง่ายขึ้น ขณะเดียวกันโมเดล frontier ยังจำเป็นสำหรับโจทย์ยาก ทำให้สถาปัตยกรรมในอนาคตน่าจะเป็นแบบผสมมากกว่าฝั่งใดฝั่งหนึ่งชนะขาด นักลงทุนรายสำคัญคนหนึ่งมองในเชิงบวกต่อโอกาสของ open weight และเชื่อว่าทศวรรษถัดไปของ AI จะถูกกำหนดโดยการใช้โมเดลอย่างมีประสิทธิภาพ ไม่ใช่การแข่งขนาดโมเดล
สำหรับองค์กร แนวทางปฏิบัติที่ควรเริ่มตั้งแต่วันนี้คือ หนึ่ง กำหนดแผน AI agent scaling ให้ชัดว่าโจทย์ธุรกิจใดควรถูกแปลงเป็นเอเจนต์อัตโนมัติและวัดผลอย่างไร สอง สร้างกรอบ data governance ที่กำหนดได้ชัดว่าโมเดลใดแตะข้อมูลประเภทไหนได้ สาม เชื่อมต่อทีมเทค ทีมธุรกิจ และฝ่ายกำกับดูแลให้ออกแบบ enterprise AI adoption ร่วมกัน ไม่ใช่ปล่อยให้เป็นโครงการไซโล ภายใต้ภาพนี้ สิ่งที่นักลงทุนอยากเห็นไม่ใช่แค่โมเดลเก่ง แต่คือบริษัทที่แปลงศักยภาพของ AI agents ให้เป็นกระแสเงินสดที่ประหยัดต้นทุน คุมความเสี่ยงข้อมูลได้ และพร้อมขยายในระดับโปรโตคอลตั้งแต่วันนี้ ไม่ใช่รอให้ระบบใหญ่จนควบคุมไม่อยู่ก่อนค่อยมาแก้
