Agentic AI คืออะไร? แตกต่างจาก Gen AI ยังไง? ยุคใหม่ของปัญญาประดิษฐ์ที่คิดเองทำเองได้อัตโนมัติ

ถ้าพูดถึง AI หลายคนคงคุ้นเคยกับการป้อนคำสั่ง (Prompt) เพื่อให้ AI ทำงานใดงานหนึ่งให้ เช่น เขียนบทความ สร้างรูป หรือตอบคำถาม

แต่วันนี้มีเทคโนโลยีใหม่ที่เป็นดาวรุ่งออกมา นั่นคือ Agentic AI หรือ ระบบเอเจนต์ปัญญาประดิษฐ์ ซึ่งมีความสามารถในการตัดสินใจ วางแผน และลงมือทำงานซับซ้อนหลายขั้นตอนได้ด้วยตัวเอง โดยที่เราแทบไม่ต้องเข้าไปควบคุมดูแลตลอดเวลาเลย

บทความนี้ชมาจะพาไปทำความรู้จัก Agentic AI ให้มากขึ้นกันค่ะ

(บทความนี้ชมาสรุปจากการศึกษาในบทความของพี่ใหญ่อย่าง IBM, Google, MIT, AWS และ NVIDIA โดยพยายามเรียบเรียงและใช้คำที่ช่วยให้ทุกคนเข้าใจง่ายที่สุด อย่างไรก็ตาม ชมาคิดว่ามีบางคำที่เกี่ยวข้องกับ Agentic AI และน่าจะมีประโยชน์มากถ้าได้รู้จักไว้ เลยจะมีพาร์ทคำศัพท์ที่เจอบ่อย ๆ เวลาเราศึกษา Agentic AI ให้ในท้ายบทความด้วยนะคะ)

Agentic AI คืออะไร? 

Agentic AI คือ ระบบปัญญาประดิษฐ์หรือ AI ที่ทำงานได้อย่างอิสระ โดยมันสามารถรับรู้สิ่งรอบตัว วิเคราะห์ปัญหา วางแผนขั้นตอนเพื่อบรรลุเป้าหมาย และลงมือปฏิบัติตามแผนนั้นด้วยตัวของมันเองค่ะ

เดี๋ยวอธิบายให้เห็นภาพง่าย ๆ 

• Generative AI ทั่วไป (เช่นพวก Gemini, ChatGPT) สามารถตอบคำถามหรือสร้างเนื้อหาตามที่เราพิมพ์สั่งทีละครั้ง (คอยรับคำสั่งเป็นครั้งๆ ไป)
• แต่ Agentic AI เราแค่ตั้งเป้าหมายกว้าง ๆ ไว้ เช่น ช่วยจัดทริปเที่ยวญี่ปุ่นให้หน่อยในงบ 5 หมื่นบาท AI จะไปวางแผนเปรียบเทียบตั๋วเครื่องบิน เลือกโรงแรม ตรวจเช็กอีเมลเพื่อยืนยันสิทธิ์ และกดจองให้จนจบโดยอ้างอิงข้อมูลเครดิตการ์ดที่เราอนุญาต ประมาณนี้ค่ะ

ด้วยความสามารถนี้ Jensen Huang (CEO ของ NVIDIA) ถึงกับเคยพูดไว้ว่า Agentic AI นี้จะสร้างโอกาสมูลค่ามหาศาลในเกือบทุกอุตสาหกรรมเลยค่ะ ซึ่งความเห็นนี้ก็ไม่ไกลจากความจริงในปัจจุบันเท่าไหร่ หลังจากที่ Claude ได้เข้ามาในตลาด AI ก็มีธุรกิจและความเป็นไปได้ใหม่ ๆ เกิดขึ้นมากมายเลย

ความแตกต่างระหว่าง Generative AI กับ Agentic AI

เพื่อความชัดเจน เรามาเปรียบเทียบความต่างของทั้งสองสิ่งนี้กันค่ะ

คุณลักษณะ	Generative AI	Agentic AI
รูปแบบการทำงาน	Reactive:ตอบสนองตามคำสั่งที่ป้อนเข้ามาทีละข้อความ	Proactive:คาดการณ์ความต้องการ วางแผน และเริ่มทำสิ่งต่างๆ เองเพื่อบรรลุเป้าหมาย
กระบวนการทำงาน	แบบถาม-ตอบครั้งต่อครั้ง (Request-and-Respond)	ทำงานอัตโนมัติแบบต่อเนื่อง (Long-running workflows)
การใช้เครื่องมือ	จำกัดแค่การสร้างข้อความ/รูปภาพ หรือเชื่อมระบบพื้นฐาน	สามารถรันโค้ด คอลหา APIs (MCP) ค้นหาข้อมูลบนเว็บ และบันทึกในฐานข้อมูลภายนอกได้เอง
การจัดการงานซับซ้อน	ทำได้ดีเฉพาะงานเดี่ยว ๆ เช่น ช่วยร่างอีเมล หรือแชตคุย	สามารถแยกย่อยขั้นตอน วางแผน และประเมินผลเพื่อแก้ปัญหาที่เจอระหว่างทางได้

ตัวอย่างการใช้งาน เปรียบเทียบระหว่าง Generative AI และ Agentic AI

• Generative AI: สร้างข้อความโฆษณาสำหรับการตลาด
• Agentic AI: คิดข้อความโฆษณาตามบรีฟ แล้วเอาข้อความนั้นไปปล่อยแคมเปญจริงบนโซเชียลมีเดีย ติดตามตัวเลขประสิทธิภาพ และวิเคราะห์ก่อนจะปรับแผนงบประมาณและรูปแบบโฆษณาให้อัตโนมัติตามผลลัพธ์ที่ได้

Agentic AI กับ AI Agents ต่างกันอย่างไร?

ตอนแรกที่ชมาเริ่มศึกษาเทคโนโลยีนี้ก็แอบสับสนเหมือนกันค่ะ แต่พอทำความเข้าใจแล้วก็รู้ว่าถึงสองคำนี้จะถูกนำมาใช้ในหัวข้อเดียวกันบ่อย ๆ แต่จริง ๆ มันมีความหมายที่ต่างกันเล็กน้อยค่ะ ไม่ยาก ๆ พูดให้เข้าใจง่าย ๆ 

AI Agents (ตัวเอเจนต์) เป็นเหมือนเครื่องมือ AI แต่ละชิ้นในกล่องเครื่องมือที่มีหน้าที่ของตัวเองโดยเฉพาะ ตัวอย่างเช่น เอเจนต์ตรวจสอบความถูกต้องของข้อมูล หรือเอเจนต์สำหรับดึงยอดขายจากฐานข้อมูล สรุปก็คือ AI Agent ถูกสร้างขึ้นมาเพื่อทำงานเฉพาะทางอย่างใดอย่างหนึ่ง

Agentic AI (ระบบเอเจนต์ปัญญาประดิษฐ์) เป็นระบบการทำงานร่วมกันเพื่อบรรลุเป้าหมาย โดยรวมเอา AI Agents หลาย ๆ ตัวมาทำงานประสานกันและควบคุมแบบมีโครงสร้างหรือแบบกระจายอำนาจเพื่อให้งานใหญ่สำเร็จลุล่วง

ชมาชอบนึกภาพการทำงานของ Agentic AI เป็นเหมือนรังมด ที่มดแต่ละตัว (AI Agents) ก็มีเควสหน้าที่ของตัวเอง โดยมี Mission ร่วมกันคือการสร้างรังที่เริ่ดและแข็งแรงที่สุดตามคำสั่งของนางพญา (มนุษย์) นั่นเอง

5 องค์ประกอบสำคัญในการใช้งาน Agentic AI

เพื่อให้ Agentic AI สามารถทำงานได้อย่างสมบูรณ์ พวก AI Agents ควรต้องมีองค์ประกอบหลัก ๆ 5 อย่างนี้เพื่อให้ทำงานร่วมกันเป็นทีมได้มีประสิทธิภาพ

1. Large Language Model (LLM) เป็นเหมือนสมองส่วนกลางที่ทำหน้าที่ประมวลผลความคิดขั้นสูง วิเคราะห์ภาษามนุษย์ วางแผนการตัดสินใจ และเลือกใช้เครื่องมือที่เหมาะสมกับเป้าหมาย
2. Memory Modules หรือระบบความจำ ไม่ว่าจะเป็น
   • Short-term Memory: เพื่อจดจำบริบทปัจจุบันที่กำลังพูดคุยหรือทำอยู่ เพื่อให้งานดำเนินไปอย่างไหลลื่น
   • Long-term Memory: เพื่อไว้เก็บข้อมูลถาวร เช่น การระบุพิกัดฐานข้อมูล เทคนิคการวิเคราะห์ที่เคยทำ เพื่อย้อนกลับมาใช้ซ้ำได้ตลอดเวลา
3. Planning Modules หรือกลไกการวางแผนที่ช่วยแบ่งงานใหญ่ออกเป็นงานย่อย ๆ ได้
4. Tools and Skills หรือเครื่องมือและทักษะทำงานของ AI Agents ที่จะต้องเชื่อมต่อกับซอฟต์แวร์ต่าง ๆ
5. Secure Runtime หรือ Sandbox ที่เป็นพื้นที่รันระบบที่ปลอดภัย ซึ่งสิ่งนี้สำคัญมากสำหรับการนำ AI Agents ไปใช้จริงในธุรกิจค่ะ เนื่องจากเราต้องมีสภาพแวดล้อมจำลองสำหรับทดสอบการทำงานและการตัดสินใจของ AI Agents เพื่อที่ถึง AI จะสับสนหรือทำงานพลาดขึ้นมา มันก็จะไม่สร้างความเสียหายให้กับเซิร์ฟเวอร์หลักขององค์กรหรือทำข้อมูลสำคัญรั่วไหลได้

ขั้นตอนการทำงานของ Agentic AI  “Perceive – Reason – Act – Learn”

ระบบของ Agentic AI มีทำงานเป็นวงจรต่อเนื่องเพื่อให้ผลลัพธ์ที่แม่นยำและมีประสิทธิภาพขึ้นเรื่อย ๆ โดยมีกระบวนการ 4 ขั้นตอนคือ

1. Perceive (การรับรู้)

ขั้นแรกคือการรวบรวมและทำความเข้าใจสิ่งแวดล้อมรอบตัว โดยดึงข้อมูลจากช่องทางต่าง ๆ ไม่ว่าจะเป็นฐานข้อมูล (Database), ระบบหลังบ้านผ่าน API, หน้าเว็บไซต์, เซ็นเซอร์, หรือไฟล์เอกสารที่เรา Input เข้าไปให้ รวมไปถึงการแยกแยะข้อมูลสำคัญ จดจำรูปแบบ และแปลงเป็นโครงสร้างข้อมูลที่พร้อมใช้งานด้วย

2. Reason (การคิดและให้เหตุผล)

ขั้นตอนนี้คือกระบวนการสำคัฯของของ Agentic AI เลย และต้องใช้ความสามารถจาก LLM เพื่อคิดวิเคราะห์ ว่าเมื่อ Agentic AI ได้รับโจทย์มาแล้ว จะย่อย Mission นั้น (ซึ่งอาจจะซับซ้อน) ให้กลายเป็นงานย่อย ๆ และเรียงลำดับความสำคัญมันยังไง ในขณะเดียวกันก็ต้องใช้เทคนิค RAG (Retrieval-Augmented Generation) ดึงคู่มือหรือข้อมูลเฉพาะขององค์กรมาใช้ร่วมด้วย แล้วค่อยตัดสินใจกระจายงานเหล่านั้นให้ AI Agents ไปทำต่อให้สำเร็จ

3. Act (การลงมือทำ)

เมื่อได้แผนการที่ชัดเจนแล้ว AI จะเชื่อมต่อกับซอฟแวร์ภายนอกและระบบต่าง ๆ เพื่อสั่งการให้เกิดผลลัพธ์ตามที่ Agentic AI ต้องการ โดยทำงานอย่างอัตโนมัติไปพร้อม ๆ กับจัดการข้อผิดพลาดหากเครื่องมือภายนอกทำงานติดขัด (ซึ่งในขั้นตอนนี้เราก็ปล่อยมันรันไปได้เลยค่ะ แต่ Agentic AI มันก็มีระบบป้องกันอยู่ (Human-in-the-Loop: HITL) อย่าง Claude นี่มันจะหยุดการทำงานและขอ Permission หรือ Acception ของเราก่อนที่จะทำอะไรสำคัญ ๆ เพื่อเป็นการรีเช็กว่าเราตกลงจะปล่อยให้มันทำสิ่งนี้จริง ๆ นะ ก็มีต้องสวิชต์จอไปกดให้มันบ้างบางครั้งค่ะ)

4. Learn (การเรียนรู้และปรับปรุง)

ขั้นตอนสุดท้ายที่ทำให้ระบบพัฒนาอย่างต่อเนื่อง คือหลังจากที่มันทำงานเสร็จแล้ว น้องก็จะเก็บบันทึกผลลัพธ์จากการลงมือทำ คำติชม และข้อผิดพลาดที่เกิดขึ้นมาอัปเดตกระบวนการในรอบถัดไป ทำให้ทำงานได้ฉลาดขึ้น แม่นยำขึ้น และปรับตัวเข้ากับสถานการณ์ใหม่ ๆ ได้ดีกว่าเดิมค่ะ

Use Cases จริงของการนำ Agentic AI ไปใช้ในธุรกิจ

อย่างที่เกริ่นไปก่อนหน้านี้ว่า Agentic AI จะเข้ามามีบทบาทอย่างมากในทุกอุตสาหกรรม ไม่ว่าจะขนาดเล็กกลาง ใหญ่ ปัจจุบันก็มีหลายอุตสาหกรรมเริ่มนำเทคโนโลยีนี้ไปใช้แก้ปัญหาในธุรกิจบ้างแล้วค่ะ ชมาขออนุญาตรวบรวมมาให้ดูกันนะว่าเราจะเอา Agentic AI และ AI Agents ไปใช้ทำอะไรได้บ้าง

• การบริการลูกค้า (Customer Service): จากแชตบอทยุคเดิมที่ตอบได้เฉพาะคำถามที่ตั้งไว้ แต่แชตบอทที่มี Agentic AI มันสามารถทำได้ถึงขั้นตรวจสอบประวัติลูกค้า ยืนยันข้อมูลในระบบ CRM ประเมินว่าเคสนั้นตรงตามเงื่อนไขการคืนเงินหรือไม่ และกดยืนยันการคืนเงินให้ลูกค้าได้ทันทีแบบ 24 ชั่วโมง
• งานสายพัฒนาซอฟต์แวร์ (Software Development): AI Agents ช่วยเขียนโค้ด ตรวจจับข้อผิดพลาด ทำเอกสารกำกับโค้ด หรือช่วยย้ายโค้ดเก่า ๆ ในอดีต (Legacy Code) บนเครื่องเมนเฟรมให้กลายเป็นภาษาใหม่ๆ ภายในเวลาไม่กี่นาทีได้
• การบริหารห่วงโซ่อุปทาน (Supply Chain Management): เช่น AI Agents ที่คอยมอนิเตอร์ระดับสินค้าในคลัง ติดตามพยากรณ์อากาศและจราจร ถ้าตรวจเจอแนวโน้มที่สินค้าจะขาดสต็อกหรือการจัดส่งล่าช้า AI Agents ก็สามารถตัดสินใจสั่งซื้อเพิ่มหรือเปลี่ยนเส้นทางการจัดส่งได้เองเพื่อลดโอกาสระบบสะดุด
• การเงินและธนาคาร (Financial Services): สถาบันการเงินยักษ์ใหญ่อย่าง JPMorgan Chase กำลังนำ Agentic AI ไปใช้ตรวจสอบการฟอกเงินและทุจริตแบบเรียลไทม์ ไปจนถึงช่วยทำหน้าที่จัดพอร์ตการลงทุนที่ตรงใจเฉพาะบุคคลได้ด้วย (เราจะรวยกันหมด)
• การวิจัยเชิงลึกและการแพทย์ (Healthcare & Research): ใช้สรุปงานวิจัยน่าเชื่อถือจากแหล่งข้อมูลจำนวนมาก วางแผนทดลอง และช่วยคุณหมอมอนิเตอร์ตรวจจับอาการไม่พึงประสงค์จากการรักษาในบันทึกคนไข้เพื่อหาทางป้องกันได้ทันท่วงที

ตัวอย่าง Use Cases การใช้ Agentic AI ในงาน Marketing

• เคมเปญโฆษณาอัตโนมัติ

แทนที่จะใช้คนคอยปรับเปลี่ยนกลุ่มเป้าหมายหรือโยกงบโฆษณา Agentic AI สามารถดูแลการยิงแคมเปญโฆษณาได้ตั้งแต่ต้นจนจบ ตั้งแต่การตรวจสอบ (Perceive) ผลลัพธ์โฆษณาบน Google Ads และ Meta Ads ทุกชั่วโมง วิเคราะห์เหตุผล (Reason) ว่ากลุ่มเป้าหมายไหนที่เริ่มมี CPC สูงแล้วก็ทำการปรับเปลี่ยน (Act) สลับกราฟิก A/B Testing และโยกเงินงบประมาณไปยังตัวที่ทำเป้าหมายได้ดีกว่า พร้อมเรียนรู้ (Learn) พฤติกรรมกลุ่มเป้าหมายเพื่อแคมเปญถัดไป

• ผลิตและกระจายคอนเทนต์

วางระบบให้ Agentic AI รับหน้าที่เป็นทั้ง Content Creator, Editor และ Media Planner ในระบบเดียว ตั้งแต่มอนิเตอร์กระแส Trend บน X หรือ TikTok (Perceive) แล้วนำมาวิเคราะห์ว่าแบรนด์สามารถล้อไปกับกระแสไหนได้บ้าง (Reason) ต่อไปก็เขียนบทความสั้น/ยาว พร้อมเจนภาพประกอบ และสั่งโพสต์ลงทุกช่องทางโซเชียลมีเดียของแบรนด์ (Act) แล้วตามดูยอด Engagement ย้อนหลังเพื่อดูว่าสไตล์ไหนคนชอบที่สุด (Learn)

• สำรวจตลาดและคู่แข่ง

ตั้งตารางเวลาให้ AI Agents ออกไปสแกนเว็บไซต์คู่แข่ง ตรวจสอบการปรับเปลี่ยนราคา และส่องรีวิวของลูกค้าคู่แข่งบนแพลตฟอร์มอีคอมเมิร์ซ (Perceive) แล้วประเมินจุดอ่อนกับกลยุทธ์ใหม่ของคู่แข่ง (Reason) พร้อมส่งแจ้งเตือนหรือปรับกลยุทธ์ราคาในร้านค้าของตัวเองทันที (Act)

• แชทบอทปิดการขายและรักษาลูกค้า

เปลี่ยนจากแชตบอทที่ตอบตามสคริปต์ ไปเป็น AI ที่คุยเพื่อปิดการขายและสร้างความสัมพันธ์ระยะยาว โดยเมื่อมีลูกค้าทักแชตมา ตัว AI Agents จะดึงประวัติการซื้อจากระบบ CRM มาวิเคราะห์ (Perceive) คำนวณหาแคมเปญหรือสินค้าที่ลูกค้าน่าจะสนใจมากที่สุดในเวลานั้น (Reason) แล้วเสนอขายพร้อมโค้ดส่วนลดพิเศษเฉพาะบุคคล หรือช่วยแก้ไขปัญหาหลังการขายที่ซับซ้อนให้จบในแชตอย่างรวดเร็ว (Act)

อ่านเพิ่มเติมเกี่ยวกับ Agentic AI ใน Marketing ได้ที่:

E-book Agentic AI in Marketing for Consumer Goods พลิกโลกการทำการตลาดในสาย Consumer Goods ด้วย Agentic AI
บทความ Agentic AI for Marketing Growth เมื่อ Agentic AI ไม่ใช่แค่ผู้ช่วย แต่คือทีมที่ทำงานแทนเราเพื่อการเติบโตอีกขั้น
บทความ ผลกระทบของ Agentic AI ต่อโลกธุรกิจและวงการ CX การปฏิวัติครั้งใหม่ของการทำงานร่วมกันระหว่างมนุษย์และ AI

ความท้าทายและความเสี่ยงของ Agentic AI ที่ต้องเตรียมรับมือ

แม้ Agentic AI จะดูเก่งกาจและเพิ่มประสิทธิภาพได้มาก แต่อย่าลืมนะคะว่ามันก็เสี่ยงมากเหมือนกัน (ขนาดให้ลูกน้องที่น่าไว้ใจในทีมทำงานเองยังน่าเป็นห่วงเลย นับประสาอะไรกับ AI) ​เพราะฉะนั้นองค์กรไหนที่จะเอาเทคโนโลยีพวกนี้มาใช้ก็ต้องให้ความสำคัญกับการเตรียมรับความเสี่ยงด้วยค่ะ

• ความน่าเชื่อถือและการควบคุม (Reliability & Trust):

เนื่องจาก AI Agents ทำงานกันอย่างเป็นอิสระ ถ้าเป้าหมายเขียนมาไม่รัดกุม AI อาจจะมีเหลี่ยมในการทำงานจนส่งผลเสียต่อระบบได้ เช่น  AI Agents ที่คัดกรองเนื้อหาอาจเผลอแบนการสนทนาปกติเพราะมีเควสให้ลดคำพูดรุนแรงให้เหลือศูนย์ หรือเอเจนต์ซื้อขายหุ้นอาจใช้กลยุทธ์ที่เสี่ยงเกินเหตุเพื่อสร้างกำไรสูงสุด เป็นต้น (แอบน่ากลัว)

• ความโปร่งใสและตรวจสอบยาก (Transparency & Debugging):

ด้วยความซับซ้อนของโครงสร้าง การมานั่งหาคำอธิบายว่าทำไม AI ถึงตัดสินใจแบบนั้นแบบนี้จึงค่อนข้างทำได้ยากในทางปฏิบัติ แถมถ้าเกิดปัญหา การทดสอบหรือไล่หาจุดบกพร่องก็ยากกว่าซอฟต์แวร์แบบเดิมที่มนุษย์สร้างมาเองทั้งหมด

• ความปลอดภัยทางไซเบอร์ (Cybersecurity): 

ยิ่ง Agentic AI ได้รับความไว้วางใจให้เข้าถึงระบบต่าง ๆ ในองค์กรมากเท่าไร การป้องกันความเสี่ยงจากการถูกแฮกหรือการถูกสั่งให้ทำเรื่องอันตรายผ่านการ Prompt ก็ยิ่งสำคัญ

• งานหนักอยู่ที่หลังบ้าน (The Heavy Lift):

การนำ Agentic AI ไปใช้งานจริงในธุรกิจ ทำให้งานหลักกว่า 80% คือการจัดเตรียมโครงสร้างข้อมูลให้อยู่ในรูปแบบที่ถูกต้อง จัดวางแนวทางควบคุม และเชื่อมต่อเข้ากับระบบซอฟต์แวร์เดิมอย่างราบรื่น

Special Part: คำศัพท์เกี่ยวกับ Agentic AI ที่รู้ไว้มีประโยชน์

1. LLM (Large Language Model) คือโมเดลภาษาขนาดใหญ่ที่ถูกฝึกฝนด้วยข้อมูลมหาศาล มีความรู้รอบตัว มีวาทศิลป์ เขียนคอนเทนต์ได้ดี แต่ไม่รู้ข้อมูลภายในเชิงลึกของธุรกิจเรา

2. RAG (Retrieval-Augmented Generation) คือเทคนิคการดึงข้อมูลจากคลังเอกสารภายนอกส่งให้ AI อ่าน ก่อนที่มันจะสร้างคำตอบ ช่วยให้ AI ตอบได้ถูกต้อง แม่นยำ และไม่ออกนอกกรอบข้อมูลของแบรนด์

3. Vector Database คือฐานข้อมูลรูปแบบพิเศษที่แปลงข้อความให้เป็นตัวเลข เพื่อให้ค้นหาความหมายที่เกี่ยวข้องกันได้ ไม่ใช่แค่การจับ Keyword เช่นถ้าลูกค้าค้นหาคำว่า “ชุดใส่ไปทะเล” บนเว็บเรา ระบบที่มี Vector Database จะดึง “ชุดเดรสลายดอก” หรือ “กางเกงขาสั้นผ้าฝ้าย” ออกมาเสนอให้ แม้ในชื่อสินค้าจะไม่มีคำว่า “ทะเล” เลยก็ตามค่ะ (เก่งอ่ะ)

4. MCP (Model Context Protocol) คือโพรโตคอลที่เหมือนปลั๊กพ่วง ช่วยให้ AI สามารถเชื่อมต่อกับแอปพลิเคชันหรือเครื่องมือภายนอกได้อย่างปลอดภัย (คล้าย ๆ กับ API ที่เรารู้จักนั่นแหละค่ะ) ซึ่ง MCP นี้ทำให้ AI สามารถเชื่อมต่อเข้ากับ Google Docs, Notion, CRM หรือระบบยิงโฆษณาได้ทันที โดยไม่ต้องเขียนโค้ดเชื่อมต่อใหม่ (ซึ่งแต่ละเครื่องมือก็มีวิธีเชื่อม MCP ต่างกันนะคะ อันนี้ต้องศึกษาเป็นรายตัวไป)

5. CoT (Chain-of-Thought) คือเทคนิคการคิดวิเคราะห์ที่กระตุ้นให้ AI แสดงกระบวนการคิดออกมาทีละสเต็ปก่อนให้คำตอบสุดท้ายเพื่อลดข้อผิดพลาดในงานวิเคราะห์ข้อมูลที่ซับซ้อน

6. Reflection / Self-Correction คือกระบวนการที่ AI ถูกตั้งค่าให้ประเมิน ตรวจสอบ และแก้ไขผลงานของตัวเองก่อนส่งมอบ

7. Human-in-the-Loop (HITL) คือการออกแบบระบบ Agentic AI โดยกำหนดให้มีมนุษย์คอยตรวจสอบ อนุมัติ หรือตัดสินใจในจุดสำคัญเพื่อป้องกันความผิดพลาด

8. Multi-Agent System คือระบบที่นำ AI หลายตัวมาทำงานร่วมกัน โดยแต่ละตัวมีบทบาท หน้าที่ และความเชี่ยวชาญต่างกัน เช่น Agent ตัวที่ 1 ทำหน้าที่วิจัยตลาด, Agent ตัวที่ 2 เขียน Copywriting, และ Agent ตัวที่ 3 คอยออกแบบภาพประกอบ แล้วทั้งหมดทำงานส่งต่อกันจนจบโครงการ

9. CrewAI คือเฟรมเวิร์คสำหรับบริหารทีม AI ซึ่งเป็น Open-source ยอดนิยมที่ใช้สำหรับสร้างและจัดการ Multi-Agent System โดยเราสามารถกำหนด บทบาท (Role), เป้าหมาย (Goal), และภารกิจ (Task) ให้ Agent แต่ละตัวทำงานร่วมกันได้อย่างเป็นระบบ

FAQ

Q: Agentic AI ทำงานต่อเนื่องได้แค่ไหน?

A: AI Agents ใน Agentic AI สามารถ Stand by ทำงานได้ตลอด 24 ชั่วโมง โดยจะทำหน้าที่เฝ้าระวัง ประมวลผลข้อมูล และลงมือปฏิบัติตามเป้าหมายที่ได้รับหมอบหมายจนกว่าจะสำเร็จ

Q: เราจะคำนวณ ROI ของการใช้ Agentic AI อย่างไร?

A: สิ่งสำคัญคือต้องดูผลประโยชน์ทั้งทางตรงและทางอ้อม ตัวอย่างเช่น ปริมาณงานที่เพิ่มขึ้น คุณภาพงานที่ดีขึ้น และเวลาที่พนักงานประหยัดไปได้

แต่การที่ AI ประหยัดเวลาของพนักงานได้ 20% ไม่ได้แปลว่าต้นทุนค่าแรงขององค์กรจะลดลง 20% ด้วยนะ (อย่าลืมว่าการวิเคราะห์ ROI ต้องคำนึงถึงต้นทุนที่เราใช้คนไปกับการพัฒนาและดูแลรักษาอย่างต่อเนื่องด้วย)

Q: การปรับมาใช้ Agentic AI คุ้มค่ากว่าการใช้ Generative AI แบบเดิมอย่างไร?

A: Generative AI แบบเดิมคุ้มค่าในแง่การเพิ่มความเร็วเฉพาะจุด แต่ยังต้องใช้คนคอยป้อนคำสั่งและทำงานในสเต็ปต่อไปเอง 

ในขณะที่ Agentic AI คุ้มค่าในแง่การประหยัดแรงงานทั้งกระบวนการ (End-to-End Automation) เพราะสามารถทำงานข้ามระบบและตัดสินใจตามเป้าหมายได้ ทำให้พนักงานไม่ต้องเสียเวลาสลับหน้าจอไปมาเพื่อทำงานซ้ำซาก โดยเฉพาะ Routine Tasks ทำให้องค์กรสามารถสเกลงานได้มากและไวขึ้น

Q: ถ้าอยากเอา Agentic AI มาใช้ในทีมการตลาด ควรเริ่มจากจุดไหนก่อน

A: ให้ง่ายและสะดวกที่สุดควรลองเริ่มจากงานที่มีเงื่อนไขหรือแพตเทิร์นชัดเจน มีข้อมูลพร้อม แต่ต้องทำซ้ำ ๆ ก่อน เช่น สแกนรีวิวคู่แข่ง หรือสรุป Report ประสิทธิภาพโฆษณาประจำวัน ฯลฯ โดยอย่าลืมตั้งค่าระบบให้มี Human-in-the-Loop (HITL) ในงานสำคัญเสมอนะคะ

งานที่ต้องมีคนคอยอนุมัติ (HITL) เช่น การให้ AI คิดคอนเทนต์ เลือกรูป และตั้งเวลาโพสต์ อันนี้ต้องให้ Content Creator หรือ Marketer มารีเช็กและ Approve ก่อนโพสต์จริงเสมอ แล้วถ้าระบบเริ่มเสถียรและทีมงานเชื่อมั่นในผลลัพธ์ของ AI มากพอแล้ว จึงค่อยขยายขอบเขตการทำงานไปยังส่วนอื่นๆ ต่อไปก็ได้ค่ะ

Q: การจะให้ Agentic AI มาทำงานแทนเราได้อย่างราบรื่นต้องเตรียมพร้อมอะไรอย่างไรบ้าง?

A: สิ่งสำคัญที่สุดคือโครงสร้างพื้นฐานหลังบ้านต้องพร้อม โดยเฉพาะเรื่อง Data ไม่ว่าจะเป็น ข้อมูลสินค้า ประวัติลูกค้า และ Brand Guideline ต้องชัดเจนและถูกจัดเก็บอย่างเป็นระบบ ถ้าให้ดีควรแปลงให้อยู่ในรูปแบบที่ AI เข้าถึงได้ง่าย (เช่น ทำระบบ RAG หรือ Vector Database)

เพิ่มเติมคือเครื่องมือที่ใช้ในองค์กร (CRM, E-commerce, Ad Manager) ต้องเปิดช่องทางให้ AI เข้าไปดึงข้อมูลหรือสั่งการได้ (ทำ MCP)