AI ที่ต้องทำงานข้ามทีมอาจต้องใช้ข้อมูลซึ่งกระจายอยู่หลายที่ คำถามขององค์กรจึงไม่ได้มีแค่ว่าจะให้ AI หลายตัวคุยกันอย่างไร แต่รวมถึงจะให้มันได้ข้อมูลที่จำเป็นต่อการตัดสินใจ โดยไม่เปิดเผยข้อมูลเกินขอบเขตได้อย่างไร
ในคำบรรยาย Agents’ next frontier: agent-to-agent and network effects จากช่อง AI Engineer ซึ่งอัปโหลดวันที่ 3 กันยายน 2026 Jean-Denis Greze แนะนำตัวว่าเป็น CTO ของ Town และเคยเป็น CTO ของ Plaid เขาเสนอให้เริ่มจากคำถามว่า เราจะนำข้อมูลที่ถูกต้องเข้าไปอยู่ในบริบทของ AI ณ จุดที่ต้องตัดสินใจได้อย่างไร
บทความนี้สรุปข้อเสนอและตัวอย่างในคำบรรยาย ส่วนตัวอย่างสำหรับธุรกิจไทยเป็นแนวทางให้นำไปคิดและทดลอง ยังไม่ใช่ผลการใช้งานที่พิสูจน์แล้ว ประเด็นที่ต้องออกแบบควบคู่กันคือสิทธิ์ ความเป็นส่วนตัว การอนุมัติ และการตรวจสอบย้อนหลัง
มองการทำงานข้าม Agent เป็นโจทย์ค้นหาข้อมูล
คำว่า multi-agent หมายถึงระบบที่มี AI หลายตัวทำงานร่วมกัน เช่น ตัวหนึ่งรับลูกค้า อีกตัวทำรายงาน อีกตัวช่วยขาย แต่ Greze เสนอกรอบคิดว่าระบบโมเดลภาษา หรือ LLM จำนวนมากมองได้เป็นปัญหาการค้นหาและคัดเลือกข้อมูล
ก่อน AI จะตอบคำถามหรือเรียกเครื่องมือ มันต้องมีข้อมูลที่เกี่ยวข้องอยู่ใน context window หรือพื้นที่ข้อมูลที่โมเดลใช้ประมวลผลในครั้งนั้น ผู้พูดให้ความสำคัญกับการนำข้อมูลให้ถูกจุด แต่ไม่ได้แสดงผลทดสอบว่าการเพิ่มข้อมูลจะทำให้ทุกคำตอบถูกต้อง
ตัวอย่างสถานการณ์สำหรับธุรกิจไทยคือ ฝ่ายขายมีข้อมูลใน LINE และ CRM หรือระบบข้อมูลลูกค้า ฝ่ายบัญชีเก็บในโปรแกรมบัญชี ฝ่ายปฏิบัติการเก็บใน Google Sheets ส่วนข้อมูลสำคัญบางส่วนอยู่ในอีเมล เมื่อถามว่า “ลูกค้ารายนี้ติดปัญหาอะไร และควรเสนออะไรเพิ่ม” เราจึงต้องระบุก่อนว่าระบบจำเป็นต้องใช้ข้อมูลจากที่ใด ตัวอย่างนี้ไม่ได้เป็นเคสที่ผู้พูดทดสอบในคลิป
ข้อเสนอสำหรับนำไปทดลองคือเขียนคำถามสำคัญของงานออกมาก่อน แล้วถามต่อว่า AI ต้องรู้ข้อมูลอะไรบ้างจึงตอบหรือทำงานนี้ได้ อย่าให้จำนวนเครื่องมือที่เชื่อมต่อได้เป็นตัวแทนของคุณภาพคำตอบ
ออกแบบขอบเขตความเป็นส่วนตัวควบคู่กับข้อมูล
Greze ใช้ภาพสมมติของ AI ตัวเดียวที่เข้าถึงข้อมูลทุกส่วน เพื่ออธิบายข้อจำกัดของโลกจริง แม้พื้นที่ข้อมูลจะใหญ่เพียงใด ก็ยังมีข้อมูลที่เจ้าของไม่ยินยอมให้เข้าถึง เช่น อีเมลส่วนตัวและข้อมูลภายในบริษัท
ข้อคิดสำหรับการออกแบบคือความเป็นส่วนตัวเป็นเงื่อนไขที่ต้องกำหนด ไม่ใช่สิ่งที่จะยกเลิกเพียงเพื่อให้ AI เห็นข้อมูลมากขึ้น ต้องแยกทั้งสิทธิ์เข้าถึงและสิทธิ์ส่งข้อมูลออก
ตัวอย่างในคำบรรยายคือการหาว่าใครรู้จักทีมการเงินของบริษัทเป้าหมาย โดยใช้เครื่องมือคืนข้อมูลความสัมพันธ์ แล้วถามเจ้าของข้อมูลก่อนแนะนำตัว ไม่จำเป็นต้องส่งเนื้อหาอีเมลทั้งหมดไปให้คนที่ถาม
วิธีแรก: ทำงานภายในขอบเขตความไว้วางใจร่วมกัน
แนวทางแรกที่ Greze ยกมาคือสร้าง agent หรือ AI ที่รับงานและใช้เครื่องมือ ภายในขอบเขตความไว้วางใจที่ชัดเจน เช่น agent ของฝ่ายบุคคล หรือ HR ที่เข้าถึงระบบตามระดับสิทธิ์ที่กำหนด หรือ agent ที่เขาและภรรยายินยอมให้เข้าถึงอีเมลร่วมกัน ตัวอย่างส่วนตัวเป็นคำบอกเล่าของเขา ไม่ใช่นโยบายที่ธุรกิจอื่นต้องทำตาม
เขามองว่าวิธีนี้สอดคล้องกับรูปแบบสิทธิ์ของซอฟต์แวร์ออนไลน์ที่ฝ่ายไอทีคุ้นเคย ตัวอย่างสำหรับธุรกิจขนาดเล็กที่จะนำไปคิดต่อคือ agent บริการลูกค้าที่ได้รับสิทธิ์เข้าถึงฐานความรู้และสถานะคำสั่งซื้อเฉพาะที่งานต้องใช้
ข้อจำกัดในมุมของผู้พูดคืออาจกลายเป็น “ไซโล” หรือพื้นที่ข้อมูลที่แยกจากส่วนอื่น เมื่อคำตอบต้องใช้ข้อมูลข้ามทีม คนยังต้องกำหนดว่าจะให้ระบบใดเข้าถึงอะไร เขาจึงตั้งคำถามว่าแนวทางนี้จะลดงานกำหนดสิทธิ์ของคนลงได้เองหรือไม่เมื่อโมเดลเก่งขึ้น
ข้อเสนอสำหรับการทดลองคือเริ่มจากขอบเขตเล็กที่ตอบโจทย์งานชัดเจน แล้วระบุไว้ด้วยว่าการขอข้อมูลจากอีกทีมต้องผ่านทางใด
วิธีที่สอง: ให้เครื่องมือคืนผลลัพธ์เฉพาะที่งานต้องใช้
Greze ยกตัวอย่างเครื่องมือค้นหาความสัมพันธ์กับผู้บริหารฝ่ายการเงิน หรือ CFO ของบริษัทเป้าหมาย เครื่องมือนี้ยังต้องมีสิทธิ์เข้าถึงอีเมลตามที่ระบบกำหนด แต่ส่งคืนคะแนนหรือผู้ติดต่อที่เกี่ยวข้อง แทนการเปิดเนื้อหาอีเมลทั้งหมดให้ผู้ถาม นี่เป็นการเลือกแลกความสามารถกับความเป็นส่วนตัว ไม่ได้แปลว่าไม่มีการเข้าถึงข้อมูลส่วนตัวเลย
ในตัวอย่างของเขา AI จึงถามเจ้าของความสัมพันธ์ว่ายินดีแนะนำตัวหรือไม่ เจ้าของข้อมูลเป็นผู้ตัดสินใจเกี่ยวกับการส่งข้อมูลต่อ แต่การออกแบบขั้นตอนนี้ยังต้องตรวจว่าระบบเปิดเผยอะไรไปแล้วในแต่ละจุด
ตัวอย่างเครื่องมือสำหรับธุรกิจไทยที่จะนำไปทดลอง ไม่ใช่ระบบที่คลิปแสดงผลไว้ เช่น
- ค้นหาเจ้าของเคสลูกค้าจากเลขออเดอร์ โดยคืนชื่อผู้รับผิดชอบและสถานะ ไม่คืนบทสนทนาภายในทั้งหมด
- ตรวจเอกสารที่เกี่ยวข้องกับโปรเจกต์ โดยคืนลิงก์และระดับสิทธิ์ ไม่ดึงเนื้อหาเอกสารลับมาวางในแชต
- จัดอันดับลูกค้าที่ควรติดตามจากประวัติการติดต่อ โดยไม่ให้ทีมหนึ่งเปิดประวัติการคุยทั้งหมดของอีกทีม
ผู้พูดชี้ว่าวิธีนี้ยังต้องมีคนออกแบบเครื่องมือ และอธิบายให้ผู้ใช้เข้าใจว่าข้อมูลใดถูกใช้และผลลัพธ์ใดส่งออกได้ เขายกทางเลือกให้ผู้ใช้ไม่เข้าร่วมด้วย บทความนี้ไม่ได้ยืนยันว่าเครื่องมือรูปแบบนี้ปลอดภัยหรือเหมาะกับทุกองค์กร
วิธีที่สาม: สะสมความรู้ที่แชร์ได้ในพื้นที่กลาง
Greze มองว่าพื้นที่ความรู้กลาง เช่น wiki ซึ่งเป็นคลังบทความที่ทีมแก้ไขร่วมกัน Airtable หรือฐานข้อมูล อาจเป็นจุดเริ่มต้นที่มีประโยชน์เร็ว นี่เป็นความเห็นของเขาเรื่องโอกาส ไม่ใช่ผลวัดผลตอบแทนจากการลงทุน
เขาเสนอ sweeper AI หรือ AI ที่คัดข้อมูลจากพื้นที่ส่วนตัวเข้าสู่พื้นที่กลางตามนโยบาย โดยให้ระบบดูข้อมูลใหม่และพิจารณาว่ารายการใดอยู่ในขอบเขตที่แชร์ได้ พื้นที่กลางในที่นี้หมายถึงภายในบริษัท ไม่ใช่เผยแพร่บนอินเทอร์เน็ต
ในคำบรรยายมีสองทางเลือก: ให้ AI เสนอรายการแล้วถามคนก่อนนำไปแชร์ หรือให้โมเดลบังคับใช้นโยบายเอง ผู้พูดคาดว่าองค์กรบางกลุ่มจะยอมรับทางเลือกหลังมากขึ้น แต่ไม่ได้ให้หลักฐานว่าการตัดสินใจอัตโนมัติถูกต้องทุกครั้ง
เขายกบริษัทขนาดประมาณ 10 ถึง 50 คนที่มีความไว้วางใจสูงเป็นกลุ่มที่อาจทดลองได้ โดยกล่าวถึงข้อมูลการเงินและ HR ที่ต้องพิจารณาขอบเขตเป็นพิเศษ ขนาดบริษัทไม่ใช่หลักฐานว่าความเสี่ยงต่ำ และบทความไม่ได้ใช้ขนาดทีมเป็นเกณฑ์อนุมัติการแชร์
Wiki ที่ AI สร้างเองมีความเสี่ยงจากข้อมูลผิดสะสม Greze เล่าว่า wiki ส่วนตัวยังจำชื่อ agent เก่า แม้เขาเปลี่ยนชื่อไปแล้ว เป็นตัวอย่างที่เขารายงานเพื่อเตือนว่าข้อมูลผิดอาจติดอยู่ในความจำของระบบ
วิธีที่สี่และห้า: ใช้คนอนุมัติ และลดคำขอที่ไม่จำเป็น
วิธีที่สี่คือให้คนเป็นตัวกลาง Agent ส่งคำขอ แล้วคนตรวจและอนุมัติข้อมูลที่จะส่งต่อ Greze ชี้ว่าคำถามหนึ่งอาจรบกวนคนทั้งบริษัท ทั้งที่มีเพียงบางคนมีคำตอบ วิธีนี้ยังไม่ได้ถูกพิสูจน์ว่าเป็นวิธีที่ปลอดภัยที่สุด
วิธีที่ห้าคือแนวคิด “black box” หรือพื้นที่ประมวลผลที่ระบบค้นข้อมูลข้ามไซโลได้ แล้วถามอนุมัติเฉพาะเจ้าของข้อมูลที่จำเป็นต่อคำตอบหรือการใช้เครื่องมือ Greze ระบุว่าเขายังเห็นแนวทางนี้ในทางปฏิบัติไม่มาก จึงต้องแยกข้อเสนอออกจากความสามารถที่ตรวจสอบแล้ว
ในตัวอย่างสมมติของเขา ระบบค้นความสัมพันธ์ในข้อมูลของหลายคนก่อน แล้วขออนุมัติจากคนที่เหมาะจะช่วยแนะนำตัว การค้นเกิดก่อนการขออนุมัติแชร์ จึงต้องตกลงสิทธิ์การเข้าถึงไว้ด้วย ไม่ใช่พึ่งปุ่มอนุมัติท้ายงานอย่างเดียว
เขาเตือนว่าต้องเชื่อถือขั้นตอนประมวลผลและขั้นตอนอนุมัติให้ได้ รวมทั้งตรวจว่าคำตอบไม่มีข้อมูลอื่นติดออกมา เขายกความเสี่ยงจากการใช้คำถามเรื่องผู้ติดต่อเพื่ออนุมานว่าคนกำลังหางาน ระบบที่เรียกว่ากล่องดำจึงยังต้องมีผู้ตรวจสอบได้ว่าใครอนุมัติอะไร บันทึกอะไร และย้อนกลับอะไรได้
แบ่งข้อมูลตามความอ่อนไหวก่อนทดลองทำอัตโนมัติ
ทิศทางที่ผู้พูดเสนอคือเริ่มจากพื้นที่ข้อมูลความอ่อนไหวต่ำที่องค์กรยอมให้ระบบตัดสินใจได้ พร้อมแยกพื้นที่ที่ต้องให้คนตรวจและพื้นที่ที่ต้องอนุมัติโดยคนเสมอ เขาคาดว่าระบบอาจทำงานอัตโนมัติได้มากขึ้นในอนาคต แต่ยังตั้งคำถามเองว่าจะไว้วางใจ AI ตัดสินเรื่องความเป็นส่วนตัวทั้งหมดได้หรือไม่
ตัวอย่างการจัดกลุ่มเพื่อใช้เริ่มสนทนาภายในธุรกิจ ไม่ใช่นโยบายสำเร็จรูปหรือรายการที่ผู้พูดกำหนดให้ทุกองค์กรใช้ คือ
- ข้อมูลที่อาจพิจารณาให้แชร์อัตโนมัติหลังตรวจสิทธิ์ เช่น คู่มือหรือข้อมูลสินค้าที่ทีมเห็นร่วมกันอยู่แล้ว
- ข้อมูลที่ให้คนตรวจเป็นรายกรณี เช่น ข้อตกลงลูกค้า ผู้ติดต่อ และข้อเสนอทางการค้า
- ข้อมูลที่กันออกจากการทดลองแชร์อัตโนมัติ เช่น เงินเดือน สุขภาพพนักงาน สัญญาลับ และข้อมูลทางการเงินที่ละเอียดอ่อน
การจัดกลุ่มต้องพิจารณาเจ้าของข้อมูล ผู้รับข้อมูล จุดประสงค์ และผลกระทบหากผิดพลาด อย่าถือว่างานย้อนกลับได้ง่ายหรืออยู่ในกลุ่มตัวอย่างข้างต้นแล้วปล่อยอัตโนมัติได้ทันที
ตรวจความเสี่ยงของข้อมูลผิดและการเปิดเผยเกินขอบเขต
Greze เตือนถึง prompt injection คือข้อความในแหล่งข้อมูลที่พยายามชักจูงให้ AI ทำตามคำสั่งแปลกปลอม เมื่อระบบนำข้อมูลนั้นเข้ามาใช้ อาจเกิดการกระทำที่อยู่นอกงานที่เจ้าของต้องการ
อีกความเสี่ยงที่เขากล่าวถึงคือข้อมูลผิดใน wiki ถูกนำไปใช้ต่อ และระบบเผยข้อมูลที่ไม่ควรแชร์ เขาไม่ได้เสนอวิธีใดเป็นคำรับรองว่าจะป้องกันเหตุเหล่านี้ได้ทั้งหมด
ข้อเสนอสำหรับนำไปทดลองคือระบุเจ้าของข้อมูล แสดงวันที่และแหล่งที่มา และมีทางแก้หรือถอนข้อมูล รวมทั้งเก็บบันทึกการใช้ข้อมูลและการอนุมัติ รายการนี้เป็นแนวทางตรวจงาน ไม่ใช่วิธีแก้ที่ผ่านการทดสอบในคำบรรยาย
มองโอกาสและข้อตกลงของการใช้ข้อมูลข้ามบริษัท
ในช่วงท้าย Greze มองว่าผลจากการร่วมเครือข่าย หรือ network effects อาจเกิดเมื่อหลายบริษัทได้ประโยชน์จาก agent ที่ทำงานข้ามพื้นที่ข้อมูล เขายกคำบอกเล่าของโครงการด้านการเงินที่ไม่ระบุชื่อ และยอมรับว่าความยินยอมกับการตัดสินใจเรื่องความเป็นส่วนตัวยังเป็นคำถามเปิด จึงไม่ได้เป็นหลักฐานว่ารูปแบบนี้สำเร็จแล้ว
ตัวอย่างการนำไปคิดภายในธุรกิจไทยคือให้ AI ร่างสรุปการตัดสินใจรายสัปดาห์ แล้วให้เจ้าของข้อมูลเลือกเรื่องที่ตกลงแชร์กับทีมอื่น ตัวอย่างนี้ไม่ได้เป็นการใช้งานที่ผู้พูดรายงานผลไว้
หากจะคิดถึงคู่ค้า ตัวอย่างโจทย์คือสถานะสต๊อก สถานะคำสั่งซื้อ หรือเอกสารที่ทุกฝ่ายตกลงให้ใช้ร่วมกัน ต้องเริ่มจากข้อตกลงเรื่องข้อมูลและผู้รับที่ชัดเจน ตัวอย่างเหล่านี้เป็นข้อเสนอสำหรับพิจารณา ไม่ใช่กรณีที่คลิปพิสูจน์ผลแล้ว
แหล่งต้นทาง: Agents’ next frontier: agent-to-agent and network effects โดย Jean-Denis Greze, Town จากช่อง AI Engineer อัปโหลด 3 กันยายน 2026 เวลา 22:00:25 น. ตามเวลาไทย บทความสรุปคำบรรยายช่วงที่บันทึกได้ 00:12–20:53 และแยกตัวอย่างสำหรับทดลองออกจากสิ่งที่ผู้พูดรายงาน ไม่ได้ยืนยันผลทดสอบหรือความพร้อมใช้งานของระบบ วันอัปโหลดไม่ใช่วันจัดงานและไม่ใช่วันเผยแพร่บทความนี้
