สรุปจากคลิป ดูคลิปต้นฉบับ

Workspace agents ใน ChatGPT กับงานตรวจความเสี่ยงคู่ค้า

หลายองค์กรไม่ได้ช้าเพราะคนทำงานไม่เก่ง แต่ช้าเพราะงานตรวจสอบมีขั้นตอนเยอะ กระจายหลายระบบ และต้องใช้ judgement ซ้ำๆ ในเรื่องเดิมๆ งานประเมินความเสี่ยงคู่ค้าก็เป็นตัวอย่างชัดมาก เพราะต้องเช็กข้อมูลหลายแหล่ง รวบรวมหลักฐาน สรุปความเสี่ยง และเขียนรายงานให้คนตัดสินใจต่อ

คลิปจาก OpenAI ชิ้นนี้โชว์ภาพที่น่าสนใจมาก คือการใช้ workspace agents in ChatGPT สร้างเอเจนต์ชื่อ Trove สำหรับงาน third-party risk management หรือการประเมินความเสี่ยงของ vendor แบบกึ่งอัตโนมัติ สิ่งที่น่าคิดไม่ใช่แค่ “AI ทำได้เร็วขึ้น” แต่คือวิธีเอาความรู้ของทีมงานที่เก่งอยู่แล้วมาแปลงเป็น workflow ที่ทำซ้ำได้ สม่ำเสมอขึ้น และตรวจสอบย้อนหลังได้

สำหรับเจ้าของธุรกิจและคนทำงานไทย ประเด็นนี้สำคัญมาก เพราะหลายทีมยังติดกับดักเดิม คือมี SOP อยู่ในไฟล์ มีความรู้กระจายอยู่ในหัวคนเก่ง แต่ยังไม่ได้แปลงเป็นระบบที่ AI หยิบไปทำงานต่อได้ คลิปนี้จึงไม่ได้มีค่าแค่เดโม แต่เป็นตัวอย่างของวิธีคิดว่าถ้าเราจะเอา AI ไปใช้จริง เราควรเริ่มจากงานแบบไหน และออกแบบยังไงให้คนยังคุมคุณภาพได้

สารบัญ

• สิ่งที่ OpenAI กำลังสื่อผ่านเดโมนี้
• เริ่มต้นจาก prompt แต่ไม่ใช่แค่พิมพ์คำสั่งเล่นๆ
• หัวใจของความสม่ำเสมอ คือการใส่ “skill” ของทีมลงไปใน agent
• จุดแข็งของ workspace agents คือสร้างและปรับ agent ด้วยภาษาธรรมชาติ
• ค่าของระบบนี้ไม่ได้อยู่ที่ความเร็วอย่างเดียว แต่อยู่ที่การตรวจสอบย้อนหลังได้
• Trove ทำงานอะไรบ้างใน workflow นี้
• บทเรียนสำคัญ: AI ไม่ได้แทน analyst แต่ย้ายเวลาคนไปทำงานที่มีมูลค่าสูงกว่า
• ถ้าจะเอาแนวคิดนี้มาใช้กับธุรกิจไทย ควรเริ่มตรงไหน
• Actionable Insights
• Troubleshooting
• การต่อยอด
• สรุป Checklist ทั้งหมด
• บทสรุป

สิ่งที่ OpenAI กำลังสื่อผ่านเดโมนี้

แก่นของเดโมไม่ได้อยู่ที่หน้าจอสวยหรือการคลิกไม่กี่ครั้ง แต่อยู่ที่แนวคิดว่า เอเจนต์ใน workspace สามารถรับงานที่มีหลายขั้นตอน หลายระบบ และต้องใช้กฎการทำงานของทีม แล้วประมวลผลออกมาเป็นผลลัพธ์ที่พร้อมให้มนุษย์ตรวจทานได้

กรณีตัวอย่างคือเอเจนต์สำหรับทีมการเงินที่ต้องทำ due diligence กับ vendor โดยตรวจความเสี่ยงด้าน sanctions การเงิน และชื่อเสียง ก่อนสรุปเป็นรายงานให้ analyst ตรวจอีกชั้นหนึ่ง จุดนี้สำคัญมาก เพราะ OpenAI ไม่ได้วางตำแหน่ง AI ให้มาแทนคนทั้งหมด แต่ให้ทำส่วนที่กินเวลาและทำซ้ำสูง แล้วส่งต่อให้คนตัดสินใจในขั้นท้าย

นี่เป็นรูปแบบที่องค์กรส่วนใหญ่เอาไปใช้ได้จริงมากกว่าการหวังว่า AI จะ “คิดแทน” ทั้งกระบวนการ

เริ่มต้นจาก prompt แต่ไม่ใช่แค่พิมพ์คำสั่งเล่นๆ

ขั้นแรกของการสร้าง Trove คือการให้ prompt ที่อธิบาย workflow รวมถึงระบุว่าเอเจนต์ต้องมีเครื่องมือ ทักษะ และระบบอะไรบ้างในการทำงาน

ตรงนี้เป็นบทเรียนสำคัญสำหรับคนทำธุรกิจไทยที่กำลังเริ่มใช้ AI หลายครั้งเราคิดว่า prompt คือการบอก AI สั้นๆ ว่า “ช่วยวิเคราะห์ให้หน่อย” แต่สำหรับงานธุรกิจจริง prompt ที่มีค่าน่าจะต้องตอบคำถามพวกนี้ให้ได้ก่อน

• งานนี้เริ่มจากอะไร และจบที่อะไร
• AI ต้องเข้าถึงข้อมูลจากที่ไหน
• เกณฑ์การตัดสินมีอะไรบ้าง
• ผลลัพธ์สุดท้ายต้องหน้าตาแบบไหน
• ตรงไหนต้องให้คนอนุมัติ

ถ้าเรายังตอบไม่ได้ แปลว่ายังไม่ได้ออกแบบงานให้พร้อมสำหรับ AI ต่อให้ใช้ model เก่งแค่ไหน ผลลัพธ์ก็มักจะหลวม

มุมที่น่าสนใจอีกอย่างคือ OpenAI ทำให้เห็นว่าการสร้าง agent ไม่ได้เริ่มจากโค้ด แต่เริ่มจากการนิยามงานให้ชัดก่อน นี่คือเหตุผลว่าทำไมคนที่เข้าใจกระบวนการธุรกิจจริง จะได้เปรียบมากกว่าคนที่เก่งเครื่องมืออย่างเดียว

หัวใจของความสม่ำเสมอ คือการใส่ “skill” ของทีมลงไปใน agent

ในเดโมมีการเพิ่ม skill ที่ทีมการเงินใช้อยู่แล้วสำหรับการประเมินความเสี่ยง vendor โดย skill นี้เก็บทั้ง best practices คำสั่งที่จำเป็น และ metadata ที่ช่วยให้เอเจนต์ทำงานแบบคงเส้นคงวา

นี่คือส่วนที่มีค่ามากที่สุดของทั้งคลิป เพราะองค์กรส่วนใหญ่ไม่ได้ขาด AI แต่ขาดการแพ็ก “วิธีทำงานที่ดี” ของทีมตัวเองให้กลายเป็นรูปแบบที่ AI ใช้ต่อได้

ลองนึกภาพธุรกิจไทยที่มีทีมจัดซื้อเก่งมาก ทีมบัญชีเช็กเอกสารละเอียด หรือทีม compliance มี checklist ที่รู้กันในทีมมานาน ถ้าความรู้พวกนี้ยังอยู่ในไฟล์ PDF, Google Docs หรือในหัวหัวหน้าทีม AI ก็ยังดึงศักยภาพออกมาได้ไม่เต็มที่

เดโมนี้กำลังบอกเราว่า จุดเริ่มต้นของการใช้ AI ในองค์กรไม่ใช่ “ซื้อ tool ใหม่” แต่คือการถามว่า

• ทีมเรามีวิธีทำงานที่ดีอะไรอยู่แล้ว
• เกณฑ์การตัดสินของงานนี้เขียนออกมาได้ไหม
• ข้อห้าม ข้อยกเว้น และรูปแบบรายงานถูกนิยามชัดหรือยัง

ถ้าทำส่วนนี้ได้ AI จะไม่ได้แค่ตอบเก่ง แต่จะทำงาน “แบบทีมเรา” มากขึ้น

จุดแข็งของ workspace agents คือสร้างและปรับ agent ด้วยภาษาธรรมชาติ

หลังจากใส่ prompt และ skill แล้ว ChatGPT สามารถวางแผนการทำงานของ Trove ได้ภายในไม่กี่วินาที และผู้ใช้ยังคุยต่อในภาษาธรรมชาติเพื่อปรับ agent ไปเรื่อยๆ ได้ ขณะที่อีกด้านหนึ่งระบบจะตั้งค่า tools, skills และ apps ให้ตามที่จำเป็น

ความหมายในเชิงธุรกิจคือ barrier ในการสร้างระบบอัตโนมัติเริ่มต่ำลง งานที่เมื่อก่อนต้องรอทีมเทคนิคช่วยแปลง requirement เป็นระบบ อาจถูกเร่งให้เร็วขึ้นได้ด้วยการคุยกับ AI โดยตรง

อย่างไรก็ตาม จุดนี้มีทั้งข้อดีและข้อจำกัด

ข้อดี

• คนที่เป็นเจ้าของ process สามารถร่วมออกแบบ agent ได้เอง
• การลองผิดลองถูกเร็วขึ้นมาก
• การตั้งค่าระบบเบื้องต้นไม่ต้องเริ่มจากศูนย์

ข้อจำกัดที่เราไม่ควรมองข้าม

• ถ้า process จริงขององค์กรยังไม่ชัด AI ก็จะจัดระบบจากข้อมูลที่คลุมเครือ
• การใช้ภาษาธรรมชาติไม่ได้แปลว่าไม่ต้องมี governance
• งานที่เกี่ยวกับความเสี่ยงยังต้องมีเจ้าของงานคอยกำกับเกณฑ์และผลลัพธ์

สรุปคือใช้ง่ายขึ้นจริง แต่ไม่ได้แปลว่าใช้แบบไม่ต้องคิด เราต้องแยกให้ออกระหว่าง “สร้างได้เร็ว” กับ “พร้อมใช้ในงานจริง” ซึ่งเป็นคนละเรื่องกัน

ค่าของระบบนี้ไม่ได้อยู่ที่ความเร็วอย่างเดียว แต่อยู่ที่การตรวจสอบย้อนหลังได้

อีกฟีเจอร์ที่เดโมเน้นชัดคือการ preview และดู run traces ของ agent ได้ ไม่ใช่แค่เห็นคำตอบสุดท้าย แต่เห็นด้วยว่า agent เรียกเครื่องมืออะไร รับ input แบบไหน และตัดสินใจอย่างไรในแต่ละช่วง

สำหรับงาน third-party risk management จุดนี้สำคัญมาก เพราะรายงานความเสี่ยงไม่ใช่เอกสารทั่วไป มันเกี่ยวกับการตัดสินใจระดับธุรกิจ เช่น จะ onboard vendor นี้ไหม จะให้วงเงินเท่าไร หรือควรปรับการตรวจสอบเพิ่มหรือไม่

ถ้า AI สรุปมาอย่างเดียวแต่เราไม่รู้ที่มา องค์กรส่วนใหญ่คงไม่กล้าใช้จริง แต่ถ้าเห็นร่องรอยการทำงานย้อนหลังได้ ความเชื่อใจจะเพิ่มขึ้นทันที เพราะคนยังพอ audit ได้ว่า agent เอาหลักฐานมาจากไหน และเหตุผลที่จัดความเสี่ยงออกมาอยู่บนฐานอะไร

ในมุมของธุรกิจไทย นี่คือจุดที่ควรให้ความสำคัญมากกว่าความว้าวของเดโมด้วยซ้ำ เพราะสิ่งที่ทำให้ AI เข้าสู่งานจริงได้ ไม่ใช่แค่ตอบดี แต่ต้อง อธิบายได้และตรวจได้

Trove ทำงานอะไรบ้างใน workflow นี้

ตัว agent ในเดโมถูกออกแบบให้ทำงานครบสาย ตั้งแต่รวบรวมหลักฐาน ใช้ skill เพื่อประเมินความเสี่ยงแบบมีกรอบ ช่วยประสานงานข้ามระบบ แล้วสรุปออกมาเป็นรายงานที่เป็นระเบียบและพร้อมให้ human analyst ตรวจทาน

ถ้าแปลงเป็นภาพง่ายๆ workflow นี้มีองค์ประกอบหลักดังนี้

1. รับโจทย์การตรวจ vendor
2. ดึงข้อมูลและหลักฐานจากแหล่งที่เกี่ยวข้อง
3. ใช้เกณฑ์ของทีมในการประเมิน sanctions, financial, reputational risk
4. บันทึกการตัดสินใจและการใช้เครื่องมือ
5. สร้างรายงานฉบับสุดท้ายที่อ่านง่ายและมีโครงสร้าง
6. ส่งต่อให้ analyst ทบทวน

สิ่งที่น่าชมคือ OpenAI ไม่ได้พยายามขายภาพ AI แบบ magical แต่โชว์งานประเภทที่กินเวลาเพราะมี “งานจุกจิกจำนวนมาก” ซึ่งจริงๆ แล้วเหมาะกับ agent มาก เช่น รวบรวมหลักฐาน ข้ามหลายระบบ จัดรูปแบบรายงาน และเช็กตาม checklist เดิม

มุมนี้เอาไปใช้กับธุรกิจไทยได้กว้างกว่าที่คิด เช่น

• ทีมจัดซื้อที่ต้องคัดกรอง supplier ก่อนเปิดรหัส
• ทีมบัญชีที่ต้องเช็กเอกสารและประวัติคู่ค้า
• ทีม HR ที่ต้องรวบรวมข้อมูล candidate หรือ vendor จ้างงานภายนอก
• ทีมกฎหมายที่ต้องจัดชุดข้อมูลก่อนส่งให้คนตรวจต่อ

สูตรร่วมกันคือ เลือกงานที่มีขั้นตอนชัด มีเกณฑ์ชัด และยังต้องให้คนคุมผลลัพธ์ช่วงท้าย

บทเรียนสำคัญ: AI ไม่ได้แทน analyst แต่ย้ายเวลาคนไปทำงานที่มีมูลค่าสูงกว่า

ตอนท้ายของเดโมมีประโยคที่ชัดมาก คือ agent ทำงานนี้เสร็จภายในไม่กี่นาที และช่วยปลดภาระ analyst จากส่วนที่เป็น manual และกินเวลา

นี่คือ framing ที่เราคิดว่าองค์กรควรใช้เวลาคุยเรื่อง AI ภายในทีม ถ้าเริ่มจากคำว่า “จะลดคนได้ไหม” ทีมมักจะต่อต้าน แต่ถ้าเริ่มจากคำว่า “จะเอาเวลาของคนเก่งคืนมาได้ยังไง” การออกแบบ use case จะฉลาดขึ้นมาก

งาน risk assessment ที่ดีไม่ได้มีมูลค่าสูงเพราะการ copy ข้อมูลจากหลายเว็บหรือจัดหน้ารายงาน แต่มูลค่าอยู่ที่การตีความกรณีซับซ้อน การตั้งคำถามเพิ่ม และการตัดสินใจเมื่อข้อมูลไม่ชัด AI จึงควรถูกใช้เพื่อกินงานส่วนล่างของพีระมิด ไม่ใช่ไปแทน judgement ส่วนบนทั้งหมด

ถ้าองค์กรไทยเอาแนวคิดนี้ไปใช้ จะเห็นโอกาสชัดขึ้น เช่น ให้ AI เตรียมรายงาน vendor screening ก่อนประชุม ให้คนใช้เวลาถกเฉพาะเคสเสี่ยงจริง หรือให้ AI รวบรวมหลักฐานก่อนที่หัวหน้าฝ่ายจะอนุมัติคู่ค้ารายใหญ่

ถ้าจะเอาแนวคิดนี้มาใช้กับธุรกิจไทย ควรเริ่มตรงไหน

หลายทีมอ่านแล้วอาจคิดว่าต้องเป็นองค์กรใหญ่เท่านั้นถึงจะทำได้ แต่ความจริงแนวคิดหลักเริ่มได้จากงานเล็กก่อน โดยไม่จำเป็นต้องเริ่มจากระบบที่ซับซ้อนแบบในเดโม

หลักคิดที่ใช้ได้คือเลือกงานที่มี 4 อย่างนี้พร้อมกัน

• มีขั้นตอนซ้ำๆ
• ใช้ข้อมูลจากหลายแหล่ง
• มี checklist หรือเกณฑ์การประเมินชัด
• ยังต้องมีคนอนุมัติขั้นสุดท้าย

ถ้างานไหนเข้าข่ายนี้ มีโอกาสสูงที่จะแปลงเป็น agent ได้ เช่น การคัดกรอง supplier ใหม่ การรวบรวมเอกสารขอสินเชื่อ การตรวจความครบถ้วนของเอกสาร compliance หรือการสรุปข้อมูลลูกค้าองค์กรก่อนการขาย

ข้อควรระวังคืออย่ารีบเริ่มจาก use case ที่เดิมพันสูงและกฎยังไม่นิ่ง เพราะนั่นจะทำให้ทีมหมดความเชื่อใจเร็วเกินไป ทางที่ดีกว่าคือเริ่มจากการให้ AI ช่วย “เตรียมงาน” ก่อน แล้วค่อยขยับไปสู่ “แนะนำการตัดสินใจ” เมื่อเก็บ feedback ได้มากพอ

Actionable Insights

• เริ่มจากงานที่ทีมบ่นว่ากินเวลา ไม่ใช่งานที่ดูเท่ที่สุด งานที่น่าเริ่มคือสิ่งที่ทำซ้ำทุกสัปดาห์และมีขั้นตอนตายตัว
• รวบรวม best practices ของทีมให้เป็นเอกสารเดียว ก่อนคิดเรื่อง agent เราควรทำ checklist, เกณฑ์ประเมิน, รูปแบบรายงานให้ชัดก่อน
• ออกแบบให้มี human review เสมอ โดยเฉพาะงานที่กระทบการเงิน กฎหมาย หรือชื่อเสียงขององค์กร
• วัดผลจากเวลาที่คืนให้ทีม เช่น เวลาที่ใช้ต่อเคสลดลงกี่นาที ไม่ใช่วัดแค่ AI ตอบเก่งแค่ไหน
• ให้ความสำคัญกับ traceability ถ้า AI ทำงานแล้วอธิบายที่มาไม่ได้ ต่อให้เร็วก็ยากจะใช้จริง

Troubleshooting

ปัญหา: AI สรุปผลออกมากว้างๆ ใช้ตัดสินใจไม่ได้

สาเหตุ: prompt บอกแค่งานปลายทาง แต่ไม่ได้ระบุเกณฑ์การประเมินและรูปแบบรายงาน

วิธีแก้: เขียน workflow ให้ชัด แยกขั้นตอนงาน กำหนดเกณฑ์ risk และระบุ output template ที่ต้องการ

ปัญหา: ทีมไม่เชื่อผลลัพธ์ของ agent

สาเหตุ: มองเห็นแต่คำตอบสุดท้าย แต่ไม่เห็นที่มาของข้อมูลและเหตุผลในการสรุป

วิธีแก้: ใช้การ preview และตรวจ run traces ให้ทีมเห็นว่า agent ใช้ข้อมูลอะไร เรียกเครื่องมือไหน และตัดสินตามกฎอะไร

ปัญหา: ใช้ AI แล้วผลลัพธ์ไม่สม่ำเสมอในแต่ละเคส

สาเหตุ: ความรู้ของทีมยังไม่ถูกทำเป็น skill หรือมาตรฐานเดียวกัน

วิธีแก้: ดึง best practices, ข้อห้าม, metadata และตัวอย่างงานที่ดีมาสร้างเป็นชุดคำสั่งกลางให้ agent

ปัญหา: คิดว่าไม่ต้องพึ่งทีมเทคนิคแล้วจึงรีบใช้งานจริงทันที

สาเหตุ: เข้าใจว่าใช้ภาษาธรรมชาติได้เท่ากับพร้อม production

วิธีแก้: แยกช่วงทดลองกับช่วงใช้งานจริงออกจากกัน ตั้งเจ้าของงาน กำหนดสิทธิ์เข้าถึงข้อมูล และมีคนรับผิดชอบคุณภาพผลลัพธ์

การต่อยอด

• สร้าง agent สำหรับ onboarding คู่ค้าแบบครบวงจร จากเดิมที่เช็กความเสี่ยงอย่างเดียว ไปสู่การรวบรวมเอกสาร เปิดเคส และเตรียมรายการอนุมัติ
• ต่อยอดสู่ agent ภายในแผนกอื่น เช่น procurement, legal, HR หรือ finance operations โดยใช้แนวคิดเดียวกันคือเอา checklist ของทีมมาแปลงเป็น workflow
• สร้างคลัง skill กลางขององค์กร เพื่อให้ความรู้ที่ดีที่สุดของแต่ละทีมไม่กระจายอยู่ตามไฟล์หรืออยู่ในหัวคนเพียงไม่กี่คน

สรุป Checklist ทั้งหมด

รายการนี้ใช้เป็น reference สำหรับคนที่อยากเอาแนวคิดจากคลิปไปปรับใช้จริง

• ☐ เลือกงานที่มีขั้นตอนซ้ำๆ และกินเวลามาก
• ☐ ระบุให้ชัดว่างานเริ่มจากอะไรและจบที่อะไร
• ☐ ลิสต์ระบบ ข้อมูล และเครื่องมือที่งานนี้ต้องใช้
• ☐ รวบรวม best practices ของทีมมาเป็น skill กลาง
• ☐ กำหนดเกณฑ์ประเมินความเสี่ยงหรือเงื่อนไขตัดสินให้ชัด
• ☐ ระบุรูปแบบรายงานหรือ output ที่ต้องการ
• ☐ ใช้ภาษาธรรมชาติคุยกับ agent เพื่อปรับ workflow
• ☐ ทดลอง run แบบ preview ก่อนใช้งานจริง
• ☐ ตรวจ run traces เพื่อดู tool calls, input และเหตุผลการตัดสิน
• ☐ ให้มนุษย์ตรวจทานผลลัพธ์ขั้นสุดท้ายเสมอ
• ☐ วัดผลจากเวลาที่ทีมประหยัดได้และความสม่ำเสมอของงาน
• ☐ ค่อยๆ ขยายจาก use case เล็กไปสู่งานที่ซับซ้อนขึ้น

บทสรุป

เดโม Workspace agents in ChatGPT: Third-party risk management agent ทำให้เห็นชัดว่าระยะถัดไปของ AI ในองค์กรไม่ได้อยู่ที่ chatbot ที่ตอบเก่งขึ้นเพียงอย่างเดียว แต่อยู่ที่ agent ที่ทำงานตาม workflow จริง เชื่อมเครื่องมือจริง ใช้ความรู้ของทีมจริง และส่งต่อผลลัพธ์ให้คนตรวจต่อได้

สิ่งที่น่าเรียนรู้ที่สุดไม่ใช่ชื่อ Trove แต่คือวิธีคิดเบื้องหลัง นั่นคือเอางานที่มีโครงสร้างชัดและมีภาระ manual สูง มาสร้างเป็นระบบที่ AI ช่วยรับภาระส่วนใหญ่ แล้วเก็บ judgement สำคัญไว้กับคน ถ้าเรามอง AI ด้วยเลนส์นี้ การนำไปใช้ในธุรกิจไทยจะไม่ใช่เรื่องไกลตัวเลย แต่จะเริ่มจากคำถามง่ายๆ ว่า “งานไหนในทีมเราควรถูกยกออกจากมือคนก่อน”