Anthropic Finance Agents: เมื่อ AI เริ่มเข้าทำงานจริงในธนาคาร กองทุน และประกัน

ถ้า AI agent จะเข้าองค์กรจริง ผมว่า battlefield สำคัญไม่ใช่งานง่ายครับ

แต่คืองานที่ทั้งแพง ช้า ซ้ำ และผิดพลาดไม่ได้

งานแบบ financial services นี่แหละ

Anthropic เพิ่งประกาศ Agents for financial services โดยเปิดตัว 10 ready-to-run agent templates สำหรับงานการเงิน เช่น pitchbook, KYC, month-end close, valuation review, market research และ financial modeling

อ่านผิวเผินอาจดูเหมือนข่าว product launch อีกข่าว

แต่ผมว่าข่าวนี้มีสัญญาณใหญ่กว่า:

AI agent กำลังย้ายจาก chatbot ทั่วไป ไปเป็น workflow worker เฉพาะอุตสาหกรรม

และ financial services เป็นสนามทดสอบที่โหดมาก

เพราะถ้าทำงานใน finance ได้ดี แปลว่า agent ต้องเริ่มเข้าใจสิ่งที่องค์กรจริงต้องการ:

• ข้อมูลต้องมีที่มา
• ตัวเลขต้องตรวจได้
• สิทธิ์เข้าถึงต้องชัด
• output ต้องเข้ากับ template ที่ทีมใช้อยู่
• action สำคัญต้องมีคน approve
• ทุกอย่างต้องย้อนดู audit trail ได้

นี่ไม่ใช่โลกของ “ถามตอบเก่ง” แล้วจบ

นี่คือโลกของ AI ที่ต้องเข้าไปอยู่ใน process จริงขององค์กร

1) Anthropic เปิดตัวอะไร

ประกาศรอบนี้มี 4 แกนหลักครับ

1. 10 finance agent templates สำหรับงานที่ใช้เวลามากใน financial services
2. Claude add-ins สำหรับ Microsoft 365 ให้ทำงานใน Excel, PowerPoint, Word และ Outlook ที่กำลังตามมา
3. Connectors และ MCP apps สำหรับเข้าถึง financial data และ tools ที่คนทำงานการเงินใช้อยู่แล้ว
4. Claude Opus 4.7 ที่ Anthropic อ้างว่าเป็น state-of-the-art สำหรับงานการเงิน และนำ Vals AI Finance Agent benchmark ที่ 64.37%

จุดที่ควรสังเกตคือ Anthropic ไม่ได้พูดแค่ “Claude ตอบคำถามการเงินได้ดีขึ้น”

แต่พูดถึงการเอา Claude เข้าไปอยู่ใน workflow

เช่น analyst ทำ model ใน Excel แล้วเอา context เดิมไปต่อเป็น deck ใน PowerPoint หรือ memo ใน Word โดยไม่ต้องอธิบายใหม่ทุกครั้ง

สำหรับคนที่เคยทำงานกับทีม finance จะรู้ว่าอันนี้สำคัญมาก

เพราะงานจริงไม่ได้อยู่ในหน้าต่าง chatbot

งานจริงอยู่ในไฟล์ Excel ที่มีสูตรโยงกันหลาย sheet

อยู่ใน PowerPoint deck ที่ต้องเข้าตาม template บริษัท

อยู่ใน Word memo ที่ต้องใช้ภาษาและ structure ตาม policy

อยู่ใน email ที่ต้องส่งให้ลูกค้าหรือ internal committee

อยู่ใน data provider, data room, CRM, filing, transcript และระบบภายในอีกหลายชั้น

AI ที่อยู่แค่นอก workflow จึงช่วยได้ระดับหนึ่ง

แต่ AI ที่เข้าไปอยู่ใน workflow เดิมของคนทำงานได้ จะเปลี่ยน game มากกว่า

2) 10 agents ที่ Anthropic เปิดมา ไม่ใช่งานเล่น ๆ

Anthropic แบ่ง agent templates ออกเป็นกลุ่มใหญ่ ๆ คือ research/client coverage และ finance/operations

ฝั่ง research และ client coverage มี:

• Pitch builder: สร้าง target list, ทำ comparables และร่าง pitchbook สำหรับ client meeting
• Meeting preparer: เตรียม brief ของลูกค้าและคู่สัญญาก่อนประชุม
• Earnings reviewer: อ่าน transcript และ filings, อัปเดต model, flag สิ่งที่กระทบ investment thesis
• Model builder: สร้างและดูแล financial model จาก filings, data feeds และ input ของ analyst
• Market researcher: ติดตามข่าว sector, issuer, filings และ broker research แล้ว flag ประเด็นให้ credit/risk review

ฝั่ง finance และ operations มี:

• Valuation reviewer: ตรวจ valuation เทียบกับ comparables, methodology และ review standards ของบริษัท
• General ledger reconciler: reconcile GL accounts และคำนวณ NAV เทียบกับ books of record
• Month-end closer: รัน close checklist, เตรียม journal entries และทำ close reports
• Statement auditor: ตรวจ financial statements เรื่อง consistency, completeness และ audit readiness
• KYC screener: รวบรวม entity files, อ่าน source documents และ package escalation ให้ compliance review

สังเกตว่าไม่มีงานไหนเป็น “ช่วยคิดไอเดีย” แบบกว้าง ๆ

ทุกงานเป็น workflow ที่มี input, process, output และ review gate ชัดเจน

นี่คือทิศทางที่ผมคิดว่า enterprise AI จะไป

ไม่ใช่ agent ที่บอกว่าทำได้ทุกอย่าง

แต่เป็น agent ที่บอกว่า:

ผมถูกออกแบบมาเพื่อทำงานนี้ ใน domain นี้ ด้วยข้อมูลชุดนี้ ภายใต้ policy แบบนี้ และส่งงานให้คน review แบบนี้

3) Anatomy ของ finance agent: skills + connectors + subagents

ส่วนที่ผมชอบที่สุดในประกาศนี้คือ Anthropic อธิบายว่า agent template หนึ่งตัวประกอบด้วย 3 ส่วน

Skills

Skills คือ instructions และ domain knowledge สำหรับงานนั้น

พูดแบบง่าย ๆ คือ “วิธีทำงาน” ของ agent

เช่น valuation reviewer ต้องรู้ว่าควรเช็ก comparables อย่างไร, methodology ไหนควรระวัง, output ต้อง format แบบไหน และอะไรคือ red flag

นี่สำคัญ เพราะถ้าเราให้ model เก่ง ๆ แต่ไม่บอกวิธีทำงานขององค์กร มันจะเดาจากความรู้ทั่วไป

ในงาน finance การเดาทั่วไปอาจไม่พอ

เพราะแต่ละองค์กรมี modeling convention, template, approval flow และ risk policy ของตัวเอง

Connectors

Connectors คือทางเข้าไปยังข้อมูลจริงแบบมี governance

Anthropic พูดถึง connectors สำหรับ financial data providers และ internal systems หลายประเภท เช่น FactSet, S&P Capital IQ, MSCI, PitchBook, Morningstar, LSEG, Daloopa รวมถึง data warehouses, research repositories และ CRMs

รอบนี้ยังเพิ่ม connectors ใหม่ เช่น Dun & Bradstreet, Fiscal AI, Financial Modeling Prep, Guidepoint, IBISWorld, SS&C Intralinks, Third Bridge และ Verisk

นอกจากนี้ Moody’s ยังเปิด MCP app ที่นำ credit ratings และข้อมูลบริษัทกว่า 600 ล้าน public/private companies เข้ามาใช้ใน Claude

คำสำคัญคือ governed access

ไม่ใช่ agent อยากดูอะไรก็ดูได้

แต่ต้องเข้าถึงข้อมูลตามสิทธิ์ ตาม policy และ ideally ต้องตรวจย้อนหลังได้ว่า agent ใช้ข้อมูลอะไร ตอนไหน เพื่อทำ output ไหน

Subagents

Subagents คือ Claude models ย่อยที่ main agent เรียกใช้สำหรับงานเฉพาะทาง

เช่น comparables selection หรือ methodology checks

อันนี้น่าสนใจมาก เพราะมันทำให้ agent ไม่ได้เป็น “สมองก้อนเดียวทำทุกอย่าง”

แต่เป็น workflow ที่ main agent แตกงานให้ specialist ย่อยช่วยตรวจหรือทำบางขั้น

นี่ใกล้กับวิธีทำงานของทีมมนุษย์มากกว่า

analyst ทำ model

associate review logic

VP ดู story

compliance เช็ก constraint

partner หรือ committee ตัดสินใจ

ถ้าออกแบบดี AI agent ก็สามารถ mirror โครงสร้างการทำงานแบบนี้ได้

4) ทำไม Microsoft 365 integration ถึงเป็นเรื่องใหญ่

ผมมองว่า integration กับ Excel, PowerPoint, Word และ Outlook อาจสำคัญพอ ๆ กับตัว agent templates

เพราะ finance professionals อยู่ใน Microsoft 365 ทั้งวัน

Excel คือ model

PowerPoint คือ pitchbook และ board deck

Word คือ memo, report, policy, credit writeup

Outlook คือ inbox, client communication, meeting follow-up และ internal coordination

ถ้า AI ต้องให้คน copy ข้อมูลจาก Excel ไปถามใน chatbot แล้ว copy คำตอบกลับมาใส่ deck เอง มันช่วยได้ แต่ยังไม่เปลี่ยน workflow ทั้งหมด

แต่ถ้า Claude สามารถถือ context จาก Excel ไป PowerPoint ได้

และรู้ว่า deck นี้มาจาก model ไหน

ตัวเลขเปลี่ยนแล้ว slide ต้อง update อย่างไร

memo ต้องอ้างอิง assumption ไหน

email ต้องสรุปงานแบบไหน

อันนี้คือ productivity ที่เข้าใกล้งานจริงมากขึ้น

Anthropic ยกตัวอย่างว่า Pitch agent อาจรับ target list แล้วส่งกลับมาเป็น comps model ใน Excel, pitchbook draft ใน PowerPoint และ cover note ใน Outlook

ฟังดูเหมือน demo สวย ๆ

แต่ถ้าทำได้ใน governance ที่ดี มันคือการลดงานที่กินเวลามหาศาลของทีม finance

โดยเฉพาะงานที่ต้อง “ย้าย context” ไปมาระหว่างไฟล์

การย้าย context คือ cost ที่หลายองค์กรไม่ค่อยวัด

แต่ทุกคนรู้สึกได้

เปิดไฟล์นี้ ดูตัวเลขนั้น กลับไป deck โน้น เช็ก email เก่า เปิด data provider หา quote แล้วกลับมาแก้ memo

AI ที่ช่วยได้จริงต้องลด context switching แบบนี้

ไม่ใช่เพิ่มอีกหนึ่งหน้าต่างให้คนต้องสลับไปมา

5) Claude Managed Agents: จากผู้ช่วยบน desktop ไปสู่ worker ที่รันเป็นระบบ

Anthropic บอกว่า agent templates ใช้งานได้ 2 แบบ

แบบแรกคือ plugin ใน Claude Cowork หรือ Claude Code

แบบนี้ agent ทำงานเคียงข้าง analyst ใน software ที่ใช้อยู่

เหมาะกับงานที่ต้องมีคน iterate, review และ shape output ใกล้ชิด

แบบที่สองคือ Claude Managed Agents

ตัว template เดียวกันสามารถรันบน Claude Platform สำหรับงานที่ยาวขึ้น ใหญ่ขึ้น หรือเป็น schedule ได้

เช่น งานทั้ง book of deals หรืองาน nightly schedule

Anthropic ระบุ building blocks ที่สำคัญ เช่น:

• long-running sessions
• per-tool permissions
• managed credential vaults
• full audit log ใน Claude Console
• compliance และ engineering teams ตรวจ tool call และ decision ได้

นี่คือจุดที่ enterprise AI เริ่มจริงจังครับ

เพราะงานองค์กรไม่ได้จบใน prompt เดียว

บางงานใช้หลายชั่วโมง

บางงานต้องรอข้อมูล

บางงานต้องทำซ้ำทุกคืน

บางงานต้องใช้ credential ที่ห้ามหลุด

บางงานต้องมี audit เพราะถ้าผิดต้องย้อนดูได้ว่าเกิดอะไรขึ้น

ถ้าไม่มีสิ่งเหล่านี้ agent จะเหมือน intern ที่เก่งแต่ไม่มีระบบกำกับ

เก่งแค่ไหนก็ยังเสี่ยง

6) Benchmark 64.37% น่าสนใจ แต่ต้องอ่านให้ถูก

Anthropic ระบุว่า Claude Opus 4.7 นำ Vals AI Finance Agent benchmark ที่ 64.37%

ตัวเลขนี้น่าสนใจ เพราะ benchmark ของ Vals AI ออกแบบมาเพื่อวัดงานแบบ agentic financial analysis ไม่ใช่แค่ถามตอบความรู้ทั่วไป

จากข้อมูล Vals AI benchmark มี 537 questions ที่ร่วมออกแบบกับ Stanford researchers, Global Systemically Important Bank และ industry experts

งานหลักคือ financial research จาก SEC filings ของบริษัทมหาชน เช่น retrieval, market research และ projections

agent มี tools เช่น EDGAR search, Google search, document parser และ retrieval tool

จุดที่ควรอ่านคือ 64.37% ไม่ได้แปลว่า “ปล่อย AI ทำงานการเงินทั้งหมดได้แล้ว”

แต่มันแปลว่า capability ดีขึ้นจริง และเริ่มทำงานบางประเภทที่ analyst ทำซ้ำบ่อยได้มากขึ้น

แต่ในงานการเงินจริง 35% ที่เหลือไม่ใช่เรื่องเล็ก

ผิดหนึ่งบรรทัดใน model

อ้างอิงผิดหนึ่ง source

สรุป covenant ผิดหนึ่งข้อ

หรือใช้ข้อมูลที่ไม่มีสิทธิ์ใช้

อาจสร้างความเสียหายสูงกว่าประหยัดเวลาได้มาก

ดังนั้น benchmark ควรใช้เป็นสัญญาณว่า “เริ่มน่าใช้มากขึ้น”

ไม่ใช่ใบอนุญาตให้ปิด review process

7) Finance เป็น vertical ที่เหมาะกับ agent แต่ไม่ใช่เพราะง่าย

ทำไม financial services ถึงเหมาะกับ AI agents

ไม่ใช่เพราะงานง่ายครับ

แต่เพราะงานจำนวนมากมี pattern ซ้ำและมีมูลค่าสูง

เช่น:

• อ่านเอกสารจำนวนมาก
• ดึงข้อมูลจาก filings และ data feeds
• reconcile ตัวเลข
• ทำตาราง comparables
• อัปเดต model
• สรุป transcript
• draft memo
• ตรวจความสอดคล้องของ statement
• เตรียม meeting brief
• package KYC escalation

งานเหล่านี้ใช้เวลาคนเยอะมาก

แต่หลายส่วนมีขั้นตอนชัด และสามารถบังคับให้ agent ส่ง proof กลับมาได้

เช่น source link, formula diff, checklist, exception list, confidence note, citation, audit log

นี่คือจุดที่ agent มีโอกาสสร้าง impact

แต่ finance ก็เป็น vertical ที่อันตรายมากถ้าไม่มี governance

เพราะข้อมูล sensitive

ผลลัพธ์กระทบการตัดสินใจ

และหลายงานอยู่ใน regulated environment

แปลว่า AI agent ใน finance ต้องถูกออกแบบเหมือนระบบงาน ไม่ใช่ chatbot

8) บทเรียนสำหรับธุรกิจไทย: อย่าเริ่มจาก model ก่อน ให้เริ่มจาก workflow

หลายองค์กรไทยเวลาเริ่ม AI มักถามว่า “ใช้ model ไหนดี”

คำถามนี้สำคัญ แต่ไม่ใช่คำถามแรกเสมอไป

จากข่าวนี้ ผมคิดว่าคำถามที่ควรถามก่อนคือ:

1. งานไหนของเราซ้ำพอให้ทำเป็น template ได้
2. งานนั้นต้องใช้ข้อมูลจากที่ไหนบ้าง
3. ข้อมูลไหนเปิดให้ AI ได้ ข้อมูลไหนห้าม
4. output ที่ดีหน้าตาเป็นอย่างไร
5. proof ที่ต้องส่งกลับมาคืออะไร
6. ใครมีสิทธิ์ approve
7. ถ้า AI ทำผิด เราตรวจเจอและ rollback ได้ไหม

ถ้าตอบไม่ได้ AI จะช่วยได้แค่ระดับ “draft”

เช่น ร่าง memo, สรุปเอกสาร, ช่วยคิดหัวข้อ

ซึ่งก็มีประโยชน์ครับ

แต่ยังไม่ใช่ agent workforce

ถ้าตอบได้ เราจะเริ่มสร้าง agent ที่ทำงานจริงได้มากขึ้น

ไม่ว่าจะเป็น finance, sales, marketing, customer support, operations หรือ compliance

หลักการเดียวกันหมด:

งานต้องถูกออกแบบให้ AI ทำได้ ตรวจได้ และถูกคุมได้

9) สิ่งที่ SME ควร copy จาก Anthropic ไม่ใช่ agent ทั้ง 10 ตัว

SME ไทยส่วนใหญ่ไม่ได้ต้องการ pitchbook agent แบบ investment bank

และไม่จำเป็นต้องมี Moody’s MCP app หรือ data provider ระดับ global ตั้งแต่วันแรก

สิ่งที่ควร copy คือวิธีคิดในการ package งาน

ลองเลือกงานที่เจ็บจริง 1 งาน

เช่น:

• สรุปยอดขายรายสัปดาห์
• เตรียม proposal
• ตรวจเอกสารลูกค้าก่อน onboarding
• สรุป call ลูกค้าเป็น action items
• ตรวจ invoice เทียบ PO
• สร้างรายงาน cashflow
• ทำ competitor brief
• ทำ renewal risk report

แล้วแปลงงานนั้นเป็น template:

• input ต้องมีอะไร
• แหล่งข้อมูลอยู่ไหน
• instruction ทำงานคืออะไร
• output format คืออะไร
• checklist ตรวจงานคืออะไร
• human approval อยู่ตรงไหน
• log/proof เก็บอย่างไร

นี่คือ finance agent pattern เวอร์ชัน SME

ไม่ต้องเริ่มใหญ่

แต่ต้องเริ่มเป็นระบบ

10) มุมมองของผม: Vertical agents จะชนะ general agents ในงานองค์กร

💡 ในความเห็นของผม ข่าวนี้สะท้อนทิศทางที่ชัดมาก

enterprise AI จะไม่จบที่ assistant ตัวเดียวตอบได้ทุกอย่าง

แต่มันจะกลายเป็นชุดของ vertical agents ที่ถูกออกแบบตาม workflow จริง

finance agent

legal agent

sales ops agent

customer success agent

risk agent

marketing ops agent

data quality agent

แต่ละตัวจะมี:

• skills เฉพาะงาน
• connectors เฉพาะระบบ
• permission เฉพาะ role
• output template เฉพาะทีม
• review gate เฉพาะความเสี่ยง
• audit trail เฉพาะ compliance

นี่คือสิ่งที่ทำให้ AI จาก “ของเล่นเก่ง ๆ” กลายเป็น infrastructure ขององค์กร

และนี่คือเหตุผลที่ผมคิดว่า Founder/CEO ต้องเริ่มคิดเรื่อง AI agent ไม่ใช่แค่ในมุม tech

แต่ในมุม operating model

คำถามไม่ใช่แค่ว่า AI ทำอะไรได้

แต่คือ:

เราจะออกแบบงานทั้งองค์กรอย่างไร ให้คนและ AI ทำงานร่วมกันได้โดยไม่เพิ่มความเสี่ยง

สรุป

Anthropic เปิดตัว 10 finance agent templates พร้อม Microsoft 365 add-ins, connectors และ MCP apps

ข่าวนี้สำคัญเพราะมันชี้ว่า AI agent กำลังเข้าสู่ vertical workflow จริง

ไม่ใช่แค่ chatbot กลางองค์กร

Finance เป็นตัวอย่างที่ดี เพราะงานมีมูลค่าสูง ซ้ำเยอะ ใช้ข้อมูลหนัก และต้องมี governance

แต่บทเรียนใช้ได้กับทุกธุรกิจครับ

ถ้าอยากให้ AI ทำงานแทนคนได้จริง ต้องออกแบบ 5 อย่างให้ชัด:

1. workflow
2. data access
3. output template
4. human approval
5. audit trail

model ที่เก่งเป็นแค่ส่วนหนึ่ง

ระบบงานรอบ model ต่างหากที่ทำให้ agent ใช้งานได้จริง

บริษัทที่ชนะในยุคนี้จึงไม่ใช่บริษัทที่มี chatbot เยอะที่สุด

แต่คือบริษัทที่เปลี่ยนงานซ้ำ ๆ ให้เป็น agent-ready workflows ได้เร็วที่สุด โดยยังคุมคุณภาพและความเสี่ยงอยู่ครับ