- ใช้ AI persona จำนวน 1,903 แบบที่สร้างจากข้อมูลคอมเมนต์จริงของ Hacker News เพื่อทำนายว่าหัวข้อโพสต์จะไวรัลหรือไม่ และทำได้ที่ ความแม่นยำ 60%
- ผลลัพธ์นี้ ดีกว่าการเดาสุ่ม 20% เปิดความเป็นไปได้ในการใช้แทนงานวิจัยตลาดบางส่วน แต่ก็เผยให้เห็นด้วยว่า การแพร่กระจายทางสังคม (dynamics) คือสาเหตุหลักที่ทำให้การทำนายยาก
- การวิเคราะห์กรณีทำนายพลาดยืนยันว่า อิทธิพลของโชคและจังหวะเวลา ซึ่งอัปโหวตช่วงแรกเพียงไม่กี่ครั้งก็อาจเปลี่ยนผลลัพธ์ทั้งหมดได้
- ผลลัพธ์นี้ชี้ว่า AI อาจจำลองรสนิยมรายบุคคลได้ดี แต่เมื่อเป็นการทำนายความสำเร็จแบบไวรัลก็ยังชนกับข้อจำกัด
- ผู้เขียนแนะนำว่า AI สำหรับวิจัยตลาดมีประโยชน์กับการสำรวจทิศทางมากกว่าการทำนายให้แม่นยำ และควร ใช้งานโดยเน้นการประเมินเชิงเปรียบเทียบและการจำลองซ้ำ
ภาพรวมการทดลองและผลลัพธ์
วิธีทดลอง: ชุมชน Hacker News เสมือนที่ประกอบด้วย AI
- เก็บรวบรวมหัวข้อโพสต์ Hacker News 1,147 รายการ ที่ถูกโพสต์เมื่อวันที่ 12 มีนาคม 2025
- สร้าง AI persona 1,903 แบบ จากคอมเมนต์ของผู้ใช้จริง แล้วถามแต่ละ persona ว่า “จะกดอัปโหวตหัวข้อนี้หรือไม่”
- นำทั้งโพสต์จริงที่อยู่อันดับบนและอันดับล่างมาคละกันให้ดู แล้ววัดความแม่นยำของการทำนาย
- อัตราความสำเร็จของการทำนายอยู่ที่ 60% ซึ่งสูงกว่าการสุ่ม (50%) อย่างมีนัยสำคัญ
กรณีที่ทำนายพลาดและข้อจำกัด
- “Gemma 3: Google’s new multimodal models” ถูก AI ทำนายว่าจะไวรัล แต่ความจริงมีเพียง 4 อัปโหวต
- ในทางกลับกัน “Gemma 3 Technical Report [pdf]” ซึ่งพูดถึงเรื่องเดียวกัน กลับได้ 1,324 อัปโหวต
- นอกจากนี้ หัวข้อชวนสะดุดตาอย่าง “TSA finds live turtle in man’s pants” AI ก็ทำนายว่าจะสำเร็จ แต่ผลจริงกลับไม่เป็นเช่นนั้น
การวิเคราะห์สาเหตุ
- การจะไวรัลหรือไม่นั้น ขึ้นอยู่กับบริบททางสังคมอย่างมาก เช่น การมองเห็นในช่วงแรก จำนวนอัปโหวต และจังหวะเวลา มากกว่าคุณภาพของเนื้อหาเพียงอย่างเดียว
- งานวิจัยของ Princeton: เมื่อนำลิสต์เพลงเดียวกันไปแสดงให้แต่ละกลุ่มเห็นต่างกัน บางเพลงกลับประสบความสำเร็จอย่างมากหรือไม่ก็ล้มเหลวโดยสิ้นเชิงซ้ำๆ
- ข้อสรุป: แทนที่จะเป็น “คอนเทนต์ดีจึงประสบความสำเร็จ” กลับเป็น “คอนเทนต์ที่ได้การมองเห็นอย่างมีโชคจะประสบความสำเร็จมากกว่า” อันเป็นอิทธิพลของ network effects
นัยเชิงปฏิบัติ: วิธีใช้ AI สำหรับวิจัยตลาด
- การทำนายด้วย AI persona ไม่ได้สมบูรณ์แบบ แต่ให้ ‘ความแม่นยำระดับใช้งานได้ (60%)’
- เครื่องมือวิจัยตลาดด้วย AI อื่นๆ ที่อ้างความแม่นยำระดับ 90% นั้น อิงจากข้อมูลแบบสอบถาม จึงต่างจากการทำนายความไวรัลในโลกจริงมาก
กลยุทธ์การใช้งานจริง
- ใช้เป็นเครื่องมือสำหรับทดลองซ้ำและสำรวจทิศทาง ไม่ใช่เพื่อทำนายแบบฟันธง
- ตัวอย่าง: ทดสอบพาดหัว 10 แบบเพื่อคัดตัวเลือกที่ควรตัดทิ้งออก
- ตรวจสอบผ่านการจำลองซ้ำหลายรอบ
- ตัวอย่าง: คอนเทนต์ที่ได้คะแนนสูงอย่างน้อย 6 ครั้งจาก 8 ครั้ง มีคุณค่าพอที่จะทดลองจริง
- โฟกัสที่การเปรียบเทียบอันดับสัมพัทธ์มากกว่าค่าตัวเลขแบบสัมบูรณ์
- AI แยกความต่างแบบเด่นชัดได้ดี แต่ทำนายยากเมื่อเป็นคอนเทนต์ที่คล้ายกันมาก
ลองทำเอง: พรอมป์ตโคลนผู้ใช้ HN
- คัดลอกข้อความจากหน้าคอมเมนต์ของผู้ใช้ Hacker News แล้วใส่ลงใน ChatGPT หรือ Claude พร้อมพรอมป์ตด้านล่าง เพื่อ สร้าง persona เสมือน ได้
You are a helpful assistant that creates detailed personas representing a specific HackerNews user from a list of HackerNews comments they have made. Create a unique persona who would give identical answers to the user we are replicating based on their comments. Give them a relevant background and experience based on your best inference from their HackerNews comments...
- สามารถนำ persona ที่สร้างขึ้นไปใช้ทดสอบไอเดียคอนเทนต์หลายแบบได้
- แม้วิธีนี้จะไม่ใช่การทำนายที่ผ่านการปรับแก้เชิงสถิติ, แต่ก็ยัง เป็นเครื่องมือที่มีความหมายสำหรับการสำรวจทิศทางได้โดยไม่เสียต้นทุน
บทสรุป
- AI อาจจำลองปฏิกิริยาของผู้ใช้รายบุคคลได้ค่อนข้างดี แต่ ความสำเร็จแบบไวรัลได้รับอิทธิพลจาก ‘ความโกลาหล’ ของการแพร่กระจายทางสังคม
- สุดท้ายแล้ว ในการทำนายคอนเทนต์ AI จึงทำหน้าที่ได้เพียงเป็นไกด์บอกทิศทาง ไม่ใช่ผู้พยากรณ์
- ถึงอย่างนั้น การทดลองนี้ก็เปิดความเป็นไปได้ว่า แม้แต่ทีมเล็กหรือบุคคลทั่วไปก็สามารถใช้ AI ทำวิจัยตลาดต้นทุนต่ำได้
ยังไม่มีความคิดเห็น