ข้ามช่องว่างของตัวแทน AI: ความเป็นจริงในการใช้งานทั่วสเปกตรัมของอัตลักษณ์

ข้อมูลการสำรวจล่าสุด จากทีมพัฒนา 1,250+ ทีมเปิดเผยความเป็นจริงที่น่าตกใจ: 55.2% มีแผนที่จะสร้างワークフロー agentic ที่ซับซ้อนมากขึ้นในปีนี้ แต่มีเพียง 25.1% เท่านั้นที่ได้ติดตั้งแอปพลิเคชัน AI ไปยังการผลิตแล้ว ช่องว่างระหว่างความตั้งใจและความเป็นจริงในการใช้งานเน้นย้ำถึงความท้าทายที่สำคัญของอุตสาหกรรม: เราจะสร้าง ระบบ AI ที่มีอัตลักษณ์ที่เพิ่มขึ้นได้อย่างไร?

ไม่ใช่การถกเถียงเกี่ยวกับคำจำกัดความที่เป็นนามธรรมของ “ตัวแทน” แต่ให้มุ่งเน้นไปที่ความท้าทายในการใช้งานที่เป็นรูปธรรมและความสามารถสเปกตรัมที่ทีมพัฒนากำลังใช้งานทุกวันนี้

การทำความเข้าใจเฟรมเวิร์กของอัตลักษณ์

เหมือนกับว่ารถยนต์ที่มีอัตลักษณ์จะผ่านระดับความสามารถที่กำหนดไว้ ระบบ AI จะติดตามเส้นทางพัฒนาที่แต่ละระดับจะสร้างบนความสามารถก่อนหน้า เฟรมเวิร์กที่มี 6 ระดับนี้ (L0-L5) ให้พัฒนาโปรแกรมเมอร์สามารถประเมินและวางแผนการนำ AI ไปใช้งานได้

• L0: ワークフローตามกฎ (ผู้ติดตาม) – การอัตโนมัติที่มีกฎที่กำหนดไว้ล่วงหน้าและไม่มีความฉลาดที่แท้จริง
• L1: ผู้ตอบสนองพื้นฐาน (ผู้ดำเนินการ) – ระบบที่ตอบสนองต่ออินพุต แต่ไม่มีหน่วยความจำหรือการให้เหตุผลแบบเรียกซ้ำ
• L2: การใช้เครื่องมือ (ผู้ดำเนินการ) – ระบบที่ตัดสินใจว่าจะเรียกเครื่องมือภายนอกและรวมผลลัพธ์
• L3: การสังเกตการณ์ การวางแผน การดำเนินการ (ผู้ดำเนินการ) – ワークフローหลายขั้นตอนที่มีความสามารถในการประเมินตนเอง
• L4: อัตโนมัติเต็มรูปแบบ (ผู้สำรวจ) – ระบบที่ยังคงอยู่และกระตุ้นการดำเนินการโดยอิสระ
• L5: การสร้างสรรค์เต็มรูปแบบ (ผู้ประดิษฐ์) – ระบบที่สร้างเครื่องมือและแนวทางใหม่ๆ ในการแก้ปัญหาที่ไม่สามารถคาดเดาได้

ความเป็นจริงในการใช้งานในปัจจุบัน: ที่ทีมส่วนใหญ่อยู่ทุกวันนี้

ความเป็นจริงในการใช้งานแสดงให้เห็นถึงความแตกต่างที่ชัดเจนระหว่างเฟรมเวิร์กที่เป็นนามธรรมและระบบการผลิต ข้อมูลการสำรวจของเราบ่งชี้ว่าทีมส่วนใหญ่ยังคงอยู่ในขั้นตอนแรกของการเติบโต:

• 25% ยังคงอยู่ในขั้นตอนการวางแผนกลยุทธ์
• 21% กำลังสร้างการ chứng minhแนวคิด
• 1% กำลังทดสอบใน môi trườngเบต้า
• 1% ได้ถึงขั้นตอนการผลิต

การกระจายตัวนี้เน้นย้ำถึงความท้าทายที่เป็นรูปธรรมในการย้ายจากแนวคิดไปสู่การนำไปใช้งาน แม้แต่ในระดับอัตลักษณ์ที่ต่ำกว่า

ความท้าทายด้านเทคนิคตามระดับอัตลักษณ์

L0-L1: การสร้างรากฐาน

ระบบ AI ส่วนใหญ่ในปัจจุบันทำงานที่ระดับนี้ โดย 51.4% ของทีมพัฒนากำลังสร้างแชทบอทสำหรับบริการลูกค้า และ 59.7% มุ่งเน้นไปที่การวิเคราะห์เอกสาร ความท้าทายหลักในการใช้งานที่ระดับนี้คือความซับซ้อนของการรวมระบบและความน่าเชื่อถือ ไม่ใช่ข้อจำกัดทางทฤษฎี

L2: พรมแดนปัจจุบัน

นี่คือที่ที่การพัฒนาที่ทันสมัยกำลังเกิดขึ้น โดย 59.7% ของทีมพัฒนากำลังใช้ฐานข้อมูลเวกเตอร์เพื่อสร้างระบบ AI ที่มีพื้นฐานมาจากข้อมูลจริง วิธีการพัฒนามีความหลากหลาย:

• 2% สร้างด้วยเครื่องมือภายใน
• 9% ใช้แพลตฟอร์มพัฒนา AI ของบุคคลที่สาม
• 9% พึ่งพาเพียงการออกแบบคำสั่ง

ลักษณะทดลองของการพัฒนาที่ระดับนี้สะท้อนถึงแนวทางปฏิบัติที่ดีที่สุดและข้อพิจารณาทางเทคนิคที่กำลังพัฒนา ทีมต้องเผชิญกับความท้าทายที่สำคัญ โดย 57.4% ระบุว่าการจัดการการหลอกลวงเป็นข้อกังวลหลัก ตามด้วยการจัดลำดับความสำคัญของกรณีการใช้งาน (42.5%) และช่องว่างด้านความเชี่ยวชาญทางเทคนิค (38%)

L3-L5: อุปสรรคในการใช้งาน

แม้จะมีการปรับปรุงความสามารถของโมเดล แต่ข้อจำกัดพื้นฐานยังคงปิดกั้นความก้าวหน้าไปสู่ระดับอัตลักษณ์ที่สูงกว่า โมเดลในปัจจุบันแสดงให้เห็นถึงข้อจำกัดที่สำคัญ: พวกมันจะเหมาะสมกับข้อมูลการฝึกอบรมมากกว่าการแสดงให้เห็นถึงการให้เหตุผลที่แท้จริง ซึ่งอธิบายว่าทำไม 53.5% ของทีมจึงพึ่งพาการออกแบบคำสั่งมากกว่าการปรับแต่ง (32.5%) เพื่อชี้แนะผลลัพธ์ของโมเดล

การพิจารณาเรื่องสแต็กเทคนิค

สแต็กเทคนิคในการใช้งานสะท้อนถึงความสามารถและข้อจำกัดในปัจจุบัน:

• การรวมระบบหลายรูปแบบ: ข้อความ (93.8%), ไฟล์ (62.1%), รูปภาพ (49.8%) และเสียง (27.7%)
• ผู้ให้บริการโมเดล: OpenAI (63.3%), Microsoft /Azure (33.8%) และ Anthropic (32.3%)
• วิธีการติดตาม: วิธีแก้ปัญหาในองค์กร (55.3%), เครื่องมือของบุคคลที่สาม (19.4%) และบริการของคลาวด์ (13.6%)

เมื่อระบบกลายเป็นความซับซ้อนที่เพิ่มขึ้น ความสามารถในการติดตามจะกลายเป็นเรื่องสำคัญ โดย 52.7% ของทีมกำลังติดตามการนำ AI ไปใช้งานอย่างแข็งขัน

ข้อจำกัดทางเทคนิคที่ปิดกั้นความก้าวหน้าไปสู่อัตลักษณ์ที่สูงกว่า

แม้แต่โมเดลที่ซับซ้อนที่สุดในปัจจุบันก็แสดงให้เห็นถึงข้อจำกัดพื้นฐาน: พวกมันจะเหมาะสมกับข้อมูลการฝึกอบรมมากกว่าการแสดงให้เห็นถึงการให้เหตุผลที่แท้จริง ซึ่งอธิบายว่าทำไม 53.5% ของทีมจึงพึ่งพาการออกแบบคำสั่งมากกว่าการปรับแต่ง (32.5%) เพื่อชี้แนะผลลัพธ์ของโมเดล

สแต็กเทคนิคสะท้อนถึงข้อจำกัดเหล่านี้ ในขณะที่ความสามารถหลายรูปแบบกำลังเติบโต โดยข้อความอยู่ที่ 93.8%, ไฟล์อยู่ที่ 62.1%, รูปภาพอยู่ที่ 49.8% และเสียงอยู่ที่ 27.7% โมเดลพื้นฐานจาก OpenAI (63.3%), Microsoft/Azure (33.8%) และ Anthropic (32.3%) ยังคงทำงานภายใต้ข้อจำกัดพื้นฐานที่จำกัดความสามารถในการทำงานอัตโนมัติ

แนวทางในการพัฒนาและทิศทางในอนาคต

สำหรับทีมพัฒนาที่สร้างระบบ AI ในปัจจุบัน มีข้อคิดที่เป็นรูปธรรมหลายประการจากข้อมูล ข้อแรก คือ การทำงานร่วมกันถือเป็นสิ่งสำคัญ: การพัฒนา AI ที่มีประสิทธิภาพต้องอาศัยการทำงานร่วมกันระหว่างวิศวกร (82.3%), ผู้เชี่ยวชาญด้านเนื้อหา (57.5%), ทีมผลิตภัณฑ์ (55.4%) และผู้นำ (60.8%) สิ่งนี้ทำให้การพัฒนา AI แตกต่างจากวิธีการพัฒนาซอฟต์แวร์แบบดั้งเดิม

เมื่อมองไปสู่ปี 2025 ทีมต่างๆ กำลังตั้งเป้าหมายที่ทะเยอทะยาน: 58.8% มีแผนที่จะสร้างแอปพลิเคชัน AI ที่เผชิญหน้ากับลูกค้ามากขึ้น ในขณะที่ 55.2% เตรียมพร้อมสำหรับワークฟロー agentic ที่ซับซ้อนมากขึ้น เพื่อสนับสนุนเป้าหมายเหล่านี้ 41.9% มุ่งเน้นไปที่การเพิ่มทักษะของทีม และ 37.9% กำลังสร้าง AI องค์กรสำหรับการใช้งานภายใน

โครงสร้างพื้นฐานในการติดตามก็กำลังพัฒนา โดย 52.7% ของทีมกำลังติดตามระบบ AI ในการผลิต ส่วนใหญ่ (55.3%) ใช้วิธีแก้ปัญหาในองค์กร ในขณะที่คนอื่นๆ ใช้เครื่องมือของบุคคลที่สาม (19.4%), บริการของคลาวด์ (13.6%) หรือการตรวจสอบแบบเปิด (9%) เมื่อระบบกลายเป็นความซับซ้อนที่เพิ่มขึ้น ความสามารถในการติดตามเหล่านี้จะกลายเป็นเรื่องสำคัญมากขึ้น

แผนเทคนิค

เมื่อมองไปข้างหน้า การก้าวหน้าไปสู่ L3 และอื่นๆ จะต้องอาศัยการผ่านทางพื้นฐานมากกว่าการปรับปรุงแบบทีละขั้นตอน อย่างไรก็ตาม ทีมพัฒนากำลังวางรากฐานสำหรับระบบที่มีอัตลักษณ์ที่สูงกว่า

สำหรับทีมที่สร้างระบบที่มีอัตลักษณ์ที่สูงกว่า พื้นที่ที่ควรเน้นคือ:

1. เฟรมเวิร์กการประเมินที่แข็งแกร่ง ที่ไปไกลกว่าการทดสอบด้วยมือเพื่อยืนยันผลลัพธ์แบบโปรแกรม
2. ระบบติดตามที่ดีขึ้น ที่สามารถตรวจจับและตอบสนองต่อพฤติกรรมที่ไม่คาดคิดใน_production
3. รูปแบบการรวมเครื่องมือ ที่ทำให้ระบบ AI สามารถโต้ตอบกับซอฟต์แวร์องค์ประกอบอื่นๆ ได้อย่างปลอดภัย
4. วิธีการยืนยันการให้เหตุผล ที่แยกแยะระหว่างการให้เหตุผลที่แท้จริงและความสอดคล้องของรูปแบบ

ข้อมูลแสดงให้เห็นว่าความได้เปรียบในการแข่งขัน (31.6%) และการเพิ่มประสิทธิภาพ (27.1%) กำลังถูกนำไปใช้แล้ว แต่ 24.2% ของทีมรายงานว่ายังไม่มีผลกระทบที่วัดได้ สิ่งนี้เน้นย้ำถึงความสำคัญของการเลือกระดับอัตลักษณ์ที่เหมาะสมสำหรับความท้าทายทางเทคนิคของคุณ

เมื่อเราเข้าสู่ปี 2025 ทีมพัฒนาต้องยังคงมีความเป็นจริงเกี่ยวกับสิ่งที่เป็นไปได้ในปัจจุบัน ในขณะเดียวกันก็ทดลองรูปแบบที่จะทำให้ระบบ AI มีอัตลักษณ์ที่สูงกว่าในอนาคต การทำความเข้าใจความสามารถและข้อจำกัดทางเทคนิคที่แต่ละระดับอัตลักษณ์จะช่วยให้นักพัฒนาตัดสินใจด้านสถาปัตยกรรมที่มีข้อมูลและสร้างระบบ AI ที่มอบคุณค่าที่แท้จริงมากกว่าความแปลกใหม่ทางเทคนิค