การปรับโครงสร้างพื้นฐานเพื่อเอาชนะความล่าช้าของ AI: บทเรียนจาก LinkedIn, Walmart และ Zendesk

ในงาน VB Transform 2026 ที่จัดขึ้นเมื่อไม่นานมานี้ ผู้บริหารจาก LinkedIn, Walmart และ Zendesk ได้ร่วมกันอภิปรายถึงปัญหาที่เกิดขึ้นเมื่อพวกเขาพยายามย้าย AI agents จากการทดลองไปสู่การใช้งานจริง โดยมีข้อสรุปที่น่าสนใจว่า ‘โครงสร้างพื้นฐานเก่า’ คือสาเหตุหลักที่ทำให้ AI agents ทำงานได้ช้าลง ไม่ใช่โมเดล AI เอง ซึ่งเป็นสิ่งที่ทุกบริษัทได้พบเจอในระหว่างการพัฒนาและปรับใช้ AI ในองค์กรของตน

Animesh Singh จาก LinkedIn, Desiree Gosby จาก Walmart และ Sami Ghoche จาก Zendesk ต่างมีประสบการณ์ที่แตกต่างกัน แต่พวกเขาได้มาถึงข้อสรุปเดียวกันว่า โครงสร้างพื้นฐานที่ออกแบบมาเพื่อการทำงานของมนุษย์นั้นไม่สามารถรองรับการทำงานของ AI agents ได้อย่างมีประสิทธิภาพ ซึ่งเป็นช่องว่างที่ต้องมีการแก้ไขเพื่อให้การทำงานของ AI agents เป็นไปอย่างรวดเร็วและมีประสิทธิภาพมากขึ้น

Gosby ได้กล่าวถึงบทเรียนที่ได้เรียนรู้จากการปรับใช้ AI agents ใน Walmart ว่า “เป้าหมายคือการทำให้วิศวกรรมไม่กลายเป็นอุปสรรคอีกครั้งในสิ่งที่เราพยายามทำ” โดยพวกเขาได้พบว่าปัญหาที่แท้จริงนั้นอยู่ที่โครงสร้างพื้นฐานที่ไม่สามารถรองรับการทำงานของ AI agents ได้อย่างเหมาะสม

ในกรณีของ LinkedIn ปัญหาแรกที่พบไม่ใช่โมเดล AI แต่เป็น Kubernetes ซึ่งเป็นระบบที่ออกแบบมาให้สามารถเปิดใช้งานคอนเทนเนอร์ตามความต้องการได้ แต่กระบวนการนี้ใช้เวลานานเกินไปสำหรับ AI agents ที่ต้องการการประมวลผลที่รวดเร็ว โดย Singh ได้เสนอแนวทางแก้ไขโดยการเปลี่ยนจากการจัดสรรคอนเทนเนอร์ตามความต้องการไปเป็นการจัดเตรียมพูลของคอนเทนเนอร์ที่สามารถสลับการทำงานของ AI agents ได้ในเวลาจริง

อย่างไรก็ตาม ปัญหาที่ซับซ้อนกว่าก็เกิดขึ้นเมื่อ LinkedIn อนุญาตให้ AI agents ควบคุมการจัดการของตนเอง โดยมีระบบการประเมินผลที่ดูเรียบร้อย แต่ปัญหาการ hallucination ยังคงเกิดขึ้น ซึ่งเป็นปัญหาที่ต้องมีการแก้ไขอย่างจริงจังเพื่อให้ AI agents สามารถทำงานได้อย่างมีประสิทธิภาพมากขึ้น

การอภิปรายในครั้งนี้ยังชี้ให้เห็นถึงความสำคัญของการปรับโครงสร้างพื้นฐานในองค์กรให้สอดคล้องกับการทำงานของ AI agents ที่มีความรวดเร็วและต้องการการประมวลผลที่ทันทีทันใด ซึ่งจะช่วยลดอุปสรรคและทำให้การทำงานของ AI agents มีประสิทธิภาพสูงสุดในอนาคต