ภาคอุตสาหกรรมเห็นพ้องต้องกันอย่างชัดเจนว่าปี 2025 เป็นการเริ่มต้นยุค AI Agent ที่ปัจจุบันถูกมองว่าเป็นระบบอัจฉริยะที่ก้าวข้ามขีดจำกัดของ chatbots และ copilots โดย AI Agent สามารถกำหนดเป้าหมาย ตัดสินใจเรื่องซับซ้อน และดำเนินงานหลายขั้นตอนได้อย่างอิสระภายใต้การกำกับดูแลของมนุษย์ กล่าวได้ว่า การเปลี่ยนแปลงจากการเป็นเพียงเครื่องมือเก็บข้อมูลความรู้ (passive knowledge tools) ไปสู่การเป็นระบบที่ทำงานเชิงรุกและเน้นการลงมือปฏิบัติในครั้งนี้เป็นการก้าวกระโดดครั้งสำคัญด้านขีดความสามารถของ agent
McKinsey ชี้ให้เห็นว่าก้าวสำคัญต่อไปของ generative AI คือการเปลี่ยนผ่านจากงานที่ใช้ข้อมูลความรู้ (knowledge-based tasks) ไปสู่งานที่เน้นการลงมือทำโดย agents ทั้งนี้ AI agent ต่าง ๆ ที่มาพร้อมความสามารถในการใช้เหตุผล การวางแผน และการปรับกลยุทธ์แบบเรียลไทม์ ที่มีประสิทธิภาพล้ำหน้า จะพร้อมทำงานในสภาพแวดล้อมที่ซับซ้อน เพื่อให้การทำงานในโลกของการใช้งานจริงประสบผลสำเร็จ ดังนั้น จึงไม่น่าแปลกใจที่มีการคาดการณ์ว่าตลาด agentic AI จะเติบโตอย่างก้าวกระโดดในอีกไม่กี่ปีข้างหน้า
การเติบโตของ AI Agent: จากการทดลองสู่การใช้งานอย่างแพร่หลาย
เราได้เห็นการเปลี่ยนผ่านจาก chatbot ธรรมดา ๆ สู่การเป็น agent ที่สามารถลงมือปฏิบัติได้แล้ว องค์กรต่าง ๆ กำลังทดสอบและเริ่มนำ AI agents ไปใช้อย่างจริงจัง เพื่อเพิ่มประสิทธิภาพให้กับเวิร์กโฟลว์ต่าง ๆ ตั้งแต่การจัดตารางการประชุมอัตโนมัติ การสร้างรายงานการวิเคราะห์ และการดีบักโค้ด ไปจนถึงการเตรียมแคมเปญการตลาดและการขาย การคัดกรองจดหมายสมัครงาน และการจัดการคำถามจากลูกค้า
การคาดการณ์บางส่วนระบุว่า ภายในปี 2026 agentic AI จะเริ่มเติบโตเต็มที่ จากการเป็นเพียงการทดลองแบบแยกส่วน เปลี่ยนผ่านไปสู่การนำไปใช้ในกลุ่มธุรกิจต่าง ๆ อย่างกว้างขวาง การเร่งตัวนี้จะได้รับแรงหนุนจากขีดความสามารถที่เพิ่มขึ้นของ agent ซึ่งรวมถึงความเป็นอิสระที่เพิ่มขึ้น การรับรู้บริบท การผนวกเครื่องมือเข้าด้วยกัน ขีดความสามารถในการประมวลผลข้อมูลหลายรูปแบบ (multimodal capabilities) การปรับแต่งให้เหมาะกับแต่ละบุคคล หน่วยความจำระยะยาว รวมถึงความปลอดภัยและการปรับจูนให้สอดคล้อง (alignment) กับสิ่งที่มนุษย์ต้องการจริง ๆ
อย่างไรก็ตาม การจะนำ agents ไปใช้งานในวงกว้าง เพื่อตอบสนองความต้องการทางธุรกิจ ยังคงมีงานที่ต้องทำอีกมาก เพราะปัจจุบัน AI agents ยังคงต้องพึ่งพาโมเดลภาษาขนาดใหญ่ (LLMs) เป็นพื้นฐานในการดำเนินงานต่าง ๆ การจะสามารถลดการสร้างข้อมูลที่ไม่จริง (hallucination) และเพิ่มความแม่นยำในงานเฉพาะทางได้นั้น ผู้ให้บริการ agent ต้องทำงานอย่างใกล้ชิดกับลูกค้าองค์กรเพื่อพัฒนา agent ที่ปรับแต่งให้เหมาะสมเฉพาะงานที่ต้องการและมีความเชี่ยวชาญเฉพาะด้าน ซึ่งสามารถแก้ไขปัญหาทางธุรกิจในแต่ละวันได้ด้วยอย่างแม่นยำสูง (เช่น การนำ agent ด้านสุขภาพไปใช้ในคลินิก)
ดังนั้น การพัฒนา agent ที่สามารถใช้เครื่องมือต่าง ๆ ได้อย่างยืดหยุ่นเพื่อแก้ไขปัญหาต่าง ๆ เพื่อการควบคุมแทรกแซงแบบเรียลไทม์ เพื่อคงความสอดคล้องกับความต้องการของมนุษย์ และเพื่อการบริหารจัดการบริบทอย่างชาญฉลาดเพื่อเพิ่มความแม่นยำ จึงเป็นสิ่งที่มีความสำคัญสูงสุดในการขับเคลื่อนการนำ AI agents ไปปรับใช้ในองค์กรในวงกว้าง
จาก ModelScope สู่ AgentScope: การจัดการกลุ่ม AI agents ที่กำลังเติบโต
เราได้เห็นวิวัฒนาการที่สำคัญอีกอย่างหนึ่งของยุค agent นั่นคือการที่จะปลดล็อกให้องค์กรได้ใช้ AI อย่างเต็มประสิทธิภาพ ต้องเปลี่ยนจากการใช้โมเดลหรือ agent แบบ standalone ไปสู่ระบบ multi-agent ที่ทำงานร่วมกัน และถูกถักทอเข้าเป็นส่วนหนึ่งของการดำเนินงานทางธุรกิจอย่างแน่นหนา การทำงานร่วมกันลักษณะนี้เท่านั้นที่จะช่วยให้องค์กรใช้ประโยชน์จาก AI ในระดับที่เพียงพอที่จะสามารถค้นพบมูลค่าทางธุรกิจใหม่ ๆ และสร้างโอกาสในการเติบโตที่ก่อให้เกิดการเปลี่ยนแปลงแบบพลิกโฉมได้
แพลตฟอร์มในปัจจุบัน เช่น ModelScope ของอาลีบาบา ซึ่งให้บริการแบบ models as a service มีบทบาทสำคัญอย่างยิ่งในการเปิดให้ผู้ใช้งานเข้าถึงไลบรารี่ขนาดใหญ่ของโมเดล AI แต่ละโมเดล และช่วยให้ธุรกิจดึงศักยภาพของ AI หลากหลายรูปแบบมาใช้ประโยชน์ อย่างไรก็ตาม ข้อจำกัดของโมเดลหรือเอเจนต์เดี่ยวที่มีโครงสร้างแบบโมโนลิธิก (single, monolithic model or agent) กลับปรากฏชัดเจนเมื่อองค์กรต้องรับมือกับปัญหาที่ซับซ้อนและเปลี่ยนแปลงอย่างต่อเนื่อง แม้ว่าเอเจนต์เดี่ยวจะสามารถทำงานแบบอัตโนมัติได้ แต่โดยทั่วไปแล้วยังไม่สามารถประสานกระบวนการเพื่อให้บรรลุเป้าหมายที่มีความซับซ้อนได้
ความท้าทายนี้กำลังนำไปสู่การเกิดขึ้นของระบบที่เรียกว่า Multi-Agent Systems (MAS) นั่นคือจะไม่ได้ใช้ AI agent ที่ทรงพลังเพียงเอเจนต์เดียวแก้ปัญหาทางธุรกิจที่ซับซ้อน แต่จะใช้เอเจนต์ที่เชี่ยวชาญเฉพาะทางด้านต่าง ๆ ทำงานร่วมกันเป็นทีมเพื่อแก้ไขปัญหานั้น ๆ เช่น การตัดสินใจลงทุน จะต้องได้รับการสนับสนุนจากกลุ่มเอเจนต์จำนวนมาก เริ่มจากเอเจนต์วิเคราะห์ด้านการเงิน ซึ่งจะทำการวิเคราะห์ปัจจัยพื้นฐาน รายงานการเงิน และ ประเมินมูลค่าของผู้ลงทุนที่มีศักยภาพ ต่อด้วย เอเจนต์วิเคราะห์รายงาน ที่ทำหน้าที่ตรวจสอบและสรุปรายงานก่อนหน้าของบริษัทด้านการลงทุนต่าง ๆ เกี่ยวกับผู้ที่อาจได้รับการลงทุนนี้ และสุดท้ายคือเอเจนต์ข่าวที่ให้ข้อมูลภาพรวมความเคลื่อนไหวของบริษัทในสื่อรวมถึงความน่าเชื่อถือและชื่อเสียงของแบรนด์
การทำงานร่วมกันของ multi-agent ไม่ได้เป็นเพียงทางเลือก แต่เป็นจุดเปลี่ยนสำคัญที่จะช่วยให้องค์กรต่าง ๆ ได้ใช้คุณประโยชน์ของ AI อย่างแท้จริงได้เต็มประสิทธิภาพ เอเจนต์แต่ละตัวเป็นเครื่องมือทรงพลังก็จริง แต่การจะเพิ่มความสามารถของแต่ละเอเจนต์ให้ถึงขีดสุด และสร้างผลตอบแทนที่จับต้องได้อย่างทวีคูณและต่อเนื่องในวงกว้างได้นั้น เอเจนต์เหล่านั้นจำเป็นต้องเรียนรู้ที่จะทำงานร่วมกันเป็นทีมได้อย่างมีประสิทธิภาพ
Agent Framework เพื่อขับเคลื่อนการทำงานร่วมกันของ Multi-agent
การที่จะทำให้การทำงานร่วมกันแบบ multi-agent เกิดขึ้นได้จริงนั้น จำเป็นต้องมี agent frameworks ที่แข็งแกร่ง เฟรมเวิร์กเหล่านี้ทำหน้าที่เป็นแพลตฟอร์มกลางให้เอเจนต์ต่าง ๆ ทำงานร่วมกัน ผสานโมเดล เครื่องมือ และแหล่งข้อมูลที่หลากหลายเข้าด้วยกัน รวมถึงประสานการทำงานของเอเจนต์ต่าง ๆ ที่อยู่บนซอฟต์แวร์หลายตัว เพื่อให้สามารถดำเนินการตามขั้นตอนที่ซับซ้อนหลายขั้นตอนได้อย่างอิสระ
AgentScope ของอาลีบาบา เป็นผู้นำด้านนี้ AgentScope เป็นเฟรมเวิร์กโอเพนซอร์สที่ให้ความสำคัญกับนักพัฒนาเป็นหลัก สร้างขึ้นพื่อการพัฒนาแอปพลิเคชัน multi-agent ที่ควบคุมได้และพร้อมใช้งานจริงอย่างเจาะจง มีบริการต่าง ๆ เช่น การสร้างและการประสานงานเอเจนต์ (agent construction and orchestration) การติดตั้งและดำเนินการของเอเจนต์ (agent deployment and execution) รวมถึงการพัฒนาและติดตามเอเจนต์ด้วยภาพ (visual development and monitoring) เฟรมเวิร์กนี้ครอบคลุมทุกขั้นตอนของวงจรในการพัฒนา การติดตั้งใช้งาน และการติดตามเอเจนต์ ทั้งยังตอบสนองความต้องการในการประสานงานอย่างเป็นระเบียบ (orchestrate) ให้กับ AI agent ที่เชี่ยวชาญเฉพาะด้านหลายตัวให้ทำงานร่วมกันได้อย่างราบรื่น
AgentScope คือ agent frameworks ที่เป็นมากกว่าชุดเครื่องมือ แต่เป็นเทคโนโลยีพื้นฐานที่ตอบโจทย์ความต้องการหลักในการผสานและจัดระเบียบความเชี่ยวชาญด้าน AI ที่หลากหลาย เพื่อให้บรรลุวัตถุประสงค์ทางธุรกิจร่วมกัน ด้วยความสามารถในการทำงานร่วมกันอย่างราบรื่นระหว่างเอเจนต์ต่าง ๆ เฟรมเวิร์กเหล่านี้เป็นตัวเร่งให้ระบบ multi-agent ที่ซับซ้อนเพิ่มขึ้นอย่างรวดเร็ว และขับเคลื่อนการนำ agentic AI มาใช้ในวงกว้าง ซึ่งเป็นสิ่งที่เราคาดการณ์ไว้ในปี 2026 และหลังจากนั้น
อนาคตของ AI ในระดับองค์กรไม่ควรแยกส่วนตามความสามารถเฉพาะตัว แต่ควรมุ่งเน้นไปที่ความร่วมมือ การประสานและจัดระเบียบความสอดคล้องในการการทำงานร่วมกัน
