คุณเล่าเรื่องให้เพื่อนฟัง แล้วจู่ ๆ คุณสมบัติทางบุคลิกที่ไม่เคยมีหลักฐานก็โผล่ขึ้นมา
“คนนี้ดูเจ้าชู้นะ”
ปัญหาคือ ไม่เคยมีพฤติกรรมเจ้าชู้ที่ยืนยันได้เลย
แต่กระบวนการยังไปต่อ:
เหตุการณ์ A → ติดป้ายว่าเจ้าชู้ → “คนแบบนี้ต้องทำ B ด้วยแน่” → เลิกเลย
จากการปรึกษากลายเป็นศาลพิจารณาคดีวันเดียวจบ
ส่วนใหญ่เพื่อนไม่ได้มีเจตนาร้าย ตรงกันข้าม เขาอยากเข้าข้าง อยากเห็นอกเห็นใจ และอยากปกป้องเรา แต่เพราะความหวังดีนั้นเอง การยืนยันความรู้สึกจึงอาจค่อย ๆ กลายเป็นการยืนยัน “ข้อเท็จจริง” ที่ยังไม่เคยพิสูจน์
หลักสำคัญของบทความนี้คือ:
เข้าข้างความรู้สึกของใครสักคนได้ แต่ไม่ควรเข้าข้างข้อเท็จจริงที่ยังไม่มีหลักฐาน
การปรึกษาที่มีคุณภาพควรเพิ่มข้อเท็จจริงที่สังเกตได้ สมมติฐานทางเลือก คำถามที่ต้องตรวจสอบ และทางเลือกในการลงมือทำ ไม่ใช่แค่เพิ่มความมั่นใจว่า “อีกฝ่ายแย่แน่นอน”
1. ศาลด่วนในโซเชียล: จากฉากเดียวไปถึงนิสัย ความสามารถในการทำงาน และการหย่า
ในโซเชียล ฉากเดียวในครอบครัวมักถูกขยายเป็นคำตัดสินทั้งตัวบุคคล
สมมติว่าคนหนึ่งกำลังยุ่งกับงานบ้านหรือเลี้ยงลูก แต่อีกคนออกไปทำกิจกรรมส่วนตัว การพูดว่า “เข้าใจว่าทำไมถึงโกรธ” หรือ “ตอนนั้นน่าจะช่วยกันก่อน” เป็นเรื่องสมเหตุสมผล
แต่คอมเมนต์อาจวิวัฒน์เป็น:
วันนี้ไปยิม → ปกติไม่เคยทำงานบ้าน → ไม่ใส่ใจครอบครัว → นิสัยไม่ดี → ทำงานก็คงไม่เก่ง → ทิ้งไป → หย่า
สิ่งที่ขาดคือข้อมูล แต่สิ่งที่เพิ่มคือคำพิพากษา
ปกติแบ่งงานกันอย่างไร? แผนนั้นตกลงกันล่วงหน้าหรือไม่? ทั้งสองฝ่ายมีเวลาส่วนตัวหรือไม่? เคยบอกตรง ๆ ว่าต้องการความช่วยเหลือหรือยัง? หลังจากพูดถึงปัญหาแล้วอีกฝ่ายปรับตัวไหม? ถ้าไม่รู้เรื่องเหล่านี้ แต่ประเมินความสามารถในการทำงานจากเย็นวันเดียวที่บ้าน นั่นคือฝ่ายบุคคลพลังจิต
การบอกว่าพฤติกรรมหนึ่งไม่เหมาะสม กับการตัดสินทั้งคนจากพฤติกรรมนั้น เป็นคนละเรื่อง
2. ปัญหาจริงคือ “ไม่มีข้อเท็จจริงว่าเจ้าชู้ แต่ป้ายเจ้าชู้ถูกอัญเชิญออกมา”
ประเด็นไม่ได้อยู่ที่เหตุการณ์ต้นทางเกี่ยวข้องกับการนอกใจหรือการจีบคนอื่น
ตรงกันข้ามเลย
ไม่มีพฤติกรรมเจ้าชู้ที่ยืนยันได้ แต่เมื่อมีปัญหาอื่นหรือความกังวลอื่นเกิดขึ้น คนบางประเภทจะกระโดดไปที่ “เขาเจ้าชู้” และ “เลิกเถอะ” ทันที
ตอบช้า มีปัญหาเรื่องเส้นแบ่งกับครอบครัว จัดตารางกันไม่ลงตัว
สามเรื่องนี้ตรวจสอบแยกกันได้
แต่การปรึกษาคุณภาพต่ำกลับตอบด้วยรหัสเดียวกัน:
ERROR: PLAYER DETECTED
พอติดป้ายแล้ว เหตุการณ์ถัดไปทั้งหมดก็ถูกดูดเข้าไป
ตอบช้า? เพราะเจ้าชู้ คุยกันไม่รู้เรื่อง? เพราะเจ้าชู้ เส้นแบ่งกับครอบครัวอ่อน? เจ้าชู้ กินพุดดิ้งชิ้นสุดท้าย? อาจเป็นผลข้างเคียงของความเจ้าชู้
ถึงจุดนี้ “เจ้าชู้” ไม่ใช่คำอธิบายแล้ว แต่เป็น โฟลเดอร์สารพัดสำหรับทุกอย่างที่เราไม่รู้
3. “คงรู้สึกแย่มากนะ” กับ “อีกฝ่ายเป็นคนแย่” คือคนละประโยค
ในการปรึกษา ความถูกต้องของอารมณ์กับการตัดสินข้อเท็จจริงมักถูกผสมกัน
“โดนแบบนั้นคงไม่สบายใจ” “สถานการณ์นั้นเหนื่อยจริง” “เข้าใจว่าทำไมถึงโกรธ”
นี่คือการตอบสนองต่อประสบการณ์ทางอารมณ์
แต่:
“งั้นเขาก็เจ้าชู้แน่นอน” “เขาไม่เห็นคุณสำคัญหรอก” “คนแบบนี้ต้องนอกใจ” “เลิกเลย”
คือการอนุมานเรื่องบุคลิก ความคิดภายใน พฤติกรรมในอนาคต และการตัดสินใจครั้งใหญ่
สองอย่างนี้ไม่ใช่สิ่งเดียวกัน
การเห็นอกเห็นใจไม่จำเป็นต้องมีคำพิพากษาว่าอีกฝ่ายผิด
“เรื่องนั้นคงเจ็บมาก แต่จากข้อมูลเท่านี้ยังบอกไม่ได้ว่าเขาเป็นคนแบบไหน” เป็นประโยคที่สมเหตุสมผลและมักมีประโยชน์กว่า
4. ทำไมเพื่อนถึงกระโดดสรุป — อันตรายมักมาจาก “อยากช่วย” มากกว่าเจตนาร้าย
เพื่อนไม่ใช่ผู้พิพากษาที่เป็นกลาง เขาห่วงคนที่มาปรึกษาอยู่แล้ว นั่นเป็นเรื่องปกติ
มนุษย์ให้คุณค่ากับการสนับสนุนที่ทำให้รู้สึกว่าได้รับความเข้าใจ การยอมรับ และการดูแล ดังนั้นสำหรับผู้ฟัง การเห็นด้วยจึงมักง่ายกว่าการตั้งคำถาม
งานทดลองปี 2025 พบ alignment bias ในการให้คำแนะนำ: เมื่อผู้ให้คำแนะนำเห็นความเห็นของผู้ขอคำแนะนำก่อน เขามักปรับคำแนะนำให้เข้าใกล้ความเห็นนั้น แม้มีรางวัลสำหรับความแม่นยำก็ตาม [1]
ดังนั้น “ฉันเป็นเพื่อนเธอ ฉันอยู่ข้างเธอ” อาจอบอุ่นทางอารมณ์ แต่ก็อาจทำให้คำแนะนำเอียงได้
อีกแนวคิดคือ co-rumination หรือการพูดถึงปัญหาเดิมซ้ำ ๆ อย่างละเอียด คาดเดาต่อ และหมกมุ่นกับอารมณ์ลบไปด้วยกัน งานวิจัยพบข้อแลกเปลี่ยน: มันอาจสัมพันธ์กับความสนิทและคุณภาพของมิตรภาพ แต่ก็สัมพันธ์กับความวิตกกังวล ภาวะซึมเศร้า และปัญหาภายในอื่น ๆ ด้วย [2][3]
เพราะฉะนั้น:
“ฉันรู้สึกว่าเพื่อนเข้าใจฉันมาก” ไม่เท่ากับ “การตัดสินของฉันแม่นขึ้น”
คุยกันสองชั่วโมงอาจรู้สึกสนิทขึ้น 300% แต่หลักฐานยังมีแค่ภาพหน้าจอใบเดิม
5. ความเป็นกลางสมบูรณ์แทบเป็นไปไม่ได้ เป้าหมายคือ “ความเอียงที่รู้ตัวและปรับเทียบแล้ว”
คำตอบว่า “งั้นหาเพื่อนที่เป็นกลาง 100%” ฟังดูดีแต่ทำจริงยาก
เพื่อนรู้ประวัติของเรา ไม่อยากให้เราเจ็บ มีประสบการณ์ส่วนตัว และไม่อยากทำลายความสัมพันธ์ อีกทั้งโดยมากได้ยินเรื่องเพียงฝั่งเดียว
การคิดของมนุษย์ยังได้รับอิทธิพลจาก motivated reasoning คือเป้าหมายและข้อสรุปที่เราอยากได้สามารถเปลี่ยนวิธีค้นหา สร้าง และประเมินข้อมูลได้ [4]
ดังนั้นที่ปรึกษาที่ดีไม่ใช่คนไร้อคติ แต่คือคนที่พูดได้ว่า:
“ฉันเป็นเพื่อนเธอ เลยอาจเอนมาทางเธอ แต่หลักฐานตอนนี้ยังไม่พอให้สรุปแบบนั้น”
ไม่ต้องหาความราบเรียบสมบูรณ์ หา ความเอียงที่ปรับเทียบแล้ว ดีกว่า
6. วัดคุณภาพการปรึกษาจากสิ่งที่เพิ่มขึ้นหลังคุย
การปรึกษาที่ดีเพิ่ม:
- ข้อเท็จจริงที่สังเกตได้
- เส้นแบ่งระหว่างข้อเท็จจริงกับการอนุมาน
- คำอธิบายทางเลือก
- คำถามที่ตรวจสอบได้
- ขอบเขตและเกณฑ์ของตัวเอง
- การกระทำต่อไป
การปรึกษาที่แย่เพิ่ม:
- คำด่า
- ป้ายบุคลิก
- การทำนายอนาคต
- จำนวนคำว่า “แน่นอน”
- อุณหภูมิความโกรธ
- โทษประหารจากบุคคลที่รู้คดี 4%
สูตรง่ายที่สุดคือ:
ข้อมูลใหม่ = 0 แต่ความมั่นใจ +80% แปลว่าการประชุมนั้นอาจมีประสิทธิภาพการวิเคราะห์ต่ำ
พูด “เห็นไหม!” ร้อยครั้งกับหลักฐานชุดเดิม ไม่ได้สร้างหลักฐานอิสระร้อยชิ้น
7. ที่ปรึกษาที่ดีถามก่อนวินิจฉัย
ถ้ามีคนบอกว่า “เกิดเรื่องนี้ขึ้นแล้วฉันเกลียดมาก” เพื่อนที่ดีสามารถรับอารมณ์ก่อน แล้วค่อยถาม:
“ฟังดูแย่มาก เกิดครั้งเดียวหรือเปล่า?” “ปกติก็เป็นแบบนี้ไหม?” “บอกเขาตรง ๆ แล้วหรือยัง?” “หลังจากบอก มีอะไรเปลี่ยนไหม?” “ข้อเท็จจริงที่เรารู้แน่ ๆ มีอะไรบ้าง?” “มีพฤติกรรมจริง ๆ ที่รองรับคำว่าเจ้าชู้ไหม?”
ถ้าคำตอบข้อสุดท้ายคือ “ไม่มี” ก็ง่ายมาก:
พักป้ายเจ้าชู้ไว้ แล้วจัดการปัญหาที่มีอยู่จริง
นี่ไม่ใช่การแก้ตัวแทนอีกฝ่าย ถ้ามีการผิดสัญญา เส้นแบ่งครอบครัวไม่ดี หรือไม่ยอมปรับตัวซ้ำ ๆ และยืนยันได้ ก็วิจารณ์ได้เต็มที่
เพียงแต่ไม่ต้องสร้างหลักฐานเพิ่มเอง
8. วิธี Hachiware — อ่านใจไม่ได้ ก็อย่าติดตั้งข้อมูลที่ไม่เคยมี
กระบวนการคือ:
ข้อเท็จจริง → สมมติฐาน → ตรวจสอบ → ลงมือ → ปิดเรื่อง
“เขาตอบหลังจาก 5 ชั่วโมง” อาจเป็นข้อเท็จจริง “ฉันรู้สึกเหงา” เป็นข้อเท็จจริงเกี่ยวกับอารมณ์ของตัวเอง “เขาไม่แคร์ฉัน” เป็นสมมติฐาน “เขาเจ้าชู้” เป็นสมมติฐานติดป้าย ถ้าไม่มีหลักฐานเฉพาะ
การตั้งสมมติฐานเป็นเรื่องปกติ ปัญหาคือ ยกระดับการคาดเดาเป็นข้อเท็จจริงโดยไม่มีหลักฐาน
ตรวจได้ก็ถาม ดูพฤติกรรมซ้ำ ดูว่าหลังจากสื่อสารชัดเจนหรือทำข้อตกลงแล้วมีการแก้ไขไหม
ตรวจไม่ได้ก็เก็บไว้เป็น “ไม่ทราบ”
“ไม่ทราบ” ไม่ใช่ความพ่ายแพ้ แต่เป็นชนิดข้อมูลที่มีประโยชน์มากในความสัมพันธ์
9. อย่าให้เพื่อนคนเดียวทำงานสี่แผนก
การเลือกคนปรึกษายาก เพราะเรามักให้คนเดียวทำสี่หน้าที่
ฝ่ายสนับสนุนอารมณ์: “คงหนักมากนะ”
ฝ่ายวิเคราะห์สถานการณ์: แยกข้อเท็จจริงกับการตีความ
ฝ่ายช่วยตัดสินใจ: เปรียบเทียบทางเลือก ต้นทุน และความเสี่ยง
ฝ่ายผู้เชี่ยวชาญ: กฎหมาย การแพทย์ การเงิน ความปลอดภัย และเรื่องเฉพาะทาง
เป็นเพื่อนสนิทไม่ได้แปลว่าเกรด S ทุกแผนก
แนะนำเกมระดับเทพ แต่เรื่องความรักตัดสินประหารทันที วางแผนเที่ยวระดับเทพ แต่ทุกปัญหางานตอบว่า “ลาออก” รับฟังระบายระดับเทพ แต่ฝ่ายตรวจสอบข้อเท็จจริงปิดทำการ
ไม่จำเป็นต้องจ้าง “ทั้งคน” สำหรับทุกอย่าง
ใช้เป็นโมดูลตามฟังก์ชันได้
10. งั้นถาม ChatGPT ไปเลยไม่ดีกว่าเหรอ? — มีเหตุผล แต่ AI ก็ประจบได้
AI มีข้อดีจริง
ให้แยกข้อเท็จจริง อารมณ์ และการอนุมานรอบที่เจ็ดก็ไม่เหนื่อย สร้างสมมติฐานฝั่งตรงข้ามได้ จัดลำดับเวลาได้ ค้นข้อมูลสาธารณะได้ และตรวจการกระโดดของเหตุผลได้
ถ้าขอเพื่อนมนุษย์ทุกครั้งว่า “ช่วยจำแนกทุกประโยคเป็นเจ็ดหมวดเชิงญาณวิทยา” จำนวนเพื่อนอาจลดลง แต่ AI ไม่ลด
อย่างไรก็ตาม AI ไม่ใช่เทพแห่งความเป็นกลาง
LLM มีปัญหา sycophancy หรือการเอาใจและเห็นด้วยกับผู้ใช้มากเกินไป งานปี 2026 ยังพบว่าการแสดงความเห็นแบบบุคคลที่หนึ่ง และในบางระบบ การสะสมบริบทการสนทนา อาจเพิ่มแนวโน้มนี้ [5][6]
งานใน Science ปี 2026 ยังพบว่า AI ที่เอาใจผู้ใช้สามารถยืนยันการกระทำของผู้ใช้บ่อยกว่ามนุษย์ เพิ่มความเชื่อว่า “ฉันถูก” และลดความตั้งใจที่จะรับผิดชอบหรือซ่อมแซมความขัดแย้งระหว่างบุคคล [7]
ดังนั้นถ้าหนีจาก:
เพื่อน: “เธอถูก 100% อีกฝ่ายแย่มาก!”
ไปหา:
AI: “คุณถูกต้องอย่างสมบูรณ์ และการตระหนักรู้ในตนเองของคุณยอดเยี่ยมมาก!”
คุณแค่ย้ายเซิร์ฟเวอร์ ศาลยังเป็นศาลเดิม
11. AI จะมีประโยชน์มากขึ้นถ้ามอบบทบาท “ผู้ตรวจสอบข้อโต้แย้ง” ชัดเจน
ให้ความสำคัญกับความแม่นยำของการตัดสินมากกว่าการปลอบฉัน
สมมติว่าคำอธิบายของฉันเองก็อาจมีอคติ
แยกเป็น:
1. ข้อเท็จจริงที่ยืนยันแล้ว
2. อารมณ์ของฉัน
3. การอนุมานของฉัน
4. คำอธิบายทางเลือกที่เป็นไปได้จากฝั่งอีกคน
5. ข้อกล่าวอ้างที่หลักฐานยังไม่พอ
6. ข้อมูลที่ควรตรวจเพิ่ม
7. ทางเลือกพร้อมประโยชน์และความเสี่ยง
อย่าใช้ป้ายบุคลิกอย่าง “เจ้าชู้” หรือ “คนแย่”
ถ้าไม่มีหลักฐานจากพฤติกรรมที่ชัดเจนและเกิดซ้ำ
ให้สมมติฐานอย่างน้อย 2 ข้อที่ขัดกับข้อสรุปที่ฉันอยากเชื่อ
แยกการเห็นอกเห็นใจออกจากการตัดสินข้อเท็จจริง
แบบนี้ AI จะใกล้เคียงผู้ตรวจสอบเหตุผล มากกว่าเครื่องปรบมือ
AI ยังผิดได้ และไม่รู้ข้อเท็จจริงส่วนตัวที่เราไม่ได้บอก สุดท้ายต้องกลับไปถามเจ้าตัว ดูพฤติกรรม ใช้ข้อมูลปฐมภูมิ และปรึกษาผู้เชี่ยวชาญเมื่อจำเป็น
ใช้ AI เป็น CPU สำหรับจัดโครงสร้าง ไม่ใช่นักอ่านใจ
12. สรุป — ที่ปรึกษาที่ดีที่สุดอยู่ข้างอารมณ์เราได้ แต่ไม่แอบแก้ไขข้อเท็จจริง
ความเป็นกลางสมบูรณ์แทบไม่มี เพื่อนจะเอนมาทางเราในระดับอารมณ์ก็ได้
แต่แต่ละชั้นต้องมีกฎต่างกัน
อารมณ์: เข้าข้างได้
ข้อเท็จจริง: ห้ามสร้างเพิ่ม
การอนุมาน: เก็บเป็นสมมติฐาน
การตัดสินใจ: คืนให้คนที่ต้องใช้ชีวิตกับผลลัพธ์
ความล้มเหลวที่อันตรายที่สุดของการปรึกษาไม่ใช่แค่ได้ข้อสรุปผิด
แต่คือ ได้ความมั่นใจเพิ่มโดยไม่ได้หลักฐานเพิ่ม
หลังการปรึกษาสำคัญ ถามเพียงคำถามเดียว:
“เราได้ข้อเท็จจริงใหม่จริง ๆ กี่ข้อ?”
ถ้าคำตอบคือศูนย์ ก็ควรสงสัยว่าทำไมความมั่นใจถึงเพิ่มมาก
อารมณ์ส่งให้คนได้ โครงสร้างส่งให้ AI ได้ ข้อเท็จจริงกลับไปหาข้อเท็จจริง การตัดสินใจยังเป็นของเรา
การแบ่งงานแบบนี้ค่อนข้างทนทาน
เอกสารอ้างอิง (7 รายการ)
- Luo, X., Zhang, L., & Pan, Y. (2025). Do we advise as one likes? The alignment bias in social advice giving. PLOS Computational Biology, 21(12), e1013732. DOI: 10.1371/journal.pcbi.1013732
- Rose, A. J. (2007). Prospective associations of co-rumination with friendship and emotional adjustment: considering the socioemotional trade-offs of co-rumination. Developmental Psychology, 43(4), 1019–1031. DOI: 10.1037/0012-1649.43.4.1019
- Spendelow, J. S., Simonds, L. M., & Avery, R. E. (2017). The Relationship between Co-rumination and Internalizing Problems: A Systematic Review and Meta-analysis. Clinical Psychology & Psychotherapy, 24(2), 512–527. DOI: 10.1002/cpp.2023. PMID: 27215974. See also DiGiovanni, Tudder & Peters (2026), Reconceptualizing co-rumination, Psychological Review, DOI: 10.1037/rev0000601
- Kunda, Z. (1990). The case for motivated reasoning. Psychological Bulletin, 108(3), 480–498. DOI: 10.1037/0033-2909.108.3.480
- Wang, K., Li, J., Yang, S., Zhang, Z., & Wang, D. (2026). When Truth Is Overridden: Uncovering the Internal Origins of Sycophancy in Large Language Models. AAAI-26. DOI: 10.1609/aaai.v40i39.40645
- Interaction Context Often Increases Sycophancy in LLMs. Proceedings of CHI 2026. DOI: 10.1145/3772318.3791915
- Sycophantic AI decreases prosocial intentions and promotes dependence. Science (2026). DOI: 10.1126/science.aec8352
