AI เปลี่ยนผ่านอย่างไร จากระบบที่ตัดสินใจได้ สู่ระบบที่สร้างและลงมือทำเอง

• ตรวจจับธุรกรรมผิดปกติหรือมีลักษณะคล้ายการทุจริต
• ประเมินความเสี่ยงด้านสินเชื่อและการผิดนัดชำระหนี้
• คาดการณ์ความเสี่ยงด้านสุขภาพ เช่น อาการทรุดหรือการกลับเข้ารักษาตัวซ้ำ
• จัดอันดับสินค้า วิดีโอ เพลง และโพสต์ในระบบแนะนำ
• ผสานการรู้จำเสียง การจำแนกเจตนา และเวิร์กโฟลว์ที่กำหนดไว้ล่วงหน้าในผู้ช่วยเสียง เช่น Siri

ระบบเหล่านี้มักทำงานได้ดีเมื่อโจทย์มีขอบเขตแคบ ทำซ้ำเป็นประจำ และวัดผลได้ชัดเจน สามารถประมวลผลข้อมูลจำนวนมากอย่างรวดเร็วและให้ผลลัพธ์สม่ำเสมอ ขณะที่ระบบตามกฎอาจตรวจสอบได้ง่ายกว่าโมเดลซับซ้อน เพราะเห็นตรรกะการตัดสินใจอย่างชัดเจน

ข้อจำกัดของการคาดการณ์

Traditional AI ไม่ได้หมายความว่าเครื่องจักรเข้าใจสาเหตุของผลลัพธ์โดยอัตโนมัติ โมเดลอาจพบเพียงความสัมพันธ์ทางสถิติ โดยยังไม่สามารถยืนยันเหตุและผลได้ และหากข้อมูลในอดีตมีอคติ ระบบก็อาจทำซ้ำหรือขยายอคตินั้น กฎที่ออกแบบมาเฉพาะสถานการณ์ยังอาจใช้ไม่ได้เมื่อเงื่อนไขเปลี่ยนไป ส่วนโมเดลคาดการณ์ที่ซับซ้อนอาจอธิบายได้ยาก

ประสิทธิภาพยังอาจลดลงเมื่อโลกจริงเปลี่ยนแปลง ปัญหานี้มักเรียกว่า Data Drift ในการใช้งานที่มีผลกระทบสูง เช่น การปล่อยสินเชื่อ การจ้างงาน ประกันภัย กระบวนการยุติธรรม และการแพทย์ จึงจำเป็นต้องตรวจสอบคุณภาพข้อมูล ทดสอบอคติ อธิบายผลลัพธ์อย่างเหมาะสม มีมนุษย์ทบทวน ติดตามระบบอย่างต่อเนื่อง และเปิดช่องทางให้ผู้ได้รับผลกระทบอุทธรณ์ได้

2. Generative AI: AI ที่สร้างเนื้อหาใหม่

Generative AI เรียนรู้รูปแบบจากคลังข้อมูลขนาดใหญ่ที่ประกอบด้วยข้อความ ภาพ เสียง วิดีโอ หรือโค้ด แล้วนำรูปแบบเหล่านั้นมาสร้างผลลัพธ์ใหม่ โมเดลภาษาขนาดใหญ่จะสร้างข้อความเป็นลำดับ ขณะที่โมเดลมัลติโมดัลสามารถทำงานข้ามหลายรูปแบบได้

การเปลี่ยนแปลงสำคัญอยู่ที่ประสบการณ์ของผู้ใช้ จากเดิมที่ต้องเลือกคำสั่งสำเร็จรูปหรือรับเพียงคะแนนจำแนก ผู้ใช้สามารถอธิบายเป้าหมายด้วยภาษาธรรมชาติ แล้วขอให้ระบบร่าง แปลง หรืออธิบายเนื้อหาได้

Generative AI ใช้ทำอะไรได้บ้าง

• บริการลูกค้า: ร่างคำตอบ สรุปบทสนทนา แปลภาษา และค้นข้อมูลจากฐานความรู้
• งานกฎหมาย: สรุปเอกสาร ดึงข้อสัญญา เปรียบเทียบแนวคำพิพากษา และจัดทำร่างเบื้องต้น แต่ผู้เชี่ยวชาญยังต้องตรวจสอบแหล่งข้อมูลต้นฉบับและข้ออ้างทางกฎหมาย
• การศึกษา: อธิบายแนวคิด สร้างแบบฝึกหัด และให้ข้อเสนอแนะ
• งานสร้างสรรค์: ระดมความคิด ร่างข้อความการตลาด และสร้างภาพ เพลง แนวคิดวิดีโอ รวมถึงโค้ด
• การเขียนโปรแกรม: อธิบายโค้ด เขียนชุดทดสอบ แนะนำวิธีแก้บั๊ก และช่วยเร่งงานพัฒนาที่ทำซ้ำเป็นประจำ

ประโยชน์หลักคือความเร็ว ต้นทุนการร่างงานที่ลดลง การสื่อสารด้วยภาษาธรรมชาติ และความสามารถในการสร้างผลงานหลายเวอร์ชันให้เหมาะกับผู้ใช้แต่ละคน แต่คำตอบที่ดูน่าเชื่อถือไม่ได้เท่ากับการตัดสินใจแบบผู้เชี่ยวชาญที่เชื่อถือได้

ความเสี่ยงสำคัญของ Generative AI

ข้อมูลหลอนและความมั่นใจเกินจริง โมเดลภาษาขนาดใหญ่อาจสร้างข้อมูลเท็จ ข้อมูลคลาดเคลื่อน มีอคติ หรือทำให้เรื่องซับซ้อนง่ายเกินไป โดยใช้ถ้อยคำที่มั่นใจ งานวิจัยด้านการยึดโยงกับแหล่งข้อมูลและการประเมินโมเดลชี้ว่า ปัญหาข้อมูลหลอน เนื้อหาอันตราย การชักจูง การละเมิดลิขสิทธิ์ ความเป็นส่วนตัว และความปลอดภัย ล้วนต้องได้รับการทดสอบและติดตาม

ผลกระทบต่อการเรียนรู้และความซื่อสัตย์ทางวิชาการ การทดลองภาคสนามขนาดใหญ่ในโรงเรียนพบว่า การใช้ AI ติวช่วยให้ผลการเรียนดีขึ้นระหว่างที่มีเครื่องมือ แต่เมื่อนำเครื่องมือออก นักเรียนที่พึ่งพา AI โดยไม่มีมาตรการป้องกันที่เหมาะสมอาจทำผลงานได้แย่ลง สะท้อนว่าการพัฒนาทักษะอาจลดลง คำใบ้ที่ออกแบบโดยครูช่วยป้องกันปัญหาได้ดีกว่าการให้คำตอบโดยตรง นอกจากนี้ เครื่องมือสร้างสรรค์ยังอาจทำให้การลอกงานง่ายขึ้น หรือทำให้ประเมินได้ยากว่านักเรียนเข้าใจเนื้อหาด้วยตนเองจริงหรือไม่

ลิขสิทธิ์และที่มาของเนื้อหา แหล่งที่มาของข้อมูลฝึกโมเดล การเลียนแบบสไตล์ และผลลัพธ์ที่อาจทำซ้ำเนื้อหาซึ่งได้รับความคุ้มครอง ยังคงเป็นประเด็นถกเถียง แนวทางด้านการศึกษาระบุว่าการละเมิดทรัพย์สินทางปัญญาเป็นความเสี่ยงสำคัญ ควบคู่กับเนื้อหาที่คลาดเคลื่อน มีอคติ หรือไม่ปลอดภัย

เนื้อหาอันตรายและการชักจูง ระบบอาจสร้างข้อมูลบิดเบือน การคุกคาม เนื้อหาทางเพศหรือความรุนแรง และคำแนะนำที่เป็นอันตรายได้ แนวทางด้านความปลอดภัยจึงแนะนำให้มีการทดสอบ มาตรการป้องกัน การบันทึกกิจกรรม และการติดตาม ไม่ควรสมมติว่าโมเดลจะทำตามเจตนาของผู้พัฒนาได้เสมอ

ความปลอดภัยและสุขภาวะของเยาวชน งานวิจัยเกี่ยวกับความเสี่ยงของ Generative AI ต่อคนรุ่นใหม่ระบุข้อกังวลด้านสุขภาวะทางจิต พัฒนาการด้านพฤติกรรมและสังคม เนื้อหาที่เป็นพิษ ความเป็นส่วนตัว และการนำไปใช้ผิดวัตถุประสงค์หรือแสวงหาประโยชน์ ความเสี่ยงจะยิ่งรุนแรงเมื่อผู้ใช้มองแชตบอตเป็นผู้ช่วยที่ไว้ใจได้แทนการรับความช่วยเหลือจากผู้เชี่ยวชาญ

ความเป็นส่วนตัวและความลับ พรอมต์อาจมีข้อมูลส่วนบุคคล ความลับทางธุรกิจ ข้อมูลลูกค้า หรือข้อมูลที่อยู่ภายใต้เอกสิทธิ์ทางกฎหมาย องค์กรจึงควรกำหนดให้ชัดเจนว่าข้อมูลประเภทใดส่งเข้าไปในบริการใดได้บ้าง และผู้ใช้ไม่ควรนำข้อมูลอ่อนไหวเข้าสู่ระบบที่ไม่ได้รับอนุมัติ

แนวทางควบคุมการใช้ Generative AI

หลักพื้นฐานที่เหมาะสมคือมองผลลัพธ์ของโมเดลเป็น ร่างงาน ไม่ใช่หลักฐาน ข้อเท็จจริงสำคัญควรตรวจสอบกับแหล่งข้อมูลที่น่าเชื่อถือ และควรกำหนดให้มนุษย์ทบทวนการตัดสินใจด้านการแพทย์ กฎหมาย การเงิน การจ้างงาน และความปลอดภัย

มาตรการที่ใช้ได้จริง ได้แก่ การดึงข้อมูลจากแหล่งที่ได้รับอนุมัติพร้อมการอ้างอิง การทดสอบแบบ Red Team มาตรการกรองเนื้อหา การออกแบบให้เหมาะกับอายุ การเก็บบันทึกการใช้งาน การเปิดเผยให้ผู้ใช้ทราบว่าใช้ AI และนโยบายด้านข้อมูล การใช้ AI ในการศึกษา ที่มาของเนื้อหา และการเคลียร์ลิขสิทธิ์ แนวทางภาครัฐก็เน้นความเสี่ยงเรื่องเนื้อหาไม่ถูกต้องหรือมีอคติ การละเมิดความเป็นส่วนตัว การละเมิดทรัพย์สินทางปัญญา และความซื่อสัตย์ทางวิชาการเช่นกัน

3. Agentic AI: AI ที่วางแผนและลงมือทำ

Agentic AI เพิ่ม “ชั้นการปฏิบัติการ” เข้าไปในระบบ เอเจนต์สามารถตีความเป้าหมาย แบ่งงานเป็นหลายขั้นตอน เรียกใช้เครื่องมืออย่างเบราว์เซอร์ คลังโค้ด ฐานข้อมูล หรือระบบส่งข้อความ ตรวจสอบผลลัพธ์ระหว่างทาง และทำงานต่อภายใต้สิทธิ์ที่ได้รับ

นี่คือความแตกต่างระหว่างเอเจนต์กับแชตบอต แม้ทั้งคู่อาจใช้โมเดลภาษาขนาดใหญ่เหมือนกัน แชตบอตอาจช่วยร่างอีเมล ขณะที่เอเจนต์อาจค้นข้อมูล เตรียมข้อความ ส่งอีเมล และอัปเดตอีกระบบหนึ่งให้เสร็จ การช่วยเขียนโค้ดอาจเริ่มจากการอธิบายบั๊ก แต่เอเจนต์สามารถตรวจสอบโค้ด แก้ไขไฟล์ รันชุดทดสอบ และเตรียมการเปลี่ยนแปลงไว้ให้คนตรวจสอบ

ตัวอย่างที่มีการกล่าวถึงในตลาดปัจจุบัน ได้แก่ เอเจนต์พัฒนาซอฟต์แวร์อย่าง Google Jules เครื่องมือเวิร์กโฟลว์สรรหาบุคลากรอย่าง LinkedIn Hiring Assistant และเฟรมเวิร์กเอเจนต์ส่วนบุคคลอย่าง OpenClaw โดยเอกสารโครงการระบุว่า OpenClaw เป็นผู้ช่วยส่วนบุคคลแบบโอเพนซอร์สที่ทำงานบนอุปกรณ์ของผู้ใช้และเชื่อมต่อกับช่องทางและเครื่องมือต่าง ๆ ความสามารถที่ทำได้จริงขึ้นอยู่กับการเชื่อมต่อและสิทธิ์ที่ผู้ใช้เปิดใช้งาน

ทำไมเอเจนต์จึงมีประโยชน์

• ทำเวิร์กโฟลว์ให้เสร็จ แทนที่จะช่วยร่างงานเพียงชิ้นเดียว
• ลดงานประสานงานและงานธุรการที่ทำซ้ำ
• เชื่อมข้อมูลจากระบบธุรกิจที่แยกจากกัน
• ทำงานต่อเนื่องภายใต้ขอบเขตที่กำหนด

ความสามารถนี้อาจทำให้เวิร์กโฟลว์ที่ซับซ้อนเข้าถึงได้ง่ายขึ้นสำหรับองค์กรขนาดเล็กและผู้ใช้รายบุคคล แต่คำถามสำคัญจะเปลี่ยนจาก “คำตอบถูกต้องหรือไม่” เป็น “ระบบได้รับอนุญาตให้ทำอะไร และเราตรวจสอบการกระทำของมันได้อย่างไร”

เมื่อ AI ลงมือทำ พื้นที่ความเสี่ยงก็ขยายขึ้น

โมเดลสร้างสรรค์อาจตอบผิดได้ แต่เอเจนต์สามารถเปลี่ยนการอนุมานที่ผิด คำสั่งที่เป็นอันตราย หรือเครื่องมือที่ถูกเจาะ ให้กลายเป็นการกระทำภายนอกได้

เอเจนต์ที่เข้าถึงระบบการเงินอาจชำระเงิน ซื้อสินค้า โอนเงิน หรือยกเลิกรายการโดยไม่ได้รับอนุญาต ส่วนเอเจนต์ที่เข้าถึงอีเมล เบราว์เซอร์ หรือคลาวด์ อาจถูกเว็บเพจหรือเอกสารอันตรายหลอกให้เปิดเผยข้อมูลรับรอง ส่งไฟล์ลับ หรือทำให้ข้อมูลรั่วไหลได้ สิทธิ์ที่กว้างเกินไป การยืนยันตัวตนที่อ่อนแอ และการแบ่งหน้าที่ไม่ชัดเจน อาจขยายความผิดพลาดเล็ก ๆ ของโมเดลให้กลายเป็นเหตุการณ์ร้ายแรง

การระบุผู้รับผิดชอบก็ยากขึ้น เมื่อผลลัพธ์เกิดจากปฏิสัมพันธ์ระหว่างโมเดล คำสั่ง ข้อมูล เครื่องมือ และเอเจนต์อื่น ผู้ดูแลระบบจึงต้องมองเห็นไม่ใช่แค่ผลลัพธ์สุดท้าย แต่รวมถึงการกระทำที่เสนอ เหตุผลและหลักฐานประกอบ ตลอดจนสิทธิ์ที่ถูกใช้

ความสามารถเพิ่ม การกำกับดูแลต้องเพิ่มตาม

หลักการพื้นฐานใช้ได้กับ AI ทั้ง 3 ระยะ ได้แก่ กำหนดเจ้าของระบบที่รับผิดชอบ จำกัดวัตถุประสงค์ ปกป้องข้อมูล ทดสอบก่อนใช้งาน ติดตามประสิทธิภาพ เตรียมแผนรับมือเหตุการณ์ และเปิดให้มนุษย์ทบทวนหรือยับยั้งการตัดสินใจที่มีผลกระทบสูง

สำหรับ Agentic AI ควรมีมาตรการเพิ่มเติม เช่น

• ใช้สิทธิ์เท่าที่จำเป็นและข้อมูลรับรองที่มีอายุจำกัด
• แยกบัญชีและระบุตัวตนของเอเจนต์แต่ละตัวอย่างชัดเจน
• กำหนดขอบเขตว่าเอเจนต์อ่าน เขียน ส่ง ซื้อ ลบ หรือเผยแพร่สิ่งใดได้บ้าง
• ตั้งด่านยืนยันก่อนการกระทำที่ย้อนกลับไม่ได้หรือมีผลกระทบสูง
• ใช้รายการเครื่องมือที่อนุมัติแล้ว ระบบ Sandbox และมาตรการป้องกัน Prompt Injection
• กำหนดวงเงินหรือขีดจำกัดธุรกรรม พร้อมตรวจจับความผิดปกติ
• เก็บบันทึกการกระทำอย่างละเอียดและแก้ไขย้อนหลังได้ยาก
• แบ่งแยกหน้าที่ และกำหนดระดับการอนุมัติจากมนุษย์ให้เหมาะกับความเสียหายที่อาจเกิดขึ้น
• มีสวิตช์หยุดระบบหรือ Kill Switch ที่เรียกใช้ได้อย่างรวดเร็ว

แนวทางของสิงคโปร์ต่อ Agentic AI

สิงคโปร์เปิดตัว Model AI Governance Framework for Agentic AI เมื่อวันที่ 22 มกราคม 2026 กรอบนี้เป็นแนวทางสำหรับองค์กร ไม่ใช่กฎหมาย AI แบบฉบับเดียวที่ใช้ครอบคลุมทุกเรื่อง โดยวางความรับผิดชอบของมนุษย์และองค์กรไว้เป็นศูนย์กลาง และแนะนำให้บริหารความเสี่ยงกับกำหนดมาตรการควบคุมให้เหมาะกับระดับความเป็นอิสระของเอเจนต์

สำหรับภาคการเงิน เอกสาร SAFR ของ Monetary Authority of Singapore เสนอแนวทางกำกับดูแลขณะระบบทำงาน โดยบันทึกอย่างเป็นโครงสร้างว่าเอเจนต์ตั้งใจจะทำอะไร เหตุใดจึงต้องทำ และมีหลักฐานใดสนับสนุนการกระทำนั้น

บทสรุป: จากตัดสินใจ สู่สร้างสรรค์ และลงมือทำ

วิวัฒนาการของ AI ไม่ใช่การเดินหน้าจาก “AI แบบเก่า” ไปสู่ “AI แบบใหม่” แล้วทิ้งของเดิมไว้ข้างหลัง ระบบตามกฎและระบบคาดการณ์ยังเหมาะกับงานจำนวนมากที่มีขอบเขตชัด Generative AI เพิ่มความยืดหยุ่นในการสร้างเนื้อหาและการสื่อสารด้วยภาษาธรรมชาติ ส่วน Agentic AI เพิ่มความสามารถในการบรรลุเป้าหมายผ่านเครื่องมือและการกระทำภายนอก

เมื่อความสามารถเพิ่มขึ้น การกำกับดูแลก็ต้องยกระดับตามไปด้วย การคาดการณ์ต้องเน้นความแม่นยำ อคติ และการเปลี่ยนแปลงของข้อมูล การสร้างสรรค์ต้องเน้นการตรวจสอบข้อเท็จจริง ความปลอดภัย ความเป็นส่วนตัว และที่มาของเนื้อหา ส่วนการลงมือทำต้องเพิ่มการควบคุมสิทธิ์ ด่านอนุมัติ ความรับผิดชอบ และแผนกู้คืนระบบ

AI ที่น่าเชื่อถือจึงไม่ได้เกิดจากโมเดลที่เก่งเพียงอย่างเดียว แต่เกิดจากการออกแบบทั้งระบบอย่างรอบคอบ ควบคู่กับการกำกับดูแลและการตรวจสอบโดยมนุษย์