เปลี่ยน AI ให้ทำงานแทนคุณ: เทียบชัดๆ RAG, AI Workflow และ Agentic AI แบบไหนคุ้ม ROI ที่สุด?
"AI ของเราตอบคำถามเก่งมาก... แต่ทำไมท้ายที่สุด ก็ยังต้องใช้คนไปตามเก็บงานอยู่ดี?"
นี่คือความท้าทายที่เจ้าของธุรกิจและผู้บริหารหลายองค์กรกำลังเผชิญ เมื่อเริ่มต้นใช้งาน AI แชทบอทหรือระบบดึงข้อมูลองค์กร (RAG) ขั้นพื้นฐาน เพราะในโลกของการทำงานจริง การที่ AI สามารถ "ให้ข้อมูลที่ถูกต้อง" ไม่ได้แปลว่ามันสามารถ "ลงมือทำงาน" หรือปิดกระบวนการทางธุรกิจ (End-to-End Process) แทนพนักงานได้
เมื่อความต้องการขยับจากการแค่ 'ถาม-ตอบ' ไปสู่ระบบอัตโนมัติที่ช่วยลดภาระงาน สปอตไลต์จึงส่องไปที่สถาปัตยกรรมระดับสูงอย่าง Agentic AI ซึ่งเปรียบเสมือนสมองกลที่สามารถคิด วางแผน และตัดสินใจแทนมนุษย์ได้
แต่เดี๋ยวก่อน เหรียญย่อมมีสองด้าน... ไม่ใช่ทุกกระบวนการธุรกิจจะพร้อมและเหมาะสมกับ Agentic AI เสมอไป ยิ่ง AI มีความเป็นอิสระในการตัดสินใจมากเท่าไหร่ สิ่งที่ตามมาคือ ต้นทุนการประมวลผลที่คาดเดายาก (Compute/API Costs), ความเสี่ยงจากข้อมูลคลาดเคลื่อน (Hallucination), และที่สำคัญที่สุดคือ ความท้าทายด้านความปลอดภัยและการกำกับดูแลข้อมูล (Data Governance)
หัวใจสำคัญของการสร้าง ROI จึงไม่ใช่การทุ่มงบไปกับการสร้างหรือพัฒนาเทคโนโลยีที่ล้ำสมัยที่สุด แต่คือการวาง "สถาปัตยกรรม AI (AI Architecture)" ให้พอดีกับโครงการ เปลี่ยนสถานะจากแค่การทดลองใช้ AI (AI Experimentation) สู่ระบบปฏิบัติการที่พร้อมทำงานแทนมนุษย์ได้จริง ปลอดภัย ตรวจสอบได้ และต้องรองรับการขยายผลต่อได้อย่างแท้จริง
ทำความเข้าใจ 3 สถาปัตยกรรม AI ด่านหน้าของธุรกิจ
RAG (Retrieval-Augmented Generation): "ผู้ช่วยค้นหาข้อมูลผู้แม่นยำ"
RAG คือสถาปัตยกรรมที่นำสมองกลของ AI (LLM) มาเชื่อมต่อกับ "ฐานความรู้เฉพาะขององค์กร" (Knowledge Base) เช่น คู่มือสินค้า, นโยบายบริษัท, หรือเงื่อนไขการให้บริการ
ระบบจะทำหน้าที่ดึงข้อมูลที่ถูกต้องมาเป็นบริบท (Context) บังคับให้ AI ตอบคำถามจากความจริงที่องค์กรกำหนดไว้เท่านั้น กระบวนการนี้เปรียบเสมือนการสร้าง "รั้วกั้น" (Guardrails) เพื่อขจัดปัญหา AI เดาคำตอบหรือสร้างข้อมูลเท็จ (Hallucination) อย่างเด็ดขาด
จุดเด่น (Strengths):
- ความแม่นยำสูงและเชื่อถือได้: AI ตอบตรงคำถาม ไม่ออกนอกเรื่อง และอ้างอิงข้อมูลของแบรนด์ 100%
- ปลอดภัยระดับ Enterprise: ประมวลผลเฉพาะข้อมูลที่ได้รับอนุญาตภายในองค์กร ไม่เสี่ยงต่อการรั่วไหลของข้อมูลความลับ
- ควบคุมงบประมาณได้: ใช้เวลาพัฒนารวดเร็ว และมีต้นทุนการเรียกใช้ API ที่ต่ำและคาดการณ์ได้ง่าย
ข้อจำกัดที่ควรทราบ (The Limitations):
RAG เก่งเรื่อง "การให้ข้อมูล" แต่ไม่สามารถ "ลงมือปฏิบัติ" ได้ หากผู้ใช้งานต้องการให้เกิดแอ็กชัน (เช่น แจ้งขอเปลี่ยนแพ็กเกจ, จองคิว หรือตรวจสอบสต็อกเพื่อตัดยอด) RAG จะทำได้แค่บอกเงื่อนไขและขั้นตอน แต่ไม่สามารถเชื่อมต่อระบบหลังบ้านเพื่อปิดงาน (End-to-End Process) แทนมนุษย์ได้
AI Workflow (Deterministic Automation): ระบบทำงานอัตโนมัติตามลำดับขั้นตอน ในฐานะ The Process Executor
นี่คือสถาปัตยกรรมที่เข้ามายกระดับ AI จากแค่การสื่อสาร มาสู่การ "ลงมือทำงาน" (Execution) โดยนำความฉลาดของ AI เข้าไปฝังในกระบวนการทำงาน ที่มีเงื่อนไขและขั้นตอนชัดเจนแบบ Step-by-Step
ระบบจะมอบหมายให้ AI ทำหน้าที่วิเคราะห์ข้อมูลเฉพาะจุด (เช่น การแยกแยะเจตนาของลูกค้าจากข้อความ หรือการดึงข้อมูลสำคัญจากเอกสาร) เมื่อ AI วิเคราะห์เสร็จสิ้น จะส่งคำสั่งไปยังระบบหลังบ้าน (API, CRM หรือ ERP) เพื่อดำเนินการทำงานต่อโดยอัตโนมัติจนจบกระบวนการ
จุดเด่น (Strengths & Best Fit):
- คาดเดาผลลัพธ์ได้และแม่นยำสูง: ระบบจะทำงานตามตรรกะ (Business Logic) ที่องค์กรกำหนดไว้ 100% หมดปัญหา AI คิดเองหรือตัดสินใจนอกเหนือคำสั่ง
- ปิดงานอัตโนมัติ: เหมาะอย่างยิ่งกับกระบวนการที่ต้องทำซ้ำเป็นประจำและมีขั้นตอนตายตัว เช่น การคัดกรองและจัดเกรดลูกค้า (Lead Scoring), การตรวจสอบสลิปโอนเงิน, หรือการดึงข้อมูลเพื่อเปิด Ticket แจ้งซ่อม
- โปร่งใสและตรวจสอบได้: ทุกการกระทำถูกบันทึกตามเส้นทางที่กำหนดไว้ จึงสามารถตรวจสอบย้อนหลังได้ง่าย ตอบโจทย์มาตรฐานความปลอดภัยระดับ Enterprise
สิ่งที่ควรคำนึง (The Limitations):
ขาดความยืดหยุ่นในสถานการณ์ใหม่: หาก AI เผชิญกับคำขอที่ซับซ้อน หรือเหตุการณ์ที่อยู่นอกเหนือจาก Workflow ที่ออกแบบไว้ (Edge Cases) ระบบจะไม่สามารถคิดหาวิธีแก้ปัญหาเองได้
ต้องพึ่งพามนุษย์ในจุดวิกฤต: สถาปัตยกรรมนี้ยังจำเป็นต้องอาศัยการออกแบบระบบแบบ Human-in-the-Loop เพื่อให้พนักงานเข้ามาช่วยรับไม้ต่อและตัดสินใจในกรณีที่ระบบทำงานนอกเหนือขอบเขตที่ตั้งไว้
Agentic AI (Goal-Driven Autonomy): สมองกลผู้จัดการที่คิด วางแผน และประสานงานอิสระ
ในขณะที่ AI Workflow ทำงานตามสคริปต์ที่มนุษย์เขียนไว้ Agentic AI จะขยับขีดความสามารถไปอีกขั้น โดยทำงานโดยยึด "เป้าหมาย" เป็นศูนย์กลาง ระบบไม่ต้องรอรับคำสั่งทีละขั้นตอน แต่มีอิสระในการวิเคราะห์โจทย์ วางแผน (Planning) เลือกใช้เครื่องมือ และแก้ไขปัญหาเฉพาะหน้า (Self-Correction) ด้วยตัวเองจนกว่าจะบรรลุเป้าหมาย
ความพิเศษของสถาปัตยกรรมนี้คือการมีความเข้าใจ บริบทเชิงลึก (Contextual Awareness) เมื่อเผชิญกับโจทย์ที่ซับซ้อน Agentic AI จะสามารถแตกงานใหญ่เป็นงานย่อย และรู้ได้ทันทีว่า ควรต้องสื่อสารและส่งต่อข้อมูลให้กับ AI ตัวใด (Multi-Agent System) หรือระบบไหน เพื่อจุดประสงค์อะไร เช่น เมื่อลูกค้าขอเปลี่ยนสินค้า Agentic AI จะรู้บริบททันทีว่าต้องไปคุยกับ AI ฝ่ายคลังเพื่อเช็กสต็อก จากนั้นไปสั่งงาน API ฝ่ายบัญชีเพื่ออัปเดตยอด และกลับมาแจ้งลูกค้าให้ทราบในลูปเดียว
จุดเด่น (Strengths & Best Fit):
- จัดการความซับซ้อนแบบข้ามระบบ: เหมาะกับงานที่ต้องใช้การตัดสินใจหลายทิศทาง เชื่อมต่อหลายแพลตฟอร์ม และไม่สามารถเขียนกฎ If-Else ตายตัวครอบคลุมได้ทั้งหมด
- ความยืดหยุ่นสูง: หากข้อมูลไม่ครบ หรือระบบใดระบบหนึ่งที่เชื่อมต่ออยู่เกิดขัดข้อง Agentic AI จะพยายามคิดหาวิธีอื่นหรือเรียกใช้เครื่องมือสำรองเพื่อทำงานให้จบกระบวนการ
สิ่งที่ต้องควบคุมและการกำกับดูแล (Considerations & Governance):
ต้นทุนและเวลาที่เพิ่มขึ้น: การปล่อยให้ AI คิดวิเคราะห์และเรียกใช้ API วนลูปเพื่อแก้ปัญหา ย่อมใช้เวลาประมวลผลนานกว่าและมีต้นทุนการใช้ Token ที่สูงกว่าสถาปัตยกรรมอื่น
ต้องการ AI Governance อย่างเคร่งครัด: ยิ่งระบบมีความอัตโนมัติสูง องค์กรยิ่งต้องวางกรอบควบคุม (Guardrails) ที่แน่นหนา และในกระบวนการทำงานที่ส่งผลกระทบสำคัญต่อธุรกิจ จำเป็นอย่างยิ่งที่จะต้องออกแบบระบบให้มี Human-in-the-Loop เพื่อให้มนุษย์เป็นผู้ตัดสินใจหรืออนุมัติขั้นสุดท้าย ป้องกันความเสี่ยงและสร้างความมั่นใจระดับ Enterprise
จากประสบการณ์ที่ GURUSeed ได้เข้าไปพัฒนาระบบ AI ให้กับหลายองค์กร เราพบความจริงข้อหนึ่งว่า...
"ปัญหาที่ทำให้ปิดยอดไม่ได้ มักไม่ได้เกิดจากการที่ AI ตอบผิด แต่เกิดจากการที่ AI ตอบถูกแล้ว... แต่ไม่มีใครมารับไม้ต่อ"
ลองนึกภาพตามนะครับ ลูกค้าทักมาตอนเที่ยงคืน AI ตอบข้อมูลเป๊ะมาก ลูกค้าพร้อมโอน แต่ AI ปิดการขายไม่เป็น สุดท้ายลูกค้าก็หายไปในตอนเช้า
นี่คือตัวอย่างเหตุการณ์จริง ที่ชี้ให้เห็นว่าการเลือก AI Architecture ให้ถูกจุด จะเปลี่ยนสถานการณ์นี้ได้อย่างไร:
Case Study 1: "ทิ้งตะกร้า แต่ไม่ทิ้งโอกาส" ด้วย AI Workflow
คุณสมชาย สนใจแพ็กเกจทัวร์ญี่ปุ่น 5 วัน 4 คืน เขาเลือกวันเดินทางและกดใส่ตะกร้าเรียบร้อยแล้ว แต่ระหว่างที่กำลังจะควักบัตรเครดิตมากรอก มีสายโทรศัพท์ด่วนเข้ามากระทันหัน คุณสมชายจึงพับหน้าจอไปและลืมทำรายการต่อ
แบรนด์อาจจะยิงโฆษณา Retargeting ตามหลอกหลอนในวันถัดไป ซึ่งเสียเงิน และอาจจะช้าเกินไป
แทนที่จะรอ ธุรกิจเซ็ตระบบ AI Workflow (If-Else Logic) เข้ามาจัดการปัญหา "รถเข็นร้าง (Abandoned Cart)" แบบเรียลไทม์
Step 1 (Detect): ผ่านไป 1 ชั่วโมง ระบบจับได้ว่าสถานะของคุณสมชายคือ "ค้างชำระ"
Step 2 (Analyze API): AI Workflow วิ่งไปเช็กหลังบ้านทันที และพบเงื่อนไขสำคัญคือ "ทริปรอบที่คุณสมชายเล็งไว้ เหลือแค่ 3 ที่นั่งสุดท้าย!"
Step 3 (Execute Action): แทนที่จะส่งข้อความทื่อๆ ระบบดึงไฮไลต์ทริปมาประกอบความเร่งด่วน แล้วยิง LINE Push Notification หาคุณสมชายโดยอัตโนมัติ
สิ่งที่คุณสมชายได้รับบน LINE: "⏳ คุณสมชายครับ แพ็กเกจทัวร์ญี่ปุ่น ชมฟูจิ+บุฟเฟต์ขาปูยักษ์ ที่คุณสนใจ ตอนนี้เหลือเพียง 3 ที่นั่งสุดท้ายแล้วนะครับ! ระบบยังคงล็อกที่นั่งไว้ให้คุณสมชายอีก 30 นาที 👉 คลิกยืนยันการจองที่นี่ได้เลยครับ"
Case Study 2: เปลี่ยนคำถามจุกจิก เป็นยอดขายด้วย RAG + Workflow
แอดมินเพจต้องรับบทหนักกับคำถามเชิงลึก เช่น "พี่ผิวแพ้ง่าย ใช้ตัวที่มี Active Ingredient ตัวนี้ได้ไหม?", "แพ้แอลกอฮอล์ จัดเซ็ตให้หน่อย" แอดมินต้องเปิดไฟล์ Excel หารายละเอียดส่วนผสม สลับกับหารีวิวส่งให้ลูกค้าดู เฉลี่ยแล้วใช้เวลาคุย 15-20 นาทีต่อ 1 แชท (กินเวลาทำงานไปกว่า 60%)
ธุรกิจรู้ว่าถ้าให้ AI เดาคำตอบเรื่องส่วนผสม อาจโดนลูกค้าฟ้องได้ จึงใช้ RAG (Knowledge Base) เป็นฐานความรู้หลัก ผสมกับ AI Workflow เพื่อปิดการขาย
หน้าที่ของ RAG: เมื่อลูกค้าถาม AI จะดึงข้อมูลจากเอกสารผลิตภัณฑ์ (Product Catalog) ของแบรนด์เท่านั้น มาวิเคราะห์สภาพผิว และแนะนำส่วนผสมที่ตรงจุดแบบไม่มั่ว
หน้าที่ของ Workflow: ทันทีที่ RAG จัด Skincare Routine ให้เสร็จ AI Workflow จะรับช่วงต่อด้วยการสรุปรีวิว (Review Summary) และดึงลิงก์สินค้าทั้งเซ็ต (Cross-Selling Bundle) ส่งเป็นตะกร้าให้ลูกค้ากดจ่ายเงินได้ในคลิกเดียว
Case Study 3: การรับมือเคสคอมเพลนที่ซับซ้อน ด้วย Agentic AI
ลูกค้าทักมาด้วยความหงุดหงิด "สั่งของไปตั้งแต่วันจันทร์ ทำไมป่านนี้ยังไม่ได้! จะขอคืนเงิน!" ถ้าเป็นบอททั่วไปจะทำได้แค่ตอบว่า "ขออภัยค่ะ แอดมินจะรีบตรวจสอบให้" ซึ่งยิ่งทำให้ลูกค้าหัวเสีย
ด้วยสถาปัตยกรรมที่ยึด "เป้าหมาย (รักษาลูกค้าและแก้ปัญหา)" เป็นหลัก Agentic AI จะทำงานแบบอิสระข้ามระบบทันที
Plan & Tool Use: AI ประเมินอารมณ์ลูกค้า (Sentiment) ว่ากำลังโกรธ จึงตัดสินใจวิ่งไปเช็ก API ของบริษัทขนส่ง (พบว่าพัสดุติดน้ำท่วม) จากนั้นวิ่งไปเช็กนโยบายเยียวยา (RAG)
Execute & Self-Correct: แทนที่จะบอกแค่รหัสพัสดุ AI เลือกที่จะเจรจาตอบกลับไปว่า "ระบบตรวจสอบพบว่าสินค้าล่าช้าเนื่องจากอุทกภัยในพื้นที่ของคุณลูกค้า ทางเราต้องขออภัยอย่างสูง เพื่อเป็นการชดเชย ระบบได้แนบคูปองส่วนลด 15% สำหรับการซื้อครั้งถัดไป และจะเร่งติดตามสถานะให้ทุกวันค่ะ หากลูกค้ายืนยันต้องการคืนเงิน สามารถกดปุ่มด้านล่างได้เลยค่ะ"
บทสรุปสำหรับผู้บริหาร
คุณจะเห็นว่า องค์กรที่ได้ ROI สูงสุด ไม่ใช่องค์กรที่ดันทุรังใช้เทคโนโลยีที่แพงที่สุด (Agentic AI) กับทุกเรื่อง แต่คือองค์กรที่เข้าใจว่าบริบทไหนควรใช้ RAG (ตอบให้แม่น) บริบทไหนควรใช้ Workflow (ตามปิดยอดขาย) และบริบทไหนควรเปิดทางให้ Agentic AI (แก้ปัญหาซับซ้อน) เข้ามาจัดการ
การวางสถาปัตยกรรม AI สำหรับธุรกิจในโลกยุคใหม่
"หัวใจสำคัญ... ไม่ใช่การแข่งขันว่าใครใช้เทคโนโลยีที่ 'ล้ำสมัย' ที่สุด แต่คือการเลือกสถาปัตยกรรมที่ 'แก้ปัญหาและสร้างกำไร (ROI)' ได้ตรงจุดที่สุด"
เพื่อสรุปแผนผังการลงทุน AI ให้คุ้มค่าทุกเม็ดเงิน:
เริ่มที่ความถูกต้องแม่นยำ:
หากปัญหาหลักคือบอทตอบคำถามผิด หรือเสี่ยงให้ข้อมูลมั่ว (Hallucination) ให้เริ่มต้นปูพื้นฐานด้วย RAG เพื่อสร้างรั้วความรู้ที่ปลอดภัยและดึงเฉพาะข้อมูลของแบรนด์มาใช้งาน
ติดปีกธุรกิจด้วยระบบอัตโนมัติ:
หากคุณต้องการเปลี่ยนบอทจาก "คนให้ข้อมูล" เป็น "พนักงานขาย" ที่ช่วยคัดกรอง Lead, ประสานงานแอดมิน, หรือปิดการขายตามเงื่อนไข การผสาน AI Workflow เข้ากับ RAG (Hybrid Intelligence) คือจุดสวีทสปอตที่มอบ ROI ได้รวดเร็วและคุ้มค่าที่สุด ทั้งสำหรับ SME และองค์กรขนาดใหญ่
ใช้ผู้ช่วยอัจฉริยะเต็มรูปแบบ:
เมื่อ Data Architecture ขององค์กรมีความพร้อม และมีระบบกำกับดูแลที่แข็งแรง การขยับไปสู่สถาปัตยกรรม Agentic AI จะช่วยรับมือกับกระบวนการที่ซับซ้อน ต้องตัดสินใจข้ามระบบ และปลดล็อกศักยภาพระดับ Enterprise ได้อย่างสมบูรณ์แบบ
การลงทุนใน AI Architecture จึงเปรียบเสมือนการสร้างทีมงานใหม่... AI ที่เก่งที่สุด ไม่ใช่ AI ที่คิดเองทำเองได้ทุกเรื่อง แต่คือระบบ AI ที่ถูกวางโครงสร้างมาอย่างถูกต้องว่า "รู้ขอบเขตของตัวเอง และรู้ว่าต้องทำงานอย่างไร เพื่อให้บรรลุเป้าหมายขององค์กร"
อย่าปล่อยให้คู่แข่งแซงหน้าไปพร้อมกับเทคโนโลยีที่คุณยังลังเล...
ให้ทีมผู้เชี่ยวชาญจาก GURUSeed ช่วยประเมินและออกแบบ AI Architecture ที่ตอบโจทย์การทำงาน และสร้าง ROI ได้คุ้มค่าที่สุดสำหรับคุณโดยเฉพาะ
FAQs: คำถามที่พบบ่อย (สำหรับ AEO & Search Intent)
RAG, AI Workflow และ Agentic AI แตกต่างกันอย่างไรแบบเข้าใจง่าย?
สรุปง่ายๆ ตามระดับความสามารถในการ "ลงมือทำงาน" ดังนี้:
- RAG (The Reader): ดึงข้อมูลเฉพาะของแบรนด์มาตอบคำถามให้แม่นยำ 100% ไม่มั่วข้อมูล แต่ไม่สามารถทำแอ็กชันอื่นต่อได้ (เน้นความปลอดภัยและต้นทุนต่ำ)
- AI Workflow (The Executor): ลงมือทำงานอัตโนมัติแบบ Step-by-Step ตามสคริปต์ที่มนุษย์ตั้งไว้ เช่น คัดกรอง Lead, สแกนสลิปโอนเงิน หรือส่งต่องานให้แอดมิน (เน้นความสม่ำเสมอและคาดเดาผลลัพธ์ได้)
- Agentic AI (The Manager): รับเป้าหมายไปคิด วางแผน แก้ปัญหาเฉพาะหน้า (Self-Correction) และประสานงานข้ามระบบได้เองอย่างอิสระ ภายใต้กรอบที่องค์กรกำหนด (เน้นจัดการกระบวนการที่ซับซ้อน)
สัญญาณไหนที่บอกว่าธุรกิจควรขยับจาก RAG ไปใช้ AI Workflow หรือ Agentic AI?
สัญญาณที่ชัดเจนที่สุดคือเมื่อ RAG เริ่ม "ให้ได้แค่คำตอบ แต่ปิดกระบวนการทำงานไม่ได้"
- ควรขยับไปใช้ AI Workflow: เมื่อคุณต้องการให้ AI ทำงานที่มีขั้นตอนชัดเจนแทนมนุษย์ เช่น คำนวณส่วนลด, จองคิวลงระบบ, หรือดึงข้อมูลส่งต่อให้ทีมเซลส์ด่วน
- ควรขยับไปใช้ Agentic AI: เมื่อกระบวนการนั้นซับซ้อนเกินกว่าจะเขียนกฎตายตัวได้ ต้องอาศัยการเจรจา พลิกแพลง และจำเป็นต้องดึงข้อมูลข้ามหลายแพลตฟอร์มเพื่อแก้ปัญหาให้จบในลูปเดียว
ทำไม Agentic AI ถึงมีค่าใช้จ่าย (Cost) สูงกว่าสถาปัตยกรรมอื่น?
ธุรกิจขนาดเล็ก (SME) ควรเริ่มต้นเลือกใช้ AI สถาปัตยกรรมไหนก่อน?
สำหรับธุรกิจ SME หรือองค์กรที่เพิ่งเริ่มต้น แนะนำให้ใช้สถาปัตยกรรมแบบผสมผสาน (Hybrid Intelligence: RAG + AI Workflow) เนื่องจากเห็นผลตอบแทน (ROI) ชัดเจนและควบคุมงบประมาณได้ง่าย
- ใช้ RAG เพื่อดูแลลูกค้าและตอบคำถามจากฐานข้อมูลอย่างแม่นยำ
- ใช้ AI Workflow เป็นผู้ช่วยจัดการงานหลังบ้าน เช่น แจ้งเตือนแอดมินเมื่อเจอลูกค้า VIP หรือยิงข้อความกระตุ้นยอดขาย
แนวทางนี้จะช่วยอุดรอยรั่วทางธุรกิจได้ทันที พร้อมสร้างรากฐานข้อมูลที่ได้มาตรฐาน ก่อนจะขยายขีดความสามารถ (Scale) ไปสู่ Agentic AI อย่างเต็มรูปแบบในอนาคต