สรุปจากคลิป ดูคลิปต้นฉบับ

Third-party risk management agent: ตัวอย่าง AI ที่ช่วยคัดกรองคู่ค้าได้จริง

งานตรวจสอบความเสี่ยงของคู่ค้าเป็นหนึ่งในงานที่หลายบริษัทต้องทำ แต่ไม่ค่อยมีใครอยากทำ เพราะกินเวลา ใช้คนเยอะ และพลาดได้ง่ายถ้าแต่ละคนตรวจไม่เหมือนกัน นี่คือจุดที่คลิปจากช่อง OpenAI นำเสนอไอเดียที่น่าสนใจมาก: การสร้าง Third-party risk management agent หรือ AI agent ที่ช่วยคัดกรอง vendor เรื่องความเสี่ยงด้านการคว่ำบาตร ฐานะการเงิน และชื่อเสียง ก่อนสรุปออกมาเป็นรายงานให้คนตรวจทานอีกชั้น

สิ่งที่น่าสนใจไม่ใช่แค่ agent ทำอะไรได้บ้าง แต่คือวิธีคิดเบื้องหลังว่า เราสามารถเอางานที่เคยเป็นงาน manual ซ้ำๆ ของทีม finance หรือ compliance มาจัดเป็น workflow แล้วให้ AI ลงมือทำหลายช่วงแทนได้โดยไม่ต้องรอทีมวิศวกรรมมาสร้างระบบใหม่ทั้งหมด คลิปนี้สั้นมาก แต่ซ่อนแนวคิดใหญ่ไว้ชัดเจน และถ้ามองจากมุมเจ้าของธุรกิจไทย นี่ไม่ใช่เรื่องไกลตัวเลย

สารบัญ

• AI agent ตัวนี้ทำอะไร
• จุดที่น่าสนใจที่สุด: สร้าง agent จาก prompt ไม่ใช่จากโค้ด
• “Skill” คือหัวใจที่ทำให้งานออกมาสม่ำเสมอ
• Natural language กลายเป็น interface ใหม่ของการสร้างระบบ
• ทำไม “Preview + Run Traces” ถึงสำคัญกว่าเดโมสวยๆ
• จากการเก็บหลักฐานสู่รายงานพร้อมใช้: งานที่เคยกินเวลาเป็นชั่วโมง ถูกย่นเหลือไม่กี่นาที
• ถ้าเอาแนวคิดนี้มาใช้กับธุรกิจไทย จะหน้าตาแบบไหน
• มุมที่ควรระวัง: AI agent ไม่ได้แก้ปัญหากระบวนการที่ยังมั่วอยู่
• Actionable Insights
• Troubleshooting
• การต่อยอด
• สรุป Checklist ทั้งหมด
• สรุป

AI agent ตัวนี้ทำอะไร

OpenAI ยกตัวอย่าง agent ชื่อ “Trove” ซึ่งถูกออกแบบมาให้ทำหน้าที่เป็นผู้ช่วยตรวจสอบความเสี่ยงจาก third party หรือคู่ค้าภายนอก เป้าหมายของมันคือช่วยให้กระบวนการ vendor due diligence เร็วขึ้น มีความสม่ำเสมอมากขึ้น และควบคุมคุณภาพได้ดีกว่าเดิม

จากคำอธิบายในคลิป งานหลักของ agent มี 4 ส่วน

• รับ workflow ที่อธิบายด้วยภาษาธรรมชาติ ว่าต้องทำอะไรบ้าง
• ใช้ tools, skills และ systems ที่เกี่ยวข้องกับงานตรวจสอบความเสี่ยง
• รวบรวมหลักฐานและประเมินความเสี่ยง ตามแนวปฏิบัติของทีมงานจริง
• สร้างรายงานสรุปแบบมีโครงสร้าง เพื่อส่งต่อให้มนุษย์ตรวจทาน

นี่เป็นภาพที่สำคัญมาก เพราะมันบอกว่า AI ไม่ได้มาแทนคนแบบเต็มร้อย แต่เข้ามารับช่วงที่เป็นงานเก็บข้อมูล จัดระเบียบ และสรุปสิ่งที่พบ ส่วนการตัดสินใจขั้นสุดท้ายยังอยู่กับ human analyst

จุดที่น่าสนใจที่สุด: สร้าง agent จาก prompt ไม่ใช่จากโค้ด

หนึ่งในสารสำคัญของคลิปคือ การเริ่มต้นสร้าง Trove ไม่ได้เริ่มจากการเขียนโปรแกรม แต่เริ่มจาก prompt ที่อธิบาย workflow รวมถึงระบุว่า agent ต้องมีเครื่องมือ ทักษะ และการเชื่อมต่อกับระบบอะไรบ้าง

มุมนี้สำคัญสำหรับธุรกิจที่ไม่ได้มีทีม developer ใหญ่ เพราะมันเปลี่ยนคำถามจาก “เราจะสร้างระบบนี้ยังไง” เป็น “เราจะอธิบายงานนี้ให้ AI เข้าใจยังไง”

สำหรับเจ้าของธุรกิจไทย นี่คือการเปลี่ยนวิธีคิดครั้งใหญ่ งานจำนวนมากในองค์กรไม่ได้ติดที่เทคโนโลยีอย่างเดียว แต่ติดที่ไม่มีใครดึง workflow ที่ซ่อนอยู่ในหัวคนเก่งออกมาเป็นขั้นตอนที่ชัดเจน ถ้าเราทำสิ่งนี้ได้ เราจะเริ่มเห็นว่าหลายงานมีโอกาสถูกแปลงเป็น agent ได้ เช่น

• ตรวจสอบเอกสารคู่ค้าก่อนเปิดรหัส vendor
• คัดกรอง supplier ใหม่ก่อนเซ็นสัญญา
• รวบรวมข่าวเชิงลบของพาร์ตเนอร์จากหลายแหล่ง
• สรุปความเสี่ยงลูกค้าธุรกิจเพื่อส่งต่อฝ่ายอนุมัติ

สิ่งที่คลิปสะท้อนชัดคือ AI จะไปได้ไกลแค่ไหน ขึ้นอยู่กับว่าธุรกิจอธิบายงานของตัวเองได้ดีแค่ไหน ไม่ใช่แค่ model เก่งแค่ไหน

“Skill” คือหัวใจที่ทำให้งานออกมาสม่ำเสมอ

อีกจุดที่ควรจับตาคือ OpenAI ใส่สิ่งที่เรียกว่า skill เข้าไปใน agent โดย skill นี้มาจากแนวปฏิบัติที่ทีม finance ใช้งานอยู่แล้วสำหรับการประเมิน vendor risk

ความหมายของเรื่องนี้ลึกกว่าที่เห็นมาก เพราะหลายองค์กรคิดจะใช้ AI แล้วเริ่มจากให้ AI “ลองตอบดู” แต่ไม่ได้เอามาตรฐานการทำงานจริงของทีมใส่เข้าไป ผลคือคำตอบอาจดูฉลาด แต่ไม่ตรงวิธีทำงานขององค์กร

สิ่งที่ skill ทำในกรณีนี้คือ

• เก็บ best practices ของทีมงาน
• ระบุคำสั่งและเงื่อนไขที่จำเป็น
• เพิ่ม metadata ที่ช่วยให้ agent ตัดสินใจตามกรอบเดียวกัน
• ทำให้งานที่เคยขึ้นกับคนเก่งบางคน กลายเป็นกระบวนการที่ทำซ้ำได้

ถ้าแปลให้เข้าใจง่าย Skill ก็คือ “คู่มือปฏิบัติงานฉบับที่ AI ใช้ได้จริง” ไม่ใช่แค่เอกสาร SOP ที่เก็บไว้ในโฟลเดอร์แล้วไม่มีใครเปิดอ่าน

นี่คือเหตุผลว่าทำไมบริษัทที่อยากใช้ AI ให้เกิดผล ต้องเริ่มจากการเก็บความรู้หน้างานของทีมก่อน ยิ่งขั้นตอนชัด เกณฑ์ตัดสินชัด agent ยิ่งทำงานได้ดี

Natural language กลายเป็น interface ใหม่ของการสร้างระบบ

คลิปแสดงให้เห็นว่า ผู้ใช้งานสามารถคุยกับ ChatGPT ทางแถบซ้ายด้วยภาษาธรรมชาติ แล้วระบบจะไปจัดการ tools, skills และ apps ทางด้านขวา พร้อมสร้าง instruction set ที่ปรับละเอียดให้กับ agent โดยไม่ต้องใช้ทรัพยากรวิศวกรรมแบบเดิม

ประเด็นนี้มีผลมากกับองค์กรขนาดกลางและเล็ก เพราะคอขวดของการทำ automation มักไม่ใช่ไอเดีย แต่เป็นคิวงานของทีมเทคนิค ทุกแผนกอยากได้ระบบ แต่ต้องรอคนพัฒนาอยู่หลายเดือน

เมื่อ natural language กลายเป็น interface ใหม่ คนทำงานสายธุรกิจเริ่มออกแบบระบบต้นแบบเองได้เร็วขึ้น แน่นอนว่ายังมีเรื่อง governance ความปลอดภัย และสิทธิ์การเข้าถึงที่ต้องจัดการ แต่ barrier ในการเริ่มต้นต่ำลงมาก

อย่างไรก็ตาม เราควรเห็นข้อจำกัดด้วย การบอกว่าไม่ต้องพึ่ง engineering resources เลย อาจจริงในระดับ prototype หรือ use case บางแบบ แต่ถ้าจะนำไปใช้จริงในองค์กร โดยเฉพาะงานที่เกี่ยวกับ compliance ข้อมูลภายใน และการเชื่อมต่อหลายระบบ ยังไงก็ต้องมีคนดูแลเรื่องนโยบาย การเข้าถึงข้อมูล และการตรวจสอบผลลัพธ์

สรุปคือ AI ช่วยลดภาระด้านเทคนิคในช่วงเริ่มต้นได้มาก แต่ไม่ได้ทำให้เรื่องระบบหายไปทั้งหมด

ทำไม “Preview + Run Traces” ถึงสำคัญกว่าเดโมสวยๆ

หลังสร้าง Trove เสร็จ ระบบเปิดให้ทดลองใช้งานทันทีใน flow เดียวกัน และมีหน้าจอสำหรับดู run traces หรือร่องรอยการทำงานของ agent ว่ามีการเรียกใช้เครื่องมืออะไร รับ input แบบไหน และตัดสินใจอย่างไร

นี่เป็นองค์ประกอบที่ธุรกิจไม่ควรมองข้าม เพราะปัญหาของ AI ในองค์กรไม่ใช่แค่ “ตอบผิด” แต่คือ “ตอบออกมาแล้วเราไม่รู้ว่ามันคิดยังไง” ถ้าจะเอา AI มาใช้กับงานตรวจสอบความเสี่ยง ความโปร่งใสของกระบวนการสำคัญมาก

การมี run traces ช่วยได้หลายอย่าง

• ตรวจย้อนกลับได้ ว่าข้อสรุปมาจากข้อมูลไหน
• หาจุดผิดพลาดได้เร็ว เช่น tool ไหนดึงข้อมูลมาไม่ครบ
• ปรับปรุง prompt และ skill ได้แม่นขึ้น เพราะเห็นปัญหาจริงระหว่างทาง
• ช่วยเรื่องการกำกับดูแล โดยเฉพาะงานที่เกี่ยวข้องกับความเสี่ยงและการอนุมัติ

ในโลกธุรกิจจริง เดโมที่สวยอาจทำให้ทีมตื่นเต้น แต่สิ่งที่จะทำให้ระบบอยู่รอดคือการตรวจสอบได้ ถ้า AI หาคำตอบเก่ง แต่บอกที่มาของคำตอบไม่ได้ งานสาย compliance มักไปต่อยาก

จากการเก็บหลักฐานสู่รายงานพร้อมใช้: งานที่เคยกินเวลาเป็นชั่วโมง ถูกย่นเหลือไม่กี่นาที

คลิปอธิบายว่า Trove สามารถรวบรวมหลักฐาน ใช้ skill เพื่อประเมินความเสี่ยงอย่างเป็นระบบ ประสานงานข้ามหลายระบบ แล้วสร้างรายงานสุดท้ายที่มีโครงสร้างชัดเจนและดูเรียบร้อยพร้อมให้ human analyst ตรวจทาน

นี่คือภาพของงาน knowledge work ที่ AI เหมาะมาก เพราะมีลักษณะดังนี้

• ต้องค้นข้อมูลจากหลายที่
• ต้องอ้างอิงเกณฑ์ตัดสินที่มีอยู่แล้ว
• ต้องสรุปผลให้อ่านง่าย
• ยังต้องมีคนรับผิดชอบผลลัพธ์ขั้นสุดท้าย

ถ้ามองแบบเจ้าของธุรกิจ เราอาจไม่ต้องเริ่มจาก use case ที่ใหญ่เท่า third-party risk management ก็ได้ แค่เริ่มจากงานที่เสียเวลาเยอะแต่รูปแบบคงที่ เช่น

• สรุปข้อมูลคู่ค้าใหม่ก่อนประชุมอนุมัติ
• ดึงประเด็นความเสี่ยงจากเอกสารและข่าวที่เกี่ยวข้อง
• จัดทำรายงานเบื้องต้นให้ทีมตัดสินใจเร็วขึ้น

หัวใจคือเลือกงานที่ “คนยังต้อง approve แต่ไม่จำเป็นต้องลงแรงทุกขั้น”

ถ้าเอาแนวคิดนี้มาใช้กับธุรกิจไทย จะหน้าตาแบบไหน

แม้ตัวอย่างในคลิปจะพูดถึงทีม finance และ vendor due diligence แต่แนวคิดนี้ปรับใช้กับธุรกิจไทยได้กว้างกว่านั้นมาก โดยเฉพาะองค์กรที่เริ่มเจอปัญหา 3 อย่างพร้อมกัน คือคนทำงานไม่พอ งานเอกสารเยอะ และความรู้กระจุกอยู่กับคนเก่งไม่กี่คน

1) ฝ่ายจัดซื้อและจัดหาคู่ค้า

ให้ agent ช่วยรวบรวมข้อมูลบริษัทคู่ค้า เอกสารจดทะเบียน ข่าวเชิงลบ และประวัติการทำงานเบื้องต้น จากนั้นสรุปเป็น risk note ก่อนเข้าคณะอนุมัติ

2) ฝ่ายบัญชีและการเงิน

ใช้ agent ตรวจเอกสาร onboarding vendor ว่าครบหรือไม่ มีประเด็นที่ควรตั้งข้อสังเกตหรือเปล่า แล้วสรุปให้ทีมตัดสินใจไวขึ้น

3) ฝ่ายขาย B2B

ก่อนรับลูกค้ารายใหม่ agent อาจช่วยสรุปความน่าเชื่อถือของบริษัทลูกค้า ภาพรวมทางธุรกิจ และสัญญาณเตือนที่ทีมขายควรรู้ก่อนเสนอเครดิตเทอม

4) ฝ่ายกฎหมายและ compliance

เอา AI มาช่วยอ่านเอกสารมาตรฐาน รวบรวมประเด็นที่ควรถามเพิ่ม และทำ checklist สำหรับการตรวจทานโดยมนุษย์

แนวคิดสำคัญคือ อย่ามอง AI เป็น chatbot ที่เอาไว้ตอบคำถามอย่างเดียว แต่ให้มองเป็น “พนักงานดิจิทัล” ที่รับ workflow ชัดเจน มีคู่มือทำงาน และส่งมอบงานในรูปแบบที่ทีมใช้งานต่อได้เลย

มุมที่ควรระวัง: AI agent ไม่ได้แก้ปัญหากระบวนการที่ยังมั่วอยู่

แม้เดโมจะดูไหลลื่น แต่มีข้อจำกัดที่ต้องพูดตรงๆ คือ ถ้าองค์กรยังไม่มีเกณฑ์ประเมินความเสี่ยงที่ชัดเจน หรือแต่ละทีมใช้มาตรฐานไม่เหมือนกัน การเอา AI เข้ามาอาจไม่ได้ช่วยมากนัก แต่อาจยิ่งทำให้ความสับสนถูกขยายเร็วขึ้น

อีกเรื่องคือคุณภาพข้อมูล ถ้าระบบที่ agent ต้องเชื่อมต่อมีข้อมูลไม่ครบ ล้าสมัย หรือแยกอยู่หลายที่โดยไม่มีเจ้าของข้อมูลชัดเจน รายงานที่ออกมาก็อาจดูดีแต่ตั้งอยู่บนฐานข้อมูลที่ไม่แน่น

ดังนั้นก่อนใช้ agent กับงานจริง เราควรถามตัวเอง 3 ข้อ

• งานนี้มีขั้นตอนที่นิยามได้ชัดหรือยัง
• เกณฑ์การตัดสินใจของทีมเขียนออกมาเป็นข้อความได้หรือยัง
• ข้อมูลที่ AI จะใช้มีคุณภาพพอหรือไม่

ถ้าตอบ “ยัง” ทั้งสามข้อ ต่อให้ model ดีแค่ไหน ผลลัพธ์ก็ไม่นิ่ง

Actionable Insights

• เริ่มจากงานที่เป็นคอขวดจริง เลือก workflow ที่กินเวลาคนเยอะและมีรูปแบบคงที่ก่อน ไม่ต้องเริ่มจากโปรเจกต์ใหญ่
• ดึงคู่มือในหัวคนเก่งออกมาเป็น skill ให้ทีมที่ทำงานนั้นทุกวันช่วยเขียนเกณฑ์ วิธีคิด และข้อห้ามให้ชัด
• ออกแบบให้ AI สรุป แต่ยังมีคนอนุมัติ วิธีนี้ลดความเสี่ยงและทำให้ทีมยอมรับได้ง่ายกว่า
• เลือก use case ที่ตรวจสอบย้อนหลังได้ งานที่มีหลักฐานอ้างอิงชัดจะเหมาะกับ agent มากกว่างานที่ต้องใช้ดุลยพินิจล้วนๆ
• วัดผลจากเวลาที่ลดลงและความสม่ำเสมอที่เพิ่มขึ้น ไม่ใช่วัดแค่ว่า AI ตอบเก่งแค่ไหน

Troubleshooting

- ปัญหา: AI สรุปรายงานออกมาดูดี แต่ประเด็นความเสี่ยงไม่ตรงกับที่ทีมต้องการ

- สาเหตุ: skill หรือเกณฑ์ประเมินยังไม่ชัด AI เลยตีความเองมากเกินไป

- วิธีแก้: เขียนเกณฑ์ประเมินใหม่ให้เป็นข้อๆ ระบุสัญญาณเตือน ตัวอย่างความเสี่ยง และรูปแบบรายงานที่ต้องการให้ชัด

- ปัญหา: คำตอบไม่สม่ำเสมอ เคสคล้ายกันแต่สรุปไม่เหมือนกัน

- สาเหตุ: prompt กว้างเกินไป หรือข้อมูลนำเข้าแต่ละรอบไม่เป็นมาตรฐาน

- วิธีแก้: ทำ template input ให้เหมือนกันทุกครั้ง และกำหนดลำดับขั้นการประเมินที่ตายตัวมากขึ้น

- ปัญหา: ทีมไม่กล้าใช้ เพราะไม่รู้ว่า AI ไปเอาข้อมูลมาจากไหน

- สาเหตุ: ไม่มีการแสดง run traces หรือหลักฐานอ้างอิงในรายงาน

- วิธีแก้: บังคับให้รายงานทุกฉบับแนบแหล่งข้อมูล เครื่องมือที่เรียกใช้ และเหตุผลประกอบข้อสรุป

- ปัญหา: agent ทำงานได้ในเดโม แต่ใช้จริงแล้วติดเรื่องสิทธิ์เข้าถึงระบบ

- สาเหตุ: ช่วงออกแบบไม่ได้วางเรื่องสิทธิ์ผู้ใช้และการเชื่อมต่อระบบภายใน

- วิธีแก้: เริ่มจาก pilot ที่ใช้ข้อมูลชุดเล็กก่อน จากนั้นค่อยวางสิทธิ์เข้าถึงร่วมกับทีม IT และผู้ดูแลข้อมูล

- ปัญหา: ทีมรู้สึกว่า AI จะมาแทนงานของตัวเอง

- สาเหตุ: เป้าหมายของโครงการสื่อสารไม่ชัด ว่า AI มาช่วยลดงาน manual ไม่ใช่ตัดบทบาทคน

- วิธีแก้: ออกแบบ flow ให้เห็นชัดว่ามนุษย์ยังเป็นคน review, approve และรับผิดชอบผลลัพธ์สุดท้าย

การต่อยอด

• ต่อยอดเป็น agent สำหรับ onboarding คู่ค้า จากแค่ประเมินความเสี่ยง ไปสู่การเช็กเอกสารให้ครบก่อนเปิดใช้งานในระบบ
• เชื่อมกับระบบอนุมัติภายใน ให้รายงานจาก agent ส่งเข้า workflow การอนุมัติอัตโนมัติ ลดงานส่งต่อข้ามทีม
• สร้างคลัง skill ของแต่ละแผนก เมื่อแผนกหนึ่งทำสำเร็จ แผนกอื่นสามารถนำวิธีคิดไปแปลงเป็น agent ของตัวเองได้

สรุป Checklist ทั้งหมด

ถ้าเราจะหยิบแนวคิดจาก Third-party risk management agent ไปใช้จริง นี่คือ checklist ที่ควรไล่ดู

• ☐ เลือก workflow ที่ใช้เวลามากและมีรูปแบบซ้ำชัดเจน
• ☐ ระบุให้ได้ว่า agent ต้องใช้ tools, skills และ systems อะไรบ้าง
• ☐ ดึง best practices ของทีมออกมาเขียนเป็นคู่มือสำหรับ AI
• ☐ ออกแบบ prompt ให้บอกลำดับงานอย่างชัดเจน
• ☐ กำหนดรูปแบบรายงานปลายทางที่ทีมต้องการใช้งานจริง
• ☐ ทดสอบแบบ preview ก่อนใช้งานจริง
• ☐ ตรวจ run traces เพื่อดูว่า AI เรียกเครื่องมือและตัดสินใจอย่างไร
• ☐ ให้มนุษย์เป็นผู้ตรวจทานและอนุมัติขั้นสุดท้าย
• ☐ วัดผลจากเวลาที่ลดลง ความสม่ำเสมอ และคุณภาพของรายงาน
• ☐ ค่อยๆ ขยาย use case หลังจากงานแรกนิ่งแล้ว

สรุป

คลิปของ OpenAI ชิ้นนี้ไม่ได้แค่โชว์เดโมของ Third-party risk management agent แต่กำลังชี้ให้เห็นทิศทางใหม่ของการเอา AI เข้ามาใช้ในงานองค์กร นั่นคือเอา workflow จริงของทีมงานมาถอดเป็น prompt, skill และชุดคำสั่งที่ AI ลงมือทำได้ จากนั้นให้มนุษย์ตรวจผลลัพธ์ในจุดที่สำคัญ

มุมที่น่าเอาไปใช้ต่อสำหรับธุรกิจไทยคือ อย่าเริ่มจากคำถามว่า “จะใช้ AI ทำอะไรดี” แต่เริ่มจาก “งานไหนในทีมที่ซ้ำ ใช้เวลามาก และมีเกณฑ์ตัดสินชัด” ถ้าเราหาคำตอบข้อนี้เจอ โอกาสสร้าง agent ที่ช่วยงานได้จริงก็อยู่ใกล้กว่าที่คิด

สุดท้าย AI ไม่ได้มีค่าตรงที่มันตอบได้เร็ว แต่มีค่าตรงที่มันทำให้องค์กรเก็บความรู้ของทีมไว้ในรูปแบบที่ขยายต่อได้ และเปลี่ยนงานที่เคยพึ่งคนเก่งเฉพาะคน ให้กลายเป็นระบบที่ทั้งทีมใช้งานร่วมกันได้ นั่นต่างหากคือคุณค่าที่ลึกกว่าเดโมสวยๆ