AI ช่วยจัดระเบียบงานวิจัยผู้ใช้ได้ แต่สร้างหลักฐานแทนการวิจัยจริงไม่ได้: บทเรียนจาก Empathy Map

Empathy map คือเครื่องมือที่ทีมใช้จัดสิ่งที่รู้เกี่ยวกับผู้ใช้เป็นสี่ช่อง พูด คิด ทำ และรู้สึก ทีมจำนวนมากเริ่มให้ AI ช่วยเติมช่องเหล่านี้ บทความจาก Nielsen Norman Group เตือนว่า AI เก่งเรื่องจัดระเบียบข้อมูลที่มีอยู่ แต่เมื่อถูกขอให้เติมสิ่งที่ยังไม่มี มันจะสร้างข้อความที่ฟังดูน่าเชื่อแต่ไม่ได้มาจากผู้ใช้จริง และความน่าเชื่อกับความจริงเป็นคนละเรื่อง บทความนี้สรุปว่าเส้นแบ่งอยู่ตรงไหน และทีมออกแบบในไทยจะใช้ AI ในงานวิจัยอย่างไรให้ไม่หลอกตัวเอง

Empathy map ทำงานอย่างไร และทำไมหลักฐานถึงสำคัญ

Empathy map เป็นภาพรวมที่ทีมข้ามสายงานสร้างร่วมกันเพื่อจัดความรู้เกี่ยวกับผู้ใช้เป็นสี่หมวด สิ่งที่ผู้ใช้พูด สิ่งที่คิด สิ่งที่ทำ และสิ่งที่รู้สึก คุณค่าของมันไม่ได้อยู่ที่แผนภาพ แต่อยู่ที่ทุกข้อความบนแผนภาพสืบย้อนไปถึงหลักฐานได้ เช่น คำพูดจากการสัมภาษณ์ พฤติกรรมที่เห็นในการทดสอบการใช้งาน ตั๋วซัพพอร์ต หรือบันทึกจากการลงพื้นที่

เมื่อหลักฐานหายไป empathy map จะกลายเป็นรายการสมมติฐานที่แต่งหน้าให้ดูเหมือนผลวิจัย และทีมจะตัดสินใจออกแบบบนสิ่งที่ไม่มีใครเคยสังเกตจริง ปัญหานี้ไม่ใหม่ แต่ AI ทำให้มันเกิดง่ายขึ้นมาก เพราะสร้างข้อความที่ดูสมบูรณ์ได้ในไม่กี่วินาที

สิ่งที่ AI ทำไม่ได้: สร้างคำพูด พฤติกรรม และอารมณ์ของผู้ใช้

บทความยกตัวอย่างเปรียบเทียบที่ชัดมาก ผลลัพธ์ทั่วไปจาก AI จะออกมาประมาณว่า ผู้ใช้อยากให้แอปถามก่อนเปลี่ยนสินค้า ส่วนผลจากการวิจัยจริงจะเจาะจงกว่านั้น เช่น ระบบเปลี่ยนนมข้าวโอ๊ตเป็นนมวัวและตัดเงินก่อนแจ้ง ความต่างนี้คือความต่างระหว่างข้อความที่ฟังดูเป็นไปได้กับสิ่งที่เกิดขึ้นกับคนจริง รายละเอียดอย่างหลังคือสิ่งที่นำไปสู่การแก้ไขที่ถูกจุด

ข้อสังเกตที่ AI แต่งขึ้นจึงเป็นสมมติฐาน ไม่ใช่หลักฐาน ต่อให้เขียนได้เนียนแค่ไหน และอันตรายคือเมื่อมันถูกวางบนแผนภาพร่วมกับข้อมูลจริง ทีมจะแยกไม่ออกว่าอันไหนมาจากไหน

สิ่งที่ AI ทำได้ดี: จัดระเบียบ จัดกลุ่ม สรุป และขัดเกลาภาษา

บทความไม่ได้ต่อต้านการใช้ AI ในงานวิจัย แต่ชี้ว่ามันเหมาะกับงานหลังจากมีข้อมูลแล้ว ได้แก่ จัดกลุ่มโน้ตจากการวิจัยจำนวนมากให้เป็นหมวด สรุปรูปแบบที่ซ้ำกันจากคำพูดหลายร้อยประโยค ร่างการจัดกลุ่มเบื้องต้นให้ทีมตรวจทาน และขัดเกลาภาษาของข้อค้นพบหลังจากยืนยันกับหลักฐานแล้ว งานเหล่านี้กินเวลามากในกระบวนการวิจัยแบบเดิม และ AI ช่วยลดได้จริงโดยไม่กระทบความน่าเชื่อถือ

สามคำถามก่อนกดใช้ AI ในงานวิจัย

บทความเสนอคำถามคัดกรองที่ทีมควรถามตัวเองทุกครั้ง หนึ่ง เรากำลังให้ AI จัดระเบียบข้อมูลที่มีอยู่ หรือกำลังให้มันสร้างข้อมูลที่ยังไม่มี สอง ข้อค้นพบแต่ละข้อสืบย้อนไปถึงหลักฐานการวิจัยได้หรือไม่ สาม ถ้าไม่มี AI เราจะเรียกข้อความนี้ว่าข้อค้นพบหรือสมมติฐาน ถ้าคำตอบเอียงไปทางสร้างข้อมูลใหม่หรือเป็นสมมติฐาน ให้ติดป้ายไว้ชัดเจนว่าเป็นสิ่งที่ต้องตรวจสอบ ไม่ใช่สิ่งที่รู้แล้ว

นำไปใช้กับทีมออกแบบและผลิตภัณฑ์ในไทย

ทีมในไทยจำนวนมากทำวิจัยผู้ใช้น้อยกว่าที่ควรเพราะข้อจำกัดเวลาและงบ ซึ่งทำให้การใช้ AI เติมช่องว่างดูน่าดึงดูดเป็นพิเศษ แต่ทางที่ได้ผลกว่าคือทำวิจัยจริงให้เล็กลงแต่ยังเป็นของจริง เช่น สัมภาษณ์ลูกค้าห้าคน อ่านตั๋วซัพพอร์ตหนึ่งเดือน หรือดูบันทึกการใช้งานจากระบบ แล้วให้ AI ช่วยจัดระเบียบและสรุปสิ่งเหล่านั้น แนวทางนี้ได้ทั้งความเร็วและหลักฐานที่ป้องกันการตัดสินใจผิดพลาดซึ่งแพงกว่างานวิจัยหลายเท่า

ทีมงาน Smart Cyber Tech รับออกแบบ UX/UI จากงานวิจัยผู้ใช้จริง ตั้งแต่การสัมภาษณ์ ทดสอบการใช้งาน ไปจนถึงการทำ empathy map และ journey map ที่สืบย้อนหลักฐานได้ทุกข้อ และใช้ AI ช่วยในขั้นจัดระเบียบและสรุปเพื่อให้ทีมของคุณได้ผลเร็วขึ้นโดยไม่เสียความน่าเชื่อถือ สนใจปรึกษาได้ที่ แบบฟอร์มติดต่อ