Title: จากการช่วยงานสู่การลงมือทำ: การเปลี่ยนแปลงเชิงสถาปัตยกรรม

คู่มือ "Agentic Transformation Patterns" ปี 2026 ของ Microsoft ระบุไว้อย่างชัดเจนว่า AI agent จะต้องถูกสร้างขึ้นใหม่ได้อย่างไร เพื่อเปลี่ยนจากการเป็นเพียงผู้ช่วยผู้ใช้ ไปสู่การลงมือทำงานจริง โดยมีการระบุต้นทุนที่ชัดเจนสำหรับความพยายามนี้ นั่นคือต้องใช้เวลาประมาณ 26 ถึง 60 สัปดาห์-วิศวกร (engineer-weeks) สำหรับโครงสร้างพื้นฐานหลัก ก่อนที่จะสามารถส่งมอบเอเจนต์ในโหมดการลงมือทำ (execution-mode agent) ได้แม้เพียงตัวเดียว บริษัทที่เพิกเฉยต่อการเปลี่ยนแปลงนี้เสี่ยงที่จะสร้างเครื่องมือที่เปราะบางและไม่สามารถดำเนินการใดๆ ได้ด้วยตนเองอย่างปลอดภัย

ปัจจุบันองค์กรต่างๆ กำลังทดลองใช้ผู้ช่วยแบบ Large-Language-Model (LLM) ที่ช่วยร่างอีเมล, แนะนำโค้ด หรือดึงข้อมูลขึ้นมา เอเจนต์เหล่านั้นยังคงอยู่ในโหมด "ช่วยงาน" (assist mode): มนุษย์ต้องตรวจสอบทุกผลลัพธ์ และมีเลเยอร์ครอบบางๆ (thin wrapper) ทำหน้าที่ส่งคำขอไปยังโมเดลและส่งคำตอบกลับมา สถาปัตยกรรมแบบนี้ประกอบขึ้นได้ง่ายและรวดเร็ว แต่จงใจทิ้งการตัดสินใจและการเขียนข้อมูลไว้ให้เป็นหน้าที่ของผู้ใช้

เมื่อองค์กรต้องการให้เอเจนต์รันเวิร์กโฟลว์แบบเต็มรูปแบบ เช่น การกรอกข้อมูลลงฐานข้อมูล, การสั่งการกระบวนการปลายน้ำ หรือการอนุมัติธุรกรรม โมเดลจะไม่สามารถเป็นเพียง "กล่องดำ" (black box) ที่ส่งคำตอบมาให้มนุษย์ตรวจสอบได้อีกต่อไป เอเจนต์จะต้องทำหน้าที่เป็นบริการอัตโนมัติ (autonomous service) ที่มีตัวตนเป็นของตัวเอง, มีสถานะที่คงอยู่ (persistent state) และมีระบบความปลอดภัยในตัว Microsoft แย้งว่าการออกแบบแบบเน้นช่วยงานเพียงอย่างเดียว (assist-only) ไม่สามารถนำมาปรับปรุง (patch) ให้เป็นระบบที่พร้อมสำหรับการลงมือทำได้ แต่จำเป็นต้องมีการออกแบบใหม่ตั้งแต่ฐานรากผ่านเสาหลักทางสถาปัตยกรรม 7 ประการ

เสาหลัก 7 ประการของ AI Agent ที่พร้อมสำหรับการลงมือทำ

  • Authority (อำนาจ) – เปลี่ยนจากการมอบสิทธิ์โดยผู้ใช้ (user-delegated permissions) ไปสู่ตัวตนของเอเจนต์ที่คงอยู่ (persistent agent identities) ซึ่งมีสิทธิ์การเข้าถึงตามขอบเขตที่กำหนด (scoped access rights) เอเจนต์ต้องสามารถยืนยันตัวตนกับบริการปลายน้ำได้ด้วยตนเองโดยไม่ต้องใช้โทเคนของมนุษย์
  • Boundaries (ขอบเขต) – แทนที่การใช้เหตุผลของโมเดลแบบเฉพาะหน้า (ad-hoc model reasoning) สำหรับการคำนวณที่มีความเสี่ยงสูง ด้วยเส้นทางการทำงานของโค้ดที่กำหนดไว้แน่นอน (deterministic code paths) สิ่งใดก็ตามที่ต้องการความแม่นยำ เช่น คณิตศาสตร์ทางการเงิน หรือการตรวจสอบการปฏิบัติตามกฎระเบียบ จะต้องรันในซอฟต์แวร์ที่ผ่านการตรวจสอบแล้ว ไม่ใช่การอนุมานจากผลลัพธ์ของโมเดล
  • Schemas (โครงสร้างข้อมูล) – เปลี่ยนจากการแลกเปลี่ยนข้อมูลแบบไม่เคร่งครัด (loosely-typed data exchanges) ไปสู่โครงสร้างข้อมูลมาตรฐาน (canonical schema) ที่ดูแลโดยผู้ดูแลข้อมูล (data steward) ที่ได้รับมอบหมาย เพื่อป้องกันไม่ให้เอเจนต์เขียนข้อมูลที่ผิดรูปแบบซึ่งระบบปลายน้ำไม่สามารถนำไปใช้งานได้
  • Failure Detection (การตรวจจับความล้มเหลว) – เปลี่ยนจากการกำกับดูแลโดยมนุษย์ เป็นการติดตามข้อมูลทางไกล (telemetry) และการตรวจสอบผลลัพธ์ทางธุรกิจอย่างต่อเนื่อง ระบบต้องสามารถตรวจพบความผิดปกติได้โดยอัตโนมัติ เช่น ปริมาณธุรกรรมที่ผิดคาด และต้องหยุดการทำงานของเอเจนต์หากมีการละเมิดเกณฑ์ที่กำหนดไว้
  • State (สถานะ) – แทนที่เซสชันการแชทแบบชั่วคราว ด้วยสถานะที่คงทนและครอบคลุมขอบเขตของกรณีนั้นๆ (durable, case-scoped state) ซึ่งจัดเก็บไว้ในระบบบันทึกข้อมูลหลัก (system of record) เอเจนต์ที่ทำงานแบบลงมือทำอาจจำเป็นต้องจดจำขั้นตอนก่อนหน้า, เส้นทางการตรวจสอบ (audit trails) หรือความต้องการของผู้ใช้ข้ามวันหรือข้ามสัปดาห์
  • Rollback (การย้อนกลับ) – เปลี่ยนจากการ "รันพรอมต์ซ้ำ" (re-run the prompt) เป็นการใช้ event-sourcing หรือรายการธุรกรรมชดเชย (compensating transactions) ที่สามารถยกเลิกการกระทำได้อย่างน่าเชื่อถือ หากเอเจนต์ทำผิดพลาด แพลตฟอร์มจะต้องสามารถย้อนคืนผลกระทบที่เกิดขึ้นได้โดยไม่ต้องใช้มนุษย์เข้ามาจัดการ
  • Auditability (ความสามารถในการตรวจสอบ) – อัปเกรดจากการบันทึกการแชทแบบง่ายๆ เป็นบันทึกการทำงานรายขั้นตอน (per-action logs) ที่เชื่อมโยงแต่ละการดำเนินการเข้ากับเวอร์ชันและตัวตนของเอเจนต์ที่เฉพาะเจาะจง เพื่อให้หน่วยงานกำกับดูแลและผู้ตรวจสอบภายในสามารถติดตามได้ว่าเอเจนต์ทำอะไร เมื่อไหร่ และภายใต้นโยบายใด

การเปลี่ยนแปลงเหล่านี้ไม่ใช่ส่วนเสริมที่เลือกได้ แต่เป็นรูปแบบการดำเนินงานใหม่สำหรับการทำงานอัตโนมัติที่ขับเคลื่อนด้วย AI Microsoft ประมาณการว่าการสร้างรากฐานนี้จะใช้เวลาประมาณ 26 ถึง 60 สัปดาห์-วิศวกร

ทำไมต้นทุนจึงสำคัญ

คู่มือเตือนเรื่องการปรับใช้เอเจนต์ในโหมดการลงมือทำ (execution-mode agents) สำหรับงานที่มีมูลค่าต่ำซึ่งช่วยลดเวลาการทำงานของผู้ใช้ได้เพียงไม่กี่นาที เพราะการลงทุนด้านวิศวกรรมจะไม่คุ้มค่ากับผลิตภาพที่เพิ่มขึ้นเพียงเล็กน้อย ควรตั้งเป้าไปที่กระบวนการที่มีผลลัพธ์ที่วัดผลได้ เช่น การจัดการคำสั่งซื้อ, การพิจารณาสินไหมทดแทน หรือการรายงานการปฏิบัติตามกฎระเบียบ ซึ่งการทำงานแบบอัตโนมัติจะเปลี่ยนเป็นการประหยัดต้นทุนหรือการลดความเสี่ยงได้โดยตรง

จำเป็นต้องมีอำนาจในการบริหารจัดการ (Political authority) เพื่อเป็นเจ้าของโครงสร้างข้อมูล (data schemas) ของคุณ

มุมมองแย้ง: แค่โหมดช่วยงานเพียงพอหรือไม่?

สำหรับสถานการณ์การสนับสนุนภายในหลายๆ อย่าง เช่น การร่างบันทึกการประชุม หรือการดึงบทความจากฐานความรู้ การตรวจสอบโดยมนุษย์ยังคงเป็นตาข่ายนิรภัยที่ใช้งานได้จริง ข้อแลกเปลี่ยนคือวงจรการทำงานที่ช้าลง และยังคงต้องพึ่งพาแรงงานมนุษย์ในการตัดสินใจขั้นสุดท้าย

บทสรุปนั้นชัดเจน: การเปลี่ยน AI Agent จากบทบาทสนับสนุนไปสู่บทบาทอัตโนมัติไม่ใช่แค่การเปิดสวิตช์ฟีเจอร์ (feature toggle) แต่มันคือการเขียนสถาปัตยกรรมใหม่ทั้งหมด บริษัทที่ประเมินความต้องการด้านวิศวกรรมและการกำกับดูแลต่ำเกินไป เสี่ยงที่จะเปิดตัวบอทที่เปราะบาง (brittle bots)