SCT

กำลังเตรียมประสบการณ์ดิจิทัล

เมื่อ AI เขียนโค้ดเร็วจนทีมปล่อยงานก่อนวิจัย: Research-in-the-loop ฝังงานวิจัยผู้ใช้ไว้ในทุกรอบปล่อยงาน

เอเจนต์ AI ที่เขียนโค้ดทำให้การสร้างและแก้ซอฟต์แวร์ถูกลงมาก หลายทีมจึงเปลี่ยนจากศึกษาผู้ใช้ก่อนสร้าง เป็นปล่อยงานก่อนแล้วดูผล ปัญหาคือข้อมูลหลังปล่อยบอกได้ว่าเกิดอะไรขึ้น แต่ไม่บอกว่าทำไม Nielsen Norman Group เสนอแนวทาง research-in-the-loop ให้นักวิจัยกำหนดตั้งแต่ก่อนสร้างว่าแต่ละรอบปล่อยงานต้องเก็บข้อมูลอะไร แล้วให้เอเจนต์สร้างการเก็บข้อมูลนั้นมาพร้อมฟีเจอร์

เอเจนต์ AI ที่เขียนโค้ดทำให้การสร้างและแก้ซอฟต์แวร์ถูกลงมาก หลายทีมจึงเปลี่ยนจากศึกษาผู้ใช้ก่อนสร้าง เป็นปล่อยงานก่อนแล้วดูผล ปัญหาคือข้อมูลหลังปล่อยบอกได้ว่าเกิดอะไรขึ้น แต่ไม่บอกว่าทำไม Nielsen Norman Group เสนอแนวทาง research-in-the-loop ให้นักวิจัยกำหนดตั้งแต่ก่อนสร้างว่าแต่ละรอบปล่อยงานต้องเก็บข้อมูลอะไร แล้วให้เอเจนต์สร้างการเก็บข้อมูลนั้นมาพร้อมฟีเจอร์

ทำไมงานวิจัยผู้ใช้แบบเดิมตามไม่ทัน

เดิมการสร้างซอฟต์แวร์แพงและการแก้หลังเปิดใช้ยิ่งแพง ทีมจึงศึกษาผู้ใช้และทดสอบแบบก่อนให้วิศวกรเริ่มเขียนโค้ด เมื่อเอเจนต์ AI ทำให้การแก้หลังปล่อยถูกลง หลายทีมเลือกปล่อยก่อนแล้วค่อยถาม บทความเปรียบกับการเปลี่ยนจากกล้องฟิล์มเป็นกล้องดิจิทัล ที่ถ่ายได้มากขึ้นและเรียนรู้หลังกดชัตเตอร์ได้มากขึ้น แต่ยังต้องเล็งก่อนถ่ายอยู่ดี การสร้างผิดอย่างรวดเร็วก็ยังเป็นความล้มเหลว

Research-in-the-loop คืออะไร

คือการนำงานวิจัยผู้ใช้เข้าไปอยู่ในวงจรพัฒนาที่ใช้ AI ช่วย ก่อนสร้าง นักวิจัยกำหนดว่ารอบปล่อยงานนี้ต้องวัดอะไร ระหว่างสร้าง เอเจนต์เขียนโค้ดเก็บข้อมูลนั้นไปพร้อมฟีเจอร์ หลังปล่อย นักวิจัยศึกษาสิ่งที่เกิดขึ้น แล้วผลที่ได้กลายเป็นข้อกำหนดของรอบถัดไป วงจรนี้วนซ้ำเป็นสี่ขั้นคือ กำหนด สร้างพร้อมติดตั้งการเก็บข้อมูล ปล่อย และประเมินผลเพื่อเรียนรู้

วงจร Research-in-the-loop: กำหนดสิ่งที่ต้องวัด สร้างพร้อมติดตั้งการเก็บข้อมูล ปล่อยงาน แล้วประเมินผลเพื่อเรียนรู้ (ภาพจาก Nielsen Norman Group)
วงจร Research-in-the-loop: กำหนดสิ่งที่ต้องวัด สร้างพร้อมติดตั้งการเก็บข้อมูล ปล่อยงาน แล้วประเมินผลเพื่อเรียนรู้ (ภาพจาก Nielsen Norman Group)

งานวิจัยสามแบบที่วงจรนี้ช่วยได้ไม่เท่ากัน

ประเภทงานวิจัยในแนวทาง research-in-the-loop
ประเภทคำถามที่ตอบเครื่องมือหลัก
ประเมินผล (Evaluation)การเปลี่ยนแปลงได้ผลตามที่คาดและไม่สร้างปัญหาที่คาดไว้หรือไม่ข้อมูลจากระบบตามตัวชี้วัดที่กำหนดล่วงหน้า
สืบหาสาเหตุ (Investigation)ทำไมผู้ใช้ทำแบบนั้น และมีอะไรที่ไม่ได้คาดไว้ข้อมูลชี้จุดผิดปกติ แล้วใช้การสัมภาษณ์หรือสังเกตตามต่อ
ค้นหาความต้องการ (Discovery)ผู้ใช้มีปัญหาหรือความต้องการที่ทีมยังไม่รู้หรือไม่งานวิจัยแบบเปิดที่ไม่ผูกกับรอบปล่อยงาน

ข้อมูลจากระบบทำให้การประเมินผลและการสืบหาสาเหตุเร็วขึ้น แต่แทนการค้นหาความต้องการแบบอิสระไม่ได้ ทีมที่ตามแต่สัญญาณจากข้อมูลจะศึกษาได้เฉพาะสิ่งที่ตัวเองติดตั้งการวัดไว้

เขียนหัวข้อวิจัยไว้ในเอกสารข้อกำหนด

แนวทางที่จับต้องได้ที่สุดคือเพิ่มหัวข้อวิจัยในไฟล์ข้อกำหนดที่ทั้งคนและเอเจนต์อ่าน เขียนเป็นภาษาธรรมดาห้าส่วน ได้แก่ สิ่งที่คาดว่าจะเกิด สัญญาณว่าได้ผล ทั้งต่อผู้ใช้และต่อธุรกิจ สัญญาณว่าสร้างปัญหา ข้อมูลที่ต้องเก็บ และเงื่อนไขที่ต้องไปคุยกับผู้ใช้จริง ตัวอย่างในบทความคือระบบแจ้งปัญหาที่ให้แผนกส่งต่อเรื่องถึงกันโดยตรงแทนผ่านคิวกลาง สัญญาณว่าได้ผลคือเวลาปิดเรื่องสั้นลงและเรื่องที่ผ่านสามแผนกขึ้นไปน้อยลง สัญญาณว่ามีปัญหาคือเรื่องถูกส่งกลับหรือลูกค้าเปิดซ้ำมากขึ้น ถ้าแผนกใดมีเรื่องค้างหรือถูกส่งกลับสูงผิดปกติ ให้นัดสังเกตการทำงานจริงของแผนกนั้น

บทความเตือนว่าหัวข้อนี้ไม่ใช่แผนการประเมินที่สมบูรณ์ ตัวเลขที่ขยับไม่ได้พิสูจน์ว่าฟีเจอร์เป็นสาเหตุ ยังต้องมีกลุ่มเปรียบเทียบ ขนาดตัวอย่าง ระยะเวลาสังเกต และตรวจว่าตัวชี้วัดวัดสิ่งที่ตั้งใจจริง เพราะปัจจัยอย่างฤดูกาลหรือจำนวนพนักงานก็ทำให้ตัวเลขเปลี่ยนได้

งานเชิงคุณภาพยังต้องมี ในสามจังหวะ

  • ตามรอบเวลา นัดคุยหรือทดสอบกับผู้ใช้สม่ำเสมอ เช่นทุกสัปดาห์ โดยไม่ผูกกับรอบปล่อยงาน
  • ตามสัญญาณ เมื่อข้อมูลหรือความคิดเห็นชี้จุดผิดปกติที่ต้องหาสาเหตุ
  • ก่อนการตัดสินใจที่ย้อนยาก เช่น ราคา คำสัญญากับลูกค้า การจัดการข้อมูลอ่อนไหว ให้หาหลักฐานก่อน โดยใช้เอเจนต์สร้างต้นแบบที่ใช้งานได้มาทดสอบ

เริ่มจากรอบปล่อยงานเดียว

บทความแนะนำให้เริ่มโดยไม่ต้องปรับโครงสร้างทีม คือสำรวจว่าข้อมูลพฤติกรรมผู้ใช้อยู่ที่ไหนและทีมกับเอเจนต์เข้าถึงได้แค่ไหน เขียนหัวข้อวิจัยหนึ่งชุดสำหรับรอบปล่อยงานถัดไป แล้วส่งให้ผู้จัดการผลิตภัณฑ์และวิศวกรสร้างไปพร้อมงาน ข้อควรระวังคือไม่ถามผู้ใช้กลุ่มเดิมบ่อยจนรำคาญ เก็บข้อมูลมากจนรู้สึกเหมือนถูกเฝ้าดู และระวังรูปแบบที่ AI สรุปขึ้นมาเองจากข้อมูล เพราะเอเจนต์สร้างแบบสอบถามได้ในไม่กี่นาที แต่นักวิจัยยังต้องรับผิดชอบว่าถามคำถามถูกหรือไม่

สำหรับทีมพัฒนาไทยที่เริ่มใช้เอเจนต์ AI เขียนโค้ด แนวทางนี้ช่วยให้ความเร็วที่ได้มาไม่กลายเป็นการสร้างสิ่งที่ผู้ใช้ไม่ต้องการเร็วขึ้น และทำได้แม้ทีมเล็กที่ไม่มีนักวิจัยเต็มเวลา อ่านเพิ่มเรื่องผู้ใช้จำลองกับการวิจัยกับคนจริงได้ ทีมงาน Smart Cyber Tech ออกแบบ UX/UI โดยวางการวัดผลและการทดสอบกับผู้ใช้จริงไว้ในทุกรอบงาน ปรึกษาได้ที่ แบบฟอร์มติดต่อ

สรุปสาระสำคัญ

  • ทำไมงานวิจัยผู้ใช้แบบเดิมตามไม่ทัน
  • Research-in-the-loop คืออะไร
  • งานวิจัยสามแบบที่วงจรนี้ช่วยได้ไม่เท่ากัน
แหล่งอ้างอิงเรียบเรียงจาก Nielsen Norman Group — Research-In-The-Loop: How UXR Adapts to Development at AI Speed — อ่านบทความต้นฉบับ
ภาพปกและแผนภาพ: Nielsen Norman Group · ลิขสิทธิ์ภาพเป็นของเจ้าของต้นฉบับ ใช้ประกอบการรายงานพร้อมอ้างอิงแหล่งที่มา
มีคำถามเพิ่มเติมเกี่ยวกับบทความนี้? เขียนหาเราได้ที่ info@smart-cyber-tech.com
บริการที่เกี่ยวข้องจากทีมงาน Smart Cyber Tech

บทความอื่นที่เกี่ยวข้อง

บทความที่เกี่ยวข้อง

ผู้ใช้จำลองด้วย AI ตอบเหมือนคนจริงไหม: NN/g เทียบ 120 คำตอบจาก AI กับ 604 คนจริง ได้ข้อสรุปเดียวกันแต่ความหลากหลายหายไปเกือบหมด UX/UI

ผู้ใช้จำลองด้วย AI ตอบเหมือนคนจริงไหม: NN/g เทียบ 120 คำตอบจาก AI กับ 604 คนจริง ได้ข้อสรุปเดียวกันแต่ความหลากหลายหายไปเกือบหมด

เครื่องมือที่ใช้ AI สร้าง "ผู้ใช้จำลอง" มาตอบแบบสอบถามแทนคนจริงกำลังได้รับความนิยม เพราะเร็วและถูกกว่าการหาผู้ตอบจริงมาก Nielsen Norman Group ทดลองถามคำถามเดียวกันกับผู้ใช้จำลอง 120 คน แล้วเทียบกับคำตอบของคนจริง 604 คนจากการสำรวจเดิม ผลคือข้อสรุปหลักออกมาเหมือนกัน แต่คำตอบของ AI แคบลงมาก คำตอบแปลก ๆ ที่มักบอกความต่างของกลุ่มผู้ใช้หายไปเกือบทั้งหมด บทความนี้สรุปผลการทดลองและแนวทางว่าเมื่อไรใช้ผู้ใช้จำลองได้ และเมื่อไรยังต้องคุยกับคนจริง

อ่านบทความ
AI ทำให้งาน UX เร็วขึ้น แต่คนทำงานรู้สึกก้ำกึ่ง: ผลสำรวจ NN/g จาก 521 คน บอกว่างานไหนควรใช้ AI งานไหนยังต้องเป็นคน UX/UI

AI ทำให้งาน UX เร็วขึ้น แต่คนทำงานรู้สึกก้ำกึ่ง: ผลสำรวจ NN/g จาก 521 คน บอกว่างานไหนควรใช้ AI งานไหนยังต้องเป็นคน

คนทำงานออกแบบและวิจัยผู้ใช้เกือบทุกคนเข้าถึง AI แล้ว และส่วนใหญ่บอกว่างานเร็วขึ้นจริง แต่ความรู้สึกโดยรวมกลับแค่ดีขึ้นเล็กน้อย Nielsen Norman Group สำรวจคนทำงาน UX 521 คนช่วงสิงหาคมถึงกันยายน 2026 และพบว่าปัญหาใหญ่ไม่ใช่ความเร็ว แต่เป็นคุณภาพของผลลัพธ์และภาระการตรวจแก้ บทความนี้สรุปตัวเลขสำคัญ และแนวทางใช้ AI ในงานออกแบบให้ได้ผลจริง

อ่านบทความ
Agent harness คืออะไร: ซอฟต์แวร์รอบโมเดล AI ที่ตัดสินว่าเอเจนต์ทำงานได้จริงแค่ไหน ข้อมูลและ AI

Agent harness คืออะไร: ซอฟต์แวร์รอบโมเดล AI ที่ตัดสินว่าเอเจนต์ทำงานได้จริงแค่ไหน

เอเจนต์ AI สองตัวที่ใช้โมเดลเดียวกันอาจทำงานได้ต่างกันมาก เพราะสิ่งที่ตัดสินว่าทำอะไรได้จริงคือซอฟต์แวร์ที่ห่อโมเดลไว้ เรียกว่า agent harness ก่อนซื้อหรือสร้างเอเจนต์ให้ธุรกิจ จึงควรถามว่าระบบเข้าถึงข้อมูลอะไร ทำอะไรได้บ้าง และหยุดเมื่อไร มากกว่าถามแค่ชื่อโมเดล บทความนี้เรียบเรียงจากคำอธิบายของ Nielsen Norman Group พร้อมตัวอย่างงานร้านค้าออนไลน์

อ่านบทความ

ติดต่อเพื่อขอรับคำปรึกษาจากทีมงาน

ตั้งแต่ประเมินระบบปัจจุบัน วางแผน จนถึงลงมือพัฒนา — คุยกับเราได้โดยไม่มีค่าใช้จ่าย

ปรึกษาทีมของเรา