Deep Dive: ทำไม AI Agent ยังต้องมี Org Chart: บทเรียนจาก Paperclip

ทำไม AI Agent ยังต้องมี Org Chart: บทเรียนจาก Paperclip

มีคำถามหนึ่งที่น่าสนใจมากในโลก AI agent ตอนนี้ครับ:

ถ้า agent ฉลาดขึ้นเรื่อยๆ แล้วเรายังต้องจัดมันเป็น org chart แบบบริษัทมนุษย์อยู่ไหม?

คำถามนี้มาจากโพสต์ของ dotta ผู้ทำ Paperclip ที่บอกว่า Paperclip เจอ skepticism เพราะเลือกใช้โครงสร้างแบบ org chart บางคนมองว่า agent ที่เก่งพอควรสร้าง organization ของตัวเองได้ หรือ org chart อาจเป็นแนวคิดเก่าเกินไปสำหรับ AI

ผมคิดว่านี่เป็นคำถามที่ดีมาก เพราะมันแตะจุดเปลี่ยนสำคัญของ AI ในองค์กร:

เราไม่ได้กำลังถามว่า AI ทำงานได้ไหม

เรากำลังถามว่า AI หลายตัวจะทำงานร่วมกันอย่างรับผิดชอบได้อย่างไร

Paperclip คืออะไร

Paperclip วางตัวเองเป็น open-source orchestration layer สำหรับ “zero-human companies” หรือพูดแบบไม่ขายฝันเกินไปคือ control plane สำหรับจัดการทีม AI agents

มันไม่ใช่ agent อีกตัวหนึ่ง แต่มันเป็นชั้นจัดการด้านบนของ agents ที่เรามีอยู่แล้ว เช่น Claude Code, Codex, OpenClaw, Cursor, script, webhook หรือ agent runtime อื่นๆ

แนวคิดหลักของ Paperclip คือ:

• Agent มีบทบาท มีตำแหน่ง มีหัวหน้า และมี job description
• งานถูก track ผ่าน tickets และ conversations
• Agent ตื่นมาทำงานผ่าน heartbeats หรือ trigger
• ทุก task ผูกกลับไปยัง project และ company goal
• มี budget ต่อ agent เพื่อคุม cost
• มี governance ให้มนุษย์ approve, pause, override หรือ terminate ได้
• มี audit trail ว่าใครทำอะไร ตอนไหน และเพราะอะไร

ประโยคที่สรุป Paperclip ได้ดีคือ:

ถ้า OpenClaw คือพนักงาน Paperclip คือบริษัท

ทำไม org chart ยังสำคัญกับ agent

หลายคนไม่ชอบ org chart เพราะในโลกมนุษย์มันมักมาพร้อม bureaucracy, politics และการตัดสินใจช้า

แต่สำหรับ AI agent, org chart ไม่ได้มีไว้ให้ agent ใส่สูทเข้าประชุมครับ

มันมีไว้แก้ปัญหา coordination

เมื่อมี agent ตัวเดียว ปัญหาหลักคือ prompt, tools และ context

แต่เมื่อมี agent หลายตัว ปัญหาจะเปลี่ยนเป็น:

• ใครควรทำงานนี้
• ใครมี authority ในการตัดสินใจ
• ใครเป็น owner ของผลลัพธ์
• ถ้างานซ้ำกัน ใครต้องหยุด
• ถ้า agent ติด blocker ต้องส่งต่อให้ใคร
• ถ้างบหมด ใครเป็นคน prioritise
• ถ้างานผิด ใครต้อง review และแก้

นี่ไม่ใช่ปัญหา language model ครับ

นี่คือปัญหา operating model

Org chart ทำหน้าที่เป็น “context router”

Paperclip docs ระบุชัดว่า agent ทุกตัวรายงานต่อ manager หนึ่งคนเท่านั้น และ org tree ไม่มี cycle CEO อยู่บนสุด ส่วน agent อื่นมี reportsTo ชี้ไปยัง manager

ฟังดูเรียบง่าย แต่ผลของมันสำคัญมาก เพราะระบบรู้ว่า:

• งานควรถูก delegate ลงไปหาใคร
• blocker ควรถูก escalate ขึ้นไปหาใคร
• manager เห็นงานของ report ตัวเองอย่างไร
• chain of command ของ agent แต่ละตัวคืออะไร

ในโลก multi-agent, context ไม่ควรไหลแบบมั่วๆ ทุกคนเห็นทุกอย่าง เพราะยิ่ง context เยอะ ยิ่งมี noise และยิ่งควบคุมยาก

org chart จึงทำหน้าที่เหมือน context router: ส่งข้อมูลไปยัง agent ที่ควรรู้ และส่ง escalation ไปยังคนที่ตัดสินใจได้

ยิ่ง agent autonomous ยิ่งต้องมี accountability

คนมักพูดถึง agent autonomy เหมือนเป็นเป้าหมายสูงสุด แต่สำหรับงานจริงในองค์กร autonomy ที่ไม่มี accountability คือความเสี่ยง

ถ้า agent สามตัวแก้ไฟล์เดียวกัน ใครเป็น owner?

ถ้า content agent publish ผิด ใคร approve?

ถ้า coding agent ใช้ token เกินงบ ใครรับผิดชอบ?

ถ้า CEO agent วาง strategy แล้วให้ CMO agent execute โดยไม่มี review gate เราจะรู้ได้อย่างไรว่ามันยังตรงกับเป้าหมายธุรกิจ?

นี่คือเหตุผลที่ Paperclip ใช้แนวคิด governance ให้มนุษย์เป็น board ที่ approve hire, approve strategy, pause agent, reassign task, adjust budget และ override decision ได้

ผมชอบ framing นี้มาก เพราะมันไม่ใช่ “AI ทำทุกอย่างแทนคน” แต่คือ “คนเปลี่ยนบทบาทจาก operator เป็น board”

AI company ไม่ได้แปลว่าไม่มีมนุษย์

คำว่า zero-human company ฟังแรง และผมคิดว่าควรอ่านด้วยความระวัง

ในงานจริง มนุษย์ยังสำคัญมาก เพียงแต่บทบาทเปลี่ยนจากการสั่งงานรายชิ้น เป็นการออกแบบระบบงาน ตั้งเป้าหมาย ตั้ง policy ตั้ง budget และตรวจ outcome

พูดง่ายๆ คือจาก “คน prompt AI” ไปสู่ “คนบริหารทีม AI”

นี่คือ mental model ที่ต่างกันมาก

ถ้าเรายังคิดแบบ tool mindset เราจะถามว่า “AI ตัวนี้ทำอะไรได้บ้าง”

แต่ถ้าคิดแบบ organization mindset เราจะถามว่า:

• บริษัทต้องการ outcome อะไร
• ต้องมี role ไหนบ้าง
• role ไหนควรเป็น manager
• role ไหนควรเป็น IC
• งานไหนควร require approval
• agent แต่ละตัวควรมี budget เท่าไร
• context ไหนควรถูกส่งให้ใคร
• metric ไหนบอกว่า agent ทำงานดีหรือไม่ดี

นี่คือ design problem ไม่ใช่แค่ prompt problem

บทเรียนสำหรับองค์กรไทย

สำหรับบริษัทไทยที่กำลังเริ่มใช้ AI agent ผมคิดว่าบทเรียนจาก Paperclip สำคัญมาก

อย่าเริ่มจากการถามว่า “ควรใช้ agent กี่ตัว”

ให้เริ่มจากการวาด operating model ก่อน:

1. งานไหนเกิดซ้ำและมี owner ชัด
2. งานไหนควรให้ AI draft แต่คน approve
3. งานไหนควรให้ AI ทำเองได้หลังผ่าน trust threshold
4. งานไหนห้าม automate เพราะ risk สูง
5. ถ้า AI ติดปัญหา ต้องส่งต่อให้ใคร
6. token budget อยู่ที่ทีมไหน
7. audit log ต้องละเอียดแค่ไหน

ถ้าตอบคำถามเหล่านี้ไม่ได้ การเพิ่ม agent อีกสิบตัวอาจทำให้ chaos เร็วขึ้น ไม่ได้ทำให้องค์กรฉลาดขึ้น

Org chart ไม่ใช่คำตอบสุดท้าย แต่เป็นจุดเริ่มต้นที่มนุษย์เข้าใจ

ผมไม่คิดว่า org chart แบบบริษัทมนุษย์จะเป็นรูปแบบสุดท้ายของ AI organization

ในอนาคต agent อาจสร้าง topology การทำงานที่ dynamic กว่านี้ได้ เช่น network, swarm, market-based routing หรือ temporary task force ที่เกิดและหายตาม mission

แต่วันนี้ org chart มีข้อดีหนึ่งที่สำคัญมาก:

มนุษย์เข้าใจมัน

ผู้บริหารเข้าใจ role, boss, team, budget, approval, escalation และ responsibility อยู่แล้ว

ถ้าเราต้องการให้ AI agent เข้าองค์กรจริง โครงสร้างที่มนุษย์เข้าใจอาจสำคัญกว่ารูปแบบที่ฉลาดที่สุดในเชิงทฤษฎี

Arty’s Take

ผมมองว่า Paperclip ชี้ประเด็นถูกครับ: bottleneck ของ AI agent ไม่ได้อยู่ที่ความฉลาดอย่างเดียว แต่อยู่ที่การจัดการงาน ความรับผิดชอบ และ governance

AI agent แบบเดี่ยวคือ productivity tool

แต่ AI agent หลายตัวคือ organization design problem

ถ้าคุณมี agent หนึ่งตัว คุณอาจต้องการ prompt ที่ดีขึ้น

แต่ถ้าคุณมี agent สิบตัว คุณต้องการ org chart, ticketing, budget, review gate และ operating cadence

นี่คือจุดที่หลายองค์กรจะพลาด: ซื้อ AI เพิ่ม แต่ไม่ออกแบบวิธีทำงานใหม่

คำถามที่ควรถามในปี 2026 จึงไม่ใช่แค่ “เรามี AI agent หรือยัง”

แต่คือ “เราออกแบบบริษัทให้ AI agent ทำงานด้วยได้หรือยัง”

ถ้าคำตอบยังไม่ชัด org chart อาจไม่ได้เก่าเกินไปครับ

มันอาจเป็น scaffold แรกที่ทำให้ AI workforce ไม่กลายเป็นกอง terminal, tab และ token cost ที่ไม่มีใครคุม