ข้ามไปบทความ

AI เก่งแต่ยังไม่เชี่ยวชาญ: วิธีสร้าง Agent ให้เรียนรู้งานธุรกิจจริง

Yu Su แยกความฉลาดออกจากความเชี่ยวชาญ พร้อมแนวคิด micro worlds และวงจรเปลี่ยน feedback จากงานจริงให้เป็นความรู้ที่ทีมตรวจสอบได้

โดย Insiderly
video thumbnail for 'Intelligence + Continual Learning = Expertise — Yu Su, NeoCognition'
ภาพจาก วิดีโอต้นทาง
เผยแพร่:

ถ่ายทอดจากบทความต้นทางใน VideoToBlog วันที่ 12 สิงหาคม 2026 และคลิป Intelligence + Continual Learning = Expertise, Yu Su, NeoCognition ของช่อง AI Engineer แนวคิดและตัวอย่างเป็นสิ่งที่ผู้บรรยายนำเสนอในขณะนั้น ไม่ใช่ผลทดสอบอิสระ ตัวอย่างธุรกิจไทยเป็นการประยุกต์ในบทความต้นฉบับ วันที่นี้เป็นวันที่บทความต้นทาง ไม่ใช่วันอัปโหลดวิดีโอซึ่งยังไม่ได้ตรวจยืนยัน · วิดีโอต้นทาง

ปัญหาของ AI ในองค์กรไม่ใช่แค่ตอบผิด แต่คือมันมักต้องเริ่มทำความเข้าใจงานใหม่แทบทุกครั้ง แม้จะเป็นงานเดิมที่ทีมทำซ้ำทุกวันก็ตาม นั่นทำให้ AI ดูฉลาดมากในเดโม แต่เปราะบางเมื่อเจอกระบวนการจริงที่มีข้อยกเว้น ลำดับอนุมัติ และข้อมูลเฉพาะบริษัท

คลิปของ Yu Su จาก NeoCognition บนช่อง AI Engineer เสนอกรอบคิดที่ช่วยอธิบายช่องว่างนี้ได้ชัดเจน คือแยกระหว่าง intelligence กับ expertise และชี้ว่า continual learning คือสะพานที่เปลี่ยน AI จากผู้ช่วยที่คิดเก่ง ให้เป็นผู้ช่วยที่รู้จักงานของเรา บทความนี้จะแปลงแนวคิดดังกล่าวเป็นวิธีออกแบบ AI agent สำหรับธุรกิจไทย

สารบัญ

Step 1: แยกให้ออกว่า AI ฉลาด ไม่ได้แปลว่า AI เชี่ยวชาญ

Intelligence คือความสามารถในการใช้ context ที่ได้รับมาเพื่อแก้ปัญหาที่ไม่คุ้นเคย Model ระดับแนวหน้าทำเรื่องนี้ได้ดีขึ้นมาก เราส่งโจทย์ เอกสาร ข้อกำหนด และเครื่องมือให้ แล้ว AI สามารถให้เหตุผล วางแผน หรือเสนอทางออกได้ แม้ไม่เคยเจอโจทย์นั้นมาก่อน

แต่ expertise คือความสามารถที่สะสมจากประสบการณ์ในงานเฉพาะทาง เป็นการทำงานได้อย่างสม่ำเสมอ รู้จังหวะ รู้เงื่อนไข และรู้ว่าเมื่อไรควรหยุด ไม่ใช่แค่หาคำตอบที่เป็นไปได้ แต่เลือกคำตอบที่เหมาะกับองค์กรนั้นจริง

ตัวอย่างง่ายคือการนัดประชุม AI ที่ฉลาดอาจค้นหาช่วงเวลาว่างร่วมกันได้ แต่ผู้ประสานงานที่เชี่ยวชาญรู้ว่างานนี้ไม่ได้มีแค่ปฏิทิน ยังมีอำนาจตัดสินใจ ลำดับความสำคัญ ความเร่งด่วน ลูกค้าที่ต้องให้ความสำคัญ และคนที่ควรเข้าประชุมเฉพาะช่วงแรก

สำหรับธุรกิจไทย ความต่างนี้เกิดขึ้นทุกที่ เช่น AI อาจร่างคำตอบแชตลูกค้าได้ดี แต่ยังไม่รู้ว่าลูกค้ารายนี้เป็นตัวแทนรายใหญ่ มีประวัติรับสินค้าล่าช้า หรืออยู่ในช่วงเจรจาสัญญาใหม่ สิ่งที่ขาดไม่ใช่ภาษา แต่คือความจำและกติกาของธุรกิจ

สไลด์เปรียบเทียบว่าผู้เชี่ยวชาญมองโลกต่างออกไป
ภาพจาก วิดีโอต้นทาง

Step 2: เริ่มจากงานที่มีโลกของตัวเองชัดเจน

เหตุผลที่ coding agent ไปได้ไกลกว่างานสำนักงานทั่วไป ไม่ได้แปลว่างานเขียนโค้ดง่ายกว่า แต่โลกของโค้ดมีโครงสร้างที่เหมาะกับ AI มาก โค้ดเป็นภาษาที่เป็นสัญลักษณ์อยู่แล้ว มีไฟล์ มีเวอร์ชัน มีคำสั่ง และมีชุดทดสอบที่บอกได้ค่อนข้างตรงไปตรงมาว่าคำตอบใช้ได้หรือไม่

งานธุรกิจกลับเป็น “micro worlds” จำนวนมาก แต่ละแผนก แต่ละบริษัท และแม้แต่การตั้งค่า software เดียวกัน ล้วนมีกติกาไม่เหมือนกัน ฝ่ายขายอาจใช้ CRM เดียวกัน แต่เกณฑ์การจัด lead ความหมายของสถานะดีล และส่วนลดที่อนุมัติได้ต่างกันโดยสิ้นเชิง

นี่สอดคล้องกับแนวคิด Moravec's paradox ในรูปแบบใหม่ งานเชิงสัญลักษณ์อย่างคณิตศาสตร์หรือโค้ดอาจทำได้ดี แต่งานดิจิทัลประจำวันที่เต็มไปด้วยข้อยกเว้นกลับยากกว่า

ดังนั้น จุดเริ่มต้นที่ดีไม่ใช่สร้าง agent ที่ “ทำได้ทุกอย่าง” แต่คือเลือกงานแคบที่มีขอบเขตชัด มีข้อมูลย้อนหลัง และมีผลลัพธ์ตรวจสอบได้ เช่น

งานแบบนี้ทำให้เราเห็น “โลก” ที่ AI ต้องเรียนรู้ได้ชัดเจน และสร้างวงจรพัฒนาได้โดยไม่เสี่ยงให้ AI ไปแตะงานสำคัญเกินขอบเขต

Step 3: เปลี่ยนความรู้ของคนเก่งให้เป็นกติกาและสัญญาณ

ผู้เชี่ยวชาญไม่ได้แค่จำข้อเท็จจริงมากกว่า พวกเขามองเห็นรูปแบบที่คนทั่วไปไม่ทันสังเกต เช่น เห็น bug report ยาวหลายหน้าแล้วพุ่งไปดูจุดที่น่าจะผิดก่อน หรือเห็นคำขอของลูกค้าแล้วรู้ทันทีว่าควรถามคำถามอะไรเพิ่ม

ความเชี่ยวชาญนี้ประกอบด้วยอย่างน้อยสี่ชั้น ได้แก่ การเห็น pattern การเข้าใจเงื่อนไข การใช้ดุลยพินิจ และการรู้ว่า “ดีพอแล้ว” เมื่อไร กติกาหนึ่งข้อจึงใช้ไม่ได้กับทุกสถานการณ์ เพราะทุกกติกามีเงื่อนไขก่อนใช้และข้อยกเว้น

การเก็บ knowledge base แบบรวมไฟล์ PDF อย่างเดียวจึงไม่พอ เราควรดึงความรู้ที่ฝังอยู่ในคนออกมาเป็นโครงสร้างที่ AI ใช้ตัดสินใจได้ เช่น

มุมที่สำคัญคือ อย่าถามพนักงานว่า “ช่วยเขียนคู่มือทั้งหมดให้หน่อย” เพราะงานนี้ใหญ่เกินและมักได้เอกสารที่ใช้ไม่ได้จริง ให้เริ่มจากเคสที่ทีมทำทุกวัน แล้วถามทีละจุดว่า “อะไรทำให้เลือกทางนี้” “มีกรณีไหนที่ห้ามทำแบบนี้” และ “สัญญาณไหนบอกว่างานจบแล้ว”

Step 4: ออกแบบ continual learning เป็นวงจรเรียนรู้ ไม่ใช่แค่ memory

Yu Su ให้นิยาม continual learning ว่าเป็นการบีบอัดประสบการณ์แบบปรับตัว เพื่อนำไปสร้างโครงสร้างที่นำกลับมาใช้กับพฤติกรรมในอนาคต แก่นสำคัญคือ AI ไม่ควรแค่เก็บบทสนทนายาวขึ้นเรื่อย ๆ แต่ต้องเปลี่ยนประสบการณ์ให้กลายเป็นความรู้ที่ค้นหาและใช้ซ้ำได้

กราฟแสดงความสัมพันธ์ระหว่าง intelligence continual learning และ expertise
ภาพจาก วิดีโอต้นทาง

สำหรับเจ้าของธุรกิจ เราไม่จำเป็นต้องเริ่มจากการฝึก model ใหม่ ระบบใช้งานจริงอาจเริ่มด้วยการเก็บ feedback และสรุปเป็น knowledge ที่ผ่านการตรวจสอบ โดยวางวงจรแบบนี้

  1. รับงาน: AI ทำงานในขอบเขตที่กำหนดและระบุแหล่งข้อมูลที่ใช้
  2. ตรวจผล: คนในทีมแก้ไข ยืนยัน หรือปฏิเสธผลลัพธ์
  3. บันทึกเหตุผล: ไม่เก็บแค่คำตอบที่ถูก แต่บันทึกว่าผิดเพราะอะไร
  4. สกัดกติกา: เปลี่ยนเคสซ้ำเป็น checklist, template หรือเงื่อนไขใหม่
  5. ทดสอบก่อนใช้: นำเคสเก่ามาวัดว่า AI ดีขึ้นจริงหรือไม่

การเรียนรู้มีได้หลายรูปแบบ บางอย่างเป็นความจำภายนอก เช่น คู่มือ ฐานความรู้ ตัวอย่าง และกรณีศึกษา บางอย่างคือการปรับพฤติกรรมผ่าน prompt, workflow หรือ model ในระยะยาว ประเด็นเชิงธุรกิจคือไม่ต้องรอเทคโนโลยีสมบูรณ์ เราสร้าง learning loop ระหว่างคนกับ AI ได้ตั้งแต่วันนี้

Step 5: วัด expertise จากคุณภาพงาน ไม่ใช่จำนวน token หรือจำนวนคำตอบ

กับดักของการใช้ AI ในองค์กรคือมองแค่ความเร็ว จำนวนงานที่สร้าง หรือจำนวน token ที่ใช้ ทั้งหมดมีประโยชน์ แต่ยังไม่ตอบว่า AI “เก่งงาน” ขึ้นหรือไม่

AI ที่มี intelligence สูงมักขยายพื้นที่ค้นหา มันลองคิดได้หลายทาง สร้างหลายทางเลือก และใช้ context จำนวนมาก ขณะที่ expertise ทำตรงข้าม คือบีบพื้นที่ค้นหาให้แคบลง เพราะรู้แล้วว่าอะไรสำคัญและอะไรไม่ต้องเสียเวลาทำ

สไลด์เปรียบเทียบ intelligence และ expertise ของผู้เริ่มต้นที่ฉลาดมาก
ภาพจาก วิดีโอต้นทาง

ถ้าเพิ่มขนาด model อย่างเดียวโดยไม่มีการเรียนรู้ต่อเนื่อง ผลที่ได้อาจเป็น “ผู้เริ่มต้นที่ฉลาดที่สุดในโลก” คือคิดเก่งในทุกโจทย์ แต่ไม่สะสมทางลัดเฉพาะงานของเราเลย

ตัวชี้วัดที่ควรใช้จึงต้องผูกกับผลลัพธ์ของงาน เช่น

จุดที่ควรเห็นต่างกับความตื่นเต้นเรื่อง agent คือ agent ไม่ควรถูกปล่อยให้เรียนรู้เองแบบไร้ขอบเขต เพราะการเปลี่ยนแปลงอาจทำให้มันจำสิ่งผิด หรือทำงานไม่เหมือนเดิมโดยไม่มีใครรู้ ระบบที่ดีต้องรักษาสมดุลระหว่าง reliability กับความสามารถในการปรับตัว

Step 6: ตั้งรั้วความเสี่ยงก่อนให้ AI สะสมประสบการณ์

การสร้าง expertise ต้องเปิดโอกาสให้ AI รับ feedback แต่ไม่ใช่ทุก feedback มีคุณภาพเท่ากัน และไม่ใช่ทุกงานควรให้ระบบตัดสินใจเอง งานที่เกี่ยวกับเงิน การอนุมัติสัญญา สุขภาพ หรือข้อมูลส่วนบุคคล ควรมีคนรับผิดชอบขั้นสุดท้ายเสมอ

วิธีที่ใช้ได้จริงคือแบ่งงานเป็นสามระดับ

ควรกำหนด escalation rule ให้ชัด เช่น ถ้าข้อมูลไม่ครบ เจอคำขอนอกนโยบาย ยอดเงินเกินเพดาน หรือความเชื่อมั่นต่ำกว่าเกณฑ์ ให้ AI หยุดและส่งเรื่องให้คน ไม่ใช่เดาคำตอบเพื่อให้งานจบ

Step 7: นำแนวคิดไปใช้ด้วย Actionable Insights

Step 8: แก้ปัญหาที่พบบ่อยเมื่อสร้าง AI Agent ในธุรกิจ

Step 9: ต่อยอดจากผู้ช่วยเฉพาะงานสู่ความรู้ขององค์กร

แนวคิดแรกคือสร้าง agent เฉพาะแผนกก่อน เช่น ฝ่ายขาย บริการลูกค้า หรือจัดซื้อ แต่ให้ใช้มาตรฐานการเก็บ feedback ชุดเดียวกัน เมื่อแต่ละทีมเริ่มมี knowledge ที่เป็นระบบ องค์กรจะเห็นจุดเชื่อมระหว่างงานมากขึ้น

แนวคิดที่สองคือเปลี่ยน onboarding ให้เป็นพื้นที่เรียนรู้ร่วมกัน พนักงานใหม่มักถามคำถามเดิมที่ผู้เชี่ยวชาญตอบซ้ำ หากคำตอบผ่านการยืนยันแล้ว AI สามารถช่วยตอบคำถามพื้นฐาน และเก็บช่องว่างของคู่มือที่ยังไม่ชัดได้

แนวคิดสุดท้ายคือใช้ข้อมูลเฉพาะองค์กรเป็นความได้เปรียบ การแข่งขันในระยะต่อไปอาจไม่อยู่ที่ใครเข้าถึง model ใหญ่กว่า แต่อยู่ที่ใครสร้างวงจรเรียนรู้จากงานจริงได้ดีกว่า โดยยังรักษาสิทธิ์ควบคุมข้อมูลและวิธีทำงานของตัวเองไว้

สไลด์สรุปการขยาย expertise ให้ทุกคนเข้าถึงผู้ช่วยผู้เชี่ยวชาญ
ภาพจาก วิดีโอต้นทาง

Step 10: สรุป Checklist ทั้งหมด

หัวใจของ continual learning ไม่ใช่การทำให้ AI จำได้มากที่สุด แต่คือทำให้มันเรียนรู้สิ่งที่ควรจำ นำกลับมาใช้ในเวลาที่ถูกต้อง และรู้เมื่อไรควรส่งต่อให้คน หากเราสร้างวงจรนี้ได้ AI จะไม่ใช่แค่เครื่องมือที่ตอบเก่ง แต่จะค่อย ๆ กลายเป็นผู้ช่วยที่เข้าใจวิธีทำงานของธุรกิจเราเอง

Insiderly

บทความจากกองบรรณาธิการ Insiderly

อ่านบทความทั้งหมด

More in โมเดลและงานวิจัย

See all
ภาพปกคลิป Qwen 3.6 พร้อมโลโก้โมเดลและข้อความ NEW & FREE ซึ่งเป็นข้อความประชาสัมพันธ์ของต้นทาง

Qwen 3.6 ในคลิป Julian Goldie: แยกรุ่นเปิดน้ำหนักออกจากเดโมบน Qwen Studio

โดย Insiderly
/
video thumbnail for 'ChatGPT 5.3 Instant'

ChatGPT 5.3 Instant: สรุปฟีเจอร์ใหม่ ความเร็ว ความแม่นยำ และข้อควรรู้ก่อนใช้งาน

โดย Insiderly
/
video thumbnail for 'This NEW FREE AI AGENT Just Changed Everything!  🤯'

Mercury 2: AI Agent ใหม่ที่เปลี่ยนสปีดและการใช้งานอย่างสิ้นเชิง

โดย Insiderly
/
video thumbnail for 'NEW Gemini Embedding 2 Update is INSANE!'

Gemini Embedding 2: เทคนิคค้นหา AI แบบมัลติโมดัลที่เปลี่ยนเกม

โดย Insiderly
/

บทความอื่นจาก Insiderly

See all
ภาพปกบทสัมภาษณ์ Will Koh จาก Ramp เรื่อง GPT-5.5

GPT-5.5 กับงานจริง: บทเรียนจาก Will Koh และ Ramp

โดย Insiderly
/
ภาพปกคลิป ChatGPT Images 2.0 พร้อมตัวอย่างภาพจรวด

ChatGPT Images 2.0: ย้อนดูแนวคิดภาพสำหรับงานธุรกิจ

โดย Insiderly
/
ภาพปก The End of Apps ของ Kitze บนเวที AI Engineer Europe

AI Agents กับจุดจบของแอป: บทเรียนจาก Kitze

โดย Insiderly
/
ภาพปกการสนทนา Human Judgment in Agentic Engineering จาก AI Engineer Europe

AI เร่งงานได้ แต่แรงเสียดทานช่วยให้เราตัดสินใจดีขึ้น

โดย Insiderly
/