TrueWatch

AI Agent แบบ Human in the Loop: แก้คอขวดด้านการตรวจทาน

17 พ.ย. 2569

ทีมวิศวกรรมนำ AI มาใช้เพื่อทำงานให้เร็วขึ้น และในแง่หนึ่งก็ได้ผลจริง จากการสำรวจผู้นำด้านเทคโนโลยีระดับอาวุโสของ Bain ในปี 2026 พบว่า นักพัฒนาทำงานเสร็จเพิ่มขึ้นประมาณ 21% เมื่อใช้ AI แต่เวลาตรวจทานเพิ่มขึ้นราว 91% ข้อสรุปของ Bain ตรงไปตรงมา: การตรวจทานโดยมนุษย์คือข้อจำกัดสำคัญในตอนนี้ ข้อค้นพบนี้สำคัญต่อทุกคนที่ใช้งาน human in the loop AI agent เพราะหากผลลัพธ์ของ agent ทุกชิ้นต้องไปรอที่โต๊ะของใครสักคน คนคนนั้นก็จะกลายเป็นคอขวด และการเพิ่ม agent ยิ่งทำให้คิวยาวขึ้น

บทความนี้ดูว่าข้อมูลบอกอะไร ทำไมภาระการตรวจทานจึงโตเร็วกว่าผลผลิต และจะออกแบบการส่งมอบงานของ agent อย่างไร เพื่อให้มนุษย์ที่อยู่ในลูปตรวจสอบหลักฐาน แทนที่จะต้องทำงานซ้ำตั้งแต่ต้น

AI ทำให้วิศวกรเร็วขึ้น แต่การตรวจทานช้าลง

การนำมาใช้ไม่ใช่คำถามอีกต่อไป งานวิจัย DORA ปี 2025 ของ Google รายงานว่า การใช้ AI ในหมู่ผู้ปฏิบัติงานพัฒนาซอฟต์แวร์พุ่งขึ้นถึง 90% และการใช้งานดังกล่าวสัมพันธ์กับปริมาณการส่งมอบซอฟต์แวร์ที่สูงขึ้น โค้ด การเปลี่ยนแปลง และทิกเก็ตจำนวนมากขึ้นไหลผ่านระบบ

สิ่งที่ยังขยายตามไม่ทันคือการตรวจสอบ แบบสำรวจ Tech and Engineering Survey ของ Bain ซึ่งสอบถามผู้นำด้านเทคโนโลยีระดับอาวุโส 293 คน เมื่อเดือนเมษายน 2026 ให้ตัวเลขชัดเจน: งานเสร็จเพิ่มขึ้นราว 21% ขณะที่เวลาที่ใช้ตรวจทานเพิ่มขึ้นราว 91% งานมาถึงเร็วกว่าที่คนจะยืนยันได้ว่าถูกต้อง

ทีม DORA มอง AI เป็นตัวขยาย ตามคำของทีมเอง บทบาทหลักของ AI คือ "การขยายจุดแข็งและจุดอ่อนที่องค์กรมีอยู่แล้ว" กระบวนการตรวจทานที่ตึงมืออยู่แล้วไม่ได้ง่ายขึ้นเมื่อปริมาณงานที่ไหลเข้ามาเพิ่มขึ้น แต่กลับวุ่นวายยิ่งกว่าเดิม

01_after-AI-made-engineers-faster_review-time-chart.png

ทำไม human in the loop AI agent จึงชนเพดานการตรวจทาน

Human-in-the-loop หมายถึงระบบที่มนุษย์มีส่วนร่วมในการทำงานของ AI อย่างจริงจัง โดยให้คำแนะนำ ข้อเสนอแนะ และการกำกับดูแล สำหรับ AI agent ที่ลงมือกับระบบ production การกำกับดูแลนี้มักหมายถึงคนอ่านสิ่งที่ agent พบ แล้วตัดสินใจว่าจะทำอะไรต่อ โมเดลนี้ถูกต้อง ปัญหาอยู่ที่กำลังคน

Agent เพิ่มห้าเท่า แต่ผู้ตรวจทานมีคนเดียว

ผู้ตอบแบบสำรวจของ Bain คาดว่า จำนวน agent ต่อทีมจะเพิ่มขึ้นเกือบห้าเท่า หาก agent แต่ละตัวส่งกลับมาเพียงคำตอบเปล่า ๆ ("สาเหตุคือฐานข้อมูล") ผู้ตรวจทานต้องสร้างเหตุผลขึ้นใหม่ก่อนจะเชื่อถือได้ ต้องเปิดแดชบอร์ดอีกครั้ง รันคิวรีซ้ำ และอ่านล็อกอีกรอบ ถึงตอนนั้น agent แทบไม่ได้ช่วยประหยัดอะไร และผู้ตรวจทานยังมีคำตอบที่ต้องตรวจสอบมากขึ้นห้าเท่า

บทความเดียวกันของ Bain อธิบายว่าองค์กรวิศวกรรมปริมาณงานสูงแห่งหนึ่งรับมืออย่างไร: merge pull request ที่เขียนโดย AI ประมาณ 1,300 รายการต่อสัปดาห์ ทั้งหมดผ่านการตรวจทานโดยมนุษย์เหมือนการเปลี่ยนแปลงอื่น ๆ การตรวจทานโดยมนุษย์ยังคงอยู่ สิ่งที่ต้องเปลี่ยนคือปริมาณงานที่แต่ละการตรวจทานต้องใช้

รูปแบบเดียวกันกำลังเกิดขึ้นในงานปฏิบัติการ

เรื่องนี้ไม่ได้จำกัดอยู่แค่การเขียนโค้ด บทว่าด้วยความปลอดภัยไซเบอร์ในรายงานฉบับเดียวกันของ Bain ระบุว่าการสแกนด้วย AI ทำให้ การแจ้งเตือนช่องโหว่เพิ่มขึ้นสูงสุดถึงแปดเท่า และแนะนำให้ทำการแก้ไขที่ง่ายกว่าแบบอัตโนมัติ "โดยมีมนุษย์อยู่ในลูป"

ทีม on-call รู้ดีถึงตัวเลขเหล่านี้ แนวทาง SRE ของ Google พบว่า การจัดการเหตุการณ์ on-call หนึ่งครั้ง รวมถึง postmortem ใช้เวลาเฉลี่ยประมาณ 6 ชั่วโมง จึงจำกัดภาระไว้ที่ 2 เหตุการณ์ต่อกะ 12 ชั่วโมง ทุกการแจ้งเตือนที่ AI SRE agent สืบสวนยังคงจบลงด้วยมนุษย์เป็นผู้ตัดสินใจว่าจะทำอะไร หากมนุษย์ต้องสืบสวนซ้ำเพื่อเชื่อถือผลลัพธ์ เหตุการณ์ก็ใช้เวลาเท่าเดิม

อะไรทำให้การตรวจทานโดยมนุษย์รวดเร็ว

ทางออกไม่ใช่การเอามนุษย์ออก แต่คือการเปลี่ยนสิ่งที่ agent ส่งกลับมา ผู้ตอบแบบสำรวจของ Bain จัดอันดับ มาตรการป้องกันด้านความปลอดภัย ความเสี่ยง และธรรมาภิบาลเป็นปัจจัยหนุนอันดับหนึ่งในการขยายขนาด agent ที่ 43% และ 41% คาดหวังโมเดลที่แบ่งตามระดับความเสี่ยง โดยการเปลี่ยนแปลงที่เสี่ยงสูงกว่าจะส่งให้มนุษย์ ธรรมาภิบาล AI agent ที่ดีทำให้การตรวจทานเร็วขึ้น เพราะบอกผู้ตรวจทานอย่างชัดเจนว่ากำลังดูอะไรอยู่

กำหนดขอบเขตก่อนรัน

ผู้ตรวจทานทำงานได้เร็วขึ้นเมื่อรู้ขอบเขตอยู่แล้ว แนวทางการกำกับดูแล agent ของ Microsoft แนะนำให้ทีม ให้ agent เข้าถึงเฉพาะแหล่งข้อมูลที่จำเป็นต่อหน้าที่ของตน เมื่อบทบาท ข้อมูล และเครื่องมือของ agent ถูกกำหนดไว้ล่วงหน้า ผู้ตรวจทานไม่ต้องสงสัยว่า agent ไปแตะอะไรอีกบ้าง

หลักฐานมาพร้อมคำตอบ

ข้อค้นพบที่มาพร้อมหลักฐานคือข้อค้นพบที่ตรวจสอบได้ ซึ่งหมายถึงคิวรีที่รัน ผลที่ได้กลับมา และสัญญาณที่ข้อสรุปอิงอยู่ Forrester วางมาตรฐานไว้ชัดเจน: ทุกการกระทำแบบอัตโนมัติต้องถูกบันทึกและอธิบายได้ต่อผู้ตรวจสอบ บันทึกเดียวกันที่ผ่านเกณฑ์ผู้ตรวจสอบ ยังช่วยให้วิศวกรยืนยันสาเหตุหลักได้โดยไม่ต้องเริ่มใหม่

การอนุมัติที่สอดคล้องกับความเสี่ยง

ไม่ใช่ทุกผลลัพธ์ต้องการการพิจารณาในระดับเดียวกัน Forrester แนะนำให้ เริ่มต้นใช้ agent กับงานที่มีขอบเขตชัดเจน หลังด่านอนุมัติและเส้นทาง rollback แล้วขยายความเป็นอิสระเมื่อการควบคุมพิสูจน์ตัวเอง คำขออนุมัติที่ระบุการกระทำ ขอบเขตผลกระทบ และความสามารถในการย้อนกลับ ช่วยให้ผู้ตรวจทานตัดสินใจได้ในการอ่านครั้งเดียว

02_after-approval-sized-to-the-risk_risk-ladder.png

นำไปใช้กับ AI SRE และการรับมือเหตุการณ์

ลองนึกภาพการแจ้งเตือน latency ของบริการ checkout เวลา 14:25 agent ที่ให้แต่คำตอบเปล่า ๆ ตอบว่า "น่าจะเป็น deploy ที่มีปัญหา" จากนั้นผู้ตรวจทานต้องใช้เวลาครึ่งชั่วโมงเพื่อพิสูจน์

ส่วน agent ที่ให้หลักฐานเป็นอันดับแรกจะตอบพร้อมเหตุการณ์ deploy เวลา 14:20 เมตริก connection pool ที่ติดเพดานตั้งแต่ 14:22 จำนวน timeout จากล็อก และ latency p95 จาก trace ที่สุ่มตัวอย่าง พร้อมแผน rollback ที่เตรียมไว้และรอการอนุมัติ ผู้ตรวจทานไล่ดูหลักฐานสี่ชิ้น ตรวจขอบเขตของ rollback แล้วตัดสินใจ มนุษย์คนเดิม ความรับผิดชอบเท่าเดิม แต่งานซ้ำซ้อนน้อยลงมาก

นี่คือการเปลี่ยนแปลงที่การรับมือเหตุการณ์ด้วย AI ต้องการเมื่อจำนวน agent เพิ่มขึ้น: มนุษย์ยังอยู่ในลูป แต่ลูปสั้นลง หากต้องการอ่านเพิ่มเติมเกี่ยวกับการแยกการสืบสวนออกจากการตัดสินใจ ดูบทความของเราเรื่อง AI ในงาน IT operations ที่ agent สืบสวนและมนุษย์ตัดสินใจ

Toby AI Agents ช่วยได้อย่างไร

Toby AI Agents คือเพื่อนร่วมทีม AI ที่ทำงานภายใน workspace TrueWatch ของคุณ บน telemetry ที่มีอยู่แล้ว ออกแบบโดยยึดการส่งมอบงานตามที่อธิบายข้างต้นเป็นแกนหลัก

  • ขอบเขตที่คุณกำหนด คุณกำหนดบทบาท ขอบเขตข้อมูล และเครื่องมือที่ agent แต่ละตัวใช้ได้ บทบาทประกอบด้วย SRE, Security, AppDev, FinOps และ Custom
  • สืบสวนก่อน แล้วจึงสรุปข้อค้นพบ Agent สืบสวน รันการตรวจสอบ และส่งข้อค้นพบพร้อมข้อเสนอการแก้ไขกลับมา ตัวอย่างเช่น SRE Agent อ่านเมตริก ล็อก และ trace ของบริการในขอบเขตที่กำหนด แล้วส่งมอบสาเหตุที่น่าจะเป็น หลักฐาน และการ rollback หรือการปรับสเกลเพื่อรอการอนุมัติ
  • หลักฐานในทุกการรัน ทุกการรันถูกบันทึกพร้อมเครื่องมือที่เรียกใช้ ผลที่ได้กลับมา และหลักฐานเบื้องหลังคำตอบ
  • ทุกการเปลี่ยนแปลงต้องได้รับการอนุมัติจากคุณ สิ่งใดก็ตามที่เปลี่ยนแปลงระบบจะรอการอนุมัติของคุณ คำขอแสดงการกระทำ ขอบเขต และความสามารถในการย้อนกลับ พร้อมปุ่ม Approve หรือ Decline
  • ในที่ที่ทีมของคุณทำงานอยู่แล้ว Agent ทำงานจากแดชบอร์ด การแจ้งเตือน คิวรี DQL, Slack หรือมือถือ รับบริบทต่อเนื่อง เช่น ช่วงเวลา บริการ และตัวกรอง และรันตามการแจ้งเตือน ตารางเวลา หรือคำถาม

หากต้องการทราบแนวคิดการออกแบบเบื้องหลังการควบคุมเหล่านี้ อ่านได้ที่ เราออกแบบความไว้วางใจใน Toby AI Agents อย่างไร

03_after-how-toby-ai-agents-help_approval-card.png

คำถามที่พบบ่อย

Human in the loop AI agent คืออะไร

คือ AI agent ที่ทำงาน เช่น การสืบสวนหรือการวิเคราะห์ แล้วส่งการตัดสินใจกลับไปให้มนุษย์ มนุษย์ตรวจทานผลลัพธ์และอนุมัติหรือปฏิเสธการกระทำใด ๆ โดยเฉพาะการกระทำที่เปลี่ยนแปลงระบบ production

ทำไม AI จึงทำให้เวลาตรวจทานเพิ่มขึ้น

การสำรวจของ Bain ในปี 2026 พบว่านักพัฒนาทำงานเสร็จเพิ่มขึ้นประมาณ 21% เมื่อใช้ AI ขณะที่เวลาตรวจทานเพิ่มขึ้นราว 91% ผลผลิตที่มากขึ้นหมายถึงสิ่งที่ต้องตรวจสอบมากขึ้น และผลลัพธ์ที่ไม่มีหลักฐานสนับสนุนบังคับให้ผู้ตรวจทานต้องทำงานซ้ำเพื่อให้เชื่อถือได้

ธรรมาภิบาล AI agent ช่วยให้ตรวจทานเร็วขึ้นได้อย่างไร

ขอบเขตที่ชัดเจน หลักฐานที่บันทึกไว้ และการอนุมัติตามระดับความเสี่ยง บอกผู้ตรวจทานว่า agent เข้าถึงอะไรได้ พบอะไร และต้องการทำอะไร ซึ่งเปลี่ยนการตรวจทานให้เป็นการตรวจสอบหลักฐาน แทนการสืบสวนใหม่ทั้งหมด

Toby AI Agents ทำการเปลี่ยนแปลงใน production เองหรือไม่

ไม่ Toby AI Agents สืบสวนภายในขอบเขตที่คุณมอบหมายและเสนอการแก้ไข ทุกการเปลี่ยนแปลงจะรอการอนุมัติของคุณ และทุกการรันเก็บเครื่องมือที่เรียกใช้ ผลที่ได้กลับมา และหลักฐานเบื้องหลังคำตอบ

มอบหมายการสืบสวน แต่ยังเป็นผู้ตัดสินใจ

AI ทำให้งานเร็วขึ้นแล้ว ขั้นต่อไปคือทำให้การตรวจทานเร็วขึ้น โดยไม่เอามนุษย์ออกจากกระบวนการ Agent ที่ส่งมอบข้อค้นพบที่มีขอบเขตและมีหลักฐาน แล้วรอการอนุมัติ ช่วยให้วิศวกรของคุณยังคงเป็นผู้ควบคุม พร้อมคืนชั่วโมงที่เคยต้องใช้ตรวจซ้ำกลับมาให้ ดูว่า Toby AI Agents ทำงานอย่างไร

Get in touch background

เริ่มต้นใช้งาน TrueWatch