Sobhan Daliry, CPO & ผู้นำกลยุทธ์ AI ที่ Pipefy – ชุดสัมภาษณ์

Sobhan Daliry, CPO & ผู้นำกลยุทธ์ AI ที่ Pipefy, เป็นผู้บริหารผลิตภัณฑ์และเทคโนโลยีที่มีประสบการณ์ซึ่งได้เป็นหัวหน้ากลยุทธ์ AI ของบริษัทตั้งแต่ปี 2023, ช่วยเปลี่ยนแปลงกระบวนการทำงานธุรกิจแบบดั้งเดิมให้กลายเป็นกระบวนการที่ฉลาดและอัตโนมัติมากขึ้นตลอดเวลา. ตลอดเส้นทางอาชีพของเขา, Daliry ได้ผสานกลยุทธ์ผลิตภัณฑ์, การเปลี่ยนแปลงองค์กร, และความเป็นผู้นำด้านเทคโนโลยีระหว่างสตาร์ทอัพและบริษัทที่ตั้งมั่น. ก่อนเข้าร่วม Pipefy, เขาได้ก่อตั้งและดำรงตำแหน่ง CEO ของ Polen.me และใช้เวลามากกว่า 5 ปีในตำแหน่ง CEO/CPO ของ NZN, ที่ซึ่งเขานำบริษัทผ่านการพลิกโฉมและกำหนดกลยุทธ์ผลิตภัณฑ์. บทบาทก่อนหน้านี้ของเขารวมถึง Director of Product Management ที่ PSafe, Product Manager ที่ Peixe Urbano, และตำแหน่งต่าง ๆ ที่ครอบคลุมบริการดิจิทัล, โทรคมนาคม, ที่ปรึกษา, และการพัฒนาธุรกิจที่ Oi/Telemar, Claro, AIRCOM International, และ Planeta Tecnologia.

Pipefy เป็นแพลตฟอร์มการจัดการกระบวนการและ AI ระดับโลกที่ออกแบบมาเพื่อช่วยให้องค์กรอัตโนมัติและจัดระเบียบการทำงานธุรกิจ. ก่อตั้งในปี 2015, บริษัทได้พัฒนาจากแพลตฟอร์มการอัตโนมัติกระบวนการแบบไม่ต้องเขียนโค้ดเป็นสภาพแวดล้อมการประสานงานที่เน้น AI ซึ่งรวมเอา AI Agents, workflow, ฟอร์ม, พอร์ทัล, แอปพลิเคชัน, ข้อมูล, การวิเคราะห์, การส่งข้อความ, และการเชื่อมต่อเข้าด้วยกัน. แพลตฟอร์มของบริษัททำให้ทีมสามารถสร้างและจัดการ AI Agents ด้วยภาษาธรรมชาติและเครื่องมือแบบไม่ต้องเขียนโค้ดพร้อมกับรักษาการกำกับดูแลระดับองค์กร, ความปลอดภัย, และการมองเห็น. ความสามารถ AI ของ Pipefy รวมถึงเอเจนต์ที่สามารถตีความเอกสาร, ดำเนินการงานใน workflow, สนับสนุนการตัดสินใจ, โต้ตอบกับระบบภายนอก, และประสานกระบวนการในหลายพื้นที่เช่น การเงิน, ทรัพยากรบุคคล, การจัดซื้อ, การดำเนินงานลูกค้า, และการปฏิบัติตามกฎระเบียบ.

เส้นทางอาชีพของคุณได้เริ่มจากวิศวกรรมโทรคมนาคมที่บริษัทอย่าง Claro และ Oi ไปสู่การเป็นผู้นำผลิตภัณฑ์ที่ Peixe Urbano และ PSafe, ดำรงตำแหน่ง CEO/CPO ที่ NZN, ก่อตั้ง Polen.me, และตอนนี้เป็นหัวหน้ากลยุทธ์ผลิตภัณฑ์และ AI ที่ Pipefy. ความก้าวหน้านี้มีผลอย่างไรต่อวิธีคิดของคุณในการสร้างผลิตภัณฑ์ AI ที่แก้ปัญหาการดำเนินงานจริงแทนที่จะเป็นเพียงการแสดงเทคโนโลยีใหม่?

โทรคมนาคมสอนให้ฉันว่าโครงสร้างพื้นฐานต้องทำงานได้ทุกครั้ง, ในระดับมหาศาล, โดยไม่มีที่ว่างสำหรับ “ทำงานได้บ้าง”. การตัดการเชื่อมต่อไม่ได้เป็นความล้มเหลวของการสาธิต, แต่เป็นลูกค้าที่เดินจากไป. ความคิดนั้น — ความเชื่อถือได้เหนือความแปลกใหม่ — ไม่เคยละทิ้งฉัน. ที่ Peixe Urbano และ PSafe ฉันได้เรียนรู้บทเรียนตรงกันข้าม: ผลิตภัณฑ์ผู้บริโภคจะอยู่รอดหรือพังทลายอย่างรวดเร็วขึ้นอยู่กับว่ามันแก้ปัญหาจริงที่ผู้ใช้รู้สึกอยู่ในวันนี้หรือไม่, ไม่ใช่ปัญหาทางทฤษฎี. การดำรงตำแหน่ง CEO/CPO ของ NZN ทำให้ฉันต้องยึดถือความจริงทั้งสองพร้อมกัน — คุณไม่สามารถทำให้การดำเนินการดีกว่าทฤษฎีที่แย่ได้, และคุณก็ไม่สามารถทำให้ทฤษฎีดีกว่าการดำเนินการที่แย่ได้. การก่อตั้ง Polen.me สอนบทเรียนที่มีค่าใช้จ่ายสูงที่สุด: ทุนและเวลาเป็นสิ่งจำกัด, ดังนั้นทุกฟีเจอร์ที่คุณสร้างคือฟีเจอร์ที่คุณไม่ได้สร้าง, และค่าใช้จ่ายของการไล่ตามการสาธิตที่น่าประทับใจแทนเวิร์กโฟลว์จริงจะปรากฏขึ้นหลายเดือนต่อมา, ไม่ได้บนเวที. เมื่อถึง Pipefy, คำถามที่ฉันถามเกี่ยวกับฟีเจอร์ AI ทุกอย่างคือคำถามเดียวที่ฉันจะถามเกี่ยวกับเสาโทรศัพท์: ฟีเจอร์นี้สามารถทำงานได้ในสภาพการผลิต, ภายใต้โหลดจริง, เมื่อไม่มีใครมองดูหรือไม่? หาก AI Agent ทำงานได้เฉพาะในสภาพแวดล้อมการสาธิตที่คัดสรร, มันไม่ใช่ผลิตภัณฑ์ — แต่เป็นตัวอย่างก่อนหน้า.

คุณได้เป็นผู้นำการวางแผนและดำเนินการกลยุทธ์ AI ของ Pipefy ตั้งแต่ปี 2023. สมมติฐานใดเกี่ยวกับ AI ระดับองค์กรที่คุณมีในตอนเริ่มต้นที่เปลี่ยนแปลงมากที่สุดเมื่อ AI สร้างสรรค์และ AI agents พัฒนา?

สมมติฐานที่ใหญ่ที่สุดที่ฉันต้องละทิ้งคือแบบว่ารุ่นโมเดลจะเป็นคอขวด. ในปี 2023, ทุกคน — รวมถึงฉัน — กำลังปรับแต่งเพื่อหา “LLM ใดที่ฉลาดที่สุด”. สิ่งที่จริง ๆ แล้วเป็นคอขวดคือบริบท: เอเจนต์รู้กระบวนการจริงเป็นอย่างไร, มีข้อจำกัดอะไร, และ “เสร็จสิ้น” มีลักษณะอย่างไรสำหรับเวอร์ชันการชำระเงินของลูกค้าแต่ละราย. คุณภาพของโมเดลยังคงพัฒนาอย่างต่อเนื่องบนเส้นโค้งที่ทุกคนมองเห็น, แต่บริบทของกระบวนการไม่ได้พัฒนาขึ้นเอง, เพราะไม่มีใครจัดโครงสร้างมัน. สมมติฐานที่สองที่เปลี่ยนไปคือเรื่องอิสระภาพ. ฉันสมมติว่าตลาดต้องการเอเจนต์ที่ทำงานอย่างอิสระเต็มที่และเร็วที่สุด. สิ่งที่องค์กรจริง ๆ ต้องการ — และยังต้องการ — คืออิสระภาพที่มีขอบเขต: เอเจนต์ที่ทำการตัดสินใจจริงภายในกฎที่ไม่สามารถละเมิดได้, พร้อมกับบันทึกหลักฐานที่พิสูจน์ภายหลัง. อิสระภาพเต็มที่โดยไม่มีการกำกับดูแลไม่ใช่ความทะเยอทะยาน, แต่เป็นความเสี่ยงที่มี UI ที่ดีกว่า. ตลาดพัฒนาเร็วกว่าในเรื่องความต้องการความเชื่อมั่นมากกว่าความต้องการความสามารถดิบ, และการจัดลำดับใหม่นี้เป็นสิ่งที่ฉันทำผิดใหญ่ที่สุดตั้งแต่ต้น.

Pipefy แยกแยะระหว่างการอัตโนมัติ AI ที่ค่อนข้างง่ายกับ AI agents ที่สามารถให้เหตุผลในสถานการณ์ที่คลุมเครือ, วางแผนหลายขั้นตอน, และดำเนินการข้าม workflow. องค์กรควรกำหนดอย่างไรว่า งานใดต้องการ AI agent จริง ๆ หรือว่า การอัตโนมัติเชิงกำหนด (deterministic automation) ยังคงเป็นวิธีที่ดีกว่า?

การทดสอบที่ฉันใช้เรียบง่าย: ถ้าคุณสามารถเขียนกฎได้ ให้เขียนกฎนั้นออกมา การทำอัตโนมัติแบบกำหนดล่วงหน้า (deterministic automation) ยังคงเป็นคำตอบที่ถูกต้องสำหรับทุกอย่างที่โครงสร้างการตัดสินใจเป็นที่รู้จักล่วงหน้าและไม่เปลี่ยนแปลง — เช่น ส่งใบแจ้งหนี้นี้ไปยังผู้อนุมัติคนนี้หากมูลค่าต่ำกว่าขีดจำกัดนี้ สิ่งนี้ไม่ใช่งานของเอเจนต์ และการทำให้เป็นอย่างนั้นเพียงเพื่อทำให้ดูเหมือนเอเจนต์จะเพิ่มความล่าช้าและความไม่แน่นอนให้กับสิ่งที่แก้ไขได้แล้วแล้ว เอเจนต์จะได้ตำแหน่งของมันเมื่อสถานการณ์มีความคลุมเครือที่กฎคงที่ไม่สามารถแก้ได้ — เช่น ใบแจ้งหนี้ไม่ตรงกับ PO อย่างแม่นยำ มีฟิลด์ที่หายไป หรือคำขอของลูกค้าไม่ตรงกับหมวดหมู่ที่มีอยู่ของคุณ นั่นคือจุดที่การให้เหตุผลมีคุณค่าแท้จริง: การตัดสินใจว่าจะทำอะไรต่อเมื่อ “ต่อไป” ยังไม่ได้ถูกเขียนไว้ ความผิดพลาดที่ฉันเห็นว่าธุรกิจทำบ่อยคือการสร้างเอเจนต์สำหรับ 80% ของกรณีที่เดิมแล้วเป็นการกำหนดล่วงหน้า เพราะดูดีกว่า แล้วปล่อยให้ 20% ที่คลุมเครือ — ส่วนที่ยากจริง — ให้มนุษย์ต้องแกะไขด้วยตนเอง หากสลับอัตราส่วนนี้ คุณก็จะได้สร้างสิ่งที่แท้จริง

กำลังเกิดการเปลี่ยนแปลงจากโคไพลอตแบบสแตนด์อโลนไปสู่ “การประสานงานแบบเอเจนต์” ที่ AI สามารถประสานกระบวนการที่ครอบคลุมหลายระบบได้ สิ่งที่ทำให้การประสานงานแบบเอเจนต์ที่แท้จริงแตกต่างจากการเพียงแค่เพิ่มโมเดลภาษาใหญ่เข้าไปในแพลตฟอร์มอัตโนมัติที่มีอยู่คืออะไร?

การใส่โหนด LLM ลงในกระบวนการอัตโนมัติที่มีอยู่ทำให้คุณได้ขั้นตอนเดียวที่ฉลาดขึ้น การประสานงานที่แท้จริงหมายถึง AI มีมุมมองที่ต่อเนื่องและเป็นโครงสร้างของกระบวนการทั้งหมด — ไม่ใช่แค่งานนี้เท่านั้น แต่รวมถึงตำแหน่งของมันในลำดับขั้นตอน สิ่งที่เกิดขึ้นก่อนหน้าแล้ว และสิ่งที่ต้องเป็นจริงต่อจากนั้นเพื่อให้ถือว่าเสร็จสิ้น ความแตกต่างคือ AI มีความจำของกระบวนการหรือมีเพียงความจำของพรอมต์เท่านั้น โคไพลอตตอบคำถามที่คุณถามมัน การประสานงานประสานการกระทำระหว่างระบบที่ไม่ได้สื่อสารกันโดยธรรมชาติ — ERP, CRM, API ของพันธมิตร — พร้อมสืบทอดกฎ, สิทธิ์เข้าถึง, และบันทึกการตรวจสอบที่ส่วนอื่นของกระบวนการใช้อยู่แล้ว หากคุณต้องสร้างชั้นการกำกับดูแลแยกต่างหากรอบคุณลักษณะ AI ของคุณเพราะแพลตฟอร์มอัตโนมัติพื้นฐานไม่มีชั้นนั้น คุณก็ไม่ได้มีการประสานงานแบบเอเจนต์ — คุณมีแชทบอทที่เข้าถึง API เท่านั้น และความเสี่ยงของมันแตกต่างอย่างสิ้นเชิง

เอเจนต์ AI แบบไม่มีโค้ดอาจทำให้ทีมธุรกิจสามารถอัตโนมัติกระบวนการที่ซับซ้อนมากขึ้นโดยไม่ต้องรอทรัพยากรวิศวกรรม เราจะทำให้ความสามารถนี้เป็นประชาธิปไตยได้อย่างไรโดยไม่สร้าง AI เงา รุ่นใหม่ของเอเจนต์ที่ออกแบบไม่ดี หรือความเสี่ยงด้านความปลอดภัย?

คุณจะไม่ได้รับการประชาธิปไตยที่ปลอดภัยโดยการขอให้ผู้ใช้ธุรกิจระมัดระวังมากขึ้น — คุณจะได้มันโดย

ทำให้แนวป้องกันเป็นส่วนหนึ่งของพื้นถนน ไม่ใช่ช่องทางแยกที่คนต้องเลือกขับเข้าไป ทุกเอเจนต์ที่ผู้ใช้ธุรกิจสร้างขึ้นสืบทอดการเข้าถึงตามบทบาทเดียวกัน, บันทึกการตรวจสอบเดียวกัน, และกฎธุรกิจเดียวกันที่ควบคุมกระบวนการที่มันถูกสร้างขึ้น — สิ่งเหล่านี้ไม่ใช่การตั้งค่าแบบเลือกได้ แต่เป็นโครงสร้าง นั่นคือคำตอบที่แท้จริงต่อ AI เงา: มันไม่ใช่ปัญหานโยบาย แต่เป็นปัญหาโครงสร้าง AI เงาเกิดขึ้นเมื่อเครื่องมือที่ได้รับการอนุมัติใช้งานยากกว่าที่ไม่ได้รับการอนุมัติ ทำให้คนสร้างเอเจนต์ในบัญชี ChatGPT ส่วนตัวหรือเครื่องมืออัตโนมัติสุ่มที่ไม่มีการมองเห็นจากฝ่าย IT หากประสบการณ์แบบไม่มีโค้ดเร็วจริงและการกำกับดูแลเป็นอัตโนมัติและมองไม่เห็นเลย ทีมธุรกิจไม่มีเหตุผลที่จะหลบเลี่ยงมัน เมื่อคุณทำให้การกำกับดูแลเป็นขั้นตอนที่ต้องทำด้วยตนเองและต้องจำไว้ คุณก็พลาดไปแล้ว

เมื่อเอเจนต์ AI มีความสามารถในการตัดสินใจและดำเนินการแทนการเพียงแค่แนะนำเท่านั้น องค์กรควรตัดสินใจอย่างไรว่าควรให้เอเจนต์ทำงานอิสระเต็มที่ที่ไหนและควรให้มนุษย์อยู่ในลูปที่ไหน?

แกนที่ฉันใช้ไม่ได้เป็น “เอเจนต์ฉลาดแค่ไหน” แต่เป็นความสามารถในการย้อนกลับและระยะระเบิด หากการตัดสินใจที่ผิดสามารถตรวจจับได้ง่ายและย้อนกลับได้ง่าย — เช่น การกำหนดเส้นทาง, การจัดประเภท, การร่าง — ให้เอเจนต์ทำงานและตรวจสอบเป็นกลุ่ม หากการตัดสินใจที่ผิดมีค่าใช้จ่ายสูง, ยากต่อการย้อนกลับ, หรือกระทบโดยตรงต่อเงิน, การปฏิบัติตามกฎ, หรือความสัมพันธ์กับลูกค้า ให้มนุษย์อยู่ในลูปสำหรับขั้นตอนนั้น แม้ว่าเอเจนต์จะทำการตัดสินใจพันครั้งถูกต้องแล้วก็ตาม ความผิดพลาดคือการมองว่าการให้สิทธิ์อิสระเป็นตัวควบคุมเดียวที่เปิดให้กับกระบวนการทั้งหมด กระบวนการจริงเป็นลำดับของขั้นตอนที่มีระดับความเสี่ยงต่างกันอย่างมาก และการออกแบบที่ถูกต้องจะวางมนุษย์ไว้ที่ขั้นตอนที่ความผิดพลาดมีค่าใช้จ่ายสูง — ไม่ใช่ทุกที่และไม่ใช่ที่ไหนเลย นี่คือเหตุผลที่การทำงานแบบมนุษย์ในลูป หากทำอย่างถูกต้อง ไม่ใช่ภาษีต่อความเร็ว — แต่เป็นวิธีสร้างความมั่นใจเพื่อในที่สุดจะลบออกจากขั้นตอนที่มีความเสี่ยงต่ำ เพราะคุณมีหลักฐานยืนยันว่าการตัดสินใจใดที่เอเจนต์ทำได้อย่างสม่ำเสมอ

Pipefy เน้นการกำกับดูแลผ่านกลไกต่าง ๆ เช่น บันทึกการตรวจสอบ, การควบคุมการเข้าถึงตามบทบาท, กฎธุรกิจ, และการตรวจสอบความสามารถภายในเวิร์กโฟลว์เอง การฝังการกำกับดูแลโดยตรงลงในชั้นการประสานงานกำลังกลายเป็นสิ่งจำเป็นเมื่อบริษัทย้ายเอเจนต์ AI จากการทดลองสู่การผลิตหรือไม่?

มันไม่ได้กำลังจะกลายเป็นสิ่งจำเป็น — มันเป็นสิ่งจำเป็นแล้ว, และบริษัทที่ได้เรียนรู้เรื่องนี้ด้วยวิธีที่ยากลำบากคือบริษัทที่ส่งเอเจนต์เข้าสู่การผลิตเป็นคนแรกและตอนนี้กำลังสร้างเส้นทางตรวจสอบหลังเหตุการณ์แล้ว. นั่นเป็นการทำย้อนกลับและการแก้ไขแบบย้อนหลังมีค่าใช้จ่ายสูง. หากเส้นทางตรวจสอบ, การเข้าถึงตามบทบาท, และความสามารถในการติดตามไม่เป็นส่วนหนึ่งของชั้นการประสานงานเอง, ทุกเอเจนต์ใหม่ที่คุณปรับใช้จะเป็นจุดใหม่ที่การกำกับดูแลอาจล้มเหลวอย่างเงียบ ๆ — และคุณจะไม่รู้จนกว่าจะมีผู้ตรวจสอบ, ผู้กำกับดูแล, หรือเหตุการณ์ใด ๆ ที่บังคับให้ตั้งคำถาม. การฝังการกำกับดูแลไว้ในชั้นการประสานงานหมายความว่าการกระทำทุกอย่างของเอเจนต์จะสืบทอดกฎเดียวกันโดยอัตโนมัติและทิ้งหลักฐานเดียวกับที่การกระทำของมนุษย์จะทิ้งไว้, โดยไม่มีใครต้องจำกำหนดค่าแยกต่างหาก. บริษัทที่ย้ายจากการทดลอง AI ไปสู่การผลิต AI กำลังค้นพบว่ามาตรฐานความสำเร็จของการทดลองและมาตรฐานความสำเร็จของการผลิตแตกต่างกัน: การทดลองต้องทำงานได้, การผลิตต้องสามารถปกป้องได้. การกำกับดูแลคือความแตกต่างระหว่างสองเกณฑ์นั้น.

หลายบริษัทสามารถแสดงการทดลอง AI ที่น่าประทับใจได้ แต่กลับประสบปัญหาในการแปลงผลลัพธ์ให้เป็นมูลค่าทางธุรกิจที่วัดได้. เมตริกใดที่ผู้นำควรให้ความสำคัญเมื่อกำหนดว่าการริเริ่มอัตโนมัติด้วย AI นั้นให้ผลตอบแทนการลงทุนจริงหรือไม่, และเหตุผลทั่วไปที่การทดลองที่มีศักยภาพล้มเหลวในการขยายขนาดคืออะไร?

ฉันไม่ไว้วางใจการสนทนาเรื่อง ROI ของ AI ใด ๆ ที่เริ่มด้วย “ชั่วโมงที่ประหยัดได้,” เพราะชั่วโมงที่ประหยัดได้โดยใคร, ตรวจสอบอย่างไร? เมตริกที่จริง ๆ แล้วยืนหยัดต่อการตรวจสอบของ CFO คือสิ่งที่ผู้ตรวจสอบสามารถยืนยันได้อย่างอิสระ: ระยะเวลาวัฏจักรของกระบวนการเฉพาะ, ก่อนและหลัง; อัตราความผิดพลาดหรือการทำซ้ำ; เปอร์เซ็นต์ของเวิร์กโฟลว์ที่ตอนนี้เสร็จสิ้นโดยไม่มีการสัมผัสของมนุษย์; และการครอบคลุมสายการตรวจสอบ — คุณสามารถแสดงได้หรือไม่, สำหรับการตัดสินใจของเอเจนต์แต่ละรายการ, ว่าทำไมถึงเกิดขึ้น. หากคุณไม่สามารถสร้างเส้นทางนั้นได้, คุณไม่มีตัวเลข ROI, มีเพียงเรื่องเล่า. การทดลองมักล้มเหลวในการขยายขนาดเนื่องจากเหตุผลเดียวกัน: พวกมันถูกสร้างขึ้นเพื่อพิสูจน์ว่าโมเดลทำงาน, ไม่ได้เพื่อพิสูจน์ว่ากระบวนการทำงานแบบครบวงจร, ในการผลิต, รวมกับระบบที่ส่วนอื่นของบริษัทพึ่งพาอยู่. การทดลองที่อยู่ใน sandbox, แยกจากระบบบันทึกจริง, จะดูดีเสมอเมื่อเทียบกับการทำงานจริงเมื่อเชื่อมต่อกับทุกอย่างที่กำลังทำงานอยู่แล้ว. การขยายขนาดเป็นปัญหาการบูรณาการระบบที่สวมหน้ากาก AI.

คุณยังได้เป็นผู้นำโครงการเปลี่ยนแปลงองค์กรที่ Pipefy พร้อมกับการแนะนำความสามารถ AI ใหม่. จากประสบการณ์ของคุณ, การนำ AI ไปใช้ในระดับองค์กรที่ประสบความสำเร็จนั้นเป็นความท้าทายด้านเทคโนโลยีมากน้อยแค่ไหนเมื่อเทียบกับความท้าทายด้านกระบวนการ, วัฒนธรรม, และการจัดการการเปลี่ยนแปลง?

ถ้าพูดตรง ๆ การนำ AI ไปใช้ในระดับองค์กรที่ประสบความสำเร็จคือ 20% เทคโนโลยีและ 80% สิ่งอื่น ๆ ทั้งหมด. เทคโนโลยีส่วนใหญ่ทำงานได้แล้ว — นั่นไม่ใช่สิ่งที่ทำให้ฉันนอนไม่หลับ. สิ่งที่จริง ๆ แล้วกำหนดว่าการริเริ่ม AI จะคงอยู่หรือไม่คือว่าผู้คนที่งานของพวกเขาเปลี่ยนแปลงไว้เชื่อใจระบบพอที่จะปล่อยการตรวจสอบด้วยมือที่ทำมานานสิบปี, และผู้นำพร้อมที่จะออกแบบกระบวนการใหม่แทนการแค่วาง AI ทับระบบเก่า. เราได้ผ่านกระบวนการนี้ภายในโดยสร้างเครื่องมือวิศวกรรมของเราเอง — เทคโนโลยีเพื่ออัตโนมัติส่วนหนึ่งของการสร้างซอฟต์แวร์มีอยู่ก่อนที่ทีมจะเชื่อใจพอที่จะหยุดตรวจสอบซ้ำด้วยมือ. สิ่งที่เปิดประตูไม่ได้เป็นโมเดลที่ดีกว่า, แต่เป็นหลักฐานที่มองเห็นได้, ทำซ้ำหลายครั้ง, ว่าการตัดสินใจของระบบตรงกับของพวกเขา. การจัดการการเปลี่ยนแปลงสำหรับ AI ไม่ใช่การสื่อสาร, แต่เป็นการสะสมหลักฐาน — คุณสร้างความเชื่อใจในชุดเล็ก ๆ ที่ตรวจสอบได้, ไม่ได้ประกาศในที่ประชุมใหญ่.

เมื่อมองไปข้างหน้า, คุณคาดว่าซอฟต์แวร์เวิร์กโฟลว์และกระบวนการธุรกิจแบบดั้งเดิมจะพัฒนาเป็นชั้นการประสานงานที่มนุษย์, เอเจนต์ AI, และระบบองค์กรทำงานร่วมกันอย่างต่อเนื่องหรือไม่? หากเป็นเช่นนั้น, สิ่งที่เปลี่ยนแปลงอย่างพื้นฐานเกี่ยวกับวิธีที่บริษัทออกแบบและจัดการการดำเนินงานของตนคืออะไร?

ใช่, และฉันคิดว่าการเปลี่ยนแปลงนี้ใหญ่กว่าที่หลายคนคาดคิด. ซอฟต์แวร์เวิร์กโฟลว์เคยเป็นที่ที่คุณบันทึกวิธีการทำงานที่ควรเกิดขึ้น. ตอนนี้มันกลายเป็นที่ที่งานจริง ๆ เกิดขึ้น — เวลารันไทม์สดที่มนุษย์, เอเจนต์, และระบบองค์กรทั้งหมดทำงานภายในกระบวนการที่กำกับดูแลเดียวกันในเวลาเดียวกัน, แทนที่มนุษย์จะใช้ซอฟต์แวร์เป็นผู้บันทึกข้อมูลแบบพาสซีฟหลังเหตุการณ์. สิ่งที่เปลี่ยนแปลงอย่างพื้นฐานคือที่ตั้งของ “ระบบบันทึก” จริง ๆ. บันทึกเคยเป็นฐานข้อมูลที่อัปเดตเมื่อมีบางอย่างเกิดขึ้นแล้วภายนอกมัน. ในชั้นการประสานงาน, บันทึกและการดำเนินการเป็นสิ่งเดียวกัน — กระบวนการเองกลายเป็นอินเทอร์เฟซ, เข้าถึงได้ไม่เพียงผ่านหน้าจอแต่ผ่าน API, เซิร์ฟเวอร์ MCP, CLI, ดังนั้นเอเจนต์ใด ๆ, ทั้งภายในหรือของพันธมิตร, สามารถทำงานภายในได้ภายใต้กฎเดียวกับที่มนุษย์ทำ. บริษัทที่มองการเปลี่ยนแปลงนี้เป็น “เพิ่ม AI ไปยังเครื่องมือที่มีอยู่” จะเจอขีดจำกัดที่ฉันอธิบายไว้ก่อนหน้า. ส่วนที่มองชั้นกระบวนการของตนเป็นผลิตภัณฑ์จริง — สิ่งที่คุ้มค่าที่จะลงทุนจัดโครงสร้างอย่างเหมาะสม — จะเป็นผู้ที่สร้างความได้เปรียบที่ไม่มีใครสามารถคัดลอกได้โดยเพียงซื้อโมเดล AI เดียวกัน.

ขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม, ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมควรไปเยี่ยมชม Pipefy.