ทำไมเอไอเอเจนท์ในองค์กรจึงพบปัญหาเรื่องความรู้ ไม่ใช่เทคโนโลยี

ปีที่แล้ว S&P Global (SPGI ) รายงาน ว่าจำนวนบริษัทที่ยกเลิกโครงการ AI ส่วนใหญ่เพิ่มขึ้นมากกว่าสองเท่า จาก 17% เป็น 42% ก่อนหน้านั้น Gartner เผยแพร่ การคาดการณ์เกี่ยวกับโครงการ AI ระบุว่า 40% ของโครงการเหล่านั้นจะถูกยกเลิกภายในสิ้นปี 2027

ตามรายงานของ McKinsey & Company บริษัทเกือบครึ่งหนึ่งที่ทดลองใช้ AI แต่บริษัทจำนวนเท่าใดที่พัฒนาไปอย่างแท้จริงและสามารถใช้งานได้จริง มีเพียงหนึ่งในสิบเท่านั้น

อุตสาหกรรมไม่ได้ขาดคำอธิบาย เช่น การหลอกลวงของโมเดล การขาดการกำกับดูแล ต้นทุน GPU สูง และการขาดผู้เชี่ยวชาญ ทั้งหมดนี้เป็นความท้าทายที่แท้จริง แต่หลังจากทำงานร่วมกับระบบจัดการความรู้และเอไอเอเจนท์เป็นเวลา 3 ปี ผมพบว่าบริษัทต่างๆ มักจะส่งต่อข้อมูลที่ไม่สมบูรณ์ให้กับเอไอเอเจนท์

ในฐานะผู้เชี่ยวชาญด้านวิทยาศาสตร์การศึกษา ผมมองว่านี่เป็นปัญหาในการถ่ายทอดความรู้ หากบุคคลไม่สามารถอธิบายว่าตนเองตัดสินใจอย่างไร ลอจิกของพวกเขาก็ไม่สามารถถ่ายทอดให้กับพนักงานใหม่หรือแม้แต่เอไอเอเจนท์ได้ มาทำความเข้าใจว่าทำไมสิ่งนี้จึงเกิดขึ้นและทำอย่างไรจึงจะแก้ไขปัญหาได้

ที่ที่ความรู้เกี่ยวกับการดำเนินงานของบริษัทอยู่

ถามบริษัทใหญ่ว่าความรู้ของพนักงานถูกเก็บไว้ที่ไหน คุณจะได้รับรายการยาว เช่น Confluence, SharePoint, LMS, FAQ bots, Slack archives อาจดูเหมือนว่านี่คือสแต็กที่ระบบ RAG สามารถใช้เพื่อเข้าถึงทุกสิ่งที่ต้องการ แต่มีองค์ประกอบสำคัญที่หายไป – ความรู้ที่อาศัยอยู่ในหัวของคน ไม่มีใครเคยเขียนมันลงไป

ทำไมสิ่งนี้จึงเป็นปัญหา?

เพราะเอไอเอเจนท์ต้องเข้าใจบริบท เลือกการดำเนินการ และดำเนินงานให้เสร็จสิ้น จึงต้องมีการเข้าถึงฐานความรู้และลอจิกในการตัดสินใจของผู้เชี่ยวชาญ

ลองนึกภาพเอเจนท์ใหม่ที่ได้รับคำขอจากลูกค้า ลูกค้ากล่าวว่าตนเองได้ชำระเงินแล้ว แต่การเข้าถึงยังไม่ได้รับการเปิดใช้งาน สคริปต์ประกอบด้วยชุดขั้นตอนที่เป็นมาตรฐาน ซึ่งลงท้ายด้วยการขอให้ลูกค้ารอ แต่เอเจนท์พบว่าสถานการณ์นี้ไม่ปกติ ลูกค้าได้ติดต่อฝ่ายสนับสนุนสองครั้งแล้ว และมีกรณีที่คล้ายกันหลายกรณีในระบบในชั่วโมงที่ผ่านมา พวกเขาติดต่อเพื่อนร่วมงานที่มีประสบการณ์มากกว่า ซึ่งอธิบายว่าพวกเขาเคยเห็นกรณีนี้มาก่อน และปัญหานี้อาจเกิดจากความล้มเหลวที่จุดตัดระหว่างช่องทางชำระเงิน ธนาคาร และระบบการเปิดใช้งานภายใน ดังนั้น คดีนี้จึงควรได้รับการยกเลิกไปยังฝ่ายอื่น

สำหรับเอไอเอเจนท์ ลอจิกนี้ไม่สามารถมองเห็นได้ อาจมีการเข้าถึงสคริปต์ ประวัติการติดต่อ และสถานะการชำระเงินหากแหล่งข้อมูลเหล่านี้เชื่อมต่อ แต่ไม่ทราบสัญญาณที่ผู้ดำเนินการมีประสบการณ์ถือว่าสำคัญ ไม่ใช่ว่าผู้เชี่ยวชาญตั้งใจที่จะเก็บความรู้นี้ไว้ พวกเขาแค่ไม่สามารถจัดรูปหรือแบ่งออกเป็นขั้นตอนได้: ตัวเลือกใดที่ถูกตัดออกไป ทำไมจึงเลือกการดำเนินการใด และเมื่อใดที่ชัดเจนว่าสถานการณ์มาตรฐานไม่ถูกต้อง นักวิทยาศาสตร์ทาง认識วิทยาอธิบายปรากฏการณ์นี้ว่าเป็น ความรู้ที่ไม่ได้ถ่ายทอด – ความรู้ที่ไม่ชัดเจนซึ่งผู้ถือครองอาจไม่ทราบด้วยซ้ำ

สิ่งนี้ทำให้เกิดปัญหาที่ระดับการเข้าถึงเอกสาร แต่ไม่ใช่ในขั้นตอนการแปลงประสบการณ์ของผู้เชี่ยวชาญให้เหมาะสมสำหรับการฝึกอบรมเอไอเอเจนท์

ทำอย่างไรจึงจะแก้ไขปัญหา

เพื่อให้เอไอเอเจนท์ทำงานได้อย่างมีประสิทธิภาพ ไม่เพียงพอแค่เชื่อมต่อ LLM เข้ากับฐานความรู้ขององค์กรเท่านั้น เนื่องจากการตัดสินใจที่ประสบความสำเร็จมักขึ้นอยู่กับความรู้ที่ไม่ได้ถ่ายทอด จึงจำเป็นต้องสร้างชั้นความรู้ที่มีเกณฑ์การตัดสินใจที่มีโครงสร้าง

ในระบบจัดการความรู้ กระบวนการนี้เรียกว่า การทำให้ความรู้ที่ไม่ได้ถ่ายทอดเป็นความรู้ที่ถ่ายทอดได้ – การเปลี่ยนความรู้ที่ไม่ชัดเจนให้เป็นความรู้ที่ชัดเจน ในอีกคำหนึ่ง บริษัทต้องเข้าใจไม่เพียงแต่สิ่งที่ผู้เชี่ยวชาญทำเท่านั้น แต่ยังรวมถึงวิธีการคิดของพวกเขาเช่นกัน ซึ่งทำได้โดยการทำสัมภาษณ์กับผู้เชี่ยวชาญชั้นนำร่วมกับผู้เชี่ยวชาญที่มีทักษะในการถามคำถามที่ถูกต้อง เช่น นักวิธีการ นักวิศวกรความรู้ หรือผู้ออกแบบการเรียนรู้

ที่นี่ เอไอสามารถช่วยได้อย่างมาก เช่น การถอดเสียงสัมภาษณ์ การจัดกลุ่มกรณีที่คล้ายกัน การเปลี่ยนคำอธิบายของผู้เชี่ยวชาญให้เป็นสถานการณ์ฉบับร่าง และการสร้างสถานการณ์สำหรับการตรวจสอบ อย่างไรก็ตาม โครงสร้างสุดท้ายยังคงต้องได้รับการตรวจสอบและอนุมัติจากผู้เชี่ยวชาญ

ผลลัพธ์ควรเป็นองค์ความรู้ที่ทำงานได้ สามารถใช้ได้ในทิศทางเดียวกัน – สำหรับการฝึกอบรมพนักงานใหม่และสำหรับการกำหนดค่าเอไอเอเจนท์ ทั้งสองสถานการณ์ขึ้นอยู่กับรากฐานเดียวกัน – ประสบการณ์ที่มีโครงสร้างจากผู้เชี่ยวชาญชั้นนำ

ทางเลือกคือการยังคงพึ่งพาการสันนิษฐานว่า RAG เหนือ Confluence จะสร้างลอจิกที่ไม่เคยบันทึกไว้ ในทางปฏิบัติ สิ่งนี้เกิดขึ้นได้ยาก ระบบอาจค้นหาสิ่งพิมพ์ที่เกี่ยวข้องได้ แต่จะไม่เรียนรู้วิธีตัดสินใจในสถานการณ์ที่การกระทำที่ถูกต้องขึ้นอยู่กับบริบทและประสบการณ์

วิธีการตรวจสอบว่าเอเจนท์พร้อมทำงาน

คุณได้เปลี่ยนความรู้ของผู้เชี่ยวชาญให้เป็นสถานการณ์และกำหนดค่าเอเจนท์แล้ว แต่มีระยะห่างระหว่างคำตอบที่น่าเชื่อถือของเอเจนท์กับการทำงานจริง – และช่องว่างนี้จะปรากฏชัดเจนเฉพาะในช่วงการตรวจสอบ ในขั้นตอนนี้ มีความสำคัญที่จะกำหนดว่าคุณได้ครอบคลุมความรู้ที่จำเป็นทั้งหมดแล้วหรือไม่

แนวทางปฏิบัติที่เป็นประโยชน์คือการทดสอบตามสถานการณ์ คุณให้เอเจนท์กรณีจริงจากงานประจำวันของผู้เชี่ยวชาญ เช่น ลูกค้าโต้แย้งค่าใช้จ่าย อีเมลที่ไม่寻常มาถึง หรือคำขอที่ไม่เข้ากับบทสคริปต์ขั้นพื้นฐาน ผลลัพธ์ไม่ควรประเมินโดย LLM อื่น แต่โดยผู้เชี่ยวชาญเดียวกับที่ช่วยสร้างองค์ความรู้ หากเอเจนท์เลือกเส้นทางที่แตกต่างจากผู้เชี่ยวชาญที่มีประสบการณ์ ไม่ได้หมายความว่าโมเดลนั้นอ่อนแอเสมอไป มักจะบ่งชี้ว่ากฎที่สำคัญ ข้อยกเว้น หรือตัวอย่างที่สำคัญหายไป ในกรณีนั้น กระบวนการจะกลับไปสู่จุดเริ่มต้น: ผู้เชี่ยวชาญด้านวิธีการ澄清ลอจิกกับผู้เชี่ยวชาญ องค์ความรู้ได้รับการอัปเดต คำแนะนำได้รับการปรับปรุง และการทดสอบจะทำซ้ำ

วงจรนี้ไม่ใช่ขั้นตอนที่ไม่จำเป็น แต่เป็นขั้นตอนที่กำหนดความแตกต่างระหว่างเอเจนท์ที่แสดงศักยภาพกับเอเจนท์ที่ทำงานจริงๆ นี่คือขั้นตอนที่ช้าและไม่น่าประทับใจของกระบวนการ: ไม่ได้สร้างการแสดงตัวอย่างที่น่าประทับใจและต้องมีการมีส่วนร่วมของผู้เชี่ยวชาญ แต่ผู้ที่ทำอย่างเป็นระบบจะสิ้นสุดด้วยเอเจนท์ที่ลดภาระงานประจำวันของผู้เชี่ยวชาญจริงๆ ผู้ที่ข้ามขั้นตอนนี้ภายใน 6 เดือนมักพบว่าตัวเองอยู่ในสถิติของ Gartner ซึ่งคาดการณ์ว่า 40% ของโครงการจะถูกยกเลิก

เอไอเอเจนท์ไม่ล้มเหลวเนื่องจากเทคโนโลยี – โมเดลสมัยใหม่已经สามารถทำงานที่ซับซ้อนได้แล้ว มันล้มเหลวเพราะบริษัทต่างๆ “ให้อาหาร” มันความรู้ที่ไม่สมบูรณ์ ในปี 2024-2025 สิ่งนี้ยังสามารถอธิบายได้ด้วยขั้นตอนการทดลอง แต่ในปี 2026 ข้อผิดพลาดนี้มีค่าใช้จ่ายสูงแล้ว