Andreea Pleşea, PhD, COO และผู้ร่วมก่อตั้ง Druid AI – ชุดสัมภาษณ์

Andreea Pleşea, PhD, COO และผู้ร่วมก่อตั้ง Druid AI, เป็นผู้บริหารเทคโนโลยีและผู้ประกอบการที่มีประสบการณ์เกือบสองทศวรรษครอบคลุมการพัฒนาซอฟต์แวร์, เทคโนโลยีองค์กร, ปัญญาประดิษฐ์, การดำเนินงาน, และความสำเร็จของลูกค้า ตั้งแต่ก่อตั้ง Druid AI เธอได้ดำรงตำแหน่งผู้นำระดับสูงหลายตำแหน่งในองค์กร รวมถึง Chief Operating Officer, Chief Revenue Officer, และ Chief Customer Success Officer ทำให้เธอมีประสบการณ์ทั้งด้านเทคนิคและเชิงพาณิชย์ในการขยายขนาดบริษัทซอฟต์แวร์ระดับองค์กร ก่อนเข้าร่วม Druid AI, Pleşea ทำงานที่ TotalSoft เกือบสิบปีโดยก้าวจากโปรแกรมเมอร์ .NET ไปสู่ Software Development Manager และสุดท้ายเป็น Charisma Business Applications Director ซึ่งเธอรับผิดชอบการพัฒนาผลิตภัณฑ์, การนำไปใช้งาน, การสนับสนุนด้านเทคนิค, สถาปัตยกรรมโซลูชัน, และความรับผิดชอบด้าน P&L พื้นฐานการศึกษาเชิงวิชาการของเธอยังรวมถึงการวิจัย AI ที่ University of Rome Tor Vergata ซึ่งเธอทำงานร่วมกับ Artificial Intelligence Research Group ของมหาวิทยาลัยเพื่อพัฒนาเทคโนโลยีการสกัดและจัดโครงสร้างข้อมูลจากข้อมูลที่ไม่มีโครงสร้าง เธอยังเป็นสมาชิกคณะกรรมการที่ปรึกษาของ Women in Tech Romania อีกด้วย

Druid AI เป็นบริษัท AI ระดับองค์กรที่มุ่งเน้นการสร้างและประสานงานเอเย่นต์ AI ที่สามารถอัตโนมัติขั้นตอนธุรกิจที่ซับซ้อนได้ทั่วทั้งองค์กร แพลตฟอร์มของบริษัทผสานการเข้าใจภาษาธรรมชาติ, Generative AI, Retrieval‑Augmented Generation (RAG), การเชื่อมต่อระบบองค์กร, การอัตโนมัติเวิร์กโฟลว์, การวิเคราะห์, และการกำกับดูแล โดย Druid Conductor จะประสานงานเอเย่นต์และระบบเฉพาะทางหลายตัวเพื่อบรรลุผลลัพธ์ทางธุรกิจ องค์กรสามารถเชื่อมต่อเอเย่นต์ของ Druid กับระบบต่าง ๆ เช่น ERP, CRM, ITSM, และแพลตฟอร์ม HR พร้อมทั้งปรับใช้เทคโนโลยีในสภาพแวดล้อมคลาวด์, ไฮบริด, On‑Premises หรือ Air‑Gapped บริษัทระบุว่าเทคโนโลยีของตนถูกใช้โดยลูกค้าองค์กรกว่า 300 รายและได้รับการสนับสนุนจากพันธมิตรระดับโลกกว่า 200 ราย โดยมีการใช้งานในหลายด้านรวมถึงการสนับสนุนพนักงาน, บริการลูกค้า, การดูแลสุขภาพ, การศึกษาอุดมศึกษา, และบริการร่วม

คุณได้ร่วมก่อตั้ง Druid AI ที่บูคาเรสต์ในปี 2018 หลังจากทำงานที่ TotalSoft เกือบสิบปีโดยก้าวจากการพัฒนา .NET ไปสู่การเป็นผู้นำด้านเทคโนโลยีและธุรกิจ สิ่งใดทำให้คุณเชื่อว่า Conversational AI จะกลายเป็นชั้นหลักของเทคโนโลยีองค์กรในขณะนั้น, และวิสัยทัศน์เดิมนั้นได้พัฒนาขึ้นอย่างไรเมื่อ Druid เริ่มเข้าสู่ Agentic AI? 

การบรรจบของสองเส้นทางที่แตกต่างกัน – ความเข้มข้นทางวิชาการและความเจ็บปวดขององค์กรระดับแนวหน้า – เป็นสิ่งที่กำหนดความคิดของฉันในขณะทำปริญญาเอก อย่างไรก็ตาม ฉันจึงตระหนักว่าการวิจัยของฉันจะสามารถนำไปใช้ในชีวิตจริงได้จริงเมื่อ Liviu Dragan, ผู้นำที่มีวิสัยทัศน์อย่างยิ่ง, เสนอแนวคิดในการก่อตั้ง Druid AI

ระหว่างปี 2008 ถึง 2011 งานวิจัยปริญญาเอกของฉันมุ่งเน้นไปที่เอเย่นต์ AI อิสระที่สื่อสารผ่านเทคโนโลยี Semantic Web และ Ontology โดยสำรวจว่าระบบอัจฉริยะจะสามารถแทนที่หรือทำหน้าที่เหนือซอฟต์แวร์องค์กรแบบดั้งเดิมได้อย่างไร หลังจากนั้นไม่นาน การทำงานในตำแหน่งผู้นำด้านเทคโนโลยีองค์กรทำให้ฉันได้พบความเป็นจริงที่ชัดเจน: เรากำลังขอให้พนักงานจัดการกับความซับซ้อนที่ยากจะรับมือ

การทำงานของงานประจำวันหนึ่งหมายถึงต้องรู้ว่าจะเปิดแอปพลิเคชันใด, ข้อมูลอยู่ที่ไหน, นโยบายใดบังคับใช้, และใครเป็นผู้รับผิดชอบขั้นตอนต่อไป ในขณะเดียวกัน นอกออฟฟิศ การส่งข้อความกำลังกลายเป็นอินเทอร์เฟซหลักสำหรับการสื่อสารของมนุษย์

เมื่อเราก่อตั้ง Druid AI ในปี 2018 วิสัยทัศน์ของเราคือ “ให้พนักงานและลูกค้าทุกคนมีผู้ช่วยเสมือนที่สามารถประสานงานงานทั่วทั้งองค์กร” แม้เวลาผ่านไปเกือบสิบปี วิสัยทัศน์หลักนี้ยังคงไม่เปลี่ยนแปลง – เพียงแต่เทคโนโลยีได้ก้าวตามไป

Conversational AI ในอดีตเน้นที่การจดจำเจตนา, การดึงข้อมูล, และการเรียกใช้สคริปต์คงที่ ส่วน Agentic AI เปลี่ยนขอบเขตของการมอบหมายงาน เอเย่นต์สมัยใหม่จะประเมินเป้าหมาย, ทำงานร่วมกับเอเย่นต์ย่อยเฉพาะด้าน, นำทางระบบที่แตกต่างกัน, และดำเนินการเวิร์กโฟลว์หลายขั้นตอนโดยอัตโนมัติ

สำหรับเรา การปฏิวัติ Agentic ปัจจุบันไม่ได้เป็นการเปลี่ยนกลยุทธ์จาก Conversational AI แต่เป็นการทำให้ทฤษฎีการก่อตั้งของเราเป็นจริง: “เทคโนโลยีองค์กรต้องง่ายต่อมนุษย์เพื่อให้พวกเขาทำงานสำเร็จได้” แม้ว่าการประสานงานเบื้องหลังจะซับซ้อนมากขึ้นเรื่อย ๆ

อุตสาหกรรม AI ส่วนใหญ่มุ่งเน้นการสร้างโมเดลพื้นฐานที่มีประสิทธิภาพเพิ่มขึ้นเรื่อย ๆ ในขณะที่ Druid AI มุ่งเน้นการเชื่อมต่อโมเดลต่าง ๆ กับข้อมูล, ระบบ, และเวิร์กโฟลว์ขององค์กร เมื่อโมเดลกลายเป็นสิ่งที่สามารถสลับเปลี่ยนกันได้, คุณคิดว่าการประสานงานจะกลายเป็นข้อได้เปรียบเชิงแข่งขันที่สำคัญกว่าตัวโมเดลเองหรือไม่?

ที่ Druid AI ภารกิจหลักของเราง่าย ๆ คือ “สกัดสิ่งที่ยอดเยี่ยมจากทุกการโต้ตอบของมนุษย์โดยทำงานให้สำเร็จอย่างมีประสิทธิภาพ” แต่เมื่อตลาดเติบโตขึ้น กุญแจสู่การส่งมอบคุณค่าก็เริ่มห่างจากสแต็กเทคโนโลยีพื้นฐาน

เรากำลังเห็นรูปแบบคลาสสิกในเทคโนโลยีองค์กร: ความสามารถที่เคยเป็นจุดแตกต่างในช่วงแรกกำลังกลายเป็นสินค้าที่ใช้ได้ทั่วไป วันนี้โมเดลพื้นฐานสามารถเข้าถึงได้โดยทุกผู้เล่น บริษัทจะต้องผสมผสานโมเดลหลายแบบตามความต้องการด้านประสิทธิภาพ, ต้นทุน, ความปลอดภัย, หรือข้อกำหนดด้านกฎระเบียบ เมื่อปัญญาประดิษฐ์กลายเป็นสินค้า การต่อสู้เชิงกลยุทธ์จึงย้ายขึ้นสู่ระดับสแต็ก

ในปัจจุบัน ปัญหาที่ยากที่สุดของ AI ระดับองค์กรคือ “บริบทการดำเนินงาน”: การกำกับดูแลและการเข้าถึง (AI สามารถเข้าถึงข้อมูลอะไรได้บ้างและภายใต้นโยบายใด), การกำหนดเส้นทางเอเย่นต์ (เอเย่นต์เฉพาะด้านใดควรรับผิดชอบงาน), การบูรณาการระบบ (ระบบธุรกรรมหลายระบบทำงานร่วมกันอย่างปลอดภัยได้อย่างไร), ความเป็นอิสระ vs การควบคุม (เอเย่นต์ควรทำงานอิสระเมื่อใดและเมื่อใดต้องการการอนุมัติจากมนุษย์), การตรวจสอบ (หากเวิร์กโฟลว์ล้มเหลว เราสามารถสืบค้นเส้นทางการตัดสินใจได้หรือไม่)

นี่คือเหตุผลที่การประสานงานกลายเป็นคันเร่งเชิงกลยุทธ์ขั้นสุดท้าย โมเดลสร้างปัญญา แต่บริษัทต้องการการดำเนินงานที่เชื่อถือได้

Druid AI ถูกออกแบบให้เป็นชั้นควบคุมและประสานงานที่ชัดเจน มันเชื่อมต่อโมเดลต่าง ๆ อย่างปลอดภัยผ่านข้อมูล, เวิร์กโฟลว์, และคนในองค์กร อย่างสำคัญ มันยังให้กรอบอ้างอิงเพื่อวัดประสิทธิภาพการดำเนินงานและประเมินผลลัพธ์ทางธุรกิจที่แท้จริง

ในระยะยาว คำถามที่ชนะจะไม่ใช่ “โมเดลใดที่คุณใช้?” แต่จะเป็น “คุณสามารถแปลงปัญญาแบบดิบให้กลายเป็นงานที่เสร็จสมบูรณ์สำหรับพนักงานและลูกค้าได้อย่างมีประสิทธิภาพแค่ไหน?”

Druid Conductor สามารถประสานงานเอเย่นต์เฉพาะด้านหลายตัวที่ครอบคลุมการดึงความรู้, ตรรกะการตัดสินใจ, และการกระทำของระบบได้ สิ่งใดทำให้การย้ายจากผู้ช่วย AI ตัวเดียวที่ตอบคำถามไปสู่หลายเอเย่นต์ที่สามารถดำเนินกระบวนการธุรกิจหลายขั้นตอนได้อย่างอิสระเป็นเรื่องที่ท้าทายทางเทคนิค?

การเปลี่ยนจากอินเทอร์เฟซสนทนาแบบง่ายไปสู่สถาปัตยกรรมหลายเอเย่นต์เปลี่ยนความท้าทายด้านวิศวกรรมอย่างพื้นฐาน คุณจะหยุดจัดการการสนทนาเชิงเส้นและเริ่มจัดการระบบการตัดสินใจและการดำเนินงานแบบกระจาย

เมื่อมีผู้ช่วย Q&A ตัวเดียวอุปสรรคหลักคือการจดจำเจตนา, การดึงข้อมูล, และการสร้างคำตอบที่แม่นยำหลายระดับ ระบบหลายเอเย่นต์นำเข้าคลาสของระบบกระจายใหม่และคำถามใหม่ดังนี้:

1. เอเย่นต์ใดมีอำนาจในการดำเนินการ, และจะป้องกันการเบี่ยงเบนของโดเมนอย่างไร?
2. สถานะ (State) จะถูกเก็บรักษาอย่างไรเมื่อมีการส่งมอบความรับผิดชอบระหว่างเอเย่นต์?
3. การตัดสินใจที่ขัดแย้งกันระหว่างเอเย่นต์เฉพาะด้านจะถูกปรับให้สอดคล้องกันอย่างไร?
4. เอเย่นต์ย่อยจะรับสิทธิ์การเข้าถึงอย่างไดนามิกและปลอดภัยได้อย่างไร?

ความท้าทายเหล่านี้เพิ่มความซับซ้อนเมื่อประยุกต์ใช้กับโครงสร้างพื้นฐานขององค์กรจริง ๆ เวิร์กโฟลว์หนึ่งอาจครอบคลุม CRM, ERP, แพลตฟอร์มจัดการอัตลักษณ์, ระบบตั๋ว, และฐานข้อมูลเก่า แต่ละระบบทำงานภายใต้นโยบายธุรกิจและโหมดความล้มเหลวที่แตกต่างกัน ในที่สุดเอเย่นต์ Conductor ต้องทำให้งานสำเร็จโดยไม่มีข้อผิดพลาด

หากขั้นตอนที่สี่ของกระบวนการหกขั้นล้มเหลวหลังจากที่ระบบสามระบบได้ทำการเปลี่ยนแปลงแบบธุรกรรมแล้ว, ระบบ Agentic พื้นฐานจะพังทลาย ชั้นประสานงานไม่สามารถโยนข้อผิดพลาดทั่วไปได้ ต้องจัดการสถานะ, ทำการย้อนกลับหากจำเป็น, ตรวจสอบว่ามีเส้นทางสำรองหรือไม่, หรือยกระดับไปสู่การแทรกแซงของมนุษย์ในลูป

การประสานงานระดับองค์กรที่แท้จริงคือการจัดการสถานะ, ความสอดคล้องของธุรกรรม, การมองเห็น, การบังคับใช้นโยบาย, และการทำงานอิสระที่ปลอดภัย เป้าหมายของความซับซ้อนพื้นฐานนี้คือความเรียบง่าย: มอบประสบการณ์การโต้ตอบเดียวที่ไร้รอยต่อเพื่อให้งานหลายระบบซับซ้อนเสร็จสิ้นโดยอัตโนมัติ

Druid AI ตอนนี้ได้ให้บริการการสนทนากว่า หนึ่งพันล้านครั้งผ่านเอเย่นต์ที่ถูกติดตั้งหลายพันตัว ที่ระดับนี้ คุณได้เรียนรู้อะไรเกี่ยวกับ AI ระดับองค์กรที่ไม่อาจเรียนรู้ได้จากการทดลองหรือการสาธิตที่ควบคุม?

การผลิตสอนให้คุณรู้สึกถ่อมตนอย่างรวดเร็ว

การทดลองมักเป็นสภาพแวดล้อมที่ค่อนข้างควบคุม กรณีการใช้งานถูกกำหนด, ข้อมูลค่อนข้างสะอาด, ผู้ใช้เป็นที่ทราบและมักมีทีมโครงการคอยเฝ้าดูอย่างใกล้ชิด

แต่การผลิตไม่เป็นเช่นนั้นเลย ผู้ใช้ถามคำถามเดียวกันในยี่สิบรูปแบบที่แตกต่างกัน พวกเขาเปลี่ยนใจกลางการสนทนา ให้ข้อมูลไม่ครบถ้วน สลับภาษา หรือสลับหัวข้อ ปฏิสัมพันธ์เกิดขึ้นในเวลาที่ไม่คาดคิด นโยบายเปลี่ยนแปลง API ล่ม ระบบหลังบ้านช้าลง กรณีขอบใหม่ที่ไม่มีใครคาดคิดปรากฏขึ้น สิ่งที่แน่นอนคือ ผู้ใช้คาดหวังให้ทำงานสำเร็จอย่างมีประสิทธิภาพ ราบรื่น และเป็นธรรมชาติ ไม่ว่าจะเป็นข้อความหรือโดยเฉพาะเสียง การสนทนาต้องไหลลื่นโดยไม่มีความล่าช้า ต้องฟังดูมีความเห็นอกเห็นใจในระดับหนึ่ง และต้องทำงานให้สำเร็จพร้อมแนะนำตัวเลือกและขั้นตอนต่อไปที่ดีที่สุด หรือจัดการข้อยกเว้นและลูปให้มนุษย์เมื่อจำเป็น

การอัตโนมัติที่มีคุณค่าสูงสุดบางส่วนมาจากการทำสิ่งธรรมดาให้ยอดเยี่ยมและทำซ้ำหลายแสนครั้ง เช่น การตอบคำถามพนักงาน, ตรวจสอบบัญชี, จัดตารางนัดใหม่, แก้ไขคำขอ IT, หรือดึงข้อมูลที่ถูกต้องจากระบบองค์กร สิ่งนี้ทำให้เรามองเห็นคุณค่าของ AI แตกต่างออกไป

บทเรียนที่สองคือ การเปิดใช้งานจริงเป็นเพียงจุดเริ่มต้นของวงจรการเรียนรู้ คุณต้องดูว่าผู้ใช้ต้องการอะไร, เจตนาใดกำลังเติบโต, การสนทนาล้มเหลวที่ไหน, ผู้ใช้ยกเรื่องขึ้นที่ไหน, และบางครั้งกระบวนการธุรกิจพื้นฐานเองต้องเปลี่ยนแปลง

และบทเรียนที่สำคัญที่สุดคือ ความเชื่อถือเป็นเรื่องเชิงปฏิบัติ เนื่องจากองค์กรเชื่อถือ AI เพราะเมื่อเวลาผ่านไป AI ทำงานได้คาดการณ์ได้, จัดการข้อยกเว้นได้อย่างถูกต้อง, การตัดสินใจมองเห็นได้ และองค์กรยังคงควบคุมได้

ข้อมูลการผลิตของ Druid ชี้ให้เห็นว่าจำนวนเวิร์กโฟลว์ที่ค่อนข้างน้อยสามารถอธิบายการใช้งาน AI ระดับองค์กรได้ส่วนใหญ่ สิ่งนี้บ่งบอกว่าบริษัทควรเน้นการลงทุน AI ในเวิร์กโฟลว์ที่มีปริมาณสูงเป็นอันดับแรกหรือไม่, แทนที่จะพยายามทำการเปลี่ยนแปลงทั่วทั้งองค์กร?

หนึ่งในรูปแบบที่ชัดเจนที่สุดในข้อมูลการผลิตของเราคือ ความต้องการมักกระจุกตัว ตัวอย่างเช่น ในบริการทางการเงิน มีสามประเภทของเวิร์กโฟลว์ที่ครอบคลุมประมาณ 90% ของการใช้งานในระดับการผลิต ส่วนในอุดมศึกษา ความกระจุกตัวนั้นยิ่งสูงกว่า สิ่งนี้บอกเราว่าบริษัทควรคิดอย่างไรเกี่ยวกับการเปลี่ยนแปลง AI เราได้วิเคราะห์ข้อมูลเหล่านี้และจัดทำรายงาน benchmark สำหรับอุดมศึกษา, การดูแลสุขภาพ, และธนาคาร เพื่อให้พันธมิตรและลูกค้าของเราสามารถระบุกระบวนการที่อาจเพิ่มประสิทธิภาพและคาดการณ์ว่ามนุษย์จะโต้ตอบกับเอเย่นต์อย่างไร

มีความโน้มเอียงโดยเฉพาะระดับคณะกรรมการที่จะเริ่มด้วยความต้องการที่กว้างมาก: “คุณต้องใช้ AI ไม่เช่นนั้นจะล้าหลัง” ทีมปฏิบัติการจึงต้องดิ้นรนเพื่อระบุงานที่เอเย่นต์สามารถทำได้ในขณะเดียวกันก็กลัวว่าจะเสียงานของตน ดังนั้น สมดุลที่เหมาะสมคืออะไรและพวกเขาจะจ้างเอเย่นต์ AI ที่ทำงานร่วมกับพวกเขาได้อย่างไรในขณะที่เพิ่ม KPI ที่คณะกรรมการคาดหวัง?

เริ่มจากจุดที่มีศักยภาพในการเพิ่มรายได้หรือ/และลดต้นทุน สิ่งที่คนทำซ้ำ ๆ อย่างต่อเนื่อง หากลูกค้า, พนักงาน, นักศึกษา, หรือผู้ป่วยหลายพันคนพยายามบรรลุผลลัพธ์เดียวกัน คุณจะมีฐานวัดที่ชัดเจนและโอกาสที่ดีในการพิสูจน์คุณค่า

แต่ต้องแยกแยะให้ชัดเจน: เริ่มแคบ, วางสถาปัตยกรรมให้กว้าง

กรณีการใช้งานแรกอาจกระจุกตัว แพลตฟอร์มพื้นฐานควรพร้อมขยายขอบเขตทั่วทั้งองค์กร คุณพิสูจน์ด้านเศรษฐกิจ, โมเดลการกำกับดูแล, การเชื่อมต่อ, และกลไกการยกระดับมนุษย์ในเวิร์กโฟลว์สำคัญไม่กี่รายการ จากนั้นขยายไปสู่กระบวนการที่เกี่ยวข้องโดยอาศัยสิ่งที่คุณได้เรียนรู้

ปริมาณไม่ควรเป็นเกณฑ์เดียว เวิร์กโฟลว์ที่มีความถี่ต่ำก็อาจมีคุณค่ามหาศาลหากการแก้ไขแต่ละครั้งส่งผลต่อการเงินหรือการปฏิบัติงานอย่างสำคัญ

เมื่อองค์กรให้ความสำคัญกับการแก้ปัญหาให้สำเร็จมากกว่าการเพิ่มเปอร์เซ็นต์ของการโต้ตอบที่ไม่ต้องใช้มนุษย์, องค์กรควรกำหนดว่า AI เอเย่นต์ควรทำการตัดสินใจใดได้อย่างอิสระและที่ใดควรยกเรื่องให้มนุษย์เข้ามาแทรกแซงเป็นข้อบังคับ?

Druid AI ได้สร้างกรอบการประเมินที่ครอบคลุม 26 เกณฑ์เพื่อให้การประเมินการประสานงานเอเย่นต์เป็นไปอย่างเป็นกลาง ตั้งแต่การสร้างจนถึงการทำงานสำเร็จ

หากการกระทำสามารถย้อนกลับได้, มีความเสี่ยงต่ำ, อยู่ภายใต้นโยบายที่ชัดเจน, และอ้างอิงข้อมูลที่เชื่อถือได้, จะมีเหตุผลที่แข็งแกร่งสำหรับการทำงานอิสระ การจัดตารางนัดใหม่ด้วยพารามิเตอร์ที่กำหนดไว้ล่วงหน้าต่างจากการตัดสินใจทางคลินิกอย่างมาก แต่แม้กระทั่งการจัดตารางนั้นก็ต้องพิจารณาหลายปัจจัยเพื่อให้ทำได้อย่างมีประสิทธิภาพ: เช่น หากคุณหมอ B มีช่องว่างแต่ต้องการจองไว้, เอเย่นต์ AI ไม่ควรจัดตารางนัดของผู้ป่วยในช่องนั้นเพียงเพราะงานคือการเพิ่มการครอบคลุมของปฏิทินคุณหมอ

ฉันมองที่หลายมิติ: ผลกระทบทางการเงินหรือมนุษย์จากข้อผิดพลาด, ความสามารถในการย้อนกลับ, ความครบถ้วนและคุณภาพของข้อมูล, ข้อกำหนดด้านกฎระเบียบ, และความจำเป็นของการตัดสินใจหรือความเห็นใจของมนุษย์ จากนั้นออกแบบกระบวนการยกเรื่องอย่างตั้งใจ

นี่คือจุดที่การคิดเชิงอัตโนมัติของ AI ในช่วงแรกดูง่ายเกินไป เป้าหมายกลายเป็น “ควบคุมการโต้ตอบให้มากที่สุดโดยไม่ต้องมีมนุษย์เข้ามา” แต่ในหลายกระบวนการ การยกเรื่องกลับเป็นผลลัพธ์ที่เหมาะสม

ดังนั้นฉันชอบคิดในแง่ของ “การแก้ไขที่กำกับดูแล” มากกว่าการ “ควบคุมอย่างเต็มที่”

เป้าหมายคือให้ AI แก้ไขงานที่ควรแก้ได้ด้วยตนเอง, รู้ว่าตนควรไม่ทำเมื่อใด, และนำคนเข้ามาในกระบวนการพร้อมบริบทที่เตรียมไว้แล้ว

เมื่อเอเย่นต์ AI สามารถดึงข้อมูลที่ละเอียดอ่อน, ปรับปรุงระบบองค์กร, และเริ่มทำการกระทำในโลกจริง, การมองเห็นและการกำกับดูแลจะมีความสำคัญมากขึ้น. บริษัทควรตรวจสอบอะไรบ้างเกี่ยวกับเหตุผลของเอเย่นต์, การเข้าถึงข้อมูล, และการกระทำก่อนที่พวกเขาจะไว้วางใจให้ทำงานสำคัญ?

ตามแนวทางของ Gartner, DRUID มีกรอบการประเมินในตัวที่วิเคราะห์เอเย่นต์จาก 5 มุม: ความทนต่อความผิดพลาด, ความเสี่ยง, การปฏิบัติตาม, การมองเห็น, และการเบี่ยงเบน ภายใต้หมวดเหล่านี้เรามีทั้งหมด 26 ส่วนประกอบ แต่ละส่วนมีคำนิยาม, เอกสารอ้างอิง, และการวัดผล

เมื่อประเมินเอเย่นต์ แพลตฟอร์มควรสามารถสืบค้นเส้นทางทั้งหมดตั้งแต่คำขอของผู้ใช้ต้นทางจนถึงการกระทำสุดท้ายของระบบ ซึ่งหมายถึงการรู้ว่าเอเย่นต์ใดรับคำขอ, โมเดลใดถูกใช้, บริบทใดที่โมเดลได้รับ, ข้อมูลองค์กรใดที่ถูกดึง, กฎธุรกิจหรือแนวนโยบายใดที่ถูกนำมาใช้, ทำไมเส้นทางหรือการกระทำนั้นถูกเลือก, และอะไรเปลี่ยนแปลงในระบบพื้นฐาน การโต้ตอบที่สามารถตรวจสอบได้หลายสิบรายการถูกบันทึก, วิเคราะห์, และวัดผล

อัตลักษณ์ก็สำคัญไม่แพ้กัน เอเย่นต์ AI ไม่ควรเป็นทางลัดในการหลีกเลี่ยงการควบคุมการเข้าถึงขององค์กร คุณต้องรู้ว่าใครเป็นผู้เริ่มคำขอ, บุคคลนั้นมีสิทธิ์เห็นหรือทำอะไรบ้าง, และเอเย่นต์อยู่ภายในขอบเขตเหล่านั้นหรือไม่

ในสถาปัตยกรรมหลายเอเย่นต์ การตรวจสอบเส้นทางยิ่งสำคัญ: เอเย่นต์ใดมอบหมายงานให้เอเย่นต์อื่น, ข้อมูลใดข้ามขอบเขต, การตัดสินใจมาจากที่ไหน, ส่วนประกอบใดทำการกระทำจริง, และมีหลักฐานการปฏิบัติงานเช่น timestamp, สัญญาณความมั่นใจ, ผลลัพธ์การดำเนินงาน, ข้อยกเว้น, เหตุการณ์การยกเรื่อง, และความสามารถในการเข้าใจหรือเล่นซ้ำสิ่งที่เกิดขึ้น

นี่คือการเปลี่ยนแปลงที่ใหญ่ที่สุดเมื่อเราย้ายจาก Conversational AI ไปสู่ Agentic AI

เมื่อ AI เพียงตอบคำถาม การมองเห็นเป็นประโยชน์ แต่เมื่อ AI สามารถเปลี่ยนแปลงข้อมูลลูกค้า, เรียกการชำระเงิน, ปรับปรุงระบบหลายระบบ, หรือเริ่มกระบวนการธุรกิจ การมองเห็นจะกลายเป็นส่วนหนึ่งของสถาปัตยกรรมการควบคุม

คุณเคยดำรงตำแหน่งที่หลากหลายอย่างไม่ธรรมดาที่ Druid AI, ครอบคลุมการพัฒนา, การดำเนินงาน, รายได้และความสำเร็จของลูกค้า. การทำงานโดยตรงกับลูกค้าได้เปลี่ยนมุมมองของคุณอย่างไรเกี่ยวกับเหตุผลที่การนำ AI ระดับองค์กรบางกรณีสร้างคุณค่าที่วัดได้ได้, ในขณะที่บางกรณียังคงติดอยู่ในโหมดทดลอง?

ฉันเริ่มอาชีพในฐานะนักพัฒนา และเช่นวิศวกรหลายคน ฉันเคยเชื่อว่าหากเทคโนโลยีดีพอ คุณค่าก็จะชัดเจน ลูกค้าสอนให้ฉันเร็ว ๆ ว่าเทคโนโลยีองค์กรไม่ได้ทำงานแบบนั้น

การนำไปใช้ที่มีความซับซ้อนทางเทคนิคอาจสร้างคุณค่าน้อยมากหากปัญหาทางธุรกิจไม่สำคัญพอ, หากเจ้าของกระบวนการไม่มีอยู่, หากการบูรณาการถูกมองเป็นเรื่องหลังบ้าน, หรือหากไม่มีใครกำหนดว่าความสำเร็จคืออะไร ลูกค้าช่างเก่งในการตัดเทคโนโลยีออก พวกเขาไม่สนใจว่าโครงสร้างสถาปัตยกรรมสวยงามแค่ไหน หากกระบวนการที่พวกเขารับผิดชอบไม่ดีขึ้น

เมื่อเราพูดถึงการนำไปใช้ในระดับนั้น มีเจ้าของธุรกิจที่มีปัญหาจริง ๆ มีปริมาณที่วัดได้, ต้นทุน/รายได้หรือความลำบาก ระบบ AI เชื่อมต่อกับระบบที่ทำงานจริง และมีแผนการนำไปใช้และการปรับปรุงต่อเนื่องหลัง go‑live การทดลองมักคงเป็นการทดลองเพราะพิสูจน์ว่าเทคโนโลยีทำงานได้โดยไม่พิสูจน์ว่ารูปแบบการดำเนินงานทำงานได้ นั่นคือเหตุผลที่เมื่อออกแบบโครงการ AI เราฝึกพนักงานและพันธมิตรให้เข้าใจ “งาน” ก่อน “คลิก” ในระบบ “งาน” หมายถึงกระบวนการทั้งหมด, วิธีจัดการข้อยกเว้น, ผลลัพธ์ที่ต้องการ, ความถี่ของข้อยกเว้น, สิ่งที่ขัดขวางการเพิ่มผลผลิต, ระยะเวลาและความพยายามที่ต้องใช้เพื่อเพิ่มผลผลิตหากงานนั้นไม่ได้อัตโนมัติ

เส้นทางอาชีพของฉันได้เคลื่อนผ่านเทคโนโลยี, การดำเนินงาน, การขาย, ความสำเร็จของลูกค้า, และการสร้างบริษัท และตอนนี้ฉันเห็นว่าความกว้างนี้เป็นหนึ่งในข้อได้เปรียบใหญ่ของฉัน เทคโนโลยีสอนให้คุณรู้ว่ามันทำงานอย่างไร การขายสอนให้คุณรู้ว่าทำไมคนจะจ่ายเงินให้มัน ความสำเร็จของลูกค้าสอนให้คุณรู้ว่ามันทำงานได้จริงหรือไม่ การดำเนินงานสอนให้คุณรู้ว่าองค์กรสามารถส่งมอบมันได้อย่างต่อเนื่องและในระดับใหญ่หรือไม่

ในหลาย ๆ ด้าน การพัฒนา Druid AI ได้เดินตามเส้นทางเดียวกัน: จากการพิสูจน์ว่า Conversational AI ทำงานได้, ไปสู่การพิสูจน์ว่ามันสร้างคุณค่า, ไปสู่การสร้างโครงสร้างพื้นฐานที่ทำให้เอเย่นต์อัจฉริยะเชื่อถือได้ในระดับองค์กร

คุณยังเคยร่วมงานกับ Women in Tech Romania ขณะสร้าง Druid ให้เป็นบริษัท AI ระดับสากล. คุณยังเห็นอุปสรรคใหญ่ที่สุดที่ผู้หญิงต้องเผชิญในการก่อตั้งและเป็นผู้นำบริษัท AI คืออะไร, และอะไรจะเพิ่มสัดส่วนของพวกเขาในระดับผู้บริหารและผู้ก่อตั้งได้อย่างมีนัยสำคัญ? 

ข้อมูลล่าสุดชี้ให้เห็นช่องว่างที่ชัดเจนในเทคโนโลยียุโรป: เพียง 5% ของสตาร์ทอัพ AI ถูกก่อตั้งหรือร่วมก่อตั้งโดยผู้หญิง, และเพียงครึ่งหนึ่งของผู้ก่อตั้งเหล่านั้นมีปริญญา PhD แม้ว่าสถิติจะดูน่ากลัว การแก้ไขความไม่เท่าเทียมนี้ต้องมองนอกกรอบการบรรยายเรื่องการเลือกปฏิบัติทางเพศแบบดั้งเดิม

ในแก่นของเรื่อง การเป็นผู้ประกอบการเป็นการเดินทางส่วนบุคคลที่กำหนดโดยบุคลิกภาพ, ความเสี่ยง, ลำดับความสำคัญส่วนตัว, และการเลือกอาชีพ แทนที่จะมองว่าเป็นอุปสรรคทางสังคม เราต้องสำรวจ “ท่อ” ที่ทำให้ผู้ก่อตั้งเกิดขึ้น

แม้ว่าเด็กหญิงจะมีแนวโน้มสนใจสาขาเทคนิคน้อยกว่าในช่วงต้น, อุปสรรคที่สำคัญและไม่ค่อยมีการพูดถึงปรากฏขึ้นในอาชีพระดับองค์กร: การได้รับโอกาสเป็นเจ้าของธุรกิจเต็มรูปแบบ

ผู้หญิงมักเป็นผู้เชี่ยวชาญเทคนิคระดับโลกและผู้นำด้านฟังก์ชัน อย่างไรก็ตาม จำนวนที่เปลี่ยนไปสู่บทบาทที่รับผิดชอบโดยตรงต่อรายได้, การจัดการ P&L, การตัดสินใจเชิงพาณิชย์, และกลยุทธ์องค์กรโดยรวมนั้นน้อยกว่า นี่คือกล้ามเนื้อเชิงปฏิบัติที่จำเป็นต่อการก่อตั้งและขยายบริษัทเทคโนโลยีระดับองค์กร

เส้นทางของฉันจากการพัฒนาซอฟต์แวร์สู่ตำแหน่ง CEO ไม่ได้เป็นเส้นตรง แต่เป็นการเปลี่ยนผ่านหลายขั้นตอนผ่านการเป็นผู้นำ, การดำเนินงาน, การดำเนินการเชิงพาณิชย์, และสุดท้ายการสร้างบริษัท ในระบบการศึกษาโรมาเนียที่ขาดการให้ความรู้ด้านการเงินและการฝึกฝนผู้ประกอบการสำหรับทุกคน ไม่ว่าเพศใด การเรียนรู้การจัดการความเสี่ยงทางธุรกิจจึงเป็นกระบวนการที่ต้องค่อย ๆ เปิดโอกาสให้สัมผัส

การแก้ช่องว่างนี้ยังต้องทำลายตำนานที่พบบ่อย: ความเชื่อว่า “ผู้นำเทคโนโลยีต้องเชี่ยวชาญอย่างสมบูรณ์ก่อนก้าวขึ้น” ในยุค AI ที่เคลื่อนที่เร็วไม่มีใครมีคำตอบครบทุกข้อ คุณลักษณะผู้นำในวันนี้คือความอยากรู้อยากเห็น, การเรียนรู้อย่างต่อเนื่อง, และความมั่นใจในการรับมือกับปัญหาซับซ้อนก่อนที่ผลลัพธ์จะรับประกัน

เพื่อให้เห็นผู้หญิงมากขึ้นในตำแหน่งผู้บริหารเทคโนโลยี เราต้องขยายการเข้าถึงเครือข่ายเชิงพาณิชย์, ส่งเสริมแบบอย่างที่มองเห็นได้, และกระตุ้นให้ผู้มีประสบการณ์ก้าวออกจากซิลโล่ฟังก์ชัน, รับผิดชอบ P&L, และรับความเสี่ยงของการเป็นเจ้าของธุรกิจ

มองไปข้างหน้า, คุณคิดว่าอะไรจะทำให้แพลตฟอร์ม AI ระดับองค์กรที่ฝังลึกในกระบวนการธุรกิจแตกต่างจากผลิตภัณฑ์ AI จำนวนมากที่สุดท้ายกลับไม่สามารถก้าวข้ามการทดลองได้?

เส้นแบ่งจะอยู่ที่ว่าพวกเขาสามารถย้ายจาก “ปัญญา” ไปสู่ “การดำเนินการที่เชื่อถือได้” หรือไม่

การสร้างคำตอบที่น่าประทับใจกำลังกลายเป็นเรื่องค่อนข้างง่ายแล้ว แต่การทำงานอย่างเชื่อถือได้ภายในองค์กรขนาดใหญ่เป็นอีกเรื่องหนึ่ง

แพลตฟอร์มที่ฝังลึกในกระบวนการธุรกิจจะต้องเชื่อมต่ออย่างปลอดภัยกับระบบที่มีอยู่แล้ว แทนที่จะบังคับให้บริษัทเปลี่ยนทุกอย่างที่ใช้ พวกเขาต้องทำงานข้ามโมเดลและเทคโนโลยีต่าง ๆ ได้

พวกเขาต้องมีการประสานงานที่สามารถประสานเอเย่นต์, เวิร์กโฟลว์, และการตัดสินใจของมนุษย์ได้ และต้องมีอัตลักษณ์, การกำกับดูแล, การมองเห็น, และการควบคุมที่ฝังอยู่ในสถาปัตยกรรมตั้งแต่ต้น ไม่ใช่เพิ่มภายหลัง

แต่ยังมีข้อกำหนดอีกอย่างที่ผมคิดว่าจะยิ่งทำให้การทดลองแตกต่างจากโครงสร้างพื้นฐาน: ความน่าเชื่อถือภายใต้เงื่อนไขที่ไม่สมบูรณ์ การสาธิตอาจแสดงให้เห็นว่า AI ทำอะไรได้บ้างเมื่อทุกอย่างทำงานได้ดี แต่องค์กรต้องการรู้ว่าเกิดอะไรขึ้นเมื่อบางอย่างล้มเหลว

อะไรจะเกิดขึ้นเมื่อข้อมูลไม่ครบ, API ล่ม, นโยบายสองฉบับขัดแย้ง, ความมั่นใจต่ำ, หรือผู้ใช้ขอทำสิ่งที่ไม่ได้รับอนุญาต?

หากเอเย่นต์ทำได้ดี 90% ของเวลา แต่ทำงานไม่คาดคิดใน 10% ที่เหลือ คุณไม่สามารถมอบความรับผิดชอบกระบวนการสำคัญให้กับมันได้

หลายปีที่ผ่านมา คำถามที่โดดเด่นคือ “โมเดลนี้ทำอะไรได้?”

คำถามขององค์กรกำลังเปลี่ยนเป็น “ฉันจะทำงานนี้ให้สำเร็จอย่างมีประสิทธิภาพได้อย่างไร?”

แพลตฟอร์ม AI ที่ฝังลึกในองค์กรจะเป็นผู้ที่ตอบคำถามที่สองได้อย่างน่าเชื่อถือ: ด้านเทคนิค, ด้านปฏิบัติการ, และด้านเศรษฐกิจ นั่นคือโอกาสที่เรามองเห็นเมื่อก่อตั้ง Druid AI: ทำให้ปัญญาเป็นส่วนหนึ่งของวิธีการทำงานขององค์กรเอง ขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม, ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมควรเยี่ยมชม Druid AI.