Codex กำลังเปลี่ยนจาก Coding Agent เป็น Work Agent

วันที่ 2 มิถุนายน 2026 OpenAI ประกาศ Codex for every role, tool, and workflow

ถ้ามองผิวเผิน นี่อาจดูเหมือนข่าว product update ของ Codex อีกหนึ่งรอบ

แต่ถ้ามองในมุม operator ผมคิดว่านี่เป็นสัญญาณใหญ่กว่าเดิมมาก เพราะ OpenAI กำลังผลัก Codex จาก “coding agent” ไปเป็น “work agent” สำหรับหลายบทบาทในองค์กร

ไม่ใช่แค่ developer ใช้ AI แก้ code

แต่ analyst ใช้ทำ dashboard, marketer ใช้ทำ campaign assets, sales ใช้เตรียม account review, product designer ใช้ทำ prototype, investor ใช้ทำ research memo และทีม operation ใช้สร้าง workspace สำหรับตัดสินใจร่วมกัน

นี่คือทิศทางที่ AI Agent เริ่มออกจากแชท และเริ่มเข้าไปอยู่ใน operating system ของงานจริง

1) เกิดอะไรขึ้น

OpenAI ประกาศความสามารถใหม่ของ Codex 3 กลุ่มหลัก

กลุ่มแรกคือ role-specific plugins

OpenAI บอกว่า plugin เหล่านี้ package apps, skills, instructions และ workflows ให้เข้ากับงานของแต่ละ role โดยตัวอย่างที่ประกาศมี data analytics, creative production, sales, product design, public equity investing และ investment banking

จาก repo openai/role-specific-plugins ตัว plugin template ถูกออกแบบให้ทีมปรับแต่งต่อได้ โดยรวม domain-specific skills, connector bindings และ starter assets สำหรับงานประจำวันของแต่ละบทบาท

กลุ่มที่สองคือ Sites

Sites คือ preview สำหรับ Business และ Enterprise ที่ให้ Codex สร้าง interactive hosted websites หรือ apps แล้วแชร์ใน workspace ผ่าน URL ได้

ตัวอย่างที่ OpenAI ให้ไว้ไม่ใช่เว็บ marketing page แต่เป็น work surface เช่น customer review hub, scenario planner, product launch hub, event dashboard หรือพื้นที่รวม owner, decision, open questions และ next step

กลุ่มที่สามคือ annotations

คนสามารถเลือกจุดเฉพาะในเว็บ เอกสาร spreadsheet หรือสไลด์ แล้วสั่งให้ Codex แก้ตรงนั้น เช่น เปลี่ยน label ของ chart, ถามที่มาของ claim, หรือปรับ navigation bar โดยไม่ต้องรื้อทั้งงาน

ถ้ารวมสามอย่างนี้เข้าด้วยกัน ภาพจะชัดมาก:

OpenAI ไม่ได้พยายามให้ทุกคน “คุยกับ chatbot เก่งขึ้น”

แต่กำลังสร้างรูปแบบให้ agent เข้าไปทำงานใน role, tool, workspace และ review loop ที่ทีมใช้อยู่จริง

2) ทำไมเรื่องนี้สำคัญกว่า coding agent

OpenAI ระบุในอีกโพสต์หนึ่งว่า Codex มีผู้ใช้มากกว่า 5 ล้านคนต่อสัปดาห์ เพิ่มขึ้นมากกว่า 6 เท่าตั้งแต่เปิดตัว desktop app ในเดือนกุมภาพันธ์ และ knowledge worker คิดเป็นประมาณ 20% ของผู้ใช้ Codex

ตัวเลขนี้สำคัญ เพราะมันบอกว่า agent ไม่ได้หยุดอยู่ที่ทีม engineering แล้ว

งานของ knowledge worker จำนวนมากมี pattern คล้ายงาน software:

• มี input จากหลายแหล่ง
• มีขั้นตอนซ้ำ
• ต้องสร้าง artifact เช่น report, dashboard, deck, memo หรือ internal tool
• ต้องมี review และ approval
• ต้องอ้างอิง source ได้
• ต้องแก้ซ้ำตาม feedback

ดังนั้นถ้า agent ทำงานกับ repo, issue, terminal และ browser ได้ ในทางหลักการมันก็สามารถทำงานกับ spreadsheet, CRM, design file, slide, analytics tool, CMS หรือ knowledge base ได้เช่นกัน

ต่างกันตรงที่งานนอก engineering มักไม่มี test suite ชัดเท่า code

นี่ทำให้ governance สำคัญขึ้น ไม่ใช่น้อยลง

3) บทเรียนสำหรับธุรกิจไทย

หลายองค์กรไทยเริ่มใช้ AI ด้วยวิธีง่ายที่สุด:

ให้ทุกคนลอง ChatGPT, แจก prompt, สร้าง guideline สั้น ๆ แล้วหวังว่าทีมจะทำงานเร็วขึ้น

วิธีนี้ดีสำหรับการเริ่มเรียนรู้ แต่ไม่พอสำหรับ agent ที่จะทำงานจริง

ถ้าจะเอา agent เข้าไปช่วยทีม sales, marketing, analytics, operation หรือ back office คำถามควรเปลี่ยนจาก “ใช้ prompt อะไรดี” เป็น:

แต่ละ role ต้องใช้อะไรในการทำงานให้จบอย่างปลอดภัย

ตัวอย่างเช่น

Sales agent ต้องเห็น account context, meeting notes, CRM field ที่จำเป็น และต้องรู้ว่า update อะไรได้เอง อะไรต้องให้คน approve

Marketing agent ต้องมี brand voice, product positioning, offer boundary, creative asset path และ approval ก่อน public campaign

Data agent ต้องมี metric definition, data source, query permission, chart review และคำเตือนเมื่อข้อมูลยังไม่พอ

Operations agent ต้องมี checklist, owner, SLA, log, escalation path และ rollback instruction

ถ้า agent ทุกตัวใช้ permission เดียวกัน เห็นข้อมูลเท่ากัน และทำ action ได้กว้างเท่ากัน องค์กรจะไม่ได้ autonomous workflow

องค์กรจะได้ risk surface ที่ใหญ่ขึ้น

4) Sites คือสัญญาณว่า agent ต้องมี work surface

ผมมองว่า Sites เป็นส่วนที่น่าสนใจมาก เพราะมันแก้ปัญหาหนึ่งของ AI ในองค์กร:

งานจำนวนมากไม่ได้จบในคำตอบหนึ่งย่อหน้า

ทีมต้องการพื้นที่ที่เห็นสถานะร่วมกัน เช่น

• สรุป customer review
• dashboard การทดลอง campaign
• project launch hub
• scenario planner
• backlog พร้อม owner
• decision log
• open questions

ถ้า agent สร้างสิ่งเหล่านี้เป็น interactive workspace ได้ ทีมจะไม่ต้องไล่อ่านแชทยาว ๆ เพื่อรู้ว่าเกิดอะไรขึ้น

นี่คือเหตุผลที่ผมคิดว่าอนาคตของ AI Agent จะไม่ได้อยู่แค่ในช่อง chat

มันจะอยู่ใน artifact ที่ทีมตรวจ ทดสอบ แชร์ แก้ และใช้ตัดสินใจร่วมกันได้

สำหรับ Data-Espresso หรือ SME ไทย มุมนี้สำคัญมาก เพราะหลายทีมไม่ได้ขาดไอเดีย แต่ขาด operating surface ที่รวมข้อมูล งาน และการตัดสินใจไว้ที่เดียว

5) Annotations คือ review loop ที่จำเป็น

Agent ที่ดีไม่ได้ต้องทำชิ้นแรกให้สมบูรณ์เสมอ

แต่ต้องแก้ตาม feedback ได้อย่างแม่นยำ

Annotations จึงสำคัญ เพราะมันทำให้มนุษย์ไม่ต้องอธิบายใหม่ทั้ง context

แค่ชี้ว่า “ตรงนี้ claim มาจากไหน”, “chart นี้ label ยังไม่ชัด”, “slide นี้ tone แข็งไป”, “section นี้ไม่ตรง brand” แล้วให้ agent แก้เฉพาะจุด

นี่คือ pattern เดียวกับงานจริงในบริษัท

คนไม่ได้ approve หรือ reject ทั้งงานแบบหยาบ ๆ เสมอไป

แต่ review เป็นจุด ๆ แล้ววนกลับให้แก้จน artifact ใช้งานได้

ดังนั้นถ้าองค์กรจะออกแบบ AI Agent ของตัวเอง ควรมี feedback loop แบบนี้ตั้งแต่แรก:

• artifact อยู่ที่ไหน
• ใคร review
• feedback ผูกกับจุดไหน
• agent แก้อะไรไป
• source/claim เปลี่ยนหรือไม่
• version ไหนคือ final

ถ้าไม่มีสิ่งเหล่านี้ AI จะกลายเป็นเครื่องผลิต draft ที่เยอะขึ้น แต่ไม่ได้แปลว่าทีมตัดสินใจดีขึ้น

6) ควรเริ่มอย่างไร

สำหรับทีมไทย ผมไม่แนะนำให้เริ่มจาก “ให้ AI ทำทุกอย่าง”

ให้เริ่มจากหนึ่ง role และหนึ่ง workflow ที่มี output ตรวจได้

ตัวอย่างที่เหมาะ:

• sales meeting prep
• weekly analytics report
• campaign brief to asset checklist
• customer support trend summary
• product launch checklist
• finance document first-pass review
• internal SOP update

จากนั้นออกแบบ agent package แบบง่าย ๆ:

1. Role: agent นี้ทำงานแทนใคร
2. Scope: ทำอะไรได้และห้ามทำอะไร
3. Tools: ใช้ระบบไหนได้บ้าง
4. Data: อ่านข้อมูลชุดไหน
5. Artifact: ต้องส่งมอบอะไร
6. Review: ใครตรวจและตรวจตรงไหน
7. Approval: action ไหนต้องอนุมัติ
8. Log: เก็บหลักฐานไว้ที่ไหน

ถ้าทำได้ครบ ทีมจะเริ่มเห็นว่า AI Agent ไม่ใช่ prompt library

แต่มันคือ operating package ของงานหนึ่งประเภท

7) มุมมองของผม

ข่าวนี้ทำให้ภาพชัดขึ้นว่า AI Agent กำลังเข้าสู่เฟสใหม่

เฟสแรกคือ model ตอบเก่งขึ้น

เฟสสองคือ coding agent ทำงานกับ repo และ terminal ได้

เฟสสามคือ agent ถูก package ให้เข้ากับ role, tools, workspace และ governance ของทีมจริง

OpenAI กำลังเดินไปทางนั้นกับ Codex

Anthropic ก็เดินคล้ายกันกับ Claude Cowork และ agent templates

Microsoft ก็วาง Agent 365, Windows 365 for Agents และ MXC ในฝั่ง control plane กับ containment

บทเรียนสำหรับธุรกิจคือ อย่าดู AI Agent เป็นแค่ software ใหม่อีกตัว

ให้ดูเป็นโครงสร้างการทำงานใหม่:

ใครเป็น owner agent ถือสิทธิ์อะไร ใช้ข้อมูลอะไร สร้าง artifact อะไร มนุษย์ review ตรงไหน และ action ไหนห้ามข้าม approval

สุดท้าย agent ที่มีค่าที่สุดอาจไม่ใช่ agent ที่ “ทำได้ทุกอย่าง”

แต่คือ agent ที่ทำงานหนึ่ง role ได้ดี มีหลักฐาน มีขอบเขต และทำให้ทีมตัดสินใจเร็วขึ้นโดยไม่เพิ่มความเสี่ยงแบบเงียบ ๆ