การเพิ่มขึ้นของ AI Agentic และสถาปัตยกรรมที่จะขับเคลื่อนมัน

ในช่วงไม่กี่ปีที่ผ่านมา ความก้าวหน้าในด้าน AI ส่วนใหญ่เชื่อมโยงกับขนาด โมเดลที่ใหญ่ขึ้น ชุดข้อมูลที่ใหญ่ขึ้น ทุกอย่างใหญ่ขึ้น และใช่ สิ่งนี้ทำให้เราเดินหน้ามาไกล แต่เมื่อเราเข้าสู่ปี 2026 มันรู้สึกเหมือนเราได้ถึงจุดคุ้มทุนแล้ว โมเดลยังคงใหญ่ขึ้น และวิดีโอตัวอย่างยังคงสวยงามขึ้น แต่นั่นไม่ได้เปลี่ยนเป็นมูลค่าในการดำเนินงานจริงสำหรับบริษัทส่วนใหญ่ ช่องว่างระหว่าง “ตัวอย่างที่น่าสนใจ” และ “สิ่งนี้ทำให้ธุรกิจของเราดำเนินได้” ยังคงกว้างเกินไป

สิ่งที่ เริ่ม ขยับเส้นนี้คือการเปลี่ยนแปลงไปสู่ AI Agentic แทนที่จะรอคำสั่งและให้คำตอบเดียว ระบบเหล่านี้ทำงานเหมือนส่วนประกอบซอฟต์แวร์ที่คงอยู่ซึ่งตามเป้าหมาย ตอบสนองต่อข้อมูลใหม่ และปรับเปลี่ยนตามไป มันเป็นมุมมองที่แตกต่างจากสิ่งที่เรากำลังสร้างในช่วงสิบปีที่ผ่านมา และต้องทำให้เราคิดใหม่เกี่ยวกับสถาปัตยกรรมรอบๆ AI ไม่ใช่แค่โมเดลตัวเอง

การเปลี่ยนแปลงจากผลลัพธ์ครั้งเดียวไปสู่การดำเนินงานอย่างต่อเนื่อง

AI ที่สร้างสรรค์ เปลี่ยนแปลงวิธีที่ผู้คนโต้ตอบกับคอมพิวเตอร์ แต่ลูปยังคงไม่เปลี่ยนแปลงมากนัก คุณถาม มันตอบ และการสนทนาเริ่มต้นใหม่ ระบบ Agentic ไม่ทำงานในลักษณะนั้น มันรับข้อมูลแบบเรียลไทม์ ดูการเปลี่ยนแปลง ตัดสินใจ และปรับเปลี่ยนหากสิ่งต่างๆ ไม่เกิดขึ้นตามที่คาดหวัง

ลองนึกถึงปัญหาที่ไม่พอดีกับการตอบครั้งเดียว: การเดินทางของลูกค้าที่เกิดขึ้นในช่วงหลายวันหรือหลายสัปดาห์ ระดับสต๊อกที่เปลี่ยนแปลงทุกชั่วโมง รูปแบบการฉ้อโกงที่พัฒนาในเวลาจริง สิ่งเหล่านี้ไม่ใช่ “ให้คำตอบแก่ฉันครั้งเดียวและฉันเสร็จแล้ว” ปัญหาเหล่านี้เป็นลูปที่ดำเนินต่อไป

สิ่งที่น่าประหลาดใจคืออุปสรรคไม่ใช่โมเดล แต่เป็นสถาปัตยกรรมรอบๆ โมเดล หากตัวแทนไม่มีข้อมูลที่ถูกต้อง หรือข้อมูลไม่เห็นด้วยข้ามระบบ ตัวแทนจะทำการตัดสินใจที่ไม่ถูกต้องอย่างรวดเร็วและมั่นใจ

ข้อมูลที่เป็นเอกภาพกลายเป็นความจริงสำหรับตัวแทนแต่ละตัว

เราทุกคนเคยทนทุกข์กับข้อมูลที่ไม่เรียบร้อยและกระจัดกระจาย ในระบบ Agentic ข้อมูลที่ไม่เรียบร้อยไม่ใช่แค่ความไม่สะดวก แต่เป็นการหยุดชะงักของลูปทั้งหมด

ตัวแทนต้องเข้าใจโลกในแบบเดียวกับที่ธุรกิจของคุณทำ ในด้านการตลาด สิ่งนี้หมายถึงการเข้าใจว่าลูกค้าเป็นใคร ลูกค้าทำอะไร และสิ่งใดที่สำคัญสำหรับพวกเขาในขณะนี้ เมื่อระบบหนึ่งเห็นว่า “ลูกค้า A” เป็นบุคคลเดียวกัน และอีกระบบหนึ่งเห็นโปรไฟล์ที่แตกต่างกันสามแบบ ตัวแทนไม่สามารถตัดสินใจได้อย่างมีข้อมูล

ข้อมูลลูกค้าที่มีการแก้ไขและเป็นเอกภาพกลายเป็น “ชั้นความจำ” สำหรับระบบอัตโนมัติ สิ่งนี้ทำให้ตัวแทนแต่ละตัวทำงานจากข้อเท็จจริงเดียวกัน โบนัส: สิ่งนี้ทำให้ระบบเหล่านี้ง่ายต่อการเข้าใจ เมื่อตัดสินใจสามารถย้อนกลับไปถึงข้อมูลที่สะอาดและสม่ำเสมอ ทีมงานไม่ต้องทำการตรวจสอบทางนิติเวชเพื่อค้นหาว่าทำไม AI จึงทำสิ่งที่แปลกๆ

ระบบตัวแทนแทนที่แพลตฟอร์ม AI ที่มีทุกอย่างในตัว

หลายบริษัทมุ่งไปสู่แพลตฟอร์ม AI ที่มีทุกอย่างในตัว โดยปกติจากความกลัวที่จะรวมสิ่งต่างๆ เข้าด้วยกัน ด้วย AI Agentic ความสมดุลเปลี่ยนไป

เราจะเห็นระบบตัวแทนที่เล็กและเชี่ยวชาญซึ่งแบ่งปันบริบทและประสานงานกัน สิ่งนี้ใกล้เคียงกับการเปลี่ยนแปลงที่เราเห็นจากแอปพลิเคชันขนาดใหญ่และรวมเป็นไมโครเซอร์วิส: ยกเว้นว่า “เซอร์วิส” เหล่านี้สามารถให้เหตุผลได้

เพื่อให้ได้สิ่งนี้ ข้อมูลและอัตลักษณ์ต้องเป็นเอกภาพ API ต้องถือความหมาย ไม่ใช่แค่ฟิลด์ ตัวแทนสองตัวควรเห็นเหตุการณ์เดียวกันและตีความมันในแบบเดียวกัน เมื่อคุณทำสิ่งนี้ได้ คุณสามารถเพิ่มตัวแทนใหม่หรืออัปเกรดตัวแทน hiện有的โดยไม่ต้องถอดระบบทั้งหมดออก

การตลาดจะรู้สึกถึงการเปลี่ยนแปลงนี้ก่อน

หากมีส่วนหนึ่งของธุรกิจที่จะรู้สึกถึงการเปลี่ยนแปลงนี้ก่อน คือการตลาด

ในขณะนี้ ข้อมูลเชิงลึกอาศัยอยู่ในสถานที่หนึ่ง งานสร้างสรรค์อาศัยอยู่ในอีกที่หนึ่ง และการกระตุ้นการดำเนินการเกิดขึ้นในเครื่องมือที่แตกต่างกันหมด ทุกอย่างถูกเชื่อมต่อด้วยการโอนและข้อมูลที่ล้าสมัย ด้วยระบบ Agentic ขั้นตอนเหล่านี้หยุดเป็นขั้นตอนแยกกัน

ตัวแทนสามารถใช้โปรไฟล์ที่เป็นเอกภาพ รูปแบบพฤติกรรม และสัญญาณความตั้งใจแบบเรียลไทม์ และใช้ข้อมูลเหล่านี้เพื่อสร้างเนื้อหาสาระและข้อเสนอในขณะนั้น การรณรงค์กลายเป็นวัตถุงที่มีชีวิตซึ่งปรับเปลี่ยนตามที่ลูกค้าแสดงพฤติกรรมที่แตกต่างกัน ในที่สุด สแต็คจะเบาลงและเชื่อมต่อมากขึ้นเพราะความฉลาดอยู่ตรงกลาง ไม่ใช่กระจายไปทั่วเครื่องมือ

บริษัทส่วนใหญ่จะต้องอัปเดตสถาปัตยกรรมของตน

ความเป็นจริงคือ: บริษัทส่วนใหญ่พยายามเสียบ AI Agentic เข้ากับระบบที่ไม่ได้สร้างขึ้นสำหรับมัน และรอยแตกเริ่มปรากฏขึ้น

ในแบบสำรวจล่าสุด เกือบ 60% ของผู้นำ AI กล่าวว่าปัญหาที่ยิ่งใหญ่ที่สุดของพวกเขาคือการผสานรวมแบบย้อนกลับและจัดการความเสี่ยง สิ่งนี้เป็นอีกวิธีหนึ่งในการพูดว่า: ระบบของเราสร้างขึ้นไม่ใช่สำหรับซอฟต์แวร์อัตโนมัติ และการกำกับดูแลยังไม่ตามทัน

เพื่อให้สิ่งนี้ทำงานในระดับขนาดใหญ่ องค์กรจะต้อง:

• สร้างแบบจำลองข้อมูลที่สามารถพัฒนาเมื่อตัวแทนเรียนรู้และธุรกิจเปลี่ยนแปลง
• วางรางกั้นเพื่อดูแลพฤติกรรมของตัวแทน จับข้อผิดพลาด และแจ้งปัญหา
• สร้างวงจรป้อนกลับเพื่อให้ตัวแทนสามารถปรับปรุงได้โดยไม่ต้องมีการรีเซ็ตของมนุษย์อย่างต่อเนื่อง

มนุษย์เปลี่ยนจากการสอนไปสู่การควบคุม

เมื่อตัวแทนรับงานเชิงกลยุทธ์มากขึ้น บทบาทของมนุษย์จะเปลี่ยนจากการสอนไปสู่การควบคุม แทนที่จะบอกตัวแทนให้ทำอะไรทีละขั้นตอน ผู้คนจะกำหนดวัตถุประสงค์ ข้อจำกัด และหลักการ การกำกับดูแลจะเปลี่ยนไปสู่การดูการเปลี่ยนแปลงของลูป ไม่ใช่การอนุมัติการดำเนินการแต่ละครั้ง

สิ่งนี้เป็นวิธีเดียวที่การกำกับดูแลจะขยายขนาดได้ บุคคลหนึ่งสามารถดูแลตัวแทนหลายตัวได้ หากเป้าหมายคือการตรวจสอบว่าตัวแทนเหล่านั้นอยู่ในแนวทางเดียวกันหรือไม่ มนุษย์ยังคงทำการตัดสินใจที่สำคัญ ตั้งลำดับความสำคัญ และจัดการรางกั้น ตัวแทนจะรับภาระหนักภายในลูป

การผ่านที่แท้จริงจะไม่ใช่โมเดลที่ใหญ่ขึ้น

เมื่อเรามองย้อนกลับไปที่ปี 2026 เรื่องราวจะไม่ใช่ “โมเดลที่มีพารามิเตอร์สองเท่าเปลี่ยนแปลงทุกอย่าง” มันจะเป็นการเปลี่ยนแปลงจากความคิดที่มุ่งเน้นโมเดลไปสู่ความคิดที่มุ่งเน้นสถาปัตยกรรม

ระบบ Agentic ต้องการความต่อเนื่อง บริบทที่แบ่งปัน และความสามารถในการทำงานร่วมกัน ไม่มีสิ่งใดที่มาจากขนาดเพียงอย่างเดียว มันมาจากสถาปัตยกรรมที่คุณสร้างรอบๆ ความฉลาด

บริษัทที่คิดใหม่เกี่ยวกับข้อมูลของตน อัปเดตโครงสร้างพื้นฐาน และยอมรับตัวแทนแบบเข้ากันได้ จะเป็นบริษัทที่ปลดปล่อยความสามารถที่แท้จริงของระบบอัตโนมัติ: ก่อนที่รอบการปรับขนาดโมเดลใหม่จะเข้าสู่ตลาด