การควบคุม AI Agent: เมื่อระบบตัดสินใจเอง ใครจะเป็นคนคุม? 🛡️

ในยุคที่ AI Agent มีความสามารถในการวางแผน ตัดสินใจ และดำเนินการต่างๆ ได้ด้วยตัวเอง โดยไม่ต้องรอการอนุมัติจากมนุษย์ในทุกขั้นตอน คำถามสำคัญที่ทุกองค์กรต้องเผชิญคือ "อะไรจะหยุดยั้ง Agent ไม่ให้ทำในสิ่งที่มันไม่ได้รับอนุญาต?"

AI Agent เหล่านี้ทำงานบนโมเดลที่คุณเลือก สัมผัสข้อมูลของคุณ และทำงานภายในโครงสร้างพื้นฐานของคุณ ดังนั้น ความรับผิดชอบต่อการกระทำของพวกมันจึงตกอยู่ที่คุณ ซึ่งความรับผิดชอบนี้ไม่สามารถเกิดขึ้นได้จากการพิจารณาในภายหลัง หรือจากนโยบายที่เป็นเพียงนามธรรมที่ไม่มีการนำไปปฏิบัติจริง Agent จำเป็นต้องมีกฎเกณฑ์ที่ปรับเปลี่ยนตามบริบท ณ เวลานั้นๆ เพราะพวกมันไม่ได้มีวิจารณญาณในการตัดสินใจการกระทำของตัวเอง

ลองพิจารณากฎง่ายๆ เช่น "ห้ามเปิดประตูรถเด็ดขาด" หากตีความตามตัว Agent ก็จะไม่สามารถเข้าหรือออกจากรถได้เลย แต่หากเราเปลี่ยนบริบท เช่น "รถเพิ่งเกิดอุบัติเหตุ มีไฟไหม้ และมีคนบาดเจ็บที่ต้องการออกจากรถ" กฎที่เราต้องการจริงๆ จะกลับกันทันที ดังนั้น บริบท ณ ขณะนั้นจึงมีความสำคัญอย่างยิ่งยวด เรากำลังให้ Agent ทำงานที่ชาญฉลาด ซึ่งนั่นต้องการกฎเกณฑ์ที่ชาญฉลาดเช่นกัน

ทำไมการควบคุมที่ตัว Agent จึงไม่เพียงพอ? 🤔

หลายครั้ง เราอาจมีแนวคิดที่จะสร้าง "รั้วกั้น" รอบๆ ตัว Agent เช่น การใส่คำแนะนำ นโยบาย หรือการเฝ้าระวังต่างๆ กลไกเหล่านี้มีความสำคัญ แต่ก็มีข้อจำกัดเชิงโครงสร้าง: กฎ "ห้ามเปิดประตูรถ" จะมีความสมเหตุสมผลจนถึงวินาทีที่คุณต้องตัดสินใจว่าจะเปิดหรือไม่เปิดประตูนั้นจริงๆ

การควบคุมที่ระดับ Agent นั้นจะเชื่อถือได้เท่ากับผลลัพธ์ที่ Agent สร้างขึ้นนั้นคาดเดาได้เท่านั้นเอง และ "ความเป็นอิสระ" คือคุณสมบัติที่ทำให้ผลลัพธ์เหล่านั้นคาดเดาได้ยาก การกำกับดูแลที่ต้องรอตรวจสอบการกระทำก่อนที่จะเกิดขึ้น ย่อมไม่สามารถตามทันระบบที่ทำงานได้ในระดับมิลลิวินาที และทำงานข้ามระบบหลายๆ อย่างพร้อมกันได้

การควบคุมต้องอยู่ที่ "ชั้นข้อมูล" (Data Layer) 📊

Agent สร้างคุณค่าด้วยการ "สัมผัส" ข้อมูล ไม่ว่าจะเป็นการสอบถาม การดึงข้อมูล การแปลง หรือการดำเนินการกับข้อมูลเหล่านั้น นโยบายที่ระบุว่า Agent ไม่ควรเข้าถึงข้อมูลบางประเภท จะมีความหมายก็ต่อเมื่อระบบสามารถปฏิเสธการเข้าถึงนั้นได้ในขณะที่ Agent ร้องขอเข้ามาเท่านั้น

นอกจากนี้ หลักการที่ว่า AI ต้องสามารถตรวจสอบย้อนหลังได้ (Auditable) จะมีความหมายก็ต่อเมื่อองค์กรสามารถสร้างลำดับเหตุการณ์ที่ Agent ทำอะไรบ้าง สัมผัสข้อมูลใดบ้าง ทำงานในนามของผู้ใช้คนใด และผลลัพธ์เป็นอย่างไร

เมื่อการกำกับดูแลอยู่ที่ชั้นข้อมูล (Data Layer) มันจะยังคงอยู่ โดยไม่ขึ้นกับว่า Agent ถูกสร้างขึ้นมาอย่างไร หรือมีพฤติกรรมแบบไหน เพราะการควบคุมนั้นเป็นคุณสมบัติของฐานข้อมูลนั้นๆ เอง ไม่ใช่คำสัญญาที่ Agent ให้ไว้

พฤติกรรม Agent อาจไม่แน่นอน แต่การกำกับดูแลต้องแน่นอน ✅

องค์กรไม่ควรพึ่งพาการที่โมเดล AI จะเลือกทำตามนโยบาย แต่ควรให้ระบบเป็นผู้บังคับใช้นโยบายนั้น นี่คือความแตกต่างระหว่างการ "หวัง" ว่าผู้กระทำการจะอยู่ในขอบเขต กับการ "สร้าง" ขอบเขตที่พวกเขาไม่สามารถก้าวข้ามไปได้

การควบคุมที่จะทำให้สิ่งนี้เป็นจริง คือสิ่งที่หลายองค์กรมีอยู่แล้วที่ชั้นข้อมูล เช่น:

• การควบคุมการเข้าถึงตามบทบาทและคุณลักษณะ (Role- and attribute-based access control): บังคับใช้ ณ เวลาที่ทำการสอบถาม (Query time) สำหรับทั้ง Agent และผู้ใช้
• การปกปิดคอลัมน์แบบไดนามิก (Dynamic column masking): ขับเคลื่อนด้วยเส้นทางนโยบายเดียวกัน
• การระบุตัวตนของ Agent (Agent identity): ต้องเป็น Principal ที่มีความสำคัญอันดับแรก มีตัวตนของตัวเอง และมี "วัตถุประสงค์ที่ประกาศไว้" (Declared purpose) เมื่อเริ่มเซสชัน พร้อมทั้งรักษาข้อมูลผู้ใช้ที่ดำเนินการ
• การจำแนกประเภทและติดแท็ก (Classification and tagging): เพื่อขับเคลื่อนนโยบาย
• การบันทึกการตรวจสอบระดับเซสชัน (Session-level audit logging): บันทึกว่า Agent ใดดำเนินการ ในนามของผู้ใช้คนใด และภายใต้วัตถุประสงค์ที่ประกาศไว้อย่างไร
• การติดตามสายข้อมูล (Lineage across pipelines): เพื่อให้สามารถสืบย้อนกลับผลลัพธ์ไปยังคำขอที่สร้างขึ้นได้
• การจัดการนโยบายแบบรวมศูนย์และพกพาได้ (Centralized, portable policy management)
• การเข้ารหัสข้อมูลขณะจัดเก็บและระหว่างส่ง (Encryption at rest and in transit)
• การบังคับใช้อย่างสม่ำเสมอ: ทั้งในสภาพแวดล้อม On-premise, Cloud, หรือแบบ Sovereign/Air-gapped

"วัตถุประสงค์ที่ประกาศไว้ (Declared purpose) คือสิ่งที่สร้างความแตกต่าง มันกลายเป็นคุณลักษณะที่ชั้นการเข้าถึง (Access layer) เข้าใจได้อยู่แล้ว และถูกประเมินในเส้นทางนโยบายเดียวกับบทบาทและความปลอดภัยระดับแถว (Row-level security) กลไกการบังคับใช้ไม่ได้เปลี่ยนแปลง สิ่งที่เปลี่ยนแปลงคือวัตถุประสงค์ของ Agent กลายเป็นส่วนหนึ่งของการประเมิน และเป็นส่วนหนึ่งของบันทึกที่พิสูจน์ได้ในภายหลัง" - Priyanka Jain, VP, Product Management, Data & AI Governance, EDB

ไม่ว่าคุณจะอยู่ในช่วงเริ่มต้นหรือขั้นสูงของการนำ AI มาใช้ การบังคับใช้ที่ชั้นข้อมูลคือสิ่งที่ช่วยให้คุณก้าวไปข้างหน้าได้เร็วขึ้น การควบคุมต่างๆ มีอยู่ในฐานข้อมูลอยู่แล้ว สิ่งที่แตกต่างคือ Agent ต้องผ่านการควบคุมเหล่านั้น

สายรัดดิจิทัล ไม่ใช่ประตูที่ปิดตาย 🔗

เป้าหมายไม่ใช่การหยุด Agent ไม่ให้ทำงานที่มีประโยชน์ แต่คือการกำหนดขอบเขตว่า Agent สามารถไปได้ไกลแค่ไหน สัมผัสอะไรได้บ้าง เปลี่ยนแปลงอะไรได้ และเมื่อใดที่ต้องยกระดับ (Escalate) รวมถึงองค์กรจะสามารถตรวจสอบเหตุการณ์ย้อนหลังได้อย่างไรหากมีสิ่งผิดพลาดเกิดขึ้น เมื่อมีการกำกับดูแลในลักษณะนี้ Agent จะถูกระบุตัวตน กำหนดขอบเขต เฝ้าระวัง และตรวจสอบย้อนหลังได้ องค์กรจึงสามารถนำ Agent มาใช้งานได้อย่างรวดเร็วขึ้น เพราะทีมรักษาความปลอดภัย ความเสี่ยง และผู้บริหารจะไว้วางใจในโมเดลการดำเนินงานที่อยู่เบื้องหลัง

เปิดกว้าง เป็นเจ้าของ และบังคับใช้ได้ตั้งแต่ต้นทาง 🌐

การใช้ฐานข้อมูลแบบ Open Source Postgres เป็นรากฐานแบบเปิด ช่วยให้องค์กรสามารถควบคุมได้ว่าข้อมูลของตนอยู่ที่ใด ใครสามารถเข้าถึงได้บ้าง และภายใต้นโยบายใด โดยไม่ต้องยอมยกการกำกับดูแลให้กับชั้นที่ตนเองไม่ได้เป็นเจ้าของหรือไม่สามารถตรวจสอบได้ สำหรับอุตสาหกรรมที่มีกฎระเบียบควบคุม การผสมผสานระหว่างการเป็นเจ้าของข้อมูล (Data Sovereignty) และการบังคับใช้ที่ต้นทางเช่นนี้ ไม่ใช่แค่ "สิ่งที่น่ามี" แต่คือ "เงื่อนไขเบื้องต้น" ในการนำ Agent ไปใช้งานจริง

ระบบ Agent จะมีความสามารถและเป็นอิสระมากขึ้นเรื่อยๆ นี่คือเหตุผลที่ต้องใส่ใจอย่างรอบคอบว่าจะให้การควบคุมอยู่ที่ใด ไม่ใช่เหตุผลที่จะทำให้การพัฒนาช้าลง องค์กรที่บังคับใช้นโยบายการกำกับดูแลที่ชั้นข้อมูล จะสามารถก้าวไปข้างหน้าอย่างรวดเร็วในด้าน AI ได้ เพราะสิ่งที่ปกป้องข้อมูลของพวกเขาไม่ใช่แค่ "ความหวังลมๆ แล้งๆ"

EDB Postgres AI คือแพลตฟอร์มข้อมูลและ AI แบบเปิดระดับองค์กร ที่รวมเวิร์กโหลดทั้งแบบ Transactional, Analytical และ AI เข้าไว้ด้วยกัน พร้อมการบังคับใช้นโยบายการกำกับดูแล ณ จุดที่ข้อมูลอยู่ สามารถดูรายละเอียดเพิ่มเติมได้ใน White Paper ของ EDB เรื่อง "Governing Agentic AI at Enterprise Speed"

#AI #ความปลอดภัยAI #การกำกับดูแลข้อมูล

ขอบคุณ แหล่งข้อมูล
https://venturebeat.com/security/when-agents-act-on-their-own-governance-has-to-live-in-the-data-layer

ความซับซ้อนของ AI Agent: ความเสี่ยงที่แท้จริงที่องค์กรต้องเผชิญ 🤖

ในยุคที่ปัญญาประดิษฐ์ (AI) เข้ามามีบทบาทสำคัญในทุกภาคส่วน องค์กรต่างๆ กำลังเร่งนำ AI Agent มาใช้เพื่อเพิ่มประสิทธิภาพและสร้างความได้เปรียบทางการแข่งขัน อย่างไรก็ตาม ท่ามกลางความตื่นเต้นกับการพัฒนา AI ที่มีความสามารถสูงขึ้นเรื่อยๆ กลับมี "เงา" ที่มองข้ามได้ยากซ่อนอยู่ นั่นคือ "ความซับซ้อน" ของการทำงานร่วมกันของ AI Agent จำนวนมาก ซึ่งอาจกลายเป็นความเสี่ยงที่แท้จริงหากไม่ได้รับการจัดการอย่างเหมาะสม

เมื่อ Agent ไม่ได้มาตัวเดียว: ปัญหาที่ซับซ้อนกว่าที่คิด 🌐

องค์กรส่วนใหญ่มักไม่ได้ใช้งาน AI Agent เพียงตัวเดียว แต่เป็นการใช้งาน "ฝูง (fleets)" ของ Agent ที่ทำงานประสานกัน แต่ละ Agent อาจเรียกใช้ API, ติดต่อกับ Agent อื่นๆ หรือเข้าถึงแอปพลิเคชันที่ไม่ได้ถูกออกแบบมาเพื่อรองรับการตัดสินใจของเครื่องจักร นี่คือจุดที่อาจนำไปสู่ความล้มเหลวที่คาดไม่ถึง

ความซับซ้อนที่ทวีคูณ: มากกว่าแค่จำนวน Agent 📈

การเพิ่ม Agent เข้าไปในระบบไม่ได้หมายถึงการเพิ่มการเชื่อมต่อเพียงเท่านั้น แต่เป็นการเพิ่ม "เส้นทาง" ที่ซับซ้อนขึ้นอย่างทวีคูณ Agent หนึ่งตัวอาจเรียกใช้ Agent อื่น ซึ่ง Agent นั้นอาจเรียกต่อไปยัง Agent อื่นอีกทอดหนึ่ง ทำให้เกิดเป็นเครือข่ายการทำงานที่ซับซ้อนยากต่อการมองเห็นและควบคุม กระบวนการที่เคยสัมผัสเพียงระบบเดียว อาจต้องผ่าน Agent หลายตัวก่อนจะถึงมือมนุษย์ ซึ่งแต่ละจุดของการส่งต่อ (handoff) คือจุดตัดสินใจที่อาจไม่ได้รับการอนุมัติอย่างชัดเจน

เมื่อการบริหารจัดการ AI Agent กลายเป็นเรื่องยาก 😥

ปัญหาที่พบบ่อยคือเมื่อผู้รับผิดชอบ AI Agent สูญเสียการควบคุมภาพรวม พวกเขาอาจไม่สามารถตอบคำถามง่ายๆ เช่น Agent ใดสามารถเข้าถึงระบบใดได้บ้าง หรือ Agent ตัวใดเป็นต้นเหตุของการดำเนินการต่อเนื่องสามขั้นตอนก่อนหน้านี้ได้ ความพยายามในการจัดการ Agent มักถูกมองว่าเป็นเพียงการ "ตรวจสอบ" ตามรายการ (checklist) ซึ่งเป็นการแก้ปัญหาที่ไม่ตรงจุด เพราะความซับซ้อนที่แท้จริงนั้นกระจายไปตาม "สายโซ่" การทำงานที่ต่อเนื่อง

ต้นตอของปัญหา: การบริหารจัดการที่ตามไม่ทัน ⚠️

1. สิทธิ์การเข้าถึงที่เพิ่มขึ้น (Permissions Creep) 🚪

บ่อยครั้งที่ Agent ถูกสร้างขึ้นพร้อมสิทธิ์การเข้าถึงที่กว้างขวางเกินความจำเป็น เพื่อความสะดวกและประหยัดเวลาในการพัฒนา ทำให้ Agent ที่ถูกสร้างมาเพื่อวัตถุประสงค์หนึ่ง อาจมีเส้นทางในการเข้าถึงระบบที่ละเอียดอ่อน เช่น ระบบการชำระเงิน ได้ในภายหลัง โดยที่ไม่มีใครจำได้ว่าเคยอนุมัติสิทธิ์นั้น

2. ความรับผิดชอบที่เจือจาง (Ownership Thins Out) 👥

เมื่อมี Agent หลายตัวเข้ามาเกี่ยวข้องในกระบวนการทำงานเดียวกัน หากเกิดข้อผิดพลาดขึ้นในขั้นตอนใดขั้นตอนหนึ่ง การระบุผู้รับผิดชอบที่แท้จริงจะทำได้ยาก เพราะผังองค์กรอาจหยุดอยู่ที่การ "ติดตั้ง Agent" และไม่ได้กำหนดผู้รับผิดชอบที่ต้องตอบคำถามสำหรับกระบวนการนั้นๆ

3. โครงสร้างพื้นฐานด้านการกำกับดูแลที่ล้าหลัง 🏗️

โครงสร้างพื้นฐานด้านการกำกับดูแล (governance infrastructure) ที่มีอยู่ อาจยังไม่สามารถรองรับพฤติกรรมของ AI Agent ที่มีการเชื่อมต่อกันอย่างซับซ้อน การทำงานแบบต่อเนื่อง และการเพิ่มจำนวนที่รวดเร็วจนกระบวนการติดตามไม่ทัน

แนวทางการแก้ไข: สร้าง "Human-Agent Harmony" 🤝

การแก้ไขปัญหาความซับซ้อนของ AI Agent ต้องเริ่มจากการสร้างระบบการกำกับดูแลที่แข็งแกร่ง ซึ่งประกอบด้วย:

1. การยืนยันตัวตนที่ชัดเจน (Identity) ✅

Agent ทุกตัวควรมีตัวตนที่ชัดเจน ไม่ใช่เพียงสิทธิ์ที่ถูกยืมมา ควรมีชื่อเรียกในระบบ มีขอบเขตอำนาจที่จำกัด และที่สำคัญที่สุดคือต้องมี "สปอนเซอร์ที่เป็นมนุษย์" ที่รับผิดชอบต่อการทำงานของ Agent นั้นๆ

2. การเฝ้าระวังแบบเรียลไทม์ (Real-time Oversight) 👁️

องค์กรจำเป็นต้องสามารถมองเห็นได้ว่า Agent ทำอะไรไปบ้าง สิ่งนั้นกระตุ้นให้เกิดการดำเนินการใดตามมา และผลลัพธ์สุดท้ายอยู่ที่ไหน การมองเห็นนี้ต้องเกิดขึ้นแบบเรียลไทม์ ไม่ใช่การรอรายงานประจำไตรมาส การมีตัวตนของ Agent ที่ชัดเจนจะช่วยให้การติดตามเป็นไปได้ แต่ยังไม่เพียงพอ

3. การบังคับใช้นโยบาย (Enforcement) 🛡️

การเฝ้าระวังเพียงอย่างเดียวไม่เพียงพอ องค์กรต้องมีความสามารถในการ "หยุดยั้ง" การดำเนินการที่ผิดนโยบายก่อนที่จะเกิดขึ้นจริง ไม่ใช่เพียงแค่การบันทึกไว้เพื่อตรวจสอบภายหลัง ระบบที่สามารถหยุดยั้งการละเมิดขอบเขตได้ทันที คือสิ่งที่แตกต่างจากการมีเพียงเครื่องมือติดตาม

สรุป: ก้าวข้ามกำแพงความซับซ้อนสู่การเติบโตอย่างยั่งยืน 🚀

ความเสี่ยงที่แท้จริงของ AI Agent ไม่ใช่การทำงานที่ตรงตามที่ถูกสร้างขึ้น แต่คือการทำงานร่วมกันของ Agent จำนวนมากในรูปแบบที่ซับซ้อนจนคาดไม่ถึง องค์กรที่สามารถก้าวข้าม "กำแพงความซับซ้อน" นี้ได้ คือองค์กรที่สร้าง การมองเห็น (visibility) และ ความรับผิดชอบ (accountability) ที่เพียงพอ เพื่อให้ฝูง Agent สามารถเติบโตได้อย่างต่อเนื่อง โดยที่ยังคงสามารถตอบคำถามพื้นฐานได้ว่า "ระบบกำลังทำอะไรอยู่ และใครคือผู้รับผิดชอบ"

การสร้าง "Human-Agent Harmony" คือกุญแจสำคัญที่จะทำให้องค์กรสามารถเพิ่มขีดความสามารถของ AI Agent ควบคู่ไปกับการรักษาความปลอดภัยและการควบคุมได้อย่างมีประสิทธิภาพ ไม่ใช่การชะลอความเร็ว แต่คือการวิ่งไปข้างหน้าอย่างชาญฉลาดและมั่นคง

ขอบคุณ แหล่งข้อมูล
https://venturebeat.com/ai/enterprise-ais-real-risk-isnt-autonomous-agents-its-the-complexity-between-them

Orchestration: หัวใจสำคัญของ CX ยุค AI Agents ที่องค์กรต้องให้ความสำคัญ

ในยุคที่ AI Agents, Voice AI และระบบอัตโนมัติถูกนำมาใช้ในช่องทางต่างๆ ทั้งการส่งข้อความ เสียง และดิจิทัลอย่างรวดเร็ว สถาปัตยกรรมที่รองรับกลับสวนทางกับความเร็วในการนำไปใช้ องค์กรส่วนใหญ่ยังคงใช้วิธีการเชื่อมต่อ AI แบบสนทนากับระบบเก่าที่ไม่ได้ถูกออกแบบมาเพื่อสิ่งนี้ ทำให้เกิดช่องว่างในการทำงานที่ส่งผลกระทบต่อประสบการณ์ลูกค้า (CX) อย่างมาก

ทำไม Orchestration จึงสำคัญกว่า Automation ในยุค AI?

Gaurav Anand หัวหน้าฝ่าย Customer Interaction Suite ของ Tata Communications ชี้ให้เห็นว่า ในช่วงที่ผ่านมา องค์กรต่างๆ เร่งรีบนำ AI มาใช้ ทำให้หลายครั้งเป็นการ "ต่อเติม" AI เข้ากับระบบเดิมๆ ที่มีอยู่ ซึ่งส่งผลให้แม้จะมีเครื่องมือดิจิทัลมากมาย แต่ก็ยังขาดแพลตฟอร์มที่ บูรณาการ (integrated), ปรับขนาดได้ (scaled), และสามารถ Orchestration (การประสานงาน) ได้อย่างราบรื่น

ปัญหาจากการเชื่อมต่อ AI กับระบบเดิม (Legacy Systems)

การที่ AI ไม่ได้ถูกออกแบบมาให้ทำงานร่วมกับระบบเก่าตั้งแต่ต้น ก่อให้เกิดภาระทางความคิด (cognitive load) สูงให้กับเจ้าหน้าที่ฝ่ายบุคคล (human agents) ที่ต้องคอยปะติดปะต่อข้อมูลจากเครื่องมือที่กระจัดกระจาย เพื่อทำความเข้าใจว่าระบบ AI ได้สื่อสารอะไรกับลูกค้าไปแล้วบ้าง

ปัญหาไม่ได้อยู่ที่การเข้าถึงข้อมูลเพียงอย่างเดียว แต่อยู่ที่ การขาดบริบทองค์กรที่ใช้ร่วมกัน (shared enterprise context) ซึ่งเชื่อมโยงข้อมูลลูกค้า, การโต้ตอบ, ธุรกรรม, นโยบาย, เส้นทางลูกค้า (journeys) และระบบปฏิบัติการต่างๆ เข้าด้วยกัน สถาปัตยกรรม CX แบบดั้งเดิมถูกสร้างขึ้นเพื่อการส่งต่อแบบเป็นเส้นตรงที่ควบคุมโดยมนุษย์ ไม่ใช่สำหรับการจัดการการไหลของข้อมูลแบบเรียลไทม์ระหว่างระบบ AI อิสระ, Data Lakes และเจ้าหน้าที่

Anand กล่าวว่า "ความซับซ้อนในการดำเนินงานในปัจจุบัน ไม่ใช่เรื่องของการเพิ่มความฉลาดเข้าไปอีกแล้ว แต่เป็นการ ประสานงานความฉลาดที่มีอยู่ทั่วทั้งองค์กร เพื่อให้ลูกค้าไม่รู้สึกถึงแรงเสียดทานจากไซโลภายในองค์กร ซึ่งสิ่งนี้ต้องการชั้นบริบทที่ใช้ร่วมกัน (shared context layer) ที่ช่วยให้ระบบ AI, แอปพลิเคชัน และผู้คน สามารถทำงานภายใต้ความเข้าใจเดียวกันเกี่ยวกับลูกค้าและธุรกิจ"

Orchestration คืออะไร และทำไมถึงสำคัญกว่า Automation?

Anand อธิบายว่า "Automation ช่วยแก้ปัญหางานเดี่ยวๆ ในขณะที่ Orchestration จะเชื่อมโยงงานเหล่านั้นให้กลายเป็นผลลัพธ์แบบ End-to-End" วิวัฒนาการขั้นต่อไปคือ Context-aware Orchestration ซึ่ง AI Agents, แอปพลิเคชัน และเจ้าหน้าที่ฝ่ายบุคคล จะทำงานโดยใช้ความเข้าใจร่วมกันเกี่ยวกับลูกค้า, กระบวนการ และเจตนาทางธุรกิจ แทนที่จะเป็นเพียงบันทึกของระบบที่แยกจากกัน

เมื่อองค์กรมี Bot, Agent และเครื่องมือ AI มากขึ้นเรื่อยๆ การจัดการก็จะยิ่งซับซ้อนขึ้นแบบทวีคูณ ความได้เปรียบทางการแข่งขันในปัจจุบันจึงไม่ได้อยู่ที่การนำ Automation มาใช้เพียงอย่างเดียว แต่อยู่ที่ว่าระบบสามารถ ส่งต่องาน (hand off), ทำงานร่วมกัน (collaborate) และ ยกระดับ (escalate) ได้อย่างชาญฉลาดเพียงใด

กับดักของการเชื่อมต่อ AI เข้ากับระบบเก่า

บริษัทที่เพียงแค่นำ AI Agent มาวางไว้หน้าสุดของระบบเดิม กำลังทำผิดพลาดซ้ำรอยเดิม แทนที่จะปรับปรุงประสบการณ์ กลับกลายเป็นการสร้างเมนูโทรศัพท์แบบเดิมๆ ที่ AI ควรจะเข้ามาแทนที่ ประโยชน์ที่แท้จริงของ AI คือ ความสามารถในการปรับขนาด (scale), ความเร็ว (speed) และ การ Orchestration

Anand ชี้ให้เห็นถึงคลื่นการควบรวมกิจการในอุตสาหกรรม ผู้ให้บริการ Contact Center ที่มีชื่อเสียงกำลังเข้าซื้อบริษัทที่เน้น AI เพื่อปิดช่องว่างด้านความสามารถและเสริมความแข็งแกร่งให้กับข้อเสนอ CX ของตน การเปลี่ยนแปลงในวงกว้างนี้สะท้อนถึงการยอมรับที่เพิ่มขึ้นว่าองค์กรต้องการมากกว่าแค่ช่องทางและระบบอัตโนมัติ แต่ต้องการ ชั้นความฉลาด (intelligence layer) ที่สามารถ Orchestrate AI, บุคลากร, ข้อมูล และ Workflow ทั่วทั้งธุรกิจ

เป้าหมายของทุกอุตสาหกรรมคือการทำให้ AI เป็น ชั้นเชื่อมต่อ (connective layer) ระหว่างลูกค้า, พนักงาน และระบบองค์กร ในการบรรลุเป้าหมายนี้ องค์กรต่างๆ ต้องการ Common Enterprise Ontology หรือคำศัพท์ทางธุรกิจที่ใช้ร่วมกัน ซึ่งจะจัดเรียงข้อมูลลูกค้า, ผลิตภัณฑ์, นโยบาย, SOPs, ธุรกรรม และ Workflow ทั่วทั้งแพลตฟอร์มที่อาจจะไม่ได้เชื่อมต่อกัน

Interaction Fabric: โซลูชัน Orchestration จาก Tata Communications

Tata Communications นำเสนอ Interaction Fabric ซึ่งเป็นชั้น Orchestration ที่รวมเอา Contact Center, Messaging, Collaboration, AI และข้อมูลลูกค้าเข้าไว้ด้วยกัน พร้อมทั้งประสานงาน AI Agents, ช่องทางต่างๆ และระบบองค์กรแบบเรียลไทม์ หัวใจสำคัญของการ Orchestration นี้คือสถาปัตยกรรมที่ขับเคลื่อนด้วยบริบท (context-driven architecture) ที่เชื่อมต่อข้อมูลตัวตน (identities), การสนทนา (conversations), ธุรกรรม (transactions) และข้อมูลการดำเนินงาน (operational data) อย่างต่อเนื่อง เพื่อให้การโต้ตอบมีความต่อเนื่องข้ามช่องทางและจุดสัมผัสต่างๆ

นั่นหมายความว่า AI และเจ้าหน้าที่สามารถทำงานข้ามช่องทาง Voice, WhatsApp, Chat, Email และ Workflow ของ CRM ได้โดยไม่สูญเสียบริบทของลูกค้า ข้อมูลตัวตน, เจตนา และข้อมูลเชิงลึกที่ได้จาก AI จะไหลต่อเนื่องข้ามช่องทาง แทนที่จะติดอยู่ในแอปพลิเคชันที่แยกจากกัน

ระยะต่อไปของ Orchestration ไม่ใช่แค่การประสานงานระหว่างระบบ แต่เป็นการประสานงานผ่าน ความเข้าใจร่วมกันขององค์กร (shared understanding of the enterprise) Context Graphs ที่สร้างขึ้นจาก Enterprise Ontologies จะสร้างความเข้าใจร่วมกันนี้ โดยการเชื่อมโยงลูกค้า, การโต้ตอบ, ผลิตภัณฑ์, นโยบาย, การตัดสินใจ และผลลัพธ์ต่างๆ ทั่วทั้งไซโลขององค์กร สิ่งนี้ช่วยให้ AI Agents และเจ้าหน้าที่ฝ่ายบุคคลสามารถทำงานจากแหล่งข้อมูลบริบทเดียวกัน นำไปสู่การตัดสินใจที่แม่นยำยิ่งขึ้น, การส่งต่องานที่ราบรื่น และประสบการณ์ลูกค้าที่สอดคล้องกัน

อย่างไรก็ตาม การซิงโครไนซ์เจตนาของลูกค้า, ประวัติการสนทนา, ข้อมูลองค์กร และการตัดสินใจของ AI ข้ามช่องทาง จะทำงานได้ดีก็ต่อเมื่อไม่มีความล่าช้า เครือข่ายแบบเดิมที่ไม่ได้ถูกออกแบบมาสำหรับความถี่ของข้อมูลสมัยใหม่ จะสร้างสิ่งที่ Anand เรียกว่า Data Gravity ซึ่งก่อให้เกิดความล่าช้าและประสบการณ์ที่ไม่สอดคล้องกันเมื่อผู้ใช้เปลี่ยนช่องทาง

"เครือข่ายพื้นฐานต้องถูกออกแบบให้มีความคล่องตัวเหมือนกับระบบ AI ที่ทำงานอยู่ด้านบน" Anand อธิบาย "การโต้ตอบจะยังคงซิงโครไนซ์ และเทคโนโลยีเองก็จะหายไป เหลือเพียงประสบการณ์ที่รู้สึกว่าไร้ความพยายาม"

ทำให้ AI เป็นพันธมิตรที่ดีขึ้นสำหรับเจ้าหน้าที่ฝ่ายบุคคล

การมองเห็นร่วมกันอย่างมีประสิทธิภาพระหว่างเจ้าหน้าที่ฝ่ายบุคคลและระบบ AI เริ่มต้นจากประสบการณ์ของเจ้าหน้าที่ ไม่ใช่จากเทคโนโลยีใดเทคโนโลยีหนึ่ง การนำไปใช้ที่มีประสิทธิภาพสูงสุดจะช่วยให้ทั้ง AI และเจ้าหน้าที่ฝ่ายบุคคลสามารถทำงานภายใต้ความเข้าใจบริบทเดียวกันเกี่ยวกับลูกค้า เพื่อให้แน่ใจว่าข้อมูลที่รวบรวมได้จากการโต้ตอบหนึ่ง สามารถนำไปใช้ในการโต้ตอบครั้งต่อไปได้ โดยไม่คำนึงถึงช่องทางหรือระบบ

การสรุปการโทรอัตโนมัติ, การวิเคราะห์ความรู้สึกแบบเรียลไทม์, และความช่วยเหลือที่ขับเคลื่อนด้วย AI จะช่วยให้เจ้าหน้าที่ได้รับข้อมูลเชิงลึกที่นำไปปฏิบัติได้ทันที และคำแนะนำขั้นตอนต่อไปโดยตรงภายใน Workflow ของพวกเขา

สิ่งนี้ช่วยให้ AI สามารถจัดการกับงานที่ซ้ำซากและมีปริมาณมาก เช่น การรีเซ็ตรหัสผ่าน, การติดตามการจัดส่ง, และการอัปเดตบัญชี ในขณะที่เจ้าหน้าที่ฝ่ายบุคคลสามารถมุ่งเน้นไปที่การโต้ตอบที่ต้องการการตัดสินใจและ Empathy

"หากลูกค้ากำลังเผชิญกับวิกฤตการณ์กะทันหัน เช่น ธุรกรรมที่ผิดปกติ AI สามารถบล็อกบัตรได้ทันที แต่ไม่สามารถให้ความสบายใจทางอารมณ์และการสื่อสารที่ละเอียดอ่อนที่จำเป็นในขณะที่ตื่นตระหนกได้" Anand กล่าว "คำตอบของปัญหานี้คือ Intelligent Orchestration ไม่ใช่การเลือกระหว่างระบบ"

ในทางปฏิบัติ AI จะจัดการกับธุรกรรมทางเทคนิคทันที ในขณะที่การวิเคราะห์ความรู้สึกแบบเรียลไทม์จะรับรู้ถึงความทุกข์ของลูกค้าและส่งต่อไปยังผู้เชี่ยวชาญฝ่ายบุคคล เป้าหมายคือการ Orchestrate AI และเจ้าหน้าที่ฝ่ายบุคคลร่วมกัน เพื่อให้ประสิทธิภาพไม่เคยแลกมาด้วยความไว้วางใจในแบรนด์และความภักดีของลูกค้า

การสร้างสถาปัตยกรรม CX ที่เป็นหนึ่งเดียว

การเปลี่ยนจากการทดลองที่กระจัดกระจายไปสู่ Orchestration ที่ประสานงานกันได้นั้น ต้องการทั้งการเปลี่ยนแปลงทางเทคนิคและองค์กร Anand กล่าว โดยเริ่มจากการรวบรวมข้อมูลและโซลูชันแบบจุด (point solutions) ที่กระจัดกระจาย ไปสู่แพลตฟอร์มแบบรวมศูนย์ที่เน้นคลาวด์เป็นหลัก

"ทีม IT และทีม CX ต้องทำงานร่วมกันมากขึ้น" เขาอธิบาย โดยอธิบายว่าการจัดแนวนี้เป็นการเปลี่ยนแปลงที่จำเป็นครั้งที่สอง ซึ่งเกิดขึ้นในระดับองค์กร

ในระดับสถาปัตยกรรม API การสื่อสารต้องถูกฝังอยู่ในแกนหลักขององค์กร เพื่อให้ทุกฟังก์ชันทำงานจากบริบทของลูกค้าเดียวกัน แทนที่จะรักษาข้อมูลไซโลของตนเอง สิ่งนี้หมายความว่าองค์กรจะต้องก้าวข้ามการบูรณาการเพียงอย่างเดียว ไปสู่สถาปัตยกรรมตามบริบท (contextual architecture) ที่ Enterprise Ontology และ Context Graph ที่ใช้ร่วมกัน ให้ความเข้าใจร่วมกันทั่วทั้ง CX, การดำเนินงาน, การขาย, การบริการ และระบบ AI การเปลี่ยนแปลงระดับองค์กรที่ลึกซึ้งยิ่งขึ้น คือการเปลี่ยน Mindset จากการสนับสนุนเชิงรับ (reactive support) ไปสู่การมีส่วนร่วมเชิงรุก (proactive), เชิงคาดการณ์ (predictive) และเชิงปรับให้เหมาะกับบุคคล (personalized engagement) หรือที่เรียกว่า 3Ps

AI Agents จะกำหนดอนาคตของ CX อย่างไร

การมีส่วนร่วมของลูกค้าในช่วงหลายปีข้างหน้า จะถูกกำหนดโดย ความฉลาดแบบเรียลไทม์ (real-time intelligence), ความเป็นอิสระที่เพิ่มขึ้น (increasing autonomy) และ การ Orchestration ที่ราบรื่นข้ามจุดสัมผัส (seamless orchestration across touchpoints) รวมถึง บริบทองค์กรที่คงอยู่ (persistent enterprise context) ซึ่งจะติดตามลูกค้า, พนักงาน และ AI Agents ไปทุกที่ที่มีการโต้ตอบ แทนที่จะวิเคราะห์การโต้ตอบหลังจากเกิดขึ้น องค์กรจะปรับเปลี่ยนการสนทนาแบบเรียลไทม์มากขึ้น

"อนาคตของ CX จะถูกกำหนดโดยการทำให้ง่ายขึ้น (simplification) โดยการจัดเรียงข้อมูล, โครงสร้างพื้นฐาน และโมเดลการดำเนินงานรอบๆ ผลลัพธ์ของลูกค้าที่ชัดเจน แทนที่จะเพิ่มโมเดลและเครื่องมือให้มากขึ้น" Anand กล่าว "การเพิ่มขึ้นของ AI-powered Agents และการโต้ตอบระหว่าง Agent กับ Agent เป็นแนวโน้มที่สำคัญ โดยระบบ AI จะก้าวข้ามจากการช่วยเหลือมนุษย์ไปสู่การจัดการและแก้ไขการโต้ตอบได้อย่างอิสระ สร้างชั้นการมีส่วนร่วมที่มองไม่เห็นเป็นส่วนใหญ่ ซึ่งช่วยเพิ่มความเร็วและประสิทธิภาพ"

เจ้าหน้าที่ฝ่ายบุคคลจะทำงานร่วมกับ AI มากขึ้น โดยได้รับความช่วยเหลือจาก Conversational Intelligence แบบเรียลไทม์ และคำแนะนำ Next-Best-Action เพื่อส่งมอบสิ่งที่ Anand เรียกว่า Total Experience ซึ่งเป็นโมเดลแบบรวมที่นำประสบการณ์ของลูกค้า, พนักงาน และประสบการณ์ที่ขับเคลื่อนด้วย AI มารวมกัน Tata Communications กำลังสร้างอนาคตนี้ผ่านโซลูชัน Voice AI, AI Workers และ Total Experience Hub

"ท้ายที่สุด การมีส่วนร่วมของลูกค้าจะพัฒนาจากการตอบสนอง (reactive) ไปสู่การคาดการณ์ (predictive) และการสร้างสรรค์ (generative) มากขึ้น" Anand กล่าว "องค์กรจะไม่เพียงแค่ตอบสนองต่อความต้องการ แต่จะactively shape และปรับปรุงเส้นทางของลูกค้าแบบเรียลไทม์"

#CX #AI #Orchestration #CustomerExperience #TataCommunications

ขอบคุณ แหล่งข้อมูล
https://venturebeat.com/orchestration/orchestration-is-the-new-challenge-for-cx-in-the-age-of-ai-agents

VentureBeat เสริมทัพทีมวิเคราะห์ AI ด้วย Rob Strechay ผู้เชี่ยวชาญมากประสบการณ์

VentureBeat ประกาศแต่งตั้ง Rob Strechay อดีต Managing Director และ Principal Analyst จาก theCUBE Research เข้ามาร่วมทีมในตำแหน่ง Lead Analyst คนแรก พร้อมเป็นส่วนหนึ่งของ VentureBeat Research การเข้ามาของเขาถือเป็นก้าวสำคัญของ VentureBeat ในการยกระดับการวิจัยเชิงลึกที่มุ่งเน้นไปที่กลุ่มผู้มีอำนาจตัดสินใจด้านเทคนิคโดยเฉพาะ ไม่ว่าจะเป็น Director, VP, CIO หรือ CTO ที่กำลังประเมิน เลือกซื้อ และนำ AI ระดับองค์กรไปใช้งาน

ทำไมการวิเคราะห์ AI ระดับองค์กรจึงสำคัญในยุคนี้

ในปัจจุบัน สถาปัตยกรรมของ AI ในระดับองค์กรกำลังถูกเขียนขึ้นใหม่ในทุกขณะ ผู้บริหารและผู้มีอำนาจตัดสินใจจำนวนมากกำลังมองหาข้อมูลที่เชื่อถือได้และสามารถนำไปใช้สนับสนุนการตัดสินใจได้อย่างแท้จริง Rob Strechay ด้วยประสบการณ์ที่ผสมผสานทั้งความเชี่ยวชาญทางเทคนิคเชิงลึกและประสบการณ์การทำงานจริง จะเข้ามาช่วยวิเคราะห์โครงสร้างพื้นฐานที่จะขับเคลื่อน AI ในระยะต่อไป

คำถามที่ผู้นำด้านเทคโนโลยีในองค์กรตั้งคำถามนั้นเปลี่ยนไป จากการทดลองใช้ Generative AI สู่การนำไปใช้งานจริง องค์กรต้องการคำตอบเกี่ยวกับวิธีการจัดการสภาพแวดล้อมแบบ Multi-vendor, ช่องโหว่ด้านความปลอดภัยใน Agentic Pipelines, และวิธีแก้ไขปัญหาการใช้งานที่ส่งผลกระทบต่อ งบประมาณโครงสร้างพื้นฐาน คำถามเหล่านี้ต้องการการวิเคราะห์ที่ลึกซึ้งกว่าการรายงานข่าวทั่วไป ซึ่งเป็นช่องว่างที่ VentureBeat Research ตั้งใจจะเข้ามาเติมเต็ม

ประสบการณ์ที่รอบด้านของ Rob Strechay

Rob Strechay สั่งสมประสบการณ์เกือบสามทศวรรษในฐานะผู้ปฏิบัติงาน, ผู้บริหารผลิตภัณฑ์, และนักวิเคราะห์อุตสาหกรรม ก่อนที่จะผันตัวมาเป็นนักวิเคราะห์ เขาเคยเป็นผู้บริหารในสตาร์ทอัพหลายแห่ง เช่น Zerto, เข้าร่วม Amazon Web Services เพื่อช่วยสร้างบริการวิเคราะห์ข้อมูลใหม่ และเคยดำรงตำแหน่งผู้บริหารในด้าน Enterprise Infrastructure ต่อมาเขาได้ทำงานในฐานะ Senior Analyst ที่ Enterprise Strategy Group และล่าสุดคือ Managing Director และ Principal Analyst ที่ theCUBE Research และ SiliconANGLE ซึ่งเขาได้สัมภาษณ์ผู้บริหารระดับสูงและวิเคราะห์การพัฒนาของ Cloud, Data, และ AI Infrastructure

ขอบเขตการวิเคราะห์ที่ Strechay จะดูแล

ในเบื้องต้น Strechay จะมุ่งเน้นการวิเคราะห์ในส่วนของ Cloud Infrastructure, Advanced Data Infrastructure, Platform Engineering และ DevOps Orchestration & Observability รวมถึงจุดตัดระหว่าง AI และ Enterprise Security

ผลงานที่ผ่านมา: การใช้งาน GPU และ VB Pulse Surveys

Strechay ได้เริ่มมีส่วนร่วมในการวิจัยของ VentureBeat แล้ว โดยในเดือนพฤษภาคม เขาได้เผยแพร่บทวิเคราะห์เกี่ยวกับการใช้งาน GPU ในระดับองค์กร ซึ่งสำรวจการสิ้นเปลืองทรัพยากรการประมวลผลในโครงสร้างพื้นฐาน AI ขององค์กร นอกจากนี้ เขายังได้ให้คำแนะนำเชิงลึกแก่แบบสำรวจ AI Infrastructure & Compute ของเราก่อนที่จะนำออกไปใช้งานจริง

การมุ่งเน้นที่ระดับโครงสร้างพื้นฐานนี้ สอดคล้องกับกลไกการวิจัยที่ VentureBeat ได้สร้างขึ้นรอบๆ แบบสำรวจ VB Pulse รายเดือน ซึ่งติดตาม 5 ด้านของการนำ AI ไปใช้ในองค์กร ได้แก่ Agentic Orchestration, Agent Reliability & Evals, Agentic Security & Identity, AI Infrastructure & Compute, และ Context Layers รวมถึง Retrieval-Augmented Generation (RAG) รายงานประจำเดือนมิถุนายนเกี่ยวกับ Agentic Orchestration จากการสำรวจ 145 องค์กร พบว่าสองในสามขององค์กรเหล่านี้ได้กระจายกลยุทธ์ AI Model แทนที่จะผูกติดกับผู้ให้บริการรายเดียว ซึ่งแสดงให้เห็นถึงความสำคัญของการกระจายความเสี่ยง โดยเฉพาะอย่างยิ่งหลังจากการหยุดทำงานของ Claude Models จาก Anthropic ในเดือนมิถุนายน

VB In Conversation: จุดเริ่มต้นของการสื่อสารเชิงลึก

หนึ่งในช่องทางหลักสำหรับการขยายขอบเขตการวิจัยนี้คือการยกระดับซีรีส์วิดีโอสัมภาษณ์ VB In Conversation ที่มีอยู่เดิม ซึ่ง Strechay จะเป็นผู้ดำเนินรายการ แทนที่จะเป็นการให้ภาพรวมอุตสาหกรรมในระดับสูง ซีรีส์นี้จะเจาะลึกถึงพิมพ์เขียวทางสถาปัตยกรรม, อุปสรรคในการนำไปใช้งานจริง, และความเป็นจริงของโครงสร้างพื้นฐาน Back-end ผ่านการสัมภาษณ์เชิงเทคนิคเชิงลึกกับสถาปนิกและผู้นำผลิตภัณฑ์เบื้องหลังระบบ AI ระดับองค์กรชั้นนำ เพื่อให้เห็นภาพเครื่องมือที่ทำงานได้ภายใต้แรงกดดันระดับ Production อย่างแท้จริง

"VentureBeat ได้สร้างฐานผู้ใช้งานที่เป็นผู้สร้างองค์กรและผู้ซื้อเทคโนโลยี ซึ่งนักวิเคราะห์ทุกคนต้องการให้บริการ" Strechay กล่าว "เป้าหมายของผมคือการใช้ข้อมูลเชิงประจักษ์เชิงลึกและข้อมูลการติดตามที่เป็นกรรมสิทธิ์ของ VentureBeat เพื่อช่วยให้ผู้ซื้อระดับองค์กรและผู้ที่สร้างผลิตภัณฑ์สำหรับพวกเขา สามารถตัดสินใจเลือกแพลตฟอร์มและโครงสร้างพื้นฐานได้อย่างถูกต้อง ในช่วงเวลาแห่งการเปลี่ยนแปลงที่ส่งผลกระทบมากที่สุดเท่าที่เทคโนโลยีองค์กรเคยพบเจอมา"

ซีรีส์ VB In Conversation ที่ขยายขอบเขตนี้จะปรากฏบน VentureBeat และช่อง YouTube ของ VentureBeat ควบคู่ไปกับการวิเคราะห์ที่เป็นลายลักษณ์อักษรของ Rob บนเว็บไซต์ ผู้ปฏิบัติงานในองค์กรที่ต้องการเข้าร่วมแบบสำรวจ VB Pulse รายเดือน หรือจัดการประชุมนักวิเคราะห์กับ Rob สามารถติดต่อทีมวิจัยได้ที่นี่

#VentureBeat #AI #EnterpriseAI #RobStrechay #TechAnalysis

ขอบคุณ แหล่งข้อมูล
https://venturebeat.com/ai/venturebeat-names-rob-strechay-as-its-first-lead-analyst-expanding-its-enterprise-ai-research-push

ช่องว่างการประเมิน AI: องค์กรเผชิญปัญหาความไม่สอดคล้องกับความเป็นจริง ไม่ใช่ปัญหาการครอบคลุม

ในยุคที่ AI Agents มีบทบาทสำคัญมากขึ้นเรื่อยๆ องค์กรต่างๆ กำลังเผชิญกับความท้าทายในการประเมินประสิทธิภาพและความน่าเชื่อถือของ AI เหล่านี้ ข้อมูลจากการสำรวจองค์กร 157 แห่ง เผยให้เห็นถึง "ช่องว่างการประเมิน" (Evaluation Gap) ซึ่งหมายถึงความห่างระหว่างระดับความเป็นอิสระ (Autonomy) ที่องค์กรให้กับ AI Agents กับความเชื่อมั่นในเครื่องมือประเมินที่ควรจะคอยตรวจสอบข้อผิดพลาด

เมื่อผลการประเมินไม่ตรงกับความเป็นจริง ⚠️

ปัญหาสำคัญที่องค์กรส่วนใหญ่พบคือ ผลการประเมินภายในไม่สอดคล้องกับผลลัพธ์ที่เกิดขึ้นจริง นี่คือข้อเท็จจริงที่น่าตกใจ:

• ครึ่งหนึ่งขององค์กร (50%) เคยปล่อย AI Agent หรือฟีเจอร์ LLM ที่ผ่านการประเมินภายในแล้ว แต่กลับสร้างความผิดพลาดเมื่อไปถึงมือลูกค้า
• หนึ่งในยี่สิบองค์กร พบปัญหานี้ซ้ำหลายครั้ง
• มีเพียง 5% เท่านั้นที่เชื่อมั่นในการประเมินผลแบบอัตโนมัติอย่างเต็มที่ในปัจจุบัน
• ข้อจำกัดที่ถูกกล่าวถึงมากที่สุดคือ การประเมินไม่สอดคล้องกับผลลัพธ์ในโลกแห่งความเป็นจริง (29%)

สิ่งนี้ชี้ให้เห็นว่า "การผ่านการประเมิน" ไม่ได้เท่ากับการ "ทำงานได้จริง" เสมอไป

ความเป็นอิสระที่เพิ่มขึ้นสวนทางกับความเชื่อมั่นที่ลดลง 📈

แม้ว่าความเชื่อมั่นในการประเมินจะต่ำ แต่แนวโน้มการใช้งาน AI Agents กลับสวนทาง:

• สองในสามขององค์กร (66%) อนุญาต หรือกำลังพัฒนาระบบเพื่อรองรับการนำ AI Agent ไปใช้งานจริงโดยอัตโนมัติ โดยไม่ต้องมีมนุษย์เข้ามาเกี่ยวข้อง (Zero-human-in-the-loop)
• ในขณะเดียวกัน ระบบการประเมินที่มีอยู่ยังคงกระจัดกระจายและยังไม่เติบโตเต็มที่ เครื่องมือหลักที่ใช้บ่อยที่สุดคือเครื่องมือประเมินของค่ายผู้ให้บริการ AI เอง (17%) หรือไม่มีเครื่องมือเฉพาะเลย (17%)
• มีเพียงประมาณหนึ่งในสี่ขององค์กรเท่านั้นที่ทำการตรวจสอบคุณภาพแบบเรียลไทม์บนข้อมูลการใช้งานจริง

กล่าวได้ว่า ความเป็นอิสระของ AI กำลังมาเร็วกว่าความมั่นใจที่องค์กรมีต่อเครื่องมือตรวจสอบ

ความท้าทายของโครงสร้างการประเมิน AI 🛠️

การประเมิน AI Agents ยังอยู่ในช่วงเริ่มต้นและยังไม่มีมาตรฐานที่ชัดเจน:

• เครื่องมือของผู้ให้บริการ (Provider-native tools) เช่น OpenAI และ Anthropic เป็นผู้นำ แต่ก็ยังถูกท้าทายด้วยองค์กรที่ ไม่มีเครื่องมือเฉพาะ สำหรับการประเมิน AI (17%)
• ผู้ให้บริการเครื่องมือประเมินเฉพาะทาง (Specialist vendors) เช่น DeepEval, Braintrust, LangSmith ยังคงมีสัดส่วนการใช้งานที่กระจายตัว
• องค์กรจำนวนมากยังคงใช้เครื่องมือของผู้ให้บริการ AI เอง หรือพัฒนาสคริปต์ขึ้นใช้เอง

การตรวจสอบใน Production ที่ขาดการวัดคุณภาพ 🧐

การตรวจสอบ AI Agent ใน Production สามารถทำได้สองแบบหลัก คือ ตรวจสอบว่าระบบทำงานได้หรือไม่ (เช่น การตอบสนอง, ความเร็ว, ข้อผิดพลาด) หรือ ตรวจสอบว่าผลลัพธ์ที่ได้นั้นถูกต้องหรือไม่:

• 51% ขององค์กร ตรวจสอบเพียงแค่ว่า Agent ทำงานได้หรือไม่
• มีเพียง 23% เท่านั้นที่ตรวจสอบว่าผลลัพธ์ถูกต้องหรือไม่
• หมายความว่าประมาณ สามในสี่ขององค์กร ไม่ได้ทำการประเมินคุณภาพของผลลัพธ์แบบเรียลไทม์ใน Production

ช่องว่างนี้สอดคล้องกับปัญหาการประเมินก่อนปล่อยใช้งาน (Finding 1) องค์กรที่กำลังลดบทบาทมนุษย์ในการตัดสินใจปล่อยใช้งาน กลับไม่สามารถมองเห็นได้แบบเรียลไทม์ว่า Agent เริ่มให้คำตอบที่ผิดพลาดเมื่อใด

ปัจจัยในการเลือกเครื่องมือและเป้าหมายการวัดผล 🎯

องค์กรต่างๆ เลือกใช้เครื่องมือประเมิน AI โดยพิจารณาจาก:

• ค่าใช้จ่าย (Cost of evaluations) เป็นปัจจัยหลักในการเลือก (28%)
• ความสะดวกในการผสานรวม (Ease of integration) (27%)
• ความแม่นยำของการประเมิน (Evaluation accuracy) (24%)

ส่วนเป้าหมายหลักของการวัดผล คือ ความสม่ำเสมอของการประเมิน (Evaluation consistency) หรือการได้ผลลัพธ์การประเมินแบบเดิมทุกครั้งเมื่อเจอกับพฤติกรรมเดียวกัน (36%) ซึ่งสะท้อนว่าก่อนที่จะเชื่อมั่นในผลการประเมิน องค์กรต้องการความเสถียรของมันเสียก่อน

ข้อควรพิจารณาสำหรับองค์กร 💡

ช่องว่างการประเมินนี้เป็นสัญญาณเตือนที่สำคัญสำหรับองค์กรที่กำลังนำ AI Agents ไปใช้งาน การพึ่งพาการประเมินอัตโนมัติเพียงอย่างเดียวโดยปราศจากการตรวจสอบที่สอดคล้องกับความเป็นจริง อาจนำไปสู่ความเสี่ยงและความเสียหายที่มากขึ้น การสร้างความสมดุลระหว่างความเป็นอิสระของ AI กับความเชื่อมั่นในระบบการประเมินที่แข็งแกร่งและแม่นยำ จึงเป็นสิ่งจำเป็นอย่างยิ่งในยุค AI ที่กำลังพัฒนาไปอย่างรวดเร็ว

ขอบคุณ แหล่งข้อมูล
https://venturebeat.com/ai/the-agent-evaluation-gap-enterprise-ai-organizations-have-a-reality-alignment-problem-not-a-coverage-problem-and-most-are-shipping-to-production-anyway

ช่องว่างข้อมูล: องค์กร AI กำลังเผชิญปัญหาความน่าเชื่อถือ ไม่ใช่ปัญหาการค้นหาข้อมูล

ในโลกของปัญญาประดิษฐ์ (AI) ที่พัฒนาไปอย่างรวดเร็ว องค์กรต่าง ๆ กำลังทุ่มเทสร้างโครงสร้างพื้นฐานเพื่อป้อนข้อมูลบริบททางธุรกิจให้กับ AI Agent ของตน แต่กลับพบว่ามีปัญหาใหญ่ที่ซ่อนอยู่ นั่นคือ "ความน่าเชื่อถือ" ของข้อมูลที่ AI ได้รับ ซึ่งส่งผลให้ AI Agent บางครั้งให้คำตอบที่ดูมั่นใจ แต่กลับผิดพลาดไปจากความเป็นจริง

จากการสำรวจองค์กรกว่า 101 แห่ง พบว่า แม้เทคนิค Retrieval-Augmented Generation (RAG) จะกลายเป็นแหล่งข้อมูลบริบทหลัก และการค้นหาข้อมูลแบบ Native ของผู้ให้บริการ (Provider-native retrieval) จะเริ่มแซงหน้า Vector Databases แบบเดิม ๆ แต่ส่วนใหญ่ยังคงประสบปัญหา AI Agent ให้คำตอบที่ผิดพลาดอย่างมั่นใจ โดยมีสาเหตุมาจากบริบทข้อมูลที่ไม่ครบถ้วนหรือไม่สอดคล้องกัน

แม้ว่า "Governed Semantic Layer" กำลังถูกมองว่าเป็นทางออก แต่ส่วนใหญ่ยังอยู่ในช่วงเริ่มต้นของการพัฒนา ขณะที่แนวโน้มตลาดกำลังมุ่งสู่ "Hybrid Retrieval" แต่ก็ยังมีองค์กรจำนวนมากที่ต้องการเลือกใช้เครื่องมือที่ดีที่สุดในแต่ละด้าน (Best-of-breed) ผลลัพธ์ที่ได้คือ "ช่องว่างข้อมูล" (Context Gap) ที่ทำให้ AI Agent ดูน่าเชื่อถือ แต่รากฐานข้อมูลที่ใช้กลับยังไม่เป็นที่ไว้วางใจได้เต็มที่

ปัญหาหลัก: AI Agent ให้คำตอบผิดพลาดอย่างมั่นใจ

งานวิจัย VentureBeat Pulse Research นี้ได้เจาะลึกถึงโครงสร้างพื้นฐาน RAG และ Context Layer ขององค์กร ซึ่งเป็นส่วนที่ป้อนข้อมูลบริบททางธุรกิจให้กับ AI Agent รวมถึงระบบการค้นหาที่องค์กรใช้งาน วิธีการซื้อและการวัดผล รวมถึงทิศทางสถาปัตยกรรมในอนาคต และที่สำคัญที่สุด คือการตรวจสอบว่าบริบทข้อมูลนั้นล้มเหลวบ่อยแค่ไหน

ผลการสำรวจที่สำคัญคือ "ช่องว่างข้อมูล" (Context Gap) ซึ่งหมายถึงความแตกต่างระหว่างความมั่นใจในการตอบคำถามของ Agent กับความน่าเชื่อถือของบริบทข้อมูลเบื้องหลัง

• 57% ขององค์กร รายงานว่าในช่วงหกเดือนที่ผ่านมา AI Agent ของตนได้ให้คำตอบที่ผิดพลาดอย่างมั่นใจ แต่สามารถตรวจสอบย้อนกลับได้ว่าเกิดจากบริบทข้อมูลทางธุรกิจที่ไม่ครบถ้วนหรือไม่สอดคล้องกัน
• มากกว่าครึ่งหนึ่ง ขององค์กรที่ประสบปัญหานี้ ระบุว่าเกิดขึ้นมากกว่าหนึ่งครั้ง
• นี่ไม่ใช่ความล้มเหลวเพียงเล็กน้อย เพราะ 38% ขององค์กร ใช้ RAG เป็นแหล่งข้อมูลบริบทหลัก เมื่อการค้นหาข้อมูล (Retrieval) มีข้อจำกัดหรือไม่สอดคล้องกัน ข้อผิดพลาดที่เกิดขึ้นก็จะบั่นทอนความน่าเชื่อถือของ Agent
• แม้ว่าโครงสร้างพื้นฐานเพื่อแก้ไขปัญหานี้กำลังถูกสร้างขึ้น โดย 58% ขององค์กร กำลังใช้งานหรือกำลังสร้าง Governed Semantic Layer แต่ส่วนใหญ่ยังไม่ได้นำไปใช้งานจริง

RAG คือแหล่งข้อมูลบริบทหลักที่องค์กรเลือกใช้

เมื่อสอบถามว่า AI Agent ขององค์กรใช้สิ่งใดเป็นหลักในการทำความเข้าใจข้อมูล พบว่า Retrieval (RAG) นำมาเป็นอันดับหนึ่งอย่างเห็นได้ชัด

• 38% ขององค์กร ใช้ RAG กับเอกสารหรือ Vector Index เป็นวิธีหลักที่ Agent ใช้ทำความเข้าใจธุรกิจ ซึ่งเกือบสองเท่าของแนวทางถัดไป คือ Governed Semantic Layer หรือ Ontology (21%)
• แนวทางผสมผสาน (14%), การสอบถามระบบสดโดยตรง (10%), และการโหลดข้อมูลบริบทที่ยาว (Long-context loading) (6%) เป็นส่วนที่เหลือ
• มีเพียง 2% เท่านั้นที่ปล่อยให้ Agent ทำงานโดยใช้เพียงความรู้ทั่วไปของโมเดลเท่านั้น
• สิ่งที่น่าสังเกตคือ การปรับแต่งโมเดล (Fine-tuning) ไม่ได้ถูกกล่าวถึงในฐานะแหล่งข้อมูลหลักในการตอบคำถาม องค์กรส่วนใหญ่เลือกที่จะ "ฉีด" บริบทข้อมูลเข้าไปในขณะใช้งาน (Runtime)

Provider-Native Retrieval นำหน้า Vector Databases แล้ว

เมื่อสอบถามถึงระบบการค้นหาข้อมูล (Retrieval Systems) ที่องค์กรใช้งานอยู่ในปัจจุบัน คำตอบชี้ไปที่ผู้ให้บริการโมเดลและ Hyperscalers มากกว่าเครื่องมือเฉพาะทาง

• OpenAI File Search (40%) และ Google Vertex AI Search (38%) นำหน้า Vector Databases ที่สร้างขึ้นเพื่อวัตถุประสงค์เฉพาะ
• ในกลุ่มเครื่องมือเฉพาะทาง เครื่องมือที่องค์กรใช้งานอยู่แล้ว (เช่น Elasticsearch/OpenSearch 20%) และตัวเลือกแบบ Open-source ที่ฝังมาด้วย (pgvector 12%) ได้รับความนิยม
• Vector Databases แบบ Pure-play เช่น Weaviate, Qdrant, Pinecone, Milvus แต่ละตัวมีส่วนแบ่งการตลาดในระดับเลขหลักเดียวถึงเลขหลักสิบต้นๆ
• 13% ขององค์กร ระบุว่ายังไม่ได้ใช้งาน RAG ในการผลิต (Production) เลย
• องค์กรกำลังโน้มเอียงไปหา Retrieval ที่มาพร้อมกับเครื่องมือที่พวกเขาซื้ออยู่แล้ว

แต่องค์กรก็ยังต้องการเครื่องมือที่ดีที่สุดในแต่ละด้าน

แม้ว่า Provider-Native Retrieval จะได้รับความนิยมในการใช้งานจริง แต่ความตั้งใจขององค์กรกลับสวนทางกัน

• 36% ขององค์กร ระบุว่าต้องการเลือกใช้เครื่องมือที่ดีที่สุดในแต่ละด้าน (Best-of-breed standalone tools) แทนที่จะรวมทุกอย่างไว้ในแพลตฟอร์มของผู้ให้บริการ
• มีเพียง 21% ที่วางแผนจะรวมทุกอย่างไว้ในแพลตฟอร์มเดียว และอีก 21% คาดว่าจะใช้แนวทางผสมผสาน
• 9% ตั้งใจจะสร้างและดูแล Context Layer ด้วยตนเอง
• ความขัดแย้งระหว่างสิ่งที่องค์กรใช้งานจริงกับสิ่งที่พวกเขาต้องการ คือคำถามเชิงกลยุทธ์ของวงการนี้: พวกเขารับเอา Retrieval ที่รวมมาให้เพื่อความสะดวก แต่ก็ยืนยันว่าจะรักษาความเป็นอิสระในการเลือกใช้เครื่องมือ

Hybrid Retrieval คือแนวโน้มที่ได้รับการยอมรับ

การค้นหาข้อมูลแบบ Vector-only กำลังถูกมองว่าไม่เพียงพอ

• 34% คาดการณ์ว่า Hybrid Retrieval (การผสมผสาน Embeddings กับการจัดอันดับใหม่ และการควบคุมการเข้าถึง) จะเป็นสถาปัตยกรรมหลักในระบบ RAG ของพวกเขาภายในสิ้นปี 2026
• มีเพียง 11% เท่านั้นที่คาดว่า Vector-only Retrieval จะเป็นที่แพร่หลาย
• นี่เป็นสัญญาณที่น่าสนใจ: แนวทางการค้นหาด้วย Vector เพียงอย่างเดียวที่จุดประกายวงการนี้ กำลังถูกมองว่าไม่เพียงพอ และถูกแทนที่ด้วยกระบวนการที่เพิ่มการจัดอันดับใหม่เพื่อความแม่นยำ และการควบคุมการเข้าถึงเพื่อการกำกับดูแล
• 17% ของผู้ตอบแบบสอบถาม ยังไม่แน่ใจ และอีก 14% คาดว่าจะก้าวข้าม Vector Layer ไปสู่การใช้เครื่องมือเป็นหลัก (Tool-first) หรือการจัดการข้อมูลบริบทที่ยาว (Long-context retrieval)
• ฉันทามติคือการสร้าง "ไปป์ไลน์" ที่มีความซับซ้อนมากขึ้น ซึ่งยังอยู่ในช่วงเริ่มต้นของการพัฒนา

Governed Context Layer กำลังถูกสร้างขึ้น

ทางออกสำหรับ Context Gap กำลังอยู่ในช่วงก่อสร้าง

• มากกว่าครึ่งหนึ่งขององค์กร (58%) กำลังใช้งาน Governed Semantic Layer ใน Production (25%) หรือกำลังทดลองและสร้าง (34%)
• อีก 17% กำลังอยู่ในช่วงประเมิน
• หมายความว่า สามในสี่ขององค์กร กำลังให้ความสนใจกับแนวคิดนี้ในรูปแบบใดรูปแบบหนึ่ง
• อย่างไรก็ตาม สัดส่วนนี้ชี้ให้เห็นว่าส่วนใหญ่ยังอยู่ในช่วงการก่อสร้างมากกว่าการส่งมอบ ดังนั้น สำหรับองค์กรส่วนใหญ่ การมีชั้นข้อมูลที่แบ่งปันและมีการกำกับดูแล (Governed definition layer) เพื่อป้องกันความผิดพลาด "มั่นใจแต่ผิด" ยังคงเป็นงานที่กำลังดำเนินการอยู่
• Semantic Layer คือคำตอบของอุตสาหกรรมสำหรับบริบทข้อมูลที่ไม่สอดคล้องกัน แต่ตอนนี้เราเห็นมันอยู่ในช่วงกลางของการก่อสร้าง โดยความทะเยอทะยานนำหน้าการใช้งานจริง

การเลือกซื้อและการติดตามผล

• การเลือกซื้อ: องค์กรให้ความสำคัญกับการใช้งานที่ง่าย (Operability) และความเรียบง่ายเป็นหลัก
• การติดตามผล: เน้นไปที่ความถูกต้อง (Correctness) และความปลอดภัย (Security) เป็นสำคัญ

โดยสรุป ปัญหาหลักที่องค์กร AI กำลังเผชิญคือ "ความน่าเชื่อถือ" ของข้อมูลบริบทที่ป้อนให้กับ AI Agent ซึ่งนำไปสู่คำตอบที่ผิดพลาด แม้ว่าเทคนิค RAG และสถาปัตยกรรมอย่าง Hybrid Retrieval และ Governed Semantic Layer กำลังถูกพัฒนาขึ้น แต่การนำไปใช้งานจริงยังคงเป็นความท้าทายที่องค์กรส่วนใหญ่กำลังเผชิญอยู่

ขอบคุณ แหล่งข้อมูล
https://venturebeat.com/ai/the-ai-context-gap-enterprise-ai-organizations-have-a-trust-problem-not-a-retrieval-problem-and-most-are-still-building-the-fix

ช่องว่างการประมวลผล AI: องค์กรทุ่มงบฯ โครงสร้างพื้นฐานเร็วกว่าที่วัดต้นทุนได้

การลงทุนในโครงสร้างพื้นฐาน AI ขององค์กรกำลังเติบโตอย่างรวดเร็ว แต่กลับมีข้อจำกัดในการมองเห็นและบริหารจัดการต้นทุนอย่างมีประสิทธิภาพ ข้อมูลเชิงลึกจากการวิจัยชี้ให้เห็นถึง "ช่องว่างการประมวลผล" (Compute Gap) ที่องค์กรกำลังเผชิญ

ภาพรวมสถานการณ์ปัจจุบัน

องค์กรส่วนใหญ่ยังคงพึ่งพาผู้ให้บริการคลาวด์รายใหญ่ (Hyperscalers) และ API ของผู้ให้บริการโมเดล AI ในปัจจุบัน แต่ทิศทางการลงทุนในอนาคตกลับมุ่งเป้าไปที่การประมวลผลเฉพาะทาง (Specialized Compute) ซึ่งปัจจุบันแทบไม่มีองค์กรใดใช้งานอย่างแพร่หลาย

• ความพร้อมในการใช้งาน: เพียงประมาณ 1 ใน 5 ขององค์กร (21%) เท่านั้นที่ใช้งาน AI ในระดับ Production อย่างเต็มรูปแบบ
• การใช้งาน GPU: 83% ขององค์กรที่ใช้ GPU รายงานว่ามีการใช้งานอยู่ที่ 50% หรือต่ำกว่านั้น ซึ่งหมายถึงการลงทุนในฮาร์ดแวร์ราคาแพง แต่กลับถูกใช้งานอย่างไม่คุ้มค่า
• การติดตามต้นทุน: น้อยกว่าครึ่ง (44%) สามารถติดตามต้นทุนการประมวลผล AI ของตนเองได้อย่างแม่นยำ

การประเมินและการตัดสินใจเลือกผู้ให้บริการ

องค์กรต่างๆ ยังไม่ได้ตัดสินใจเลือกผู้ให้บริการโครงสร้างพื้นฐานอย่างถาวร โดยส่วนใหญ่ (64%) วางแผนที่จะเปลี่ยนหรือเพิ่มผู้ให้บริการภายใน 12 เดือน และ 38% มีแผนจะดำเนินการภายในไตรมาสหน้า ซึ่งถือเป็นอัตราการเปลี่ยนแปลงที่สูงผิดปกติสำหรับโครงสร้างพื้นฐานที่เป็นรากฐานสำคัญ

ปัจจัยสำคัญในการตัดสินใจเลือกผู้ให้บริการ ไม่ใช่ราคาต่อโทเค็น (Token Price) ที่มักถูกนำมาแข่งขันกัน แต่เป็นการพิจารณาจาก:

1. การผสานรวมกับระบบเดิม (Integration with existing stack): 41%
2. ต้นทุนรวมในการเป็นเจ้าของ (Total Cost of Ownership - TCO): 35%

ทิศทางการลงทุนในอนาคต

สิ่งที่น่าจับตามองคือ องค์กรส่วนใหญ่ (45%) มีแผนที่จะประเมิน AI-Specialized Clouds ซึ่งเป็นประเภทบริการที่ปัจจุบันแทบไม่มีใครใช้งาน ส่งสัญญาณถึงการเปลี่ยนแปลงครั้งใหญ่ในการจัดสรรทรัพยากร AI

นอกจากนี้ องค์กรยังสนใจที่จะประเมิน:

• ตัวเร่งความเร็วที่ไม่ใช่ Nvidia (Non-Nvidia accelerators): 32%
• ชิป Nvidia รุ่นใหม่ (Next-generation Nvidia silicon): 28%
• เครือข่ายการประมวลผลแบบกระจายศูนย์ (Decentralized compute networks): 16%
• การประมวลผลแบบอธิปไตย (Sovereign compute): 11%

ความท้าทายที่องค์กรกำลังเผชิญ

ช่องว่างการประมวลผล (Compute Gap) เกิดขึ้นจากการลงทุนที่รวดเร็วและมหาศาลในโครงสร้างพื้นฐาน AI แต่กลับขาดความสามารถในการมองเห็นและควบคุมต้นทุนที่แท้จริง ทำให้องค์กรกำลังซื้อโครงสร้างพื้นฐานใหม่ๆ เพิ่มขึ้นเรื่อยๆ โดยที่ยังไม่สามารถจัดการกับทรัพยากรที่มีอยู่ให้เกิดประสิทธิภาพสูงสุดได้

ข้อควรพิจารณาสำหรับองค์กร

• ทบทวนการใช้ GPU: ประเมินอัตราการใช้งาน GPU ที่มีอยู่ เพื่อหาแนวทางเพิ่มประสิทธิภาพและลดต้นทุน
• พัฒนากลไกการติดตามต้นทุน: สร้างระบบที่สามารถวัดต้นทุนการประมวลผล AI ได้อย่างแม่นยำ เพื่อใช้ในการตัดสินใจลงทุนและบริหารจัดการ
• สำรวจทางเลือกใหม่: พิจารณา AI-Specialized Clouds และเทคโนโลยีการประมวลผลอื่นๆ ที่อาจตอบโจทย์ความต้องการในอนาคตได้ดีกว่า

การที่องค์กรลงทุนใน AI อย่างมหาศาลเป็นเรื่องที่น่าตื่นเต้น แต่การบริหารจัดการต้นทุนและทรัพยากรให้มีประสิทธิภาพนั้นเป็นสิ่งสำคัญยิ่งกว่า เพื่อให้การลงทุน AI นั้นสร้างผลตอบแทนสูงสุดและยั่งยืนในระยะยาว

ขอบคุณ แหล่งข้อมูล
https://venturebeat.com/ai/the-ai-compute-gap-enterprises-are-buying-infrastructure-faster-than-they-can-measure-what-it-costs

ช่องโหว่ด้านความปลอดภัยของ AI Agent: องค์กรกว่าครึ่งเคยประสบปัญหา แต่การควบคุมยังตามไม่ทัน

ภัยคุกคามทางไซเบอร์กำลังพัฒนาไปอย่างรวดเร็ว โดยเฉพาะอย่างยิ่งเมื่อเทคโนโลยีปัญญาประดิษฐ์ (AI) เข้ามามีบทบาทสำคัญในภาคธุรกิจมากขึ้น AI Agent หรือตัวแทน AI ที่มีความสามารถในการทำงานอัตโนมัติ ได้รับการอนุมัติให้เข้าถึงระบบและข้อมูลสำคัญขององค์กรมากขึ้นเรื่อยๆ แต่ในขณะเดียวกัน มาตรการรักษาความปลอดภัยที่ออกแบบมาเพื่อควบคุม AI Agent เหล่านี้กลับยังตามไม่ทัน

จากการสำรวจองค์กรกว่า 107 แห่ง พบว่า มากกว่าครึ่ง (54%) เคยประสบเหตุการณ์ด้านความปลอดภัยที่เกี่ยวข้องกับ AI Agent หรือเกิดเหตุการณ์เกือบจะเกิดอันตราย (near-miss) ซึ่งแสดงให้เห็นถึงช่องโหว่ด้านความปลอดภัยที่น่ากังวลอย่างยิ่ง

ช่องโหว่ที่น่าจับตามอง: AI Agent กับความเสี่ยงที่เพิ่มขึ้น

การสำรวจนี้ชี้ให้เห็นถึง "ช่องว่างความปลอดภัยของ AI Agent" (agent security gap) ซึ่งหมายถึงระยะห่างระหว่างระดับความเป็นอิสระที่องค์กรอนุญาตให้ AI Agent ทำงานได้ กับมาตรการควบคุมที่มีอยู่เพื่อจำกัดความเสียหาย

• อุบัติการณ์ด้านความปลอดภัยที่เกิดขึ้นจริง: 54% ขององค์กรที่ใช้ AI Agent ในการดำเนินงานจริง เคยประสบเหตุการณ์ด้านความปลอดภัยอย่างน้อยหนึ่งครั้ง โดย 18% เป็นเหตุการณ์ที่ยืนยันแล้วว่าเกิดความเสียหาย และอีก 36% เป็นเหตุการณ์ที่เกือบจะเกิดอันตรายแต่สามารถตรวจจับได้ก่อน
• การบริหารจัดการตัวตน (Identity) ที่ยังอ่อนแอ: มีเพียงประมาณหนึ่งในสาม (32%) ขององค์กรเท่านั้นที่ให้ AI Agent แต่ละตัวมีตัวตน (identity) และสิทธิ์การเข้าถึงที่จำกัด (scoped identity) เป็นของตนเอง ส่วนที่เหลือส่วนใหญ่ยังคงใช้การแชร์ข้อมูลประจำตัว (credentials) หรือใช้ API Keys, บัญชีผู้ใช้ของมนุษย์ หรือบัญชีบริการร่วมกัน ซึ่งเพิ่มความเสี่ยงอย่างมากหากมี Agent ตัวใดตัวหนึ่งถูกเจาะระบบหรือได้รับสิทธิ์มากเกินไป
• การแยกส่วน (Isolation) ที่น้อยเกินไป: มีเพียง 30% ขององค์กรเท่านั้นที่แยก AI Agent ที่มีความเสี่ยงสูงสุดไว้ในสภาพแวดล้อมที่ถูกจำกัด (sandbox) เพื่อจำกัดขอบเขตความเสียหายหากเกิดเหตุการณ์ขึ้น การขาดการแยกส่วนนี้ทำให้เมื่อเกิดปัญหาขึ้น ความเสียหายอาจลุกลามไปเป็นวงกว้างได้ง่าย

สาเหตุของช่องว่าง: การพึ่งพาเครื่องมือจากผู้ให้บริการหลัก

องค์กรส่วนใหญ่ยังคงพึ่งพาเครื่องมือรักษาความปลอดภัยที่มาพร้อมกับผู้ให้บริการ AI หรือคลาวด์เป็นหลัก เช่น ระบบป้องกันของ OpenAI (51%), ระบบควบคุมบนคลาวด์ของ Google และ Microsoft, หรือระบบจัดการ Agent ของ Anthropic

• เครื่องมือที่ยืมมาใช้: การรักษาความปลอดภัย AI Agent ส่วนใหญ่ยังคงใช้เครื่องมือที่มีอยู่เดิมที่ออกแบบมาสำหรับโมเดล AI หรือโครงสร้างพื้นฐานคลาวด์เป็นหลัก แทนที่จะเป็นเครื่องมือที่ออกแบบมาเพื่อจัดการกับความปลอดภัยของ Agent โดยเฉพาะ
• การลงทุนที่จำกัด: งบประมาณที่จัดสรรให้กับการรักษาความปลอดภัย AI Agent ยังคงเป็นสัดส่วนที่น้อยมากของงบประมาณด้านความปลอดภัยทั้งหมด
• ความพึงพอใจที่สวนทางกับความเสี่ยง: แม้ว่าองค์กรจะประสบปัญหาด้านความปลอดภัยบ่อยครั้ง แต่ความพึงพอใจโดยรวมต่อเครื่องมือรักษาความปลอดภัยที่ใช้อยู่กลับสูงถึง 4.2 จาก 5 คะแนน ซึ่งอาจสะท้อนถึงการขาดความเข้าใจในความเสี่ยงที่แท้จริง หรือการมองว่าเครื่องมือที่มีอยู่เพียงพอแล้ว

ความท้าทายในการรักษาความปลอดภัย AI Agent

• การบริหารจัดการตัวตนของ Agent: การให้ Agent แต่ละตัวมีตัวตนและสิทธิ์ที่จำกัดอย่างเหมาะสม ถือเป็นความท้าทายที่สำคัญที่สุดในการรักษาความปลอดภัย Agent ที่ไม่ใช่ของมนุษย์ (non-human identity)
• การขาดการแยกส่วน Agent ความเสี่ยงสูง: การที่ Agent ที่มีความเสี่ยงสูงไม่ถูกแยกออกจากระบบหลัก ทำให้เมื่อเกิดการโจมตีขึ้น ความเสียหายอาจขยายวงกว้างได้อย่างรวดเร็ว
• เทคโนโลยีที่ตามไม่ทัน: ความเร็วในการพัฒนาและความสามารถของ AI Agent นั้นก้าวไปเร็วกว่ามาตรการรักษาความปลอดภัยที่มีอยู่ ทำให้เกิดช่องว่างที่ผู้ไม่หวังดีสามารถใช้ประโยชน์ได้

สิ่งที่องค์กรควรพิจารณา

องค์กรที่นำ AI Agent มาใช้งานควรให้ความสำคัญกับการปรับปรุงมาตรการรักษาความปลอดภัยอย่างจริงจัง โดยพิจารณาถึง:

1. การสร้างตัวตนที่ชัดเจนสำหรับ Agent ทุกตัว: การให้ Agent แต่ละตัวมี Identity และสิทธิ์การเข้าถึงที่จำกัด (least-privilege access) เป็นสิ่งสำคัญอันดับแรก
2. การแยกส่วน Agent ที่มีความเสี่ยงสูง: การใช้ Sandbox หรือสภาพแวดล้อมที่ถูกจำกัด เพื่อจำกัดขอบเขตความเสียหายเมื่อเกิดเหตุการณ์
3. การประเมินเครื่องมือรักษาความปลอดภัย: พิจารณาเครื่องมือที่ออกแบบมาเพื่อ Agent AI โดยเฉพาะ นอกเหนือจากเครื่องมือพื้นฐานที่ผู้ให้บริการมีให้
4. **การลงทุน

ขอบคุณ แหล่งข้อมูล
https://venturebeat.com/ai/the-agent-security-gap-54-of-enterprises-have-already-had-an-ai-agent-incident-and-most-still-let-agents-share-credentials

การจัดการ Agent AI ในองค์กร: ความท้าทายที่แท้จริงอยู่ที่การนำไปใช้ ไม่ใช่แค่แพลตฟอร์ม

ในโลกของปัญญาประดิษฐ์ (AI) ที่พัฒนาไปอย่างรวดเร็ว องค์กรต่าง ๆ กำลังเผชิญกับความท้าทายใหม่ในการนำ "Agent AI" หรือระบบ AI ที่สามารถทำงานอัตโนมัติได้ไปใช้งานจริง ผลการวิจัยล่าสุดเผยให้เห็นว่า แม้หลายองค์กรจะเลือกใช้แพลตฟอร์มของผู้ให้บริการโมเดล AI ชั้นนำอย่าง Anthropic's Claude เป็นหลัก แต่ความจริงของการนำไปใช้กลับยังห่างไกลจากความคาดหวัง โดย Agent ที่ใช้งานส่วนใหญ่ยังคงเป็นเพียง "ส่วนเสริมของแชทบอท" มากกว่าจะเป็นระบบอัตโนมัติที่ซับซ้อนอย่างแท้จริง

Agent Orchestration: การรวมศูนย์บนแพลตฟอร์มของผู้ให้บริการโมเดล

จากการสำรวจองค์กรกว่า 101 แห่ง พบว่า Anthropic’s Claude เป็นแพลตฟอร์มที่องค์กรส่วนใหญ่เลือกใช้ในการจัดการ Agent AI โดยมีสัดส่วนถึง 40% ซึ่งมากกว่าคู่แข่งเกือบสองเท่า รองลงมาคือ Microsoft (18%) และ OpenAI (13%) การตัดสินใจเลือกแพลตฟอร์มนี้มักขึ้นอยู่กับ "แรงดึงดูดของโมเดลพื้นฐาน" (Model Gravity) ที่ทันสมัยและความสามารถในการทำงานหลายขั้นตอนได้อย่างน่าเชื่อถือ

อย่างไรก็ตาม เมื่อประเมินพอร์ตโฟลิโอ Agent ที่ใช้งานจริง 71% ขององค์กรระบุว่า มี Agent ที่เป็น "เวิร์กโฟลว์แบบหลายขั้นตอนที่ถูกจัดการอย่างแท้จริง" เพียงหนึ่งในสี่ หรือน้อยกว่านั้น ส่วนใหญ่ยังคงเป็นเพียงส่วนเสริมของแชทบอทที่ตอบสนองต่อคำสั่งเดียว ทำให้เห็นช่องว่างระหว่างความทะเยอทะยานในการจัดการ Agent กับความเป็นจริงของการนำไปใช้งาน

ปัจจัยขับเคลื่อนการเลือกแพลตฟอร์ม: โมเดล AI คือหัวใจสำคัญ

สาเหตุหลักที่องค์กรเลือกใช้แพลตฟอร์มผู้ให้บริการโมเดล AI คือ "แรงดึงดูดของโมเดลพื้นฐาน" (Model Gravity) โดย 21% ของผู้ตอบแบบสอบถามระบุว่า เป็นปัจจัยสำคัญที่สุดในการตัดสินใจ ซึ่งหมายความว่า องค์กรเลือกใช้แพลตฟอร์มที่มาพร้อมกับโมเดล AI ล่าสุดที่ตนเองต้องการใช้งาน

นอกจากนี้ ปัจจัยอื่น ๆ ที่มีผลต่อการเลือกแพลตฟอร์ม ได้แก่:

• ความน่าเชื่อถือในการทำงานหลายขั้นตอน (Task Completion Reliability): 32%
• การจัดการเวิร์กโฟลว์แบบหลายขั้นตอน (Multi-step Workflow Management): 28%
• ความยืดหยุ่นในการใช้งานโมเดลและเครื่องมืออื่น ๆ (Flexibility across models and tools): 17%
• ความง่ายในการพัฒนา (Ease of development): 17%

ความคาดหวังในการจัดการ Agent: สู่ระบบอัตโนมัติที่ซับซ้อน

องค์กรต่างมองว่าการจัดการ Agent ที่ประสบความสำเร็จคือการทำให้ "งานสำเร็จลุล่วงได้อย่างน่าเชื่อถือ" โดยเฉพาะอย่างยิ่งในเวิร์กโฟลว์ที่มีหลายขั้นตอน ซึ่งเป็นสิ่งที่ Agent ส่วนใหญ่ในปัจจุบันยังทำได้ไม่ดีพอ

สำหรับแผนการในอีก 12 เดือนข้างหน้า องค์กรมีแนวโน้มที่จะ:

• สร้างระบบควบคุมภายในองค์กรเอง (Build in-house control): 25%
• กำหนดมาตรฐานการใช้งานเฟรมเวิร์กเดียว (Standardizing on one framework): 24%
• ย้าย Agent จากสภาพแวดล้อมทดสอบ (Sandbox) ไปสู่การใช้งานจริง (Production): 23%

สิ่งเหล่านี้สะท้อนให้เห็นถึงการเปลี่ยนผ่านจากการทดลองไปสู่การสร้างระบบที่ใช้งานได้จริงและมีการควบคุมที่ชัดเจน

การลงทุนมุ่งเน้นไปที่เครื่องมือและระบบรักษาความปลอดภัย

งบประมาณด้านการจัดการ Agent AI ส่วนใหญ่ถูกจัดสรรให้กับ:

• เครื่องมือสำหรับเวิร์กโฟลว์ Agent (Agent workflow tooling): 34%
• การบังคับใช้ระบบความปลอดภัยและสิทธิ์การเข้าถึง (Security and permissions enforcement): 25%
• การขยายโครงสร้างพื้นฐาน (Scaling infrastructure): 20%

การลงทุนเหล่านี้แสดงให้เห็นว่า องค์กรกำลังให้ความสำคัญกับการสร้างและเสริมความแข็งแกร่งให้กับระบบการจัดการ Agent มากกว่าการเฝ้าสังเกตการณ์เพียงอย่างเดียว

อนาคตของการควบคุม Agent: รูปแบบ Hybrid และการหลีกเลี่ยง Vendor Lock-in

โดยคาดการณ์ว่าภายในสิ้นปี 2026 ระบบควบคุมหลักสำหรับ Agent AI จะเป็นรูปแบบ "Hybrid" (51%) ซึ่งหมายถึงการผสมผสานระหว่างระบบควบคุมของผู้ให้บริการโมเดล AI และระบบควบคุมที่องค์กรสร้างขึ้นเอง

เหตุผลสำคัญที่องค์กรต้องการหลีกเลี่ยงการพึ่งพิงระบบควบคุมของผู้ให้บริการแต่เพียงผู้เดียวคือ "ความเสี่ยงจากการถูกผูกมัดกับผู้ให้บริการ (Vendor Lock-in)" ซึ่งถูกระบุว่าเป็นความกังวลอันดับหนึ่ง (35%) รองลงมาคือข้อจำกัดด้านความปลอดภัยและสิทธิ์การเข้าถึง (28%) และความไม่ยืดหยุ่นในการใช้งานโมเดลและเครื่องมือต่าง ๆ (21%)

รูปแบบ Hybrid นี้จึงเป็นกลยุทธ์สำคัญที่องค์กรใช้เพื่อลดความเสี่ยงและเพิ่มความยืดหยุ่นในการจัดการ Agent AI ในระยะยาว

คำถามที่พบบ่อย

Agent AI คืออะไร?

Agent AI คือระบบปัญญาประดิษฐ์ที่ออกแบบมาให้สามารถทำงานอัตโนมัติได้หลากหลายรูปแบบ ตั้งแต่การตอบคำถามไปจนถึงการดำเนินงานที่ซับซ้อนตามที่ได้รับมอบหมาย

ทำไมองค์กรส่วนใหญ่ถึงเลือกใช้แพลตฟอร์มของผู้ให้บริการโมเดล AI?

เนื่องจาก "แรงดึงดูดของโมเดลพื้นฐาน" (Model Gravity) องค์กรต้องการเข้าถึงโมเดล AI ล่าสุดและทันสมัยที่สุดที่มีอยู่บนแพลตฟอร์มนั้นๆ

Agent Orchestration คืออะไร?

Agent Orchestration คือกระบวนการจัดการ การประสานงาน และการควบคุม Agent AI หลายๆ ตัว ให้ทำงานร่วมกันได้อย่างมีประสิทธิภาพ เพื่อบรรลุเป้าหมายที่ซับซ้อน

ความเสี่ยง Vendor Lock-in คืออะไร?

คือสถานการณ์ที่องค์กรไม่สามารถเปลี่ยนไปใช้ผลิตภัณฑ์หรือบริการของผู้ให้บริการรายอื่นได้ง่ายๆ เนื่องจากติดขัดด้วยระบบ เทคโนโลยี หรือสัญญา ทำให้ต้องพึ่งพิงผู้ให้บริการรายเดิมต่อไป

รูปแบบ Hybrid Control Plane หมายถึงอะไร?

หมายถึงการผสมผสานระบบควบคุม Agent AI ระหว่างระบบที่ผู้ให้บริการโมเดล AI จัดหาให้ กับระบบควบคุมที่องค์กรพัฒนาขึ้นเอง เพื่อเพิ่มความยืดหยุ่นและลดการพึ่งพิงผู้ให้บริการรายเดียว

ขอบคุณ แหล่งข้อมูล
https://venturebeat.com/ai/agentic-orchestration-enterprise-ai-organizations-have-a-deployment-problem-not-a-platform-problem-and-most-are-calling-chatbots-agents

NousCoder-14B: AI ช่วยเขียนโค้ดโอเพนซอร์ส ท้าชนยักษ์ใหญ่ ทำงานไว ได้ผลลัพธ์แม่นยำ 🚀

ในยุคที่เทคโนโลยี AI พัฒนาไปอย่างก้าวกระโดด การเขียนโปรแกรมก็เช่นกัน เครื่องมือช่วยเขียนโค้ดด้วย AI กำลังกลายเป็นเทคโนโลยีพื้นฐานที่สำคัญในการพัฒนาซอฟต์แวร์ และการแข่งขันในตลาดนี้ก็เข้มข้นขึ้นทุกวัน ล่าสุด Nous Research สตาร์ทอัพ AI โอเพนซอร์ส ได้เปิดตัว NousCoder-14B โมเดล AI สำหรับเขียนโค้ดที่น่าจับตามองเป็นอย่างยิ่ง

NousCoder-14B คืออะไร?

NousCoder-14B คือโมเดล AI ที่พัฒนาโดย Nous Research โดยมีเป้าหมายเพื่อเป็นผู้ช่วยในการเขียนโปรแกรม โดยเฉพาะอย่างยิ่งในการแข่งขันเขียนโปรแกรม (Competitive Programming) จุดเด่นคือเป็นโมเดลแบบโอเพนซอร์ส ทำให้ทุกคนสามารถเข้าถึงและนำไปพัฒนาต่อยอดได้

ความสามารถที่น่าทึ่ง: แม่นยำ รวดเร็ว ⚡

แม้จะเป็นโมเดลโอเพนซอร์ส แต่ NousCoder-14B ก็มีความสามารถที่น่าประทับใจ โดยสามารถทำคะแนนความแม่นยำได้ถึง 67.87% ในการทดสอบ LiveCodeBench v6 ซึ่งเป็นการทดสอบที่จำลองปัญหาการเขียนโปรแกรมที่ซับซ้อน

สิ่งที่น่าทึ่งกว่านั้นคือ โมเดลนี้ได้รับการฝึกฝนให้มีประสิทธิภาพเทียบเท่าหรือดีกว่าระบบ AI ที่มีขนาดใหญ่กว่า โดยใช้เวลาเพียง 4 วัน และใช้ชิปประมวลผลกราฟิก Nvidia B200 จำนวน 48 ตัวเท่านั้น

ความเปิดกว้าง: หัวใจของโอเพนซอร์ส 🌐

สิ่งที่ทำให้ NousCoder-14B แตกต่างจากคู่แข่งหลายราย คือความโปร่งใสและเปิดกว้างอย่างสุดขั้ว Nous Research ไม่เพียงแต่เผยแพร่ โมเดลเวท (model weights) เท่านั้น แต่ยังรวมถึง สภาพแวดล้อมการเรียนรู้แบบเสริมกำลัง (reinforcement learning environment), ชุดเกณฑ์การวัดผล (benchmark suite), และ เครื่องมือช่วยฝึกฝน (training harness) ทั้งหมดนี้สร้างขึ้นบนเฟรมเวิร์ก Atropos ของบริษัท

การเปิดกว้างนี้ทำให้ไม่ว่านักวิจัยคนใดที่มีทรัพยากรเพียงพอ ก็สามารถทำการทดลองซ้ำ หรือต่อยอดงานวิจัยนี้ได้ ซึ่งเป็นประโยชน์อย่างยิ่งต่อชุมชนนักวิจัยและโอเพนซอร์ส

เบื้องหลังการพัฒนา: การเรียนรู้ที่เข้มข้น 🧠

Joe Li นักวิจัยของ Nous Research และอดีตนักแข่งขันโปรแกรมเมอร์ ได้เปรียบเทียบการพัฒนาของโมเดลนี้กับการเติบโตของตนเองบนแพลตฟอร์ม Codeforces โดยพบว่า NousCoder-14B สามารถพัฒนาความสามารถเทียบเท่ากับการฝึกฝนของผู้เล่นที่ใช้เวลาเกือบ 2 ปี ในช่วงวัยรุ่น ให้สำเร็จได้ภายใน 4 วัน!

กระบวนการฝึกฝนนี้ใช้เทคนิค "รางวัลที่ตรวจสอบได้" (verifiable rewards) คือโมเดลสร้างโค้ดแก้ไขปัญหา จากนั้นโค้ดจะถูกนำไปทดสอบกับชุดข้อมูลทดสอบ หากถูกต้องจะได้รับสัญญาณตอบกลับเป็น "ถูกต้อง" (pass) และหากผิดก็จะได้รับสัญญาณ "ไม่ถูกต้อง" (fail) ซึ่งระบบนี้ต้องอาศัยโครงสร้างพื้นฐานที่ซับซ้อนในการดำเนินการขนาดใหญ่

นอกจากนี้ ยังมีการใช้เทคนิค DAPO (Dynamic Sampling Policy Optimization) และ Iterative Context Extension เพื่อเพิ่มประสิทธิภาพในการเรียนรู้ โดยปรับปรุงขนาดของ "หน้าต่างบริบท" (context window) ให้ใหญ่ขึ้นเรื่อยๆ จาก 32,000 โทเค็น ไปจนถึง 40,000 โทเค็น ซึ่งในการประเมินผล การขยายบริบทไปถึงประมาณ 80,000 โทเค็น ให้ผลลัพธ์ที่ดีที่สุด

ความท้าทาย: ข้อมูลที่เริ่มจำกัด 📊

สิ่งที่น่าสนใจคือ ในรายงานทางเทคนิคของ Joe Li ได้กล่าวถึงข้อจำกัดที่สำคัญสำหรับอนาคตของ AI คือ ชุดข้อมูลสำหรับการฝึกฝน NousCoder-14B นั้นครอบคลุมข้อมูลปัญหาการแข่งขันเขียนโปรแกรมที่มีคุณภาพและตรวจสอบได้ส่วนใหญ่ที่มีอยู่แล้ว

นี่เป็นสัญญาณบ่งบอกว่า ในโดเมนเฉพาะทางอย่างการแข่งขันเขียนโปรแกรมนี้ เราอาจกำลังเข้าใกล้ขีดจำกัดของข้อมูลคุณภาพสูงแล้ว ทำให้การวิจัยในอนาคตอาจต้องมุ่งเน้นไปที่การ สร้างข้อมูลสังเคราะห์ (synthetic data generation) และ อัลกอริทึมที่ใช้ข้อมูลได้อย่างมีประสิทธิภาพ (data efficient algorithms) มากขึ้น

การลงทุนในโอเพนซอร์ส: เดิมพัน 65 ล้านดอลลาร์ 💰

Nous Research ได้รับเงินทุนสนับสนุนรวม 65 ล้านดอลลาร์สหรัฐ โดยมี Paradigm ซึ่งเป็นบริษัทร่วมลงทุนด้านคริปโตเคอร์เรนซี เป็นผู้นำในการลงทุนรอบล่าสุด การลงทุนนี้สะท้อนให้เห็นถึงความสนใจที่เพิ่มขึ้นในแนวทางการพัฒนา AI แบบกระจายศูนย์ ซึ่ง Nous Research ได้พัฒนาแพลตฟอร์ม Psyche ขึ้นมารองรับ

ก่อนหน้านี้ Nous Research ได้เคยเปิดตัวโมเดลอย่าง Hermes 4 ที่มีประสิทธิภาพเหนือกว่า ChatGPT ในบางด้าน และ DeepHermes-3 ที่สามารถเปิดใช้งานความสามารถในการคิดวิเคราะห์ได้ตามต้องการ

ทิศทางอนาคต: AI จะก้าวไปไกลแค่ไหน? 💡

การพัฒนา NousCoder-14B ยังเปิดทิศทางสำหรับงานวิจัยในอนาคตที่น่าสนใจหลายประการ เช่น:

• การเรียนรู้แบบหลายรอบ (Multi-turn reinforcement learning): ฝึกฝนโมเดลให้สามารถรับฟีดแบ็กระหว่างการแก้ไขปัญหาได้ แทนที่จะรอแค่ผลลัพธ์สุดท้าย
• การควบคุมความยาวของผลลัพธ์ (Controlling response length): แก้ปัญหาที่ผลลัพธ์ที่ผิดพลาดมักจะยาวกว่าปกติ และการจัดการกับข้อจำกัดของบริบท
• การสร้างปัญหาและการเล่นด้วยตนเอง (Problem generation and self-play): ฝึกฝนโมเดลให้สามารถสร้างโจทย์ปัญหาได้เอง เพื่อแก้ปัญหาการขาดแคลนข้อมูล และเลียนแบบเทคนิคที่ประสบความสำเร็จใน AI เล่นเกม

โมเดล NousCoder-14B พร้อมใช้งานแล้วบน Hugging Face ภายใต้สัญญาอนุญาต Apache 2.0 และ Nous Research ได้เผยแพร่ชุดเครื่องมือ Atropos ทั้งหมด เพื่อให้นักวิจัยและนักพัฒนาสามารถนำไปต่อยอดได้

สิ่งที่ Joe Li ใช้เวลา 2 ปีในการฝึกฝนจนก้าวจากระดับผู้เริ่มต้นไปสู่ระดับนักแข่งขันที่ได้รับการยอมรับบน Codeforces ในขณะที่ AI สามารถทำได้ใน 96 ชั่วโมง และมันอาจจะเริ่มสร้างโจทย์ของตัวเอง สอนตัวเอง และก้าวข้ามขีดจำกัดที่มนุษย์เคยตั้งไว้ได้ในไม่ช้า

คำถามสำคัญจึงไม่ใช่ว่า "เครื่องจักรจะเรียนรู้การเขียนโค้ดได้หรือไม่" แต่อาจเป็น "พวกมันจะกลายเป็นครูที่ดีกว่าที่เราเคยเป็นได้หรือไม่"

ขอบคุณ แหล่งข้อมูล
https://venturebeat.com/technology/nous-researchs-nouscoder-14b-is-an-open-source-coding-model-landing-right-in

Cowork: AI ผู้ช่วยอัจฉริยะจาก Anthropic ที่ทำงานได้เทียบเท่าเพื่อนร่วมงาน 🤝

ในยุคที่ AI ก้าวหน้าไปอย่างรวดเร็ว วงการเทคโนโลยีได้เห็นการเปิดตัวเครื่องมือใหม่ ๆ ที่น่าตื่นเต้นอยู่เสมอ ล่าสุด Anthropic ได้เปิดตัว Cowork ซึ่งเป็น AI Agent รูปแบบใหม่ ที่ต่อยอดความสำเร็จจากเครื่องมือ Claude Code ให้เข้าถึงผู้ใช้งานทั่วไปได้ง่ายขึ้น โดยเฉพาะผู้ที่ไม่ได้มีความเชี่ยวชาญด้านเทคนิค Cowork ไม่ได้เป็นเพียงแค่โปรแกรมแชทธรรมดา แต่เป็นเหมือนผู้ช่วยที่สามารถทำงานจัดการไฟล์ต่าง ๆ บนคอมพิวเตอร์ของคุณได้อย่างมีประสิทธิภาพ

Cowork คืออะไร? ทำไมถึงน่าจับตา?

Cowork คือ AI Agent ที่ออกแบบมาเพื่อช่วยให้ผู้ใช้งานทั่วไปสามารถทำงานที่ไม่ซับซ้อนทางเทคนิคได้สะดวกยิ่งขึ้น คล้ายคลึงกับการที่นักพัฒนาใช้ Claude Code ในการทำงานเฉพาะทางของตนเอง การเปิดตัว Cowork ถือเป็นก้าวสำคัญในการแข่งขันด้าน AI Agent ที่พร้อมใช้งานสำหรับผู้ใช้ทั่วไป ทำให้ Anthropic สามารถแข่งขันกับยักษ์ใหญ่อย่าง OpenAI และ Google ในตลาด Conversational AI รวมถึง Microsoft Copilot ในตลาดเครื่องมือเพิ่มประสิทธิภาพที่ขับเคลื่อนด้วย AI

ที่มาของ Cowork: จากเครื่องมือพัฒนาสู่ผู้ช่วยส่วนตัว

จุดเริ่มต้นของ Cowork มาจากความสำเร็จอย่างล้นหลามของ Claude Code ซึ่งเป็นเครื่องมือสำหรับนักพัฒนาระบบที่เปิดตัวไปช่วงปลายปี 2024 ช่วยให้นักพัฒนาสามารถทำงานเขียนโค้ดที่ซ้ำซากจำเจได้โดยอัตโนมัติ แต่ Anthropic สังเกตเห็นแนวโน้มที่น่าสนใจคือ ผู้ใช้งานกลับนำ Claude Code ไปใช้ในงานที่ไม่เกี่ยวข้องกับการเขียนโค้ดเลย

จากข้อมูลของ Boris Cherny วิศวกรของ Anthropic พบว่าผู้ใช้งานนำเครื่องมือสำหรับนักพัฒนาไปใช้ในหลากหลายรูปแบบ เช่น การหาข้อมูลท่องเที่ยว การสร้างสไลด์นำเสนอ การจัดการอีเมล การยกเลิกบริการ การกู้คืนรูปภาพ หรือแม้กระทั่งการควบคุมเตาอบ! สิ่งเหล่านี้แสดงให้เห็นว่า Agent พื้นฐานของ Claude นั้นมีความสามารถสูงมาก

ด้วยเหตุนี้ Anthropic จึงได้ปรับลดความซับซ้อนของเครื่องมือสำหรับนักพัฒนา เพื่อสร้างส่วนต่อประสานกับผู้ใช้ที่ง่ายขึ้นสำหรับผู้บริโภคทั่วไป Cowork จึงถือกำเนิดขึ้นเพื่อเป็นหนทางที่ง่ายขึ้นสำหรับทุกคนในการทำงานกับ Claude ในลักษณะเดียวกัน

การทำงานของ Cowork: เข้าถึงและจัดการไฟล์ในเครื่องของคุณ

Cowork แตกต่างจากอินเทอร์เฟซแชททั่วไปตรงที่ผู้ใช้จำเป็นต้อง อนุญาตการเข้าถึงโฟลเดอร์ที่เลือกบนเครื่องคอมพิวเตอร์ของตนเอง เพื่อให้ Claude Agent สามารถอ่าน แก้ไข หรือสร้างไฟล์ใหม่ภายในพื้นที่ที่กำหนด (Sandbox) ได้

ตัวอย่างการใช้งานที่น่าสนใจ เช่น:

• จัดระเบียบโฟลเดอร์ดาวน์โหลดที่รกให้เป็นระเบียบ ด้วยการคัดแยกและตั้งชื่อไฟล์ใหม่
• สร้างสเปรดชีตรายการค่าใช้จ่ายจากภาพถ่ายใบเสร็จหลาย ๆ ใบ
• ร่างรายงานจากบันทึกย่อที่กระจัดกระจายอยู่หลายเอกสาร

Cowork ทำงานภายใต้สถาปัตยกรรมที่เรียกว่า "Agentic Loop" เมื่อผู้ใช้มอบหมายงาน AI จะไม่ได้เพียงแค่สร้างคำตอบที่เป็นข้อความ แต่จะวางแผน ดำเนินการเป็นขั้นตอน ตรวจสอบผลงานของตัวเอง และขอคำชี้แจงหากติดขัด ผู้ใช้สามารถตั้งคิวงานหลายงานให้ Claude ประมวลผลพร้อมกันได้ ซึ่ง Anthropic อธิบายว่าประสบการณ์นี้จะให้ความรู้สึก "เหมือนฝากข้อความไว้ให้เพื่อนร่วมงาน มากกว่าการโต้ตอบไปมา"

เบื้องหลังการพัฒนาที่น่าทึ่ง: AI ช่วยสร้าง AI?

สิ่งที่น่าประทับใจอย่างยิ่งเกี่ยวกับการเปิดตัว Cowork คือ ความรวดเร็วในการพัฒนา ซึ่งใช้เวลาเพียงประมาณสัปดาห์ครึ่งเท่านั้น! และที่น่าทึ่งยิ่งกว่าคือ มีรายงานว่าทีมพัฒนาได้ใช้ Claude Code ในการสร้าง Cowork ขึ้นมาเอง ซึ่งเป็นการแสดงให้เห็นถึงวงจรการพัฒนาที่ AI ช่วยเร่งการสร้างสรรค์ AI ที่ดียิ่งขึ้นไปอีก

หากเป็นจริง นี่ถือเป็นตัวอย่างที่ชัดเจนที่สุดของการที่ระบบ AI ถูกนำมาใช้เพื่อเร่งการพัฒนาและขยายขีดความสามารถของตนเอง ซึ่งอาจเป็นกลยุทธ์ที่ทำให้ช่องว่างระหว่างบริษัท AI ที่ประสบความสำเร็จในการใช้งาน Agent ภายในและบริษัทที่ไม่สามารถทำได้ กว้างขึ้น

Cowork ทำงานร่วมกับระบบอื่นได้อย่างไร?

Cowork ไม่ได้ทำงานโดดเดี่ยว แต่สามารถ ผสานรวมกับระบบนิเวศของ Connectors ที่มีอยู่ของ Anthropic ซึ่งเชื่อมต่อ Claude เข้ากับแหล่งข้อมูลและบริการภายนอกได้ เช่น Asana, Notion, PayPal และพันธมิตรอื่น ๆ ที่รองรับ ผู้ใช้ที่ได้ตั้งค่าการเชื่อมต่อเหล่านี้ไว้ในอินเทอร์เฟซ Claude ปกติ สามารถนำมาใช้กับ Cowork ได้

นอกจากนี้ Cowork ยังสามารถทำงานร่วมกับ Claude ใน Chrome ซึ่งเป็นส่วนขยายเบราว์เซอร์ของ Anthropic เพื่อดำเนินงานที่ต้องเข้าถึงเว็บ ผู้ใช้จะสามารถใช้ Agent ในการท่องเว็บไซต์ คลิกปุ่ม กรอกแบบฟอร์ม และดึงข้อมูลจากอินเทอร์เน็ตได้ โดยทั้งหมดนี้จะทำงานจากแอปพลิเคชันบนเดสก์ท็อป

Anthropic ยังได้เพิ่ม "Skills" ชุดแรกที่ออกแบบมาสำหรับ Cowork โดยเฉพาะ เพื่อเพิ่มความสามารถของ Claude ในการสร้างเอกสาร งานนำเสนอ และไฟล์อื่น ๆ ซึ่งต่อยอดมาจาก Framework Skills for Claude ที่ประกาศไว้ก่อนหน้านี้

คำเตือนจาก Anthropic: AI ผู้ช่วยอาจลบไฟล์ของคุณได้! ⚠️

การเปลี่ยนจากแชทบอทที่แนะนำการแก้ไข ไปสู่ Agent ที่ลงมือแก้ไขจริงนั้น นำมาซึ่งความเสี่ยงอย่างมาก AI ที่สามารถจัดระเบียบไฟล์ได้ ก็มีความสามารถในการลบไฟล์เหล่านั้นได้เช่นกัน

Anthropic ได้แสดงความโปร่งใสอย่างน่าสังเกต โดยได้เน้นย้ำถึง อันตรายที่อาจเกิดขึ้นจาก Cowork ในประกาศเปิดตัว ซึ่งเป็นแนวทางที่ไม่ธรรมดาสำหรับผลิตภัณฑ์ใหม่ บริษัทรับทราบอย่างชัดเจนว่า Claude "สามารถดำเนินการที่อาจก่อให้เกิดความเสียหายได้ (เช่น การลบไฟล์บนเครื่อง) หากได้รับคำสั่ง" เนื่องจาก Claude อาจตีความคำสั่งผิดพลาดได้ Anthropic จึงแนะนำให้ผู้ใช้ให้ "คำแนะนำที่ชัดเจนมาก" เกี่ยวกับการดำเนินการที่ละเอียดอ่อน

ที่น่ากังวลยิ่งกว่าคือ ความเสี่ยงจาก Prompt Injection Attacks ซึ่งเป็นเทคนิคที่ผู้ไม่หวังดีสามารถฝังคำสั่งที่ซ่อนไว้ในเนื้อหาที่ Claude อาจพบเจอทางออนไลน์ ซึ่งอาจทำให้ Agent ข้ามการป้องกันหรือดำเนินการที่เป็นอันตรายได้

Anthropic ระบุว่าความเสี่ยงเหล่านี้เป็นสิ่งที่ เป็นธรรมชาติของเทคโนโลยี AI Agent ในปัจจุบัน ไม่ใช่สิ่งที่เกิดขึ้นเฉพาะกับ Cowork เท่านั้น แต่ Cowork อาจเป็นเครื่องมือขั้นสูงตัวแรกที่คุณได้ใช้ ซึ่งก้าวข้ามการสนทนาแบบธรรมดา

Cowork: คู่แข่งโดยตรงของ Microsoft Copilot

การเปิดตัว Cowork ของ Anthropic ทำให้บริษัทเข้าสู่การแข่งขันโดยตรงกับ Microsoft ซึ่งทุ่มเทมานานหลายปีในการผสานรวม Copilot AI เข้ากับระบบปฏิบัติการ Windows แต่ด้วยผลตอบรับที่หลากหลาย

อย่างไรก็ตาม แนวทางของ Anthropic แตกต่างด้วยการ แยกการทำงานออกเป็นส่วนๆ โดยจำกัด Agent ไว้ในโฟลเดอร์ที่กำหนด และต้องการการเชื่อมต่อที่ชัดเจน เพื่อพยายามสร้างสมดุลระหว่างประโยชน์ของ Agent ระดับ OS กับความปลอดภัยของแอปพลิเคชันที่แยกส่วน

สิ่งที่ทำให้แนวทางของ Anthropic โดดเด่นคือ การพัฒนาจากล่างขึ้นบน แทนที่จะออกแบบผู้ช่วย AI แล้วค่อยเพิ่มความสามารถของ Agent Anthropic ได้สร้าง Claude Code ซึ่งเป็น Agent ที่ทรงพลังก่อน แล้วจึงค่อย ๆ นำความสามารถเหล่านั้นมาสู่ผู้ใช้ในวงกว้าง

ใครเข้าถึง Cowork ได้บ้าง และอนาคตบน Windows?

ในขณะนี้ Cowork ยังคง จำกัดเฉพาะผู้สมัครสมาชิก Claude Max ที่ใช้แอปพลิเคชัน macOS เท่านั้น ผู้ใช้ระดับการสมัครสมาชิกอื่น ๆ (Free, Pro, Team, หรือ Enterprise) สามารถเข้าร่วมรายชื่อรอเพื่อรับการเข้าถึงในอนาคตได้

Anthropic ได้ส่งสัญญาณที่ชัดเจนถึงความตั้งใจที่จะ ขยายการเข้าถึงของฟีเจอร์ โดยได้กล่าวถึงแผนการเพิ่มการซิงค์ข้ามอุปกรณ์และนำ Cowork มาสู่ Windows เมื่อบริษัทได้เรียนรู้จากรุ่นทดลองนี้

คำถามที่พบบ่อย

Cowork แตกต่างจาก Claude ทั่วไปอย่างไร?

Cowork เป็น AI Agent ที่สามารถเข้าถึงและจัดการไฟล์ในโฟลเดอร์ที่ผู้ใช้กำหนดได้โดยตรง ในขณะที่ Claude ทั่วไปจะเน้นการตอบคำถามและสร้างข้อความจากการสนทนา

Cowork ปลอดภัยหรือไม่?

Anthropic ได้พัฒนากลไกป้องกันที่ซับซ้อน แต่ก็ยังคงมีความเสี่ยงที่ AI อาจดำเนินการที่ก่อให้เกิดความเสียหายได้ เช่น การลบไฟล์ จึงแนะนำให้ผู้ใช้ให้คำแนะนำที่ชัดเจนและระมัดระวัง

ฉันจะใช้งาน Cowork ได้อย่างไร?

หากคุณเป็นสมาชิก Claude Max สามารถดาวน์โหลดหรืออัปเดตแอป Claude บน macOS และคลิกที่ "Cowork" ในแถบด้านข้าง

Cowork จะมีให้ใช้บน Windows หรือไม่?

Anthropic มีแผนที่จะนำ Cowork มาสู่ Windows ในอนาคต หลังจากการเรียนรู้จากรุ่นทดลองบน macOS

#AI #Anthropic #Claude #Cowork #Productivity

ขอบคุณ แหล่งข้อมูล
https://venturebeat.com/technology/anthropic-launches-cowork-a-claude-desktop-agent-that-works-in-your-files-no

Slackbot โฉมใหม่: ผู้ช่วย AI สุดอัจฉริยะ ที่จะเปลี่ยนการทำงานของคุณ 🚀

ในยุคที่ AI เข้ามามีบทบาทสำคัญในทุกภาคส่วน การทำงานก็เช่นกัน Salesforce ได้เปิดตัว Slackbot เวอร์ชันใหม่ ที่ไม่ใช่แค่ผู้ช่วยแจ้งเตือนธรรมดาอีกต่อไป แต่ได้ก้าวข้ามขีดจำกัด กลายเป็น "เอเจนต์ AI" (AI Agent) เต็มรูปแบบ ที่พร้อมจะค้นหาข้อมูลในองค์กร ร่างเอกสาร และดำเนินการต่างๆ แทนพนักงานได้อย่างมีประสิทธิภาพ

จาก "สามล้อ" สู่ "ปอร์เช่": การยกเครื่อง Slackbot ครั้งใหญ่ 🚗💨

Parker Harris ผู้ร่วมก่อตั้ง Salesforce และประธานเจ้าหน้าที่ฝ่ายเทคโนโลยีของ Slack ได้เปรียบเทียบ Slackbot ตัวเก่าว่าเป็นเหมือน "สามล้อ" ที่ทำได้เพียงงานพื้นฐาน เช่น เตือนให้เพิ่มเพื่อนร่วมงานในเอกสาร หรือแนะนำการจัดเก็บช่องแชทต่างๆ แต่ Slackbot เวอร์ชันใหม่นี้เปรียบเสมือน "ปอร์เช่" ที่ถูกสร้างขึ้นใหม่ทั้งหมด โดยมีสถาปัตยกรรมที่แตกต่างออกไปอย่างสิ้นเชิง

หัวใจสำคัญของ Slackbot ใหม่นี้คือการใช้ Large Language Model (LLM) และความสามารถในการค้นหาที่ซับซ้อน สามารถเข้าถึงข้อมูลสำคัญต่างๆ ได้อย่างครอบคลุม ไม่ว่าจะเป็น:

• บันทึกข้อมูลจาก Salesforce
• ไฟล์จาก Google Drive
• ข้อมูลปฏิทิน
• ประวัติการสนทนาใน Slack ที่ยาวนานหลายปี

ทำให้ Slackbot ใหม่นี้สามารถเข้าใจบริบทและดำเนินการที่ซับซ้อนได้ดีกว่าเดิมอย่างมาก

พลังขับเคลื่อนด้วย Claude และอนาคตของ AI Models 🧠

Slackbot เวอร์ชันใหม่นี้ขับเคลื่อนด้วย Claude ซึ่งเป็น LLM จาก Anthropic การเลือกใช้ Claude ในช่วงแรกเป็นผลมาจากข้อกำหนดด้านการปฏิบัติตามกฎระเบียบ (Compliance) โดยเฉพาะการที่ Slack ให้บริการแก่หน่วยงานรัฐบาลสหรัฐฯ ซึ่งต้องการการรับรองระดับ FedRAMP Moderate

อย่างไรก็ตาม Salesforce ไม่ได้จำกัดตัวเองอยู่เพียงแค่ Claude เท่านั้น พวกเขามีแผนที่จะรองรับ AI Models อื่นๆ เพิ่มเติมในปีนี้ โดยเฉพาะ Gemini จาก Google ที่มีความสามารถและประสิทธิภาพที่น่าประทับใจ รวมถึง OpenAI ก็ยังคงเป็นหนึ่งในตัวเลือกที่เป็นไปได้

ความปลอดภัยของข้อมูล: หัวใจสำคัญที่ Salesforce ยึดมั่น 🔒

ในประเด็นที่ละเอียดอ่อนเกี่ยวกับการใช้ข้อมูลในการเทรน AI, Salesforce ยืนยันอย่างชัดเจนว่า พวกเขาไม่เคยนำข้อมูลของลูกค้าไปใช้ในการฝึกฝนโมเดล AI เนื่องจากโมเดล AI ไม่มีระบบรักษาความปลอดภัยที่สามารถแยกแยะข้อมูลส่วนตัวได้ หากนำข้อมูลการสนทนาที่เป็นความลับไปเทรน ก็ยากที่จะควบคุมได้ว่าใครจะสามารถเข้าถึงข้อมูลนั้นได้บ้าง

การทดลองภายในองค์กร: พนักงาน 80,000 คน กับผลลัพธ์ที่น่าทึ่ง 📈

Salesforce ได้ทำการทดสอบ Slackbot ใหม่ภายในองค์กรกับพนักงานกว่า 80,000 คน และผลลัพธ์ที่ได้นั้นน่าประทับใจอย่างยิ่ง:

• การยอมรับที่รวดเร็วที่สุดในประวัติศาสตร์ Salesforce: พนักงานกว่า 2 ใน 3 ได้ทดลองใช้ Slackbot ใหม่ และ 80% ของผู้ใช้ยังคงใช้งานอย่างสม่ำเสมอ
• ความพึงพอใจสูงถึง 96%: เป็นอัตราความพึงพอใจสูงสุดสำหรับฟีเจอร์ AI ใดๆ ที่ Slack เคยเปิดตัว
• ประหยัดเวลาการทำงาน: พนักงานรายงานว่าสามารถประหยัดเวลาได้ตั้งแต่ 2 ถึง 20 ชั่วโมงต่อสัปดาห์
• การแพร่กระจายแบบออร์แกนิก: การใช้งานส่วนใหญ่เกิดขึ้นจากการบอกต่อกันเองในหมู่พนักงานมากกว่าการบังคับจากผู้บริหาร

เปลี่ยนข้อมูลกระจัดกระจาย ให้เป็นข้อมูลเชิงลึกพร้อมใช้งาน 📊

Slackbot ใหม่สามารถสังเคราะห์ข้อมูลจากหลายแหล่งเข้าด้วยกันได้อย่างน่าทึ่ง ตัวอย่างเช่น การวิเคราะห์ความคิดเห็นของลูกค้าจากโปรแกรมนำร่อง, การอัปโหลดภาพแดชบอร์ดการใช้งาน และการเชื่อมโยงข้อมูลเชิงคุณภาพและเชิงปริมาณเข้าด้วยกัน

นอกจากนี้ Slackbot ยังสามารถ สอบถามข้อมูลจาก Salesforce เพื่อค้นหาบัญชีลูกค้าที่มีดีลที่เปิดอยู่ ซึ่งอาจเป็นกลุ่มเป้าหมายที่เหมาะสมสำหรับการทดลองใช้ผลิตภัณฑ์ใหม่ จากนั้นจึงสังเคราะห์ข้อมูลทั้งหมดออกมาเป็น Canvas (รูปแบบเอกสารร่วมของ Slack) และค้นหาช่วงเวลาว่างในปฏิทินของผู้มีส่วนได้ส่วนเสียเพื่อกำหนดการประชุมทบทวน

ประสบการณ์จริงจากลูกค้า: Beast Industries (บริษัทของ MrBeast) 🎬

Beast Industries บริษัทแม่ของ MrBeast หนึ่งในลูกค้าที่ได้ทดลองใช้ Slackbot ระบุว่า การติดตั้งและเปิดใช้งานฟังก์ชัน Slack AI นั้นง่ายดายมาก ทีมรักษาความปลอดภัยของพวกเขาสามารถอนุมัติได้อย่างรวดเร็ว เนื่องจาก Slackbot เข้าถึงได้เฉพาะข้อมูลที่ผู้ใช้แต่ละคนมีสิทธิ์เข้าถึงเท่านั้น

พนักงานของ Beast Industries รายงานว่าสามารถประหยัดเวลาได้อย่างน้อย 90 นาทีต่อวัน หรือถึงขั้นมองว่า Slackbot เปรียบเสมือน "ผู้ช่วยที่คอยใส่ใจแม้ในเวลาที่เราไม่ได้ใส่ใจ"

การแข่งขันเพื่อครองความเป็นหนึ่งในวงการ Enterprise AI 🥊

การเปิดตัว Slackbot ใหม่นี้ ทำให้ Salesforce เข้าสู่การแข่งขันโดยตรงกับ Microsoft Copilot ที่ผสานรวมใน Teams และ Microsoft 365 รวมถึง Google Gemini ที่ผสานรวมใน Workspace

สิ่งที่ทำให้ Slackbot แตกต่างและมีจุดเด่นคือ:

• ความสะดวกและเข้าถึงง่าย: อยู่ใน Slack โดยตรง ทำให้ผู้ใช้เข้าถึงได้สะดวกโดยไม่ต้องสลับแอปพลิเคชัน
• เข้าใจบริบทการทำงาน: Slackbot เข้าใจการทำงานของผู้ใช้โดยไม่ต้องตั้งค่าหรือฝึกฝนเพิ่มเติม
• ประสบการณ์ที่ราบรื่น: Slackbot ทำงานโดยอิงตามบริบทและข้อมูลที่มีอยู่ใน Slack อยู่แล้ว ทำให้ยิ่งใช้งาน ยิ่งเข้าใจและทำงานได้ดีขึ้น

วิสัยทัศน์สู่ "Super Agent" ผู้ควบคุม AI ทั้งองค์กร 🌌

Salesforce วางตำแหน่งให้ Slackbot เป็น "Super Agent" ซึ่งเป็นศูนย์กลางที่สามารถทำงานร่วมกับ AI Agents อื่นๆ ทั่วทั้งองค์กรได้ในอนาคต

วิสัยทัศน์นี้รวมถึงการสนับสนุน Third-party Agents ที่กำลังเปิดตัวใน Slack เช่น Claude Code for Slack จาก Anthropic รวมถึง Agent จาก OpenAI, Google, Vercel และอื่นๆ อีกมากมาย

ข้อควรพิจารณาด้านค่าใช้จ่าย 💰

Slackbot ใหม่นี้ ไม่มีค่าใช้จ่ายเพิ่มเติม สำหรับลูกค้าที่ใช้แผน Business+ และ Enterprise+ อย่างไรก็ตาม ลูกค้าบางรายอาจต้องพิจารณาค่าใช้จ่ายที่เกี่ยวข้องกับกลยุทธ์ข้อมูลที่กว้างขึ้นของ Salesforce เช่น ค่าธรรมเนียมการเข้าถึง API ที่อาจส่งผลต่อราคาของแอปพลิเคชัน Third-party ที่ทำงานร่วมกับข้อมูล Salesforce

Slackbot โฉมใหม่นี้ถือเป็นการก้าวสำคัญของ Salesforce ในการนำ AI มายกระดับการทำงานในองค์กร ให้มีประสิทธิภาพ สะดวกสบาย และชาญฉลาดมากยิ่งขึ้น

#Slackbot #Salesforce #AI #EnterpriseAI #Slack

ขอบคุณ แหล่งข้อมูล
https://venturebeat.com/technology/salesforce-rolls-out-new-slackbot-ai-agent-as-it-battles-microsoft-and