เวลาที่เราได้ยินคนในวงการไอทีพูดถึงการนำ AI มาใช้ในองค์กร เรามักจะได้ยินสองคำนี้โผล่ขึ้นมาคู่กันเสมอครับ:
- ฝั่งหนึ่งบอกว่า: “เราต้องทำ AI Workflow ให้มีขั้นตอนชัดเจน ล็อกหัวท้ายให้รัดกุม”
- อีกฝั่งหนึ่งบอกว่า: “แบบนั้นมันเชยไปแล้ว ยุคนี้ต้องเป็น Autonomous Agent ปล่อยให้มันคิดเอง วางแผนเอง และตัดสินใจอย่างอิสระสิถึงจะฉลาด!”
สำหรับคนทั่วไปหรือผู้บริหารที่ไม่ได้เขียนโค้ด อาจจะฟังดูเหมือนเป็นเรื่องเดียวกัน หรือคิดว่าแบบหลังดีกว่าแบบแรกเพราะฟังดูไฮเทคกว่า
แต่ในสายตาของ Software Architect สองสิ่งนี้คือยานพาหนะคนละประเภทที่มีหน้าที่และจุดประสงค์ต่างกันลิบลิ่วครับ
เพื่อให้เห็นภาพง่ายที่สุด ผมขอเปรียบเทียบระหว่าง "รถไฟบนราง" กับ "รถออฟโรดในป่า" ครับ
1. รถไฟบนราง vs รถออฟโรด: นิยามที่แท้จริง
ลองจินตนาการการเดินทางสองแบบนี้ดูครับ:
1) Deterministic Workflow (รถไฟบนราง):
- ลักษณะ: เป็นระบบที่มี "รางรถไฟและเงื่อนไขเส้นทาง" กำหนดไว้อย่างแน่นอน ไม่ว่าขบวนรถจะวิ่งกี่รอบ ทิศทางและการเลี้ยวสับรางต้องเป็นไปตามเงื่อนไขที่โปรแกรมเมอร์ตั้งไว้เสมอ (เช่น ถ้าเงื่อนไข A ให้วิ่งไปทางแยก B ถ้าไม่ใช่ให้ไป C) ไม่มีสิทธิ์วิ่งออกนอกเส้นทางที่วางไว้
- บทบาทของ AI: AI ในระบบแบบนี้ไม่ได้ทำตัวเป็นผู้กุมพวงมาลัย แต่ทำตัวเหมือน "พนักงานประจำสถานี C" เช่น พอขบวนรถไฟวิ่งมาถึงสถานี C รถไฟจะยื่นเอกสารให้ AI ช่วยแปลภาษาหรือช่วยสกัดตัวเลขออกมา 3 ตัว พอ AI ส่งเอกสารกลับมา รถไฟก็แล่นต่อไปยังสถานี D ตามเงื่อนไขของรางเดิม
- จุดเด่น: ควบคุมลำดับงานและเงื่อนไขได้อย่างแน่นอน, คาดการณ์พฤติกรรมได้ง่ายกว่า, และตรวจสอบย้อนหลังได้สะดวก เพราะถ้ามีข้อผิดพลาด เราจะรู้ทันทีว่าติดขัดที่สถานีหรือเงื่อนไขไหน (แต่ไม่ใช่การรับประกันว่าผลลัพธ์จะถูกต้อง 100% เสมอไป เพราะข้อมูลตั้งต้นอาจผิด หรือ AI ประจำสถานีก็ยังมีโอกาสเข้าใจผิดพลาดได้)
2) Autonomous Agent (รถออฟโรดลุยป่า):
- ลักษณะ: เป็นระบบที่ "ไม่มีรางรถไฟ" เราเพียงแค่ชี้เป้าหมายบนยอดเขาว่า "ช่วยพาไปส่งที่ยอดเขานั้นที" แล้วมอบพวงมาลัยและอุปกรณ์ยังชีพให้มันตัดสินใจเอง
- บทบาทของ AI: AI ทำหน้าที่เป็น "คนขับรถ" มันจะมองทางข้างหน้า (Reason) → ตัดสินใจเหยียบคันเร่งหรือเลี้ยวหลบต้นไม้ (Act) → ถ้าเจอหล่มโคลน มันจะตัดสินใจถอยหลังแล้วหาเส้นทางใหม่ (Observe & Adapt) วนลูปไปเรื่อย ๆ ตามที่เราคุยกันในตอนที่ 13
- จุดเด่น: ยืดหยุ่นสูงมาก, แก้ปัญหาเฉพาะหน้าในสถานการณ์ที่ไม่คาดคิดได้ดี แต่ก็มีความเสี่ยงสูงที่จะหลงป่า, เปลืองน้ำมัน (เผา Token), หรือตกเหวได้หากไม่มีคนคุม
2. ทางแยกในโลกธุรกิจ: งานแบบไหนควรขึ้นรถไฟ และงานแบบไหนควรขับออฟโรด?
ความผิดพลาดคลาสสิกของหลายองค์กรในปัจจุบัน คือการพยายามเอา "รถออฟโรด" ไปวิ่งบนถนนที่ควรสร้าง "รางรถไฟ" เพียงเพราะอยากได้ชื่อว่าใช้ AI Agent ที่ทันสมัย!
ในฐานะคนทำระบบ เราต้องแยกประเภทงานให้ออกอย่างเฉียบขาดครับ:
| มิติการพิจารณา | Deterministic Workflow (ทางรถไฟ) | Autonomous Agent (รถออฟโรด) |
|---|---|---|
| ประเภทงานที่เหมาะสม | งานที่มีระเบียบปฏิบัติชัดเจน เช่น การตัดเงินในบัญชี, การออกใบกำกับภาษี, การอนุมัติสิทธิ์เข้าใช้งาน, การย้ายข้อมูลประจำวัน | งานค้นคว้า, วิจัยไอเดียใหม่, การสืบสวนหาสาเหตุของบั๊กในโค้ด, การสำรวจและสรุปข้อมูลกว้าง ๆ |
| ความทนทานต่อความผิดพลาด (Error Tolerance) | ห้ามผิดพลาดเลย (Zero Tolerance) เงินต้องตรง ข้อมูลต้องไม่หาย | ยอมรับความคลาดเคลื่อนได้บ้าง ขอแค่ได้คำตอบหรือเบาะแสที่เป็นประโยชน์ |
| การใช้ Token และต้นทุน | ควบคุมได้แม่นยำมาก เพราะรู้จำนวนรอบการเรียก API ชัดเจน | คาดเดายาก ลูปอาจหมุนสั้นหรือยาวขึ้นอยู่กับความยากของปัญหา |
| การตรวจสอบย้อนหลัง (Auditability) | ทำได้ง่ายดาย มี Log บันทึกทีละสถานี | ตรวจสอบยาก เพราะแต่ละครั้งมันอาจเลือกเส้นทางและเครื่องมือไม่เหมือนเดิม |
ลองคิดภาพดูครับ: ถ้าเราให้ Autonomous Agent ที่มีอิสระเต็มที่มาทำหน้าที่ "โอนเงินคืนลูกค้า" วันดีคืนดี โมเดลอาจจะคิดในใจว่า "ลูกค้าคนนี้น่าสงสารจัง เดี๋ยวแถมโบนัสคืนเงินให้เป็น 2 เท่าเลยละกัน" หรือ "ระบบธนาคารตอบช้า เดี๋ยวลองโอนซ้ำอีก 3 รอบเพื่อความมั่นใจ"... ธุรกิจพังทลายแน่นอนครับ!
แม้เราจะสามารถใช้ Agent ช่วยอ่านเคส ทำความเข้าใจปัญหา และเสนอทางเลือกได้ แต่ ขั้นตอนที่มีผลจริง เช่น การอนุมัติยอดเงินและการจ่ายเงินจริง ต้องอยู่ภายใต้กติกาที่ระบบของ Workflow บังคับใช้เสมอครับ
3. สถาปัตยกรรมลูกผสม (Hybrid Architecture): รางรถไฟที่มีลานออฟโรด
ถ้าเช่นนั้น ในโลกวิศวกรรมจริง เราเลือกทางไหน?
คำตอบของ Software Architect ส่วนใหญ่ไม่ใช่การเลือกอย่างใดอย่างหนึ่งแบบขาวกับดำ แต่คือการสร้าง "สถาปัตยกรรมลูกผสม (Hybrid Architecture)" ครับ:
"ใช้ทางรถไฟเป็นกระดูกสันหลังของระบบ แล้วเปิดลานออฟโรดเฉพาะจุดที่ต้องการความคิดสร้างสรรค์หรือการแก้ปัญหาเฉพาะหน้า"
ตัวอย่างเช่น ในระบบวิเคราะห์และสรุปข่าวประจำวัน:
- ทางรถไฟ: ระบบดึงข้อมูลข่าวเข้ามาเวลา 08:00 น. ตรง ตรวจสอบว่าไฟล์ไม่เสียหาย (รันตามโค้ดปกติ)
- ลานออฟโรด: ส่งเนื้อหาข่าวให้ AI Agent ทำงาน โดยปล่อยให้มันมีอิสระในการค้นหาบริบทเพิ่มเติม เชื่อมโยงประเด็น และร่างบทสรุปพร้อมระบุแหล่งอ้างอิง (ให้มันหมุนลูปคิดได้อย่างยืดหยุ่น)
- ด่านคัดกรองและทางแยก: เมื่อได้บทสรุปออกมา ระบบจะนำข้อความมาผ่านตัวกรอง (Validator) โดยระบบตรวจว่าข้อสรุปสำคัญแต่ละข้อตรงกับแหล่งต้นทาง ถ้ายืนยันไม่ได้หรือแหล่งข้อมูลขัดกัน ให้คนตรวจ (Human Gate) เพื่อไม่ให้ข้อมูลที่คลาดเคลื่อนหลุดออกไปสู่ภายนอก
การออกแบบเช่นนี้ ทำให้เราได้ "ทั้งความเสถียรปลอดภัยของรางรถไฟ" และ "ความฉลาดคล่องตัวของรถออฟโรด" ไปพร้อมกัน โดยไม่เปิดความเสี่ยงให้ระบบหลักพังครับ
4. ประสบการณ์จริง: วันที่ผมถอดพวงมาลัยออกจากมือ AI
ในการสร้างโปรเจกต์ sabayjai.net และการพัฒนาซอฟต์แวร์ของผม มีหลายจุดที่ผมต้องตัดสินใจเรื่องนี้อย่างเด็ดขาดครับ
เช่น ในขั้นตอนการตรวจรับงานและบันทึกประวัติการพัฒนา (Fact & Decision Register):
- ผมไม่เคยปล่อยให้ Agent ตัดสินใจเองว่า "งานนี้ถือว่าผ่านการตรวจรับแล้ว ฉันจะไปแก้เอกสารประกาศความจริงเลยนะ"
- แต่ผมวางกระบวนการทำงานให้เป็นลำดับขั้นตอนที่ชัดเจน:
- Agent มีหน้าที่แค่ยกร่างและสรุปข้อเท็จจริง (Drafting)
- มนุษย์ (ผม) ต้องเป็นคนอ่านตรวจทานและพิมพ์ยืนยันตรวจรับด้วยตนเองก่อนเสมอ (Human Gate)
- เมื่อผมตรวจรับและอนุมัติแล้วเท่านั้น จึงจะมอบหมายให้ดำเนินการบันทึกข้อเท็จจริงลงในเอกสารประวัติตามลำดับงานที่กำหนดไว้
การ "ถอดพวงมาลัยบางส่วนออกจากมือ AI" แล้วใส่สวิตช์มือของมนุษย์เข้าไปคั่น ไม่ใช่ความล้าหลัง แต่คือ วินัยและความรอบคอบ ที่ทำให้โปรเจกต์เดินหน้าไปได้อย่างมั่นคง โดยไม่มีคำว่า "เผลอทำพังโดยไม่รู้ตัว" ครับ
5. มุมมองสถาปัตยกรรม (Architect’s Lens): การบริหารความเสี่ยงและความยืดหยุ่น
ในฐานะ Software Architect แกนคิดในการตัดสินใจเลือกระหว่าง Workflow กับ Autonomous Agent สรุปได้ด้วยกราฟความสัมพันธ์นี้ครับ:
หัวใจสำคัญไม่ได้อยู่ที่ว่าเทคโนโลยีไหนล้ำหน้ากว่ากัน แต่อยู่ที่ว่า: “เรากำลังส่งมอบผลลัพธ์แบบไหนให้ใคร?”
ถ้าผลลัพธ์ต้องการความสม่ำเสมอ เที่ยงตรง และตรวจสอบได้ทุกกระเบียดนิ้ว จงสร้าง Workflow แต่ถ้าผลลัพธ์ต้องการความยืดหยุ่น การปรับตัวตามสถานการณ์ที่ไม่แน่นอน และยอมรับความผิดพลาดเพื่อการเรียนรู้ได้ จงเลือกใช้ Autonomous Agent ครับ
บทสรุปและสิ่งที่จะคุยกันต่อ
ในตอนนี้ เราได้เดินทางมาถึง จุดสิ้นสุดขององค์ที่ 3 (เมื่อแชตบอตงอกมือและเท้า สู่โลกของ Agent) อย่างสมบูรณ์แล้วครับ!
ถ้าเราย้อนกลับไปดูเป้าหมายตั้งต้นในบทนำ ที่เราตั้งใจไว้ว่า:
เมื่ออ่านหนังสือเล่มนี้ เราต้องฟังประโยคยอดฮิตนี้เข้าใจทะลุปรุโปร่ง:
“เอา LLM มาทำ Agent ผ่าน Harness โดยต่อ MCP เพื่อเรียก Tools”
มาถึงตรงนี้ ถ้าเราลองเดินงานจริงหนึ่งรอบ เราจะเห็นภาพชิ้นส่วนทั้งหมดทำงานสอดประสานกันเป็นหนึ่งเดียว:
โมเดลขอใช้เครื่องมือ → Harness ตรวจสิทธิ์และเรียกให้ผ่าน MCP (เมื่อเครื่องมือนั้นเชื่อมด้วย MCP) → ผลลัพธ์ส่งกลับมาให้โมเดลเลือกก้าวต่อไป → วนลูป คิด-ทำ-ตรวจ ไปเรื่อย ๆ เมื่อ Agent ส่งสัญญาณว่าทำเสร็จ ระบบจะตรวจผลงานตามเกณฑ์ตรวจรับ (Acceptance Criteria) และถ้าชนเพดานรอบหรืองบประมาณก่อน ระบบจะหยุดและรายงานทันทีว่างานค้างอยู่ตรงไหน
เห็นภาพไหมครับว่า ประโยคที่เคยฟังดูเหมือนมนต์ดำ แท้จริงแล้วคือสถาปัตยกรรมที่ต่อกันอย่างเป็นระเบียบและควบคุมได้เสมอ!
แต่ในโลกความเป็นจริง ย่อมมีคำกล่าวอ้างและการตลาดอีกมากมายที่พยายามทำให้เราตื่นตระหนก เช่น:
“อีกหน่อยเราไม่ต้องแตะคีย์บอร์ดแล้วนะ เพราะ AI จะขยับเมาส์ พิมพ์งาน ควบคุมหน้าจอคอมพิวเตอร์แทนมนุษย์ได้หมดเลย (Computer Use)!”
และ “ถ้าอยากทำระบบให้เก่งจริง ๆ คุณต้องใช้แต่ Frontier Model ตัวท็อปที่แพงที่สุดเท่านั้น!”
ในองค์สุดท้าย — องค์ที่ 4: โลกจริง และการอยู่ร่วมกับ AI เราจะมาเปิดฉากด้วย: ตอนที่ 16: ขยี้ภาพลวงตา — Computer Use และมายาคติ Frontier Model เราจะมาดูกันครับว่า การที่ AI ขยับเมาส์ได้ แท้จริงแล้วมันทำงานอย่างไร และจำเป็นจริงไหมที่เราต้องยอมจ่ายเงินแพงลิบลิ่วให้กับโมเดลแถวหน้าเสมอไปครับ!
ศัพท์เทคนิค → คำแปลภาษาคนทำงาน — แตะเพื่อย่อ/ขยาย
- Workflow vs Autonomous Agent: Workflow กำหนดเส้นทางและเงื่อนไขไว้ล่วงหน้า ส่วน Agent เลือกก้าวถัดไปตามสิ่งที่พบ ภายในขอบเขตที่ระบบกำหนด
- ตัวอย่างการผสานงานในโลกจริง: เราสามารถใช้ Agent ช่วยอ่านเคสลูกค้าและเสนอทางเลือกที่เหมาะสมได้ แต่ขั้นตอนการอนุมัติยอดเงินและการจ่ายเงินจริง ต้องอยู่ภายใต้กติกาที่ระบบของ Workflow บังคับใช้เสมอ
หลักคิดเชิงสถาปัตยกรรม — แตะเพื่อย่อ/ขยาย
- Fit-for-Risk Architecture: อย่าเอารถออฟโรดไปวิ่งบนทางที่ควรสร้างรางรถไฟ งานที่เกี่ยวกับเงิน ข้อมูลสำคัญ และความปลอดภัย ต้องล็อกด้วยกติกา Workflow ที่ควบคุมลำดับงานได้แน่นอน ส่วน Autonomous Agent ควรใช้กับงานสร้างสรรค์หรืองานวิจัยที่มีความยืดหยุ่นสูง
- Hybrid is King: สถาปัตยกรรมระดับ Production ที่ดีที่สุด มักสร้างรางรถไฟเป็นกระดูกสันหลังหลัก แล้วเปิดลานกักขัง (Sandbox) ให้ Agent หมุนลูปทำงานเฉพาะจุดอย่างปลอดภัย
- Human Gatekeepers: การถอดพวงมาลัยบางจังหวะออกจากมือ AI แล้วให้มนุษย์เป็นผู้ตรวจรับขั้นสุดท้าย (Human in the Loop) ไม่ใช่ความล้าหลัง แต่เป็นหลักประกันความอยู่รอดของระบบ