
Agentic Commerce (เอเจนติกคอมเมิร์ซ) หมายถึงรูปแบบการทำธุรกรรมที่ AI Agent ทำหน้าที่ค้นหา เปรียบเทียบ และซื้อสินค้าหรือบริการแทนมนุษย์โดยอัตโนมัติ จากเดิมที่การพาณิชย์ตั้งอยู่บนพื้นฐานของ "มนุษย์ที่ดูหน้าจอรถเข็นและกดปุ่มด้วยตนเอง" กำลังเปลี่ยนไปสู่โมเดลที่ AI Agent รับความต้องการและดำเนินการตั้งแต่การสำรวจไปจนถึงการสั่งซื้อให้เสร็จสิ้นในขั้นตอนเดียว
บทความนี้จัดทำขึ้นสำหรับผู้บริหาร ฝ่ายการตลาด ฝ่ายขาย และผู้รับผิดชอบด้าน EC ของบริษัทที่ขายสินค้าและบริการแบบ B2B โดยจะอธิบายถึงแนวคิดพื้นฐานของ Agentic Commerce, เบื้องหลังความสนใจ, ภาพรวมของกลไก, ผลกระทบต่อวิธีการขายแบบ B2B และขั้นตอนปฏิบัติที่ผู้ขายควรเตรียมพร้อม เมื่ออ่านจบ คุณจะสามารถสรุปสิ่งที่ต้องเริ่มทำตั้งแต่วันนี้เพื่อเป็น "ผู้ขายที่ถูกเลือกโดย AI Agent" ได้อย่างเป็นรูปธรรม
Agentic Commerce (เอเจนติกคอมเมิร์ซ) คือรูปแบบการทำธุรกรรมทางการค้าที่เปลี่ยนตัวแสดงหลักในการซื้อจาก "ผู้ใช้งานที่เป็นมนุษย์" ไปสู่ "AI Agent ที่ทำหน้าที่แทนมนุษย์" โดยหัวใจสำคัญคือการที่ AI Agent สามารถดำเนินการตามขั้นตอนการซื้อทั้งหมด ตั้งแต่การค้นหา เปรียบเทียบ ต่อรองราคา ไปจนถึงการสั่งซื้อ ได้ด้วยตนเอง
ก่อนอื่นเราจะมาจัดระเบียบคำนิยาม และดูว่าสิ่งนี้มีความแตกต่างอย่างชัดเจนจาก EC (E-commerce) แบบเดิมหรือการทำธุรกรรมแบบ B2B อย่างไร
เอเจนติกคอมเมิร์ซ (Agentic Commerce) หมายถึงรูปแบบการทำธุรกรรมที่ AI Agent ซึ่งสามารถตัดสินใจและลงมือทำได้ด้วยตนเอง เข้ามาดำเนินการในขั้นตอนการซื้อขายทั้งหมดหรือส่วนใหญ่แทนมนุษย์ คำว่า "เอเจนติก (agentic)" สื่อถึงคุณสมบัติที่ AI ไม่ได้เพียงแค่ตอบคำถามเท่านั้น แต่เมื่อได้รับเป้าหมายแล้วจะสามารถวางแผนและลงมือปฏิบัติด้วยตนเองได้
กระบวนการโดยทั่วไปจะเป็นดังนี้ ผู้ใช้งานแจ้งความต้องการแก่เอเจนต์ เช่น "ช่วยจัดหาชิ้นส่วนตามสเปกนี้สำหรับเติมสต็อกเดือนหน้าโดยให้อยู่ในงบประมาณ" จากนั้นเอเจนต์จะค้นหาซัพพลายเออร์และสินค้าที่เป็นตัวเลือก เปรียบเทียบราคา ระยะเวลาจัดส่ง และคุณสมบัติ เลือกสิ่งที่ตรงตามเงื่อนไข และในบางกรณีอาจดำเนินการขอใบเสนอราคาหรือสั่งซื้อให้เสร็จสิ้น มนุษย์จะมีส่วนร่วมเพียงแค่การระบุความต้องการและการอนุมัติขั้นสุดท้าย ส่วนการสืบค้น การเปรียบเทียบ และขั้นตอนต่างๆ ในระหว่างนั้นจะเป็นหน้าที่ของเอเจนต์
กลไกนี้ถือเป็นการนำ "AI Agent" ที่กำลังถูกนำมาใช้งานจริงอย่างรวดเร็วในช่วงไม่กี่ปีที่ผ่านมา มาประยุกต์ใช้ในบริบทของการพาณิชย์ เอเจนติกคอมเมิร์ซคือแนวคิดที่มอบหมายการซื้อขายให้แก่ AI โดยต่อยอดมาจากกระแสการที่ AI Agent เข้ามาดำเนินงานต่างๆ อย่างอิสระ สำหรับผู้ซื้อ สิ่งนี้ช่วยลดภาระในการจัดซื้อ ส่วนสำหรับผู้ขาย จะเกิดแกนการแข่งขันใหม่ที่ว่า "จะถูกเอเจนต์เลือกหรือไม่"
ความแตกต่างที่สำคัญที่สุดอยู่ที่ "ใครเป็นผู้ดูและตัดสินใจซื้อ" อีคอมเมิร์ซแบบดั้งเดิมถูกออกแบบโดยมีสมมติฐานว่ามนุษย์เป็นผู้ดูหน้าจอและดำเนินการ แต่ใน Agentic Commerce นั้น AI Agent จะเป็นผู้ที่อ่านข้อมูลที่มีโครงสร้าง (Structured Data) เพื่อทำการตัดสินใจ
โดยสรุปแล้ว จุดแตกต่างที่สำคัญที่แยกทั้งสองสิ่งนี้ออกจากกันคือ การที่เป้าหมายในการปรับปรุงประสิทธิภาพของผู้ขายได้ขยายจาก "ความง่ายในการดูสำหรับมนุษย์" ไปสู่ "ความง่ายในการอ่านสำหรับเครื่องจักร"
| หัวข้อเปรียบเทียบ | อีคอมเมิร์ซ/การค้า B2B แบบดั้งเดิม | Agentic Commerce |
|---|---|---|
| ผู้ซื้อ | มนุษย์ (เจ้าหน้าที่/ผู้จัดซื้อ) | AI Agent ที่ทำหน้าที่แทนมนุษย์ |
| ช่องทางข้อมูล | หน้าเว็บไซต์/แคตตาล็อก | API/ข้อมูลที่มีโครงสร้าง/ฟีดข้อมูล |
| การเปรียบเทียบ/พิจารณา | คนดูหลายเว็บไซต์เพื่อเปรียบเทียบ | Agent รวบรวมข้อมูลเพื่อเปรียบเทียบ |
| การทำธุรกรรม | คนกรอกแบบฟอร์ม/สั่งซื้อ | Agent ดำเนินการสั่งซื้อเมื่อเงื่อนไขครบถ้วน |
| เป้าหมายการปรับปรุงของผู้ขาย | ความสวยงามของหน้าจอ/UX | ความสามารถในการอ่านของเครื่อง/ความถูกต้องของข้อมูล/API |
ไม่ใช่ว่าอีคอมเมิร์ซแบบดั้งเดิมจะหายไป แต่คาดว่าการซื้อที่มนุษย์ดำเนินการโดยตรงกับการซื้อผ่าน Agent จะยังคงอยู่ควบคู่กันไปอีกระยะหนึ่ง สิ่งสำคัญคือผู้ขายจำเป็นต้องทบทวนการออกแบบข้อมูลใหม่โดยตั้งอยู่บนสมมติฐานว่าจะมีช่องทางหลังเพิ่มเข้ามา เนื่องจากหน้าสินค้าที่ปรับแต่งมาเพื่อมนุษย์อาจไม่สามารถอ่านได้อย่างถูกต้องโดย Agent หากข้อมูลนั้นไม่มีโครงสร้างที่เหมาะสม
เอเจนติกคอมเมิร์ซ (Agentic Commerce) เริ่มกลายเป็นความจริงขึ้นมาอย่างกะทันหัน เนื่องจาก AI Agent ได้วิวัฒนาการจากขั้นตอน "การตอบสนองต่อคำสั่ง" ไปสู่ขั้นตอน "การดำเนินการงานจนเสร็จสิ้น" ตัวเลขคาดการณ์ของตลาดต่างก็สนับสนุนแนวโน้มนี้เช่นกัน
การใช้งาน Generative AI ได้พัฒนาขึ้นอย่างเป็นลำดับขั้นในช่วงไม่กี่ปีที่ผ่านมา จากขั้นที่เป็นแชทบอทตอบคำถาม ไปสู่ขั้นที่เป็น Copilot ช่วยงานมนุษย์ และในปัจจุบันกำลังเปลี่ยนผ่านไปสู่ขั้นที่เป็น Agent ซึ่ง AI สามารถลงมือปฏิบัติงานได้ด้วยตนเอง
สิ่งที่สนับสนุนวิวัฒนาการนี้คือความสามารถในการผสมผสานการใช้เหตุผล (Reasoning) การสืบค้นข้อมูล และการเรียกใช้เครื่องมือ (Tool execution) โดย Agent จะทำการย่อยเป้าหมายที่ได้รับมา จัดหาข้อมูลที่จำเป็น และเรียกใช้งานระบบภายนอกเพื่อดำเนินการ ตัวอย่างเช่น หากเป้าหมายคือ "จัดหาชิ้นส่วนตามเงื่อนไขที่กำหนด" AI จะแบ่งงานออกเป็นหลายขั้นตอน ได้แก่ การสืบค้น การเปรียบเทียบ การขอใบเสนอราคา และการสั่งซื้อ แล้วดำเนินการตามลำดับ การเปลี่ยนผ่านจาก "AI ที่ให้คำแนะนำ" ไปสู่ "AI ที่ลงมือปฏิบัติ" จึงเป็นรากฐานที่ทำให้เราสามารถมอบหมายงานที่ต้องใช้หลายขั้นตอนอย่างการจัดซื้อให้ AI เป็นผู้รับผิดชอบได้
บริษัทวิจัย Gartner คาดการณ์ว่าภายในปี 2026 แอปพลิเคชันระดับองค์กรถึง 40% จะติดตั้ง AI Agent สำหรับงานเฉพาะทาง (ที่มา: ข่าวประชาสัมพันธ์ Gartner, สิงหาคม 2025) การที่ AI สามารถ "ลงมือทำ" งานจริงในกระบวนการธุรกิจกำลังกลายเป็นเรื่องปกติมากขึ้นเรื่อยๆ
ในด้านการจัดซื้อเอง การคาดการณ์เรื่องการใช้เอเจนต์ (Agent) ก็มีความชัดเจน โดย Gartner คาดการณ์ว่าภายในปี 2028 การติดต่อสื่อสารในการจัดซื้อแบบ B2B ถึง 90% จะดำเนินการผ่าน AI Agent (ที่มา: Gartner)
การจัดซื้อแบบ B2B มีสัดส่วนของ "งานที่อิงตามกฎเกณฑ์" สูง เช่น การสั่งซื้อซ้ำตามรูปแบบเดิม การเปรียบเทียบพิจารณาข้อกำหนดและเงื่อนไข และการคัดเลือกจากตัวเลือกที่หลากหลาย งานเหล่านี้เป็นสิ่งที่เอเจนต์มีความถนัดและง่ายต่อการนำมาทำเป็นระบบอัตโนมัติ สำหรับบริษัทผู้ซื้อ สิ่งนี้จะนำไปสู่การลดขั้นตอนการจัดซื้อและลดความผิดพลาดในการสั่งซื้อ ซึ่งถือเป็นแรงจูงใจในการนำมาใช้งานที่ชัดเจน
ในมุมของผู้ขาย สิ่งสำคัญคือการที่การเปลี่ยนแปลงนี้ไม่ได้ถูกพูดถึงในฐานะเรื่องที่ว่า "ถ้าเกิดขึ้น" แต่เป็นเรื่องของ "เมื่อไหร่และในขอบเขตใด" ยิ่งฝั่งผู้ซื้อมีการใช้เอเจนต์ก้าวหน้าไปมากเท่าใด ผู้ขายที่ไม่ถูกเอเจนต์ค้นพบก็จะยิ่งไม่มีโอกาสแม้แต่จะเข้าสู่จุดเริ่มต้นของการเจรจาธุรกิจ ในทางกลับกัน หากปรับตัวได้รวดเร็ว ก็จะเกิดช่องทางในการเข้าไปอยู่ในรายชื่อตัวเลือกก่อนคู่แข่งได้
Agentic Commerce เกิดขึ้นได้จากการที่ "เอเจนต์ฝั่งผู้ซื้อ" และ "ระบบฝั่งผู้ขาย" เชื่อมต่อกันผ่านโปรโตคอลกลาง เมื่อเข้าใจภาพรวมแล้ว จะทำให้เห็นว่าผู้ขายควรเข้าไปปรับปรุงในจุดใด
กระบวนการพื้นฐานของ Agentic Commerce สามารถสรุปได้ว่าเป็นการทำงานร่วมกันระหว่างฝั่งผู้ซื้อและฝั่งผู้ขาย
เอเจนต์ของผู้ซื้อจะรับความต้องการจากผู้ใช้งาน แล้วนำไปดึงข้อมูลที่ฝั่งผู้ขายเปิดเผยไว้ เช่น ข้อมูลสินค้า สต็อก ราคา และกำหนดการส่งมอบ จากนั้นจะทำการประเมินข้อมูลเหล่านั้นเพื่อคัดเลือกตัวเลือกที่ตรงตามเงื่อนไข และในขั้นตอนสุดท้าย เอเจนต์จะดำเนินการขอใบเสนอราคาหรือสั่งซื้อไปยังระบบของฝั่งผู้ขาย
เพื่อให้กระบวนการนี้เกิดขึ้นได้ ฝั่งผู้ขายจำเป็นต้องเตรียม "ข้อมูลที่เอเจนต์สามารถอ่านได้ และช่องทางที่เอเจนต์สามารถสั่งการได้" ไม่ใช่เพียงแค่ "หน้าจอสำหรับมนุษย์" เท่านั้น โดยเฉพาะอย่างยิ่ง ข้อมูลสินค้าที่ถูกต้องแม่นยำ รวมถึง API สำหรับรับคำสั่งซื้อและใบเสนอราคา หากระบบของฝั่งผู้ขายไม่สามารถรองรับการเข้าถึงจากเอเจนต์ได้ ผู้ขายรายนั้นก็จะถูกตัดออกจากกระบวนการจัดซื้อผ่านเอเจนต์ ทั้งนี้ อาจกล่าวได้ว่าการอธิบายหรือการเจรจาต่อรองที่พนักงานขายที่เป็นมนุษย์เคยทำได้ด้วยวาจา จะถูกแทนที่ด้วยการเตรียมข้อมูลและการรองรับผ่านระบบล่วงหน้าในการทำธุรกรรมผ่านเอเจนต์
โปรโตคอลการเชื่อมต่อ (Integration Protocol) ทำหน้าที่เป็น "ภาษากลาง" ที่เชื่อมโยงระหว่างฝั่งผู้ซื้อและฝั่งผู้ขายเข้าด้วยกัน
ตัวอย่างที่สำคัญ ได้แก่ MCP (Model Context Protocol) ซึ่งใช้เชื่อมต่อ AI เข้ากับเครื่องมือและแหล่งข้อมูลภายนอกด้วยวิธีที่เป็นมาตรฐาน และ A2A (Agent-to-Agent) สำหรับการประสานงานระหว่างเอเจนต์ สิ่งเหล่านี้มีบทบาทในการสร้างมาตรฐานวิธีการเชื่อมต่อเมื่อเอเจนต์ต้องเข้าถึงระบบที่หลากหลาย ช่วยลดภาระในการปรับแต่งระบบแยกตามรายกรณี
ผู้ขายไม่จำเป็นต้องรองรับทุกโปรโตคอลในทันที แต่ควรคำนึงถึงมุมมองที่ว่า "จะสามารถเปิดข้อมูลและฟังก์ชันการทำธุรกรรมของบริษัทให้เอเจนต์ภายนอกเข้าถึงด้วยวิธีที่เป็นมาตรฐานได้หรือไม่" เนื่องจากรายละเอียดของโปรโตคอลจะยังคงเปลี่ยนแปลงอยู่เสมอ การมุ่งเน้นไปที่การวางรากฐานด้วยการจัดโครงสร้างข้อมูลและแยกฟังก์ชันออกมาเป็น API จึงเป็นแนวทางที่สมเหตุสมผลมากกว่าการยึดติดกับมาตรฐานใดมาตรฐานหนึ่ง หากมีรากฐานที่มั่นคงแล้ว แม้จะมีโปรโตคอลใหม่กลายเป็นกระแสหลัก ต้นทุนในการปรับตัวตามก็จะต่ำลง

เอเจนติกคอมเมิร์ซ (Agentic Commerce) มักถูกเข้าใจผิดว่า "ทำให้ไม่จำเป็นต้องมีพนักงานจัดซื้อที่เป็นมนุษย์" "เหมือนกับแชทบอท BtoC ทั่วไป" และ "ต้องใช้การพัฒนา AI ขั้นสูงในการรองรับ" เพื่อไม่ให้เกิดการตัดสินใจที่ผิดพลาดในการนำมาใช้งานหรือการลงทุน เราจึงควรทำความเข้าใจความเข้าใจผิดหลักๆ 3 ประการนี้ให้ถูกต้อง
"หากเอเจนท์เป็นผู้จัดซื้อ มนุษย์ก็ไม่จำเป็นอีกต่อไป" มักเป็นความเข้าใจที่คลาดเคลื่อน
สิ่งที่เอเจนท์ถนัดคือการจัดซื้อที่เป็นรูปแบบซ้ำๆ หรือการเปรียบเทียบและคัดเลือกตามเงื่อนไขที่ชัดเจน ในทางกลับกัน การหาซัพพลายเออร์รายใหม่ การเจรจาสัญญาที่ซับซ้อน การสร้างความสัมพันธ์ระยะยาว การรับมือกับกรณีพิเศษ และการตัดสินใจเชิงกลยุทธ์ ยังคงต้องอาศัยการตัดสินใจของมนุษย์เป็นหลัก
ภาพความเป็นจริงคือการแบ่งบทบาทหน้าที่ โดยให้เอเจนท์รับผิดชอบการจัดซื้อที่เป็นงานรูทีน และให้มนุษย์ไปโฟกัสกับการตัดสินใจที่สร้างมูลค่าเพิ่มได้มากกว่า สำหรับธุรกรรมที่สำคัญ จะยังคงใช้รูปแบบ Human-in-the-Loop (การออกแบบที่ให้มนุษย์เข้ามาตรวจสอบ) ซึ่งคาดว่าจะเป็นรูปแบบทั่วไปที่มนุษย์จะเป็นผู้อนุมัติข้อเสนอหรือการดำเนินการของเอเจนท์ ดังนั้น การมองว่าเป็นการ "แทนที่มนุษย์" จึงไม่ถูกต้อง แต่ควรเข้าใจว่าเป็นการ "เปลี่ยนขอบเขตการทำงานของมนุษย์" มากกว่า
อีกหนึ่งความเข้าใจผิดคือการมองว่า Agentic Commerce เป็นเพียงส่วนขยายของแชทบอทสำหรับผู้บริโภค
บทบาทหลักของแชทบอทคือการตอบคำถามและให้ข้อมูล ในขณะที่หัวใจสำคัญของ Agentic Commerce คือการ "ลงมือทำ" ตั้งแต่การค้นหา เปรียบเทียบ ไปจนถึงการสั่งซื้อ จุดตัดสินไม่ได้อยู่ที่ว่าสามารถสนทนาได้หรือไม่ แต่อยู่ที่ว่าสามารถทำธุรกรรมให้เสร็จสมบูรณ์ได้หรือไม่
นอกจากนี้ การทำธุรกรรมแบบ B2B ยังมีความซับซ้อนเฉพาะตัว ทั้งเรื่องสินเชื่อ เวิร์กโฟลว์การอนุมัติ เงื่อนไขสัญญา และการมีส่วนร่วมของหลายแผนก ซึ่งไม่สามารถนำขั้นตอนการซื้อขายที่เรียบง่ายของ B2C มาปรับใช้ได้โดยตรง สิ่งที่ผู้ขายแบบ B2B ควรเตรียมพร้อมคือการจัดระเบียบข้อมูลธุรกรรมและขั้นตอนต่างๆ ให้อยู่ในรูปแบบที่เอเจนต์สามารถจัดการได้ โดยคำนึงถึงกระบวนการทางธุรกิจเหล่านี้เป็นสำคัญ
ความเข้าใจผิดประการที่สามคือ "การจะรองรับ Agentic Commerce ได้นั้น จำเป็นต้องพัฒนา AI ขั้นสูงด้วยตนเอง"
ในความเป็นจริง หัวใจสำคัญของการเตรียมความพร้อมสำหรับฝั่งผู้ขายไม่ใช่การพัฒนา AI แต่คือการจัดเตรียมข้อมูลและการทบทวนวิธีการเปิดเผยข้อมูล ผู้ที่ขับเคลื่อนตัวแทนการซื้อ (Purchasing Agent) คือฝั่งผู้ซื้อ สิ่งที่ผู้ขายจำเป็นต้องทำเป็นอันดับแรกคือการนำเสนอข้อมูลสินค้าอย่างถูกต้องในรูปแบบที่เครื่องอ่านได้ (Machine-readable) และจัดเตรียม API สำหรับการทำธุรกรรมตามความจำเป็น สิ่งเหล่านี้เป็นงานที่ต่อยอดมาจากการทำ EC และการเชื่อมต่อระบบ ไม่ใช่เรื่องของการสร้างโมเดล AI ล้ำสมัยด้วยตนเอง
แน่นอนว่าหากต้องการยกระดับการทำธุรกรรมอัตโนมัติให้สูงขึ้น การลงทุนทางเทคนิคย่อมเพิ่มขึ้นตามไปด้วย แต่จุดเริ่มต้นนั้นคือการจัดเตรียมข้อมูลอย่างเป็นระบบและต่อเนื่อง ไม่จำเป็นต้องกังวลหรือตั้งแง่ว่า "ไม่เชี่ยวชาญด้าน AI จึงทำไม่ได้" ในทางกลับกัน สิ่งที่ควรเริ่มทำโดยเร็วที่สุดไม่ใช่เทคโนโลยีพิเศษ แต่คือการจัดระเบียบข้อมูลพื้นฐานของบริษัทตนเองให้เรียบร้อย

เมื่อ Agentic Commerce แพร่หลาย จะส่งผลกระทบต่อ "วิธีการขาย" ของบริษัท B2B โดยเฉพาะอย่างยิ่ง บทบาทของฝ่ายขายและตัวชี้วัดที่ให้ความสำคัญในด้านการตลาดจะเปลี่ยนไป
เมื่อการซื้อผ่านเอเจนต์เพิ่มมากขึ้น จุดเน้นของงานขายจะเปลี่ยนไป
งานประจำอย่างการทำใบเสนอราคาหรือการอธิบายสินค้าตามแคตตาล็อกที่ฝ่ายขายเคยรับผิดชอบนั้น เอเจนต์จะสามารถดึงข้อมูลโดยตรงจากฝั่งผู้ขายได้ การสื่อสารเพียงเพื่อแจ้งราคาหรือคุณสมบัติของสินค้ามีแนวโน้มที่จะค่อยๆ ลดลง
ในทางกลับกัน สิ่งที่ฝ่ายขายที่เป็นมนุษย์จะยังคงรักษาความได้เปรียบไว้ได้คือ การนำเสนอโซลูชันที่ซับซ้อน การสร้างความสัมพันธ์ระยะยาว การเจรจาเงื่อนไขพิเศษ และการร่วมกำหนดปัญหาของลูกค้า เมื่อเอเจนต์รับหน้าที่ในงานประจำไปแล้ว ฝ่ายขายก็จะสามารถจัดสรรเวลาให้กับงานที่มีมูลค่าเพิ่มสูงเหล่านี้ได้ง่ายขึ้น สำหรับองค์กรฝ่ายขาย การเปลี่ยนผ่านจาก "ฝ่ายขายที่ทำหน้าที่ส่งต่อข้อมูล" ไปสู่ "ฝ่ายขายที่ทำหน้าที่แก้ปัญหา" จึงเป็นโจทย์สำคัญนับจากนี้ไป
ในด้านการตลาด จะเกิดการเปลี่ยนแปลงในตัวชี้วัดที่ควรให้ความสำคัญ
การตลาดสำหรับมนุษย์ที่ผ่านมาให้ความสำคัญกับ "การตอบสนองของมนุษย์" เช่น อัตราการคลิก (CTR) ในผลการค้นหา, ระยะเวลาที่อยู่บนหน้าเว็บ และจำนวนการสอบถาม เมื่อมี Agentic Commerce เข้ามา จะมีมุมมองเพิ่มเติมคือ "ได้รับการรับรู้และถูกเลือกเป็นตัวเลือกโดยเอเจนต์อย่างถูกต้องหรือไม่" เอเจนต์ไม่ได้ถูกขับเคลื่อนด้วยความคมคายของคำโฆษณาหรือความน่าดึงดูดของรูปภาพ แต่ตัดสินจากความถูกต้องและความชัดเจนของข้อมูล เช่น สเปก ราคา สต็อกสินค้า และเงื่อนไขต่างๆ
ด้วยเหตุนี้ การตลาดบางส่วนจึงต้องเปลี่ยนน้ำหนักจาก "การใช้ถ้อยคำที่ดึงดูดใจคน" ไปสู่ "การออกแบบข้อมูลที่สื่อสารกับเครื่องจักรได้อย่างถูกต้องโดยไม่มีความเข้าใจผิด" ซึ่งจำเป็นต้องมีทั้งสองส่วน ไม่ใช่การทิ้งการดึงดูดใจมนุษย์ไป แต่จำเป็นต้องมีตัวชี้วัดแยกต่างหากจากตัวชี้วัดแบบเดิม เพื่อวัดว่าเราอยู่ในเกณฑ์ที่เอเจนต์จะประเมินหรือไม่

การเตรียมความพร้อมของฝั่งผู้ขายไม่ได้เริ่มต้นจากการลงทุนครั้งใหญ่ แต่เริ่มจากการ "จัดเตรียมข้อมูลของบริษัทให้อยู่ในรูปแบบที่ AI Agent สามารถอ่านได้" โดยสามารถเริ่มต้นได้ง่ายๆ ผ่าน 3 ขั้นตอนดังนี้
ขั้นตอนแรกคือการจัดเตรียมข้อมูล เช่น ข้อมูลสินค้า สต็อก ราคา และกำหนดการส่งมอบ ให้อยู่ในรูปแบบที่เครื่องจักรสามารถอ่านได้อย่างถูกต้อง
สำหรับหน้าเว็บที่ออกแบบมาเพื่อมนุษย์ การฝังข้อมูลไว้ในรูปภาพหรือเลย์เอาต์เพื่อความสวยงามอาจไม่ใช่ปัญหา แต่สำหรับเอเจนต์ (Agent) จำเป็นต้องใช้ข้อมูลที่มีโครงสร้างชัดเจน เราจึงต้องตรวจสอบให้แน่ใจว่าชื่อสินค้า หมายเลขรุ่น ข้อมูลจำเพาะ ราคา สถานะสต็อก และระยะเวลาในการรอสินค้า (Lead time) ได้รับการจัดเตรียมในรูปแบบที่แยกรายการไว้อย่างชัดเจน
สิ่งที่สำคัญที่สุดคือความถูกต้องและความเป็นปัจจุบันของข้อมูล หากสินค้าที่หมดสต็อกถูกแสดงว่า "มีสินค้า" เอเจนต์จะทำการเลือกสินค้าผิดพลาดและนำไปสู่ความล้มเหลวในการทำธุรกรรม เอเจนต์ไม่สามารถตีความความคลุมเครือที่มนุษย์สามารถสอบถามเพิ่มเติมเพื่อแก้ไขได้ การปรับปรุงข้อมูลอาจเป็นงานที่ดูไม่โดดเด่น แต่เป็นรากฐานสำคัญสำหรับการรองรับ Agentic Commerce อีกทั้งยังเป็นการลงทุนที่คุ้มค่าเพราะส่งผลดีต่อธุรกิจอีคอมเมิร์ซโดยรวมและการทำ SEO (Search Engine Optimization) อีกด้วย
แม้จะเตรียมข้อมูลไว้พร้อม แต่หากเอเจนต์ (Agent) ค้นหาไม่พบ การเจรจาธุรกิจก็ย่อมไม่เกิดขึ้น ขั้นตอนต่อไปคือการออกแบบข้อมูลให้เอเจนต์ AI และ Generative AI ค้นพบและอ้างอิงได้ง่าย
แนวคิดนี้สอดคล้องกับ "การปรับแต่งเพื่อเครื่องมือสร้างเนื้อหา" (Generative Engine Optimization หรือ GEO) ซึ่งมีเป้าหมายเพื่อให้ Generative AI อ้างอิงถึงบริษัทของเราในคำตอบ การระบุข้อมูลจำเพาะและเงื่อนไขให้ชัดเจน การนำเสนอข้อมูลในรูปแบบที่เปรียบเทียบได้ง่าย รวมถึงการเขียนขอบเขตการใช้งานและข้อจำกัดของผลิตภัณฑ์โดยไม่คลุมเครือ จะช่วยให้เอเจนต์สามารถประเมินข้อมูลได้อย่างแม่นยำ
ในขณะที่ SEO แบบเดิมมีเป้าหมายหลักคือ "การทำให้มนุษย์คลิกผลการค้นหา" เป้าหมายในที่นี้คือ "การทำให้เอเจนต์รับรู้ถึงเราในฐานะตัวเลือกที่เหมาะสมและนำไปพิจารณา" ในระยะนี้ เราจำเป็นต้องให้ความสำคัญกับการนำเสนอข้อมูลทั้งต่อมนุษย์และเอเจนต์ควบคู่กันไป การใช้สำนวนที่คลุมเครือหรือการกล่าวอ้างเกินจริง แม้อาจจะดึงดูดใจมนุษย์ได้ แต่สำหรับเอเจนต์แล้ว อาจถูกตัดสินว่าเป็น "เงื่อนไขที่ไม่ชัดเจน" และกลายเป็นสาเหตุที่ทำให้ถูกคัดออกจากตัวเลือกได้
ขั้นตอนที่สามคือการออกแบบ "การ์ดเรล" (Guardrails) เพื่อให้การดำเนินงานมีความปลอดภัย ในขณะที่ยังคงสามารถทำธุรกรรมต่างๆ เช่น การเสนอราคาและการรับคำสั่งซื้อโดยอัตโนมัติได้
หากต้องการรองรับการทำธุรกรรมผ่านเอเจนต์ การจัดเตรียมการเสนอราคาและการรับคำสั่งซื้อในรูปแบบ API ถือเป็นแนวทางที่ใช้งานได้จริง อย่างไรก็ตาม ระบบอัตโนมัติย่อมมาพร้อมกับความเสี่ยง เช่น การสั่งซื้อที่ผิดพลาดหรือการเข้าถึงโดยไม่ได้รับอนุญาต จึงจำเป็นต้องออกแบบ "การ์ดเรล" ควบคู่ไปด้วย เช่น การกำหนดเพดานราคาและจำนวนสินค้า, การให้มนุษย์อนุมัติธุรกรรมที่เกินวงเงินที่กำหนด, การตรวจสอบความถูกต้องของเนื้อหาคำสั่งซื้อ และการตรวจจับรูปแบบการใช้งานที่ผิดปกติ
ไม่จำเป็นต้องขยายขอบเขตของระบบอัตโนมัติให้ครอบคลุมทั้งหมดในคราวเดียว แนวทางที่มั่นคงคือการเริ่มจากธุรกรรมที่ทำซ้ำๆ และมีความเสี่ยงต่ำก่อน แล้วค่อยๆ ปรับเปลี่ยนการ์ดเรลไปพร้อมกับการดำเนินงานจริง การรองรับด้วยเอเจนต์ไม่ควรถูกมองว่าเป็นทางเลือกระหว่าง "ระบบอัตโนมัติเต็มรูปแบบ" หรือ "การทำด้วยมือ" แต่ควรถูกมองว่าเป็นการออกแบบว่าควรคงการมีส่วนร่วมของมนุษย์ไว้ที่จุดใดบ้าง

ข้อสงสัยที่พบบ่อยเมื่อพิจารณาการนำ Agentic Commerce มาใช้ มีสรุปคำตอบไว้ 4 ประเด็นดังนี้
Agentic AI เป็นคำเรียกโดยรวมของ AI ที่สามารถวางแผนและดำเนินการได้ด้วยตนเอง ซึ่งเป็นแนวคิดที่นำไปประยุกต์ใช้กับงานที่หลากหลาย ไม่จำกัดเพียงแค่การซื้อขาย ส่วน Agentic Commerce หมายถึงการนำ Agentic AI ดังกล่าวมาประยุกต์ใช้ในขอบเขตของ "การพาณิชย์และการซื้อขาย" กล่าวคือ Agentic Commerce มีความสัมพันธ์ในฐานะที่เป็นหนึ่งในสาขาการประยุกต์ใช้ของ Agentic AI นั่นเอง
แม้จะไม่มีกำหนดวันที่เริ่มต้นที่ชัดเจน แต่การเตรียมความพร้อมที่ต้องใช้เวลาอย่างการจัดการข้อมูลนั้นคุ้มค่าที่จะเริ่มทำตั้งแต่เนิ่นๆ การทำให้ข้อมูลสินค้าและข้อมูลสต็อกอยู่ในรูปแบบที่เครื่องอ่านได้ (Machine-readable) ไม่เพียงแต่เป็นประโยชน์ต่อ Agentic Commerce เท่านั้น แต่ยังเป็นประโยชน์ต่อระบบ EC โดยรวมและ SEO อีกด้วย จึงไม่ถือเป็นการเสียเปล่า ในทางกลับกัน การเปิด API ทั้งหมดหรือการทำธุรกรรมอัตโนมัติ สามารถค่อยๆ ตัดสินใจทำเป็นขั้นตอนโดยพิจารณาจากปริมาณธุรกรรมและความสามารถในการรับความเสี่ยงของบริษัทตนเอง
ไม่ใช่ว่างาน EC และงานขายที่มีอยู่จะหายไป แต่ควรมองว่าเป็นการเพิ่มช่องทางผ่าน Agent เข้ามาใหม่มากกว่า โดยลูกค้าที่ซื้อโดยตรงจากมนุษย์และลูกค้าที่ผ่าน Agent จะอยู่ร่วมกัน งานขายอาจมีสัดส่วนการทำใบเสนอราคาแบบเดิมๆ ลดลง ซึ่งอาจช่วยให้พนักงานขายสามารถมุ่งเน้นไปที่งานที่ต้องใช้ทักษะเฉพาะของมนุษย์ เช่น การสร้างความสัมพันธ์และการนำเสนอข้อเสนอที่ซับซ้อนได้มากขึ้น
แม้ธุรกรรมจะไม่หยุดชะงักในทันที แต่เมื่อฝั่งผู้ซื้อมีการใช้ Agent มากขึ้น ผู้ขายที่ไม่ได้เตรียมข้อมูลในรูปแบบที่เครื่องอ่านได้จะถูกนำไปเปรียบเทียบโดย Agent ได้ยากขึ้น มีความเสี่ยงที่จะพลาดโอกาสในการเจรจาธุรกิจโดยไม่รู้ตัว ดังนั้น การเริ่มเตรียมความพร้อมโดยจัดลำดับความสำคัญจากสินค้าที่มีผลกระทบสูงจึงเป็นแนวทางที่เป็นจริงที่สุด

Agentic Commerce คือการเปลี่ยนแปลงของรูปแบบการค้าที่ตัวแสดงหลักในการซื้อเปลี่ยนจากมนุษย์ไปสู่ AI Agent ซึ่งสำหรับบริษัท B2B แล้ว นี่คือประเด็นสำคัญที่ตั้งคำถามว่า "คุณจะสามารถเป็นผู้ขายที่ถูกเลือกโดย Agent ได้หรือไม่"
มีการคาดการณ์ว่าความสามารถในการปฏิบัติงานแบบอัตโนมัติของ AI Agent จะเพิ่มสูงขึ้น และกระบวนการจัดซื้อแบบ B2B ส่วนใหญ่จะเปลี่ยนไปผ่านการทำงานของ Agent การเปลี่ยนแปลงนี้จะส่งผลไปถึงบทบาทของงานขายและตัวชี้วัดทางการตลาด การเตรียมความพร้อมของผู้ขายไม่จำเป็นต้องอาศัยนวัตกรรมที่ซับซ้อน แต่สามารถเริ่มต้นได้จาก 3 ขั้นตอนที่เป็นรูปธรรม ได้แก่ การปรับปรุงข้อมูลสินค้าและสต็อกให้อยู่ในรูปแบบที่เครื่องจักรสามารถอ่านได้ (Machine-readable), การออกแบบข้อมูลเพื่อให้ Agent ค้นพบและอ้างอิงได้ และการผลักดันการทำธุรกรรมอัตโนมัติภายใต้กรอบการควบคุม (Guardrails) ที่เหมาะสม
ไม่ใช่ว่าระบบ EC หรือการขายแบบเดิมจะหายไปในทันที ด้วยเหตุนี้ แนวทางที่สมเหตุสมผลที่สุดคือการรักษาช่องทางสำหรับมนุษย์เอาไว้ ควบคู่ไปกับการเตรียมช่องทางสำหรับ Agent โดยเริ่มจากสินค้าที่ได้รับผลกระทบสูงทีละน้อย ก็จะสามารถรับมือกับการเปลี่ยนแปลงได้โดยไม่ต้องใช้เงินลงทุนก้อนใหญ่ตั้งแต่เริ่มต้น
หากคุณมีข้อสงสัยเกี่ยวกับการรับมือกับ Agentic Commerce หรือการออกแบบกระบวนการทำงานโดยใช้ AI Agent สามารถ ติดต่อเราได้ที่นี่

Yusuke Ishihara
เริ่มเขียนโปรแกรมตั้งแต่อายุ 13 ปี ด้วย MSX หลังจบการศึกษาจากมหาวิทยาลัย Musashi ได้ทำงานพัฒนาระบบขนาดใหญ่ รวมถึงระบบหลักของสายการบิน และโครงสร้าง Windows Server Hosting/VPS แห่งแรกของญี่ปุ่น ร่วมก่อตั้ง Site Engine Inc. ในปี 2008 ก่อตั้ง Unimon Inc. ในปี 2010 และ Enison Inc. ในปี 2025 นำทีมพัฒนาระบบธุรกิจ การประมวลผลภาษาธรรมชาติ และแพลตฟอร์ม ปัจจุบันมุ่งเน้นการพัฒนาผลิตภัณฑ์และการส่งเสริม AI/DX โดยใช้ generative AI และ Large Language Models (LLM)