ผู้นำทางความคิด
เมื่อระบบ AI ให้คำตอบตรงกัน นั่นยังไม่ใช่ข้อพิสูจน์: ผลจากคำถามตรวจสอบข้อเท็จจริงเกี่ยวกับผลิตภัณฑ์ 300 ข้อ

ประเด็นสำคัญความสอดคล้องระหว่างโมเดลวัดว่าฉบับหนึ่งแพร่หลายมากเพียงใด…
ดูเพิ่มเติม
- ความสอดคล้องระหว่างโมเดลวัดว่าฉบับหนึ่งแพร่หลายมากเพียงใด มากกว่าว่าฉบับนั้นเป็นปัจจุบันหรือไม่
- การตรวจสอบไขว้จับความคลาดเคลื่อนของเอนจินเดียวได้ แต่ไม่สามารถตรวจจับคำตอบที่ทุกโมเดลมีร่วมกันได้
- คำตอบสามารถมีบันทึกอย่างเป็นทางการครบทุกฉบับ ขณะที่จัดบันทึกเหล่านั้นไว้ในชั้นที่ไม่ถูกต้อง
บทความนี้อ้างอิงผลการศึกษาของ Scento ในเดือนตุลาคม 2026 ว่าด้วยวิธีที่ ChatGPT, Gemini และ Perplexity ตอบคำถามเกี่ยวกับโน้ตน้ำหอม (ระเบียบวิธี ข้อมูล และข้อจำกัดทั้งหมด)
แนวทางป้องกันความผิดพลาดที่ใช้กันทั่วไปในการออกแบบเอเจนต์ AI คือถามโมเดลมากกว่าหนึ่งตัว หรือถามโมเดลเดิมซ้ำ แล้วเชื่อคำตอบที่ตรงกัน แนวคิดนี้มีหลักฐานรองรับอย่างมั่นคง ความสอดคล้องในตัวเอง ซึ่งสุ่มเส้นทางการให้เหตุผลหลายแบบแล้วเลือกคำตอบที่ได้เสียงข้างมาก ช่วยเพิ่มความแม่นยำในการทดสอบมาตรฐานด้านการให้เหตุผล ส่วนการใช้โมเดลหนึ่งประเมินอีกโมเดลหนึ่ง ซึ่งศึกษาไว้ในงาน การประเมิน LLM ในฐานะผู้ตัดสิน ให้ผลสอดคล้องกับผู้ประเมินที่เป็นมนุษย์ในระดับสูง แม้ผู้เขียนจะบันทึกอคติด้านตำแหน่ง ความยืดยาว และการยกยอตนเองไว้ด้วย
ข้อเท็จจริงเกี่ยวกับผลิตภัณฑ์เป็นเรื่องเหมาะสำหรับทดสอบว่าคำตอบที่ตรงกันหมายถึงความถูกต้องหรือไม่ เพราะโดยปกติบริษัทผู้ผลิตจะเป็นผู้เผยแพร่คำตอบที่ถูกต้องไว้เป็นลายลักษณ์อักษร เราทดสอบเรื่องนี้กับน้ำหอม และได้คำตอบว่า ถูกต้องเพียงบางส่วนเท่านั้น
วิธีการทดสอบ
พรอมป์ต์เป็นประโยคเดียวที่ถามถึงโน้ตบน โน้ตกลาง และโน้ตฐานของน้ำหอม เราส่งพรอมป์ต์นี้สำหรับน้ำหอมแต่ละกลิ่นจากทั้งหมด 100 กลิ่น ซึ่งมาจาก 45 แบรนด์ ให้ ChatGPT, Gemini และ Perplexity ในวันที่ 20 ตุลาคม 2026 เรียกใช้แต่ละครั้งเพียงครั้งเดียว เป็นภาษาอังกฤษ และจากตำแหน่งในสหรัฐฯ รวมทั้งสิ้น 300 ครั้ง Gemini ตอบกลับ 99 คำตอบ เนื่องจากการเรียกใช้ครั้งหนึ่งเกิดข้อผิดพลาดของบริการ
สำหรับน้ำหอม 91 กลิ่น เราใช้อ้างอิงรายการโน้ตที่แบรนด์เผยแพร่บนเว็บไซต์ของตนเอง ส่วนอีก 9 กลิ่นใช้อ้างอิงรายการที่ร้านค้าปลีกซึ่งได้รับอนุญาตสองแห่งเห็นตรงกัน การให้คะแนนทำด้วยสคริปต์ที่ไม่ได้ใช้โมเดลภาษาเลย สคริปต์จับคู่โน้ตทุกตัวในแต่ละคำตอบกับอภิธานศัพท์ที่มีโน้ต 411 รายการ แล้วนำผลไปเทียบกับข้อมูลอ้างอิง เมื่อตรวจการให้คะแนน 20 รายการด้วยตนเอง พบว่า 17 รายการตรงกันทุกประการ และ 19 รายการต่างกันไม่เกินหนึ่งโน้ต การตรวจนี้ไม่ได้ทำแบบปกปิดข้อมูล เพราะผู้ตรวจมองเห็นผลลัพธ์ของสคริปต์
เราวัดผล 4 ด้าน ได้แก่ ความครอบคลุม (คำตอบมีโน้ตทางการกี่รายการ) ความแม่นยำ (โน้ตที่ระบุเป็นโน้ตทางการกี่รายการ) การตรงกันทุกประการ (มีโน้ตทางการครบและไม่มีรายการอื่นเพิ่ม) และตำแหน่ง (โน้ตแต่ละรายการอยู่ในชั้นบน ชั้นกลาง หรือชั้นฐานที่ถูกต้องหรือไม่)
ข้อค้นพบที่ 1: ระบบต่าง ๆ เห็นตรงกันว่ามีโน้ตอะไรบ้าง
เมื่อพิจารณาความครอบคลุม ระบบทั้งสามแทบไม่ต่างกัน ค่ามัธยฐานของความครอบคลุมอยู่ที่ 1.00 สำหรับแต่ละระบบ ChatGPT ระบุโน้ตทางการครบทุกตัวใน 82% ของคำตอบ Perplexity ทำได้ 78% และ Gemini ทำได้ 69%
แต่คำตอบที่ตรงกันครบถ้วนนั้นพบได้น้อยกว่ามาก จากน้ำหอม 99 กลิ่นที่ระบบทั้งสามตอบ ทั้งสามระบบระบุโน้ตทางการครบทุกตัวสำหรับ 59 กลิ่น มีเพียง 39 กลิ่นเท่านั้นที่ทั้งสามระบบให้คำตอบตรงกับรายการทางการทุกประการ อย่างน้อยหนึ่งระบบให้คำตอบตรงทุกประการสำหรับน้ำหอม 79 กลิ่น และสำหรับ 20 กลิ่น ไม่มีระบบใดให้คำตอบตรงทุกประการ
ในประมาณ 1 ใน 5 ของกรณี (น้ำหอม 20 กลิ่นจาก 99 กลิ่น) ระบบทั้งสามระบุโน้ตทางการครบทุกตัว แต่มีอย่างน้อยหนึ่งระบบเพิ่มโน้ตที่ไม่มีอยู่ในรายการด้วย หากตรวจเพียงความครอบคลุม คำตอบทั้งสามก็จะผ่านการตรวจ
ข้อค้นพบที่ 2: คำตอบที่ตรงกันยังผ่านการตรวจด้วยฉันทามติทุกแบบ
ผลลัพธ์ที่ให้ข้อคิดมากที่สุดคือกรณีที่ระบบต่าง ๆ ให้คำตอบตรงกัน
สำหรับ Jean Paul Gaultier Le Male Elixir ร้านค้าปลีกสองแห่งที่เห็นตรงกันระบุโน้ตไว้ 3 รายการ ได้แก่ ลาเวนเดอร์เป็นโน้ตบน ถั่วตองกาเป็นโน้ตกลาง และเบนโซอินเป็นโน้ตฐาน ChatGPT, Gemini และ Perplexity ต่างให้พีระมิดโน้ต 7 รายการที่เหมือนกันทุกประการ แต่ละระบบมีโน้ตอ้างอิงครบทั้ง 3 รายการ โดยวางถั่วตองกากับเบนโซอินสลับชั้นกัน และเพิ่มโน้ตอีก 4 รายการ ระบบอิสระสามระบบให้คำตอบเดียวกันทุกประการ และคำตอบนั้นคลาดเคลื่อนจากข้อมูลอ้างอิงในจุดเดียวกัน
สำหรับ Viktor&Rolf Flowerbomb แบรนด์ระบุโน้ตไว้ 4 รายการ Gemini และ Perplexity ต่างให้พีระมิดโน้ต 11 รายการแบบเดียวกัน โดยขาดโน้ตทางการไปหนึ่งรายการและเพิ่มมาอีก 8 รายการ จากนั้น Perplexity ระบุว่าคำอธิบายปัจจุบันของแบรนด์เน้นโน้ตทางการทั้ง 4 รายการ จึงเก็บข้อมูลไว้ทั้งสองเวอร์ชัน แต่เริ่มต้นด้วยเวอร์ชันเก่า
ข้อมูลของเราไม่อาจบอกได้ว่าทำไมคำตอบจึงตรงกัน แต่ประเด็นในทางปฏิบัติไม่ได้ขึ้นอยู่กับสาเหตุ เมื่อระบบต่าง ๆ อาศัยคลังข้อความจากเว็บชุดเดียวกัน การลงคะแนนเสียงข้างมากย่อมบอกได้ว่าเนื้อหาเวอร์ชันหนึ่งแพร่หลายเพียงใด ไม่ใช่ว่าเป็นข้อมูลปัจจุบันหรือไม่ การที่ระบบเหล่านั้นเห็นตรงกันจึงเป็นหลักฐานเพียงเล็กน้อยว่าคำตอบตรงกับสิ่งที่แบรนด์เผยแพร่ในปัจจุบัน
ข้อค้นพบที่ 3: คำตอบที่ต่างจากระบบอื่นเพียงระบบเดียวตรวจพบได้ง่าย
โน้ตส่วนเกินบางรายการมาจากระบบใดระบบหนึ่งเพียงระบบเดียว และการเปรียบเทียบคำตอบก็ช่วยจับกรณีเช่นนี้ได้พอดี ในคำตอบของ Gemini มี 32% ที่เพิ่มโน้ตอย่างน้อยหนึ่งรายการซึ่งไม่มีระบบอื่นระบุ เทียบกับ 10% สำหรับ ChatGPT และ 11% สำหรับ Perplexity
สำหรับ Prada Infusion de Vétiver แบรนด์ระบุโน้ตไว้ 4 รายการ ChatGPT และ Perplexity ให้โน้ตทั้ง 4 รายการนั้นครบถ้วนและอยู่ในตำแหน่งที่ถูกต้องทุกประการ ส่วน Gemini ตอบมา 12 รายการ ซึ่งมี 8 รายการที่ไม่มีระบบอื่นระบุ ทำให้มีค่าความแม่นยำ 0.33 สำหรับ Rochas Eau de Rochas Perplexity ตอบตรงกับรายการ 10 โน้ตทุกประการ ขณะที่ Gemini ระบุโน้ต 18 รายการ โดย 10 รายการในนั้นไม่มีระบบอื่นระบุ
การตรวจสอบข้ามระบบได้ผลดีในกรณีนี้ เพราะคำตอบที่แตกต่างจะเห็นเด่นชัดเมื่อเทียบกับคำตอบสองชุดที่ตรงกัน นี่คือความไม่สมมาตรที่ผู้สร้างระบบควรคำนึงถึง ความเห็นต่างเป็นสัญญาณเตือนที่มีประโยชน์ ส่วนความเห็นตรงกันไม่ใช่ใบรับรอง
ข้อค้นพบที่ 4: ข้อเท็จจริงถูกต้อง แต่โครงสร้างผิด
คำตอบบางส่วนมีโน้ตกลิ่นถูกต้อง แต่จัดวางไว้ผิดตำแหน่ง สำหรับ Montblanc Explorer ChatGPT ระบุโน้ตกลิ่นอย่างเป็นทางการได้ตรงกัน 6 จาก 9 รายการ แต่ในจำนวน 6 รายการนี้ มีเพียง 2 รายการที่อยู่ในระดับที่ถูกต้อง คิดเป็นความแม่นยำในการจัดวาง 33% การตรวจสอบที่ถามเพียงว่าโน้ตกลิ่นปรากฏอยู่ที่ใดสักแห่งในคำตอบหรือไม่ จะไม่พบว่า 4 ใน 6 รายการนั้นอยู่ผิดระดับ
สำหรับเอเจนต์ที่นำข้อเท็จจริงเกี่ยวกับผลิตภัณฑ์ไปใช้ประกอบการตัดสินใจ โครงสร้างก็มีความหมายเช่นกัน เช่นเดียวกับขนาด ความเข้ากันได้ ปริมาณการใช้ หรือส่วนผสมในหมวดหมู่อื่น ๆ การประเมินที่ตรวจเพียงว่าข้อเท็จจริงปรากฏอยู่ที่ใดสักแห่งในคำตอบหรือไม่ จะมองข้ามข้อผิดพลาดประเภทนี้
รูปแบบที่แตกต่างกันตามประเภทผลิตภัณฑ์
คำตอบเกี่ยวกับน้ำหอมดีไซเนอร์มีโน้ตกลิ่นที่ไม่อยู่ในรายการอย่างเป็นทางการบ่อยกว่าคำตอบเกี่ยวกับน้ำหอมนิชในทั้งสามเอนจิน โดยมีช่องว่าง 22 ถึง 32 จุดเปอร์เซ็นต์ ChatGPT มีความแตกต่างระหว่างสองกลุ่มมากที่สุด โดยคำตอบเกี่ยวกับน้ำหอมดีไซเนอร์ 4 ใน 10 คำตอบมีโน้ตกลิ่นที่ไม่อยู่ในรายการอย่างเป็นทางการอย่างน้อยหนึ่งรายการ เทียบกับคำตอบเกี่ยวกับน้ำหอมนิชที่มีสัดส่วนน้อยกว่า 1 ใน 10
รายการอย่างเป็นทางการที่สั้นเปิดโอกาสให้เอนจินเพิ่มโน้ตกลิ่นได้มากขึ้น เราจึงควบคุมผลจากความยาวของรายการโดยนำคำตอบจากทั้งสามเอนจินมารวมกัน แล้วแบ่งเป็นสามกลุ่มตามจำนวนโน้ตกลิ่น คำตอบเกี่ยวกับน้ำหอมดีไซเนอร์ยังมีโน้ตกลิ่นเพิ่มเติมบ่อยกว่าในทุกกลุ่ม ได้แก่ 70% เทียบกับ 31% สำหรับรายการที่มีโน้ตกลิ่นไม่เกินห้ารายการ (คำตอบ 27 และ 29 รายการ), 61% เทียบกับ 21% สำหรับรายการที่มีหกถึงแปดรายการ (51 และ 42 รายการ) และ 26% เทียบกับ 13% สำหรับรายการที่มีเก้ารายการขึ้นไป (72 และ 77 รายการ) กลุ่มตัวอย่างมีขนาดเล็ก และเนื่องจากแต่ละกลุ่มมาจากกลุ่มแบรนด์และหน้าแหล่งข้อมูลคนละชุด เราจึงไม่สามารถระบุสาเหตุได้อย่างชัดเจน อย่างไรก็ตาม รูปแบบนี้ชี้ให้เห็นว่าความแม่นยำแตกต่างกันไปตามกลุ่มผลิตภัณฑ์ และตัวเลขเพียงค่าเดียวที่ใช้กับแค็ตตาล็อกทั้งหมดอาจบดบังความแตกต่างดังกล่าว
สิ่งที่ทีมพัฒนาเอเจนต์ชอปปิงควรคำนึงถึง
ใช้ความเห็นพ้องเพื่อหาจุดที่ไม่ตรงกัน ไม่ใช่เพื่อยืนยันความจริง การเปรียบเทียบโมเดลเป็นวิธีต้นทุนต่ำในการตรวจจับข้อมูลเพิ่มเติมที่มีเพียงคำตอบเดียวระบุไว้ แต่ไม่สามารถตรวจพบข้อมูลผิดที่ทุกโมเดลเห็นตรงกันได้ จึงไม่ควรใช้เป็นขั้นตอนตรวจสอบสุดท้าย
ตรวจสอบข้อเท็จจริงที่เจ้าของข้อมูลเป็นผู้กำหนดกับแหล่งข้อมูลของเจ้าของนั้น เมื่อข้อเท็จจริงมีเจ้าของ เช่น ข้อมูลจำเพาะจากผู้ผลิต วิธีที่เชื่อถือได้มากที่สุดคือดึงข้อมูลจากระเบียนแบบมีโครงสร้างที่ระบุหน้าแหล่งที่มาไว้ด้วย มาตรฐานเปิดช่วยให้ทำเช่นนี้ได้จริง โดยใช้มาร์กอัป ผลิตภัณฑ์ของ schema.org บนหน้าเว็บ และใช้ Model Context Protocol เพื่อให้เอเจนต์ค้นหาข้อมูลจากแหล่งข้อมูลได้โดยตรง คำแนะนำเกี่ยวกับฟีเจอร์ AI ของ Google ระบุว่าข้อมูลแบบมีโครงสร้างควรตรงกับข้อความที่มองเห็นได้บนหน้าเว็บ และไม่จำเป็นต้องใช้มาร์กอัป schema.org แบบพิเศษเพื่อให้ปรากฏในฟีเจอร์เหล่านั้น
ประเมินความแม่นยำ การจับคู่ที่ตรงกันทุกประการ และโครงสร้าง ไม่ใช่ดูแค่ความครอบคลุม คำตอบที่มีข้อเท็จจริงครบทุกข้อพร้อมข้อมูลที่แต่งขึ้นอีกสามข้ออาจผ่านการทดสอบความครอบคลุม แต่ก็ยังทำให้ผู้ใช้เข้าใจผิด
ประเมินผลด้วยเกณฑ์ที่กำหนดแน่นอนเมื่อมีข้อมูลอ้างอิง การใช้ตัวประเมินแบบอิงกฎเปรียบเทียบกับข้อมูลแบบมีโครงสร้างทำให้ตรวจสอบซ้ำได้และตรวจสอบที่มาได้ อีกทั้งยังไม่เกิดจุดบอดแบบเดียวกับโมเดล
ทดสอบมากกว่าหนึ่งครั้ง คำตอบอาจแตกต่างกันในแต่ละครั้งที่เรียกใช้ ดังที่ Andrew Lissimore กล่าวไว้บนเว็บไซต์นี้เกี่ยวกับการวัดคำแนะนำสินค้าจาก AI การศึกษาของเราเรียกใช้แต่ละเอนจินหนึ่งครั้งต่อหนึ่งน้ำหอม จึงไม่ทราบว่าคำตอบแปรผันระหว่างการเรียกใช้มากน้อยเพียงใด
ข้อจำกัดของการศึกษา
เราป้อนคำถามเกี่ยวกับน้ำหอมแต่ละกลิ่นให้เอนจินแต่ละตัวเพียงครั้งเดียว ในวันเดียว เป็นภาษาอังกฤษ และจากประเทศเดียว เราไม่ได้ทดสอบ Claude และเอนจินที่ไม่มีฟังก์ชันค้นหาเว็บ การที่โน้ตกลิ่นไม่ปรากฏในรายการอย่างเป็นทางการไม่ได้หมายความว่าข้อมูลนั้นผิดโดยอัตโนมัติ เพราะบางครั้งแบรนด์เผยแพร่เฉพาะโน้ตกลิ่นหลัก ดังนั้นค่าความแม่นยำจึงเป็นขอบเขตล่างของความถูกต้อง ตัวประเมินได้รับการปรับแต่งโดยใช้ข้อมูลน้ำหอม 100 กลิ่นชุดเดียวกัน และกลุ่มตัวอย่างส่วนใหญ่เป็นแบรนด์น้ำหอมดีไซเนอร์และนิชจากตะวันตก ซึ่งสามารถตรวจสอบรายการได้
ภายใต้ข้อจำกัดเหล่านี้ รูปแบบที่พบยังคงสม่ำเสมอ การที่เอนจินสามตัวเห็นตรงกันบอกได้ว่าข้อมูลข้อเท็จจริงรูปแบบหนึ่งถูกกล่าวซ้ำกันอย่างแพร่หลาย แต่มีเพียงแหล่งข้อมูลเท่านั้นที่บอกได้ว่าข้อมูลนั้นเป็นปัจจุบันหรือไม่ ดังนั้น สำหรับผู้ที่ให้เอเจนต์ตรวจสอบคำตอบกับโมเดลตัวที่สอง คำถามคือ เมื่อโมเดลสองตัวให้คำตอบผิดเหมือนกัน เอเจนต์ของคุณจะทำอย่างไร?












