Claude Tag: เมื่อ AI กลายเป็นสมาชิกทีมใน Slack ต้องออกแบบสิทธิ์เหมือนพนักงานจริง

Anthropic เปิดตัว Claude Tag เป็นวิธีใหม่ให้ทีมทำงานกับ Claude โดยเริ่มจาก Slack

ถ้าอธิบายสั้น ๆ คือ Claude ไม่ได้เป็นแค่ chatbot ที่เราทักไปถามแล้วจบ แต่กลายเป็น @Claude ที่อยู่ใน channel ทีมได้ มี context ของ channel ใช้ tools ที่องค์กรเลือกให้ และรับงานจากทุกคนใน channel เดียวกันได้

ตรงนี้คือจุดเปลี่ยนสำคัญ

เพราะ AI ที่อยู่ใน Slack ไม่ได้เป็นแค่ผู้ช่วยส่วนตัวแล้ว มันเริ่มกลายเป็น สมาชิกทีมที่มีสิทธิ์ มีความจำ มีค่าใช้จ่าย มี log และมีขอบเขตการทำงาน

ถ้าองค์กรคิดเรื่องนี้แบบ “ติดตั้ง bot เพิ่มอีกตัว” จะเสี่ยงมาก แต่ถ้าคิดแบบ “เพิ่ม teammate ใหม่เข้าทีม” จะเริ่มเห็นคำถามที่ถูกต้องกว่า

เกิดอะไรขึ้น

Anthropic ประกาศว่า Claude Tag เปิด beta สำหรับ Claude Enterprise และ Team customers ใน Slack

ทีมสามารถให้ Claude เข้าถึง selected channels แล้วเชื่อมกับ tools, data และ codebases ที่ admin เลือก จากนั้นคนใน channel tag @Claude เพื่อมอบหมายงานได้ เช่น:

• สรุป thread ยาว ๆ ว่าใครตัดสินใจอะไรแล้ว อะไรยังค้าง
• ดึงตัวเลขจาก data warehouse หรือเครื่องมือ analytics
• วิเคราะห์ bug จาก thread แล้วเปิด draft pull request
• เตรียมข้อมูลก่อนประชุมลูกค้า
• เฝ้า channel, triage backlog, และ tag คนเมื่อมีเรื่องต้องตัดสินใจ

Anthropic บอกด้วยว่าในทีม product ภายในของเขาเอง 65% ของ code ถูกสร้างโดย internal version ของ Claude Tag แล้ว และ pattern นี้กระจายไปไกลกว่า engineering เช่น metrics, data, support tickets และ root-cause debugging

นี่คือ signal ว่า AI กำลังย้ายจาก “ตอบคำถาม” ไปสู่ “รับงานในพื้นที่ที่ทีมทำงานอยู่จริง”

ต่างจาก Slack bot ธรรมดายังไง

Slack bot แบบเดิมมักทำงานเป็น command หรือ integration เราสั่ง มันตอบ เราเรียก มันทำ จบเป็นครั้ง ๆ

Claude Tag เพิ่ม 4 เรื่องที่ทำให้มันเป็น agent มากขึ้น

1. Multiplayer ใน channel หนึ่งมี Claude ตัวเดียวที่ทุกคนเห็นร่วมกัน ใครก็ steer งานต่อได้ และ exchange ทั้งหมดอยู่ใน thread เดียวกัน

2. Memory across threads and days Claude จำ context ที่เกี่ยวข้องจาก channel ได้ ทำให้ทีมไม่ต้องอธิบายเรื่องเดิมซ้ำทุกครั้ง

3. Proactive action ถ้าเปิด ambient behavior, Claude สามารถ flag ข้อมูลที่ทีมควรรู้, follow up thread ที่เงียบ, หรือเตือนเรื่องที่ค้างได้เอง

4. Asynchronous work Claude รับ task ที่ทำหลาย stage และใช้เวลาหลายชั่วโมงหรือหลายวันได้ รวมถึง schedule task ให้ตัวเองในอนาคต

แปลว่าเรากำลังเข้าสู่โลกที่ AI ไม่ได้รอให้เราพิมพ์ prompt อย่างเดียว AI เริ่ม “อยู่ในงาน” และ “รอจังหวะทำงาน” เหมือนคนในทีม

จุดที่คนไทยควรสนใจไม่ใช่แค่ความเก่ง

ถ้าอ่านแค่หน้า marketing เราอาจรู้สึกว่าเรื่องนี้คือ productivity upgrade

แต่ถ้าอ่านเอกสาร Agent Identity ของ Anthropic จะเห็นว่าเรื่องจริงคือ access model

Anthropic อธิบายว่า channel session ของ Claude Tag ทำงานด้วย agent identity

ใน channel, Claude ไม่ได้ act as user คนใดคนหนึ่ง แต่มันมี service account ของตัวเอง เช่น:

• โพสต์ใน Slack ในฐานะ Claude app
• เปิด pull request ใน GitHub ด้วย Claude GitHub App
• query data warehouse ด้วย service account ที่ admin provision
• ใช้ tools และ credentials ที่ admin attach ให้กับ channel scope

นี่สำคัญมาก เพราะถ้าเป็น personal chatbot คำถามคือ “คนนี้มีสิทธิ์อะไร”

แต่ถ้าเป็น AI ใน channel คำถามต้องเปลี่ยนเป็น “AI ตัวนี้ ใน compartment นี้ ทำอะไรได้”

ผมคิดว่านี่คือภาษาที่ธุรกิจควรเริ่มใช้เวลาออกแบบ AI coworker

ไม่ใช่ถามว่า AI ฉลาดไหม แต่ถามว่า AI ตัวนี้อยู่ในห้องไหน ถือกุญแจดอกไหน และมีคนตรวจ proof อย่างไร

Agent Identity คือ boundary ใหม่ของ AI teammate

ในเอกสาร Anthropic เขียนชัดว่า agent identity แทนคำถามเดิมจาก “what can this user do?” เป็น “what can this agent do in this compartment?”

ถ้าแปลเป็นภาษาธุรกิจไทย:

เราไม่ได้ให้ AI ยืมบัตรพนักงานของใครคนหนึ่ง เราออกบัตรของ AI เอง แล้วกำหนดว่าบัตรนี้เข้าห้องไหนได้ ทำงานอะไรได้ และถูก log ที่ไหน

นี่ช่วยแก้ปัญหาใหญ่ของ shared channel

เพราะใน channel อาจมี engineer, PM, sales, legal, admin และ founder อยู่ด้วยกัน ถ้า AI ยืมสิทธิ์จากคนที่ tag มัน คำถามจะยุ่งมากทันที:

• ถ้า PM tag AI ให้ดู repo แต่ PM ไม่มี repo access ล่ะ
• ถ้า engineer tag AI ใน channel ที่มีข้อมูลลูกค้า AI ควรเห็นข้อมูลนั้นไหม
• ถ้า AI เปิด PR หรือ query warehouse ควร attributed เป็นใคร
• ถ้าคนออกจากบริษัท สิทธิ์ AI ที่เคยยืมจากคนนั้นหายไหม

Agent identity จึงให้ AI มีบัญชีและ scope ของตัวเอง

นี่ไม่ใช่แค่ feature ของ Claude มันคือ pattern ของ production AI ในองค์กร

สิ่งที่ต้องออกแบบก่อนเพิ่ม AI เข้า channel ทีม

สำหรับ Data-Espresso และธุรกิจไทย ผมจะไม่เริ่มจาก “Claude Tag ใช้ยังไง”

ผมจะเริ่มจาก “ถ้าธุรกิจเรามี AI อยู่ใน channel ทีมจริง เราจะออกแบบห้องทำงานให้มันยังไง”

เพราะในอนาคต channel นี้อาจไม่ใช่ Slack อย่างเดียว อาจเป็น LINE group, Discord, Microsoft Teams, CustomerOS inbox, CRM room, admin room หรือ OPB Stack workspace ก็ได้

หลักคิดเหมือนกันคือ AI ต้องมี boundary ก่อนมี autonomy

ถ้าไม่มี boundary, AI ที่ขยันจะกลายเป็น noise ถ้าไม่มี audit, AI ที่ช่วยงานจะกลายเป็น black box ถ้าไม่มี spend limit, AI ที่ทำงานข้ามวันจะกลายเป็น cost surprise ถ้าไม่มี approval, AI ที่ทำ action ได้จะกลายเป็น operational risk

6 เรื่องที่ต้องมีใน Channel Agent

ผมมองว่า AI ที่อยู่ใน channel ทีมจริงควรมี 6 layer เป็นอย่างน้อย

1. Place boundary AI อยู่ใน channel ไหน เห็น public channel, private channel, thread, DM หรือ workspace memory ระดับไหน

2. Tool boundary AI ใช้เครื่องมืออะไรได้บ้าง เช่น GitHub, Linear, HubSpot, Google Drive, Snowflake, Zendesk, PagerDuty, CRM, internal API

3. Data boundary AI เห็นข้อมูล customer, finance, legal, HR, product analytics, code, support ticket ได้แค่ไหน

4. Action boundary AI ทำได้แค่อ่านและ draft หรือสามารถ write, open PR, assign ticket, send message, change status, query production data ได้ด้วย

5. Cost boundary งานใน channel bill ที่องค์กรหรือบุคคล มี organization-wide limit, per-channel limit, threshold alert และ usage analytics หรือไม่

6. Proof boundary ทุก action มี log ไหม รู้ไหมว่า AI ทำอะไร ใช้ credential ไหน เรียก network ไปที่ไหน และใครเป็นคนสั่ง

ถ้าขาด layer ใด layer หนึ่ง AI teammate จะเริ่มเหมือนพนักงานที่ไม่มี job description ไม่มี budget และไม่มี manager

สำหรับ SME ไทย เริ่มเล็กกว่านี้ได้

หลายบริษัทไทยไม่ได้ใช้ Slack Enterprise หรือ Claude Team ทันที

แต่ lesson นี้ยังใช้ได้ เพราะเราสามารถจำลอง pattern เดียวกันในระบบเล็กกว่าได้

เช่น:

• CustomerOS bot ใน LINE/Facebook inbox ต้องรู้ว่าห้องไหนคือ sales, support, admin
• OPB Stack AI coworker ต้องมี workspace แยกตามลูกค้าและ task
• Hermes profile ต้องแยก owner, marketing, support, developer, admin ตาม tool scope
• n8n/MCP workflow ต้องมี trigger, allowed action, proof log และ human approval
• AI admin room ต้องเริ่มจาก read-only summary ก่อนให้ write/action จริง

สิ่งที่สำคัญคือไม่ให้ AI “เห็นทุกอย่าง ทำทุกอย่าง” ตั้งแต่วันแรก

เริ่มจากหนึ่ง channel หนึ่งงาน หนึ่ง owner หนึ่ง proof artifact

แล้วค่อยขยาย scope เมื่อเห็นว่ามันช่วยงานจริงและไม่สร้าง risk เกินควบคุม

Operator Kit: Channel Agent Access Gate

ก่อนเพิ่ม AI เข้า channel ทีมจริง ให้ใช้ gate นี้เช็กก่อน

ให้คะแนน 0 ถึง 2 ในแต่ละข้อ รวม 12 คะแนน

Gate	0 คะแนน	1 คะแนน	2 คะแนน
Channel scope	ยังไม่รู้ว่า AI อยู่ห้องไหน	กำหนด channel แล้วแต่ยังไม่แยก private/sensitive	แยก channel, private room, DM และ sensitive scope ชัดเจน
Tool access	ให้ tool แบบกว้าง ๆ	มีบาง tool เป็น read-only	ระบุ tool, credential, allowed host และ action level ชัดเจน
Data class	ไม่แยกประเภทข้อมูล	แยกคร่าว ๆ เช่น customer หรือ finance	มี data class และ rule ว่าอะไรห้ามเข้า channel นี้
Action mode	AI ทำ action ได้ทันที	AI ทำ draft แล้วรอคนตรวจบางกรณี	แยก read, draft, write, send, deploy, delete พร้อม approval
Cost control	ไม่มี limit	มี org limit แต่ไม่มี per-channel view	มี org limit, per-channel limit, alert และ usage report
Audit proof	ไม่รู้ว่า AI ทำอะไร	มี Slack thread แต่ tool log ไม่ชัด	มี audit log, tool attribution, request trace และ owner

เกณฑ์ใช้งาน

• 0 ถึง 5 คะแนน: ยังไม่ควรเพิ่ม AI เข้า channel จริง ให้เริ่มจาก manual prompt หรือ read-only summary ก่อน
• 6 ถึง 8 คะแนน: ใช้ได้กับงาน low-risk เช่นสรุป thread, meeting prep, backlog triage, draft document
• 9 ถึง 10 คะแนน: ใช้กับงานที่แตะ tool ได้ แต่ควรจำกัด write action และต้องมี approval
• 11 ถึง 12 คะแนน: พร้อมทดลอง team agent ที่ทำงานหลายชั่วโมงหรือหลายวัน โดยยังต้องมี log และ human owner

Prompt เริ่มต้นสำหรับทีม

เอา prompt นี้ไปใช้เวลาจะตั้ง channel agent:

เราจะเพิ่ม AI เข้า channel นี้เพื่อช่วยงานอะไรเป็นหลัก
ข้อมูลที่ AI เห็นได้คืออะไร
ข้อมูลที่ AI ห้ามเห็นคืออะไร
AI ใช้ tool อะไรได้บ้าง และเป็น read-only หรือ write ได้
action ไหนต้องขอ approval ก่อนเสมอ
งานนี้มี spend limit เท่าไร
เมื่อ AI ทำงานเสร็จ ต้องส่ง proof อะไรกลับมาใน thread
ถ้า AI ทำผิด scope ใครมีสิทธิ์ stop หรือ revoke access

สรุป

Claude Tag ทำให้ภาพของ AI teammate ชัดขึ้นมาก

มันไม่ใช่แค่ถามตอบ มันคือ AI ที่อยู่ในพื้นที่ทำงานร่วมกัน มี memory, tool access, task schedule, proactive behavior และ agent identity ของตัวเอง

สำหรับองค์กรใหญ่ นี่คือ enterprise AI access model สำหรับ SME ไทย นี่คือบทเรียนที่ควรเริ่มคิดตั้งแต่วันนี้

ก่อนจะเพิ่ม AI เข้า LINE group, Slack channel, CRM inbox หรือ admin room ให้ถามก่อนว่า:

AI ตัวนี้ควรอยู่ห้องไหน เห็นอะไรได้ ใช้อะไรได้ ทำอะไรได้ ใช้เงินเท่าไร และเหลือ proof อะไรให้คนตรวจ

ถ้าตอบไม่ได้ อย่าเพิ่งเพิ่ม autonomy

ถ้าตอบได้ คุณไม่ได้แค่ติดตั้ง AI bot คุณกำลังเริ่มออกแบบสมาชิกทีมดิจิทัลที่ทำงานร่วมกับคนจริงได้อย่างปลอดภัยกว่าเดิม