เมื่อเครื่องมือ AI ห้าตัวตอบคำถามเดียวกัน พวกมันนำเสนอแบรนด์เดียวกัน 30.3% ของเวลา และอ้างอิงหน้าเว็บเดียวกันเป๊ะ 6.8% ของเวลา ต่างกัน 4.5 เท่า ตั้งแต่เดือนกรกฎาคม ตัวเลขนี้กลายเป็นฐานของคำแนะนำที่อ่านเจอได้ทุกที่ว่า แบรนด์ส่งผ่านได้ดีกว่าหน้าเว็บ จงลงทุนกับตัวตนของแบรนด์และเลิกไล่ตามการอ้างอิงเสียที

ในเดือนสิงหาคม ทีมที่ผลิตตัวเลขนี้ได้นำมันไปทดสอบกับเส้นฐานสุ่ม เมื่อเทียบกับสิ่งที่การสุ่มจะให้ ลำดับกลับด้าน

การทดสอบนี้ทำอะไร

การทดสอบแบบเพอร์มิวเทชันจะนำรายการแหล่งข้อมูลของเครื่องมือหนึ่งสำหรับคำถามหนึ่ง ไปเทียบกับรายการของอีกเครื่องมือหนึ่งสำหรับคำถามที่ไม่เกี่ยวข้องกัน โดยคงความยาวของรายการไว้เท่าเดิม มันวัดการซ้อนทับที่จะเกิดขึ้นโดยไม่มีความเข้าใจร่วมกันในหัวข้อเลย ทำสามครั้งด้วยการสับเปลี่ยนอิสระ ผลตรงกันถึงทศนิยมตำแหน่งที่สาม

ระดับค่าที่วัดได้จริงถ้าสุ่มเลือกสูงกว่ากี่เท่า
หน้าเว็บเดียวกันเป๊ะ6.8%0.16%42 เท่า
เว็บไซต์เดียวกัน10.9%1.0%11 เท่า
แบรนด์เดียวกัน30.3%1.8%17 เท่า

ในเปอร์เซ็นต์ดิบ แบรนด์ทิ้งห่างหน้าเว็บอย่างขาดลอย แต่เมื่อเทียบกับการสุ่ม หน้าเว็บกลับเป็นสัญญาณที่แข็งแรงกว่า ผู้เขียนระบุเองอย่างตรงไปตรงมาว่า พวกเขาจะไม่พูดอีกต่อไปว่าแบรนด์ «ส่งผ่านได้ดีกว่า» ราวกับว่ามันมีคุณสมบัติเหนือกว่า มันเพียงมีสนามของตัวเลือกที่เล็กกว่า คำตอบของ AI นำเสนอสามแบรนด์ แต่เลือกจากหน้าเว็บนับพัน การไปตรงกันที่ระดับแบรนด์จึงง่าย เพราะมีที่ว่างให้แย่งกันน้อยมาก

ทำไมการแก้ไขนี้สำคัญกว่าตัวเลข

อัตราการซ้อนทับใด ๆ จะเพิ่มขึ้นโดยอัตโนมัติเมื่อจำนวนตัวเลือกลดลง นั่นเป็นเรื่องเลขคณิต ไม่ใช่เรื่องพฤติกรรม เปอร์เซ็นต์ดิบในบริบทนี้จึงวัดขนาดของสนาม พอ ๆ กับวิธีที่เครื่องมือเลือก

การแก้ไขเดียวกันนี้ เมื่อนำไปใช้กับข้อค้นพบที่สองของงานวิจัย ได้ทำลายมันลง ในเชิงดิบ สองพื้นผิวของ Google คือ AI Overviews และ AI Mode เห็นตรงกัน 24.5% ของเว็บไซต์ เทียบกับค่าเฉลี่ย 7.3% สำหรับเครื่องมือจากคนละบริษัท ดูเหมือนได้เปรียบ 3.4 เท่า ซึ่งถูกตีความว่า «เครื่องมือจากผู้สร้างเดียวกันย่อมเลือกเหมือนกัน» เมื่อเทียบกับการสุ่ม ความได้เปรียบนี้เหลือเพียง 1.06 เท่า และแย่กว่านั้น Gemini เมื่อจับคู่กับพื้นผิวค้นหาของ Google กลับได้คะแนนสูงกว่าที่สองพื้นผิวนั้นทำได้ระหว่างกันเอง สิ่งที่ทำให้ AI Overviews และ AI Mode ใกล้กันจึงไม่ใช่วิธีเลือก แต่เป็นแหล่งรวมข้อมูลที่ทั้งคู่ดึงมาใช้

ตัวเลขดิบไม่ได้บอกสิ่งที่เราคิดว่ามันบอก

ส่วนที่ยืนหยัดได้ ยืนหยัดได้ดีมาก

งานวิจัยครอบคลุมการอ้างอิง 22.7 ล้านรายการ คำถาม 1.15 ล้านคำถาม และเว็บไซต์ 441,946 แห่ง ระหว่างเดือนมกราคมถึงมิถุนายน 2026 จากคำถาม 531,889 ข้อที่เครื่องมือทั้งห้าตอบและอ้างอิงอย่างน้อยหนึ่งแหล่ง 79.6% ของเว็บไซต์ที่ถูกอ้างอิงปรากฏบนเครื่องมือเพียงตัวเดียว ผลนี้ไม่ขยับแม้อยู่ภายใต้แรงกดดัน

ยิ่งไปกว่านั้น มันแข็งแรงขึ้นเมื่อทดสอบอย่างเข้มงวดขึ้น หากจับคู่ที่ระดับหน้าเว็บเป๊ะแทนที่จะเป็นระดับเว็บไซต์ ตัวเลขขึ้นเป็น 85.1% และหากไม่ทำความสะอาดที่อยู่เว็บเลย อยู่ที่ 93.2% อีกทั้งยังอยู่ในช่วง 77.7% ถึง 81.0% ในทุกเดือนตลอดหกเดือน นี่ไม่ใช่ชุดคำถามที่แปลกประหลาด แต่เป็นพฤติกรรมของระบบ

ChatGPT แยกตัวออกมามากที่สุด ไม่มีเครื่องมืออื่นแตะต้อง 76.3% ของสิ่งที่มันอ้างอิง ตามด้วย Perplexity ที่ 69.9% Gemini ที่ 63.7% และสองพื้นผิวของ Google ราว 50% ในกรณีนี้การแก้ไขก็ช่วยกำกับการตีความเช่นกัน เมื่อเทียบกับการสุ่ม คู่ต่าง ๆ ของ ChatGPT อยู่ในช่วงเดียวกับคู่อื่น ช่องว่างนี้จึงอธิบายตัดตอนของเว็บที่มันดึงมาใช้ ไม่ใช่วิธีเลือกที่คาดเดายากกว่า ข้อสรุปเชิงปฏิบัติไม่เปลี่ยน คุณอนุมานการมีตัวตนใน ChatGPT จากอีกสี่เครื่องมือไม่ได้

งานวิจัยอื่นในตลาดเผชิญความเสี่ยงเดียวกัน

BrightEdge เมื่อวันที่ 24 เมษายน 2026 รายงานการซ้อนทับ 36% ถึง 55% ในร้อยแบรนด์แรกที่ถูกนำเสนอ เทียบกับ 16% ถึง 59% ในร้อยแหล่งข้อมูลแรกที่ถูกอ้างอิง ทิศทางเหมือนกัน และงานชิ้นนี้จริงจัง แต่ตัวเลขเหล่านั้นเป็นตัวเลขดิบ ไม่มีการเผยแพร่เส้นฐาน จึงเผชิญกับคำวิจารณ์เดียวกันกับที่ทำให้การตีความของ Wellows ล้มลง

Kevin Indig ใน The Consensus Gap เดือนพฤษภาคม 2026 รายงานว่า 91% ของการอ้างอิงปรากฏบนเครื่องมือเดียว แต่วัดจากเครื่องมือเพียงสามตัว ซึ่งโดยกลไกแล้วเหลือโอกาสซ้อนทับน้อยกว่า ส่วน Ahrefs วัดการซ้อนทับของการอ้างอิงระหว่าง AI Overviews กับ AI Mode ได้ 13.7% ขณะที่ความคล้ายเชิงความหมายของคำตอบอยู่ที่ 0.86 สองพื้นผิวที่พูดสิ่งเดียวกันโดยพิงแหล่งข้อมูลคนละชุด

ข้อสังเกตหลังนี้คือเวอร์ชันที่ปกป้องได้ของแนวคิดตั้งต้น นั่นคือ เครื่องมือสามารถบรรจบกันที่เนื้อหา ขณะที่แยกทางกันที่หลักฐานที่มองเห็นได้ ข้อนี้ยังคงเป็นจริง สิ่งที่ไม่เป็นจริงคือการนำไปใช้เชิงกลยุทธ์ที่ว่า «ทำงานกับตัวตนของแบรนด์เถอะ มันส่งผ่านได้ดีกว่า»

ข้อขัดแย้งที่ยังไม่มีใครตัดสิน

งานวิจัยสองชิ้นล่าสุดพูดตรงข้ามกันเรื่องว่าใครเป็นเจ้าของหลักฐาน

Dmitrij Zatuchin ในพรีปรินต์บน arXiv ลงวันที่ 24 มิถุนายน 2026 วิเคราะห์การอ้างอิง URL จำนวน 167,551 รายการ ครอบคลุม 128 แบรนด์ 12 ตลาด และ 13 ภาษา เขาพบว่า 85.7% ของการอ้างอิงชี้ไปยังโดเมนของบุคคลที่สาม เทียบกับ 14.3% ที่ชี้ไปยังโดเมนที่แบรนด์เป็นเจ้าของ Wikipedia เป็นโดเมนที่ถูกอ้างอิงมากที่สุดใน 11 ภาษาจาก 12 ภาษา และ 80% ของการอ้างอิงมาจากประมาณ 18% ของโดเมนทั้งหมด

ส่วน Yext จากการอ้างอิง 6.8 ล้านรายการที่ดึงจากคำตอบ 1.6 ล้านคำตอบ สรุปว่า 86% ของการอ้างอิงมาจากแหล่งที่แบรนด์ควบคุมหรือมีอิทธิพลอย่างมาก ทั้งเว็บไซต์ของตัวเอง ฟีดข้อมูลธุรกิจ และรีวิว โดยเว็บไซต์ของแบรนด์เพียงอย่างเดียวคิดเป็น 44% ของการอ้างอิง

ตัวเลขทั้งสองปกป้องได้ เพราะมันไม่ได้นับสิ่งเดียวกัน Zatuchin แบ่งระหว่างเป็นเจ้าของกับไม่เป็นเจ้าของตามกรรมสิทธิ์ของโดเมน ส่วน Yext จัดไดเรกทอรีและแพลตฟอร์มรีวิวไว้ฝั่งที่แบรนด์มีอิทธิพล ไดเรกทอรีวิชาชีพที่คุณกรอกข้อมูลของตัวเองเข้าไป เป็นโดเมนบุคคลที่สามสำหรับฝ่ายหนึ่ง และเป็นพื้นผิวที่ถูกอิทธิพลสำหรับอีกฝ่าย ไม่มีใครผิด แต่การอ้างฝ่ายหนึ่งโดยไม่พูดถึงอีกฝ่าย คือการเลือกข้อสรุปไว้ก่อนจะเริ่มนับ

คำถามที่มีประโยชน์ไม่ใช่ว่าหลักฐานกี่เปอร์เซ็นต์เป็นของเรา แต่คือหลักฐานใดที่เราสร้างขึ้นเองได้ และหลักฐานใดที่เราต้องทำให้ได้มา

สิ่งที่เรานำไปใช้กับการวัดผล

สามกฎ ใช้ได้ตั้งแต่พรุ่งนี้เช้ากับแดชบอร์ดการมองเห็นใน AI ใดก็ได้

สองบรรทัด ไม่ใช่บรรทัดเดียว การถูกอ้างอิงหน้าเว็บกับการถูกกล่าวถึงชื่อแบรนด์เป็นสองการวัดที่แยกจากกันและขยับอย่างเป็นอิสระ การบวกรวมเข้าเป็นคะแนนเดียวทำลายข้อมูลที่จำเป็นต่อการตัดสินใจ ถ้าไม่มีเครื่องมือใดอ้างอิงหน้าเว็บของคุณเลย แต่ชื่อคุณปรากฏในคำตอบ แสดงว่าคุณมีปัญหาที่หน้าเว็บ ไม่ใช่ที่แบรนด์ และวิธีแก้ก็ต่างกัน

หนึ่งเครื่องมือ หนึ่งคอลัมน์ ในเมื่อ 79.6% ของแหล่งข้อมูลปรากฏบนเครื่องมือเดียว คะแนนรวมย่อมเป็นการเฉลี่ยพื้นผิวห้าอันที่แทบไม่ซ้อนทับกัน มันขึ้นได้ในขณะที่เครื่องมือซึ่งผู้ซื้อของคุณใช้จริงกำลังดับลง

มีเส้นฐาน หรือไม่ต้องมีอะไรเลย นี่คือกฎที่เหตุการณ์นี้ติดตั้งไว้ ช่องว่างดิบระหว่างสองเปอร์เซ็นต์จะกลายเป็นผลลัพธ์ก็ต่อเมื่อถูกเทียบกับสิ่งที่การสุ่มจะให้ เราใช้กฎนี้กับการเก็บข้อมูลของเราเองแล้ว และจะขอมันจากทุกงานวิจัยที่เราอ้างอิง

ข้อจำกัดของสิ่งที่คุณเพิ่งอ่าน

งานวิจัยของ Wellows เป็นงานวิจัยของผู้ให้บริการบนข้อมูลลูกค้าของตัวเอง ไม่ใช่ตัวอย่างของเว็บทั้งหมด คำถามทั้งหมดเป็นภาษาอังกฤษ กระจายใน 27 ตลาด โดย 84% อยู่ในสหรัฐอเมริกา และมาจากแบรนด์ที่เฝ้าดูการมองเห็นใน AI ของตัวเองอยู่แล้ว แต่ละคำถามถูกเก็บเพียงครั้งเดียวต่อเครื่องมือ ดังนั้นส่วนหนึ่งของสิ่งที่วัดได้ว่าเป็นความไม่ตรงกันระหว่างเครื่องมือ แท้จริงคือความผันแปรของเครื่องมือเดียวกันระหว่างการรันแต่ละครั้ง ซึ่งผู้เขียนระบุเองว่าเป็นคำถามเปิดที่ใหญ่ที่สุดในงานของพวกเขา งานนี้ครอบคลุมห้าเครื่องมือ ไม่มี Claude ไม่มี Copilot ไม่มี Grok

ตัวการแก้ไขเองก็ถูกนำไปใช้เฉพาะกับตัวเลขความสอดคล้องแบบรายคู่เท่านั้น แนวโน้มการบรรจบกันจาก 8.49% ในเดือนมกราคมเป็น 11.25% ในเดือนมิถุนายน และความต่างรายหมวดหมู่ ยังไม่ได้ถูกทดสอบ สุดท้าย พรีปรินต์ของ Zatuchin มาจากนักวิจัยที่มีความเกี่ยวข้องกับบริษัทซอฟต์แวร์ด้านการมองเห็นใน AI ซึ่งเขาได้แจ้งไว้ ข้อสงวนเดียวกันนี้ใช้กับเขา เช่นเดียวกับที่ใช้กับ Wellows, BrightEdge และ Yext และใช้กับเราด้วย

สิ่งที่ควรนำกลับไปจึงไม่ใช่ตัวเลขใหม่ให้ท่องจำ แต่เป็นข้อเรียกร้องหนึ่งข้อ คือขอดูเส้นฐานก่อนจะสร้างกลยุทธ์ใด ๆ บนช่องว่างของตัวเลข

แหล่งข้อมูล