Guillermo Rauch ซีอีโอของ Vercel กล่าวถึงการแยกส่วนที่สำคัญระหว่าง Model และ Agent

ในขณะที่อุตสาหกรรม AI กำลังเปลี่ยนผ่านจากการสร้างต้นแบบเชิงทดลอง (experimental prototyping) ไปสู่แอปพลิเคชันที่พร้อมใช้งานจริง (production-ready) โครงสร้างพื้นฐานที่ขับเคลื่อนเครื่องมือเหล่านี้กำลังเผชิญกับการเปลี่ยนแปลงครั้งใหญ่ Guillermo Rauch ซีอีโอของ Vercel ให้ความเห็นว่าอนาคตของ AI อยู่ที่การแยกโมเดล (models) ที่เป็นพื้นฐานออกจากเอเจนต์ (agents) ที่ทำหน้าที่ปฏิบัติงาน เพื่อมุ่งไปสู่ระบบนิเวศแบบโมดูลาร์ (modular ecosystem)

การเปลี่ยนผ่านจากการสร้างต้นแบบสู่การใช้งานจริง

เมื่อปีที่แล้ว ภาพรวมของวงการ AI ถูกกำหนดด้วยการ "ปลดปล่อยเอเจนต์" และการทดสอบขีดจำกัดของความเป็นไปได้ผ่านโครงการนำร่อง (pilot programs) อย่างไรก็ตาม ข้อมูลล่าสุดจาก Vercel บ่งชี้ถึงความเติบโตอย่างมีนัยสำคัญในวิธีการที่นักพัฒนาเข้าถึง AI ปัจจุบันบริษัทจัดการการ deployment วันละ 6 ล้านครั้ง โดยมากกว่า 50% ของจำนวนดังกล่าวถูกกระตุ้นโดย coding agents นอกจากนี้ ยังมี token มากกว่า 1 ล้านล้านตัวไหลผ่าน AI gateway ของ Vercel ในทุกๆ วัน

Rauch กล่าวว่า อุตสาหกรรมได้ก้าวข้ามผ่านช่วง "ไร้ขีดจำกัด" (sky's the limit) และกำลังเผชิญกับความเป็นจริงของการใช้งานจริง (production) นั่นคือ เรื่องความปลอดภัย การเข้าถึงข้อมูล และความสามารถในการตรวจสอบ (auditability) การเปลี่ยนแปลงนี้ได้ทำให้เห็น "killer apps" หลักสองอย่างสำหรับเอเจนต์ ได้แก่ ผู้ช่วยเขียนโค้ด (coding assistants) และเอเจนต์ภายในองค์กรที่ออกแบบมาเพื่อสร้างระบบอัตโนมัติให้กับเวิร์กโฟลว์ทางธุรกิจ

การแก้ปัญหาความยุ่งยากด้านความปลอดภัย: Sandboxes และการควบคุมข้อมูล

หนึ่งในอุปสรรคที่สำคัญที่สุดในการใช้งาน autonomous agents คือความเสี่ยงของข้อมูลรั่วไหล Rauch เน้นย้ำถึงความกังวลที่สำคัญสำหรับองค์กรอย่าง Airbus ว่า หากนักพัฒนาใช้ IDE ที่รวม AI อย่าง Cursor หรือ Devin โดยไม่มีมาตรการป้องกันที่เหมาะสม โค้ดที่เป็นความลับของบริษัทอาจถูกนำไปใช้ในการฝึกฝนโมเดลสาธารณะโดยไม่ตั้งใจ

เพื่อลดความเสี่ยงเหล่านี้ Vercel กำลังพัฒนาโครงสร้างพื้นฐานเฉพาะทาง เฟรมเวิร์ก Eve ของพวกเขาช่วยให้ผู้ใช้สามารถกำหนดคำสั่งและทักษะของเอเจนต์โดยใช้ภาษาธรรมชาติ (natural language) ในขณะที่ Vercel Sandbox จะทำหน้าที่เป็น "กรง" (cage) ให้กับเอเจนต์ Sandbox นี้ช่วยให้เอเจนต์สามารถใช้ความฉลาดได้อย่างเต็มที่ ในขณะที่ยังมีการบังคับใช้โยบายที่เข้มงวดว่าข้อมูลใดสามารถเข้าถึงได้ และที่สำคัญยิ่งกว่านั้นคือ ข้อมูลใดที่ได้รับอนุญาตให้ออกจากสภาพแวดล้อมนั้นๆ

จุดจบของไซโลข้อมูลในรูปแบบ SaaS

การเติบโตของเอเจนต์ยังสร้างความขัดแย้งพื้นฐานกับโมเดลธุรกิจ SaaS แบบดั้งเดิม ยักษ์ใหญ่ด้านซอฟต์แวร์หลายรายสร้างมูลค่าจากการ "กักเก็บ" ข้อมูลผู้ใช้ไว้ภายในระบบนิเวศที่เป็นกรรมสิทธิ์ของตนเอง Rauch ตั้งข้อสังเกตว่าโมเดลนี้ไม่สามารถทำงานร่วมกับเอเจนต์ได้อย่างแท้จริง เนื่องจากเอเจนต์ต้องการการเข้าถึงข้อมูลที่ราบรื่นผ่าน API เพื่อให้ทำงานได้อย่างมีประสิทธิภาพ

ไม่ว่าจะเป็นตัวแทนฝ่ายขายที่ใช้เอเจนต์เพื่อสอบถามข้อมูลที่ซับซ้อนใน Salesforce หรือทีมวิจัยและพัฒนา (R&D) ที่สร้างระบบอัตโนมัติให้กับเวิร์กโฟลว์ เอเจนต์ล้วนต้องการสถาปัตยกรรมแบบเปิด (open architecture) การเปลี่ยนแปลงนี้กำลังบีบให้บริษัทต่างๆ ต้องให้ความสำคัญกับการเข้าถึงข้อมูล ซึ่งจะส่งผลกระทบระยะยาวต่อวิธีการสร้างและขายซอฟต์แวร์ระดับองค์กร

การต่อสู้เพื่อโครงสร้างพื้นฐาน AI แบบเปิด

ในขณะที่ห้องแล็บ AI รายใหญ่ เช่น OpenAI กำลังขยายขีดความสามารถ เช่น การปล่อยเครื่องมือที่สามารถเผยแพร่ไปยังเว็บได้โดยตรง บริษัทแพลตฟอร์มอย่าง Vercel จึงต้องเผชิญกับการแข่งขันโดยตรง Rauch มองว่านี่คือการต่อสู้ว่า "model" และ "agent" จะถูกรวมเข้าด้วยกันหรือถูกแยกออกจากกัน

Vercel กำลังวางตำแหน่งตัวเองเป็น "AWS แห่งยุคนี้" โดยสนับสนุนแนวทางแบบโมดูลาร์ที่นักพัฒนาสามารถสลับเปลี่ยนส่วนประกอบต่างๆ ได้เหมือนตัวต่อ LEGO แทนที่จะถูกผูกขาดอยู่กับผู้ให้บริการรายเดียว นักพัฒนาเริ่มหันมาเพิ่มประสิทธิภาพด้านราคาและประสิทธิภาพการทำงานมากขึ้น โดยการผสมผสานโมเดลจาก OpenAI, Anthropic, Gemini ของ Google และโมเดลโอเพนซอร์สอย่าง DeepSeek

สรุปประเด็นสำคัญ

• เน้นการใช้งานจริงมากกว่าการสร้างต้นแบบ: อุตสาหกรรม AI กำลังเปลี่ยนจากการทดลองนำร่องไปสู่การใช้งานจริงในระดับสูง ดังจะเห็นได้จากจำนวน 1 ล้านล้าน token ต่อวันของ Vercel
• ความปลอดภัยคือสิ่งสำคัญที่สุด: เครื่องมืออย่าง Vercel Sandbox มีความจำเป็นอย่างยิ่งในการป้องกันไม่ให้ข้อมูลที่เป็นความลับรั่วไหลเข้าไปในชุดข้อมูลสำหรับฝึกฝนโมเดล
• สถาปัตยกรรมแบบโมดูลาร์: อนาคตของซอฟต์แวร์ AI ขึ้นอยู่กับการแยกโมเดลออกจากเอเจนต์ ซึ่งช่วยให้นักพัฒนาสามารถปรับปรุงต้นทุนและประสิทธิภาพการทำงานได้โดยใช้แนวทางแบบหลายโมเดล (multi-model approach)