Agentic AI: รับมือกับความท้าทายด้าน ROI และสร้าง Blueprint สู่ความสำเร็จให้องค์กร

EN

Agentic AI คือระบบอัตโนมัติอัจฉริยะที่สามารถรับรู้ วิเคราะห์ และดำเนินการงานต่าง ๆ เพื่อให้บรรลุเป้าหมายโดยมีการแทรกแซงของมนุษย์เพียงเล็กน้อยเท่านั้น ซึ่งสิ่งนี้กำลังกลายเป็นพลังขับเคลื่อนที่เปลี่ยนแปลงกลยุทธ์ด้านเทคโนโลยีขององค์กรต่าง ๆ อย่างรวดเร็ว ความโดดเด่นของ Agentic AI อยู่ที่ความสามารถในการเรียนรู้ ปรับตัวตามข้อเสนอแนะและบริหารจัดการ workflow ที่ซับซ้อนข้ามระบบต่าง ๆ ได้โดยอัตโนมัติ แตกต่างจาก AI แบบดั้งเดิมที่ทำงานตามคำสั่งหรือเงื่อนไขที่กำหนดไว้ล่วงหน้าเท่านั้น นอกจากนี้ Agentic AI ยังสามารถวางแผน ตัดสินใจ และลงมือปฏิบัติอย่างอิสระ โดยมักทำงานร่วมกับ Agentic AI ตัวอื่นหรือเครื่องมือภายนอก เพื่อให้บรรลุวัตถุประสงค์ทางธุรกิจได้อย่างมีประสิทธิภาพ

ในขณะที่เอเชียตะวันออกเฉียงใต้เร่งเดินหน้าสู่ยุคดิจิทัล Agentic AI กำลังกลายเป็นเครื่องมือสำคัญที่ช่วยให้องค์กรสามารถขยายการดำเนินงาน ยกระดับการตัดสินใจ และปลดล็อกประสิทธิภาพรูปแบบใหม่ได้อย่างที่ไม่เคยเกิดขึ้นมาก่อน อย่างไรก็ตามแม้จะเต็มไปด้วยความหวัง องค์กรจำนวนไม่น้อยกลับต้องเผชิญกับความท้าทายสำคัญ นั่นคือ ผลตอบแทนจากการลงทุน (ROI) ของ Agentic AI ยังคงจับต้องได้ยาก โดย Gartner คาดการณ์ว่า โครงการ Agentic AI มากกว่า 40% อาจถูกยกเลิกภายในปี 2027 อันเนื่องมาจากความคาดหวังที่สูงเกินจริง ความซับซ้อนทางเทคนิค และคุณค่าทางธุรกิจที่ยังไม่เป็นรูปธรรม

แต่อย่าเพิ่งหมดหวัง มูลค่าที่แท้จริงของ Agentic AI ยังรอการปลดล็อกอยู่

บทความนี้จะพาคุณไปสำรวจแนวคิดล่าสุดของกลยุทธ์ Agentic AI พร้อมอธิบายคำศัพท์สำคัญที่ควรรู้ นำเสนอ Blueprint ที่ช่วยให้องค์กรก้าวข้ามความท้าทายด้าน ROI ซึ่งมักเป็นอุปสรรคสำคัญต่อการนำ AI มาใช้ และปิดท้ายด้วยแนวโน้มการลงทุนด้าน AI ในเอเชียตะวันออกเฉียงใต้

1. นิยาม Agentic AI: ก้าวข้ามการทำงานอัตโนมัติแบบเดิม

Agentic AI หมายถึงระบบอัตโนมัติอัจฉริยะที่สามารถ รับรู้ วิเคราะห์ ตัดสินใจ และเรียนรู้ จากข้อมูลหลากหลายรูปแบบ ตั้งแต่ฐานข้อมูลที่มีโครงสร้าง ข้อความที่ไม่มีโครงสร้าง ไปจนถึงข้อมูลเหตุการณ์แบบเรียลไทม์ ซึ่งระบบจะสร้างแบบจำลองภายในของสภาพแวดล้อมรอบตัว แล้วใช้การวิเคราะห์ขั้นสูงเพื่อค้นหารูปแบบ ประเมินทางเลือก และตัดสินใจให้สอดคล้องกับเป้าหมายที่กำหนดไว้ จากนั้น Agentic AI จะดำเนินการผ่านระบบดิจิทัล เช่น เรียกใช้ API, ทำงานร่วมกับ workflow ต่าง ๆ หรือประสานกับ Agentic AI อื่นเพื่อให้บรรลุวัตถุประสงค์ที่ซับซ้อน โดยไม่ต้องพึ่งพามนุษย์มากนัก ที่สำคัญคือ Agentic AI จะติดตามประสิทธิภาพของตัวเองอย่างต่อเนื่อง โดยวัดผลลัพธ์เทียบกับเป้าหมาย และนำข้อเสนอแนะกลับมาใช้เพื่อปรับปรุงโมเดลและกลยุทธ์ให้ดียิ่งขึ้นอยู่เสมอ

เพื่อให้เห็นภาพชัดเจนยิ่งขึ้น ปัจจุบัน Agentic AI ถูกนำไปใช้ในหลากหลายอุตสาหกรรม และสร้างผลลัพธ์ที่จับต้องได้ เช่น

1. ค้าปลีก: ช่วยเติมสินค้าแบบเรียลไทม์ ปรับราคาตามสถานการณ์ และมอบประสบการณ์เฉพาะบุคคลในร้านค้า

2. การเงิน: ใช้เพื่อตรวจจับการฉ้อโกงอย่างต่อเนื่อง ปรับพอร์ตการลงทุนอัตโนมัติ และตรวจสอบการปฏิบัติตามกฎระเบียบ

3. การผลิต: จัดตารางบำรุงรักษาเชิงคาดการณ์ ปรับลำดับการผลิต และตรวจสอบคุณภาพด้วยเทคโนโลยี Computer Vision โดยแทบไม่ต้องใช้แรงงานมนุษย์

4. พลังงาน น้ำมัน และก๊าซ: วิเคราะห์ข้อมูลจากเซ็นเซอร์การขุดเจาะ คาดการณ์ความไม่สมดุลของอุปสงค์-อุปทานเพื่อจัดการ Grid System และวางแผนบำรุงรักษาอุปกรณ์เพื่อลดความเสียหายจากการหยุดทำงาน

การพัฒนาและใช้งาน Agentic AI ต้องพิจารณาทั้งมิติทางเทคนิคและมิติทางธุรกิจอย่างรอบคอบ

ซึ่งการเลือกโปรเจกต์ที่เหมาะสมและโครงสร้างระบบที่ถูกต้องขึ้นอยู่กับบริบทของแต่ละองค์กร โดยทีมงานจำเป็นต้องปฏิบัติดังต่อไปนี้

1. กำหนดเป้าหมายที่ต้องการให้ชัดเจน ต้องการขยับ KPI หรือปัจจัยทางธุรกิจใด และอย่างไร

2. ประเมินระดับความเสี่ยงที่ยอมรับได้ และระดับความพร้อมด้านธรรมาภิบาล เพื่อกำหนดขอบเขตความเป็นอิสระของ Agentic AI

3. พิจารณาข้อกำหนดด้านกฎระเบียบ และข้อจำกัดเฉพาะของอุตสาหกรรม เช่น ขอบเขตการใช้ข้อมูล ขอบเขตการตัดสินใจ และมาตรฐานการตรวจสอบย้อนกลับ

4. พิจารณาความซับซ้อนในการเชื่อมต่อกับระบบเดิม ขนาดที่คาดว่าจะขยายตัว และข้อตกลงระดับการให้บริการด้านประสิทธิภาพ (SLA) ซึ่งจะเป็นปัจจัยที่ช่วยกำหนดว่าโมเดลแบบไหนเหมาะสมกว่ากัน ระหว่างแบบรวมศูนย์ (centralized “conductor”) หรือแบบกระจาย (decentralized mesh of collaborating agents) 

5. ตรวจสอบคุณสมบัติของ Vendor และประสบการณ์ที่เกี่ยวข้อง รวมถึงทักษะภายในองค์กรที่ต้องใช้ในการติดตั้งและดูแลระบบอัจฉริยะเหล่านี้

6. กำหนดและคำนวณปัจจัยทางการเงิน โดยเฉพาะต้นทุนรวมในการเป็นเจ้าของ (TCO) เทียบกับประโยชน์ที่คาดว่าจะได้รับ หรือก็คือ การคำนวณ ROI อย่างถูกต้อง

องค์กรที่ให้ความสำคัญกับความปลอดภัยและความเชื่อมั่น จะออกแบบโครงสร้างระบบ Agentic AI ให้ตอบโจทย์ทั้งด้านนวัตกรรม ความโปร่งใส และการปกป้องข้อมูลสำคัญได้อย่างรัดกุม

2. ความท้าทายด้าน ROI: ทำอย่างไรให้ได้ผล 

ในบทวิเคราะห์นี้ เราจะมุ่งเน้นไปที่ข้อ 6 การคำนวณ ROI ซึ่งเป็นหนึ่งในอุปสรรคที่ทำให้การนำ Agentic AI มาใช้งานยังไม่แพร่หลายเท่าที่ควร และอาจทำให้บางโปรเจกต์ถูกประเมินต่ำกว่าความเป็นจริง เช่น โปรเจกต์ที่มีศักยภาพแต่กลับถูกมองว่าไม่น่าลงทุน ซึ่งสาเหตุหลักมาจากความยากในการทำความเข้าใจแนวคิด ROI และการประเมินผลตอบแทนอย่างแม่นยำภายในองค์กร

โดยทั่วไปแล้ว องค์กรมักประเมิน ROI ของโปรเจกต์ AI ผ่านมุมมองด้านการลดต้นทุนเป็นหลัก ทีมการเงินและฝ่ายปฏิบัติการจะตั้งเป้าหมายในการลดจำนวนพนักงาน ย่นระยะเวลาการทำงาน และลดต้นทุนต่อหน่วย จากนั้นจะกำหนดตัวชี้วัดพื้นฐาน เช่น ชั่วโมงที่พนักงานใช้ทำงานด้วยตนเอง (FTE) อัตราความผิดพลาด และต้นทุนแรงงานต่อการทำงานหนึ่งงาน ก่อนนำประสิทธิภาพที่คาดว่าจะได้จากระบบอัตโนมัติมาเปรียบเทียบ ซึ่งความสำเร็จจะถูกวัดผลผ่านแดชบอร์ดรายเดือนที่แสดงชั่วโมงที่ประหยัดได้ อัตราความผิดพลาดที่หลีกเลี่ยงได้ และสัดส่วนต้นทุนระหว่างระบบคอมพิวเตอร์กับแรงงาน โดยมักเริ่มต้นจากการทดลองในสภาพแวดล้อมที่ควบคุมได้และจะขยายการใช้งานก็ต่อเมื่อสามารถลดต้นทุนได้ตามเป้าหมายที่ตั้งไว้หรือมากกว่าได้แล้ว

ข้อผิดพลาดที่พบบ่อยในการคำนวณ ROI แบบดั้งเดิม 

แม้แนวทางนี้จะไม่ผิดและสามารถใช้เป็นจุดเริ่มต้นในการประเมินได้ แต่ก็ยังห่างไกลจากคำว่าครบถ้วนสมบูรณ์ การคำนวณที่ให้ความสำคัญเพียงแค่ต้นทุนถือว่าแคบเกินไป และมองข้ามปัจจัยสำคัญที่สร้างคุณค่าในภาพรวม เช่น

1. มองข้ามประโยชน์เชิงกลยุทธ์หรือคุณค่าที่จับต้องไม่ได้ เช่น การตัดสินใจที่รวดเร็วขึ้น ความพึงพอใจของลูกค้าที่ดีขึ้น และช่องทางรายได้ใหม่

2. ไม่ส่งเสริมให้ลงทุนในโครงสร้างพื้นฐานที่จำเป็น เช่น Data pipeline ที่สะอาด หรือระบบธรรมาภิบาลที่เข้มแข็ง เพราะสิ่งเหล่านี้ไม่ช่วยลดการใช้แรงงานได้ทันที

3. กระตุ้นให้เกิดโครงการแบบ “ติ๊กถูก” ที่มุ่งทำงานแบบอัตโนมัติเฉพาะโปรเจคเล็ก ๆ ที่มีมูลค่าต่ำ แทนที่จะจัดการ workflow ที่ซับซ้อนและมีผลกระทบสูง

4. มองข้ามผลลัพธ์ระยะยาว เช่น การลดความเสี่ยงด้านการปฏิบัติตามข้อกำหนด หรือการยกระดับภาพลักษณ์แบรนด์ ซึ่งเป็นคุณค่าที่จะสะสมเพิ่มขึ้นเมื่อเวลาผ่านไป

5. ระบบยังไม่สามารถวัดผลลัพธ์ด้าน output ที่ดีขึ้นได้อย่างชัดเจน และมักให้ความสำคัญกับการลดต้นทุนในส่วน input มากเกินไป การลดต้นทุน input สามารถวัดได้ง่ายด้วยวิธีบัญชีทั่วไป แต่การประเมินผลลัพธ์ที่ดีขึ้นกลับมีความไม่แน่นอนสูง และต้องใช้การวิเคราะห์แบบกำหนดขอบเขตบน–ล่าง (upper- and lower-bound analysis) เนื่องจาก AI มีการพัฒนาอยู่ตลอดเวลา และยิ่งทำงานได้ดีขึ้นเมื่อมีข้อมูลจำนวนมาก

นอกจากนี้ Sertis ยังสังเกตเห็นข้อผิดพลาดที่เกิดขึ้นซ้ำอย่างต่อเนื่อง ซึ่งสะท้อนให้เห็นถึงสาเหตุที่การประเมิน ROI แบบดั้งเดิมมักไม่สามารถใช้งานได้อย่างมีประสิทธิภาพ โดยเฉพาะในกรณีของ Agentic AI ดังต่อไปนี้

1. การใช้คำว่า “Agentic” อย่างผิวเผิน: ผู้ให้บริการเทคโนโลยีจำนวนมากเรียกระบบอัตโนมัติพื้นฐานหรือแชทบอทว่า “Agentic AI” ทั้งที่ไม่ใช่ ทำให้เกิดความคาดหวังเกินจริง ต้นทุนแฝง และการใช้งบประมาณโดยเปล่าประโยชน์

2. ปัญหาโครงสร้างข้อมูลและระบบพื้นฐาน: ระบบเดิมและ pipeline ที่เปราะบางทำให้ Agentic AI ไม่สามารถเข้าถึงข้อมูลเรียลไทม์ที่น่าเชื่อถือได้ ส่งผลให้ระบบขาดความสามารถในการปรับตัวและตัดสินใจ

3. ตัวชี้วัด ROI ระยะสั้น: การใช้ KPI ทางการเงินที่แคบเกินไปทำให้มองไม่เห็นคุณค่าอื่น ๆ เช่น ความคล่องตัว ความยืดหยุ่น หรือคุณภาพในการตัดสินใจ

4. การใช้เครดิตคลาวด์แบบไม่รอบคอบ: ในระหว่างการทดลองหรือจำลองโมเดล บางองค์กรใช้เครดิตจากผู้ให้บริการคลาวด์ (hyperscaler) ที่ลดต้นทุนคอมพิวต์ลงชั่วคราว ทำให้ ROI ดูดีเกินจริง แต่ไม่สะท้อนต้นทุนระยะยาวที่แท้จริง

ลองมาดูตัวอย่างจริงกันบ้าง กรณีของบริษัทโลจิสติกส์ข้ามชาติรายใหญ่ที่ได้นำ Agentic AI มาใช้วิเคราะห์รูปแบบสภาพอากาศ ข้อมูลความหนาแน่นของท่าเรือ และราคาน้ำมันเชื้อเพลิงแบบอัตโนมัติ เพื่อปรับเส้นทางการขนส่งใหม่ได้แบบเรียลไทม์

ก่อนหน้านี้ การตัดสินใจเช่นนี้ต้องอาศัยการประสานงานด้วยมือ กฎเกณฑ์ที่ตายตัว และเจ้าหน้าที่เฉพาะทางหลายคน ซึ่งมักนำไปสู่ความล่าช้า ทิศทางที่ไม่เหมาะสม และต้นทุนที่สูงขึ้น

แม้จะทำตามขั้นตอนในหัวข้อที่ 1 แล้ว แต่เหตุผลเริ่มต้นในการใช้ Agentic AI ยังไม่น่าสนใจพอ แต่เมื่อได้เพิ่มประโยชน์ที่เป็นไปได้ต่อไปนี้เข้าไปในการคำนวณ ROI เบื้องต้น องค์กรก็สามารถขยายกรอบการประเมินจากการมุ่งเน้นเพียงการลดต้นทุน ไปสู่การพิจารณามูลค่าสำคัญที่ได้จากตัวชี้วัดคุณภาพการตัดสินใจ ได้แก่

1. การลดอัตราความผิดพลาดหรือการส่งงานล่าช้า

2. ผลลัพธ์จากการพยากรณ์ที่แม่นยำขึ้น

3. ผลลัพธ์ทางการเงินจากการตัดสินใจที่ดีขึ้น (เช่น การหลีกเลี่ยงค่าปรับ การจัดสรรทรัพยากรอย่างเหมาะสม)

เมื่อพิจารณาควบคู่กับตัวชี้วัดแบบดั้งเดิม ผลลัพธ์ที่เป็นไปได้เหล่านี้จะถูกระบุและวัดปริมาณในระหว่างการทำ POC ทำให้ผู้บริหารเห็นได้ชัดเจนว่า Agentic AI ช่วยเพิ่มทั้งความคล่องตัวเชิงกลยุทธ์และความน่าเชื่อถือในการดำเนินงาน ซึ่งเป็นประโยชน์ที่อาจมองไม่เห็นหากประเมินจากมุมมองที่เน้นเพียงประสิทธิภาพด้านต้นทุนอย่างเดียว

ภายใต้กรอบการทำงานแบบ Agentic ระบบ AI agent ใหม่นี้สามารถ

1. ปรับเส้นทางได้แบบยืดหยุ่นภายในกรอบเวลาที่นำไปปฏิบัติได้จริง

2. ลดระยะเวลาการจัดส่งลงได้ 18%

3. หลีกเลี่ยงค่าปรับรายปีมูลค่า 3.2 ล้านดอลลาร์ จากการไม่พลาดข้อตกลงในระดับการให้บริการ (SLA)

4. สร้างความสามารถใหม่ ๆ โดยการใช้เวลาอย่างประหยัด เช่น การใช้ทีมเดิมแต่สามารถให้บริการลูกค้าในเชิงรุกมากขึ้น

การใช้โมเดล ROI ที่ครอบคลุมมากขึ้น คือกุญแจสำคัญที่ทำให้มองเห็นคุณค่าจริงของ Agentic AI และตัดสินใจนำมาใช้งานได้สำเร็จ แทนที่จะประเมินผิดว่าไม่คุ้มค่า

ประเด็นสำคัญสุดท้าย คือ การประเมิน ROI ของการใช้ AI อาจแสดงให้เห็นว่า AI ช่วยเพิ่มมูลค่าโดยรวมขององค์กรได้ ซึ่งเป็นประเด็นที่ซับซ้อนและขึ้นอยู่กับสถานการณ์ของแต่ละองค์กร โดยเฉพาะกลยุทธ์ที่ใช้ในการนำ AI มาประยุกต์ให้สอดคล้องกับเป้าหมายและบริบทขององค์กร เพราะ “AI คือสินทรัพย์ไม่มีตัวตน (Intangible Asset)” แนวคิดนี้และการวัดผลกระทบที่แท้จริง ได้รับการบุกเบิกโดยคุณ Paul Adams กรรมการผู้จัดการของ Andersen Consulting หากผู้อ่านสนใจเรื่องนี้ สามารถติดต่อพูดคุยเพิ่มเติมกับผู้เขียน คุณ Randy McGraw ประธานเจ้าหน้าที่ฝ่ายการพาณิชย์ (CCO) ของ Sertis และพาร์ทเนอร์ของ Andersen Consulting ได้ที่ jmcgr@sertiscorp.com 

3. แนวโน้มการลงทุนในเอเชียตะวันออกเฉียงใต้ และสิ่งที่องค์กรต้องเตรียมรับมือ

เอเชียตะวันออกเฉียงใต้กำลังก้าวขึ้นมาเป็นศูนย์กลางเชิงกลยุทธ์ด้าน Agentic AI และโครงสร้างพื้นฐานระบบคลาวด์อย่างรวดเร็ว การเปิดตัวพื่นที่บริการใหม่ของ AWS ในภูมิภาคเอเชียแปซิฟิก (ประเทศไทย) สะท้อนถึงแรงขับเคลื่อนนี้อย่างชัดเจน โดยมีแผนการลงทุนมากกว่า 5 พันล้านดอลลาร์สหรัฐ คาดว่าจะสร้างมูลค่าเพิ่มให้ GDP ของไทยราว 1 หมื่นล้านดอลลาร์สหรัฐ และสนับสนุนการจ้างงานมากกว่า 11,000 ตำแหน่งต่อปี การขยายตัวนี้สอดคล้องกับนโยบาย “Cloud First” ของประเทศไทย และเป้าหมายในการก้าวสู่การเป็นศูนย์กลาง AI ระดับภูมิภาค ซึ่งในภาพรวมตอนนี้ผู้ให้บริการคลาวด์รายใหญ่ (hyperscaler) อย่าง AWS, Google, Microsoft และ Alibaba Cloud กำลังเร่งลงทุนในโครงสร้างพื้นฐาน และคาดว่าตลาด Data Center ของเอเชียตะวันออกเฉียงใต้จะเติบโตจาก 13.71 พันล้านดอลลาร์สหรัฐในปี 2024 เป็น 30.47 พันล้านดอลลาร์สหรัฐภายในปี 2030

Prasad Kalyanaraman รองประธานฝ่ายบริการโครงสร้างพื้นฐานของ AWS กล่าวว่า:  “การเปิดตัวพื้นที่บริการใหม่ของ AWS ในประเทศไทย จะช่วยให้ลูกค้าในทุกอุตสาหกรรมสามารถนำเทคโนโลยีขั้นสูงมาประยุกต์ใช้ได้ และสนับสนุนการเปลี่ยนผ่านสู่ดิจิทัลของประเทศไทยในฐานะศูนย์กลาง AI ระดับภูมิภาค”

Varoon Raghavan ประธานเจ้าหน้าที่ฝ่ายปฏิบัติการของ Princeton Digital Group กล่าวเสริมว่า: “ผู้ให้บริการคลาวด์รายใหญ่ (Hyperscaler) กำลังขยายตัวอย่างรวดเร็วในเอเชีย โดยมักร่วมมือกับพันธมิตรเชิงกลยุทธ์เพื่อขับเคลื่อนการขยายตัวนี้”

ตารางต่อไปนี้แสดงให้เห็นตำแหน่งของอาเซียนเมื่อเปรียบเทียบกับโครงสร้างพื้นฐานและปัจจัยรองรับของ Agentic AI

แม้จะมีการลงทุนและพัฒนาโครงสร้างพื้นฐานเพิ่มขึ้นอย่างมาก แต่อาเซียนยังคงเผชิญความท้าทายในระดับระบบนิเวศ ซึ่งซับซ้อนต่อการนำ Agentic AI มาใช้งาน ได้แก่

• ระบบนิเวศข้อมูลที่กระจัดกระจายหลายองค์กรดำเนินธุรกิจข้ามพรมแดนโดยมีมาตรฐานข้อมูลที่ไม่สอดคล้องกัน ระบบทำงานแบบแยกส่วน และการเชื่อมต่อระหว่างกันที่จำกัด ความกระจัดกระจายนี้เป็นอุปสรรคต่อความสามารถของ Agentic AI ในการรับข้อมูลและดำเนินการจากข้อมูลแบบเรียลไทม์ที่ครอบคลุมหลายสายงาน

• ความซับซ้อนด้านกฎระเบียบและช่องว่างในการบังคับใช้แม้ประเทศส่วนใหญ่ในอาเซียนจะมีกฎหมายหรือกรอบการกำกับดูแลด้าน AI และการคุ้มครองข้อมูล แต่การบังคับใช้ยังไม่สม่ำเสมอ ระบบกฎหมายมีความแตกต่างกันมาก และภาระด้านการปฏิบัติตามกฎระเบียบอาจจะไปชะลอนวัตกรรม หรือทำให้การนำมาใช้งานมีความระมัดระวังเกินไป

• ข้อจำกัดด้านสิ่งแวดล้อมและโครงสร้างพื้นฐานการตัดไม้ทำลายป่า การสูญเสียความหลากหลายทางชีวภาพ และผลกระทบจากการเปลี่ยนแปลงสภาพภูมิอากาศ โดยเฉพาะในภูมิภาคลุ่มน้ำโขง ส่งผลต่อห่วงโซ่อุปทานและความต่อเนื่องในการดำเนินงาน ปัจจัยเหล่านี้สร้างความผันผวนที่ระบบ Agentic ต้องเรียนรู้และปรับตัวเพื่อรับมือ

• ความไม่สอดคล้องกันระหว่างบุคลากรและทักษะที่ต้องใช้แม้การลงทุนจากผู้ให้บริการคลาวด์รายใหญ่จะสร้างงานเพิ่มขึ้น แต่การยกระดับทักษะสำหรับบทบาทที่เกี่ยวข้องโดยตรงกับ Agentic AI ยังล่าช้า โดยเฉพาะในด้านการกำกับดูแล (governance) การตรวจสอบระบบ (observability) และการประสานงานหลายเอเจนต์ (multi-agent orchestration)

• แรงต้านทางวัฒนธรรมและองค์กรในขณะที่ Agentic AI ต้องอาศัยการเปลี่ยนไปสู่การดำเนินงานแบบกระจายศูนย์และขับเคลื่อนด้วยข้อมูล ในบางอุตสาหกรรมกลับมีการตัดสินใจแบบลำดับชั้นและความเชื่อมั่นทางดิจิทัลที่ต่ำทำให้การนำมาใช้งานช้าลง ซึ่งทำให้ Agentic AI มักขัดแย้งกับแนวคิดและโครงสร้างแบบดั้งเดิม

• ข้อมูลเท็จและการบิดเบือนข้อมูลการใช้งานโซเชียลมีเดียในอาเซียนที่สูง ทำให้ภูมิภาคนี้มีความเปราะบางต่อข้อมูลบิดเบือนที่เกี่ยวข้องกับการเลือกตั้ง Deepfake และเนื้อหาที่ถูกปรับแต่ง ซึ่งบ่อนทำลายความเชื่อมั่นของสาธารณะชนและทำให้การทำงานของ Agentic AI ในพื้นที่ที่ต้องอาศัยความจริง เช่น สื่อ การปกครอง และสาธารณสุข ซับซ้อนมากขึ้น

• การหลอกลวงและฉ้อโกงที่ขับเคลื่อนด้วย AIภูมิภาคนี้เผชิญกับการหลอกลวงโดยใช้ AI มากขึ้น เช่น การปลอมตัวบุคคล การหลอกให้ลงทุน และการใช้วิดีโอ Deepfake ของบุคคลสาธารณะ สิ่งเหล่านี้บั่นทอนความเชื่อมั่นของผู้บริโภค และเพิ่มความเสี่ยงต่อระบบ Agentic AI ที่ถูกนำมาใช้ในภาคการเงินและ E-commerce

• ความไม่โปร่งใสของอัลกอริทึมและช่องว่างด้านความรับผิดชอบหลายระบบ Agentic ทำงานเสมือนกล่องดำ (black box) โดยมีการตัดสินใจที่ตรวจสอบหรืออธิบายได้ยาก หากไม่มีเครื่องมือด้านการตรวจสอบและการกำกับดูแลที่รัดกุม องค์กรจะเสี่ยงต่อการใช้งาน Agentic AI ที่ไม่สามารถติดตามหรือให้เหตุผลต่อการกระทำได้ ซึ่งเป็นปัญหาโดยเฉพาะในอุตสาหกรรมที่มีกฎระเบียบเข้มงวด

ความท้าทายเหล่านี้ไม่ใช่สิ่งที่แก้ไม่ได้ แต่จำเป็นต้องอาศัยการประสานงานในระดับระบบนิเวศ ตั้งแต่ภาครัฐ ผู้ให้บริการ ไปจนถึงองค์กรธุรกิจ เพื่อสร้างสภาพแวดล้อมที่มีความยืดหยุ่นและพร้อมรองรับการทำงานของ Agentic AI

4. Blueprint สู่ความสำเร็จของ ROI ด้วย Agentic AI

ที่ Sertis สำหรับทุกโครงการด้าน Data และ AI เราจะทำงานร่วมกับลูกค้าเพื่อสร้างมุมมองที่ผ่านการตรวจสอบอย่างรอบด้านและสอดคล้องกับองค์กรก่อนที่จะดำเนินการต่อ โดยอาศัยประสบการณ์ของเราในการรับมือกับความเสี่ยงเฉพาะของ Agentic AI และความซับซ้อนที่เกิดจากทั้งด้านเทคนิคและด้านการจัดการองค์กรซึ่งเกี่ยวข้องกัน ดังที่ได้กล่าวมาตลอด เราขอแนะนำหลักการ (heuristic) ต่อไปนี้ เพื่อช่วยกำหนดทิศทางเชิงกลยุทธ์และทำให้การคำนวณ ROI ถูกต้องและยั่งยืน

1. กำหนด Use Case และเป้าหมายทางธุรกิจให้ชัดเจนมุ่งเน้น workflow ที่สร้างผลลัพธ์สูง เช่น การรับพนักงานใหม่ (onboarding) การจัดซื้อจัดจ้าง หรือการมีส่วนร่วมของลูกค้า ซึ่ง Agentic AI สามารถสร้างผลลัพธ์ที่วัดได้จริง

2. ออกแบบกรอบการประเมิน ROI ใหม่ขยายกรอบการประเมินให้ครอบคลุมมากกว่าการประหยัดต้นทุน โดยรวมถึงความเร็วและคุณภาพของการตัดสินใจ การพัฒนา KPI และปัจจัยขับเคลื่อนธุรกิจ ความคล่องตัวในการดำเนินงาน การลดความเสี่ยง ตลอดจนประสบการณ์ของพนักงานและลูกค้า

3. ลงทุนในข้อมูลและการกำกับดูแลสร้างโครงสร้างพื้นฐานข้อมูลที่มีความคล่องตัวและคงความสะอาดอยู่เสมอ พร้อมเริ่มดำเนินการทันที ติดตั้งระบบ Metadata เครื่องมือสังเกตการณ์ (observability tools) และเอเจนต์กำกับดูแล เพื่อให้เกิดความโปร่งใสและสร้างความเชื่อมั่น

4. เริ่มจากระบบ Human-in-the-Loopปรับใช้งาน Agentic AI ในสภาพแวดล้อมที่ควบคุมได้และมีการกำกับดูแล ค่อย ๆ เพิ่มระดับความอิสระเมื่อความเชื่อมั่นและความพร้อมเติบโตขึ้น และเมื่อองค์กรสามารถรองรับผลกระทบของ Agentic AI ได้อย่างเต็มที่

5. ใช้ประโยชน์จากข้อมูลเชิงลึกทั้งระดับโลกและท้องถิ่นขอรับคำปรึกษาจาก Sertis และ Andersen Consulting เพื่อเข้าถึงแนวปฏิบัติที่ดีที่สุดในระดับโลก ควบคู่กับมุมมองเฉพาะตลาดท้องถิ่น เพื่อเพิ่มพูนความรู้จาก Use Case ต่าง ๆ และลดความเสี่ยงในการตัดสินใจเชิงกลยุทธ์

บทสรุป: การลงทุนเชิงกลยุทธ์ด้วยมุมมองรอบด้าน

ดังที่เราได้คาดการณ์ไว้ในปี 2024 Agentic AI คือก้าวถัดไปของ AI สำหรับภาคธุรกิจ ไม่ใช่เพียงกระแสเทคโนโลยีอีกกระแสหนึ่งเท่านั้น แต่เป็นการเปลี่ยนแปลงเชิงโครงสร้างในการดำเนินงานขององค์กรต่าง ๆ โดยความสำเร็จจะขึ้นอยู่กับความชัดเจนเชิงกลยุทธ์ โครงสร้างพื้นฐานที่แข็งแกร่ง และที่สำคัญคือ โมเดล ROI รูปแบบใหม่ที่มีความละเอียดและรอบคอบ 

เส้นทางการลงทุนในเอเชียตะวันออกเฉียงใต้มีแนวโน้มที่ดี และแม้ว่าธุรกิจของเราใน Sertis จะเติบโตอย่างรวดเร็วในช่วงครึ่งแรกของปี 2025 แต่ความสำเร็จนี้ก็ต้องดำเนินควบคู่ไปกับกลยุทธ์ การกำกับดูแล และการเลือกผู้ให้บริการ รวมถึงรูปแบบการทำงานร่วมกันอย่างชาญฉลาด ซึ่งเราได้บุกเบิกมานานกว่าทศวรรษ และดำเนินโครงการระดับองค์กรมาแล้วกว่า 400 โครงการ

เส้นทางข้างหน้าไม่จำเป็นต้องเป็นไปตามที่ Gartner คาดการณ์ และไม่ใช่การถอยห่างจาก Agentic AI แต่คือการใช้งานมันอย่างมีแบบแผน มองว่ามันคือ “ความสามารถพลิกเกม” ที่ต้องวัดผล กำกับดูแล และสอดคล้องกับเป้าหมายขององค์กรด้วย Blueprint ที่ถูกต้อง รวมถึงสูตรการคำนวณ ROI ที่เหมาะสม และแนวทางที่ครอบคลุมในการเริ่มต้นและประเมินโครงการ จะทำให้ Agentic AI ไม่เพียงส่งมอบระบบอัตโนมัติ แต่ยังมอบความได้เปรียบทางกลยุทธ์ที่ยั่งยืนให้อีกด้วย