Software 3.0 & Automation 3.0: ยุคที่ AI Agent กำลังเปลี่ยนวิธีทำธุรกิจ

ช่วงนี้คำว่า AI Agent เริ่มเยอะมาก

มีทั้ง agent สำหรับ coding, research, marketing, customer support, finance, document, workflow automation, private GPT, private cloud, AI coworker และสารพัดชื่อใหม่ที่ออกมาทุกสัปดาห์

แต่ถ้ามองลึกลงไป ผมคิดว่าเรื่องใหญ่กว่านั้นไม่ใช่คำว่า agent

เรื่องใหญ่คือ software กำลังเปลี่ยนอีกครั้ง

และเมื่อ software เปลี่ยน วิธีทำ automation ในธุรกิจก็ต้องเปลี่ยนตาม

บทความนี้ผมอยากชวนมอง 2 คำคู่กัน:

Software 3.0 และ Automation 3.0

เพราะถ้าเข้าใจคู่นี้ เราจะเห็นชัดขึ้นว่าทำไม AI Agent ไม่ใช่แค่ chatbot ที่ฉลาดขึ้น แต่กำลังเปลี่ยนวิธีออกแบบงาน วิธีจัดทีม วิธีวัดผล และวิธีควบคุมความเสี่ยงในธุรกิจ

Software 3.0 คืออะไร

Andrej Karpathy อธิบายภาพของ software เป็น 3 ยุค

Software 1.0: code ที่มนุษย์เขียนเอง

นี่คือ software แบบที่เราคุ้นเคย

มนุษย์เขียน logic เป็น Python, JavaScript, C++, SQL หรือภาษาอื่น ๆ แล้ว computer ทำตามคำสั่ง

ถ้าอยากให้ระบบทำอะไร ต้องเขียน logic ให้ชัด

ถ้าเงื่อนไขเปลี่ยน ก็แก้ code

ถ้าข้อมูลมี exception เยอะ ก็ต้องเขียน rule เพิ่ม

Software 2.0: neural network weights

ยุค machine learning ทำให้บางปัญหาไม่ได้ถูกแก้ด้วยการเขียน rule ทีละบรรทัด

เรา curate data, ตั้ง objective, เลือก architecture แล้วให้ optimization สร้าง neural network weights ขึ้นมา

weights เหล่านี้กลายเป็น behavior ของระบบ

เช่น image recognition, speech recognition, recommendation, fraud detection บางรูปแบบ

Karpathy เคยใช้คำว่า Software 2.0 เพื่ออธิบายว่า neural network weights คือ code แบบใหม่

Software 3.0: prompt และภาษาคนเป็นวิธี program computer

จุดเปลี่ยนของ LLM คือ neural network กลายเป็น programmable computer

เราไม่ได้แค่ train model แล้วใช้ model นั้นทำ function เดียว

แต่เราสั่ง LLM ด้วย prompt, context, instruction, examples และ tools เพื่อให้มันทำงานหลายแบบได้

Karpathy พูดไว้ชัดว่า:

Your prompts are now programs that program the LLM.

และอีกประโยคที่ดังมาก:

Remarkably, we’re now programming computers in English.

แปลเป็นภาษาธุรกิจคือ คนที่ไม่ใช่ programmer ก็เริ่มสั่งระบบให้ทำงานซับซ้อนได้มากขึ้นผ่านภาษาคน

แต่ตรงนี้มี pitfall ใหญ่มาก

หลายคนได้ยิน Software 3.0 แล้วสรุปเร็วเกินไปว่า “ต่อไปแค่ prompt ก็พอ”

ผมไม่คิดแบบนั้น

Software 3.0 ไม่ได้แปลว่า code, data, architecture, system design, security และ process ไม่สำคัญแล้ว

มันแปลว่าเรามี programming interface เพิ่มขึ้นอีกแบบหนึ่ง

ธุรกิจที่ใช้ได้จริงต้องรู้ว่าอะไรควรเป็น code, อะไรควรเป็น model, อะไรควรเป็น prompt, และอะไรต้องเป็น workflow/policy/proof

แล้ว Automation 3.0 คืออะไร

ถ้า Software 3.0 ทำให้เราสั่ง computer ด้วยภาษาคนได้

Automation 3.0 คือการทำให้เราสั่ง business operation ด้วยภาษาคนได้

ไม่ใช่สั่งแบบลอย ๆ ว่า “ช่วยทำธุรกิจให้ดีขึ้นหน่อย”

แต่สั่งในระบบที่มี:

• เป้าหมายชัด
• context ที่ถูกต้อง
• tools ที่จำกัดสิทธิ์แล้ว
• workflow ที่รู้ว่าอะไรต้องทำก่อนหลัง
• approval gate สำหรับ action เสี่ยง
• proof ว่างานเสร็จจริง
• memory สำหรับใช้ต่อในรอบหน้า

นี่คือสิ่งที่ผมเรียกว่า Business OS

Business OS ไม่ใช่ระบบ ERP ตัวใหม่

แต่คือ operating layer ที่ทำให้ AI Agent เข้าไปทำงานในบริษัทได้จริง โดยไม่กลายเป็นบอทที่ตอบเก่งแต่แตะงานจริงไม่ได้ หรือแตะงานจริงแล้วเสี่ยงเกินไป

Automation 1.0: Trigger → Action

Automation รุ่นแรกคือ rule-based workflow

ตัวอย่างง่าย ๆ:

• มี form ใหม่ → ส่ง email
• มี payment → ออก invoice
• มี webhook → แจ้ง Slack/LINE
• มี ticket ใหม่ → assign ให้ทีม
• มี row ใหม่ใน spreadsheet → copy ไปอีกระบบ

เครื่องมืออย่าง Zapier, Make, n8n, RPA, webhook automation อยู่ในโลกนี้เยอะมาก

จุดแข็งคือเร็ว ชัด และเหมาะกับงานซ้ำที่ deterministic

แต่ข้อจำกัดคือมันต้องรู้ทางเดินล่วงหน้า

ถ้า input แปลกขึ้น ถ้า context อยู่คนละที่ ถ้าต้องใช้ judgment ถ้าต้องตัดสินใจตาม policy ถ้าต้องถามคนก่อนทำ action

ระบบแบบ Trigger → Action จะเริ่มแข็งและเปราะ

มันเหมือนรางรถไฟ

ถ้าทางชัด มันดีมาก

แต่ถ้างานจริงมีทางแยก มีหลุม มี exception มีลูกค้าพูดไม่เหมือนกัน มีข้อมูลไม่ครบ มันจะส่งงานกลับมาหาคน

Automation 2.0: Trigger → AI Node → Action

พอ LLM เข้ามา เราเริ่มเอา AI node ไปใส่ใน automation

เช่น:

• AI สรุป email ก่อนสร้าง ticket
• AI แยกประเภท lead
• AI extract ข้อมูลจากเอกสาร
• AI ร่างคำตอบลูกค้า
• AI สรุป meeting แล้วส่งเข้า Notion/CRM
• AI ช่วยเขียน social post จาก source

นี่คือ Automation 2.0

มันดีกว่า Automation 1.0 มาก เพราะ workflow เริ่มเข้าใจภาษาและ unstructured data ได้

แต่ข้อจำกัดคือ AI ยังเป็น node หนึ่งใน flow

มันไม่ได้เป็น owner ของงานทั้งกระบวนการ

AI node มักเห็น context เท่าที่ node นั้นได้รับ

ถ้า context ไม่พอ ก็เดา

ถ้าต้องใช้หลายระบบ ก็ต้องมีคนลากเส้นให้

ถ้าต้องย้อนกลับไปเช็ค source ก็ต้องเขียน flow เพิ่ม

ถ้าผิดแล้วต้อง rollback ก็ต้องประกอบเอง

ถ้าต้องขอ approval ในบางกรณี ก็ต้องออกแบบเพิ่ม

พูดสั้น ๆ:

Automation 2.0 ทำให้ workflow ฉลาดขึ้น แต่ AI ยังไม่ได้เป็น operator ของงาน

Automation 3.0: Goal → Context → Plan → Tools → Approval → Proof → Memory

Automation 3.0 เริ่มจากคนไม่ได้สั่งแค่ trigger

แต่สั่ง goal

เช่น:

• “ช่วยดู lead ที่ควรตามวันนี้ แล้วร่าง follow-up ให้ทีมขาย”
• “ช่วย scan source AI ล่าสุด เลือก topic ที่เหมาะกับ Data-Espresso แล้วเตรียม draft พร้อม source links”
• “ช่วยตรวจ inbox support สรุปเคสที่ต้องให้คนตัดสินใจ”
• “ช่วยทำ weekly operator report จาก CRM, sales, tasks และ content performance”
• “ช่วยเตรียม proposal draft จาก meeting note, customer context และ service catalog”

จากนั้น agent ต้องทำมากกว่าเรียก AI หนึ่งครั้ง

มันต้องอ่าน context วางแผน เลือก tools ทำงานเป็นขั้น รู้ว่า action ไหนปลอดภัย รู้ว่า action ไหนต้องถามคน ส่งหลักฐานกลับมา และบันทึกสิ่งที่ควรรู้ไว้ใช้รอบหน้า

นี่คือ pattern:

Goal → Context → Plan → Tools → Approval → Proof → Memory

ถ้า Automation 1.0 คือระบบทำตาม rule

Automation 2.0 คือ workflow ที่มี AI node

Automation 3.0 คือ agent ที่ทำงานบน Business OS

ทำไมยุคนี้ถึงสำคัญกับธุรกิจ

เพราะปัญหาของธุรกิจจำนวนมากไม่ใช่ไม่มี software

ธุรกิจมี software เยอะเกินไปด้วยซ้ำ

มี LINE มี Facebook inbox มี Google Sheet มี CRM มี Notion มี Drive มี email มี payment มี dashboard มี website มี automation tools มี AI chat หลายตัว

แต่คำถามคือ งานไหลไหม

ในหลายบริษัท งานยังไม่ไหล เพราะ context กระจาย

ลูกค้าคุยใน LINE แต่ข้อมูลอยู่ใน Sheet ทีมขายจำจากแชท แต่ pipeline ไม่อัปเดต เจ้าของอยากเห็น report แต่ข้อมูลอยู่ 5 ที่ ทีม content ใช้ AI เขียนเร็วขึ้น แต่ไม่มี source QA support มีคำถามซ้ำ แต่ไม่มี knowledge loop automation รันได้ แต่ exception กลับมาหาคนตลอด

AI Agent จะมีค่าจริงเมื่อมันไม่ใช่แค่ chat box อีกอัน

แต่เป็นตัวช่วยเชื่อม context, tools, workflow, approval และ proof เข้าด้วยกัน

Agent ไม่ใช่คำเท่ ๆ ของ chatbot

OpenAI อธิบายว่า agent ไม่ใช่แค่ app ที่เรียก LLM ครั้งเดียว

agent คือระบบที่ให้ LLM จัดการ workflow execution, ตัดสินใจตาม state ของงาน, ใช้ tools เพื่ออ่าน context หรือทำ action, และรู้ว่าเมื่อไรต้องหยุดหรือส่งกลับให้คน

Anthropic ก็แยกชัดระหว่าง workflow กับ agent:

• workflow คือระบบที่ LLM และ tools ถูก orchestrate ผ่าน path ที่กำหนดไว้
• agent คือระบบที่ LLM dynamically direct process และ tool usage เองมากขึ้น

นี่แปลว่า agent ไม่ใช่คำที่ควรใช้กับทุกอย่าง

ถ้างานเป็น rule ชัด ๆ ใช้ automation ธรรมดาอาจพอ

ถ้าแค่ต้อง summarize ข้อความ ใช้ LLM call เดียวอาจพอ

ถ้างานมีขั้นตอนคงที่ ใช้ workflow อาจพอ

แต่ถ้างานต้องอ่าน context หลายที่ วางแผนหลาย step เลือก tool ตามสถานการณ์ จัดการ exception และส่ง proof กลับมา agent จึงเริ่มสมเหตุสมผล

ดังนั้นคำถามที่ดีไม่ใช่ “ทำ agent ได้ไหม”

คำถามที่ดีคือ “งานนี้ต้องการ autonomy แค่ไหน”

ธุรกิจจะพังตรงไหนถ้าเอา agent เข้าไปแบบไม่มี Business OS

AI Agent ที่ไม่มี Business OS มักพังตรง 7 จุดนี้

1) Context ไม่พอ

AI เก่งขึ้นมาก แต่ถ้า context ผิดหรือขาด มันก็ทำงานผิด

คำสั่งว่า “ช่วยตอบลูกค้าคนนี้” ไม่มีความหมายพอ ถ้า AI ไม่รู้ว่าเขาซื้ออะไร คุยอะไรมาก่อน policy คืออะไร สินค้าหมดไหม หรือเคสนี้ต้อง escalate ไหม

2) Permission ไม่ชัด

AI เห็นอะไรได้บ้าง

อ่าน CRM ได้ไหม แก้ CRM ได้ไหม ส่ง email ได้ไหม ส่ง LINE ได้ไหม refund ได้ไหม ลบข้อมูลได้ไหม แตะ production ได้ไหม

ถ้า permission ไม่ชัด ธุรกิจจะเหลือแค่ 2 ทางที่ไม่ดีทั้งคู่:

• ให้สิทธิ์น้อยเกินไป จน AI ทำงานจริงไม่ได้
• ให้สิทธิ์มากเกินไป จนเสี่ยงเกินรับได้

3) Approval gate ไม่มี

ทุก action ไม่ได้เสี่ยงเท่ากัน

การอ่านข้อมูลกับการเขียนข้อมูลไม่เหมือนกัน การ draft กับการ send ไม่เหมือนกัน การ summarize กับการ refund ไม่เหมือนกัน การ preview กับการ publish ไม่เหมือนกัน

Business OS ต้องบอกได้ว่า action ไหน auto ได้ action ไหนต้องถามคน

4) Proof ไม่มี

ถ้า agent บอกว่า “ทำเสร็จแล้ว” เราต้องถามต่อว่า proof คืออะไร

• screenshot
• log
• diff
• preview link
• test result
• source link
• before/after
• approval record
• rollback note

ถ้าไม่มี proof ยังไม่ควรถือว่า done

5) Memory ผิดที่

ถ้า memory อยู่แค่ใน chat history งานจะไม่กลายเป็นระบบ

ธุรกิจต้องแยกให้ได้ว่าอะไรคือ:

• memory สั้น ๆ ที่ต้องจำทุกครั้ง
• wiki/playbook ที่ต้องค้นเมื่อทำงาน
• task state ที่ต้องอยู่ในระบบงาน
• customer record ที่ต้องอยู่ใน CRM
• source of truth ที่ต้องไม่ปนกับแชท

6) ไม่มี sandbox

งาน agent ที่ดีควรมีพื้นที่ทดลองก่อนแตะระบบจริง

โดยเฉพาะงานที่เกี่ยวกับ file, code, website, CRM, payment, customer data หรือ public channel

Sandbox ทำให้ agent ทดลอง ทำ draft ทำ preview สร้าง artifact และให้คนตรวจ ก่อนเอาไปใช้จริง

7) ไม่มี metric

ถ้าวัดไม่ได้ เราจะไม่รู้ว่า AI ช่วยธุรกิจจริงหรือแค่ทำให้รู้สึกทันสมัย

metric ที่ควรเริ่มวัดไม่ซับซ้อน:

• cycle time ลดลงไหม
• งานค้างลดไหม
• lead leakage ลดไหม
• response time ดีขึ้นไหม
• error rate ลดไหม
• handoff น้อยลงไหม
• review effort น้อยลงไหม
• output ที่ผ่าน QA เพิ่มไหม

สิ่งที่ตลาดกำลังบอกเรา

จาก signal ล่าสุดในตลาด คู่แข่ง และ community สิ่งที่คนสนใจเริ่มขยับจาก “โมเดลใหม่อะไร” ไปสู่ “เอา AI ไปทำงานจริงอย่างไร”

คำที่เริ่มโผล่บ่อยขึ้นคือ:

• AI agent ใช้งานจริง
• workflow อัตโนมัติ
• private GPT
• private cloud
• research agent
• tool discovery
• sandbox
• governance
• permission
• reliability
• observable workflow

นี่เป็นสัญญาณว่าตลาดเริ่มผ่านช่วงลองของเล่นไปสู่ช่วงถามเรื่องระบบ

คนไม่ได้อยากได้ AI ที่ตอบเก่งอย่างเดียวแล้ว

เขาเริ่มถามว่า:

• จะไว้ใจได้อย่างไร
• จะรู้ได้อย่างไรว่ามันทำอะไรไปแล้ว
• จะให้มันเห็นข้อมูลอะไรได้บ้าง
• ถ้าผิดใครรับผิดชอบ
• จะเริ่มจาก workflow ไหน
• จะวัดผลอย่างไร
• จะไม่ให้ทีมหลง tool ได้อย่างไร

นี่คือพื้นที่ที่ Data-Espresso ควรยืนให้ชัด

ไม่แข่งเป็นเพจข่าว AI ที่เร็วที่สุด

แต่เป็นคนแปล hype ให้กลายเป็น operating model ที่เจ้าของธุรกิจใช้ตัดสินใจได้

Framework สำหรับเจ้าของธุรกิจ: 5 คำถามก่อนทำ Automation 3.0

ก่อนจะซื้อ tool ทำ private GPT สร้าง agent ต่อ n8n หรือจ้างใครทำระบบ ให้ตอบ 5 คำถามนี้ก่อน

1) งานนี้เริ่มจาก goal หรือ trigger

ถ้างานเริ่มจาก event ชัดมาก เช่น payment เข้าแล้วออก invoice automation แบบเดิมอาจพอ

แต่ถ้างานเริ่มจาก goal เช่น “ช่วยเลือก lead ที่ควรตามก่อน” หรือ “ช่วยสรุปสิ่งที่เจ้าของต้องดูวันนี้” agent เริ่มมีบทบาท

2) Context อยู่ที่ไหน

AI ต้องรู้อะไรเพื่อทำงานนี้ให้ดี

ข้อมูลอยู่ใน chat, CRM, Sheet, email, Drive, website, knowledge base, transcript หรือระบบหลังบ้านไหน

ถ้าหา context ไม่เจอ อย่าเพิ่งโทษ model

แก้ระบบ context ก่อน

3) Tool ไหนอ่านได้ Tool ไหนเขียนได้

แยก read tool กับ write tool ให้ชัด

ช่วงแรกให้ AI อ่าน, สรุป, draft, recommend ก่อน

ค่อยให้ write access เฉพาะส่วนที่จำเป็น และควรมี approval ใน action ที่มีผลกระทบจริง

4) จุดไหนต้องให้คน approve

ไม่ใช่ทุกอย่างต้องให้คน approve ทีละคลิก

แต่ action ที่ sensitive, irreversible, public-facing หรือเกี่ยวกับเงิน/ลูกค้า/ข้อมูลส่วนตัว ควรมี human review

OpenAI เรียกสิ่งนี้ว่า human-in-the-loop approvals

Microsoft ก็พูดในแนวเดียวกันเรื่อง decision rights ว่าต้องรู้ชัดว่า agent ตัดสินใจอะไรได้ และคนคุมตรงไหน

5) Proof คืออะไร

ก่อนเริ่ม ต้องกำหนดว่า output ที่ดีหน้าตาเป็นอย่างไร

ไม่ใช่ปล่อยให้ AI ตอบว่า “เรียบร้อยครับ”

เช่น:

• ถ้าเป็น content ต้องมี source links และ QA checklist
• ถ้าเป็น lead follow-up ต้องมี customer context และ draft message
• ถ้าเป็น report ต้องมี data source และ timestamp
• ถ้าเป็น code ต้องมี diff, test result, screenshot หรือ deploy link
• ถ้าเป็น CRM ต้องมี record ID และ change log

Proof คือสิ่งที่ทำให้มนุษย์ verify เร็วขึ้น

Automation 3.0 ไม่ได้ฆ่า Automation 1.0 และ 2.0

จุดสำคัญคือ Automation 3.0 ไม่ได้แปลว่าทิ้ง automation เดิม

ตรงกันข้าม ธุรกิจที่ดีจะใช้ทั้ง 3 ชั้นร่วมกัน

• ใช้ Automation 1.0 กับงาน deterministic ที่ไม่ต้องคิด
• ใช้ Automation 2.0 กับจุดที่ต้องอ่าน/เขียนภาษา หรือจัดการ unstructured data
• ใช้ Automation 3.0 กับงานที่ต้องมี goal, context, tool choice, exception handling, approval และ proof

ตัวอย่างเช่น sales follow-up:

Automation 1.0 อาจดึง lead ใหม่จาก form เข้า CRM

Automation 2.0 อาจใช้ AI classify intent และ summarize chat

Automation 3.0 อาจให้ agent ดู pipeline รายวัน เลือก lead ที่ควรตามก่อน ร่าง follow-up พร้อมเหตุผล และส่งให้คน approve

นี่ไม่ใช่การเลือก tool เดียว

แต่คือการออกแบบ operating model

แล้ว OPB Stack / Hermes เกี่ยวอะไร

ถ้าพูดแบบ product positioning ของ Data-Espresso

OPB Stack ไม่ควรถูกขายว่าเป็นแค่ VPS หรือ private chat อีกตัว

มุมที่คมกว่าคือ:

OPB Stack คือ sandbox/workspace สำหรับ AI coworker ที่มีบ้าน มี memory มี tools มี skills มี schedule มี approval และมี proof

ส่วน Hermes Agent คือ runtime ที่ทำให้ AI coworker ทำงานได้ต่อเนื่องกว่า chat ทั่วไป:

• มี memory และ session recall
• โหลด skill/playbook เฉพาะงานได้
• ใช้ tools และ MCP ได้
• ทำงานผ่าน Telegram/Discord/Slack ได้
• มี cron/webhook สำหรับงานประจำ
• ทำงานใน sandbox ได้จริง
• ส่ง proof กลับมาให้คนตรวจ

นี่คือการต่อจากแนวคิด Software 3.0 ไปสู่ Automation 3.0

เพราะ prompt อย่างเดียวไม่พอ

ธุรกิจต้องมีที่ให้ prompt กลายเป็น workflow

และ workflow ต้องมี control plane ที่ปลอดภัยพอให้เจ้าของธุรกิจกล้าใช้

ตัวอย่าง Automation 3.0 ที่เริ่มได้จริง

1) Content operating agent

ไม่ใช่ให้ AI เขียนโพสต์จาก prompt เดียว

แต่เป็น flow แบบนี้:

1. scan source
2. เลือก angle ที่เข้ากับลูกค้าของธุรกิจ
3. ทำ source brief
4. เขียน draft
5. ตรวจ claim และ tone
6. สร้าง cover brief
7. ส่งให้คน approve
8. queue publish
9. เก็บ performance กลับมาใช้รอบหน้า

นี่คือสิ่งที่ Data-Espresso ทำกับ Deep Dive อยู่แล้วในเชิงระบบ

2) Sales follow-up agent

ไม่ใช่ให้ AI ปิดการขายแทนคน

แต่ให้ AI ช่วยไม่ให้ lead หลุด:

1. อ่าน lead ใหม่และประวัติการคุย
2. สรุปสถานะ
3. จัด priority
4. ร่าง follow-up
5. สร้าง task
6. ให้คน approve/send
7. บันทึกผลกลับ CRM

3) Owner daily report agent

เจ้าของธุรกิจไม่ควรต้องไล่เปิด 5 dashboard ทุกเช้า

agent สามารถช่วย:

1. ดึง signal จาก sales, support, ops, content
2. สรุปสิ่งผิดปกติ
3. บอกงานค้างที่ต้องดู
4. เสนอ next action
5. ส่ง proof และ source link
6. เก็บ history เพื่อดู trend

4) Support triage agent

ไม่ใช่ให้ AI ตอบลูกค้าทุกอย่างเอง

แต่เริ่มจาก:

1. อ่านข้อความลูกค้า
2. สรุป intent
3. ดึง policy/KB ที่เกี่ยวข้อง
4. ร่างคำตอบ
5. escalate เคสที่ไม่มั่นใจ
6. บันทึก FAQ ใหม่ที่ควรปรับปรุง

5) Back-office document agent

สำหรับธุรกิจบริการ/อบรม/ที่ปรึกษา/คลินิก/โรงเรียน เอกสารและข้อความหลังบ้านมักกินเวลามาก

agent ช่วยได้โดย:

1. อ่านเอกสาร
2. ตรวจว่าข้อมูลครบไหม
3. สรุปสิ่งที่ต้องตัดสินใจ
4. ร่าง response หรือ checklist
5. ส่งให้คน approve
6. เก็บ proof ว่าตรวจอะไรไปแล้ว

จุดที่ไม่ควรทำในรอบแรก

Automation 3.0 ไม่ได้แปลว่าให้ AI ทำทุกอย่างอัตโนมัติทันที

สิ่งที่ไม่ควรเริ่มเป็น use case แรก:

• ส่ง broadcast เอง
• refund เงินเอง
• ลบ customer data เอง
• เปลี่ยน production config เอง
• approve payment เอง
• ตัดสินใจทางกฎหมาย/การแพทย์/การเงินเอง
• ตอบลูกค้าทุกเคสแบบไม่ให้คนเห็น

เริ่มจาก read-only, draft-first, approval-first และ proof-first ก่อน

เมื่อ workflow เสถียรขึ้น ค่อยเพิ่ม autonomy ตามความเสี่ยงและผลลัพธ์จริง

นี่สอดคล้องกับแนวคิด partial autonomy ของ Karpathy และคำแนะนำจาก OpenAI/Anthropic/Microsoft ที่ไม่สนับสนุนการกระโดดไป full autonomy แบบไม่มี guardrails

สรุป: Software 3.0 เปลี่ยนวิธีสั่ง computer, Automation 3.0 เปลี่ยนวิธีสั่งงานธุรกิจ

Software 3.0 ทำให้ภาษาคนกลายเป็น interface ใหม่ของการ program computer

แต่ในโลกธุรกิจ สิ่งที่สำคัญกว่าคือการทำให้ภาษาคนกลายเป็น interface ของการสั่งงานทั้งระบบ โดยยังมี context, permission, approval, proof และ memory

นี่คือ Automation 3.0

และนี่คือเหตุผลที่ AI Agent จะเปลี่ยนธุรกิจจริง ไม่ใช่เพราะมันตอบเก่งขึ้นอย่างเดียว

แต่เพราะมันเริ่มรับ goal, ทำงานหลายขั้น, ใช้ tools, ตรวจตัวเอง, ขออนุมัติ, ส่ง proof และเรียนรู้จากงานเดิมได้

ธุรกิจที่ได้เปรียบในยุคนี้ไม่ใช่ธุรกิจที่มี AI tool เยอะที่สุด

แต่คือธุรกิจที่เปลี่ยน AI จาก “คนตอบแชท” ให้กลายเป็น “ระบบงานที่วัดผลได้” ก่อนคู่แข่ง

ถ้าจะเริ่ม ผมแนะนำให้ถามแค่ข้อเดียว:

งานไหนที่ถ้า AI ช่วยทำซ้ำทุกวันแบบมี context, approval และ proof จะทำให้ธุรกิจดีขึ้นทันที?

คำตอบของคำถามนี้ คือจุดเริ่มของ Automation 3.0 สำหรับธุรกิจคุณ