สรุปข่าวการนำ AI ไปใช้จริงรายสัปดาห์｜15–22 ตุลาคม｜การเชื่อมต่อเอเจนต์ Eon ลดจากสองวันเหลือสองนาที

ตลอดเจ็ดวันที่ผ่านมา ความก้าวหน้าของ AI ในองค์กรไม่ได้อยู่ที่การมีโมเดลเพิ่มขึ้นอีกไม่กี่ตัวเป็นหลัก แต่อยู่ที่การเชื่อมต่อเอเจนต์เข้ากับระบบธุรกิจ การควบคุมสิทธิ์ และการวัดต้นทุนจริง มีการเปิดเผยแนวทางปฏิบัติที่เป็นรูปธรรมในงานปฏิบัติการมัลติคลาวด์ การพัฒนาซอฟต์แวร์ในธุรกิจค้าปลีก บริการลูกค้าธนาคาร และการจัดการคุณภาพด้านการแพทย์ ขณะเดียวกัน งานวิจัยจากบริบทการขายประกันภัยในจีนก็เตือนองค์กรว่า เมื่อเครื่องจักรเข้ามารับงานบางส่วน พฤติกรรมของมนุษย์อาจเปลี่ยนไป และผลลัพธ์สุดท้ายอาจไม่ได้ดีขึ้นเสมอไป[1][2][3][4][5][6]

ข่าวเด่นประจำสัปดาห์: Eon ทำให้การเชื่อมต่อเอเจนต์กลายเป็นโครงสร้างพื้นฐานที่กำกับดูแลได้

เดิมที วิศวกรที่ต้องตรวจหาสาเหตุของปัญหาจะต้องตั้งค่าข้อมูลรับรองและบริการ MCP ภายในเครื่องสำหรับ Kubernetes, Grafana, GitHub และแพลตฟอร์มคลาวด์หลายแห่งแยกกัน โดยทั่วไป พนักงานใหม่ต้องใช้เวลาประมาณสองวันเพื่อเชื่อมต่อระบบเหล่านี้ให้ครบ หลังจาก Eon รวมช่องทางเข้าถึงเครื่องมือไว้ที่ Amazon Bedrock AgentCore Gateway บริษัทระบุว่าเวลาในการเชื่อมต่อลดลงเหลือประมาณสองนาที

แนวทางนี้ไม่ได้เป็นเพียงการเชื่อม API สิบกว่ารายการเข้ากับกล่องแชตเดียว แต่เป็นการเปลี่ยนการจัดการข้อมูลรับรองที่เดิมกระจัดกระจายอยู่ตามคอมพิวเตอร์และสคริปต์ต่าง ๆ ให้กลายเป็นกระบวนการรวมศูนย์ที่ตรวจสอบย้อนหลัง เพิกถอนสิทธิ์ และอัปเดตได้[1]

สิ่งที่องค์กรนำไปปรับใช้ได้คือลำดับขั้นทางวิศวกรรม: เริ่มจากสำรวจเครื่องมือและข้อมูลอ่อนไหวที่มีอยู่ให้ครบ ระบุให้ชัดว่า “ใครอ่านอะไรได้ และใครเขียนอะไรได้” จากนั้นกำหนดสิทธิ์ตามบทบาทต่าง ๆ ของทีมพัฒนา แล้วจึงให้โมเดลภาษาขนาดใหญ่ใช้เครื่องมือ ประโยชน์ไม่ได้มีแค่ช่วยให้พนักงานใหม่ใช้เวลาตั้งค่าสภาพแวดล้อมน้อยลง แต่ยังรวมถึงการลดต้นทุนการดูแลข้อมูลรับรองที่กระจัดกระจาย การตั้งค่าที่คลาดเคลื่อนจากเดิม และการเชื่อมต่อเครือข่ายข้ามบัญชีด้วย โดยเฉพาะทีมที่ใช้เอเจนต์ช่วยพัฒนาอย่าง Codex และ Claude Code: ชั้นการเข้าถึงเครื่องมือควรแยกเป็นอิสระจากโมเดล ไม่ใช่ต้องวางระบบความปลอดภัยใหม่ทั้งชุดทุกครั้งที่เปลี่ยนเอเจนต์[1]

อย่างไรก็ตาม “จากสองวันเหลือสองนาที” เป็นตัวชี้วัดภายในด้านการเชื่อมต่อระบบสำหรับพนักงานใหม่ที่ Eon รายงานเอง จึงไม่อาจตีความว่าการแก้ไขเหตุขัดข้องในระบบใช้งานจริงเร็วขึ้นในสัดส่วนเดียวกัน และยิ่งไม่อาจนำไปคำนวณเป็นผลตอบแทนจากการลงทุนของทั้งบริษัทได้ บทความไม่ได้เปิดเผยต้นทุนโครงสร้างพื้นฐาน ต้นทุนแรงงานในการบำรุงรักษา และผลการตรวจสอบโดยอิสระอย่างครบถ้วน สิ่งที่นำไปประยุกต์ใช้ได้คือแนวคิดด้านสถาปัตยกรรม ไม่ใช่ตัวเลขการประหยัดที่นำไปใช้ตามได้โดยไม่มีเงื่อนไข[1]

ข่าวสำคัญ

1. ธุรกิจค้าปลีกนำ AI มาใช้ตลอดวงจรการพัฒนาซอฟต์แวร์ ผู้ให้บริการรายงานผลลัพธ์สามด้าน

เมื่อวันที่ 19 ตุลาคม Cognizant และ Google Cloud เปิดเผยกรณีศึกษาของลูกค้าธุรกิจค้าปลีกรายหนึ่งที่นำโมเดล Gemini มาใช้ตลอดวงจรการพัฒนาซอฟต์แวร์ แทนที่จะใช้เพียงช่วยวิศวกรเขียนโค้ด Cognizant รายงานว่าผลิตภาพของนักพัฒนาเพิ่มขึ้น 40% ระยะเวลานำผลิตภัณฑ์ออกสู่ตลาดลดลง 30% และต้นทุนที่เกี่ยวข้องลดลง 35% ทั้งสองบริษัทยังจัดตั้งทีมผู้เชี่ยวชาญเฉพาะด้านโดยมีวิศวกรมากกว่า 18,000 คนสนับสนุน เพื่อเตรียมขยายงานให้ครอบคลุมการปรับปรุงระบบเดิม การทำกระบวนการธุรกิจให้เป็นอัตโนมัติ และงานด้านความปลอดภัย[2]

เปอร์เซ็นต์ทั้งสามนี้มาจากคำบอกเล่าของผู้ให้บริการเกี่ยวกับลูกค้าที่ไม่ได้เปิดเผยชื่อ ประกาศดังกล่าวไม่ได้เปิดเผยข้อมูลฐานเดิม วิธีการสุ่มตัวอย่าง ช่วงเวลาที่ใช้คำนวณ หรือการเปลี่ยนแปลงด้านคุณภาพซอฟต์แวร์ จึงไม่ควรมองว่าเป็นผลประโยชน์ที่ใช้ได้ทั่วไปกับทั้งอุตสาหกรรม สำหรับองค์กร ควรบันทึกทั้งระยะเวลาที่ใช้ทำข้อกำหนดให้แล้วเสร็จ งานแก้ไขข้อบกพร่อง ปริมาณงานบำรุงรักษาหลังส่งมอบ และค่าใช้จ่ายด้านเครื่องมือควบคู่กันไป เหตุใดจึงสำคัญ: สิ่งที่ควรนำมาเปรียบเทียบจริง ๆ ไม่ใช่ความเร็วในการสร้างโค้ด แต่คือต้นทุนรวมในการส่งมอบฟังก์ชันที่ใช้งานได้ภายใต้ข้อกำหนดด้านคุณภาพเดียวกัน[2]

2. IBM ฝังเอเจนต์ 6,000 ตัวไว้ในกระบวนการทำงาน และยังคงให้มนุษย์ตรวจทาน

บทสัมภาษณ์พิเศษที่ไฟแนนเชียล เอ็กซ์เพรสเผยแพร่ครั้งแรกเมื่อวันที่ 18 ตุลาคมระบุว่า IBM Consulting ได้ฝังเอเจนต์ที่แตกต่างกันราว 6,000 ตัวไว้ในกระบวนการทำงานมากกว่า 150 กระบวนการ โดยแพลตฟอร์มที่เกี่ยวข้องรองรับโครงการมากกว่า 2,000 โครงการ ในจำนวนนี้มีมากกว่า 500 โครงการที่เกี่ยวข้องกับการนำไปใช้งานให้ลูกค้า การตรวจสอบเหตุการณ์ด้านความปลอดภัยเป็นตัวอย่างที่ชัดเจน จากเดิมที่ใช้เวลาราว 45 นาที เปลี่ยนเป็นให้เอเจนต์ประมวลผลราว 2 นาที แล้วให้บุคลากรตรวจทานอีกประมาณ 10 นาที ผู้บริหารของ IBM ระบุว่า ด้วยจำนวนบุคลากรเท่าเดิม สามารถรับมือภัยคุกคามได้มากขึ้นราวสามเท่า [3]

สิ่งที่น่าสนใจที่สุดในกรณีนี้คือวิธีการวัดผล: IBM ใช้ทีมเฉพาะทางในเบงกาลูรูทดสอบเปรียบเทียบกระบวนการแบบ “มีเอเจนต์” กับ “ไม่มีเอเจนต์” และยอมรับด้วยว่าการนำเอเจนต์มาใช้ในบางกรณีกลับทำให้ผลิตภาพลดลง ตัวเลข 6,000 คือจำนวนเอเจนต์ ไม่ใช่จำนวนกรณีใช้งานทางธุรกิจที่ประสบความสำเร็จ การแยกเวลาประมวลผลออกเป็นช่วงที่เครื่องทำงานและช่วงที่มนุษย์ทำงาน จึงใกล้เคียงกับตัวชี้วัดการส่งมอบงานที่นำไปใช้ได้จริงมากกว่า เหตุใดจึงสำคัญ: ผู้รับผิดชอบต้องถามต่อว่า ก่อนนำผลลัพธ์จากเอเจนต์เข้าสู่การตัดสินใจอย่างเป็นทางการ ยังต้องใช้เวลาอีกเท่าใดในการตรวจทาน แก้ไขข้อผิดพลาด และส่งต่อให้ผู้มีอำนาจจัดการ [3]

3. งานวิจัยการขายประกันในจีนพบว่า: ลูกค้าเป้าหมายคุณภาพดีเพิ่มขึ้น แต่ยอดปิดการขายกลับลดลง

ระบบอัตโนมัติรับหน้าที่ดูแลลูกค้าที่มีความตั้งใจซื้อต่ำ ส่วนพนักงานได้ติดต่อลูกค้าเป้าหมายที่มีความตั้งใจซื้อสูงกว่า งานวิจัยพบว่า สัดส่วนลูกค้าเป้าหมายที่มีความตั้งใจซื้อสูงในสามสายแรกของวันเพิ่มขึ้นราว 23 จุดเปอร์เซ็นต์ แต่โอกาสที่พนักงานจะได้ลูกค้ากลับลดลงราว 5 จุดเปอร์เซ็นต์ อีกทั้งมีการจัดสรรลูกค้าเป้าหมายใหม่บ่อยขึ้นในช่วงต้น และระยะเวลาสนทนาก็สั้นลงด้วย [4]

ต้องเน้นย้ำว่า นี่เป็นการศึกษาเชิงสังเกตจากบริษัทแห่งเดียวร่วมกับการอนุมานจากแบบจำลองการวิจัย และขณะนี้ยังเป็นบทความฉบับก่อนตีพิมพ์ จึงไม่ได้หมายความว่างานบริการลูกค้าทุกบริบทจะต้องเกิดผลเช่นนี้ เหตุใดจึงสำคัญ: หลังนำระบบมาใช้ นอกจากดูอัตราการส่งงานไปให้ระบบอัตโนมัติแล้ว ควรติดตามอัตราปิดการขาย จำนวนครั้งที่พนักงานติดตามลูกค้า ผลลัพธ์ของแต่ละกะ และดูว่าระบบแรงจูงใจเปลี่ยนไปหรือไม่ มิฉะนั้น “เครื่องทำงานมากขึ้น” อาจบดบังการลดลงของผลผลิตโดยรวม [4]

4. การปรับโฉมงานบริการลูกค้าของ Riverty ผสานการทำเหมืองกระบวนการเข้ากับเอเจนต์

Reply เปิดเผยว่า ศูนย์ติดต่อลูกค้าแบบเชื่อมโยงทุกช่องทางแห่งนี้สร้างเสร็จภายในเวลาราว 100 วัน และช่วยลดระยะเวลาจัดการเฉลี่ยต่อกรณีของลูกค้าลง 35% นี่คือกรณีการปรับปรุงกระบวนการบริการลูกค้าที่ส่งมอบใช้งานแล้ว ไม่ใช่เพียงการสาธิตซอฟต์แวร์ใหม่ [5]

ข้อมูลที่เปิดเผยไม่ได้ระบุสัดส่วนประเภทกรณีที่รับดำเนินการ ขนาดกลุ่มตัวอย่าง หรือว่ารวมการติดต่อภายหลังเพื่อแก้ไขปัญหาหรือไม่ และไม่ได้แจกแจงต้นทุนระหว่างเอเจนต์กับบุคลากร ดังนั้นควรมองตัวเลข 35% ว่าเป็นการเปลี่ยนแปลงของระยะเวลาจัดการเฉลี่ยสำหรับลูกค้ารายนี้ ไม่ควรขยายความเป็น “ต้นทุนบริการลูกค้าลดลง 35%” เหตุใดจึงสำคัญ: เมื่อองค์กรเลือกงานบริการลูกค้าที่จะนำระบบอัตโนมัติมาใช้ การเริ่มจากกระบวนการที่เกิดขึ้นบ่อย มีกฎชัดเจน และตรวจสอบผลลัพธ์ได้ จะช่วยให้พิสูจน์ผลได้ชัดเจนกว่าการเริ่มด้วยการซื้อแชตบอตอเนกประสงค์ [5]

5. Octave สร้างโครงสร้างพื้นฐานแบบหลายผู้เช่าก่อน แล้วจึงให้เอเจนต์จัดการข้อร้องเรียนทางการแพทย์

เมื่อวันที่ 20 ตุลาคม AWS และ Octave ร่วมกันเปิดเผยกรณีงานวิศวกรรม AI สำหรับอุตสาหกรรมที่อยู่ภายใต้การกำกับดูแล เช่น อุปกรณ์การแพทย์ ยา และอาหาร

ข้อมูลด้านวิศวกรรมที่เปิดเผยระบุว่า การประมวลผลแบบแบตช์รองรับเอกสารได้สูงสุดราว 1.4 ล้านฉบับต่อ 24 ชั่วโมง สำหรับภาระงานของผู้เช่าแต่ละราย ตัวเลขนี้แสดงถึงขีดความสามารถของกระบวนการประมวลผลข้อมูล ไม่ได้หมายความว่าระบบจะแก้ไขข้อร้องเรียนได้โดยอัตโนมัติวันละ 1.4 ล้านเรื่อง ผลลัพธ์จากเอเจนต์ยังต้องตรวจสอบย้อนกลับไปยังเอกสารต้นฉบับได้ สืบค้นหลักฐานได้ และผ่านการพิจารณาของมนุษย์ เหตุใดจึงสำคัญ: สำหรับแพลตฟอร์มที่รองรับลูกค้าหลายราย หลายภาษา และมีข้อกำหนดด้านการปฏิบัติตามกฎระเบียบ การให้ความสำคัญกับการลงทุนด้านการแยกข้อมูล การส่งต่อข้อมูลยืนยันตัวตน และความสามารถในการสังเกตการณ์ระบบ มักยั่งยืนกว่าการสร้างเดโมแอปพลิเคชันแยกกันสิบตัว [6]

ตัวเลขสำคัญโดยสรุป

• 2 วัน → 2 นาที: ระยะเวลาที่วิศวกรใหม่ใช้ในการเชื่อมต่อเข้าถึงเครื่องมือ ตามที่ Eon รายงานเอง โดยเกี่ยวข้องกับการจัดการตัวตนบนหลายคลาวด์และจุดเข้าใช้งาน MCP แบบรวมศูนย์ ไม่ใช่ความเร็วในการแก้ไขข้อขัดข้อง [1]
• 40% / 30% / 35%: ตัวเลขการเพิ่มผลิตภาพ การลดระยะเวลานำออกสู่ตลาด และการประหยัดต้นทุนของลูกค้ารายหนึ่งในธุรกิจค้าปลีกที่ Cognizant เปิดเผย โดยยังไม่มีผลการตรวจสอบอิสระที่เผยแพร่ต่อสาธารณะ [2]
• 6,000 / 150+: จำนวนเอเจนต์และจำนวนกระบวนการที่ฝังเอเจนต์ไว้แล้ว ซึ่ง IBM Consulting เปิดเผยต่อสาธารณะ ไม่สามารถนับเป็นผลประโยชน์ทางธุรกิจได้โดยตรง [3]
• ประมาณ 500,000 รายการ: จำนวนบันทึกการสังเกตการโทรออกที่ใช้ในงานวิจัยเอเจนต์เสียงในธุรกิจประกันภัยของจีน โดยงานวิจัยพบว่าอัตราปิดการขายของพนักงานคอลเซ็นเตอร์บางส่วนลดลง [4]
• 1.4 ล้านฉบับ/24 ชั่วโมง: ปริมาณงานที่ไปป์ไลน์ประมวลผลเอกสารสำหรับผู้เช่าใช้งานระบบรายเดียวรองรับได้ ตามที่บทความด้านวิศวกรรมของ Octave เปิดเผย ไม่ใช่จำนวนข้อร้องเรียนที่ดำเนินการจนปิดเรื่องแล้ว [6]

ข่าวสั้น

• เอเจนต์บนคลาวด์ส่วนตัว: เมื่อวันที่ 19 ตุลาคม Deliverance AI แนะนำโซลูชันเอเจนต์ที่อยู่ภายใต้การควบคุม ซึ่งผ่านการตรวจสอบร่วมกับ HPE โดยการถามตอบเพื่อแก้ไขปัญหาหน้างานของผู้ให้บริการเครือข่ายมือถือรายหนึ่งในสหราชอาณาจักรใช้เวลาไม่ถึง 5 นาที เทียบกับเวลาที่ผู้ให้บริการประเมินว่าหากใช้คนอาจนานสูงสุดประมาณ 3 ชั่วโมง ตัวเลขนี้ยังไม่ใช่สถิติระยะยาว [7]
• ต้นทุนการใช้งาน AI: เมื่อวันที่ 20 ตุลาคม Cisco เผยแพร่ผลสำรวจของ Splunk ซึ่งมีกลุ่มตัวอย่างเป็นบุคลากรด้านไอทีและวิศวกรรม 2,050 คนจาก 10 ประเทศ โดย 83% ของผู้ตอบกังวลถึงผลที่ไม่คาดคิดจากเอเจนต์ สะท้อนให้องค์กรเห็นความสำคัญของการติดตามคุณภาพ สิทธิ์การเข้าถึง และค่าใช้จ่าย [9]
• การเชื่อมต่อระบบบริหารโครงการ: เมื่อวันที่ 20 ตุลาคม AWS แนะนำบริการ MCP ของ Smartsheet ที่เปิดให้ใช้งานทั่วไปแล้ว โดยมีเครื่องมือมากกว่า 40 รายการสำหรับการอ่านและเขียนข้อมูล การจัดการตาราง และระบบอัตโนมัติ พร้อมสาธิตขั้นตอนการเรียกใช้งานผ่าน Amazon Quick และ Kiro เนื้อหานี้เป็นคู่มือการนำไปใช้งานเชิงวิศวกรรม ไม่ใช่รายงานตรวจสอบการเพิ่มประสิทธิภาพ [10]
• การนำไปใช้ในระบบภาครัฐ: เมื่อวันที่ 20 ตุลาคม Google Cloud อ้างอิงผลสำรวจภาครัฐว่า หน่วยงานที่ตอบแบบสำรวจ 96.3% เคยทดลองใช้เอเจนต์อย่างน้อยหนึ่งรูปแบบ แต่มีเพียง 9% ที่ใช้งานทั่วทั้งหน่วยงาน ส่วนแพลตฟอร์มบริการภาครัฐใหม่ที่กล่าวถึงในบทความเดียวกันยังอยู่ในระยะพรีวิว [11]
• บริการสำหรับพนักงานธนาคาร: เมื่อวันที่ 15 ตุลาคม IT Pro รายงานว่า BMO ได้เปิดให้พนักงาน 55,000 คนใช้เอเจนต์บริการตนเองของ Workday ไปแล้วตั้งแต่เดือนมิถุนายน พร้อมจัดตั้งกลไกกำกับดูแล AI ข้ามแผนก รายงานไม่ได้ระบุจำนวนชั่วโมงทำงานที่ประหยัดได้ จึงระบุเฉพาะขอบเขตการใช้งานโดยไม่รายงาน ROI [12]

มุมมองบรรณาธิการ

ประเด็นที่น่าสังเกตคือ กรณีศึกษาที่น่าเชื่อถือที่สุดในสัปดาห์นี้ไม่ได้อยู่ที่ “เอเจนต์เข้ามาแทนคนไปกี่คน” แต่อยู่ที่หลักฐานของงานแต่ละประเภทที่ชัดเจนขึ้นเรื่อย ๆ: Eon วัดเวลาในการเชื่อมต่อเข้าถึงเครื่องมือ, IBM แยกการประมวลผลด้วยเครื่องออกจากการตรวจทานโดยคน, Octave วัดปริมาณงานประมวลผลข้อมูล, ลูกค้าธุรกิจค้าปลีกวัดระยะเวลาส่งมอบ ส่วนงานวิจัยด้านประกันภัยวัดผลการปิดการขายขั้นสุดท้าย ตัวชี้วัดเหล่านี้มีฐานการวัดต่างกัน จึงไม่สามารถนำมาจัดอันดับเทียบกันได้โดยตรง [1][2][3][4][6]

เรามองว่าสิ่งถัดไปที่ผู้บริหารองค์กรควรเรียกร้องมากที่สุด คือ “บัญชีต้นทุนการใช้งานจริง” ที่สามารถคำนวณตรวจสอบซ้ำได้อย่างแท้จริง โดยใช้ภารกิจเดียวกัน กลุ่มตัวอย่างเดียวกัน และระดับการให้บริการเดียวกัน พร้อมบันทึกค่าการเรียกใช้โมเดลและเครื่องมือ การเตรียมข้อมูล เวลาที่พนักงานใช้ตรวจสอบ การแก้ไขข้อผิดพลาด การตรวจสอบความปลอดภัย ตลอดจนการดูแลและบำรุงรักษาระบบ ควรเปิดเผยผลลัพธ์โดยแบ่งตามแหล่งหลักฐานเป็นสี่ประเภท ได้แก่ การทดลองภายใน การสังเกตการณ์ในระบบที่ใช้งานจริง ข้อมูลที่ผู้ให้บริการรายงานเอง และงานวิจัยอิสระ พร้อมระบุให้ชัดเจนเป็นพิเศษว่ารายการต้นทุนใดไม่สามารถหาข้อมูลได้ วิธีนี้จะช่วยหลีกเลี่ยงการนำตัวเลขเปอร์เซ็นต์สุดโต่งจากการสาธิตมาตั้งงบประมาณ และยังช่วยให้เห็นว่ากรณีใช้งานใดควรขยายการนำไปใช้ และกรณีใดควรจำกัดขอบเขตสิทธิ์หรือออกแบบแรงจูงใจสำหรับบุคลากรใหม่[3][4][9]

ประเด็นที่ต้องติดตามต่อไป

ตัวเลขเปอร์เซ็นต์และปริมาณงานที่ประมวลผลทั้งหมดในฉบับนี้ระบุระดับหลักฐานไว้แล้วว่าเป็นข้อมูลที่ผู้ให้บริการรายงานเอง ข้อมูลจากการสัมภาษณ์ในข่าว หรือข้อสังเกตจากงานวิจัย โดยไม่ได้นำไปแปลงเป็น ROI ที่ยังไม่ได้รับการยืนยัน ไม่สามารถอ่านข้อมูล NIUX RSS ในช่วง 14 วันที่ผ่านมาได้โดยตรง จึงใช้ทั้งดัชนีภายในเว็บไซต์ที่เข้าถึงได้และบันทึกงานของเว็บไซต์เพื่อตรวจหาหัวข้อซ้ำที่เห็นได้ชัดแล้ว อย่างไรก็ตาม การตรวจสอบและคัดรายการซ้ำข้ามหมวดหมู่ให้ครบถ้วนยังมีส่วนที่ตกหล่นอยู่

แหล่งอ้างอิง

1. Eon สร้างระบบตรวจสอบข้ามคลาวด์ด้วยเกตเวย์ MCP บน Amazon Bedrock AgentCore ได้อย่างไร — บล็อกแมชชีนเลิร์นนิงของ AWS, เข้าถึงเมื่อ 2026-10-22
2. Cognizant และ Google Cloud ขยายความร่วมมือเพื่อเร่งการเปลี่ยนผ่านองค์กรด้วย AI เอเจนต์ — Cognizant, เข้าถึงเมื่อ 2026-10-22
3. IBM นำ AI เอเจนต์ 6,000 ตัวมาใช้ในเวิร์กโฟลว์งานที่ปรึกษา — Financial Express, เข้าถึงเมื่อ 2026-10-22
4. การนำ AI เอเจนต์เสียงมาใช้และการตอบสนองของพนักงานขายในธุรกิจนายหน้าประกันภัยออนไลน์ของจีน — arXiv, เข้าถึงเมื่อ 2026-10-22
5. Reply จัดแสดง AI เอเจนต์สำหรับภาคบริการทางการเงินและภาครัฐที่งาน Microsoft Frontier Tour — Reply, เข้าถึงเมื่อ 2026-10-22
6. Octave สร้างรากฐาน AI แบบหลายผู้เช่าที่ปลอดภัยบน Amazon Bedrock ได้อย่างไร — บล็อกแมชชีนเลิร์นนิงของ AWS, เข้าถึงเมื่อ 2026-10-22
7. Deliverance AI และ HPE เปิดตัวโซลูชันจัดการความรู้ด้วย AI เอเจนต์ — Deliverance AI, เข้าถึงเมื่อ 2026-10-22
8. ServiceNow ยกระดับกรอบการควบคุมการทำงานของ AI ระดับองค์กรด้วย AI Passport และความสามารถด้านการกำกับดูแลที่ขยายเพิ่มขึ้น — ServiceNow, เข้าถึงเมื่อ 2026-10-22
9. รายงานสถานะความสามารถในการสังเกตการณ์ระบบของ Splunk ปี 2026: หลีกเลี่ยงต้นทุนแฝงของ AI เอเจนต์ — Cisco, เข้าถึงเมื่อ 2026-10-22
10. บริบทการจัดการงานสำหรับ AI เอเจนต์ด้วย Smartsheet MCP บน AWS — บล็อกแมชชีนเลิร์นนิงของ AWS, เข้าถึงเมื่อ 2026-10-22
11. ประกาศและไฮไลต์จากงาน Google Public Sector Summit 2026 — Google Cloud, เข้าถึงเมื่อ 2026-10-22
12. ลูกค้า Workday แสดงให้เห็นวิธีปลดล็อกคุณค่าจาก AI — IT Pro, เข้าถึงเมื่อ 2026-10-22