บริบทคือทองคำใหม่: คลื่นลูกต่อไปของ AI เชิงตัวแทนกำลังซื้อความเข้าใจ ไม่ใช่พลังการประมวลผล

การปฏิวัติ AI กำลังอยู่ในทางตัน ไม่ใช่เพราะพลังการประมวลผลไม่เพียงพอ แต่เนื่องจากองค์กรต่างๆ กำลังแก้ไขปัญหาที่ผิด

ขณะที่คาดว่าการใช้จ่าย GenAI ทั่วโลกจะถึง $ พันล้านดอลลาร์ใน 644 2025ผู้เชี่ยวชาญยังเตือนด้วยว่า 40% ของโครงการ AI เชิงตัวแทนจะถูกยกเลิกภายในปี 2027 อันที่จริง กิจกรรมการควบรวมและซื้อกิจการล่าสุด เช่น ของ Snowflake การเข้าซื้อกิจการ 250 ล้านดอลลาร์ ของ Crunchy Data และ Rubrik การครอบครอง ของ Predibase – ส่งสัญญาณการเปลี่ยนแปลงครั้งสำคัญ: ระยะต่อไปของ AI ขององค์กรไม่ได้มีแค่เรื่องของความสามารถในการประมวลผลเท่านั้น แต่ยังเป็นเรื่องของความเข้าใจที่ลึกซึ้งยิ่งขึ้น

เงินอัจฉริยะกำลังเคลื่อนไหว

ตามที่ การสำรวจ S&P Global Market Intelligence ปี 202542% ของธุรกิจได้ยกเลิกโครงการ AI ล่าสุดส่วนใหญ่แล้ว ซึ่งเพิ่มขึ้นจากเพียง 17% ในปี 2024 อีก 46% ละทิ้งการสาธิตแนวคิดพิสูจน์ก่อนที่จะเริ่มการผลิตด้วยซ้ำ

โครงการ AI เหล่านี้ไม่ได้ล้มเหลวเพราะข้อจำกัดทางเทคนิค แต่เกิดจากช่องว่างทางความหมาย หากระบบ AI สามารถประมวลผลข้อมูลหลายเพตะไบต์ได้ แต่ไม่เข้าใจความหมายของ "มูลค่าตลอดอายุการใช้งานของลูกค้า" เมื่อเทียบกับความต้องการของแผนกต่างๆ จุดล้มเหลวเหล่านี้น่าจะเกิดจากบริบท

พิจารณากลยุทธ์เบื้องหลังของ Snowflake บูรณาการ ความสามารถด้าน AI เชิงความหมายของ Postgres ซึ่งมุ่งสร้างรากฐานที่เอเจนต์ AI สามารถเข้าใจบริบทของธุรกรรมและความหมายทางธุรกิจ ช่วยให้นักพัฒนาสามารถ "สร้างเอเจนต์ AI ที่เชื่อถือได้" ด้วย "ความคล่องตัว การมองเห็น และการควบคุมที่มากขึ้น" การเข้าซื้อกิจการ Predibase ของ Rubrik ก็มีจุดมุ่งหมายเดียวกันที่จะช่วยให้ลูกค้า "ปรับใช้ AI เชิงความหมายได้อย่างปลอดภัย" โดยให้ความสำคัญกับความแม่นยำตามบริบทควบคู่ไปกับพลังการประมวลผล

เมื่อบริบทมาบรรจบกับขนาด

ความสำเร็จของ Palantir เมื่อเร็ว ๆ นี้ ความร่วมมือกับ Qualcomm การขยายขีดความสามารถในการทำความเข้าใจ AI ถือเป็นอีกหนึ่งตัวอย่างที่แสดงให้เห็นถึงพลังการเปลี่ยนแปลงของสถาปัตยกรรม AI ที่เน้นบริบทเป็นอันดับแรก แนวทาง “ออนโทโลยี” — การสร้างบรรทัดฐานทางภาษาสำหรับการแมปแนวคิด ความสัมพันธ์ และกฎเกณฑ์ทางธุรกิจให้เป็นรูปแบบที่เครื่องอ่านได้ — เปลี่ยน AI จากการจดจำรูปแบบให้กลายเป็นการใช้เหตุผลทางธุรกิจแบบธรรมดา และแสดงให้เห็นว่าความเข้าใจด้านความหมายช่วยให้ AI ทำงานได้อย่างมีประสิทธิภาพ แม้จะอยู่ในสภาพแวดล้อมแบบออฟไลน์หรือที่มีทรัพยากรจำกัดก็ตาม

เช่น ในส่วนของการริเริ่มพลังงานนิวเคลียร์ของพวกเขา AI ของ Palantir ไม่ได้แค่คาดการณ์ความล้มเหลวของอุปกรณ์เท่านั้น แต่ยังเข้าใจผลกระทบทางธุรกิจที่ต่อเนื่องกันในห่วงโซ่อุปทานและการปฏิบัติตามกฎระเบียบที่นำไปสู่หรือเป็นผลมาจากความล้มเหลวเหล่านี้ ในทำนองเดียวกัน ใน ด้วยพลัง AIระบบของพวกเขาเข้าใจถึงความสัมพันธ์กันระหว่างการควบคุมคุณภาพ การจัดการสินค้าคงคลัง และความมุ่งมั่นของลูกค้า ช่วยให้สามารถสรุปภาพรวมของการดำเนินงานได้แบบองค์รวม ซึ่งช่วยคาดการณ์และบรรเทาปัญหาล่วงหน้าได้

ดังที่ผู้บริหาร Palantir คนหนึ่งกล่าวไว้ว่า "แนวทาง [ตาม Ontology] ช่วยให้ผู้ใช้สามารถสร้างเวิร์กโฟลว์ที่รวมและผสานทรัพยากรตรรกะที่แตกต่างกันเข้าด้วยกัน" ทำให้สามารถ "นำ AI เข้าสู่บริบทการตัดสินใจที่ซับซ้อนมากขึ้นได้อย่างปลอดภัย"

การปฏิวัติโครงสร้างพื้นฐานที่เน้นบริบทเป็นอันดับแรก

การเปลี่ยนแปลงจากสถาปัตยกรรมที่เน้นประสิทธิภาพมาเป็นสถาปัตยกรรมที่เน้นความหมาย ถือเป็นการทบทวนแนวคิดพื้นฐานของ AI ขององค์กร ตาม การประชุมสุดยอดข้อมูลและการวิเคราะห์ของ Gartner ประจำปี 2025 การเปลี่ยนแปลงของเขาขึ้นอยู่กับปัจจัยสำคัญสามประการ:

• สถาปัตยกรรมข้อมูลเชิงความหมาย:ทุกจุดข้อมูลต้องมีความหมายทางธุรกิจ ไม่ใช่แค่คุณค่าทางการคำนวณ ในฐานะบริษัทที่ปรึกษา ความรู้เกี่ยวกับองค์กร การวิจัย การแสดงเลเยอร์ความหมายทำหน้าที่เป็นสะพานเชื่อมระหว่างข้อมูลดิบและแอปพลิเคชัน โดยให้ "มุมมองแบบรวมและตามบริบท" ที่ทำให้ผู้ใช้โต้ตอบตามสัญชาตญาณได้
• การรวมตรรกะทางธุรกิจ:เพื่อส่งมอบคุณค่าสูงสุด AI สมัยใหม่ต้องบูรณาการกับบริบททางธุรกิจที่กำหนดไว้ล่วงหน้าซึ่งเป็นกรรมสิทธิ์ของความต้องการขององค์กรใดๆ ก็ตาม AI Agent Studio ของ Oracle แสดงให้เห็นถึงแนวทางนี้ด้วยการให้สิทธิ์เข้าถึง Oracle Fusion Applications API, คลังความรู้ และเครื่องมือที่กำหนดไว้ล่วงหน้า ซึ่งเก็บรักษาตรรกะทางธุรกิจเฉพาะองค์กรไว้ภายในเวิร์กโฟลว์ที่ขับเคลื่อนด้วย AI โซลูชันดังกล่าวช่วยเสริมศักยภาพให้กับระบบ AI แบบเอเจนต์ ด้วยการผสานรวมออนโทโลยีทางธุรกิจเข้ากับ Model Context Protocols (MCP) ซึ่งช่วยให้สามารถตีความข้อมูลได้อย่างราบรื่นและครอบคลุมบริบท และช่วยให้เอเจนต์ AI สามารถทำงานในแหล่งข้อมูลต่างๆ ขององค์กรได้
• เครื่องมือตัดสินใจตามบริบท: รายงาน AI ในสถานที่ทำงานของ McKinsey ปี 2025 เน้นย้ำว่าระบบ AI ขององค์กรที่ประสบความสำเร็จต้องเข้าใจผลกระทบทางธุรกิจของงานแต่ละงานอย่างถ่องแท้สำหรับองค์กรนั้นๆ อย่างไรก็ตาม มีเพียง 1% ของบริษัทเท่านั้นที่เชื่อว่าตนเองได้พัฒนา AI อย่างเต็มที่ ซึ่งเน้นย้ำถึงช่องว่างระหว่างความสามารถในปัจจุบันและข้อกำหนดเชิงบริบท

ผลกระทบต่อการแข่งขัน

องค์กรที่สามารถสร้างระบบ AI ที่มีบริบทหลากหลายได้สำเร็จ จะสามารถสร้างข้อได้เปรียบที่เสริมสร้างตัวเองให้กับตัวเองได้

ปฏิสัมพันธ์ทางธุรกิจแต่ละอย่างมีศักยภาพที่จะทำให้ความเข้าใจอันละเอียดอ่อนของ Agentic AI เกี่ยวกับความต้องการเฉพาะเจาะจงของธุรกิจใดๆ ก็ตามมีความลึกซึ้งยิ่งขึ้น ซึ่งจะปรับปรุงประสิทธิภาพการทำงานและสร้างคูน้ำแห่งการแข่งขันที่ผู้อื่นจะเลียนแบบได้ยากด้วยพลังการประมวลผลเพียงอย่างเดียว รายงาน State of Generative AI ของ Deloitte ยืนยันว่าในขณะที่องค์กร 60% ดำเนินการทดลอง AI มากถึง 20 ครั้ง องค์กรที่มุ่งเน้นไปที่ "ความท้าทายเฉพาะอุตสาหกรรมและธุรกิจ" กลับเห็นผลลัพธ์ที่ดีกว่าอย่างมาก

ผลกระทบต่อความสามารถก็มีความสำคัญไม่แพ้กัน แม้ว่าวิศวกร AI จะมีเงินเดือนสูง แต่สิ่งที่ขาดแคลนจริงๆ คือผู้เชี่ยวชาญที่เข้าใจทั้งการนำ AI ไปใช้ และ ออนโทโลยีโดเมนธุรกิจ การคาดการณ์ของ PwC ในปี 2025 เน้นย้ำว่า “ความสำเร็จของ AI จะขึ้นอยู่กับวิสัยทัศน์และการนำไปใช้ โดยบริษัทต่างๆ จำเป็นต้องมีแนวทางที่เป็นระบบและโปร่งใสเพื่อยืนยันถึงคุณค่าที่ยั่งยืน” กล่าวอีกนัยหนึ่ง หากบุคลากรที่ฝึกอบรม AI ให้เข้าใจความต้องการทางธุรกิจไม่เข้าใจความต้องการเหล่านั้นด้วยตนเอง ตัวแทน AI ที่พวกเขาสร้างขึ้นก็จะไม่เข้าใจเช่นกัน

ความจำเป็นเชิงกลยุทธ์

แล้วองค์กรต่างๆ จะต้องทำการเปลี่ยนแปลงด้านสถาปัตยกรรมอะไรบ้าง?

การประชุมสุดยอดข้อมูลและการวิเคราะห์ของ Gartner เน้นย้ำถึงความสำคัญของการเปลี่ยนจากเมตาดาต้าเชิงเทคนิคไปเป็นเมตาดาต้าเชิงความหมาย ซึ่งเป็นข้อมูลที่เสริมด้วยคำจำกัดความทางธุรกิจ ออนโทโลยี และความสัมพันธ์ที่กำหนดไว้ล่วงหน้า การเปลี่ยนแปลงแบบ “Semantic-First Design” นี้มีความสำคัญอย่างยิ่งสำหรับองค์กรที่ต้องการได้รับข้อมูลเชิงลึกที่มีความหมายและสร้างความชัดเจนในทุกระบบ ขณะเดียวกัน การกำกับดูแล AI ตามบริบทที่มีประสิทธิภาพก็มีความสำคัญอย่างยิ่งยวดในการแยกแยะความสามารถของ AI เชิงตัวแทนที่แท้จริงออกจาก แบบจำลองไม่เพียงพอ ที่เสนอเพียงระบบอัตโนมัติขั้นพื้นฐานแต่มีการทำการตลาดแบบหลอกลวงว่าเป็นตัวแทน

บริษัทที่ประสบความสำเร็จในการใช้ AI แบบตัวแทนคือบริษัทที่มีการกำหนดค่าตัวแทน AI ไว้อย่างมีกลยุทธ์เพื่อทำความเข้าใจบริบททางธุรกิจอย่างลึกซึ้งเพียงพอ เพื่อให้สามารถดำเนินการได้อย่างอิสระและมีประสิทธิภาพ

โอกาสของ AI ตัวแทน

Gartner คาดการณ์ ซอฟต์แวร์องค์กร 33% จะรวม AI แบบเอเจนต์ไว้ภายในปี 2028 เพิ่มขึ้นจากไม่ถึง 1% ในปี 2024 การเพิ่มขึ้นของ AI แบบเอเจนต์ทำให้โครงสร้างพื้นฐานด้านความหมายมีความจำเป็น เพื่อให้บรรลุเป้าหมายนี้ ระบบ AI จำเป็นต้องมี:

• ความเข้าใจบริบทเชิงลึกเพื่อให้การตัดสินใจโดยอัตโนมัติสอดคล้องกับเป้าหมายทางธุรกิจ
• ความสอดคล้องทางความหมายในแหล่งข้อมูลทั้งหมดเพื่อป้องกันการดำเนินการที่ขัดแย้งกันระหว่างแผนกและงานที่แตกต่างกัน
• การบูรณาการตรรกะทางธุรกิจเพื่อให้มั่นใจว่าเป็นไปตามกฎและข้อบังคับขององค์กร

ในขณะที่องค์กรต่างๆ ทุ่มเงินนับพันล้านเพื่อพัฒนา AI เชิงตัวแทน องค์กรที่ไม่มีรากฐานด้านความหมายจะต้องเผชิญกับอัตราความล้มเหลวที่เพิ่มสูงขึ้น

บริบทเป็นสิ่งจำเป็น

เมื่อระบบ AI แบบเอเจนต์เริ่มแพร่หลายมากขึ้น ช่องว่างระหว่างองค์กรที่มีโครงสร้างพื้นฐานด้านความหมายและองค์กรที่ไม่มีก็จะยิ่งกว้างขึ้น สำหรับองค์กรที่ลงทุนใน AI แบบเอเจนต์ ทางเลือกที่ชัดเจนคือ สร้างรากฐานด้านความหมายตั้งแต่ตอนนี้ หรือเฝ้าดูคู่แข่งที่เข้าใจบริบทเปลี่ยนการลงทุนใน AI ที่ชาญฉลาดกว่าให้กลายเป็นข้อได้เปรียบที่เหนือชั้น

ในยุคแห่งพลังการประมวลผลที่มากมาย บริบทคือทองคำใหม่และผู้ที่สามารถสอนระบบ AI ให้เข้าใจธุรกิจที่พวกเขาให้บริการได้อย่างแท้จริง จะได้รับ Midas Touch