จากการทำงานอัตโนมัติสู่การรับรู้: การพัฒนาของ Agentic AI

หลายทศวรรษที่ผ่านมา การทำงานอัตโนมัติขององค์กรได้ปฏิบัติตามตรรกะที่คุ้นเคย: กำหนดกระบวนการ เขียนขั้นตอนเป็นโค้ด และให้ซอฟต์แวร์ดำเนินการอย่างสม่ำเสมอ สคริปต์ทำให้คำสั่งเป็นอัตโนมัติ, runbooks บันทึกขั้นตอน, orchestration เชื่อมต่อภารกิจระหว่างระบบต่าง ๆ, และ AIOps นำการเรียนรู้ของเครื่องมาสู่ปริมาณข้อมูลการดำเนินงานที่เพิ่มขึ้น แต่ละความก้าวหน้าทำให้ระบบอัตโนมัติมีความสามารถมากขึ้น แต่คนยังเป็นผู้ตัดสินส่วนใหญ่ พวกเขากำหนดกระบวนการ; ซอฟต์แวร์ทำตามนั้น

Agentic AI เปลี่ยนความสัมพันธ์นั้นไป จากการเริ่มด้วยชุดคำสั่งคงที่ ตัวแทนสามารถเริ่มด้วยเป้าหมายและหาวิธีดำเนินการภายในขอบเขตที่กำหนดได้ สิ่งนี้ต้องการมากกว่าการสร้างคำตอบ ระบบต้องตีความเป้าหมาย, รวบรวมบริบทที่เกี่ยวข้อง, ประเมินหลักฐาน, ใช้ความจำ, เลือกใช้เครื่องมือหรือการทำงานอัตโนมัติ, และปรับตัวเมื่อสภาพแวดล้อมเปลี่ยนแปลง Anthropic แยกแยะความแตกต่างในลักษณะเดียวกัน ระหว่าง workflow ที่โมเดลและเครื่องมือทำตามเส้นทางโค้ดที่กำหนดไว้ล่วงหน้า กับ agent ที่โมเดลสามารถกำหนดกระบวนการและการใช้เครื่องมือของตนเองได้แบบไดนามิก

จากการดำเนินการเชิงกำหนดไปสู่การตัดสินใจแบบปรับตัว

สิ่งเหล่านี้ไม่ได้ทำให้การทำงานอัตโนมัติแบบดั้งเดิมล้าสมัย ในความเป็นจริง การทำงานอัตโนมัติเชิงกำหนดยังคงเป็นคำตอบที่เหมาะสมเมื่อเส้นทางจากเงื่อนไขที่ทราบไปสู่การกระทำเข้าใจอย่างชัดเจน หากบริการล้มเหลวในการตรวจสุขภาพ ให้รีสตาร์ทมัน หากคำขอตรงตามเกณฑ์เฉพาะ ให้ส่งต่อไปยังคิวที่เหมาะสม หากอินเทอร์เฟซเกินค่าขีดจำกัด ให้เปิดตั๋วและดำเนินการวินิจฉัย นี่คือประเภทของการกระทำที่ทำซ้ำได้ซึ่งการทำงานอัตโนมัติจัดการได้ดี

AIOps ขยายโมเดลนั้นโดยช่วยองค์กรตีความสิ่งที่เกิดขึ้นก่อนที่ระบบอัตโนมัติจะทำงาน: การเชื่อมโยงเหตุการณ์, การระบุความผิดปกติ, การลดสัญญาณรบกวนและการเพิ่มบริบท Agentic AI ก้าวต่อไปโดยนำการตัดสินใจมาวางระหว่างสัญญาณและการกระทำ คำถามจึงไม่ใช่แค่ “Workflow ใดที่เงื่อนไขนี้กระตุ้น?” แต่กลายเป็น “โดยอิงจากเป้าหมายและหลักฐานที่เรามีในขณะนี้ ขั้นตอนต่อไปที่ดีที่สุดคืออะไร?”

ลองพิจารณาบริการที่กำลังเสื่อมสภาพ ตัวแทนอาจต้องตรวจสอบ telemetry, topology, การเปลี่ยนแปลงล่าสุด, ตั๋ว, ข้อมูลการกำหนดค่า, เหตุการณ์ในอดีตและผลกระทบต่อธุรกิจก่อนตัดสินใจว่าจะทำอย่างไร ในบางสถานการณ์ หลักฐานอาจชี้ไปยังการแก้ไขที่คุ้นเคย, ในอีกสถานการณ์หนึ่ง ตัวแทนอาจต้องรวบรวมข้อมูลเพิ่มเติมหรือดำเนินการวินิจฉัยแบบอ่านอย่างเดียว และเมื่อผลกระทบที่อาจเกิดขึ้นสูงหรือหลักฐานไม่ชัดเจน การตัดสินใจที่เหมาะสมอาจคือการเรียกมนุษย์เข้ามา ความสามารถในการปรับเส้นทางตามสิ่งที่ระบบค้นพบคือการเปลี่ยนแปลงที่มีความหมาย

บริบทและความจำเปลี่ยนคุณภาพของการตัดสินใจ

การทำหน้าที่โดยไม่มีบริบทไม่ค่อยมีประโยชน์ อาการเดียวกันอาจหมายความต่างกันอย่างสิ้นเชิงขึ้นอยู่กับ topology, กิจกรรมบำรุงรักษา, การเปลี่ยนแปลงล่าสุด, ความขึ้นต่อกันหรือผลกระทบต่อผู้ใช้ ผู้ปฏิบัติงานที่มีประสบการณ์เข้าใจเรื่องนี้โดยสัญชาตญาณ; พวกเขาแทบไม่ตัดสินใจสำคัญจากสัญญาณเดียวที่แยกออกมา พวกเขาสร้างภาพรวม แยกการสังเกตจากการสรุป และกำหนดระดับความเชื่อมั่นที่หลักฐานควรได้รับ

ความจำเพิ่มมิติอีกหนึ่งด้าน Google Cloud ระบุว่าความจำเป็นส่วนประกอบหลักของสถาปัตยกรรมแบบ agentic เนื่องจากช่วยให้ตัวแทนรักษาบริบทและใช้ข้อมูลจากการโต้ตอบก่อนหน้า ในการดำเนินงาน โอกาสนี้กว้างกว่าการดึงข้อมูลตั๋วเก่าเพียงอย่างเดียว ความจำเชิงปฏิบัติที่มีประโยชน์สามารถเก็บรักษาว่าอะไรเกิดขึ้นเมื่อเงื่อนไขคล้ายคลึงปรากฏ, สมมติฐานใดที่ถูกต้อง, การแก้ไขใดที่ได้ลอง, ว่าได้ผลหรือถูกย้อนกลับ, และสิ่งที่ผู้ปฏิบัติงานเรียนรู้ต่อมา เมื่อประสบการณ์นั้นได้รับการตรวจสอบแล้ว มันสามารถกลายเป็นหลักฐานสำหรับการตัดสินใจต่อไปแทนที่จะเป็นความรู้ที่หายไปในรายงานหลังเหตุการณ์หรือคงอยู่ในหัวของผู้เชี่ยวชาญ

มีความคล้ายคลึงที่น่าสนใจในวิทยาศาสตร์ความรู้ความเข้าใจ งานวิจัยเกี่ยวกับการยกภาระความคิด ตรวจสอบว่าผู้คนใช้เครื่องมือและการกระทำภายนอกเพื่อลดภาระทางจิตของงานอย่างไร, ในขณะที่ งานวิจัยเกี่ยวกับการใช้เครื่องมือ แสดงให้เห็นว่าการโต้ตอบกับเครื่องมืออย่างต่อเนื่องสามารถเปลี่ยนแปลงวิธีที่ผู้คนแทนที่ความสามารถในการทำสิ่งที่เป็นประโยชน์และการกระทำได้ ความเปรียบเทียบกับ AI ขององค์กรไม่ควรตีความตามตัวอักษร, แต่แนวคิดพื้นฐานมีประโยชน์: เครื่องมือทำมากกว่าการประหยัดเวลา เมื่อเวลาผ่านไป พวกมันสามารถเปลี่ยนวิธีที่เราตั้งปัญหา งานวิจัยที่เป็นที่รู้จัก เกี่ยวกับคนขับแท็กซี่ลอนดอน และความเชี่ยวชาญด้านการนำทางเตือนให้เห็นว่าประสบการณ์ที่ต่อเนื่องสามารถหล่อรูปการรับรู้ของสมองได้เอง สำหรับองค์กร คำถามการออกแบบจึงไม่ใช่แค่ตัวแทนจะรับงานได้มากแค่ไหน, แต่ระบบมนุษย์‑ตัวแทนจะพัฒนาความเข้าใจและการกระทำต่อความซับซ้อนได้ดีขึ้นหรือไม่

ตัวแทนควรประสานงานอัตโนมัติ ไม่ใช่แทนที่มัน

นี่คือเหตุผลที่ฉันไม่มองว่า agentic AI เป็นการปฏิเสธการทำงานอัตโนมัติ ในช่วงต้นอาชีพของฉัน ฉันใช้หลายปีสร้างระบบอัตโนมัติการปฏิบัติการ และบทเรียนหนึ่งที่คงอยู่กับฉัน: การดำเนินการเพียงอย่างเดียวไม่พอ การทำงานอัตโนมัติต้องสร้างความไว้วางใจ ผู้ปฏิบัติงานต้องมั่นใจว่าการกระทำที่ถูกต้องถูกใช้ในสถานการณ์ที่เหมาะสม, ด้วยอำนาจที่ถูกต้องและมีหลักฐานเพียงพอเพื่อเข้าใจเหตุผล

สถาปัตยกรรม agentic ที่ใช้งานได้จริงต่อยอดจากการลงทุนนั้น สคริปต์, workflow, API, แพลตฟอร์ม orchestration และเครื่องมือเฉพาะโดเมนที่มีอยู่กลายเป็นความสามารถที่ตัวแทนสามารถเรียกใช้เมื่อเหมาะสม หากหลักฐานสนับสนุนการแก้ไขที่รู้จัก ตัวแทนสามารถใช้การทำงานอัตโนมัติที่พิสูจน์แล้วแทนการสร้างการกระทำใหม่แบบอิมพโรไวซ์ หากหลักฐานไม่ครบถ้วน ตัวแทนสามารถสืบค้นต่อไป คุณค่ามาจากการผสานการดำเนินการที่เชื่อถือได้กับการตัดสินใจที่ปรับตัวได้มากขึ้นเกี่ยวกับเวลาและวิธีที่การดำเนินการนั้นควรเกิดขึ้น

อิสระมากขึ้นทำให้การกำกับดูแลสำคัญยิ่งขึ้น

ทันทีที่ซอฟต์แวร์สามารถเลือกการกระทำได้ การกำกับดูแลไม่สามารถเป็นเพียงสิ่งที่เพิ่มเข้ามาหลังเหตุการณ์ได้ ตัวแทนขององค์กรต้องเข้าใจไม่เพียงว่าเทคนิคแล้วมันทำอะไรได้บ้าง, แต่ยังต้องรู้ว่ามีอำนาจทำอะไรในสภาพแวดล้อมเฉพาะ, ที่ระดับความเสี่ยงที่กำหนด, ภายใต้ตัวตนหรือบทบาทใด กรอบการจัดการความเสี่ยง AI ของ NIST สะท้อนมุมมองที่กว้างขึ้นของการกำกับดูแล, จัดการความเสี่ยง AI รอบการกำกับ, ทำแผนที่, วัดผลและจัดการ, โดยการกำกับทำงานข้ามฟังก์ชันอื่น ๆ

ในทางปฏิบัติ นั่นหมายความว่าตัวแทนควรสามารถแสดงหลักฐานที่อยู่เบื้องหลังคำแนะนำ, ชี้แจงระบบและข้อมูลที่ใช้, เปิดเผยความไม่แน่นอน, เคารพข้อกำหนดการอนุมัติและทิ้งร่องรอยการตรวจสอบของสิ่งที่เกิดขึ้น ความสามารถในการย้อนกลับก็สำคัญเช่นกัน การวินิจฉัยแบบอ่านอย่างเดียวและการเปลี่ยนแปลงการกำหนดค่าการผลิตไม่ควรมีระดับอิสระเท่ากัน

การตรวจสอบโดยมนุษย์จึงกลายเป็นการตรวจสอบที่แม่นยำยิ่งขึ้น ไม่ใช่แค่หายไป ตัวแทนเดียวกันอาจรวบรวมหลักฐานโดยอิสระ, แนะนำการแก้ไข, ต้องการการอนุมัติก่อนการกระทำที่มีความเสี่ยงสูง, แล้วตรวจสอบว่าการกระทำที่ได้รับการอนุมัตินั้นทำงานจริงหรือไม่ เป้าหมายไม่ใช่การกำหนดว่ามนุษย์อยู่ในลูปหรืออยู่นอกลูปโดยทั่วไประหว่าง, แต่เพื่อวางการตัดสินใจของมนุษย์ในจุดที่ให้คุณค่ามากที่สุด

ข้อได้เปรียบที่แท้จริงคือสิ่งที่เกิดขึ้นหลังการกระทำ

อาจเป็นความแตกต่างที่สำคัญที่สุดที่ปรากฏหลังจากการกระทำเกิดขึ้น การทำงานอัตโนมัติแบบดั้งเดิมมักถามว่าการทำงานของ workflow สำเร็จหรือไม่ ระบบเชิงปัญญาควรถามคำถามที่ยากกว่า: การกระทำนั้นให้ผลลัพธ์ตามที่ตั้งใจหรือไม่, และเราควรเรียนรู้อะไรจากสิ่งที่เกิดขึ้น

สิ่งนี้เปลี่ยนคุณค่าของวงจรตอบกลับ การแก้ไขที่สำเร็จสามารถเสริมความแข็งแรงของหลักฐานสำหรับสถานการณ์คล้ายกันในอนาคต สมมติฐานที่ล้มเหลวควรทำให้ระบบน้อยความเป็นไปได้ที่จะใช้เหตุผลเดียวกันอีกครั้ง การแก้ไขของผู้ปฏิบัติงานสามารถปรับปรุงคำแนะนำต่อไป, ในขณะที่การย้อนกลับอาจเปิดเผยว่าความเชื่อมั่นเกินกว่าที่หลักฐานที่มีอยู่จะสนับสนุน เมื่อเวลาผ่านไป สินทรัพย์สำคัญไม่ใช่เพียงคลังการทำงานอัตโนมัติที่ใหญ่ขึ้น แต่เป็นความสัมพันธ์ที่สะสมระหว่างสถานการณ์, หลักฐาน, การตัดสินใจ, การกระทำและผลลัพธ์

เมื่อมองในแง่นี้ การพัฒนาการทำงานอัตโนมัติขององค์กรไม่ได้เกี่ยวกับการแทนที่รุ่นเทคโนโลยีหนึ่งด้วยอีกรุ่นหนึ่งเท่านั้น แต่เป็นการเพิ่มความสามารถใหม่ ๆ รอบสิ่งที่ทำงานอยู่แล้ว สคริปต์บันทึกการกระทำ, runbooks จับขั้นตอน, orchestration เชื่อมต่อพวกมัน, และ AIOps ช่วยตีความสัญญาณการดำเนินงานที่ซับซ้อนเพิ่มขึ้น Agentic AI เพิ่มความสามารถในการไล่ตามเป้าหมาย, ให้เหตุผลผ่านบริบทและหลักฐาน, ใช้ความจำ, เลือกจากความสามารถที่มี, ดำเนินการภายในขอบเขตที่กำกับ และเรียนรู้จากผลลัพธ์

จุดสิ้นสุดไม่ควรเป็นอิสระที่ไม่มีขอบเขต แต่ควรเป็นอิสระที่รับผิดชอบ: ระบบที่สามารถรับรู้ว่าเมื่อใดควรดำเนินการ, เมื่อใดควรสืบค้น, เมื่อใดควรขออนุญาตและเมื่อใดควรหยุด นั่นคือการเปลี่ยนแปลงจากการทำงานอัตโนมัติสู่การรับรู้—ไม่ใช่เครื่องจักรแทนที่การทำงานของมนุษย์, แต่เป็นองค์กรที่พัฒนาวิธีที่ดีกว่าในการรับรู้, ตัดสินใจ, ปฏิบัติและเรียนรู้