AI Agent คืออะไร ธุรกิจควรใช้เมื่อไร และควบคุมความเสี่ยงอย่างไร

AI Agent คือระบบที่รับเป้าหมาย เลือกขั้นตอน ใช้เครื่องมือ และทำงานหลายขั้นแทนผู้ใช้ภายใต้ขอบเขตที่กำหนด ต่างจาก Chatbot ที่ตอบข้อความอย่างเดียว และต่างจาก Automation แบบกฎตายตัว เพราะ Agent ใช้โมเดลช่วยตัดสินว่าจะทำอะไรต่อ แต่ยิ่งมีสิทธิ์ลงมือมาก ยิ่งต้องมี Guardrail, Approval, Log และวิธีหยุดระบบ

Chatbot, Workflow, Automation และ Agent ต่างกันอย่างไร

ระบบ	ตัดสินขั้นตอน	ใช้เครื่องมือ	เหมาะกับ
Chatbot	ตอบตามข้อความ	อาจไม่มี	ถามตอบและร่างเนื้อหา
Workflow	ลำดับที่คนกำหนด	ตามขั้น	งานที่ต้องส่งต่อชัด
Automation	กฎ If/Then	ระบบที่เชื่อมไว้	งานซ้ำและเงื่อนไขคงที่
AI Agent	โมเดลเลือกขั้นตามบริบท	ค้น อ่าน เขียน หรือทำ Action ตามสิทธิ์	งานหลายขั้นที่มีข้อมูลไม่เป็นโครงสร้างและข้อยกเว้น

แอปที่มี LLM ไม่ได้เป็น Agent ทุกตัว OpenAI อธิบายว่า Agent ใช้ LLM ควบคุมการดำเนิน Workflow รู้ว่าเมื่อไรงานเสร็จหรือควรหยุด และเข้าถึง Tool เพื่ออ่านบริบทหรือทำ Action ภายใต้ Guardrail

องค์ประกอบ 7 ส่วน

1. Goal: ผลลัพธ์และเงื่อนไขสำเร็จ
2. Model: ความสามารถ ต้นทุน ความเร็ว และข้อจำกัด
3. Instructions: ขั้นตอน นโยบาย และ Edge case
4. Tools: Data, Action และระบบส่งต่อ
5. Memory/State: ข้อมูลที่ต้องจำใน Run และข้าม Run
6. Guardrails: ขอบเขตข้อมูล สิทธิ์ เนื้อหา และการกระทำ
7. Evaluation/Monitoring: ชุดทดสอบ Log, Alert, Review และ Incident

เมื่อไรควรพิจารณา Agent

• งานมีหลายขั้นและต้องเลือกเส้นทางตามข้อมูล
• กฎแบบเดิมซับซ้อนและเปลี่ยนบ่อย
• ต้องอ่านอีเมล เอกสาร หรือข้อความที่ไม่มีโครงสร้าง
• มีเครื่องมือ/API ที่กำหนดสิทธิ์ได้
• มีเกณฑ์สำเร็จและผลผิดย้อนกลับได้
• มีคนรับผิดชอบและข้อมูลทดสอบ

เมื่อ Automation ธรรมดาดีกว่า

• ขั้นตอนตายตัวและตรวจได้ด้วยกฎ
• ความผิดพลาดยอมรับแทบไม่ได้แต่ข้อมูลไม่มีข้อยกเว้น
• งานเป็นการคำนวณหรือ Validation แบบ Deterministic
• ไม่มีข้อมูลทดสอบหรือ Owner
• เครื่องมือไม่มี Permission granularity/Log
• ต้นทุนและ Latency ของโมเดลไม่คุ้ม

Use Case Canvas ก่อนสร้าง

ผู้ใช้/เจ้าของ	ใครสั่ง ใครรับผิดชอบผล
Goal	งานที่เสร็จมีหน้าตาอย่างไร
Inputs	ข้อมูลจากไหน คุณภาพ/สิทธิ์ระดับใด
Tools/Actions	อ่าน ค้น ร่าง ส่ง แก้ หรือลบอะไรได้
Decision points	จุดใดใช้กฎ จุดใดใช้โมเดล จุดใดให้คน
Risk	ผลกระทบ เงิน สิทธิ์ ข้อมูล และชื่อเสียง
Success/Stop	KPI, Limit, Approval และ Kill switch

ออกแบบจาก Tool ที่เสี่ยงต่ำไปสูง

1. Read-only: ค้นและอ่านข้อมูลที่อนุมัติ
2. Draft: สร้างร่างโดยไม่ส่งออก
3. Recommend: เสนอ Action ให้คนเลือก
4. Write reversible: บันทึก Draft/Tag ที่ย้อนกลับได้
5. External action: ส่งอีเมล อัปเดต CRM หรือเผยแพร่หลัง Approval
6. High-impact/irreversible: ใช้เงิน ลบข้อมูล เปลี่ยนสิทธิ์ ต้องควบคุมเข้มและอาจไม่ควรมอบให้ Agent

Workflow ตัวอย่าง: Agent เตรียมรายงานการตลาด

1. รับช่วงเวลา เป้าหมาย และนิยาม KPI
2. ตรวจสิทธิ์และ Query แหล่งข้อมูลแบบ Read-only
3. ตรวจ Missing data, Duplicate และช่วงเวลา
4. คำนวณ Metric ด้วย Code/SQL ที่ตรวจได้
5. หา Pattern และแยก Observation จาก Hypothesis
6. ร่างรายงานพร้อม Citation/Query reference
7. ให้ Analyst ตรวจตัวเลขและ Marketing owner ตรวจบริบท
8. ส่งรายงานหลัง Approval เท่านั้น
9. เก็บ Log, Version, Cost และ Correction

Approval ต้องอยู่ตรงไหน

Action	ค่าเริ่มต้นที่เหมาะ
อ่านข้อมูลสาธารณะ	อัตโนมัติภายใต้ Allowlist
อ่านข้อมูลภายใน	ตาม Role/Scope และ Audit
สร้าง Draft	อัตโนมัติ + Reviewer
ส่งภายนอก/Publish	Human approval จนผ่านเกณฑ์
ใช้เงิน/คืนเงิน/เปลี่ยนสิทธิ์	Approval, limit และหลายชั้นตามผลกระทบ
ลบข้อมูล	หลีกเลี่ยงหรือใช้ recoverable action + explicit approval

Guardrail หลายชั้น

• Authentication และ least privilege
• Allowlist Tool, Domain, Dataset และ Action
• Input validation, length และ file type
• PII/secret filtering ตามบริบท
• Output schema และ deterministic validation
• Rate, cost, turn และ retry limit
• Approval สำหรับผลกระทบสูง
• Isolation/Sandbox สำหรับ Code หรือไฟล์
• Logging, alert และ kill switch

Guardrail แบบ Prompt อย่างเดียวไม่พอ ต้องใช้สิทธิ์ระบบ Validation และการควบคุมภายนอกโมเดลร่วมกัน

Prompt Injection คือความเสี่ยงของข้อมูลที่สั่ง Agent กลับ

Agent อาจอ่านเว็บ อีเมล หรือเอกสารที่มีข้อความหลอกให้ละเมิดคำสั่ง แยก Data จาก Instruction, จำกัด Tool ตาม Task, ไม่ส่ง Secret ให้โมเดลโดยไม่จำเป็น และใช้ Approval ก่อน Action สำคัญ OpenAI แนะนำการป้องกันแบบหลายชั้นและให้คนรับช่วงเมื่อเกินเกณฑ์ความล้มเหลวหรือเป็น Action ความเสี่ยงสูง

Evaluation ก่อน Pilot

• Task success ตาม Scenario จริง
• Tool selection และ Parameter correctness
• Unsupported claim/error rate
• Permission violation ต้องเป็นศูนย์ในชุดทดสอบสำคัญ
• Recovery จากข้อมูลขาด Tool ล้ม และ Timeout
• Escalation ถูกจังหวะ
• Cost/latency ต่อ Task
• ผลต่างระหว่างกลุ่มหรือ Edge case
• Human correction time และเหตุผล

Rollout 4 ระยะ

1. Shadow: Agent ทำคู่กับคนแต่ไม่ Action
2. Assist: ร่าง/แนะนำ คนทำ Action
3. Limited autonomy: ทำ Action ที่ย้อนกลับได้ใน Scope เล็ก
4. Scale: ขยายเมื่อ Evals, Incident, Cost และ Owner ผ่าน Gate

ต้นทุนที่มักถูกลืม

• Model token, tool/API และ compute
• การทำความสะอาดข้อมูลและ Connector
• Evaluation dataset และ Regression test
• Human review/escalation
• Security, Audit, Legal/Privacy
• Monitoring, Incident และ Change management
• ผลกระทบเมื่อ Agent ทำงานผิดหรือช้า

ข้อผิดพลาดที่พบบ่อย

• เริ่ม Multi-agent ก่อน Single agent ทำงาน
• ให้ Tool มากและชื่อคล้ายกัน
• ไม่มี Exit condition/Retry limit
• ให้ Agent เขียนระบบ Production ด้วยสิทธิ์กว้าง
• ทดสอบเฉพาะ Happy path
• วัดแต่ Task completion ไม่วัดความเสียหาย
• เก็บ Memory โดยไม่รู้ว่าเก็บอะไรและลบอย่างไร
• ไม่มีเจ้าของเมื่องานข้ามหลายทีม

Checklist ก่อนอนุมัติ Pilot

• Use Case ต้องการ Judgment จริง
• Goal, Success และ Stop condition ชัด
• Tool/Permission เป็น least privilege
• Data source/retention/secret ถูกตรวจ
• มี Test set ครอบคลุม Edge/adversarial cases
• Action สำคัญมี Approval
• Log และ kill switch ทดสอบ
• Owner/On-call/Incident route พร้อม
• ต้นทุนและ Baseline เปรียบเทียบได้

คำถามที่พบบ่อย

AI Agent ต้องมีหลาย Agent หรือไม่

ไม่จำเป็น OpenAI แนะนำให้เพิ่มความสามารถของ Single agent ก่อน เพราะหลาย Agent เพิ่มการส่งต่อ ความซับซ้อน ต้นทุน และจุดผิดพลาด ค่อยแยกเมื่อ Logic/Tool overload ทำให้ความน่าเชื่อถือลดลง

AI Agent ทำงานแทนพนักงานได้ทั้งหมดหรือไม่

ควรประเมินทีละ Workflow และผลกระทบ งานจำนวนมากเหมาะกับ Assist/Prepare มากกว่าการตัดสินใจเต็มรูปแบบ โดยเฉพาะงานสิทธิ์ เงิน สุขภาพ บุคลากร และการกระทำย้อนกลับยาก

แหล่งอ้างอิง

• OpenAI: A practical guide to building agents
• OpenAI: Designing AI agents to resist prompt injection
• NIST: Security considerations for AI agents

ผู้เขียน: อาจารย์หลิง ณิชชา ทัตพงษ์พฤธา ผู้ก่อตั้ง AJLinkOfficial และบริษัท อินดิจิทัล จำกัด เรียบเรียงเรื่อง AI และ Digital Marketing ให้เชื่อมกับการตัดสินใจและการทำงานของธุรกิจ