ความเห็น: 2026 คือปีที่ AI agent กลายเป็นของจริง — แต่ยังไม่ใช่ปีที่ใครเชื่อมัน

วันนี้ (27 เม.ย. 2026) ผมเขียนโพสต์ 5 เรื่อง — บังเอิญแต่ละเรื่องเป็น datapoint ที่บอก story เดียวกัน ในมุมต่าง:

• Gemini Drops — Google ทำ Gemini app เป็น OS-level layer (Mac shortcut, Notebooks, image personalization)
• California SB 1000 — รัฐ California บังคับ provenance metadata บนทุก output ของ generative AI
• Microsoft Foundry Hosted Agents — Microsoft เปิด sandbox-as-a-service สำหรับ deploy agent
• Subagents ใน Gemini CLI — Google ตาม pattern ของ Anthropic ใน orchestrator-specialist architecture
• Nature: นักวิทยาศาสตร์ยังเหนือ AI agent — Stanford AI Index 2026 พิสูจน์ว่า capability gap ยังกว้าง

อ่านพร้อมกันแล้ว pattern ที่โผล่ขึ้นชัด:

Infrastructure สำหรับ agent พร้อมแล้ว — Trust framework ยังไม่ทัน

นี่คือ awkward middle phase ของวงการ AI ที่จะใช้เวลา 2-3 ปีกว่าจะออก

สิ่งที่ “พร้อม” ในปี 2026

ถ้านับวงจรชีวิตของเทคโนโลยีใหม่ — infrastructure layer สำหรับ agent โตเสร็จ:

1. Compute layer — sandboxed, scale-to-zero, identity-aware

• AWS: Anthropic deal $25B + Trainium 3
• Microsoft: Foundry Hosted Agents @ $0.0994/vCPU-hour
• Google: Vertex AI Agent Engine + TPU v7
• ราคาเข้าถึงได้สำหรับ SME ($20-100/agent/เดือน)

2. Orchestration layer — multi-agent + subagent

• Anthropic Claude Code subagents (ปลายปี 2025)
• Microsoft Agent Framework v1.0 + Foundry Agent Service GA
• Google Gemini CLI subagents (รอบนี้)
• LangChain LangGraph + AWS Bedrock multi-agent

3. Tool ecosystem

• MCP (Model Context Protocol) — กลายเป็น de facto standard
• Toolboxes ใน Foundry, ADK ของ Google, custom tool ของ OpenAI
• Connector ทุก major SaaS พร้อมใช้

4. Identity + auth

• Managed identity (Azure AD, Workload Identity, IAM Roles Anywhere)
• OAuth, OIDC, RBAC integration

ทุกชิ้นที่ developer เคยร้องขอเมื่อปี 2024 — มีในปี 2026

สิ่งที่ “ยังไม่พร้อม”

1. Capability — agent ยังพลาดเรื่องที่นักวิทยาศาสตร์ทำเอง

Stanford AI Index ทดสอบ:

• HLE (Humanity’s Last Exam): best score >50% — เพิ่มจาก 25% เมื่อปีก่อน — แต่ยังไม่ครึ่ง
• Complex scientific task: human ชนะ agent ในทุก dimension ที่ test

agent เก่ง ที่:

• task ที่ tightly defined (classification, transcription, code completion)
• task ที่ verify ได้ง่าย (run code → compare output)

agent ยังไม่เก่ง ที่:

• judgment under uncertainty
• planning ที่ต้อง backtrack หลายครั้ง
• knowing when to stop
• avoiding hallucination ใน citation/reference

2. Trust framework — regulator + user ยังไม่มี mental model

California SB 1000 hearing วันนี้แสดงว่า regulator พยายามตามให้ทัน — แต่ tool ที่มี (manifest disclosure, latent watermark, provenance metadata) ยังไม่ robust พอจะป้องกัน adversarial use:

• text watermark ถูกทำลายได้ด้วย paraphrase หลายขั้น
• image C2PA ถูก strip ตอน screenshot
• model identity hide ได้ผ่าน fine-tuning + private deployment

ขณะเดียวกัน user ทั่วไป ยังไม่รู้ ว่า:

• AI ที่กำลังคุยกับเค้าเป็น agent ที่มี tool หรือ chatbot ธรรมดา
• agent มีสิทธิ์ทำอะไรบ้าง
• ใครรับผิดถ้า agent ทำผิด

3. Liability + accountability — กฎหมายตามไม่ทัน

• agent ทำผิด — ใคร liable? developer, deployer, model provider, user?
• ตัวอย่างจริงในปี 2025-26:
  • Air Canada chatbot ที่ promise refund → court ให้ liability ตกที่ Air Canada
  • DPD chatbot ที่ swear ใส่ user → reputational damage ของ DPD แต่ไม่มี legal precedent ชัด
  • กรณี deepfake fraud ที่ใช้ voice clone → ไม่มี penalty กับ generator provider
• ในระบบกฎหมายไทย: ไม่มี framework ใด ที่ตอบเรื่องนี้

Awkward middle phase: ผลกระทบในการลงทุน

ในช่วงที่ infrastructure พร้อม แต่ trust ไม่ทัน — เกิด pattern การ adoption ที่แปลก:

Pattern A: “Scoped agent in monitored context”

• ทุก enterprise deploy agent — แต่ใน scope เล็ก: customer service Tier 1, internal IT helpdesk, code review assistant
• มี human-in-the-loop ทุก critical decision
• ROI วัดได้ชัด (cost saving)

Pattern B: “Shadow agent” ที่ไม่ disclose

• developer หลายคนใช้ Claude Code, Cursor, Gemini CLI ทำงาน — แต่ ไม่บอก manager หรือ client
• บริษัทมี “Shadow AI policy” ที่ห้ามอย่างเป็นทางการ — แต่ enforce ไม่ได้
• ผลลัพธ์: productivity เพิ่ม แต่ governance vacuum

Pattern C: “Agent demos that don’t ship”

• VC funding agent startup — มาก
• Demo เก่ง — มาก
• Production deployment ที่ run นานกว่า 6 เดือนอย่างมั่นคง — น้อยมาก
• “AI agent failure rate” ใน enterprise pilot สูงถึง 40-50% (Gartner 2026)

สำหรับ developer และ enterprise ไทย/SEA

ถ้าคุณเป็น developer:

• เริ่มเขียน agent ที่ portable across vendor (markdown subagent, MCP tool definition, OpenAI-compatible API)
• เน้น eval pipeline — ไม่ใช่แค่ deploy แล้วหวังดี — มี test suite ที่วัด accuracy + safety regression
• เรียน trust mechanism: provenance, watermark, audit log — กลายเป็น differentiator ที่ market

ถ้าคุณเป็น CTO/CIO ของ enterprise:

• ลงทุน agent ใน scoped use case ที่มี ROI ชัด ก่อน expand
• มี “agent registry” ภายในองค์กร — track ทุก agent ที่ deploy ใครเป็นเจ้าของ ทำอะไร access อะไร
• จับมือ legal team + privacy officer ตั้งแต่ design phase ไม่ใช่ตอน production

ถ้าคุณเป็น regulator/policy maker:

• อย่ารอกฎ “perfect” — ออก rule ที่ flexible (เช่น guideline + best practice) ก่อน hard regulation
• ดู California SB 1000 + EU Omnibus เป็น reference — แต่ อย่า copy 1:1 — บริบทตลาดไทย/SEA แตกต่าง
• focus บน provenance + disclosure เป็นเสาหลัก — ป้องกันการ scam ก่อน ไม่ใช่ห้ามนวัตกรรม

คำถามที่ผมยังไม่มีคำตอบ

1. เราจะรู้ได้อย่างไรว่า agent capability เกินมนุษย์แล้ว?

• benchmark ปัจจุบัน (HLE, MMLU, GPQA) ทดสอบใน setting ปิด — agent เก่งใน task เหล่านี้
• แต่ scientific discovery + creative work + judgment ในสถานการณ์ใหม่ → ยังไม่มี measurement
• ในเมื่อ Stanford AI Index ปี 2026 บอกว่ามนุษย์ยังเหนือ → ปี 2027, 2028 เราจะ revise rule of trust อย่างไร?

2. Trust framework ที่ scale ได้ — มาจากไหน?

• รัฐบาล (regulator) ตามไม่ทัน
• บริษัท (industry self-regulation) มี conflict of interest
• academic + civil society — มี independence แต่ไม่มี enforcement
• คำตอบที่เป็นไปได้: hybrid — แบบที่ FDA + clinical trial + IRB ทำในยา — แต่ AI ปรับตัวเร็วกว่ายาเป็น 100 เท่า

3. ตลาดไทย/SEA จะ converge กับ EU/US standard หรือ leapfrog?

• ถ้า PDPA + DPA ของไทยเลือกตาม EU Omnibus → benefit จาก ecosystem ที่ตาม EU ได้
• ถ้าเลือก leapfrog (เช่น Singapore IMDA model) → flexibility สูง แต่อาจ fragment
• การตัดสินใจในปี 2026-27 จะ shape adoption AI ของ ASEAN ไป 10 ปี

บทสรุป

ปี 2026 ไม่ใช่ ปีที่ AI agent กลายเป็น “magic” — แต่เป็นปีที่ infrastructure สำหรับ agent โตจนพอจะ build ของจริงได้ — และเป็นปีที่เราเห็นชัดว่า infrastructure + capability + trust ไม่ขนานกัน

สำหรับ developer ไทย: นี่คือช่วงเวลาดีที่จะเริ่ม — ไม่ใช่เพราะ agent perfect แต่เพราะ tool พร้อมและ market ยังเปิด — แต่ อย่าลืมว่า ลูกค้าที่จ่ายเงินจะเชื่อ agent เฉพาะใน scope แคบ — และ regulator กำลังเตรียม framework ที่จะมาในไม่ช้า

ปี 2027-28 จะเป็นปีที่ “trust mechanism” จะ catch up — provenance bypassable ลดลง, agent registry กลายเป็น regulatory requirement, accountability framework มีกรณีศาลอย่างน้อย 5-10 case — ตอนนั้นเราจะเข้า phase ใหม่: agent ที่เชื่อได้ ใน context ที่กว้างขึ้น

ระหว่างนี้ — build, but build with humility.

แหล่งข่าว

• IEEE Spectrum: Stanford’s AI Index for 2026 Shows the State of AI
• Nature: Human scientists trounce the best AI agents on complex tasks
• MIT Technology Review: 10 Things That Matter in AI Right Now
• LegiScan: California SB 1000 (2025-2026)