การก้าวเข้าสู่โลกของการโฆษณาแบบสนทนา (conversational advertising) ของ OpenAI เคยให้คำมั่นสัญญาถึงประสบการณ์ที่ปรับแต่งมาเพื่อบุคคลอย่างสูงสุด (hyper-personalized) โดยที่โฆษณาจะสอดคล้องกับความต้องการของผู้ใช้อย่างไร้รอยต่อ อย่างไรก็ตาม ข้อมูลใหม่บ่งชี้ว่าความเป็นจริงของการกำหนดกลุ่มเป้าหมายด้วย AI ในปัจจุบันยังคงไม่สามารถบรรลุศักยภาพทางเทคโนโลยีขั้นสูงที่ตั้งเป้าไว้ได้
ข้อมูลเบื้องหลังความไม่สอดคล้องนี้
การวิเคราะห์ล่าสุดโดย Searchable ซึ่งเป็นแพลตฟอร์มด้านการมองเห็นของ AI (AI visibility platform) ได้เผยให้เห็นถึงปัญหาสำคัญในการนำเสนอโฆษณาภายใน ChatGPT จากการตรวจสอบโฆษณากว่า 11,000 รายการที่แสดงระหว่างการสนทนาจริงของผู้ใช้ในช่วงวันที่ 4 กรกฎาคม ถึง 4 สิงหาคม 2026 นักวิจัยได้พบแนวโน้มที่น่ากังวลในด้านความสอดคล้องกับบริบท (contextual relevance)
ผลการศึกษาพบว่า ประมาณหนึ่งในสามของโฆษณาทั้งหมดที่แสดงในอินเทอร์เฟซของ ChatGPT ปรากฏขึ้นในการสนทนาที่ไม่เกี่ยวข้องกับผลิตภัณฑ์หรือบริการที่กำลังโฆษณาเลย ความไม่สอดคล้องนี้บ่งชี้ว่า แม้ว่า Large Language Model (LLM) จะมีความเชี่ยวชาญในการสร้างข้อความที่เหมือนมนุษย์ แต่เลเยอร์ลำดับรองที่รับผิดชอบในการดึงโฆษณา (ad retrieval) และการจับคู่บริบท (contextual mapping) กำลังประสบปัญหาในการรักษาความแม่นยำสูง
ความแม่นยำ (Precision) ปะทะ ความน่าจะเป็น (Probability) ในการโฆษณาผ่าน LLM
คำมั่นสัญญาพื้นฐานของการโฆษณาภายใน LLM นั้นตั้งอยู่บนแนวคิดของ "การกำหนดกลุ่มเป้าหมายตามความต้องการ" (intent-based targeting) ซึ่งแตกต่างจากการค้นหาด้วยคำสำคัญ (keyword) แบบดั้งเดิมที่โฆษณาจะถูกกระตุ้นด้วยคำเฉพาะเจาะจง โฆษณาของ ChatGPT ถูกออกแบบมาให้ถูกกระตุ้นโดยบริบททางอรรถศาสตร์ (semantic context) ของการสนทนาที่ยาวต่อเนื่อง ในทางทฤษฎี หากผู้ใช้ถามเกี่ยวกับการทำสวนเกษตรอินทรีย์ โมเดลควรจะแนะนำดินคุณภาพสูงหรือเมล็ดพันธุ์พื้นเมือง
อย่างไรก็ตาม รายงานจาก Searchable ระบุว่าการนำไปใช้งานในปัจจุบันมักจะสอบตกในบททดสอบนี้ เมื่อโฆษณา 33% ถูกมองว่าไม่เกี่ยวข้อง สิ่งนี้ชี้ให้เห็นถึงความล้มเหลวในวิธีการที่เอนจินโฆษณาตีความความละเอียดอ่อนของการสนทนา ซึ่งอาจเกิดจากปัจจัยทางเทคนิคหลายประการ:
- ข้อจำกัดของ Context Window: เอนจินโฆษณาอาจมุ่งเน้นไปที่การโต้ตอบล่าสุดในการสนทนา มากกว่าหัวข้อหลักโดยรวม
- Semantic Drift: โมเดลอาจตีความความต้องการของผู้ใช้ผิดพลาดในระหว่างการสนทนาที่ซับซ้อนและมีการโต้ตอบหลายครั้ง
- ความล้มเหลวของ Heuristic: ระบบอาจพึ่งพาการกระตุ้นด้วยคำสำคัญแบบกว้างๆ แทนที่จะเป็นการทำความเข้าใจทางอรรถศาสตร์ที่แท้จริงในการนำเสนอโฆษณา
ทำไมเรื่องนี้จึงสำคัญต่อระบบนิเวศ AI
พัฒนาการนี้ถือเป็นบททดสอบสำคัญ (litmus test) สำหรับอนาคตของ "Agentic Web" ในขณะที่บริษัทต่างๆ กำลังเปลี่ยนผ่านจากเครื่องมือค้นหาแบบดั้งเดิมไปสู่ผู้ช่วย AI โมเดลการสร้างรายได้ (monetization models) จะต้องวิวัฒนาการเพื่อรับประกันว่าจะไม่ทำให้ประสบการณ์ของผู้ใช้แย่ลง สำหรับผู้ก่อตั้งและนักพัฒนาที่สร้างแอปพลิเคชันบน LLM สิ่งนี้เน้นย้ำถึงความท้าทายที่สำคัญ นั่นคือการรักษาประโยชน์ใช้สอย (utility) ให้สูงในขณะที่ต้องบูรณาการช่องทางการสร้างรายได้เข้าไปด้วย
หาก OpenAI ไม่สามารถแก้ปัญหาเรื่องความเกี่ยวข้องได้ พวกเขาอาจเผชิญกับความเสี่ยงเรื่อง "prompt fatigue" ซึ่งผู้ใช้จะเริ่มเพิกเฉยหรือพยายามหลีกเลี่ยงผู้ช่วยสนทนาเพื่อเลี่ยงโฆษณาที่รบกวนและไม่เกี่ยวข้อง สำหรับนักโฆษณา อัตราความไม่เกี่ยวข้องที่สูงถือเป็นการสิ้นเปลืองงบประมาณโฆษณาอย่างมาก ซึ่งอาจทำให้การยอมรับการตลาดที่บูรณาการด้วย AI ล่าช้าลง
สรุปประเด็นสำคัญ
- ช่องว่างด้านความเกี่ยวข้องที่สำคัญ: พบว่าหนึ่งในสามของโฆษณาที่แสดงใน ChatGPT ระหว่างเดือนกรกฎาคมถึงสิงหาคม 2026 ไม่เกี่ยวข้องกับการสนทนาที่กำลังดำเนินอยู่ของผู้ใช้
- ความล้มเหลวในการจับคู่ความต้องการ (Intent Mapping): ข้อมูลบ่งชี้ว่าเอนจินโฆษณา AI ในปัจจุบันยังประสบปัญหาในการจับคู่ข้อเสนอผลิตภัณฑ์เข้ากับบริบททางอรรถศาสตร์ที่ซับซ้อนของการสนทนาผ่าน LLM ได้อย่างแม่นยำ
- ความเสี่ยงต่อประสบการณ์ผู้ใช้: อัตราความไม่เกี่ยวข้องของโฆษณาที่สูงถือเป็นภัยคุกคามต่อการรักษาฐานผู้ใช้ (user retention) และอาจบั่นทอนคุณค่าหลักของการค้นหาแบบเฉพาะบุคคลที่ขับเคลื่อนด้วย AI
ChatGPT ของ OpenAI แสดงโฆษณาที่ไม่ตรงประเด็นในประมาณหนึ่งในสามของกรณีทั้งหมด ตามการวิเคราะห์ใหม่โดย Searchable แพลตฟอร์มด้านการมองเห็นของ AI การศึกษาซึ่งบันทึกการแสดงผลโฆษณา (ad impressions) มากกว่า 11,000 ครั้ง ระหว่างวันที่ 4 กรกฎาคม ถึง 4 สิงหาคม 2026 พบว่าโฆษณาจำนวนมากไม่มีความเกี่ยวข้องกับการสนทนาที่อยู่รอบข้างเลย
ข้อมูลแสดงให้เห็นอะไร
Searchable ได้ตรวจสอบการโต้ตอบของผู้ใช้แบบเรียลไทม์ในอินเทอร์เฟซของ ChatGPT โดยติดตามโฆษณาแต่ละรายการที่ปรากฏขึ้นพร้อมกับการสนทนา นักวิจัยตัดสินว่าโฆษณาประมาณ 33% ไม่เกี่ยวข้องกับหัวข้อที่กำลังสนทนาอยู่ ในทางทฤษฎี หากผู้ใช้ถามเกี่ยวกับการทำสวนเกษตรอินทรีย์ โมเดลควรจะแนะนำดินคุณภาพสูงหรือเมล็ดพันธุ์พื้นเมือง
ความไม่สอดคล้องนี้ชี้ให้เห็นถึงช่องว่างระหว่างการกำหนดกลุ่มเป้าหมายแบบ "ตามความต้องการ" (intent-based) ที่เคยสัญญาไว้ กับสิ่งที่ระบบในปัจจุบันส่งมอบให้ โฆษณาออนไลน์แบบดั้งเดิมจะทำงานเมื่อมีคำสำคัญเฉพาะเจาะจงปรากฏขึ้น แต่โฆษณาของ ChatGPT ควรจะทำงานจากความหมายทางอรรถศาสตร์ที่ลึกซึ้งของการสนทนาที่มีการโต้ตอบหลายครั้ง ข้อมูลบ่งชี้ว่าเอนจินเบื้องหลังยังคงพึ่งพาเพียงสัญญาณในระดับผิวเผิน (surface-level cues) เป็นหลัก
ทำไมระบบถึงทำงานติดขัด
รายงานของ Searchable ระบุถึงสาเหตุทางเทคนิค 3 ประการที่น่าจะเป็นตัวการทำให้เกิดความไม่สอดคล้อง:
- ข้อจำกัดของ Context-window – ตัวเลือกโฆษณาดูเหมือนจะให้ความสำคัญกับข้อความล่าสุดของผู้ใช้ โดยละเลยการสนทนาก่อนหน้าซึ่งเป็นตัวกำหนดหัวข้อโดยรวม หากบทสนทนาค่อยๆ เปลี่ยนไป ระบบอาจไปยึดติดกับวลีชั่วคราวแทนที่จะเป็นเจตนาหลัก
- การเลื่อนไหลทางความหมาย (Semantic drift) – ในการสนทนาที่ยาวขึ้น โมเดลอาจหลุดประเด็นจากหัวข้อเดิม โดยตีความคำถามในภายหลังว่าเป็นเจตนาใหม่ การเลื่อนไหลนี้อาจทำให้ระบบโฆษณาดึงข้อมูลมาจากกลุ่มความหมาย (semantic bucket) ที่ผิดพลาด
- ทางลัดแบบ Heuristic – ระบบโฆษณารุ่นแรกๆ อาศัยการจับคู่คำสำคัญ (keyword) แบบกว้างๆ แทนที่จะใช้การฝังตัวของประโยคแบบเต็ม (full-sentence embeddings) ทางลัดดังกล่าวอาจใช้ได้กับคำค้นหาที่เรียบง่าย แต่จะล้มเหลวเมื่อต้องจัดการกับความหมายที่ละเอียดอ่อน
ปัญหาเหล่านี้ไม่ได้เกิดขึ้นเฉพาะกับโฆษณาเท่านั้น แต่ยังสะท้อนถึงความท้าทายในวงกว้างของการนำโมเดลภาษาขนาดใหญ่ (LLMs) ไปใช้กับงานปลายน้ำ (downstream task) ใดๆ ที่ต้องอาศัยความเข้าใจอย่างต่อเนื่อง
ใครคือผู้ที่ได้รับผลกระทบ
ช่องว่างของความสอดคล้องนี้ส่งผลกระทบต่อ 3 กลุ่ม:
- ผู้ใช้งาน – การได้รับโฆษณาที่ไม่ตรงประเด็นซ้ำๆ อาจทำลายความเชื่อมั่นที่มีต่อผู้ช่วย (assistant) เมื่อประสบการณ์การใช้งานรู้สึก "วุ่นวาย" (noisy) ผู้ใช้อาจเกิดอาการเหนื่อยล้าจากการป้อนคำสั่ง (prompt fatigue) และหลีกเลี่ยงการใช้แพลตฟอร์มไปเลย
- ผู้ลงโฆษณา – การจ่ายเงินเพื่อการแสดงผล (impressions) ที่ไม่เคยเข้าถึงกลุ่มเป้าหมายที่สนใจถือเป็นการสิ้นเปลืองงบประมาณ หากหนึ่งในสามของค่าใช้จ่ายไม่สอดคล้องกับบริบท ผลตอบแทนจากการจ่ายค่าโฆษณา (return on ad spend) จะลดลงอย่างรวดเร็ว ซึ่งจะทำให้แบรนด์ต่างๆ ไม่อยากจัดสรรงบประมาณมายังพื้นที่โฆษณาที่ขับเคลื่อนด้วย AI
- OpenAI และ "agentic web" ที่กำลังเกิดขึ้น – ความสามารถในการสร้างรายได้จาก AI สนทนา ขึ้นอยู่กับการบูรณาการช่องทางรายได้อย่างราบรื่นโดยไม่ลดทอนประสิทธิภาพการใช้งาน ปัญหาความไม่สอดคล้องที่เกิดขึ้นอย่างต่อเนื่องอาจขัดขวางการเปลี่ยนผ่านจากโมเดลที่เน้นเครื่องมือค้นหา (search-engine-centric) ไปสู่โมเดลที่เน้นผู้ช่วย (assistant-centric)
บทสรุป
การวิเคราะห์ของ Searchable พิสูจน์ให้เห็นว่าการโฆษณาตามเจตนา (intent-based advertising) ภายใน ChatGPT ยังอยู่ในช่วงของการพัฒนา ด้วยโฆษณาถึงหนึ่งในสามที่ไม่สามารถจับคู่กับบริบทของการสนทนาได้ เทคโนโลยีนี้จึงต้องเผชิญกับการทดสอบครั้งสำคัญ นั่นคือการปรับปรุงการจับคู่ความหมาย (semantic mapping) ให้รวดเร็วพอที่จะรักษาความสนใจของผู้ใช้ สร้างความพึงพอใจให้แก่ผู้ลงโฆษณา และทำให้ระบบเศรษฐกิจของผู้ช่วย AI ในวงกว้างสามารถดำเนินต่อไปได้อย่างยั่งยืน