สรุป 6 บทเรียนสำคัญจาก McKinsey ก่อนนำ Agentic AI มาใช้ในองค์กร

นับเป็นเวลากว่า 1 ปีที่เรามักจะได้ยินคำว่า Agentic AI จนติดหูจนหลายองค์กรนำ AI Agent ไปทรานส์ฟอร์มบริษัทหวังจะปลดล็อกประสิทธิภาพการทำงาน บางบริษัทเริ่มเห็นความสำเร็จแล้วในช่วงแรก แต่ก็ยังมีบริษัทอีกจำนวนมากที่กำลังประสบปัญหาการใช้ บางกรณีถึงขั้นต้องจ้างคนกลับมาทำงานแทนในส่วนที่ AI Agent ทำงานผิดพลาด

คำถามคือ แล้วหนึ่งปีที่ผ่านมาเราได้เรียนรู้อะไรจากการใช้ Agentic AI บ้าง ? McKinsey ได้วิเคราะห์โปรเจ็กต์ Agentic AI กว่า 50 โครงการ และกรั่นกรองออกมาเป็น 6 บทเรียนสำคัญที่จะช่วยให้ผู้นำองค์กรสามารถสร้างคุณค่าจาก Agentic AI ได้จริง

บทเรียนที่ 1 หัวใจอยู่ที่ Workflow ไม่ใช่ Agent

การจะนำ AI Agent มาเพิ่มประสิทธิภาพให้องค์กรนั้น สิ่งที่สำคัญมากที่สุดคือ การเปลี่ยนกระบวนการทำงาน (Workflow) ทั้งหมดให้เหมาะสมกับ AI แต่บ่อยครั้งที่องค์กรกลับมุ่งเน้นไปที่การสร้างตัว Agent หรือเครื่องมือมากเกินไป ทำให้ท้ายที่สุดแล้วกลายเป็นว่าองค์กรสามารถสร้าง Agent ที่ดูดีในเดโม แต่กลับไม่ได้ช่วยทำให้การทำงานโดยรวมดีขึ้นเลย

McKinsey บอกว่า โปรเจกต์ Agentic AI ที่ประสบความสำเร็จ มักจะเริ่มต้นด้วยการคิดกระบวนการทำงานขึ้นมาใหม่ โดยพิจารณาถึงทุกขั้นตอนที่เกี่ยวข้องกับคน กระบวนการ และเทคโนโลยี เพื่อหาว่า Agent จะเข้ามาช่วยในแต่ละส่วนได้อย่างไร แม้มนุษย์จะยังคงเป็นศูนย์กลางของงาน แต่ตอนนี้พวกเขาจะมี Agent และระบบอัตโนมัติต่างๆ เข้ามาเป็นผู้ช่วยสำคัญ ดังนั้นการออกแบบ Workflow จึงสำคัญมาก

ตัวอย่างเช่น บริษัทผู้ให้บริการด้านกฎหมายแห่งหนึ่งได้ออกแบบระบบ Agentic AI เพื่อช่วยในกระบวนการตรวจสอบสัญญา โดยระบบจะเรียนรู้จากการทำงานจริง ทุกครั้งที่ผู้ใช้งานแก้ไขเอกสาร ระบบจะบันทึกและจัดหมวดหมู่ข้อมูลไว้ ซึ่งทีม developer สามารถนำ Feedback เหล่านี้ไปสอน Agent, ปรับแก้ Logic และเพิ่มพูนฐานความรู้ให้ Agent ฉลาดขึ้นเรื่อยๆ เมื่อเวลาผ่านไป

บทเรียนที่ 2 Agent ไม่ใช่คำตตอบสำหรับทุกอย่าง

AI Agent ทำงานแทนคนได้ลหายอย่าง แต่ไม่ได้หมายความว่าเราควรใช้มันกับทุกเรื่อง ควรมองการเลือกใช้ Agent เหมือนกับการเลือกคนเข้าทีมที่ต้องมีประสิทธิภาพสูง ดังนั้นคำถามสำคัญที่ควรกลับมาถามตัวเองคือ 

“งานที่ต้องทำคืออะไร และความสามารถของสมาชิกในทีม (หรือ Agent) แต่ละคนเหมาะสมที่จะทำงานร่วมกันเพื่อเป้าหมายนั้นหรือไม่ ?”

เพราะบางครั้งปัญหาที่เราคิดว่าต้องใช้ AI Agent มาช่วยทำ สามารถแก้ไขได้ด้วยระบบอัตโนมัติที่ง่ายกว่า เช่น Rules-based Aotumation หรือการใช้ Large Language Model ตัวพื้นฐาน ซึ่งมีความน่าเชื่อถือมากกว่า Agent ที่เพิ่งสร้างมาใหม่ 

ดังนั้นก่อนจะรีบสร้าง Agent ควรทำความเข้าใจลักษณะของงานที่ชัดเจนก่อน ยกตัวอย่างเช่น 

• งานที่มีความแปรปรวนต่ำและต้องการมาตรฐานสูง (เช่น การรับลูกค้านักลงทุน) เหมาะกับระบบอัตโนมัติที่มี Logic ตายตัวมากกว่า Agent ที่อาจสร้างความไม่แน่นอน
• งานที่มีความแปรปรวนสูงและต้องการความยืดหยุ่น (เช่น การดึงข้อมูลทางการเงินที่ซับซ้อน) จะได้รับประโยชน์จาก Agent อย่างมาก

สิ่งสำคัญคือ อย่าติดกับดักความคิดว่า ต้องเลลือกแค่ใช้ Agent หรือไม่ใช้ Agent เพราะกุญแจสำคัญคือการเลือกเครื่องมือที่เหมมาะสมกับงาน และออกแบบการทำงานร่วมกันระหว่างคน Agent และเครื่องมืออื่นๆ เพื่อให้เกิดประสิทธิภาพสูงสุด

บทเรียนที่ 3 หยุดสร้าง AI Slop 

คำจำกัดความของ AI Slop คือผลงานเละๆ ที่เกิดจาก AI ซึ่งเป็นสิ่งที่พบได้บ่อยเวลาพัฒนา Agent ที่ค่อนข้างจะดูดีในตอนสร้าง แต่พอเอามาใช้งานจริงกลับสร้างความหงุดหงิดให้กับผู้ใช้ ทำให้ผู้ใช้สูญเสียความไว้วางใจกับ AI อย่างรวดเร็ว

McKinsey บอกว่า บทเรียนราคาแพงจากปัญหานี้คือ องค์กรควรลงทุนในการพัฒนา Agent ให้เหมือนกับการพัฒนาพนักงาน การนำ Agent เข้ามาทำงานเหมือนการจ้างพนักงานใหม่เข้าบริษัท หมายความว่า Agent ควรมี Job Description ที่ชัดเจน ได้รับการฝึกอบรม และรับ Feedback อย่างต่อเนื่องเพื่อพัฒนาตัวเองไม่ต่างกับพนักงานใหม่

และการจะให้ Feedback กับ AI Agent ที่ดี ก็ควรสร้าง Evaluation ที่ดีตามไปด้วย โดยต้องดึงความรู้จากผู้เชี่ยวชาญในด้านนั้นๆ มาสร้างเป็นคู่มือการฝึก เพือให้แน่ใจว่า Agent จะจทำงานได้ตามที่คาดหวัง

บทเรียนที่ 4 ทำให้ง่ายต่อการติดตามและตรวจสอบเข้าไว้

เวลาทำงานกับ AI Agent ไม่กี่ตัว การตรวจสอบคุณภาพงาน และการหาข้อผิดพลาดก็คงเป็นเรื่องง่าย แต่เมื่องค์กรขยายการใช้งาน Agent เป็นร้อยหรือพันตัว มันจะกลายเป็นความท้าทายมหาศาล ปัญหาจะยิ่งซับซ้อนขึ้นหากองค์กรติดตามแค่ผลลัพธ์สุดท้ายที่ออกมาจาก Agent เพราะเมื่อเกิดข้อผิดพลาดขึ้น จะทำให้เราหาต้นตอของปัญหายากมาก

ดังนั้นประสิทธิภาพของ Agent ควรถูกตรวจสอบในทุกขั้นตอนของ Workflow การสร้างระบบติดตามและประเมินผลที่ฝังอยู่ในกระบวนการทำงาน จะช่วยให้ทีมสามารถตรวจจับข้อผิดพลาดได้ตั้งแต่เนิ่นๆ และปรับปรุงประสิทธิภาพได้อย่างต่อเนื่อง

บทเรียนที่ 5 Use Case ที่ดีคือ Reuse Case

หลายบริษัทมักสร้าง Agent ที่มีลักษณะเฉพาะสำหรับแต่ละงาน ซึ่งนำไปสู่ความซ้ำซ้อนและสิ้นเปลืองทรัพยากรอย่างมาก เพราะในความเป็นจริงแล้ว Agent ตัวเดียวสามารถทำงานที่แตกต่างกันแต่มีขั้นตอนคล้ายๆ กันได้ (เช่น การรับข้อมูล, การสกัดข้อมูล, การค้นหา และการวิเคราะห์)

จุดเริ่มต้นที่ดีคือกาหางานที่เกิดขึ้นซ้ำๆ ให้เจอก่อน แล้วพัฒนา Agent หรือพัฒนาแค่ส่วนประกอบของ Agent ที่สามารถนำกลับมาใช้ใหม่ใน Workflow อื่นๆ ได้อย่างง่าย การสร้างแพลตฟอร์มกลางที่รวบรวมเครื่องมือและโค้ดที่ผ่านการรับรองไว้ จะช่วยลดงานที่ไม่จำเป็นลงได้ถึง 30-50%

บทเรียนที่ 6 มนุษย์ยังเป็นหัวใจสำคัญ แต่บทบาทและจำนวนจะเปลี่ยนไป

คำถามที่ว่ามนุษย์จะทำอะไรต่อไปในยุค AI Agent นั้น McKinsey บอกว่ามนุษย์จะยังเป็นส่วนสำคัญของโลกยุคนี้ แต่สิ่งที่เปลี่ยนไปคือประเภทของงาน

โดยมนุษย์จะยังคงจำเป็นสำหรับงานที่ต้องอาศัยการกำกับดูแลความถูกต้อง, การใช้วิจารณญาณ, การจำกัดกรอบให้ AI รวมถึงการจัดการกับกรณีที่ไม่คาดคิด

บทเรียนสำคัญอีกข้อคือ องค์กรต้องจั้งใจออกแบบการทำงานเพื่อให้คนและ Agent ทำงานร่วมกันได้ดี หากปราศจากจุดนี้ แม้แต่โปรแกรม Agentic AI ที่ล้ำหน้าที่สุดก็เสี่ยงต่อความล้มเหลวได้

ตัวอย่างเช่น บริษัทประกันภัยแห่งหนึ่งได้พัฒนา UI ที่เรียบง่ายและเป็นมิตรต่อผู้ใช้ เพื่อช่วยให้พนักงานตรวจสอบข้อมูลที่ AI สรุปมาได้อย่างรวดเร็ว เมื่อพนักงานคลิกที่ข้อมูลเชิงลึก ระบบจะเลื่อนไปยังหน้าเอกสารที่ถูกต้องและไฮไลต์ข้อความที่เกี่ยวข้องทันที 

การใส่ใจในประสบการณ์ผู้ใช้งานเช่นนี้ช่วยประหยัดเวลา ลดความลังเล และสร้างความมั่นในระบบ นำไปสู่การยอมรับของผู้ใช้

อ้างอิง : McKinsey