ความร่วมมือต้องเป็นหัวใจของแนวทาง AI แบบหลายเอเจนต์ในอุตสาหกรรมการผลิต นี่คือวิธีทำ

ส่วนใหญ่—ถ้าไม่ใช่ทั้งหมด—ผู้ผลิตขนาดใหญ่กำลังจัดการกับระบบจำนวนมหาศาลในโครงสร้างดิจิทัลของพวกเขา บ่อยครั้งที่ระบบเหล่านี้ทำงานพร้อมกันบนพื้นที่โรงงาน: เอเจนต์การบำรุงรักษาทำนายตรวจจับเซ็นเซอร์สั่นเพื่อหารูปแบบความปลอดภัย, เอเจนต์ควบคุมคุณภาพด้วยภาพตรวจจับข้อบกพร่องของผลิตภัณฑ์, และเอเจนต์กำหนดตารางจัดการการเปลี่ยนสายการผลิตในขณะที่เอเจนต์สินค้าคงคลังติดตามการจัดซื้อแต่ละรายการ แต่ละระบบมีภารกิจที่ชัดเจน แต่บ่อยครั้งที่ระบบเหล่านี้ไม่ได้สื่อสารกัน

ความล้มเหลวในการทำงานร่วมกันคือสาเหตุที่ทำให้ AI แบบเอเจนต์ในอุตสาหกรรมขนาดใหญ่ไม่ประสบผลสำเร็จ ไม่ว่าจะเป็นการทำงานของเอเจนต์หรือไม่เป็นเรื่องหนึ่ง แต่ปัญหาสำคัญอีกประการสำหรับบริษัทผู้ผลิตขนาดใหญ่คือพวกเขาทำงานอยู่ในความโดดเดี่ยวเกือบทั้งหมด

และแม้จำนวนองค์กรขนาดใหญ่ว่าจะขยายการใช้เอเจนต์ AI อย่างน้อยหนึ่งฟังก์ชันจะเพิ่มขึ้นจาก 27% to 40% ต่อปี พวกเขากำลังมุ่งเน้นไปที่ฟังก์ชันเฉพาะเช่นไอทีและวิศวกรรมซอฟต์แวร์ แทนที่จะกระจายเอเจนต์อย่างเท่าเทียมทั่วทั้งการดำเนินงานเป็นระบบที่ประสานงานกัน ในขณะเดียวกัน แม้ว่าส่วนใหญ่ขององค์กรจะวางแผนที่จะใช้งานเอเจนต์อิสระ แต่เพียงประมาณหนึ่งในสามเชื่อว่าโครงสร้างพื้นฐานของพวกเขาพร้อมสนับสนุน อย่างไรก็ตาม การวิจัยจากปี 2025 พบว่า 79% ของความล้มเหลวของระบบ LLM แบบหลายเอเจนต์เกิดจากปัญหาเกี่ยวกับการประสานงานและการกำหนดสเปค

ผู้ผลิตกำลังเพิ่มผู้ตัดสินใจอิสระบนพื้นโรงงานและสายการผลิตเร็วกว่าการสร้างการเชื่อมต่อระหว่างกัน ซึ่งทำให้ปัญหาการประสานงานและความร่วมมือแย่ลงและส่งผลกระทบต่อประสิทธิภาพของโมเดล ในที่สุด ปัญหานี้ปรากฏในสามส่วนที่แตกต่างของสแตก AI นี่คือสิ่งที่ผู้ผลิตควรทำเพื่อให้ระบบเอเจนต์ทำงานร่วมกันอย่างเชื่อมต่อและประสานงาน

จุดเสียดทานที่ใหญ่ที่สุดของการร่วมมือ

อุปสรรคแรกและอาจเป็นอุปสรรคที่ใหญ่ที่สุดคือข้อมูล ซึ่งยังคงเป็น จุดคอขวดที่สำคัญ สำหรับองค์กรขนาดใหญ่หลายแห่งที่ต้องการขยาย AI ผู้ผลิตส่วนใหญ่ทำงานบนโครงสร้างพื้นฐานที่สะสมมานานหลายทศวรรษ (และข้อมูลที่เกี่ยวข้อง) ในรูปแบบของระบบ MES และ ERP ที่ไม่แชร์สคีม่าเดียวกับสตรีมข้อมูลอื่น ๆ เช่น การสื่อสารและทรัพยากรมนุษย์ ดังนั้นเอเจนต์จึงประสบปัญหาในการสื่อสารกัน หากมีการสื่อสารเลยแม้แต่บางครั้ง; ข้อมูลที่แยกกันหรือจัดรูปแบบไม่ดีเป็นอุปสรรคเกือบไม่สามารถทะลุผ่านได้ระหว่างหลายเอเจนต์

สถานการณ์นี้ปรากฏบนพื้นโรงงานเมื่อเอเจนต์ที่ตรวจสอบสุขภาพและประสิทธิภาพของเครื่องจักรบนสายการผลิตหนึ่งไม่มีวิธีที่เชื่อถือได้ในการทราบว่าเอเจนต์กำหนดตารางการเปลี่ยนสายการผลิตสองระบบต่อไปวางแผนอย่างไร แม้ว่าการตัดสินใจและกระบวนการทำงานสองอย่างนี้จะส่งผลต่อกันโดยตรง

จุดเสียดทานต่อไปคือโพรโทคอล ซึ่งเป็นองค์ประกอบที่ไม่ได้รับการพิจารณาเพียงพอเมื่อมองหา AI ที่ทำงานร่วมกัน AI แบบเอเจนต์ยังใหม่มาก และจนถึงเร็ว ๆ นี้ ยังไม่มีมาตรฐานจริงสำหรับเอเจนต์ที่สร้างบนเฟรมเวิร์ก พื้นฐาน หรือผู้จำหน่ายต่างกันในการสื่อสารและทำงานร่วมกัน

โชคดีที่สถานการณ์กำลังเปลี่ยนแปลง ตัวอย่างเช่น โปรโตคอล Agent2Agent (A2A) ของ Google ซึ่งเปิดตัวเมื่อปีที่แล้ว ทำให้มาตรฐานการทำงานของเอเจนต์อิสระ (ที่อาจสร้างบนแพลตฟอร์มที่แตกต่างกันทั้งหมด) สามารถค้นหาความสามารถของกันและกันและมอบหมายงานได้ อย่างสำคัญ นี่ถูก ออกแบบโดยเจตนา เพื่อเสริม โปรโตคอล Model Context ของ Anthropic (MCP), ซึ่งมาตรฐานการที่แต่ละเอเจนต์เข้าถึงเครื่องมือและแหล่งข้อมูล จุดมุ่งหมายร่วมกันคือการขจัดการแยกส่วนและรับประกันการร่วมมือ แม้ในสภาพแวดล้อมหลายเอเจนต์ที่ขยายขนาด

สุดท้าย ผู้ผลิตหลายรายยังคงเผชิญกับคำถามเรื่องการควบคุมโดยมนุษย์ แม้เครือข่ายเอเจนต์ที่ประสานงานอย่างสมบูรณ์จะล้มเหลวหากผู้ที่ดูแลไม่เชื่อมั่นในการตัดสินใจของมันหรือมีความคาดหวังที่ไม่เป็นจริงต่อความสามารถของมัน นักวิเคราะห์จาก MIT Sloan ได้ ให้คำเตือน เกี่ยวกับความคาดหวังที่เกินจริงและความเชื่อมั่นที่ลดลงต่อ AI แบบเอเจนต์ พร้อมกับความเสี่ยงที่อาจเกิดจากการที่มนุษย์ disengage จากเอเจนต์ AI บนพื้นโรงงาน ช่องว่างและจุดเสียดทานเหล่านี้อาจก่อให้เกิดผลร้ายแรง: เส้นเชื่อมโยงมนุษย์ที่เชื่อมต่อระบบเอเจนต์เป็นสิ่งสำคัญอย่างยิ่งต่อการดำเนินงานที่ปลอดภัยและเชื่อถือได้

การเชื่อมช่องว่างความไว้วางใจ

มันดูเหมือนว่าการแก้ไขด้านมนุษย์จะเป็นปัญหาทางวัฒนธรรมที่สามารถแก้ได้ด้วยการฝึกอบรมเพิ่มเติม อย่างไรก็ตาม ความพยายามเหล่านี้จะไม่ประสบผลหากไม่ได้รับการสนับสนุนด้วยการแก้ไขสถาปัตยกรรมที่ยั่งยืน การออกแบบการควบคุมต้องคำนึงถึงเมื่อใดที่การตัดสินใจของมนุษย์ควรยอมให้ระบบเป็นผู้ตัดสินใจ ไม่ใช่เพียงแค่การยกเลิกคำแนะนำของเอเจนต์เพราะผู้ใช้ไม่เห็นด้วย

สร้างความโปร่งใสในการให้เหตุผล ซึ่งหมายความว่าจะต้องมีการมองเห็นเสมอและความสามารถในการอธิบายว่าทำไมเอเจนต์จึงตัดสินใจหรือทำเครื่องหมายข้อเสนอใดข้อเสนอหนึ่ง นอกจากนี้ เมื่อผู้ปฏิบัติงานไม่เห็นด้วย ต้องมั่นใจว่ามีเส้นทางการยกระดับที่ชัดเจนและมีประสิทธิภาพซึ่งฝังความโปร่งใสและการตรวจสอบย้อนกลับเกี่ยวกับกระบวนการตัดสินใจ

การสร้างความรู้สึกของความเป็นหนึ่งเดียวใหม่

เอเจนต์ เหมือนกับทีมที่พวกเขาถูกสร้างขึ้นเพื่อสนับสนุน ต้องการมากกว่าการเข้าถึงงานที่แคบและเฉพาะเจาะจง พวกเขาต้องการสิ่งที่คล้ายกับความรู้สึกของความเป็นหนึ่งเดียว; โมเดลการทำงานที่แสดงว่าส่วนของการดำเนินงานของตนเชื่อมต่อกับทุกอย่างอย่างไร เอเจนต์การจัดตารางที่ปรับเวลาเปลี่ยนแปลงโดยไม่มีการมองเห็นข้อมูลที่เอเจนต์บำรุงรักษาเห็นเกี่ยวกับอุปกรณ์ที่เสื่อมสภาพ เพียงทำการตัดสินใจที่ค่อนข้างยอมรับได้ซึ่งอาจไม่ใช่การตัดสินใจที่ถูกต้องเมื่อเปรียบเทียบกับความต้องการของกระบวนการทำงานอื่น ๆ

นี่คือจุดที่ชั้นโปรโตคอลและปัญหาความรู้สึกของความเป็นหนึ่งเดียวมาบรรจบกัน บริบทที่แชร์เป็นวิธีการเชิงปฏิบัติที่ทำให้ภารกิจส่วนบุคคลของเอเจนต์ถูกผูกติดกับสถานะจริงของโรงงานโดยรวม ในอุตสาหกรรมการผลิต มีคำตอบบางส่วนที่มีอยู่แล้วในรูปแบบของมาตรฐานเช่น ISA-95 ซึ่งกำหนดวิธีการร่วมกันสำหรับการสื่อสารระหว่างระบบองค์กรและระบบควบคุมทั่วทั้งโรงงาน ความใหม่ในขณะนี้คือการขยายแนวคิดของศัพท์ปฏิบัติการที่แชร์จากการบูรณาการที่มนุษย์อ่านได้ ไปสู่ข้อมูลที่เอเจนต์สามารถประมวลผลได้

หากไม่มีโมเดลที่แชร์นี้ เอเจนต์ที่เพิ่มเข้ามาแต่ละตัวจะสร้างจุดการให้เหตุผลและการตัดสินใจที่แยกจากกันใหม่ ซึ่งไม่เป็นส่วนหนึ่งของภาพรวมที่สอดคล้องกัน นั่นคือสาเหตุที่การกระจายของเอเจนต์แย่ลงแทนที่จะหายไปเมื่อการนำไปใช้ขยายตัว

ติดตามการวัดที่เหมาะสมเพื่อความสำเร็จอย่างต่อเนื่อง

อีกกับดักหนึ่งคือการวัด AI แบบเอเจนต์โดยใช้วิธีเดียวกับการตรวจสอบการเปิดตัวซอฟต์แวร์อื่น ๆ คือมุ่งเน้นที่ตัวเลขประสิทธิภาพและตรวจสอบให้แน่ใจว่าตัวเลขเหล่านั้นเพิ่มขึ้นอย่างต่อเนื่อง สำหรับระบบหลายเอเจนต์ที่ประสานงานและร่วมมือกัน สิ่งนี้ไม่ได้จำเป็นต้องเป็นประโยชน์และอาจทำให้ผลลัพธ์ย้อนกลับเมื่อมันกลายเป็นเมตริกเดียวของประสิทธิภาพ

สิ่งแรกที่ควรยืนยันไม่ใช่แค่จำนวนเงินที่เอเจนต์ประหยัดได้ แต่คือความปลอดภัยและความมั่นคงในการทำงานตามที่ออกแบบ ตรวจสอบให้แน่ใจว่าเอเจนต์ทำงานภายในขอบเขตที่ตั้งไว้ มีความล้มเหลวที่คาดการณ์ได้ และเปิดโอกาสให้มีการแทรกแซงและการขยายระดับโดยมนุษย์ เมื่อเรื่องนี้เรียบร้อยแล้ว คุณภาพจึงควรเป็นจุดศูนย์กลาง เช่น ผลลัพธ์ของเอเจนต์นั้นถูกต้องและสม่ำเสมอจริงหรือไม่ ไม่ใช่แค่ทันที

นี่คือลำดับความสำคัญที่ผู้ผลิตควรปฏิบัติตาม ความเร็ว การไหลของงาน และการประหยัดต้นทุนอยู่ในลำดับความสำคัญที่ต่ำสุด การเพิ่มประสิทธิภาพการผลิตที่ตั้งอยู่บนเอเจนต์ที่ไม่ปลอดภัยหรือไม่น่าเชื่อถือเป็นภาระต่อทีม เทคโนโลยี สายการผลิต ความสัมพันธ์ และชื่อเสียงของธุรกิจ

ทดสอบในระดับเล็กก่อนขยายใหญ่ เอเจนต์เดียวที่จัดการงานที่กำหนดอย่างชัดเจนสามารถให้การเปรียบเทียบก่อน‑และ‑หลังที่ชัดเจน อย่างไรก็ตาม เมื่อมุมมองขยายเพื่อครอบคลุมหลายสิบเอเจนต์ที่ทำงานร่วมกันทั่วทั้งโรงงานโดยที่ยังไม่มีการตรวจสอบแต่ละตัวอย่างเป็นอิสระ จะยากมากที่จะระบุว่าภาคส่วนใดของระบบเป็นสาเหตุของผลลัพธ์ ความซับซ้อนควรเพิ่มในวิธีการวัดเท่าที่ความซับซ้อนเพิ่มในการนำไปใช้

ที่นี่ การร่วมมือและการวัดเริ่มอยู่ร่วมกัน ผลลัพธ์ของเอเจนต์จะเชื่อถือได้เท่ากับบริบทที่มันเข้าถึงเมื่อทำงาน นั่นหมายความว่าปัญหาบริบทที่แชร์ที่กล่าวถึงข้างต้นเป็นเงื่อนไขเบื้องต้นสำหรับการวัด ผู้ผลิตที่ยังไม่ได้แก้ไขภาพการดำเนินงานที่เป็นเอกภาพข้ามระบบไม่มีวิธีที่เชื่อถือได้ในการทราบว่าผลลัพธ์บวกหรือลบสะท้อนการตัดสินใจของเอเจนต์หรือเป็นช่องว่างในสิ่งที่เอเจนต์ได้รับอนุญาตให้เข้าถึง ตัวชี้วัดที่สำคัญจะอ่านได้เมื่อการเรียงลำดับและบริบทที่แชร์ถูกล็อคไว้

การประสานงานและการร่วมมือเป็นศูนย์กลางของความสามารถ

โดยสรุป ความได้เปรียบเชิงโครงสร้างของผู้ผลิตขนาดใหญ่ (ปริมาณการผลิตมหาศาล ชุดข้อมูลเชิงประวัติ ความสอดคล้องของกระบวนการ และทรัพยากรด้านบุคลากรและเทคโนโลยี) ไม่อาจปฏิเสธได้ อย่างไรก็ตาม ความได้เปรียบเหล่านี้จะเพิ่มพูนต่อไปก็ต่อเมื่อผู้ผลิตแก้ไขปัญหาการร่วมมือเป็นอันดับแรก

มองไปยังอนาคต เมื่อความสามารถของ AI พัฒนาไปสู่การทำงานอัตโนมัติเต็มรูปแบบและระบบและสายการผลิตเติบโตขึ้น การร่วมมือและการประสานงานจึงเป็นสิ่งจำเป็นอย่างยิ่ง การมองว่าอินเทอร์โอเปอเรบิลิตี้ มาตรฐานโปรโตคอล บริบทที่แชร์ การตรวจสอบของมนุษย์ที่ปรับเทียบได้ และความรู้สึกของความเป็นหนึ่งเดียวเป็นข้อกำหนดสถาปัตยกรรมก่อนการขยายขนาดและการนำไปใช้เป็นสิ่งที่ต้องทำ นี่คือเส้นแบ่งระหว่างผู้ผลิตที่สามารถขยาย AI แบบเอเจนต์ได้อย่างสำเร็จและปลอดภัย กับผู้ที่ยังติดอยู่ในขั้นตอนทดลอง