คำนำ
ทุกวันนี้เราได้ยินคำว่า "AI Agent" กันบ่อยขึ้นเรื่อยๆ — AI ที่ไม่ได้แค่ตอบคำถาม แต่สามารถทำงานหลายขั้นตอนได้เอง ตั้งแต่ค้นหาข้อมูล วิเคราะห์ ไปจนถึงตัดสินใจ แต่ปัญหาที่หลายคนมองข้ามคือ: จะควบคุม AI Agent ให้ทำงานถูกต้องได้อย่างไร? บทความนี้จะพาไปดู 2 แนวคิดใหม่ที่น่าสนใจมาก — แนวคิดแรกจากวงวิศวกรที่โต้แย้งว่า AI Agent ต้องการ "ระบบควบคุมแบบมีโครงสร้าง" ไม่ใช่แค่ prompt ที่ยาวขึ้นเรื่อยๆ และแนวคิดที่สองคือเฟรมเวิร์ก HAAS จากงานวิจัยล่าสุดที่บอกว่า "มนุษย์กับ AI ไม่ควรแข่งกัน แต่ควรแบ่งงานกันทำอย่างยืดหยุ่น"
ส่วนที่ 1: AI Agent ต้องการ Control Flow ไม่ใช่ Prompt ที่ซับซ้อนขึ้น
ปัญหาของ Prompt Chains
ลองนึกภาพว่าคุณกำลังเขียนโปรแกรม แต่ทุกคำสั่งที่เขียนไม่ได้ทำงานแน่นอน — บางทีทำถูก บางทีทำผิด และทุก function ที่เรียกใช้จะ return "สำเร็จ" เสมอ แม้ว่าจริงๆ แล้วอาจล้มเหลวไปแล้ว นี่คือสิ่งที่เกิดขึ้นกับ Prompt Chains ที่หลายคนใช้สร้าง AI Agent ในปัจจุบัน Prompt Chains คือการเขียน prompt หลายๆ อันเรียงต่อกัน เช่น:
- Prompt แรก: "วิเคราะห์ข้อมูลนี้"
- Prompt สอง: "จากผลวิเคราะห์ สรุปประเด็นสำคัญ"
- Prompt สาม: "เขียนรายงานจากสรุป"
ดูเหมือนดีใช่มั้ย? แต่ปัญหาคือ: ไม่แน่นอน (Non-deterministic): รัน 10 ครั้งอาจได้ผล 10 แบบ ตรวจสอบยาก: ไม่รู้ว่าผลลัพธ์ผิดเพราะ prompt ไหน ซับซ้อนเกินไป: ยิ่งเพิ่ม prompt ยิ่งยากที่จะควบคุม
ทางออก: ใช้ LLM เป็น "ชิ้นส่วน" ไม่ใช่ "ทั้งระบบ"
แนวคิดที่ผู้เชี่ยวชาญเสนอคือ — ให้ถือว่า LLM (เช่น ChatGPT, Claude) เป็นแค่ component หนึ่งในระบบ เหมือนเครื่องยนต์ในรถยนต์ รถไม่ได้มีแค่เครื่องยนต์ แต่มีพวงมาลัย เบรก ไฟเลี้ยว ฯลฯ สิ่งที่ AI Agent ต้องการจริงๆ คือ Deterministic Scaffolds หรือ "โครงสร้างควบคุมที่แน่นอน" ประกอบด้วย:
- State Machine (เครื่องจักรสถานะ): กำหนดชัดเจนว่า AI อยู่ขั้นตอนไหน และจะไปขั้นตอนไหนต่อ
- Validation Checkpoints (จุดตรวจสอบ): ทุกขั้นตอนต้องตรวจสอบก่อนไปขั้นต่อไป
- Conditional Logic (เงื่อนไข): ถ้าผลลัพธ์ผิดพลาด ให้กลับไปแก้ ไม่ใช่ไปต่อ
ตัวอย่างในชีวิตจริง
ลองนึกถึงการสั่งอาหารออนไลน์: แบบ Prompt Chain: ส่ง prompt "สั่งอาหารให้ฉัน" → รอ AI ตัดสินใจทุกอย่างเอง → อาจสั่งผิด สั่งซ้ำ หรือลืมใส่ที่อยู่
แบบ Control Flow:
- ขั้นที่ 1: แสดงเมนู → ตรวจสอบ ว่าผู้ใช้เลือกแล้ว
- ขั้นที่ 2: ยืนยันรายการ → ตรวจสอบ ว่าถูกต้อง
- ขั้นที่ 3: กรอกที่อยู่ → ตรวจสอบ ว่าครบถ้วน
- ขั้นที่ 4: ชำระเงิน → ตรวจสอบ ว่าสำเร็จ
แบบที่สองน่าเชื่อถือกว่ามากใช่มั้ยล่ะ?
การจัดการข้อผิดพลาด
เมื่อ AI Agent ทำงานผิดพลาด มี 3 ทางเลือก:
- มีคนตรวจ (Human-in-the-loop): ทุกผลลัพธ์ต้องผ่านการอนุมัติจากคนก่อน
- ตรวจสอบแบบละเอียดหลังรัน (Exhaustive Verification): ให้ระบบตรวจสอบทุกอย่างหลัง AI ทำเสร็จ
- ยอมรับตาม "สัญชาตญาณ" (Vibe-based): ดูคร่าวๆ ว่าน่าจะถูก (ไม่แนะนำสำหรับงานสำคัญ!)
ส่วนที่ 2: HAAS — เฟรมเวิร์กแบ่งงานระหว่างคนกับ AI อย่างยืดหยุ่น
งานวิจัยจาก arXiv (พฤษภาคม 2026) เสนอเฟรมเวิร์กชื่อ HAAS (Human-AI Adaptive Symbiosis) ที่ตอบคำถามสำคัญ: "งานแต่ละอย่าง ควรให้คนทำหรือ AI ทำ?"
5 ระดับการทำงานร่วมกัน
HAAS แบ่งระดับความอิสระของ AI ออกเป็น 5 ระดับ:
| ระดับ | ใครทำ | ตัวอย่าง |
|---|---|---|
| 1 | มนุษย์ทำเอง | ตัดสินใจกลยุทธ์บริษัท |
| 2 | ทำร่วมกัน | ร่างเอกสารด้วยกัน |
| 3 | AI ช่วย | AI เขียน draft แรก คนตรวจแก้ |
| 4 | AI ทำ + คนคุม | AI ตอบลูกค้า คนอนุมัติ |
| 5 | AI ทำอิสระ | AI จัดเรียงข้อมูลอัตโนมัติ |
สิ่งที่น่าสนใจคือ ระดับนี้ไม่คงที่ — HAAS ใช้ระบบเรียนรู้ (Contextual Bandit Learner) ที่ปรับระดับอิสระของ AI ตาม feedback จากผลลัพธ์จริง ถ้า AI ทำงานนั้นได้ดี ก็จะค่อยๆ ให้ AI ทำเองมากขึ้น
กฎเกณฑ์ (Governance) สำคัญมาก
HAAS มีระบบบังคับใช้กฎเกณฑ์ (Governance) ที่ทำงานคู่กับระบบเรียนรู้: กฎแน่น = AI ทำน้อยลง: เช่น งานที่เกี่ยวกับเงิน อาจกำหนดให้ต้องมีคนอนุมัติเสมอ กฎหลวม = AI ทำมากขึ้น: เช่น งานจัดรูปแบบข้อมูล อาจให้ AI ทำได้เลย
ผลการทดลองที่น่าประหลาดใจ
- กฎเกณฑ์ไม่ได้เป็นแค่ on/off — ยิ่งกำหนด constraint แน่น ระบบจะปรับจาก "AI ทำเอง" เป็น "AI ทำ + คนคุม" อัตโนมัติ
- กฎเข้มข้นกลับทำให้ดีขึ้น! — ในงาน manufacturing การใส่ governance ที่เข้มขึ้นกลับช่วยลดความเหนื่อยล้าของพนักงานและเพิ่มประสิทธิภาพ
- ไม่มีสูตรสำเร็จตายตัว — การปรับ governance ระดับกลางมักได้ผลดีที่สุดเมื่อระบบมีประสบการณ์มากขึ้น
สรุป
สิ่งที่เราเรียนรู้จากทั้งสองแนวคิดนี้สรุปได้ไม่กี่ประโยค: การสร้าง AI Agent ที่ทำงานได้จริงและเชื่อถือได้ ไม่ใช่แค่เรื่องของการเขียน prompt ให้ฉลาดขึ้น แต่เป็นเรื่องของการออกแบบ "ระบบควบคุม" ที่เหมาะสม — ทั้งในแง่ของการมีโครงสร้างการทำงานที่ชัดเจน (State Machine, Validation Checkpoints) และการแบ่งงานระหว่างคนกับ AI อย่างยืดหยุ่นด้วย governance ที่เหมาะกับบริบท สำหรับคนที่กำลังพัฒนาหรือใช้ AI Agent ในองค์กร ข้อคิดที่สำคัญคือ: อย่าพยายามให้ AI ทำทุกอย่างอัตโนมัติตั้งแต่แรก แต่เริ่มจากการออกแบบระบบที่มีจุดตรวจสอบ แบ่งงานอย่างชัดเจน แล้วค่อยๆ ปรับระดับอิสระของ AI ตามผลลัพธ์จริง — วิธีนี้จะปลอดภัยกว่า และได้ผลดีกว่าในระยะยาว
แหล่งอ้างอิง
Brian Suh, "Agents Need Control Flow, Not More Prompts" — bsuh.bearblog.dev HAAS: Policy-Aware Framework for Adaptive Task Allocation Between Humans and AI — arXiv:2605.02832