ทำไม AI ถึงแต่งเรื่อง: 7 วิธีตรวจจับข้อมูลที่ AI มโนขึ้นมา

AI แต่งเรื่องขึ้นมาเพราะโมเดลภาษาถูกสร้างมาให้สร้างคำถัดไปที่มีความเป็นไปได้สูงสุด ไม่ได้ถูกสร้างมาให้ตรวจว่าข้อความนั้นจริงหรือไม่ และเพราะวิธีฝึกและให้คะแนนโมเดลให้รางวัลกับการเดาอย่างมั่นใจมากกว่าการยอมรับตรง ๆ ว่า "ไม่รู้" คู่มือนี้อธิบายกลไกด้วยภาษาง่าย ๆ ว่าโมเดลปัจจุบันพลาดบ่อยแค่ไหน สร้างความเสียหายให้ 3 บริษัทเท่าไร และ 7 วิธีตรวจที่จับความผิดพลาดได้

คุณคงเคยเจอ: แชตบอตอ้างกฎระเบียบที่ไม่มีอยู่จริง อ้างสถิติที่ไม่มีการสำรวจใดเคยเผยแพร่ หรือระบุชื่อซัพพลายเออร์ที่คุณค้นหาไม่เจอ เรียกว่าภาพหลอน (hallucination) และมันไม่ใช่บั๊กที่การอัปเดตครั้งหน้าจะกำจัดได้ นักวิจัยของ OpenAI เขียนไว้ในเดือนกันยายน 2025 ว่าโมเดลสร้าง "overconfident, plausible falsehoods" (ข้อมูลเท็จที่ฟังน่าเชื่อและมั่นใจเกินจริง) เพราะการฝึกและการประเมิน "reward guessing over acknowledging uncertainty" (ให้รางวัลการเดามากกว่าการยอมรับความไม่แน่ใจ) การเข้าใจว่าทำไม AI ถึงแต่งเรื่องคือความต่างระหว่างเครื่องมือที่ช่วยประหยัดเวลาให้คุณวันละครึ่งวัน กับเครื่องมือที่ส่งตัวเลขปลอมไปถึงลูกค้า ธนาคาร หรือศาล

สิ่งที่ตามมาคือคำอธิบายที่เจ้าของธุรกิจที่ยุ่งอยู่ต้องการ ไม่ใช่บรรยายวิทยาการคอมพิวเตอร์: เครื่องจักรทำงานจริงอย่างไร ข้อผิดพลาดกระจุกตัวตรงไหน กรณีจริง 3 กรณีพร้อมค่าเสียหาย ผู้พัฒนาเองบอกอะไรไว้ และ 7 วิธีตรวจ ส่วนสุดท้ายอธิบายว่า AI เอเจนต์ที่แสดงแหล่งอ้างอิงและเบราว์เซอร์ของมันเปลี่ยนปัญหานี้อย่างไร และมีอะไรที่มันยังทำแทนคุณไม่ได้

เราตรวจสอบคู่มือนี้อย่างไร

1. ใช้เฉพาะแหล่งปฐมภูมิ สำหรับกลไก: งานวิจัยของ OpenAI ลงวันที่ 4 กันยายน 2025 และถ้อยแถลงของหน่วยงานกำกับดูแลที่อ้างถึงผู้พัฒนา
2. อัตราที่วัดได้จากลีดเดอร์บอร์ดสาธารณะ ซึ่งอ่านเมื่อวันที่ 22 ตุลาคม 2026 พร้อมระบุวิธีวัด เพราะอัตราภาพหลอนที่ไม่มีวิธีวัดก็เป็นภาพหลอนชนิดหนึ่งเหมือนกัน
3. บันทึกของศาลและรัฐบาล สำหรับ 3 กรณี ไม่ใช่บทสรุปจากข่าว
4. หน้าช่วยเหลือของผู้พัฒนาเอง ว่า ChatGPT และ Claude บอกอะไรเกี่ยวกับข้อจำกัดของตัวเอง
5. วิธีตรวจที่คนไม่มีพื้นฐานเทคนิคทำได้ ภายในไม่ถึงหนึ่งนาที โดยไม่ต้องใช้เครื่องมืออื่นนอกจากช่องค้นหา

ภาพหลอนคืออะไร และเกิดขึ้นได้อย่างไร

โมเดลภาษาขนาดใหญ่ทำงานโดยทำนายข้อความที่มีแนวโน้มจะตามหลังข้อความที่ได้รับมากที่สุด เมื่อ Solicitors Regulation Authority (SRA, หน่วยงานกำกับดูแลทนายความในอังกฤษและเวลส์) เตือนวิชาชีพกฎหมายในเดือนพฤศจิกายน 2023 ก็พูดไว้ชัดเจนว่า เครื่องมือเหล่านี้ "work by anticipating the text that should follow the input they are given, but do not have a concept of 'reality'" (ทำงานโดยคาดเดาข้อความที่ควรตามหลังข้อมูลที่ได้รับ แต่ไม่มีแนวคิดเรื่อง "ความจริง") ถ้าคุณขอคดีที่สนับสนุนข้อโต้แย้งของคุณ โมเดลจะสร้างสิ่งที่หน้าตาเหมือนคดี: ชื่อที่ฟังน่าเชื่อ ปีที่ฟังน่าเชื่อ ข้อความอ้างอิงที่ฟังน่าเชื่อ ไม่มีอะไรข้างในที่ตรวจว่าคดีนั้นมีอยู่จริงหรือไม่ เพราะไม่มีอะไรข้างในถูกสร้างมาเพื่อสิ่งนั้น

สาเหตุที่สองคือวิธีให้คะแนนโมเดล ในงานวิจัยเดือนกันยายน 2025 ชื่อ "Why language models hallucinate" นักวิจัยของ OpenAI สี่คนแสดงให้เห็นว่าการทดสอบมาตรฐานให้รางวัลกับคำตอบที่มั่นใจ และไม่ให้อะไรเลยกับการยอมรับว่าไม่แน่ใจ ดังนั้น "under binary grading, abstaining is strictly sub-optimal" (ภายใต้การให้คะแนนแบบถูกผิด การงดตอบเป็นทางเลือกที่แย่กว่าเสมอ) โมเดลที่เดาจะได้คะแนนมากกว่าโมเดลที่บอกว่าไม่รู้ เหมือนนักเรียนที่เดาข้อสอบปรนัยย่อมชนะคนที่เว้นว่างไว้ นิสัยชอบเดานี้ถูกเรียนรู้มา และถูกเรียนรู้เพราะมันชนะ

ตัวเลขที่ OpenAI เผยแพร่พร้อมกับงานวิจัยทำให้การแลกเปลี่ยนนี้เห็นชัด ในเกณฑ์วัดความรู้เชิงข้อเท็จจริงชุดหนึ่ง โมเดลที่ปรับให้งดตอบปฏิเสธที่จะตอบ 52% ของคำถาม ตอบถูก 22% และตอบผิด 26% ส่วนโมเดลรุ่นก่อนที่แทบไม่เคยงดตอบ ตอบถูก 24% และตอบผิด 75% คำตอบผิดที่น้อยลงมาจาก "ไม่รู้" ที่มากขึ้น ไม่ใช่จากความรู้ที่มากขึ้น นั่นคือเรื่องทั้งหมดในตารางเดียว และเป็นเหตุผลที่วิธีตรวจด้านล่างเริ่มต้นด้วยการอนุญาตให้ AI ปฏิเสธได้

เกิดบ่อยแค่ไหนในปี 2026

คำตอบที่ตรงไปตรงมาคือ "บ่อยพอที่ต้องตรวจทุกครั้ง" ลีดเดอร์บอร์ดภาพหลอนของ Vectara ซึ่งอัปเดตเมื่อวันที่ 22 ตุลาคม 2026 ให้คะแนนโมเดลจากงานแคบ ๆ งานเดียว: สรุปเอกสารที่ได้รับมา แล้วนับว่าบทสรุปมีสิ่งที่เอกสารไม่ได้พูดไว้บ่อยแค่ไหน แม้จะมีข้อเท็จจริงอยู่ตรงหน้า โมเดลกระแสหลักก็ยังแต่งเนื้อหาขึ้นมาในสัดส่วนที่วัดได้

มีสองเรื่องที่โดดเด่น หนึ่ง ใหม่กว่าและใหญ่กว่าไม่ได้แปลว่าปลอดภัยกว่า: การตั้งค่า GPT-5 ของเดือนสิงหาคม 2025 ได้คะแนนแย่กว่า GPT-4o ที่ออกก่อนหน้าหนึ่งปีในการทดสอบนี้ สอง ตัวเลขเหล่านี้เป็นตัวเลขกรณีมีแหล่งข้อมูลให้ (grounding) เมื่อโมเดลต้องนึกข้อเท็จจริงจากความจำ อัตราจะสูงกว่านี้

งานศึกษาเฉพาะทางก็ให้ผลตรงกัน นักวิจัยที่เขียนใน Annals of the Royal College of Surgeons of England รายงานในเดือนเมษายน 2026 ว่าจากคำตอบของแชตบอต 108 คำตอบต่อคำถามด้านศัลยกรรม ซึ่งมีเอกสารอ้างอิง 1,249 รายการ โมเดลที่แย่ที่สุดแต่งขึ้นหรือไม่สามารถยืนยันการอ้างอิงได้ 25% ถึง 34% ขณะที่โมเดลที่ดีที่สุดไม่มีเลย จดหมายใน The Lancet ที่รายงานในเดือนพฤษภาคม 2026 พบว่าประมาณหนึ่งใน 277 ของงานวิจัยล่าสุดใน PubMed มีเอกสารอ้างอิงที่แต่งขึ้น เทียบกับหนึ่งใน 2,828 ในปี 2023 งานศึกษาของ Stanford เกี่ยวกับเครื่องมือค้นคว้ากฎหมายที่ใช้การดึงข้อมูล (retrieval) พบว่ายังเกิดภาพหลอน 17% ถึง 33% ของเวลา การดึงข้อมูลช่วยได้ แต่ไม่ได้แก้ปัญหาจนจบ

ความเสียหายที่เกิดขึ้นจริง: สามกรณี

นิวยอร์ก มิถุนายน 2023 ในคดี Mata v Avianca ทนายความสองคนยื่นคำแถลงที่มีคดีที่ไม่มีอยู่จริง ซึ่งสร้างโดย ChatGPT และศาลลงโทษปรับ $5,000 นี่เป็นกรณีแรกที่มีการรายงานอย่างกว้างขวาง และตอนนี้เป็นหนึ่งในคำตัดสินของศาลมากกว่า 2,200 คำตัดสินทั่วโลกที่เกี่ยวข้องกับการอ้างอิงที่ AI แต่งขึ้น ซึ่งบันทึกไว้ในฐานข้อมูลสาธารณะที่ดูแลโดยทนายความ Damien Charlotin

ลอนดอน มิถุนายน 2025 ในคดี Ayinde v Haringey และ Al-Haroun v Qatar National Bank ศาล High Court พิจารณาสองคดีพร้อมกัน: คำแถลงหนึ่งอ้างห้าคดีที่ไม่มีอยู่จริง อีกฉบับอ้างหลักอำนาจ 45 รายการ ซึ่ง 18 รายการเป็นของที่แต่งขึ้น ประธาน King's Bench Division เขียนว่าเครื่องมือเจนเนอเรทีฟ "are not capable of conducting reliable legal research" และ "may cite sources that do not exist" ว่าทนายความมีหน้าที่ทางวิชาชีพ "to check the accuracy of such research by reference to authoritative sources" และผลของการไม่ทำเช่นนั้นอาจรวมถึงการดำเนินคดีหมิ่นศาลและการส่งเรื่องให้ตำรวจ หลังจากนั้น Solicitors Regulation Authority ได้ออกประกาศเตือน (17 สิงหาคม 2026) ที่ระบุถึง "fictitious cases, references or seemingly factual assertions" และเตือนทนายความว่ายังต้องรับผิดชอบต่อผลลัพธ์

แคนเบอร์รา ตุลาคม 2025 Deloitte Australia ส่งมอบรายงานให้หน่วยงานรัฐบาลภายใต้สัญญามูลค่า AU$440,000 รายงานมีข้อความอ้างอิงที่แต่งขึ้นซึ่งอ้างว่ามาจากคำพิพากษาของศาล และมีการอ้างถึงงานวิชาการที่ไม่มีอยู่จริง บริษัทเผยแพร่ฉบับแก้ไขเมื่อวันที่ 3 ตุลาคม 2025 เปิดเผยเป็นครั้งแรกว่ามีการใช้โมเดล Azure OpenAI และคืนเงินงวดสุดท้ายประมาณ AU$98,000 งานนี้ทำโดยบริษัทมืออาชีพขนาดใหญ่ที่มีกระบวนการตรวจทาน ข้อมูลที่แต่งขึ้นก็ยังหลุดรอดไปได้ เพราะไม่มีใครเปิดดูเอกสารอ้างอิง

ไม่มีใครในกรณีเหล่านี้เป็นมือสมัครเล่นที่ประมาท พวกเขาเป็นมืออาชีพที่ยุ่ง และมองว่าผลลัพธ์ที่อ่านลื่นไหลคือผลลัพธ์ที่ตรวจแล้ว นั่นคือความผิดพลาดที่ต้องหลีกเลี่ยง และหลีกเลี่ยงได้

ผู้พัฒนาบอกอะไรไว้เอง

เอกสารของ Anthropic สำหรับ Claude ระบุมาตรการบรรเทามาตรฐาน รวมถึงการอนุญาตให้โมเดลพูดว่า "I don't know" การขอให้อ้างข้อความก่อนตอบ และการจำกัดให้ใช้เฉพาะเอกสารที่ให้ไว้ แล้วเสริมว่ามาตรการเหล่านี้ "don't eliminate them entirely. Always validate critical information." (ไม่ได้ขจัดปัญหาได้ทั้งหมด ตรวจสอบข้อมูลสำคัญเสมอ) บทความช่วยเหลือเรื่องคำตอบที่ไม่ถูกต้องของบริษัท ซึ่งอัปเดตเมื่อเดือนมีนาคม 2026 ระบุตรง ๆ ว่า Claude "can occasionally produce responses that are incorrect or misleading" และไม่ควรถูกใช้เป็น "a singular source of truth" หน้าช่วยเหลือของ OpenAI ว่าด้วยการที่ ChatGPT พูดความจริงหรือไม่ก็บอกเช่นเดียวกัน: มันอาจแต่งเอกสารอ้างอิงขึ้นมา และคุณควรตรวจสอบ ICO (สำนักงานกรรมาธิการข้อมูลของสหราชอาณาจักร) ในงานปี 2024 เรื่อง generative AI ระบุว่าแม้ข้อมูลฝึกจะถูกต้องก็ "will not stop" โมเดลจากการสร้างข้อความเท็จ และการทบทวน AI ในบริการทางการเงินของ FCA (หน่วยงานกำกับดูแลทางการเงินของสหราชอาณาจักร) เมื่อเดือนตุลาคม 2026 ย้ำว่าบริษัท "remain responsible for consumer outcomes" ไม่ว่าเครื่องมือใดจะสร้างผลลัพธ์นั้น

เมื่ออ่านรวมกัน สารจากผู้สร้างและผู้กำกับดูแลเครื่องมือเหล่านี้สอดคล้องกัน: ใช้ได้ แต่ต้องตรวจ

7 วิธีตรวจที่จับภาพหลอนได้

1. ขอแหล่งที่มา แล้วเปิดดู

โมเดลยินดีสร้างเอกสารอ้างอิงให้เมื่อถูกขอ สิ่งที่ต้องทดสอบคือเอกสารอ้างอิงนั้นเปิดได้และพูดตรงกับที่โมเดลบอกหรือไม่ รายงานของ Deloitte มีเอกสารอ้างอิง แต่ไม่มีใครเปิดดู ถ้าลิงก์เสีย งานวิจัยไม่มีอยู่จริง หรือหน้านั้นพูดอย่างอื่น คำตอบทั้งหมดน่าสงสัย ไม่ใช่แค่บรรทัดนั้น

2. ตรวจชื่อ ตัวเลข วันที่ และคำพูดอ้างอิงทีละรายการ

สี่ประเภทนี้คือที่ที่การแต่งเรื่องกระจุกตัว เพราะเป็นส่วนของประโยคที่คาดเดาจากบริบทได้ยาก คำพูดอ้างอิงตรวจง่ายที่สุด: วางลงในเสิร์ชเอนจินโดยใส่เครื่องหมายอัญประกาศ สถิติควรนำไปสู่การสำรวจที่มีกลุ่มตัวอย่างและวันที่ เช่นเดียวกับที่คู่มือนี้ระบุงานศึกษาของ Royal College of Surgeons และเอกสารอ้างอิง 1,249 รายการ

3. ถามสองรอบ หรือถามโมเดลตัวที่สอง

ข้อเท็จจริงที่ยังคงอยู่เมื่อถามใหม่มีแนวโน้มเป็นข้อเท็จจริงมากกว่า ถามคำถามเดิมด้วยถ้อยคำที่ต่างออกไป หรือวางลงในผลิตภัณฑ์ตัวที่สอง (ChatGPT, Claude, Gemini, Microsoft Copilot, Manus หรือ Muse ของ Meta ล้วนตอบต่างกันกับพรอมต์เดียวกัน) โมเดลสองตัวเห็นตรงกันไม่ใช่หลักฐาน แต่โมเดลสองตัวเห็นต่างกันเป็นสัญญาณที่เชื่อถือได้ว่าต้องตรวจ

4. ให้เอกสารแล้วล้อมกรอบไว้

ตัวเลขลีดเดอร์บอร์ดข้างต้นเป็นกรณีที่ดีที่สุดที่มีแหล่งข้อมูลให้ การนึกจากความจำแย่กว่า ดังนั้นให้แหล่งข้อมูลไป แนบสัญญา สเปรดชีต หรือกฎระเบียบ สั่งโมเดลให้ตอบจากสิ่งนั้นเท่านั้นและอ้างบรรทัดที่ใช้ แล้วอ่านข้อความที่อ้าง ถ้าอ้างบรรทัดไม่ได้ แปลว่าคำตอบไม่ได้มาจากเอกสาร

5. อนุญาตให้บอกว่า "ไม่รู้"

เพราะการฝึกให้รางวัลกับการเดา คุณจึงต้องเปลี่ยนวิธีให้คะแนนในพรอมต์ "ถ้าคุณไม่แน่ใจ ให้บอก และบอกว่าต้องตรวจอะไรเพิ่ม" คือประโยคที่มีประสิทธิผลที่สุดประโยคเดียวในคู่มือนี้ มันคือรูปแบบลายลักษณ์อักษรของโมเดลที่งดตอบในตารางของ OpenAI และคุณไม่ต้องเสียอะไรเลย

6. คำนวณใหม่

โมเดลภาษาทำนายข้อความ ไม่ได้คำนวณ เว้นแต่จะรันโค้ด ยอดรวมที่คลาดไปหนึ่งบรรทัด เปอร์เซ็นต์ที่ใช้ฐานผิด วันที่ที่ผิดไปหนึ่งปี ดูเหมือนถูกเพราะประโยครอบข้างถูก รวมคอลัมน์ด้วยตัวเอง หรือใช้เอเจนต์ที่รันการคำนวณในสเปรดชีตและแสดงให้ดู

7. ถือว่าเรื่องเงิน กฎหมาย สุขภาพ และชื่อเสียงเป็นฉบับร่าง

ทนายความในลอนดอนและที่ปรึกษาในแคนเบอร์ราไม่ได้ขาดสติปัญญา พวกเขาขาดกฎ กฎคือ: ทุกอย่างที่ไปถึงลูกค้า หน่วยงานกำกับดูแล ผู้ให้กู้ หรือศาล เป็นฉบับร่างจนกว่าบุคคลที่ระบุชื่อได้ตรวจข้อเท็จจริงในนั้นแล้ว เขียนกฎนี้ไว้ และนโยบาย AI ใน AI Policy for Small Business: A Free Template มีฉบับหน้าเดียวให้คุณ

ธุรกิจขนาดเล็กพลาดตรงไหนมากที่สุด

• ใบเสนอราคาและประมาณการ โมเดลที่ถูกขอ "ราคาทั่วไป" จะแต่งราคาทั่วไปขึ้นมา ใช้บัญชีอัตราค่าบริการของคุณเอง หรือแหล่งที่มีราคาจริง
• ถ้อยคำด้านกฎหมายและภาษี เกณฑ์ วันที่ และค่าปรับเปลี่ยนทุกเดือนเมษายน ความจำของโมเดลอาจเก่าถึงสองปี ตรวจที่ GOV.UK
• รายละเอียดซัพพลายเออร์และสินค้า หมายเลขรุ่น ความเข้ากันได้ และสเปกคือข้อความหนาแน่นที่คาดเดายาก ซึ่งเป็นสิ่งที่ถูกแต่งขึ้นบ่อยที่สุด
• รีวิวและคำรับรอง อย่าให้โมเดลเขียนรีวิวหรือคำพูดของลูกค้าเด็ดขาด นอกจากจะเป็นของที่แต่งขึ้นแล้ว รีวิวปลอมยังผิดกฎหมายในสหราชอาณาจักรภายใต้ Digital Markets, Competition and Consumers Act 2024
• การแปลตัวเลข เมื่อโมเดลแปลเอกสาร ตัวเลขอาจเปลี่ยนไปได้ ตรวจทุกตัวเลขในฉบับแปลเทียบกับต้นฉบับ

AI เอเจนต์เปลี่ยนปัญหานี้อย่างไร

แชตบอตให้คำตอบและทิ้งการตรวจไว้ที่คุณ เอเจนต์ทำการตรวจบางส่วนไปพร้อมกับงานได้ ซึ่งเป็นเหตุผลที่กลไกสำคัญเมื่อคุณเลือกใช้

• แสดงแหล่งอ้างอิง เอเจนต์ที่เบราว์ส จะส่งหน้าที่อ่านกลับมา ทำให้วิธีตรวจที่ 1 เหลือแค่การคลิก ไม่ต้องค้นหาเอง Jobbit Research แนบแหล่งที่มากับทุกข้อค้นพบในรายงานที่เขียน
• ทำงานในเบราว์เซอร์ที่คุณดูได้ เมื่อเอเจนต์เปิดหน้าเว็บ คุณเห็นหน้านั้น ตัวเลขในรายงานตามรอยกลับไปยังหน้าจอที่มาได้
• ทำงานจากเอกสารของคุณ แนบสัญญาหรือสเปรดชีตในโปรเจกต์ Jobbit แล้วเอเจนต์จะตอบจากไฟล์พร้อมอ้างบรรทัด ซึ่งเป็นวิธีตรวจที่ 4 ที่ทำให้โดยค่าเริ่มต้น
• คำนวณในสเปรดชีต ไม่ใช่ในข้อความ ขอการพยากรณ์กระแสเงินสด เอเจนต์จะสร้างชีตและแสดงสูตร การคำนวณทำซ้ำได้
• ถามก่อนใช้จ่ายหรือส่ง เอเจนต์ที่หยุดรอการอนุมัติก่อนส่งอีเมลออกไปทำให้วิธีตรวจที่ 7 มีจุดหยุดในตัว
• สั่งให้งดตอบได้ คำสั่งโปรเจกต์ เช่น "บอกเมื่อไม่แน่ใจ และระบุสิ่งที่ต้องตรวจสอบ" ใช้กับทุกแชต ดังนั้นวิธีตรวจที่ 5 ตั้งค่าครั้งเดียว

ChatGPT, Claude, Gemini, Microsoft Copilot, Manus และ Muse ของ Meta ล้วนร่างงานได้ดี และหลายตัวตอนนี้เบราว์สและอ้างอิงได้ สิ่งที่ไม่มีตัวไหนกำจัดได้คือการตรวจครั้งสุดท้ายโดยคน และ Jobbit ก็เช่นกัน สิ่งที่ Jobbit เพิ่มคือเครือข่ายมนุษย์: เมื่องานเป็นสัญญาเช่า แบบภาษี หรือการเคลมทางการแพทย์ เอเจนต์ส่งต่อการตรวจให้มืออาชีพที่ผ่านการคัดกรองภายในคำสั่งงานเดียวกันได้ แทนที่จะเป็นคุณตอนห้าทุ่ม

แผนของคุณในสัปดาห์นี้

• วันจันทร์: เขียนกฎข้อเดียว "ทุกอย่างที่ส่งถึงลูกค้า HMRC ธนาคาร หรือศาล เป็นฉบับร่างจนกว่าบุคคลที่ระบุชื่อได้ตรวจข้อเท็จจริงแล้ว" ใส่ไว้ในนโยบาย AI และคำสั่งโปรเจกต์ของคุณ
• วันอังคาร: เพิ่มบรรทัดงดตอบ ใส่ "ถ้าไม่แน่ใจ ให้บอกและบอกว่าต้องตรวจอะไร" ในคำสั่งประจำของทุกเครื่องมือที่คุณใช้
• วันพุธ: ใช้วิธีตรวจที่ 1 กับผลงานของสัปดาห์ก่อน หยิบเอกสารที่ AI เขียน 3 ฉบับล่าสุดที่คุณใช้ แล้วเปิดดูทุกเอกสารอ้างอิง นับอันที่ไม่ผ่าน
• วันพฤหัสบดี: ย้ายหนึ่งงานไปโหมดอิงเอกสาร เลือกงานที่ข้อผิดพลาดแพงที่สุด แนบเอกสารจริง และกำหนดให้อ้างบรรทัด
• วันศุกร์: ตัดสินว่าอะไรห้ามออกไปโดยไม่ตรวจ ทำรายการ (ราคา ถ้อยคำทางกฎหมาย ข้ออ้างด้านสุขภาพ คำพูดของลูกค้า) แล้วแชร์ให้ทุกคนที่ใช้ AI ในธุรกิจของคุณ

อ่านต่อ

• Is AI Safe to Use? A Plain-English Guide to Your Data, Your Money and the Scams to Watch
• 12 Mistakes Beginners Make With AI Agents, and the Quick Fix for Each One
• How Do AI Agents Work? The 5-Step Loop Behind Every Task, Explained Simply

คำถามที่พบบ่อย

ทำไม AI ถึงแต่งเรื่องขึ้นมา

เพราะโมเดลภาษาสร้างคำถัดไปที่มีความน่าจะเป็นสูงสุด แทนที่จะตรวจข้อเท็จจริง และเพราะการทดสอบที่ใช้ฝึกและจัดอันดับโมเดลให้รางวัลกับการเดาอย่างมั่นใจมากกว่าการยอมรับความไม่แน่ใจ นักวิจัยของ OpenAI เองอธิบายผลลัพธ์ในปี 2025 ว่าเป็น "overconfident, plausible falsehoods" ความลื่นไหลและความถูกต้องเกิดจากกระบวนการเดียวกัน จึงเป็นเหตุผลที่คำตอบผิดอ่านเหมือนคำตอบถูกทุกประการ

ภาพหลอนของ AI คืออะไร

คำตอบที่ลื่นไหลและฟังน่าเชื่อแต่เป็นเท็จ: คดีที่แต่งขึ้น สถิติที่ไม่มีการสำรวจใดสร้างขึ้น คำพูดที่ไม่มีใครพูด สินค้าที่ไม่มีอยู่จริง ไม่ใช่ข้อบกพร่องชั่วคราว แต่เป็นพฤติกรรมปกติของโมเดลที่ถูกขอในสิ่งที่มันไม่รู้

ChatGPT แต่งเรื่องบ่อยแค่ไหน

ขึ้นอยู่กับงาน ในการทดสอบกรณีมีแหล่งข้อมูลสาธารณะที่อ่านเมื่อเดือนตุลาคม 2026 โมเดลกระแสหลักแต่งเนื้อหาในบทสรุปเอกสารประมาณ 4% ถึง 15% แม้จะมีแหล่งข้อมูลให้ งานศึกษาการอ้างอิงในด้านศัลยกรรมและกฎหมายพบอัตราการแต่งขึ้น 17% ถึง 34% สำหรับผู้ที่ทำได้แย่ที่สุด ข้อสมมติที่ปลอดภัยคือ "บ่อยพอที่ต้องตรวจทุกชื่อ ตัวเลข วันที่ และคำพูดอ้างอิง"

หยุดภาพหลอนของ AI ได้ทั้งหมดไหม

ไม่ได้ การให้เอกสารต้นทาง การขอให้อ้างข้อความ การอนุญาตให้บอกว่า "ไม่รู้" และการใช้เอเจนต์ที่แสดงแหล่งอ้างอิง ล้วนลดอัตราลงได้ และเอกสารของ Anthropic เองก็บอกว่ามาตรการเหล่านี้ "don't eliminate them entirely" การตรวจครั้งสุดท้ายของทุกเรื่องที่สำคัญคือคน

เคยมีใครถูกปรับเพราะภาพหลอนของ AI ไหม

มี ศาลนิวยอร์กลงโทษปรับ $5,000 ในปี 2023 จากคดีปลอมในคำแถลง ศาล High Court ในลอนดอนเตือนในเดือนมิถุนายน 2025 ว่าการอ้างอิงที่แต่งขึ้นอาจนำไปสู่การดำเนินคดีหมิ่นศาลและการส่งเรื่องให้ตำรวจ และ Deloitte Australia คืนเงินงวดสุดท้ายของสัญญารัฐบาลมูลค่า AU$440,000 ในเดือนตุลาคม 2025 หลังพบว่ารายงานมีเอกสารอ้างอิงที่แต่งขึ้น

AI เอเจนต์เชื่อถือได้มากกว่าแชตบอตไหม

เอเจนต์ที่เบราว์ส อ้างแหล่งที่มา และทำงานจากเอกสารของคุณทำให้การตรวจเร็วขึ้นและตามรอยข้อผิดพลาดได้ง่ายขึ้น แต่ยังต้องมีคนลงนามรับรองทุกอย่างที่กระทบเงิน กฎหมาย หรือสุขภาพ เอเจนต์ของ Jobbit แสดงเบราว์เซอร์และแหล่งอ้างอิงของมันขณะทำงาน และส่งต่อการตรวจครั้งสุดท้ายให้มืออาชีพที่ผ่านการคัดกรองได้เมื่องานต้องการ