Zendesk AI Agent: ตัวอย่างการเปลี่ยนจาก Chatbot สู่ “AI ที่ทำงานให้จริง”

 

จากหน้า Zendesk AI Agent ที่คุณส่งมา แนวคิดของ Zendesk น่าสนใจมาก เพราะไม่ได้วาง AI Agent ไว้แค่ในฐานะระบบตอบคำถามลูกค้า แต่พยายามทำให้ Agent สามารถ Reason → Plan → Take Action → Resolve งานได้ครบวงจร 

Zendesk AI Agent⁠

จาก Chatbot → AI Agent

Chatbot แบบเดิมมักทำงานประมาณนี้

ลูกค้า → ถาม → Bot → ตอบ

ถ้าเป็นคำถามที่อยู่นอก FAQ หรือจำเป็นต้องดำเนินการหลายขั้นตอน ระบบก็มักส่งต่อให้มนุษย์

แต่แนวทางของ Zendesk AI Agent เปลี่ยนเป็น

ลูกค้า → AI Agent → เข้าใจปัญหา → วางแผน → ใช้ระบบ/เครื่องมือ → ดำเนินการ → ตรวจสอบ → แก้ปัญหา

Zendesk ระบุว่า AI Agent สามารถตัดสินใจ วางแผน และปรับวิธีดำเนินงานระหว่างการสนทนา โดยไม่ต้องมีมนุษย์กำกับทุกขั้นตอน 

จุดสำคัญคือ “Calling AI Agent”

แนวคิดที่เราคุยกันก่อนหน้านี้จึงชัดขึ้นมาก

Calling AI Agent ไม่ได้หมายถึงแค่การเรียก LLM

แต่คือการเรียก ระบบ Agent ที่สามารถตัดสินใจและลงมือทำ

ตัวอย่าง Customer Support:

ลูกค้า: “ผมต้องการเปลี่ยนแพ็กเกจและขอคืนเงินส่วนต่าง”

AI Agent ไม่จำเป็นต้องตอบว่า

“กรุณาติดต่อเจ้าหน้าที่”

แต่สามารถวิเคราะห์ว่า Workflow นี้ต้องทำอะไรบ้าง

Intent

→ เปลี่ยนแพ็กเกจ

Context

→ ลูกค้าคนไหน
→ ใช้แพ็กเกจอะไร
→ มี Subscription แบบใด

Planning

→ ตรวจสอบสิทธิ์
→ คำนวณส่วนต่าง
→ เปลี่ยนแพ็กเกจ
→ ดำเนินการ Refund
→ แจ้งลูกค้า

Action

→ เรียก API ของ Subscription
→ เรียก Billing API
→ Update Customer

Validation

→ ตรวจสอบ Transaction

Response

→ แจ้งผลลูกค้า

นี่คือ Agentic Workflow

AI Agent จึงต้องมี “Tools”

AI Agent ที่ดีไม่ได้เก่งเพราะ LLM อย่างเดียว

แต่เก่งเพราะสามารถเชื่อมต่อกับระบบอื่นได้

ตัวอย่าง Architecture:

Customer

   ↓

AI Agent

   ↓

Intent + Context

   ↓

Planning / Reasoning

   ↓

Tool Selection

   ↓

┌─────────────────────┐

│ CRM                 │

│ Billing API         │

│ Order API           │

│ Database            │

│ Knowledge Base      │

│ Ticketing System    │

└─────────────────────┘

   ↓

Execute Action

   ↓

Validation

   ↓

Customer Response

Zendesk เองก็ระบุถึงการเชื่อม AI Agent เข้ากับ CRM, business systems และ third-party APIs รวมถึงการใช้ webhook และการส่งต่อให้มนุษย์เมื่อจำเป็น 

จุดที่น่าสนใจ: AI Agent ไม่ได้ตอบอย่างเดียว

นี่คือความแตกต่างระหว่าง Generative AI กับ Agentic AI

Generative AI

“เขียนคำตอบให้ฉัน”

AI Assistant

“ช่วยฉันทำงาน”

AI Agent

“ทำงานนี้ให้ฉัน”

ความแตกต่างอยู่ที่ Action

AI Agent สามารถตัดสินใจว่าจะต้องทำอะไรต่อ และเรียกใช้เครื่องมือที่เหมาะสมเพื่อไปให้ถึงเป้าหมาย

Zendesk ระบุว่า AI Agent สามารถทำงานกับปัญหาที่ซับซ้อนและดำเนินการแบบหลายขั้นตอนจนถึงการแก้ปัญหาได้ 

จาก Single Agent → Multi-Agent

ถ้านำแนวคิดนี้ไปต่อ จะเกิดสถาปัตยกรรมที่น่าสนใจมาก

                 User

                   ↓

            Agent Orchestrator

                   ↓

        ┌──────────┼──────────┐

        ↓          ↓          ↓

   Research     Sales      Support

     Agent       Agent       Agent

        ↓          ↓          ↓

        └──────────┼──────────┘

                   ↓

              Review Agent

                   ↓

              Final Result

ตัวอย่างเช่น ลูกค้าถามว่า

“ผมต้องการซื้อแพ็กเกจ Enterprise และต้องการใบเสนอราคา”

Manager Agent

อาจเรียก

Sales Agent

→ ตรวจสอบราคา

Customer Agent

→ ตรวจสอบข้อมูลลูกค้า

Pricing Agent

→ คำนวณส่วนลด

Document Agent

→ สร้างใบเสนอราคา

Review Agent

→ ตรวจสอบข้อมูลก่อนส่ง

นี่เริ่มมีลักษณะเหมือน AI Workforce

สิ่งที่ Zendesk กำลังสะท้อนให้เห็น

สิ่งที่น่าสนใจจากผลิตภัณฑ์นี้ไม่ใช่เพียงว่า Zendesk มี AI Agent

แต่คือทิศทางของตลาดกำลังเปลี่ยนจาก

Automation แบบ Rule-based

ไปสู่

Automation แบบ Agentic

ระบบเดิม:

ถ้า A → ทำ B

ระบบ Agentic:

เป้าหมายคือ C → วิเคราะห์สถานการณ์ → เลือกขั้นตอน → ใช้ Tools → ตรวจสอบ → ปรับวิธีจนได้ผลลัพธ์

Zendesk ยังมีแนวคิดเรื่อง Resolution Learning Loop ที่ใช้ผลลัพธ์และ QA เพื่อค้นหาช่องว่างและปรับปรุง Workflow ต่อเนื่อง 

และนี่คือโอกาสทางธุรกิจที่สำคัญ

ถ้ามองจากมุม AI SaaS / AI Engineering สิ่งที่น่าสนใจไม่ได้อยู่ที่การสร้าง Chatbot อีกต่อไป

แต่คือการสร้าง

AI Agent ที่สามารถ “รับผิดชอบงานหนึ่งงาน” ตั้งแต่ต้นจนจบ

ตัวอย่างตลาดที่สามารถสร้างได้:

• AI Sales Agent
• AI Customer Support Agent
• AI Marketing Agent
• AI Accounting Agent
• AI HR Agent
• AI Research Agent
• AI Developer Agent
• AI Data Analyst Agent
• AI Procurement Agent

แต่ละ Agent มี

Goal + Context + Memory + Tools + Workflow + Guardrails + Evaluation

เป็นองค์ประกอบหลัก

บทสรุป

Zendesk เป็นตัวอย่างที่ดีของการเปลี่ยนแนวคิดจาก

“AI ตอบลูกค้า”

ไปสู่

“AI แก้ปัญหาให้ลูกค้า”

และเมื่อมองในระดับ Architecture เราจะเห็นว่า Calling AI Agent เป็นเพียงจุดเริ่มต้น

สิ่งที่สำคัญกว่าคือ

ใครเรียก Agent → เรียกเมื่อไร → Agent มี Context อะไร → Agent ใช้ Tools อะไร → Agent ทำ Action อะไร → ใครตรวจสอบ → เมื่อไรต้องส่งต่อให้มนุษย์

นี่คือหัวใจของ AI Agent Engineering

และเป็นจุดที่ AI กำลังเปลี่ยนจาก “เครื่องมือที่เราใช้” ไปสู่ “ระบบดิจิทัลที่ทำงานร่วมกับเรา”.