ผมลองสร้างบริษัทที่มี AI เป็นทีมงานจริงๆ

ช่วงนี้ใครๆ ก็ใช้ AI ช่วยเขียนโค้ดกันเยอะ ผมก็เริ่มจากจุดนั้นเหมือนกัน ให้มันอ่าน codebase แก้ bug เขียน feature หรือช่วยสรุป document ที่ไม่อยากนั่งไล่เอง

แต่พอใช้ไปสักพัก ผมเริ่มมีคำถามแปลกๆ โผล่มาในหัว

ไม่ใช่เปิดหลายแชทแล้วตั้งชื่อเล่นเฉยๆ แต่ให้มันมี role ของตัวเอง มี task มี handoff มีคน review มี log ว่าใครทำอะไรไว้ แล้วสุดท้าย deploy ออกมาให้กดดูได้จริง

ผมเลยลอง setup ให้มันเหมือนบริษัทเล็กๆ

ใน SekApp ผมลองแยก AI agents ออกเป็น role ต่างๆ เหมือนทีม software เล็กๆ มี PO, UX/UI, Dev, DevOps, QA, Project Coordinator, Marketing และ Admin

แต่ละ agent ไม่ได้ทำเหมือนกันหมด PO ช่วยแตก requirement, UX/UI ทำ preview, Dev เขียน code, DevOps ดู deploy, QA ไล่ test ส่วน Project Coordinator คอยดู flow งานทั้งบอร์ด

ฟังดูเหมือนจัดฉากนิดนึง แต่พอลองจริง flow มันเริ่มวิ่ง งานไหลจาก agent หนึ่งไปอีก agent หนึ่ง มี handoff มี comment มี preview มี staging link ให้เปิดดู

พอลองจริง มันไม่ได้เนียนทุกอย่าง

พูดตรงๆ มันไม่ใช่ magic button ที่กดทีเดียวแล้วทุกอย่างจบ AI เก่งก็จริง แต่ไม่ได้แปลว่ามันจะรู้ใจเราตลอดเวลา

บางวันมันช่วยได้เยอะมาก แบบถ้าทำคนเดียวคงใช้เวลานานกว่านี้หลายเท่า แต่บางวันก็มี moment ที่ต้องนั่งมองจอแล้วคิดว่า “เดี๋ยวนะ เมื่อกี้พวกเอ็ง sync กันจริงปะ”

พอลองจริงถึงรู้ว่า guardrails สำคัญมาก ถ้าไม่มีมัน AI จะ improvise ไปเรื่อย บางทีไปไกลกว่าที่เราตั้งใจไว้ด้วยซ้ำ แล้วถ้าไม่มี source of truth งานก็เริ่มจำกันคนละแบบ ส่วน action ที่เสี่ยงๆ ก็ต้องมี approval flow คั่นไว้ ไม่งั้นปล่อย auto แล้วใจหายเหมือนกัน

Technical + Architecture ที่ผมต่อไว้

หลังบ้านของ setup นี้ไม่ได้ทำให้ซับซ้อนเพื่อโชว์อะไรขนาดนั้น ผมเน้นให้มันใช้งานได้จริงก่อน เลยไปหยิบ tool ที่ทีม dev / devops ใช้กันอยู่แล้วมาต่อกัน แล้วให้ AI เข้าไปทำงานใน workflow นั้นๆ

หลักคิดคือให้ AI ทำงานอยู่ใน workflow ที่เราวางไว้ ไม่ใช่ให้มันเดาทางเองทุกครั้ง งานไหนต้องมี evidence ก็เขียนลงไฟล์ งานไหนต้องผ่านคนก็รอ approve งานไหนต้อง test ก็มี staging ให้เปิดดู

Resource ที่ใช้จริง ไม่ใช่แค่ mockup

ชุดนี้รันบน resource จริง มี server, domain, container, staging, dashboard, script และ cost ที่ต้องดูจริง เวลาปรับอะไรทีมก็ต้องเห็นผลบนของที่เปิดใช้ได้จริง

• AWS server สำหรับรัน OpenClaw, dashboard, staging และ service ต่างๆ
• Domain sekapp.xyz สำหรับ dashboard และ staging preview
• Docker containers สำหรับแยก service ที่เอามา deploy ทดลอง
• Linear + GitLab สำหรับ task, source code และ artifact
• Cost tracking เอาไว้ดูว่า AI team burn ไปเท่าไร ไม่ใช่ปล่อยไหล
• Memory / chat log / heartbeat เอาไว้ให้ทีมจำ context สำคัญ แล้วกลับมาทำงานต่อได้

ตรงนี้เป็นส่วนที่ผมว่าสนุกที่สุด เพราะ AI ไม่ได้อยู่แค่ใน chat box แล้ว แต่มาอยู่ใน software workflow จริงๆ

ตอนนี้น่าจะเป็นแค่จุดเริ่มต้น

บทความนี้ผมขอเล่า overview ก่อนว่ากำลังลองทำอะไรอยู่ และทำไมผมว่ามันน่าสนใจ

ตอนต่อๆ ไปน่าจะค่อยๆ แกะทีละชิ้น เช่น design role ของ AI agents ยังไง, handoff ทำยังไง, ทำไมต้องมี approval, cost ของ AI team คุมยังไง และอะไรที่ลองแล้วเวิร์ก/ไม่เวิร์ก