พลิกโฉม IT Service Desk ด้วย Agentic AI และ OpenAI Codex

 

คอร์สนี้ออกแบบมาเพื่อเสริมศักยภาพให้กับ IT leaders และ service desk managers ในการ transform การทำงานของ IT Service Desk ให้ก้าวข้ามจากระบบ reactive support แบบเดิมไปสู่ intelligent service delivery ที่ขับเคลื่อนด้วย AI

 

จุดเน้นของคอร์สผสมระหว่างมุมมองระดับ management และ hands-on labs จริง ครอบคลุม:

• Operational efficiency — ลดเวลาและทรัพยากรที่ใช้ต่อ ticket
• Service quality improvement — ยกระดับคุณภาพการแก้ปัญหา
• Workload reduction — ลด burden ของ human agents
• Data-driven decision making — ใช้ข้อมูลจริงนำการตัดสินใจ

 

โดยใช้ OpenAI Codex ผ่าน Agents SDK เป็น execution engine หลัก ที่แปลง service requests ให้กลายเป็น automated workflows และ digital service agents ที่ทำงานได้จริง

เมื่อจบคอร์สผู้เรียนจะสามารถ:

• ระบุ IT Service Desk processes ที่เหมาะกับการนำ Agentic AI มาใช้
• เข้าใจว่า Agentic AI ทำหน้าที่เป็น digital service desk workforce อย่างไร
• Redesign service desk workflows โดยใช้ AI-driven task execution models
• Build agentic workflows จริงด้วย OpenAI Codex + Agents SDK (Python)
• ประเมิน business impact ในมิติของ cost, SLA, และ user experience
• กำหนด governance, risk, และ control frameworks สำหรับ AI-enabled service desks
• วาง practical roadmap เพื่อ implement Agentic AI ในองค์กรจริง

DAY 1 — Understanding IT Service Desk Transformation with Agentic AI

Daily Objective: เข้าใจปัญหาของ IT Service Desk, เห็นภาพว่า Agentic AI แก้ปัญหาได้อย่างไร พร้อม setup environment และรัน helpdesk agent ตัวแรก

 

Session 1: IT Service Desk Challenges

เนื้อหา:

• High volume of repetitive tickets และ MTTR ที่สูง
• Inconsistent troubleshooting quality และ over-reliance on human agents
• Limited visibility into recurring incidents และ root causes
• Group Exercise:
• Map current service desk workflow ตาม incident lifecycle — ระบุจุด bottleneck และ repetitive tasks
• Takeaways:
• เข้าใจ inefficiencies และ cost drivers ของ service desk ปัจจุบัน
• มองเห็น L1 workload burden ได้ชัดเจน

 

Session 2: Evolution — Chatbot → Co-Pilot → Agentic AI

เนื้อหา:

• วิวัฒนาการ: Manual → Automation → AI → Agentic AI
• Traditional chatbot: ตอบคำถาม ไม่มี action
• AI Co-Pilot (เช่น Microsoft Copilot): แนะนำ + รอคนกด approve
• Agentic AI: รับ goal → วางแผน → ลงมือ → รายงานผล โดยอัตโนมัติ
• Agentic loop: Perceive → Plan → Act → Observe → Repeat
• Activity:
• เปรียบเทียบ 3 models บนกระดาษ: ใครทำอะไรได้บ้างใน scenario 'user ลืม password'
• Takeaways:
• เข้าใจ spectrum ของ AI maturity
• Co-Pilot ≠ Agentic AI — ต่างกันที่ autonomy และ accountability

 

Session 3: OpenAI Codex + Agents SDK — Architecture Overview

เนื้อหา:

• Agent = Instructions + Model + Tools
• Tools: function_tool, web_search, shell_tool, MCP servers
• Runner: orchestrate การรัน agents
• Handoffs: ส่งต่องานระหว่าง agents
• Human-in-the-loop: interrupt + approve ก่อน execute high-risk actions

 

Lab 1 — Setup & First Helpdesk Agent

สิ่งที่ทำใน Lab:

• Install openai-agents SDK และ setup API key
• สร้าง helpdesk agent ตัวแรก พร้อม instructions สำหรับ IT support
• รัน agent จริงด้วย scenario: 'ไม่สามารถเชื่อมต่อ VPN ได้'
• อ่านและวิเคราะห์ output ที่ agent สร้าง
• Takeaways:
• รัน agent จริงได้ด้วยตัวเอง
• เข้าใจ structure ของ Agent object และ runner

 

Session 4: Service Desk Data and Insight Generation

Lab 2 — Ticket Analysis Agent

สิ่งที่ทำใน Lab:

• เขียน function_tool สำหรับดึง ticket data
• สร้าง analytics agent ที่วิเคราะห์ sample ticket history
• Agent categorize incidents, identify patterns, และ recommend automation candidates
• นำ output ไปใช้วางแผน automation priority
• Takeaways:
• เขียน function_tool ได้
• เห็นว่า AI สรุป insights จาก data ได้อัตโนมัติ
• เชื่อมโยง data analysis กับ problem management

 

DAY 2 — Designing AI-Driven Service Desk Workflows

Daily Objective: ออกแบบและ implement agentic workflows สำหรับ incident handling, request fulfillment และ multi-agent orchestration

 

Session 1: Incident Workflow Redesign with AI

เนื้อหา:

• แปลง ITIL incident process เป็น agentic workflow
• ระบุ decision points ที่ AI ตัดสินใจได้เอง vs ต้องมีคน approve
• Tool design: ออกแบบ tools ให้ตรงกับ IT operations จริง

 

Lab 3 — Incident Triage Agent with Tools

สิ่งที่ทำใน Lab:

• สร้าง function tools สำหรับ check_system_status และ create_ticket
• Agent ใช้ tools หลายตัวใน single run (tool chaining)
• Agent ตรวจสอบระบบ → จัด priority → สร้าง ticket อัตโนมัติ
• ทดสอบด้วย scenarios ต่างๆ และดู reasoning ของ agent

 

Takeaways:

• เข้าใจ tool chaining
• agent ตัดสินใจ flow ได้เองโดยไม่ต้อง hardcode if/else
• เห็น automatic decision-making จริงใน IT context

 

Session 2: Request Fulfillment Automation

เนื้อหา:

• Converting ITIL request fulfillment process เป็น AI workflow
• การลด manual intervention ในงาน routine requests
• Policy enforcement ผ่าน tool design — ไม่ต้อง hardcode rules

 

Lab 4 — Request Fulfillment Agent

สิ่งที่ทำใน Lab:

• สร้าง tools สำหรับ password reset, software license check, submit request
• Agent จัดการ request แต่ละประเภทด้วย logic ที่แตกต่างกัน
• ทดสอบ: password reset (auto-approve) vs software install (ต้อง submit for approval)
• วิเคราะห์ว่า agent enforce policy ผ่าน tool design อย่างไร
• Takeaways:
• เห็น automation ที่แตกต่างตาม request type
• เข้าใจ policy-as-code ผ่าน tool design

 

Session 3: Agentic Workflow Orchestration — Multi-Agent Handoffs

เนื้อหา:

• Multi-agent pattern: Triage Agent → Specialist Agents
• Handoffs: agent ส่งงานต่อให้ agent อื่นเมื่อเกินความสามารถ
• Exception handling: เมื่อ agent ไม่สามารถแก้ปัญหาได้ → escalation logic

 

Lab 5 — Multi-Agent Helpdesk System

สิ่งที่ทำใน Lab:

• สร้าง Specialist Agents: Network, Account, Hardware
• สร้าง Triage Agent ที่ route งานไปยัง specialist ที่ถูกต้อง
• Scenario: user รายงานปัญหาหลายอย่างพร้อมกัน
• ดู automatic routing โดยไม่ต้อง hardcode category rules
• Takeaways:
• Build multi-agent system ได้จริง
• เข้าใจ handoff mechanism และ agent routing
• เห็น AI-human collaboration ในระดับ system design

 

Session 4: AI as Service Desk Co-Pilot — Human-in-the-Loop

เนื้อหา:

• Human-in-the-loop pattern: agent ทำงานได้ แต่ high-risk actions ต้องรอ approve
• Enhancing agent productivity ด้วย issue summary และ suggested resolution
• Improving service consistency และ documentation quality

 

Lab 6 — Human-in-the-Loop Approval Workflow

สิ่งที่ทำใน Lab:

• ระบุ actions ที่เป็น high-risk เช่น disable account, delete data
• Implement approval hook ใน Agents SDK
• ทดสอบ: agent pause → แสดงรายละเอียด → รอ human confirm → execute
• เชื่อมโยง code กับ governance policy จริง
• Takeaways:
• เข้าใจ human-in-the-loop ในทางปฏิบัติ ไม่ใช่แค่ทฤษฎี
• รู้ว่า action ไหนควร automate ได้เลย vs ต้องรอ approve

 

DAY 3 — Governance, Strategy, and Implementation

Daily Objective: ครอบคลุม analytics, governance controls, business case และ capstone — build full agentic helpdesk system

 

Session 1: Service Desk Analytics and Continuous Improvement

Lab 7 — Analytics & Pattern Detection Agent

สิ่งที่ทำใน Lab:

• สร้าง analytics agent ที่วิเคราะห์ ticket history แบบ aggregated
• Identify recurring incidents, bottlenecks, และ high-impact systems
• Agent สร้าง actionable recommendations สำหรับ service improvement
• นำ output ไปใช้วาง automation roadmap
• Takeaways:
• AI สนับสนุน problem management, service optimization, และ performance monitoring
• เชื่อมโยง analytics กับ continuous improvement loop

 

Session 2: Governance, Risk, and Control

เนื้อหา:

• AI accountability: ใครรับผิดชอบเมื่อ agent ทำผิด?
• Data sensitivity: ticket data มี PII — ต้อง handle อย่างไร
• Human-in-the-loop matrix: action ไหน automate ได้ vs ต้อง approve
• Audit trail: log ทุก action ที่ agent ทำ
• Enterprise-safe AI deployment guidelines

 

Workshop — Governance Matrix:

• ผู้เรียนสร้าง governance matrix สำหรับ service desk ขององค์กรตัวเอง โดยกำหนด: Allowed AI actions / Restricted actions / Escalation triggers / Audit requirements
• Takeaways:
• สร้าง governance framework ที่ map กับ code จริงได้
• เข้าใจ enterprise-safe AI deployment อย่างเป็นรูปธรรม

 

Session 3: Business Case and Implementation Roadmap

เนื้อหา:

• Cost reduction vs value creation — คำนวณ ROI เบื้องต้น
• SLA improvement: MTTR before vs after AI — วัดผลได้จริง
• Phased rollout: Pilot (L1 automation) → Expand → Full orchestration

Activity (Capstone Preparation):

• ระบุ use case จากองค์กรตัวเอง
• ประเมิน ROI เบื้องต้น
• วาง phased roadmap 3 / 6 / 12 เดือน
• Takeaways:
• สามารถ justify AI investment สำหรับ IT operations ได้อย่างมีเหตุผล
• มี roadmap ที่ realistic และ measurable

 

Session 4: Capstone — IT Service Desk Transformation Plan

 

Capstone Lab — Full Agentic Helpdesk System:

ผู้เรียน integrate ทุกอย่างที่เรียนมาตลอด 3 วัน เป็น production-ready prototype ขององค์กรตัวเอง

Deliverables:

• Working Python prototype — agentic helpdesk system ที่รันได้จริง
• Architecture diagram แสดง agent flow และ tool connections
• Governance matrix ที่ tailored สำหรับ use case ขององค์กร
• Business case: expected ROI + phased implementation roadmap
• Presentation: transformation strategy + live demo

 

Takeaways:

• End-to-end capability: Analyze → Design → Build → Govern → Implement
• นำ prototype กลับไป adapt กับ ITSM tools จริงในองค์กรได้ทันที

• IT Service Desk Managers
• IT Operations Leaders
• Head of IT / CIO Office
• Service Delivery Managers
• ITSM / ITIL Practitioners
• Digital Transformation Leads

หมายเหตุ: ผู้เรียนควรมีพื้นฐาน Python เบื้องต้น เพื่อสามารถทำ hands-on labs ได้อย่างมีประสิทธิภาพ

สิ่งที่ผู้อบรมต้องมี

• Python 3.10+ และ pip
• OpenAI API Key (ต้องการ credit สำหรับรัน labs)
• VS Code หรือ editor ที่ถนัด
• พื้นฐาน Python เบื้องต้น (สร้าง function, import library ได้)