อภิธานศัพท์นี้จัดทำขึ้นเพื่อให้ผู้ซื้อ ผู้ปฏิบัติงาน และผู้มีอำนาจตัดสินใจเข้าใจคำศัพท์หลักที่จำเป็นต่อการประเมิน แพลตฟอร์มและพาร์ทเนอร์ด้าน Agentic AI ได้อย่างมั่นใจ โดยเน้นความพร้อมระดับองค์กร ระบบอัตโนมัติด้านประสบการณ์ลูกค้า และการใช้งานจริงระดับ production
พื้นฐานและแนวคิดหลักของ Agentic AI
- Agentic AI – ระบบ AI ที่ออกแบบมาให้วางแผน ตัดสินใจ และลงมือทำเพื่อบรรลุเป้าหมายได้เอง แทนที่จะเพียงตอบสนองต่อ prompt ในสภาพแวดล้อมองค์กร Agentic AI ช่วยให้ทำงานได้ครบทั้ง workflow ด้วยการผสาน LLM เครื่องมือ (Actions) และ Knowledge ขององค์กรเข้าด้วยกัน ดังที่ใช้งานอยู่ในแพลตฟอร์ม Maven
- เอเจนต์ AI – ซอฟต์แวร์ที่รับข้อมูลเข้า วิเคราะห์บริบท และลงมือทำเพื่อบรรลุเป้าหมายเฉพาะ ต่างจากบอททั่วไปตรงที่เอเจนต์ AI ปรับพฤติกรรมได้อย่างยืดหยุ่น
- ความเป็นอิสระ (Autonomy) – ระดับที่เอเจนต์ AI ทำงานได้เองโดยไม่ต้องมีมนุษย์เข้ามาแทรกแซง ยิ่งเป็นอิสระมากยิ่งมีประสิทธิภาพมาก แต่ก็ต้องมีการกำกับดูแลและ guardrails ที่เข้มแข็งขึ้น
- พฤติกรรมที่มุ่งเป้าหมาย (Goal-Oriented Behavior) – ความสามารถของเอเจนต์ในการทำงานเพื่อผลลัพธ์ที่กำหนด ไม่ใช่เพียงงานที่แยกเป็นชิ้นๆ ช่วยให้เอเจนต์เรียงลำดับการทำงานข้ามระบบได้อย่างชาญฉลาด
- ระบบหลายเอเจนต์ (Multi-Agent System: MAS) – สถาปัตยกรรมที่เอเจนต์ AI หลายตัวทำงานร่วมกันหรือประสานกันเพื่อแก้ปัญหาที่ซับซ้อน การออกแบบแบบ MAS ช่วยเพิ่มความสามารถในการขยายระบบและความเชี่ยวชาญเฉพาะด้าน
- Action Space – ชุดการกระทำทั้งหมดที่เอเจนต์ได้รับอนุญาตให้ทำ การกำหนด action space มีความสำคัญต่อความปลอดภัยและความคาดการณ์ได้
- Policy – ชุดกฎที่กำหนดวิธีที่เอเจนต์ตัดสินใจและเลือกการกระทำ Policy ช่วยให้มั่นใจว่าสอดคล้องกับข้อกำหนดทางธุรกิจและการปฏิบัติตามกฎระเบียบ
- Planner – ส่วนประกอบที่แตกเป้าหมายระดับสูงออกเป็นขั้นตอนที่ลงมือทำได้ การวางแผนช่วยให้เอเจนต์รับมือกับ workflow ที่ซับซ้อนและมีหลายขั้นตอนได้
- Executor – ส่วนประกอบที่ลงมือทำตามแผนโดยเรียกใช้เครื่องมือ API หรือ workflow Executor เปลี่ยนการคิดวิเคราะห์ให้เป็นผลลัพธ์ในโลกจริง
- Reasoning Engine – ชั้นตรรกะที่ประเมินบริบท ข้อจำกัด และทางเลือกเพื่อกำหนดการกระทำถัดไป การคิดวิเคราะห์ที่ดีเป็นรากฐานของพฤติกรรมเอเจนต์ที่เชื่อถือได้
การจัดการ Memory, Knowledge และบริบท
- Memory – กลไกการจัดเก็บที่ช่วยให้เอเจนต์จดจำและเรียกคืนข้อมูลได้ตลอดเวลา Memory ทำให้เกิดความต่อเนื่อง การปรับให้เหมาะกับแต่ละบุคคล และการเรียนรู้
- Short-Term Memory – บริบทที่เก็บไว้ระหว่างการโต้ตอบหรือเซสชันเดียว ช่วยให้เอเจนต์เข้าใจลำดับของบทสนทนาและเจตนาในขณะนั้น
- Long-Term Memory – การจัดเก็บข้อเท็จจริง ความชอบ และประวัติการโต้ตอบอย่างถาวร Long-term memory ช่วยในการปรับให้เหมาะกับแต่ละบุคคลและเก็บองค์ความรู้ขององค์กร
- Vector Database – ฐานข้อมูลเฉพาะทางที่ปรับให้เหมาะกับการค้นหาความคล้ายคลึงบน embeddings มักใช้เก็บ memory และ knowledge ของเอเจนต์
- Embeddings – การแทนข้อความหรือข้อมูลในรูปตัวเลขที่เก็บความหมายเชิงความหมายไว้ ช่วยให้เอเจนต์ดึงข้อมูลที่เกี่ยวข้องได้อย่างมีประสิทธิภาพ
- Retrieval-Augmented Generation (RAG) – เทคนิคที่ทำให้ผลลัพธ์ของ AI อ้างอิงข้อมูลจริง โดยดึง knowledge ขององค์กรที่เกี่ยวข้องก่อนสร้างคำตอบ Maven ใช้รูปแบบการดึงข้อมูลเพื่อให้คำตอบอ้างอิงจาก Knowledge Base ของคุณ ซึ่งสร้างจากแหล่งข้อมูลอย่าง Salesforce, Zendesk, Freshdesk ไฟล์ที่อัปโหลด และ URL ที่ crawl มา
- Knowledge Base – คลังเนื้อหาขององค์กรที่คัดสรรแล้ว เช่น FAQ นโยบาย และเอกสาร เอเจนต์อาศัย knowledge base ในการให้คำตอบที่อ้างอิงข้อมูลจริง
- Grounding – แนวปฏิบัติในการยึดคำตอบของเอเจนต์กับแหล่งข้อมูลที่ตรวจสอบแล้ว Grounding ช่วยลด hallucination และเพิ่มความน่าเชื่อถือ
- Context Window – ปริมาณข้อมูลที่ LLM พิจารณาได้ในคราวเดียว การจัดการ context window สำคัญต่อประสิทธิภาพและการควบคุมต้นทุน
- Hallucination – เมื่อโมเดล AI สร้างข้อมูลที่ผิดหรือแต่งขึ้นเอง แพลตฟอร์มระดับองค์กรต้องลด hallucination อย่างจริงจัง
โมเดล Prompt และเครื่องมือ
- Large Language Model (LLM) – โมเดลที่ฝึกด้วยคลังข้อความขนาดใหญ่เพื่อเข้าใจและสร้างภาษา LLM เป็นแกนการคิดวิเคราะห์ของเอเจนต์จำนวนมาก
- Foundation Model – โมเดลอเนกประสงค์ที่ปรับใช้กับงานปลายทางได้หลากหลาย ช่วยให้ยืดหยุ่นในหลาย use case
- Prompt Engineering – แนวปฏิบัติในการออกแบบ prompt เพื่อกำหนดพฤติกรรมและผลลัพธ์ของเอเจนต์ การเขียน prompt ที่ดีช่วยเพิ่มความสม่ำเสมอและความน่าเชื่อถือ
- System Prompt – คำสั่งที่กำหนดบทบาท น้ำเสียง ขอบเขต และเป้าหมายของเอเจนต์ System prompt ช่วยให้พฤติกรรมเป็นไปตามที่ต้องการ
- Tool Calling – การให้เอเจนต์เรียกใช้เครื่องมือ API หรือระบบภายนอกเพื่อทำงานให้สำเร็จ Tool calling ทำให้ลงมือทำในโลกจริงได้
- Function Calling – แนวทางที่มีโครงสร้างให้โมเดลเรียกฟังก์ชันที่กำหนดไว้ล่วงหน้าด้วยอินพุตที่ผ่านการตรวจสอบ ช่วยเพิ่มความแม่นยำและความปลอดภัย
- API Integration – การเชื่อมต่อเอเจนต์กับระบบขององค์กร เช่น ระบบทิกเก็ต ระบบเรียกเก็บเงิน หรือแพลตฟอร์มข้อมูล การเชื่อมต่อช่วยปลดล็อกระบบอัตโนมัติในวงกว้าง
- CRM Integration – การใช้ข้อมูลลูกค้าเพื่อปรับการทำงานของเอเจนต์ให้เหมาะกับแต่ละบุคคลและบริบท CRM integration มีความสำคัญอย่างยิ่งสำหรับ use case ด้าน CX
- Event-Driven Architecture – การออกแบบที่เอเจนต์ตอบสนองต่อเหตุการณ์หรือทริกเกอร์แทนคำขอแบบคงที่ รองรับระบบอัตโนมัติเชิงรุก
- Workflow Automation – การดำเนินกระบวนการทางธุรกิจครบวงจรโดยไม่ต้องใช้แรงคน Agentic workflow ก้าวไปไกลกว่าระบบอัตโนมัติแบบอิงกฎทั่วไป
Orchestration ความน่าเชื่อถือ และการขยายระบบ
- Orchestration – การประสานเอเจนต์ เครื่องมือ และ workflow หลายตัวให้เป็นระบบเดียวกัน ลูกค้าของ Maven ใช้ orchestration เชื่อม Actions, Knowledge และ workflow เข้าเป็นกระบวนการซัพพอร์ตแบบครบวงจร (ดูกรณีศึกษาจริงของ MavenAGI)
- Concurrency – ความสามารถในการรันกระบวนการของเอเจนต์หลายตัวพร้อมกัน จำเป็นสำหรับสภาพแวดล้อมที่มีปริมาณงานสูง
- Latency – เวลาที่เอเจนต์ใช้ในการตอบหรือลงมือทำ Latency ต่ำมีความสำคัญสำหรับ use case ที่ติดต่อกับลูกค้าโดยตรง
- Throughput – จำนวนงานที่ระบบเอเจนต์รองรับได้ในช่วงเวลาหนึ่ง สะท้อนความสามารถในการขยายระบบ
- Scalability – การรักษาประสิทธิภาพและความน่าเชื่อถือเมื่อความต้องการเพิ่มขึ้น เอเจนต์ระดับองค์กรต้องขยายระบบได้อย่างคาดการณ์ได้
- Fallback Strategy – เส้นทางสำรองที่กำหนดไว้ล่วงหน้าเมื่อเอเจนต์ทำงานล้มเหลวหรือไม่มั่นใจ Fallback ช่วยปกป้องประสบการณ์ลูกค้า
- Escalation Path – การส่งต่อปัญหาให้มนุษย์หรือเอเจนต์เฉพาะทางเมื่อจำเป็น การส่งต่อที่ดีช่วยสร้างสมดุลระหว่างระบบอัตโนมัติกับความไว้วางใจ
- Self-Healing – การตรวจจับและกู้คืนจากข้อผิดพลาดหรือความล้มเหลวโดยอัตโนมัติ ช่วยเพิ่มความทนทานของระบบ
- State Management – การติดตามบริบทและความคืบหน้าของเอเจนต์ตลอดการโต้ตอบ ช่วยให้เกิดความต่อเนื่อง
- Session Management – การจัดการการโต้ตอบแต่ละครั้งระหว่างผู้ใช้กับเอเจนต์อย่างปลอดภัยและมีประสิทธิภาพ
การกำกับดูแล ความปลอดภัย และการปฏิบัติตามกฎระเบียบ
- Guardrails – ข้อจำกัดที่ป้องกันการกระทำที่ไม่ปลอดภัย ไม่เป็นไปตามกฎระเบียบ หรือไม่พึงประสงค์ Guardrails คือนโยบาย ข้อจำกัด และการตรวจสอบที่ทำให้พฤติกรรมของเอเจนต์ปลอดภัยและเป็นไปตามกฎระเบียบ โดยเฉพาะเมื่อเรียกใช้ Actions หรือใช้ Knowledge ขององค์กร (ดูแนวปฏิบัติด้าน Trust & Security Compliance ของ MavenAGI)
- Human-in-the-Loop (HITL) – การตรวจสอบโดยมนุษย์ที่ฝังอยู่ใน workflow ของเอเจนต์ มักใช้ในช่วงแรกของการนำไปใช้งาน
- Human-on-the-Loop – มนุษย์กำกับดูแลเอเจนต์และเข้าแทรกแซงเฉพาะเมื่อเกินเกณฑ์ที่กำหนด ช่วยให้ขยายระบบได้โดยยังมีการกำกับดูแล
- Governance – นโยบาย การควบคุม และกระบวนการที่ทำให้เอเจนต์ทำงานอย่างรับผิดชอบ การกำกับดูแลเป็นสิ่งสำคัญต่อการนำไปใช้ในองค์กร
- Compliance – การปฏิบัติตามมาตรฐานด้านกฎระเบียบ กฎหมาย และขององค์กร ข้อกำหนดแตกต่างกันไปตามอุตสาหกรรม
- Data Privacy – การปกป้องข้อมูลอ่อนไหวของลูกค้าและองค์กรที่เอเจนต์ใช้ Privacy-by-design เป็นสิ่งจำเป็น
- Security – มาตรการป้องกันการเข้าถึงโดยไม่ได้รับอนุญาต การใช้งานในทางที่ผิด หรือข้อมูลรั่วไหล ความปลอดภัยคือรากฐานของความไว้วางใจ
- Access Control – การจัดการสิทธิ์สำหรับการกระทำและการเข้าถึงข้อมูลของเอเจนต์ การควบคุมอย่างละเอียดช่วยลดความเสี่ยง
- Audit Logs – บันทึกการกระทำและการตัดสินใจของเอเจนต์ที่แก้ไขไม่ได้ ช่วยสนับสนุนการปฏิบัติตามกฎระเบียบและความรับผิดชอบ
- Explainability – ความสามารถในการเข้าใจและอธิบายเหตุผลที่เอเจนต์ทำการกระทำหนึ่งๆ
การประเมิน การปรับปรุง และการเรียนรู้
- Observability – การมองเห็นพฤติกรรม การตัดสินใจ และผลลัพธ์ของเอเจนต์ ช่วยให้ปรับปรุงได้อย่างต่อเนื่อง
- Telemetry – ข้อมูลการทำงานที่เอเจนต์ส่งออกมาเพื่อการติดตามและวิเคราะห์ Telemetry ป้อนข้อมูลให้ระบบประเมินผล
- Evaluation (Eval) – การวัดความแม่นยำ คุณภาพ และผลกระทบทางธุรกิจของเอเจนต์ Eval ควรทำอย่างต่อเนื่อง ไม่ใช่ทำครั้งเดียว
- Benchmarking – การเปรียบเทียบประสิทธิภาพของเอเจนต์กับค่าพื้นฐานหรือทางเลือกอื่น Benchmark ช่วยประกอบการตัดสินใจลงทุน
- A/B Testing – การทดสอบเอเจนต์หลายเวอร์ชันเพื่อหาประสิทธิภาพที่ดีที่สุด A/B testing ช่วยลดความเสี่ยง
- Reflection – ความสามารถของเอเจนต์ในการประเมินและปรับปรุงผลลัพธ์ของตนเอง ช่วยเพิ่มความแข็งแกร่ง
- Feedback Loop – การนำ feedback จากผู้ใช้หรือระบบมาใช้ในวงจรการปรับปรุงเอเจนต์
- Continuous Learning – การปรับปรุงพฤติกรรมของเอเจนต์อย่างต่อเนื่องตลอดเวลา ช่วยสร้างคุณค่าในระยะยาว
- Synthetic Data – ข้อมูลที่สร้างขึ้นเพื่อใช้ทดสอบหรือฝึกโมเดล ช่วยลดการพึ่งพาข้อมูลอ่อนไหว
- Simulation – การทดสอบพฤติกรรมเอเจนต์ในสภาพแวดล้อมที่ควบคุมได้ก่อนนำขึ้น production
CX ระบบอัตโนมัติ และผลลัพธ์ทางธุรกิจ
- Conversational AI – เอเจนต์ที่โต้ตอบกับผู้ใช้ด้วยภาษาธรรมชาติ เป็นหัวใจของระบบอัตโนมัติด้าน CX
- Natural Language Understanding (NLU) – การตีความเจตนา entity และบริบทของผู้ใช้ NLU ช่วยให้ส่งต่อและแก้ปัญหาได้แม่นยำ
- Natural Language Generation (NLG) – การสร้างคำตอบที่สอดคล้องและเป็นธรรมชาติเหมือนมนุษย์ NLG ส่งผลต่อคุณภาพที่ผู้ใช้รับรู้
- Sentiment Analysis – การตรวจจับอารมณ์ในข้อความของผู้ใช้ ช่วยประกอบการตัดสินใจส่งต่อและการปรับให้เหมาะกับแต่ละบุคคล
- Intent Classification – การจัดหมวดหมู่คำขอของผู้ใช้ตาม intent ที่กำหนดไว้ ความแม่นยำของ intent ส่งผลต่ออัตราการแก้ปัญหา
- Slot Filling – การดึงข้อมูลที่มีโครงสร้างจากอินพุตที่ไม่มีโครงสร้าง ช่วยสนับสนุนระบบอัตโนมัติ
- Personalization – การปรับพฤติกรรมของเอเจนต์ตามบริบทและประวัติของผู้ใช้ ช่วยเพิ่ม CSAT
- CX Automation – การใช้เอเจนต์และ workflow จัดการการโต้ตอบกับลูกค้าและงานหลังบ้านโดยไม่ต้องใช้แรงคน ใน Maven ระบบอัตโนมัติด้าน CX ขับเคลื่อนด้วยแพลตฟอร์ม Maven ซึ่งเอเจนต์ใช้ Actions และ Knowledge เพื่อแก้ปัญหาในบทสนทนาและเชื่อมต่อกับระบบต่างๆ เช่น CRM และเฮลป์เดสก์
- Autonomous Resolution – การทำงานของลูกค้าให้สำเร็จโดยไม่ต้องมีมนุษย์เข้ามาเกี่ยวข้อง ช่วยลดต้นทุนการให้บริการ
- Case Deflection – การแก้ปัญหาโดยไม่ต้องสร้างทิกเก็ตซัพพอร์ต ช่วยเพิ่มประสิทธิภาพการดำเนินงาน
ตัวชี้วัด ROI และสิ่งที่ผู้ซื้อควรพิจารณา
- First Contact Resolution (FCR) – การแก้ปัญหาของลูกค้าได้ในการโต้ตอบครั้งเดียว FCR เป็นตัวชี้วัดหลักด้าน CX
- CSAT – คะแนนความพึงพอใจของลูกค้า (Customer Satisfaction Score) ที่วัดคุณภาพประสบการณ์ที่ลูกค้ารับรู้
- Net Promoter Score (NPS) – ตัวชี้วัดความภักดีและการบอกต่อของลูกค้า
- ROI – ผลตอบแทนทางการเงินจากการลงทุนใน Agentic AI การพิสูจน์ ROI เป็นสิ่งจำเป็นต่อการขยายผล
- Time to Value (TTV) – ระยะเวลาที่องค์กรเริ่มเห็นประโยชน์จากการนำไปใช้งาน
- Cost Optimization – การบริหารต้นทุนด้าน compute เครื่องมือ และโมเดล การควบคุมต้นทุนช่วยให้ยั่งยืน
- Token Management – การควบคุมปริมาณอินพุตและเอาต์พุตของ LLM ประสิทธิภาพการใช้ token ส่งผลโดยตรงต่อต้นทุน
- Adoption Metrics – การติดตามการใช้งานและการมีส่วนร่วมกับเอเจนต์ของทีมหรือลูกค้า
- Change Management – การเตรียมคนและกระบวนการให้พร้อมรับการนำเอเจนต์มาใช้ ช่วยลดการต่อต้าน
- Enablement – การฝึกอบรมทีมให้ทำงานร่วมกับระบบ agentic ได้อย่างมีประสิทธิภาพ
กลยุทธ์แพลตฟอร์มและความพร้อมระดับองค์กร
- Agent Framework – เฟรมเวิร์กซอฟต์แวร์ที่ใช้สร้างและจัดการเอเจนต์ การเลือกเฟรมเวิร์กส่งผลต่อความยืดหยุ่น
- Platform Approach – การใช้ระบบเดียวเป็นมาตรฐานในการ deploy ติดตาม และกำกับดูแลเอเจนต์ แทนการนำเครื่องมือเฉพาะจุดหลายตัวมาต่อกัน Maven ใช้แนวทางนี้ด้วยแพลตฟอร์มที่รวม Knowledge, Actions การควบคุมคุณภาพ และ Insights ไว้ในที่เดียว
- Best-of-Breed – การผสมเครื่องมือเฉพาะทางหลายตัวแทนการใช้แพลตฟอร์มเดียว เพิ่มความยืดหยุ่นแต่ก็เพิ่มความซับซ้อน
- Interoperability – ความสามารถของเอเจนต์ในการทำงานข้ามระบบและข้ามผู้ให้บริการ
- Vendor Lock-In – การพึ่งพาผู้ให้บริการเทคโนโลยีรายเดียว ผู้ซื้อควรประเมินกลยุทธ์การออกจากระบบไว้ด้วย
- Open Standards – โปรโตคอลร่วมที่ช่วยให้ย้ายระบบและเชื่อมต่อได้ง่าย
- Roadmap – แผนการพัฒนาความสามารถและฟีเจอร์ของเอเจนต์
- Proof of Concept (POC) – การนำไปใช้งานแบบจำกัดเพื่อพิสูจน์คุณค่าก่อนขยายผล
- Production Readiness – ความเสถียร ความปลอดภัย และความสามารถในการขยายระบบที่จำเป็นสำหรับการใช้งานจริง
- Enterprise-Grade – การตอบโจทย์ด้านความน่าเชื่อถือ การกำกับดูแล ความปลอดภัย และการขยายระบบ เพื่อให้เอเจนต์ทำงานบน production ได้อย่างปลอดภัย Maven ออกแบบมาสำหรับการใช้งานระดับองค์กร ทั้งการเชื่อมต่อเชิงลึก การวิเคราะห์ และการควบคุม Actions และ Knowledge (ดูกรณีศึกษาจริงของ MavenAGI)
ความสามารถขั้นสูงของเอเจนต์
- Proactivity – เอเจนต์เริ่มลงมือทำเองโดยไม่ต้องมี prompt ชัดเจน เอเจนต์เชิงรุกช่วยปลดล็อกประสิทธิภาพรูปแบบใหม่
- Recommendation Engine – การแนะนำการกระทำที่ดีที่สุดถัดไปตามบริบทและข้อมูล
- Decision Support – การช่วยมนุษย์ด้วย insight โดยให้คนเป็นผู้ตัดสินใจขั้นสุดท้าย
- Contextual Awareness – การเข้าใจรายละเอียดของสถานการณ์ที่มากกว่าอินพุตดิบ
- Confidence Scoring – การประเมินความน่าเชื่อถือของผลลัพธ์จากเอเจนต์
- Maturity Model – เฟรมเวิร์กที่อธิบายขั้นการเติบโตของความสามารถของเอเจนต์
- Build vs. Buy – การประเมินว่าจะสร้างเอเจนต์เองหรือใช้แพลตฟอร์ม
- Knowledge Grounding Strategy – แนวทางที่เป็นระบบเพื่อให้ข้อมูลถูกต้องตามข้อเท็จจริง
- Operational AI – AI ที่ฝังอยู่ในกระบวนการทางธุรกิจที่ใช้งานจริงโดยตรง
- Autonomous Enterprise – องค์กรที่เอเจนต์รับผิดชอบงานและ workflow ที่ทำซ้ำได้เป็นส่วนใหญ่ภายใต้ guardrails ขณะที่มนุษย์มุ่งเน้นการใช้วิจารณญาณ ความสัมพันธ์ และกรณียกเว้น ใน Maven สิ่งนี้คือทีมผสมระหว่างคนกับเอเจนต์ ไม่ใช่การดำเนินงานด้วย AI เพียงอย่างเดียว
ดูแนวทางการนำไปใช้และตัวอย่างจริงได้ที่เรื่องราวลูกค้า หรือติดต่อทีมของเราเพื่อชมการสาธิตแบบสด
ทดลองกับบทสนทนาของคุณเอง
ขอรับเดโมเฉพาะสำหรับคุณฟรี
