AI Overview เลือกอ้างอิงแหล่งข้อมูลอย่างไรกันแน่

Key Takeaways

Quick Answer

AI Overview มักจะดึงหน้าเว็บที่ติดอันดับดีอยู่แล้วมาเป็นกลุ่มตัวเลือกก่อน จากนั้นใช้โมเดลภาษาสังเคราะห์คำตอบและเลือกอ้างอิงจากย่อหน้าที่สื่อความชัดเจน จบในตัวเองมากที่สุดในกลุ่มนั้น ไม่ใช่จากหน้าที่มีอันดับสูงสุดหรือน่าเชื่อถือที่สุดเสมอไป

กลไกเบื้องหลัง Retrieval แล้วค่อย Synthesis

สิ่งแรกที่ควรทำความเข้าใจให้ชัดคือ กระบวนการของ AI Overview แยกเป็นสองงานที่ไม่เหมือนกัน และความสับสนส่วนใหญ่เกี่ยวกับ AI Overview เกิดจากการเอาสองงานนี้มาปนกัน งานแรกคือ retrieval หรือการดึงข้อมูล ระบบค้นหาจะระบุกลุ่มเอกสารที่น่าจะเกี่ยวข้องกับคำค้นนั้น ๆ โดยอิงจากสัญญาณการจัดอันดับแบบเดียวกับที่ใช้ตัดสินผลการค้นหาแบบ organic ทั่วไป ไม่ว่าจะเป็นความเกี่ยวข้อง ลิงก์ที่โยงเข้ามา คุณภาพเนื้อหา และความแข็งแรงทางเทคนิคของเว็บไซต์ นี่คือเหตุผลที่กลุ่ม candidate ของ AI Overview มักจะทับซ้อนกับหน้าที่ติดอันดับหน้าแรกอยู่แล้ว

งานที่สองคือ synthesis หรือการสังเคราะห์คำตอบ โมเดลภาษาจะอ่านเอกสารที่ถูกดึงมาทั้งหมด สร้างคำตอบเป็นภาษาธรรมชาติ และแยกต่างหากออกไปตัดสินใจว่าจะหยิบประโยคหรือย่อหน้าไหนมาแปะเป็นแหล่งอ้างอิง ขั้นตอนนี้ไม่ใช่อัลกอริทึมจัดอันดับแบบดั้งเดิม แต่ใกล้เคียงกับการที่โมเดลทำ reading comprehension ข้ามเอกสารหลายชิ้น แล้วตัดสินว่าชิ้นไหนมีอะไรที่คุ้มค่าจะยกมาอ้างอิงตรง ๆ

รูปแบบสองขั้นตอนนี้เกิดขึ้นเหมือนกันทั้งใน ChatGPT search, Perplexity และ Gemini แม้แหล่งข้อมูลและน้ำหนักที่แต่ละแพลตฟอร์มให้จะต่างกัน Perplexity เป็นตัวอย่างที่เห็นชัดที่สุด เพราะมันแสดงหมายเลขแหล่งอ้างอิงกำกับแทบทุกประโยค ถ้าใครอยากทำความเข้าใจเรื่องนี้แบบลึกกว่านี้ สามารถอ่านเพิ่มเติมได้ในแนวทางเพิ่มโอกาสถูกอ้างอิงใน ChatGPT และ AI Overview ซึ่งกลไกก็สอดคล้องกันคือ ดึงข้อมูลแบบกว้าง แล้วอ้างอิงแบบแคบ แม้หน้าตาของแต่ละแพลตฟอร์มจะซ่อนขั้นตอนนี้ไม่เท่ากันก็ตาม

ทำไมติดอันดับดีถึงไม่การันตีว่าจะถูกอ้างอิง

จุดนี้คือจุดที่ทีมการตลาดจำนวนมากเข้าใจผิด เพราะคิดว่าอันดับ SEO กับการถูกอ้างอิงใน AI คือคะแนนเดียวกัน ทั้งที่จริง ๆ แล้วสองอย่างนี้สัมพันธ์กันแต่ไม่ใช่สิ่งเดียวกัน เพราะวัดคนละมิติ การจัดอันดับ organic ให้รางวัลกับความเกี่ยวข้องโดยรวมของทั้งหน้า ความน่าเชื่อถือ และสัญญาณความพึงพอใจของผู้ใช้ ซึ่งเป็นการตัดสินระดับ "ทั้งหน้า" ในขณะที่การเลือกอ้างอิงเป็นการตัดสินระดับ "ประโยค" หรือ "ย่อหน้า" คำถามที่โมเดลถามตัวเองคือ ดึงข้อความส่วนไหนจากหน้านี้มาตอบคำถามได้ตรงและครบในตัวเอง โดยไม่ต้องพึ่งบริบทรอบข้าง

หน้าเว็บหนึ่งอาจติดอันดับ 1 เพราะครอบคลุมเนื้อหาครบ มีลิงก์อ้างอิงเข้ามาเยอะ และน่าเชื่อถือ แต่กลับสอบตกในขั้นตอนที่สองถ้าทุกข้อความในหน้านั้นมีเงื่อนไขพ่วง มีคำกำกวม หรือแบ่งเป็นหลายประโยคที่ต้องอ่านต่อกันถึงจะเข้าใจ ในขณะที่หน้าที่ติดอันดับ 5 หรือ 6 ซึ่งเนื้อหาบางกว่าและโฟกัสแคบกว่า อาจมีย่อหน้าเดียวที่ตอบคำถามตรงจนโมเดลหยิบไปใช้ได้ทันที ย่อหน้านั้นก็จะถูกอ้างอิง ในขณะที่หน้าที่น่าเชื่อถือกว่ากลับไม่ถูกหยิบ อย่างน้อยก็ไม่ใช่สำหรับคำถามย่อยนั้น ๆ

นี่คือเหตุผลเดียวกันที่โดเมนเดียวกันอาจถูกอ้างอิงในคำค้นหนึ่ง แต่ถูกข้ามไปในคำค้นที่ใกล้เคียงกันมากบนหน้าเดียวกัน เพราะโมเดลไม่ได้ประเมินทั้งหน้าซ้ำทุกครั้ง แต่กำลังไล่หาย่อหน้าที่ดีที่สุดสำหรับการตั้งคำถามแบบนั้น ๆ โดยเฉพาะ

Passage-Level Extractability หน่วยที่แท้จริงที่ AI ใช้เลือก

"Extractability" คือคำที่ใช้อธิบายว่าย่อหน้าหนึ่งสามารถถูกดึงออกมาจากบริบทรอบข้างแล้วยังสื่อความหมายครบถ้วนได้ง่ายแค่ไหน คุณสมบัติที่มักทำให้ย่อหน้ามี extractability สูง ได้แก่

ลองเทียบกับย่อหน้าที่ extractability ต่ำ ข้อมูลที่ถูกต้องมีอยู่จริง แต่ถูกแบ่งไปอยู่คนละย่อหน้า มีเงื่อนไขพ่วงสามข้อ และเข้าใจได้ก็ต่อเมื่ออ่านย่อหน้าก่อนหน้ามาแล้วเท่านั้น โมเดลที่กำลังสังเคราะห์คำตอบภายใต้ข้อจำกัดของ token budget มักจะข้ามย่อหน้าแบบนี้ไปเลือกย่อหน้าที่สั้นและสะอาดกว่าจากที่อื่น แม้แหล่งนั้นจะมีความน่าเชื่อถือน้อยกว่าก็ตาม เพราะการอ้างอิงย่อหน้าที่ชัดเจนมี "ความเสี่ยง" ต่ำกว่าในการยกมาใช้

Freshness และ Specificity สัญญาณที่ใช้ตัดสินเมื่อเนื้อหาคล้ายกัน

มีอีกสองปัจจัยที่ปรากฏซ้ำ ๆ ในรูปแบบการอ้างอิงที่สังเกตได้ แม้จะยังไม่มีการยืนยันอย่างเป็นทางการว่าเป็น ranking weight จริง ปัจจัยแรกคือความสดใหม่ (freshness) ซึ่งสำคัญที่สุดกับคำค้นที่คำตอบมีโอกาสเปลี่ยนแปลงได้ เช่น ราคา สถิติ สเปกสินค้า กฎระเบียบ หรือลิสต์ "ที่ดีที่สุด" หน้าที่มีวันที่อัปเดตล่าสุดแสดงชัดเจน หรือมีสถิติที่ระบุปีกำกับ จะได้เปรียบกว่าหน้าที่ไม่มีวันที่แต่พูดเรื่องเดียวกัน เพราะช่วยลดความเสี่ยงที่โมเดลจะอ้างอิงข้อมูลที่ล้าสมัยไปแล้ว

Specificity หรือความเจาะจงก็ทำงานคล้ายกัน ย่อหน้าที่เขียนว่า "อัลกอริทึมบีบอัดข้อมูลช่วยลดขนาดไฟล์ด้วยการตรวจจับรูปแบบข้อมูลที่ซ้ำกัน" มักถูกอ้างอิงได้ง่ายกว่าย่อหน้าที่เขียนว่า "การบีบอัดช่วยให้ไฟล์มีประสิทธิภาพมากขึ้น" ทั้งที่สองประโยคนี้ถูกทิศทางเดียวกันทั้งคู่ เวอร์ชันที่เจาะจงอ่านแล้วรู้สึกว่าเป็นข้อความที่แหล่งข้อมูลกล้ายืนยัน ในขณะที่เวอร์ชันกว้าง ๆ อ่านแล้วเหมือน filler และ filler คือสิ่งที่โมเดล synthesis ถูกฝึกมาให้บีบอัดหรือข้ามไปเมื่อต้องสร้างคำตอบที่กระชับ

ตัวอย่างจริง ข้อความที่อ้างอิงได้ vs อ้างอิงไม่ได้

ลองสมมติคำค้นว่า "ทำไม AI Overview บางครั้งถึงอ้างอิงหน้าเว็บที่อันดับต่ำกว่า" คำตอบเวอร์ชันที่อ้างอิงไม่ได้อาจเขียนว่า "มีหลายปัจจัยที่เกี่ยวข้องกับการทำงานของระบบเหล่านี้ และหน้าเว็บอาจถูกเลือกด้วยเหตุผลหลากหลายที่ไม่ได้ชัดเจนเสมอไป เพราะเสิร์ชเอนจินพิจารณาสัญญาณนับสิบอย่างในการตัดสินใจว่าจะแสดงอะไรให้ผู้ใช้เห็น" ประโยคนี้ไม่ได้ผิด แต่ไม่มีข้อเท็จจริงเดี่ยว ๆ ที่โมเดลจะยกไปอ้างแล้วยืนอยู่ได้ด้วยตัวเองในฐานะคำตอบ

ส่วนเวอร์ชันที่อ้างอิงได้คือ "AI Overview เลือกย่อหน้าจากความชัดเจนและความจบในตัวเอง ไม่ใช่จากความน่าเชื่อถือของทั้งหน้าเพียงอย่างเดียว ดังนั้นหน้าที่อันดับต่ำกว่าแต่มีคำตอบที่เขียนแม่นยำหนึ่งประโยค อาจถูกอ้างอิงแทนหน้าที่อันดับสูงกว่าซึ่งข้อมูลที่เกี่ยวข้องถูกกระจายอยู่หลายย่อหน้า" ประโยคนี้ระบุกลไกชัดเจน เขียนเป็นข้อเท็จจริงที่เจาะจง และไม่ต้องอาศัยประโยคก่อนหน้าเพื่อให้เข้าใจ นี่คือหน่วยเนื้อหาแบบที่ยกไปใส่ในคำตอบที่สร้างขึ้นได้ง่าย โดยยังคงการอ้างอิงแหล่งที่มาไว้ครบถ้วน

ข้อผิดพลาดที่พบบ่อยเมื่อไล่ล่าการถูกอ้างอิงจาก AI

ทีมที่มองว่า "การถูกอ้างอิง" เป็นแคมเปญแยกต่างหาก มักทำผิดพลาดซ้ำ ๆ กันไม่กี่แบบ ที่พบบ่อยที่สุดคือการ over-optimize ให้ตรงกับถ้อยคำของคำค้นเป้าหมายคำเดียวมากเกินไป จนได้หน้าเว็บที่อ่านดีสำหรับพรอมป์นั้นพรอมป์เดียว แต่อ่านแล้วขัด ๆ สำหรับผู้อ่านจริงและสำหรับคำถามที่ถูกเรียบเรียงใหม่ อีกความผิดพลาดที่เกี่ยวเนื่องกันคือการยัดประโยค "คำจำกัดความ" ที่ทำตัวหนาไว้เป็นสิบ ๆ ประโยคในหน้าเดียว โดยหวังว่าจะมีสักประโยคถูกหยิบไป ซึ่งผลลัพธ์กลับกลายเป็นว่าทุกย่อหน้าดูธรรมดาเท่ากันหมด แทนที่จะมีย่อหน้าใดย่อหน้าหนึ่งโดดเด่นชัดเจนว่าตอบคำถามได้

อีกจุดพลาดที่พบบ่อยคือการไล่ล่าการอ้างอิงสำหรับคำค้นที่ intent ต่ำและปริมาณการค้นหาน้อยมาก ซึ่งเป็นความเสี่ยงที่หัวข้อนี้เองก็เจออยู่ เพราะคำค้นแบบ "แหล่งข้อมูล ai overview" มีปริมาณการค้นหาต่อเดือนน้อยมากในหลายเครื่องมือวิเคราะห์คีย์เวิร์ด ทางแก้ไม่ใช่การเลิกเขียนหัวข้อนี้ไปเลย แต่คือการเขียนให้เป็นเนื้อหาอ้างอิงที่มีประโยชน์จริง ไม่ใช่เหยื่อล่อสำหรับคำค้นแคบ ๆ คำเดียว ซึ่งก็เป็นเหตุผลที่ความลึกและความซื่อตรงทางเทคนิคสำคัญกว่าความหนาแน่นของคีย์เวิร์ดในกรณีแบบนี้

หลายทีมยังมองข้ามว่าเรื่องนี้เชื่อมโยงกับพื้นฐานที่พูดถึงในแนวทางทำให้แบรนด์ถูกอ้างอิงในคำตอบของ AI มากแค่ไหน การถูกอ้างอิงเป็นผลลัพธ์ปลายทางของโครงสร้างเนื้อหาที่ดี ไม่ใช่เช็คลิสต์แยกต่างหากที่ค่อยเติมเข้าไปทีหลัง

เชื่อมโยงกับกลยุทธ์ AI Search Optimization ภาพรวม

ทั้งหมดนี้ไม่ได้มาแทนที่พื้นฐานของการทำ AIO สำหรับแบรนด์ไทย อย่างการที่เว็บไซต์ crawl ได้ง่ายในเชิงเทคนิค มี structured data ที่ถูกต้อง มีการระบุผู้เขียนชัดเจน และเนื้อหาตอบคำถามที่ตั้งเป้าไว้จริง ๆ Passage-level extractability เป็นเลนส์เพิ่มเติมที่วางทับบนฐานนั้น ไม่ใช่สิ่งที่มาแทนที่ฐานนั้น หน้าเว็บที่เข้าถึงได้ยากทางเทคนิคจะไม่ถูกดึงเข้าไปในขั้นตอน retrieval แรกเลย ไม่ว่าประโยคในนั้นจะยกไปอ้างอิงได้ดีแค่ไหน และหน้าที่ retrieve ได้แต่ไม่มีย่อหน้าไหนดึงออกมาอ้างอิงได้ ก็จะไม่ถูกอ้างอิงในขั้นตอนที่สอง ไม่ว่าโดเมนนั้นจะมี authority สูงแค่ไหนก็ตาม

ในทางปฏิบัติ สิ่งที่ควรทำคือมองทุกคำถามย่อยสำคัญบนหน้าเว็บให้เป็นหน่วยเล็ก ๆ ที่จบในตัวเอง มีหัวข้อย่อยชัดเจน มีประโยคเปิดที่ตอบตรงประเด็น และมีข้อเท็จจริงที่เจาะจง โดยยังคงเขียนเพื่อผู้อ่านที่เป็นมนุษย์เป็นอันดับแรกเสมอ เพราะทั้ง Google, ChatGPT search และ Perplexity ต่างก็ดูเหมือนจะให้รางวัลกับโครงสร้างแบบนี้ในระดับหนึ่ง นี่จึงเป็นหนึ่งในไม่กี่การลงทุนที่คุ้มค่าข้ามแพลตฟอร์ม แทนที่จะปรับเฉพาะสำหรับแพลตฟอร์มใดแพลตฟอร์มหนึ่งเท่านั้น สำหรับใครที่อยากรู้ว่าเทคนิคเดียวกันนี้ใช้กับการปรับเนื้อหาให้ Perplexity หยิบไปอ้างอิง ได้อย่างไรบ้าง ก็เป็นจุดต่อยอดที่น่าอ่านต่อ

Key Findings

การถูกอ้างอิงอย่างสม่ำเสมอในคำตอบที่ AI สร้างขึ้นไม่ใช่เทคนิคลับที่ไขครั้งเดียวแล้วจบ แต่เป็นวินัยที่ต้องทำต่อเนื่อง คือการเขียนเนื้อหาที่ทั้งคนและโมเดลดึงคำตอบที่ชัดเจนออกมาได้ง่ายจริง ๆ นี่คือแก่นของงานที่ทีม Clout Media ทำผ่านบริการ AI search optimization ซึ่งเราตรวจสอบเนื้อหาที่มีอยู่ในระดับ passage-level และปรับโครงสร้างใหม่ให้ทำงานได้ดีทั้งบน Google AI Overview, ChatGPT และ Perplexity ไปพร้อมกัน

Frequently Asked Questions

ติดอันดับ 1 ใน Google รับประกันว่าเว็บไซต์จะโผล่ใน AI Overview ไหม

ไม่รับประกัน การติดอันดับดีช่วยเพิ่มโอกาสที่หน้าเว็บจะถูกดึงเข้าสู่ขั้นตอน retrieval แต่การตัดสินใจอ้างอิงเกิดขึ้นทีหลัง โดยขึ้นอยู่กับว่ามีย่อหน้าใดในหน้านั้นที่หยิบมาตอบคำถามได้ชัดเจนและจบในตัวเองหรือไม่ หน้าที่ติดอันดับ 1 แต่เนื้อหามีเงื่อนไขพ่วงและกระจายไม่เป็นระเบียบ อาจถูกข้ามไปเพื่อเลือกหน้าอันดับต่ำกว่าที่มีประโยคแม่นยำหนึ่งประโยคแทน

มีรูปแบบเฉพาะที่ Google กำหนดไว้สำหรับย่อหน้าที่จะถูกอ้างอิงหรือไม่

ไม่มีรูปแบบทางการที่ถูกเปิดเผย และไม่ควรตั้งสมมติฐานว่ารูปแบบใดจะคงที่ถาวร รูปแบบที่สังเกตได้บ่อยคือย่อหน้าที่มีข้อเท็จจริงตรงประเด็น มีรายละเอียดที่จับต้องได้ และพึ่งพาประโยครอบข้างน้อยที่สุด มักอยู่ใกล้หัวข้อย่อยที่ตรงกับคำถามนั้น ๆ แต่ทั้งหมดนี้เป็นการอนุมานจากพฤติกรรมที่สังเกตเห็น ไม่ใช่ข้อกำหนดที่มีการบันทึกไว้เป็นทางการ

ควรเขียนเนื้อหาเพื่อให้ถูกอ้างอิงโดย AI Overview โดยเฉพาะไหม

ควรเขียนเพื่อความชัดเจนและประโยชน์จริงต่อผู้อ่านที่เป็นมนุษย์เป็นอันดับแรก และจัดโครงสร้างให้แต่ละคำถามย่อยมีย่อหน้าที่ตอบได้ในตัวเอง เนื้อหาที่สร้างขึ้นเพื่อล่อการอ้างอิงเพียงอย่างเดียวมักอ่านแล้วขัด ๆ และมักล้มเหลวทั้งกับผู้อ่านและกับโมเดล เพราะระบบ synthesis ดูเหมือนจะให้น้ำหนักกับถ้อยคำที่เป็นธรรมชาติและเจาะจง มากกว่าข้อความที่ถูกออกแบบมาเพื่อล่อการอ้างอิงโดยเฉพาะ

สิ่งนี้ต่างจากการทำ SEO สำหรับ Perplexity หรือ ChatGPT search อย่างไร

กลไกพื้นฐาน คือดึงกลุ่มตัวเลือกก่อนแล้วค่อยสังเคราะห์และอ้างอิงย่อหน้าที่ดึงออกมาได้ง่าย ดูจะคล้ายกันในทุกแพลตฟอร์ม แม้แต่ละเจ้าจะดึงข้อมูลจากแหล่งต่างกันและให้น้ำหนักไม่เท่ากัน Perplexity แสดงแหล่งอ้างอิงชัดเจนกว่าเจ้าอื่น จึงเป็นที่ที่มีประโยชน์ในการสังเกตว่าย่อหน้าไหนของเราถูกหยิบไปใช้จริงบ้าง

การอัปเดตวันที่เผยแพร่ของหน้าเว็บช่วยให้ถูกอ้างอิงบ่อยขึ้นไหม

ช่วยได้ก็ต่อเมื่อเนื้อหาถูกอัปเดตจริงอย่างมีนัยสำคัญ การเปลี่ยนแค่วันที่โดยไม่แก้เนื้อหาไม่ได้เพิ่มคุณค่าอะไรที่โมเดลจะชี้ไปหาได้ แต่ถ้าข้อเท็จจริง ตัวเลข หรือตัวอย่างถูกรีเฟรชจริง ย่อหน้านั้นจะได้สัญญาณความสดใหม่ที่มีความหมาย ซึ่งสำคัญที่สุดกับคำค้นที่ไวต่อเวลา เช่น ราคาหรือสถิติ

เว็บไซต์เล็กหรือใหม่กว่าจะถูกอ้างอิงแทนคู่แข่งรายใหญ่ได้ไหม

ได้ สำหรับย่อหน้าเฉพาะที่โมเดลกำลังประเมินอยู่ในตอนนั้น ขั้นตอน retrieval ยังคงให้น้ำหนักกับความเกี่ยวข้องและความน่าเชื่อถือที่สั่งสมมา ดังนั้นโดเมนใหม่เอี่ยมอาจเข้าไม่ถึง candidate pool ตั้งแต่แรกเลยด้วยซ้ำ แต่เมื่อหน้าเว็บนั้นเข้าไปอยู่ใน pool ได้แล้ว เว็บไซต์เล็กที่มีคำตอบเจาะจงชัดเจนหนึ่งย่อหน้า ก็สามารถถูกอ้างอิงแทนหน้าของคู่แข่งรายใหญ่ที่ข้อเท็จจริงเดียวกันถูกเจือจางกระจายอยู่หลายย่อหน้าได้