AI Agents กับอนาคตการทำงาน: ความสามารถจริง ความเสี่ยง และการกำกับดูแล
เข้าชม 0 ครั้ง
หมวด: AI กับการทำงาน
แท็ก: AI Agents, Agentic AI, LLM, การกำกับดูแล, อนาคตการทำงานหมายเหตุการตรวจสอบ: ข้อมูลบรรณานุกรมและ DOI ตรวจสอบกับ Crossref หรือ DataCite เมื่อเดือนพฤศจิกายน พ.ศ. 2569 สรุปผลวิจัยมาจากบทคัดย่อ ยังไม่ได้ตรวจกับเอกสารฉบับเต็ม หัวข้อการวิเคราะห์และข้อเสนอแนะเป็นความเห็นของผู้เขียน ไม่ใช่ผลวิจัย
บทนำ
จากแชตบอตที่ตอบคำถาม เทคโนโลยีกำลังขยับไปสู่ระบบที่วางแผน ใช้เครื่องมือ และลงมือทำงานหลายขั้นตอนแทนผู้ใช้ ซึ่งมักเรียกว่า AI Agents คำโฆษณาในตลาดให้ภาพว่าพนักงานดิจิทัลพร้อมทำงานแทนคนแล้ว แต่สิ่งที่องค์กรควรถามคือ งานจริงแบบใดที่ทำได้ ทำได้ดีเพียงใด และเมื่อผิดพลาดแล้วใครรับผิดชอบ
บทความนี้ทบทวนแนวคิด หลักฐานการทดสอบ ข้อถกเถียงด้านจริยธรรม และข้อเสนอการกำกับดูแล โดยเฉพาะการแยกศักยภาพในการทดสอบออกจากผลที่เกิดขึ้นจริงในองค์กร
แนวคิดสำคัญ
องค์ประกอบของ Agent
Wang et al. (2024) สำรวจงานเกี่ยวกับตัวแทนอัตโนมัติที่ใช้แบบจำลองภาษาขนาดใหญ่ เสนอกรอบรวมในการสร้าง Agent ภาพรวมการประยุกต์ในสังคมศาสตร์ วิทยาศาสตร์ธรรมชาติ และวิศวกรรม รวมถึงกลยุทธ์การประเมินและความท้าทาย งานสำรวจลักษณะนี้มีประโยชน์ในการจัดระเบียบความรู้ แต่ไม่ได้ให้ขนาดผลในบริบทการทำงาน
ระดับความเป็นอิสระ
ผู้เขียนเห็นว่าควรมอง Agent เป็นระดับ ไม่ใช่ขั้วเดียว ตั้งแต่ระบบที่เสนอคำแนะนำ ไปจนถึงระบบที่ลงมือแทนโดยไม่รอการอนุมัติ ยิ่งระบบได้รับสิทธิ์มาก ผลกระทบเมื่อผิดพลาดยิ่งเพิ่มขึ้น แนวคิดนี้สอดคล้องกับข้อโต้แย้งของ Mitchell et al. (2025) ด้านล่าง
ผลวิจัยที่ตรวจสอบได้
ผลทดสอบในบริษัทจำลอง
Xu et al. (2025) สร้างชุดทดสอบ TheAgentCompany ซึ่งจำลองบริษัทซอฟต์แวร์ขนาดเล็กพร้อมเว็บไซต์ภายในและข้อมูล ให้ Agent ท่องเว็บ เขียนโค้ด เรียกใช้โปรแกรม และสื่อสารกับเพื่อนร่วมงาน พบว่า Agent ที่ดีที่สุดทำงานสำเร็จโดยอัตโนมัติได้ร้อยละ 30 งานที่ง่ายกว่าจำนวนหนึ่งแก้ได้ แต่งานระยะยาวที่ยากยังเกินความสามารถของระบบในขณะนั้น ตัวเลขนี้ขึ้นกับรุ่นแบบจำลองและการออกแบบชุดทดสอบ จึงควรตรวจดูผลอัปเดต
การใช้ใน SME
Olujimi et al. (2025) ทบทวนวรรณกรรมเกี่ยวกับกรอบ Agentic AI ในวิสาหกิจขนาดเล็ก กลาง และย่อม โดยรายงานศักยภาพในการอัตโนมัติงาน การตัดสินใจ และการร่วมมือในระบบนิเวศ งานนี้เน้นศักยภาพและแนวทางมากกว่าการวัดผล จึงควรอ่านอย่างระมัดระวัง
ข้อโต้แย้งเรื่องความเป็นอิสระเต็มรูปแบบ
บทความเชิงจุดยืนในเอกสารเตรียมตีพิมพ์ของ Mitchell et al. (2025) เสนอว่าไม่ควรพัฒนา AI Agents ที่เป็นอิสระเต็มรูปแบบ โดยวิเคราะห์ว่าความเสี่ยงต่อผู้คนเพิ่มขึ้นตามความเป็นอิสระของระบบ ยิ่งผู้ใช้ยอมมอบการควบคุมมาก ยิ่งเกิดความเสี่ยงมาก โดยเฉพาะความเสี่ยงด้านความปลอดภัย นี่คือข้อโต้แย้งเชิงบรรทัดฐาน ไม่ใช่ผลการทดลอง
การมองเห็นการทำงานของ Agent
Chan et al. (2024) เสนอมาตรการเพิ่มการมองเห็น 3 ประเภท ได้แก่ ตัวระบุ Agent การติดตามแบบเรียลไทม์ และการบันทึกกิจกรรม พร้อมวิเคราะห์การใช้ในบริบทที่รวมศูนย์และกระจายศูนย์ และผลต่อความเป็นส่วนตัวกับการรวมศูนย์อำนาจ
ในระดับการจัดการความเสี่ยงทั่วไป Tabassi (2023) จัดทำกรอบ AI RMF แบบสมัครใจ ไม่เฉพาะภาคส่วน และยืดหยุ่นสำหรับองค์กรทุกขนาด ซึ่งองค์กรสามารถนำมาพิจารณาร่วมได้ แม้กรอบนี้ไม่ได้ออกแบบมาเฉพาะสำหรับ Agent
การวิเคราะห์ของผู้เขียน
ตัวเลขร้อยละ 30 ถูกอ่านได้สองแบบ ฝ่ายหนึ่งเห็นความก้าวหน้า อีกฝ่ายเห็นว่างานส่วนใหญ่ยังไม่สำเร็จ ผู้เขียนเห็นว่าสิ่งสำคัญสำหรับองค์กรคือต้นทุนของความผิดพลาด ระบบที่ทำงานสำเร็จเพียงบางส่วนอาจมีคุณค่าหากมีจุดตรวจ แต่เป็นอันตรายหากเข้าถึงอีเมล ระบบการเงิน หรือข้อมูลลูกค้าโดยไม่มีการควบคุม
หลักฐานจากบทความเรื่อง Human–AI Collaboration ของเรายังเตือนว่า การมีมนุษย์อยู่ในวงจรไม่ได้รับประกันผลลัพธ์ที่ดี (Vaccaro et al., 2024) การกำกับดูแล Agent จึงต้องออกแบบให้มนุษย์มีข้อมูลและเวลาพอจะตรวจจริง
การประยุกต์ใช้: ข้อเสนอแนะของผู้เขียน
เริ่มจากสิทธิ์อ่านอย่างเดียว แล้วเพิ่มสิทธิ์เมื่อมีหลักฐาน
ต้องอนุมัติก่อนทำสิ่งย้อนกลับไม่ได้: เช่น ส่งอีเมลหาลูกค้า โอนเงิน ลบข้อมูล หรือเผยแพร่เนื้อหา
บันทึกกิจกรรม: เก็บว่า Agent ใช้เครื่องมือใด กับข้อมูลใด เมื่อใด
ทดสอบกับงานจริงในสภาพแวดล้อมแยก ก่อนเชื่อมระบบจริง
กำหนดผู้รับผิดชอบ: ระบบต้องมีเจ้าของที่เป็นมนุษย์
เตรียมพนักงาน: ทักษะการมอบหมาย ตรวจ และแก้ไขงานของ Agent จะมีความสำคัญมากขึ้น
องค์กรที่ต้องการออกแบบขั้นตอนงานก่อนเชื่อมระบบสามารถปรึกษาบริการพัฒนาระบบของเรา โดยควรเริ่มจากการประเมินความเสี่ยงของกระบวนการ
ข้อจำกัด
บทความนี้อ่านจากบทคัดย่อ เทคโนโลยีด้านนี้เปลี่ยนเร็วมาก ผลทดสอบจึงอาจล้าสมัยเร็ว งาน Mitchell et al. (2025) เป็นเอกสารเตรียมตีพิมพ์เชิงจุดยืน ผู้เขียนไม่พบการทดลองภาคสนามระดับองค์กรในชุดแหล่งที่ตรวจสอบได้ และแหล่งบางแหล่งที่เกี่ยวข้อง เช่น เอกสารกำกับดูแลของผู้พัฒนาและชุดทดสอบอื่น ยังยืนยันข้อมูลบรรณานุกรมไม่ได้ จึงไม่ได้นำมาใช้ ผู้เขียนไม่สามารถประเมินผลต่อการจ้างงานจากหลักฐานชุดนี้ได้
สรุป
AI Agents มีความสามารถเพิ่มขึ้นจริง แต่หลักฐานที่ตรวจสอบได้ยังไม่สนับสนุนการมอบหมายงานที่มีผลกระทบสูงโดยไม่มีการควบคุม อนาคตการทำงานในระยะใกล้จึงน่าจะขึ้นกับการจำกัดสิทธิ์ การติดตาม และการออกแบบความรับผิดชอบของมนุษย์อย่างรอบคอบ
เอกสารอ้างอิง
Chan, A., Ezell, C., Kaufmann, M., Wei, K., Hammond, L., Bradley, H., Bluemke, E., Rajkumar, N., Krueger, D., Kolt, N., Heim, L., & Anderljung, M. (2024). Visibility into AI agents. In The 2024 ACM Conference on Fairness, Accountability, and Transparency (pp. 958–973). ACM. https://doi.org/10.1145/3630106.3658948
Mitchell, M., Ghosh, A., Luccioni, A. S., & Pistilli, G. (2025). Fully autonomous AI agents should not be developed [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2502.02649
Olujimi, P. A., Owolawi, P. A., Mogase, R. C., & Wyk, E. V. (2025). Agentic AI frameworks in SMMEs: A systematic literature review of ecosystemic interconnected agents. AI, 6(6), 123. https://doi.org/10.3390/ai6060123
Tabassi, E. (2023). Artificial intelligence risk management framework (AI RMF 1.0) (NIST AI 100-1). National Institute of Standards and Technology. https://doi.org/10.6028/nist.ai.100-1
Vaccaro, M., Almaatouq, A., & Malone, T. (2024). When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour, 8(12), 2293–2303. https://doi.org/10.1038/s41562-024-02024-1
Wang, L., Ma, C., Feng, X., Zhang, Z., Yang, H., Zhang, J., Chen, Z., Tang, J., Chen, X., Lin, Y., Zhao, W. X., Wei, Z., & Wen, J. (2024). A survey on large language model based autonomous agents. Frontiers of Computer Science, 18(6), 186345. https://doi.org/10.1007/s11704-024-40231-1
Xu, F., Song, Y., Li, B., Tang, Y., Jain, K., Bao, M., Wang, Z., Zhou, X., Guo, Z., Cao, M., Yang, M., Lu, H. Y., Martin, A., Su, Z., Maben, L., Mehta, R., Chi, W., Jang, L., Xie, Y., . . . Neubig, G. (2025). TheAgentCompany: Benchmarking LLM agents on consequential real world tasks. In Advances in Neural Information Processing Systems 38 (pp. 10291–10321). Neural Information Processing Systems Foundation, Inc. (NeurIPS). https://doi.org/10.52202/085713-0315