ผู้ช่วย AI ไม่เคยแนะนำร้านอาหารบาหลี 85.6% จาก 4,776 แห่ง

ผู้ช่วย AI สี่ระบบถูกถามคำถามว่าควรไปกินที่ไหนในบาหลีรวม 2,208 ครั้ง และร้านอาหารในตลาดนั้นถึง 85.6 เปอร์เซ็นต์ไม่เคยถูกเอ่ยชื่อแนะนำเลยแม้แต่ครั้งเดียว งานวิจัยที่เผยแพร่บน arXiv เมื่อวันที่ 7 สิงหาคม 2569 ได้ทำสำมะโนร้านอาหาร คาเฟ่ และบาร์ที่เปิดดำเนินการอยู่จริงในพื้นที่ Canggu และ Ubud รวม 4,776 แห่ง แล้ววัดว่า ChatGPT, Claude, Gemini และ Perplexity เอ่ยถึงร้านเหล่านั้นกี่แห่ง คำตอบคือมี 4,087 แห่งที่ไม่เคยถูกแนะนำเลยสักรอบเดียว การมีเว็บไซต์เป็นของตัวเองเพิ่มโอกาสที่ร้านจะเข้าไปอยู่ในชุดคำแนะนำถึง 1.92 เท่า ส่วนคะแนนดาวเฉลี่ยไม่มีผลที่วัดได้เลยในขั้นตอนนั้น

งานวิจัยชิ้นนี้ชื่อ Invisible to the Machine: Auditing AI Restaurant, Cafe, and Bar Recommendation Against a Complete Market Census เขียนโดย Vladimir Pitenin แห่ง Norly Research มีรหัส arXiv:2608.07069 ความยาว 31 หน้า พร้อมภาพประกอบ 10 ภาพ และ PPC Land รายงานเรื่องนี้เมื่อวันที่ 23 สิงหาคม 2569 ตัวงานวิจัยเปิดเผยเองว่า Norly ซึ่งขายเครื่องมือจัดการรีวิวและเครื่องมือวัดการมองเห็นบน AI ให้ธุรกิจโรงแรมและร้านอาหาร เป็นทั้งผู้ให้ทุนและผู้ดำเนินการวิจัย มาตรการที่ระบุไว้เพื่อลดอคติคือการลงทะเบียนสมมติฐานล่วงหน้าก่อนเก็บข้อมูลยืนยัน การแช่ชุดข้อมูลไว้ก่อนที่โมเดลจะเริ่มทำงาน การตั้งด่านตรวจสอบความถูกต้องพร้อมรายงานกรณีที่ไม่ผ่าน และการเผยแพร่ผลที่เป็นค่าว่างในสมมติฐานที่หากออกมาเป็นบวกจะเป็นประโยชน์ทางการค้ากับผู้ให้ทุนเอง

ตัวหารคือหัวใจของเรื่องนี้

ตัวเลขที่สำคัญที่สุดในงานนี้ไม่ใช่ 85.6 เปอร์เซ็นต์ แต่คือ 4,776 รายงานวัดการมองเห็นบน AI ที่เผยแพร่กันอยู่ทุกวันนี้ให้คะแนนแบรนด์เทียบกับรายชื่อธุรกิจที่มีคนคัดมาแล้วว่าเป็นชื่อที่โดดเด่น ส่วนใหญ่มีตั้งแต่หลักสิบถึงหลักร้อยชื่อ ตามที่งานวิจัยระบุ รายชื่อที่ไม่มีตัวหารจากโลกจริงสามารถบอกได้แค่ลำดับความโดดเด่นเชิงเปรียบเทียบ แต่ไม่สามารถให้อัตราในระดับประชากรได้ ทำให้คำว่า ไม่เคยถูกแนะนำเลย กลายเป็นสิ่งที่วัดไม่ได้ ถ้ารายชื่อของคุณมีร้านดัง 200 ร้าน แล้ว AI เอ่ยชื่อไป 40 ร้าน สิ่งที่คุณได้รู้คือเรื่องของ 200 ร้านนั้น คุณไม่ได้รู้อะไรเลยเกี่ยวกับธุรกิจอีกหลายพันแห่งในเมืองเดียวกัน

การนับทั้งตลาดคือการเติมตัวหารที่หายไป นี่คือคุณูปการเชิงระเบียบวิธีของงานชิ้นนี้ และเป็นประเด็นที่เจ้าของธุรกิจท้องถิ่นที่ไหนก็ตามควรหยิบไปใช้ เพราะมันเปลี่ยนขอบเขตของสิ่งที่คะแนนการมองเห็นจะกล่าวอ้างได้ แดชบอร์ดที่รายงานว่าร้านอาหารร้านหนึ่งอยู่อันดับสี่ในพรอมป์ที่ติดตามอยู่ กำลังอธิบายตำแหน่งภายในชุดข้อมูลที่คนอื่นเป็นคนขีดเส้นไว้ ไม่ได้อธิบายโอกาสที่ร้านนั้นจะปรากฏขึ้นมาเลยตั้งแต่แรก

นับร้าน 4,776 แห่งได้อย่างไร

กรอบประชากรถูกนิยามด้วยวิธีเชิงปฏิบัติการ ไม่ใช่ด้วยดุลยพินิจของบรรณาธิการ โดยครอบคลุมทุกสถานที่ที่ปรากฏบน Google Places ภายใต้ประเภทธุรกิจอาหารห้าประเภท ได้แก่ ร้านอาหาร คาเฟ่ บาร์ ร้านกาแฟ และเบเกอรี ภายในรูปหลายเหลี่ยมที่กำหนดตายตัวครอบคลุมพื้นที่ Canggu ขยาย ซึ่งรวม Berawa, Batu Bolong และ Pererenan และพื้นที่ Ubud ขยาย ซึ่งรวม Penestanan, Sayan และ Pengosekan ตามที่งานวิจัยระบุ Google Places ถูกเลือกเพราะทำหน้าที่สองอย่างพร้อมกัน คือเป็นชั้นการค้นพบหลักของผู้บริโภค และเป็นแหล่งอ้างอิงหลักที่ระบบ AI ที่ถูกตรวจสอบใช้ยึดโยงคำตอบ

การนับใช้ Places Nearby Search API ผ่านตารางกริดแบบปรับตัว เนื่องจาก API คืนผลลัพธ์ได้สูงสุด 20 รายการต่อหนึ่งคำขอ ช่องกริดใดที่คืนมาครบ 20 พอดีจะถูกซอยย่อยแบบเรียกซ้ำออกเป็นสี่ช่องที่รัศมีครึ่งหนึ่ง ลงไปจนถึงขีดต่ำสุดที่ 130 เมตร หากไม่มีขั้นตอนนี้ ย่านที่หนาแน่นจะถูกตัดข้อมูลทิ้งอย่างเงียบ ๆ และสำมะโนจะนับขาดตรงจุดที่ร้านกระจุกตัวกันมากที่สุดพอดี กริดที่เสร็จสมบูรณ์ใช้คำขอทั้งหมด 760 ครั้ง จากนั้นมีการเก็บข้อมูลรอบที่สอง โดยนำชื่อร้านราว 220 ชื่อที่ AI เอ่ยถึงแต่จับคู่กับสำมะโนไม่ได้ ไปค้นผ่าน Places Text Search ซึ่งกู้คืนร้านอาหารในโรงแรมและคาเฟ่ที่เป็นพื้นที่ทำงานร่วมกัน อันเป็นประเภทที่การนับตามประเภทอาหารมองข้าม มีร้าน 70 แห่งในทะเบียนสุดท้ายที่มีที่มาจากการค้นแบบนี้ ทุกรายการในบรรดา 4,776 แห่งมีภาพนิ่งของโปรไฟล์ Google ณ เวลาที่เก็บข้อมูล ทั้งคะแนน จำนวนรีวิว ระดับราคา เวลาทำการ เว็บไซต์ และสถานะการเปิดดำเนินการ

96 พรอมป์ สี่ระบบ 2,208 รอบ

ผู้ช่วย AI ระดับใช้งานจริงสี่ตัวถูกเรียกผ่านอินเทอร์เฟซที่เชื่อมการค้นเว็บสาธารณะ ได้แก่ OpenAI บน gpt-5.2-2025-12-11 ผ่าน Responses API พร้อมเครื่องมือค้นเว็บ Anthropic บน claude-sonnet-5 พร้อมเครื่องมือค้นเว็บฝั่งเซิร์ฟเวอร์ Google บน gemini-3.5-flash พร้อมการยึดโยงกับ Google Search และ Perplexity บน sonar มีการเปิดเผยการตั้งค่าสองอย่างอย่างตรงไปตรงมา อย่างแรกคืองบการค้นของ Claude ถูกจำกัดไว้ที่สองครั้งต่อหนึ่งรอบ ซึ่งเป็นการตัดสินใจเรื่องต้นทุนที่ทำไว้ก่อนเก็บข้อมูลยืนยัน และมีผลผูกพันจริงในทางปฏิบัติ เพราะ 97.6 เปอร์เซ็นต์ของรอบในสายนั้นใช้การค้นครบทั้งสองครั้ง อย่างที่สองคือ API การยึดโยงของ Gemini ไม่เปิดพารามิเตอร์ตำแหน่งผู้ใช้ จึงต้องใส่บริบทตำแหน่งไว้ในตัวข้อความคำถามสำหรับทุกระบบเพื่อความเท่าเทียม

เครื่องมือวัดสร้างจากบุคลิกผู้ถามแปดแบบ ได้แก่ ดิจิทัลโนแมด คู่รักที่ออกเดต ผู้จัดประชุมธุรกิจ แบ็กแพ็กเกอร์งบจำกัด ครอบครัวที่มีเด็ก ผู้มีข้อจำกัดด้านอาหาร คนรักกาแฟพิเศษ และกลุ่มที่ออกไปเที่ยวดึก นำมาไขว้กับแม่แบบการถามแบบบุรุษที่หนึ่งหกแบบ และพื้นที่สองแห่ง ได้เป็นคำถามที่ไม่ซ้ำกัน 96 คำถาม คลื่นการเก็บข้อมูลยืนยันกินเวลาเจ็ดวันตามปฏิทิน โดยกระจายการทำซ้ำข้ามวัน Perplexity ทำซ้ำ 10 ครั้งต่อคำถาม OpenAI และ Gemini อย่างละห้าครั้ง Claude สามครั้ง รวมเป็น 2,208 รอบ การเอ่ยถึงร้านที่ใช้ได้ 12,439 ครั้ง โอกาสการปรากฏในระดับร้าน 1,407,600 ครั้ง และการปรากฏจริง 9,214 ครั้ง

85.6 เปอร์เซ็นต์ไม่เคยถูกระบบใดแนะนำเลย

รอบทั้ง 2,208 นั้นให้คำแนะนำร้านรวม 9,791 ครั้ง ครอบคลุมร้าน 689 แห่งจาก 4,776 แห่งในสำมะโน ส่วนที่เหลืออีก 4,087 แห่ง หรือ 85.6 เปอร์เซ็นต์ ไม่เคยถูกระบบใดแนะนำในรอบใดเลย สัดส่วนที่ไม่เคยถูกเอ่ยถึงแม้ผ่าน ๆ อยู่ที่ 84.5 เปอร์เซ็นต์ การบีบตัวหารให้แคบลงแทบไม่ขยับตัวเลข ในกลุ่มร้านที่ยืนยันว่ายังเปิดดำเนินการอยู่ สัดส่วนที่ไม่เคยถูกแนะนำอยู่ที่ 85.8 เปอร์เซ็นต์ และในกลุ่มร้านที่ตั้งตัวได้แล้ว 2,173 แห่งซึ่งมีคะแนนรีวิวบน Google อย่างน้อยห้าสิบรายการ ตัวเลขยังอยู่ที่ 72.6 เปอร์เซ็นต์ ส่วนการขยายกรอบให้กว้างขึ้นกลับดันตัวเลขไปอีกทาง การวิเคราะห์แบบจับซ้ำเทียบกับการนับอิสระจาก Foursquare หลังปรับค่าซ้ำซ้อนและความสามารถในการจับคู่ ประเมินว่ามีหน่วยธุรกิจอาหารราว 9,400 แห่งในกรอบที่กว้างที่สุดเท่าที่ปกป้องได้ ซึ่งภายใต้กรอบนั้นสัดส่วนที่ไม่เคยถูกแนะนำจะเกิน 92 เปอร์เซ็นต์ อัตราทุกตัวที่รายงานไว้จึงเป็นค่าต่ำสุด ไม่ใช่ค่าสูงสุด

สิ่งที่เกิดขึ้นหลังผ่านด่านคัดกรองนั้นรุนแรงน้อยกว่าที่คนมักคิดกัน ร้านที่ถูกแนะนำมากที่สุดเพียงร้านเดียวคือ Seniman Coffee ใน Ubud คิดเป็น 1.9 เปอร์เซ็นต์ของคำแนะนำทั้งหมด ค่าสัมประสิทธิ์ Gini รวมของกลุ่มร้านที่ถูกแนะนำอยู่ที่ 0.668 ห้าอันดับแรกกินส่วนแบ่ง 7.7 เปอร์เซ็นต์ สิบอันดับแรก 13.8 เปอร์เซ็นต์ และยี่สิบห้าอันดับแรก 28.5 เปอร์เซ็นต์ เหตุการณ์ที่หายากคือการได้ถูกแนะนำเลยต่างหาก ส่วนในหมู่ร้านที่ผ่านด่านนั้นมาแล้ว สนามแข่งค่อนข้างเปิดกว้าง

การเข้าไปอยู่ในคำตอบกับการได้อันดับหนึ่งใช้กติกาคนละชุด

ข้อเสนอเชิงโครงสร้างหลักของงานวิจัยคือ การมองเห็นทำงานบนสองขอบที่แยกจากกันและถูกกำกับด้วยสัญญาณคนละชุด แบบจำลองทวินามที่ลงทะเบียนล่วงหน้าประเมินความน่าจะเป็นที่ร้านหนึ่งจะถูกแนะนำในรอบที่มีสิทธิ โดยควบคุมผลคงที่ของเอนจินและบุคลิกผู้ถาม จัดกลุ่มค่าความคลาดเคลื่อนมาตรฐานตามร้าน และแก้ไขค่าแบบ Benjamini-Hochberg ข้ามเทอมสมมติฐานเก้าตัว ส่วนแบบจำลอง conditional logit อีกชุดหนึ่งซึ่งจำกัดเฉพาะ 1,855 รอบที่แนะนำร้านที่จับคู่ได้อย่างน้อยสองแห่ง ครอบคลุมทางเลือกร้านต่อรอบ 8,450 รายการ ประเมินว่าอะไรทำนายการได้ตำแหน่งแรกเมื่อร้านอยู่ในคำตอบแล้ว ตารางด้านล่างวางสองขอบนี้ไว้เทียบกันด้วยค่า odds ratio ตามที่รายงานไว้

สรุปสั้น ๆ ตามที่งานวิจัยเสนอคือ เอกสารหลักฐานเป็นตัวเปิดประตู ส่วนคะแนนเป็นตัวจัดลำดับ เมื่อควบคุมปริมาณรีวิวและความครบถ้วนของข้อมูลแล้ว คะแนนเฉลี่ยไม่แสดงความสัมพันธ์ที่ตรวจจับได้กับการที่ระบบจะหยิบร้านขึ้นมาหรือไม่ ที่ค่า p ปรับแล้วเท่ากับ .135 แต่มันทำนายได้ว่าร้านไหนจะถูกเอ่ยชื่อเป็นอันดับแรก ความสดใหม่ของรีวิวเอียงไปทางบวกที่ 1.41 แต่พลาดเกณฑ์หลังการปรับค่า ที่ p ปรับแล้วเท่ากับ .054 จึงถูกรายงานว่าเป็นเพียงข้อบ่งชี้ ส่วนจำนวนโดเมนรีวิวและบล็อกที่เขียนถึงร้านนั้นไม่มีนัยสำคัญที่ขอบการเข้า ที่ 0.90 แต่เป็นบวกที่ 1.23 สำหรับตำแหน่งแรก

มีค่าสัมประสิทธิ์หนึ่งตัวที่ผู้เขียนตัดออกจากการตีความ และเหตุผลน่าอ่าน ร้านที่ระบุเวลาทำการไว้กลับมีแนวโน้มถูกแนะนำน้อยกว่า ที่ 0.54 และ p ปรับแล้วเท่ากับ .009 แต่ร้านทั้ง 70 แห่งที่ถูกเพิ่มเข้าสำมะโนผ่านการค้นตามชื่อที่ AI เอ่ยถึงล้วนไม่มีข้อมูลเวลาทำการ เพราะคำขอค้นชุดนั้นไม่ได้ร้องขอฟิลด์ดังกล่าว และร้านกลุ่มนี้ถูกแนะนำเกือบจะโดยนิยาม ตัวแปรนี้จึงเข้ารหัสที่มาของทะเบียนมากกว่าความครบถ้วนของโปรไฟล์ งานวิจัยรายงานไว้เพื่อความโปร่งใส และถือว่าการปนเปื้อนของตัวแปรร่วมโดยเส้นทางการค้นพบของผู้ตรวจสอบเองเป็นความเสี่ยงทั่วไปของงานประเภทนี้

การมีชื่ออยู่บน Foursquare ไม่ช่วยอะไรเลยทั้งสองขอบ

ความเชื่อที่ว่าการมีชื่ออยู่ในชุดข้อมูลสถานที่แบบเปิดช่วยเรื่องการมองเห็นนั้นถูกพูดซ้ำกันมาก และส่วนหนึ่งของงานวิจัยถูกออกแบบมาเพื่อทดสอบข้อนี้โดยเฉพาะ คำตอบคือค่าว่างล้วน ๆ การมีรายชื่อบน Foursquare ให้ค่า odds ratio 0.84 ที่ขอบการเข้า โดยมี p ปรับแล้วเท่ากับ .252 ภายในกลุ่มร้าน 480 แห่งที่มีรายชื่อบน Foursquare ในชุดเปรียบเทียบ บันไดขั้นต่าง ๆ ไม่มีนัยสำคัญอย่างสม่ำเสมอ ทั้งคะแนนคุณภาพข้อมูลที่ 1.12 และ p .352 จำนวนทิปที่ 1.17 และ p .133 และคะแนนความนิยมที่ 1.12 และ p .308 งานวิจัยระบุว่ามีการตีความสองแบบที่เข้ากับข้อมูลได้ คือระบบ AI ไม่ได้แตะชุดข้อมูลนั้นเลยในการค้นหาร้านในตลาดนี้ หรือสัญญาณของมันซ้ำซ้อนกับการปรากฏบนเว็บที่วัดไปแล้ว ไม่ว่าทางใดก็ไม่สนับสนุนการมองว่าการเข้าไปอยู่ในชุดข้อมูลเป็นคานงัดของการมองเห็น

ร้านที่ปิดไปแล้วถูกแนะนำ 93 ครั้ง

ก่อนขั้นตอนกู้คืนชื่อที่สะกดต่างกัน มีการเอ่ยถึงที่ใช้ได้ 19.7 เปอร์เซ็นต์ หรือ 2,452 ครั้ง ที่จับคู่กับสำมะโนไม่ได้ ชื่อที่จับคู่ไม่ได้ทุกชื่อถูกจำแนกผ่านการตรวจสอบด้วยหลักฐานบนเว็บ พบว่า 38.4 เปอร์เซ็นต์เป็นชื่อที่เขียนต่างจากร้านที่มีในทะเบียน กู้คืนได้ผ่านการจับคู่ที่ตรวจสอบหลักฐานแล้ว 142 คู่ อีก 3.8 เปอร์เซ็นต์เป็นร้านที่ยืนยันแล้วว่าปิดถาวร อีก 2.4 เปอร์เซ็นต์เป็นร้านจริงแต่อยู่นอกพื้นที่ที่ศึกษา และ 54.6 เปอร์เซ็นต์เป็นชื่อหางยาวที่ยืนยันไม่ได้หรือชื่อที่หลักฐานไม่ถึงเกณฑ์ หลังการกู้คืน ยังเหลือการเอ่ยถึงที่คลี่คลายไม่ได้ 1,511 ครั้ง หรือ 12.1 เปอร์เซ็นต์ของการเอ่ยถึงที่ใช้ได้

การกุขึ้นมาลอย ๆ แทบไม่มีเลย มีชื่อเดียวที่ปรากฏ 10 ครั้งซึ่งผ่านการตรวจสอบอย่างระมัดระวังแล้วว่าน่าจะเป็นชื่อที่ถูกแต่งขึ้น คิดเป็น 0.08 เปอร์เซ็นต์ของการเอ่ยถึงที่ใช้ได้ทั้งหมด แต่ในทางกลับกัน ระบบทั้งสี่แนะนำร้านที่ปิดถาวรไปแล้วรวม 93 ครั้ง จากสถานประกอบการที่ยืนยันว่าปิดแล้ว 14 แห่ง ถ้อยคำในงานวิจัยคือ ความล้าสมัย ไม่ใช่การหลอน คือรูปแบบความล้มเหลวที่เกิดขึ้นจริงในทางปฏิบัติ ชั้นการสร้างข้อความซื่อสัตย์ต่อสิ่งที่ชั้นการค้นคืนส่งมาให้ ปัญหาอยู่ที่ตัวแหล่งข้อมูลเองที่ล้าสมัย รีวิว รายชื่อในบทความจัดอันดับ และการถูกเขียนถึงในบล็อกของคาเฟ่ที่ปิดไปแล้วยังคงอยู่ และนั่นคือสัญญาณชุดเดียวกับที่แบบจำลองขอบการเข้าให้รางวัล ร่องรอยเอกสารที่สร้างการมองเห็นจึงหล่อเลี้ยงการมองเห็นนั้นต่อไปแม้ธุรกิจจะหายไปแล้ว การตรวจสอบที่ให้คะแนนเทียบกับรายชื่อแบรนด์ที่คัดมาจะนับคำแนะนำเหล่านั้นเป็นความสำเร็จเสียด้วยซ้ำ

ถามคำถามเดิมสองครั้งแล้วได้คำตอบคนละชุด

คำถามที่เหมือนกันทุกตัวอักษรเมื่อถามซ้ำบนเอนจินเดิมกลับให้ชุดร้านที่ต่างกันอย่างมีนัยสำคัญ ค่าความซ้อนทับ Jaccard เฉลี่ยของยี่สิบอันดับแรกอยู่ที่ 0.45 สำหรับ Gemini, 0.40 สำหรับ Perplexity, 0.29 สำหรับ ChatGPT และ 0.22 สำหรับ Claude การเปลี่ยนสำนวนคำถามโดยคงความหมายเดิมทำให้ผลลัพธ์แกว่งมากขึ้นในทุกเอนจิน โดยแกว่งแรงกับ Perplexity ที่ 0.19 เทียบกับ 0.40 และ Gemini ที่ 0.30 เทียบกับ 0.45 อย่างไรก็ตาม การทดสอบซ้ำที่ลงทะเบียนล่วงหน้าโดยกันคำถามไว้ 16 คำถามข้ามสี่เอนจิน แล้วรันใหม่อีกสองสัปดาห์ถัดมารวม 144 รอบ พบว่าความคล้ายข้ามช่วงเวลาใกล้เคียงกับค่าฐานของการรันซ้ำในช่วงเวลาเดียวกัน โดยรวมอยู่ที่ 0.375 ความผันผวนจึงเป็นสัญญาณรบกวนจากการสุ่ม ไม่ใช่การเลื่อนไหลตามเวลา ซึ่งสนับสนุนการมองว่าการมองเห็นเป็นคุณสมบัติที่คงอยู่ของร้าน แต่ถูกสังเกตผ่านช่องทางที่มีสัญญาณรบกวน

ความเห็นพ้องข้ามเอนจินก็ต่ำเช่นกัน ค่า Jaccard ของยี่สิบอันดับแรกระหว่างคู่เอนจินอยู่ระหว่าง 0.33 สำหรับคู่ Perplexity กับ OpenAI ถึง 0.54 สำหรับคู่ OpenAI กับ Claude มีร้านเพียงแปดแห่งที่ปรากฏในยี่สิบอันดับแรกของทั้งสี่เอนจิน ขณะที่ 15 แห่งปรากฏในเอนจินเดียวเท่านั้น ในเชิงปริมาณรวม Perplexity แนะนำร้านที่ไม่ซ้ำกัน 451 แห่ง ที่ 6.4 การเอ่ยถึงต่อรอบ Claude 342 แห่งที่ 5.8 ChatGPT 328 แห่งที่ 4.7 และ Gemini 291 แห่งที่ 4.9 อัตราการจับคู่กับสำมะโนอยู่ที่ 91 เปอร์เซ็นต์สำหรับ Gemini, 89 เปอร์เซ็นต์สำหรับ Perplexity, 85 เปอร์เซ็นต์สำหรับ ChatGPT และ 84 เปอร์เซ็นต์สำหรับ Claude ข้อสรุปที่งานวิจัยชี้ตรง ๆ คือ การตรวจการมองเห็นแบบยิงครั้งเดียวบนเอนจินเดียว ซึ่งเป็นรูปแบบสินค้ามาตรฐานในตลาด กำลังวัดสัญญาณรบกวน

ระบบเหล่านี้อ่านอะไรอยู่

การอ้างอิงเพื่อยึดโยงคำตอบ 26,993 รายการที่แนบมากับรอบการทดสอบครอบคลุม 986 โดเมน เมื่อรวมทุกเอนจิน โดเมนที่ถูกอ้างมากที่สุดไม่ใช่แพลตฟอร์ม แต่เป็นเว็บไซต์ของร้านเอง คือ finnsbeachclub.com ที่ 5.3 เปอร์เซ็นต์ ซึ่งสูงกว่า TripAdvisor ที่ 2.3 เปอร์เซ็นต์ รองลงมาเป็นโดเมนบทความจัดอันดับและบล็อกท่องเที่ยวประจำภูมิภาค ได้แก่ thehoneycombers.com ที่ 3.9 เปอร์เซ็นต์ และ wanderlog.com ที่ 2.2 เปอร์เซ็นต์ ส่วน Reddit และ YouTube อยู่ที่ 1.3 เปอร์เซ็นต์เท่ากัน อาหารข้อมูลของแต่ละเอนจินต่างกันชัดเจน ChatGPT อ้าง reddit.com มากที่สุดที่ 4.0 เปอร์เซ็นต์ Claude นำด้วย tripadvisor.com ที่ 8.2 เปอร์เซ็นต์ Gemini นำด้วย wanderlog.com ที่ 3.4 เปอร์เซ็นต์ และ Perplexity นำด้วย finnsbeachclub.com ที่ 8.1 เปอร์เซ็นต์ มีข้อควรระวังด้านการวัดสำหรับ Gemini เพราะ API ของมันเปิดเผยเฉพาะโดเมนที่ใช้เปลี่ยนเส้นทางการยึดโยง แหล่งจริงจึงต้องกู้คืนจากชื่อหัวข้อการอ้างอิงด้วยการจับคู่แบบกำหนดตายตัว และการอ้างอิงที่กู้ไม่ได้ถูกตัดทิ้ง

สิ่งที่งานวิจัยนี้ไม่ได้พิสูจน์

ข้อจำกัดของขอบเขตเป็นเรื่องจริงและงานวิจัยระบุไว้เอง ค่าที่ประเมินได้เป็นความสัมพันธ์ภายใต้การควบคุมตัวแปร ไม่ใช่ผลเชิงสาเหตุ และร้านที่ตั้งตัวได้แล้วมักทั้งมีเว็บไซต์และสะสมร่องรอยดิจิทัลไปพร้อมกัน ขนาดของกิจการที่วัดไม่ได้จึงอาจมีส่วนในค่าสัมประสิทธิ์ของเว็บไซต์ สำมะโนครอบคลุมเฉพาะตลาดอาหารที่มีรายชื่อบน Google ร้านวารุงขนาดจิ๋วที่ไม่ได้ลงทะเบียนและร้านที่ถูกจัดประเภทผิดปกติจึงถูกนับน้อยกว่าความเป็นจริง ซึ่งทำให้อัตราการมองไม่เห็นเอียงต่ำลง เส้นทางการตรวจสอบใช้ API ที่ยึดโยงกับการค้นหา ไม่ใช่แอปที่ผู้บริโภคใช้จริง และการตั้งค่าฝั่งผู้ให้บริการเปลี่ยนได้โดยไม่แจ้งล่วงหน้า ฉากทัศน์คือสองตลาดย่อยที่อยู่ติดกันในบาหลี คำถามภาษาอังกฤษ และโครงสร้างอุปสงค์แบบนักท่องเที่ยวและคนทำงานทางไกล งานวิจัยระบุว่าจำเป็นต้องทำซ้ำในตลาดที่มีโครงสร้างต่างออกไปก่อนจะสรุปให้กว้างขึ้น นอกจากนี้ตัวทำนายที่ลงทะเบียนไว้ล่วงหน้าสามตัว ได้แก่ ความคล้ายของข้อความรีวิวกับเจตนาของคำถาม ความสอดคล้องของคะแนนข้ามแพลตฟอร์ม และการมีตัวตนบนโซเชียล ไม่ได้ถูกนำมาวัดจริง ซึ่งงานวิจัยเปิดเผยแทนที่จะกลบไว้ และยังมีความไม่สอดคล้องทางเลขคณิตระหว่างเนื้อความกับคำบรรยายภาพหนึ่งภาพเรื่องการจำแนกชื่อที่จับคู่ไม่ได้ โดยตัวเลขในคำบรรยายภาพรวมกันได้ 2,860 แทนที่จะเป็น 2,452 ส่วนจำนวนร้านปิดที่ยืนยันแล้ว 93 ครั้งตรงกันทั้งสองที่

ขอย้ำขอบเขตให้ชัด นี่คือบาหลี ไม่ใช่ประเทศไทย เป็นสองตลาดย่อย ไม่ใช่ทั้งประเทศ เป็นธุรกิจอาหาร ไม่ใช่ธุรกิจท้องถิ่นทุกประเภท เป็นภาพนิ่งของหนึ่งสัปดาห์ และมีหนึ่งสายที่ถูกจำกัดการค้นไว้ที่สองครั้งต่อรอบด้วยเหตุผลด้านต้นทุนที่เปิดเผยไว้ ในงานวิจัยนี้ไม่มีตัวเลขของประเทศไทย และไม่สามารถคำนวณออกมาจากงานชิ้นนี้ได้

เรื่องนี้มีความหมายอย่างไรกับนักการตลาดไทย

ย่อหน้าต่อจากนี้เป็นการวิเคราะห์ของ Relevant Audience ไม่ใช่ข้อค้นพบของงานวิจัย Canggu และ Ubud เป็นตลาดย่อยด้านอาหารและเครื่องดื่มที่พึ่งพานักท่องเที่ยว ใช้คำถามภาษาอังกฤษ และเต็มไปด้วยผู้ประกอบการรายย่อยที่เป็นเจ้าของเอง ย่านอย่างนิมมานเหมินท์ในเชียงใหม่ ทองหล่อในกรุงเทพ และบางเทาในภูเก็ตมีรูปทรงแบบเดียวกัน ความคล้ายนั้นเป็นเหตุผลให้เอากลไกที่ค้นพบมาพิจารณาอย่างจริงจัง แต่ไม่ใช่เหตุผลให้สมมติตัวเลขไทยตัวใดตัวหนึ่ง สิ่งที่ใช้ร่วมกันได้ไม่ใช่ตัวเลข 85.6 เปอร์เซ็นต์ แต่คือโครงสร้างที่อยู่ใต้ตัวเลขนั้น

มีสามเรื่องในโครงสร้างนั้นที่ตรวจสอบได้โดยไม่ต้องใช้เครื่องมือใด ๆ เรื่องแรก ปัจจัยที่วัดได้ว่ามีผลมากที่สุดต่อการเข้าไปอยู่ในคำตอบคือการที่ร้านมีเว็บไซต์เป็นของตัวเอง และโดเมนที่ถูกอ้างมากที่สุดจากการอ้างอิง 26,993 รายการก็คือเว็บไซต์ของร้านเอง ร้านอาหารไทยที่เปิดผ่านเพจ Facebook กับ Google Business Profile เท่านั้นจึงไม่มีเอกสารที่ตัวเองเป็นเจ้าของให้ระบบ AI ดึงไปใช้ ซึ่งเป็นเงื่อนไขที่แก้ไขได้ ไม่ใช่สภาพถาวร เรื่องที่สอง คะแนนเฉลี่ยไม่ได้ทำนายว่าร้านจะปรากฏหรือไม่ ร้านที่ได้ 4.8 ดาวจากรีวิว 30 รายการและไม่มีเว็บไซต์จึงกำลังแข่งบนตัวแปรที่ผิด เรื่องที่สาม การตรวจแค่รอบเดียวคือการวัดสัญญาณรบกวน การเอาคำตอบจาก ChatGPT ครั้งเดียวมาสรุปว่ามองเห็นหรือมองไม่เห็นจึงเป็นความผิดพลาด งานที่ควรลงแรงคือชั้นเอกสารและข้อมูลธุรกิจตามที่อธิบายไว้ในหน้า บริการ Local SEO และการมองพื้นที่คำตอบของ AI เป็นโจทย์ด้านการวัดผลในตัวเอง ซึ่งเป็นขอบเขตของงาน GEO หรือ Generative Engine Optimization

รายการที่ควรตรวจกับข้อมูลธุรกิจของคุณเอง

• ธุรกิจมีเว็บไซต์ของตัวเองหรือไม่ และ Google Business Profile ลิงก์ไปหาเว็บไซต์นั้นหรือเปล่า
• โปรไฟล์มีข้อมูลระดับราคาและเวลาทำการที่เป็นปัจจุบันหรือไม่ ทั้งสองอย่างเป็นฟิลด์ข้อมูลแบบมีโครงสร้าง ไม่ใช่ข้อความโฆษณา
• สาขาที่ปิดไปแล้วหรือเปลี่ยนชื่อแล้วยังมีโปรไฟล์ค้างอยู่และยังอยู่ในบทความจัดอันดับเก่าหรือไม่ เพราะงานวิจัยแสดงว่าข้อมูลค้างเหล่านั้นยังถูกหยิบไปแนะนำ
• เมื่อรันพรอมป์เดียวกันหลายครั้งบนผู้ช่วยหลายตัว ธุรกิจปรากฏขึ้นมาหรือไม่ แทนที่จะตัดสินจากคำตอบเดียว
• มีเนื้อหาจากบุคคลที่สามบนเว็บบทความจัดอันดับและเว็บรีวิวประจำภูมิภาคหรือไม่ เพราะนั่นคือแหล่งอ้างอิงหลักที่ไม่ใช่เว็บไซต์ของร้านเอง

คำถามที่พบบ่อย

แปลว่าร้านอาหารไทย 85 เปอร์เซ็นต์มองไม่เห็นบน AI ใช่ไหม

ไม่ใช่ และงานวิจัยไม่รองรับข้อสรุปแบบนั้น ตัวเลข 85.6 เปอร์เซ็นต์อธิบายร้าน 4,776 แห่งในพื้นที่ Canggu และ Ubud ของบาหลี วัดในคลื่นการเก็บข้อมูลเจ็ดวันเมื่อปี 2569 งานวิจัยระบุชัดว่าต้องมีการทำซ้ำในตลาดที่มีโครงสร้างต่างออกไปก่อนจะสรุปให้กว้างขึ้น และยังไม่มีการเผยแพร่งานเทียบเท่าสำหรับประเทศไทย

ถ้าคะแนนดาวไม่มีผล ร้านควรเลิกเก็บรีวิวหรือไม่

ไม่ควร เพราะงานวิจัยแยกคะแนนเฉลี่ยออกจากปริมาณรีวิว และตัวที่ไม่มีนัยสำคัญคือคะแนนเฉลี่ยเท่านั้น ปริมาณรีวิวให้ค่า odds ratio 1.64 ต่อหนึ่งส่วนเบี่ยงเบนมาตรฐานของลอการิทึมจำนวนรีวิวที่ขอบการเข้า และ 1.30 สำหรับตำแหน่งแรก ส่วนคะแนนดาวเฉลี่ยทำนายตำแหน่งแรกได้ที่ 1.17 แม้จะไม่ทำนายการเข้าไปอยู่ในคำตอบ ข้อค้นพบนี้พูดถึงว่าคานงัดตัวไหนทำหน้าที่อะไร ไม่ได้บอกว่ารีวิวไม่มีค่า

เว็บไซต์สำคัญกว่า Google Business Profile จริงหรือ

งานวิจัยไม่ได้วางเรื่องนี้เป็นการเลือกอย่างใดอย่างหนึ่ง และทั้งสองอย่างอยู่ในแบบจำลอง ร้านทุกแห่งในสำมะโนมาจาก Google Places อยู่แล้ว การมีโปรไฟล์จึงเป็นเงื่อนไขพื้นฐานของทั้ง 4,776 แห่ง และการมีเว็บไซต์เพิ่มขึ้นมาจากนั้นให้ผลที่ขอบการเข้าสูงที่สุดที่ odds ratio 1.92 งานวิจัยยังเตือนว่านี่คือความสัมพันธ์ภายใต้การควบคุมตัวแปร ไม่ใช่ผลเชิงสาเหตุ เพราะกิจการที่ใหญ่กว่ามักมีทั้งเว็บไซต์และร่องรอยดิจิทัลที่กว้างกว่า

ทำไม AI ถึงแนะนำร้านที่ปิดไปแล้ว

เพราะแหล่งข้อมูลที่อยู่เบื้องหลังล้าสมัย ไม่ใช่เพราะโมเดลกุร้านขึ้นมา งานวิจัยระบุว่าคำแนะนำ 93 ครั้งจากสถานประกอบการที่ปิดถาวรแล้ว 14 แห่งเกิดจากการค้นคืนข้อมูลเก่า และประเมินว่าการกุข้อมูลขึ้นมาจริง ๆ อยู่ที่ 0.08 เปอร์เซ็นต์ของการเอ่ยถึงที่ใช้ได้ คือชื่อเดียวที่ปรากฏ 10 ครั้ง

ควรตรวจการมองเห็นบน AI บ่อยแค่ไหนถึงจะเชื่อถือได้

งานวิจัยไม่ได้กำหนดความถี่ไว้ แต่แสดงให้เห็นว่าทำไมการตรวจครั้งเดียวจึงไม่พอ การถามคำถามเดิมซ้ำบนเอนจินเดิมให้ค่าความซ้อนทับเฉลี่ยของยี่สิบอันดับแรกอยู่ที่ 0.22 ถึง 0.45 แล้วแต่ระบบ การรันครั้งเดียวบนผู้ช่วยตัวเดียวจึงอยู่ในย่านสัญญาณรบกวนนั้น และแยกไม่ออกว่าความเปลี่ยนแปลงที่เห็นเป็นของจริงหรือเป็นเพียงการสุ่มใหม่