Kore.ai เปิด Autoloop ให้ AI ซ่อมตัวเอง แล้วใครตรวจคนซ่อม

79% ขององค์กรในดัชนีที่ Kore.ai จัดทำเคยย้อนการกระทำของ AI ตามรายงาน SiliconANGLE แปลว่าองค์กรส่วนใหญ่ในชุดข้อมูลของบริษัทเคยต้องแก้สิ่งที่ AI ลงมือไปแล้วครับ Kore.ai จึงเปิดตัว Autoloop เมื่อวันที่ 7 ตุลาคม เป็นระบบปรับปรุงผู้ช่วย AI บนแพลตฟอร์ม Artemis หลังเปิดใช้งานจริง ตามประกาศบริษัท

เรื่องนี้เกี่ยวกับเวลาที่คุณเสียไปกับแชตบริการลูกค้า และความปลอดภัยของข้อมูล มากกว่าการได้บอตที่พูดเก่งขึ้น ลองนึกถึงบริการธนาคารหรือค่ายมือถือที่ใช้ผู้ช่วยอัตโนมัติเป็นตัวอย่างใกล้ตัว แต่แหล่งข่าวชุดนี้ไม่ได้ยืนยันว่าบริการไทยรายใดใช้ Autoloop แล้ว สิ่งที่ต้องดูคือ เมื่อระบบแก้พฤติกรรมของตัวเอง ใครตรวจว่าลูกค้าจะไม่เจอปัญหาใหม่

สรุป 30 วินาที: เกิดอะไรขึ้น

Autoloop เป็นเครื่องมือของ Kore.ai สำหรับปรับ AI agent หรือผู้ช่วย AI ที่ทำงานเป็นขั้นตอนและเรียกเครื่องมืออื่นได้ บริษัทให้องค์กรกำหนดเป้าหมาย แล้วระบบประเมิน หาสาเหตุ เสนอการแก้ และตรวจผลซ้ำ ตามบล็อกเปิดตัว จึงครอบคลุมทั้งช่วงสร้างผู้ช่วยและช่วงที่ลูกค้าใช้งานจริงแล้ว

Business News Week รายงานการเปิดให้ใช้งานทั่วไปบน Agent Platform รุ่น Artemis ขณะที่ SiliconANGLE ระบุว่าเปิดให้ลูกค้าทั้งหมดของรุ่นนี้แล้ว ขอบเขตดังกล่าวเป็นบริการองค์กร ไม่ได้แปลว่าคนทั่วไปมีแอป Autoloop ให้โหลดมาใช้กับบอตทุกยี่ห้อ

บริษัทระบุว่าตรวจเป้าหมาย 7 ด้าน แปลว่าการแก้แต่ละครั้งต้องผ่านมากกว่าคะแนนตอบถูกเพียงอย่างเดียว ตามรายละเอียด Kore.ai ทั้งงานสำเร็จ ความถูกต้อง การทำตามกฎ ต้นทุน ประสบการณ์ผู้ใช้ ความทนต่อสถานการณ์ และความปลอดภัยต้องถูกพิจารณาร่วมกัน แต่ผลว่าทำได้ดีแค่ไหนยังต้องแยกจากคำอธิบายผลิตภัณฑ์

ถ้าบอตตอบสุภาพและลูกค้าพอใจแล้ว ยังมีอะไรให้ตรวจอีก? ตัวอย่างของ Kore.ai คือการเปลี่ยนที่อยู่จัดส่งโดยไม่ได้ตรวจตัวตนผู้ขอ ตามบล็อกบริษัท บทสนทนาดูราบรื่นได้ ทั้งที่ขั้นตอนสำคัญไม่ได้เกิดขึ้นเลย

ทำไมเรื่องนี้เกี่ยวกับคุณ

ตัวอย่างเปลี่ยนที่อยู่ของ Kore.ai ชี้ให้เห็นความต่างระหว่าง “ตอบจบ” กับ “ทำถูกขั้นตอน” บริษัทอธิบายว่าการตรวจที่ไม่เคยทำอาจไม่เหลือข้อความให้ผู้ตรวจบทสนทนาเห็น การให้คะแนนจากคำตอบท้ายแชตอย่างเดียวจึงอาจพลาดสิ่งที่ระบบควรทำก่อนหน้านั้น

สำหรับคนทำงานหรือผู้ปกครอง ประเด็นใกล้ตัวคือไม่ควรใช้ความลื่นไหลของคำตอบเป็นหลักฐานว่างานสำเร็จอย่างถูกต้อง ส่วนเจ้าของร้านที่กำลังเลือกบอตบริการลูกค้า ควรถามถึงวิธีตรวจการกระทำจริงด้วย นี่เป็นข้อเสนอแนะจากตัวอย่างของบริษัท ไม่ใช่รายงานว่าธนาคารหรือร้านค้าไทยเกิดเหตุลักษณะนี้แล้ว

อีกด้านคือภาระของคนดูแลระบบ Kore.ai อธิบายว่าวิธีเดิมต้องอ่านบทสนทนา หาสาเหตุ ปรับคำสั่ง แล้วนำระบบกลับไปใช้งาน การแก้เส้นทางหนึ่งอาจทำให้อีกเส้นทางเสีย ตามประกาศต้นทาง ผลกับผู้ใช้จึงอาจอยู่ที่คุณภาพบริการหลังอัปเดต ไม่ใช่แค่ความสามารถในวันเปิดตัว

ตัวเลข 70% มาจากดัชนีของ Kore.ai ที่ SiliconANGLE รายงานต่อ แปลว่าองค์กรส่วนใหญ่ในชุดข้อมูลนั้นเคยเจอความล้มเหลวที่ทีมตามหาสาเหตุไม่ได้ นี่เป็นตัวเลขจากบริษัทผู้ขาย ไม่ใช่สัดส่วนที่ยืนยันสำหรับองค์กรไทย และไม่ควรนำไปคำนวณความเสี่ยงของบริการที่คุณใช้โดยตรง

ทำงานยังไง

จุดเริ่มอยู่ที่องค์กรเขียนให้ชัดว่าความสำเร็จหน้าตาอย่างไร ตามรายละเอียด Kore.ai การปิดงานได้ต้องถูกตรวจพร้อมกับกฎธุรกิจและความปลอดภัย ส่วนความถูกต้องต้องมีข้อมูลขององค์กรรองรับ เป้าหมายจึงควรบอกทั้งสิ่งที่ต้องทำและสิ่งที่ห้ามข้าม

จากนั้น StateTrace ซึ่งเป็นระบบบันทึกเส้นทางการทำงาน จะตามดูการส่งงานระหว่างผู้ช่วย การเรียกเครื่องมือ และข้อมูลที่ส่งต่อ ตามรายงาน SiliconANGLE การประเมินจึงดูขั้นตอนที่ทำจริง ไม่ได้อ่านเฉพาะประโยคสุดท้ายว่าดูดีหรือไม่

เมื่อพบสาเหตุ Agent Blueprint Language หรือ ABL ซึ่งเป็นภาษากำหนดโครงสร้างงานของผู้ช่วย จะช่วยผูกขั้นตอนที่ผิดเข้ากับส่วนที่ต้องแก้ ตามคำอธิบาย Kore.ai บริษัทระบุว่าแก้กฎส่งงานหรือข้อกำหนดเฉพาะจุดได้ แทนการเขียนคำสั่งให้โมเดลใหม่ทั้งหมดแล้วหวังว่าจะดีขึ้น

Prompt คือข้อความคำสั่งที่บอก AI ว่าต้องทำอะไร แต่บริษัทระบุว่าการแก้ prompt ไม่ช่วยเสมอไป หากต้นเหตุเป็นกฎส่งงานหรือข้อกำหนดของเครื่องมือ ตามบล็อก Kore.ai ส่วนการตรวจแบบ deterministic หมายถึงใช้กติกาตรวจที่แน่นอน บริษัทใช้วิธีนี้กับปัญหาที่ระบุและซ่อมตามกฎได้ และใช้โมเดลเมื่อต้องอาศัยการตัดสิน

ขั้นถัดไปคือทดสอบว่าการแก้ทำให้เรื่องอื่นแย่ลงหรือไม่ สิ่งนี้เรียก regression หรือปัญหาที่กลับมาเกิดในส่วนซึ่งเคยทำงานได้ บริษัทบอกว่าจะตรวจข้อเสนอการแก้ก่อนนำไปใช้ และประเมินเป้าหมายทั้งหมดซ้ำ ตามประกาศ Kore.ai การลดต้นทุนจึงต้องไม่แลกกับการทำงานไม่จบหรือการข้ามขั้นตอนความปลอดภัย

เปรียบกับร้านข้าวตามสั่งที่เปลี่ยนสูตรกะเพราครับ ร้านต้องชิมจานที่แก้ และชิมเมนูเดิมอีกครั้ง เพื่อดูว่าสูตรใหม่ไม่ได้ทำให้ของที่เคยดีเสียไป การชิมในที่นี้คือชุดทดสอบขององค์กร ส่วนสูตรคือกฎการทำงานของผู้ช่วย อุปมานี้อธิบายแนวคิดตรวจซ้ำ ไม่ใช่หลักฐานว่า Autoloop ผ่านสถานการณ์ทุกแบบแล้ว

จุดหักมุม: ระบบซ่อมได้เท่าที่คนเขียนข้อสอบไว้

แต่ Kore.ai ระบุเองว่า Autoloop ปรับได้ตามเป้าหมายและชุดทดสอบที่ได้รับเท่านั้น เป้าหมายที่ไม่ได้เขียนไว้ก็ไม่ได้ถูกนำไปปรับ และชุดทดสอบอ่อนย่อมให้หลักฐานอ่อน ตามหัวข้อข้อจำกัดของบริษัท

บางปัญหาต้องเพิ่มเครื่องมือ เพิ่มข้อมูล หรือตัดสินใจเรื่องนโยบาย ซึ่งบริษัทบอกว่าระบบจะชี้จุดติดขัดให้คนแก้ ตามแหล่งเดียวกัน คำว่าอัตโนมัติจึงยังมีขอบเขต และคำว่าผ่านการตรวจไม่ได้แปลว่าคนหมดหน้าที่ครับ

เรื่องเงิน / ผลกระทบ

Kore.ai ใส่ประสิทธิภาพด้านต้นทุนเป็นหนึ่งในเป้าหมาย โดยรวมถึง token หรือหน่วยข้อความที่โมเดลใช้ประมวลผล ตามประกาศบริษัท การใช้หน่วยข้อความน้อยลงอาจเป็นเป้าหมายการปรับ แต่บริษัทก็ยกตัวอย่างว่าการลด token อาจทำให้งานสำเร็จน้อยลงหรือการตรวจความปลอดภัยอ่อนลง จึงต้องประเมินร่วมกับด้านอื่น

Business News Week ถ่ายทอดเป้าหมายด้านประสบการณ์ผู้ใช้ เช่น ลดการถามวน ลดคำตอบซ้ำ และลดเวลารอ ทั้งหมดเป็นสิ่งที่บริษัทต้องการให้ระบบปรับได้ ยังไม่ใช่ตัวเลขว่าลูกค้าจริงประหยัดเวลาหรือค่าใช้จ่ายไปเท่าไรหลังเปิด Autoloop

สำหรับธุรกิจเล็ก ข้อเสนอแนะคืออย่าตัดสินจากคำว่า “ลดต้นทุน” อย่างเดียว ควรขอผลทดสอบที่ผูกกับงานของร้าน และดูเวลาที่คนต้องใช้ตรวจข้อเสนอการแก้ด้วย หากระบบตอบสั้นลงแต่ลูกค้าต้องติดต่อซ้ำ การวัดแค่ปริมาณข้อความย่อมไม่ตอบคำถามเรื่องคุณภาพบริการครบ

แหล่งข่าวที่ให้มาชุดนี้ยังไม่มีราคาเงินบาท รูปแบบค่าบริการ Autoloop ที่ละเอียด หรือผลประหยัดจากลูกค้าไทย จึงยังคำนวณความคุ้มค่าเฉพาะธุรกิจไม่ได้ การเปิดให้ลูกค้า Artemis ใช้งานตามรายงาน SiliconANGLE ก็ไม่ได้ยืนยันว่าไม่มีค่าใช้จ่ายเพิ่ม ควรตรวจเงื่อนไขกับผู้ขายก่อนวางงบ

ข้อมูลที่ยังไม่ชัด และจุดที่แหล่งข่าวพูดไม่ตรงกัน

ฝั่งสนับสนุนคือ Kore.ai โดย Raj Koneru ผู้ก่อตั้งและซีอีโอ อธิบายว่าองค์กรต้องการผู้ช่วยที่ทำงานจบ ทำตามกฎ ปลอดภัย และมีต้นทุนเหมาะสม ตามรายงาน Business News Week เหตุผลของบริษัทคือให้ AI ช่วยสร้าง กำกับ และปรับ AI ภายในระบบเดียวกัน นี่เป็นวิสัยทัศน์ของผู้ขายที่ควรอ่านพร้อมหลักฐานผลใช้งาน

เสียงที่เตือนให้ระวังคือ Rise Productive ซึ่งระบุว่าตัวอย่างการซ่อมและประโยชน์ในงานจริงมาจาก Kore.ai ไม่ใช่การวัดอิสระ ตามบทสรุปข่าว แหล่งนี้ไม่ได้บอกว่า Autoloop ใช้ไม่ได้ แต่เตือนถึงระดับของหลักฐาน การมีสื่อรายงานคำกล่าวเดียวกันหลายแห่งจึงยังไม่เท่ากับหลายทีมทดลองแล้วได้ผลตรงกัน

มีรายละเอียดด้านคำเรียกที่ต่างกันด้วย บล็อก Kore.ai ใช้คำว่า robustness หรือความทนต่อสถานการณ์หลากหลาย ขณะที่รายการเป้าหมายใน Business News Week ใช้ consistency หรือความสม่ำเสมอข้ามถ้อยคำ ภาษา และช่องทาง ยังสรุปไม่ได้ว่าเป็นการจัดหมวดต่างกันหรือขอบเขตทดสอบต่างกัน จึงควรถามเกณฑ์จริงก่อนใช้งาน

อีกเรื่องคือใครอนุมัติ บริษัทระบุ Autopilot ให้ใช้การแก้ที่ผ่านเกณฑ์โดยอัตโนมัติ ส่วน Copilot ต้องให้คนอนุมัติก่อน และ Advisor ให้คำแนะนำเท่านั้น ตามบล็อก Kore.ai ผู้ไม่มีสิทธิ์นำการแก้ไปใช้จะอยู่ใน Advisor จึงไม่ควรเหมารวมว่าทุกองค์กรปล่อยให้ระบบแก้เองทั้งหมด

หากตรวจยืนยันการแก้ไม่ได้ บริษัทระบุว่าจะลองซ้ำได้สูงสุด 2 ครั้ง แปลว่ายังมีขอบเขตการลอง ก่อนย้อนการเปลี่ยนและส่งให้คนพิจารณา ตามรายละเอียด Kore.ai แต่แหล่งชุดนี้ยังไม่บอกว่าองค์กรต้องรอนานเท่าไร หรือใครเป็นผู้รับผิดชอบในแต่ละบริการจริง

แล้วถ้าเกณฑ์ให้คะแนนไม่ครอบคลุมสิ่งที่ลูกค้าเสียหาย ใครจะเห็นความเสียหายนั้น? นี่เป็นคำถามด้านการกำกับดูแลจากข้อจำกัดเรื่องเป้าหมายและชุดทดสอบที่ Kore.ai ระบุเอง ไม่ใช่ข้อกล่าวหาว่าผลิตภัณฑ์โกงคะแนน บริษัทบอกว่าไม่สุ่มแก้เพื่อดันคะแนน แต่คำอธิบายนี้ยังต้องแยกจากการพิสูจน์ด้วยผู้ตรวจอิสระ

ชุดแหล่งข่าวยังไม่ยืนยันผลกับภาษาไทย รายชื่อบริการในไทยที่ใช้ระบบ หรือผลทดสอบหลังใช้งานต่อเนื่อง และไม่มีวันเผยแพร่ผลอิสระให้จับตาแน่นอน ผมยังไม่ได้ทดลอง Autoloop ด้วยตัวเอง จึงไม่ควรรับรองความเร็ว ความแม่นยำ หรือความปลอดภัยเกินข้อความที่ผู้ขายเปิดเผย

แล้วเราควรทำอะไร

คำแนะนำต่อไปนี้เป็นแนวทางเตรียมตัวจากข้อจำกัดที่อ่านได้ ไม่ใช่ขั้นตอนตั้งค่าผลิตภัณฑ์จริง จุดสำคัญคือเก็บหลักฐานของงานและกำหนดผู้รับผิดชอบ ก่อนมอบสิทธิ์ให้ระบบเปลี่ยนพฤติกรรมการบริการ

คนทั่วไป พนักงาน ผู้ปกครอง และนักศึกษา — ทำตามได้เลย

1. เมื่อฝากงานสำคัญกับบอต ให้ตรวจผลจากสถานะรายการจริง อย่าจบที่ประโยคยืนยันในแชตเพียงอย่างเดียว โดยเฉพาะรายการที่เกี่ยวกับข้อมูลหรือการเปลี่ยนแปลงบัญชี
2. หากคำตอบไม่ตรงกับผลที่เกิด ให้เก็บข้อความและรายละเอียดรายการเพื่อส่งให้เจ้าหน้าที่ตรวจต่อ การบอกว่าผิดตรงไหนมีประโยชน์กว่าประเมินเพียงว่าบอตพูดดีหรือพูดไม่ดี
3. อย่าสรุปว่าบริการที่คุณใช้มี Autoloop จากข่าวนี้ ให้ตรวจประกาศของผู้ให้บริการเอง เพราะชุดแหล่งข่าวไม่ได้ยืนยันรายชื่อบริการไทย

เจ้าของธุรกิจและคนดูแลงบ — ทำตามได้เลย

1. เขียนงานที่ต้องสำเร็จพร้อมเงื่อนไขห้ามข้าม เช่น ตรวจตัวตนก่อนเปลี่ยนข้อมูล ให้ทีมอธิบายวิธีทดสอบเงื่อนไขเหล่านั้นก่อนซื้อหรือขยายการใช้งาน
2. ขอผลเปรียบเทียบก่อนและหลังการแก้ในงานของคุณ แยกคุณภาพงาน เวลารอ และภาระตรวจของคน เพื่อไม่ให้ตัวเลขประหยัดด้านเดียวกลบผลกระทบอีกด้าน
3. ขอเงื่อนไขราคาและสิทธิ์ใช้งานเป็นลายลักษณ์อักษร อย่าวางงบจากคำว่าเปิดให้ใช้แล้ว เพราะข่าวชุดนี้ยังไม่ให้รายละเอียดค่าบริการครบ

ทีม IT และนักพัฒนา — ทำตามได้เลย

1. เริ่มจากระบุผู้อนุมัติการแก้เรื่องข้อมูลและสิทธิ์ของลูกค้า พิจารณาโหมดให้คนอนุมัติหรือให้คำแนะนำก่อน แทนการมอบอำนาจอัตโนมัติโดยยังไม่มีเกณฑ์ตรวจชัด
2. สร้างชุดทดสอบทั้งงานปกติและงานที่ต้องปฏิเสธ รวมถึงเส้นทางเดิมที่เคยผ่าน เพื่อดูว่าการแก้ปัญหาใหม่ทำให้ส่วนอื่นถอยหลังหรือไม่
3. ตรวจบันทึกการส่งงานและข้อมูลที่ส่งต่อร่วมกับคำตอบสุดท้าย หาสาเหตุในขั้นตอนจริงก่อนเปลี่ยนคำสั่ง และแยกปัญหาที่ต้องตัดสินนโยบายออกจากปัญหาที่ซ่อมตามกฎได้
4. เตรียมคนรับเรื่องที่ระบบตรวจยืนยันไม่ได้ พร้อมเก็บเหตุผลการอนุมัติและผลหลังนำไปใช้ การผ่านเกณฑ์ครั้งหนึ่งควรเป็นจุดเริ่มของการติดตามบริการต่อ

ผมมองว่า…

ผมมองว่าเรื่องนี้ไม่ใช่ AI ซ่อมตัวเองเก่งแค่ไหน แต่คือองค์กรตรวจการซ่อมได้ละเอียดแค่ไหน Autoloop เสนอแนวทางที่น่าสนใจ เพราะพยายามผูกความผิดพลาดเข้ากับขั้นตอนและกฎที่แก้ได้ แทนการดูแต่ถ้อยคำในแชต แต่ความน่าเชื่อถือจะขึ้นกับคุณภาพเป้าหมาย ชุดทดสอบ และผู้รับผิดชอบที่อยู่หลังการอนุมัติ

ผมมองว่าการให้คนอนุมัติยังมีคุณค่า โดยเฉพาะการแก้ที่เปลี่ยนเงื่อนไขตรวจตัวตนหรือการเข้าถึงข้อมูล ไม่จำเป็นต้องให้คนตรวจทุกเรื่องด้วยวิธีเดียวกัน แต่ต้องบอกได้ว่าเรื่องใดระบบตัดสินเองได้ และเรื่องใดต้องยกระดับให้คน การมีโหมดหลายแบบจะมีประโยชน์ก็ต่อเมื่อองค์กรเลือกตามความเสี่ยงของงาน

ผมมองว่าคนไทยควรจับตาหลักฐานจากบริการที่ใช้งานจริง มากกว่าชื่อผลิตภัณฑ์ใหม่ หากงานสำเร็จขึ้นโดยไม่ลดการตรวจสำคัญ นั่นจึงเป็นผลที่ลูกค้ารู้สึกได้ ส่วนคำว่า “ผ่านทุกเป้าหมาย” ต้องอ่านต่อว่าใครเขียนเป้าหมาย และมีสถานการณ์อะไรที่ยังไม่ได้ทดสอบครับ

ปิดท้าย: สิ่งที่ต้องจับตา

คุณภาพบริการหลังเปิดใช้ควรถูกวัดจากการกระทำที่ตรวจสอบได้ พร้อมความรับผิดชอบเมื่อการแก้ไม่เป็นไปตามคาด สิ่งที่ควรติดตามคือผลวัดจากผู้ใช้อิสระ และรายละเอียดการใช้งานภาษาไทยรวมถึงเงื่อนไขราคา ซึ่งแหล่งชุดนี้ยังไม่ให้คำตอบหรือวันประกาศแน่นอน

ถ้าบอตบริการลูกค้าเปลี่ยนกฎเรื่องตรวจตัวตน คุณอยากให้เจ้าหน้าที่อนุมัติก่อนทุกครั้ง หรือยอมให้ระบบอนุมัติเองเมื่อผ่านชุดทดสอบที่เปิดเผยได้?

Recap

• เกิดอะไรขึ้น: Kore.ai เปิด Autoloop วันที่ 7 ตุลาคม ให้ปรับผู้ช่วย AI บน Artemis ตั้งแต่สร้างจนใช้งานจริง
• ตัวเลขที่ต้องจำ: 7 ด้านตามคำอธิบาย Kore.ai แปลว่าต้องตรวจทั้งงานสำเร็จ กฎ ต้นทุน และความปลอดภัยร่วมกัน
• ใครเตือนต่างมุม: Kore.ai เสนอประโยชน์ของระบบ ส่วน Rise Productive ย้ำว่ายังเป็นข้อมูลบริษัท ไม่ใช่ผลวัดอิสระ
• ยังไม่รู้: ราคาไทย ผลภาษาไทย รายชื่อบริการไทย และผลทดสอบอิสระระยะต่อเนื่อง
• กระทบคุณ: บอตที่ตอบจบอาจยังข้ามขั้นตอนสำคัญ ควรตรวจสถานะงานจริงเมื่อเกี่ยวข้องกับข้อมูลและรายการสำคัญ
• สิ่งที่ต้องจับตา: หลักฐานหลังการแก้ในงานจริง และกติกาว่าการเปลี่ยนแบบใดต้องให้คนอนุมัติ
• แหล่งอ้างอิง: 1 — Kore.ai, 2 — SiliconANGLE, 3 — Business News Week, 4 — Rise Productive