ผู้เรียบเรียง
ดวงพร อรัญญพงษ์ไพศาล
บรรณารักษ์ชำนาญการ ฝ่ายบริการ 
 สำนักหอสมุด มหาวิทยาลัยเกษตรศาสตร์ 

                  ปัญญาประดิษฐ์กำลังพัฒนาเข้าสู่ยุคใหม่ด้วยความสามารถในการทำงานเชิงรุก มีการตัดสินใจ วางแผน วิเคราะห์และปรับเปลี่ยนกลยุทธ์ตามสถานการณ์จริงได้อย่างอัตโนมัติ แนวคิดนี้ถูกเรียกว่า Agentic AI ซึ่งเป็นการผสานความสามารถของโมเดลภาษาขนาดใหญ่เข้ากับตัวแทนอัจฉริยะที่สามารถรับรู้สภาพแวดล้อม ตัดสินใจ และดำเนินการตามเป้าหมายได้ด้วยตนเอง โดยไม่ต้องพึ่งพาการควบคุมจากมนุษย์ทุกขั้นตอน แต่อย่างไรก็ตามแม้ Agent เดี่ยวจะมีศักยภาพสูง แต่ก็มีข้อจำกัดเมื่อเผชิญกับงานที่มีความซับซ้อนหลายมิติ เช่น งานที่ต้องรวบรวมข้อมูลมหาศาล การวางแผนหลายขั้นตอน หรือการใช้เครื่องมือหลายประเภทพร้อมกัน หากใช้ AI เพียงตัวเดียวในการประมวลผลอาจเกิดคอขวดด้านข้อมูลหรือการล้มเหลวแบบจุดเดียวจะทำให้งานพังทั้งระบบได้ง่าย ดังนั้นเพื่อลดข้อจำกัดดังกล่าวจึงเกิดแนวคิด Multi-Agent AI System (MAS) ซึ่งเป็นระบบที่รวม AI หลายตัวที่มีความเชี่ยวชาญแตกต่างกันมาทำงานร่วมกันเหมือนทีมงานอัจฉริยะโดยแต่ละ Agent จะมีความเป็นอิสระ มีบทบาทชัดเจน และสามารถสื่อสารแลกเปลี่ยนข้อมูลและปรับกลยุทธ์ให้สอดคล้องกันเพื่อบรรลุเป้าหมายใหญ่ร่วมกัน ระบบลักษณะนี้ช่วยให้การจัดการงานที่ซับซ้อนเป็นไปได้รวดเร็ว แม่นยำและมีความทนทานต่อความผิดพลาดสูงกว่าแบบ AI ตัวเดียวอย่างมาก จุดเด่นสำคัญของ MAS ก็คือความสามารถในการประสานงานหลายขั้นตอนแบบอัตโนมัติ เช่น การแบ่งงานย่อย การตรวจสอบข้อมูลซ้ำ การแก้ปัญหาเฉพาะทางและการประเมินผลการทำงานของกันและกัน Agent แต่ละตัวสามารถเรียนรู้จากเหตุการณ์ก่อนหน้า ปรับปรุงวิธีทำงาน และช่วยให้ทั้งระบบมีความฉลาดเพิ่มขึ้นอย่างต่อเนื่อง นอกจากนี้ MAS ยังรองรับการขยายระบบอย่างยืดหยุ่น สามารถเพิ่ม Agent ใหม่เพื่อรองรับงานเพิ่มโดยไม่ทำให้โครงสร้างระบบซับซ้อนเกินควบคุม ด้วยเหตุนี้ MAS จึงถูกนำไปใช้ในงานระดับองค์กรและงานที่ต้องการความแม่นยำสูง เช่น ระบบควบคุมโรงงานอัตโนมัติ ระบบวิเคราะห์ข้อมูลทางการแพทย์ ระบบจัดซื้อจัดจ้างอัจฉริยะ และระบบรักษาความปลอดภัยทางไซเบอร์ ซึ่งการทำงานร่วมกันของ AI หลายตัวสามารถให้ผลลัพธ์ที่ทรงพลังกว่า AI เดี่ยวอย่างชัดเจน

Single-Agent vs. Multi-Agent

ระบบ Single-Agent System เป็นรูปแบบพื้นฐานของระบบปัญญาประดิษฐ์ที่อาศัยการทำงานของ AI เพียงหนึ่งตัวในการรับข้อมูล ประมวลผลและตัดสินใจทุกอย่างภายในโมเดลเดียว ระบบประเภทนี้ถูกออกแบบให้ AI เดี่ยวเป็นผู้รับผิดชอบกระบวนการทั้งหมด ตั้งแต่การวิเคราะห์สถานการณ์ไปจนถึงการสังเคราะห์คำตอบหรือการกระทำที่เหมาะสมเพื่อตอบสนองต่อข้อมูลที่ได้รับ ด้วยเหตุนี้ความรู้ ความสามารถ กระบวนการคิดทั้งหมดจึงถูกบรรจุอยู่ในโมเดลเพียงตัวเดียว ทำให้ Single-Agent System มีโครงสร้างที่เรียบง่ายและเข้าใจได้ไม่ยาก จึงเหมาะสำหรับงานที่ไม่ซับซ้อนหรือมีรูปแบบตายตัวที่เดาได้ไม่ยาก แม้โครงสร้างของระบบจะดูชัดเจนและง่ายต่อการใช้งานแต่ก็มีข้อจำกัดเมื่อระบบต้องเผชิญกับงานระดับองค์กรหรืองานที่มีความซับซ้อนหลายมิติ เนื่องจากโมเดลเพียงตัวเดียวเป็นผู้รับภาระงานทั้งหมด การประมวลผลปริมาณข้อมูลจำนวนมากจึงอาจก่อให้เกิดคอขวดด้านข้อมูลทำให้ระบบตอบสนองช้าลงหรือไม่สามารถจัดการข้อมูลได้อย่างครบถ้วน นอกจากนี้เมื่อ AI เดี่ยวต้องรับบทบาททั้งการวิเคราะห์ วางแผนและตัดสินใจโดยลำพัง ความผิดพลาดเพียงจุดเดียวในกระบวนการอาจทำให้ผลลัพธ์ทั้งหมดล้มเหลวได้ทันที และ AI เดี่ยวจะถูกจำกัดด้วยขนาดของ Context Window และความสามารถเชิงสถาปัตยกรรม หากเกิดปัญหาด้านฮาร์ดแวร์หรือซอฟต์แวร์ ระบบจะหยุดทำงานทั้งหมดทันทีเนื่องจากไม่สามารถถ่ายโอนภาระงานให้ส่วนอื่นได้ซึ่งเป็นความเสี่ยงที่สำคัญในงานที่ต้องการความแม่นยำสูงหรือความต่อเนื่องในการทำงานตลอดเวลาแม้จะมีข้อจำกัดดังกล่าว แต่ Single-Agent System ก็ยังมีความสำคัญในหลายสถานการณ์ โดยเฉพาะงานที่มีความซับซ้อนต่ำและต้องการความรวดเร็วในการประมวลผล เช่น ระบบตอบคำถามทั่วไป ระบบช่วยคำนวณ หรือระบบที่มีข้อมูลคงที่และไม่ต้องปรับตัวตามตัวแปรภายนอกมากนัก การดำเนินงานของโมเดลเดียวช่วยให้ระบบมีความสอดคล้องในการตัดสินใจและลดความยุ่งยากในการออกแบบและดูแลรักษา

ระบบ Multi‑Agent System (MAS) เป็นปัญญาประดิษฐ์สมัยใหม่ที่มุ่งเน้นให้ AI จำนวนหลายตัวทำงานร่วมกันอย่างเป็นระบบเสมือนทีมอัจฉริยะ ซึ่งประกอบด้วย Agent ที่มีความสามารถเฉพาะทางแตกต่างกัน แต่ถูกออกแบบให้สามารถประสานงาน แลกเปลี่ยนข้อมูล และร่วมตัดสินใจเพื่อบรรลุวัตถุประสงค์ร่วมกันได้อย่างมีประสิทธิภาพ ระบบนี้เป็นการยกระดับแนวคิดจาก AI แบบตัวเดียวปรับเปลี่ยนเป็นสถาปัตยกรรมแบบกระจายศูนย์ซึ่งลดข้อจำกัดเชิงประมวลผลและเพิ่มศักยภาพการจัดการข้อมูลเชิงซับซ้อนได้ ระบบ MAS สามารถแบ่งงานตามความถนัดของแต่ละ Agent ซึ่งทำให้ระบบสามารถรับมือกับปัญหาที่มีความซับซ้อนหลายมิติได้ดีกว่า AI ตัวเดียว โดยแต่ละ Agent จะรับผิดชอบภารกิจที่แตกต่างกันตามความเชี่ยวชาญ เช่น การวิเคราะห์ข้อมูล การประเมินผล การวางแผน การตรวจสอบความถูกต้อง หรือแม้กระทั่งการตัดสินใจขั้นสุดท้ายในเงื่อนไขเฉพาะทาง เมื่อ Agent ใดไม่สามารถทำงานได้ ไม่ว่าจะจากความล้มเหลวชั่วคราวหรือข้อจำกัดเชิงสถาปัตยกรรม ระบบยังคงสามารถปรับโครงสร้างการทำงานใหม่ ให้ Agent อื่นรับช่วงต่อโดยไม่ทำให้ภารกิจสะดุด สะท้อนให้เห็นถึงความทนทานและความยืดหยุ่นซึ่งเป็นคุณลักษณะเด่นของ MAS อย่างแท้จริง นอกจากนี้ MAS ยังเน้น ความสามารถด้านการรับรู้สถานการณ์ของ Agent แต่ละตัว ซึ่งสามารถตีความข้อมูลในขอบเขตการรับรู้ของตนเอง พร้อมทั้งแลกเปลี่ยนข้อมูลดังกล่าวกับ Agent ตัวอื่นผ่านรูปแบบการสื่อสารหลายประเภท ทั้งแบบส่งข้อความโดยตรง แบบสังเกตพฤติกรรม หรือแบบกระจายผ่านตัวกลางควบคุม ระบบจึงสามารถวิเคราะห์ข้อมูลจากหลายมิติแบบเรียลไทม์และใช้การตัดสินใจร่วมกันเพื่อเพิ่มความแม่นยำของผลลัพธ์โดยรวม นอกจากนี้ในระดับสถาปัตยกรรม MAS ถูกออกแบบได้หลากหลายรูปแบบเพื่อตอบโจทย์การใช้งานที่แตกต่างกัน ได้แก่ สถาปัตยกรรมแบบลำดับชั้นที่มี Agent ตัวหลักคอยควบคุมการมอบหมายงานและตรวจสอบผลลัพธ์ซึ่งเหมาะสำหรับงานที่ต้องการเสถียรภาพและการควบคุมชัดเจน สถาปัตยกรรมแบบเครือข่าย Peer‑to‑Peer ที่ทุก Agent มีสถานะเท่าเทียมกัน เชื่อมต่อกันโดยตรง เพิ่มความยืดหยุ่นและความทนต่อความผิดพลาด และสถาปัตยกรรมแบบตลาดที่ใช้กลไกคล้ายการประมูลเพื่อจัดสรรทรัพยากรให้ Agent ที่เหมาะสมที่สุดรับหน้าที่แต่ละงานซึ่งตอบโจทย์ระบบที่ต้องเพิ่มประสิทธิภาพด้านต้นทุนและเวลา

                 เมื่อพิจารณาองค์ประกอบของ MAS ในระดับเชิงลึก สามารถแบ่งประเภท Agent ออกได้สองกลุ่มหลัก ได้แก่
Agentic AI ซึ่งเป็น Agent ที่สามารถวางแผน ตัดสินใจ และดำเนินการได้ด้วยตนเอง โดยใช้ความสามารถเชิงเหตุผลและการเรียนรู้จากประสบการณ์อย่างต่อเนื่อง Agent กลุ่มนี้ทำงานได้ดีในสภาพแวดล้อมที่ไม่แน่นอนและต้องปรับตัวรวดเร็ว
Physical AI หรือ Agent ที่อยู่ในรูปแบบหุ่นยนต์หรืออุปกรณ์ที่มีปฏิสัมพันธ์กับสภาพแวดล้อมจริง สามารถประมวลผลข้อมูลผ่านเซนเซอร์ต่างๆ และดำเนินการทางกายภาพ เช่น การเคลื่อนที่ การหยิบจับ หรือการควบคุมเครื่องจักร ซึ่งเหมาะสำหรับงานอุตสาหกรรม การแพทย์ และระบบ IoT ที่ต้องการการตอบสนองแบบเชื่อมต่อโลกจริงโดยตรง

ศักยภาพของ MAS ไม่ได้จำกัดเพียงเรื่องความเร็วหรือความแม่นยำของการประมวลผลเท่านั้น แต่ยังครอบคลุมด้านการขยายระบบ ซึ่งสามารถเพิ่มจำนวน Agent ตามปริมาณงานที่เพิ่มขึ้นได้โดยไม่ทำให้โครงสร้างระบบซับซ้อนจนควบคุมลำบาก อีกทั้งยังเพิ่มความน่าเชื่อถือเชิงระบบ เนื่องจากการล้มเหลวของ Agent หนึ่งตัวจะไม่ส่งผลให้ระบบทั้งหมดหยุดทำงาน ต่างจาก Single‑Agent System ที่มีจุดล้มเหลวเพียงจุดเดียว คุณลักษณะเหล่านี้ทำให้ MAS ได้รับความนิยมเพิ่มขึ้นในงานระดับองค์กรและงานที่ต้องการความแม่นยำสูง เช่น ระบบควบคุมการผลิตอัตโนมัติที่ต้องใช้หุ่นยนต์และ AI หลายส่วนทำงานร่วมกัน ระบบวิเคราะห์ข้อมูลทางการแพทย์ที่ต้องเชื่อมข้อมูลจากหลายแหล่ง ระบบบริหารจัดการห่วงโซ่อุปทานที่ต้องตอบสนองแบบเรียลไทม์ และระบบรักษาความปลอดภัยไซเบอร์ที่ต้องเฝ้าระวังภัยคุกคามตลอดเวลา ในภาพรวม MAS จึงเป็นสถาปัตยกรรมที่ตอบโจทย์ยุคปัญญาประดิษฐ์ก้าวหน้า ซึ่งองค์กรจำนวนมากเริ่มตระหนักว่าการใช้ AI เพียงโมเดลเดียวไม่เพียงพออีกต่อไป งานที่มีความซับซ้อนสูงต้องการความสามารถหลากหลายด้าน การคิดเชิงกลยุทธ์ การวิเคราะห์ข้อมูลมหาศาล การวางแผนแบบหลายขั้นตอนและการประสานงานเครื่องมือหลากหลายประเภทซึ่งล้วนเป็นคุณสมบัติที่เกิดขึ้นได้อย่างสมบูรณ์แบบเมื่อ AI ทำงานเป็นทีมมากกว่าตัวเดียว ซึ่งการพัฒนาระบบ Multi‑Agent ถือเป็นก้าวสำคัญของวิวัฒนาการ AI ที่เปลี่ยนจากเครื่องมือไปสู่ระบบร่วมปฏิบัติงานอัจฉริยะที่สามารถแบ่งงาน จัดการความซับซ้อนและบรรลุภารกิจร่วมกันได้แบบไดนามิกซึ่งจะเป็นแนวทางสำคัญที่กำหนดทิศทางของนวัตกรรม AI ในหลายทศวรรษข้างหน้า

สถาปัตยกรรมของ Multi-Agent AI

1. สถาปัตยกรรมแบบลำดับชั้น (Hierarchical Architecture) จะมี AI ตัวหลักทำหน้าที่จัดการและควบคุม AI อื่นๆ เป็นหัวหน้าทีมรับงานจากมนุษย์ แตกย่อยเป็นงานย่อย แล้วมอบหมายให้ AI แต่ละตัวดำเนินการเพื่อลดความซับซ้อนของโปรเจกต์ สถาปัตยกรรมนี้มีความชัดเจนในการจัดการ ง่ายต่อการดีบักและควบคุมได้ง่าย แต่หากหัวหน้าทีมล้มเหลวระบบทั้งหมดจะหยุดทำงาน การประยุกต์ใช้ในงาน เช่น ระบบจัดการจราจรอัจฉริยะ ระบบควบคุมโรงงานอุตสาหกรรม

2. สถาปัตยกรรมแบบเครือข่าย (Network/Peer-to-Peer Architecture) Agent แต่ละตัวมีสิทธิ์เท่าเทียมกันและสื่อสารกันโดยตรง ไม่มีหัวหน้าทีมหลัก ระบบนี้มีความยืดหยุ่นสูงและทนทานต่อความผิดพลาด แต่ยากต่อการควบคุมและอาจเกิดความขัดแย้งในการตัดสินใจ การประยุกต์ใช้งาน เช่น ระบบประมูลออนไลน์ ระบบกระจายพลังงาน

3. สถาปัตยกรรมแบบตลาด (Market-based Architecture) ใช้กลไกประมูลงานในการจัดสรรทรัพยากร Agent ที่มีความสามารถเหมาะสมและราคาต่ำที่สุดจะได้รับมอบหมายงาน สถาปัตยกรรมนี้มีประสิทธิภาพสูงในการจัดสรรทรัพยากรแต่ออกแบบซับซ้อนและจัดการได้ยากกว่า การประยุกต์ใช้งาน เช่น ระบบโลจิสติกส์อัจฉริยะ ระบบจัดการห่วงโซ่อุปทาน

การประยุกต์ใช้ Multi-Agent AI

ในอดีตการประยุกต์ใช้ปัญญาประดิษฐ์ในระบบการแพทย์มักจำกัดอยู่เพียงงานเฉพาะด้าน เช่น การวิเคราะห์ภาพถ่ายทางรังสีอย่างภาพ X-ray การประเมินผลสแกนทางการแพทย์หรือการจ่ายยาอัตโนมัติ ซึ่งแต่ละระบบทำงานแยกส่วนจากกันก่อให้เกิดข้อจำกัดในการเชื่อมโยงข้อมูลเชิงลึกที่จำเป็นต่อการตัดสินใจด้านการรักษาแบบองค์รวม เมื่อแนวคิด Multi-Agent AI System เริ่มเข้ามามีบทบาท ระบบ AI ก็สามารถทำงานร่วมกันเป็นทีมอัจฉริยะที่มีความเชี่ยวชาญแตกต่างกันแต่สอดประสานกันอย่างเป็นระบบ ภายใน MAS Agent แต่ละตัวถูกออกแบบให้มีบทบาทเฉพาะด้านตามความถนัด เช่น Agentที่เชี่ยวชาญด้านรังสีวินิจฉัยจะวิเคราะห์ภาพ X-ray หรือ CT Scan อย่างละเอียด ขณะที่ Agent ด้านข้อมูลคลินิกจะประมวลประวัติผู้ป่วย ข้อมูลสุขภาพย้อนหลังรวมถึงข้อมูลทางพันธุกรรมที่มีผลต่อการวินิจฉัยโรค เมื่อ Agent แต่ละตัวประมวลข้อมูลตามหน้าที่ของตนเสร็จสิ้น ระบบ AI ทั้งหมดจะประชุมร่วมกันเพื่อแลกเปลี่ยนข้อมูล วิเคราะห์ความสัมพันธ์ระหว่างผลลัพธ์และสังเคราะห์เป็นข้อเสนอแนะเชิงการรักษาที่มีความแม่นยำสูงให้กับแพทย์ผู้ดูแล ยิ่งไปกว่านั้น Agent ยังสามารถทำงานแบบ กระจายตัวได้อย่างมีประสิทธิภาพ เช่น Agent แต่ละตัวอาจรับผิดชอบเฝ้าระวังสัญญาณชีพต่างชนิดกัน ไม่ว่าจะเป็นอัตราการเต้นของหัวใจ ระดับออกซิเจนในเลือดหรือความดันโลหิต เมื่อ Agent ใดตรวจพบค่าที่ผิดปกติ ระบบจะประสานงานกับ Agent ที่รับผิดชอบด้านการจ่ายยาโดยอัตโนมัติเพื่อปรับขนาดยาหรือการรักษาให้เหมาะสมในทันทีช่วยลดความเสี่ยงจากความล่าช้าและเพิ่มโอกาสในการรักษาอย่างทันท่วงที นอกเหนือจากการวินิจฉัยและดูแลรักษาแล้ว MAS ยังสามารถนำมาประยุกต์ใช้ในงานบริหารจัดการทางการแพทย์ที่มีความซับซ้อน เช่น การจัดการเวชระเบียนอิเล็กทรอนิกส์ที่ต้องอาศัยความถูกต้องและสอดคล้องกันระหว่างหลายหน่วยงาน การนัดหมายผู้ป่วยแบบอัตโนมัติ ตลอดจนการติดตามผลการรักษาในระยะยาวผ่านข้อมูลแบบเรียลไทม์ ทั้งหมดนี้ช่วยลดภาระงานของบุคลากรทางการแพทย์ทำให้สามารถทุ่มเทเวลาให้กับภารกิจที่ต้องใช้ความละเอียดอ่อนและดุลยพินิจทางการแพทย์ได้มากขึ้น ซึ่งไม่ได้เป็นเพียงการเพิ่มความสะดวกหรือความรวดเร็วเท่านั้น หากแต่เป็นก้าวสำคัญในการยกระดับการรักษาพยาบาลให้มีความแม่นยำ ปลอดภัย และมีประสิทธิภาพมากขึ้นอย่างเป็นรูปธรรม ซึ่งสะท้อนถึงพลังของเทคโนโลยี AI ยุคใหม่ที่ทำงานร่วมกันเป็นทีมอัจฉริยะเพื่อสนับสนุนชีวิตมนุษย์อย่างแท้จริง

ความท้าทายและข้อจำกัดของระบบ Multi‑Agent AI

แม้ว่า Multi‑Agent AI System จะให้ศักยภาพสูงในการจัดการงานที่ซับซ้อน แต่ระบบลักษณะนี้ก็มีความท้าทายเชิงโครงสร้าง นั่นคือ พฤติกรรมเกิดใหม่ที่เกิดจากปฏิสัมพันธ์ของ Agent หลายตัวโดยไม่สามารถอธิบายย้อนกลับไปยัง Agent ใด Agent หนึ่งได้โดยตรง พฤติกรรมลักษณะนี้อาจนำไปสู่การตัดสินใจที่ไม่เป็นไปตามความตั้งใจของผู้ออกแบบระบบ นอกจากนี้ MAS ยังเผชิญกับความเสี่ยงด้านความซับซ้อนในการประสานงาน เมื่อ Agent แต่ละตัวมีอิสระในการตัดสินใจ ความผิดพลาดเล็กน้อยอาจสะสมจนเกิดผลกระทบในระดับระบบ ซึ่งแตกต่างจาก Single‑Agent ที่ตรวจสอบจุดผิดพลาดได้ง่ายกว่า

ความปลอดภัยและบทบาทของมนุษย์ 

การเพิ่มระดับความอิสระให้กับ Agent ทำให้เกิดคำถามเชิงจริยธรรมและความรับผิดชอบอย่างหลีกเลี่ยงไม่ได้ งานวิจัยด้าน Agentic AI ระบุตรงกันว่า ความสามารถในการตัดสินใจโดยอัตโนมัติของ Agent ต้องมาพร้อมกรอบกำกับดูแลที่ชัดเจน โดยเฉพาะในระบบที่มีผลกระทบสูง เช่น การแพทย์ การเงิน และความมั่นคงไซเบอร์ แนวคิด Human‑in‑the‑Loop และ Human‑on‑the‑Loop จึงถูกนำมาใช้เป็นกลไกสำคัญเพื่อให้มนุษย์ยังคงมีบทบาทในการตรวจสอบ อนุมัติ หรือแทรกแซงในสถานการณ์ที่มีความเสี่ยงสูง โดยเฉพาะการกระทำที่ไม่สามารถย้อนกลับได้

การประเมินประสิทธิภาพและการทดสอบระบบ Multi‑Agent

การประเมินระบบ Multi‑Agent ไม่สามารถใช้ตัวชี้วัดแบบ Single‑Agent ได้โดยตรง เนื่องจากความสำเร็จของ MAS ขึ้นอยู่กับคุณภาพของการประสานงาน การถ่ายโอนข้อมูล และการแก้ปัญหาร่วมกัน งานวิจัยล่าสุดเสนอกรอบการประเมินที่เน้น Task Success, Coordination Efficiency, Robustness และ Safety มากกว่าความแม่นยำเชิงภาษาเพียงอย่างเดียว มีการพัฒนา Benchmark เฉพาะทางซึ่งออกแบบมาสำหรับทดสอบระบบ Multi‑Agent ในสถานการณ์วางแผนและจัดตารางงานที่มีการเปลี่ยนแปลงแบบเรียลไทม์ ช่วยให้การประเมินมีมาตรฐานและเปรียบเทียบข้ามระบบได้

แนวโน้มอนาคตของ Multi‑Agent AI System

ในระดับองค์กร MAS กำลังถูกมองว่าเป็นรากฐานของ Digital Workforce ที่ AI ทำงานเป็นทีมเสมือนพนักงานดิจิทัล โดยมีการแบ่งบทบาท ความรับผิดชอบ และการรายงานผลเช่นเดียวกับทีมมนุษย์ คาดการณ์ว่าในอนาคตจะเกิดระบบ Internet of Agents ซึ่ง Agent จากต่างองค์กรสามารถเจรจา ประสานงาน และทำงานข้ามแพลตฟอร์มได้อย่างอัตโนมัติ แต่การพัฒนาดังกล่าวจำเป็นต้องควบคู่กับกรอบกำกับดูแล ความโปร่งใส และความปลอดภัยขั้นสูง

แหล่งข้อมูลอ้างอิง

Juhi Tiwari. (2026). How multi-agent orchestration powers enterprise AI. สืบค้นจาก 
          https://www.kore.ai/blog/what-is-multi-agent-orchestration

Lyzr Team. (2026). Understand the Difference Between: Multi Agent vs Single Agent AI Systems. 
          สืบค้นจาก https://www.lyzr.ai/blog/multi-agent-vs-single-agent/

SAP SE. (2025). What are multi-agent systems?. สืบค้นจาก https://kasets.art/KZoPjF

กรุงเทพธุรกิจ. (2569). จาก 'Chatbot' สู่ 'Agent' ปลดล็อกมิติใหม่ การใช้ AI ในองค์กร. สืบค้นจาก 
          https://tgiraiu.org/newdetail/920

กรุงเทพธุรกิจ. (2569). AI จากผู้ช่วยสู่แรงงานดิจิทัล พลิกเกมองค์กรยุค Agentic Enterprise. สืบค้นจาก 
         https://www.bangkokbiznews.com/tech/ai/1226352

Bluebik. (2569). Agentic AI: ถึงเวลาที่องค์กรต้องเปลี่ยนจาก “การทดลอง” สู่ “การสร้างผลลัพธ์”. สืบค้นจาก

         https://bluebik.com/th/insight/agentic-ai/

Botpress. (2569). คู่มือระบบมัลติเอเจนต์ในปี 2026. สืบค้นจาก

         https://botpress.com/th/blog/multi- agent-systems

Botpress. (2568). AI Agent คืออะไร?. สืบค้นจาก https://botpress.com/th/blog/ai-agent

ICHI Media. (2568). Multi-Agent AI: ทีม AI ทำงานร่วมกันแทนมนุษย์. สืบค้นจาก 

           https://ichi-media.com/cutting/2025/12/12/3804/

insightist. (2568). ทำไมองค์กรยุคใหม่ต้องมี Multi-Agent Systems?. สืบค้นจาก https://kasets.art/zWyS9B

Pippit. (2568). ระบบมัลติเอเจนต์: คู่มือฉบับสมบูรณ์เกี่ยวกับความร่วมมือของ AI. สืบค้นจาก  

          https://www.pippit.ai/th-th/resource/multi-agent-systems

Bluebik. (2568). ยิ่งเพิ่มโมเดล AI ยิ่งเพิ่มความเสี่ยง?. สืบค้นจาก https://kasets.art/iJ5Yph

Haneef Waiyasil. (2568). ว่าด้วยเรื่อง Multi AI Agent Systems with crewAI. สืบค้นจาก  
          https://kasets.art/y9tvCI

Thairath Money. (2568). เทรนด์ปี 2025 AI ทำงานได้เอง ทำความเข้าใจ AI Agentic Workflow AI ทำงาน
         ร่วมกันเป็นทีมได้อย่างไร?. สืบค้นจาก https://kasets.art/hQ5b8H         

Techsauce Team. (2568). จับทาง ‘Agentic AI’ ที่องค์กรยุคใหม่ (เริ่ม) ใช้กัน โดย วสันต์ ลิ่วลมไพศาล CTO, 
         MFEC. สืบค้นจาก https://techsauce.co/tech-and-biz/mfec-agentic-ai-use-cases

Techsauce Team. (2567). รู้จัก Agentic AI เทคโนโลยีใหม่ที่ทำให้ AI เป็นมากกว่าแค่ผู้รับคำสั่ง. สืบค้น
           จาก https://techsauce.co/tech-and-biz/understanding-agentic-ai-new-technology-
           making-ai-more-than-just-a-task-taker

tharadhol. (2567). Multi-Agent Systems AI ทำงานตัวเดียวก็ว่าเทพแล้ว ถ้าพวกมันทำงานร่วมกันเป็นทีมล่ะ?. 
          สืบค้นจาก https://www.tharadhol.com/multi-agent-systems-ai/

แหล่งข้อมูลที่เกี่ยวข้อง

Vinay, V. (2026). The Evolution of Agentic AI in Cybersecurity: From Single LLM Reasoners to 
           Multi-Agent Systems and Autonomous Pipelines. 2026 IEEE 5th International Conference 
           on AI in Cybersecurity (ICAIC), AI in Cybersecurity (ICAIC), 2026 IEEE 5th International
           Conference On, 1–8. https://doi.org/10.1109/ICAIC67076.2026.11395809

Yang, B., Peng, J., Tang, S., Tan, J., Zhou, F., Cui, S., Qu, W., Li, T., Liu, F., & Wang, D. (2026). Co-DIRECT: 
           A knowledge-augmented multi-agent framework for interactive drama script generation. 
          Expert Systems With Applications, 303. 
           https://doi-org.kasetsart.idm.oclc.org/10.1016/j.eswa.2025.130571

Zhang, Y., Liu, C., Zhang, Z., Jiao, F., Huo, F., & Zhang, X. (2026). Electric Vehicle Charging Guidance   
          Algorithm Based on Informer Multi‐Agent Reinforcement Learning. International Journal of
          Robust & Nonlinear Control, 36(5), 2428–2441. 
          https://doi-org.kasetsart.idm.oclc.org/10.1002/rnc.70254

Agentic AI and the future of library services. (2026). Library Hi Tech News, 43(3), 48–51. 
           https://doi-org.kasetsart.idm.oclc.org/10.1108/LHTN-11-2025-0199

Kang, Z., Wang, R., & Yu, F. (2026). Towards collaborative intelligence: Reimagining human-agent 
           co-design in traditional craft design through multi-agent Empathic Handover. CoDesign, 
           1–23. https://doi-org.kasetsart.idm.oclc.org/10.1080/15710882.2026.2647077

Cui, Z., Qamar, F., Kazmi, S. H. A., Zainol Ariffin, K. A., Safdar, G. A., & ur Rehman, M. H. (2026). A review of
          multi-agent deep reinforcement learning for resource allocation in beyond 5G network slicing:
          solutions, challenges and future research directions. PeerJ Computer Science,
          12,e3728. https://doi-org.kasetsart.idm.oclc.org/10.7717/peerj-cs.3728

Fagbenro, M., Washer, C., Chella, P., & Jafari, A. (2026). Improved multi-agent knowledge sharing 
          system using knowledge graphs for news bias detection and fact-checking. Neural Computing
          & Applications, 38(6), 1–24. https://doi-org.kasetsart.idm.oclc.org/10.1007/s00521-026-11944-0

Bourtzinakou, C., Krokidis, M., Exarchos, T., Vlamos, P., & Vrahatis, A. (2025). SwarmICB: A Multi-Agent 
          AI System for Immune Checkpoint Blockage Literature Mining and Research Synthesis and
          Analysis. 2025 IEEE 25th International Conference on Bioinformatics and Bioengineering (BIBE),
          Bioinformatics and Bioengineering (BIBE), 2025 IEEE 25th International Conference on, BIBE, 
          693–697. https://doi-org.kasetsart.idm.oclc.org/10.1109/BIBE66822.2025.00120

Abkary, N. M., Pratama, A. R., & Ishaq Alfarozi, S. A. (2025). A Multi-Agent Agentic AI System for 
          Energy-Efficient and Personalized HVAC Control. 2025 International Conference on Computer
         and Applications (ICCA), Computer and Applications (ICCA), 2025 International Conference On,
          1–6. https://doi-org.kasetsart.idm.oclc.org/10.1109/ICCA66035.2025.11431040

Israni, M., Renuse, S., & V, P. (2025). AutoMed: Multi-Agent AI System for Personalized Medical Knowledge
          Retrieval and Summarization. 2025 International Conference on Data Science, Agents & Artificial
          Intelligence (ICDSAAI), Data Science, Agents & Artificial Intelligence (ICDSAAI), 2025 International
          Conference On, 1–6. https://doi-org.kasetsart.idm.oclc.org/10.1109/ICDSAAI65575.2025.11011656