---
title: "Generative AI คืออะไร? ทำงานอย่างไร ตัวอย่าง และวิธีเริ่มใช้ในธุรกิจ"
slug: "what-is-generative-ai-guide-for-thai-business"
locale: "th"
canonical: "https://ireadcustomer.com/th/blog/what-is-generative-ai-guide-for-thai-business"
markdown_url: "https://ireadcustomer.com/th/blog/what-is-generative-ai-guide-for-thai-business.md"
published: "2026-10-26"
updated: "2026-10-26"
author: "iReadCustomer Team"
description: "Generative AI (Gen AI) คือ AI ที่สร้างข้อความ ภาพ โค้ด เสียง และวิดีโอได้เอง บทความนี้อธิบายหลักการทำงานแบบไม่ใช้ศัพท์เทคนิค ตัวอย่างเครื่องมือพร้อมราคา การใช้ใน SME ไทย ความเสี่ยงเรื่องความถูกต้องและ PDPA และวิธีเริ่มต้นให้คุ้มค่า"
quick_answer: "Generative AI (Gen AI) คือ AI ที่สร้างเนื้อหาใหม่ได้เอง ทั้งข้อความ รูปภาพ โค้ด เสียง และวิดีโอ จากคำสั่งภาษาคน (prompt) โดยเรียนรู้รูปแบบจากข้อมูลจำนวนมหาศาล แล้วสร้างคำตอบทีละส่วนตามความน่าจะเป็น ตัวอย่างคือ ChatGPT, Claude, Gemini และ Midjourney ธุรกิจใช้ร่างคอนเทนต์ ตอบแชท LINE สรุปเอกสาร และตอบคำถามจากเอกสารภายในบริษัทได้ แต่ AI ตอบผิดได้อย่างมั่นใจ จึงต้องมีคนตรวจ และต้องระวังข้อมูลส่วนบุคคลตาม PDPA"
categories: 
  - "AI"
tags: 
  - "Generative AI"
  - "Gen AI"
  - "LLM"
  - "AI สำหรับธุรกิจ"
  - "แชทบอท AI"
  - "RAG"
source_urls: 
  - "https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf"
  - "https://developers.google.com/machine-learning/crash-course/llm/transformers"
  - "https://platform.claude.com/docs/en/test-and-evaluate/strengthen-guardrails/reduce-hallucinations"
  - "https://claude.com/pricing"
  - "https://gemini.google/subscriptions/"
  - "https://www.pdpc.or.th/category/pdpc-law/enactment/"
faq:
  - question: "Generative AI ต่างจาก AI ทั่วไปอย่างไร?"
    answer: "AI ที่ธุรกิจใช้มานาน เช่น ระบบกรองสแปมหรือระบบแนะนำสินค้า ทำหน้าที่จัดหมวดและทำนายจากข้อมูลเดิม ส่วน Generative AI สร้างเนื้อหาใหม่ขึ้นมา เช่น ร่างอีเมล ภาพโฆษณา หรือโค้ด จากคำสั่งภาษาคน"
  - question: "ChatGPT เป็น Generative AI ไหม?"
    answer: "ใช่ ChatGPT ของ OpenAI เป็น Generative AI ด้านข้อความที่ทำงานบนโมเดลภาษาขนาดใหญ่ (LLM) เช่นเดียวกับ Claude ของ Anthropic และ Gemini ของ Google ส่วน Midjourney เป็น Generative AI ที่สร้างภาพจากคำบรรยาย"
  - question: "Gen AI กับ LLM ต่างกันอย่างไร?"
    answer: "Gen AI คือ AI ทุกแบบที่สร้างเนื้อหาใหม่ ทั้งข้อความ ภาพ เสียง และวิดีโอ ส่วน LLM (Large Language Model) คือ Gen AI กลุ่มที่ทำงานกับข้อความ โดยสร้างคำตอบทีละโทเคนตามความน่าจะเป็น LLM จึงเป็นส่วนหนึ่งของ Gen AI"
  - question: "ใส่ข้อมูลลูกค้าลงใน ChatGPT หรือ Gemini ได้ไหม ผิด PDPA ไหม?"
    answer: "ไม่ควรใส่ข้อมูลที่ระบุตัวลูกค้าได้ลงในบัญชี AI ส่วนตัว ข้อมูลเหล่านี้อยู่ภายใต้ พ.ร.บ.คุ้มครองข้อมูลส่วนบุคคล พ.ศ. 2562 ถ้าต้องใช้ ให้เลือกแพ็กเกจองค์กรที่ไม่นำข้อมูลไปฝึกโมเดล ตัดข้อมูลที่ไม่จำเป็นออก และปรึกษา DPO หรือนักกฎหมายของบริษัท"
  - question: "ทำแชทบอท AI บน LINE ราคาเท่าไร?"
    answer: "ที่ iReadCustomer แชทบอท AI อยู่ที่ 6–18 man-day (฿50,000–143,820) และ AI Agent อยู่ที่ 6–25 man-day (฿50,000–199,750) ที่อัตราเริ่มต้น ฿7,990 ต่อ man-day ค่าใช้งาน AI และ cloud รายเดือนจ่ายกับผู้ให้บริการโดยตรงแยกต่างหาก"
  - question: "ทำไม AI ถึงตอบผิดอย่างมั่นใจ และป้องกันอย่างไร?"
    answer: "เพราะ Gen AI สร้างคำตอบจากความน่าจะเป็น ไม่ได้ค้นจากฐานข้อมูล จึงเขียนข้อความที่ฟังน่าเชื่อแต่ผิดได้ ลดได้ด้วยการให้ AI ตอบจากเอกสารของบริษัท (RAG) อ้างอิงแหล่งที่มา อนุญาตให้ตอบว่าไม่ทราบ และให้คนตรวจงานที่มีความเสี่ยง"
robots: "noindex, follow"
---

# Generative AI คืออะไร? ทำงานอย่างไร ตัวอย่าง และวิธีเริ่มใช้ในธุรกิจ

Generative AI (Gen AI) คือ AI ที่สร้างข้อความ ภาพ โค้ด เสียง และวิดีโอได้เอง บทความนี้อธิบายหลักการทำงานแบบไม่ใช้ศัพท์เทคนิค ตัวอย่างเครื่องมือพร้อมราคา การใช้ใน SME ไทย ความเสี่ยงเรื่องความถูกต้องและ PDPA และวิธีเริ่มต้นให้คุ้มค่า

**Generative AI คืออะไร?** **Generative AI (Gen AI) คือ AI ที่สร้างเนื้อหาใหม่ได้เอง ทั้งข้อความ รูปภาพ โค้ด เสียง และวิดีโอ จากคำสั่งภาษาคน** โดยเรียนรู้รูปแบบจากข้อมูลจำนวนมหาศาล ตัวอย่างที่คุ้นเคยคือ ChatGPT, Claude และ Gemini ธุรกิจใช้ร่างคอนเทนต์ ตอบแชทลูกค้า และสรุปเอกสารได้ แต่ต้องมีคนตรวจ เพราะ AI ตอบผิดได้อย่างมั่นใจ

บทความนี้เขียนให้เจ้าของธุรกิจและผู้จัดการที่อยากเข้าใจ Gen AI แบบไม่ต้องมีพื้นฐานเทคนิค ว่ามันทำงานอย่างไร มีเครื่องมืออะไรบ้าง ใช้กับงานจริงของ SME ไทยตรงไหน ต้องระวังอะไร และควรเริ่มอย่างไรให้คุ้มเงิน ส่วนใครอยากรู้ว่า Generative AI ต่างจาก AI ที่ลงมือทำงานแทนคนได้อย่างไร อ่านต่อได้ที่ [Generative AI กับ Agentic AI ต่างกันอย่างไร](/th/blog/generative-ai-vs-agentic-ai-what-s-the-difference-and-why-it-changes-everything)

## สรุปสั้นใน 1 นาที

- **คืออะไร:** AI ที่ "สร้าง" เนื้อหาใหม่ ไม่ได้แค่จัดหมวดหรือทำนายจากข้อมูลเดิม
- **ทำงานอย่างไร:** เรียนรูปแบบจากข้อมูลจำนวนมาก แล้วสร้างคำตอบทีละส่วนตามความน่าจะเป็น
- **ตัวอย่าง:** ChatGPT, Claude, Gemini, Microsoft Copilot และ Midjourney
- **ใช้ในธุรกิจ:** ร่างคอนเทนต์ ตอบแชทบน LINE และ Facebook สรุปเอกสาร และตอบคำถามจากเอกสารภายในบริษัท
- **ข้อควรระวัง:** ตอบผิดแบบมั่นใจ ข้อมูลส่วนบุคคลตาม PDPA และลิขสิทธิ์
- **เริ่มอย่างไร:** ใช้เครื่องมือสำเร็จรูปกับงานภายในก่อน แล้วค่อยสร้างระบบเฉพาะเมื่อต้องต่อกับข้อมูลและระบบของบริษัท

## Generative AI คืออะไร: AI ที่ "สร้าง" ไม่ใช่แค่ "ทำนาย"

AI ที่ธุรกิจใช้กันมานาน เช่น ระบบกรองอีเมลขยะ ระบบแนะนำสินค้าในร้านออนไลน์ หรือโมเดลประเมินความเสี่ยงสินเชื่อ ทำหน้าที่ "ตัดสิน" จากข้อมูลที่มีอยู่ ว่าอีเมลฉบับนี้เป็นสแปมไหม หรือลูกค้าคนนี้น่าจะสนใจสินค้าอะไร ส่วน Generative AI ทำงานอีกแบบ คือ "สร้าง" สิ่งที่ยังไม่มีมาก่อน เช่น ร่างอีเมลตอบลูกค้า ภาพโฆษณาสินค้า สคริปต์วิดีโอ หรือโค้ดโปรแกรม

สถาบันมาตรฐานและเทคโนโลยีแห่งชาติของสหรัฐฯ (NIST) อ้างนิยามว่า Generative AI คือกลุ่มโมเดล AI ที่เลียนแบบโครงสร้างและลักษณะของข้อมูลที่ป้อนเข้าไป เพื่อสร้างเนื้อหาสังเคราะห์ขึ้นใหม่ ทั้งภาพ วิดีโอ เสียง ข้อความ และเนื้อหาดิจิทัลอื่น ๆ พูดเป็นภาษาธุรกิจคือ มันเห็นตัวอย่างมามากพอจนรู้ว่า "อีเมลขอโทษลูกค้าที่ดี" หรือ "ภาพสินค้าบนพื้นหลังสีขาว" หน้าตาเป็นอย่างไร แล้วสร้างชิ้นใหม่ตามที่คุณขอ

| ประเภทเนื้อหา | ทำอะไรได้ | ตัวอย่างเครื่องมือ |
|---|---|---|
| ข้อความ | ร่างอีเมล โพสต์ขายของ สรุปรายงาน แปลภาษา ตอบแชท | ChatGPT, Claude, Gemini, Microsoft Copilot |
| รูปภาพ | ภาพประกอบโพสต์ แบนเนอร์ ไอเดียแพ็กเกจ | Midjourney และฟีเจอร์สร้างภาพใน ChatGPT และ Gemini |
| โค้ด | เขียน อธิบาย และแก้โค้ด สร้างสูตร Excel | GitHub Copilot, Claude Code, Gemini Code Assist |
| เสียง | แปลงข้อความเป็นเสียงพูด ถอดเสียงประชุม คุยด้วยเสียง | โหมดเสียงใน ChatGPT และ Gemini, บริการ text-to-speech |
| วิดีโอ | คลิปสั้นจากคำบรรยาย ภาพเคลื่อนไหวประกอบโฆษณา | Veo ของ Google และเครื่องมือสร้างวิดีโออื่น ๆ |

## Generative AI ทำงานอย่างไร (อธิบายแบบไม่ต้องรู้เทคนิค)

### 1. เรียนรูปแบบจากข้อมูลจำนวนมหาศาล

Gen AI ที่ทำงานกับข้อความเรียกว่า **โมเดลภาษาขนาดใหญ่ หรือ LLM (Large Language Model)** คู่มือ Machine Learning ของ Google อธิบายว่า LLM ถูกฝึกด้วยชุดข้อมูลขนาดใหญ่มาก โดยให้ทายคำที่ถูกซ่อนหรือคำที่ควรมาต่อ ทำซ้ำไปเรื่อย ๆ จนโมเดลจับรูปแบบของภาษาได้ ทั้งไวยากรณ์ สำนวน ข้อเท็จจริงที่พบบ่อย และวิธีเรียบเรียงเหตุผล

สิ่งที่โมเดลได้จากการฝึกไม่ใช่ "ฐานข้อมูลคำตอบ" แต่เป็นความเข้าใจเชิงสถิติว่าอะไรมักตามหลังอะไร ข้อนี้สำคัญมากสำหรับคนที่จะเอาไปใช้ในธุรกิจ และเราจะกลับมาพูดถึงอีกครั้งในหัวข้อความเสี่ยง

### 2. ตอบทีละ "โทเคน" ตามความน่าจะเป็น

เวลาเราพิมพ์คำถาม โมเดลไม่ได้เปิดหาคำตอบสำเร็จรูป แต่คำนวณว่าโทเคน (token) ถัดไปที่เหมาะที่สุดคืออะไร แล้วต่อไปทีละโทเคนจนจบ โทเคนอาจเป็นคำทั้งคำ ส่วนหนึ่งของคำ หรือตัวอักษรตัวเดียว ภาพที่ใกล้เคียงคือระบบเดาคำในมือถือ ที่เก่งขึ้นจนเขียนได้ทั้งย่อหน้า

LLM ส่วนใหญ่สร้างบนสถาปัตยกรรมชื่อ Transformer ซึ่งมีกลไก self-attention ช่วยให้โมเดลดูว่าคำไหนในประโยคเกี่ยวข้องกับคำไหน เช่น ประโยค "ลูกค้าไม่พอใจสินค้าเพราะมันมาส่งช้า" โมเดลต้องรู้ว่า "มัน" หมายถึงสินค้า ไม่ใช่ลูกค้า ความสามารถนี้ทำให้คำตอบต่อเนื่องและเข้าบริบทกว่า AI รุ่นก่อนมาก

ฝั่งภาพใช้หลักการต่างออกไป โมเดลสร้างภาพหลายตัวเริ่มจากภาพที่เป็นจุดสุ่ม แล้วค่อย ๆ เกลาทีละขั้นจนภาพตรงกับคำบรรยาย แต่แนวคิดหลักเหมือนกัน คือสร้างจากรูปแบบที่เรียนมา ไม่ได้ไปหยิบภาพที่มีอยู่แล้วมาให้

### 3. Prompt และบริบทกำหนดคุณภาพคำตอบ

**Prompt** คือคำสั่งที่เราพิมพ์ ส่วน **บริบท** คือข้อมูลที่แนบไปด้วย เช่น ไฟล์ราคา นโยบายการคืนสินค้า หรือตัวอย่างโพสต์ที่แบรนด์ชอบ ยิ่งบอกชัดว่าใครเป็นผู้อ่าน ต้องการผลแบบไหน และห้ามทำอะไร คำตอบก็ยิ่งใช้ได้จริง

เทียบให้เห็นภาพ คำสั่ง "เขียนโพสต์ขายครีมกันแดด" จะได้ข้อความกลาง ๆ ที่ใครก็เขียนได้ แต่คำสั่ง "เขียนโพสต์ Facebook 3 แบบ ขายครีมกันแดดสำหรับคนทำงานกลางแจ้ง โทนเป็นกันเอง ไม่เกิน 80 คำ ห้ามอ้างสรรพคุณทางการแพทย์ ใช้ข้อมูลสินค้าจากไฟล์ที่แนบ" จะได้งานที่ใกล้ของจริงกว่ามาก

### สิ่งที่ต้องเข้าใจก่อนใช้งาน: AI "แต่ง" ไม่ได้ "ค้น"

เพราะคำตอบสร้างจากความน่าจะเป็น โมเดลจึงเขียนประโยคที่ลื่นไหลและฟังน่าเชื่อได้ แม้เนื้อหาจะผิด ปรากฏการณ์นี้เรียกว่า **hallucination** อีกข้อคือ โมเดลไม่รู้ข้อมูลของบริษัทคุณ เช่น ราคาล่าสุด สต็อก หรือเงื่อนไขรับประกัน จนกว่าคุณจะส่งข้อมูลนั้นให้มันในบริบท นี่คือเหตุผลที่ระบบ AI สำหรับธุรกิจมักต้องต่อกับข้อมูลจริงของบริษัท ไม่ใช่ปล่อยให้โมเดลตอบจากความจำ

### ศัพท์ที่ควรรู้

| คำศัพท์ | ความหมายแบบสั้น |
|---|---|
| LLM | โมเดลภาษาขนาดใหญ่ เครื่องยนต์หลักของแชท AI |
| Prompt | คำสั่งหรือคำถามที่ส่งให้ AI |
| Token | หน่วยย่อยของข้อความที่โมเดลอ่านและสร้าง และเป็นหน่วยคิดค่าใช้งานของ API |
| Hallucination | AI ตอบผิดแต่เขียนอย่างมั่นใจ |
| RAG | ให้ AI ค้นเอกสารของบริษัทก่อน แล้วตอบจากเอกสารนั้น |
| Fine-tuning | ฝึกโมเดลเพิ่มด้วยตัวอย่างเฉพาะงาน ให้ตอบตามสไตล์หรือรูปแบบที่ต้องการ |
| API | ช่องทางให้ระบบของบริษัทเรียกใช้โมเดล AI โดยตรง |

## ตัวอย่าง Generative AI ที่รู้จักกัน

เครื่องมือด้านล่างเป็นแบบสำเร็จรูป ใช้ได้ทันทีผ่านเว็บหรือแอป ส่วนผู้พัฒนาโมเดลรายใหญ่อย่าง OpenAI, Anthropic และ Google มี API ให้นักพัฒนานำโมเดลไปต่อกับระบบของบริษัทได้ ราคาที่ระบุดึงจากหน้าราคาทางการ ณ วันที่ 26 ต.ค. 2569

| เครื่องมือ | ผู้พัฒนา | ใช้ทำอะไร | แพ็กเกจและราคา |
|---|---|---|---|
| ChatGPT | OpenAI | แชทอเนกประสงค์ เขียน สรุป วิเคราะห์ไฟล์ สร้างภาพ | มีแบบฟรีและแบบเสียเงิน ดูราคาล่าสุดที่หน้าราคาของ OpenAI |
| Claude | Anthropic | เขียน วิเคราะห์เอกสาร เขียนโค้ด | Free $0, Pro $20/เดือน (จ่ายรายปีเหลือ $17/เดือน หรือ $200 ล่วงหน้า), Team ที่นั่งมาตรฐาน $25/คน/เดือน (รายปี $20) ไม่รวมภาษี |
| Gemini | Google | แชท AI ที่ทำงานคู่กับบริการของ Google | ใช้ฟรีได้ และมีแพ็กเกจรายเดือนหลายระดับ (ดูราคาล่าสุดที่หน้าแพ็กเกจของ Google) |
| Microsoft Copilot | Microsoft | ผู้ช่วย AI ใน Word, Excel, Outlook และ Teams | ดูราคาที่หน้าราคาของ Microsoft |
| Midjourney | Midjourney | สร้างภาพจากคำบรรยาย | ดูราคาที่หน้าราคาของ Midjourney |

ข้อสังเกตสำหรับธุรกิจ: แพ็กเกจส่วนบุคคลกับแพ็กเกจองค์กรต่างกันมากกว่าแค่จำนวนการใช้งาน แพ็กเกจองค์กรมักมีการจัดการผู้ใช้ส่วนกลาง และเงื่อนไขเรื่องข้อมูลที่เข้มกว่า ซึ่งสำคัญมากเมื่อพนักงานเริ่มใช้กับข้อมูลลูกค้า (รายละเอียดในหัวข้อ PDPA ด้านล่าง)

## ตัวอย่างการใช้ Generative AI ในธุรกิจ SME ไทย

### 1. ร่างคอนเทนต์และงานการตลาด

โพสต์ Facebook แคปชัน TikTok คำบรรยายสินค้าบนร้านออนไลน์ อีเมลแจ้งโปรโมชัน และสคริปต์ไลฟ์ขายของ เป็นงานที่ Gen AI ช่วยร่างได้เร็ว เคล็ดลับคือเขียน "คู่มือเสียงแบรนด์" สั้น ๆ ไว้ใช้ทุกครั้ง เช่น ใช้คำแทนตัวว่าอะไร คำไหนห้ามใช้ และตัวอย่างโพสต์ที่ดีที่สุดของร้าน แล้วให้คนตรวจตัวเลข ราคา และคำอ้างสรรพคุณก่อนโพสต์ทุกครั้ง

### 2. ตอบแชทลูกค้าบน LINE OA และ Facebook

ร้านที่รับออเดอร์ผ่านแชทมักเจอคำถามเดิมซ้ำทุกวัน เช่น ราคา วิธีสั่ง ค่าส่ง หรือเวลาเปิดร้าน แชทบอท AI ที่ต่อกับ LINE Official Account ผ่าน Messaging API ตอบคำถามเหล่านี้ได้ทันทีจากข้อมูลสินค้าและโปรโมชันของร้าน และส่งต่อให้พนักงานเมื่อเจอเรื่องที่ตอบเองไม่ได้ เช่น เคลมสินค้าหรือลูกค้าที่กำลังไม่พอใจ จุดที่ต้องออกแบบให้ดีคือขอบเขตว่า AI ตอบเรื่องอะไรได้ และส่งต่อคนเมื่อไร ทีม iReadCustomer สร้างผู้ช่วยตอบแชท LINE และ Facebook แบบนี้ในงาน [พัฒนาระบบ AI สำหรับธุรกิจ](/th/services/ai-development)

### 3. สรุปและอ่านเอกสาร

สรุปรายงานประชุม อีเมลยาว ๆ เอกสารประกวดราคา หรือดึงข้อมูลสำคัญจากใบแจ้งหนี้และใบสั่งซื้อเข้าตาราง ช่วยลดเวลาอ่านและคีย์ข้อมูลซ้ำ แต่เอกสารที่มีผลทางกฎหมายหรือการเงิน เช่น สัญญา ยังต้องให้คนที่รับผิดชอบอ่านต้นฉบับก่อนตัดสินใจเสมอ

### 4. ถามตอบความรู้ภายในบริษัท (RAG)

พนักงานใหม่ถามเรื่องเดิมซ้ำ ๆ ฝ่ายขายหาสเปกสินค้าไม่เจอ หรือคู่มือกระจายอยู่หลายโฟลเดอร์ ระบบถามตอบจากเอกสารภายในแก้ปัญหานี้ด้วยเทคนิค **RAG (Retrieval-Augmented Generation)** ซึ่งทำงานแบบนี้

1. นำเอกสารของบริษัท เช่น คู่มือ นโยบาย สเปกสินค้า และคำถามที่พบบ่อย มาจัดทำดัชนีให้ค้นได้
2. เมื่อมีคนถาม ระบบค้นหาส่วนของเอกสารที่เกี่ยวข้องก่อน
3. ส่งส่วนนั้นให้โมเดลพร้อมคำสั่งว่า "ตอบจากเอกสารนี้เท่านั้น และบอกแหล่งที่มา"
4. ถ้าไม่พบข้อมูล ให้ตอบว่าไม่ทราบ หรือส่งต่อให้คนที่รับผิดชอบ

ข้อดีคือคำตอบอิงข้อมูลจริงของบริษัท ตรวจย้อนได้ว่ามาจากเอกสารไหน และอัปเดตได้แค่เปลี่ยนเอกสาร ไม่ต้องฝึกโมเดลใหม่ สิ่งที่ต้องคิดตั้งแต่แรกคือสิทธิ์การเข้าถึง เช่น เอกสารเงินเดือนหรือสัญญาลูกค้าต้องไม่โผล่ในคำตอบของคนที่ไม่มีสิทธิ์เห็น

| งาน | Gen AI ช่วยตรงไหน | คนยังต้องทำอะไร |
|---|---|---|
| คอนเทนต์การตลาด | ร่างหลายเวอร์ชันในไม่กี่นาที | ตรวจราคา ข้อเท็จจริง และคำอ้างสรรพคุณ |
| ตอบแชทลูกค้า | ตอบคำถามซ้ำได้ทันที | รับเรื่องที่ AI ส่งต่อ ดูแลลูกค้าที่ไม่พอใจ |
| สรุปเอกสาร | ย่อและดึงข้อมูลสำคัญ | อ่านต้นฉบับก่อนตัดสินใจเรื่องสำคัญ |
| ถามตอบความรู้ภายใน | หาคำตอบจากเอกสารพร้อมแหล่งที่มา | ดูแลเอกสารให้ถูกต้องและเป็นปัจจุบัน |

## ข้อจำกัดและความเสี่ยงที่ต้องรู้ก่อนใช้

### ตอบผิดอย่างมั่นใจ (Hallucination)

NIST เรียกความเสี่ยงนี้ว่า confabulation คือการสร้างเนื้อหาที่ผิดหรือไม่จริงแต่พูดอย่างมั่นใจ จนผู้ใช้หลงเชื่อ และ AI อาจแต่งเหตุผลหรือแหล่งอ้างอิงขึ้นมาประกอบด้วย ความเสี่ยงนี้สูงขึ้นเมื่อนำคำตอบไปใช้ตัดสินใจเรื่องสำคัญ เช่น ราคา เงื่อนไขสัญญา หรือข้อมูลสุขภาพ

Anthropic ผู้พัฒนา Claude แนะนำวิธีพื้นฐานไว้ 3 ข้อ คือ อนุญาตให้ AI ตอบว่า "ไม่ทราบ" ได้ ให้ดึงข้อความจากเอกสารมาแบบคำต่อคำก่อนตอบ และให้อ้างอิงแหล่งที่มาของทุกข้อความ ถ้าหาหลักฐานไม่เจอให้ถอนข้อความนั้นออก ในระบบธุรกิจ เราเพิ่มอีกชั้นคือ งานที่เสี่ยงต้องมีคนกดอนุมัติก่อน AI จะทำ

### ข้อมูลส่วนบุคคลและ PDPA

[พระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคล พ.ศ. 2562 (PDPA)](https://www.pdpc.or.th/category/pdpc-law/enactment/) ใช้กับข้อมูลที่ระบุตัวบุคคลได้ เช่น ชื่อ เบอร์โทร ที่อยู่ และประวัติการซื้อของลูกค้า สิ่งที่ควรทำก่อนให้พนักงานใช้ Gen AI กับงานจริงคือ

- **ห้ามวางข้อมูลลูกค้าลงในแอปแชท AI ที่ใช้บัญชีส่วนตัว** ถ้ายังไม่ได้ตรวจว่าข้อมูลถูกเก็บและนำไปใช้อย่างไร
- **ดูการตั้งค่าการนำข้อมูลไปฝึกโมเดล** หน้าราคาของ Claude ระบุว่าแพ็กเกจส่วนบุคคลให้ผู้ใช้เลือกไม่ให้นำข้อมูลไปฝึกได้ (opt-out) ส่วนแพ็กเกจ Team และ Enterprise ไม่นำเนื้อหาไปฝึกโมเดลโดยค่าเริ่มต้น ฝั่ง Google ระบุว่า Gemini Enterprise ไม่ใช้ข้อมูลลูกค้า รวมถึงพรอมต์และเอาต์พุต ไปฝึกโมเดล
- **ตัดข้อมูลที่ไม่จำเป็นออกก่อนส่งให้ AI** เช่น ใช้รหัสลูกค้าแทนชื่อจริง
- **ระบบที่สร้างเองต้องกำหนดชัด** ว่าข้อมูลไปเก็บที่ไหน เก็บนานเท่าไร ใครเข้าถึงได้ และมีบันทึกการใช้งาน การส่งข้อมูลส่วนบุคคลไปประมวลผลบนเซิร์ฟเวอร์ต่างประเทศเป็นเรื่องที่ PDPA มีข้อกำหนดเฉพาะ ควรปรึกษาเจ้าหน้าที่คุ้มครองข้อมูลส่วนบุคคล (DPO) หรือนักกฎหมายของบริษัท และติดตามประกาศของสำนักงานคณะกรรมการคุ้มครองข้อมูลส่วนบุคคล (สคส.)

### ลิขสิทธิ์และความลับทางการค้า

NIST ระบุว่า Gen AI ทำให้การสร้างหรือลอกเลียนเนื้อหาที่มีลิขสิทธิ์ เครื่องหมายการค้า หรืองานที่มีสัญญาอนุญาต ทำได้ง่ายขึ้นโดยไม่ได้รับอนุญาต และยังเพิ่มโอกาสที่ความลับทางการค้าจะรั่วไหล ในทางปฏิบัติ อย่าสั่งให้ AI เลียนแบบโลโก้ คาแรกเตอร์ หรือสไตล์ของแบรนด์อื่น อ่านเงื่อนไขการใช้งานเชิงพาณิชย์ของเครื่องมือที่ใช้ อย่าวางสูตรสินค้าหรือข้อมูลลับลงในเครื่องมือที่ยังไม่ได้ตรวจเรื่องข้อมูล และถ้างานนั้นสำคัญกับแบรนด์ เช่น โลโก้ ให้มีนักออกแบบเป็นผู้สร้างหลัก และปรึกษานักกฎหมายเรื่องสิทธิ์

### ภาษาไทยและความลำเอียง

NIST ระบุว่าประสิทธิภาพของโมเดลอาจต่างกันระหว่างกลุ่มคนและระหว่างภาษา ซึ่งอาจเกิดจากข้อมูลที่ใช้ฝึกไม่ครอบคลุม ก่อนใช้กับลูกค้าจริง จึงควรทดสอบกับข้อความภาษาไทยของลูกค้าคุณเอง ทั้งภาษาพูด คำสะกดผิด คำย่อ และศัพท์เฉพาะในวงการ ไม่ตัดสินจากเดโมที่เลือกแต่ตัวอย่างสวย ๆ

## เริ่มใช้ Generative AI ในธุรกิจอย่างไร

### ขั้นที่ 1: ใช้เครื่องมือสำเร็จรูปกับงานภายในก่อน

เริ่มจากงานที่ไม่มีข้อมูลลูกค้า เช่น ร่างโพสต์ สรุปบทความ หรือร่างอีเมลภายใน ให้ทีมคุ้นกับการเขียน prompt และรู้ว่า AI ผิดตรงไหนบ่อย พร้อมเขียนนโยบายสั้น ๆ หนึ่งหน้าว่าข้อมูลอะไรห้ามใส่ และงานแบบไหนต้องมีคนตรวจก่อนส่งออก

### ขั้นที่ 2: รู้ว่าเมื่อไรควรสร้างระบบเฉพาะ

| เรื่อง | เครื่องมือสำเร็จรูป | ระบบที่สร้างเฉพาะ |
|---|---|---|
| เริ่มใช้ | ทันที | ต้องออกแบบและทดสอบก่อน |
| ต่อกับข้อมูลบริษัท | อัปโหลดไฟล์เป็นครั้ง ๆ | ต่อกับ LINE OA, ERP, Google Sheets หรือฐานข้อมูลโดยตรง |
| ผู้ใช้ | พนักงานแต่ละคน | ลูกค้าและพนักงานจำนวนมากพร้อมกัน |
| การควบคุม | ตามการตั้งค่าของผู้ให้บริการ | กำหนดสิทธิ์ การส่งต่อคน และบันทึกการใช้งานเองได้ |
| เหมาะกับ | งานเขียนและงานคิดของแต่ละคน | งานที่ทำซ้ำทุกวันและต้องตอบด้วยข้อมูลจริงของบริษัท |

สัญญาณว่าถึงเวลาสร้างระบบเฉพาะ คือ พนักงานต้องคัดลอกข้อมูลไปมาระหว่างระบบกับแชท AI ทุกวัน งานนั้นแตะลูกค้าโดยตรง หรือคุณต้องรู้ว่า AI ตอบอะไรไป และตอบจากข้อมูลไหน

### ขั้นที่ 3: ทำ Pilot กับงานเดียว

เลือกงานเดียวที่ทำซ้ำบ่อย ใช้เวลามาก และวัดผลได้ เช่น ตอบคำถามเรื่องค่าส่งบน LINE ก่อนเริ่ม ให้ตกลงชุดตัวอย่างงานจริงที่ทีมเลือก และเกณฑ์ว่าแบบไหนถือว่าผ่าน แล้วเริ่มจากสิทธิ์แบบอ่านอย่างเดียว ถ้าผลไม่ผ่านเกณฑ์ ก็หยุดได้ด้วยต้นทุนที่จำกัด

### ขั้นที่ 4: วัดผลด้วยตัวเลขของคุณเอง

จดตัวเลขก่อนเริ่มไว้เป็นฐาน แล้วเทียบหลังใช้งาน ตัวชี้วัดที่ใช้บ่อยคือ

- เวลาที่ใช้ต่องาน หรือจำนวนงานที่ทีมทำได้ต่อวัน
- สัดส่วนคำถามที่ AI ตอบจบเองโดยไม่ต้องส่งต่อคน
- ความถูกต้องเมื่อเทียบกับชุดตัวอย่างงานจริง
- ค่าใช้งาน AI ต่องาน
- จำนวนคำร้องเรียนหรือความผิดพลาดที่หลุดถึงลูกค้า

ทีม iReadCustomer ทำงานตามลำดับนี้ คือเลือกงานเดียว ทดสอบกับงานจริงของคุณก่อนเปิดใช้ ออกแบบให้งานถูกส่งต่อคนเมื่อ AI ไม่แน่ใจ แล้วส่งมอบโค้ดและคู่มือให้ทีมคุณดูแลต่อ ดูขั้นตอนเต็มได้ที่หน้า [บริการพัฒนาระบบ AI](/th/services/ai-development)

## Generative AI ราคาเท่าไร

ค่าใช้จ่ายของ Gen AI แบ่งเป็น 3 ส่วน ซึ่งไม่จำเป็นต้องมีครบทุกส่วน

**1. ค่าสมัครเครื่องมือสำเร็จรูป** คิดต่อคนต่อเดือน ดูตัวอย่างราคาได้จากตารางเครื่องมือด้านบน ทีมเล็กที่ใช้เพื่องานเขียนและสรุปเอกสาร อาจมีแค่ค่าใช้จ่ายส่วนนี้

**2. ค่าใช้งาน API** เมื่อระบบของบริษัทเรียกใช้โมเดลโดยตรง ผู้ให้บริการคิดเงินตามจำนวนโทเคนที่ส่งเข้าและได้ออกมา ราคาต่างกันตามรุ่นโมเดลและปริมาณงาน ตัวเลขจริงควรวัดจากช่วง pilot ด้วยค่าใช้งานต่องาน ในงานที่ iReadCustomer สร้าง บัญชี AI และ cloud เปิดในชื่อคุณ และคุณจ่ายค่าใช้งานกับผู้ให้บริการโดยตรง

**3. ค่าพัฒนาระบบเฉพาะ** iReadCustomer คิดจากจำนวน man-day (วิศวกร 1 คน ทำงาน 1 วัน) อัตราเริ่มต้น ฿7,990 ต่อ man-day และงานโปรเจกต์เริ่มที่ ฿50,000

| ขอบเขตงาน | จำนวน man-day | ราคา (บาท) |
|---|---|---|
| แชทบอท AI เช่น ตอบแชทบน LINE OA | 6–18 | 50,000–143,820 |
| AI Agent ที่ทำงานเป็นขั้นตอน | 6–25 | 50,000–199,750 |
| แอปถามตอบจากเอกสารบริษัท (RAG) | 15–40 | 119,850–319,600 |

ตัวเลขขึ้นกับจำนวนระบบที่ต้องเชื่อม ความซับซ้อนของข้อมูล และความเสียหายหาก AI ทำผิด ดูรายละเอียดเพิ่มที่หน้า [ราคารับทำ AI Agent และแชทบอท](/th/services/ai-agent-development) หรือเล่างานของคุณให้ทีมประเมินขอบเขตได้ที่ [ติดต่อ iReadCustomer](/th/contact)

## สรุป

Generative AI คือ AI ที่สร้างเนื้อหาใหม่จากรูปแบบที่เรียนมา มันเก่งเรื่องร่าง สรุป และตอบคำถาม แต่ไม่ได้ "รู้" ข้อเท็จจริงแบบฐานข้อมูล จึงตอบผิดได้อย่างมั่นใจ ธุรกิจที่ได้ประโยชน์จริงมักเริ่มจากเครื่องมือสำเร็จรูปกับงานภายใน ตั้งกติกาเรื่องข้อมูลลูกค้าตาม PDPA ตั้งแต่วันแรก แล้วค่อยสร้างระบบเฉพาะสำหรับงานที่ทำซ้ำทุกวันและต้องตอบด้วยข้อมูลจริงของบริษัท โดยทดสอบกับงานจริงและวัดผลเป็นตัวเลขก่อนขยาย

## ที่มา

- [Artificial Intelligence Risk Management Framework: Generative AI Profile (NIST AI 600-1) — NIST](https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf)
- [LLMs: What's a large language model? — Google Machine Learning Crash Course](https://developers.google.com/machine-learning/crash-course/llm/transformers)
- [Reduce hallucinations — Claude Platform Docs (Anthropic)](https://platform.claude.com/docs/en/test-and-evaluate/strengthen-guardrails/reduce-hallucinations)
- [Pricing — Claude (Anthropic)](https://claude.com/pricing)
- [แพ็กเกจ Gemini — Google](https://gemini.google/subscriptions/)
- [พระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคล พ.ศ. 2562 — สำนักงานคณะกรรมการคุ้มครองข้อมูลส่วนบุคคล (สคส.)](https://www.pdpc.or.th/category/pdpc-law/enactment/)

ข้อมูลทั่วไป ณ วันที่ 26 ต.ค. 2569 ราคาเครื่องมือเปลี่ยนได้ ตรวจที่หน้าราคาทางการก่อนตัดสินใจ บทความนี้ไม่ใช่คำแนะนำทางกฎหมาย