AI agents vs automation: ประเด็นไม่ได้อยู่ที่ฉลาก แต่อยู่ที่การตัดสินใจ
AI agents vs automation คือการเปรียบเทียบระหว่างระบบที่ตัดสินใจเองอย่างอิสระบนพื้นฐานของแบบจำลองและข้อมูล กับระบบอัตโนมัติแบบกำหนดกฎที่เพียงทำตามตรรกะที่มนุษย์เขียนไว้ล่วงหน้า โดยไม่สามารถปรับเปลี่ยนพฤติกรรมตามบริบทใหม่หรือผลลัพธ์ที่ไม่เคยเห็นมาก่อน การเข้าใจเส้นแบ่งนี้ช่วยให้ทีมองค์กรประเมินได้ว่าฟีเจอร์ที่ถูกติดฉลากว่า “AI” นั้นมีความสามารถเชิงเหตุผลหลายขั้น มีการเก็บบริบท และเรียนรู้จากข้อมูลใหม่จริง หรือเป็นเพียง workflow เชิงกำหนดที่ถูกทำให้ดูทันสมัยขึ้นเท่านั้น
วันนี้หน้าเว็บของผู้ให้บริการซอฟต์แวร์องค์กรเต็มไปด้วยคำว่า “powered by AI” แต่หลายครั้งสิ่งที่อยู่ข้างใต้คือ rules engine ที่ถูกเปลี่ยนชื่อให้ดูเป็น “agent” เพื่อเกาะกระแสความตื่นตัวขององค์กร โดยไม่แตะสถาปัตยกรรมหลักเลย การทำแบบนี้คือสิ่งที่ถูกเรียกว่า agent washing และมันไม่ใช่เรื่องเล็ก เพราะป้ายคำว่า “AI agent” ถูกใช้ขับเคลื่อนการตัดสินใจด้านงบประมาณ ทั้งที่ส่วนใหญ่ไม่มีการตัดสินใจใดที่ระบบรับผิดชอบเองแบบไร้คนกำกับ A large share ของงบประมาณ AI ในองค์กรถูกใช้ไปกับโซลูชันที่ขายว่าปรับตัวได้ แต่ในความเป็นจริงกลับเป็นระบบคงที่ที่ไม่เรียนรู้อะไรเลย
AI-washing detection: ชนกำแพงความจริงด้วยการทดสอบสถาปัตยกรรม
ถ้าอยากจับผิด AI-washing การดูจากสไลด์เดโมไม่พอ คุณต้องมองลึกถึงสถาปัตยกรรมว่า “แบบจำลองอยู่ตรงไหนในเส้นทางการเรียกใช้” และ “มันมีสิทธิ์เปลี่ยนผลลัพธ์หรือไม่” การทดสอบสถาปัตยกรรมคือวิธีตรงไปตรงมาที่สุดในการแยก AI agents vs automation ว่าใครทำหน้าที่คิด และใครแค่ทำตามคำสั่งแบบเดิมที่ย้อมใหม่ให้เป็น AI
ประสบการณ์ในองค์กรจำนวนมากสะท้อนว่าของปลอมมักถูกจับได้ด้วยการส่งอินพุตที่ไม่มีใครเตรียมไว้ล่วงหน้า ระบบที่เป็น deterministic workflow จะหยุดที่ branch สุดท้ายหรือคืนค่าเริ่มต้น ในขณะที่เอเย่นต์จริงควรเสื่อมประสิทธิภาพแบบนุ่มนวล เจรจาเหตุผลข้ามหลายขั้น และพยายามหาทางออกจากความไม่แน่นอน แนวทางหนึ่งคือวาด call path ลงบนไวท์บอร์ดแล้วทำเครื่องหมายจุดที่ output ของโมเดลเปลี่ยนผลลัพธ์ หากไม่มีจุดดังกล่าว โมเดลนั้นเป็นเพียงของตกแต่งใน UI และฟีเจอร์ดังกล่าวควรถูกดึงฉลาก “AI” ออกทันที
9 คำถามบนโรดแมป: กรอบ enterprise AI evaluation ที่กลั่นกรองของปลอมออกจากของจริง
การประเมิน enterprise AI evaluation ให้หลุดพ้นจากความคลุมเครือของคำว่า “AI-powered” จำเป็นต้องมีกรอบสอบสวนที่ลงรายละเอียดถึงระดับการตัดสินใจ ไม่ใช่เพียงเทคโนโลยีที่ถูกใช้ กรอบคำถาม 9 ข้อบนโรดแมปถูกสร้างขึ้นบนหลักคิดง่ายๆ แต่เด็ดขาด: ถ้าฟีเจอร์ไหนตอบไม่ผ่าน ฉลาก “AI” ต้องถูกถอดออกทันที
หลักการคือให้ทีมผลิตภัณฑ์และสถาปนิกนำฟีเจอร์ที่ถูกแท็กว่า AI, agent หรือ intelligent มาตอบคำถามทีละข้อ ตั้งแต่ “ระบบตัดสินใจอะไรโดยไม่มีมนุษย์” “เมื่อเจออินพุตที่ไม่เคยเห็นมาก่อนเกิดอะไรขึ้น” ไปจนถึง “พฤติกรรมเปลี่ยนตามข้อมูลใหม่หรือไม่” และ “โมเดลอยู่ตรงไหนใน call path” จากนั้นจึง re-tag เป็นสามกลุ่ม: Agent ที่ทำการตัดสินใจแบบ unsupervised ปรับตัวตามข้อมูล มีโมเดลอยู่ในเส้นทางการตัดสินใจ และมีต้นทุนการอนุมานที่วัดได้, Model-assisted ที่ใช้โมเดลช่วยบางขั้นแต่ให้มนุษย์เป็นผู้ตัดสินใจ ถือว่าเป็นฟีเจอร์มีค่าแต่ไม่ใช่ agent และ Rules ที่เป็นตรรกะเชิงกำหนด ซึ่งหลายครั้งเป็นเครื่องมือที่เหมาะสมที่สุดและควรเรียกตามชื่อจริงของมัน
จริงหรือแค่ย้อมสี: วิธีอ่านสถาปัตยกรรมเพื่อหา real AI capabilities
real AI capabilities ไม่ได้เกิดจากการแนบโมเดลไว้ในสไลด์พรีเซนต์ แต่มาจากการวางโมเดลให้อยู่ในเส้นทางการตัดสินใจที่มีผลทางธุรกิจ พร้อมรับต้นทุนการอนุมานที่ตามมา เอเย่นต์ที่แท้จริงต้องสามารถเชื่อมหลายขั้นตอนเข้าด้วยกัน เก็บบริบทข้ามขั้น และจัดการความล้มเหลวใน step ที่สามโดยไม่ต้องเริ่มใหม่ตั้งแต่ต้น ตรงนี้คือเส้นแบ่งสำคัญระหว่าง agent กับ workflow ที่กำหนดตายตัว
อีกมิติที่มักถูกละเลยใน AI-washing detection คือคุณภาพของข้อมูลที่ใช้ฝึกและป้อนให้โมเดล ตามประสบการณ์ของผู้พัฒนาระบบที่ใช้ machine learning จริง การทำให้โมเดลทำงานได้ดีไม่ได้เกิดจาก “ความฉลาด” ของโมเดลเพียงอย่างเดียว แต่เกิดจากงานข้อมูลที่ไม่หวือหวา เช่น การจัด labeling ให้ถูกต้อง การตรวจสอบความเที่ยงตรง และการดูแล hygiene ของแคตตาล็อก เมื่อองค์กรไม่ให้ความสำคัญกับการเรียนรู้จาก workflow จริง แต่เน้นเดโมที่สวยงาม ผลที่เกิดขึ้นคือ “generic tools stall in the enterprise” และโครงการ AI จำนวนมากไม่สามารถสร้างผลกระทบต่อ P&L ที่วัดได้เลย แม้ใช้งบประมาณจำนวนมากไปกับระบบที่ซื้อมา
สรุป: แยก agent ออกจาก automation เพื่อปกป้องงบประมาณและความเชื่อมั่นใน AI
สาระสำคัญของการแยกแยะ AI agents vs automation คือการยอมรับว่าคำว่า “AI-powered” บนโรดแมปไม่ได้การันตีว่าองค์กรกำลังลงทุนในความสามารถเชิงตัดสินใจที่ปรับตัวได้ การวิจัยพบว่า 95% ของโครงการนำ AI ไปใช้ในองค์กรไม่สามารถสร้างผลกระทบ P&L ที่วัดได้ ทั้งที่มีการใช้จ่ายรวมระดับหลายหมื่นล้านไปกับระบบเหล่านี้ ส่วนหนึ่งเป็นเพราะสิ่งที่ขายว่าปรับตัวได้ แต่ในความเป็นจริงเป็นระบบคงที่ที่ไม่เรียนรู้ใดๆ
คำตอบไม่ใช่การหันหลังให้ AI แต่คือการสร้างกรอบ enterprise AI evaluation ที่กล้ารีแบรนด์ฟีเจอร์ตามความจริง: อะไรคือ Agent อะไรคือ Model-assisted และอะไรคือ Rules ป้ายชื่อที่ตรงกับความสามารถช่วยให้คุณตัดสินใจเรื่องงบประมาณ การกำกับดูแล และความเสี่ยงสถาปัตยกรรมได้แม่นกว่า การทดสอบสถาปัตยกรรมและใช้คำถาม 9 ข้อเป็นตัวกรองทำให้คุณเห็นชัดว่าฟีเจอร์ไหนคือ AI-washing และฟีเจอร์ไหนคือ real AI capabilities ที่ควรลงทุนต่อ เมื่อองค์กรเริ่มพูดความจริงกับตัวเองเรื่อง AI ฉลากที่ดูหรูอาจลดลง แต่คุณค่าที่ส่งมอบจะสูงขึ้นอย่างแท้จริง
