LinkedIn, Walmart และ Zendesk ปิดช่องว่าง AI agents ด้วยโครงสร้างพื้นฐานใหม่

LinkedIn, Walmart และ Zendesk เปิดเผยว่าอุปสรรคหลักของ AI agents ไม่ได้อยู่ที่โมเดลแต่เป็น “โครงสร้างพื้นฐานเก่า” ที่ออกแบบมาสำหรับคนทำงาน เมื่อพยายามขยายจากการทดลองไปสู่การใช้งานจริง ความแตกต่างระหว่างความเร็วของมนุษย์และเครื่องจักรทำให้ต้องปรับเปลี่ยนระบบอย่างมหาศาล

Overview

ในงาน VB Transform 2026 คณะผู้เชี่ยวชาญด้านโครงสร้างพื้นฐานจากสามบริษัทได้อธิบายว่า โมเดล AI สามารถประมวลผลคำสั่งภายในมิลลิวินาที แต่ Kubernetes, ระบบจัดการคอนเทนเนอร์แบบดั้งเดิม, ใช้เวลาหลักหลายวินาทีกว่าจะสร้างคอนเทนเนอร์ใหม่ – ระยะเวลาที่ช้าเกินกว่าที่ agents ต้องการ Animesh Singh จาก LinkedIn ระบุว่า “ปัญหาไม่ได้อยู่ที่โมเดล แต่เป็นกระบวนการ provisioning ที่ทำให้เกิดคอขวด”

Desiree Gosby ของ Walmart เน้นย้ำว่าการนำ AI agents ไปวางในมือพนักงานโดยตรง ทำให้เกิด “citizen developers” จำนวนมากสร้าง agents ซ้ำซ้อนโดยไม่มีระบบประสานงาน ส่วน Sami Ghoche ของ Zendesk ชี้ให้เห็นว่าแม้จะมีข้อมูลลูกค้าถึง 20 billion รายการ การส่งทั้งหมดให้ LLM หนึ่งตัวทำงานไม่เป็นไปได้ จึงต้องลงทุนพัฒนาท่อข้อมูลและคลังข้อมูลอย่างเต็มรูปแบบ

Challenges & Solutions

LinkedIn พบคอขวดแรกที่ Kubernetes ต้องรอคอยคอนเทนเนอร์ “on‑demand” ซึ่งใช้เวลาเป็นวินาที Singh แก้ไขโดยย้ายไปใช้ pool ของคอนเทนเนอร์ที่เตรียมไว้ล่วงหน้า เพื่อสลับงานของ agents ได้แบบเรียลไทม์ หลังจากนั้นปัญหาที่สองคือการ “hallucination” เมื่อ LLM หนึ่งประเมินผลลัพธ์ของอีก LLM หนึ่ง Singh สร้าง harness ของตนเองโดยทำให้ **80 % ของ workflow เป็นโค้ด deterministic ที่บันทึกหลักฐานลงดิสก์ก่อนดำเนินการต่อ ทำให้ระบบมีความมั่นคงและตรวจสอบได้ง่าย

Walmart เผชิญกับคอขวดจากความสำเร็จของแฮสเซิล AI agents ภายในองค์กร ผู้ใช้เริ่มสร้าง agents ซ้ำซ้อนหลายสิบรุ่นโดยไม่มีการควบคุม Gosby แก้ปัญหาโดย **ตั้งระบบกำกับดูแล (governance) เพื่อตรวจจับการทำงานซ้ำ, ส่งเสริมเวอร์ชันที่ดีที่สุด และเร่งกระบวนการนำเข้าสู่ production โดยไม่ให้ทีมวิศวกรรมกลายเป็นคอขวด

Zendesk พบว่าข้อมูลลูกค้า 20 billion รายการมีปริมาณมหาศาลเกินกว่าจะส่งต่อให้ LLM หนึ่งตัวทำงานได้ Ghoche จึงเน้นการ ลงทุนใน data pipelines และโครงสร้างพื้นฐานด้านข้อมูลเพื่อให้สามารถเลือกส่วนของประวัติที่จำเป็นและใช้โมเดลอย่างมีประสิทธิภาพ แทนการโหลดข้อมูลทั้งหมดเข้าโมเดล

Role of Open Source

ผู้พูดทั้งสามคนเห็นพ้องกันว่าองค์กรควร “own what you can” และอาศัยเทคโนโลยีโอเพ่นซอร์สหรือโครงสร้างพื้นฐานของตนเองให้มากที่สุดเมื่อเป็นไปได้ Singh พัฒนาระบบสองส่วนคือ AI gateway ซึ่งทำหน้าที่เป็นจุดเชื่อมต่อเดียวสำหรับการเรียกโมเดลทั้งหมดไม่ว่าจะเป็นผู้ให้บริการใด, และ memory subsystem ที่เก็บบริบทแยกจากผู้ให้บริการโมเดล

Walmart สร้าง gateway ภายในองค์กร เพื่อให้สามารถสลับใช้โมเดลแบบ frontier หรือ open‑weight ได้ตามประเภทงาน ไม่ว่าจะเป็น workflow deterministic, planner‑and‑reasoner, หรือ hybrid – โดยงานที่ต้องการความปลอดภัยสูงยังคงอยู่ในโหมด deterministic

Zendesk ย้ำว่าการใช้งานโมเดลขั้นสุดยอดจากห้องปฏิบัติการ (frontier labs) ควรจำกัดไว้เฉพาะกรณีที่ต้องการ reasoning ที่ซับซ้อนเท่านั้น ซึ่งสัดส่วนของงานเหล่านี้กำลังลดลงเมื่อเทียบกับการใช้โมเดลภายในหรือโอเพ่นซอร์ส

Recommendations

จากประสบการณ์ของทั้งสามบริษัท มีข้อแนะนำหลักสามประการที่ได้ถูกย้ำบ่อยครั้ง

• ลงทุนในระบบประเมินผล (evals) ก่อน – Ghoche กล่าวว่า “Eval เป็นสิ่งที่ทุกกรณีต้องมี เพราะมันช่วยแยกปัญหาเป็นส่วน ๆ ทำให้เราสามารถเคลื่อนที่เร็วขึ้น”
• ครอบคลุมการจัดการ agent harness ตั้งแต่วันแรก – Gosby แนะนำให้วาง harness ให้พนักงานใช้งานพร้อมกับระบบมอนิเตอร์ผลลัพธ์ เพื่อกระตุ้นนวัตกรรมโดยไม่ให้เกิดคอขวดด้านวิศวกรรม
• สร้างสถาปัตยกรรมที่อิสระจากโมเดลและบริบท – Singh เน้นว่า “ต้องออกแบบให้สามารถเปลี่ยนจากโมเดล frontier ไปยังโมเดลเปิดได้อย่างราบรื่น เพื่อรับมือกับการพัฒนาเทคโนโลยีในอนาคต”

Impact

การปรับโครงสร้างพื้นฐานเพื่อรองรับ AI agents อย่างเต็มรูปแบบหมายถึงการเปลี่ยนแปลงระดับองค์กร ทั้งด้าน ความเร็วของกระบวนการ, คุณภาพของผลลัพธ์ และ ศักยภาพในการสเกล หากไม่ทำเช่นนั้น บริษัทอาจพบว่าการลงทุนในโมเดลขั้นสูงเป็นเรื่องเสียเวลาโดยไม่มีระบบสนับสนุนที่เหมาะสม

สำหรับประเทศไทย การเรียนรู้จากประสบการณ์ของ LinkedIn, Walmart และ Zendesk จะช่วยให้ผู้ประกอบการและหน่วยงานภาครัฐเตรียมความพร้อมด้านโครงสร้างพื้นฐานคลาวด์‑เนทีฟ, ระบบจัดการคอนเทนเนอร์, และกระบวนการ eval ที่เป็นมาตรฐาน ทำให้การนำ AI agents ไปใช้ในธุรกิจต่าง ๆ สามารถทำได้อย่างรวดเร็วและปลอดภัยยิ่งขึ้น

Summary

บริษัทชั้นนำสามแห่งสรุปว่า โครงสร้างพื้นฐานเก่า คือคอขวดหลักของ AI agents ไม่ใช่โมเดล การปรับเปลี่ยนให้เป็นระบบที่พร้อมรองรับการทำงานระดับมิลลิวินาทีและมีความอิสระจากผู้ให้บริการโมเดลเป็นกุญแจสำคัญในการสเกลเทคโนโลยีนี้ต่อไป.