สอนใช้ Glean ฉบับสมบูรณ์: เปลี่ยนความรู้ที่กระจัดกระจายทั่วบริษัทให้ถามได้ด้วยประโยคเดียว

เช้าวันจันทร์เก้าโมงครึ่ง พนักงานใหม่ของบริษัทซอฟต์แวร์แห่งหนึ่งย่านธุรกิจในกรุงเทพเปิดคอมพิวเตอร์ อยากรู้ว่าเบิกเงินต้องใช้แบบฟอร์มเวอร์ชันไหน เขาถามเพื่อนที่นั่งข้างๆ ก่อน เพื่อนบอก "น่าจะอยู่ใน Google Drive มั้ง" ค้นยี่สิบนาทีไม่เจอ เปลี่ยนไปถามฝ่ายธุรการใน Slack ธุรการโยนลิงก์ Notion มาให้ คลิกเข้าไปดู วันที่แก้ไขล่าสุดคือปี 2023

ฉากนี้เกิดขึ้นวันละหลายร้อยครั้งในบริษัทต่างๆ ในไทย ความรู้ขององค์กรไม่ใช่ไม่มีอยู่ แต่กระจายอยู่ในหกระบบ ไม่มีใครรู้ว่าฉบับไหนยังใช้ได้ และ Glean ก็มุ่งมาที่เรื่องนี้เลย

Glean คืออะไร

Glean คือแพลตฟอร์มค้นหาและเอเจนต์ AI ระดับองค์กร มันไม่ได้บังคับให้คุณย้ายเอกสาร หรือเขียนคลังความรู้ใหม่ แต่ใช้คอนเนกเตอร์เพื่อทำดัชนีระบบเดิมของบริษัท (Google Drive, Slack, Confluence, Jira, Salesforce, GitHub ฯลฯ) สร้างกราฟความรู้ขององค์กรที่ทางการเรียกว่า Enterprise Graph แล้วให้พนักงานถามคำถามด้วยภาษาธรรมชาติโดยตรง

ความต่างที่ใหญ่ที่สุดจากการค้นหาทั่วไปมีสองอย่าง หนึ่งคือ "เข้าใจคุณ" ค้น "เป้าหมาย Q3" เหมือนกัน ฝ่ายขายกับวิศวกรจะเห็นผลลัพธ์ต่างกัน เพราะมันเข้าใจแผนก ตำแหน่ง และความสัมพันธ์ในการทำงานร่วมกันของคุณ สองคือ สิทธิ์มีผลทันที คุณค้นไม่เจอสิ่งที่คุณไม่มีสิทธิ์ดูอยู่แล้ว นี่คือเส้นตายของการนำมาใช้ในองค์กร และเป็นเหตุผลที่หลายบริษัทไม่กล้าโยนข้อมูลเข้า AI ทั่วไป

ทางการเปิดตัว Agent Development Lifecycle (ADLC) ในเดือนพฤษภาคม 2026 ทำให้ "องค์กรจะสร้าง กำกับ วัดผลเอเจนต์ AI ยังไง" กลายเป็นกรอบที่มีระเบียบวิธี นี่คือก้าวสำคัญของการวิวัฒน์จากเครื่องมือค้นหาสู่แพลตฟอร์มเอเจนต์

ทำอะไรได้บ้าง

จริงๆ แบ่งเป็นสามชั้น และแนะนำให้นำมาใช้ตามลำดับนี้:

• ค้นหา (Search): ประตูค้นหารวมข้ามระบบ แทนที่คำถาม "ตกลงต้องไปหาในระบบไหน"
• ผู้ช่วย (Assistant): ถามตอบแบบสนทนา ให้คำตอบแบบสังเคราะห์พร้อมแนบแหล่งอ้างอิง คลิกกลับไปยืนยันเอกสารต้นทางได้
• เอเจนต์ (Agents): เวิร์กโฟลว์อัตโนมัติ ทางการมี Agent Library เทมเพลตสำเร็จรูป (แบ่งตามแผนก ครอบคลุมวิศวกรรม HR การตลาด การขาย บริการลูกค้า IT) และมี Agent Builder ให้คุณใช้ภาษาธรรมชาติประกอบเอง แนวคิดแกนคือห้าองค์ประกอบ: เงื่อนไขทริกเกอร์ ขั้นตอน การกระทำ กระบวนการ และความจำ

ทางการเปิดเผยว่ามีคอนเนกเตอร์กว่า 100 ตัว และเลือกใช้โมเดลภาษาขนาดใหญ่ชั้นล่างต่างกันได้

ใช้ยังไง: หกขั้นตอนตั้งแต่ศูนย์

ขั้นที่หนึ่ง: สำรวจแหล่งข้อมูลของคุณ แต่อย่าเชื่อมทั้งหมด

ความผิดที่มือใหม่ทำบ่อยที่สุดคือ "มีอะไรเชื่อมหมด" คลื่นแรกแนะนำให้เชื่อมแค่สามถึงสี่ระบบหลักจริงๆ มักเป็นคลังเอกสาร (Google Drive หรือ SharePoint) การสื่อสาร (Slack หรือ Teams) โปรเจกต์ (Jira หรือ Notion) เชื่อมมากเกินไปจะจบด้วยการทำดัชนีขยะหมดอายุกองใหญ่ พนักงานถามครั้งเดียวได้คำตอบห่วย ก็จะไม่ใช้อีกเลย

ขั้นที่สอง: ตั้งค่าคอนเนกเตอร์และการแมปสิทธิ์

ให้ผู้ดูแลระบบ IT สร้างคอนเนกเตอร์ในหลังบ้าน ต้องมีการอนุญาตสิทธิ์ผู้ดูแลของแต่ละระบบ ขั้นนี้ที่สำคัญที่สุดไม่ใช่การเชื่อมสำเร็จ แต่คือยืนยันว่า การแมปสิทธิ์ถูกต้อง Glean ออกแบบให้เทียบสิทธิ์ทันทีในช่วงรันไทม์ แต่มีเงื่อนไขว่าสิทธิ์ในระบบต้นทางต้องสะอาด ถ้า Google Drive ของบริษัทคุณมีไฟล์แบบ "ใครมีลิงก์ก็ดูได้" กองใหญ่ ของพวกนั้นจะกลายเป็นที่ทั้งบริษัทค้นเจอ ก่อนนำมาใช้ต้องตรวจสุขภาพสิทธิ์สักครั้งก่อน

ขั้นที่สาม: รอทำดัชนีเสร็จ แล้วใช้เองสักหนึ่งสัปดาห์

การทำดัชนีใช้เวลา บริษัทที่ข้อมูลเยอะอาจต้องหลายวัน เสร็จแล้วอย่ารีบประกาศทั้งบริษัท ให้ IT กับกลุ่มผู้ใช้เมล็ดพันธุ์เล็กๆ ใช้สักสัปดาห์ก่อน ลองค้นสิบคำถามที่ "คุณรู้คำตอบที่ถูกต้อง" ตรวจว่าคำตอบที่มันให้ถูกไหม แหล่งอ้างอิงสมเหตุสมผลไหม

ขั้นที่สี่: เริ่มจากเทมเพลตสำเร็จรูปใน Agent Library

อย่าเพิ่งสร้าง Agent เองตั้งแต่แรก เลือกจากคลังเทมเพลตของทางการหนึ่งถึงสองตัวที่เกี่ยวกับแผนกคุณก่อน (เช่น "ค้นหาสเปกสินค้า" ของบริการลูกค้า "ตอบคำถามสวัสดิการพนักงาน" ของ HR) รันดูผล คุณค่าของเทมเพลตคือมันออกแบบเงื่อนไขทริกเกอร์และขั้นตอนให้คุณแล้ว คุณแค่ปรับแหล่งข้อมูล

ขั้นที่ห้า: ใช้ Agent Builder สร้างเอเจนต์แรกของตัวเอง

พอคุ้นแล้วค่อยใช้ภาษาธรรมชาติสร้างของตัวเอง แนะนำให้ Agent แรกเลือกงานที่ "ทำซ้ำ กติกาชัด ผิดพลาดต้นทุนต่ำ" เช่น "ทุกวันจันทร์รวบรวมปัญหาที่ถูกทำเครื่องหมายว่า blocker ใน Jira ทั้งหมดของสัปดาห์ที่แล้วแล้วสรุป" ในห้าองค์ประกอบแกน สิ่งที่มักถูกมองข้ามที่สุดคือ memory (ความจำ) มันกำหนดว่า Agent จำอะไรได้ในการโต้ตอบหลายรอบ ตั้งค่าไม่ดีจะทำให้บทสนทนาย้อนแย้งกันเอง

ขั้นที่หก: ดูข้อมูลการใช้งาน ตัดของที่ไม่มีใครใช้ทิ้ง

สามเดือนหลังนำมาใช้ ต้องดูข้อมูลแน่นอน: คิวรีไหนมากที่สุด คิวรีไหนตอบไม่ได้ Agent ตัวไหนไม่มีใครใช้เลย เครื่องมือ AI องค์กรมักตายเพราะ "ขึ้นระบบแล้วไม่มีใครกลับมาทบทวน" มากกว่าเพราะใช้ไม่ดี

เทคนิคขั้นสูง

เขียนคำถามที่ดีสำคัญกว่าที่คิด AI ทั่วไปคุณถามคลุมเครือได้ แต่ Glean ค้นบนข้อมูลของบริษัทคุณ แทนที่จะถาม "กลยุทธ์การตั้งราคาของเราคืออะไร" สู้ถาม "หลัง Q2 ปี 2026 สิทธิ์อนุมัติส่วนลดของแพ็กเกจองค์กรอยู่ที่ใคร" เวลา ตัวบุคคล และขอบเขตที่เจาะจงจะทำให้ผลลัพธ์แม่นขึ้นมาก

ใช้แหล่งอ้างอิงทำการตรวจสอบความรู้ เมื่อ Glean ให้คำตอบพร้อมแนบสามแหล่ง ถ้าสองในนั้นเป็นเอกสารเก่าปี 2023 แสดงว่าคลังความรู้ของคุณควรจัดระเบียบได้แล้ว จริงๆ นี่เป็นการใช้งานที่ถูกประเมินต่ำอย่างหนึ่งของ Glean มันเผยอย่างซื่อสัตย์ว่าการจัดการความรู้ของบริษัทคุณรกแค่ไหน

Agent ต้องตั้งขอบเขต "ไม่รู้ก็บอกว่าไม่รู้" ตอนสร้าง Agent สั่งให้ชัดว่าเมื่อข้อมูลไม่พอให้ตอบ "ไม่พบข้อมูลที่เกี่ยวข้อง โปรดติดต่อแผนกนั้นๆ" แทนที่จะมั่ว สิ่งนี้สำคัญกว่าการไล่ตามอัตราการตอบมาก

ข้อควรระวัง

• มันไม่ช่วยคุณจัดระเบียบความรู้ Glean คือชั้นค้นหา ไม่ใช่คลังความรู้ ถ้าบริษัทคุณไม่มีใครเขียนเอกสารเลย สิ่งที่ Glean ค้นออกมาจะเป็นแค่เศษบทสนทนา Slack กองหนึ่ง ถ้าต้องการการจัดระเบียบความรู้ เครื่องมือคลังความรู้ที่มีกลไกตรวจสอบอย่าง Guru ถึงจะตรงประเด็น ทั้งสองมักอยู่คู่กัน
• ต้องตรวจสุขภาพสิทธิ์ให้จบก่อน ข้อนี้คุ้มค่าพูดอีกครั้ง หลังนำ Glean มาใช้ ไฟล์อ่อนไหวที่แต่เดิม "ซ่อนอยู่ลึกในโฟลเดอร์จนไม่มีใครเห็น" จะกลายเป็นค้นง่ายทันที ความปลอดภัยไม่ได้แย่ลง แต่ การมองเห็น เพิ่มขึ้นมาก สองเรื่องนี้ต้องแยกให้ออก
• ต้นทุนไม่ต่ำ และเป็นการจัดซื้อระดับองค์กร ทางการไม่เปิดราคาแบบบริการตัวเอง ต้องผ่านกระบวนการขาย ทีมขนาดเล็กและกลางต้องประเมินความคุ้มค่าตามขนาดก่อน
• คุณภาพการค้นหาเนื้อหาภาษาไทยต้องทดสอบจริงก่อน เอกสารภายในของบริษัทในไทยส่วนใหญ่เป็นภาษาไทย ปนศัพท์เทคนิคภาษาอังกฤษ การผสมแบบนี้ผลการค้นคืนต่างจากสภาพแวดล้อมอังกฤษล้วน ในช่วง POC ต้องใช้เอกสารภาษาไทยจริงทดสอบ อย่าดู demo ภาษาอังกฤษแล้วเซ็นสัญญา

สามหลุมที่พบบ่อยเมื่อองค์กรในไทยนำมาใช้

หนึ่ง คิดว่าซื้อเครื่องมือแล้วแก้การจัดการความรู้ได้ เครื่องมือแก้เรื่อง "ค้นเจอ" แก้เรื่อง "ไม่มีใครเขียน" ไม่ได้

สอง ไม่กำหนด owner Glean ต้องมีคนดูข้อมูลต่อเนื่อง ปรับคอนเนกเตอร์ ดูแล Agent เรื่องนี้ถ้าไม่เขียนเข้า KPI ของใคร ครึ่งปีก็ไม่มีใครดูแล

สาม ข้ามการตรวจสุขภาพสิทธิ์ กรณีที่ผมเห็นว่าน่าอึดอัดที่สุดคือ สัปดาห์ที่สองหลังนำมาใช้ พนักงานค้นเจอไฟล์ช่วงเงินเดือนที่ไม่ควรเห็น ไฟล์นั้นตั้งสิทธิ์ผิดอยู่แล้ว แค่แต่ก่อนไม่มีใครค้นเจอเท่านั้น

อยากวางแผนเวิร์กโฟลว์คู่กับเครื่องมืออื่น ดูได้ที่ เทมเพลตพรอมป์ต์ และ สถานการณ์งาน บนเว็บ

บทวิจารณ์จาก TheAI Academy

ผมเลือกมากกับเครื่องมือ AI องค์กรมาตลอด เพราะผลิตภัณฑ์ประเภทนี้ demo สวยหมด ขึ้นระบบเจ๊งหมด สิ่งที่ทำให้ผมรู้สึกว่า Glean หนักแน่นกว่าคือตำแหน่งของมันซื่อสัตย์มาก มันไม่แกล้งทำเป็นว่าแทนที่การจัดการความรู้ได้ พูดแค่ "ฉันช่วยคุณให้ค้นเจอ" ความยับยั้งชั่งใจนี้กลับทำให้มันยืนได้จริงในทางปฏิบัติ

แต่พูดตรงๆ คุณค่าของมันขึ้นอยู่กับคุณภาพข้อมูลของบริษัทคุณอย่างสูง ระบบชุดเดียวกันติดตั้งในบริษัทที่ขยันเขียนเอกสารกับติดตั้งในบริษัทที่บอกทุกอย่างด้วยปากเปล่า ผลลัพธ์จะต่างกันฟ้ากับเหว

บทวิจารณ์: Glean เป็นชั้นค้นหาที่ดีมาก แต่สิ่งที่มันฉายออกมาคือสภาพจริงของการจัดการความรู้ของบริษัทคุณ ข้อมูลห่วย คำตอบก็ห่วย

คำแนะนำเชิงรูปธรรมสำหรับผู้อ่าน: ก่อนนำมาใช้ให้ตรวจสุขภาพสิทธิ์สักครั้ง และกำหนดผู้รับผิดชอบชัดเจนหนึ่งคน ถ้าบริษัทคุณขนาดต่ำกว่า 50 คน หรือเอกสารภายในน้อยอยู่แล้ว อย่าเพิ่งรีบดู Glean ใช้ทางเลือกเบาๆ อย่าง Notion AI ให้ดีอาจคุ้มกว่า ถ้าจะนำมาใช้จริง ในช่วง POC ต้องทดสอบด้วยเอกสารภาษาไทยจริง อย่าถูกความลื่นไหลของ demo ภาษาอังกฤษโน้มน้าว

แหล่งข้อมูล

• เว็บไซต์ทางการ Glean
• ข่าวประชาสัมพันธ์ทางการ Glean: Enterprise Agent Development Lifecycle
• คู่มือทางการ Glean Agents

เรียบเรียงจากข้อมูลสาธารณะ ยึดตามทางการเป็นหลัก