คำว่า "AI agent" กลายเป็นคำที่ได้ยินบ่อยมากในช่วงไม่กี่เดือนที่ผ่านมา แต่สิ่งที่ยังขาดอยู่คือภาพที่ชัดเจนว่ามันหน้าตาเป็นอย่างไรในการทำงานจริงๆ ไม่ใช่ demo ไม่ใช่ทดลองส่วนตัว แต่ในธุรกิจจริงที่ต้องส่งผลงานทุกวัน Nick Saraev ครีเอเตอร์และนักธุรกิจที่บริษัทของเขาทำรายได้เกิน 400,000 ดอลลาร์ต่อเดือน ได้เปิดเผย workflow ที่เขาใช้อยู่จริงในปัจจุบัน ซึ่งวนอยู่รอบแนวคิดหลัก 3 อย่าง ได้แก่ พื้นที่ทำงานร่วมกัน ระบบ capture และ evals
ที่น่าสนใจคือระบบนี้ไม่ได้ซับซ้อนเกินเอื้อมหรือต้องใช้งบก้อนใหญ่ แต่เป็นการนำเครื่องมือที่หลายคนมีอยู่แล้ว อย่าง project management tool หรือ knowledge base มาเชื่อมกับ AI agent อย่างมีเป้าหมาย ผลลัพธ์คือคนทำงานน้อยลงแต่ output ออกมามากขึ้นและมีคุณภาพใกล้เคียงกับที่ทำเองจริงๆ
- AI agent รับงานผ่าน webhook อัตโนมัติเมื่อ task ถูก tag ว่าพร้อม แล้วดึง context จาก workspace + knowledge base + credentials มาทำงาน
- Capture แรงเสียดทานต่ำ เช่น hotkey หรือ action button บนโทรศัพท์ ทำให้ส่งงานให้ AI ได้เร็วโดยไม่ต้องหยุดทำงานอื่น
- Evals คือชุด checklist มาตรฐานที่ agent ใช้ตรวจงานตัวเองก่อนส่งถึงคน ลด QA overhead ลงได้มาก
- บทบาทของคนเปลี่ยนจาก "ทำงาน" มาเป็น "กำหนด scope + เลือก output ที่ดีที่สุด"
พื้นที่ทำงานร่วมกัน: ตรงนี้แหละที่ต่างจาก chatbot
เส้นแบ่งที่ชัดเจนที่สุดระหว่าง "ใช้ AI ธรรมดาผ่าน chat" กับ "ใช้ AI agent จริงๆ" คือตรงที่ AI ไม่ได้อยู่แค่ในกล่อง conversation แต่เข้ามานั่งอยู่ใน to-do list เดียวกัน กับคนในทีม
แนวทางที่นำมาใช้คือเครื่องมือ project management ทั่วไป ไม่ว่าจะเป็น Linear, Notion หรือ Asana ล้วนทำหน้าที่ได้ สิ่งที่สำคัญกว่าชื่อเครื่องมือคือ รูปแบบ ของมัน นั่นคือ task แต่ละอันต้องมีสถานะที่บอกว่าอยู่ที่ไหนในกระบวนการ เช่น inbox (รับเข้า) → next (รอทำ) → doing (กำลังทำ) → waiting (รอการอนุมัติ) → done (เสร็จ) และที่สำคัญที่สุดคือทั้งคนและ AI agent ใช้ list ชุดเดียวกันนี้
เมื่อมีงานใหม่ขึ้นมาในหัว ไม่ว่าจะสำหรับคนหรือ AI ก็ตาม วิธีจัดการคือเปิด task ใหม่ เขียนคำอธิบายให้ชัดเจนพอที่คนอื่น (หรือ AI) จะเข้าใจโดยไม่ต้องถามกลับมา แล้ว tag ว่า "AI ready" งานที่เหมาะกับ agent เช่น "หาแนวทางวิดีโอใหม่ 5 เรื่อง พร้อม 3 ตัวเลือกชื่อต่อเรื่องและ outline คร่าวๆ โดยดูจากคลิปเก่าและ trending content ปัจจุบัน" งานแบบนี้ต้องการค้นข้อมูล วิเคราะห์ และเขียน ซึ่ง agent ทำได้ดีโดยไม่ต้องนั่งดูแลตลอด
วิธีที่ Agent รับงานและทำงานโดยอัตโนมัติ
เบื้องหลังของระบบทำงานผ่าน webhook ซึ่งก็คือ URL ที่รอรับ signal จากระบบ เมื่อ task ถูก drag ไปที่สถานะ "next" หรือถูก tag เป็น "AI ready" ระบบจะส่ง request อัตโนมัติไปยัง server ที่มี AI agent รออยู่ ไม่มีใครต้องกดอะไรเพิ่ม
AI agent ที่รับงานมีสิทธิ์เข้าถึงสิ่งสำคัญ 3 อย่าง ชั้นแรกคือ workspace context ซึ่งรวมถึงไฟล์ทั้งหมดที่ทีมใช้งานอยู่ task อื่นๆ ใน pipeline และข้อมูลสถานะปัจจุบันของธุรกิจ ชั้นที่สองคือ knowledge base ที่เป็นข้อมูลที่เจ้าของระบบป้อนไว้ล่วงหน้าเพื่ออธิบาย preference สไตล์การทำงาน กลยุทธ์การตัดสินใจ และบริบทต่างๆ และชั้นที่สามคือ credentials อย่างรหัสผ่านหรือ API key ที่ agent ใช้เชื่อมกับ service ต่างๆ ได้เมื่อจำเป็น
เมื่อ agent ได้รับงานแล้ว มันจะประเมินว่าตัวเองเข้าใจ task ถูกต้องไหม จากนั้นก็ทำงานไปเรื่อยๆ และถ้ามีขั้นตอนใดที่ต้องการการอนุมัติจากมนุษย์ก่อน เช่น จะโพสต์ลง social media มันจะเปลี่ยนสถานะ task เป็น "waiting" และแจ้งเจ้าของ ไม่ดำเนินการเองโดยพลการ นี่คือจุดที่ทำให้คนยังอยู่ในวงควบคุมได้ตลอดเวลา
ระบบ Capture: ลดแรงเสียดทาน เพิ่มความเร็ว
แนวคิด capture มาจาก Getting Things Done ของ David Allen ซึ่งพูดถึงการมีช่องทางจดความคิดลงในระบบได้โดยมีแรงเสียดทานน้อยที่สุด และนี่คือชิ้นส่วนที่ทำให้ workflow AI agent ทำงานได้จริงในชีวิตประจำวัน ไม่ใช่แค่ demo บนเวที
ถ้าการส่งงานให้ AI ต้องเปิดแอป พิมพ์ context ยาวๆ รอ UI โหลด และกดหลายปุ่ม คนก็จะทำน้อยลง แต่ถ้ากด hotkey เดียว กล่องพิมพ์โผล่ขึ้นมา พิมพ์งาน กด Enter แล้ว tag ว่า agent ทั้งหมดใช้เวลาไม่ถึง 20 วินาที โอกาสที่ความคิดดีๆ จะหลุดหายไปก็แทบไม่มีเลย
ระบบนี้ยังต่อยอดไปถึงโทรศัพท์ได้ด้วย การ bind action button ของ iPhone ให้บันทึกความคิดเป็น task โดยตรง ทำให้แม้จะอยู่นอกบ้านหรือระหว่างประชุมก็ส่งงานให้ AI ได้ทันทีที่นึกขึ้นมา ยังตั้ง push notification ให้แจ้งเตือนเมื่อ agent ต้องการการอนุมัติได้ด้วย ทำให้ไม่ต้องเปิดหน้า dashboard ค้างทิ้งไว้รอตลอดเวลา
ยิ่งแรงเสียดทานของการป้อนงานน้อยเท่าไร คนก็ยิ่งพึ่งระบบมากขึ้น และ AI ก็ยิ่งทำงานได้มากขึ้นตาม
Evals: ตัวกรองคุณภาพที่ Agent ตรวจตัวเองก่อน
Evals หรือชุด evaluation คือสิ่งที่ทำให้ output ที่ออกมาจาก AI agent มีคุณภาพสม่ำเสมอโดยที่คนไม่ต้องนั่งตรวจทุกรายละเอียดด้วยตัวเอง
แนวคิดคือก่อนที่ agent จะเปลี่ยนสถานะงานเป็น "waiting" เพื่อรอการตรวจจากคน มันต้องผ่าน checklist มาตรฐานก่อน ตัวอย่างเช่น eval สำหรับ thumbnail จะตรวจว่า ตัวอักษรอ่านได้ชัดและไม่มี glitch ไหม ขนาดถูกต้องตามสเปกที่กำหนดไหม สไตล์ตรงกับที่กำหนดไว้ในระบบไหม และ content ตรงกับ brief ที่ให้ไปหรือเปล่า ถ้าไม่ผ่านเกณฑ์ข้อใดข้อหนึ่ง agent จะ iterate ซ้ำเองโดยอัตโนมัติก่อนที่จะรายงานกลับมา
นอกจาก eval เชิงภาพ ยังมี eval เชิงคุณภาพความคิดด้วย เช่น งานชิ้นนี้ reason จาก first principles จริงหรือแค่ pattern match กับสิ่งที่คนอื่นทำ? การตัดสินใจมี expected value สูงพอไหม? มีขั้นตอนไหนที่คนไม่จำเป็นต้องทำแต่ยังไม่ได้ทำ? ระบบ scoring 0-2 คะแนนต่อ criteria ถ้า total ต่ำกว่าเกณฑ์ agent จะวน loop ใหม่เองจนกว่าจะผ่าน ค่าใช้จ่าย token ที่เพิ่มขึ้นจาก eval แต่ละครั้งยังต่ำกว่าเวลาที่คนต้องใช้แก้งานคุณภาพต่ำอยู่มาก
บทบาทของคนเปลี่ยนไปอย่างไร
สิ่งที่เปลี่ยนแปลงไปชัดเจนที่สุดในระบบนี้ไม่ใช่เทคโนโลยี แต่คือ บทบาทของคน ซึ่งเลื่อนขึ้นไปอีกระดับหนึ่งในห่วงโซ่การทำงาน จาก "คนทำงาน" กลายเป็น "project manager ที่กำหนดงานและประเมินผล"
เวลาส่วนใหญ่ในวันทำงานตอนนี้ถูกใช้ไปกับ 2 อย่าง คือ scope งานให้ชัด (ยิ่งเขียน brief ชัดเท่าไร agent ยิ่งทำงานได้ตรงเท่านั้น) และ ตรวจ output ที่ได้กลับมา โดยเอา taste และ judgment ของตัวเองมาเลือกว่าอะไรดีพอ มันคล้ายกับการบริหารทีมนักเขียนหรือนักออกแบบ แต่แทนที่จะเป็นคน ก็เป็น AI agent แทน
ผลลัพธ์คือแทนที่จะนั่งรอ output ทีละชิ้น สามารถส่งงาน 20-50 tasks พร้อมกันให้ agent หลายตัวทำงานพร้อมกัน แล้วไปทำงานที่ต้องการตัวตนจริงๆ อย่างการประชุมลูกค้า การขาย หรือการวางแผน แล้วค่อยกลับมาตรวจ batch ราว 3-4 ครั้งต่อวัน ขีดจำกัดของการทำงานไม่ใช่ "ทำงานได้เยอะแค่ไหนต่อวัน" อีกต่อไป แต่เปลี่ยนเป็น "scope งานและประเมินผลได้แม่นยำและรวดเร็วแค่ไหน"
บทสรุป
ระบบ AI agent ที่ใช้งานได้จริงในธุรกิจไม่ได้ต้องการเทคโนโลยีพิเศษ แต่ต้องการความชัดเจน 3 ชั้น ได้แก่ workspace ที่ทั้งคนและ AI ทำงานร่วมกันบน to-do list เดียว ระบบ capture ที่ทำให้ส่งงานได้เร็วจนไม่มีข้อแก้ตัว และ evals ที่เป็น guardrail ให้ผลงานมีคุณภาพก่อนถึงมือคน สิ่งที่เริ่มทำได้ทันทีคือลองสร้าง task ใน project management tool ที่มีอยู่แล้ว แล้วเขียน brief ให้ละเอียดพอที่คนอื่นหรือ AI จะทำแทนได้โดยไม่ต้องถามกลับ แค่นั้นก็เป็นก้าวแรกของการทำงานในแบบที่ขีดจำกัดไม่ใช่เวลาหรือแรงของตัวเองอีกต่อไป
