Generative AI vs Predictive AI ต่างกันอย่างไร และ SME ควรเริ่มจากอะไร

คำว่า AI ไม่ได้หมายถึงงานแบบเดียวกันทั้งหมด บางงานต้องการให้ระบบ สร้างสิ่งใหม่ เช่น ร่างอีเมล สรุปเอกสาร หรือสร้างภาพ ขณะที่บางงานต้องการให้ระบบ ประเมินผลลัพธ์ เช่น โอกาสที่ลูกค้าจะซื้อ การแจ้งเตือนธุรกรรมผิดปกติ หรือยอดขายสัปดาห์หน้า การแยกสองโจทย์นี้ช่วยให้ SME เลือกเครื่องมือและวางคนคุมงานได้ตรงจุดมากขึ้น

บทความนี้ใช้คำว่า Predictive AI เป็นหมวดเชิงปฏิบัติสำหรับระบบที่คาดการณ์ label, probability, score หรือ future value จากข้อมูล ไม่ได้หมายความว่ามีโมเดลชนิดเดียวชื่อ Predictive AI ส่วน Generative AI อ้างอิงนิยามของ NIST ว่าเป็นกลุ่มโมเดลที่เลียนแบบโครงสร้างของข้อมูลเพื่อสร้าง synthetic content เช่น ข้อความ ภาพ เสียง วิดีโอ หรือข้อมูลดิจิทัลรูปแบบอื่น

สรุปสั้นที่สุด

Generative AI ทำอะไร

Generative AI รับบริบทหรือคำสั่งแล้วสร้าง output ใหม่ตามรูปแบบที่เรียนรู้มา งานยอดนิยมคือการร่างข้อความ สรุปข้อมูลที่ให้มา แปลงภาษาหรือรูปแบบ สร้างภาพ และช่วยระดมไอเดีย จุดแข็งคือช่วยให้คนเริ่มงานได้เร็ว แต่คำตอบที่อ่านลื่นไม่ได้แปลว่าถูกต้องเสมอ จึงต้องกำหนด source, format, ข้อห้าม และ reviewer ให้ชัด

ตัวอย่างในบริษัทเล็กคือให้ AI อ่านบันทึกการประชุมที่ผ่านการลบข้อมูลส่วนตัว แล้วสร้าง action list โดยต้องใส่ owner, due date และ quote จากต้นฉบับ เมื่อข้อมูลไม่พอให้ใส่ NEEDS_REVIEW แทนการเดา

Predictive AI ทำอะไร

Predictive AI ใช้ข้อมูลคุณลักษณะและผลลัพธ์ในอดีตเพื่อประเมินสิ่งที่อาจเกิดขึ้นหรือจัดกลุ่มรายการ ตัวอย่างเช่น score lead, คาดโอกาสชำระเงินล่าช้า, ตรวจรายการที่ผิดรูปแบบ, คาดจำนวนคำสั่งซื้อ หรือจัดลำดับ ticket ที่ควรตอบก่อน ผลลัพธ์ไม่ใช่คำตอบแน่นอน แต่เป็นสัญญาณที่ต้องกำหนด threshold, action และวิธีตรวจ false alarm

ถ้า dashboard แสดงว่า lead มีโอกาสซื้อ 0.78 ตัวเลขนี้ไม่ใช่คำสั่งให้โทรหาทันที ทีมต้องรู้ว่า score วัดจากข้อมูลช่วงไหน ใช้กับ segment ใด และเมื่อใดควรส่งให้คนตรวจ

อย่าตัดสินจากคำว่า AI ให้เริ่มจาก output

1. ถ้าต้องการ เนื้อหาใหม่หรือการแปลงข้อมูล ให้เริ่มพิจารณา Generative AI
2. ถ้าต้องการ คะแนน การจัดประเภท หรือการคาดการณ์ ให้เริ่มพิจารณา predictive/classification model
3. ถ้าต้องการทั้งสองอย่าง ให้แยกขั้นตอน: โมเดลทำนายหรือ route ก่อน แล้วค่อยใช้ generative model อธิบายหรือร่างสิ่งที่คนต้องทำ
4. ถ้าโจทย์เป็นกฎตายตัว เช่น ยอดเกินวงเงินแล้วต้องหยุด ให้ใช้ rule ก่อน ไม่ต้องใช้โมเดลเพื่อทำให้เรื่องง่ายกลายเป็นเรื่องคลุมเครือ

Decision table สำหรับ SME

Pattern ที่ใช้สองแบบร่วมกัน

workflow ที่ดีไม่ได้ให้โมเดลหนึ่งตัวทำทุกอย่าง แต่แบ่งบทบาทเป็นชั้น ๆ:

1. Collect: ตรวจว่าข้อมูลครบ version และสิทธิ์ถูกต้อง
2. Predict or route: คำนวณ score หรือเลือกเส้นทางตามกฎ
3. Generate: ใช้บริบทที่อนุญาตให้สร้างคำอธิบาย ร่าง หรือ checklist
4. Review: ให้ owner ตรวจ source, policy และผลกระทบ
5. Act and log: ลงมือทำเมื่อผ่าน gate และเก็บ input, output, decision, เวลา และผู้อนุมัติ

ตัวอย่าง: ระบบคาด churn ของลูกค้าเพื่อแบ่งกลุ่ม จากนั้น Generative AI ร่างอีเมลตาม policy ของกลุ่มนั้น แต่คนขายต้องตรวจสิทธิ์ ส่วนลด และข้อมูลลูกค้าก่อนส่ง

Prompt ที่แยกงานสร้างออกจากงานตัดสินใจ

ใช้ prompt แบบนี้เป็นจุดเริ่มต้นเมื่อมี score หรือผลการคาดการณ์อยู่แล้ว:

จาก segment, score, policy และ source ที่แนบมา ให้ร่างข้อความสำหรับ reviewer เท่านั้น แสดงเหตุผลที่มีหลักฐาน แยกข้อเท็จจริงออกจากข้อเสนอ ห้ามเพิ่มข้อมูลลูกค้าที่ไม่มีใน source ห้ามตัดสินใจแทนคน หากข้อมูลไม่พอให้ใส่ NEEDS_REVIEW พร้อมระบุช่องว่าง และส่งออกเป็นตาราง claim, source, risk, next_action

prompt นี้ไม่ได้ทำให้โมเดลทำนายแม่นขึ้น แต่ช่วยกันไม่ให้ output ที่สร้างขึ้นถูกเข้าใจผิดว่าเป็นการอนุมัติหรือข้อเท็จจริงใหม่

เลือกจากความเสี่ยง ไม่ใช่แค่ความเก่ง

• Generative: ตรวจ hallucination, ความเป็นส่วนตัว, ลิขสิทธิ์, prompt injection, น้ำเสียง และ source grounding
• Predictive: ตรวจคุณภาพ label, data drift, calibration, false positive/negative และความแตกต่างระหว่างกลุ่ม
• ทั้งสอง: จำกัดสิทธิ์ แยก sandbox จาก production มี rollback และกำหนด owner
• งานความเสี่ยงสูง: อย่าให้ score หรือข้อความจาก AI เป็นการตัดสินใจอัตโนมัติเรื่องคน เงิน สุขภาพ กฎหมาย หรือความปลอดภัย

วัดผลอย่างไร

อย่าวัดแค่เปอร์เซ็นต์งานที่ AI ทำได้ ให้แยก metric ตามชั้นงาน:

กำหนด baseline ก่อนเปิดใช้จริง และเก็บตัวอย่างที่โมเดลผิดเพื่อปรับข้อมูลหรือกฎ ไม่ควรเปลี่ยน threshold เพียงเพื่อให้ dashboard ดูดี

แผนทดลอง 2 สัปดาห์สำหรับ SME

1. เลือกงานหนึ่งงานที่มี output ชัดและไม่กระทบสิทธิ์สูง
2. เก็บตัวอย่างย้อนหลังและทำเกณฑ์ยอมรับโดยคน 2 คนตรวจ
3. ทำ baseline แบบ rule หรือ spreadsheet ก่อน
4. ทดลอง Generative หรือ Predictive ทีละชั้น อย่าเปิด automation ทั้งสายพร้อมกัน
5. บันทึกเวลาแก้ไข false alarm, ข้อผิดพลาด และคำถามที่คนต้องตอบ
6. ประชุมตัดสินใจว่าจะขยาย ลด scope หรือหยุด โดยอิงหลักฐาน

FAQ

Generative AI แม่นกว่า Predictive AI ไหม

เปรียบเทียบตรง ๆ ไม่ได้ เพราะทำคนละงาน Generative วัดความถูกต้องตาม source และคุณภาพ output ส่วน predictive วัดการคาดการณ์เทียบกับผลจริงและผลกระทบของ threshold

ใช้ ChatGPT ทำ predictive ได้ไหม

อาจช่วยสำรวจข้อมูลหรืออธิบายผลได้ แต่ระบบ production ที่ต้องการ score สม่ำเสมอควรระบุ model, features, validation, version และ monitoring ให้ชัด อย่าใช้ข้อความที่อ่านดีเป็นหลักฐานว่า score เชื่อถือได้

ธุรกิจเล็กควรเริ่มแบบไหน

เริ่มจากงานที่มีข้อมูลพร้อม มี reviewer และย้อนกลับได้ เช่น สรุปเอกสาร จัดกลุ่มคำถาม หรือทำรายงานร่าง ถ้าเป็นการคาดการณ์ให้เริ่มจาก dashboard และ human approval ก่อน action อัตโนมัติ

สรุป

Generative AI เหมาะกับการสร้างหรือแปลงเนื้อหา ส่วน predictive AI เหมาะกับการประเมิน score, class หรือแนวโน้มจากข้อมูล ทั้งสองแบบสามารถอยู่ใน workflow เดียวกันได้ แต่ต้องแยกหน้าที่ให้ชัด: predict หรือ route ก่อน, generate เพื่อช่วยอธิบายหรือร่าง, แล้วให้คนตรวจและอนุมัติก่อนลงมือจริง สำหรับ SME วิธีเริ่มที่ปลอดภัยคือเลือกงานเล็ก วัด baseline เก็บ audit log และขยายเมื่อหลักฐานบอกว่าคุ้มและควบคุมความเสี่ยงได้