องค์กรธุรกิจใช้ตัวแทน AI แบบง่ายๆ ด้วยการกำกับดูแลจากมนุษย์ แทนการไล่ตามความเป็นอิสระสมบูรณ์
ในยุคที่เทคโนโลยีปัญญาประดิษฐ์ (AI) กำลังเติบโตอย่างรวดเร็ว องค์กรธุรกิจจำนวนมากกำลังพัฒนาและนำตัวแทน AI (AI Agents) มาใช้ในการดำเนินงานประจำวัน อย่างไรก็ตาม แทนที่จะมุ่งสู่ตัวแทน AI ที่มีความเป็นอิสระสมบูรณ์แบบที่สามารถตัดสินใจและดำเนินการได้ด้วยตนเองโดยไม่ต้องมีมนุษย์เข้ามาเกี่ยวข้อง บริษัทเหล่านี้เลือกใช้วิธีการที่เรียบง่ายกว่า นั่นคือ การสร้างขั้นตอนการทำงานแบบ workflow ง่ายๆ ที่ผสานการกำกับดูแลจากมนุษย์เข้าไป เพื่อให้มั่นใจในความน่าเชื่อถือ ความปลอดภัย และประสิทธิภาพในการใช้งานจริง
แนวโน้มนี้สะท้อนให้เห็นถึงความเป็นจริงในโลกธุรกิจ ที่ซึ่งการนำ AI มาใช้ต้องคำนึงถึงปัจจัยหลายประการ เช่น ความเสี่ยงด้านกฎระเบียบ ค่าใช้จ่ายในการพัฒนา และความจำเป็นในการรักษาการควบคุมจากมนุษย์ ตามรายงานจากนักวิเคราะห์และผู้เชี่ยวชาญในอุตสาหกรรม พบว่าบริษัทใหญ่ๆ เช่น SAP Salesforce และ Deutsche Telekom กำลังนำเสนอโซลูชันตัวแทน AI ที่เน้นการทำงานในขอบเขตจำกัด โดยมีมนุษย์เป็นผู้ตรวจสอบและอนุมัติขั้นตอนสำคัญ
ตัวอย่างที่ชัดเจนคือกรณีของ Deutsche Telekom ซึ่งใช้ตัวแทน AI ในการจัดการคำถามจากลูกค้า โดยระบบจะประมวลผลข้อมูลเบื้องต้นและร่างคำตอบ จากนั้นส่งให้พนักงานมนุษย์ตรวจสอบก่อนส่งถึงลูกค้า สิ่งนี้ช่วยลดภาระงาน routine ได้ถึง 30-50% แต่ยังคงรักษาคุณภาพการบริการไว้ได้ เนื่องจากมนุษย์สามารถแทรกแซงได้ทันทีหากเกิดข้อผิดพลาด เช่น การตอบคำถามที่ซับซ้อนหรือเกี่ยวข้องกับข้อมูลส่วนบุคคล
SAP Concur ซึ่งเป็นแพลตฟอร์มจัดการการเดินทางและค่าใช้จ่าย ก็ใช้แนวทางคล้ายกัน โดยตัวแทน AI จะช่วยร่างรายงานค่าใช้จ่ายอัตโนมัติ แต่ต้องได้รับการอนุมัติจากผู้จัดการก่อนจึงจะดำเนินการชำระเงินต่อไป วิธีนี้ไม่เพียงลดเวลาในการประมวลผลจากหลายวันเหลือไม่กี่ชั่วโมง แต่ยังลดความเสี่ยงจากการตัดสินใจผิดพลาดของ AI ที่อาจนำไปสู่การสูญเสียทางการเงิน
Salesforce เองก็ยืนยันทิศทางนี้ผ่านผลิตภัณฑ์ Agentforce ซึ่งออกแบบมาให้ทำงานในลักษณะ “human-in-the-loop” โดยตัวแทน AI จะจัดการงานย่อยๆ เช่น การสรุปข้อมูลลูกค้าหรือการจัดตารางนัดหมาย แต่ผู้ใช้มนุษย์ต้องกดยืนยันก่อนที่ระบบจะดำเนินการจริง แม้จะมีศักยภาพในการทำงานอัตโนมัติสูง แต่ Salesforce หลีกเลี่ยงการพัฒนาตัวแทนที่เป็นอิสระสมบูรณ์ เนื่องจากยังมีข้อจำกัดในด้านความน่าเชื่อถือของโมเดลภาษาขนาดใหญ่ (LLM) เช่น การเกิดภาพหลอน (hallucination) หรือการตีความข้อมูลผิดพลาด
ผู้เชี่ยวชาญจาก Adept AI บริษัทสตาร์ทอัพที่เชี่ยวชาญด้านตัวแทน AI ระบุว่า การไล่ตามความเป็นอิสระสมบูรณ์อาจไม่ใช่ทางเลือกที่เหมาะสมสำหรับองค์กรธุรกิจในปัจจุบัน เนื่องจาก LLM ยังไม่สามารถรับประกันความถูกต้องได้ 100% โดยเฉพาะในงานที่เกี่ยวข้องกับข้อมูลจริงและการตัดสินใจที่มีผลกระทบสูง แทนที่จะเสี่ยง นักพัฒนาจึงเลือกสร้าง “agentic workflows” ที่ประกอบด้วยชุดคำสั่งง่ายๆ เช่น Retrieval-Augmented Generation (RAG) สำหรับดึงข้อมูลจากฐานข้อมูลเฉพาะ ร่วมกับการแจ้งเตือนมนุษย์สำหรับขั้นตอนสำคัญ
ข้อมูลสถิติสนับสนุนแนวโน้มนี้ โดยจากการสำรวจของ Gartner พบว่าเพียง 1% ขององค์กรที่นำ AI มาใช้ได้พัฒนาตัวแทน AI ที่ใช้งานจริงในระดับการผลิต ส่วนใหญ่ยังอยู่ในขั้นทดลองหรือ prototype เหตุผลหลักคือ ความท้าทายในการ scaling ความซับซ้อนของตัวแทน AI ที่เป็นอิสระ ซึ่งต้องอาศัยการวางแผนหลายขั้นตอน (multi-step planning) การจัดการข้อผิดพลาด (error handling) และการเชื่อมต่อกับระบบภายนอก ซึ่งยังคงเป็นปัญหาใหญ่แม้ในบริษัทเทคโนโลยีชั้นนำ
นอกจากนี้ กฎระเบียบที่กำลังเข้มงวดขึ้น เช่น EU AI Act ในยุโรป ยังกำหนดให้ระบบ AI ที่มีความเสี่ยงสูงต้องมีมนุษย์กำกับดูแล ทำให้องค์กรธุรกิจหลีกเลี่ยงการพัฒนาตัวแทนที่ไม่มี supervision เพื่อไม่ให้ละเมิดกฎหมาย ค่าใช้จ่ายในการฝึกโมเดล AI ที่ซับซ้อนก็สูงลิ่ว โดยบางโครงการอาจต้องใช้ทรัพยากร GPU มูลค่าหลายล้านดอลลาร์ ในขณะที่ workflow ง่ายๆ สามารถนำไปใช้ได้ทันทีด้วยเครื่องมือ open-source เช่น LangChain หรือ LlamaIndex
ประโยชน์ของแนวทางนี้ชัดเจนในด้าน ROI (Return on Investment) โดยองค์กรสามารถเห็นผลลัพธ์ได้เร็ว ลดต้นทุน人力 และเพิ่ม productivity โดยไม่ต้องลงทุนมหาศาล ตัวอย่างจาก Klarna บริษัทฟินเทคสวีเดน พบว่าการใช้ตัวแทน AI ในการบริการลูกค้าช่วยลดเวลาตอบคำถามจาก 11 นาทีเหลือ 2 นาที โดยมีอัตราความพึงพอใจลูกค้าสูงขึ้น อย่างไรก็ตาม ยังคงมีมนุษย์ตรวจสอบ 15% ของเคสที่ซับซ้อน
ในอนาคต ผู้เชี่ยวชาญคาดการณ์ว่าตัวแทน AI ในองค์กรธุรกิจจะวิวัฒนาการสู่รูปแบบ hybrid ที่ผสมผสาน autonomy กับ human oversight มากขึ้น โดยใช้เทคนิคอย่าง scaffolding เพื่อสร้างโครงสร้างการทำงานที่แข็งแกร่ง และ tool calling เพื่อเชื่อมต่อกับ API ภายนอก อย่างไรก็ตาม การไล่ตาม “full autonomy” อาจยังคงเป็นเป้าหมายระยะยาวที่ยังไม่พร้อมสำหรับการใช้งานจริงในธุรกิจ
แนวโน้มนี้แสดงให้เห็นถึงความสมจริงของผู้นำธุรกิจ ที่ให้ความสำคัญกับผลลัพธ์ที่วัดได้มากกว่าฮype จากนักการตลาด AI สุดท้ายแล้ว การนำตัวแทน AI มาใช้ที่ประสบความสำเร็จคือการเริ่มต้นจากสิ่งง่ายๆ ที่ควบคุมได้ แล้วค่อยขยายขอบเขตเมื่อเทคโนโลยีเติบโต
(จำนวนคำประมาณ 728 คำ)
This Article is sponsored by Gnoppix AI (https://www.gnoppix.org)