ยิ่งเราให้ AI จำข้อมูลส่วนตัวของเรามากเท่าไร คำตอบที่ได้ก็มักจะยิ่งเข้าข้างเรา แต่ไม่ได้แปลว่ามันจะแม่นยำขึ้นเสมอไป

นี่คือข้อสังเกตหลักจากงานวิจัย Evaluating the Hidden Costs of Personalization in Large Language Models ที่เพิ่งเผยแพร่เมื่อวันที่ 28 สิงหาคม 2026

เปเปอร์นี้เผยแพร่บน arXiv ซึ่งเป็นคลังเปเปอร์ที่นักวิจัยใช้ลงผลงานก่อนผ่านการตรวจของวารสารวิชาการ โดยหน้าเปเปอร์ระบุสังกัดของผู้เขียนไว้ที่ University of Illinois at Urbana-Champaign

ทีมผู้เขียนเสนอกรอบการวัดชื่อ PRISK ขึ้นมาเพื่อตอบคำถามสำคัญว่า เมื่อเราป้อนบริบทส่วนตัวเข้าไปในบทสนทนา คำตอบของโมเดลจะเปลี่ยนไปทางไหน จากนั้นจึงนำกรอบนี้ไปทดสอบกับโมเดลภาษาขนาดใหญ่ทั้งหมด 13 ตัว ผลการทดลองพบว่า โมเดลตอบแบบเป็นกลางและรอบด้านน้อยลง และปรับคำตอบเพื่อเอาใจผู้ใช้มากขึ้น

ใครที่เปิดฟีเจอร์ความจำของผู้ช่วย AI ทิ้งไว้โดยไม่เคยเข้าไปดู คำถามที่น่าคิดคือ ข้อมูลที่สะสมอยู่ในนั้นมีผลต่อคำตอบที่เราเคยได้รับมากแค่ไหน

ความจำที่เราเปิดทิ้งไว้ จริงๆ แล้วทำงานอย่างไร

บริบทส่วนตัวที่เปเปอร์นี้ยกเป็นตัวอย่าง มีทั้งประวัติการสนทนาที่ผ่านมา ข้อมูลโปรไฟล์ผู้ใช้ ความชอบที่ระบบคาดเดาจากสิ่งที่เราเคยพิมพ์ และความจำที่ระบบดึงมาใช้ในการสนทนาครั้งใหม่

ทั้งหมดนี้เหมือนกันตรงที่เป็นข้อมูลเกี่ยวกับตัวเราซึ่งโมเดลนำมาใช้ประกอบคำตอบ และเปเปอร์นี้ศึกษาว่าข้อมูลเหล่านี้ทำให้ทิศทางของคำตอบเปลี่ยนไปอย่างไรบ้าง

ตรงนี้ชวนให้เข้าใจผิดได้ง่าย เพราะคำว่าความจำทำให้รู้สึกว่า AI รู้จักเราจริงๆ ทั้งที่ระบบเพียงนำบริบทส่วนตัวมาใช้ประกอบการตอบ ไม่ได้เข้าใจตัวเรา ใครอยากรู้ว่าเครื่องมือรวบรวมบริบทแล้วส่งให้โมเดลอย่างไร เราเคยอธิบายไว้ในบทความ Claude Code ทำงานยังไง

สามอาการหลักที่ PRISK แยกออกมาวัด

เปเปอร์นี้แบ่งปัญหาที่เกิดจากการใส่ข้อมูลส่วนตัวออกเป็น 3 อาการที่แตกต่างกันอย่างชัดเจน:

หนึ่ง อาการดึงเรื่องส่วนตัวมาใส่โดยไม่จำเป็น หรือ irrelevant personalization คือการหยิบเรื่องส่วนตัวมาใส่ในคำตอบ ทั้งที่คำถามไม่ได้ต้องการข้อมูลนั้นเลย เช่น เราถามเรื่องประวัติศาสตร์ แต่ AI ดันยกตัวอย่างเปรียบเทียบกับปัญหาสุขภาพที่เราเคยบ่นไว้เมื่อเดือนก่อน เนื้อหาอาจจะไม่ได้ผิด แต่มันพาเราออกนอกประเด็น

สอง preference narrowing หรือการจำกัดคำตอบให้แคบลงตามความชอบเดิม คือการที่ AI ตีกรอบคำตอบให้แคบลง เพราะพยายามอิงจากสิ่งที่เราเคยชอบหรือไม่ชอบ ตัวอย่างเช่น เราถามวิธีหารายได้เสริม แต่เคยบอกไว้นานแล้วว่าไม่ชอบงานที่ต้องเจอคน AI ก็ตัดงานกลุ่มนั้นออกทั้งหมดทันทีโดยที่เราไม่ได้สั่ง ทำให้เราพลาดตัวเลือกอื่นๆ ไปโดยไม่รู้ตัว เพราะระบบไม่ได้หยิบตัวเลือกเหล่านั้นขึ้นมาให้เห็น

สาม sycophantic bias ที่โมเดลเห็นด้วยและเออออตามเรามากเกินไป คือการเห็นดีเห็นงามกับความคิดเห็นของเรามากเกินไป ตัวอย่างเช่น ถ้าเราถามว่า 'แผนนี้เวิร์กไหม' AI ก็จะตอบสนับสนุนพร้อมขยายความว่าทำไมแผนถึงเวิร์ก แต่ถ้าผู้ใช้คนอื่นที่ระบบไม่มีข้อมูลมาถามคำถามเดียวกัน AI อาจจะตอบเป็นรายการข้อควรระวังแทน

จุดที่ชวนสับสนคือ ข้อหนึ่งกับข้อสามไม่ใช่อาการเดียวกัน ข้อหนึ่งพูดถึงการดึงข้อมูลส่วนตัวเข้ามาปะปนในจุดที่ไม่ควรมี จนมีเนื้อหาที่ไม่เกี่ยวข้องแทรกเข้ามา ส่วนข้อสามพูดถึงการปรับคำตอบให้เอนเอียงเข้าข้างเรา

บทคัดย่อสรุปผลจากโมเดล 13 ตัวไว้ว่า การมีโปรไฟล์ผู้ใช้และความจำที่ระบบดึงกลับมาใช้ ทำให้โมเดลที่ทดสอบตอบแบบเอนเอียงมากขึ้นอย่างสม่ำเสมอ อย่างไรก็ตาม บทคัดย่อไม่ได้ระบุว่าโมเดลทั้ง 13 ตัวเป็นรุ่นไหนบ้าง และไม่ได้แจกแจงว่าแต่ละตัวมีอาการหนักเบาต่างกันอย่างไร

ทำไมคำตอบที่เข้าข้างเราถึงทำให้รู้สึกว่าคุณภาพดี

ชื่อเปเปอร์ใช้คำว่า 'hidden costs' หรือต้นทุนแฝง และนี่คือหัวใจสำคัญของเรื่องนี้

เวลา AI ตอบเออออตามเรา เรามักจะไม่ได้รู้สึกแย่ ตรงกันข้าม เรากลับรู้สึกว่ามันตอบได้ดีมาก อ่านลื่น ตรงใจ เข้าใจบริบทของเรา และมองเรื่องนั้นเหมือนเรา พอใช้เกณฑ์ทั่วไปประเมินว่าคำตอบดีหรือไม่ เราจึงมักมองว่าคำตอบที่เข้าข้างเราดีกว่าคำตอบที่ตรงไปตรงมา

ปัญหาอยู่ตรงที่ 'ความถูกใจ' กับ 'ความถูกต้อง' ไม่ใช่สิ่งเดียวกัน คำตอบที่ถูกใจเราที่สุดมักตรงกับสิ่งที่เราแอบหวังไว้อยู่แล้วว่าจะได้ยิน แต่คำตอบที่ตรงกับความจริงที่สุดไม่จำเป็นต้องถูกใจเราเสมอไป

ต้นทุนแฝงนี้จึงไม่ได้โผล่มาให้เห็นตอนที่เรานั่งอ่านคำตอบ แต่มันจะส่งผลเมื่อเรานำคำตอบไปตัดสินใจเรื่องสำคัญที่กลับลำได้ยาก แล้วค่อยพบทีหลังว่าตั้งแต่แรกไม่มีใครท้วงในจุดที่ควรท้วง

แยกประเภทงานก่อน แล้วค่อยเลือกว่าจะให้จำหรือไม่

ทางออกของเรื่องนี้ไม่ใช่การปิดฟีเจอร์ความจำทิ้งอย่างถาวร เพราะความจำมีประโยชน์จริงตรงที่ช่วยลดภาระการอธิบายข้อมูลเดิมซ้ำๆ เราจึงต้องแยกให้ออกว่า งานตรงหน้าต้องการความสะดวกหรือต้องการคำตอบที่ตรงไปตรงมา

เส้นแบ่งอยู่ตรงคำถามเดียวว่า งานนี้เราอยากให้ AI รู้จักเรา หรืออยากให้มันมองเราเหมือนคนแปลกหน้า

ถ้างานอยู่ในกลุ่มคอลัมน์ขวา วิธีที่ง่ายที่สุดคือเริ่มจากแชตใหม่ที่เรายังไม่ได้เล่าเรื่องตัวเองเข้าไป ถ้าเครื่องมือที่ใช้มีสวิตช์ปิดการปรับแต่งเฉพาะบุคคล ก็ปิดก่อนถาม แล้วค่อยเปิดกลับมาเมื่อทำงานเสร็จ นี่เป็นการปรับตามประเภทงานเป็นครั้งๆ ไม่ใช่การตัดสินใจเปิดหรือปิดถาวร

วิธีตั้งคำถามไม่ให้ AI ตอบเอาใจเรา

ต่อให้อยู่ในแชตเปล่า วิธีตั้งคำถามก็ยังกำหนดทิศทางของคำตอบอยู่ดี คำถามลอยๆ ว่า 'แผนนี้ดีไหม' เป็นการบอกจุดยืนของเราไปแล้วครึ่งหนึ่ง เพราะคนที่ไม่เชียร์แผนตัวเองมักจะไม่ถามแบบนี้

ลองเปลี่ยนเป็น 3 ประโยคนี้แทน:

แผนนี้จะพังได้จากตรงไหนบ้าง เรียงจากจุดที่เสี่ยงที่สุด
ช่วยเถียงแผนนี้เป็นข้อๆ อย่างน้อย 5 ข้อ ไม่ต้องสรุปว่าดีหรือไม่ดี
ถ้าคนที่รู้เรื่องนี้ดีกว่าเรามาอ่าน เขาจะค้านตรงไหนก่อน

3 ประโยคนี้ทำหน้าที่คนละอย่างกัน:

• ประโยคแรก สั่งให้มองหาจุดบกพร่องและจัดลำดับความเสี่ยง
• ประโยคที่สอง สั่งให้หาข้อโต้แย้งโดยตรงและห้ามสรุป เพราะรอบนี้เราอยากได้ข้อค้านทั้งชุด ไม่ใช่คำตัดสินหนึ่งบรรทัด
• ประโยคที่สาม ช่วยย้ายจุดยืนออกจากตัวเราไปสู่มุมมองของคนนอก ส่วนใครที่ต้องการโครงสร้างการตั้งคำถามที่เป็นระบบกว่านี้ เราเคยสรุปไว้เป็น 5 ขั้นตอนในบทความ อ่านหนังสือด้วย AI ให้เข้าใจจนติดตัว

ถ้าอยากลองสังเกตว่า AI ที่คุยอยู่คล้อยตามเราแค่ไหน เราแนะนำวิธีง่ายๆ อย่างหนึ่ง คือถามคำถามเดิม 2 รอบใน 2 แชตแยกกัน โดยสลับจุดยืนของตัวเอง:

• รอบแรกพิมพ์: กำลังคิดจะย้ายงาน คิดว่าดีไหม
• รอบสองพิมพ์: กำลังคิดจะอยู่ที่เดิม คิดว่าดีไหม

ถ้าคำตอบออกมาสนับสนุนเราทั้ง 2 รอบ นั่นคือสัญญาณที่ควรเอะใจว่าคำตอบอาจกำลังคล้อยตามจุดยืนที่เราเผยไป มากกว่าจะอิงเนื้อหาของคำถาม

สิ่งที่ต้องแยกให้ออกคือ ในการทดสอบนี้เราตั้งใจเผยจุดยืนเพื่อดูว่า AI จะคล้อยตามไหม แต่เวลาใช้งานจริงแล้วต้องนำคำตอบไปตัดสินใจ เราไม่ควรใส่จุดยืนลงไปในคำถาม

ลองเปิดดูว่า AI จำอะไรเกี่ยวกับเราไว้บ้าง

ถ้าเครื่องมือที่คุณใช้อยู่มีหน้าตั้งค่าที่เปิดดูรายการความจำได้ ลองเข้าไปอ่านให้จบสักรอบ

รายการนั้นทำให้เราเห็นเป็นรูปธรรมว่า บริบทส่วนตัวที่เปเปอร์ทั้งฉบับพูดถึงมีอะไรบ้าง อ่านแล้วถ้าหน้านั้นเปิดให้ลบรายการได้ ก็ลบสิ่งที่ไม่อยากให้มันเก็บไว้

สำหรับคนที่อยากดูว่ากรอบ PRISK มีวิธีวัดอย่างไร ดู โค้ดของ PRISK ที่เผยแพร่ไว้บน GitHub ได้

งานที่เราต้องการคำตอบที่ตรงไปตรงมาที่สุด มักเป็นงานที่เราอยากได้ยินคำตอบนั้นน้อยที่สุด และนั่นคือจังหวะที่ควรเปิดแชตใหม่

ที่มา:

• บทความ Evaluating the Hidden Costs of Personalization in Large Language Models จาก arXiv
• บทความ Paper page - Evaluating the Hidden Costs of Personalization in Large Language Models จาก Hugging Face Papers