Deep research

Deep research คือโหมดการทำงานของผู้ช่วย AI ที่ขยายจากการตอบคำถามครั้งเดียว ไปเป็นงานยาวหลายขั้นตอนที่มีทั้งการวางแผน การค้นหาข้อมูล การสังเคราะห์หลักฐาน และการเขียนรายงานฉบับสมบูรณ์พร้อมรายการอ้างอิง ปัจจุบันแทบทุกค่ายมีฟีเจอร์นี้ในชื่อของตัวเอง และคนทำงานไทยเริ่มใช้กันหนักในปี 2026 สำหรับงานอย่างสำรวจตลาด รวบรวมข้อมูลคู่แข่ง หรือหาข้อมูลประกอบการตัดสินใจ เสน่ห์ของมันคือได้รายงานที่ดูเรียบร้อยและมีลิงก์อ้างอิงกำกับ ซึ่งให้ความรู้สึกว่าผ่านการตรวจสอบมาแล้ว

เดือนสิงหาคม 2026 มีงานวิจัยที่ทดสอบความน่าเชื่อถือของโหมดนี้อย่างเป็นระบบเป็นครั้งแรก ชื่อ "Is Deep Research Reliable? Misleading Knowledge Induces False Conclusions" ผู้เขียนสร้างกรอบชื่อ MisKnow-Agent เพื่อผลิตเอกสารที่จงใจชี้นำผิดโดยคุมระดับความน่าเชื่อถือและสไตล์การเขียนได้ ได้ออกมา 5,933 ชิ้นที่ผ่านการคัดคุณภาพ แล้วเอาไปทดสอบกับเครื่องมือ deep research หลายตัวทั้งแบบเปิดและแบบปิด ผลหลักที่เปเปอร์รายงานคือ "Across the configurations, introducing one misleading document increases the mean FCAR from 0% in the no-injection control to 54.7%." แปลว่าแค่แทรกเอกสารชี้นำผิดเข้าไปใบเดียว อัตราการรับข้อสรุปเท็จเข้ามาในรายงานฉบับสุดท้ายพุ่งจาก 0% ในกลุ่มควบคุม ขึ้นเป็น 54.7% โดยเฉลี่ย

ผลที่สำคัญที่สุดสำหรับคนใช้งานมีสองข้อ ข้อแรกคือเอกสารใบแรกที่ระบบเจอเป็นตัวชี้ขาด ส่วนอันดับของผลค้นหาและเอกสารใบที่สองเป็นต้นไปมีผลจำกัด แปลว่าระบบพวกนี้ไม่ได้ชั่งน้ำหนักหลักฐานแล้วสรุป มันมีแนวโน้มรับสิ่งที่เจอก่อน ข้อที่สองน่ากังวลกว่า คือผู้เขียนพบว่าการเอาโมเดลอีกตัวมาช่วยตรวจนั้นจำแนกได้ถูกต้องอย่างสม่ำเสมอว่าเอกสารใบไหนชี้นำผิด แต่ agent ก็ยังหยิบข้อสรุปเท็จนั้นไปใช้อยู่ดีระหว่างทำงานวิจัยยาว ซึ่งชี้ว่าความสามารถในการรู้ว่าผิด กับการไม่เอาสิ่งที่ผิดมาใช้ เป็นคนละความสามารถกัน สิ่งที่ทำได้ทันทีคืออย่าอ่านแค่ข้อสรุป ให้ไล่ดูว่ารายงานอ้างอะไรเป็นแหล่งแรก เพราะนั่นคือตัวที่กำหนดข้อสรุปทั้งฉบับ และงานที่ตัดสินใจด้วยเงินหรือมีผลทางกฎหมายควรให้คนไล่เปิดแหล่งอ้างอิงจริงอย่างน้อยสองสามใบก่อนใช้ ข้อควรระวังคือตัวเลขทั้งหมดเป็นเลขที่เปเปอร์รายงานเอง ยังไม่มีการทดลองซ้ำจากทีมอื่น และเป็นการทดสอบแบบจงใจแทรกเอกสาร ไม่ใช่การวัดว่าบนเว็บจริงมีเอกสารแบบนี้อยู่มากแค่ไหน

ตัวอย่างจากบทสนทนาจริง

ฝ่ายกลยุทธ์: "ผมสั่ง deep research ให้ทำรายงานขนาดตลาดของธุรกิจนี้ในไทย ได้มาสิบหน้าพร้อมอ้างอิงยี่สิบกว่าแหล่งเลยครับ เอาเข้าที่ประชุมบอร์ดได้เลยไหม"

หัวหน้าฝ่ายวิเคราะห์: "อย่าเพิ่งครับ มีงานวิจัยปี 2026 ที่พบว่าเอกสารชี้นำผิดใบเดียวก็ดันให้ระบบพวกนี้รับข้อสรุปเท็จเข้ามาเกินครึ่งของกรณีทดสอบ และตัวที่ชี้ขาดคือแหล่งใบแรกที่มันเจอ สิ่งที่ผมอยากให้ทำก่อนคือเปิดดูสามแหล่งแรกที่มันอ้างสำหรับตัวเลขขนาดตลาด ว่าเป็นรายงานจริงหรือเป็นบล็อกที่คัดลอกกันมา ถ้าตัวเลขหลักมาจากแหล่งเดียวกันหมด เราต้องหาแหล่งอิสระมายืนยันก่อนเข้าบอร์ดครับ"

ระวังสับสนกับ

• rag : RAG คือเทคนิคดึงข้อมูลจากคลังที่กำหนดไว้มาประกอบคำตอบในรอบเดียว ส่วน deep research เป็นงานยาวหลายรอบที่ตัวระบบเลือกเองว่าจะค้นอะไรต่อ ขอบเขตแหล่งข้อมูลจึงเปิดกว้างกว่ามากและควบคุมได้น้อยกว่า
• primary-source : primary source คือแหล่งต้นทางที่เป็นเจ้าของข้อมูลจริง ซึ่งเป็นสิ่งที่เราควรไปเปิดดูเองหลังได้รายงานมา งานวิจัยชี้ว่าเครื่องมือ deep research ไม่ได้แยกแยะให้เราว่าอะไรเป็นแหล่งต้นทางและอะไรเป็นของที่คัดลอกต่อกันมา
• hallucination : hallucination คือการที่โมเดลแต่งข้อมูลขึ้นเอง ส่วนความล้มเหลวของ deep research ที่งานนี้วัดเป็นคนละแบบ คือข้อมูลนั้นมีอยู่จริงบนเว็บและมีลิงก์อ้างอิงได้จริง แต่ตัวเนื้อหาชี้นำผิด ซึ่งจับได้ยากกว่าเพราะดูเหมือนมีหลักฐานรองรับ