เวลาคนพูดถึง AI ในที่ทำงาน ภาพที่คุ้นเคยมักเป็นพนักงานเปิดหน้าต่างแชตแล้วขอให้ระบบช่วยเขียนอีเมล สรุปเอกสาร หรือวิเคราะห์ข้อมูล งานเร็วขึ้น แต่คนยังเป็นผู้สั่งทีละขั้นและนำคำตอบไปทำงานต่อเอง
AI Agent กำลังขยับเส้นแบ่งนั้นออกไปอีกขั้น
แทนที่จะรอ Prompt ทีละคำสั่ง Agent สามารถรับ Goal (เป้าหมาย) แล้วเลือกว่าจะต้องทำอะไรบ้าง ใช้เครื่องมือใด ตรวจผลที่ได้ และเดินหน้าต่อหลายขั้นตอนภายในกรอบที่กำหนด ความต่างนี้ทำให้คำถามทางเศรษฐกิจเปลี่ยนจาก “AI ช่วยให้ Task หนึ่งเร็วขึ้นแค่ไหน” ไปเป็น ถ้า AI จัดการหลาย Task ต่อเนื่องกันได้ บริษัทจะออกแบบ Workflow (ขั้นตอนการทำงาน) ของคน และต้นทุนใหม่อย่างไร
OECD เพิ่งเผยแพร่รายงาน Agentic AI in organisations เมื่อเดือนกันยายน 2026 โดยสำรวจจากการสัมภาษณ์องค์กรในหลายภูมิภาคและหลายอุตสาหกรรม ภาพที่ได้คือ Agentic AI เริ่มถูกนำไปทดลองและใช้งานจริงแล้ว แต่การกำกับดูแล การวัดผล และรูปแบบการนำไปใช้ยังอยู่ในช่วงสร้างมาตรฐาน
บทความก่อนหน้า AI จะมาแย่งงานจริงไหม หรือบางงานกำลังมีค่ามากขึ้น? อธิบายว่า AI มักเริ่มจากการเปลี่ยน Task ก่อน Job แต่ถ้า Task หลายชิ้นเริ่มถูกเชื่อมเข้าด้วยกันผ่าน Agent สิ่งที่ถูกเปลี่ยนอาจไม่ใช่แค่งานย่อยอีกต่อไป แต่อาจเป็น Workflow ทั้งชุด
AI Agent ไม่ใช่แค่ Chatbot ที่ฉลาดขึ้น
Chatbot แบบที่คนส่วนใหญ่คุ้นเคยมีรูปแบบง่าย ๆ:
ผู้ใช้ถาม → AI ตอบ → ผู้ใช้ตัดสินใจว่าจะทำอะไรต่อ
แต่ Agent มีวงจรที่ยาวกว่า:
เป้าหมาย → วางแผน → ใช้เครื่องมือ → ลงมือ → ตรวจผล → ปรับวิธี → ทำต่อหรือส่งให้คน
Anthropic อธิบายว่า AI agents สามารถทำงานข้ามหลายแอปพลิเคชัน เขียนและรันโค้ด จัดการไฟล์ และทำ Task ที่ต่อเนื่องหลายขั้นได้ ความสามารถนี้ทำให้ Agent มี Autonomy (ระดับความเป็นอิสระในการดำเนินงาน) มากกว่า chatbot ทั่วไป แม้ยังทำงานภายใต้เครื่องมือ สิทธิ์ และข้อจำกัดที่มนุษย์กำหนด
ลองดูตัวอย่างฝ่ายขาย
Chatbot อาจช่วยร่างอีเมลติดตามลูกค้า แต่ Agent อาจได้รับเป้าหมายว่า “ติดตาม lead ที่มีโอกาสซื้อสูง” แล้วค้นข้อมูลใน CRM ตรวจสถานะลูกค้า ร่างอีเมล เลือกเวลาส่ง บันทึกผล นัดหมาย และส่งเรื่องให้พนักงานเมื่อพบกรณีที่ต้องใช้การตัดสินใจ
แต่ละ Task ไม่ได้ใหม่ทั้งหมด สิ่งที่ใหม่คือ การเชื่อม Task เหล่านั้นให้ไหลต่อกันโดยไม่ต้องมีคนเป็นตัวกลางในทุกจุด
จาก Task ไปสู่ Workflow คือจุดที่เศรษฐศาสตร์เริ่มเปลี่ยน
การใช้ AI แบบแรกมักเน้น Productivity (ผลิตภาพ หรือผลผลิตที่สร้างได้ต่อทรัพยากรที่ใช้) ของพนักงานแต่ละคน เช่น เขียนเร็วขึ้น ค้นข้อมูลเร็วขึ้น หรือสรุปประชุมเร็วขึ้น
แต่ธุรกิจไม่ได้ทำงานเป็นชุด Task ที่แยกจากกัน งานจริงไหลผ่านคน ทีม ระบบ และขั้นตอนอนุมัติจำนวนมาก
ฝ่ายจัดซื้ออาจรับคำขอ ตรวจสต็อก ขอราคา เปรียบเทียบผู้ขาย ส่งอนุมัติ ออกใบสั่งซื้อ ติดตามสินค้า และส่งข้อมูลเข้าบัญชี ความล่าช้าหลายครั้งไม่ได้เกิดจาก Task ใด Task หนึ่งทำช้า แต่เกิดจากการรอข้อมูล ส่งงานต่อ ตรวจซ้ำ และประสานคนหลายฝ่าย
ตรงนี้คือจุดที่ Agent อาจมีผลมากกว่า copilots ที่ช่วยพนักงานเป็นรายคน
McKinsey รายงานจาก Global Survey on AI ปี 2026 ว่า 80% ของผู้ตอบบอกว่า AI ช่วยเพิ่ม Productivity ระดับบุคคล แต่มีเพียง 37% ที่ระบุว่า AI ขององค์กรสร้างผลต่อ EBIT บางส่วน ช่องว่างนี้ไม่ได้พิสูจน์ว่า Agent จะแก้ปัญหาได้ทั้งหมด แต่สะท้อนว่าการทำให้คนคนหนึ่งทำงานเร็วขึ้นไม่ได้แปลว่ากระบวนการทั้งบริษัทจะสร้างกำไรมากขึ้นโดยอัตโนมัติ
ถ้า Workflow เดิมยังมีขั้นอนุมัติซ้ำ การส่งไฟล์ไปมา หรือข้อมูลอยู่คนละระบบ ประโยชน์จาก AI อาจหยุดอยู่ที่โต๊ะของพนักงานคนนั้น
เงินของ AI Agent อยู่ระหว่างขั้นตอน
FOLLOW THE MONEY ของ Agent จึงไม่ได้มีแค่ค่าแรงที่ประหยัดได้
มูลค่าทางธุรกิจอาจเกิดจากการลดเวลารอ ลดการ copy/paste ลดการติดตามงาน ลดความผิดพลาดจากการส่งต่อข้อมูล และลดจำนวนครั้งที่คนต้องเข้าไปประสานระหว่างระบบ
ตัวอย่างเช่น กระบวนการ invoice อาจมีขั้นรับเอกสาร ตรวจข้อมูล เทียบ purchase order ตรวจความผิดปกติ เตรียมบันทึก และส่งอนุมัติ หาก Agent ทำส่วนที่เป็นแบบแผนต่อเนื่องกันได้ คนอาจเข้ามาเฉพาะเมื่อข้อมูลไม่ตรงวงเงินเกิน หรือมีกรณีผิดปกติ
แต่ Agent ไม่ใช่แรงงานต้นทุนศูนย์
องค์กรยังต้องจ่ายค่าโมเดล ค่า Software Integration การเตรียมข้อมูล การกำหนดสิทธิ์ การ Monitoring การประเมินคุณภาพ ความปลอดภัย และเวลาของคนที่ตรวจ exception บาง Workflow อาจประหยัดมาก บาง Workflow อาจมีต้นทุนการทำระบบสูงกว่าประโยชน์ที่ได้
ดังนั้น ROI ของ Agent ควรถูกวัดในระดับ Workflow ไม่ใช่เพียงจำนวนชั่วโมงที่ AI ช่วยพนักงานประหยัดได้
งานของคนอาจย้ายจาก “ทำทุกขั้น” ไปเป็น “กำกับระบบ”
เมื่อ Agent รับ execution มากขึ้น ตำแหน่งของมนุษย์ใน Workflow ก็อาจเปลี่ยน
จากเดิม:
ทำงาน → ส่งต่อ → ตรวจ → ทำต่อ → ขออนุมัติ
อาจกลายเป็น:
กำหนดเป้าหมาย → ตั้งข้อจำกัด → ตรวจ exception → ตัดสินใจ → รับผิดชอบผล
นี่เชื่อมตรงกับประเด็นใน A10 ถ้า AI ทำ Task บางส่วนได้ดีขึ้น มูลค่าของคนอาจย้ายไปอยู่ที่ judgment, context, communication และ accountability มากขึ้น แต่ Agent ทำให้คำถามนั้นเข้มขึ้น เพราะมันไม่ได้รับช่วงเพียง Task เดียว แต่อาจรับช่วงลำดับงานหลาย Task พร้อมกัน
Microsoft Work Trend Index 2026 สำหรับประเทศไทยระบุว่า 32% ของคนทำงานไทยในฐานสำรวจถูกจัดอยู่ในกลุ่ม “Frontier Professionals” เทียบกับ 16% ของค่าเฉลี่ยทั่วโลก และรายงานชี้ว่าองค์กรไทยยังมีความท้าทายในการย้ายจากการใช้ AI ระดับบุคคลไปสู่การฝัง AI ในกระบวนการทำงานขององค์กร
ตัวเลขนี้เป็นข้อมูลจากระบบและการสำรวจของ Microsoft ไม่ใช่สถิติแรงงานไทยทั้งประเทศ แต่สะท้อนปัญหาที่สำคัญ: การใช้ AI เก่งในระดับบุคคล กับการออกแบบองค์กรให้ได้ประโยชน์จาก AI เป็นคนละเรื่องกัน
Autonomy มากขึ้น ไม่ได้แปลว่าควรเอาคนออกจากระบบ
ข้อได้เปรียบของ Agent คือมันทำงานต่อเนื่องได้มากขึ้น แต่ข้อได้เปรียบเดียวกันก็เพิ่มความเสี่ยง
ถ้า chatbot ตอบผิดหนึ่งคำตอบ คนอาจเห็นข้อผิดพลาดก่อนนำไปใช้ แต่ถ้า Agent เข้าใจเป้าหมายผิดและมีสิทธิ์เข้าถึงหลายระบบ ความผิดพลาดอาจไหลต่อไปหลายขั้นก่อน有人สังเกตเห็น
Anthropic ระบุความเสี่ยงตั้งแต่การตีความเจตนาผู้ใช้ผิด ไปจนถึง Prompt Injection (การป้อนคำสั่งที่มุ่งหลอกให้ AI ทำสิ่งที่ไม่ควรทำ) ซึ่งอาจมีผลมากขึ้นเมื่อ Agent สามารถลงมือในระบบจริง
ดังนั้น Human-in-the-loop (การให้มนุษย์อยู่ในวงจรควบคุมหรือตัดสินใจในจุดสำคัญ) ไม่ได้หมายความว่าคนต้องกดอนุมัติทุก Click
องค์กรสามารถกำหนดกรอบ เช่น
- สิทธิ์ที่ Agent เข้าถึงได้
- วงเงินหรือมูลค่าที่ทำรายการได้
- เงื่อนไขที่ต้องขออนุมัติ
- ประเภทข้อมูลที่ห้ามส่งออก
- กรณีผิดปกติที่ต้อง escalate ให้คน
- จุดที่ต้องหยุดและรอการตัดสินใจ
Agent จึงไม่ได้ตัดมนุษย์ออกจาก Workflow แต่เปลี่ยนตำแหน่งที่มนุษย์เข้ามามีบทบาท
บริษัทใหญ่กับ SME อาจได้ประโยชน์ไม่พร้อมกัน
Agent จะทำงานได้ดีแค่ไหนไม่ได้ขึ้นกับโมเดล AI เพียงอย่างเดียว แต่ขึ้นกับว่าข้อมูลขององค์กรพร้อมหรือไม่ ระบบต่าง ๆ เชื่อมกันได้หรือไม่ สิทธิ์ถูกออกแบบดีแค่ไหน และ Workflow เดิมมีความชัดเจนเพียงใด
จุดนี้ทำให้บริษัทใหญ่ที่มี CRM, ERP, API, data governance และทีมไอทีอาจมีทางเริ่มต้นต่างจากธุรกิจขนาดเล็กที่ยังทำงานผ่าน spreadsheet, chat และเอกสารกระจายหลายระบบ
OECD D4SME Survey 2026 พบว่า SME กำลังใช้ AI มากขึ้น และบางแห่งเริ่มทดลอง AI Agents แต่การนำไปเชื่อมกับการดำเนินงานอย่างเป็นระบบยังไม่สม่ำเสมอ ข้อจำกัดที่พบรวมถึงเวลา ต้นทุน maintenance และช่องว่างด้านทักษะ
นี่ทำให้เกิดคำถามทางการแข่งขันที่น่าสนใจกว่าเรื่อง “ใครมี Chatbot ก่อน”
ถ้า Agent ลดต้นทุนการประสานงานได้จริง บริษัทที่มีข้อมูลและระบบพร้อมอาจลดต้นทุนต่อธุรกรรมหรือเพิ่มปริมาณงานได้เร็วกว่า SME ที่ยังต้องพึ่งคนเชื่อมข้อมูลด้วยมือ และถ้าความแตกต่างนี้สะสมต่อเนื่อง Productivity gap ระหว่างบริษัทก็อาจกว้างขึ้น
ในอีกด้านหนึ่ง Agent แบบสำเร็จรูปที่ติดตั้งง่ายและราคาถูกก็อาจลดข้อเสียเปรียบของ SME ได้เช่นกัน จึงยังเร็วเกินไปที่จะสรุปว่าบริษัทใหญ่จะเป็นผู้ได้ประโยชน์เพียงฝ่ายเดียว
แล้วถ้าไปไกลกว่านั้นจนถึง AGI ล่ะ?
AI Agent วันนี้ยังไม่ใช่ Artificial General Intelligence หรือ AGI (ปัญญาประดิษฐ์ทั่วไปที่มีความสามารถกว้างข้ามหลายด้าน)
OECD และ European Commission ใช้คำอธิบาย AGI ว่าเป็นระบบที่สามารถเทียบหรือเหนือกว่าความยืดหยุ่นและความสามารถทางปัญญาของผู้ใหญ่ที่มีการศึกษาดี และระบุว่ายังไม่มีระบบดังกล่าวในปัจจุบัน
ในภาพยนตร์ เรามักเห็น AI ที่เหมือน “สมองดิจิทัล” สามารถเรียนรู้ วางแผน ตัดสินใจ และลงมือข้ามแทบทุกเรื่องด้วยตัวเอง นั่นเป็นภาพที่กว้างกว่าความหมายของ AI Agent ที่ธุรกิจกำลังทดลองใช้อยู่มาก
Agent ปัจจุบันยังต้องมีเป้าหมาย เครื่องมือ permission และขอบเขตที่มนุษย์กำหนด และยังสามารถทำผิดพลาดในงานที่ดูธรรมดาได้
ถ้าวันหนึ่งระบบสามารถข้ามจากการจัดการ Workflow เฉพาะด้าน ไปสู่ความสามารถทั่วไปในหลายโดเมนแบบที่คำว่า AGI พยายามอธิบาย ผลกระทบต่อธุรกิจและแรงงานจะเป็นคำถามอีกระดับหนึ่ง แต่ก่อนถึงวันนั้น คำถามที่จับต้องได้กว่าคือ เมื่อ Agent รับ Workflow ไปมากขึ้น มนุษย์ควรอยู่ตรงไหนของ Workflow นั้น
สิ่งที่ต้องจับตาต่อ
สัญญาณแรกคือ Agent เริ่มออกจาก Pilot ไปอยู่ใน Production Workflow มากแค่ไหน การทำ demo ได้ไม่เหมือนกับการทำงานทุกวันกับข้อมูล ลูกค้า และเงินจริง
สัญญาณที่สองคือ บริษัทเริ่มวัด ROI ระดับ Workflow หรือยัง หากรายงานยังมีเพียงจำนวนคนใช้ AI หรือจำนวนชั่วโมงที่ประหยัดได้ เราอาจยังไม่เห็นผลทางเศรษฐกิจที่แท้จริง
สัญญาณที่สามคือ ระดับ Permission ที่องค์กรยอมให้ Agent เช่น อ่านข้อมูลอย่างเดียว สร้างร่าง ทำรายการ หรือดำเนินการโดยไม่ต้องขออนุมัติทุกครั้ง ระดับสิทธิ์นี้จะสะท้อนทั้งความเชื่อมั่นและระดับความเสี่ยงที่องค์กรยอมรับ
สัญญาณที่สี่คือ จำนวน exception และจุดที่ต้องส่งกลับให้คน เพราะ Agent ที่ดูอัตโนมัติบนหน้าจออาจยังใช้แรงงานมนุษย์จำนวนมากอยู่หลังระบบ
และสำหรับไทย ควรจับตาว่า SME สามารถเข้าถึงระบบ Agent ที่เชื่อถือได้ในต้นทุนที่เหมาะสมหรือไม่ หากเทคโนโลยีนี้ต้องอาศัย data infrastructure และ integration ที่แพง Productivity gap ระหว่างธุรกิจอาจเพิ่มขึ้น แต่ถ้าระบบสำเร็จรูปทำให้ต้นทุนการใช้งานลดลง SME ก็อาจได้ประโยชน์เร็วกว่าที่คาด
AI รุ่นแรกทำให้เราถามว่า “งานชิ้นนี้ให้ AI ช่วยได้ไหม” ส่วน AI Agent ทำให้คำถามขยับไปเป็น “เรายังจำเป็นต้องออกแบบ Workflow แบบเดิมหรือไม่” และนั่นอาจเป็นจุดที่ผลกระทบต่อธุรกิจเริ่มลึกกว่าการมีผู้ช่วยเขียนข้อความที่เร็วขึ้น
