ระบบปัญญาประดิษฐ์แบบมีความเป็นตัวแทน (Agentic AI): บทบาทใหม่ของ AI ในยุคเศรษฐกิจดิจิทัล
Article Sidebar
Main Article Content
บทคัดย่อ
บทความฉบับนี้นำเสนอการศึกษาบทบาทและความท้าทายของระบบปัญญาประดิษฐ์แบบมีความเป็นตัวแทน (Agentic AI) ในบริบทของเศรษฐกิจดิจิทัล โดยชี้ให้เห็นถึงการเปลี่ยนแปลงจากการใช้ AI เพื่อสนับสนุนงานเฉพาะทาง (task-based AI) ไปสู่ AI ที่สามารถตั้งเป้าหมาย วางแผน และตัดสินใจได้อย่างอิสระ โดยมีความสามารถในการทำงานต่อเนื่องโดยไม่ต้องพึ่งพามนุษย์ทุกขั้นตอน บทความนี้วิเคราะห์ลักษณะเฉพาะของระบบปัญญาประดิษฐ์แบบมีความเป็นตัวแทน (Agentic AI) พร้อมทั้งประเด็นจริยธรรมที่เกี่ยวข้อง เช่น ความโปร่งใส ความไว้วางใจ ความรับผิดชอบ และความเป็นธรรม ตลอดจนเสนอกรอบการออกแบบระบบ ปัญญาประดิษฐ์แบบมีความเป็นตัวแทนอย่างมีจริยธรรมในชื่อ “CLEAR Framework” ซึ่งประกอบด้วยองค์ประกอบ 5 ด้าน คือ ด้านการยินยอม ความสามารถในการตรวจสอบย้อนกลับ การอธิบายผลลัพธ์ ขอบเขตของอำนาจ AI และกลไกการรับผิดชอบ โดยใช้กรณีศึกษาในภาคธุรกิจ การศึกษา และการสื่อสารองค์กรเพื่อแสดงให้เห็นถึงการประยุกต์ใช้จริง นอกจากนี้ บทความยังเสนอข้อเสนอแนะเชิงนโยบายสำหรับการพัฒนา ปัญญาประดิษฐ์แบบมีความเป็นตัวแทนอย่างยั่งยืนภายใต้หลักการ “Ethics-by-Design” เพื่อส่งเสริมการอยู่ร่วมกันอย่างปลอดภัยและมีความรับผิดชอบระหว่างมนุษย์กับระบบอัตโนมัติในอนาคต
Article Details
เอกสารอ้างอิง
ชวลิต ศุภศักดิ์ธำรง. (2568ก). การวิเคราะห์องค์ประกอบเชิงยืนยันอันดับสองของโมเดลการวัดความท้าทายในการนำปัญญาประดิษฐ์มาใช้ในงานบริหารทรัพยากรมนุษย์ของอุตสาหกรรมไมซ์. วารสารสังคมศาสตร์ปัญญาพัฒน์, 7(3), 281-298.
ชวลิต ศุภศักดิ์ธำรง. (2568ข). ความสามารถด้านปัญญาประดิษฐ์และสมรรถนะด้านทรัพยากรมนุษย์ที่มีอิทธิพลต่อการพัฒนาประสิทธิภาพในการปฏิบัติงานอุตสาหกรรมยานยนต์ เขตพัฒนาพิเศษภาคตะวันออกของประเทศไทย. วารสารสังคมศาสตร์ปัญญาพัฒน์, 7(3), 1-16.
Amershi, S., Weld, D., Vorvoreanu, M., Fourney, A., Nushi, B., Collisson, P., Suh, J., Iqbal, S., Bennett, P. N., Inkpen, K., Teevan, J., Kikin-Gil, R., & Horvitz, E. (2019, May). Guidelines for human-AI interaction. In Proceedings of the 2019 chi conference on human factors in computing systems (pp. 1-13). New York: Association for Computing Machinery (ACM).
Binns, R., Van Kleek, M., Veale, M., Lyngs, U., Zhao, J., & Shadbolt, N. (2018, April). 'It's Reducing a Human Being to a Percentage' Perceptions of Justice in Algorithmic Decisions. In Proceedings of the 2018 Chi conference on human factors in computing systems (pp. 1-14). New York: Association for Computing Machinery (ACM).
Bughin, J., Seong, J., Manyika, J., Chui, M., & Joshi, R. (2018). Notes from the AI frontier: Modeling the impact of AI on the world economy. McKinsey Global Institute, 4(1), 2-61.
Dignum, V. (2019). Responsible artificial intelligence: how to develop and use AI in a responsible way (Vol. 2156). Cham: Springer.
Doshi-Velez, F., & Kim, B. (2017). Towards a rigorous science of interpretable machine learning. Retrieved from https://arxiv.org/pdf/1702.08608.
Dwivedi, Y. K., Hughes, L., Ismagilova, E., Aarts, G., Coombs, C., Crick, T., Duan, Y., Dwivedi, R., Edwards, J., Eirug, A., Galanos, V., Ilavarasan, P. V., Janssen, M., Jones, P., Kar, A. K., Kizgin, H., Kronemann, B., Lal, B., Lucini, B., Medaglia, R., Le Meunier-FitzHugh, K., Le Meunier-FitzHugh, L. C., Misra, S., Mogaji, E., Sharma, S. K., Singh, J. B., Raghavan, V., Raman, R., Rana, N. P., Samothrakis, S., Spencer, J., Tamilmani, K., Tubadji, A., Walton, P., & Williams, M. D. (2021). Artificial Intelligence (AI): Multidisciplinary perspectives on emerging challenges, opportunities, and agenda for research, practice and policy. International journal of information management, 57, 101994.
EUROPEIA, C. (2021). Proposal for a Regulation on a European approach for Artificial Intelligence. Bruxelas: Comissão Europeia.
Floridi, L., & Cowls, J. (2022). A unified framework of five principles for AI in society. In Carta, S. (Ed.). Machine learning and the city: applications in architecture and urban design (pp. 535-545). New Jersey: John Wiley & Sons.
Floridi, L., Cowls, J., Beltrametti, M., Chatila, R., Chazerand, P., Dignum, V., Luetge, C., Madelin, R., Pagallo, U., Rossi, F., Schafer, B., Valcke, P., & Vayena, E. (2018). AI4People—An ethical framework for a good AI society: Opportunities, risks, principles, and recommendations. Minds and machines, 28(4), 689-707.
Ghosh, U. K. (2025). Transformative AI Applications in Business Decision-Making: Advancing Data-Driven Strategies and Organizational Intelligence. In AI-Powered Leadership: Transforming Organizations in the Digital Age (pp. 1-40). Pennsylvania: IGI Global Scientific Publishing.
Guszcza, J., Lewis, H., & Evans-Greenwood, P. (2017). Cognitive collaboration: Why humans and computers think better together. Deloitte Review, 20, 8-29.
Holstein, K., McLaren, B. M., & Aleven, V. (2019, June). Designing for complementarity: Teacher and student needs for orchestration support in AI-enhanced classrooms. In International conference on artificial intelligence in education (pp. 157-171). Cham: Springer International Publishing.
Jobin, A., Ienca, M., & Vayena, E. (2019). The global landscape of AI ethics guidelines. Nature machine intelligence, 1(9), 389-399.
Lund, S., Madgavkar, A., Manyika, J., Smit, S., Ellingrud, K., Meaney, M., & Robinson, O. (2021). The future of work after COVID-19. Retrieved from https://www.mckinsey.com/featured-insights/future-of-work/the-future-of-work-after-covid-19.
Mehrabi, N., Morstatter, F., Saxena, N., Lerman, K., & Galstyan, A. (2021). A survey on bias and fairness in machine learning. ACM computing surveys (CSUR), 54(6), 1-35.
Miller, T. (2019). Explanation in artificial intelligence: Insights from the social sciences. Artificial intelligence, 267, 1-38.
Mittelstadt, B. D., Allo, P., Taddeo, M., Wachter, S., & Floridi, L. (2016). The ethics of algorithms: Mapping the debate. Big Data & Society, 3(2), 2053951716679679.
OECD. (2019). Recommendation of the Council on Artificial Intelligence. OECD Legal Instruments. Paris: OECD.
OECD. (2022). OECD framework for the classification of AI systems. Paris: OECD.
OECD. (2022). OECD recommendation on the ethics of artificial intelligence. Retrieved from https://legalinstruments.oecd.org/en/instruments/OECD-LEGAL-0449.
Park, J. S., O'Brien, J., Cai, C. J., Morris, M. R., Liang, P., & Bernstein, M. S. (2023, October). Generative agents: Interactive simulacra of human behavior. In Proceedings of the 36th annual acm symposium on user interface software and technology (pp. 1-22). San Francisco: Association for Computing Machinery (ACM).
Rahwan, I., Cebrian, M., Obradovich, N., Bongard, J., Bonnefon, J.-F., Breazeal, C., Crandall, J. W., Christakis, N. A., Couzin, I. D., Jackson, M. O., Jennings, N. R., Kamar, E., Kloumann, I. M., Larochelle, H., Lazer, D., McElreath, R., Mislove, A., Parkes, D. C., Pentland, A. ‘Sandy’, Roberts, M. E., Shariff, A., Tenenbaum, J. B., & Wellman, M. (2019). Machine behaviour. Nature, 568(7753), 477-486.
Statista. (2023). Artificial Intelligence (AI) market revenue worldwide from 2018 to 2027. Hamburg: Statista Research Department.
Suresh, H., & Guttag, J. V. (2021). A framework for understanding unintended consequences of machine learning. Retrieved from https://courses.cs.duke.edu/compsci342/spring20/netid/readings/suresh-guttag-framework.pdf.
Thomas, R., Zikopoulos, P., & Soule, K. (2025). AI Value Creators. California: O’Reilly Media.
UNESCO. (2021). Recommendation on the ethics of artificial intelligence. Retrieved from https://www.unesco.org/en/articles/recommendation-ethics-artificial-intelligence.
Veale, M., & Binns, R. (2017). Fairer machine learning in the real world: Mitigating discrimination without collecting sensitive data. Big Data & Society, 4(2), 2053951717743530.
Wachter, S., Mittelstadt, B., & Russell, C. (2018). Counterfactual explanations without opening the black box: Automated decisions and the GDPR. Harvard Journal of Law & Technology, 31(2), 841–887.
Wilson, H. J., & Daugherty, P. R. (2018). Human + Machine: Reimagining Work in the Age of AI. Boston, MA: Harvard Business Review Press.
Zhou, J., Zhang, Y., Luo, Q., Parker, A. G., & De Choudhury, M. (2023, April). Synthetic lies: Understanding ai-generated misinformation and evaluating algorithmic and human solutions. In Proceedings of the 2023 CHI conference on human factors in computing systems (pp. 1-20). New York: Association for Computing Machinery (ACM).
