บทความโดยอาลีบาบา คลาวด์

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 ต่างๆ ที่มาพร้อมความสามารถในการใช้เหตุผล การวางแผน และการปรับกลยุทธ์แบบเรียลไทม์ ที่มีประสิทธิภาพล้ำหน้า จะพร้อมทำงานในสภาพแวดล้อมที่ซับซ้อน เพื่อให้การทำงานในโลกของการใช้งานจริงประสบผลสำเร็จ ดังนั้น จึงไม่น่าแปลกใจที่มีการคาดการณ์ว่าตลาด agentic AI จะเติบโตอย่างก้าวกระโดดในอีกไม่กี่ปีข้างหน้า

การเติบโตของ AI Agent: จากการทดลองสู่การใช้งานอย่างแพร่หลาย

เราได้เห็นการเปลี่ยนผ่านจาก chatbot ธรรมดาๆ สู่การเป็น agent ที่สามารถลงมือปฏิบัติได้แล้ว องค์กรต่างๆ กำลังทดสอบและเริ่มนำ AI agents ไปใช้อย่างจริงจัง เพื่อเพิ่มประสิทธิภาพให้กับเวิร์กโฟลว์ต่างๆ ตั้งแต่การจัดตารางการประชุมอัตโนมัติ การสร้างรายงานการวิเคราะห์ และการดีบักโค้ด ไปจนถึงการเตรียมแคมเปญการตลาดและการขาย การคัดกรองจดหมายสมัครงาน และการจัดการคำถามจากลูกค้า

การคาดการณ์บางส่วนระบุว่า ภายในปี 2026 agentic AI จะเริ่มเติบโตเต็มที่ จากการเป็นเพียงการทดลองแบบแยกส่วน เปลี่ยนผ่านไปสู่การนำไปใช้ในกลุ่มธุรกิจต่างๆ อย่างกว้างขวาง การเร่งตัวนี้จะได้รับแรงหนุนจากขีดความสามารถที่เพิ่มขึ้นของ agent ซึ่งรวมถึงความเป็นอิสระที่เพิ่มขึ้น การรับรู้บริบท การผนวกเครื่องมือเข้าด้วยกัน ขีดความสามารถในการประมวลผลข้อมูลหลายรูปแบบ (multimodal capabilities) การปรับแต่งให้เหมาะกับแต่ละบุคคล หน่วยความจำระยะยาว รวมถึงความปลอดภัยและการปรับจูนให้สอดคล้อง (alignment) กับสิ่งที่มนุษย์ต้องการจริงๆ

อย่างไรก็ตาม การจะนำ agents ไปใช้งานในวงกว้าง เพื่อตอบสนองความต้องการทางธุรกิจ ยังคงมีงานที่ต้องทำอีกมาก เพราะปัจจุบัน AI agents ยังคงต้องพึ่งพาโมเดลภาษาขนาดใหญ่ (LLMs) เป็นพื้นฐานในการดำเนินงานต่างๆ การจะสามารถลดการสร้างข้อมูลที่ไม่จริง (hallucination) และเพิ่มความแม่นยำในงานเฉพาะทางได้นั้น ผู้ให้บริการ agent ต้องทำงานอย่างใกล้ชิดกับลูกค้าองค์กรเพื่อพัฒนา agent ที่ปรับแต่งให้เหมาะสมเฉพาะงานที่ต้องการและมีความเชี่ยวชาญเฉพาะด้าน ซึ่งสามารถแก้ไขปัญหาทางธุรกิจในแต่ละวันได้ด้วยอย่างแม่นยำสูง (เช่น การนำ agent ด้านสุขภาพไปใช้ในคลินิก)

ดังนั้น การพัฒนา agent ที่สามารถใช้เครื่องมือต่างๆ ได้อย่างยืดหยุ่นเพื่อแก้ไขปัญหาต่างๆ 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 ในระดับที่เพียงพอที่จะสามารถค้นพบมูลค่าทางธุรกิจใหม่ๆ 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 แต่จะใช้เอเจนต์ที่เชี่ยวชาญเฉพาะทางด้านต่างๆ ทำงานร่วมกันเป็นทีมเพื่อแก้ไขปัญหานั้นๆ เช่น การตัดสินใจลงทุน จะต้องได้รับการสนับสนุนจากกลุ่มเอเจนต์จำนวนมาก เริ่มจากเอเจนต์วิเคราะห์ด้านการเงิน ซึ่งจะทำการวิเคราะห์ปัจจัยพื้นฐาน รายงานการเงิน และ ประเมินมูลค่าของผู้ลงทุนที่มีศักยภาพ ต่อด้วย เอเจนต์วิเคราะห์รายงาน ที่ทำหน้าที่ตรวจสอบและสรุปรายงานก่อนหน้าของบริษัทด้านการลงทุนต่างๆ เกี่ยวกับผู้ที่อาจได้รับการลงทุนนี้ และสุดท้ายคือเอเจนต์ข่าวที่ให้ข้อมูลภาพรวมความเคลื่อนไหวของบริษัทในสื่อรวมถึงความน่าเชื่อถือและชื่อเสียงของแบรนด์

การทำงานร่วมกันของ multi-agent ไม่ได้เป็นเพียงทางเลือก แต่เป็นจุดเปลี่ยนสำคัญที่จะช่วยให้องค์กรต่างๆ ได้ใช้คุณประโยชน์ของ AI อย่างแท้จริงได้เต็มประสิทธิภาพ เอเจนต์แต่ละตัวเป็นเครื่องมือทรงพลังก็จริง แต่การจะเพิ่มความสามารถของแต่ละเอเจนต์ให้ถึงขีดสุด และสร้างผลตอบแทนที่จับต้องได้อย่างทวีคูณและต่อเนื่องในวงกว้างได้นั้น เอเจนต์เหล่านั้นจำเป็นต้องเรียนรู้ที่จะทำงานร่วมกันเป็นทีมได้อย่างมีประสิทธิภาพ

Agent Framework เพื่อขับเคลื่อนการทำงานร่วมกันของ Multi-agent

การที่จะทำให้การทำงานร่วมกันแบบ multi-agent เกิดขึ้นได้จริงนั้น จำเป็นต้องมี agent frameworks ที่แข็งแกร่ง เฟรมเวิร์กเหล่านี้ทำหน้าที่เป็นแพลตฟอร์มกลางให้เอเจนต์ต่างๆ ทำงานร่วมกัน ผสานโมเดล เครื่องมือ และแหล่งข้อมูลที่หลากหลายเข้าด้วยกัน รวมถึงประสานการทำงานของเอเจนต์ต่างๆ ที่อยู่บนซอฟต์แวร์หลายตัว เพื่อให้สามารถดำเนินการตามขั้นตอนที่ซับซ้อนหลายขั้นตอนได้อย่างอิสระ

AgentScope ของอาลีบาบา เป็นผู้นำด้านนี้ AgentScope เป็นเฟรมเวิร์กโอเพนซอร์สที่ให้ความสำคัญกับนักพัฒนาเป็นหลัก สร้างขึ้นพื่อการพัฒนาแอปพลิเคชัน multi-agent ที่ควบคุมได้และพร้อมใช้งานจริงอย่างเจาะจง มีบริการต่างๆ 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 ด้วยความสามารถในการทำงานร่วมกันอย่างราบรื่นระหว่างเอเจนต์ต่างๆ เฟรมเวิร์กเหล่านี้เป็นตัวเร่งให้ระบบ multi-agent ที่ซับซ้อนเพิ่มขึ้นอย่างรวดเร็ว และขับเคลื่อนการนำ agentic AI มาใช้ในวงกว้าง ซึ่งเป็นสิ่งที่เราคาดการณ์ไว้ในปี 2026 และหลังจากนั้น

อนาคตของ AI ในระดับองค์กรไม่ควรแยกส่วนตามความสามารถเฉพาะตัว แต่ควรมุ่งเน้นไปที่ความร่วมมือ การประสานและจัดระเบียบความสอดคล้องในการทำงานร่วมกัน