สองคนถามเรื่องเดียวกัน ได้คำตอบคนละคุณภาพ
ในทีมเดียวกัน พนักงานสองคนใช้ AI ตัวเดียวกันร่างอีเมลถึงลูกค้า คนแรกพิมพ์ว่าช่วยเขียนอีเมลขอโทษลูกค้าหน่อย ได้ข้อความกลาง ๆ ที่ต้องแก้อีกหลายรอบ คนที่สองพิมพ์บทบาทที่อยากให้ AI สวม สถานการณ์ที่เกิด สิ่งที่ต้องสื่อ และโทนที่ต้องการ ได้ฉบับที่แก้นิดเดียวก็ส่งได้ ทั้งที่เป็น AI ตัวเดียวกัน ความต่างทั้งหมดอยู่ที่วิธีสั่งงาน
เมื่อทั้งองค์กรใช้ AI ความต่างนี้ขยายเป็นปัญหาเชิงระบบ บางคนได้ผลดี บางคนได้ผลแย่ และไม่มีใครรู้ว่าทำไม Prompt engineering คือทักษะการเขียนคำสั่งให้ AI ทำงานได้ตรงและสม่ำเสมอ บทนี้วางหลักที่ทีมนำไปใช้ร่วมกันได้ ทั้งเทคนิคหลักที่ใช้ได้กับ AI ทุกค่าย และวิธีทำให้คุณภาพของทั้งทีมเท่ากัน ไม่ใช่ขึ้นกับว่าใครเก่งสั่งงาน
Prompt ที่ดีคือคำสั่งที่บอกให้ครบว่าให้ AI เป็นใคร ทำอะไร มีบริบทอะไร และอยากได้ผลออกมารูปแบบไหน ยิ่งบอกชัด คำตอบยิ่งตรง การเดาว่า AI จะเข้าใจเองคือจุดที่คุณภาพเริ่มเหลื่อมกันในทีม
โครงคำสั่งที่ทุกคนในทีมใช้ร่วมกันได้
เอกสารทางการของ Google สำหรับ Workspace วางโครงคำสั่งที่จำง่ายไว้สี่ส่วน ซึ่งเหมาะกับการตั้งเป็นมาตรฐานให้ทั้งทีม คือบทบาท งาน บริบท และรูปแบบผลลัพธ์
บทบาท บอกว่าให้ AI สวมบทเป็นใคร เช่น เป็นฝ่ายบริการลูกค้าที่สุภาพ หรือเป็นนักวิเคราะห์การเงินที่รอบคอบ การกำหนดบทบาทช่วยให้น้ำเสียงและมุมมองของคำตอบตรงกับงาน
งาน บอกให้ชัดว่าต้องการให้ทำอะไร ใช้คำกริยาตรง ๆ เช่น สรุป ร่าง เปรียบเทียบ จัดหมวด คำสั่งที่คลุมเครือให้ผลที่คลุมเครือตามกัน
บริบท ให้ข้อมูลแวดล้อมที่ AI ต้องรู้ เช่น ลูกค้าเป็นใคร เกิดอะไรขึ้นก่อนหน้า มีข้อจำกัดอะไร บริบทที่ครบช่วยให้คำตอบเข้ากับสถานการณ์จริง
รูปแบบผลลัพธ์ ระบุว่าอยากได้ออกมาแบบไหน เช่น เป็นข้อ เป็นตาราง ความยาวเท่าไร และภาษาอะไร จุดสุดท้ายนี้สำคัญสำหรับทีมไทย เพราะถ้าไม่ระบุ AI อาจตอบเป็นภาษาอังกฤษ การกำหนดให้ชัดว่าตอบเป็นภาษาไทยแบบทางการ ช่วยให้ผลออกมาพร้อมใช้
เทคนิคหลักที่ใช้ได้กับ AI ทุกค่าย
นอกจากโครงสี่ส่วน เอกสารทางการของ Anthropic และ Google ระบุเทคนิคที่ตรงกัน ซึ่งใช้ได้ข้ามค่ายและข้ามรุ่นโมเดล
ให้ตัวอย่าง แสดงตัวอย่างผลลัพธ์ที่ต้องการสักหนึ่งถึงสามชิ้น AI จะจับรูปแบบแล้วทำตามได้แม่นขึ้นมาก เทคนิคนี้ได้ผลดีเป็นพิเศษกับงานที่มีรูปแบบตายตัว เช่น การจัดหมวดหรือการกรอกฟอร์ม
สั่งให้คิดเป็นขั้น สำหรับโจทย์ที่ต้องวิเคราะห์ การบอกให้ AI ไล่เหตุผลทีละขั้นก่อนสรุป ช่วยให้คำตอบแม่นขึ้นในงานที่ซับซ้อน
แตกงานใหญ่เป็นคำสั่งย่อย งานที่มีหลายขั้นตอน การแยกเป็นคำสั่งต่อเนื่องหลายอันให้ผลดีกว่าการยัดทุกอย่างลงคำสั่งเดียว แต่ละขั้นชัดและตรวจง่ายกว่า
เขียนเหมือนคุยกับเพื่อนร่วมงาน Google ย้ำว่าให้ใช้ภาษาธรรมชาติเป็นประโยค ไม่ใช่พิมพ์เป็นคำค้นสั้น ๆ การเขียนเป็นประโยคที่ให้บริบทครบได้ผลดีกว่าการพิมพ์คำโดด
ทำให้ทั้งทีมได้คุณภาพเท่ากัน
จุดที่แยกการใช้ AI ระดับองค์กรออกจากการใช้ส่วนตัวคือ ความสม่ำเสมอ เมื่อทุกคนใช้เทคนิคเดียวกันและโครงคำสั่งเดียวกัน องค์กรได้คุณภาพที่คาดเดาได้ ทำได้จากสามวิธี
วิธีแรก สร้างคลังคำสั่งกลาง เก็บ prompt ที่ใช้ได้ผลดีไว้ให้ทีมหยิบไปใช้ซ้ำ แทนที่แต่ละคนจะมานั่งคิดใหม่ทุกครั้ง งานที่ทำซ้ำบ่อย เช่น ร่างอีเมลตอบลูกค้า สรุปรายงานการประชุม หรือจัดหมวดคำร้อง ควรมีแม่แบบคำสั่งที่ผ่านการลองแล้วว่าได้ผล
วิธีที่สอง ตั้งเกณฑ์วัดก่อนปรับคำสั่ง เอกสารของ Anthropic ย้ำว่า prompt engineering ที่ดีเริ่มจากการมีเกณฑ์ว่าผลลัพธ์ที่ดีหน้าตาเป็นอย่างไรและมีวิธีทดสอบ การปรับคำสั่งโดยไม่มีเกณฑ์คือการเดาไปเรื่อย ๆ สำหรับทีมหมายถึงตกลงกันก่อนว่างานแต่ละแบบ ผลที่รับได้คืออะไร
วิธีที่สาม กำหนดภาษาของแม่แบบให้ชัด องค์กรที่ทำงานสองภาษาควรตัดสินว่าคลังคำสั่งกลางเขียนเป็นภาษาไทยหรืออังกฤษ และระบุภาษาผลลัพธ์ในทุกแม่แบบ เพื่อไม่ให้คำตอบออกมาคนละภาษากันในทีมเดียว
กล่องอัปเดต: สิ่งที่เปลี่ยนตามรุ่นโมเดล (มิ.ย. 2569)
หลักการเขียนคำสั่งด้านบนใช้ได้ข้ามรุ่น ส่วนรายละเอียดด้านล่างเปลี่ยนตามรุ่นโมเดล ควรตรวจหน้าทางการเป็นระยะ
- โมเดลกลุ่ม reasoning รุ่นใหม่คิดเป็นขั้นได้เองมากขึ้น คำสั่งให้คิดทีละขั้นจึงจำเป็นน้อยลงในบางงาน
- ผู้ให้บริการแต่ละรายมีหน้าคำแนะนำเฉพาะรุ่น เช่น Anthropic มีหน้าแนะนำที่ผูกกับรุ่นล่าสุดของ Claude แยกต่างหาก
- ค่ายผู้ให้บริการมีเครื่องมือช่วยสร้างและปรับ prompt ในระบบของตัวเอง ความสามารถส่วนนี้เพิ่มเรื่อย ๆ
- as-of มิถุนายน 2569 ตัวเลขและชื่อเครื่องมืออาจเปลี่ยน ยึดหน้าทางการเป็นล่าสุด
⚠️ ข้อควรระวัง
คำสั่งที่ดีไม่ได้แก้ปัญหา AI ตอบผิด prompt ที่เขียนดีช่วยให้ผลตรงขึ้น แต่ AI ยังสร้างข้อมูลที่ฟังดูน่าเชื่อแต่ผิดได้ โดยเฉพาะตัวเลขและข้ออ้างอิงเฉพาะ งานที่มีผลผูกพันต้องมีคนตรวจเสมอ ไม่ว่าคำสั่งจะดีแค่ไหน
อย่าใส่ข้อมูลลับลงคำสั่งโดยไม่ดูบัญชี การเขียนคำสั่งที่ให้บริบทครบเป็นเรื่องดี แต่บริบทนั้นต้องไม่ใช่ข้อมูลลับขององค์กรหากใช้บัญชีที่ไม่มีเงื่อนไขข้อมูลระดับองค์กร เส้นแบ่งเรื่องข้อมูลต้องมาก่อนเทคนิคการเขียนคำสั่ง
คลังคำสั่งต้องมีคนดูแล แม่แบบที่เคยได้ผลอาจล้าสมัยเมื่อโมเดลเปลี่ยนรุ่นหรืองานเปลี่ยน ควรมีผู้รับผิดชอบทบทวนคลังคำสั่งเป็นระยะ ไม่ปล่อยให้ทีมใช้แม่แบบเก่าที่ให้ผลด้อยลง
ขั้นต่อไป
เริ่มจากเลือกงานที่ทีมทำซ้ำบ่อยที่สุดสามอย่าง เขียนแม่แบบคำสั่งตามโครงสี่ส่วนให้แต่ละงาน ลองใช้จริงแล้วปรับจนได้ผลที่รับได้ จากนั้นเก็บเข้าคลังกลางให้ทุกคนใช้ การมีแม่แบบที่ดีแม้เพียงสามอันช่วยยกคุณภาพทั้งทีมได้เร็วกว่าการสอนทุกคนให้เก่งสั่งงานเอง
- 👉 AI ตัวไหนเหมาะกับงานไหน จับคู่งานกับโมเดลก่อนเขียนคำสั่ง
- 👉 นโยบายข้อมูลและความปลอดภัยเมื่อใช้ AI ในองค์กร เส้นแบ่งข้อมูลที่ต้องมาก่อน
- 👉 เริ่มใช้ AI ในองค์กร วางลำดับนำ AI เข้าทีมตั้งแต่ต้น
อัปเดตล่าสุด: 19 มิถุนายน 2569 · ประเภท: Guide