กำลังเตรียมประสบการณ์ดิจิทัล
เครื่องมือที่ใช้ AI สร้าง "ผู้ใช้จำลอง" มาตอบแบบสอบถามแทนคนจริงกำลังได้รับความนิยม เพราะเร็วและถูกกว่าการหาผู้ตอบจริงมาก Nielsen Norman Group ทดลองถามคำถามเดียวกันกับผู้ใช้จำลอง 120 คน แล้วเทียบกับคำตอบของคนจริง 604 คนจากการสำรวจเดิม ผลคือข้อสรุปหลักออกมาเหมือนกัน แต่คำตอบของ AI แคบลงมาก คำตอบแปลก ๆ ที่มักบอกความต่างของกลุ่มผู้ใช้หายไปเกือบทั้งหมด บทความนี้สรุปผลการทดลองและแนวทางว่าเมื่อไรใช้ผู้ใช้จำลองได้ และเมื่อไรยังต้องคุยกับคนจริง
เครื่องมือที่ใช้ AI สร้าง "ผู้ใช้จำลอง" มาตอบแบบสอบถามแทนคนจริงกำลังได้รับความนิยม เพราะเร็วและถูกกว่าการหาผู้ตอบจริงมาก Nielsen Norman Group ทดลองถามคำถามเดียวกันกับผู้ใช้จำลอง 120 คน แล้วเทียบกับคำตอบของคนจริง 604 คนจากการสำรวจเดิม ผลคือข้อสรุปหลักออกมาเหมือนกัน แต่คำตอบของ AI แคบลงมาก คำตอบแปลก ๆ ที่มักบอกความต่างของกลุ่มผู้ใช้หายไปเกือบทั้งหมด บทความนี้สรุปผลการทดลองและแนวทางว่าเมื่อไรใช้ผู้ใช้จำลองได้ และเมื่อไรยังต้องคุยกับคนจริง
ฝั่งคนจริงมาจากการสำรวจผู้ทำงานด้านเทคโนโลยีและการออกแบบ 604 คนที่ NN/g เคยทำไว้ คำถามคือ งานที่เก็บข้อมูลความต้องการและประสบการณ์ของผู้คน แล้วเปลี่ยนเป็นข้อเสนอสำหรับผลิตภัณฑ์ ควรเรียกว่าสาขาอะไร โดยให้ตอบได้เพียงชื่อเดียว ฝั่ง AI ใช้แพลตฟอร์ม Synthetic Users สร้างผู้ตอบ 120 คน แต่ละคนมีโปรไฟล์ทั้งอายุ ที่อยู่ อาชีพ วัฒนธรรม องค์กร และบุคลิกภาพ และกำหนดสัดส่วนตามบทบาทงานให้กระจาย ข้อจำกัดคือแพลตฟอร์มจำลองเป็นการสัมภาษณ์ คำตอบจึงยาวกว่า และบางครั้งเรียบเรียงคำถามใหม่เอง ซึ่งอาจชี้นำคำตอบได้
| ประเด็น | คนจริง (604 คน) | ผู้ใช้จำลอง (120 คน) |
|---|---|---|
| คำที่พบมากที่สุด | คำในกลุ่ม UX | คำในกลุ่ม UX เหมือนกัน |
| สัดส่วนที่ใช้คำในกลุ่ม UX | ราว 70% | 84% |
| จำนวนชื่อเรียกที่ต่างกัน | มากกว่า 50 ชื่อ | ราวสิบกว่าชื่อ |
| สัดส่วนผู้ทำงาน UX ในกลุ่มตัวอย่าง | 67% | 20% |
| Product manager ที่ใช้คำในกลุ่ม UX | 44% | 93% |
ตัวเลขที่น่าคิดที่สุดคือแถวสุดท้าย ในโลกจริง product manager น้อยกว่าครึ่งเรียกงานนี้ด้วยคำในกลุ่ม UX แต่ผู้ใช้จำลองที่สวมบทเดียวกันตอบแบบนั้นถึง 93% ทั้งที่กลุ่มตัวอย่าง AI มีผู้ทำงาน UX น้อยกว่ามาก แปลว่า AI ดึงทุกคนเข้าหาคำตอบที่พบบ่อยที่สุด แม้จะสวมบทบาทต่างกันก็ตาม ความต่างตามบทบาทยังมีให้เห็นบ้าง เช่น ผู้ใช้จำลองสายงานลูกค้าสัมพันธ์ 45% ใช้คำว่า customer แต่จางกว่าความต่างในคนจริงมาก
คนจริงตอบด้วยคำที่หลากหลาย บางชื่อมีคนใช้เพียงคนเดียว ชื่อเหล่านี้คือหางยาวของข้อมูล ซึ่งมักบอกกลุ่มย่อย คำศัพท์ที่กำลังเกิดใหม่ หรือมุมมองที่ไม่มีใครคาด ส่วนโมเดลภาษาถูกฝึกให้ตอบสิ่งที่น่าจะเป็นที่สุด ผลจึงกระจุกอยู่ที่คำตอบยอดนิยมไม่กี่แบบ อาการนี้เรียกว่า mode collapse ผู้เขียนต้นฉบับเตือนด้วยว่าการสั่งให้ AI ตอบหลากหลายขึ้นไม่ได้แก้ปัญหา เพราะความหลากหลายที่ได้อาจไม่ได้สะท้อนคนจริง และถ้าไม่มีข้อมูลคนจริงมาเทียบก็ตรวจไม่ได้
| ใช้ผู้ใช้จำลองได้ | ต้องใช้คนจริง |
|---|---|
| ตั้งสมมติฐานก่อนเริ่มวิจัยจริง | หาคำศัพท์หรือความต้องการที่ยังไม่มีใครพูดถึง |
| เช็กแนวโน้มใหญ่ที่คาดว่าเป็นอยู่แล้ว | เทียบความต่างระหว่างกลุ่มลูกค้า |
| ซ้อมคำถามก่อนส่งแบบสอบถามจริง | ตัดสินใจที่มีต้นทุนสูงจากผลวิจัย |
ข้อสรุปของ NN/g ตรงไปตรงมาคือ การวิจัยด้วยผู้ใช้จำลองไม่ใช่การวิจัยผู้ใช้ เพราะไม่มีผู้ใช้จริงอยู่ในนั้นเลย ผลที่ได้ไม่ควรถูกใช้เป็นหลักฐานว่าผู้ใช้คิดหรือทำอะไร แม้ผลจะออกมาตรงกับคนจริงในบางครั้งก็ตาม ใช้เป็นจุดเริ่มต้นได้ แต่ไม่ควรเป็นจุดจบ
ทีมไทยที่งบวิจัยจำกัดอาจอยากใช้ผู้ใช้จำลองแทนการสัมภาษณ์ลูกค้า ทางที่สมดุลกว่าคือใช้ AI ช่วยร่างคำถามและตั้งสมมติฐาน แล้วคุยกับลูกค้าจริงเพียง 5-8 คน ซึ่งมักพอให้เห็นปัญหาหลักของหน้าจอและคำที่ลูกค้าใช้จริง ดูเพิ่มที่ทำไม AI แทนการวิจัยผู้ใช้จริงใน Empathy Map ไม่ได้ ทีมงาน Smart Cyber Tech ออกแบบ UX/UI จากการคุยกับผู้ใช้จริง ตั้งแต่วางคำถามสัมภาษณ์จนถึงทดสอบหน้าจอ ปรึกษาได้ที่ แบบฟอร์มติดต่อ
บทความอื่นที่เกี่ยวข้อง
ถ้าทีมให้ AI เขียน empathy map แทนการคุยกับผู้ใช้จริง จะได้กระดานที่ดูครบทุกช่อง แต่ไม่มีอะไรยืนยันว่าเป็นเรื่องจริง และอาจพาทีมไปออกแบบให้ผู้ใช้ที่ไม่มีตัวตน Nielsen Norman Group หยิบประเด็นนี้มาเตือนในบทความเดือนสิงหาคม 2026 เราสรุปว่าควรแบ่งงานระหว่างคนกับ AI อย่างไร ตัวอย่างที่ทำให้เห็นความต่าง และทีมไทยที่เวลาน้อยงบน้อยจะใช้ AI ในงานวิจัยผู้ใช้อย่างไรโดยไม่หลอกตัวเอง
อ่านบทความ
เมื่อ AI ทำให้การสร้างเครื่องมือแทบไม่มีต้นทุน คนจำนวนมากต่อเติมระบบเอเจนต์ของตัวเองทีละนิดจนวันหนึ่งไม่มีใครรู้ว่าแต่ละส่วนทำอะไร Nielsen Norman Group ศึกษาผู้ใช้ที่ไม่ใช่นักพัฒนาซึ่งสร้างเวิร์กโฟลว์ด้วย AI แล้วพบรูปแบบเดียวกับปัญหาเก่าแก่ของซอฟต์แวร์ที่เรียกว่า Big Ball of Mud หรือระบบก้อนโคลนที่ใช้งานได้วันนี้แต่แก้ไขยากขึ้นทุกวัน บทความนี้สรุปรูปแบบที่ต้องระวังและวิธีจัดระเบียบให้ยังควบคุมได้
อ่านบทความ
องค์กรที่ใช้แชตบอต AI กับข้อมูลลูกค้า หรือกำลังพัฒนาระบบ AI ของตัวเอง มีแนวทางอ้างอิงจากหน่วยงานกำกับแล้ว สำนักงานคณะกรรมการคุ้มครองข้อมูลส่วนบุคคล (สคส.) ร่วมกับ ETDA ออกแนวทางการคุ้มครองข้อมูลส่วนบุคคลสำหรับการพัฒนาและใช้งาน AI ครอบคลุมทั้ง AI วิเคราะห์ข้อมูล AI สร้างเนื้อหา และเอเจนต์ AI ตั้งแต่วางแผนจนเลิกใช้ บทความนี้สรุป 5 เรื่องหลักที่ทีมเทคนิคและผู้บริหารควรรู้
อ่านบทความตั้งแต่ประเมินระบบปัจจุบัน วางแผน จนถึงลงมือพัฒนา — คุยกับเราได้โดยไม่มีค่าใช้จ่าย
