OpenAI เพิ่งเปิดตัว Data agent ผู้ช่วย AI สำหรับวิเคราะห์ข้อมูลใน ChatGPT Work ซึ่งเป็นแพลตฟอร์มสำหรับใช้งานในองค์กร โดยรับคำสั่งวิเคราะห์ข้อมูลได้โดยตรง เช่น

@Data Diagnose why weekly active users changed last week. Identify likely drivers, compare against prior periods, and recommend the next checks.

คำว่า "Agent" ในที่นี้ หมายถึง AI ที่รับโจทย์แล้วสามารถวางแผนและลงมือทำงานหลายขั้นตอนต่อเนื่องจนจบงานได้เอง ไม่ใช่แค่ตอบข้อความกลับมาสั้นๆ ตัว Data agent สามารถเชื่อมต่อเข้ากับฐานข้อมูลจริงของบริษัท เข้าไปตรวจสอบว่ามีตัวเลขอะไรเปลี่ยนแปลงไปบ้าง แล้วสร้าง dashboard ที่กดดูข้อมูลต่อได้เพื่อนำไปแชร์ให้ทีม ทั้งหมดนี้เกิดขึ้นในหน้าแชตเดียว โดยที่คุณไม่ต้องเขียนคำสั่งดึงข้อมูล และไม่ต้องเสียเวลาเรียนรู้โปรแกรมวิเคราะห์ข้อมูลตัวใหม่

คำถามที่ AI ตัวนี้ออกแบบมาเพื่อตอบ ล้วนเป็นเรื่องทั่วไปที่คนทำงานเจอกันเป็นประจำ เช่น ยอดขายตกเพราะอะไร ค่าใช้จ่ายส่วนไหนกำลังเพิ่มขึ้น ลูกค้ารายใหญ่รายไหนมีแนวโน้มจะไม่ต่อสัญญา หรือมีปัญหาอะไรที่ควรเร่งแก้ไขก่อน ซึ่งปกติคำถามเหล่านี้มักต้องรอรายงานสรุปรอบถัดไป หรือต้องต่อคิวรอให้ทีมข้อมูลช่วยดึงให้

แต่เบื้องหลังที่ตัดสินว่าคำตอบจะเชื่อถือได้จริงหรือไม่ อยู่ที่สองเรื่อง คือ AI รู้ได้อย่างไรว่าคำว่า "ลูกค้าที่ยังใช้งานอยู่" ของบริษัทคุณนับแบบไหน และเข้าถึงข้อมูลได้ลึกแค่ไหน

Data agent เชื่อมต่อกับข้อมูลส่วนไหนได้บ้าง

Data agent สามารถเชื่อมต่อกับระบบจัดเก็บข้อมูลที่องค์กรใช้งานกันอยู่แล้ว โดยระบบที่ OpenAI ระบุไว้ ได้แก่ Amazon Redshift, Google BigQuery, ClickHouse, Databricks, MongoDB, Snowflake และ Datadog รวมถึงยังมีระบบอื่นอีก หากข้อมูลของบริษัทคุณเก็บอยู่ในระบบเหล่านี้ ก็สามารถเชื่อมต่อได้เช่นกัน

นอกจากฐานข้อมูลแล้ว ถ้ามีเอกสารหรือไฟล์ที่เก็บอยู่บน Google Drive หรือระบบจัดเก็บไฟล์องค์กรของ Microsoft อย่าง SharePoint ก็สามารถดึงเข้ามาร่วมวิเคราะห์ได้เช่นเดียวกัน

แต่ข้อสำคัญที่ต้องรู้คือ การเชื่อมต่อทั้งหมดต้องให้ผู้ดูแลระบบขององค์กรอนุมัติก่อนเสมอ พนักงานทั่วไปไม่สามารถนำฐานข้อมูลมาต่อเข้ากับแชตเองตามใจชอบได้

AI รู้ได้อย่างไรว่า "ยอดขาย" ของบริษัทคุณนับจากอะไร

ลองนึกภาพคำว่า "ยอดขาย" ในบริษัทเดียวกัน ฝ่ายขายอาจนับทันทีที่ลูกค้าเซ็นสัญญา ฝ่ายบัญชีนับเฉพาะตอนที่เงินโอนเข้าบัญชีแล้ว ส่วนฝ่ายพัฒนาผลิตภัณฑ์อาจนับเฉพาะลูกค้าที่ยังใช้งานระบบอยู่จริง ถ้า AI ต้องคาดเดาความหมายเอาเอง คำตอบที่ได้ย่อมถูกต้องสำหรับบางฝ่าย แต่ผิดสำหรับฝ่ายอื่น

Data agent จึงไม่คาดเดา แต่จะตีความข้อมูลตามนิยามที่บริษัทกำหนดไว้ล่วงหน้า ทั้งคำศัพท์เฉพาะทางธุรกิจ ความหมายของตัวชี้วัดแต่ละตัว สูตรการคำนวณของบริษัท ไปจนถึงความสัมพันธ์ระหว่างชุดข้อมูลแต่ละส่วน

นิยามเหล่านี้ดึงมาจาก Semantic Layer ที่ทำหน้าที่แปลงนิยามธุรกิจให้ตรงกับตารางข้อมูลดิบ เพื่อบอกว่าคำศัพท์แต่ละคำต้องดึงจากตารางไหนและคำนวณอย่างไร รวมถึงแหล่งข้อมูลอ้างอิงที่องค์กรเชื่อถืออยู่แล้ว โดยระบบที่รองรับ ได้แก่ Databricks Genie Ontology, dbt, GitHub, Snowflake Horizon ตลอดจน dashboard เดิมในเครื่องมือ BI อย่าง Power BI หรือ Tableau

สิ่งที่หลายคนอาจเข้าใจผิดคือ ประสิทธิภาพของ Data agent ไม่ได้ขึ้นอยู่กับความฉลาดของตัวโมเดล AI เพียงอย่างเดียว แต่จะฉลาดเท่ากับนิยามข้อมูลที่บริษัทเตรียมไว้ให้เท่านั้น จากข้อมูลที่ OpenAI เปิดเผย ปัจจัยสำคัญที่ทำให้สามารถนำ Data agent มาใช้ได้ทั่วทั้งองค์กร คือทีม data ของ OpenAI ได้สร้างนิยามธุรกิจกลางที่เป็นมาตรฐานเดียวกันให้ทุกฝ่ายใช้ร่วมกัน พร้อมทั้งตั้งกฎเกณฑ์การเข้าถึงและวางระบบป้องกันข้อมูลสำคัญไว้เรียบร้อยแล้ว

งานส่วนนี้เป็นงานหลังบ้านที่ไม่มีทางลัดแบบกดติดตั้งสำเร็จรูป หากคนในองค์กรยังไม่เคยตกลงกันให้ชัดเจนว่า "ยอดขาย" หรือตัวชี้วัดสำคัญอื่นๆ หมายถึงอะไร งานแรกที่ต้องทำก่อนเริ่มใช้ Data agent จึงเป็นการตกลงนิยามข้อมูลเหล่านี้ให้ตรงกันก่อน (สำหรับแนวทางที่ทีม OpenAI จัดการเรื่องนี้ สามารถอ่านเพิ่มเติมได้ที่ Inside OpenAI: How our data team uses AI to move faster)

เข้าถึงข้อมูลได้เท่าที่บัญชีของคุณมีสิทธิ์

ผู้ดูแลระบบระดับองค์กรเป็นคนกำหนดว่าจะอนุญาตให้เชื่อมต่อกับแหล่งข้อมูลใดบ้าง และเปิดให้ตำแหน่งหรือแผนกใดในบริษัทเข้าใช้งานได้บ้าง

เวลาดึงข้อมูลจริง ทุกคำสั่งจะทำงานภายใต้สิทธิ์เดิมของบัญชีผู้ใช้ที่เชื่อมต่อไว้ ซึ่งระบบสามารถจำกัดสิทธิ์ได้ละเอียดถึงระดับตาราง แถว และคอลัมน์ อธิบายให้เห็นภาพง่ายๆ คือ ถ้าบัญชีของคุณเปิดดูตารางข้อมูลลูกค้าได้ แต่ระบบล็อกไม่ให้เห็นคอลัมน์เบอร์โทรศัพท์ ตัว Data agent ที่ทำงานผ่านบัญชีของคุณก็จะไม่มีทางเห็นข้อมูลเบอร์โทรศัพท์นั้นเช่นกัน

ประเด็นนี้หลายคนอาจเข้าใจคลาดเคลื่อน เพราะเมื่อได้ยินคำว่า agent เรามักจะคิดว่า AI มีตัวตนและมีสิทธิ์การเข้าถึงเป็นของตัวเอง แต่ความจริงแล้ว AI ไม่ได้มีสิทธิ์พิเศษเหนือผู้ใช้งานเลย เพียงแต่อาศัยสิทธิ์ของบัญชีที่คุณเชื่อมต่อไว้มาใช้ทำงานเท่านั้น ดังนั้นคำถามที่ว่า "AI จะแอบเห็นข้อมูลที่ไม่ควรเห็นหรือไม่" จึงมีคำตอบเดียวกันกับคำถามที่ว่า "บัญชีของพนักงานคนที่สั่งงาน มีสิทธิ์เปิดดูข้อมูลอะไรได้บ้าง" นั่นเอง

ถามเจาะลึกต่อได้ และตรวจสอบที่มาของข้อมูลได้เสมอ

คำตอบแรกที่ AI ตอบกลับมาไม่ใช่จุดสิ้นสุดของการทำงาน คุณสามารถพิมพ์ถามต่อเพื่อเจาะลึกรายละเอียดของผลลัพธ์ได้ตลอดเวลา และยังกดเปิดดูหลักฐานหรือที่มาเบื้องหลังข้อสรุปแต่ละข้อได้ทันที

เรื่องนี้ขึ้นอยู่กับความต้องการใช้งานของคุณเอง ถ้าเลือกนำเฉพาะบทสรุปไปใช้ แม้จะได้ความรวดเร็ว แต่ก็ต้องแลกกับการไม่รู้ว่าตัวเลขนั้นคำนวณมาจากตารางไหน ในทางกลับกัน ถ้าสละเวลาเปิดดูหลักฐานและวิธีดึงข้อมูลสักนิด แม้จะเสียเวลาเพิ่มขึ้นอีกเล็กน้อย แต่พอมีคนถามในห้องประชุมว่าตัวเลขนี้มีที่มาจากไหน คุณก็จะตอบได้อย่างมั่นใจ

นี่คือแนวคิดเดียวกับที่เราเคยย้ำไว้เสมอว่า ผลลัพธ์แรกจาก ChatGPT Work คือร่าง ยิ่งเป็นข้อมูลตัวเลขสำคัญที่ต้องนำไปใช้ตัดสินใจเรื่องงบประมาณหรือการเงิน ยิ่งจำเป็นต้องเปิดดูที่มาให้แน่ใจก่อนนำไปส่งต่อหรือใช้งานจริง

เปลี่ยนคำตอบเป็น Dashboard ที่ทีมปรับแต่งต่อได้เอง

เมื่อวิเคราะห์ข้อมูลเสร็จเรียบร้อย คุณสั่งให้ AI เปลี่ยนผลลัพธ์นั้นเป็น dashboard ที่กดสำรวจข้อมูลต่อได้พร้อมกราฟประกอบทันที โดยคนในทีมเข้าไปแก้ไข กดแชร์ หรือกดรีเฟรชเพื่ออัปเดตข้อมูลใหม่ได้ตามต้องการ นอกจากนี้ ถ้าบริษัทของคุณมีคู่มือแบรนด์ เช่น โทนสีและฟอนต์มาตรฐาน ก็ส่งให้ AI ปรับแต่งหน้าตาของ dashboard ให้ตรงกับเอกลักษณ์ขององค์กรได้ด้วย

ที่สำคัญคือ dashboard ไม่จำเป็นต้องอยู่แต่ในหน้าต่างแชตเท่านั้น เพราะ Data agent สามารถเข้าไปสร้างและแก้ไข dashboard ในเครื่องมือ BI ที่ทีมของคุณใช้งานอยู่แล้วได้โดยตรง ทั้ง Omni, Oracle BI, Power BI, Sigma, Tableau และ ThoughtSpot เพียงสั่งงานด้วยภาษาพูดทั่วไปเหมือนเดิม

คุณจึงเลือกรูปแบบที่ตอบโจทย์การทำงานได้ตามสะดวก ถ้าทีมของคุณเปิดดูรายงานใน Power BI กันเป็นประจำทุกเช้าอยู่แล้ว การให้ agent ไปสร้าง dashboard ไว้ในนั้นโดยตรง ก็ช่วยให้ทุกคนทำงานต่อได้ทันทีโดยไม่ต้องสลับมาเปิดแชต แต่ถ้าเป็นคำถามเฉพาะกิจเร่งด่วนที่ต้องการคำตอบเดี๋ยวนี้ การสร้าง dashboard ขึ้นมาในหน้าแชตก็ช่วยให้จบงานได้รวดเร็วกว่า

ทำงานต่อเนื่อง ไม่หยุดอยู่แค่การสรุปรายงาน

สิ่งที่ทำให้ระบบนี้เป็น "Agent" อย่างแท้จริง คือขั้นตอนหลังจากสรุปรายงานเสร็จแล้ว เพราะคุณสามารถขอให้ ChatGPT Work แนะนำแนวทางได้ว่าควรทำอะไรต่อ และมีใครในทีมที่ต้องเข้ามาเกี่ยวข้องบ้าง จากนั้นยังส่งสรุปผลการวิเคราะห์ไปทาง Slack หรืออีเมลให้เพื่อนร่วมงาน ไปจนถึงสั่งลงมือทำสิ่งต่างๆ ผ่านเครื่องมือที่เชื่อมต่อไว้ได้ทันที

แต่หัวใจสำคัญที่สุดคือ AI จะลงมือทำเฉพาะสิ่งที่คุณอนุมัติแล้วเท่านั้น ไม่ได้อ่านข้อมูลเสร็จแล้วสั่งการต่อเองโดยที่คุณยังไม่ได้อนุมัติ

องค์กรไหนที่เริ่มใช้งานแล้วบ้าง

จากข้อมูลที่ OpenAI เปิดเผย ทั้งทีมพัฒนาผลิตภัณฑ์เกือบทั้งหมด และทีม Go-to-Market ที่ดูแลด้านการขายและการตลาดมากกว่าสองในสามของ OpenAI ได้นำ Data agent ใน ChatGPT Work มาใช้วิเคราะห์ข้อมูลด้วยตัวเองเรียบร้อยแล้ว ทั้งนี้ ตัวเลขดังกล่าวเป็นข้อมูลที่ผู้พัฒนาเล่าถึงการใช้งานภายในบริษัทของตัวเอง จึงควรมองว่าเป็นตัวอย่างการใช้งานจริงภายในองค์กร มากกว่าผลการวัดประสิทธิภาพจากภายนอก

สำหรับฝั่งลูกค้าองค์กรที่เข้าร่วมโปรแกรมทดสอบระยะแรกอย่าง Alpha มีทั้ง NTT DATA, Thermo Fisher และ ServicePiston โดยลักษณะงานที่นำไปใช้ ได้แก่ การวิเคราะห์ยอดขายควบคู่กับค่าใช้จ่าย การตรวจหาจุดผิดปกติในรายงาน ไปจนถึงการประเมินเพื่อตัดสินใจว่าควรเลือกลงทุนกับโอกาสทางธุรกิจใดและต้องจัดสรรกำลังคนอย่างไร

งานทั้ง 3 ลักษณะนี้ ในอดีตมักเป็นงานที่คนหน้างานต้องเสียเวลารอให้ทีมข้อมูลช่วยดึงและสรุปข้อมูลมาให้ก่อน จึงจะตัดสินใจดำเนินงานต่อได้

วิธีเริ่มต้นใช้งาน Data agent ใน ChatGPT Work

ฟีเจอร์ทั้งหมดนี้เปิดให้ใช้งานใน ChatGPT Work โดยต้องให้ผู้ดูแลระบบเป็นผู้เปิดสิทธิ์ใช้งานก่อน ซึ่งมีขั้นตอนดังนี้

1. ผู้ดูแลระบบเข้าไปที่ Workspace settings > Plugins เพื่อเปิดใช้งาน Data agent หรือติดตั้งให้คนในทีม พร้อมทั้งตั้งค่าปลั๊กอินเชื่อมต่อแหล่งข้อมูล เช่น Databricks หรือ Snowflake และกำหนดสิทธิ์ว่าใครสามารถเข้าถึงได้บ้างในหน้านี้
2. ถ้ายังไม่ได้ติดตั้ง ให้เข้าไปที่เมนู Plugins directory ค้นหาปลั๊กอินที่ชื่อว่า Data (ในรายการจะใช้ชื่อสั้นๆ เพียงเท่านี้) แล้วคลิก Install plugin
3. ทำตามขั้นตอนเพื่อเชื่อมต่อบัญชีเข้ากับแหล่งข้อมูลของบริษัทให้เรียบร้อย
4. เปิดหน้าต่างแชตใหม่ พิมพ์ @Data แล้วตามด้วยคำถามทางธุรกิจที่คุณต้องการถามได้ทันที

OpenAI แนะนำตัวอย่างคำสั่งไว้ทั้งหมด 3 รูปแบบสำหรับลักษณะงานที่แตกต่างกัน แบบแรกคือคำสั่งวิเคราะห์หาสาเหตุที่ตัวเลขเปลี่ยนแปลง ส่วนอีก 2 แบบ ได้แก่

การออกแบบชุดตัวชี้วัดผลงานหรือ KPI สำหรับผลิตภัณฑ์ใหม่

@Data Design a KPI framework for this new product area with primary metrics, drivers, guardrails, targets, and data validation needs.

การแปลงตัวเลขประจำเดือนเป็นรายงานสรุปสำหรับผู้บริหาร

@Data Turn this month's metrics into a leadership-ready update with actuals, comparisons, drivers, caveats, and recommended actions.

จุดที่น่าสังเกตคือ คำสั่งทั้ง 3 ตัวอย่างไม่ได้บอกแค่ว่าต้องการอะไร แต่ระบุชัดเจนว่าคำตอบต้องมีองค์ประกอบอะไรบ้าง เช่น คำสั่งแรกขอทั้งสาเหตุ การเปรียบเทียบกับช่วงเวลาก่อนหน้า และคำแนะนำในการตรวจสอบต่อ ส่วนคำสั่งสรุปสำหรับผู้บริหารก็ขอทั้งตัวเลขจริง ข้อควรระวัง และข้อเสนอแนะในการลงมือทำ คุณสามารถนำรูปแบบนี้ไปปรับใช้กับการเขียนคำสั่งของตัวเองได้ทันที เพียงบอกโจทย์ให้ชัด และระบุองค์ประกอบของคำตอบที่จำเป็นต้องใช้

Data agent ไม่ได้เสกคำตอบขึ้นมาได้เอง แต่หน้าที่หลักคือสะท้อนให้เห็นว่า องค์กรของคุณตกลงกันไว้ชัดเจนหรือยังว่า คำศัพท์และตัวชี้วัดแต่ละตัวหมายถึงอะไรกันแน่

ที่มา: เอกสารทางการของ Data agent ใน ChatGPT Work