จากแชตบอตสู่แรงงานดิจิทัล: AI agents คืออะไรและต่างจาก generative AI อย่างไร
AI agents คือระบบปัญญาประดิษฐ์ที่สามารถวางแผน คิด วิเคราะห์ ลงมือทำ และเรียนรู้ระยะยาว โดยใช้เครื่องมือและระบบภายนอกเพื่อบรรลุเป้าหมายที่กำหนดด้วยการแทรกแซงจากมนุษย์ให้น้อยที่สุด ซึ่งต่างจากโมเดลที่เน้นแค่สร้างข้อความหรือรูปภาพตามคำสั่งเพียงครั้งเดียว.
หัวใจของ agentic AI workflow คือ “วงรอบการทำงาน” ที่มันรับรู้สถานการณ์ คิดว่าจะทำอะไรต่อ ลงมือใช้เครื่องมือ แล้วเรียนรู้จากผลลัพธ์ก่อนวนรอบซ้ำไปจนกว่าจะบรรลุเป้าหมาย. เมื่อให้เป้าหมายอย่างเช่นการนัดประชุม 30 นาที ระบบจะรับเป้าหมายและข้อจำกัด ตรวจดูข้อมูลเวลาว่าง เหตุผลด้วย LLM ที่แบ่งงานย่อย เลือกขั้นตอนแรก จากนั้นเรียกเครื่องมือเพื่อลงมือจองและส่งคำเชิญ แล้วตรวจผลเพื่อปรับถ้าจำเป็น.
มุมที่ธุรกิจมักเข้าใจผิดคือการเหมารวมว่า agentic AI เหมือน generative AI ทั้งที่ความต่างสำคัญคือ generative AI เน้น “สร้างเนื้อหา” ตามคำสั่งและรอคำสั่งถัดไป ขณะที่ agentic AI เน้น “ลงมือทำ” งานหลายขั้นตอนและตัดสินใจเองภายในกรอบเป้าหมาย. ถ้าจะเปรียบ ง่ายที่สุดคือ generative AI เขียนลิสต์ของที่ต้องซื้อ แต่ agentic AI คือคนที่ไปซื้อของ เก็บของ และเตรียมอาหารให้เสร็จ.
AI automation testing: เมื่อ QA agents มีความทรงจำด้วย knowledge graphs
ในโลกที่โค้ดส่วนหนึ่งถูกสร้างด้วย AI คอขวดใหม่ไม่ใช่การเขียนโค้ด แต่คือการยืนยันว่าทุกอย่างทำงานได้จริง การทดสอบแบบสคริปต์เดิมตรวจเพียงขั้นตอนที่กำหนดไว้ ในขณะที่ AI automation testing แบบ agentic เน้น “เจตนา” ของการทดสอบ เช่น ตรวจว่ายังใช้คูปองลดราคาและจบการชำระเงินได้หรือไม่ และเจตนานี้ต้องอาศัยความทรงจำของระบบ.
Agentic testing ทำงานต่างออกไป: ทีมให้เจตนา ระบบสังเกต UI ลงมือคลิกหรือกรอกข้อมูล ประเมินผล แล้วตัดสินใจขั้นต่อไป ดังนั้นหาก agent ต้องมาสำรวจผลิตภัณฑ์ใหม่ทุกครั้ง การทดสอบจะช้า ไม่เสถียร และต้นทุนสูง. ทางออกคือ knowledge graphs AI ซึ่งทำหน้าที่เป็นความทรงจำเชิงโครงสร้างของผลิตภัณฑ์ รวมหน้าตาเพจ การกระทำ การทดสอบ และเหตุขัดข้องในอดีตให้เชื่อมโยงกัน เพื่อให้ agent คิวรีดูได้ก่อนเขียนเคสทดสอบใหม่.
knowledge graph ทำให้ความทรงจำของ QA agents มีรูปทรงแน่นอน เก็บ entity เช่น หน้าเว็บ ฟีเจอร์ การกระทำ และความสัมพันธ์ระหว่างกัน. เมื่อ agent สร้างเทสต์ใกล้ส่วนลด ระบบจะไม่เพียงรู้ว่ามีหน้า checkout แต่ยังรู้ว่ามี action อะไรบ้าง ทำไปเพื่ออะไร และเคยมีบั๊กเช่นยอดรวมไม่อัปเดตเมื่อยกเลิกคูปองหรือไม่. แนวทางนี้เปลี่ยน QA จากการไล่คลิกแบบสุ่ม เป็นการทดสอบที่รู้ประวัติและจุดเปราะบางของผลิตภัณฑ์.
Agentic AI workflow ในธุรกิจ: จากการขายถึงบริการลูกค้า
agentic AI workflow ในธุรกิจคือการฝังการตัดสินใจของ AI ลงในกระบวนการที่ทีมใช้อยู่แล้ว เพื่อให้ AI ไม่ได้แค่ให้คำแนะนำ แต่ลงมือทำงาน เช่น คัดแยก leads หรือตรวจสอบ ticket ที่เข้ามาโดยอัตโนมัติ และปรับวิธีทำงานของทีมทั้งชุด. จุดต่างชัดเจนจาก “การโยน LLM ใส่ปัญหา” คือมีโครงงานที่เชื่อม AI เข้ากับระบบเดิมอย่างเป็นขั้นตอน.
ในมุมการใช้งาน Agentic AI ใช้กับงานที่ต้อง “ลงมือทำหลายขั้นตอน” ข้ามหลายเครื่องมือ และต้องตัดสินใจระหว่างทาง แทนที่จะมอง AI เป็นผู้ช่วยทำงานเดี่ยว ก็ให้มันรับทั้ง workflow เช่นการรันรีพอร์ตประจำสัปดาห์พร้อมส่งเมลสรุป. ในด้านการตลาด agent สามารถรับช่วงงานเฝ้าดูตัวเลขทุกเช้า ปรับงบโฆษณาไปหาชิ้นงานที่ทำผลงานดี หรือคอยติดตามข่าวคู่แข่งแล้วจัดทำบรีฟผลกระทบต่อข้อความสื่อสารของแบรนด์.
ด้านบริการลูกค้า agent สามารถเป็นด่านหน้าเต็มรูปแบบ รับคำร้อง ตรวจข้อมูลบัญชี ดูสถานะคำสั่งซื้อ และดำเนินการคืนเงินตามกติกาที่ตั้งไว้ พร้อมรู้ด้วยว่าเมื่อไรควรส่งต่อให้คนในทีมรับช่วง. จุดสำคัญคือ agent ไม่ได้แทนที่ทีม แต่รับงานประจำที่มีเงื่อนไขชัดเจน ทำให้คนมีเวลาสำหรับเคสซับซ้อนหรือการสร้างสรรค์งานใหม่ การจัด agentic AI workflow ที่ดีจึงต้องกำหนดเส้นแบ่งชัดเจนระหว่างงานที่ให้ agent ทำเองกับงานที่ต้องมีมนุษย์ร่วมตัดสินใจ.
ตัวอย่าง AI agents ธุรกิจ: จากคะแนน leads ถึงกระบวนการขายที่ขับเคลื่อนด้วย AI
แนวคิด AI agents ธุรกิจ ไม่ใช่ทฤษฎีในสไลด์ แต่เกิดขึ้นแล้วในงานจริงที่ผูก AI เข้ากับระบบเดิมขององค์กร หนึ่งในตัวอย่างคือการสร้าง agent ที่ทำหน้าที่เหมือนผู้ช่วยผู้จัดการฝ่ายขาย คอยอ่านพฤติกรรม leads จาก CRM ปรับคะแนน และส่งบรีฟเช้าพร้อมรายชื่อที่ควรโทรก่อน เพื่อให้ทีมขายเริ่มวันด้วยข้อมูลที่จัดลำดับแล้ว.
อีกตัวอย่างคือ workflow enrich ข้อมูล leads โดยอัตโนมัติ เมื่อมี contact ใหม่เข้ามา ระบบจะยิงคำขอไปยังแหล่งข้อมูลภายนอกเพื่อดึงข้อมูลบริษัทและอุตสาหกรรม แล้วใช้โมเดลสร้างสรุปภาพรวมก่อนส่งกลับไปยังระบบขาย เพื่อช่วยให้การจัดสรร leads ตรงกับความเชี่ยวชาญของแต่ละคน และทำให้การติดต่อกลับมีบริบทที่เฉพาะเจาะจงมากขึ้น. การจัด AI automation testing ที่กล่าวไปในส่วนก่อนหน้า ก็เป็นอีก agent ในสายงานเทคนิคที่ทำหน้าที่คัดกรองความผิดพลาดตั้งแต่ก่อนปล่อยฟีเจอร์.
ภาพรวมจึงชัดเจนว่า agentic AI ไม่ได้ยืนโดดเดี่ยว แต่มักถูกต่อเข้ากับ automation แบบ deterministic ที่แน่นอน เพื่อให้ได้ทั้งความยืดหยุ่นและความเชื่อถือได้: AI ตัดสินใจในส่วนที่คลุมเครือ แล้วส่งผลต่อให้ automation ทำงานต่อตามเงื่อนไขที่แน่นอน. การออกแบบเช่นนี้ลดความเสี่ยงของ workflow ที่ปล่อยให้ AI ควบคุมทั้งหมด และทำให้ธุรกิจค่อยๆ เพิ่มขอบเขตที่ agent รับผิดชอบเมื่อได้รับความเชื่อมั่นมากขึ้น.
มองไปข้างหน้า: AI agents ไม่ได้แค่ทำงานแทนคน แต่กำลังเปลี่ยนวิธีออกแบบงาน
เมื่อมองแนวโน้มทั้งหมด เราควรเลิกคิดว่า AI agents เป็นแชตบอตที่ฉลาดขึ้น แล้วเริ่มมองว่าเป็น “แรงงานดิจิทัล” ที่มีความจำ มีความตั้งใจ และทำงานเป็นวงรอบต่อเนื่อง. ใน QA เราเห็นแล้วว่า knowledge graphs AI ทำให้ agent จดจำองค์ประกอบของผลิตภัณฑ์ ความสัมพันธ์ระหว่างหน้า ฟีเจอร์ และบั๊กเก่า เพื่อทดสอบได้อย่างแม่นยำกว่าเดิม. ในการขาย การตลาด และบริการลูกค้า เราเห็น agent รับเป้าหมายเป็นทั้ง workflow แล้วลงมือทำแทนมนุษย์ในงานที่ซ้ำๆ และใช้กฎเกณฑ์ชัดเจน.
จุดที่ธุรกิจควรถามตัวเองในตอนนี้จึงไม่ใช่ว่า “จะลองใช้ generative AI เขียนอีเมลไหม” แต่คือ “งานไหนของเราที่ควรส่งต่อให้ agent จัดการตั้งแต่ต้นจนจบ” แล้วออกแบบ agentic AI workflow ให้สอดคล้องกับระบบเดิม. เมื่อกำหนดขอบเขต เป้าหมาย และข้อมูลให้ดี AI agents ธุรกิจ จะไม่ใช่ของเล่นใหม่ แต่เป็นโครงสร้างพื้นฐานของการทำงานยุคต่อไป ที่ทำให้คนหันไปทุ่มเวลากับการคิดเชิงกลยุทธ์และงานสร้างสรรค์มากขึ้น.
