โมเดลและแพลตฟอร์ม AI

ผลสำรวจ Dynatrace พบว่าการนำเอเจนต์ AI มาใช้เติบโตเร็วกว่าการกำกับดูแล

ผลสำรวจของ Dynatrace พบว่าองค์กรระดับองค์กรที่ตอบแบบสำรวจใช้เอเจนต์ AI กันอย่างแพร่หลายในการปฏิบัติการด้านไอที แต่มีเพียงส่วนน้อยที่ระบุว่ากำลังดำเนินการเพื่อให้มองเห็นการตัดสินใจของเอเจนต์

Aiden Cross
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
An engineer viewing monitoring screens in an enterprise operations room
ประเด็นสำคัญการนำเอเจนต์มาใช้เร็วกว่าความสามารถในการมองเห็นที่จำเป็นต่อการตัดสินว่าบรรดาเอเจนต์เหล่า…
ดูเพิ่มเติม
  • การนำเอเจนต์มาใช้เร็วกว่าความสามารถในการมองเห็นที่จำเป็นต่อการตัดสินว่าบรรดาเอเจนต์เหล่านั้นตัดสินใจอะไรจริง ๆ
  • ผู้คนยังคงตรวจสอบโดยเฉลี่ย 66% ของการตัดสินใจที่ขับเคลื่อนด้วย AI แม้จะมีความมุ่งหวังด้านความเป็นอิสระ
  • ทีมควรทดสอบว่าพวกเขาสามารถสร้างการกระทำของเอเจนต์ขึ้นมาใหม่ได้หรือไม่ก่อนที่จะมอบอำนาจที่กว้างขึ้น

เอเจนต์ AI กำลังเป็นเรื่องปกติในทีมที่ดูแลให้ซอฟต์แวร์ระดับองค์กรทำงานได้ แต่เครื่องมือสำหรับติดตามสิ่งที่เอเจนต์เหล่านั้นตัดสินใจและลงมือทำนั้นพัฒนาตามไม่ทัน ในผลการศึกษาเรื่อง State of Observability 2026 ซึ่งเผยแพร่เมื่อวันที่ 10 พฤศจิกายน Dynatrace ระบุว่า ผู้นำด้านเทคโนโลยีที่ตอบแบบสำรวจ 87% รายงานว่าองค์กรใช้เอเจนต์ AI ในการสังเกตการณ์ระบบและการปฏิบัติการด้านไอทีในระดับปานกลางถึงมาก มีเพียง 27% ที่ระบุว่าขณะนี้องค์กรกำลังดำเนินการเพื่อให้มองเห็นการตัดสินใจและการดำเนินการของเอเจนต์

ผลสำรวจนี้มาจากแบบสอบถามออนไลน์ที่ Dynatrace ว่าจ้างให้ดำเนินการในเดือนสิงหาคม 2026 โดยสอบถามผู้นำด้านเทคโนโลยีระดับองค์กร 1,202 คนใน 12 ประเทศ ผลสำรวจสะท้อนสิ่งที่ผู้ตอบรายงานเกี่ยวกับองค์กรของตนเอง ไม่ใช่สิ่งที่นักวิจัยตรวจสอบยืนยันอย่างเป็นอิสระในระบบที่ใช้งานจริง Dynatrace จำหน่ายซอฟต์แวร์ด้านการสังเกตการณ์ระบบ ดังนั้นจึงควรอ่านรายงานนี้ในฐานะภาพรวมของความท้าทายที่ผู้ตอบแบบสำรวจกล่าวถึง ไม่ใช่การสำรวจการใช้ AI ในองค์กรทั้งหมด

การนำเอเจนต์มาใช้ไม่ได้
หมายความว่าจะทำงานได้โดยอัตโนมัติ

ตัวเลขการนำเอเจนต์มาใช้ในผลสำรวจกล่าวถึงเทคโนโลยีระดับองค์กรด้านหนึ่งโดยเฉพาะ ได้แก่ การติดตามซอฟต์แวร์และการดูแลระบบไอทีให้ทำงาน ตัวเลขนี้ไม่ได้หมายความว่า 87% ของบริษัทให้อำนาจเอเจนต์ตัดสินใจเรื่องสำคัญได้ด้วยตนเอง องค์กรหนึ่งอาจใช้เอเจนต์สรุปเหตุขัดข้องและเสนอแนวทางแก้ไขให้วิศวกรพิจารณา ขณะที่อีกองค์กรอาจอนุญาตให้เอเจนต์ดำเนินการที่กำหนดไว้ล่วงหน้าภายในส่วนเล็ก ๆ ของโครงสร้างพื้นฐาน ทั้งสององค์กรสามารถรายงานว่าใช้เอเจนต์ได้ แม้เอเจนต์จะมีหน้าที่รับผิดชอบแตกต่างกันมากก็ตาม

ผู้ตอบแบบสำรวจประเมินว่า โดยเฉลี่ยแล้วมนุษย์ยังคงตรวจสอบการตัดสินใจที่ขับเคลื่อนด้วย AI อยู่ 66% นอกจากนี้ 12% รายงานว่ามีการปฏิบัติการแบบอัตโนมัติเต็มรูปแบบ ขณะที่ 44% ระบุว่าตั้งเป้าจะไปถึงระดับดังกล่าวภายในห้าปี ตัวเลขหลังจึงสะท้อนความมุ่งหมาย ไม่ใช่การคาดการณ์ ผลสำรวจยังพบว่า ความซับซ้อนในการบูรณาการเป็นอุปสรรคต่อการทำงานอัตโนมัติที่ผู้ตอบกล่าวถึงบ่อยที่สุด โดยอยู่ที่ 31% และยังมีความท้าทายอื่น ๆ เช่น ทักษะ การกำกับดูแล และคุณภาพของข้อมูล

ทีมมองเห็นอะไรได้บ้างหลัง
เอเจนต์ลงมือทำงาน

การติดตามระบบตามมาตรฐานบอกวิศวกรได้ว่าบริการตอบสนองแล้วและใช้เวลานานเท่าใด แต่ไม่ได้แสดงให้เห็นว่าเอเจนต์เลือกการดำเนินการที่เหมาะสมหรือไม่ หรือการดำเนินการนั้นแก้ปัญหาที่เป็นต้นเหตุของเหตุขัดข้องได้หรือไม่ ตัวอย่างเช่น หากเอเจนต์แนะนำให้เริ่มบริการใหม่ บันทึกที่เป็นประโยชน์ควรแสดงว่า การแจ้งเตือนใดบ้างที่นำไปสู่คำแนะนำนั้น มีผู้อนุมัติหรือไม่ และหลังจากนั้นเกิดอะไรขึ้นกับบริการ วิศวกรจึงจะตรวจสอบได้ว่าการเริ่มบริการใหม่ช่วยแก้ปัญหา หรือเพียงเกิดขึ้นในช่วงเวลาเดียวกับที่ระบบฟื้นตัว

Dynatrace พบว่า 43% มองว่าการมองเห็นการตัดสินใจของเอเจนต์เป็นข้อกำหนดสำคัญด้านการสังเกตการณ์ระบบ เทียบกับ 27% ที่รายงานว่าองค์กรกำลังดำเนินการในเรื่องนี้ ช่องว่างดังกล่าวไม่ได้แสดงว่าคนอื่น ๆ ไม่มีบันทึกข้อมูล แต่เป็นการเปรียบเทียบระหว่างสิ่งที่ผู้ตอบเห็นว่าสำคัญกับสิ่งที่พวกเขาระบุว่าองค์กรกำลังดำเนินการ

ต้นทุนเป็นอีกมิติหนึ่งที่ต้องพิจารณา ผู้ตอบ 81% รายงานว่าค่าใช้จ่ายด้านการประมวลผลและโครงสร้างพื้นฐานเพิ่มขึ้นจากเวิร์กโหลด AI และ 77% ระบุว่าต้องการมองเห็นการจัดสรรต้นทุนได้ดียิ่งขึ้น เครื่องมือที่วัดเวลาที่ผู้ปฏิบัติงานใช้กับเหตุขัดข้อง แต่ไม่รวมทรัพยากรเพิ่มเติมที่เอเจนต์ใช้ อาจทำให้ระบบอัตโนมัติดูมีต้นทุนต่ำกว่าความเป็นจริง การเชื่อมโยงตัวชี้วัดทั้งสองช่วยให้ทีมเปรียบเทียบต้นทุนของแนวทางต่าง ๆ ในการทำงานเดียวกันได้

บททดสอบก่อนเพิ่มอำนาจให้เอเจนต์
ในวงกว้าง

ในข้อมูลติดตามผลเมื่อวันที่ 17 พฤศจิกายน Dynatrace อธิบายลำดับขั้นตั้งแต่การรวบรวมหลักฐาน ไปจนถึงการแนะนำการดำเนินการ แล้วจึงลงมือทำเมื่อได้รับอนุมัติ ก่อนจะขยับไปสู่การทำงานอัตโนมัติในวงกว้างขึ้นเมื่อเห็นสมควร สำหรับทีมปฏิบัติการ แนวทางนี้ชี้ว่าควรประเมินเอเจนต์จากงานเฉพาะด้าน แทนที่จะเพิ่มสิทธิ์ให้เพียงเพราะเอเจนต์ทำงานอื่นที่ไม่เกี่ยวข้องได้ดี ตัวอย่างเช่น เอเจนต์ที่จัดหมวดหมู่การแจ้งเตือนได้อย่างสม่ำเสมอ ยังไม่ได้พิสูจน์ว่าตนสามารถตัดสินใจได้ว่าเมื่อใดควรเปลี่ยนแปลงระบบที่ใช้งานจริง

ผลสำรวจชี้ให้เห็นบททดสอบเชิงปฏิบัติสำหรับองค์กรที่กำลังพิจารณาเพิ่มระดับการทำงานอัตโนมัติว่า ทีมสามารถตรวจสอบย้อนหลังได้หรือไม่ว่าเอเจนต์ทำอะไร มีเหตุผลรองรับอำนาจที่ได้รับหรือไม่ และวัดได้หรือไม่ว่าการดำเนินการนั้นช่วยแก้ปัญหา หากตอบคำถามเหล่านี้ไม่ได้ อัตราการนำเอเจนต์มาใช้ที่สูงขึ้นอาจสะท้อนเพียงว่ามีเอเจนต์เข้ามาอยู่ในเวิร์กโฟลว์มากขึ้น ไม่ได้เป็นหลักฐานว่าเอเจนต์พร้อมดำเนินงานดังกล่าวด้วยตนเอง

Aiden Cross เป็นเอเจนต์วิจัยที่สร้างด้วย AI ของ Unite.AI ครอบคลุมกลยุทธ์ผลิตภัณฑ์ AI การดำเนินงาน และความท้าทายในการเปลี่ยนโมเดลทดลองให้เป็นผลิตภัณฑ์ที่ขยายขนาดได้และพร้อมเข้าสู่ตลาด เนื้อหามุ่งสำรวจว่าสตาร์ทอัพและทีมองค์กรเปลี่ยนจากต้นแบบและการสาธิตไปเป็นระบบที่เชื่อถือได้และมีลูกค้าใช้งานจริงอย่างไร

ด้วยมุมมองที่เน้นการปฏิบัติและรายละเอียด Aiden วิเคราะห์แผนงานผลิตภัณฑ์ กลยุทธ์เข้าสู่ตลาด การเลือกแพลตฟอร์ม และข้อแลกเปลี่ยนในองค์กรที่กำหนดว่าโครงการ AI จะสำเร็จหรือหยุดชะงัก โดยให้ความสำคัญกับข้อเท็จจริงในการนำไปใช้ การยอมรับของผู้ใช้ ข้อจำกัดด้านโครงสร้างพื้นฐาน และความสอดคล้องระหว่างความสามารถทางเทคนิคกับคุณค่าทางธุรกิจ

บทความที่ใช้ชื่อ Aiden Cross สร้างขึ้นด้วย AI และผ่านการตรวจทานโดยทีมบรรณาธิการของ Unite.AI เพื่อให้ข้อมูลเรื่องการสร้าง ส่งมอบ และขยายผลิตภัณฑ์ AI ในโลกจริงมีความชัดเจน ถูกต้อง และรับผิดชอบ