Workspace Agents in ChatGPT คือการอัปเกรดจาก GPTs ไปสู่…
จุดที่น่าสนใจมากคือ Workspace Agents ถูกออกแบบมาสำหรับงานองค์กรที่มี “shared context, handoffs, and decisions across teams” หรือก็คืองานที่ปกติไม่ใช่แค่ถาม-ตอบจบในพรอมป์เดียว แต่ต้องมีการรับช่วงกันหลายคน หลายทีม หลายเครื่องมือ เช่น สรุปรายงาน ประมวลผลฟีดแบ็ก เขียนโค้ด ตอบข้อความ ดูแลลีดขาย หรือวิ่งตาม workflow ที่มีขั้นอนุมัติอยู่ระหว่างทาง
นี่เลยทำให้มันไม่ใช่แค่ GPTs เวอร์ชันเก่งขึ้น แต่เป็นคนละระดับ เพราะมันถูกออกแบบให้สร้างเป็น agent ที่แชร์ใช้กันได้ทั้งทีม ใช้งานได้ทั้งใน ChatGPT และ Slack และค่อย ๆ ปรับปรุงจากการใช้งานจริงของทีมได้เรื่อย ๆ แนวคิดคือ build once, use together, improve over time ซึ่งในมุมธุรกิจมันแปลว่าความรู้ที่เคยอยู่ในหัวคนหรือกระจายอยู่หลายระบบ กำลังถูกแปลงเป็น workflow ที่ใช้ซ้ำได้ทั้งองค์กร
วิธีสร้างก็ถูกทำให้เข้าถึงง่ายขึ้นมาก แค่ “อธิบายงานที่อยากให้ทำ” หรืออัปโหลดไฟล์เข้าไป ระบบจะช่วยเปลี่ยนสิ่งนั้นให้กลายเป็น agent ตั้งแต่ช่วยกำหนดขั้นตอน เลือกเครื่องมือที่ต้องใช้ เพิ่มความสามารถ และช่วยทดสอบให้จนทำงานได้จริง ลดช่องว่างระหว่างคนที่รู้หน้างานกับคนที่เขียนระบบเป็น
ตัวอย่างที่ถูกใช้จริงในองค์กรมีหลายแบบ และสะท้อนว่ามันเน้นงานจริงมาก เช่น agent คัดกรองคำขอใช้ซอฟต์แวร์ ตรวจ policy แล้วส่งต่ออนุมัติ, agent ที่ดึงฟีดแบ็กจากหลายช่องทางแล้วแปลงเป็น ticket พร้อมสรุปรายงาน, agent ที่ทำรายงาน metrics รายสัปดาห์อัตโนมัติ, agent ที่ช่วยประเมินลีดและร่างอีเมล follow-up ไปจนถึง agent ที่ช่วยตรวจความเสี่ยงของ vendor ก่อนทำสัญญา
ถ้ามองให้ลึกขึ้น มันเก่งเพราะรวม 4 อย่างไว้ด้วยกัน คือเข้าใจบริบทจากหลายระบบ ลงมือทำงานได้จริง จำสิ่งที่เรียนรู้จากการใช้งาน และเดิน workflow หลายขั้นต่อเนื่องได้ ตรงนี้แหละที่ทำให้มันใกล้คำว่า digital coworker มากกว่าคำว่า chatbot
อีกจุดที่สำคัญคือมันสามารถตั้งให้ทำงานตามเวลา หรือเอาไปใช้ใน Slack ให้คนในทีมเรียกใช้งานได้ ทำให้ agent กลายเป็นส่วนหนึ่งของระบบงาน ไม่ใช่แค่เครื่องมือส่วนตัว เช่น agent ที่ตอบคำถามพนักงาน พร้อมดึงข้อมูลจากเอกสาร และเปิด ticket ให้อัตโนมัติเมื่อเจอปัญหาใหม่
Workspace Agents ยังกลายเป็นเหมือนคลัง best practices ขององค์กร เพราะทีมสามารถแชร์ ค้นหา และนำ agent ของคนอื่นไปปรับใช้ต่อได้ ตัวอย่างเช่นทีมบัญชีที่มี agent ช่วยงานปิดงบ ทำตั้งแต่ journal entries ไปจนถึงวิเคราะห์ตัวเลขและเตรียมเอกสารให้ตรวจสอบต่อ
เรื่อง memory ก็สำคัญ เพราะ agent สามารถถูกสอนและปรับปรุงผ่านการใช้งานจริงได้ แปลว่าองค์กรสามารถสะสม “ความรู้การทำงาน” ลงใน agent ได้เรื่อย ๆ ไม่ต้องเริ่มใหม่ทุกครั้ง เหมือนมี playbook ที่มีชีวิตและเก่งขึ้นตามเวลา
ด้านความปลอดภัย ผู้ใช้สามารถกำหนดได้ว่า agent เข้าถึงข้อมูลอะไร ใช้เครื่องมืออะไร และทำ action แค่ไหนได้บ้าง รวมถึงตั้งให้บางขั้นต้องขออนุมัติก่อน เช่น การส่งอีเมล แก้ไฟล์ หรือสร้าง event ต่าง ๆ ทำให้ควบคุมได้ ไม่ใช่ปล่อยให้ AI ทำเองหมด
ฝั่งแอดมินก็มีระบบควบคุมค่อนข้างครบ ทั้งกำหนดสิทธิ์การเข้าถึง การใช้เครื่องมือ การสร้างและแชร์ agents รวมถึงมีระบบติดตามย้อนหลังว่า agent ทำอะไรไปบ้าง สามารถตรวจสอบ แก้ไข หรือหยุดการทำงานได้
มีเคสจริงจากองค์กรที่ลองใช้ พบว่างานบางอย่างที่เคยใช้เวลาหลายชั่วโมงต่อสัปดาห์ สามารถให้ agent ทำแทนได้เบื้องหลัง เช่น การรีเสิร์ชลูกค้า สรุปการประชุม และโพสต์ข้อมูลให้ทีมขายใช้งานต่อแบบอัตโนมัติ
ในภาพใหญ่ นี่คือการขยับจาก AI ที่ช่วย “ทำงานเป็นครั้ง ๆ” ไปสู่ AI ที่ช่วย “ทำให้ระบบงานทั้งก้อนเดินได้” ซึ่งผลกระทบมันไม่ใช่แค่ productivity แต่ไปแตะโครงสร้างการทำงาน วิธีเก็บความรู้ และบทบาทของคนในองค์กร
นี่ไม่ใช่แค่เครื่องมือใหม่ แต่เป็นสัญญาณว่า AI กำลังกลายเป็น “เพื่อนร่วมงานจริง ๆ” ที่มีหน้าที่ มีขอบเขต และมีบทบาทในทีม ไม่ใช่แค่ผู้ช่วยที่รอเราพิมพ์ถามอีกต่อไป
อยากใช้ AI กับงานจริงเป็นระบบ?
เรียน Claude Method — วิธีคิดและลงมือใช้ Claude/AI กับงานจริง ตั้งแต่วันแรก
📍 โพสต้นฉบับบน Facebook: AI กับ Peesamac