AI Search ทำงานยังไง เปิดเบื้องหลัง LLM, RAG และ Query Fan-out ที่ทำให้ AI ตอบพร้อมลิงก์

สวัสดีครับ พิมพ์ถาม AI ไปหนึ่งประโยค ไม่กี่วินาทีได้คำตอบยาวพร้อมลิงก์ ใครเคยสงสัยว่ามันทำได้ยังไง วันนี้แมวส้มจะเปิดฝาเครื่องให้ดูทีละชิ้น เอาง่ายๆ คือ AI search ทำงานโดยให้ LLM ตีความคำถาม แตกเป็นคำค้นย่อยหลายชุด (query fan-out) ไปดึงหน้าเว็บที่เกี่ยวข้องจากดัชนีค้นหา แล้วเขียนคำตอบจากเนื้อหาที่ดึงมา (RAG หรือ grounding) พร้อมแปะลิงก์หน้าที่สนับสนุนคำตอบ เว็บของคุณจึงต้องถูกค้นเจอในดัชนีก่อน ถึงจะมีสิทธิ์ถูกอ้างอิง

Generative AI search คือระบบค้นหาที่เขียนคำตอบใหม่ให้ผู้ใช้ แทนการยื่นรายการลิงก์สิบอันแบบเดิม เหมือนบรรณารักษ์ที่เปิดหนังสืออ่านแล้วสรุปให้ฟังเลย ตัวที่คนไทยใช้กันอยู่คือ Google AI Overviews, Google AI Mode, ChatGPT search, Perplexity และ Microsoft Copilot

AI search ทำงานยังไง ดูทีละขั้นตั้งแต่พิมพ์คำถามจนได้คำตอบ

AI search ทำงานเป็นสายพาน 6 ขั้น คือ ตีความคำถาม ตัดสินว่าต้องค้นไหม แตกคำค้น ดึงหน้าเว็บ เขียนคำตอบ และแปะลิงก์อ้างอิง สรุปจากเอกสารทางการของทั้งสี่เจ้า ซึ่งเล่าละเอียดไม่เท่ากันแต่โครงตรงกัน

1. ตีความคำถาม LLM อ่านคำถามและบทสนทนาก่อนหน้า เหมือนแม่ค้าที่ได้ยิน “เอาแบบเดิม” แล้วรู้ทันทีว่าหมายถึงอะไร
2. ตัดสินว่าต้องค้นไหม OpenAI เขียนว่า ChatGPT จะค้นเมื่อคำถามได้ประโยชน์จากข้อมูลปัจจุบัน หรือเมื่อผู้ใช้สั่ง ส่วน Perplexity ค้นแบบเรียลไทม์ทุกครั้ง
3. แตกเป็นคำค้นย่อย ระบบเขียนคำค้นใหม่หนึ่งชุดหรือหลายชุด แล้วยิงออกไปพร้อมกัน
4. ดึงหน้าเว็บจากดัชนี ดัชนีคือตู้บัตรรายการของห้องสมุดที่จดว่าหน้าไหนพูดเรื่องอะไร บางระบบตัดเอกสารเป็นชิ้นย่อยแล้วให้คะแนนทีละชิ้น
5. เขียนคำตอบ LLM อ่านวัตถุดิบทั้งหมดแล้วเรียบเรียงเป็นคำตอบเดียว
6. แปะลิงก์อ้างอิง ระบบเลือกหน้าที่สนับสนุนข้อความในคำตอบ แสดงเป็นลิงก์ในประโยค ป้ายตัวเลข หรือรายการท้ายคำตอบ ลิงก์พวกนี้เรียกว่า citation

ลองนึกถึงรุ่นพี่ที่ทำพาร์ตไทม์ร้านหนังสือ ลูกค้าถามหาหนังสือเตรียมสอบ TGAT ฉบับปีนี้ รุ่นพี่ไม่ตอบจากความจำ แต่เปิดระบบสต็อกค้นสองสามรอบ แล้วชี้ว่าเล่มไหนอยู่ชั้นไหน AI search ทำแบบนี้เป๊ะ ต่างกันแค่ระบบสต็อกของมันคือดัชนีหน้าเว็บทั้งอินเทอร์เน็ต รวมถึงเว็บของคุณ ถ้าเว็บนั้นถูกเก็บเข้าดัชนีแล้วนะ

LLM คืออะไร ทำไมให้มันตอบจากความจำอย่างเดียวไม่พอ

LLM (Large Language Model) คือโมเดล AI ที่เรียนรู้รูปแบบภาษาจากข้อความจำนวนมหาศาล แล้วสร้างคำตอบโดยทำนายคำถัดไปทีละคำ คล้ายเพื่อนที่ได้ยินท่อนแรกก็ร้องเพลงต่อได้ งานวิจัย RAG ของ Lewis และคณะ (2020) เรียกความรู้ที่ฝังในตัวโมเดลว่า parametric memory แปลบ้านๆ ว่าความจำติดตัว

เก่งขนาดนี้ทำไมยังไม่พอ เพราะความจำติดตัวมีจุดอ่อน 3 ข้อที่กระทบธุรกิจคุณตรงๆ

• หยุดอยู่ที่วันเทรนเสร็จ เหมือนรุ่นพี่ที่ไปเรียนเมืองนอกสามปีแล้วยังคิดว่าค่ารถเมล์เท่าเดิม ร้านคุณขึ้นราคาเดือนที่แล้ว โมเดลไม่มีทางรู้
• บอกที่มาไม่ได้ โมเดลจำเป็นรูปแบบภาษา ไม่ได้จำว่าอ่านจากหน้าไหน
• แต่งเรื่องได้เนียน เวลาไม่รู้ โมเดลอาจเติมคำที่ฟังดูถูกแทน อาการนี้เรียกว่า hallucination เหมือนเพื่อนที่โดนครูเรียกตอบแล้วไม่ยอมบอกว่าไม่รู้

ตัวอย่างที่เจ็บจริง ถ้าถามโมเดลที่ไม่ค้นเว็บว่า “ร้านล้างแอร์แถวลาดพร้าวที่รับงานวันอาทิตย์ ราคาเริ่มเท่าไร” มันอาจตอบชื่อร้านที่เคยเห็นพร้อมราคาที่เก่าไปสองปี ลูกค้าโทรไปแล้วผิดหวัง คนเสียชื่อคือร้าน ไม่ใช่ AI นี่แหละเหตุผลที่ AI search ทุกเจ้าเอาการค้นเว็บมาประกบ

RAG และ grounding คืออะไร หัวใจของ generative AI search

RAG (Retrieval-Augmented Generation) คือเทคนิคที่ให้ AI ค้นข้อมูลจากแหล่งภายนอกก่อน แล้วค่อยเขียนคำตอบจากสิ่งที่ค้นได้ Google เรียกเทคนิคนี้ว่า grounding แปลตรงตัวคือผูกคำตอบไว้กับพื้น ไม่ให้ลอยไปตามจินตนาการ คู่มือ AI optimization ของ Google (อัปเดต 10 ก.ค. 2026) ระบุว่าใช้ระบบจัดอันดับหลักของ Search ดึงหน้าเว็บที่เกี่ยวข้องและเป็นปัจจุบันจากดัชนี แล้วแสดงลิงก์ไปยังหน้าที่สนับสนุนคำตอบ

อันนี้แหละที่แมวส้มชอบที่สุด เพราะเปรียบง่ายมาก LLM เปล่าๆ คือสอบปิดหนังสือ RAG คือสอบเปิดหนังสือ นักเรียนคนเดิม แต่ได้เปิดตำราก่อนตอบ งานของ Lewis และคณะ (arXiv:2005.11401) เรียกตำรานี้ว่า non-parametric memory หรือความจำนอกตัว ใน AI search ตำราคือดัชนีหน้าเว็บ ของ Google คือดัชนี Search ของ Copilot คือ Bing ส่วน ChatGPT ใช้ผู้ให้บริการค้นหาภายนอก (เอ่ยชื่อ Bing) และ Perplexity มีดัชนีของตัวเอง

แปลเป็นภาษาธุรกิจ เว็บที่ไม่อยู่ในตำราเล่มไหน AI เจ้านั้นก็หยิบไปตอบไม่ได้ ต่อให้เนื้อหาดีที่สุดในประเทศ ใครเผลอบล็อกบอทค้นหาผิดตัวเพราะชื่อคล้ายกันจนงง แมวส้มเข้าใจ แต่ผลคือฉีกหน้าตัวเองออกจากตำราทั้งเล่ม เช็กว่าบอทตัวไหนคุมอะไรได้ใน คู่มือ AI Crawler และ robots.txt

Query fan-out คืออะไร คำถามเดียวแตกเป็นหลายคำค้น

Query fan-out คือการที่โมเดลสร้างคำค้นที่เกี่ยวข้องหลายชุดพร้อมกันจากคำถามเดียว เพื่อดึงข้อมูลมาตอบให้ครบทุกแง่ เหมือนแม่ส่งลูกสามคนไปตลาดพร้อมกัน คนละแผง Google ใช้คำนี้ตั้งแต่เปิดตัว AI Mode (5 มี.ค. 2025) และเอกสาร Search Central ระบุว่าทั้ง AI Overviews และ AI Mode อาจใช้เทคนิคนี้

ฝั่ง OpenAI ไม่ได้ใช้คำว่า fan-out แต่หน้าช่วยเหลือเขียนว่า ChatGPT search มักเขียนคำถามใหม่เป็นคำค้นที่เจาะจงหนึ่งชุดหรือมากกว่า ตัวอย่างในหน้านั้นสนุกมาก คำถามเรื่องยามะเร็งที่จับเป้าหมาย CCR8 ถูกเขียนใหม่เป็น “CCR8 immunotherapy drug development 2025” พออ่านผลรอบแรก ChatGPT ค้นต่อด้วยคำที่เจาะกว่าเดิมอย่าง “CHS-114 conference 2025” กลไกเดียวกัน แค่คนละชื่อเรียก

กลับมาที่ร้านล้างแอร์ คำถาม “ร้านล้างแอร์แถวลาดพร้าวที่รับงานวันอาทิตย์ ราคาเริ่มเท่าไร” อาจถูกแตกเป็น 4 ชุดนี้ (ตัวอย่างให้เห็นภาพ แพลตฟอร์มไม่เปิดเผยคำค้นย่อยจริง)

• ร้านล้างแอร์ ลาดพร้าว
• ล้างแอร์ รับงานวันอาทิตย์ กรุงเทพ
• ราคาล้างแอร์ติดผนัง 2026
• ล้างแอร์ใหญ่กับล้างธรรมดาต่างกันยังไง

หน้าร้านที่เขียนพื้นที่ให้บริการ วันรับงาน และตารางราคาไว้ชัด ตอบได้ 3 ใน 4 ชุด หน้าที่มีแต่ “บริการประทับใจ ช่างมืออาชีพ” ตอบไม่ได้สักชุด ใครเคยเขียนแบบหลังไม่ต้องเขิน แทบทุกเว็บเริ่มแบบนี้

ฝั่งข้อมูล Ahrefs วิเคราะห์ 863,000 คีย์เวิร์ดและ URL ที่ AI Overviews อ้างอิงราว 4 ล้าน URL (2 มี.ค. 2026) พบว่าแค่ 37.9% ติด 10 อันดับแรกของคำค้นเดียวกัน ลดจากราว 76% ในงานกรกฎาคม 2025 Ahrefs ตีความว่ามาจากคำค้นย่อย แต่ก็เปลี่ยนวิธีเก็บข้อมูลด้วย จึงยังเป็นการตีความ อ่าน fan-out แบบละเอียดได้ที่ Google AI Mode คืออะไร

AI เลือกเว็บไหนมาอ้างอิง สิ่งที่แพลตฟอร์มบอก กับสิ่งที่ยังไม่มีใครรู้

AI เลือกแหล่งอ้างอิงจากหน้าที่ระบบค้นดึงมาได้ แล้วเลือกหน้าที่สนับสนุนข้อความในคำตอบมาแสดงเป็นลิงก์ น้ำหนักของแต่ละปัจจัยไม่มีเจ้าไหนเปิดเผย ใครบอกว่ารู้สูตรลับแน่นอน ให้กอดกระเป๋าตังค์ไว้ก่อน

สิ่งที่มีเอกสารยืนยัน (ตรวจ ต.ค. 2026)

• Google หน้าต้องถูก index และมีสิทธิ์แสดงพร้อม snippet (ข้อความสั้นใต้ลิงก์) และเว็บต้องอยู่ในสถานะ Include ของการตั้งค่า Search generative AI ใน Search Console
• Copilot Microsoft เขียนตอนเปิดตัว Copilot Search ใน Bing (เม.ย. 2025) ว่าลิงก์ทั้งประโยคหรือทั้งท่อนไปยังแหล่งที่มา และกดดูลิงก์ทั้งหมดที่ใช้สร้างคำตอบได้
• Perplexity ทุกคำตอบมี citation และลิงก์ไปแหล่งต้นทาง และ Search API ของบริษัทแบ่งเอกสารเป็นหน่วยย่อยแล้วให้คะแนนทีละหน่วย
• ChatGPT มี citation และแผง Sources แต่ไม่ได้อธิบายเกณฑ์เลือกแหล่ง

สิ่งที่ยังเป็นการอนุมาน

คนในวงการเชื่อว่าย่อหน้าที่ตอบได้ในตัวเอง มีชื่อเฉพาะและตัวเลขชัด มีโอกาสถูกหยิบมากกว่า เพราะ Perplexity ให้คะแนนทีละชิ้นและ Copilot ผูกลิงก์กับประโยค แต่ยังไม่มีใครยืนยันเป็นกฎ ฝั่ง Google พูดชัดว่าไม่ต้องหั่นเนื้อหาให้ AI ไม่ต้องมีไฟล์หรือ schema พิเศษ และการไล่สร้าง mention ปลอมไม่ได้ช่วยอย่างที่คิด ข้อสรุปที่ปลอดภัยคือเขียนให้คนอ่านเข้าใจทีละย่อหน้า วิธีเพิ่มโอกาสถูกอ้างอิงแบบเป็นข้อๆ อยู่ใน AI Citation คืออะไร

Google, ChatGPT, Perplexity และ Copilot ทำงานต่างกันตรงไหน

ทั้งสี่เจ้าใช้โครง LLM บวกการค้นเว็บเหมือนกัน แต่ต่างกันที่ดัชนีต้นทาง รุ่นโมเดล วิธีโชว์ลิงก์ และเครื่องมือให้เจ้าของเว็บดูผล เหมือนร้านกาแฟสี่ร้านที่ใช้เมล็ดคนละไร่ ตารางนี้ใช้เฉพาะเอกสารทางการ ช่องที่ไม่เปิดเผยเขียนว่าไม่ระบุ

impressions คือจำนวนครั้งที่หน้าคุณโผล่ให้คนเห็น ไม่ใช่จำนวนคนกด และในงาน I/O 2026 (20 พ.ค. 2026) Google ประกาศรวม AI Overviews กับ AI Mode เป็นประสบการณ์ AI Search เดียว และบอกว่าเปิดใช้แล้วทั่วโลก ตารางนี้จึงเปลี่ยนเร็ว แมวส้มจะตามอัปเดตทุกไตรมาส ถ้าอยากดูว่าแต่ละเจ้าใช้บอทตัวไหนและคุมด้วยอะไร ดูตารางรวมที่ หน้ารวม AI Search ทุกแพลตฟอร์ม อยากรู้ว่าแต่ละโมเดลต่างกันยังไง ดูที่ โมเดล AI เบื้องหลัง AI Search ส่วนฝั่ง Microsoft อ่านแยกได้ที่ Copilot SEO

กลไกนี้แปลว่าเว็บของคุณต้องทำอะไร

คำตอบผ่านสายพาน 6 ขั้น งานของเจ้าของเว็บจึงเป็นการพาเว็บผ่านทีละด่าน เหมือนเกมที่ต้องผ่านด่าน 1 ก่อนถึงจะเล่นด่าน 2 ได้ ไล่ทำตาม 5 ด่านนี้

1. ด่านค้นเจอ หน้าสำคัญต้องถูก index ใน Google และ Bing ไม่บล็อก OAI-SearchBot กับ PerplexityBot (บอทเก็บหน้าเว็บของ ChatGPT search และ Perplexity) และการตั้งค่า Search generative AI ใน Search Console > Settings ต้องเป็น Include ซึ่งเป็นค่าเริ่มต้น
2. ด่านคำค้นย่อย ลิสต์คำถามที่ลูกค้าถามจริงก่อนซื้อ แล้วให้แต่ละข้อมีหัวข้อหรือย่อหน้าตอบตรงๆ
3. ด่านดึงเนื้อหา ข้อมูลสำคัญต้องเป็นตัวอักษรบนหน้า ไม่ซ่อนอยู่ในรูปโปสเตอร์อย่างเดียว และแต่ละประโยคควรเข้าใจได้แม้ถูกตัดออกมาเดี่ยวๆ
4. ด่านเขียนคำตอบ ราคาในเว็บ ใน Google Business Profile และในเพจ Facebook ต้องเป็นตัวเลขเดียวกัน ไม่งั้น AI อาจหยิบตัวเก่าไปตอบ
5. ด่านถูกอ้างอิง มีข้อมูลที่เว็บอื่นไม่มี คู่มือของ Google เรียกว่าเนื้อหา non-commodity แปลบ้านๆ คือของที่ไม่ได้มีขายทุกร้าน

ด่านที่ 3 แก้ง่ายที่สุดและเห็นภาพชัดที่สุด ลองดูประโยคก่อนและหลังแก้คู่นี้

• ก่อนแก้: “ราคาพิเศษ ทักแชทเลย” (AI ไม่มีอะไรให้หยิบ และไม่รู้ว่าพิเศษเท่าไร)
• หลังแก้: “ล้างแอร์ติดผนัง 9,000-12,000 BTU ที่ร้านแอร์สบาย ลาดพร้าว ราคา 600 บาทต่อเครื่อง รับงานทุกวันรวมวันอาทิตย์ 8.00-18.00 น.” (ชื่อร้านและราคาเป็นตัวอย่างสมมติ)

ประโยคหลังตอบได้ 3 คำค้นย่อยในประโยคเดียว ทั้งย่าน วันรับงาน และราคา ข่าวดีคือทั้งหมดนี้คือ SEO พื้นฐาน ภาพรวมว่าต้องทำอะไรเพิ่มจาก SEO เดิมอยู่ใน คู่มือ AI SEO ฉบับแมวส้ม

วิธีเช็กเองว่า AI หยิบเว็บคุณไปตอบยังไง

วิธีที่ตรงที่สุดคือเอาคำถามของลูกค้าจริงไปถาม AI ทีละเจ้า แล้วดูว่าลิงก์ที่ถูกอ้างอิงเป็นของใคร ใช้เวลาราวหนึ่งชั่วโมงด้วยเครื่องมือฟรี เตรียมกาแฟแล้วไปกัน

1. เขียนคำถามจริง 5 ข้อ เอาจากแชทลูกค้า เช่น “ล้างแอร์วันอาทิตย์แถวลาดพร้าวที่ไหนดี”
2. ถามทั้ง 4 ที่ Google (AI Overview และ AI Mode), ChatGPT โดยเปิดการค้นเว็บ, Perplexity และ Copilot จดว่าเว็บคุณถูกอ้างอิงไหม และคู่แข่งรายไหนถูกอ้างอิงแทน
3. ดู grounding queries ใน Bing Webmaster Tools เมนู AI Performance บอกจำนวน citation หน้าที่ถูกอ้างอิง และตัวอย่างวลีที่ AI ใช้ค้น
4. ดูรายงาน Generative AI performance ใน Search Console นับ impressions ใน AI Overviews และ AI Mode รวมกัน แยกตามหน้า ประเทศ อุปกรณ์ วันที่ ยังไม่มีคลิกและคำค้น
5. ทำซ้ำเดือนละครั้ง Ahrefs เตือนว่า AI Overviews ให้ผลไม่เหมือนเดิมทุกครั้ง ดูแนวโน้มจากหลายรอบ อย่าดีใจหรือเสียใจจากรอบเดียว

อยากวัดเป็นระบบกว่านี้ อ่านต่อที่ AI Visibility คืออะไร วิธีวัดว่าแบรนด์ถูกพูดถึงใน AI แค่ไหน

คำถามที่พบบ่อย

แหล่งอ้างอิง

• Optimizing your website for generative AI features on Google Search โดย Google Search Central (อัปเดต 10 ก.ค. 2026)
• AI features and your website โดย Google Search Central (อัปเดต 10 ธ.ค. 2025)
• 100 things we announced at I/O 2026 โดย Google (20 พ.ค. 2026)
• Just ask anything: a seamless new Search experience โดย Google (27 ม.ค. 2026)
• AI Mode updates from Google I/O 2025 โดย Google (20 พ.ค. 2025)
• Expanding AI Overviews and introducing AI Mode โดย Google (5 มี.ค. 2025)
• ChatGPT search และ ChatGPT search for Enterprise and Edu โดย OpenAI Help Center (ตรวจ ต.ค. 2026)
• What is Perplexity? โดย Perplexity (ตรวจ ต.ค. 2026)
• Introducing the Perplexity Search API โดย Perplexity (25 ก.ย. 2025)
• Introducing AI Performance in Bing Webmaster Tools Public Preview โดย Microsoft Bing (10 ก.พ. 2026)
• Introducing Copilot Search in Bing โดย Microsoft Bing (เม.ย. 2025)
• Update: 38% of AI Overview Citations Pull From The Top 10 โดย Ahrefs (2 มี.ค. 2026)
• AI’s systemic distortion of news is consistent across languages and territories โดย European Broadcasting Union (22 ต.ค. 2025)
• Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (Lewis et al.) โดย arXiv (2020)