SCT

กำลังเตรียมประสบการณ์ดิจิทัล

AI ช่วยจัดระเบียบงานวิจัยผู้ใช้ได้ แต่สร้างหลักฐานแทนการวิจัยจริงไม่ได้: บทเรียนจาก Empathy Map

ถ้าทีมให้ AI เขียน empathy map แทนการคุยกับผู้ใช้จริง จะได้กระดานที่ดูครบทุกช่อง แต่ไม่มีอะไรยืนยันว่าเป็นเรื่องจริง และอาจพาทีมไปออกแบบให้ผู้ใช้ที่ไม่มีตัวตน Nielsen Norman Group หยิบประเด็นนี้มาเตือนในบทความเดือนสิงหาคม 2026 เราสรุปว่าควรแบ่งงานระหว่างคนกับ AI อย่างไร ตัวอย่างที่ทำให้เห็นความต่าง และทีมไทยที่เวลาน้อยงบน้อยจะใช้ AI ในงานวิจัยผู้ใช้อย่างไรโดยไม่หลอกตัวเอง

ถ้าทีมให้ AI เขียน empathy map แทนการคุยกับผู้ใช้จริง จะได้กระดานที่ดูครบทุกช่อง แต่ไม่มีอะไรยืนยันว่าเป็นเรื่องจริง และอาจพาทีมไปออกแบบให้ผู้ใช้ที่ไม่มีตัวตน Nielsen Norman Group หยิบประเด็นนี้มาเตือนในบทความเดือนสิงหาคม 2026 เราสรุปว่าควรแบ่งงานระหว่างคนกับ AI อย่างไร ตัวอย่างที่ทำให้เห็นความต่าง และทีมไทยที่เวลาน้อยงบน้อยจะใช้ AI ในงานวิจัยผู้ใช้อย่างไรโดยไม่หลอกตัวเอง

ความต่างระหว่างข้อความที่ "ฟังดูใช่" กับเรื่องที่เกิดขึ้นจริง

ลองนึกถึงแอปธนาคารออนไลน์ ถ้าขอให้ AI เขียนความรู้สึกของผู้ใช้ เราจะได้ประโยคกลาง ๆ ทำนองว่าผู้ใช้อยากมั่นใจเรื่องความปลอดภัย ซึ่งไม่ผิด แต่ก็ไม่ได้บอกอะไรที่ทีมไม่รู้อยู่แล้ว ส่วนตัวอย่างจากการวิจัยจริงที่ NN/g ยกมาคือผู้ใช้บางคนโอนเงินไปก่อน 1 ดอลลาร์เพื่อเช็กว่าเลขบัญชีถูก แล้วค่อยโอนยอดจริง พฤติกรรมเล็ก ๆ แบบนี้ชี้ให้เห็นทันทีว่าความกังวลอยู่ที่ขั้นตอนไหน และทีมควรแก้ตรงจุดใด

อีกตัวอย่างคือระบบลงทะเบียนเรียน AI สรุปเพียงว่าผู้ใช้บ่นว่าระบบช้า ขณะที่การวิจัยพบว่านักศึกษากลุ่มหนึ่งนัดโทรประชุมกันตอน 6:59 น. แล้วกดรีเฟรชหน้าเว็บพร้อมกัน ข้อสังเกตที่ได้คือข้อความจาก AI มักกว้างพอจะใช้กับผลิตภัณฑ์อะไรก็ได้ในหมวดเดียวกัน จึงดูปลอดภัยและไม่มีใครเถียง แต่ความกว้างนั้นเองทำให้มันไม่มีประโยชน์ หลักฐานจริงมักเจาะจง ยุ่งเหยิง และบางครั้งก็เป็นเรื่องที่ทีมคาดไม่ถึง

Empathy map มีไว้ทำอะไร

Empathy map (แผนที่ความเข้าใจผู้ใช้) คือกระดานที่ทีมใช้รวมสิ่งที่รู้เกี่ยวกับกลุ่มผู้ใช้ไว้ในสี่ช่อง ได้แก่ สิ่งที่เขาพูด สิ่งที่เขาคิด สิ่งที่เขาทำ และสิ่งที่เขารู้สึก มักทำร่วมกันหลายฝ่ายด้วยโน้ตแปะ และมีความหมายก็ต่อเมื่อโน้ตทุกใบมีที่มา เช่น รอบทดสอบการใช้งาน การสัมภาษณ์ ตั๋วแจ้งปัญหาและบันทึกสายที่โทรเข้าฝ่ายบริการ หรือการไปดูผู้ใช้ทำงานในสถานที่จริง

เมื่อโน้ตที่ AI แต่งไปปนกับโน้ตจากงานวิจัย คนในห้องจะแยกไม่ออกว่าใบไหนเป็นหลักฐานและใบไหนเป็นการเดา ทั้งกระดานจึงเสียความน่าเชื่อถือไปพร้อมกัน ผู้เขียนต้นฉบับย้ำว่าข้อมูลที่ AI สร้างขึ้นไม่นับเป็นหลักฐาน ต่อให้อ่านแล้วเจาะจงหรือน่าเชื่อเพียงใด

แบ่งงานให้ถูก: ขั้นไหนส่งให้ AI ได้ ขั้นไหนต้องเป็นคน

วิธีคิดที่ใช้ได้จริงคือแบ่งงานวิจัยเป็นสองช่วง ช่วงเก็บข้อมูลต้องมาจากผู้ใช้จริงเท่านั้น ส่วนช่วงจัดการข้อมูลเป็นจุดที่ AI ช่วยประหยัดเวลาได้มาก เช่น จับกลุ่มโน้ตหลายร้อยใบ ร่างหมวดหมู่รอบแรกให้ทีมนั่งแก้ ไล่หารูปแบบที่ซ้ำกันในคำพูดผู้ใช้จำนวนมาก หรือเกลาถ้อยคำของข้อค้นพบให้อ่านง่ายหลังจากยืนยันกับหลักฐานแล้ว

ส่วนที่ไม่ควรส่งให้ AI คือทุกอย่างที่เป็นการเติมข้อมูลที่ทีมไม่มี ไม่ว่าจะแต่งคำพูด พฤติกรรม หรืออารมณ์ของผู้ใช้ อุดช่องที่งานวิจัยยังบาง สร้าง "ผู้ใช้ตัวแทน" ขึ้นมาแทนคนที่ยังไม่ได้คุย หรือให้เขียนทั้งช่องเพราะช่องนั้นไม่มีข้อมูล ช่องที่ว่างควรอ่านเป็นสัญญาณว่าต้องออกไปเก็บข้อมูลเพิ่ม ไม่ใช่สัญญาณให้เติมคำ

ติดป้ายที่มาให้โน้ตทุกใบ

วิธีกันตัวเองที่ง่ายที่สุดคือให้โน้ตทุกใบระบุแหล่งที่มา เช่น รหัสผู้ให้สัมภาษณ์ เลขตั๋ว หรือวันที่ทดสอบ ใบที่ระบุไม่ได้ให้ย้ายไปกอง "สมมติฐานที่ต้องพิสูจน์" ซึ่งใช้วางแผนวิจัยรอบถัดไปได้ แต่ไม่ใช้ตัดสินใจออกแบบ บทความต้นฉบับแนะให้ถามตัวเองก่อนเปิด AI ว่ากำลังให้มันจัดของที่มี หรือผลิตของที่เราไม่มี และถ้าตัดเครื่องมือออกไป ประโยคนั้นยังนับเป็นข้อค้นพบได้หรือไม่ ถ้าตอบแล้วอึดอัด ผู้เขียนมองว่านั่นแปลว่ากระดานต้องการงานวิจัยเพิ่ม

ทีมไทยที่เวลาและงบจำกัดควรเริ่มตรงไหน

ทีมผลิตภัณฑ์ในไทยจำนวนมากไม่มีนักวิจัยประจำ และมักถูกเร่งให้ออกแบบก่อนได้คุยกับลูกค้า การให้ AI เขียน empathy map จึงดูเป็นทางลัดที่สมเหตุสมผล ทางที่ได้ผลกว่าคือย่องานวิจัยให้เล็กลงแต่ยังเป็นของจริง เช่น โทรคุยกับลูกค้าสัก 5 ราย อ่านข้อความที่ลูกค้าส่งเข้าฝ่ายซัพพอร์ตย้อนหลังหนึ่งเดือน หรือเปิดดูข้อมูลการใช้งานจากระบบ แล้วจึงให้ AI ช่วยจัดกลุ่มและสรุป ทีมจะได้ทั้งความเร็วและหลักฐานที่กันไม่ให้ลงทุนสร้างฟีเจอร์ผิดทาง ซึ่งแพงกว่างานวิจัยเล็ก ๆ หลายเท่า

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

สรุปสาระสำคัญ

  • ความต่างระหว่างข้อความที่ "ฟังดูใช่" กับเรื่องที่เกิดขึ้นจริง
  • Empathy map มีไว้ทำอะไร
  • แบ่งงานให้ถูก: ขั้นไหนส่งให้ AI ได้ ขั้นไหนต้องเป็นคน
แหล่งอ้างอิงเรียบเรียงจาก Nielsen Norman Group — AI Can't Replace Real Research in Empathy Mapping — อ่านบทความต้นฉบับ
ภาพปก: Nielsen Norman Group · ลิขสิทธิ์ภาพเป็นของเจ้าของต้นฉบับ ใช้ประกอบการรายงานพร้อมอ้างอิงแหล่งที่มา
มีคำถามเพิ่มเติมเกี่ยวกับบทความนี้? เขียนหาเราได้ที่ info@smart-cyber-tech.com
บริการที่เกี่ยวข้องจากทีมงาน Smart Cyber Tech

บทความอื่นที่เกี่ยวข้อง

บทความที่เกี่ยวข้อง

ยุคที่ UX ต้องตามเก็บกวาดหลัง AI: เมื่อทีมสร้างได้เร็วกว่าที่ประเมินทัน และทางออกสามข้อ UX/UI

ยุคที่ UX ต้องตามเก็บกวาดหลัง AI: เมื่อทีมสร้างได้เร็วกว่าที่ประเมินทัน และทางออกสามข้อ

ทีมที่ใช้ AI ปั้นต้นแบบหรือฟีเจอร์ได้ในบ่ายเดียว อาจกำลังสะสมปัญหาการใช้งานที่ยังไม่มีใครเห็น จนลูกค้าเริ่มสับสนหรือเลิกใช้ Nielsen Norman Group เรียกช่วงเวลานี้ว่ายุคที่งาน UX ต้องตามเก็บกวาดหลัง AI บทความนี้สรุปว่าปัญหาเกิดจากอะไร สังเกตได้อย่างไร และทีมจะเปลี่ยนจากคนตามซ่อมเป็นคนวางเกณฑ์ได้ด้วยวิธีไหน

อ่านบทความ
สองอนาคตของงานออกแบบดิจิทัลในยุค AI: ทั้งด้านที่สดใสและด้านที่น่ากังวลเกิดขึ้นพร้อมกัน UX/UI

สองอนาคตของงานออกแบบดิจิทัลในยุค AI: ทั้งด้านที่สดใสและด้านที่น่ากังวลเกิดขึ้นพร้อมกัน

AI ทำให้นักออกแบบลงมือสร้างของจริงได้เองโดยไม่ต้องรอใคร แต่ในเวลาเดียวกันก็ทำให้บทบาทของนักออกแบบระดับกลาง ๆ ถูกข้ามได้ง่ายขึ้น บทความนี้สรุปข้อโต้แย้งทั้งสองด้าน และสิ่งที่นักออกแบบควรพัฒนาเพื่ออยู่ในด้านที่ถูกต้องของเส้นแบ่ง

อ่านบทความ
ข้อความแทนภาพผ่านเครื่องตรวจอัตโนมัติ ไม่ได้แปลว่าเขียนดี UX/UI

ข้อความแทนภาพผ่านเครื่องตรวจอัตโนมัติ ไม่ได้แปลว่าเขียนดี

รูปบนเว็บที่ได้คะแนนผ่านจากเครื่องตรวจการเข้าถึง อาจยังอ่านออกเสียงให้ผู้พิการทางสายตาฟังว่า IMG_2847.png อยู่ก็ได้ เพราะเครื่องมือส่วนใหญ่ดูแค่ว่ามีข้อความแทนภาพหรือไม่ ทีมด้านการเข้าถึงของ GitHub จึงสร้างปลั๊กอินเสริมให้ GitHub Accessibility Scanner ที่ตรวจลึกกว่านั้น บทความนี้สรุปหลักคิดเบื้องหลังที่ทีมพัฒนาเว็บนำไปใช้ได้ แม้จะไม่ได้ใช้เครื่องมือของ GitHub

อ่านบทความ

ติดต่อเพื่อขอรับคำปรึกษาจากทีมงาน

ตั้งแต่ประเมินระบบปัจจุบัน วางแผน จนถึงลงมือพัฒนา — คุยกับเราได้โดยไม่มีค่าใช้จ่าย

ปรึกษาทีมของเรา