n8n ถึงกาลอวสานแล้วหรือยัง? ปี 2569 ยังจำเป็นอยู่ไหมเมื่อ AI Agent ทำเองได้

ทำไมถึงมีคนพูดว่า n8n จะตาย

ความรู้สึกนี้มีเหตุผลรองรับจริง เพราะปี 2569 เครื่องมือฝั่ง agent ขยับเข้ามาทับพื้นที่เดิมของ workflow tool อย่างชัดเจน:

• เมษายน 2569 — Claude Managed Agents เปิดตัว พร้อมชั้นโครงสร้างพื้นฐานที่เดิมต้องประกอบเอง ทั้ง sandbox รันโค้ด จัดการ credential สิทธิ์แบบจำกัดขอบเขต และการติดตามการทำงาน
• เดือนเดียวกัน — Routines ทำให้สั่ง agent วิ่งตามเวลา ตาม API หรือตาม event ได้ ซึ่งคือหน้าที่หลักอย่างหนึ่งของ workflow tool มาตลอด
• กรกฎาคม 2569 — ChatGPT Work เปิดตัวโดยชูจุดขายว่าทำงานข้ามแอปและไฟล์จนได้ผลงานที่ส่งต่อได้ในคำสั่งเดียว

ตอน Managed Agents เปิดตัว ความเห็นในวงการแตกเป็นสองฝั่งทันที ฝั่งหนึ่งประกาศว่า workflow tool จบแล้ว อีกฝั่งบอกว่า agent เป็นแค่ของเล่นราคาแพง — ซึ่งเวลาผ่านมาหลายเดือนพิสูจน์ว่าทั้งสองฝั่งพูดผิดทั้งคู่

ตัวเลขที่บอกว่ายังไม่ตาย

แล้ว agent กินงานอะไรไปแล้วบ้าง

ต้องพูดให้ตรงว่า มีงานที่เมื่อก่อนคนสร้างเป็น workflow ยาว ๆ แล้ววันนี้ไม่ต้องแล้วจริง ๆ

• การต่อ node หลายสิบตัวเพื่อ "แยกประเภทแล้วแตกทาง" — เดิมต้องเขียนเงื่อนไข if/else เป็นสิบชั้นเพื่อรองรับข้อความที่มาไม่เหมือนกัน วันนี้ให้โมเดลอ่านแล้วตัดสินใจครั้งเดียวจบ
• งานที่ขั้นตอนงอกระหว่างทาง เช่น สืบหาสาเหตุปัญหา หรืออ่านเอกสารยาวแล้วสรุปสิ่งที่ขัดกัน
• งานตั้งเวลาที่เกี่ยวกับโค้ดล้วน ๆ เช่น ตรวจโค้ดทุกคืนหรืออัปเดต dependency ซึ่ง Routines ทำได้โดยไม่ต้องมี workflow มาคั่น

ถ้างานขององค์กรคุณเป็นสามแบบนี้ล้วน ๆ การเลิกใช้ workflow tool ก็เป็นการตัดสินใจที่มีเหตุผล

งานที่ workflow ยังชนะขาด

ข้อได้เปรียบที่คนไทยมักลืมนับ: self-host

n8n เวอร์ชันชุมชนติดตั้งเองได้ฟรี ไม่มีเพดานจำนวน workflow หรือจำนวนการรัน ซึ่งมีนัยสำคัญกับองค์กรไทยสองกลุ่ม กลุ่มแรกคือหน่วยงานที่มีข้อกำหนดว่าข้อมูลบางประเภทต้องอยู่ในเครือข่ายของตัวเอง กลุ่มที่สองคือองค์กรที่ต้องการควบคุมว่าอะไรบ้างที่ถูกส่งออกไปหาโมเดลบนคลาวด์

รูปแบบที่ใช้ได้จริงคือ ให้ workflow ที่ติดตั้งเองทำหน้าที่คัดกรองและปกปิดข้อมูลก่อน แล้วค่อยส่งเฉพาะส่วนที่จำเป็นออกไปให้โมเดลประมวลผล — ได้ความสามารถของโมเดลบนคลาวด์ โดยที่ข้อมูลดิบไม่ออกนอกองค์กร ใครที่อยากไปให้สุดทางนี้ ยังมีทางเลือกรันโมเดลในองค์กรเองซึ่งเราเขียนไว้ที่ Ollama API — เชื่อมต่อ AI กับแอปและระบบขององค์กร

บริบทตลาดที่ทำให้ทั้งสองฝั่งโตพร้อมกัน

เหตุผลที่ทั้ง agent และ workflow โตไปด้วยกันได้ อยู่ที่ขนาดของตลาดที่กำลังขยาย ไม่ใช่การแย่งชิ้นเค้กก้อนเดิม Gartner คาดว่าภายในปี 2569 ราว 40% ของแอปพลิเคชันระดับองค์กรจะมี AI agent เฉพาะงานฝังอยู่ด้วย เพิ่มจากที่ต่ำกว่า 5% ในปี 2568

ตัวเลขนี้แปลเป็นภาษาปฏิบัติได้ว่า ในอีกไม่กี่ปีข้างหน้า องค์กรทั่วไปจะไม่ได้มี agent ตัวเดียว แต่จะมีหลายตัวกระจายอยู่ในหลายระบบ — ซึ่งพอถึงจุดนั้น คำถามจะเปลี่ยนจาก "จะใช้ agent ไหม" เป็น "ใครคุมว่า agent ตัวไหนแตะอะไรได้บ้าง และเราตรวจย้อนหลังได้หรือเปล่า" นั่นคือเหตุผลที่ชั้นเชื่อมต่อและชั้นควบคุมมีความสำคัญเพิ่มขึ้น ไม่ใช่ลดลง

เส้นแบ่งที่ใช้ตัดสินใจได้จริง

จะเห็นว่าคำตอบของเกือบทุกแถวไม่ใช่ "อันใดอันหนึ่ง" — และนี่คือข้อสรุปเดียวกับที่เราได้จากการมองคำถามนี้จากฝั่งตรงข้ามในบทความ Claude Agent จบในตัวได้ไหม

ในบริบทของระบบ ERP

กระบวนการ ERP เป็นตัวอย่างที่เห็นภาพชัด เพราะเกือบทุกกระบวนการมีขั้นตอนสองประเภทปนกันอยู่ ตัวอย่างเช่นการรับใบเสนอราคาเข้ามาทางอีเมล: การดึงไฟล์แนบ แปลงเป็นข้อความ บันทึกเข้าระบบ และแจ้งผู้เกี่ยวข้อง เป็นขั้นตอนตายตัวที่ควรอยู่ใน workflow ส่วนการอ่านเอกสารที่รูปแบบไม่ตายตัวแล้วดึงรายการสินค้ากับราคาออกมา คือขั้นที่ควรเรียกโมเดล และการอนุมัติจริงต้องเป็นคน — ไม่ใช่เพราะโมเดลทำไม่ได้ แต่เพราะความรับผิดชอบทางกฎหมายอยู่ที่คน

สำหรับ Saeree ERP เราพูดตรง ๆ ว่า AI Assistant ของเรายังอยู่ในช่วง Training ยังไม่ได้เปิดให้ลูกค้าใช้เป็นฟีเจอร์ ส่วนที่ระบบทำได้แล้ววันนี้คือฐานที่ทั้ง workflow และ agent ต้องพึ่ง — เส้นทางอนุมัติที่กำหนดผู้ลงนามได้ตามลำดับ การตรวจวงเงินคงเหลือก่อนอนุมัติ การแยกยอดจอง ผูกพัน และค้างจ่ายออกจากกัน และร่องรอยการอนุมัติที่ตรวจย้อนหลังได้ทุกขั้น

สรุป

คำว่า "อวสาน" ไม่ตรงกับสิ่งที่เกิดขึ้นจริง สิ่งที่เกิดคือการเปลี่ยนบทบาท — จากเดิมที่ workflow tool คือที่ที่ตรรกะทั้งหมดถูกวาดเป็นเส้น มาเป็นชั้นที่รับผิดชอบสิ่งที่ agent ทำได้ไม่ดี ได้แก่ การเชื่อมระบบ การจัดคิว ขั้นอนุมัติของคน การกรองข้อมูลก่อนออกนอกองค์กร และร่องรอยที่ตรวจสอบได้ ส่วนตรรกะที่เดิมต้องวาดเป็นสิบ node ก็ยุบลงเหลือการเรียกโมเดลครั้งเดียว

คำแนะนำที่ตรงที่สุดสำหรับองค์กรที่กำลังลังเล: อย่าเพิ่งรื้อของที่ใช้อยู่ ให้เลือกกระบวนการที่ยาวและมีเงื่อนไขเยอะที่สุดหนึ่งอัน แล้วลองแทนที่กลุ่ม node เงื่อนไขด้วยการเรียกโมเดลครั้งเดียว วัดสองอย่างคือเวลาที่ประหยัดได้และต้นทุนต่อรายการ ถ้าคุ้มค่อยขยาย นั่นคือวิธีที่ทำให้ได้ประโยชน์จากทั้งสองฝั่งโดยไม่ต้องเดิมพันว่าใครจะชนะ

n8n ไม่ได้ถูก AI agent ฆ่า แต่ถูกย้ายที่นั่ง — จากคนเขียนตรรกะทั้งหมด มาเป็นคนคุมประตูเข้าออก ซึ่งเป็นตำแหน่งที่สำคัญกว่าเดิมด้วยซ้ำ

- ทีมงาน Saeree ERP

แหล่งอ้างอิง

• Bloomberg — SAP invests in AI automation startup n8n at $5.2 billion value
• Trending Topics — SAP bets big on AI, invests in n8n at a $5.2B valuation
• n8n Blog — Series C: getting AI closer to value with orchestration
• Atlan — n8n for enterprise AI workflows
• IronPlate — Claude Code Routines vs n8n
• Zarif Automates — Claude Managed Agents vs n8n