AI Agents ในโลก IT operations ไม่ใช่แค่บ็อต แต่คือเพื่อนร่วมทีมใหม่
AI agents ในงาน IT operations คือชุดซอฟต์แวร์อัจฉริยะที่ทำงานบนข้อมูลระบบและโครงสร้างพื้นฐานขององค์กร เพื่อช่วยวิเคราะห์เหตุขัดข้อง ตอบสนองเหตุการณ์ด้านความมั่นคงปลอดภัย ตรวจสอบการทำงานของเครือข่าย และประมวลผลฐานข้อมูลแบบอัตโนมัติ โดยเชื่อมกับแพลตฟอร์มที่องค์กรใช้อยู่แล้ว เรียนรู้จากบริบทจริง และส่งคำแนะนำเข้า workflow ของทีม IT เพื่อลดเวลาการหาสาเหตุและการแก้ปัญหาแทนการทำงานด้วยมือทั้งหมด แนวโน้มสำคัญคือ AI agents กำลังถูกฝังเข้าไปในแพลตฟอร์ม core ขององค์กร ไม่ใช่บริการเสริมลอยๆ ตัวอย่างชัดเจนคือแพลตฟอร์มอนาไลติกส์ของ Gravwell ที่ประกาศเพิ่ม AI agents ห้าโหนดเข้าไปในเวอร์ชัน 5.10 ของระบบสำหรับทีม IT operations และ cybersecurity เป้าหมายไม่ใช่แค่ให้ทีมมีเครื่องมือใหม่ แต่เปลี่ยนบทบาทจากคนลงมือทำทุกเคส ไปเป็นคนจัดการและกำกับ workflow อัตโนมัติแทน ผมมองว่าจุดนี้คือเส้นแบ่งสำคัญระหว่างยุค dashboard กับยุค AI agents ที่เข้ามาอยู่ในกระบวนการทำงานจริง
Gravwell: ตัวอย่าง cybersecurity AI platform ที่ให้ทีมดูแลระบบกลายเป็นผู้จัดการ workflow
สิ่งที่ Gravwell ทำสะท้อนให้เห็นภาพว่า AI agents IT operations จะหน้าตาอย่างไรในองค์กรที่จริงจังกับข้อมูล แพลตฟอร์มเวอร์ชัน 5.10 มี AI agents ห้าบทบาท ตั้งแต่ Case Agent ที่เขียนและตรวจสอบ query ของ Gravwell ได้เอง พร้อมรัน วิเคราะห์ผล และแนะนำเหตุการณ์ถัดไปที่ควรสืบสวน ไปจนถึง Alert Triage Agent ที่รับงาน review alert รัน query เพิ่มเติม รวบรวมบริบท และร่างรายงานสอบสวนเบื้องต้นให้ทีมใช้ต่อ นอกจากนี้ยังมี Admin Agent ที่ดึง insight จากการตั้งค่าระบบ Daily Summary Agent ที่สรุป telemetry รายวันเพื่อตีแผ่ปัญหาที่ต้องตรวจเพิ่ม และ Audit Agent ที่ตรวจสุขภาพด้าน automation alert เนื้อหา query โครงสร้างพื้นฐาน และ data flows เพื่อหา search ที่ค้างหรือปัญหา storage สิ่งที่ทำให้แนวทางนี้น่าสนใจคือ Gravwell เปิดให้ใช้ AI Agent Preview kit ทั้งในรุ่น Community ไม่ได้กั้นไว้เฉพาะ tier พรีเมียม ซึ่งสะท้อนท่าทีชัดว่าอนาคตของแพลตฟอร์มนี้คือ agentic AI framework ที่ให้องค์กรปรับแต่ง workflow ได้สูงเอง ไม่ต้องรอผู้ผลิตพัฒนาเทมเพลตทุกอย่างให้
Extreme Agent ONE Coworker: แก้ปัญหาเครือข่ายจากชั่วโมงเป็นนาที
ฝั่งเครือข่ายองค์กรกำลังเจอโจทย์หนัก ทั้งความซับซ้อนของ topology และการขาดแคลนวิศวกรที่มีทักษะ ทำให้การรวบรวมข้อมูลและ troubleshoot ปัญหากินเวลาตั้งแต่หลายชั่วโมงไปจนถึงหลายวัน Extreme Agent ONE Coworker เข้ามาโจมตีคอขวดตรงนี้อย่างตรงจุด ด้วยการใช้ network context แบบ real time รวมกับการวิเคราะห์แนวโน้มย้อนหลังและ agentic reasoning แล้วส่งคำแนะนำเข้า workflow ของทีมโดยตรง ผลคือทีมเครือข่ายเริ่มต้นที่ขั้นตอนแก้ไข ไม่ใช่เริ่มด้วยการตามเก็บหลักฐาน เมื่อฝังอยู่ใน Platform ONE ตัว agent จะ map ความสัมพันธ์ระหว่างผู้ใช้ อุปกรณ์ แอปพลิเคชัน บริการ และสถานะเครือข่าย ทำให้ตอบคำถามบนบริบทจริงในสภาพแวดล้อมนั้น ทีมไม่ต้องประกอบหลักฐานทีละชิ้น ฟีเจอร์อย่าง Nudge วิเคราะห์ baseline ประสิทธิภาพย้อนหลัง รูปแบบ traffic ปัจจุบัน และพฤติกรรมภาพรวม เพื่อจับความเบี่ยงเบนและแจ้งเตือนล่วงหน้าเฉพาะกรณีที่ระบบมั่นใจสูง กลยุทธ์นี้ทำให้ AI agent ไม่ใช่แค่แจ้งเตือน แต่กลายเป็น coworker ที่ป้อน insight พร้อมเหตุผลประกอบให้วิศวกรตัดสินใจได้เร็วขึ้น และยังช่วยลดเวลาการ onboard สมาชิกทีมใหม่ลงได้มากถึงครึ่งหนึ่งในบางกรณี
Quill ของ RavenDB: enterprise database agents ที่ต่อกับ SQL เดิมได้เลย
อีกด้านหนึ่งของภูมิทัศน์คือฐานข้อมูลองค์กร ซึ่งมักเป็นคอขวดสำคัญของการทำ AI ในระดับ production RavenDB ในฐานะผู้พัฒนา NoSQL document database ที่มีลูกค้ามากกว่า 12,000 ราย เปิดตัว Quill ซึ่งเป็น context layer สำหรับ SQL databases ที่ทำให้ระบบพร้อมรองรับ production AI agents โดยไม่ต้องย้าย system of record หรือออกแบบ AI stack ใหม่เอง Quill เชื่อมต่อกับฐานข้อมูล SQL เดิมขององค์กรโดยตรง แล้ววางชั้น context ครอบบน ทำให้สามารถเปิดใช้ agents ที่ทำงานบน live operational data ได้ภายในไม่กี่สัปดาห์ แทนระยะเวลา 18 ถึง 24 เดือนของการสร้างโซลูชันในบ้านทั่วไป "Anyone can stand up an AI demo in an afternoon, but getting that demo into production... is the hard part" คือคำอธิบายตรงๆ ของ CEO RavenDB ที่ชี้ว่าปัญหาจริงอยู่ที่ plumbing ไม่ใช่โมเดลเอง Quill ยังตั้งค่า governance เป็นค่าเริ่มต้น ให้องค์กรกำหนดได้ชัดเจนว่า agent เห็นอะไรได้บ้างโดยไม่ต้องเปิดสิทธิ์ตรงตามฐานข้อมูลต้นทาง เหมาะอย่างยิ่งกับบริบทที่ต้องระวังข้อมูล เช่นสายสุขภาพหรือการเงิน และรองรับ PostgreSQL SQL Server และ MySQL พร้อมแผนรองรับฐานข้อมูลอื่นเพิ่มในอนาคต รวมถึงการติดตั้งทั้งบนคลาวด์และ on premises
มุมมองต่ออนาคต: จาก automation รายเคส สู่โครงสร้าง MTTR แบบใหม่ทั้งองค์กร
เมื่อมองภาพรวม แนวทางของ Gravwell Extreme และ RavenDB สะท้อนทิศทางเดียวกัน คือองค์กรไม่ต้องรื้อโครงสร้างพื้นฐานเพื่อจะได้ใช้ AI agents อีกต่อไป Gravwell ทำให้ทีม IT และ cybersecurity กลายเป็นผู้จัดการ workflow อัตโนมัติ ลดงานยิบย่อยตั้งแต่การ triage alert ตอนตีสองไปจนถึงการตรวจสุขภาพ automation ทั้งระบบ Extreme เสริมกำลังทีมเครือข่ายให้เริ่มจากคำตอบ ไม่ใช่จากการถามว่าเกิดอะไรขึ้น และดึงการ troubleshoot automation เข้าไปอยู่ใน workflow ที่ทีมใช้จริงทุกวัน ส่วน Quill แสดงให้เห็นว่าฐานข้อมูล SQL เดิมก็สามารถกลายเป็นฐานของ enterprise database agents ได้โดยไม่ต้องย้ายข้อมูล คำเตือนสำคัญจากผลสำรวจ Gartner คือหนึ่งในห้าโครงการ AI ล้มเหลว และมีเพียง 28 เปอร์เซ็นต์ที่รายงานว่าได้ผลตอบแทนเชิงธุรกิจในทางบวก ซึ่งสัมพันธ์กับระดับการบูรณาการ การกำกับดูแล และการสอดคล้องกับความต้องการปฏิบัติการ ไม่ใช่ความซับซ้อนของโมเดล ผมจึงมองว่าคำถามในยุคนี้ไม่ใช่จะใช้โมเดลอะไร แต่คือจะออกแบบ AI agents ให้เดินอยู่บนข้อมูลระบบจริงได้อย่างมีบริบทและถูกกำกับหรือไม่ ถ้าทำได้ องค์กรจะได้ MTTR ใหม่ที่สั้นลงและโครงสร้างงาน IT ที่เบากว่าเดิมอย่างชัดเจน โดยไม่ต้องเริ่มต้นจากการรื้อระบบเก่า
