ข้ามไปบทความ

7 กฎ Prompt Claude 5 ที่ธุรกิจไทยใช้ลดงานวนและได้คำตอบตรงขึ้น

เจ็ดหลักการ prompt Claude 5 ช่วยทีมกำหนดเป้าหมาย เก็บข้อมูลที่ขาด และตั้งเกณฑ์จบงาน พร้อมตรวจเฉพาะจุดเสี่ยงก่อนนำคำตอบไปใช้

โดย Insiderly
video thumbnail for 'How The Anthropic Team ACTUALLY Prompts Claude 5 Models'
ภาพจาก วิดีโอต้นทาง
เผยแพร่:

ที่มา: วิดีโอต้นทาง และบทความ VideoToBlog วันที่ 2026-09-02 (วันที่แสดงในบทความต้นทาง) · วิดีโอต้นทาง

ปัญหาของการใช้ AI ในที่ทำงานไม่ได้อยู่ที่ model เก่งไม่พอเสมอไป แต่อยู่ที่เราโยนคำสั่งสั้นเกินไป แล้วใช้เวลาวนแก้ผลลัพธ์ทีละรอบจนทั้งเสียเวลาและเสีย token โดยไม่จำเป็น

คลิปของ Ben AI สรุปแนวทาง prompt สำหรับ Claude 5 ที่อ้างอิงจากคู่มือและแนวคิดของ Anthropic ประเด็นหลักคือ เราต้องเลิกสั่ง AI เหมือนกดปุ่มให้ทำงานย่อย แล้วเริ่มมอบหมายงานเหมือนกำลัง brief พนักงานใหม่ที่เก่งมาก แต่ยังไม่รู้เป้าหมาย มาตรฐาน และ workflow ของบริษัทเรา

สำหรับเจ้าของธุรกิจและคนทำงานไทย แนวคิดนี้นำไปใช้ได้ตั้งแต่งานวางแผนการตลาด สรุปรายงาน ทำคู่มือทีม วิเคราะห์ feedback ลูกค้า ไปจนถึงสร้าง dashboard ภายใน จุดสำคัญไม่ใช่การเขียน prompt ให้ยาวที่สุด แต่คือการให้ข้อมูลที่ AI ต้องใช้ตัดสินใจได้เองอย่างถูกทาง

สารบัญ

Step 1: เปลี่ยนจากสั่งทีละข้อ เป็นมอบหมายทั้งงาน

ข้อแรกคือให้ Claude เห็น ภาพของงานทั้งหมดตั้งแต่ต้น แทนการสั่งว่า “ทำข้อ 1 ก่อน แล้วค่อยทำข้อ 2” model รุ่นใหม่ถูกออกแบบให้รับงานซับซ้อนแบบ end-to-end ได้ดีขึ้น การล็อกขั้นตอนละเอียดเกินไปอาจทำให้มันใช้ความสามารถได้ไม่เต็มที่

โครงสร้างที่ใช้งานได้คือระบุ 4 ส่วน ได้แก่ งานที่ต้องทำ, เหตุผล, ข้อกำกับ, และหน้าตาของงานที่เสร็จแล้ว วิธีนี้คล้ายการมอบหมายงานให้หัวหน้าทีม เราไม่จำเป็นต้องบอกทุกการคลิก แต่ต้องชัดว่าเป้าหมายคืออะไร อะไรห้ามพลาด และส่งมอบอะไรเมื่อจบ

ตัวอย่างสำหรับร้านค้าออนไลน์ไทย แทนที่จะพิมพ์ว่า “ช่วยคิดคอนเทนต์ Facebook 10 โพสต์” ให้ brief ว่า:

Ben ยกกรณีการให้ Claude ช่วยเตรียมโครงร่างวิดีโอ โดยใส่เป้าหมาย ข้อกำกับ และเกณฑ์ความสำเร็จครบก่อนปล่อยให้ทำงาน ผลคือได้ outline ที่นำไปใช้ต่อได้ทันที แนวทางนี้เหมาะกับงานที่ต้องคิดหลายชั้น ไม่ใช่คำถามเล็ก ๆ เช่นให้ช่วยตั้งหัวข้ออีเมลหนึ่งบรรทัด

Step 2: ให้ AI สัมภาษณ์เรา ก่อนเริ่มงานใหญ่

หลายครั้งที่ผลลัพธ์ไม่ดี ไม่ได้แปลว่า AI ทำงานพลาด แต่เราเองยังตอบไม่ได้ว่าอยากได้อะไรจริง ๆ เช่น อยากได้ dashboard ยอดขาย แต่ยังไม่รู้ว่าจะตัดสินใจเรื่องใดจากมัน หรืออยากทำแผนการตลาด แต่ยังไม่ระบุกลุ่มลูกค้าหลัก

แนวคิด “Interview Me” คือให้ AI ถามคำถามกลับเพื่อเก็บ context ที่ขาดหาย ก่อนสรุปเป็น brief หรือ prompt ฉบับพร้อมใช้งาน นี่คือขั้น pre-planning ที่ช่วยลดการแก้คำตอบซ้ำหลายรอบได้มากกว่าการรีบพิมพ์คำสั่งแรก

เราสามารถเริ่มได้ด้วย prompt นี้:

“ช่วยทำหน้าที่เป็นผู้สัมภาษณ์เพื่อเก็บข้อมูลก่อนเริ่มงานนี้ ถามคำถามทีละข้อจนข้อมูลเพียงพอ แล้วสรุปเป็น brief ที่ประกอบด้วย งาน เป้าหมาย กลุ่มเป้าหมาย ข้อกำกับ ความเสี่ยง และเกณฑ์ว่างานเสร็จเมื่อใด อย่าเริ่มสร้างชิ้นงานจนกว่าจะสรุป brief เสร็จ”

ถ้าเป็นเจ้าของคลินิก อาจใช้เพื่อวางระบบตอบแชตลูกค้า AI ควรถามเรื่องบริการที่รับ เงื่อนไขราคา คำถามที่ทีมตอบบ่อย คำที่ไม่ควรใช้ จุดที่ต้องส่งต่อพนักงาน และน้ำเสียงแบรนด์ก่อน การข้ามคำถามเหล่านี้แล้วสั่งให้ “เขียนแชตตอบลูกค้า” มักได้คำตอบที่ใช้ไม่ได้จริงหรือเสี่ยงต่อความเข้าใจผิด

อีกวิธีที่น่าสนใจคือพูดเล่าโจทย์ออกมา 2 ถึง 5 นาทีผ่านเครื่องมือถอดเสียง เพราะการพูดช่วยดึงรายละเอียดที่เรานึกไม่ออกตอนพิมพ์ จากนั้นค่อยให้ AI จัดระเบียบสิ่งที่เล่าเป็น brief แต่ต้องตรวจข้อมูลสำคัญ เช่น ราคา เงื่อนไข และชื่อสินค้า ก่อนนำไปใช้งานต่อเสมอ

Step 3: อธิบายว่า “ทำไปทำไม” ไม่ใช่แค่ “ทำอะไร”

AI ต้องตัดสินใจระหว่างทำงานเสมอ แม้ prompt จะละเอียดแค่ไหนก็ย่อมมีจุดที่ไม่ได้ระบุไว้ หากมันเข้าใจเหตุผลของงาน ก็มีโอกาสเลือกทิศทางที่ตรงกับเจตนาของเรามากขึ้น

สูตรที่นำไปใช้ได้คือ “เรากำลังทำงานใหญ่เรื่องอะไร งานนี้ทำให้ใคร และผลลัพธ์ต้องช่วยคนนั้นทำอะไรได้” แล้วค่อยตามด้วยคำสั่งหลัก

ตัวอย่าง: “เรากำลังจัดทำรายงาน feedback ลูกค้ารายเดือนสำหรับทีมผู้บริหารร้านอาหารหลายสาขา ทีมต้องใช้รายงานนี้เลือก 3 ปัญหาที่ควรแก้ในเดือนหน้า จึงต้องการประเด็นที่จัดลำดับตามผลกระทบและมีหลักฐานอ้างอิงจากข้อความลูกค้า ช่วยวิเคราะห์ไฟล์นี้...”

คำว่า “ผู้บริหารต้องใช้ตัดสินใจอะไร” เปลี่ยนงานจากการสรุปข้อความยาว ๆ ไปสู่เอกสารที่ใช้ตัดสินใจได้ นี่คือมุมที่ธุรกิจไทยควรให้ความสำคัญ เพราะ AI ไม่ควรเป็นเพียงเครื่องผลิตข้อความ แต่ควรช่วยแปลงข้อมูลกระจัดกระจายให้เป็นการกระทำที่ชัดเจน

Step 4: กำหนดให้ชัดว่า “เสร็จ” หน้าตาเป็นอย่างไร

Claude รุ่นที่ทำงานต่อเนื่องเก่งขึ้นมีความเสี่ยงอีกด้าน คือทำมากเกินจำเป็น เขียนยาวเกิน ขยายงานไกล หรือใช้ token มากโดยที่ชิ้นงานไม่ดีขึ้น ดังนั้นต้องกำหนด exit criteria หรือเงื่อนไขจบงานให้ชัด

อย่าระบุเพียง “ช่วยวิเคราะห์คู่แข่ง” แต่ระบุสิ่งที่ต้องส่งมอบ เช่น “ตารางเปรียบเทียบคู่แข่ง 5 ราย แยกกลุ่มลูกค้า จุดขาย ราคา ช่องทาง และโอกาสที่แบรนด์เราเข้าไปได้ พร้อมข้อเสนอ 3 ข้อ ห้ามเกิน 800 คำ”

ควรกำหนดรูปแบบผลลัพธ์และน้ำเสียงด้วย โดยเฉพาะเมื่อใช้ AI ทำงานให้ทีม เช่น ต้องการตาราง, bullet points, ภาษาไทยระดับใด, ใช้คำเทคนิคได้แค่ไหน หรือให้มีแหล่งอ้างอิงทุกข้อหรือไม่ ตัวอย่าง output ที่ดีหนึ่งชิ้นยังช่วยได้มาก หากเราต้องการรูปแบบเฉพาะ เช่น สรุปรายงานประจำสัปดาห์หรือโพสต์ LinkedIn ของผู้บริหาร

มุมที่ควรระวังคือ “สั้น” ไม่ได้แปลว่า “ดี” เสมอไป งานวิเคราะห์ที่ใช้ตัดสินใจเรื่องเงิน คน หรือความเสี่ยง ควรกำหนดความครบถ้วนก่อน แล้วจึงกำหนดความยาว เช่น ให้รายงานเฉพาะข้อค้นพบที่มีหลักฐานจากไฟล์ต้นทาง และระบุสิ่งที่ยังสรุปไม่ได้

Step 5: เปลี่ยนกฎแข็ง ๆ ให้เป็นข้อกำกับที่มีเหตุผล

หลายคนคุ้นกับคำสั่งแบบ “ห้ามทำ X” หรือ “อย่าใช้ Y เด็ดขาด” แต่คำแนะนำในคลิปชี้ว่า model ใหม่ตอบสนองต่อข้อกำกับที่มีเหตุผลประกอบได้ดีกว่า แทนที่จะออกคำสั่งแบบตัดบท ให้บอกสิ่งที่ต้องการและอธิบายว่าทำไมมันจึงสำคัญ

ตัวอย่างการปรับ prompt:

เหตุผลไม่ได้ทำให้ AI “เชื่อฟัง” แบบมนุษย์ แต่ช่วยให้มันเลือกวิธีทำงานเมื่อเจอสถานการณ์ที่ไม่ได้เขียนไว้ตรง ๆ สำหรับองค์กร นี่ทำให้ prompt มีความยืดหยุ่นกว่าเช็กลิสต์คำห้ามยาวเหยียด

อย่างไรก็ดี งานที่มีความเสี่ยงสูงยังต้องมีกฎชัดเจน เช่น ห้ามเปิดเผยข้อมูลลูกค้า ห้ามให้คำแนะนำทางการแพทย์ หรือห้ามอนุมัติส่วนลดเอง เหตุผลประกอบไม่ใช่ข้ออ้างให้ตัด guardrail สำคัญออก แต่เป็นวิธีเขียน guardrail ให้มีเจตนาชัดขึ้น

Step 6: เลิกย้ำให้ตรวจซ้ำทุกครั้ง และตรวจจุดที่เสี่ยงแทน

เทคนิค prompt แบบเดิมมักใส่คำว่า “คิดทีละขั้น” “อธิบายเหตุผลทั้งหมด” หรือ “ตรวจคำตอบซ้ำก่อนตอบ” รวมถึงการตั้ง sub-agent ให้ตรวจทุกงาน คลิปเสนอว่า Claude รุ่นใหม่ได้รับการฝึกให้ตรวจและแก้ข้อผิดพลาดระหว่างทำงานอยู่แล้ว การย้ำคำสั่งตรวจซ้ำอาจเพิ่มต้นทุนและเวลามากกว่าคุณภาพที่ได้

สิ่งที่ควรทำคือกำหนด ขอบเขตงานให้พอดี และขอการตรวจสอบเฉพาะจุดที่มีความเสี่ยง ตัวอย่างเช่น งานสรุปการประชุมทั่วไปไม่ต้องสร้างขั้นตรวจซ้ำหลายชั้น แต่รายงานตัวเลขยอดขายควรสั่งว่า “แสดงการคำนวณที่ใช้ และระบุข้อมูลที่หาไม่พบ” เพื่อให้ทีมตรวจจุดสำคัญได้เร็ว

ควรหลีกเลี่ยงการเน้นรุนแรงด้วยตัวพิมพ์ใหญ่หรือเครื่องหมายมากเกินไป เพราะอาจกระตุ้นให้ model ตีความข้อสั่งนั้นหนักเกินส่วน จุดนี้สะท้อนหลักคิดสำคัญว่า prompt ที่ดีไม่จำเป็นต้องข่ม AI แต่ต้องทำให้เป้าหมายและข้อจำกัดอ่านเข้าใจง่าย

หากเป็นข้อมูลภายนอกที่ต้องการความถูกต้อง เช่น กฎหมาย ราคา หรือข้อมูลคู่แข่ง ณ เวลาหนึ่ง เรายังต้องตรวจจากแหล่งต้นทางเอง AI ตรวจความสอดคล้องของคำตอบได้ แต่ไม่ได้ทำให้ข้อมูลที่ไม่มีหลักฐานกลายเป็นข้อเท็จจริง

Step 7: ตั้งเสียงของ Claude เพียงครั้งเดียว แล้วใช้ซ้ำ

ปัญหาที่พบบ่อยคือ Claude เขียนยาว ใช้ศัพท์เทคนิคมาก หรือให้น้ำเสียงไม่เข้ากับแบรนด์ การแก้ที่คุ้มกว่าคือวางคำสั่งเรื่องเสียงไว้ใน global instructions, project instructions หรือ system prompt แทนการพิมพ์ซ้ำทุกงาน

คำสั่งพื้นฐานสำหรับงานธุรกิจไทยอาจเป็น:

“ตอบเป็นภาษาไทยที่ตรงประเด็น ใช้ประโยคสั้น อธิบายศัพท์เทคนิคเมื่อจำเป็น หลีกเลี่ยง jargon ที่ไม่ช่วยให้ตัดสินใจ ใช้หัวข้อและ bullet points เมื่อข้อมูลมีหลายส่วน หากข้อมูลไม่พอให้ระบุคำถามที่ต้องการเพิ่ม”

แต่เสียงที่ดีต้องเหมาะกับงาน ไม่ใช่ใช้คำว่า “กระชับ” กับทุกอย่าง ฝ่ายขายอาจต้องการข้อความอบอุ่นและโน้มน้าว ฝ่ายปฏิบัติการอาจต้องการ checklist ที่ไม่คลุมเครือ ส่วนรายงานผู้บริหารอาจต้องการข้อสรุปก่อนรายละเอียด การตั้งคำสั่งกลางตามชนิดงานจึงดีกว่าการมีเสียงเดียวทั้งองค์กร

Step 8: เปลี่ยน 7 กฎเป็น Actionable Insights สำหรับทีมงาน

Step 9: แก้ปัญหาที่มักเจอเมื่อเริ่มใช้ Claude 5

Step 10: ต่อยอดจาก prompt สู่ workflow ของธุรกิจ

ขั้นถัดไปไม่ควรหยุดที่การมี prompt ดีหนึ่งชุด แต่ควรเก็บ brief ที่ใช้แล้วได้ผลเป็นคลังความรู้ของทีม แยกตามงาน เช่น วิเคราะห์รีวิวลูกค้า ร่างข้อเสนอขาย สรุปประชุม และวางแผนคอนเทนต์ เมื่อโจทย์ใหม่เข้ามา ทีมจะเริ่มจาก template ที่พิสูจน์แล้ว แทนการเริ่มพิมพ์จากศูนย์

แนวคิดที่สองคือทำ “จุดส่งต่อ” ระหว่าง AI และคนให้ชัด AI อาจรวบรวมข้อมูล จัดกลุ่มประเด็น และร่างข้อเสนอได้ แต่คนในธุรกิจต้องเป็นผู้ยืนยันราคา นโยบาย คำเคลม และการตัดสินใจที่กระทบลูกค้าหรือรายได้

แนวคิดที่สามคือเชื่อม prompt เข้ากับข้อมูลจริงขององค์กรอย่างระมัดระวัง เช่น ไฟล์ยอดขาย คู่มือบริการ หรือคำถามลูกค้าที่ผ่านการคัดข้อมูลส่วนบุคคลออกแล้ว เมื่อ AI ได้ context ที่เฉพาะกับธุรกิจ คำตอบจะมีประโยชน์กว่าการขอคำแนะนำกว้าง ๆ มาก

ผู้ที่ต้องการอ่านหลักการ prompt จากผู้พัฒนาโดยตรง สามารถดู คู่มือ Prompt Engineering ของ Anthropic เพื่อเทียบแนวทางกับงานที่ใช้อยู่ได้

Step 11: สรุป Checklist ทั้งหมดก่อนกดส่ง prompt

แก่นของการ prompt Claude 5 คือการยกระดับจาก “ขอคำตอบ” ไปสู่ “มอบหมายงาน” เมื่อเราให้เป้าหมาย เหตุผล ข้อกำกับ และนิยามของงานที่เสร็จครบ AI จะช่วยลดงานวนได้มากขึ้น ส่วนหน้าที่ของเราคือทำให้มาตรฐานธุรกิจชัดพอที่จะส่งต่อให้ทั้งคนและ AI ทำงานตามได้

Insiderly

บทความจากกองบรรณาธิการ Insiderly

อ่านบทความทั้งหมด

More in ข่าวผลิตภัณฑ์ AI

See all
ภาพปกบทสัมภาษณ์ Will Koh จาก Ramp เรื่อง GPT-5.5

GPT-5.5 กับงานจริง: บทเรียนจาก Will Koh และ Ramp

โดย Insiderly
/
ภาพปกคลิป ChatGPT Images 2.0 พร้อมตัวอย่างภาพจรวด

ChatGPT Images 2.0: ย้อนดูแนวคิดภาพสำหรับงานธุรกิจ

โดย Insiderly
/
ภาพปกวิดีโอต้นทางของ Julian Goldie SEO แสดง Hermes Agent 0.14

Hermes v0.14: การติดตั้ง เบราว์เซอร์ และความจำในคลิปเดือนพฤษภาคม

โดย Insiderly
/
อินเทอร์เฟซ Deep Research ของ ChatGPT แสดงข้อความ 'Ready when you are' กล่องคำถามตัวอย่าง และตัวเลือก Deep research กับ Sites (3)

การอัปเดต Deep Research ใน ChatGPT: พลังของ GPT-5.2 และฟีเจอร์เชิงลึก

โดย Insiderly
/

บทความอื่นจาก Insiderly

See all
ภาพปกบทสัมภาษณ์ Will Koh จาก Ramp เรื่อง GPT-5.5

GPT-5.5 กับงานจริง: บทเรียนจาก Will Koh และ Ramp

โดย Insiderly
/
ภาพปกคลิป ChatGPT Images 2.0 พร้อมตัวอย่างภาพจรวด

ChatGPT Images 2.0: ย้อนดูแนวคิดภาพสำหรับงานธุรกิจ

โดย Insiderly
/
ภาพปก The End of Apps ของ Kitze บนเวที AI Engineer Europe

AI Agents กับจุดจบของแอป: บทเรียนจาก Kitze

โดย Insiderly
/
ภาพปกการสนทนา Human Judgment in Agentic Engineering จาก AI Engineer Europe

AI เร่งงานได้ แต่แรงเสียดทานช่วยให้เราตัดสินใจดีขึ้น

โดย Insiderly
/