เมื่อเอเจนต์ AI อ่านเว็บไซต์ของธุรกิจไม่ได้ มันไม่ยอมแพ้ แต่จะตอบอยู่ดีจากแหล่งอื่นที่หาเจอ และธุรกิจนั้นถูกแนะนำน้อยลงราวครึ่งหนึ่ง งานวิจัยที่เผยแพร่เมื่อ 6 ตุลาคม 2026 แสดงให้เห็นด้วยบันทึกการทำงานสองชุดของคำถามเดียวกัน ถามเอเจนต์ตัวเดียวกัน ผู้ซื้อถามว่ามีอะไรให้ทดลองใช้ฟรีบ้าง
บน twilio.com เอเจนต์ค้นเว็บหนึ่งครั้ง เปิดหน้าของ Twilio เองห้าหน้า ตั้งแต่หน้าทดลองใช้ไปจนถึงเอกสารประกอบ แล้วตอบจากหน้าเหล่านั้น รวมเจ็ดขั้นตอน บน hashicorp.com เอเจนต์ถูกระบบป้องกันบอตของเว็บไซต์บล็อกสองครั้ง จึงหันไปค้นเว็บเจ็ดครั้ง วนอยู่กับเอกสารเป็นชิ้น ๆ และบล็อกโพสต์หนึ่งชิ้น แล้วจบการค้นที่บล็อกของคู่แข่งสองราย แต่มันก็ยังให้คำตอบ และเป็นคำตอบที่มั่นใจด้วย
งานวิจัยเรียกคุณสมบัติที่แยกสองเว็บไซต์นี้ออกจากกันว่า agent experience หรือ AX คือเว็บไซต์รองรับเอเจนต์ AI ที่เข้ามาดึงและอ่านเนื้อหาได้ดีแค่ไหน ผู้เขียนเสนอว่าวันนี้ AX สำคัญกว่าการถูกพูดถึงบนเว็บไซต์อื่น ข้อเสนอนี้ท้าทายส่วนหนึ่งของแนวทาง AEO และ GEO รวมถึงงานที่เอเจนซีอย่าง KAIS ทำอยู่ จึงเป็นเหตุผลที่ดีที่จะอ่านอย่างละเอียด
งานวิจัยนี้วัดอะไร?
งานวิจัย arXiv:2609.34951 รันการทำงานของเอเจนต์ AI 37,927 ครั้ง กับธุรกิจจริง 1,056 ราย แบ่งเป็นสองกลุ่มที่จับคู่กัน และต่างกันเป็นหลักที่ความอ่านง่ายของเว็บไซต์สำหรับเอเจนต์ ผู้เขียนคือ Ido Finder, Assaf Elovic, Gad Shalev และ Liad Yosef จาก ora research มีข้อหนึ่งที่ต้องรู้ก่อนดูตัวเลขใด ๆ คือ ora ขายเครื่องมือจัดอันดับความพร้อมสำหรับเอเจนต์ ซึ่งเป็นเครื่องมือที่งานวิจัยใช้แบ่งกลุ่มเว็บไซต์ ผู้เขียนระบุเรื่องนี้เอง และนำเสนอคะแนนนี้ว่าเป็นเครื่องมือวัดของพวกเขา ไม่ใช่การวัดที่เป็นอิสระ
ธุรกิจครึ่งหนึ่งถูกจัดว่าพร้อมสำหรับเอเจนต์ โดยมีคะแนนการเข้าถึงอย่างน้อย 0.65 จาก 1 และอีกครึ่งถูกจัดว่าไม่พร้อม ที่ 0.50 หรือต่ำกว่า คะแนนนี้ตรวจหลายอย่าง เช่น เนื้อหาเหลืออยู่แค่ไหนเมื่อดึงหน้าโดยไม่รัน JavaScript ระบบควบคุมบอตยอมให้เอเจนต์ที่ผู้ใช้สั่งงานผ่านหรือไม่ และเข้าถึงหน้าราคากับเอกสารประกอบได้หรือไม่ ธุรกิจที่พร้อมแต่ละรายถูกจับคู่กับธุรกิจที่คล้ายกันในอุตสาหกรรมและระดับความนิยมเดียวกัน คู่เหล่านี้จับให้เท่ากันทั้งด้านชื่อเสียง ด้านที่โมเดลรู้จักแบรนด์อยู่แล้วมากแค่ไหน และตัวแทนวัด AEO สองตัว คือแบรนด์ถูกพูดถึงบนเว็บไซต์ภายนอกกว้างแค่ไหน และคะแนนการถูกค้นพบ
ธุรกิจแต่ละรายได้รับคำถามของผู้ซื้อสามข้อ เรื่องราคา ฟีเจอร์ และการตั้งค่าใช้งาน รันสามรอบบนชุดเอเจนต์สี่ชุด ได้แก่ claude-sonnet-4-6 และ claude-haiku-4-5 ของ Anthropic ที่ใช้ระบบค้นหาของ Anthropic เอง และ gpt-5.4 กับ gpt-5.4-mini ของ OpenAI ที่ใช้ Tavily search API ทุกคำถามระบุโดเมนของธุรกิจ งานวิจัยจึงวัดสิ่งที่เกิดขึ้นเมื่อเอเจนต์กำลังดูธุรกิจหนึ่งอยู่แล้ว ไม่ได้วัดว่าธุรกิจนั้นจะถูกหยิบขึ้นมาท่ามกลางคู่แข่งหรือไม่
เอเจนต์ AI ยังตอบจากสิ่งที่เรียนรู้มาอยู่หรือไม่?
แทบไม่เลย ในชุดเอเจนต์สี่ชุดที่ทดสอบ มีเพียง 7% ถึง 10% ของคำตอบสุดท้ายที่มาจากความรู้ที่โมเดลได้จากการฝึก ไม่ว่าเว็บไซต์จะอ่านง่ายหรือไม่ ส่วนที่เหลือมาจากหน้าเว็บและผลการค้นหาที่ดึงมาระหว่างการทำงาน
ผู้เขียนยังติดตามการเปลี่ยนแปลงนี้ข้ามรุ่นของ OpenAI โดยถามคำถามของผู้ซื้อ 90 ข้อกับแต่ละโมเดล และให้ใช้เครื่องมือเว็บได้ตามสมัครใจ GPT-4.1 ยังสร้างคำตอบราวครึ่งหนึ่งจากความจำ คือ 52% พอถึง gpt-5.6 สัดส่วนนี้ลดลงเหลือ 14% งานวิจัยใช้ AI เป็นผู้ตัดสินในการแยกแยะนี้ และผู้เขียนระบุว่าความจำยังใช้กับข้อเท็จจริงที่คงที่ในการแชตธรรมดา แต่สำหรับคำถามเรื่องราคา แพ็กเกจ และการตั้งค่า สิ่งที่เอเจนต์อ่านระหว่างการทำงานเป็นตัวกำหนดคำตอบส่วนใหญ่แล้ว
จะเกิดอะไรขึ้นเมื่อเอเจนต์อ่านเว็บไซต์ไม่ได้?
มันตอบอยู่ดี และคำตอบถูกสร้างขึ้นโดยไม่มีธุรกิจนั้นอยู่ด้วย ในการทำงานที่เจอทางตันบนเว็บไซต์ ราว 99% เอเจนต์ยังคงตอบจากแหล่งอื่น สำหรับธุรกิจที่พร้อมสำหรับเอเจนต์ 78% ของคำตอบสุดท้ายมาจากหน้าของธุรกิจเอง และ 12% มาจากการค้นเว็บ สำหรับธุรกิจที่ไม่พร้อม สัดส่วนจากหน้าของตัวเองลดลงเหลือ 58% และการค้นเว็บเพิ่มเป็นสองเท่าเป็น 25% พูดอีกอย่างคือ 42% ของสิ่งที่ผู้ซื้ออ่านเกี่ยวกับธุรกิจที่เว็บไซต์อ่านยาก มาจากคนอื่น
กลไกนี้เห็นได้เป็นความชันที่สม่ำเสมอ ตลอดช่วงคะแนนการเข้าถึง จำนวนการค้นเว็บเฉลี่ยต่อการทำงานเพิ่มจาก 1.8 ครั้งบนเว็บไซต์ที่อ่านง่ายที่สุด เป็น 4.5 ครั้งบนเว็บไซต์ที่อ่านยากที่สุด การค้นแต่ละครั้งที่เพิ่มขึ้นคือโอกาสอีกครั้งที่คำตอบจะพึ่งหน้าที่ล้าสมัย บทความเปรียบเทียบของคู่แข่ง หรือเว็บรวบรวมข้อมูล บนเว็บไซต์ที่อ่านยาก เอเจนต์ยังถูกเว็บไซต์บล็อกบ่อยกว่า 2.1 เท่า (33.5% ของการทำงาน เทียบกับ 15.8%) ใช้จำนวนรอบมากขึ้น 23% และใช้เวลาตอบนานขึ้น 15%
Agent experience คือเว็บไซต์รองรับเอเจนต์ AI ที่เข้ามาดึงและอ่านเนื้อหาแทนคนได้ดีแค่ไหน Mathias Biilmann บัญญัติคำนี้ในปี 2025 สำหรับผลิตภัณฑ์และแพลตฟอร์ม ผู้เขียน arXiv:2609.34951 นำมาใช้กับเว็บไซต์ของธุรกิจเอง
ธุรกิจที่เว็บไซต์อ่านง่ายถูกแนะนำบ่อยกว่าหรือไม่?
ใช่ คำตอบแนะนำธุรกิจที่พร้อมสำหรับเอเจนต์อย่างชัดเจน 20% ของครั้ง เทียบกับ 11% สำหรับธุรกิจอื่น คิดเป็น 1.9 เท่า ผู้ตัดสินที่เป็น AI สองตัวจากต่างผู้ให้บริการ ให้คะแนนแต่ละคำตอบจาก 0 ถึง 4 โดยไม่รู้ว่าธุรกิจอยู่กลุ่มไหน คำตอบจะนับเป็นการแนะนำอย่างชัดเจนก็ต่อเมื่อทั้งสองให้คะแนนสูงสุด
ช่องว่างนี้คงอยู่ในชุดเอเจนต์ทั้งสี่ชุด แม้ค่าพื้นฐานของแต่ละชุดจะต่างกันมาก ชุด claude-code แนะนำอย่างชัดเจน 5% เทียบกับ 2% ชุด gpt-5.4 แนะนำ 36% เทียบกับ 20% และคงอยู่ในธุรกิจทั้งสิบสองหมวด ตั้งแต่ 1.2 เท่าในงานบริการลูกค้า ไปจนถึง 2.5 เท่าในโครงสร้างพื้นฐานไอที โดยช่องว่างใหญ่ที่สุดในหมวดที่ผู้ซื้อเปรียบเทียบผู้ให้บริการก่อนตัดสินใจ
ภาษาของคำตอบบอกว่าเกิดอะไรขึ้นแทน เมื่อเอเจนต์อ่านเว็บไซต์ไม่ได้ คำตอบมีแนวโน้มยอมรับว่าเข้าถึงข้อมูลไม่ได้มากกว่า 4.4 เท่า รับรองธุรกิจผ่านแหล่งข้อมูลมือสองมากกว่า 3.0 เท่า ตอบคลุมเครือมากกว่า 1.8 เท่า และส่งผู้ซื้อไปตรวจสอบเองมากกว่า 1.4 เท่า คำตอบที่ขึ้นต้นว่า "เว็บไซต์แสดงข้อผิดพลาด" ไม่ใช่คำแนะนำ ไม่ว่าจะตามมาด้วยอะไร
คำตอบแม่นยำกว่าหรือไม่เมื่อเอเจนต์อ่านเว็บไซต์?
ใช่ สำหรับธุรกิจเดียวกันและคำถามเดียวกัน คำตอบที่สร้างจากเว็บไซต์ของธุรกิจเองได้ข้อเท็จจริงที่ถามถูกต้อง 48.3% เทียบกับ 34.3% สำหรับคำตอบที่สร้างจากเว็บทั่วไป มากกว่า 41% นักวิจัยเก็บข้อเท็จจริงที่แต่ละเว็บไซต์เผยแพร่ด้วยการเรนเดอร์ผ่านเบราว์เซอร์เต็มรูปแบบ แล้วตรวจข้อเท็จจริง 31,127 ข้อ ในคำตอบ 2,499 ชิ้น เกี่ยวกับธุรกิจ 131 ราย
ความผิดพลาดไม่ใช่การแต่งขึ้น แต่เป็นการละเว้น ข้อเท็จจริงที่ระบุผิดเพิ่มขึ้นเพียงจาก 4% เป็น 6% เมื่อคำตอบมาจากเว็บทั่วไป แต่ข้อเท็จจริงที่ไม่ถูกกล่าวถึงเลยเพิ่มจาก 29% เป็น 45% คำตอบที่สร้างจากเว็บทั่วไปมีโอกาสไม่มีข้อเท็จจริงที่ผู้ซื้อถามเลยสักข้อมากกว่า 3.7 เท่า ผลใหญ่ที่สุดเกิดกับเรื่องราคา +64% มีผลกับฟีเจอร์ +18% และไม่มีผลกับการตั้งค่า ซึ่งคำตอบส่วนใหญ่อยู่ในเอกสารประกอบที่ทั้งสองช่องทางเข้าไม่ถึง
มีผลหนึ่งที่ชี้ไปอีกทาง และผู้เขียนรายงานไว้ เมื่อเปรียบเทียบกลุ่มต่อกลุ่มแทนที่จะเป็นคำตอบต่อคำตอบ ความแม่นยำต่างกันไม่ถึงสองจุด คือ 51.7% เทียบกับ 49.8% ซึ่งไม่มีนัยสำคัญกับธุรกิจ 131 ราย ความพร้อมทำให้เอเจนต์มีโอกาสอ่านเว็บไซต์มากขึ้น แต่ไม่ได้รับประกันว่าจะอ่าน
AEO ยังสำคัญอยู่หรือไม่เมื่อเว็บไซต์อ่านง่ายแล้ว?
ในขั้นตอนที่งานวิจัยนี้วัด ตัวแทนวัด AEO ทั้งสองตัวไม่แสดงผลของตัวเอง ขณะที่ความอ่านง่ายของเว็บไซต์ทำนายการอ้างอิงแหล่งข้อมูล การแนะนำ และต้นทุนได้ เมื่อคุมความอ่านง่าย ความนิยม และอุตสาหกรรมให้คงที่ การที่แบรนด์ถูกพูดถึงบนเว็บไซต์ภายนอกกว้างแค่ไหนไม่สัมพันธ์กับผลลัพธ์ใดในสามข้อ คะแนนการถูกค้นพบแสดงสัญญาณอ่อน ๆ หนึ่งจุดในด้านการแนะนำ ซึ่งต่ำกว่าเกณฑ์ยืนยันของผู้เขียน
ผลนี้มีขอบเขตชัดเจน และแคบกว่าชื่อของงานวิจัย ทุกคำถามระบุชื่อธุรกิจ การถูกหยิบขึ้นมาท่ามกลางคู่แข่งจึงไม่เคยถูกทดสอบ ผู้เขียนเองอธิบายการทำ answer-engine optimization ว่ามีสองขั้นตอน คือการทำ SEO เพื่อให้ถูกหยิบขึ้นมา และ agent experience สำหรับการอ่านที่ตามมา พวกเขายังระบุว่าเอเจนต์เข้าถึงหน้าส่วนใหญ่ผ่านการค้นเว็บ ดังนั้นสิ่งที่ติดอันดับยังกำหนดสิ่งที่เอเจนต์เห็นได้มาก ข้อสรุปของพวกเขาไม่ใช่ว่าการถูกค้นพบไม่สำคัญอีกต่อไป แต่คือมันยังไม่พอ
หลักฐานแข็งแรงแค่ไหน?
ความแตกต่างหลักมีขนาดใหญ่และสม่ำเสมอ แต่งานวิจัยมาจากผู้ขายเครื่องมือ และยังมีตัวแปรกวนหนึ่งตัวที่ไม่ได้ควบคุม ตารางด้านล่างแสดงการเปรียบเทียบหลักตามที่เผยแพร่
| ตัวชี้วัด | พร้อมสำหรับเอเจนต์ | ไม่พร้อม | อัตราส่วน |
|---|---|---|---|
| สัดส่วนหลักฐานจากเว็บไซต์ของธุรกิจเอง | 0.776 | 0.549 | 1.41× |
| การทำงานที่ตอบจากเว็บไซต์อย่างเดียว | 77.8% | 55.5% | 1.40× |
| จำนวนการค้นเว็บต่อการทำงาน | 2.16 | 3.38 | 1.57× |
| การทำงานที่ถูกเว็บไซต์บล็อก | 15.8% | 33.5% | 2.12× |
| การแนะนำอย่างชัดเจน (ผู้ตัดสินทั้งสอง) | 20.4% | 10.6% | 1.93× |
| ความแม่นยำ กลุ่มต่อกลุ่ม (ธุรกิจ 131 ราย) | 51.7% | 49.8% | ไม่มีนัยสำคัญ |
ผู้เขียนระบุข้อจำกัดไว้ กลุ่มทั้งสองไม่ได้จับคู่ตามปริมาณเนื้อหาที่แต่ละเว็บไซต์เผยแพร่ ธุรกิจที่บล็อกเอเจนต์อาจเผยแพร่ข้อมูลน้อยกว่าด้วย ซึ่งจะทำให้ช่องว่างกว้างขึ้นเอง มีเพียงการศึกษาแบบก่อนและหลัง คือปรับปรุงเว็บไซต์แล้ววัดใหม่ ที่จะตอบเรื่องนี้ได้ กลุ่มตัวอย่างเอนไปทางซอฟต์แวร์และอีคอมเมิร์ซ ส่วนใหญ่เป็นภาษาอังกฤษ และคำถามเป็นการค้นหาข้อเท็จจริง การแนะนำและแหล่งที่มาของคำตอบตัดสินโดยโมเดลภาษา และคะแนนความพร้อมที่ใช้แบ่งกลุ่มเป็นผลิตภัณฑ์ของผู้เขียนเอง
รองรับ: เมื่อคำถามของผู้ซื้อระบุชื่อธุรกิจอยู่แล้ว เอเจนต์ที่ดึงและอ่านเว็บไซต์ได้จะตอบจากเว็บไซต์นั้นเป็นหลัก แนะนำธุรกิจอย่างชัดเจนกว่า และละเว้นข้อเท็จจริงที่ถามน้อยกว่า ไม่รองรับ: "การมองเห็นนอกเว็บไซต์ไม่สำคัญอีกต่อไป" งานวิจัยไม่เคยทดสอบว่าธุรกิจถูกหยิบขึ้นมาท่ามกลางคู่แข่งหรือไม่ ยังไม่ได้พิสูจน์: ว่าความอ่านง่ายเพียงอย่างเดียวเป็นสาเหตุของช่องว่างในการแนะนำ เพราะไม่ได้จับคู่ตามความลึกของเนื้อหา
ธุรกิจควรตรวจอะไรบนเว็บไซต์ของตัวเอง?
ตรวจว่าเอเจนต์ที่ถูกส่งไปที่เว็บไซต์กลับมาพร้อมข้อเท็จจริงที่ผู้ซื้อถามหรือไม่ สิ่งที่ตามมาคือการตีความงานวิจัยของ KAIS ที่แปลงเป็นการตรวจที่ธุรกิจทำได้เอง งานวิจัยให้คะแนนความพร้อมเป็นภาพรวม ไม่ได้แยกผลของแต่ละข้อด้านล่าง
ข้อแรก เนื้อหามีอยู่โดยไม่ต้องรัน JavaScript หรือไม่ เอเจนต์ส่วนใหญ่ไม่รันสคริปต์โดยค่าเริ่มต้น หน้าที่ประกอบขึ้นในเบราว์เซอร์หลังโหลดจึงอาจแทบว่างเปล่าสำหรับเอเจนต์ การทดสอบง่าย ๆ คือดึง HTML ดิบของหน้า แล้วดูว่ามีราคา แพ็กเกจ และข้อเท็จจริงสำคัญอยู่หรือไม่
ข้อสอง เว็บไซต์ยอมให้เอเจนต์เข้าหรือไม่ ในบันทึกการทำงานของ HashiCorp หน้าราคาตอบกลับด้วยการบล็อกบอตสองครั้ง กฎของไฟร์วอลล์หรือระบบป้องกันบอตอาจปฏิเสธเอเจนต์ที่ robots.txt อนุญาต ช่องว่างนี้อธิบายไว้ใน robots.txt ของคุณบอกว่าใช่ แต่ไฟร์วอลล์บอกว่าไม่
ข้อสาม ข้อเท็จจริงที่ผู้ซื้อถามถูกเขียนไว้บนหน้าที่เข้าถึงได้หรือไม่ ราคาแสดงความแม่นยำที่เพิ่มขึ้นมากที่สุดเมื่อเอเจนต์อ่านเว็บไซต์ การตั้งค่าเพิ่มน้อยที่สุด เพราะข้อมูลการตั้งค่าซ่อนอยู่ในเอกสารที่เอเจนต์ไม่ค่อยเข้าถึง ราคาที่ปรากฏเฉพาะในแบบฟอร์มขอใบเสนอราคา หรือรายการฟีเจอร์ที่ทำเป็นรูปภาพ ทำให้เอเจนต์ต้องไปหาที่อื่น
ข้อสี่ แต่ละหน้าอ่านง่ายเมื่อถูกดึงมาแล้วหรือไม่ ส่วนที่ชัดเจนพร้อมหัวข้อที่อธิบายเนื้อหา ช่วยให้ค้นเจอข้อความที่ตรงคำถาม ตามที่งานวิจัยของ Notre Dame แสดงไว้เมื่อต้นเดือนนี้ ซึ่งเราอธิบายไว้ใน โครงสร้างหน้าเว็บช่วยให้ AI ค้นเจอเนื้อหาของคุณ
สี่ข้อตรวจสำหรับเว็บไซต์ที่เอเจนต์อ่านได้
- เนื้อหาโดยไม่ต้องใช้ JavaScript: ข้อเท็จจริงสำคัญอยู่ใน HTML ดิบ
- การเข้าถึงสำหรับเอเจนต์: ไม่มีการบล็อกบอตบนหน้าที่ผู้ซื้อถามถึง
- ข้อเท็จจริงเป็นข้อความ: ราคา แพ็กเกจ และฟีเจอร์เขียนไว้ชัด ไม่ซ่อนในแบบฟอร์มหรือรูปภาพ
- หน้าที่อ่านง่าย: หนึ่งหัวเรื่องต่อหนึ่งส่วน พร้อมหัวข้อที่อธิบายเนื้อหา
ธุรกิจจะวัดสิ่งที่เอเจนต์ทำบนเว็บไซต์ได้อย่างไร?
ด้วยการส่งคำถามของผู้ซื้อผ่านเอเจนต์ แล้วอ่านบันทึกการทำงาน ไม่ใช่อ่านแค่คำตอบ วิธีของงานวิจัยสังเกตได้จากภายนอก เอเจนต์เปิดหน้าของธุรกิจหรือไม่ ถูกบล็อกหรือไม่ ค้นเว็บกี่ครั้ง ไปจบที่เว็บไซต์ไหน และคำตอบพูดอ้อมแอ้มหรือไม่
สิ่งนี้เพิ่มอีกชั้นให้การวัดการมองเห็นใน AI KAIS ไม่นับคำถามที่ระบุชื่อแบรนด์ในคะแนนการมองเห็น เพราะคำถามที่ระบุชื่อแบรนด์ย่อมเจอแบรนด์เสมอ งานวิจัยนี้แสดงว่าคำถามเหล่านั้นยังควรได้รับการทดสอบแยกต่างหาก เมื่อผู้ซื้อระบุชื่อธุรกิจแล้ว ผลลัพธ์ขึ้นอยู่กับว่าเอเจนต์อ่านเว็บไซต์ได้หรือไม่ การทดสอบเจาะลึกด้วยคำถามที่ระบุชื่อแบรนด์ รันหลายรอบบนเอเจนต์สองถึงสามตัว จะบอกได้ว่าเว็บไซต์ตอบแทนตัวเอง หรือปล่อยงานนี้ให้คนอื่น
เรื่องนี้อยู่ตรงไหนใน AI Visibility Chain ของ KAIS?
งานวิจัยนี้อยู่ในขั้นที่สองและสามของ AI Visibility Chain ของ KAIS คือ Be Retrieved และ Be Understood โดยใช้กับเว็บไซต์ของธุรกิจเอง
Be Discovered → Be Retrieved → Be Understood → Be Trusted → Be Cited → Influence the Answer → Be Recommended
มันยังเกี่ยวกับ Be Trusted ด้วย เมื่อเอเจนต์อ่านเว็บไซต์ของธุรกิจไม่ได้ มันจะพึ่งหน้าที่ธุรกิจไม่ได้ควบคุม ผู้เขียนอ้างงานวิจัยที่แก้ไขหน้า Reddit หรือ Wikipedia เพียงหน้าเดียว ด้วยคำเพียง 13 คำ แล้วข้อความที่ใส่ไว้ถูกอ้างอิงในรายงาน deep research 38% ถึง 51% เว็บไซต์ของธุรกิจเองที่อ่านง่ายคือแหล่งเดียวที่ธุรกิจรับรองได้ และขั้นสุดท้ายของ Chain คือ Be Recommended เป็นจุดที่งานวิจัยพบช่องว่างใหญ่ที่สุด ซึ่งวัดด้วยความระมัดระวังแบบเดียวกับใน แบรนด์ของคุณถูก AI อ้างอิง แต่ถูกแนะนำหรือเปล่า
การถูกค้นพบเปิดประตู การถูกอ่านตัดสินคำตอบ
งานวิจัยนี้ไม่ได้ทำให้การมองเห็นนอกเว็บไซต์หมดความสำคัญ แต่เลื่อนช่วงเวลาชี้ขาดออกไปอีกหนึ่งขั้น เอเจนต์ที่พบธุรกิจแล้วยังต้องอ่านธุรกิจนั้น และเมื่ออ่านไม่ได้ มันไม่รอ มันไปถามคนอื่น
คำตอบเรื่อง Twilio มาจาก Twilio คำตอบเรื่อง HashiCorp ไปจบที่บล็อกของคู่แข่ง ทั้งสองคำตอบฟังดูมั่นใจ มีเพียงคำตอบเดียวที่สร้างจากธุรกิจที่มันพูดถึง
แหล่งที่มาและเอกสารอ้างอิง
- Finder, Elovic, Shalev และ Yosef — AX is the New AEO, ora research, arXiv:2609.34951v3 [cs.AI], 6 ตุลาคม 2026 การออกแบบงานวิจัยและความสมดุลของตัวแปรร่วม (หัวข้อ 4, ตารางที่ 1) ชุดเอเจนต์ (ตารางที่ 2) สัดส่วนความรู้จากการฝึก (หัวข้อ 3, ภาพที่ 1) บันทึกการทำงาน (ภาพที่ 3) การแนะนำ (หัวข้อ 5.2, ภาพที่ 4–6, ตารางที่ 3) องค์ประกอบของคำตอบและการค้นเว็บ (หัวข้อ 5.3, ภาพที่ 7–8) ต้นทุน (หัวข้อ 5.4) ความแม่นยำ (หัวข้อ 5.5, ตารางที่ 5, ภาพที่ 10) การควบคุม AEO (หัวข้อ 5.6, ตารางที่ 6) สรุป (ตารางที่ 7) และข้อจำกัด (หัวข้อ 7) ผู้เขียนทำงานให้ ora ซึ่งเครื่องมือจัดอันดับความพร้อมสำหรับเอเจนต์ของบริษัทใช้กำหนดกลุ่มในงานวิจัย ตัวเลขจากแหล่งอื่น (งานวิจัยเรื่องการปนเปื้อนข้อมูลบน Reddit และ Wikipedia และนิยาม AX ของ Mathias Biilmann) อ้างตามที่ผู้เขียนรายงาน ตัวเลขทั้งหมดมาจากงานวิจัย KAIS ไม่ได้ทำซ้ำเอง