Agentic AI แตกต่างจาก Chatbot ทั่วไปตรงที่ไม่ได้เพียงตอบคำถาม แต่สามารถวางแผน เรียกใช้เครื่องมือ อ่านข้อมูลจากหลายระบบ ตัดสินใจ และดำเนินงานต่อเนื่องหลายขั้นตอน ตัวอย่างเช่น ตรวจสอบคำสั่งซื้อใน ERP เช็กวงเงินลูกค้า สร้างเอกสาร และส่งเรื่องให้ผู้อนุมัติ
ศักยภาพดังกล่าวทำให้ Agentic AI ได้รับความสนใจอย่างรวดเร็ว แต่การทดลองจำนวนมากยังไม่สามารถขยายเป็นระบบ Production ที่สร้างผลกระทบทางธุรกิจได้
ข้อมูลของ Deloitte ระบุว่า 38% ขององค์กรที่สำรวจอยู่ในขั้น Pilot ขณะที่ 14% มีระบบพร้อมนำไปใช้งาน และเพียง 11% ใช้งานจริงใน Production (Deloitte) ในอีกด้านหนึ่ง Gartner คาดการณ์ว่าโครงการ Agentic AI มากกว่า 40% จะถูกยกเลิกภายในสิ้นปี 2027 จากต้นทุนที่เพิ่มขึ้น คุณค่าทางธุรกิจไม่ชัดเจน และระบบควบคุมความเสี่ยงไม่เพียงพอ (Gartner)
ตัวเลขนี้ไม่ควรถูกตีความว่า Agentic AI ไม่มีอนาคต แต่เป็นสัญญาณว่าองค์กรต้องเลิกวัดความสำเร็จจากจำนวน Pilot และเริ่มวัดจากกระบวนการที่ใช้งานจริง คุณภาพงาน ต้นทุนต่อภารกิจ และผลลัพธ์ทางธุรกิจ
หมายเหตุด้านหลักฐาน: ตัวเลข ROI เฉลี่ย 171-192% และข้อความว่า Agent ใช้ Token มากกว่า Chatbot 5-30 เท่า ยังไม่พบแหล่งปฐมภูมิที่ตรวจสอบได้ชัดเจน จึงไม่ควรนำไปอ้างอิงเป็นค่ามาตรฐานใน Business Case โดยไม่มีแหล่งข้อมูลและวิธีคำนวณประกอบ
ทำไม Agentic AI จึงแพงกว่าที่คาด
ต้นทุนของ Agent ไม่ได้เกิดจากคำตอบสุดท้ายเพียงครั้งเดียว แต่เกิดจากวงจรการทำงานทั้งหมด เช่น
- รับและตีความเป้าหมาย
- สร้างแผนการทำงาน
- ค้นข้อมูลหรือเรียกเครื่องมือ
- ตรวจสอบผลลัพธ์
- แก้ไขแผนเมื่อเกิดข้อผิดพลาด
- เรียกโมเดลอีกครั้งเพื่อสรุปหรือดำเนินการ
Workflow เดียวจึงอาจมีการเรียกโมเดลหลายครั้ง ใช้ Context ขนาดใหญ่ และส่งข้อมูลเดิมซ้ำ หาก Agent เข้าสู่ Reasoning loop หรือเครื่องมือภายนอกตอบกลับผิดพลาด ต้นทุนและระยะเวลาทำงานอาจเพิ่มขึ้นอย่างรวดเร็ว
ด้วยเหตุนี้ "ราคาต่อ Token" จึงไม่ใช่ KPI ที่เพียงพอ องค์กรควรวัดต้นทุนต่อผลลัพธ์ เช่น
- ต้นทุนต่อเคสบริการลูกค้าที่ปิดสำเร็จ
- ต้นทุนต่อ Incident ที่แก้ไขได้ตาม SLA
- ต้นทุนต่อใบแจ้งหนี้ที่ตรวจสอบสำเร็จ
- ต้นทุนต่อลูกค้าที่ผ่านกระบวนการ Onboarding
- ต้นทุนต่อโค้ดที่ผ่านการทดสอบและนำขึ้นใช้งาน
Reality Check: ปัญหาใหญ่กว่าค่า Token คือ Data และ Legacy ERP
Agent จะทำงานได้ดีเมื่อเข้าถึงข้อมูลที่ถูกต้อง มีบริบท และมีสิทธิ์ใช้งานอย่างเหมาะสม แต่ ERP เดิมจำนวนมากไม่ได้ถูกออกแบบให้ AI ดำเนินการแทนมนุษย์
ปัญหาที่พบบ่อย ได้แก่
- ไม่มี API หรือ API รองรับเฉพาะการอ่านข้อมูล
- ข้อมูลสำคัญอยู่ในช่องหมายเหตุ เอกสารสแกน หรือไฟล์แนบ
- รหัสลูกค้าและสินค้าไม่ตรงกันระหว่างระบบ
- Business rule ฝังอยู่ใน Custom code หรืออยู่ในความรู้ของพนักงาน
- ไม่สามารถระบุได้ว่า Agent มีสิทธิ์อ่าน แก้ไข หรืออนุมัติข้อมูลระดับใด
- ระบบเดิมไม่รองรับ Transaction rollback เมื่อ Agent ทำงานผิดพลาด
แนวทางที่ปลอดภัยกว่าคือไม่ให้ Agent เชื่อมต่อฐานข้อมูล Production โดยตรง แต่สร้างชั้นควบคุมระหว่าง Agent กับระบบเดิม ประกอบด้วย API, identity management, policy enforcement, logging และ approval workflow
สถาปัตยกรรมควบคุมต้นทุนและความเสี่ยง
องค์กรควรสร้าง AI Gateway เป็นจุดกลางสำหรับคำขอทั้งหมด โดยทำหน้าที่อย่างน้อยห้าประการ
- Model routing: ส่งงานง่ายไปยังโมเดลขนาดเล็ก และส่งเฉพาะงานซับซ้อนไปยังโมเดลสมรรถนะสูง
- Prompt caching: เก็บส่วนที่ใช้ซ้ำ เช่น System prompt, Tool schema และเอกสารอ้างอิงคงที่
- Context control: จำกัดขนาด Context และเลือกเฉพาะข้อมูลที่เกี่ยวข้อง
- Budget enforcement: กำหนดเพดาน Token เวลา จำนวนรอบ และต้นทุนต่อ Workflow
- Observability: บันทึก Prompt, Model, Tool call, Latency, Error และต้นทุนของแต่ละขั้นตอน
Circuit Breaker ควรถูกใช้เพื่อหยุด Agent เมื่อเกิดเงื่อนไขผิดปกติ เช่น เรียกเครื่องมือเกินจำนวนที่กำหนด ต้นทุนเกินเพดาน ทำงานนานเกินไป หรือพยายามเข้าถึงข้อมูลนอกขอบเขต
สำหรับธุรกรรมที่มีผลทางการเงิน กฎหมาย หรือข้อมูลส่วนบุคคล ควรใช้ Human-in-the-loop ก่อน Agent ดำเนินการขั้นสุดท้าย
ห้ากลยุทธ์ลดต้นทุนโดยไม่ลดคุณภาพ
1. Model Routing และ Tiering
ไม่ควรใช้โมเดลระดับสูงสุดกับทุกงาน งานจำแนกประเภท ดึงข้อมูล สรุปเอกสาร หรือจัดรูปแบบข้อมูลอาจใช้โมเดลขนาดเล็ก ส่วนการวางแผนหลายขั้นตอนหรือการตัดสินใจที่มีความคลุมเครือจึงค่อยใช้โมเดลที่มีความสามารถสูงกว่า
2. Context Optimization
Agent ไม่จำเป็นต้องเห็นข้อมูลทั้งหมด ควรใช้ Retrieval เพื่อเลือกเอกสารที่เกี่ยวข้อง สรุปประวัติการสนทนา และกำหนดอายุของ Session memory การลดข้อมูลที่ไม่เกี่ยวข้องช่วยทั้งเรื่องต้นทุน ความเร็ว และคุณภาพคำตอบ
3. Prompt Caching
ส่วนที่คงที่ เช่น นโยบายบริษัท คู่มือสินค้า และ Tool definition ควรถูกออกแบบให้อยู่ในรูปแบบที่ Cache ได้ แต่ต้องมี Version control และกลไกยกเลิก Cache เมื่อข้อมูลเปลี่ยน มิฉะนั้น Agent อาจใช้กฎหรือข้อมูลเก่า
4. Model Optimization
สำหรับงานที่มีปริมาณสูงและรูปแบบคงที่ องค์กรอาจพิจารณา Distillation เพื่อสร้างโมเดลเฉพาะทาง รวมถึง Quantization เพื่อลดหน่วยความจำและ Compute หากใช้โมเดลแบบ Open-weight อย่างไรก็ตาม การ Self-host ไม่ได้แปลว่าถูกกว่าเสมอ ต้องรวมต้นทุน GPU ทีมดูแล ความปลอดภัย Monitoring และกำลังการประมวลผลที่ไม่ได้ใช้งานไว้ใน TCO ด้วย
5. FinOps for AI
FinOps สำหรับ AI ต้องเชื่อมข้อมูลสามชั้นเข้าด้วยกัน
| ชั้นข้อมูล | สิ่งที่ต้องวัด |
|---|---|
| Technology | Token, Model, Cache hit, Latency, Tool calls, Compute |
| Workflow | Completion rate, Retry, Human intervention, Error rate |
| Business | รายได้ ต้นทุนต่อเคส SLA Conversion และความพึงพอใจ |
การลดต้นทุนต่อ Token ไม่มีความหมาย หาก Completion rate ลดลงจนพนักงานต้องกลับมาแก้ไขงานมากขึ้น
Framework ตามระดับความพร้อม
Beginner: ทดลองอย่างมีขอบเขต
- เลือก Use case ที่มีปริมาณงานและ Baseline ชัดเจน
- เริ่มจาก Read-only หรือให้ Agent เสนอคำตอบแทนการดำเนินการเอง
- ตั้งเพดานต้นทุน เวลา และจำนวน Tool calls
- วัด Cost per completed task ตั้งแต่วันแรก
- หลีกเลี่ยงการเชื่อม ERP แบบกว้างทั้งระบบ
Intermediate: สร้างแพลตฟอร์มและการกำกับดูแล
- ใช้ AI Gateway และ Model routing ส่วนกลาง
- สร้าง Knowledge Layer พร้อม Metadata และสิทธิ์เข้าถึง
- เชื่อม ERP ผ่าน API ที่มี Policy และ Audit log
- ใช้ Prompt caching และ Context optimization
- จัดระดับความเสี่ยงของ Agent ตามอำนาจในการดำเนินการ
Advanced: ออกแบบกระบวนการใหม่
- เปลี่ยนจาก Agent เดี่ยวเป็นระบบที่แบ่งบทบาทชัดเจนเมื่อมีเหตุผลรองรับ
- แยก Agent สำหรับวางแผน ดำเนินงาน ตรวจสอบ และอนุมัติ
- ใช้โมเดลเฉพาะทางหรือ Open-weight กับ Workload ปริมาณสูง
- ทำ Continuous evaluation เพื่อตรวจคุณภาพ ต้นทุน และ Model drift
- เชื่อม ROI เข้ากับ P&L และ KPI ของเจ้าของกระบวนการ
Multi-agent ไม่ควรถูกมองว่าเป็น Best Practice สำหรับทุกกรณี เพราะ Agent ที่มากขึ้นหมายถึง Tool calls, Token, จุดผิดพลาด และภาระในการติดตามที่มากขึ้น ควรใช้เมื่อการแบ่งหน้าที่ช่วยเพิ่มคุณภาพหรือการควบคุมได้อย่างวัดผลได้เท่านั้น
ข้อสรุปสำหรับผู้บริหาร
Agentic AI จะสร้าง ROI ได้เมื่อองค์กรเลือกกระบวนการที่เหมาะสม มีข้อมูลพร้อม วางขอบเขตอำนาจชัดเจน และควบคุมต้นทุนในระดับ Workflow ไม่ใช่เพียงระดับ Token
องค์กรไม่ควรเริ่มจากคำถามว่า "จะใช้ Agent รุ่นใด" แต่ควรถามว่า "กระบวนการใดมีมูลค่าสูงพอ ข้อมูลพร้อมเพียงใด และเราจะทราบได้อย่างไรว่างานเสร็จสมบูรณ์"
ทีม Devsign ออกแบบระบบ Agentic AI ระดับองค์กร พร้อม AI Gateway, การควบคุมสิทธิ์ และการวัดต้นทุนต่อผลลัพธ์ตั้งแต่วันแรกของโครงการ