ChatGPT ตัดสินใจแล้วว่าจะพูดถึงแบรนด์ไหน ตั้งแต่ก่อนที่มันจะดึงหน้าเว็บสักหน้าเข้ามาอ่าน งานวิจัยที่ Suganthan Mohanadasan เผยแพร่บน Search Engine Journal เมื่อวันที่ 14 สิงหาคม 2026 พบว่าใน 21 จาก 27 บทสนทนาที่ทดสอบ ChatGPT เขียนชื่อแบรนด์ลงไปในคำค้นหาของตัวเอง ทั้งที่ผู้ใช้ไม่เคยเอ่ยชื่อแบรนด์นั้นมาก่อน และแบรนด์ที่ปรากฏอยู่ในคิวรีที่ ChatGPT เขียนเอง ถูกกล่าวถึงในคำตอบสุดท้ายถึง 68.9 เปอร์เซ็นต์ ส่วนแบรนด์ที่หน้าเว็บถูกดึงเข้ามาแต่ไม่เคยปรากฏชื่ออยู่ในข้อความคิวรี ถูกกล่าวถึงเพียง 2.1 เปอร์เซ็นต์ ต่างกันราว 33 เท่า
ลำดับก่อนหลังนี่แหละคือหัวใจของงานวิจัย เพราะเกือบทุกอย่างที่วงการเรียกว่าการทำ optimisation เกิดขึ้นหลังจากที่การดึงข้อมูลเริ่มไปแล้ว ถ้าโมเดลเขียนรายชื่อสั้น ๆ ลงในคิวรีของตัวเองไปก่อนหน้านั้น หน้าเว็บที่สมบูรณ์แบบทางเทคนิคก็ยังต้องแข่งในสนามที่มันไม่เคยมีสิทธิ์ลงตั้งแต่แรก
งานวิจัยวัดอะไร และวัดด้วยวิธีไหน
Suganthan Mohanadasan เผยแพร่ทั้งวิธีการและตัวเลขบน Search Engine Journal เมื่อวันที่ 14 สิงหาคม 2026 เมื่อ ChatGPT สั่งค้นเว็บ มันจะส่งออบเจ็กต์ JSON ที่มีฟิลด์ชื่อ search_queries ออกมาด้วย ฟิลด์นี้เก็บข้อความคิวรีจริง ๆ ที่โมเดลเรียบเรียงขึ้นมาเอง ออบเจ็กต์ดังกล่าววิ่งอยู่ในทราฟฟิกเครือข่ายปกติ และอ่านได้จากเครื่องมือนักพัฒนาในเบราว์เซอร์ ขั้นตอนทำซ้ำที่บทความอธิบายไว้สั้นมาก คือเปิด ChatGPT ใน Chrome เปิด DevTools ดูแท็บ Network กรองหาคำขอของบทสนทนา เปิดดู response แล้วค้นหาฟิลด์ queries ข้างใน ใครที่มีบัญชี ChatGPT ก็ตรวจสอบเซสชันของตัวเองได้ ซึ่งถือว่าหาได้ยากสำหรับข้อกล่าวอ้างเกี่ยวกับพฤติกรรมของโมเดล
การวิเคราะห์การอ้างอิงครอบคลุม 57 บทสนทนา ส่วนการทดสอบคิวรีแรกครอบคลุม 27 บทสนทนา ซึ่งประกอบด้วยคำถามหมวดหมู่ใหม่ 12 ชุด และคำถามที่ถามซ้ำอีก 3 ชุด ในชุดข้อมูลการอ้างอิงมีหน้าเว็บ 3,554 หน้าที่ถูกจัดประเภทว่าถูกดึงเข้ามาหรือถูกอ้างอิง และมีเพียง 110 หน้าที่ถูกอ้างอิงจริง คิดเป็นอัตราการอ้างอิง 3.1 เปอร์เซ็นต์ จากคิวรีแรกทั้ง 27 ชุดที่ตรวจสอบ มี 21 ชุดที่มีชื่อแบรนด์ซึ่งผู้ใช้ไม่ได้พิมพ์ลงไปในพรอมป์เลย Mohanadasan รายงานว่า 11 จาก 13 หมวดหมู่ที่ทดสอบพบชื่อแบรนด์ถูกแทรกเข้ามา และตัวอย่างที่ใช้เอนไปทางหมวดซอฟต์แวร์และเครื่องมือ AI อย่างชัดเจน
หลักฐานที่เขาถือว่าเป็นหลักฐานหลักคือข้อความคิวรีดิบ ๆ เอง ส่วนตัวเลขเปอร์เซ็นต์เขาระบุเองว่าเป็นค่าโดยประมาณ ความแตกต่างตรงนี้ควรจำไว้ให้ดี เพราะข้อความคิวรีคือสิ่งที่สังเกตเห็นได้จริง ขณะที่เปอร์เซ็นต์คือการนับจากตัวอย่างขนาดเล็กที่มาจากบัญชีเดียว
ตัวกรองสองชั้น เรียงตามลำดับที่มันทำงานจริง
แบบจำลองพฤติกรรมของ ChatGPT ที่ Mohanadasan วางไว้บน Search Engine Journal เมื่อวันที่ 14 สิงหาคม 2026 มีประตูสองชั้นเรียงกัน ไม่ใช่ชั้นเดียว ตัวกรองชั้นแรกตัดสินว่าแบรนด์ไหนจะได้เข้าไปอยู่ในคิวรีค้นหาตั้งแต่ต้น นี่คือการตัดสินใจก่อนการดึงข้อมูล เกิดจากสิ่งที่โมเดลมีอยู่ในตัวอยู่แล้ว และถูกกำหนดโดยข้อมูลที่ใช้เทรนกับชื่อเสียงโดยรวมที่แบรนด์สะสมมาก่อนบทสนทนาจะเริ่ม ส่วนตัวกรองชั้นที่สองคือการแข่งขันเพื่อถูกอ้างอิงตามปกติ ว่าในบรรดาหน้าที่ดึงกลับมาได้ หน้าไหนจะถูกหยิบไปอ้าง โดยดูจากตำแหน่งในชุดผลลัพธ์ ความเกี่ยวข้องของเนื้อหา และความสามารถของหน้านั้นในการรวบคำตอบให้ครบ
งานที่เราคุ้นเคยกันอยู่ในชั้นที่สองทั้งหมด โครงสร้างหน้า มาร์กอัปที่สะอาด ความหนาแน่นของคำตอบ การลิงก์ภายใน ความเร็วของเซิร์ฟเวอร์ ทุกอย่างทำงานกับหน้าที่ถูกดึงเข้ามาแล้ว แต่ตัวกรองชั้นแรกทำงานก่อนที่สิ่งเหล่านั้นจะถูกโหลดด้วยซ้ำ ประโยคที่ Mohanadasan ใช้สรุปเรื่องนี้สั้นมาก คือการตัดสินใจเกิดขึ้นก่อนที่อะไรจะมาแตะเซิร์ฟเวอร์ของคุณ
ผลในทางปฏิบัติคือ สองแบรนด์ที่ทำหน้าเว็บดีพอกันในหัวข้อเดียวกัน อาจได้ผลลัพธ์ต่างกันคนละเรื่อง เพราะแบรนด์หนึ่งถูกเขียนเข้าไปในคิวรีแล้ว ส่วนอีกแบรนด์ไม่ถูกเขียน สิ่งที่แยกทั้งสองออกจากกันไม่ใช่คุณภาพของหน้าเว็บ
ตัวเลขที่อยู่เบื้องหลังตัวเลข 33 เท่า
ตัวเลขต่อไปนี้คือตัวเลขที่รายงานไว้ในบทความของ Search Engine Journal ฉบับวันที่ 14 สิงหาคม 2026 และเป็นฐานเชิงปริมาณทั้งหมดของข้อสรุปนี้ ไม่มีอะไรในตารางที่มาจากการคาดการณ์หรือการสร้างแบบจำลอง
| สิ่งที่วัด | ตัวเลขที่รายงาน |
|---|---|
| บทสนทนาที่ใช้วิเคราะห์การอ้างอิง | 57 |
| บทสนทนาที่ใช้ทดสอบคิวรีแรกที่ ChatGPT เขียน | 27 |
| คิวรีแรกที่มีชื่อแบรนด์ซึ่งผู้ใช้ไม่ได้เอ่ยถึง | 21 จาก 27 |
| แบรนด์ที่ถูกเอ่ยชื่อในคิวรีของ ChatGPT แล้วไปโผล่ในคำตอบ | 68.9 เปอร์เซ็นต์ |
| แบรนด์ที่หน้าเว็บถูกดึงมาแต่ไม่มีชื่อในคิวรี | 2.1 เปอร์เซ็นต์ |
ตัวเลขพาดหัว 33 เท่า คืออัตราส่วนระหว่างสองแถวสุดท้าย มันคืออัตราส่วนระหว่างสัดส่วนสองค่าภายในตัวอย่างชุดเดียว ไม่ใช่ตัวคูณผลลัพธ์ทางธุรกิจที่วัดออกมาได้ และควรถูกอ้างอิงในความหมายนั้นเท่านั้น
งานแบบเดิมยังทำงานตรงไหนอยู่
ไม่มีอะไรในงานวิจัยของ Search Engine Journal วันที่ 14 สิงหาคม 2026 ที่บอกว่างานด้านเทคนิคและงานบนหน้าเว็บหมดความหมายไปแล้ว มันบอกว่างานเหล่านั้นทำงานอยู่ที่ตัวกรองชั้นที่สอง อัตราการอ้างอิง 3.1 เปอร์เซ็นต์จากหน้าเว็บ 3,554 หน้าที่ถูกจัดประเภทไว้ คือภาพของตัวกรองชั้นที่สองกำลังทำงาน แม้แต่ในบรรดาหน้าที่ ChatGPT ดึงเข้ามาจริง ส่วนใหญ่ก็ไม่เคยถูกหยิบไปอ้างอยู่ดี สิ่งที่แยก 110 หน้าที่ถูกอ้างอิงออกจากหน้าที่เหลือ คือพื้นที่ที่การปรับหน้าเว็บเข้าไปจัดการได้โดยตรง
อ่านอย่างซื่อตรงที่สุด นี่คือเรื่องของการเพิ่มชั้นงาน ไม่ใช่การแทนที่ ถ้าแบรนด์อยู่ในคิวรีอยู่แล้ว คุณภาพหน้าเว็บจะเป็นตัวชี้ว่าจะถูกหยิบไปอ้างหรือไม่ ถ้าแบรนด์ไม่ได้อยู่ในคิวรี คุณภาพหน้าเว็บก็กำลังถูกใช้กับการแข่งขันที่เข้าไปช้ากว่าคนอื่น ทีมที่ทำงาน ChatGPT SEO อย่างจริงจังต้องการทั้งสองครึ่ง และครึ่งหลังคือครึ่งที่วัดผลได้มาหลายปีแล้ว
ข้อจำกัดของหลักฐานชุดนี้ พูดกันตรง ๆ
นี่คือนักวิจัยคนเดียว บัญชีเดียว และตัวอย่างระดับหลักสิบบทสนทนา ไม่ใช่หลักพัน Mohanadasan เขียนเรื่องนี้ไว้ในบทความเอง โดยอธิบายว่าผลลัพธ์เป็นการชี้ทิศทางมากกว่าจะเป็นข้อสรุปเด็ดขาด และเรียกร้องให้มีการทดสอบซ้ำแบบหลายบัญชี ตัวอย่างเอนไปทางซอฟต์แวร์และเครื่องมือ AI ดังนั้นพฤติกรรมที่เห็นในหมวดนั้นอาจไม่เกิดขึ้นเหมือนกันในธุรกิจโรงแรม สุขภาพ อุตสาหกรรม หรือค้าปลีก การปรับผลลัพธ์ตามผู้ใช้ก็เป็นตัวแปรกวนที่ผู้เขียนยอมรับเอง บทความระบุว่าพบความแตกต่างตามตำแหน่งที่ตั้ง ซึ่งแปลว่าคนสองคนที่รันพรอมป์เดียวกันอาจเห็นข้อความคิวรีคนละแบบ
งานนี้ไม่ได้ผ่าน peer review ไม่มีผู้ให้บริการรายใดทำซ้ำ และไม่มีการตรวจสอบตัวเลขโดยบุคคลที่สาม ผู้เขียนเองระบุว่าเปอร์เซ็นต์เป็นค่าโดยประมาณ ข้อค้นพบที่น่าสนใจขนาดนี้มักถูกขยายเกินจริงได้ง่าย และมันไม่ได้รองรับข้อสรุปว่าปริมาณการถูกพูดถึงเป็นสาเหตุของการถูกอ้างอิง มันบอกได้แค่ว่าสองสิ่งนี้เกิดร่วมกันอย่างเข้มข้นในตัวอย่างชุดนี้ ควรมองว่าเป็นข้อสังเกตที่บันทึกไว้ดีและสมควรถูกทดสอบซ้ำ ไม่ใช่กฎตายตัวของการทำ GEO
สิ่งที่งานวิจัยไม่ได้พูดถึง
บทความไม่ได้บอกว่าแบรนด์จะเข้าไปอยู่ในความรู้ที่ฝังอยู่ในโมเดลได้อย่างไร นอกจากคำอธิบายกว้าง ๆ ว่ามาจากข้อมูลที่ใช้เทรนและชื่อเสียงโดยรวม ไม่มีการระบุกรอบเวลา ไม่มีเกณฑ์ขั้นต่ำ และไม่มีวิธีการที่จะไปมีอิทธิพลกับมัน บทความไม่ได้ทดสอบว่าการซื้อสื่อ ปริมาณข่าว การมีตัวตนบนเว็บรีวิว หรือการถูกพูดถึงบนโซเชียล ส่งผลหรือไม่ และไม่ได้เปรียบเทียบ ChatGPT กับ Gemini, Claude หรือ Perplexity ทั้งยังไม่ได้วัดรายได้ คลิก หรือคอนเวอร์ชันใด ๆ ใครก็ตามที่เอาตัวเลขชุดนี้ไปต่อยอดเป็นข้อสรุปเรื่องยอดขาย กำลังเติมสิ่งที่ไม่มีอยู่ในต้นทาง
บทความก็ไม่ได้บอกว่าลำดับการทำงานนี้จะคงอยู่ตลอดไป พฤติกรรมที่อธิบายไว้คือพฤติกรรมของผลิตภัณฑ์หนึ่งตัว ณ ช่วงเวลาหนึ่งในเดือนสิงหาคม 2026 ที่สังเกตผ่านรูปแบบ response ของเครือข่ายซึ่ง OpenAI เปลี่ยนเมื่อไรก็ได้โดยไม่ต้องบอกล่วงหน้า
สิ่งที่นักการตลาดตรวจสอบเองได้วันนี้
ขั้นตอนการทำซ้ำคือส่วนที่ใช้งานได้จริงที่สุดของงานวิจัยชิ้นนี้ เพราะมันเปลี่ยนการถกเถียงให้กลายเป็นการสังเกต ทำทั้งหมดใช้เวลาไม่กี่นาที
- เปิด ChatGPT ใน Chrome เปิด DevTools เลือกแท็บ Network แล้วส่งคำถามระดับหมวดหมู่ในตลาดของคุณเองโดยไม่ใส่ชื่อแบรนด์ใด ๆ เช่น ถามหาผู้ให้บริการที่ดีที่สุดในสิ่งที่คุณขาย
- หาคำขอของบทสนทนาในรายการเครือข่าย เปิดดู response แล้วค้นหาฟิลด์ queries ในเพย์โหลด อ่านคิวรีที่ ChatGPT เขียนเอง ให้ครบทุกบรรทัด
- จดชื่อแบรนด์ทุกชื่อที่ปรากฏในข้อความคิวรีเหล่านั้น นั่นคือแบรนด์ที่โมเดลถือติดตัวอยู่แล้วสำหรับหมวดหมู่ของคุณ
- รันพรอมป์เดิมซ้ำหลายรอบ และถ้าทำได้ให้ลองจากตำแหน่งที่ตั้งอื่นด้วย เพราะบทความบันทึกความแตกต่างตามตำแหน่งไว้ และการรันครั้งเดียวพิสูจน์อะไรได้น้อยมาก
- เอารายชื่อนั้นมาเทียบกับงานสร้างการมองเห็นที่คุณทำอยู่ ถ้าแบรนด์ของคุณไม่โผล่ในข้อความคิวรีเลยตลอดหลายรอบ ช่องว่างอยู่ที่ตัวกรองชั้นแรก และการปรับหน้าเว็บเพิ่มจะไม่ช่วยปิดช่องว่างนั้น
ผลลัพธ์ของแบบฝึกหัดนี้คือรายชื่อ ไม่ใช่กลยุทธ์ แต่มันบอกทีมได้ว่าตัวกรองชั้นไหนกำลังขวางอยู่ ซึ่งเป็นคำถามที่รายงานส่วนใหญ่ตอบไม่ได้ในตอนนี้
เรื่องนี้มีความหมายอย่างไรกับนักการตลาดไทย
งานวิจัยไม่ได้ทดสอบประเทศไทย ไม่ได้ทดสอบพรอมป์ภาษาไทย และไม่ได้ทดสอบหมวดหมู่ใดในเอเชียตะวันออกเฉียงใต้ ดังนั้นไม่มีอะไรในนี้ที่อ่านเป็นการวัดตลาดไทยได้ สิ่งที่พอจะคิดต่อได้คือรูปร่างของปัญหา แบรนด์ไทยที่อยู่ในหมวดหมู่ซึ่งผู้ให้บริการต่างชาติครองพื้นที่เนื้อหาภาษาอังกฤษอยู่ คือกลุ่มที่เสี่ยงกับตัวกรองก่อนการดึงข้อมูลมากที่สุด เพราะความรู้ที่ฝังอยู่ในโมเดลถูกสร้างจากข้อมูลเทรนที่เอนไปทางแหล่งภาษาอังกฤษที่ถูกเผยแพร่กว้าง
นั่นชี้ไปที่งานที่ไม่หวือหวาเท่าไร การมีตัวตนและถูกเอ่ยชื่ออย่างสม่ำเสมอในแหล่งที่ถูกจัดทำดัชนีและถูกหยิบไปอ้างในหมวดหมู่ของคุณ ทั้งภาษาไทยและภาษาอังกฤษ คือวัตถุดิบของตัวกรองชั้นแรก และมันสะสมกันเป็นไตรมาส ไม่ใช่เป็นสัปดาห์ ทีมที่ดูแลเว็บทั้งเวอร์ชันไทยและอังกฤษยังมีเหตุผลเชิงปฏิบัติที่จะตรวจแยกทีละภาษา เพราะคิวรีที่โมเดลเขียนให้พรอมป์ภาษาไทยไม่จำเป็นต้องเหมือนกับที่มันเขียนให้พรอมป์ภาษาอังกฤษที่มีความหมายเดียวกัน ทีมที่ลงทุนกับ AI SEO อยู่แล้ว เพิ่มการตรวจผ่าน DevTools ข้างต้นเข้าไปในรายงานรายเดือนได้แทบไม่มีต้นทุน ซึ่งหาได้ยากในเรื่องแบบนี้
คำถามที่พบบ่อย
แปลว่า SEO ใช้ไม่ได้กับ ChatGPT แล้วใช่ไหม
ไม่ใช่ และงานวิจัยก็ไม่ได้อ้างแบบนั้น มันอธิบายตัวกรองสองชั้นที่ทำงานเรียงกัน และวางงานเทคนิคกับงานบนหน้าเว็บไว้ที่ชั้นที่สอง ซึ่งอัตราการอ้างอิง 3.1 เปอร์เซ็นต์จากหน้าเว็บ 3,554 หน้าแสดงว่ายังมีการแข่งขันจริงให้ชนะอยู่ ข้อสรุปคือการทำหน้าเว็บอย่างเดียวแก้ปัญหาแบรนด์ที่ไม่เคยเข้าไปอยู่ในคิวรีของโมเดลไม่ได้
พฤติกรรมนี้เกิดขึ้นในประเทศไทยแล้วหรือยัง
แหล่งข่าวไม่ได้ระบุเรื่องนี้ การทดสอบทำจากบัญชีเดียวที่เอนไปทางหมวดซอฟต์แวร์และเครื่องมือ AI และไม่มีการเผยแพร่การแยกตามประเทศ จึงไม่มีหลักฐานในบทความเกี่ยวกับพรอมป์ภาษาไทยหรือผู้ใช้ชาวไทย แต่การตรวจผ่าน DevTools ที่อธิบายไว้ในงานวิจัยรันจากกรุงเทพได้ทันทีเพื่อดูว่าโมเดลเขียนอะไรให้หมวดหมู่ของคุณ
ตอนนี้ต้องรีบทำอะไรไหม
ยังไม่มีอะไรเร่งด่วน เพราะงานวิจัยขนาดเล็กชิ้นเดียวไม่ใช่เหตุผลที่จะรื้อทั้งแผนงาน สิ่งที่ต้นทุนต่ำคือรันการตรวจทราฟฟิกเครือข่ายกับพรอมป์ระดับหมวดหมู่สักไม่กี่ชุด แล้วบันทึกว่ามีแบรนด์ไหนโผล่ในข้อความคิวรีบ้าง เพื่อให้มีค่าตั้งต้นไว้ก่อนตัดสินใจว่าต้องเปลี่ยนอะไรหรือไม่
จะทำให้แบรนด์เข้าไปอยู่ในความรู้ของโมเดลได้อย่างไร
บทความไม่ได้ตอบคำถามนี้ มันโยงตัวกรองชั้นแรกไปที่ข้อมูลเทรนและชื่อเสียงโดยรวม โดยไม่ระบุกลไก เกณฑ์ หรือกรอบเวลา และไม่ได้ทดสอบวิธีการใดที่จะขยับมัน วิธีเฉพาะเจาะจงใด ๆ ที่ถูกขายว่าเป็นคำตอบของคำถามนี้ กำลังพูดเกินกว่าที่งานวิจัยชิ้นนี้รองรับ
ตัวเลข 68.9 เปอร์เซ็นต์ กับ 2.1 เปอร์เซ็นต์ เชื่อถือได้แค่ไหน
เป็นการนับโดยประมาณจากตัวอย่างบัญชีเดียวของนักวิจัยคนเดียว จำนวน 57 และ 27 บทสนทนา ซึ่งผู้เขียนอธิบายเองว่าเป็นการชี้ทิศทางมากกว่าข้อสรุปเด็ดขาด ผู้เขียนถือว่าข้อความคิวรีดิบเป็นหลักฐานหลัก ส่วนเปอร์เซ็นต์เป็นหลักฐานรอง และขอให้มีการทำซ้ำแบบหลายบัญชีก่อนที่ใครจะถือว่าอัตราส่วนนี้เป็นข้อยุติ
ถ้าอยากได้อีกสายตาหนึ่งมาช่วยดูว่าแบรนด์ของคุณอยู่ตรงไหนในคำตอบของ AI สำหรับหมวดหมู่ของคุณ ทีมงาน Relevant Audience ยินดีรันการตรวจนี้ไปพร้อมกับคุณ และคุยกันว่าตัวเลขที่ได้บอกอะไรและไม่ได้บอกอะไร ส่วนบทความต้นฉบับของ Suganthan Mohanadasan อ่านฉบับเต็มได้ที่ Search Engine Journal
