หมายเหตุ: บทความนี้สรุปกรอบออกแบบที่ Nidhi Kaushik Vyas แห่ง Google DeepMind นำเสนอในวิดีโอที่ฝังไว้ โดยรายการใน VideoToBlog ลงวันที่ 1 กันยายน 2026; ตัวอย่างธุรกิจเป็นแนวทางประยุกต์จากบทความต้นทาง · วิดีโอต้นทาง
ปัญหาของ AI สำหรับร้านค้าออนไลน์ไม่ใช่แค่ตอบช้า หรือแนะนำสินค้าไม่ตรง แต่คือมันมักตั้งต้นจากสมมติฐานผิดว่า ลูกค้ารู้แล้วว่าตัวเองต้องการอะไร และอธิบายออกมาเป็นคำค้นได้ชัดเจน
คลิปจาก Nidhi Kaushik Vyas แห่ง Google DeepMind บนช่อง AI Engineer เสนอภาพของ multimodal collaborative agents หรือ AI agent ที่ทำงานร่วมกับลูกค้าเพื่อค่อยๆ เปลี่ยนความรู้สึกคลุมเครือให้กลายเป็นทางเลือกที่ตัดสินใจได้ แนวคิดนี้สำคัญมากสำหรับธุรกิจไทย เพราะลูกค้าจำนวนมากไม่ได้พิมพ์ว่า “โซฟาผ้าสีเบจ 180 เซนติเมตร สไตล์ Japandi” แต่จะบอกว่า “อยากแต่งห้องให้ดูอบอุ่นแบบใน Pinterest งบไม่แรง”
แก่นของเรื่องจึงไม่ใช่การทำ chatbot ให้พูดเก่งขึ้น แต่คือการออกแบบ workflow ที่รู้ว่าอะไรควรถาม อะไรควรแสดง และเมื่อไรควรให้ AI ลงมือค้นหาเปรียบเทียบแทนเรา
สารบัญ
- Step 1: ยอมรับก่อนว่าลูกค้าเริ่มต้นจากความรู้สึก ไม่ใช่คำค้น
- Step 2: วาง workflow สามช่วง คือ Discover, Research และ Response
- Step 3: สร้าง working state ที่แยกข้อจำกัดชัดเจนออกจากความชอบ
- Step 4: ถามเพียงคำถามที่ให้ข้อมูลมากที่สุด
- Step 5: ใช้ภาพเมื่อลูกค้าอธิบายความชอบด้วยคำพูดไม่ได้
- Step 6: ส่งคำตอบในรูปทรงที่ช่วยให้ตัดสินใจได้
- Step 7: วัดผลทั้งวงจร ไม่ใช่วัดแค่ว่า AI ตอบถูกหรือไม่
- Step 8: เปลี่ยนแนวคิดให้เป็น Actionable Insights สำหรับธุรกิจไทย
- Step 9: Troubleshooting แก้ปัญหาที่มักเจอเมื่อเริ่มใช้ AI agent
- Step 10: การต่อยอดจาก agent แนะนำสินค้าไปสู่การทำงานจริง
- Step 11: สรุป Checklist ทั้งหมด
Step 1: ยอมรับก่อนว่าลูกค้าเริ่มต้นจากความรู้สึก ไม่ใช่คำค้น
ระบบแนะนำสินค้าหลายระบบยังทำหน้าที่คล้ายช่องค้นหาที่มี AI ครอบอยู่ กล่าวคือ รอให้ลูกค้าระบุสินค้า คุณสมบัติ ราคา หรือแบรนด์มาอย่างชัดเจน แล้วจึงค้นหาและตอบกลับ แต่โลกจริงมีช่องว่างระหว่างสิ่งที่คน “อยากได้” กับสิ่งที่คน “พูดออกมาได้” ช่องว่างนี้เรียกว่า articulation gap
ตัวอย่างคลาสสิกคือการแต่งห้องนั่งเล่น ลูกค้าอาจมีงบประมาณคร่าวๆ และรูปห้องที่ชอบ แต่ยังไม่รู้ชื่อสไตล์ ไม่รู้ขนาดเฟอร์นิเจอร์ หรือไม่รู้ว่าควรเริ่มซื้อชิ้นไหนก่อน หาก AI รีบโยนสินค้ามา 20 รายการ ผลลัพธ์ไม่ได้ช่วยตัดสินใจ แค่ย้ายภาระการคัดเลือกกลับมาให้ลูกค้า
สำหรับธุรกิจไทย แนวคิดนี้ใช้ได้ตั้งแต่ร้านเฟอร์นิเจอร์ สกินแคร์ แฟชั่น ประกัน การศึกษา ไปจนถึงบริการ B2B เช่น บริษัทบัญชีหรือที่ปรึกษา ลูกค้าอาจพูดว่า “อยากให้ยอดขายดีขึ้น” ซึ่งไม่ใช่โจทย์ที่ชัด แต่เป็นสัญญาณให้ AI เริ่มค้นหาเป้าหมาย ข้อจำกัด และปัญหาที่แท้จริง
มุมมองที่น่าสนใจคือ AI ไม่ควรบังคับให้เราพูดภาษาเดียวกับ catalog สินค้า ธุรกิจควรทำให้ AI แปลภาษาของลูกค้าเข้าสู่ข้อมูลสินค้าแทน
Step 2: วาง workflow สามช่วง คือ Discover, Research และ Response
กรอบการทำงานของ collaborative agent แบ่งเป็นวงจร 3 ช่วงต่อเนื่องกัน ได้แก่ Discovery เพื่อทำความเข้าใจ, Research เพื่อค้นหาและดึงความต้องการที่ยังซ่อนอยู่, และ Response เพื่อนำเสนอคำตอบในรูปแบบที่เหมาะกับงาน
ความต่างจาก chatbot ทั่วไปคือ AI ไม่จำเป็นต้องตอบทันทีในทุก turn แต่ต้องเลือกการกระทำที่พาคนไปใกล้เป้าหมายที่สุด อาจเป็นการถามคำถามเดียว แสดงภาพตัวอย่าง หรือทำงานเบื้องหลังเพื่อเปรียบเทียบสินค้าและเงื่อนไขให้ก่อน
- Discovery: สรุปสิ่งที่รู้แล้ว สิ่งที่ยังไม่รู้ และข้อมูลใดมีผลต่อคำแนะนำ
- Research: เลือกวิธีเก็บข้อมูลเพิ่ม เชื่อมความต้องการเข้ากับ catalog และค้นหาทางเลือก
- Response: นำผลลัพธ์มาแสดงเป็นสรุป ตารางเทียบ หรือภาพ inspiration ตามลักษณะการตัดสินใจ
ธุรกิจไม่ต้องเริ่มจากการสร้าง agent เต็มรูปแบบเสมอไป สามช่วงนี้เอาไปใช้กับ LINE OA, หน้าแชตบนเว็บไซต์, แบบฟอร์มรับบรีฟ หรือฝ่ายขายที่ใช้ AI ช่วยสรุปข้อมูลก็ได้ ประเด็นสำคัญคือทำให้ทุกจุดส่งต่อข้อมูลกันได้ แทนที่จะให้ลูกค้าเล่าเรื่องเดิมซ้ำหลายรอบ
Step 3: สร้าง working state ที่แยกข้อจำกัดชัดเจนออกจากความชอบ
ช่วง Discovery ต้องทำให้ AI สร้าง working state หรือสรุปสถานะการทำงานชั่วคราวจากข้อมูลที่มี ไม่ว่าจะเป็นบทสนทนาก่อนหน้า ข้อมูลที่เคยให้ไว้ ลิงก์ รูปอ้างอิง หรือคำขอในรอบนั้น
ในกรณีแต่งห้อง AI อาจบันทึกว่า เป้าหมายคือปรับห้องนั่งเล่น งบจำกัด ต้องการสินค้าให้เข้ากับพื้นที่เดิม และมีรูปอ้างอิงที่ให้ความรู้สึกอบอุ่นเรียบง่าย จากนั้นแยกข้อมูลเป็น 3 กลุ่ม
- Hard constraints: เงื่อนไขตายตัว เช่น งบ ขนาด พื้นที่ ส่งได้จังหวัดไหน หรือสินค้าต้องพร้อมส่ง
- Soft constraints: ความชอบที่ยังคลุมเครือ เช่น อยากดูมินิมอล ดูแพง หรือเหมือนรูปตัวอย่าง
- ข้อมูลที่ต้องอัปเดตทันที: เช่น สต็อก ราคา โปรโมชัน และระยะเวลาจัดส่ง
จุดที่ธุรกิจมักพลาดคือเอาข้อมูลคงที่และข้อมูลเปลี่ยนเร็วปนกันหมด AI จึงตอบราคาหรือสต็อกเก่า แล้วทำลายความน่าเชื่อถือในจังหวะที่ลูกค้ากำลังจะซื้อ ข้อมูลที่เปลี่ยนตลอดต้องถูกดึงจากแหล่งล่าสุดก่อนนำเสนอเสมอ
หากเรามีร้านค้าออนไลน์ การจัดข้อมูลสินค้าให้มีขนาด วัสดุ สี ราคา สถานะสต็อก เงื่อนไขจัดส่ง และคำอธิบายการใช้งานที่ครบ จะทำให้ AI เชื่อมคำพูดของลูกค้าเข้ากับสินค้าได้แม่นขึ้น นี่คือโจทย์ด้านข้อมูลธุรกิจมากกว่าโจทย์เขียน prompt
Step 4: ถามเพียงคำถามที่ให้ข้อมูลมากที่สุด
เมื่อ AI พบว่าข้อมูลยังไม่ครบ ไม่ได้หมายความว่าต้องถามทุกอย่างเป็น checklist ตัวอย่างในคลิปชัดมาก ลูกค้าขอปรับห้องนั่งเล่นตามงบ AI อาจยังไม่รู้ทั้งความกว้างห้องและสไตล์ที่ชอบ แต่คำถามเรื่อง “ห้องกว้างเท่าไร” ควรมาก่อน เพราะถ้าโซฟาหรือชั้นวางไม่พอดีพื้นที่ ข้อมูลเรื่องสไตล์ก็ยังไม่ช่วยให้แนะนำสินค้าที่ใช้ได้จริง
หลักคิดนี้คือ information gain หรือเลือกถามสิ่งที่คำตอบจะเปลี่ยนทิศทางการตัดสินใจได้มากที่สุด ไม่ใช่ถามตามลำดับที่ทีมออกแบบฟอร์มไว้
นำมาใช้กับธุรกิจไทยได้ทันที เช่น ร้านเครื่องสำอางที่ลูกค้าบอกว่าอยากได้รองพื้นบางเบา คำถามแรกอาจไม่ใช่ “ชอบแบรนด์อะไร” แต่เป็น “ผิวมัน ผิวแห้ง หรือผิวผสม” เพราะมีผลโดยตรงต่อสูตรที่ควรแนะนำ หรือธุรกิจรับทำการตลาดที่ได้รับบรีฟว่าอยากได้ยอดขายเพิ่ม คำถามที่คุ้มกว่าอาจเป็น “ตอนนี้ลูกค้าซื้อผ่านช่องทางไหนมากที่สุด”
ข้อควรระวังคืออย่าหลงคิดว่า AI ต้องถามให้น้อยที่สุดเสมอไป เป้าหมายคือถามเท่าที่จำเป็นและแต่ละคำถามต้องมีเหตุผล คำถามน้อยแต่ผิดจุดก็ทำให้คำแนะนำผิดตั้งแต่ต้นได้
Step 5: ใช้ภาพเมื่อลูกค้าอธิบายความชอบด้วยคำพูดไม่ได้
คำถามบางชนิดเหมาะกับข้อความ เช่น ขนาดห้อง งบ หรือวันที่ต้องการใช้สินค้า แต่เรื่องรสนิยมมักตอบยากด้วยข้อความล้วน คำว่า “มินิมอล” “พรีเมียม” หรือ “น่ารัก” ให้ภาพในหัวแต่ละคนไม่เหมือนกัน
แนวทางที่เสนอคือใช้ visual preference board หรือชุดภาพตัวเลือกที่คัดมาอย่างมีเจตนา เช่น ให้เลือกห้อง 4 สไตล์ ให้เลือกเฉดสี หรือให้เลือกลุคเสื้อผ้าที่ใกล้เคียงกับสิ่งที่ต้องการที่สุด การคลิกหรือการเลือกช่วยให้ AI เพิ่มระดับความมั่นใจต่อความชอบนั้นได้
ร้านเสื้อผ้าอาจให้เลือก “เรียบคม” “หวานละมุน” “สตรีต” หรือ “ทางการร่วมสมัย” จากภาพจริงของสินค้า ธุรกิจท่องเที่ยวอาจใช้ภาพที่พักและกิจกรรมเพื่อแยกคนที่อยากพักเงียบๆ ออกจากคนที่เน้นคาเฟ่และถ่ายรูป สิ่งสำคัญคือภาพต้องสะท้อนสินค้าหรือบริการที่ขายได้จริง ไม่ใช่ moodboard สวยแต่หาแพ็กเกจแบบนั้นไม่ได้
ก่อนดึงสินค้า AI ต้องมีสะพานเชื่อมระหว่างความต้องการกับ product ontology หรือโครงสร้างข้อมูลที่บอกว่าสินค้าแต่ละชิ้นมีคุณสมบัติอะไรบ้าง หากข้อมูลร้านบอกแค่ชื่อสินค้าและราคา ต่อให้ model เข้าใจภาพเก่งแค่ไหนก็จับคู่ “โทนไม้สว่างแบบญี่ปุ่น” กับสินค้าที่เหมาะสมได้ยาก
Step 6: ส่งคำตอบในรูปทรงที่ช่วยให้ตัดสินใจได้
คำตอบที่ถูกต้องแต่จัดวางผิดรูปแบบ ยังเป็นคำตอบที่ใช้งานยาก AI ควรเลือกวิธีนำเสนอจากเป้าหมายของลูกค้า ไม่ใช่ตอบเป็นย่อหน้ายาวเหมือนกันทุกครั้ง
- คำถามเรื่องนโยบายหรือรีวิว เหมาะกับ สรุปสั้นและ bullet list
- การเลือกระหว่างสินค้า 2 หรือ 3 รุ่น เหมาะกับ ตารางเปรียบเทียบ trade-off ตามเกณฑ์ที่ลูกค้าสนใจ
- การหาไอเดียแต่งบ้าน แต่งตัว หรือออกแบบ เหมาะกับ ภาพอ้างอิงและชุดสินค้า
- การตัดสินใจซื้อ เหมาะกับคำตอบที่บอกขั้นต่อไปชัด เช่น รุ่นที่แนะนำ เหตุผล สถานะสต็อก และทางเลือกสำรอง
ทีมธุรกิจควรคิดว่า “รูปแบบคำตอบเป็นส่วนหนึ่งของความฉลาด” ไม่ใช่รายละเอียดหน้าตา UI เท่านั้น หากร้านเสนอสินค้าหลายรุ่นแต่ไม่บอกว่าแต่ละรุ่นแลกอะไรกับอะไร ลูกค้าจะต้องเปิดแท็บเทียบเองและมีโอกาสหลุดออกจากเส้นทางซื้อ
อย่างไรก็ดี AI ต้องไม่สร้างข้อมูลเพื่อให้ตารางดูสมบูรณ์ ต้องยึดข้อมูลจริงเรื่องคุณสมบัติ ราคา และสต็อกเสมอ นี่คือเรื่อง data fidelity ที่สำคัญพอๆ กับภาษาที่ลื่นไหล
Step 7: วัดผลทั้งวงจร ไม่ใช่วัดแค่ว่า AI ตอบถูกหรือไม่
แนวคิดที่แข็งแรงที่สุดของกรอบนี้คือการมี autorater หรือเกณฑ์ตรวจคุณภาพในทุกช่วงของ workflow ไม่ใช่ปล่อย AI ทำงานแล้ววัดเพียง conversion หรือคะแนนความพึงพอใจปลายทาง
ตัวอย่างการตรวจที่ควรมี ได้แก่ ตรวจว่า working state เก็บข้อเท็จจริงครบหรือไม่ ตรวจว่า AI ประเมินระดับความมั่นใจเหมาะสมหรือไม่ และทดสอบแบบ counterfactual โดยเปลี่ยนบางเงื่อนไขในคำถาม เช่น เปลี่ยนงบหรือขนาดห้อง แล้วตรวจว่า AI เปลี่ยนคำแนะนำเฉพาะส่วนที่ควรเปลี่ยนหรือเปล่า
สำหรับทีมเล็ก ไม่จำเป็นต้องสร้างระบบประเมินซับซ้อนตั้งแต่วันแรก เริ่มจากรวบรวมเคสจริง 20 ถึง 50 เคส แล้วตรวจเป็นรอบว่ามีข้อผิดพลาดใดบ้าง เช่น ถามซ้ำ แนะนำของหมด ไม่ถามข้อมูลสำคัญ หรือสรุปผิดจากรูปอ้างอิง เมื่อเจอ pattern ค่อยเพิ่มกติกาตรวจและปรับ workflow
Step 8: เปลี่ยนแนวคิดให้เป็น Actionable Insights สำหรับธุรกิจไทย
- เริ่มจากจุดที่ลูกค้าลังเลมากที่สุด: เลือกสินค้าหรือบริการที่มีตัวเลือกเยอะและอธิบายความต้องการยาก เช่น เฟอร์นิเจอร์ สกินแคร์ คอร์สเรียน หรือแพ็กเกจท่องเที่ยว
- ทำรายการ hard constraints: กำหนด 5 ถึง 10 ข้อมูลที่หากผิดแล้วขายไม่ได้ เช่น งบ ขนาด พื้นที่ วันใช้งาน จังหวัด และสถานะสต็อก
- เตรียมภาพตัวเลือกแทนคำถามกว้าง: ทำบอร์ดภาพ 4 ถึง 6 แบบสำหรับความชอบที่ลูกค้าพูดยาก และผูกแต่ละภาพเข้ากับ tag ใน catalog
- ออกแบบคำถามตามผลกระทบ: ให้ทีมขายรวบรวมคำถามที่มักถาม แล้วเรียงใหม่ตามคำตอบใดเปลี่ยนข้อเสนอได้มากที่สุด
- ทำคำตอบสำเร็จรูปหลายแบบ: สร้างแม่แบบสรุป ตารางเทียบ และชุดสินค้า เพื่อให้ AI เลือกใช้ตามโจทย์แทนการตอบยาวทุกครั้ง
Step 9: Troubleshooting แก้ปัญหาที่มักเจอเมื่อเริ่มใช้ AI agent
- ปัญหา: AI ถามคำถามติดกันจนลูกค้าหาย
สาเหตุ: ระบบมองทุกข้อมูลว่าสำคัญเท่ากัน
วิธีแก้: จัดอันดับคำถามด้วยผลกระทบต่อคำแนะนำ เลือกถามทีละเรื่องที่ตัดตัวเลือกได้มากที่สุด และให้ทางเลือกแบบกดตอบได้ - ปัญหา: AI แนะนำสินค้าที่หมดสต็อกหรือราคาไม่ตรง
สาเหตุ: ใช้ข้อมูล catalog ที่ไม่อัปเดต
วิธีแก้: แยกข้อมูลคงที่ออกจากข้อมูลเปลี่ยนเร็ว แล้วบังคับตรวจสต็อก ราคา และเงื่อนไขส่งก่อนแสดงผลลัพธ์ - ปัญหา: ลูกค้าเลือกภาพที่ชอบ แต่ข้อเสนอสุดท้ายไม่ตรงภาพ
สาเหตุ: ภาพ preference board ไม่ได้เชื่อมกับ tag หรือคุณสมบัติสินค้า
วิธีแก้: กำหนด tag ให้ภาพทุกชุด เช่น โทนสี วัสดุ ระดับความเรียบ และสไตล์ แล้วตรวจว่าสินค้าที่ดึงมามี tag สอดคล้องกัน - ปัญหา: คำตอบยาวมากแต่ตัดสินใจไม่ได้
สาเหตุ: AI ให้ข้อมูลครบ แต่ไม่มีรูปแบบตอบตามงาน
วิธีแก้: ใช้ตารางเทียบสำหรับการเลือกรุ่น ใช้ bullet list สำหรับนโยบาย และวางข้อแนะนำหลักพร้อมเหตุผลไว้ด้านบน - ปัญหา: ทีมไม่รู้ว่า AI ดีขึ้นจริงหรือไม่
สาเหตุ: วัดแค่จำนวนแชตหรือยอดขายรวม
วิธีแก้: ติดตามอัตราการถามซ้ำ จำนวน turn ก่อนตัดสินใจ สัดส่วนคำแนะนำที่ใช้ข้อมูลสด และเหตุผลที่ลูกค้าออกจาก flow
Step 10: การต่อยอดจาก agent แนะนำสินค้าไปสู่การทำงานจริง
แนวคิดนี้ไปไกลกว่าหน้า product recommendation ได้มาก ธุรกิจบริการสามารถทำ agent รับบรีฟลูกค้า ที่ไม่รีบเสนอแพ็กเกจ แต่สกัดเป้าหมาย ข้อจำกัด และความชอบก่อนส่งต่อให้ทีมขาย
อีกทางคือทำ agent หลังบ้านให้พนักงานขาย ใช้สรุปบทสนทนา จัดลำดับลูกค้าที่ต้องติดตาม และสร้างตารางเปรียบเทียบข้อเสนอ โดยพนักงานยังเป็นผู้ตรวจและตัดสินใจสุดท้าย
ระยะถัดไปอาจมี agent ซื้อของแทนคนมากขึ้น โดยเฉพาะงานปลายทางอย่างเทียบราคา ตรวจเงื่อนไข หรือเจรจาข้อเสนอ แต่สำหรับช่วงค้นหาแรงบันดาลใจและสำรวจทางเลือก คนส่วนใหญ่ยังต้องการมีส่วนร่วม ธุรกิจจึงควรออกแบบให้ AI เป็นผู้ช่วยคิด ไม่ใช่ผู้ตัดสินใจแทนทั้งหมด
Step 11: สรุป Checklist ทั้งหมด
- ☐ ระบุจุดที่ลูกค้ามักมาด้วยความต้องการคลุมเครือ
- ☐ แบ่ง workflow เป็น Discovery, Research และ Response
- ☐ สร้าง working state จากแชต ข้อมูลเดิม ลิงก์ และรูปอ้างอิง
- ☐ แยก hard constraints, soft constraints และข้อมูลที่ต้องอัปเดตทันที
- ☐ จัดข้อมูลสินค้าให้มี tag และคุณสมบัติที่เชื่อมกับความต้องการได้
- ☐ เรียงคำถามตาม information gain แทนการถามตาม checklist
- ☐ ใช้ภาพและตัวเลือกเมื่อความชอบอธิบายด้วยคำพูดยาก
- ☐ เลือกรูปแบบคำตอบให้เหมาะกับการสรุป เปรียบเทียบ หรือหาแรงบันดาลใจ
- ☐ ตรวจความถูกต้องของราคา สต็อก และรายละเอียดก่อนแสดงผล
- ☐ วัดการถามซ้ำ ความถูกต้องของข้อมูล และความสามารถในการพาไปสู่ขั้นตอนถัดไป
บทเรียนสำคัญจาก Multimodal Collaborative Agents คือ AI ที่มีประโยชน์ต่อธุรกิจไม่ใช่ AI ที่ตอบทุกอย่างทันที แต่คือ AI ที่ช่วยให้เราเปลี่ยน “อยากได้ประมาณนี้” เป็นการตัดสินใจที่ชัดขึ้น โดยถามน้อยแต่ถามถูก แสดงสิ่งที่คำพูดอธิบายไม่ไหว และให้คำตอบในรูปแบบที่พร้อมนำไปใช้ต่อ