Making AI Work for You

ปัญญาประดิษฐ์ (AI) ได้กลายเป็นหัวข้อที่ได้รับความสนใจสูงสุดในห้องประชุมคณะกรรมการบริษัทต่าง ๆ โดยองค์กรทั่วโลกได้ลงทุนประมาณ 30–40 พันล้านดอลลาร์สหรัฐในโซลูชั่น AI สร้างสรรค์ (GenAI) อย่างไรก็ตาม จากรายงานล่าสุด MIT State of AI in Business 2025 กลับพบว่า 95% ขององค์กรไม่เห็นผลตอบแทนจากการลงทุนที่สามารถวัดผลได้

ช่องว่างระหว่างกระแส hype กับผลลัพธ์ทางธุรกิจจริง ๆ นี้ นักวิจัยเรียกว่า ช่องว่าง GenAI (GenAI Divide)

อธิบายช่องว่าง GenAI

ในอีกฝั่งของช่องว่างนี้คือกลุ่มบริษัทเพียง 5% ที่สามารถนำ AI ผนวกเข้ากับกระบวนการทำงาน เกิดมูลค่าทางธุรกิจที่วัดผลได้เป็นล้านดอลลาร์ ขณะที่ฝั่งใหญ่ที่เหลือ ยังค้างคาอยู่กับโครงการนำร่องไม่สิ้นสุด เดโมที่ดูน่าสนใจ หรือทดลองใช้เครื่องมืออย่าง ChatGPT และ Copilot เพื่อเพิ่มประสิทธิภาพส่วนบุคคล แต่ไม่สามารถเปลี่ยนแปลงผลกำไรในภาพรวมขององค์กรได้

สาเหตุที่เกิดช่องว่างนี้ ไม่ใช่เรื่องคุณภาพของโมเดล กฎระเบียบ หรือขาดการลงทุน แต่เป็นเรื่องของ “การเรียนรู้” — เครื่องมือ AI ส่วนใหญ่ไม่สามารถจำ ปรับตัว หรือพัฒนาให้สอดคล้องกับบริบททางธุรกิจได้

สาระสำคัญจากรายงาน

• มีการนำ AI มาใช้งานสูง แต่เปลี่ยนแปลงองค์กรต่ำ: 80% ขององค์กรทดลองใช้ AI แล้ว แต่มีเพียง 2 อุตสาหกรรม (เทคโนโลยีและสื่อ) ที่เกิดการเปลี่ยนแปลงโครงสร้างอย่างมีนัยสำคัญ
• โครงการนำร่องหยุดชะงัก: มีเพียง 5% ของโครงการนำร่อง AI ในระดับองค์กรเท่านั้นที่นำไปใช้จริงได้ เครื่องมือ AI สำหรับผู้บริโภคแม้จะช่วยเพิ่มประสิทธิภาพส่วนตัว แต่ยังไม่สามารถเปลี่ยนแปลง workflow สำคัญขององค์กร
• เศรษฐกิจเงาของ AI: พนักงานใช้บัญชี ChatGPT หรือ Claude ส่วนตัวในการทำงาน กว่า 90% รายงานว่าใช้ AI นอกเหนือจากที่องค์กรกำหนด ซึ่งมักมีผลกระทบมากกว่าการใช้งานจากโครงการทางการ
• อคติการลงทุน: ครึ่งหนึ่งของงบ AI มักไปอยู่กับฝ่ายขายและการตลาดซึ่งผลลัพธ์วัดได้ง่าย ในความเป็นจริง ROI มักซ่อนอยู่ในระบบสำนักงานหลังบ้าน ที่สามารถลดต้นทุนจากการเอาท์ซอร์สหรือจ้างเอเจนซี่ได้มหาศาล

ทำไมบางองค์กรข้ามช่องว่างนี้ได้

องค์กรที่ประสบความสำเร็จต่างมีแนวทางคล้ายกันดังนี้

1. ซื้อ ไม่สร้างเอง: การสร้าง AI ภายในองค์กรล้มเหลวถึงสองเท่าเมื่อเทียบกับความสำเร็จจากความร่วมมือกับผู้ให้บริการภายนอก
2. ให้อำนาจแก่พนักงานแถวหน้า: การใช้งานสำเร็จเมื่อมีผู้ใช้ที่มีอิทธิพล เช่น ผู้จัดการหน้างาน หรือกลุ่มผู้ใช้งานหลัก (power users) ขับเคลื่อน ไม่ใช่แค่ศูนย์ AI กลาง
3. โฟกัสที่ระบบเรียนรู้: เลือกใช้เครื่องมือที่สามารถจำ ปรับตัว และพัฒนาได้ ไม่ใช่เพียงการใส่โมเดลภาษาไว้ในแพ็คเกจสวย ๆ
4. เริ่มเล็กแล้วขยายเร็ว: ผู้ให้บริการที่เริ่มจากโจทย์แคบ ๆ (เช่น สรุปบทสนทนาโทรศัพท์ หรือระบบอัตโนมัติสัญญา) แล้วค่อย ๆ ขยาย ไปสู่กระบวนการอื่น ๆ จะมีโอกาสเติบโตและถูกนำไปใช้งานได้เร็วกว่ามาก

เส้นทางข้างหน้า: Agentic Web

คลื่นลูกต่อไปของ AI สำหรับองค์กรจะไม่ใช่แค่บอทสนทนาหรือผู้ช่วยอัตโนมัติ (Copilot) เท่านั้น แต่มันคือ Agentic Web — เครือข่ายของเอเจนต์อัตโนมัติที่เชื่อมต่อกัน ทำงานร่วมกัน เรียนรู้ ประสานงานและต่อรองกันได้ โปรโตคอลใหม่ ๆ เช่น MCP, A2A, NANDA กำลังปูทางดังกล่าวเพื่อให้ธุรกิจเปลี่ยนจากซอฟต์แวร์ SaaS แบบคงที่ ไปสู่ workflow ที่ปรับตัวและเปลี่ยนแปลงได้ตลอดเวลา

ข้อคิดสำคัญ

รายงานนี้สรุปชัดเจนว่า โอกาสในการข้ามช่องว่าง GenAI กำลังจะหมดลงอย่างรวดเร็ว องค์กรที่ยังไปลงทุนกับเครื่องมือแบบเดโมที่ไร้พลวัตมีโอกาสตกขบวน ในขณะที่ผู้ที่โฟกัสระบบ AI ที่ปรับตัวผสานเข้ากับกระบวนการธุรกิจ — โดยเฉพาะผ่านพันธมิตรที่เชื่อถือได้ — จะเป็นผู้กำหนดยุคใหม่ของการเปลี่ยนผ่านธุรกิจ

สารสำหรับผู้นำองค์กรคือ:
หยุดวิ่งตามกระแส
เริ่มเรียกร้องหา AI ที่ “เรียนรู้ ปรับตัว และสร้างผลลัพธ์ทางธุรกิจที่วัดผลได้จริง”

Source: MIT_State_of_AI_in_Business_2025_Report.pdf

ตลอดปีที่ผ่านมา ปัญญาประดิษฐ์ (AI) ได้เปลี่ยนแปลงอย่างก้าวกระโดด ในบรรดาความก้าวหน้าต่างๆ “Agentic AI” — หรือระบบ AI ที่สามารถดำเนินการในโลกจริงและจัดการกระบวนการหลายขั้นตอน — ได้รับความสนใจอย่างมาก ไม่เหมือนกับระบบอัตโนมัติทั่วไปหรือ Generative AI, Agentic AI สามารถจัดการงาน ซิงโครไนซ์เวิร์กโฟลว์ ตัดสินใจ และปรับตัวกับสถานการณ์ที่เปลี่ยนแปลงได้ในรูปแบบที่ใกล้เคียงกับมนุษย์อย่างน่าทึ่ง

แต่หลังจากผ่านไปหนึ่งปี ความเป็นจริงก็ชัดเจน: การสร้างมูลค่าจาก Agentic AI เป็นงานที่ท้าทาย แม้บางองค์กรจะประสบความสำเร็จในระยะแรก แต่หลายองค์กรกลับสะดุด และบางแห่งต้องกลับลำจากการนำไปใช้เพราะตัว Agent ไม่สามารถตอบโจทย์ได้ แล้วอะไรคือข้อแตกต่างระหว่างความสำเร็จกับความล้มเหลว?

ด้วยประสบการณ์จากการนำไปใช้งานจริงนับสิบ ๆ กรณี นี่คือ หกบทเรียน ที่ผู้นำธุรกิจทุกคนควรตระหนัก:

---

1. โฟกัสที่เวิร์กโฟลว์ ไม่ใช่แค่ตัว Agent

Agent AI ที่ดูฉลาดล้ำอาจน่าตื่นตาตื่นใจในการสาธิต—แต่มีคุณค่าจริงก็ต่อเมื่อถูกฝังในเวิร์กโฟลว์แบบ end-to-end ความสำเร็จหมายถึงการคิดใหม่เรื่องกระบวนการ, วิเคราะห์จุดปวด และออกแบบระบบให้คนกับ Agent ทำงานร่วมกันอย่างกลมกลืน เป้าหมายไม่ใช่การแทนที่คน แต่คือการออกแบบวิธีการทำงานใหม่

---

2. Agent ไม่ใช่คำตอบสำหรับทุกงาน

ไม่ใช่งานทุกอย่างที่ควรใช้ Agent AI ระบบอัตโนมัติแบบ Rule-based, การวิเคราะห์เชิงคาดการณ์ หรือแม้แต่ Prompt ที่วางโครงสร้างดี อาจเหมาะสมกว่าในหลาย ๆ ปัญหาธุรกิจ นึกถึง Agent เป็นเพียงสมาชิกหนึ่งในทีมใหญ่: หัวใจสำคัญคือเลือกเครื่องมือให้เหมาะกับงาน

---

3. หยุด “AI Slop”: สร้างความเชื่อมั่นด้วยการประเมินผล

ผู้ใช้จะหมดศรัทธาอย่างรวดเร็วหาก Agent ผลิตผลงานที่ไม่แม่นยำหรือคุณภาพต่ำ ให้คิดเหมือนกับการรับพนักงานใหม่: กำหนดบทบาท, ทดสอบจริงจัง, ให้ข้อเสนอแนะ และปรับปรุงต่อเนื่อง กรอบการประเมินที่รัดกุม—ทั้งความถูกต้อง, อคติ, การ Hallucination, และอัตราความสำเร็จของงาน—เป็นหัวใจของการนำไปใช้งานจริง

---

4. ติดตามและตรวจสอบทุกขั้นตอน

เมื่อองค์กรขยายจาก Agent หลักสิบไปหลักพัน ความผิดพลาดเป็นสิ่งหลีกเลี่ยงไม่ได้ การออกแบบเวิร์กโฟลว์ให้สังเกตได้และมีระบบมอนิเตอร์ช่วยให้ทีมแก้ไขปัญหาได้รวดเร็ว ความโปร่งใสคือความแตกต่างระหว่างความไว้วางใจกับความวุ่นวาย

---

5. ใช้ซ้ำ ดีกว่าคิดใหม่ทั้งหมด

หลายองค์กรเร่งสร้าง Agent เฉพาะกิจตามแต่ละงาน เสียทรัพยากรโดยเปล่าประโยชน์ ควรออกแบบ Agent และองค์ประกอบที่ใช้ซ้ำได้ — เช่น Prompt ที่ได้รับอนุมัติ เครื่องมือสังเกตการณ์ หรือฐานข้อมูลความรู้ — เพื่อขับเคลื่อนเวิร์กโฟลว์หลากหลาย ไม่เพียงเร่งการพัฒนา แต่ลดต้นทุนอย่างมีนัยสำคัญ

---

6. มนุษย์ยังมีบทบาทจำเป็น

แม้จะมีการพูดถึงกันมาก แต่ Agent จะไม่มาแทนที่มนุษย์ คนยังจำเป็นสำหรับการควบคุม ตรวจสอบ ความถูกต้อง และกรณีที่ซับซ้อน จริงๆ แล้วโอกาสใหม่อยู่ที่ การออกแบบบทบาทให้มนุษย์กับ Agent ส่งเสริมกัน เมื่อทำได้ดี การนำไปใช้และประสิทธิผลจะสูงขึ้นอย่างชัดเจน—บางกรณีมีอัตราความพึงพอใจมากกว่า 90%

---

สรุป

Agentic AI ยังอยู่ในช่วงเริ่มต้น องค์กรที่จะประสบความสำเร็จไม่ใช่เพียงแค่นำเทคโนโลยีมาใช้ แต่ต้องคิดใหม่เรื่องการทำงาน ลงทุนกับการประเมิน และออกแบบให้มนุษย์ร่วมงานกับ AI องค์กรที่เริ่มด้วยแนวคิด การเรียนรู้ ปรับปรุง สร้างความเชื่อมั่น จะเป็นผู้ปลดล็อกคุณค่าที่แท้จริงของเทคโนโลยีอันทรงพลังนี้

---

คุณคิดเห็นอย่างไร? บริษัทของคุณเริ่มทดลองใช้ Agent AI แล้ว หรือยังกำลังรอดูสถานการณ์อยู่?

Source: The six key elements of agentic AI deployment | McKinsey

บทนำ
ในปี 2017 ทีมนักวิจัยกลุ่มหนึ่งได้นำเสนอแนวคิดใหม่ปฏิวัติวงการ Deep Learning นั่นคือโมเดล Transformer ซึ่งพลิกโฉมการแปลภาษาด้วยเครื่องและการสร้างโมเดลลำดับข้อมูล โดยแทนที่กลไกของ RNN และ CNN ด้วยกลไก Attention ตั้งแต่เปิดตัว โมเดล Transformer กลายเป็นพื้นฐานสำคัญของระบบประมวลผลภาษาธรรมชาติ (NLP) สมัยใหม่ส่วนใหญ่

ทำไมต้องก้าวข้าม RNNs และ CNNs?
โมเดลลำดับแบบดั้งเดิม เช่น เครือข่ายประสาทแบบวนซ้ำ (RNN) หรือเครือข่ายประสาทแบบคอนโวลูชัน (CNN) จะประมวลผลข้อมูลอย่างต่อเนื่องหรือเป็นพื้นที่ใกล้เคียงเท่านั้น ซึ่งข้อจำกัดนี้ทำให้ไม่สามารถขนานการคำนวณได้อย่างมีประสิทธิภาพ โดยเฉพาะเมื่อจัดการกับลำดับยาวๆ อย่างไรก็ตาม Transformer ใช้กลไก Attention เพื่อสร้างความสัมพันธ์ทั้งหมดของข้อมูลโดยไม่คำนึงถึงระยะห่างในลำดับอินพุตหรือเอาต์พุต จึงขนานการประมวลผลได้ดีขึ้นและให้ประสิทธิภาพที่เหนือกว่าบนลำดับที่ยาว

สถาปัตยกรรม: Encoder, Decoder และ Attention
โมเดล Transformer ประกอบด้วยสองส่วนหลักคือ Encoder และ Decoder ซึ่งทั้งสองส่วนสร้างจากชั้นที่เหมือนกันซ้อนกันหลายชั้น Encoder แปลงลำดับอินพุตให้เป็นชุดการแทนแบบต่อเนื่อง (continuous representations) และ Decoder จะสร้างลำดับเอาต์พุตทีละสเต็ป โดยให้ความสนใจกับผลลัพธ์ของ Encoder ตามความจำเป็น
นวัตกรรมสำคัญคือการนำชั้น Self-Attention มาใช้ ซึ่งทำให้ทุกตำแหน่งในลำดับสามารถให้ความสนใจกับตำแหน่งอื่นๆ ได้ทั้งหมด ส่งผลให้โมเดลสามารถจับความสัมพันธ์ระยะไกลได้อย่างมีประสิทธิภาพ ทั้งนี้ผ่านกลไก Multi-Head Attention ที่ช่วยให้เรียนรู้คุณลักษณะแตกต่างกันของความสัมพันธ์ระหว่างคำพร้อมกันในแต่ละครั้ง

Positional Encoding
เนื่องจากสถาปัตยกรรมนี้ไม่ได้ใช้กลไกวนซ้ำหรือคอนโวลูชัน จึงต้องมีวิธีการใส่ข้อมูลลำดับตำแหน่งเข้าไป งานวิจัยเสนอ “Positional Encoding” เพื่อแทรกข้อมูลตำแหน่งของแต่ละ Token ในลำดับผ่าน Embedding ที่กำหนดไว้ล่วงหน้าหรือถูกฝึกให้เรียนรู้ก็ได้ วิธีนี้ทำให้โมเดลทราบลำดับของคำทั้งในอินพุตและเอาต์พุต

ผลลัพธ์และประสิทธิภาพ
บนงานแปลภาษา Transformer ทำลายสถิติคะแนน BLEU ในขณะที่ใช้ค่าใช้จ่ายในการฝึกอบรมน้อยกว่ารุ่นก่อนๆ อย่างเช่น Transformer รุ่น “big” ทำได้ 28.4 BLEU ในอังกฤษ-เยอรมัน และ 41.8 BLEU ในอังกฤษ-ฝรั่งเศส เหนือกว่าโมเดลเดี่ยวและ Ensemble ทุกรุ่นก่อนหน้า นอกจากนี้ยังปรับใช้ได้ดีกับงานอื่น เช่น การวิเคราะห์โครงสร้างไวยากรณ์ภาษาอังกฤษ

ผลกระทบและทิศทางต่อไป
ความสำเร็จของ Transformer ได้จุดประกายการวิจัยใหม่ ๆ เกี่ยวกับกลไก Attention ก่อให้เกิดโมเดลอย่าง BERT และ GPT ความสามารถในการขนานการคำนวณและเรียนรู้ความสัมพันธ์ระยะไกลอย่างมีประสิทธิภาพ ทำให้ Transformer กลายเป็นฐานของระบบ NLP ชั้นนำและแม้แต่โมเดลคอมพิวเตอร์วิทัศน์ในปัจจุบันบางตัว

สรุป
การเปลี่ยนผ่านจากกลไกวนซ้ำ/คอนโวลูชันมาสู่ Attention ของ Transformer นำเสนอแนวคิดใหม่ที่เรียบง่ายแต่ทรงพลังในวงการ Deep Learning ทำให้ฝึกโมเดลได้เร็วขึ้น ประสิทธิภาพดีกว่า และปรับตัวกับข้อมูลลำดับยาวได้ดีขึ้น ซึ่งเป็นรากฐานสู่ความก้าวหน้าของ AI ในปัจจุบัน

Source: [1706.03762] Attention Is All You Need

ในช่วงไม่กี่ปีที่ผ่านมา โมเดลภาษาแบบขนาดใหญ่ (LLMs) ได้เปลี่ยนแปลงรูปแบบการมีปฏิสัมพันธ์กับเทคโนโลยี โดยสามารถสร้างเนื้อหาและตอบคำถามเป็นภาษาธรรมชาติได้ อย่างไรก็ตาม หลายองค์กรพบว่า LLM มาตรฐานมักยังไม่สามารถให้ข้อมูลที่มีความเกี่ยวข้องและเฉพาะเจาะจงต่อองค์กรได้ RAG หรือ Retrieval-Augmented Generation จึงเข้ามาตอบโจทย์นี้

RAG คืออะไร?

Retrieval-Augmented Generation (RAG) คือเฟรมเวิร์กที่เพิ่มประสิทธิภาพให้กับ LLM ด้วยการเชื่อมต่อโมเดลกับแหล่งข้อมูลทั้งจากภายในและภายนอกองค์กร ต่างจาก LLM ทั่วไปที่ต้องอาศัยข้อมูลการฝึกอบรมเดิมเท่านั้น RAG จะช่วยให้โมเดลค้นหาและอ้างอิงข้อมูลอัปเดตหรือเฉพาะเจาะจงได้แบบเรียลไทม์จากฐานข้อมูล เอกสาร หรือแหล่งออนไลน์ก่อนที่จะสร้างคำตอบ ส่งผลให้ธุรกิจได้รับผลลัพธ์ที่ทันสมัย ตรงประเด็น และคำนึงถึงบริบท—โดยไม่ต้องฝึกโมเดลใหม่ซ้ำ ๆ

RAG ทำงานอย่างไร?

การทำงานของ RAG มีสองเฟสหลัก คือ การดึงข้อมูลเข้า (ingestion) และการค้นคืนข้อมูล (retrieval) ในเฟสแรก ข้อมูลจากแหล่งต่าง ๆ จะถูกจัดทำดัชนีและแปลงเป็นเลขเวกเตอร์ที่เรียกว่า embedding เพื่อให้ระบบค้นหาและเข้าถึงข้อมูลที่เกี่ยวข้องกับคำถามของผู้ใช้ได้อย่างรวดเร็วและแม่นยำ

เมื่อผู้ใช้ส่งคำถาม ระบบจะเริ่มต้นเฟสการค้นคืนข้อมูล โดยค้นหาสาระสำคัญจากข้อมูลที่จัดเก็บไว้มาก่อน จากนั้นจึงสังเคราะห์ออกมาเป็นคำตอบที่ครบถ้วนและแม่นยำ ระบบยังสามารถอ้างอิงแหล่งข้อมูลต้นทางเพื่อความโปร่งใสและสร้างความเชื่อมั่น

ประโยชน์ของ RAG สำหรับธุรกิจ

RAG สามารถนำไปใช้ได้หลากหลายตัวอย่างในอุตสาหกรรมต่าง ๆ อาทิ

• บริการลูกค้า: แชทบอทที่ขับเคลื่อนด้วย RAG เข้าถึงนโยบายใหม่ ลูกค้าข้อมูลบัญชี และรายละเอียดสินค้าแบบเรียลไทม์ มอบคำตอบที่ถูกต้องและเกี่ยวข้องกับแต่ละลูกค้า
• การจัดการองค์ความรู้ในองค์กร: พนักงานค้นหาข้อมูลเชิงลึกจากแหล่งข้อมูลภายในที่กระจัดกระจายได้ง่ายขึ้น ส่งเสริมการตัดสินใจที่ดีและประสิทธิภาพที่สูงขึ้น
• ผู้ช่วยร่างเอกสาร: RAG ช่วยเติมข้อมูลอัตโนมัติในรายงานหรือเอกสารด้วยข้อมูลจากองค์กร ลดเวลาและโอกาสผิดพลาด

ความท้าทายที่ต้องพิจารณา

แม้ว่า RAG จะเปิดทางเลือกใหม่ ๆ แต่ยังมีข้อจำกัด โดยประสิทธิภาพขึ้นอยู่กับความถูกต้องและการจัดการข้อมูลเป็นหลัก เช่น ข้อมูลล้าสมัย, ความลำเอียงของข้อมูล, และความกังวลด้านความปลอดภัยหรือความเป็นส่วนตัว ธุรกิจควรลงทุนในระบบดูแลจัดการข้อมูล เพื่อให้มั่นใจว่า RAG จะมีประสิทธิภาพและสอดคล้องกับข้อกำหนดต่าง ๆ

ทิศทางของ RAG ในอนาคต

RAG มีอนาคตที่สดใส ทั้งในเรื่องการสร้างมาตรฐาน การพัฒนาเอเจนต์อัจฉริยะ และ LLM ที่ออกแบบมาสำหรับ RAG โดยเฉพาะ ซึ่งจะทำให้การใช้งานในองค์กรง่ายและยืดหยุ่นมากขึ้น

สรุป

เมื่อ RAG พัฒนาไปอย่างต่อเนื่อง องค์กรต่าง ๆ จะสามารถใช้งาน AI ที่เข้าใจความต้องการเฉพาะตัว และให้ผลลัพธ์ที่ตรงจุดและเชื่อถือได้ การผสมผสานระหว่าง AI และความเชี่ยวชาญในแต่ละด้านนี้ กำลังเปลี่ยนนิยามของระบบอัจฉริยะในโลกธุรกิจ

Source: What is RAG (retrieval augmented generation) | McKinsey