จาก AI ที่ “ตอบ” สู่ AI ที่ “ลงมือทำ”

เหตุผลที่ทั้งวงการตื่นเต้นกับ agentic AI ไม่ใช่เพราะมันเท่ แต่เพราะมัน แตะ “แรงงาน” โดยตรง ChatGPT ยุคแรกช่วยคุณ “คิดเร็วขึ้น” แต่ agent สัญญาว่าจะ “ทำงานแทน” — และงานนั่นแหละคือต้นทุนก้อนใหญ่ที่สุดขององค์กรเกือบทุกแห่ง

ตัวเลขสะท้อนความคาดหวังนี้ชัดเจน McKinsey ประเมินว่า agent และหุ่นยนต์อัจฉริยะอาจสร้างมูลค่าทางเศรษฐกิจในสหรัฐฯ ราว $2.9 ล้านล้านต่อปีภายในปี 2030 โดยทำงานแทนได้เฉลี่ยราว 27% ของชั่วโมงทำงานปัจจุบัน ส่วนตลาดซอฟต์แวร์ “AI agents” โดยเฉพาะ คาดว่าจะโตจาก $7.8 พันล้านในปี 2025 เป็นราว $52 พันล้านในปี 2030 — เติบโตเฉลี่ยกว่า 46% ต่อปี

แต่ตัวเลขที่สำคัญกว่าขนาดตลาด คือ “ใครเอาไปใช้จริงแล้วบ้าง” และนี่คือจุดที่เรื่องราวน่าสนใจ McKinsey สำรวจพบว่ามีองค์กรเพียง 23% ที่เริ่ม “สเกล” ระบบ agent ในงานจริงแล้ว อีก 39% ยังอยู่ในขั้นทดลอง พูดอีกแบบคือ — กระแสร้อนมาก แต่คนที่ใช้จนเป็นเนื้อเป็นหนังยังเป็นส่วนน้อย เรากำลังอยู่ใน “ช่วงต้นจริงๆ” ของเทรนด์นี้

ที่ผู้บริหารตื่นเต้นเป็นพิเศษคือคำสัญญาเรื่อง “ผลิตภาพ” Microsoft ประเมินว่าการทำงานอัตโนมัติหลายขั้น (multi-step automation) อาจลดงานที่ต้องทำด้วยมือลงได้ 30–50% ในงานความรู้อย่างการตลาด การขาย ปฏิบัติการ และการวิจัย ถ้าตัวเลขนี้เป็นจริงแม้แค่ครึ่งเดียว มันก็เพียงพอจะเปลี่ยนโครงสร้างต้นทุนของบริษัทเกือบทุกแห่ง

หัวใจของ agent ทุกตัวคือสิ่งที่เรียกว่า “agent loop” (วงวนของ agent) มันไม่ได้คิดทีเดียวจบ แต่ทำงานเป็น “รอบ” ซ้ำๆ — สังเกต → วางแผน → ลงมือ → ดูผล แล้ววนกลับมาเริ่มใหม่ จนกว่างานจะเสร็จ เหมือนคนทำงานจริงที่ทำไปดูไป ไม่ใช่วางแผนทั้งหมดในหัวรอบเดียวแล้วลุยรวด

ภาพประกอบ (loop.png)

ขั้นที่สำคัญที่สุด — และเป็นหัวใจที่ทำให้ agent “ทำงานได้จริง” — คือขั้นที่ 3 “ลงมือ” ด้วยการเรียกเครื่องมือ (tool use / function calling) โมเดลภาษาเองทำได้แค่ผลิตข้อความ มันกดส่งอีเมลไม่ได้ ค้นฐานข้อมูลไม่ได้ จ่ายเงินไม่ได้ แต่ถ้าเรา “ยื่นเครื่องมือ” ให้มัน (เช่น ฟังก์ชัน send_email() หรือ query_database()) โมเดลจะเรียนรู้ที่จะ “สั่ง” เครื่องมือเหล่านั้น — มันตัดสินใจว่าจะใช้เครื่องมือไหน ป้อนค่าอะไร แล้วระบบก็ไปทำงานจริงให้ นี่คือสะพานที่เชื่อม “สมองที่พูดได้” เข้ากับ “มือที่ทำได้”

และเพราะ agent “ลงมือทำของจริง” ได้ จุดที่ขาดไม่ได้คือ “มนุษย์ในวงวน” (human-in-the-loop) — การออกแบบให้ agent ต้องหยุดขออนุมัติจากคนก่อนทำสิ่งที่ย้อนคืนไม่ได้ เช่นโอนเงิน ลบข้อมูล หรือส่งอีเมลถึงลูกค้า นี่ไม่ใช่ของแถม แต่เป็นเบรกนิรภัยที่ทำให้องค์กรกล้าปล่อย agent ออกจากห้องทดลอง

ถ้า tool use คือการให้ agent ใช้เครื่องมือได้ คำถามถัดมาคือ — แล้วใครจะมานั่งเขียนโค้ดเชื่อม agent เข้ากับ “ทุกๆ” เครื่องมือในโลก (Slack, Google Drive, ฐานข้อมูลบริษัท, ระบบบัญชี…) ทีละตัว? ปัญหานี้เหมือนยุคก่อนมีพอร์ต USB ที่อุปกรณ์ทุกชิ้นมีหัวเสียบไม่เหมือนกัน วุ่นวายไปหมด

คำตอบคือ MCP (Model Context Protocol) มาตรฐานเปิดที่ Anthropic เปิดตัวเมื่อปลายปี 2024 คิดง่ายๆ ว่ามันคือ “พอร์ต USB-C ของโลก AI” — แทนที่ทุกเครื่องมือจะต้องทำหัวเชื่อมเฉพาะตัว ทุกฝ่ายตกลงใช้ “ปลั๊กมาตรฐาน” อันเดียวกัน เครื่องมือไหนทำ “MCP server” ออกมา agent ตัวไหนก็เสียบใช้ได้ทันที

ภาพประกอบ (plug.png)

ที่น่าทึ่งคือมันแพร่เร็วมาก ภายในสิ้นปี 2025 มี MCP server สาธารณะกว่า 10,000 ตัว และยอดดาวน์โหลด SDK รวมกว่า 97 ล้านครั้งต่อเดือน มันถูกรองรับโดยแทบทุกค่าย — ChatGPT, Gemini, Microsoft Copilot, Cursor, VS Code — และในเดือนธันวาคม 2025 Anthropic ก็ “บริจาค” MCP ให้มูลนิธิ Agentic AI Foundation (ภายใต้ Linux Foundation) ที่ก่อตั้งร่วมกับ OpenAI และ Block เพื่อให้มันเป็นมาตรฐานกลางที่ไม่มีใครเป็นเจ้าของคนเดียว — สัญญาณว่าทั้งวงการมองมันเป็นโครงสร้างพื้นฐาน ไม่ใช่ของเล่นของบริษัทใดบริษัทหนึ่ง

นอกเหนือจาก MCP ยังมีอีกชั้นที่กำลังเติบโตคือ “orchestration” และ multi-agent — การให้ agent หลายตัวที่ถนัดคนละด้านทำงานร่วมกัน เช่น agent หนึ่งหาข้อมูล อีกตัวเขียนสรุป อีกตัวตรวจทาน โดยมี “ตัวประสานงาน” คอยแบ่งงานและรวมผล เหมือนทีมงานที่มีหัวหน้าทีมคอยกระจายงาน นี่คือทิศทางที่ทำให้ agent รับงานที่ซับซ้อนขึ้นเรื่อยๆ ได้

agentic AI ไม่ได้ลอยอยู่เดี่ยวๆ มันเป็น “ชั้นบนสุด” ที่ขี่อยู่บนชั้นล่างๆ ของกองเทคโนโลยี AI ทั้งหมด ถ้านึกภาพเป็นตึก — agent คือชั้นที่คนใช้งานเห็น แต่มันยืนอยู่ได้เพราะมีฐานรากที่แข็งแรงข้างใต้

• ขี่อยู่บน Foundation Models (โมเดลฐาน): “สมอง” ที่ใช้คิด วางแผน และตัดสินใจของ agent ก็คือโมเดลภาษาขนาดใหญ่นั่นเอง agent จะฉลาดได้แค่ไหนถูกจำกัดด้วยความสามารถของโมเดลฐานที่มันใช้ — ความสามารถในการ “วางแผนหลายขั้นและใช้เครื่องมือ” ของโมเดลรุ่นใหม่ๆ คือสิ่งที่ปลดล็อก agent ขึ้นมา
• สร้างด้วย AI Tooling & MLOps: เฟรมเวิร์กสำหรับสร้าง agent, ระบบ orchestration, การติดตามและตรวจสอบพฤติกรรม agent ล้วนเป็นเครื่องมือจากชั้นนี้
• เป็นญาติกับ AI Applications & Copilots: เส้นแบ่งระหว่าง “copilot ที่เสนอ” กับ “agent ที่ลงมือ” กำลังเบลอลงเรื่อยๆ ผลิตภัณฑ์จำนวนมากเริ่มจาก copilot แล้วค่อยๆ ให้ความเป็นอิสระมากขึ้นจนกลายเป็น agent
• กิน AI Compute มหาศาล: เพราะ agent วน loop หลายรอบ เรียกโมเดลซ้ำๆ ทีละขั้น มันจึง “เผา” พลังประมวลผลและ token มากกว่าแชตบอตที่ตอบรอบเดียวหลายเท่า — นี่คือสาเหตุที่ agent ขับดีมานด์ทั้งชิปและ พลังงานของศูนย์ข้อมูล

และที่สำคัญ agent คือ “แขนขา” ที่ทำให้เทรนด์ AI อื่นๆ ออกไปทำงานในโลกจริง มันคือกลไกที่ AI ใช้ไป enable หุ่นยนต์และ Physical AI (หุ่นยนต์ที่วางแผนและทำงานเองได้) ไปจนถึงการช่วยงานวิจัยใน Biotech และการป้องกันภัยไซเบอร์ — agent คือ “วิธีที่ AI ลงมือทำ” ในแทบทุกสนาม

เงินก้อนแรกที่จับต้องได้จริงของ agentic AI ไม่ได้มาจากผู้บริโภค แต่มาจาก การทำงานอัตโนมัติในองค์กร — งานหลังบ้านซ้ำๆ ที่กินเวลาคนเยอะ เช่น บริการลูกค้า การจัดการ IT ticket การประมวลเอกสาร และฝ่ายขาย เพราะที่นี่ ROI วัดได้ชัด: ลดคน ลดเวลา ลดต้นทุน

ตัวอย่างที่ชัดที่สุดคือ Salesforce กับผลิตภัณฑ์ Agentforce ที่กลายเป็นเครื่องพิสูจน์ว่า “agent ในองค์กรขายได้จริง” — ภายในไตรมาส 4 ปีงบ 2026 (สิ้นสุด ม.ค. 2026) Agentforce ทำรายได้ประจำต่อปี (ARR) แตะ $800 ล้าน โต 169% ปิดดีลไปแล้วราว 29,000 ดีล และประมวลผลงานในรูป “หน่วยงาน agent” ไปแล้วกว่า 2.4 พันล้านครั้ง — ตัวเลขที่ทำให้คู่แข่งทั้งวงการต้องเร่งตามทันที

ฝั่งโครงสร้างพื้นฐานองค์กรก็ขยับหนัก Microsoft เปิดตัว Agent 365 เป็น “หอควบคุม” กลางให้องค์กรมองเห็น จัดการ และคุมความปลอดภัยของ agent ทุกตัวในระบบ พร้อม “Copilot Cowork” ที่เริ่มทำงานหลายขั้นเองได้ ส่วน ServiceNow ก็ผลักดัน AI Control Tower เพื่อ “กำกับดูแล agent ทุกตัวในองค์กร” — สังเกตว่าธีมร่วมของปี 2026 ไม่ใช่แค่ “สร้าง agent” แต่เป็น “จะคุม agent จำนวนมหาศาลยังไง” ซึ่งบอกเราว่าเทรนด์นี้เริ่มเข้าสู่ช่วงใช้งานจริงในสเกลใหญ่แล้ว

ทิศทางแรกคือ agent จะ “ทำงานร่วมกันเป็นทีม” มากขึ้น วันนี้ส่วนใหญ่ยังเป็น agent เดี่ยวทำงานเดี่ยว แต่อนาคตคือฝูง agent หลายตัวที่แบ่งงานกัน มีตัวประสานคอยจัดคิว — ซึ่งจะดันให้รับงานที่ซับซ้อนขึ้น (เช่น ปิดงบทั้งบริษัท หรือสืบสวนเหตุไซเบอร์ทั้งเหตุการณ์) ได้แบบ end-to-end

ทิศทางที่สองคือ “มาตรฐานกลาง” จะกลายเป็นสมรภูมิ การที่ MCP ถูกบริจาคให้มูลนิธิกลางที่ OpenAI, Microsoft, Google, AWS ร่วมหนุน บอกว่าทุกค่ายอยากให้ agent คุยกับเครื่องมือได้ทั่วถึง — แต่ใครคุม “ชั้นกำกับดูแลและความปลอดภัย” (อย่าง Agent 365 ของ Microsoft หรือ Control Tower ของ ServiceNow) ก็อาจคุมจุดที่มีอำนาจต่อรองสูงสุด เพราะนั่นคือสิ่งที่องค์กรกลัวที่สุด

ทิศทางที่สามคือ เส้นแบ่ง “copilot → agent” จะหายไป ผลิตภัณฑ์จะค่อยๆ ได้รับความเป็นอิสระมากขึ้นทีละขั้น จาก “เสนอให้กดรับ” เป็น “ทำเองแล้วรายงาน” โดยมนุษย์ขยับบทบาทจาก “คนทำ” เป็น “คนตรวจและอนุมัติ” — นี่คือจุดที่คำถามเรื่องแรงงานจะแหลมคมที่สุด

เบื้องหลังกระแสร้อนแรง agentic AI มีรอยร้าวที่ต้องพูดตรงๆ และตัวเลขที่สำคัญที่สุดของบทเรียนนี้อาจเป็นตัวเลขนี้: Gartner คาดว่า กว่า 40% ของโครงการ agentic AI จะถูกยกเลิกภายในสิ้นปี 2027 เพราะต้นทุนบานปลาย คุณค่าทางธุรกิจไม่ชัด หรือคุมความเสี่ยงไม่ได้

ภาพประกอบ (trust.png)

ความเสี่ยงข้อแรกคือ “ความน่าเชื่อถือ” โมเดลภาษายัง “มั่ว” (hallucinate) ได้ — และเมื่อ agent “ลงมือทำ” บนข้อมูลที่มั่ว ผลไม่ใช่แค่คำตอบผิด แต่เป็น “การกระทำที่ผิด” เช่น ส่งข้อมูลกรมธรรม์ที่ไม่มีจริงให้ลูกค้า หรือทำธุรกรรมจากข้อมูลเท็จ ยิ่ง agent มีอิสระมาก ความผิดพลาดหนึ่งครั้งก็ยิ่งลามไกล Gartner ถึงกับเตือนว่าในปี 2026 ราว 1 ใน 3 ของบริษัทจะ “ทำลายประสบการณ์ลูกค้า” เพราะรีบปล่อย AI เร็วเกินไป

ความเสี่ยงข้อสองคือ “agent washing” (การอวดอ้างเกินจริง) มีผู้ขายจำนวนมากเอาผลิตภัณฑ์เก่ามาแปะป้าย “agentic” เพื่อขี่กระแส Gartner ประเมินว่าจากผู้ขายนับพันราย มีเพียงราว 130 รายที่เป็น agent ของจริง — สำหรับองค์กร (และนักลงทุน) นี่หมายความว่าต้องแยกให้ออกระหว่าง “ของจริงที่ทำงานได้” กับ “ของที่แค่เปลี่ยนชื่อ”

ความเสี่ยงข้อสามคือ “ความปลอดภัยและการกำกับดูแล” McKinsey พบว่าเกือบ 2 ใน 3 ขององค์กรชี้ว่า “ความกังวลเรื่องความปลอดภัยและความเสี่ยง” คืออุปสรรคใหญ่ที่สุดของการสเกล agent — มากกว่าข้อจำกัดทางเทคนิคหรือกฎหมายเสียอีก เพราะ agent ที่มีสิทธิ์เข้าถึงระบบจริง ถ้าถูกหลอกหรือทำงานผิด ก็กลายเป็นช่องโหว่ความปลอดภัยที่เคลื่อนที่ได้ นี่คือเหตุผลที่ “หอควบคุม agent” กลายเป็นสินค้าร้อนพอๆ กับตัว agent เอง

สรุปสั้นๆ: agentic AI คือก้าวจาก AI ที่ “พูดเก่ง” สู่ AI ที่ “ทำงานเป็น” — และนั่นคือก้าวที่ใหญ่กว่ามาก เพราะมันแตะต้นทุนแรงงานโดยตรง คำถามที่ชี้ขาดไม่ใช่ “agent ทำงานได้ไหม” (ได้แล้ว) แต่คือ “เราจะเชื่อถือมันได้พอจะปล่อยให้ทำของจริงโดยไม่มีคนคุมทุกขั้นเมื่อไหร่” — และตราบใดที่คำตอบยังเป็น “ยัง” มนุษย์ในวงวนก็จะยังเป็นชิ้นส่วนที่ขาดไม่ได้ของเทรนด์นี้