จากGenerative AIสู่AgenticAIเทรนด์ เทคโนโลยีด้านAIที่ต้องจับตามอง

วันที่ 5 กุมภาพันธ์ 2568 - 20:48 น.

---

กรุงเทพฯ-จาก Generative AI สู่Agentic AIเทรนด์เทคโนโลยีด้าน AI ที่ต้องจับตามองการบูรณาการเทคโนโลยี AI ที่ล้ำสมัยส่งผลกระทบอย่างมีนัยสำคัญต่อการดำเนินธุรกิจและการวางโครงสร้างเทคโนโลยีในปี 2568บทความโดย นายณัฐนภัส รชตะวิวรรธน์ CEO และ Co- Founder ของเบลนเดต้า (Blendata)

 

Generative AI: เทรนด์แห่งปี 2567

ตลอดปี 2024 ที่ผ่านมา ไม่มีใครไม่เคยได้ยินคำว่าปัญญาประดิษฐ์หรือ “AI” ที่ก้าวล้ำขึ้นอย่างมาก “Generative AI (GenAI)”, “Large Language Model (LLM)”, “Foundation Model” กลายเป็นคีย์เวิร์ดที่ทุกคนจับตามอง ผู้ให้บริการหลายแห่งเช่น OpenAI (ChatGPT), Google (Gemeni) ต่างเข้ามาทำให้ “Generative AI” เป็นที่รู้จักในวงกว้าง จากความสามารถ ความชาญฉลาด และการวิเคราะห์ข้อมูลที่มีประสิทธิภาพเกินกว่า AI ยุคก่อน ๆ

การประยุกต์ใช้ Generative AI (GenAI)

รูปแบบการประยุกต์ใช้ GenAI ที่ผ่านมานั้น สามารถแบ่งตามการใช้งานได้ดังต่อไปนี้

• เพิ่มประสิทธิภาพการทำงานทั่วไป: อาทิเช่น การใช้เขียนคอนเทนต์ อีเมล การวิเคราะห์และสรุปเนื้อหาหรือบทความ การจัดทำเอกสาร ซึ่งมีเครื่องมือให้ใช้หลากหลายตามแต่ละผู้ให้บริการ
• ประยุกต์ใช้กับข้อมูลขององค์กร: เนื่องด้วยโมเดลหลักของ GenAI อย่าง LLM ที่เปิดให้ใช้ทั่วไปนั้น ถูกฝึกสอนด้วยข้อมูลทั่วไปในโลกอินเทอร์เน็ตเป็นหลัก การที่จะให้โมเดลเหล่านั้นเข้าใจข้อมูลเฉพาะขององค์กร ที่ไม่ได้เปิดเผยสู่สาธารณะเพื่อให้สามารถนำไปประยุกต์ใช้ต่อได้ จำเป็นที่จะต้องส่งข้อมูลองค์กรเข้าไปให้โมเดลวิเคราะห์ จึงเกิดการจัดทำสิ่งที่เรียกว่า Retrieval Augmented Generate (RAG) เพื่อทำให้โมเดล GenAI เหล่านั้นสามารถใช้งานและวิเคราะห์ข้อมูลขององค์กรแต่ละแห่งได้ ซึ่งทำให้เกิดการต่อยอดไปใช้ในมุมมองต่าง ๆ เช่น 
• Chatbot ที่เข้าใจภาษามนุษย์ได้ง่ายและดีกว่าเดิม เพื่อตอบข้อมูลทั่วไปขององค์กรแทนคอลเซ็นเตอร์
• Internal Knowledge Management (KM) เพื่อเพิ่มประสิทธิภาพของทีมงานต่าง ๆ เช่น Operation, IT, Cybersecurity เป็นต้น

โดยทั้งหมดนี้เพื่อตอบโจทย์ด้านการเพิ่มประสิทธิภาพในการทำงาน การเพิ่มประสบการณ์และความพึงพอใจของลูกค้า รวมถึงเป็นเครื่องมือสำคัญในการช่วยทำดิจิทัลทรานส์ฟอร์เมชันขององค์กรให้สัมฤทธิ์ผล

 

สู่ยุค “Agentic AI”: Top-trend ของปี2568

หนึ่งในความสามารถหลักที่สำคัญของ LLM คือความสามารถในการเข้าใจภาษามนุษย์ เข้าใจบริบท การวิเคราะห์ และแนะนำการกระทำ (Action) จากสิ่งที่รับรู้ได้ จึงได้เกิดไอเดียต่อยอดที่จะนำ AI หลาย ๆ โมเดล (รวมถึง LLM) ประยุกต์เป็น “Agentic AI” ซึ่งคือระบบ AI ที่ทำงานด้วยตนเองอัตโนมัติ สามารถดำเนินการได้อย่างอิสระ เรียนรู้และปรับตัวตามสถานการณ์จริง รวมถึงแก้ปัญหาที่ซับซ้อนได้ด้วยตัวเอง โดยอาศัยบริบทและจุดประสงค์ที่กำหนดไว้เปรียบเสมือนผู้ช่วย (Agent) เสมือนจริงที่มีความสามารถจัดการดำเนินการต่าง ๆ โดยอัตโนมัติได้ โดยไม่ต้องรอรับคำสั่ง ซึ่งนั่นทำให้ Gartnerยก Agentic AI เป็นหนึ่งใน Top Strategic Technology Trend ประจำปี 2568 โดยคาดการณ์ว่า ภายในปี 2571 Agentic AI จะมีบทบาทในการดำเนินการตัดสินใจงานทั่วไปที่ต้องทำในแต่ละวัน (day-to-day work) โดยอัตโนมัติอย่างน้อย 15%

องค์กรสามารถนำ Agentic AI ไปใช้ประโยชน์ได้อย่างหลากหลาย ตั้งแต่การเพิ่มประสิทธิภาพ หรือทดแทนบุคลากรที่ต้องจัดการงานที่ต้องทำเป็นประจำ ไปจนถึงการทำงานร่วมกันในโครงการที่ซับซ้อน ซึ่งสามารถประยุกต์ใช้ได้ในหลากหลายสาขา ตั้งแต่ฝั่งการตลาดเพื่อช่วยเหลือในการทำ Digital Marketing หรือการทำ Personalized Up-sell/Cross sell โดยอัตโนมัติ ในฝั่ง Operation เช่น การบริหารจัดการ Supply Chain ให้ต้นทุนต่ำที่สุดโดยมีประสิทธิภาพที่ดีซึ่งกระทำการจัดซื้อ การแจ้งเตือน หรือการส่งงานโดยอัตโนมัติ หรือในฝั่ง IT ที่ช่วยในการตรวจสอบ แก้ไขปัญหาระบบเน็ตเวิร์ค แอปพลิเคชัน โดยไม่จำเป็นต้องมีทีมไอทีขนาดใหญ่คอยสนับสนุนงานเหล่านี้ด้วยตนเองเป็นต้น

Data Infrastructure ที่เหมาะสมเป็นหนึ่งในปัจจัยสำคัญต่อความเร็วและประสิทธิภาพในการประยุกต์ใช้ AI ในปี 2568

วัตถุดิบของ AI ที่สำคัญที่สุดคือข้อมูลขนาดใหญ่ (Big Data) ที่มีคุณภาพ ครบถ้วนในทุกมิติและมีปริมาณเพียงพอต่อการใช้งาน โดยจะต้องจัดเก็บBig Data เหล่านั้นไว้ บนเทคโนโลยีจัดเก็บข้อมูลที่ทันสมัย มีความยืดหยุ่น สามารถนำไปประยุกต์ใช้ได้หลายรูปแบบ โดยหลักการในการเลือกเทคโนโลยีมีดังต่อไปนี้

• ควรเป็นเทคโนโลยีสมัยใหม่: สามารถรองรับการจัดเก็บข้อมูลและรองรับเวิร์กโหลดทุุกรูปแบบในแพลตฟอร์มเดียว ไม่ว่าจะเป็น Warehouse, Report, ไปจนถึง AI/ML เพื่อประสิทธิภาพในการใช้งานและวิเคราะห์ข้อมูล เช่น Data Lakehouse เป็นต้น
• ควรเป็นเทคโนโลยีเปิด: เทคโนโลยีที่เกี่ยวกับ Data และ AI มีการเปลี่ยนแปลงอย่างรวดเร็ว การเลือกใช้เทคโนโลยีแบบเปิด และไม่ผูกมัดอยู่กับผู้ให้บริการรายใดรายหนึ่ง (Open Platform) จะช่วยรองรับการขยายการใช้งาน และการเชื่อมต่อกับเทคโนโลยีรอบข้างได้อย่างง่ายดาย โดยเฉพาะเทคโนโลยี AI ที่ส่วนใหญ่แล้วมักมาจากผู้ให้บริการอิสระ นักวิจัย และมักจะอยู่ในรูปแบบ Open Source ที่เลือกจะเชื่อมต่อได้กับเทคโนโลยีเปิดด้วยกันเท่านั้น หรือแม้กระทั่งรองรับการย้ายไปสู่เทคโนโลยีใหม่ในอนาคตอย่างอิสระหากจำเป็นจะต้องเปลี่ยนเทคโนโลยี ตัวอย่างเทคโนโลยีเปิด เช่น Apache Spark, Delta Lake, Trino, Iceberg เป็นต้น ซึ่งมีผู้ให้บริการแพลตฟอร์มข้อมูลขนาดใหญ่อยู่หลากหลายรายที่ให้บริการบนพื้นฐานเทคโนโลยีเหล่านี้
• มีความยืดหยุ่น ในต้นทุนที่เหมาะสม: รองรับการเพิ่ม ขยาย เปลี่ยนแปลงการใช้งานได้อิสระสำหรับโครงการที่ทดลองใช้งาน เทคโนโลยีคลาวด์จึงเหมาะสมต่อโครงการประเภทนี้ หากแต่เมื่อบางโครงการมีการใช้งานที่คงที่แล้ว การพิจารณาย้ายจากคลาวด์กลับมาที่ศูนย์ข้อมูลตนเอง (On-premise) ก็จะส่งผลดีต่อการลดค่าใช้จ่ายโดยรวมได้มากขึ้น

เราจะเห็นอะไรต่อจากนี้

AI ที่พัฒนาอย่างรวดเร็วในปัจจุบันไปจนถึงการลงทุนด้าน AIและ Data Center ด้วยเม็ดเงินมหาศาลจากรัฐและเอกชน และจากผู้ให้บริการคลาวด์รายใหญ่ของโลก จะช่วยปลดล็อคข้อจำกัดทั้งทางด้านกฎระเบียบ และข้อจำกัดด้านเทคโนโลยี ส่งผลให้ธุรกิจไทย ทั้งขนาดใหญ่ กลาง และเล็ก สามารถนำเทคโนโลยี เช่น AI และ Big Data มาใช้ได้ง่ายขึ้น รวดเร็วขึ้น และมีประสิทธิภาพมากขึ้น ในราคาต้นทุนการใช้เทคโนโลยีที่ถูกลง

นอกจากนี้ ในระยะเวลาอันสั้นเราจะได้เห็นว่า Agentic AI มีบทบาทเพิ่มขึ้นหลากหลายตั้งแต่การเป็นเครื่องมือให้ความช่วยเหลือ ไปจนถึงเป็นเครื่องมือที่ทดแทนการทำงานของมนุษย์บางด้านซึ่งเป็นสมรรถนะที่ทำได้มากกว่าการสร้างคอนเทนต์ หรือทำได้เฉพาะเรื่องแบบเจาะจง (ANI: Artificial Narrow Intelligence) ซึ่งจะปรับเปลี่ยนงานหลายอย่างที่มนุษย์ต้องคอยทำหน้าที่เดิมซ้ำ ๆ ให้กลายเป็น AI ที่ทำทุกอย่างด้วยคอมพิวเตอร์แบบอัตโนมัติ

องค์กรควรเตรียมตัวอย่างไรในปี 2568

• เริ่มใช้ AI หากยังไม่ได้เริ่ม: หากเป็นองค์กรที่ยังไม่ได้เริ่มใช้ AI เลย แนะนำว่าควรเริ่มต้น ศึกษาและทดลองใช้ AI ในองค์กร โดยไม่ต้องเจาะจงว่าต้องเป็น Agentic หรือ Generative AI แต่รวมถึง AI ดั้งเดิมเช่น Machine Learning หรือแม้กระทั่ง AI Embedded ที่มาพร้อมกับซอฟต์แวร์พื้นฐานขององค์กร (เช่น Microsoft Copilot, Google Workspace Gemini) เพื่อให้ AI เริ่มกลายมาเป็นส่วนหนึ่งของการทำงาน
• ทดลองทำโปรเจกต์ Agentic AI: สำหรับองค์กรที่ใช้ AI ควบคู่กับ Big Data มาระยะหนึ่งแล้ว แนะนำว่าสามารถทดลองทำโปรเจกต์Agentic AI เพื่อใช้ทดแทนงานบางประเภท โดยอาจเริ่มต้นที่การใช้ Agentic ควบคู่กับการตัดสินใจจากมนุษย์ เพื่อทดลองและปรับแก้ไขให้แม่นยำ ก่อนที่จะปล่อยให้ระบบ Agentic เหล่านั้นทำงานเองโดยอัตโนมัติ เพื่อทดแทนบุคลากรที่ทำงานไม่ซับซ้อนในระยะยาว เพื่อนำบุคลากรกลุ่มนั้นไปโฟกัสกับงานที่ท้าทาย หรือต้องการใช้การตัดสินใจที่ซับซ้อนมากขึ้นในอนาคต
• เพิ่มประสิทธิภาพต้นทุนและบุคลากร: เนื่องจากการทำ AI ที่ประสบความสำเร็จจะช่วยเพิ่ม รายได้และลดบุคลากรได้ จึงเป็นการดีถ้าหากเราควบคุมค่าใช้จ่ายด้านบุคลากรที่ยังไม่จำเป็นหรือสามารถทดแทนได้ด้วย AI หรือรวมถึงการ Up-skill/Re-skill ให้แก่บุคลากรเพื่อให้สามารถทำงานอื่นที่ AI ยังไม่สามารถทดแทนได้
• เตรียม Data & AI Infrastructure ที่ดีรองรับ: ไม่ว่าเทคโนโลยีจะเปลี่ยนหรือพัฒนาไปเช่นไร ข้อมูลที่เราสามารถจัดเก็บเอาไว้ก็ยังเปรียบเหมือนขุมน้ำมันขององค์กร ที่จะทำให้เราสามารถใช้ข้อมูลเหล่านั้นสร้างข้อได้เปรียบทางธุรกิจ ไม่ว่าเพื่อใช้ในการวิเคราะห์ หรือการนำไปฝึกสอน AI ต่อไปในอนาคต

ความร่วมมือสู่ความสำเร็จ

เบลนเดต้าเป็นบริษัทที่ให้บริการด้านเทคโนโลยี Big Data และ AI นำเสนอผลิตภัณฑ์และบริการที่ตอบโจทย์การใช้งานของธุรกิจในทุกอุตสาหกรรม ด้วยแพลตฟอร์มหลักอย่างBlendata Enterprise - Hybrid Data Lakehouse Platform ที่ช่วยให้องค์กรสามารถจัดเก็บ จัดการ วิเคราะห์ และนำข้อมูลทั้งแบบมีโครงสร้างและไม่มีโครงสร้างไปใช้ประโยชน์ได้อย่างมีประสิทธิภาพ รองรับเวิร์กโหลดด้าน Big Data & AI ได้อย่างครอบคลุม เช่น Data Lakehouse การรวมข้อมูลและ ETL การวิเคราะห์ SQL แบบ Interactive การวิเคราะห์ขั้นสูง (AI/ML) การวิเคราะห์แบบสตรีมมิ่ง ซึ่งทั้งหมดนี้สามารถแทนที่แพลตฟอร์มดั้งเดิมอย่าง Hadoop ด้วยคุณสมบัติที่เหนือกว่า อีกทั้งยังรองรับการใช้งานแบบ Low-code/No-code ช่วยลดความซับซ้อน เพิ่มความรวดเร็ว ครอบคลุมทุก Workloads และลดต้นทุนโดยรวม (TCO) ได้อย่างมีนัยสำคัญ