AI agents วิเคราะห์ข้อมูลคืออะไร และทำไมทีมธุรกิจควรสนใจ
AI agents วิเคราะห์ข้อมูล คือซอฟต์แวร์อัตโนมัติที่ใช้ปัญญาประดิษฐ์ทำหน้าที่เป็นผู้ช่วยวิเคราะห์ข้อมูลแทนนักวิเคราะห์ โดยเชื่อมต่อเข้ากับคลังข้อมูลขององค์กร เข้าใจภาษามนุษย์ และสามารถสั่งงานเครื่องมือ BI หรือระบบรายงานต่างๆ ผ่านคำสั่งภาษาธรรมชาติ ช่วยให้ผู้ใช้งานสายธุรกิจเข้าถึงข้อมูลเชิงลึกและสร้างภาพข้อมูลได้เองโดยไม่ต้องเขียนโค้ดหรือ SQL ลดเวลารอทีมเทคนิคและทำให้การตัดสินใจจากข้อมูลกลายเป็นเรื่องของทุกคนในองค์กร
จุดเปลี่ยนสำคัญคือการที่แพลตฟอร์ม ChatGPT Work เปิดตัว Data agent ซึ่งเป็น AI agent ด้านข้อมูลที่ฝังอยู่ในสภาพแวดล้อมการทำงานร่วมกันขององค์กร Data agent ถูกออกแบบมาเพื่อแก้ปัญหา “คิวขอรายงาน” ที่ยืดเยื้อในหลายบริษัท เมื่อทีมการตลาดหรือฝ่ายขายอยากดู retention ของลูกค้าก็ไม่ต้องเปิด ticket ให้ทีม data เขียน SQL แล้วรอเป็นสัปดาห์อีกต่อไป เพราะตอนนี้ถามด้วยเสียงหรือพิมพ์เป็นภาษาพูดได้ทันที นี่คือก้าวใหญ่ของแนวคิดประชาธิปไตยข้อมูลที่เคยพูดกันมานานแต่ทำได้จริงไม่กี่องค์กร
จากคิวขอรายงานสู่คำสั่งเสียง สายธุรกิจวิเคราะห์เองได้แบบ data analysis ไม่ต้องเขียนโค้ด
หัวใจของ Data agent คือการทำให้ data analysis ไม่ต้องเขียนโค้ดสำหรับคนทำงานที่ไม่ใช่วิศวกร ทุกอย่างเริ่มจากการพิมพ์หรือพูดคำสั่งในภาษาทำงานประจำวัน เช่น ขอกราฟเปรียบเทียบยอดขายกับต้นทุน หรืออยากเห็นเส้นแนวโน้ม retention รายสินค้า ระบบจะใช้ AI agents วิเคราะห์ข้อมูลจากคลังขององค์กรและตอบกลับเป็นตัวเลข คำอธิบาย และกราฟที่เข้าใจได้ทันที โดยไม่ต้องแตะ SQL หรือเมนูซับซ้อนของเครื่องมือ BI อีกต่อไป
จุดที่น่าสนใจคือ Data agent ไม่ใช่แค่ตอบคำถามในหน้าจอแชต แต่มันสามารถส่งคำสั่งไปควบคุมเครื่องมือ BI ที่องค์กรซื้ออยู่แล้ว เช่น Tableau Power BI หรือเครื่องมือรายงานอื่นๆ ที่รองรับในรายการอย่าง Omni Oracle Business Intelligence Sigma และ ThoughtSpot ผู้ใช้สายธุรกิจไม่ต้องนั่งลากคอลัมน์ ตั้ง measure หรือออกแบบแดชบอร์ดเอง เพียงบอกว่าอยากเห็นอะไร AI ก็จัดรูปแบบเป็นแผงควบคุมแบบ interactive ให้เรียบร้อย แล้วให้เราพูดต่อว่าอยากปรับอะไรเพิ่มเติม
ประโยชน์และความเสี่ยงของประชาธิปไตยข้อมูลเมื่อ AI เป็นคนกลาง
เมื่อทุกคนถามข้อมูลเองได้ ประชาธิปไตยข้อมูลจึงเริ่มจับต้องได้จริง แทนที่ทีม data จะหมดเวลาไปกับการรับคำขอทำรายงานยิบย่อย AI agents วิเคราะห์ข้อมูลเข้ามารับภาระงานหน้าบ้าน ทำให้ analyst และ data engineer มีเวลาหันไปโฟกัสเรื่องโครงสร้างข้อมูล การกำกับคุณภาพ และการออกแบบโมเดลเชิงกลยุทธ์มากขึ้น ฝั่งหน้าบ้านอย่างฝ่ายขาย การตลาด หรือฝ่ายปฏิบัติการก็ไม่ต้องรอใครอีกต่อไป เห็นแนวโน้มผิดปกติระหว่างวันก็ถามข้อมูลและปรับแผนได้ทันที
แต่การเปิดประตูข้อมูลให้ AI ตรงๆ โดยไม่มีโครงสร้างรองรับก็เสี่ยงเช่นกัน ประสบการณ์จากการสร้างสถาปัตยกรรม lakehouse แบบเดิมชี้ว่า แพลตฟอร์มข้อมูลส่วนใหญ่ถูกออกแบบเพื่อ “มนุษย์” ไม่ใช่ agent ตัวอาคารข้อมูลแบบ bronze silver gold ทำงานเก่งเมื่อมีคนเปิดรายงานและตีความเอง แต่เริ่มสั่นคลอนเมื่อให้ agent ไป query เอง เพราะ agent ไม่มี common sense ว่าคำนิยามตัวชี้วัดไหนถูกหรือผิด หากไม่มี guardrail ที่ดี AI อาจสร้างตัวเลขลวงที่ดูน่าเชื่อถือแต่ผิดบริบทอย่างสิ้นเชิง
ทำไม semantic layer และการกำกับเครื่องมือจึงเป็นโครงสร้างพื้นฐานที่ขาดไม่ได้
สิ่งที่ทำให้ Data agent แตกต่างคือการผูกกับ semantic layer ขององค์กรอย่างแน่นหนา OpenAI ออกแบบให้ AI อ่านโครงสร้างภาษาธุรกิจที่องค์กรมีอยู่แล้ว เช่น dbt model Databricks Genie Ontology GitHub repository และกรอบการกำกับข้อมูลอย่าง Snowflake Horizon เพื่อดึง “ความหมายที่เชื่อถือได้” มาใช้เวลาคำนวณตัวชี้วัด แทนที่จะให้ AIไล่ query ตารางดิบแบบไร้ทิศทาง ระบบจะถาม semantic layer ทุกครั้งว่า active user คือใคร retention คำนวณอย่างไร และตารางไหนเป็นแหล่งข้อมูลมาตรฐาน
บทเรียนจากฝั่งสถาปัตยกรรมข้อมูลก็ยืนยันเรื่องนี้ ชี้ว่า lakehouse แบบเดิมมักมี semantic layer แค่ในเอกสาร wiki แต่ไม่บังคับใช้จริง ระบบที่ให้ agent ทำงานได้อย่างปลอดภัยจำเป็นต้องเพิ่มชั้นการกำกับชุดเครื่องมือ ให้ agent เข้าถึงข้อมูลผ่าน action ที่นิยามไว้ ไม่ใช่ยิง query อิสระ ขณะเดียวกันต้องมีที่เก็บบริบท เช่น vector store และวงจร feedback ที่ให้การแก้ไขของ agent ถูกบันทึกกลับเข้าสู่แพลตฟอร์ม หากขาดองค์ประกอบเหล่านี้ การเปิดให้ AI แตะข้อมูลองค์กรถือเป็นการเดิมพันสูงมาก
สถาปัตยกรรมข้อมูลต้องเปลี่ยนเพื่อรองรับ AI agents ไม่ใช่แค่เพิ่มปลั๊กอิน
แม้โครงสร้างข้อมูลแบบ lakehouse ยังมีคุณค่า แต่สถาปัตยกรรมชั้นบนจำเป็นต้องเปลี่ยนจาก “สายพานลำเลียงข้อมูล” ไปสู่ “ระบบประสาท” ที่รองรับ agent ที่วางแผน ใช้เครื่องมือ เขียนผลกลับ และตัดสินใจบางอย่างเองได้ แนวคิดที่ว่าแค่ให้ agent สิทธิ์ SQL บนชั้น gold ก็เพียงพอถูกพิสูจน์แล้วว่าใช้ได้แค่ในเดโม เนื่องจากตารางจำนวนมากมีคำนิยามตัวชี้วัดไม่ตรงกันและขาดบริบทกำกับ
คำถามต่อจากนี้คือองค์กรจะวางจุด human-in-the-loop ไว้ตรงไหน เพื่อเป็นด่านตรวจสำหรับการเปลี่ยนแปลงที่ไม่อาจย้อนกลับหรือมีต้นทุนสูง ขณะเดียวกันต้องยอมรับว่าการสร้างชั้น agentic เพิ่มขึ้นมีต้นทุนด้านโครงสร้างพื้นฐาน เช่น vector store ชั้น orchestration และวงจรที่ทำงานตลอดเวลา ซึ่งไม่ควรถูกเพิ่มเข้ามาเพียงเพื่อแก้ปัญหาดาชบอร์ดล้าช้าเท่านั้น ในระยะถัดไป งานวิศวกรรมที่แท้จริงคือการสร้าง semantic layer และระบบกำกับที่ไว้ใจได้มากกว่าการเลือกเฟรมเวิร์ก agent ใหม่
