Skip to main content
AI & Technology

เมื่อ AI อ่าน ERP ได้ ต้องตกลงให้ชัดว่าตัวเลขนั้นหมายถึงอะไร

AI อ่านข้อมูลจาก ERP ได้ผ่าน API และเครื่องมือที่เชื่อมด้วย MCP แต่ยอดคงคลังยังไม่ใช่คำรับรองวันส่ง ตอนที่ 2 ชวนกำหนดความหมายของข้อมูล สิทธิ์ และการอนุมัติก่อนให้ AI ทำรายการ

26 ต.ค. 20266 นาทีModel Context Protocol
Agentic AIERPAPIMCPEnterprise AI
ภาพสมมติสร้างด้วย AI แสดงคนสองคนตรวจใบหยิบสินค้าและแท็บเล็ตในคลังอุปกรณ์ไฟฟ้า
ภาพสมมติสร้างด้วย AI สำหรับบทความนี้ ไม่ใช่ภาพลูกค้าหรือทีมงานจริง และไม่ใช่หน้าจอหรือผลการทำงานของผลิตภัณฑ์

พนักงานขายถาม AI ว่า "สินค้ารุ่นนี้มีพอส่งวันศุกร์ไหม" AI อ่าน ERP แล้วตอบว่ามี 120 ชิ้น คำตอบดูชัดเจน แต่ถ้า 80 ชิ้นถูกจองให้คำสั่งซื้ออื่น และอีก 20 ชิ้นที่ไม่ได้อยู่ในยอดจองกำลังรอตรวจรับ พนักงานขายยังรับปากลูกค้าไม่ได้

ปัญหานี้เกิดขึ้นได้แม้การเชื่อมต่อจะทำงานถูกต้องทุกขั้น ระบบส่งตัวเลขที่ขอมาแล้ว แต่คำถามของคนกับความหมายของตัวเลขยังไม่ตรงกัน

ตอนแรกของชุดนี้ แยกโปรโตคอล มาตรฐาน และโอเพนซอร์ส เพื่อถามว่างานที่บริษัทลงทุนไว้จะย้ายตามไปได้แค่ไหน ตอนนี้เราจะตามคำถามเรื่องสินค้าพร้อมส่งลงไปถึงจุดเชื่อม ERP ว่า AI อ่านข้อมูลอะไร ผ่านทางไหน และอ่านแล้วมีสิทธิ์ทำอะไรต่อ เจ้าของธุรกิจไม่จำเป็นต้องเขียน API เอง แต่ควรตัดสินใจเรื่องเหล่านี้ร่วมกับคนขาย คลังสินค้า และทีมระบบก่อนเริ่มทดลอง

API เปิดทางให้เรียกข้อมูล ส่วนเครื่องมือกำหนดสิ่งที่ AI เรียกใช้

ในโครงการเชื่อม ERP ทีมอาจใช้ API ของระบบเดิมเป็นทางอ่านข้อมูลหรือส่งคำสั่ง แล้วสร้างเครื่องมือให้ AI เรียกใช้อีกชั้นหนึ่ง เช่น เครื่องมือค้นหาสินค้า หรือเครื่องมือตรวจจำนวนที่พร้อมจัดสรร ชื่อเครื่องมือ ข้อมูลที่ต้องส่งเข้า และผลลัพธ์ที่ส่งกลับจึงมีผลต่อสิ่งที่ AI จะเข้าใจ

Model Context Protocol หรือ MCP เป็นทางเลือกสำหรับจัดรูปแบบการเชื่อมเครื่องมือกับแอปพลิเคชัน AI เอกสารของโครงการอธิบายว่าเซิร์ฟเวอร์สามารถเปิดเครื่องมือที่มีชื่อและคำอธิบายโครงสร้างข้อมูลให้โมเดลเรียกใช้ เพื่อทำงานกับระบบภายนอก เช่น เรียก API หรือค้นฐานข้อมูลได้ ข้อกำหนด MCP เรื่อง Tools

สำหรับผู้ใช้ ผลที่ต้องการอาจเป็นเพียง "ถามจำนวนสินค้าพร้อมส่งแล้วได้คำตอบที่ตรวจสอบได้" ส่วนทีมเทคนิคต้องเลือกว่าจะเรียก API โดยตรงผ่านเครื่องมือของแอปพลิเคชัน หรือเพิ่ม MCP เพื่อรองรับแอปพลิเคชันและเครื่องมือที่ต้องใช้ร่วมกัน ทางเลือกนี้ควรตามงานและระบบที่มีอยู่ หากมีแอปพลิเคชันเดียวและ API ที่ชัดเจนอยู่แล้ว ก็ควรประเมินต้นทุนดูแลส่วนเชื่อมต่อเพิ่มก่อน

MCP กำหนดวิธีแลกเปลี่ยนบริบท แต่ไม่ได้กำหนดว่าแอปพลิเคชันต้องใช้โมเดลหรือตีความบริบทอย่างไร สถาปัตยกรรม MCP ดังนั้นการเชื่อมสำเร็จจึงยังต้องตามด้วยการตรวจว่าคำตอบตรงกับกติกาของกิจการหรือไม่

ก่อนสร้างเครื่องมือ ให้เขียนคำถามที่คนทำงานต้องตอบ

ลองเริ่มจากคำถามที่ฝ่ายขายใช้จริงหนึ่งข้อ แล้วให้ผู้ดูแลคลังอธิบายว่าเขาต้องดูอะไรบ้างก่อนตอบ "ส่งได้" บางบริษัทต้องหักยอดจอง บางบริษัทต้องดูคลังที่รับผิดชอบลูกค้า บางแห่งต้องรอผลตรวจคุณภาพหรือวันขนส่ง

ทีมจึงควรระบุให้ตรงกันว่า จำนวนพร้อมจัดสรรคิดจากรายการใด ข้อมูลอัปเดตเมื่อไร ใช้หน่วยนับอะไร และครอบคลุมบริษัทหรือคลังใด ถ้า ERP ไม่มีข้อมูลวันส่งที่เชื่อถือได้ เครื่องมือก็ควรตอบส่วนที่มีหลักฐานและบอกว่าส่วนใดยังต้องให้คนตรวจ

ข้อเสนอนี้ช่วยให้เปรียบเทียบเครื่องมือสองแบบได้ง่ายขึ้น เครื่องมือที่รับคำสั่งค้นข้อมูลทั่วไปให้อิสระสูง แต่คนตรวจต้องตามให้ทันว่า AI เลือกข้อมูลชุดใด ส่วนเครื่องมือที่รับรหัสสินค้า คลัง และวันอ้างอิงอย่างชัดเจน จะจำกัดงานมากขึ้น แลกกับการตรวจความหมายและผลลัพธ์ที่ง่ายกว่า สำหรับโครงการเริ่มต้น ผมให้น้ำหนักกับขอบเขตที่ตรวจได้ก่อน

คำว่า "อ่านอย่างเดียว" ก็ควรมีรายละเอียด AI ควรอ่านเฉพาะข้อมูลที่จำเป็นต่อคำถาม เจ้าหน้าที่ฝ่ายขายอาจต้องเห็นจำนวนสินค้าและสถานะการจัดสรร โดยไม่ต้องเห็นต้นทุนหรือข้อมูลของอีกบริษัทในกลุ่ม การให้สิทธิ์อ่านจึงควรทดสอบด้วยบัญชีและขอบเขตข้อมูลที่จะใช้จริง

ข้อกำหนด MCP ระบุว่าการรองรับ authorization เป็นทางเลือกสำหรับแต่ละ implementation และอธิบายกระบวนการสำหรับการเชื่อมผ่าน HTTP ส่วนการเชื่อมแบบ STDIO ใช้แนวทางรับข้อมูลรับรองจากสภาพแวดล้อมแทน แต่อำนาจอนุมัติส่วนลด วงเงิน หรือการจองสินค้าของกิจการยังต้องออกแบบในระบบและกระบวนการทำงานขององค์กรเอง MCP Authorization

ตัวอย่างสมมติของคำถามก่อนรับปากลูกค้า

สมมติผู้จัดจำหน่ายอุปกรณ์ไฟฟ้าแห่งหนึ่งทดลองให้เจ้าหน้าที่ฝ่ายขายถามจำนวนสินค้ากับ AI โดยยังไม่ให้สร้างคำสั่งขาย ตัวอย่างต่อไปนี้เป็นแบบจำลองเพื่ออธิบายการออกแบบ ไม่ใช่โครงการหรือผลลัพธ์ของลูกค้า Enersys

เจ้าหน้าที่ระบุรหัสสินค้า จำนวนที่ลูกค้าต้องการ 60 ชิ้น คลังที่ต้องจัดส่ง และวันที่ต้องการ AI ส่งข้อมูลเหล่านี้เข้าเครื่องมือตรวจสินค้าพร้อมจัดสรร เครื่องมืออ่านข้อมูล ERP ภายใต้สิทธิ์ของผู้ใช้ แล้วส่งกลับว่ามีของในคลัง 120 ชิ้น ในจำนวนนี้จองแล้ว 80 ชิ้น และอีก 20 ชิ้นที่ไม่ได้อยู่ในยอดจองกำลังรอตรวจรับ กติกาสมมติของบริษัทนี้ไม่นับสองกลุ่มดังกล่าวเป็นสินค้าพร้อมจัดสรร จึงเหลือ 20 ชิ้น ข้อมูลตรวจรับกับยอดจองต้องไม่ซ้ำกันก่อนนำมาหัก มิฉะนั้นจะคำนวณผิดตั้งแต่ต้น

คำตอบที่ควรได้คือ "ข้อมูล ณ เวลาที่ตรวจพบว่าพร้อมจัดสรร 20 ชิ้น ยังยืนยันการส่งครบ 60 ชิ้นไม่ได้" พร้อมเวลาอ้างอิง รหัสสินค้า คลัง และรายการอ้างอิงที่ผู้มีสิทธิ์เปิดตรวจได้ หากมีสินค้าจะเข้าเพิ่ม AI แสดงสถานะตามเอกสารรับเข้า แต่ยังไม่เปลี่ยนเป็นคำรับรองวันส่ง

หลักฐานของรอบทดลองประกอบด้วยคำถามของผู้ใช้ ค่าที่ส่งเข้าเครื่องมือ เวลาที่ ERP ตอบกลับ และคำตอบสุดท้ายที่เจ้าหน้าที่เห็น ผู้ดูแลคลังตรวจว่าคำนวณตามกติกาที่ตกลงไว้หรือไม่ ส่วนฝ่ายขายตรวจว่าคำตอบช่วยตัดสินใจได้โดยไม่ทำให้ลูกค้าเข้าใจผิดหรือไม่

ถ้าข้อมูลยอดจองอ่านไม่สำเร็จ เครื่องมือควรคืนสถานะว่าตรวจไม่ครบ AI ต้องหยุดตอบจำนวนพร้อมจัดสรร และส่งให้เจ้าหน้าที่ตรวจใน ERP ตามวิธีเดิม การเดาจากยอดคงคลังรวมจะทำให้การเชื่อมต่อที่ดูสะดวกกลายเป็นความเสี่ยงในการรับปากลูกค้า

การอ่านข้อมูลกับการทำรายการต้องมีเกณฑ์คนละชุด

เมื่อการอ่านเริ่มใช้ได้ ทีมอาจอยากเพิ่มปุ่มให้ AI จองสินค้า ขั้นนี้ต้องทบทวนใหม่ เพราะมีผลกับคำสั่งซื้ออื่นด้วย ข้อเสนอสำหรับโครงการเริ่มต้นคือให้ AI เตรียมร่างคำขอ แล้วให้ผู้มีอำนาจเห็นสินค้า จำนวน คลัง และผลกระทบก่อนยืนยัน หน้าขออนุมัติควรผูกกับรายการที่จะบันทึกจริง หากจำนวนหรือคลังเปลี่ยนหลังอนุมัติ ก็ควรขอให้ตรวจใหม่ คำสั่งในบทสนทนาว่า "อนุมัติแล้ว" เพียงอย่างเดียวไม่ควรแทนการตรวจสิทธิ์ของผู้อนุมัติในระบบ

ทีมเทคนิคควรออกแบบการตรวจข้อมูลซ้ำก่อนบันทึก การป้องกันคำสั่งซ้ำ และวิธีตามรายการที่ผลตอบกลับขาดหายไป หากกดบันทึกแล้วระบบเงียบ ผู้ใช้ต้องรู้ว่าจะตรวจสถานะตรงไหนก่อนสั่งซ้ำ รายละเอียดเหล่านี้เป็นงานออกแบบของโครงการ ไม่ใช่ผลที่ได้โดยอัตโนมัติจากการติดตั้ง MCP

การทดสอบจึงควรมีคำถามที่ข้อมูลไม่ครบ รหัสสินค้าที่คล้ายกัน หน่วยนับต่างกัน และบัญชีที่ไม่มีสิทธิ์เห็นคลังนั้น ให้คนทำงานตรวจคำตอบเทียบ ERP และนับเหตุที่ AI ควรหยุดด้วย ถ้าทดลองแต่คำถามที่ตอบง่าย เราจะรู้เพียงว่าการสาธิตผ่าน ก่อนเริ่มทดลอง ลองให้ฝ่ายขายกับคลังเขียนคำตอบร่วมกันว่า "พร้อมส่ง" ของบริษัทต้องผ่านเงื่อนไขใด และกรณีไหนต้องหยุดให้คนตรวจ

สิ่งที่ควรได้ก่อนขยับไปขั้นทำรายการ คือรายชื่อคำถามที่รองรับ นิยามข้อมูลที่ตรงกัน หลักฐานให้ตรวจย้อนกลับ และผู้รับผิดชอบเมื่อคำตอบไม่ครบ เมื่อเรื่องนี้ชัดแล้ว คำถามถัดไปคือ AI จะทำตามวิธีทำงานของบริษัทอย่างสม่ำเสมอได้อย่างไร ตอนที่ 3 จะใช้ Agent Skills และไฟล์ SKILL.md เป็นจุดเริ่มต้นในการจัดระเบียบวิธีทำงานนั้น

เลือกอ่านประเด็นที่เกี่ยวข้องกับบทความนี้

Agent Discovery — เมื่อ AI Agent มีเป็นพันตัว องค์กรจะค้นหาตัวที่ใช่ได้ยังไง?

ปี 2026 องค์กรไม่ได้ขาด AI Agent แต่ขาดวิธีค้นหาและเลือก Agent ที่เหมาะสม — Agent Discovery กำลังเป็น Infrastructure สำคัญที่จะตัดสินว่าใครใช้ AI ได้เต็มศักยภาพ

อ่านบทความ

MCP (Model Context Protocol) คืออะไร — มาตรฐานใหม่ที่ทำให้ AI เชื่อมต่อทุกระบบในองค์กร

ทำความเข้าใจ Model Context Protocol (MCP) มาตรฐานเปิดจาก Anthropic ที่เปลี่ยนวิธีที่ AI เชื่อมต่อกับระบบองค์กร จาก custom integration ที่เขียนทีละตัว สู่โปรโตคอลมาตรฐานเดียวที่ใช้ได้กับทุกระบบ

อ่านบทความ

ก่อน AI จะทำงานข้ามค่ายได้ เราเรียนรู้อะไรจากอินเทอร์เน็ต เว็บ และ Linux

ตอนที่ 1 ของชุด AI ที่ทำงานร่วมกันได้ ย้อนดู TCP/IP เว็บ และ Linux เพื่อแยกโปรโตคอล มาตรฐาน และโอเพนซอร์ส ก่อนถามผู้ขายว่าเปลี่ยนเครื่องมือ AI แล้วบริษัทต้องสร้างอะไรใหม่

อ่านบทความ
ดูบทความทั้งหมดใน Insights

"Empowering Innovation,
Transforming Futures."

บอกเราว่างานส่วนไหนที่คุณต้องการปรับ