ทำไมเอไอเอเจนต์ในองค์กรต้องเผชิญปัญหาความรู้ ไม่ใช่ปัญหาทางเทคโนโลยี

เมื่อปีที่แล้ว S&P Global รายงาน ว่าจำนวนบริษัทที่ละทิ้งโครงการ AI ส่วนใหญ่เพิ่มขึ้นมากกว่าสองเท่า จาก 17% เป็น 42% ก่อนหน้านั้น Gartner เผยแพร่ การคาดการณ์เกี่ยวกับโครงการ AI ระบุว่า 40% ของโครงการเหล่านั้นจะถูกยกเลิกภายในสิ้นปี 2027

ตามรายงานของ McKinsey & Company บริษัทเกือบครึ่งหนึ่งที่ทดลองใช้ AI แต่บริษัทจำนวนเท่าใดที่ดำเนินไปอย่างจริงจังและสามารถใช้งานได้จริง มีเพียงหนึ่งในสิบเท่านั้น

อุตสาหกรรมไม่ได้ขาดคำอธิบาย เช่น การหลอกลวงของโมเดล การขาดการกำกับดูแล ค่าใช้จ่าย GPU ที่สูง และการขาดผู้เชี่ยวชาญ แต่หลังจากทำงานร่วมกับระบบจัดการความรู้และเอไอเอเจนต์เป็นเวลา 3 ปี ผมพบว่ามีรูปแบบที่แตกต่างออกไป บริษัทต่างๆ ส่งต่อข้อมูลที่ไม่สมบูรณ์ให้กับเอไอเอเจนต์

ในฐานะผู้เชี่ยวชาญด้านวิทยาศาสตร์การศึกษา ผมมองว่านี่เป็นปัญหาการถ่ายทอดความรู้ หากบุคคลไม่สามารถอธิบายวิธีการตัดสินใจของตนได้ ความคิดของพวกเขาไม่สามารถถ่ายทอดให้กับพนักงานใหม่หรือแม้แต่เอไอเอเจนต์ได้ มาทำความเข้าใจว่าทำไมสิ่งนี้เกิดขึ้นและทำอย่างไรจึงจะแก้ไขได้

ที่ที่ความรู้เกี่ยวกับการดำเนินงานของบริษัทอยู่

ถามบริษัทใหญ่ว่าความรู้ของพนักงานเก็บไว้ที่ไหน คุณจะได้รับคำตอบยาวๆ เช่น Confluence, SharePoint, LMS, FAQ bots, Slack archives อาจดูเหมือนว่านี่คือสแต็กที่ระบบ RAG สามารถใช้เพื่อดึงข้อมูลที่ต้องการได้ แต่มีองค์ประกอบสำคัญที่ขาดไป คือ ความรู้ที่อาศัยอยู่ในหัวของคน ไม่มีใครเคยเขียนมันลงไป

ทำไมสิ่งนี้จึงเป็นปัญหา

เพราะเอไอเอเจนต์ต้องเข้าใจบริบท เลือกการกระทำ และดำเนินงานให้เสร็จสิ้น จึงต้องมีการเข้าถึงฐานความรู้และตรรกะการตัดสินใจของผู้เชี่ยวชาญ

ลองนึกถึงเอเจนต์สนับสนุนที่ได้รับคำขอจากลูกค้า ลูกค้ากล่าวว่าได้ชำระเงินแล้ว แต่ยังไม่ได้รับการเปิดใช้งาน ระบบมีกระบวนการมาตรฐาน แต่เอเจนต์พบว่าสถานการณ์นี้ไม่ปกติ ลูกค้าเคยติดต่อฝ่ายสนับสนุนสองครั้งแล้ว และมีกรณีคล้ายๆ กันหลายกรณีในระบบ เอเจนต์จึงติดต่อผู้เชี่ยวชาญที่มีประสบการณ์มากกว่า ซึ่งอธิบายว่าพวกเขาเคยพบปัญหาแบบนี้มาก่อน และปัญหาน่าจะเกิดจากความล้มเหลวที่จุดตัดระหว่างเกตเวย์การชำระเงิน ธนาคาร และระบบการเปิดใช้งานภายใน ดังนั้น คดีนี้จึงควรส่งต่อไปยังฝ่ายอื่น

สำหรับเอไอเอเจนต์ ตรรกะนี้ไม่มองเห็นได้ อาจมีการเข้าถึงสคริปต์ ประวัติการซื้อ และสถานะการชำระเงิน แต่ไม่ทราบสัญญาณที่ผู้เชี่ยวชาญพิจารณาว่าสำคัญ ที่จริงแล้ว ผู้เชี่ยวชาญไม่ได้ซ่อนความรู้นี้อย่างเจตนา แต่ไม่สามารถสรุปหรือแบ่งออกเป็นขั้นตอนได้ นักวิทยาศาสตร์ทางความรู้เรียกปรากฏการณ์นี้ว่า ความรู้ที่ไม่ได้ถูกกล่าวถึง หรือความรู้ที่ไม่ชัดเจนซึ่งผู้ถือครองอาจไม่ทราบด้วยซ้ำ

นี่คือเหตุผลที่ปัญหาขัดข้องไม่เกิดขึ้นที่ระดับการเข้าถึงเอกสาร แต่เกิดขึ้นที่ขั้นตอนการแปลงประสบการณ์ของผู้เชี่ยวชาญให้เหมาะสมสำหรับการฝึกอบรมเอไอเอเจนต์

ทำอย่างไรจึงจะแก้ไขปัญหา

เพื่อให้เอไอเอเจนต์ทำงานได้อย่างมีประสิทธิภาพ ไม่เพียงพอแค่เชื่อมต่อ LLM เข้ากับฐานความรู้ขององค์กรเท่านั้น เนื่องจากการตัดสินใจที่สำเร็จมักขึ้นอยู่กับความรู้ที่ไม่ได้ถูกกล่าวถึง จึงจำเป็นต้องสร้างชั้นความรู้ที่มีเกณฑ์การตัดสินใจที่มีโครงสร้าง

ในด้านการจัดการความรู้ กระบวนการนี้เรียกว่า การทำให้ความรู้ที่ไม่ได้ถูกกล่าวถึงเป็นความรู้ที่ชัดเจน หรือการแปลงความรู้ที่ไม่ได้ถูกกล่าวถึงให้เป็นความรู้ที่ชัดเจน ในอีกคำหนึ่ง บริษัทต้องเข้าใจไม่เพียงแต่ว่าผู้เชี่ยวชาญทำอะไร แต่ยังเข้าใจว่าพวกเขาคิดอย่างไรด้วย ซึ่งทำได้โดยการให้ผู้เชี่ยวชาญที่ดีที่สุดเข้าร่วมในการสัมภาษณ์เชิงลึก ร่วมกับผู้เชี่ยวชาญที่มีทักษะในการถามคำถามที่ถูกต้อง เช่น นักวิธีการ นักวิศวกรความรู้ หรือผู้ออกแบบคำสอน

ที่นี่ เอไอสามารถช่วยได้อย่างมาก เช่น การถอดเสียงสัมภาษณ์ การจัดกลุ่มกรณีที่คล้ายกัน การแปลงคำอธิบายของผู้เชี่ยวชาญให้เป็นสถานการณ์ฉบับร่าง และการสร้างสถานการณ์สำหรับการตรวจสอบ อย่างไรก็ตาม โครงสร้างสุดท้ายยังคงต้องได้รับการทบทวนและอนุมัติจากผู้เชี่ยวชาญ

ผลลัพธ์ควรเป็นองค์ความรู้ที่ทำงานได้ สามารถใช้ได้ในทิศทางเดียวกันเพื่อฝึกอบรมพนักงานใหม่และกำหนดค่าเอไอเอเจนต์ ทั้งสองสถานการณ์ขึ้นอยู่กับรากฐานเดียวกัน คือ ประสบการณ์ที่มีโครงสร้างจากผู้เชี่ยวชาญชั้นนำ

ทางเลือกอื่นคือการยังคงพึ่งพาความคิดที่ว่า RAG บน Confluence จะสร้างตรรกะที่ไม่เคยบันทึกไว้โดยอัตโนมัติ ในทางปฏิบัติ สิ่งนี้แทบจะไม่เคยทำงาน ระบบอาจดึงเอกสารที่เกี่ยวข้องมาได้ แต่จะไม่เรียนรู้วิธีการตัดสินใจในสถานการณ์ที่การกระทำที่ถูกต้องขึ้นอยู่กับบริบทและประสบการณ์

วิธีการตรวจสอบว่าเอเจนต์พร้อมทำงาน

คุณได้แปลงความรู้ของผู้เชี่ยวชาญให้เป็นสถานการณ์และกำหนดค่าเอเจนต์แล้ว แต่มีระยะห่างระหว่างคำตอบที่น่าเชื่อถือของเอเจนต์และประสิทธิภาพการทำงานจริง และช่องว่างนี้จะปรากฏชัดเจนระหว่างการตรวจสอบ ระยะนี้มีความสำคัญในการกำหนดว่าคุณได้ครอบคลุมความรู้ที่จำเป็นทั้งหมดหรือไม่

แนวทางปฏิบัติที่เป็นประโยชน์คือการทดสอบตามสถานการณ์ คุณให้เอเจนต์ทำงานในกรณีจริงจากงานประจำของผู้เชี่ยวชาญ เช่น ลูกค้าโต้แย้งค่าใช้จ่าย อีเมลที่ไม่ปกติเข้ามา หรือคำขอที่ไม่เข้ากับแบบสคริปต์ผลลัพธ์ไม่ควรประเมินโดย LLM อื่น แต่โดยผู้เชี่ยวชาญคนเดียวกับที่ช่วยสร้างองค์ความรู้ หากเอเจนต์เลือกเส้นทางที่แตกต่างจากผู้เชี่ยวชาญที่มีประสบการณ์ มันไม่ได้หมายความว่าโมเดลนั้นอ่อนแอเสมอไป แต่บ่งชี้ว่าอาจมีกฎเกณฑ์หรือตัวอย่างที่สำคัญที่ขาดไป ในกรณีนี้ กระบวนการจะกลับไปสู่จุดเริ่มต้น ผู้เชี่ยวชาญจะชี้แจงตรรกะกับผู้เชี่ยวชาญ องค์ความรู้จะถูกอัปเดต และการทดสอบจะทำซ้ำ

วงจรนี้ไม่ใช่ขั้นตอนที่ไม่จำเป็น แต่เป็นขั้นตอนที่กำหนดความแตกต่างระหว่างเอเจนต์ที่ “แสดงศักยภาพ” และเอเจนต์ที่ทำงานจริงๆ เป็นส่วนหนึ่งของกระบวนการที่ช้าและไม่น่าประทับใจซึ่งไม่ได้ผลิตการดемоที่น่าประทับใจและต้องมีการมีส่วนร่วมของผู้เชี่ยวชาญ แต่ผู้ที่ทำตามกระบวนการนี้อย่างเป็นระบบจะสิ้นสุดด้วยเอเจนต์ที่ลดภาระงานประจำของผู้เชี่ยวชาญจริงๆ ผู้ที่ข้ามขั้นตอนนี้ภายใน 6 เดือนมักพบว่าตัวเองอยู่ในสถิติของ Gartner ที่คาดการณ์ว่า 40% ของโครงการจะถูกยกเลิก

เอไอเอเจนต์ไม่ล้มเหลวเนื่องจากเทคโนโลยี โมเดลสมัยใหม่แล้วสามารถทำงานที่ซับซ้อนได้ แต่ล้มเหลวเพราะบริษัทต่างๆ “ให้อาหาร” มันด้วยความรู้ที่ไม่สมบูรณ์ ในปี 2024-2025 สิ่งนี้ยังคงอธิบายได้ด้วยขั้นตอนการทดลอง ในปี 2026 ข้อผิดพลาดนี้มีค่าใช้จ่ายสูงแล้ว