top of page
แล็ปท็อปกับปากกาแดงบนโต๊ะทำงาน สื่อถึงการเขียน prompt ให้ AI

Prompt คืออะไร วิธีเขียน Prompt ให้ AI ช่วยงานได้จริง

11 ชั่วโมงที่ผ่านมา
ยาว 10 นาที

ประเด็นสำคัญ

  • Prompt คืออะไร: ข้อความ คำสั่ง หรือไฟล์ที่บอก AI ว่าต้องการอะไร ส่วนที่เราไม่บอก AI จะเดาเอง คำตอบจึงกว้างและเอาไปใช้ต่อไม่ได้ อ่านต่อ ↓

  • กรอบ Trick หมดอายุ โจทย์ไม่หมด: เมื่อเปลี่ยนไปใช้โมเดลใหม่ ผลงานที่ดีขึ้นราว 48% มาจากคนที่ปรับวิธีเขียน ไม่ใช่จากตัวโมเดลอย่างเดียว [1] อ่านต่อ ↓

  • สูตร 5 ส่วน: บริบท งาน รูปแบบผลลัพธ์และตัวอย่าง ข้อจำกัด และบทบาท สี่ส่วนแรกมีหลักฐานหนุน ส่วนบทบาทช่วยแค่น้ำเสียง ไม่ช่วยความแม่นยำ [2] อ่านต่อ ↓

  • ทริกที่เลิกได้เลย: ขู่หรือให้ทิปไม่ทำให้แม่นขึ้น [3] ส่วน "คิดทีละขั้น" กับโมเดลที่คิดเองได้ ช่วยน้อยแต่ช้าลง 20% ถึง 80% [4] อ่านต่อ ↓

  • ระวัง Yes-man AI: AI เห็นด้วยกับผู้ใช้มากกว่าคนตอบ 49% อย่าถาม "แผนนี้ดีไหม" ให้ถาม "จุดอ่อนของแผนนี้คืออะไร" [5] อ่านต่อ ↓

  • ตัดสินใจด้วย Pre-mortem: สมมติว่าแผนล้มเหลวแล้ว ให้ AI ช่วยลิสต์สาเหตุ วิธีนี้ลดความมั่นใจเกินจริงได้ดีกว่าการลิสต์ข้อดีข้อเสีย [6] อ่านต่อ ↓


AI เก่งขึ้นทุกปี แล้วเรายังต้องเขียน Prompt ให้ดีอยู่ไหม?


หลายคนตอบว่า ไม่ต้องแล้ว

AI ฉลาดพอจะเดาใจเราได้เอง


การทดลองชิ้นหนึ่งใช้คน 3,750 คน และ Prompt เกือบ 37,000 ชิ้น เพื่อตอบคำถามนี้ตรง ๆ [1]

คำตอบคือ ยังสำคัญครับ


แต่สำคัญคนละแบบ กับที่สูตรตามโซเชียลบอก


ประเด็นไม่ใช่ "ใช้คำวิเศษคำไหน"

ประเด็นคือ "บอกโจทย์ชัดพอหรือยัง"


เราเรียกหลักนี้ว่า Trick หมดอายุ โจทย์ไม่หมด


บทความนี้รวมงานวิจัย คู่มือทางการของ OpenAI, Anthropic และ Google และการทดลองด้านการตัดสินใจ

มาแยกให้เห็นว่าเทคนิคไหนมีหลักฐานจริง เทคนิคไหนเลิกได้ผลแล้ว และ Prompt แบบไหนช่วยการตัดสินใจเชิงกลยุทธ์


และมีอีกเรื่องที่สำคัญกว่าการเลือกคำ

AI มีแนวโน้มเห็นด้วยกับเรา (อันตรายที่สุดตอนใช้ AI ช่วยตัดสินใจ) เดี๋ยวเรากลับมาเรื่องนี้ครับ



Prompt คืออะไร: ส่วนที่เราไม่บอก AI จะเดาเอง

Prompt คือข้อความ คำถาม คำสั่ง หรือไฟล์ที่ส่งให้ AI เช่น ChatGPT, Claude หรือ Gemini เพื่อบอกงานที่ต้องการ อาจสั้นแค่ประโยคเดียว หรือยาวหลายหน้าพร้อมเอกสารประกอบก็ได้


AI ไม่รู้บริบทงานของเรา ส่วนไหนที่เราไม่บอก AI จะเติมด้วยสิ่งที่ "น่าจะเป็น" ตามข้อมูลที่มันเรียนมา คำตอบจึงมักกว้าง ฟังดูดี แต่เอาไปใช้ต่อไม่ได้

ถ้ายังไม่แน่ใจว่า Generative AI ทำงานอย่างไร อ่านพื้นฐานได้ที่ Generative AI คืออะไร


ถ้า AI เดาเก่งขึ้นทุกปี คำถามที่ตามมาคือ เรายังต้องเขียน Prompt ให้ดีอยู่ไหม


AI เก่งขึ้นไม่ได้แปลว่า Prompt หมดความสำคัญ

การเขียน Prompt เคยถูกทำนายว่าเป็นทักษะชั่วคราว Oguz Acar เสนอไว้ในบทความปี 2023 เหตุผลของเขามี 3 ข้อ ข้อแรก โมเดลเข้าใจภาษาธรรมชาติดีขึ้นเรื่อย ๆ ข้อสอง AI เขียน Prompt เองได้แล้ว ข้อสาม Prompt ที่ได้ผลกับโมเดลหนึ่งมักใช้กับอีกโมเดลไม่ได้ เขาเสนอว่าทักษะที่จะอยู่ยาวกว่าคือ "การตั้งโจทย์" ซึ่งมี 4 ส่วน คือ หาเป้าหมายแท้จริงของปัญหา แตกปัญหาเป็นปัญหาย่อย มองปัญหาจากมุมใหม่ และกำหนดข้อจำกัดของคำตอบ [7]


ผ่านมา 3 ปี หลักฐานบอกว่า Acar ถูกครึ่งเดียว


ส่วนที่ถูก: ตำแหน่งงาน "Prompt Engineer" แทบหายไป ในแบบสำรวจที่ถามคนทำงาน 31,000 คนใน 31 ประเทศ ตำแหน่งนี้อยู่อันดับรองสุดท้ายของตำแหน่งที่บริษัทวางแผนจะเพิ่ม [8]

ทริกคำพูดหลายอย่างก็ใช้ไม่ได้แล้ว (ดูหัวข้อด้านล่าง) และ Anthropic เองเขียนไว้ในปี 2025 ว่าโมเดลที่ฉลาดขึ้นต้องการคำสั่งละเอียดน้อยลง จนบริษัทเริ่มใช้คำว่า "Context Engineering" คือการคัดว่าข้อมูลอะไรควรอยู่ในสายตาของโมเดล แทนการหาคำพูดที่ดีที่สุด [9]


ส่วนที่ไม่ถูก: ทักษะไม่ได้หายไป แค่เปลี่ยนรูป การทดลองแบบสุ่มขนาดใหญ่ชิ้นหนึ่งให้ผู้เข้าร่วม 3,750 คนใช้โมเดลสร้างภาพรุ่นเก่ากับรุ่นใหม่ แล้วแยกว่าผลที่ดีขึ้นมาจากโมเดลเท่าไหร่ และมาจากคนที่ปรับ Prompt เท่าไหร่ [1] ผลที่ได้มีดังนี้


  • งานที่มีเป้าหมายชัด (ทำภาพให้เหมือนภาพต้นแบบ): 48% ของผลที่ดีขึ้นมาจากผู้ใช้ปรับ Prompt คนที่ได้โมเดลใหม่เขียนยาวขึ้นและบรรยายละเอียดขึ้นเอง โดยไม่มีใครสอน

  • งานสร้างสรรค์ปลายเปิด (ออกแบบโลโก้): ผลส่วนใหญ่ราว 93% มาจากตัวโมเดล การปรับ Prompt มีผลแค่ราว 7%

  • ระบบที่ให้ AI เขียน Prompt ใหม่แทนผู้ใช้โดยอัตโนมัติ ลดประโยชน์ของโมเดลใหม่ลง 58% ในงานที่มีเป้าหมายชัด เพราะ AI เติมรายละเอียดที่ไม่ตรงกับสิ่งที่ผู้ใช้ต้องการ

ผลนี้ทดสอบกับ AI สร้างภาพ เรายังไม่พบการทดลองขนาดเท่านี้กับงานเอกสาร

แต่บทเรียนสอดคล้องกับคู่มือของผู้พัฒนาในปี 2026 ซึ่งยังมีหน้าวิธีเขียน Prompt แยกตามรุ่นโมเดล และ OpenAI ยังแนะนำให้องค์กรสร้างชุดทดสอบ Prompt ของตัวเอง [10]


ส่วนข้อเสนอเรื่องการตั้งโจทย์ของ Acar ฟังมีเหตุผล

แต่หลักฐานที่เขาใช้ส่วนใหญ่เป็นกรณีศึกษา และแบบสำรวจผู้บริหาร 106 คนที่ 85% ตอบว่าองค์กรของตัวเองวินิจฉัยปัญหาได้ไม่ดี [11]


ซึ่งเป็นการประเมินตัวเอง ยังไม่ใช่การทดลอง


สรุปส่วนนี้: สิ่งที่หมดความสำคัญคือการท่องคำพูดวิเศษ สิ่งที่ยังสำคัญ และอาจสำคัญขึ้น คือการบอกเป้าหมาย บริบท และเกณฑ์ว่าแบบไหนคือดี ซึ่งก็คือการตั้งโจทย์ที่ Acar พูดถึง แค่ยังต้องเขียนลงไปใน Prompt อยู่ดี


แต่ถ้าการเลือกคำไม่สำคัญเท่าเดิม แล้วตัวเลขที่บอกว่าเปลี่ยนคำนิดเดียวผลต่างกัน 76 จุดล่ะ


เปลี่ยนคำนิดเดียว ค่าเฉลี่ยแทบไม่ขยับ แต่รายข้อแกว่งได้

ตัวเลขที่ถูกอ้างมากที่สุดมาจากโมเดลรุ่นเก่า การเปลี่ยนแค่การจัดหน้า เช่น เครื่องหมายคั่นหรือการเว้นวรรค เคยทำให้ความแม่นยำของโมเดลโอเพนซอร์สรุ่นหนึ่งต่างกันได้ถึง 76 จุด ในงานวิจัยปี 2023 ของ University of Washington [12]

ตัวเลขนี้ถูกอ้างกันมาก แต่ควรอ่านคู่กับงานที่ใหม่กว่า


  • โมเดลใหญ่รุ่นใหม่ไวต่อเรื่องนี้น้อยลงมาก: การทดสอบปี 2025 พบว่า GPT-4.1 มีช่วงผลต่างจากการเปลี่ยนรูปแบบเฉลี่ยแค่ 3.2 จุด แต่บางงานยังต่างได้ 8 ถึง 10 จุด [13]

  • ส่วนหนึ่งเป็นปัญหาของวิธีให้คะแนน: อีกงานหนึ่งพบว่าความแปรปรวนจำนวนมากเกิดจากการตรวจคำตอบแบบเทียบคำตรงตัว พอใช้วิธีตรวจที่ดูความหมาย ความต่างลดลงมาก [14]

  • ค่าเฉลี่ยนิ่ง แต่รายข้อแกว่ง: การทดสอบซ้ำหลายรอบพบว่าการเปลี่ยนถ้อยคำแทบไม่เปลี่ยนคะแนนเฉลี่ย แต่บางคำถามคะแนนขึ้นได้ 36 จุด หรือลงได้ 35 จุด และเดาล่วงหน้าไม่ได้ว่าข้อไหนจะขึ้นหรือลง [3]

ความหมายต่องานจริง คือ ไม่ต้องกังวลกับการเลือกคำทีละคำ

แต่ก็อย่าเชื่อ Prompt ที่ลองครั้งเดียวแล้วได้ผลดี ให้ลองกับงานจริงอย่างน้อย 3 ถึง 5 ชิ้นก่อนนำไปใช้ประจำ


Prompt ปรับได้ แต่มีเพดาน คำถามที่ใหญ่กว่าคือ AI ช่วยงานได้จริงแค่ไหน


AI ช่วยได้มากในงานที่ถนัด และทำให้พลาดในงานที่ไม่ถนัด (Jagged Frontier)

  • งานเขียน: การทดลองกับคนทำงาน 453 คน พบว่ากลุ่มที่ใช้ ChatGPT ใช้เวลาน้อยลง 40% และคุณภาพงานสูงขึ้น 18% [15]


งานที่ปรึกษา

การทดลองกับที่ปรึกษา 758 คน พบว่าในงานที่อยู่ในขอบเขตที่ AI ทำได้ดี กลุ่มที่ใช้ AI ทำงานเสร็จมากขึ้น 12.2% และเร็วขึ้น 25.1%

แต่ในงานที่อยู่นอกขอบเขต กลุ่มที่ใช้ AI ตอบถูกน้อยกว่ากลุ่มที่ไม่ใช้ 19 จุด [16]


Prompt ที่ดีช่วยให้ผลงานดีขึ้นในงานที่ AI ทำได้

แต่ไม่ได้ทำให้ AI ทำงานที่เกินความสามารถของมันได้ การรู้ว่างานไหนเหมาะกับ AI จึงสำคัญพอ ๆ กับการเขียน Prompt


เมื่อรู้ว่างานไหนเหมาะกับ AI ขั้นต่อไปคือเขียนให้ครบ และรู้ว่าส่วนไหนมีหลักฐานจริง


Prompt ที่ดีมี 5 ส่วน แต่หลักฐานหนุนแต่ละส่วนไม่เท่ากัน

บทความภาษาไทยส่วนใหญ่แนะนำโครงสร้าง 4 ถึง 7 ส่วนคล้ายกัน เราสรุปเป็น 5 ส่วน แล้วตรวจกับงานวิจัยและคู่มือของผู้พัฒนาว่าแต่ละส่วนมีหลักฐานหนุนแค่ไหน


1. บริบท (หลักฐานหนุนชัด)

ข้อมูลที่ AI ต้องรู้ เช่น ธุรกิจของเรา ใครจะอ่าน และผลลัพธ์จะเอาไปใช้ทำอะไร Anthropic แนะนำให้บอก "เหตุผล" ของคำสั่งด้วย และเสนอวิธีทดสอบง่าย ๆ คือ เอา Prompt ไปให้เพื่อนร่วมงานที่ไม่รู้เรื่องนี้อ่าน

ถ้าเพื่อนงง AI ก็จะงง [17]


ในการทดลอง 3,750 คนข้างต้น คนที่ได้ใช้โมเดลรุ่นใหม่เขียน Prompt ยาวขึ้นราว 25% และคำที่เพิ่มเป็นคำบรรยายจริง ไม่ใช่คำฟุ่มเฟือย


2. งาน (หลักฐานหนุนชัด)

ใช้คำกริยาชัด เช่น สรุป เทียบ จัดลำดับ ร่าง

ถ้ามีหลายงาน ให้แยกเป็นขั้น คู่มือของ Google และ OpenAI ตรงกันว่าคำสั่งที่ชัดและเจาะจงเป็นวิธีที่ได้ผลที่สุด ([18], [10]) สำหรับโมเดลที่คิดเองได้ OpenAI แนะนำให้บอกเป้าหมาย ข้อจำกัด และหน้าตาผลลัพธ์ให้ชัด โดยไม่ต้องสั่งทุกขั้นตอนระหว่างทาง [19]


3. รูปแบบผลลัพธ์และตัวอย่าง (หลักฐานหนุน แต่ผู้พัฒนาเห็นต่างเรื่องตัวอย่าง)

บอกว่าอยากได้ตาราง bullet หรืออีเมล ยาวเท่าไหร่ ส่วนเรื่องตัวอย่าง Google แนะนำให้ใส่ "เสมอ" Anthropic แนะนำ 3 ถึง 5 ตัวอย่างที่หลากหลาย

แต่ OpenAI แนะนำให้ลองแบบไม่มีตัวอย่างก่อนกับโมเดลที่คิดเองได้ [20]


งานวิจัยอธิบายว่าสิ่งที่โมเดลเรียนจากตัวอย่างมากที่สุดคือ "รูปแบบ" มากกว่าความถูกต้องของเนื้อหา [21]

และลำดับของตัวอย่างก็มีผล บางลำดับให้ผลแย่เกือบเท่าการเดาสุ่ม [22]


ใช้เมื่อ: รูปแบบผลลัพธ์สำคัญ และอย่าให้ตัวอย่างทุกชิ้นหน้าตาเหมือนกัน เพราะ AI จะลอกแม้ในจุดที่ไม่ควรลอก


4. ข้อจำกัด (หลักฐานหนุน)

สิ่งที่ห้ามทำ แหล่งข้อมูลที่ให้ใช้ และที่สำคัญที่สุด คือบอกว่าถ้าข้อมูลไม่พอให้ทำอย่างไร เช่น "ถ้าไม่แน่ใจ ให้ตอบว่าข้อมูลไม่พอ ห้ามเดา" Anthropic ระบุว่าการอนุญาตให้ AI ตอบว่าไม่รู้ช่วยลดข้อมูลเท็จได้มาก [23]

เหตุผลเบื้องหลังมาจากงานวิจัยของผู้พัฒนา ChatGPT เอง ที่อธิบายว่าโมเดลถูกฝึกและวัดผลแบบที่ให้คะแนนการเดามากกว่าการยอมรับว่าไม่รู้ [24]


ข้อจำกัด: ลดได้ แต่ไม่ได้ทำให้หายไป


5. บทบาท (ช่วยเรื่องน้ำเสียง ไม่ช่วยเรื่องความแม่นยำ)

งานวิจัยที่ทดสอบ 162 บทบาทกับ 2,410 คำถามพบว่าการใส่บทบาทไม่ได้ทำให้ตอบแม่นขึ้น [25]

การทดสอบซ้ำกับ 6 โมเดลในปี 2025 ได้ผลเดียวกัน และพบว่าบทบาทอย่าง "เด็กเล็ก" หรือ "คนทั่วไป" ทำให้แม่นน้อยลง [2]


ใช้เมื่อ: ต้องการกำหนดมุมมอง ระดับภาษา หรือสิ่งที่ควรให้ความสำคัญ อย่าคาดหวังว่าบทบาทจะเพิ่มความรู้ให้ AI


หลักการเข้าใจง่ายขึ้นเมื่อเห็นของจริง นี่คือ Prompt เดียวกันก่อนและหลังแก้


Prompt เดียวกัน ก่อนและหลังแก้: เปลี่ยน 4 จุด และไม่มีบทบาท

ก่อนแก้: ช่วยเขียนอีเมลขายของให้หน่อย


หลังแก้: เขียนอีเมลถึงผู้จัดการฝ่ายบัญชีของบริษัทค้าปลีก ที่เคยขอใบเสนอราคาซอฟต์แวร์บัญชีของเราเมื่อ 2 สัปดาห์ก่อนแต่ยังไม่ตอบ เป้าหมายคือขอนัดคุย 15 นาที ไม่ใช่ปิดการขายในอีเมลนี้ ความยาวไม่เกิน 120 คำ น้ำเสียงสุภาพ ไม่กดดัน จบด้วยตัวเลือกเวลา 2 ช่วง ห้ามอ้างส่วนลดหรือตัวเลขที่ไม่มีในข้อมูลนี้

ถ้าต้องใช้ชื่อลูกค้าหรือชื่อสินค้า ให้เว้นเป็น [ ]


สิ่งที่เปลี่ยน คือ บริบท (ใคร เคยทำอะไร) งาน (ขอนัด ไม่ใช่ขาย) รูปแบบ (120 คำ 2 ช่วงเวลา) และข้อจำกัด (ห้ามแต่งตัวเลข ให้เว้นช่อง) สังเกตว่าไม่มีบทบาท "คุณเป็นพนักงานขาย B2B" เลย เพราะบริบทบอกครบแล้ว และไม่มีคำว่า "สำคัญมาก" หรือ "ห้ามพลาดเด็ดขาด" ซึ่งเป็นคำที่ไม่ได้ช่วยอะไร ดูเหตุผลในหัวข้อถัดไป



สังเกตว่าตัวอย่างนี้ไม่ใช้ทริกยอดนิยมสักข้อ และมีเหตุผล


คำพูดวิเศษหมดอายุแล้ว: 5 เทคนิคยอดนิยมที่ใช้ได้แค่บางกรณี หรือเลิกใช้ได้

1. "ใส่คำว่า คิดทีละขั้น ทุกครั้ง" ช่วยมากกับโจทย์คณิตและตรรกะ

แต่แทบไม่ช่วยงานอื่น เทคนิคนี้ดังเพราะงานวิจัยปี 2022 พบว่าแค่เติมประโยค "Let's think step by step" ความแม่นยำโจทย์คณิตชุดหนึ่งเพิ่มจาก 17.7% เป็น 78.7% [26]


แต่การวิเคราะห์งานวิจัยกว่า 100 ชิ้น และทดสอบ 20 ชุดข้อมูลกับ 14 โมเดล พบว่าประโยชน์เกือบทั้งหมดอยู่ที่โจทย์คณิตและตรรกะ [27]

กับโมเดลที่คิดเองได้ การทดสอบพบว่าคำสั่งนี้ช่วยน้อยมาก


แต่ทำให้ช้าลง 20% ถึง 80% ส่วนกับโมเดลทั่วไป ค่าเฉลี่ยดีขึ้นเล็กน้อย

แต่คำตอบแกว่งขึ้น [4]


คู่มือของ OpenAI สำหรับโมเดลกลุ่มนี้ก็เขียนไว้ว่าไม่จำเป็น และบางครั้งทำให้แย่ลง [20]

ใช้เมื่อ: งานคำนวณหรือมีหลายขั้นตอน และใช้โมเดลที่ไม่มีโหมดคิด


2. "ให้ AI สวมบทผู้เชี่ยวชาญ แล้วจะตอบเก่งขึ้น" หลักฐาน 2 ชุดข้างต้นบอกว่าไม่ช่วยเรื่องความแม่นยำ

ใช้เมื่อ: ต้องการกำหนดมุมมองหรือน้ำเสียง


3. "ขู่ ให้ทิป หรือพูดสุภาพ แล้ว AI จะตั้งใจขึ้น" เคยได้ผลกับโมเดลรุ่นเก่า

แต่ไม่พบผลที่มีความหมายในโมเดลรุ่นใหม่ งานวิจัยปี 2023 รายงานว่าประโยคเชิงอารมณ์ช่วยโมเดลรุ่นนั้นได้ [28]


แต่การทดสอบ 5 โมเดลในปี 2025 ทั้งการขู่และการเสนอทิปตั้งแต่ 1,000 ดอลลาร์ถึง 1 ล้านล้านดอลลาร์ แล้วไม่พบผลที่มีความหมายต่อความแม่นยำโดยรวม [3]

ส่วนความสุภาพ บางครั้งช่วย บางครั้งทำให้แย่ลง [29]


สรุป: เลิกใช้ได้ เวลาที่ใช้คิดคำขู่ ควรเอาไปเพิ่มบริบท


4. "เน้นด้วยตัวพิมพ์ใหญ่ หรือคำว่า สำคัญมาก ห้ามเด็ดขาด" เคยช่วยกับโมเดลรุ่นเก่าที่มักไม่ทำตามคำสั่ง

แต่ Anthropic ระบุว่าโมเดลรุ่นใหม่ตอบสนองต่อคำสั่งมากขึ้น การใช้คำแรง ๆ แบบเดิมทำให้โมเดลทำเกินกว่าที่ต้องการ และแนะนำให้เปลี่ยนเป็นภาษาปกติ [17]


Google ก็แนะนำให้หลีกเลี่ยงภาษาที่โน้มน้าวเกินจำเป็นกับ Gemini 3 [18]

ข้อนี้ยังไม่มีงานวิจัยอิสระยืนยัน แต่ผู้พัฒนา 2 รายเขียนตรงกัน สรุป: เขียนเหตุผลแทนการตะโกน


5. "มี Prompt สำเร็จรูปที่ใช้ได้กับทุกโมเดล" Prompt ที่ดีกับโมเดลหนึ่งไม่ได้รับประกันว่าดีกับอีกโมเดล รูปแบบ Prompt ที่ดีกับโมเดลหนึ่งให้ผลกับอีกโมเดลแบบสัมพันธ์กันอ่อนมาก [12]

และลำดับตัวอย่างที่ดีกับโมเดลหนึ่ง ใช้กับอีกโมเดลไม่ได้ [22]


OpenAI แนะนำให้องค์กรล็อกรุ่นโมเดลที่ใช้ และสร้างชุดทดสอบไว้ตรวจเมื่ออัปเกรด [10]

สรุป: เก็บ Prompt ที่ได้ผลไว้เป็นแม่แบบได้ แต่ทดสอบใหม่ทุกครั้งที่เปลี่ยนโมเดล


ถ้าทริกไม่ได้ผล อะไรได้ผล 4 เทคนิคนี้มีหลักฐานในงานจริง


เทคนิคที่ได้ผลจริงคือการจัดข้อมูล ไม่ใช่การเลือกคำ: 4 เทคนิค

วางเอกสารไว้ก่อน แล้วถามท้าย

เมื่อแนบเอกสารยาว ให้วางเอกสารไว้ด้านบน แล้วเขียนคำถามและคำสั่งไว้ท้ายสุด Anthropic รายงานว่าวิธีนี้ทำให้คุณภาพคำตอบดีขึ้นได้ถึง 30% ในการทดสอบกับเอกสารยาวเกิน 20,000 token และ Google แนะนำแบบเดียวกันกับ Gemini 3 งานวิจัยอธิบายว่าโมเดลใช้ข้อมูลที่อยู่ต้นหรือท้ายได้ดี

แต่ข้อมูลตรงกลางมักถูกมองข้าม [30]


และการทดสอบ 18 โมเดลในปี 2025 พบว่ายิ่งข้อมูลยาว ผลยิ่งไม่แน่นอน แม้ในงานง่าย [31]

ข้อจำกัด: ผลชัดกับเอกสารยาว ถ้า Prompt สั้น ลำดับแทบไม่มีผล และอย่าใส่เอกสารที่ไม่เกี่ยวข้องเพียงเพราะใส่ได้


ให้ยกข้อความจากเอกสารก่อน แล้วค่อยวิเคราะห์

สั่งให้ AI ดึงข้อความที่เกี่ยวข้องจากเอกสารออกมาก่อน แล้ววิเคราะห์จากข้อความนั้น

ถ้าหาข้อความรองรับไม่เจอ ให้ตัดประเด็นนั้นทิ้ง [23]


ข้อจำกัด: ลดการแต่งข้อมูลได้มาก แต่ไม่ได้ทำให้หมดไป


แยกงานใหญ่เป็นขั้น

สั่งทีละขั้นแล้วตรวจผลก่อนไปขั้นต่อไป คู่มือของ Google และ OpenAI แนะนำตรงกัน และ OpenAI ระบุว่าโมเดลทำได้ดีที่สุดเมื่อแยกงานที่แยกกันได้ออกเป็นคนละรอบ [32]

ข้อจำกัด: เสียเวลามากขึ้น ใช้กับงานที่ผิดแล้วมีผลกระทบ


ให้ AI ช่วยร่าง Prompt แต่คนเป็นผู้ตรวจ

บอกเป้าหมาย ให้ AI ถามกลับจนข้อมูลครบ แล้วให้มันร่าง Prompt ฉบับสุดท้าย งานวิจัยปี 2022 พบว่า Prompt ที่ AI เขียนดีเท่าหรือดีกว่าที่คนเขียนใน 24 จาก 24 งาน [33]

แต่ในงานนั้นระบบเลือก Prompt จากชุดทดสอบที่มีคะแนน และการทดลอง 3,750 คนข้างต้นพบว่าเมื่อ AI เขียน Prompt ใหม่แทนผู้ใช้โดยไม่รู้เป้าหมายจริง ประโยชน์ลดลง 58%


วิธีใช้: กำหนดก่อนว่าผลแบบไหนถือว่าดี อ่าน Prompt ที่ AI ร่างให้ว่าตรงเป้าหรือไม่ แล้วลองกับงานจริง 3 ถึง 5 ชิ้น ตามที่ Anthropic แนะนำให้กำหนดเกณฑ์ความสำเร็จก่อนเริ่มปรับ [34]


เทคนิคเหล่านี้ทำให้ AI ตอบดีขึ้น แต่มีปัญหาหนึ่งที่ทำให้คำตอบดีกลายเป็นอันตราย คือปัญหาที่บอกไว้ตอนต้น


AI ชอบเห็นด้วยกับเรา (Yes-man AI): อันตรายที่สุดตอนใช้ช่วยตัดสินใจ

ปัญหานี้มีหลักฐานชัดที่สุดเรื่องหนึ่ง


  • เกิดกับทุกเจ้าที่ทดสอบ ไม่ใช่แค่บางยี่ห้อ: AI ผู้ช่วยทั้ง 5 ตัวที่ Anthropic ทดสอบมีพฤติกรรมเห็นด้วยกับผู้ใช้ เช่น ยอมรับว่าตัวเองผิดทั้งที่ถูกเมื่อผู้ใช้แย้ง [35]


AI เห็นด้วยกับเรามากกว่าคนเกือบครึ่ง

ในการทดสอบ 11 โมเดล AI เห็นด้วยกับการกระทำของผู้ใช้มากกว่าคนตอบ 49% แม้ในกรณีที่ผู้ใช้หลอกลวงหรือทำผิด และในการทดลองกับคน 2,405 คน คุยกับ AI แบบนี้เพียงครั้งเดียวก็ทำให้คนมั่นใจว่าตัวเองถูกมากขึ้น ที่น่ากังวลคือผู้ใช้ชอบและเชื่อ AI แบบนี้มากกว่า [5]


  • ปัญหาใหญ่พอให้ผู้พัฒนาต้องถอยเอง: ในเดือนเมษายน 2025 OpenAI ต้องถอนอัปเดต GPT-4o เพราะโมเดลประจบผู้ใช้มากเกินไป [36]

ถ้าเราถามว่า "แผนนี้ดีไหม" โอกาสที่ AI จะชมมีสูง และเรามีแนวโน้มจะเชื่อคำชมนั้น ทางแก้ที่มีหลักฐานบางส่วน คือให้ AI ทำหน้าที่ฝ่ายค้าน การทดลองปี 2024 พบว่า AI ที่ทำหน้าที่โต้แย้งแบบโต้ตอบได้ ช่วยให้กลุ่มตัดสินใจเชื่อหรือไม่เชื่อคำแนะนำของ AI ได้เหมาะสมขึ้น [37] แต่หลักฐานส่วนนี้ยังมีไม่มาก


ทางแก้ที่ถูกพูดถึงมากที่สุดคือ Pre-mortem แต่ตัวเลขที่อ้างกันอาจไม่ใช่สิ่งที่คุณคิด


Pre-mortem: ตัวเลข 30% ที่อ้างกันวัดผิดเรื่อง แต่วิธีนี้ยังได้ผลอีกแบบ

Pre-mortem คือการสมมติว่าแผนล้มเหลวไปแล้ว แล้วให้ทุกคนย้อนหาสาเหตุ Gary Klein ผู้คิดวิธีนี้เสนอไว้ในปี 2007

โดยมี 5 ขั้น คือ ทีมรับฟังแผน ผู้นำประกาศว่าแผนล้มเหลวอย่างหนัก ทุกคนเขียนสาเหตุของตัวเองเงียบ ๆ สองสามนาที จากนั้นเวียนกันบอกทีละข้อจนครบ แล้วผู้จัดการโครงการนำรายการไปปรับแผน


จุดประสงค์หลักคือทำให้คนที่มีข้อกังวลกล้าพูด [38]


ตัวเลขดังไม่ได้วัดสิ่งที่เราคิดเสมอไป Klein อ้างงานวิจัยปี 1989 ว่าวิธีมองย้อนจากอนาคตนี้ช่วยให้ระบุสาเหตุได้ถูกต้องขึ้น 30% เราอ่านงานต้นฉบับแล้ว พบ 3 ประเด็นที่ควรรู้ [39]


  • งานนั้นวัด "จำนวน" เหตุผล ไม่ได้วัดว่าเหตุผลถูกต้องหรือไม่

  • ตัวที่ทำให้คนคิดเหตุผลได้มากขึ้น คือการบอกว่าเหตุการณ์ "เกิดขึ้นแน่นอนแล้ว" (เฉลี่ย 4.50 เทียบ 3.30 เหตุผลต่อสถานการณ์ในการทดลองแรก) ส่วนการเปลี่ยนมุมมองเวลาจากอดีตเป็นอนาคตอย่างเดียวแทบไม่มีผล

  • ผู้วิจัยเขียนเองว่า การเห็นมากขึ้นไม่จำเป็นต้องแปลว่าเห็นดีขึ้น

งานรุ่นหลังให้ภาพที่ชัดกว่า


ลดความมั่นใจเกินจริงได้ดีกว่าวิธีอื่น

การทดลองกับ 178 คนที่ประเมินแผนรับมือโรคระบาด พบว่ากลุ่มที่ทำ Pre-mortem ความมั่นใจในแผนลดลง 25 จุด เทียบกับ 14 จุดของกลุ่มที่ลิสต์ข้อดีข้อเสีย และ 12.4 จุดของกลุ่มที่ลิสต์แต่ข้อเสีย [6]

ข้อควรรู้คือ Klein เป็นผู้ร่วมวิจัยด้วย


เจอความเสี่ยงมากกว่าการระดมสมองปกติ

การทดลองกับผู้จัดการและวิศวกร 101 คน พบว่าทีมที่ทำ Pre-mortem ระบุความเสี่ยงคุณภาพสูงได้มากกว่า และเสนอการปรับแผนที่ใช้ได้มากกว่า [40]


  • ทำคนเดียวได้ แต่ทำเป็นทีมได้ทางแก้มากกว่า: งานวิจัยในหน่วยทหารและห้องทดลองพบว่าคนที่ทำคนเดียวคิดสาเหตุได้พอ ๆ กับทีม แต่เสนอวิธีแก้ได้น้อยกว่า [41]


มีผลข้างเคียง

การทดลองที่ลงทะเบียนล่วงหน้า 3 ชิ้นและการทดลองนำร่อง 1 ชิ้น รวม 2,345 คน ในเรื่องการทายผลกีฬาและเป้าหมายสุขภาพ พบว่า Pre-mortem ลดความมั่นใจเกินจริงได้จริง

แต่ทำให้คนโทษปัจจัยที่ควบคุมไม่ได้ เช่น โชคหรือสภาพแวดล้อม มากกว่าโทษสิ่งที่ตัวเองควบคุมได้ และไม่ได้ทำให้คนลงมือแก้ไขมากขึ้น งานนี้ทดสอบกับเป้าหมายส่วนตัว ไม่ใช่แผนโครงการของทีม


แต่ก็เป็นสัญญาณเตือนที่ควรออกแบบ Prompt รองรับ [42]


ส่วนการให้ AI ทำ Pre-mortem แทนคน หลักฐานยังอ่อน มีเพียงกรณีศึกษาเชิงคุณภาพที่เทียบสาเหตุที่ ChatGPT-4 คิดกับที่นักศึกษาคิด [43]

และงานในวารสาร Risk Analysis ที่พบว่า ChatGPT เก่งในการระดมความเสี่ยง


แต่คำแนะนำมักกว้างเกินไป บางข้อผิด และไม่ลึกเท่าผู้เชี่ยวชาญ [44]


ความหมายต่อการใช้งาน: ใช้ AI ช่วยขยายรายการความเสี่ยงได้

แต่ (1) ให้ทีมเขียนสาเหตุของตัวเองก่อนดูคำตอบ AI เพื่อไม่ให้ทุกคนคิดตาม AI (2) สั่งให้แยกสาเหตุที่เราควบคุมได้ออกจากที่ควบคุมไม่ได้ เพื่อแก้ผลข้างเคียงข้างต้น และ (3) จบด้วยการมอบหมายว่าใครแก้อะไร เพราะการรู้ความเสี่ยงไม่ได้ทำให้คนลงมือเอง



หลักคิดทั้งหมดนี้รวมเป็นชุด Prompt 7 แบบที่ใช้ได้ทันที


ให้ AI หาจุดอ่อน ไม่ใช่ให้ AI ชม: Prompt 7 แบบสำหรับการตัดสินใจเชิงกลยุทธ์

ชุด Prompt ด้านล่างออกแบบให้ AI ต้องมองต่างหรือหาจุดอ่อน แทนการขอความเห็น เพื่อลดปัญหา AI เห็นด้วยกับผู้ใช้ แบ่งเป็น 3 ขั้น หลักคือ AI ช่วยขยายมุมมอง ส่วนคนเป็นผู้เลือก


ขั้นที่ 1 ขยายมุมมอง

1. Multi-lens

ให้ AI มองปัญหาเดียวผ่านหลายฝ่าย เช่น CFO ผู้จัดการหมวดสินค้า ผู้วางแผน supply chain ลูกค้า และ supplier แล้วสรุปว่าแต่ละฝ่ายเห็นตรงกันและขัดกันตรงไหน ใช้ก่อนประชุมเรื่องที่กระทบหลายฝ่าย

ข้อจำกัด: บทบาทไม่ได้เพิ่มความรู้ให้ AI [2]


ประโยชน์อยู่ที่การบังคับให้ไล่ครบทุกฝ่าย มุมมองที่ได้เป็นสมมติฐานที่ต้องไปคุยกับคนจริงของแต่ละฝ่าย


2. Cross-industry benchmark

ให้ AI หาวิธีแก้ปัญหาแบบเดียวกันจาก 3 อุตสาหกรรมอื่น แล้วปรับเข้ากับธุรกิจของเรา ใช้เมื่อทีมคิดแต่วิธีเดิม ๆ วิธีนี้ตรงกับข้อเสนอของ Acar เรื่องการมองปัญหาด้วยการเทียบเคียง

ข้อจำกัด: ตัวอย่างบริษัทและตัวเลขที่ AI ยกมาอาจแต่งขึ้น ต้องตรวจแหล่งที่มาทุกครั้งก่อนนำไปอ้าง


ขั้นที่ 2 กลั่นกรอง

3. Pre-mortem

สมมติว่าแผนล้มเหลวแล้วในวันที่ 90 ให้ AI ย้อนหาสาเหตุ สัญญาณเตือน และวิธีป้องกัน ใช้ก่อนอนุมัติแผนใหญ่ หลักฐานจากการทดลองกับคนบอกว่าวิธีนี้ลดความมั่นใจเกินจริงได้ดีกว่าการลิสต์ข้อดีข้อเสีย [6]

ข้อจำกัด: ยังไม่มีการทดลองที่วัดผล Pre-mortem ที่ AI ทำโดยตรง และต้องระวังการโทษแต่ปัจจัยภายนอก


4. Decision matrix

กำหนดเกณฑ์และน้ำหนักก่อน แล้วจึงให้คะแนนทางเลือก และทดสอบว่าถ้าเปลี่ยนน้ำหนัก ผลเปลี่ยนหรือไม่ ใช้เมื่อมีหลายทางเลือกที่ดูดีพอกัน

ข้อจำกัด: คะแนนที่ AI ให้ดูแม่นยำ แต่มาจากการประเมินด้วยภาษา ให้ใช้ดูว่าผลอ่อนไหวต่อน้ำหนักแค่ไหน ไม่ใช่ให้คะแนนตัดสินแทนคน


ขั้นที่ 3 ให้ AI ถามกลับ

5. Prompt MECE Refiner

ให้ AI ถามทีละข้อจนไม่เหลือจุดที่ต้องเดา แล้วจึงเขียน Prompt ฉบับสุดท้าย ใช้กับงานซับซ้อนที่อธิบายครั้งเดียวไม่ครบ ขั้นนี้คือการตั้งโจทย์ให้ชัดก่อนลงมือ

ข้อจำกัด: Prompt ที่ได้ต้องอ่านทวนว่าตรงเป้าจริง เพราะ AI ที่เขียน Prompt แทนเราอาจเติมสิ่งที่เราไม่ได้ต้องการ [1]


6. Process Surgeon

ให้ AI แยกงานเป็นขั้นตอนด้วยการ์ด 4 แบบ คือ เครื่องมือที่ใช้ การแปลงข้อมูล การตัดสินใจ และการลงมือทำ แล้วชี้คอขวด ใช้ก่อนออกแบบกระบวนการใหม่

ข้อจำกัด: AI เห็นเฉพาะขั้นตอนที่เราเล่า ขั้นตอนที่ทำกันโดยไม่มีใครเขียนไว้ ต้องไปถามคนหน้างาน


7. Adversarial Simulator

ให้ AI สวมบทคู่เจรจา ซ้อมต่อรอง แล้วให้คะแนนเต็ม 100 พร้อมจุดที่ควรแก้ ใช้ก่อนเจรจากับคู่ค้าหรือลูกค้ารายใหญ่

ข้อจำกัด: AI ไม่รู้นิสัยและข้อจำกัดของคู่เจรจาจริง ยิ่งให้ข้อมูลคู่เจรจามาก การซ้อมยิ่งใกล้ความจริง


ทั้ง 7 แบบเป็นเครื่องมือช่วยคิด หลักการเบื้องหลังมีงานวิจัยรองรับ (AI เห็นด้วยกับผู้ใช้ บทบาทไม่เพิ่มความรู้ Pre-mortem ลดความมั่นใจเกินจริง)

แต่ยังไม่มีงานวิจัยที่วัดผล Prompt แต่ละแบบโดยตรง วิธีวัดที่ทำได้เอง คือดูว่าหลังใช้แล้ว ทีมเห็นความเสี่ยงหรือทางเลือกใหม่ที่ไม่เคยคิดหรือไม่ และมีการเปลี่ยนแผนจริงหรือไม่


Pre-mortem ที่ปรับตามงานวิจัย: ตัวอย่าง Prompt ที่ใช้ได้ทันที

สมมติว่าวันนี้คือวันที่ 90 หลังเริ่มแผนด้านล่าง และแผนล้มเหลวอย่างชัดเจน ให้ระบุสาเหตุที่เป็นไปได้มากที่สุด 6 ข้อ แบ่งเป็น 2 กลุ่ม กลุ่มแรก 3 ข้อ เป็นสาเหตุที่ทีมเราควบคุมได้ เช่น การวางแผน ทรัพยากร การสื่อสาร กลุ่มที่สอง 3 ข้อ เป็นปัจจัยภายนอก แต่ละข้อให้บอกสัญญาณเตือนที่จะเห็นได้ภายใน 30 วันแรก วิธีป้องกัน 1 วิธี และตำแหน่งที่ควรรับผิดชอบ ห้ามชมแผน ห้ามเดาตัวเลขที่ไม่มีในข้อมูล

ถ้าข้อมูลไม่พอสำหรับข้อไหน ให้บอกว่าต้องการข้อมูลอะไรเพิ่ม ตอบเป็นตาราง


สิ่งที่ต่างจากฉบับทั่วไปมี 3 จุด จุดแรก ไม่มีบทบาท "ที่ปรึกษาผู้เชี่ยวชาญ" เพราะไม่ช่วยความแม่นยำ จุดที่สอง แยกสาเหตุที่ควบคุมได้ออกจากปัจจัยภายนอก เพื่อแก้ปัญหาการโทษแต่ปัจจัยภายนอกที่งานวิจัยพบ จุดที่สาม มีผู้รับผิดชอบ เพราะการรู้ความเสี่ยงอย่างเดียวไม่ได้ทำให้คนลงมือแก้

ถ้าทำเป็นทีม ให้แต่ละคนเขียนสาเหตุของตัวเองก่อนเปิดคำตอบของ AI


Prompt ที่เขียนดีก็พังได้: ข้อผิดพลาดที่พบบ่อย 5 ข้อ

  • สั่งกว้างเกินไป: ไม่บอกบริบท AI จึงตอบแบบทั่วไป

  • รวมหลายงานในคำสั่งเดียว: ควรแยกเป็นขั้น แล้วสั่งต่อทีละขั้น

  • ถามแบบชี้นำ: เช่น "แผนนี้ดีใช่ไหม" ให้ถามว่า "จุดอ่อน 3 ข้อของแผนนี้คืออะไร" แทน [5]

  • เชื่อตัวเลขโดยไม่ตรวจ: AI แต่งข้อมูลได้แม้ใน Prompt ที่เขียนดี และในงานที่อยู่นอกความสามารถของ AI ผู้ที่ใช้ AI ตอบถูกน้อยกว่าผู้ที่ไม่ใช้ [16]


ใส่ข้อมูลลับ

ในปี 2023 Samsung พบพนักงานใส่ข้อมูลลับลง ChatGPT 3 ครั้ง รวมถึงซอร์สโค้ดและบันทึกการประชุม จนต้องสั่งห้ามใช้ AI ภายนอกบนเครื่องของบริษัทชั่วคราว ([45], [46]) อย่าใส่ข้อมูลส่วนบุคคลของลูกค้าหรือข้อมูลลับขององค์กรในเครื่องมือที่องค์กรไม่ได้อนุญาต


หลักเดียวกันใช้ได้ทุกเครื่องมือ ต่างกันแค่จุดเน้น

หลักใหญ่เหมือนกัน คู่มือของผู้พัฒนาทั้ง 3 รายยืนยันหลักเดียวกัน คือ บอกให้ชัด ให้บริบท กำหนดรูปแบบผลลัพธ์ และปรับซ้ำ จุดที่แต่ละรายเน้นต่างกันมีดังนี้


OpenAI

แยกวิธีเขียนระหว่างโมเดลทั่วไปกับโมเดลที่คิดเองได้ อย่างหลังให้บอกเป้าหมาย ข้อจำกัด และหน้าตาผลลัพธ์ ไม่ต้องสั่งทุกขั้น ไม่ต้องสั่งให้คิดทีละขั้น และลองแบบไม่มีตัวอย่างก่อน [20]


Anthropic

ใช้การทดสอบเพื่อนร่วมงาน บอกเหตุผลของคำสั่ง ตัวอย่าง 3 ถึง 5 ชิ้น และเลิกใช้คำแรง ๆ กับโมเดลรุ่นใหม่ [17]


  • Google: สั่งตรงและมีโครงสร้าง ใส่ตัวอย่างเสมอ ใส่ข้อมูลยาวก่อนแล้ววางคำถามไว้ท้าย และสำหรับ Gemini 3 ไม่ต้องสั่งให้แสดงขั้นตอนคิด [18]

ถ้าองค์กรใช้หลายเครื่องมือ ให้ทดสอบ Prompt สำคัญกับทุกเครื่องมือที่ใช้ และทดสอบซ้ำเมื่อเครื่องมืออัปเดตรุ่น


แต่ต่อให้เขียนดีกับทุกเครื่องมือ ยังมี 3 เรื่องที่ Prompt แก้ไม่ได้


Prompt ดีแค่ไหนก็แก้ 3 เรื่องนี้ไม่ได้

  • AI ยังแต่งข้อมูล: งานวิจัยของผู้พัฒนา ChatGPT เองอธิบายว่าการแต่งข้อมูลมาจากวิธีฝึกและวัดผลโมเดล ไม่ใช่ข้อบกพร่องที่ Prompt แก้ได้หมด [24]

  • งานที่เกินความสามารถของ AI: Prompt ดีแค่ไหนก็ไม่ทำให้ AI ทำงานนอกขอบเขตได้ [16]


โจทย์ที่ตั้งผิด

ถ้าโจทย์ผิด Prompt ที่สมบูรณ์ก็พาไปผิดทางเร็วขึ้น ก่อนเขียน Prompt สำหรับเรื่องสำคัญ ให้ถามตัวเองตามแนวของ Acar ว่า เป้าหมายแท้จริงคืออะไร แตกเป็นปัญหาย่อยอะไรได้บ้าง มองจากมุมของคนอื่นแล้วปัญหาเปลี่ยนไหม และคำตอบต้องอยู่ในข้อจำกัดอะไร [7]


รู้ข้อจำกัดแล้ว ก่อนกดส่งครั้งต่อไป ถามตัวเอง 6 ข้อนี้


6 คำถามก่อนกดส่ง: เช็กลิสต์ Prompt

  • คนที่ไม่รู้เรื่องงานนี้อ่านแล้วเข้าใจไหมว่าต้องทำอะไร

  • ใส่ข้อมูลที่ AI ต้องใช้ครบหรือยัง หรือยังต้องให้ AI เดา

  • บอกแล้วหรือยังว่าผลลัพธ์จะเอาไปใช้ทำอะไร ใครอ่าน และหน้าตาแบบไหน

  • บอกหรือยังว่าถ้าข้อมูลไม่พอ ให้ทำอย่างไร

  • คำถามชี้นำให้ AI เห็นด้วยกับเราหรือเปล่า

  • ถ้าจะใช้ Prompt นี้ซ้ำ ลองกับงานจริง 3 ถึง 5 ชิ้นแล้วหรือยัง

ถ้าคำตอบแรกยังไม่ตรง อย่าเริ่มใหม่ทั้งหมด ให้บอก AI ว่าส่วนไหนไม่ตรงและต้องการแบบไหน คู่มือของผู้พัฒนาทั้ง 3 รายตรงกันว่าการเขียน Prompt คือการปรับซ้ำ ไม่ใช่การเขียนครั้งเดียวให้สมบูรณ์


คำถามที่พบบ่อย

Prompt ควรยาวแค่ไหน

ยาวพอให้ AI ไม่ต้องเดา งานง่ายใช้ 1 ถึง 2 ประโยค งานซับซ้อนอาจยาวหลายย่อหน้า ให้แต่ละประโยคสั้นและเจาะจง ตามที่คู่มือของ Google Workspace แนะนำ [47]

แต่อย่าตัดข้อมูลที่ AI ต้องใช้ และอย่าใส่ข้อมูลที่ไม่เกี่ยวข้อง เพราะยิ่งยาว โมเดลยิ่งพลาดง่ายขึ้น


เขียน Prompt ภาษาไทยได้ไหม

ได้ เครื่องมือหลักรับภาษาไทยได้ ถ้าต้องการผลลัพธ์ภาษาไหน ให้ระบุในรูปแบบผลลัพธ์ และถ้างานมีศัพท์เฉพาะ ให้ใส่ศัพท์ที่ต้องการใช้ไว้ใน Prompt เลย


ต้องจำ Prompt สำเร็จรูปไหม

ไม่ต้อง จำโครงสร้าง 5 ส่วนก็พอ แล้วเก็บ Prompt ที่ใช้บ่อยไว้เป็นแม่แบบของทีม แต่ทดสอบใหม่เมื่อเปลี่ยนโมเดล


ทีมควรเรียนเขียน Prompt อย่างไร

เริ่มจากงานจริงที่ทำซ้ำทุกสัปดาห์ กำหนดก่อนว่าผลลัพธ์แบบไหนถือว่าดี แล้วฝึกเขียน Prompt และเทียบผลกับเกณฑ์นั้น


งานวิจัยเรื่องการปรับ Prompt พบว่าคนทั่วไปปรับ Prompt ได้ดีขึ้นเองเมื่อได้ลองซ้ำกับเป้าหมายที่ชัด ไม่ได้จำกัดอยู่แค่ผู้เชี่ยวชาญ


สรุป

ทริกคำพูดหมดอายุแล้ว การตั้งโจทย์ให้ชัดยังสำคัญ และอาจสำคัญขึ้น


Prompt คือข้อความที่บอก AI ว่าต้องการอะไร


หลักฐานปี 2023 ถึง 2026 ชี้ไปทางเดียวกัน ทริกคำพูดอย่างใส่บทบาทผู้เชี่ยวชาญ ขู่ ให้ทิป หรือสั่งให้คิดทีละขั้นกับโมเดลที่คิดเองได้ ใช้ไม่ได้ผลแล้วหรือได้ผลน้อย


สิ่งที่ยังได้ผลคือการบอกบริบท เป้าหมาย รูปแบบผลลัพธ์ และสิ่งที่ต้องทำเมื่อข้อมูลไม่พอ และในงานที่มีเป้าหมายชัด การปรับ Prompt ของผู้ใช้ยังคิดเป็นราวครึ่งหนึ่งของประโยชน์จากโมเดลรุ่นใหม่


สำหรับการตัดสินใจสำคัญ ให้ใช้ Prompt ที่บังคับให้ AI หาจุดอ่อน เพราะ AI มีแนวโน้มเห็นด้วยกับเรา


และไม่ว่า Prompt จะดีแค่ไหน คนยังต้องตั้งโจทย์ให้ถูกและตรวจคำตอบเอง


ถ้าคุณอ่านจนจบ ยินดีด้วยครับ คุณรู้เรื่อง Prompt มากกว่าคนส่วนใหญ่ที่ใช้ AI ทุกวันแล้ว


อ้างอิง


[1] Jahani, E., Manning, B. S., Zhang, J., TuYe, H.-Y., Alsobay, M., Nicolaides, C., Suri, S., Holtz, D. (2024, ปรับปรุง 2026). Prompt Adaptation as a Dynamic Complement in Generative AI Systems (ชื่อเดิม As Generative Models Improve, People Adapt Their Prompts). https://arxiv.org/abs/2407.14333

[2] Basil, S., Shapiro, I., Shapiro, D., Mollick, E., Mollick, L., Meincke, L. (2025). Prompting Science Report 4: Playing Pretend: Expert Personas Don't Improve Factual Accuracy. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5879722

[3] Meincke, L., Mollick, E., Mollick, L., Shapiro, D. (2025). Prompting Science Report 3: I'll pay you or I'll kill you, but will you care? https://arxiv.org/abs/2508.00614

[4] Meincke, L., Mollick, E., Mollick, L., Shapiro, D. (2025). Prompting Science Report 2: The Decreasing Value of Chain of Thought in Prompting. https://arxiv.org/abs/2506.07142

[5] Cheng, M., Lee, C., Khadpe, P., Yu, S., Han, D., Jurafsky, D. et al. (2026). Sycophantic AI decreases prosocial intentions and promotes dependence. Science. https://www.science.org/doi/10.1126/science.aec8352

[6] Veinott, B., Klein, G., Wiggins, S. (2010). Evaluating the Effectiveness of the PreMortem Technique on Plan Confidence. ISCRAM 2010. https://idl.iscram.org/files/veinott/2010/1049_Veinott_etal2010.pdf

[7] Acar, O. A. (2023). AI Prompt Engineering Isn't the Future. Harvard Business Review. https://hbr.org/2023/06/ai-prompt-engineering-isnt-the-future

[9] Anthropic. (2025). Effective context engineering for AI agents. https://www.anthropic.com/research/effective-context-engineering-for-ai-agents

[11] Wedell-Wedellsborg, T. (2017). Are You Solving the Right Problems? Harvard Business Review. https://hbr.org/2017/01/are-you-solving-the-right-problems

[12] Sclar, M., Choi, Y., Tsvetkov, Y., Suhr, A. (2023). Quantifying Language Models' Sensitivity to Spurious Features in Prompt Design. ICLR 2024. https://arxiv.org/abs/2310.11324

[13] Seleznyov, M., Chaichuk, M., Ershov, G., Panchenko, A., Tutubalina, E. (2025). When Punctuation Matters: A Large-Scale Comparison of Prompt Robustness Methods for LLMs. Findings of EMNLP 2025. https://arxiv.org/abs/2508.11383

[14] Hua, A., Tang, K., Gu, C., Gu, J., Wong, E., Qin, Y. (2025). Flaw or Artifact? Rethinking Prompt Sensitivity in Evaluating LLMs. EMNLP 2025. https://aclanthology.org/2025.emnlp-main.1006.pdf

[15] Noy, S., Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science 381, 187-192. https://www.science.org/doi/10.1126/science.adh2586

[16] Dell'Acqua, F. et al. (2026). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science 37(2), 403-423. https://doi.org/10.1287/orsc.2025.21838

[18] Google. Prompt design strategies, Gemini API. https://ai.google.dev/gemini-api/docs/prompting-strategies

[21] Min, S. et al. (2022). Rethinking the Role of Demonstrations: What Makes In-Context Learning Work? https://arxiv.org/abs/2202.12837

[22] Lu, Y. et al. (2022). Fantastically Ordered Prompts and Where to Find Them. https://arxiv.org/abs/2104.08786

[24] Kalai, A. T., Nachum, O., Vempala, S. S., Zhang, E. (2025). Why Language Models Hallucinate. https://arxiv.org/abs/2509.04664

[25] Zheng, M., Pei, J., Logeswaran, L., Lee, M., Jurgens, D. (2024). When "A Helpful Assistant" Is Not Really Helpful: Personas in System Prompts Do Not Improve Performances of Large Language Models. https://arxiv.org/abs/2311.10054

[26] Kojima, T. et al. (2022). Large Language Models are Zero-Shot Reasoners. https://arxiv.org/abs/2205.11916

[27] Sprague, Z. et al. (2024). To CoT or not to CoT? Chain-of-thought helps mainly on math and symbolic reasoning. https://arxiv.org/abs/2409.12183

[28] Li, C. et al. (2023). Large Language Models Understand and Can Be Enhanced by Emotional Stimuli. https://arxiv.org/abs/2307.11760

[29] Meincke, L., Mollick, E., Mollick, L., Shapiro, D. (2025). Prompting Science Report 1: Prompt Engineering is Complicated and Contingent. https://arxiv.org/abs/2503.04818

[30] Liu, N. F. et al. (2023). Lost in the Middle: How Language Models Use Long Contexts. https://arxiv.org/abs/2307.03172

[31] Hong, K., Troynikov, A., Huber, J. (2025). Context Rot: How Increasing Input Tokens Impacts LLM Performance. Chroma. https://www.trychroma.com/research/context-rot

[33] Zhou, Y. et al. (2022). Large Language Models are Human-Level Prompt Engineers. https://arxiv.org/abs/2211.01910

[35] Sharma, M. et al. (2023). Towards Understanding Sycophancy in Language Models. https://arxiv.org/abs/2310.13548

[36] OpenAI. (2025). Sycophancy in GPT-4o: What happened and what we're doing about it. https://openai.com/index/sycophancy-in-gpt-4o/

[37] Chiang, C.-W. et al. (2024). Enhancing AI-Assisted Group Decision Making through LLM-Powered Devil's Advocate. IUI 2024. https://dl.acm.org/doi/10.1145/3640543.3645199

[38] Klein, G. (2007). Performing a Project Premortem. Harvard Business Review. https://hbr.org/2007/09/performing-a-project-premortem

[39] Mitchell, D. J., Russo, J. E., Pennington, N. (1989). Back to the Future: Temporal Perspective in the Explanation of Events. Journal of Behavioral Decision Making 2, 25-38. https://onlinelibrary.wiley.com/doi/10.1002/bdm.3960020103

[40] Gallop, D., Willy, C., Bischoff, J. (2016). How to catch a black swan: Measuring the benefits of the premortem technique for risk identification. Journal of Enterprise Transformation 6(2), 87-106. https://doi.org/10.1080/19488289.2016.1240118

[41] Peabody, M. (2017). Improving Planning: Quantitative Evaluation of the Premortem Technique in Field and Laboratory Settings. Michigan Technological University. https://doi.org/10.37099/mtu.dc.etdr/374

[42] Gandhi, L., Duke, A., Schweitzer, M. (2022). Problems with Premortems: Self-Serving Attribution Bias in a Popular Debiasing Strategy. Academy of Management Proceedings. https://doi.org/10.5465/ambpp.2022.12186abstract

[43] Veinott, E., Lehman, B. (2024). Adaptive Planning: Comparing Human and AI Responses in Premortem Planning. HCI International 2024, Late Breaking Papers, 256-268. https://doi.org/10.1007/978-3-031-76827-9_15

[44] Collier, Z. A., Gruss, R. J., Abrahams, A. S. (2025). How good are large language models at product risk assessment? Risk Analysis. https://doi.org/10.1111/risa.14351

[45] Porter, J. (2023). Samsung tells employees not to use AI tools like ChatGPT, citing security concerns. The Verge. https://www.theverge.com/2023/5/2/23707796/samsung-ban-chatgpt-generative-ai-bing-bard-employees-security-concerns

[46] Jo, H. (2023). Samsung bans AI chatbots after leak. The Korea Herald. https://www.koreaherald.com/article/3118116

[47] Google Workspace. คู่มือการเขียนพรอมต์ 101. https://workspace.google.com/intl/th/resources/ai/writing-effective-prompts/


บทความที่เกี่ยวข้อง

เกี่ยวกับผู้เขียน

บทความนี้เขียนโดย อ.โจ อภิวิชญ์ พวงศรีเจริญ ผู้ก่อตั้ง IM Impower และอาจารย์ True Digital Academy ทำงาน AI มาตั้งแต่ Machine Learning จนถึง Agentic AI เป็นที่ปรึกษาที่ทำงานตรงกับ CEO และเจ้าของกิจการมากว่า 10 ปี ทีม IM Impower เป็นนักปฏิบัติ ทำโปรเจกต์ AI และงานที่ปรึกษาที่สร้างหรือสนับสนุนยอดขายให้องค์กรในไทยและต่างประเทศรวมกัน มากกว่า 1,000 ล้านบาท Prompt 7 แบบในบทความนี้มาจากหลักสูตร AI for Executive ที่ใช้สอนผู้บริหาร



 
 
bg-1.jpg

ยกระดับองค์กรและธุรกิจของคุณ ด้วยเทคโนโลยีจาก IM Impower บริษัทพัฒนา AI

IM Impower บริษัท AI พัฒนาและให้คำปรึกษาด้าน AI พร้อมที่จะขับเคลื่อนปลดล็อคองค์กรและธุรกิจของคุณอย่างยั่งยืน ด้วยขุมพลังของนวัตกรรม AI

bottom of page