ปัญญาประดิษฐ์ในภาคบริการทางการเงินกำลังพัฒนาไปอย่างรวดเร็ว 52% ของบริษัทบริการทางการเงินที่เข้าร่วมการสำรวจใน รายงาน Global AI in Financial Services ประจำปี 2026 โดยมหาวิทยาลัยเคมบริดจ์ (University of Cambridge) ได้เริ่มนำ Agentic AI มาใช้งานแล้ว ในจำนวนนั้น 29% กำลังดำเนินการทดลองใช้ (Pilots) และ 23% ได้ก้าวสู่ขั้นตอนการขยายผลหรือการเปลี่ยนแปลงองค์กร การนำ AI มาใช้งานในรูปแบบใดรูปแบบหนึ่งมีสัดส่วนสูงถึง 81%
ช่องว่างระหว่างตัวเลข 29% ดังกล่าวคือจุดที่หน่วยงานด้าน Compliance ส่วนใหญ่ยืนอยู่ในปัจจุบัน โมเดลที่สรุปนโยบายนั้นมีประโยชน์ แต่เอเจนต์ที่อ่านนโยบายเดียวกัน ตรวจสอบกระบวนการยืนยันตัวตนที่นโยบายนั้นบังคับใช้ และร่างการตั้งค่าระบบใหม่ขึ้นมาแทนที่ เป็นข้อเสนอคนละเรื่อง เพราะมันลงมือกระทำต่อระบบโดยตรง แทนที่จะแค่ผลิตข้อความออกมาอธิบายระบบเหล่านั้น
การเปลี่ยนแปลงนี้ตั้งคำถามสำคัญข้อหนึ่งว่า: ทุกการกระทำของเอเจนต์สามารถได้รับการอนุมัติล่วงหน้าและตรวจสอบย้อนหลังได้หรือไม่?
AI Agent คืออะไรในบริบทของ Compliance?
#AIagent คือระบบซอฟต์แวร์อัตโนมัติที่ใช้โมเดลเพื่อมุ่งบรรลุเป้าหมายที่กำหนดไว้ เอกสารทางการของ OpenAI อธิบายว่าเอเจนต์คือ “แอปพลิเคชันที่วางแผน เรียกใช้เครื่องมือ ทำงานร่วมกับผู้เชี่ยวชาญเฉพาะด้าน และรักษาสถานะเพียงพอเพื่อให้เสร็จสิ้นงานหลายขั้นตอน”
ในเวิร์กโฟลว์ของ AI Compliance Agent โมเดลภาษาขนาดใหญ่ (LLM) ที่อยู่เบื้องหลังจะทำหน้าที่ตีความคำสั่งงานและให้เหตุผล ในขณะที่เฟรมเวิร์กของเอเจนต์และแพลตฟอร์ม Compliance ที่เชื่อมต่อจะจัดเตรียมข้อมูล สิทธิ์ และเครื่องมือที่ทำให้เอเจนต์สามารถลงมือปฏิบัติได้ เอเจนต์อาจอ่านนโยบายต่อต้านการฟอกเงิน (AML) ระบุข้อกำหนด ตรวจสอบกระบวนการ Know Your Customer (KYC) ที่มีอยู่ ใช้ API เพื่อสร้างร่างการตั้งค่า และนำเสนอผลลัพธ์เพื่อขออนุมัติ
ความเป็นอิสระ (Autonomy) มีอยู่ในระดับต่างๆ กัน เอเจนต์อาจเสร็จสิ้นขั้นตอนที่มีความเสี่ยงต่ำได้ด้วยตนเอง แต่จะหยุดก่อนทำการเปลี่ยนแปลงเวิร์กโฟลว์ที่กำลังทำงานจริง ปฏิเสธผู้สมัคร หรือส่งรายงานต่อหน่วยงานกำกับดูแล
Agentic AI ทำงานอย่างไร: อธิบาย Agent Skills และ MCP
เอเจนต์ต้องการมากกว่าโมเดลภาษาเพื่อให้งานปฏิบัติการสำเร็จอย่างเชื่อถือได้ พวกมันต้องมีเป้าหมาย คำสั่ง การเข้าถึงระบบที่เกี่ยวข้อง และกฎเกณฑ์ควบคุมสิ่งที่พวกมันทำได้
Model Context Protocol (MCP) เป็นมาตรฐานเปิดสำหรับการเชื่อมต่อแอปพลิเคชัน AI เข้ากับระบบภายนอก เซิร์ฟเวอร์ MCP จะเปิดเผยเครื่องมือที่มีอินพุตกำหนดไว้ ทำให้เอเจนต์สามารถค้นหาการกระทำที่ได้รับอนุญาต จัดเตรียมอาร์กิวเมนต์ที่ต้องการ และรับผลลัพธ์กลับมา
ในขณะที่ MCP เชื่อมต่อเอเจนต์เข้ากับระบบภายนอก Skills จะให้ความรู้เชิงกระบวนการที่จำเป็นสำหรับการทำงานให้สำเร็จ สเปค Agent Skills แบบเปิด อธิบายว่า Skill คือโฟลเดอร์ที่มีคำแนะนำ และอาจมีสคริปต์ เอกสารอ้างอิง และทรัพยากรอื่นๆ ประกอบด้วย AI Agent Skill อาจสอนเอเจนต์วิธีวิเคราะห์ระเบียบข้อบังคับหรือกำหนดค่าเวิร์กโฟลว์ KYC Skills และ AI Agents แบบ MCP สามารถเปลี่ยนคำขอทั่วไปให้เป็นเวิร์กโฟลว์ที่ทำซ้ำได้
ตารางด้านล่างอธิบายหน้าที่ของแต่ละองค์ประกอบ:
จาก Chatbot สู่ Autonomous Compliance Agents
Chatbot แบบดั้งเดิมส่วนใหญ่จะตอบสนองต่อ Prompt ที่ป้อนเข้ามา มันสามารถอธิบายกฎหรือสรุปนโยบายได้ แต่โดยทั่วไปจะไม่แปลงการวิเคราะห์เป็นการลงมือทำ เครื่องมือ Generative AI สำหรับ Compliance ได้ขยายขีดความสามารถเหล่านี้โดยการร่างรายงาน สรุปไฟล์คดี และดึงข้อมูลจากเอกสาร
แต่เอเจนต์ทำหน้าที่ประสานงานการกระทำแทน เมื่อได้รับคำขอ มันจะถูกแบ่งออกเป็นขั้นตอน: เลือกเครื่องมือ ตรวจสอบผลลัพธ์ และปรับขั้นตอนถัดไปตามข้อมูลที่กลับมา หากถามเกี่ยวกับเอกสารประกอบการสมัคร Chatbot จะเพียงแต่รายการเอกสารมาให้ แต่เอเจนต์สามารถเปิดกระบวนการยืนยันตัวตนปัจจุบันของบริษัท ค้นหาการตรวจสอบที่ยังขาดหายไปเมื่อเทียบกับมาตรฐานที่กำหนด สร้างร่างการตั้งค่าใหม่ และนำเสนอต่อผู้มีอำนาจเพื่อลงนามอนุมัติ
ทำไมทีม Compliance ถึงหันมานำ AI Agents มาใช้
งาน Compliance เกี่ยวข้องกับการแปลความหมายจำนวนมาก ข้อกำหนดที่เขียนด้วยภาษากฎหมายต้องกลายเป็นกฎปฏิบัติการ จากนั้นจึงเป็นค่าที่ตั้งในระบบ ซึ่งทั้งหมดต้องมีการบันทึกและพิสูจน์ได้ การเปลี่ยนแปลงนโยบายหนึ่งครั้งอาจหมายถึงการอัปเดตแยกต่างหากในหลายผลิตภัณฑ์และหลายเขตอำนาจศาล แต่ละส่วนทำด้วยมือ และเป็นโอกาสให้เกิดความคลาดเคลื่อนในการนำไปปฏิบัติ
เอเจนต์สามารถสกัดข้อกำหนดและปฏิบัติตามขั้นตอนที่กำหนดไว้โดยไม่ต้องให้ผู้เชี่ยวชาญพิมพ์ทุกขั้นตอนใหม่ ความสม่ำเสมอคือประโยชน์ที่แท้จริงที่นี่: เขตอำนาจศาลที่ห้าจะได้รับการปฏิบัติแบบเดียวกับเขตแรก
ต้นทุนของความผิดพลาดก็ขยายตัวในลักษณะเดียวกัน กฎการเข้าถึง ระดับการอนุมัติ และบันทึกกิจกรรม คือสิ่งทำให้การกระทำของเอเจนต์สามารถระบุได้ว่าใครเป็นผู้มอบอำนาจ หากไม่มีสิ่งเหล่านี้ ระบบอัตโนมัติจะเพียงเพิ่มความเร็วและขนาดของความผิดพลาดเท่านั้น
AI Agents ใน AML Compliance และเวิร์กโฟลว์ KYC
ในด้าน AML เอเจนต์สามารถแปลงข้อความนโยบายให้เป็นร่างการตั้งค่าพร้อมเปิดตัวบนแดชบอร์ด สรุปประวัติการตรวจสอบของผู้สมัคร หรือรวบรวมข้อมูลผู้สมัครและธุรกรรมที่นักสืบสวนต้องการก่อนเปิดคดี นอกจากนี้ยังสามารถเปรียบเทียบนโยบายฉบับปรับปรุงใหม่กับการตั้งค่าปัจจุบันและแจ้งเตือนการควบคุมที่ไม่สอดคล้องกันอีกต่อไป
งาน KYC ส่วนใหญ่เป็นการตั้งค่าและการเรียกคืนข้อมูล: เวิร์กโฟลว์การลงทะเบียนตามประเทศหรือระดับความเสี่ยง แบบสอบถาม ลิงก์ยืนยันตัวตน และการตรวจสอบสถานะผู้สมัคร เอเจนต์สามารถจัดลำดับเวิร์กโฟลว์ที่รวมการตรวจสอบเอกสาร ที่อยู่ ไบโอเมตริกซ์ และฐานข้อมูลเข้าด้วยกัน แพลตฟอร์มยืนยันตัวตนยังคงเป็นผู้ดำเนินการตรวจสอบจริง
การปฏิเสธลูกค้าและการยื่นรายงานกิจกรรมที่น่าสงสัย (Suspicious Activity Report) เป็นคนละเรื่องกัน ทั้งสองกรณีต้องได้รับการอนุมัติจากมนุษย์ ไม่ว่าส่วนอื่นของเวิร์กโฟลว์จะราบรื่นเพียงใดก็ตาม
การสร้างระบบ Compliance ที่ขับเคลื่อนด้วยเอเจนต์
มีสองสิ่งที่ต้องมีก่อนที่ระบบนี้จะทำงานได้: การเข้าถึงนโยบายที่เกี่ยวข้อง และสิทธิ์ในการตรวจสอบหรือแก้ไขการตั้งค่าของแพลตฟอร์ม ลำดับขั้นตอนจะเป็นดังนี้:
- จัดเตรียมแหล่งข้อมูล ไม่ว่าจะเป็นระเบียบข้อบังคับ การประเมินความเสี่ยง หรือนโยบายภายใน
- สกัดภาระผูกพัน ปัจจัยความเสี่ยง กฎการให้คะแนน และข้อกำหนดแบบมีเงื่อนไข โดยทำเครื่องหมายจุดที่คลุมเครือให้มนุษย์ตัดสินใจแทนเอเจนต์
- จับคู่แต่ละข้อกำหนดกับสิ่งที่แพลตฟอร์มมีอยู่จริง: ระดับการยืนยันตัวตน แบบสอบถาม กฎความเสี่ยง การควบคุมการตรวจสอบ หรือเวิร์กโฟลว์
- สร้างแผนการตั้งค่าเพื่อให้ทีม Compliance ทบทวนก่อนเริ่มก่อสร้างใดๆ
- สร้างการตั้งค่าที่เสนอใน Sandbox หรือสภาพแวดล้อมทดสอบ
- เปรียบเทียบการตั้งค่าที่สร้างเสร็จแล้วกับนโยบายต้นฉบับ จากนั้นทดสอบด้วยกรณีตัวอย่างที่เป็นตัวแทนและข้อยกเว้นที่ทราบกันดี
- ให้ผู้ใช้ที่ได้รับอนุญาตอนุมัติการนำไปใช้ แล้วบันทึกการเปลี่ยนแปลงและติดตามผลลัพธ์
การจับคู่ Agent Skills กับงาน Compliance
แต่ละ AI Agent Skill ควรสอดคล้องกับงาน Compliance ที่กำหนดไว้และแนะนำแนวทางที่เอเจนต์ควรปฏิบัติ Skill ด้านการวิเคราะห์นโยบายอาจสั่งให้เอเจนต์อ่านเอกสารและสร้างแผนการตั้งค่า Skill ด้านการกำหนดค่าอาจนำทางเอเจนต์ผ่านขั้นตอนการสร้างระดับการยืนยันตัวตนใน Sandbox ในขณะที่ Skill ด้านการทบทวนคดีอาจวางกรอบวิธีการดึงและวิเคราะห์ข้อมูลผู้สมัคร
ความแตกต่างนี้มีความสำคัญสำหรับ AI Agents ในภาคบริการทางการเงิน เนื่องจากเข้าถึงข้อมูลลูกค้า เตรียมร่างการตั้งค่า และเปลี่ยนแปลงการควบคุมที่ใช้งานอยู่ สามารถสร้างความเสี่ยงได้อย่างมาก ตัว Skills เองไม่ควร被视为ขอบเขตด้านความปลอดภัยหรือสิทธิ์การใช้งาน แต่แพลตฟอร์มที่เชื่อมต่อจะต้องบังคับใช้สิ่งที่เอเจนต์สามารถอ่านหรือแก้ไขได้ โดยจำกัดการเปลี่ยนแปลงการตั้งค่าการยืนยันตัวตนและการตรวจสอบที่ใช้งานอยู่ผ่านกลไกการควบคุมการเข้าถึงและการอนุมัติที่เหมาะสม
AI Agents ในธนาคารและบริการทางการเงิน
การใช้ประโยชน์ที่เป็นไปได้ในภาคธนาคาร ได้แก่ การรวบรวมข้อมูลสำหรับการทบทวน KYC ตามรอบเวลา ดึงธุรกรรมที่กระตุ้นกฎการตรวจสอบ และร่างรายงานต่อหน่วยงานกำกับดูแลเพื่อให้มนุษย์ตรวจสอบ
ความกระจัดกระจายของข้อมูลคืออุปสรรคในทางปฏิบัติ บันทึกตัวตนอยู่ในแพลตฟอร์ม KYC ธุรกรรมอยู่ในระบบชำระเงินหรือ Core Banking System การแจ้งเตือนอยู่ในเครื่องมือตรวจสอบ และบันทึกการสืบสวนอยู่ในซอฟต์แวร์จัดการคดี รายงาน Cambridge ปี 2026 พบว่า 46% ของผู้ขาย AI ที่สำรวจพบปัญหาจากระบบเก่าหรือระบบที่แยกส่วนกันในไซต์ของลูกค้า และ 41% รายงานข้อจำกัดในการแบ่งปันข้อมูล
แต่ละการเชื่อมต่อต้องการคำตอบสำหรับสองคำถาม: เอเจนต์สามารถอ่านอะไรได้บ้าง และเอเจนต์สามารถเปลี่ยนแปลงอะไรได้บ้าง การทบทวนตามรอบเวลามักเน้นการอ่านเป็นหลัก เอเจนต์สามารถรวบรวมสถานะการยืนยันตัวตน ธุรกรรมล่าสุด การแจ้งเตือนก่อนหน้า และการตัดสินใจจากการทบทวนครั้งก่อน แล้วส่งไฟล์ที่รวบรวมเสร็จแล้วไปยังนักวิเคราะห์
ความเสี่ยงของ AI ธรรมาภิบาล และการกำกับดูแลโดยมนุษย์
เอเจนต์อาจอ่านนโยบายผิด แต่งตั้งข้อกำหนดที่ไม่มีอยู่จริง หรือเลือกเครื่องมือผิด คำสั่งที่เป็นอันตรายซึ่งซ่อนอยู่ในเอกสารหรือแหล่งข้อมูลที่เชื่อมต่ออาจบิดเบือนพฤติกรรมของมัน และสิทธิ์ที่มากเกินไปอาจทำให้ข้อผิดพลาดเล็กน้อยส่งผลต่อการตั้งค่าที่ใช้งานอยู่หรือบันทึกข้อมูลลูกค้า
ผู้ตรวจสอบยังอาจไว้วางใจผลลัพธ์ของเอเจนต์มากเกินไป ในขณะที่บันทึกที่ไม่สมบูรณ์อาจทำให้ยากต่อการสอบสวนข้อผิดพลาด การอัปเดตโมเดลอาจเปลี่ยนพฤติกรรมของเอเจนต์ และความพึ่งพาผู้ให้บริการภายนอกสามารถสร้างความเสี่ยงด้านการดำเนินงานได้
เพื่อบรรเทาความเสี่ยง ธรรมาภิบาล AI ที่มีประสิทธิภาพและการควบคุมด้าน Compliance ควรรวมถึง:
- จำกัดการเข้าถึงเฉพาะข้อมูลที่และการกระทำที่จำเป็นสำหรับแต่ละงาน โดยมีสิทธิ์แยกต่างหากสำหรับการอ่านข้อมูล สร้างร่าง และเปลี่ยนแปลงการตั้งค่าที่ใช้งานอยู่
- รายการเครื่องมือและแหล่งข้อมูลที่ได้รับการอนุมัติ
- การทดสอบใน Sandbox หรือสภาพแวดล้อมทดสอบก่อนนำการเปลี่ยนแปลงไปใช้กับระบบจริง
- การอนุมัติจากมนุษย์สำหรับการกระทำที่ส่งผลต่อลูกค้า ระดับความเสี่ยง หรือการยื่นเอกสารต่อหน่วยงานกำกับดูแล รวมถึงกรณีที่ข้อกำหนดไม่ชัดเจน
- บันทึกคำสั่งที่ให้ แหล่งข้อมูลที่ปรึกษา เครื่องมือที่ใช้ และการเปลี่ยนแปลงที่เกิดขึ้น
- กระบวนการสำรองในกรณีที่ไม่สามารถเข้าถึงเอเจนต์หรือผู้ให้บริการภายนอกได้
