“ร้านนี้ไม่อร่อยเลย ให้ 2/10 พอ อย่ามากันเยอะนะ”
หากประโยคนี้ปรากฏอยู่บนโลกออนไลน์เมื่อไม่กี่ปีก่อน เจ้าของร้านอาจมีสะดุ้ง เพราะทั้งคะแนนต่ำ ทั้งข้อความดูเหมือนกำลังไล่ลูกค้าคนอื่นไม่ให้ตามมา
แต่ในปี 2026 ความหมายอาจกลับกันหมด เพราะ “2/10” กำลังถูกใช้ในหมู่ผู้บริโภค Gen Z ไทย ในความหมายเชิงประชด โดยคะแนนน้อยไม่ได้หมายถึงไม่ชอบ กลับเป็นการบอกว่า “ดีมากจนไม่อยากบอกใคร เดี๋ยวแมส” หรือพูดง่าย ๆ คือของดีที่อยากเก็บเป็นความลับ ไว้กิน ไว้เที่ยว หรือไว้ใช้เอง
เทรนด์ดังกล่าวเริ่มขึ้นประมาณต้นเดือนพฤษภาคมเมื่อช่วงที่ผ่านมา ก่อนจะค่อย ๆ กระจายตัว เริ่มเป็นที่เข้าใจมากขึ้น โดยอธิบายว่า การให้ 2/10 ถูกใช้ในความหมายตรงข้ามกับคะแนนที่เห็น โดยเฉพาะกับร้านหรือสถานที่ที่คนรีวิวชอบมากจนไม่อยากให้กลายเป็นกระแส
และหากมองเผิน ๆ นี่อาจเป็นเพียงศัพท์อินเทอร์เน็ตอีกหนึ่งคำ แต่มองในมุม MarTech แล้ว “2/10” น่าสนใจกว่านั้นมาก เพราะมันกำลังตั้งคำถามสำคัญว่า ถ้าผู้บริโภคไม่ได้พูดตรงกับสิ่งที่รู้สึก แล้วระบบที่แบรนด์ใช้ฟังเสียงลูกค้าจะรู้ได้อย่างไรว่าคำไหนคือคำชม คำไหนคือคำด่า และคำไหนคือคำด่าที่จริง ๆ แล้วกำลังชมอยู่ ??
2/10 เมื่อ Consumer Language เริ่มเดินคนละทางกับคะแนนรีวิว
โลกการตลาดคุ้นเคยกับการแบ่งความรู้สึกของผู้บริโภคอย่างเป็นระบบ
- Positive
- Neutral
- Negative
คะแนน 5 ดาวคือดี คะแนน 1 ดาวคือแย่ คอมเมนต์ที่มีคำว่า “ชอบ” ถือเป็น Positive ส่วนประโยคอย่าง “ไม่อร่อย” หรือ “อย่ามา” ก็มักถูกจัดเข้า Negative Sentiment
แต่ภาษาของคนบนโซเชียลไม่เคยตรงไปตรงมาขนาดนั้น
มนุษย์พูดประชด พูดเกินจริง เล่นมุก ใช้คำเดียวกันต่างบริบท หรือสร้างความหมายใหม่ขึ้นมาภายในเวลาไม่กี่สัปดาห์
“2/10” จึงเหมือนเป็นบททดสอบความเครียดเล็ก ๆ ให้ระบบการตลาดเห็นชัดขึ้นว่า การรู้ว่าลูกค้าพิมพ์อะไร กับการรู้ว่าลูกค้าหมายความว่าอะไร อาจเป็นคนละเรื่องกัน
“การเสียดสี” เป็นธรรมชาติของมนุษย์ แต่เทคโนโลยีจะตีความอย่างไร
เรื่องนี้ไม่ได้เป็นปัญหาของภาษาไทยเท่านั้น งานด้าน Natural Language Processing ศึกษาเรื่อง Sarcasm Detection มานาน เพราะคำประชดมีลักษณะสำคัญคือ “ความหมายตามตัวอักษร” กับ “เจตนาที่แท้จริง” มักสวนทางกัน งานวิจัยพบว่าการมี sarcasm อยู่ในข้อความสามารถลดความแม่นยำของ “การวิเคราะห์ทางอารมณ์” (Sentiment analysis) ได้ โดยเฉพาะระบบที่ไม่ได้รับ context เพียงพอ
และเมื่อสิ่งนี้ถูกนำไปผูกกับ CRM ปัญหาก็อาจใหญ่กว่าการอ่านคอมเมนต์ผิดหนึ่งประโยค เพราะถ้า AI อ่าน “2/10” ผิด แบรนด์อาจรู้จักลูกค้าผิดคน
ลองนึกภาพลูกค้าคนหนึ่งซื้อกาแฟร้านเดิมเดือนละ 8 ครั้ง เช็กอินเป็นประจำ ส่งร้านให้เพื่อน แต่วันหนึ่งโพสต์ว่า “ร้านนี้แย่มาก 2/10 อย่ามา เดี๋ยวคิวยาว” หากระบบอ่านข้อความเพียงอย่างเดียว อาจสรุปว่าเป็น Negative Sentiment, Low Satisfaction และ Potential Detractor ทั้งที่พฤติกรรมทั้งหมดบอกอีกเรื่อง และทำให้ลูกค้าคนนี้อาจอยู่ในกลุ่ม High-affinity Customer หรือแม้กระทั่ง Brand Advocate ด้วยซ้ำ
ตรงนี้คือความเสี่ยงเมื่อแบรนด์นำ Social Listening, Customer Data Platform, CRM และ Marketing Automation มาต่อเข้าด้วยกัน เพราะการตีความผิดตั้งแต่ต้นน้ำสามารถไหลต่อไปยังขั้นตอนอื่น ไม่ว่าจะเป็น ลูกค้าถูก Segment ผิด, Recommendation ผิด, Offer ผิด หรือหนักที่สุด คือระบบ Customer Service อัตโนมัติอาจเข้ามาขอโทษลูกค้าที่กำลังชมแบรนด์อยู่
ลองนึกภาพแบรนด์ตอบว่า
“ขออภัยที่ประสบการณ์ของคุณไม่เป็นที่น่าพอใจ”
ใต้โพสต์ “ไม่อร่อยเลย 2/10 เดี๋ยวพรุ่งนี้ไปอีก”
จาก Social Listening กลายเป็น Social Awkwardness ได้ภายในหนึ่งคอมเมนต์
AI อ่านอาการประชดประชัน การเสียดสีของมนุษย์ได้ แต่…
แล้ว AI รุ่นใหม่อ่านประชดได้ไหม? คำตอบคือ “ได้ดีขึ้น” แต่ยังอย่าฝากชีวิตไว้ทั้งหมด
ข่าวดีคือ LLM รุ่นใหม่เข้าใจภาษาเชิงบริบทได้ดีขึ้นมาก เมื่อเทียบกับ sentiment analysis แบบ Keyword-based หรือ Machine Learning รุ่นก่อน
งานวิจัยปี 2025 ที่เผยแพร่ผ่าน ACL พบว่า การเพิ่มกระบวนการ reasoning เชิง pragmatic หรือให้โมเดลพิจารณาบริบทและเจตนาก่อนตัดสิน สามารถเพิ่มประสิทธิภาพในการตรวจจับ sarcasm ได้อย่างมีนัยสำคัญ
อีกงานหนึ่งที่ศึกษาการใช้ GPT และ Llama กับ sarcasm detection พบว่าโมเดลที่ผ่านการ fine-tune สามารถทำผลลัพธ์ได้ดีขึ้นมาก แต่ความแม่นยำยังขึ้นอยู่กับรุ่นของโมเดล ขนาดโมเดล การตั้งค่า และชุดข้อมูลที่ใช้ทดสอบ ขณะที่ประสิทธิภาพแบบ Zero-shot ยังมีข้อจำกัดอยู่
นั่นหมายความว่า AI “จับมุก” ได้ แต่ไม่ได้แปลว่าจะจับถูกทุกมุก
ยิ่งเมื่อเป็นภาษาไทย ซึ่งมีทั้งคำแสลง การลากเสียง การใช้คำผิดจงใจ ภาษาเหนือ-อีสาน-ใต้ ภาษาแฟนด้อม ไปจนถึงศัพท์ที่เกิดบน TikTok เมื่อสัปดาห์ก่อน ความยากก็เพิ่มขึ้นอีกระดับ
อย่าให้ AI อ่านแค่ Sentiment ต้องอ่าน Intent ด้วย
สำหรับแบรนด์ที่กำลังใช้ AI กับ CRM หรือ Social Listening จุดที่ควรปรับก่อนอาจไม่ใช่การหาโมเดลที่ฉลาดที่สุด แต่เป็นการเปลี่ยน วิธีตั้งโจทย์
แทนที่จะถามระบบเพียงว่า “ข้อความนี้ Positive หรือ Negative?” อาจต้องถามเพิ่มว่า ข้อความตามตัวอักษรเป็น Positive หรือ Negative? ผู้พูดมีแนวโน้มประชดหรือไม่? เจตนาที่แท้จริงคืออะไร? กำลัง Complaint, Recommend, Joke หรือ Gatekeep? พฤติกรรมของลูกค้าสอดคล้องกับคำพูดหรือไม่?
“2/10” จะอ่านง่ายขึ้นมาก หากระบบเห็นพร้อมกันว่าลูกค้าคนนี้มากินร้านเดิม 12 ครั้งในสามเดือน กด Save ร้าน แชร์โพสต์ และเขียนต่อท้ายว่า “อย่าแมสนะ”
การวิเคราะห์แนวทางใหม่ Contextual Intent Analysis และ Cultural Intelligence Layer
การทำ Customer Intelligence ในอนาคตจึงอาจต้องเปลี่ยนจาก Sentiment Analysis ไปสู่ Contextual Intent Analysis เพราะความรู้สึกของคนไม่ใช่การยกป้ายหรือไฟจราจรที่มีเพียงแดง เหลือง เขียว ดังนั้น Visual Context ก็สำคัญ เพราะบางมุกไม่ได้อยู่แค่ในข้อความ
อีกจุดที่ Martech ต้องระวังคือ Consumer Content ทุกวันนี้ไม่ได้ประกอบด้วย Text อย่างเดียว เพราะคนอาจเขียนว่า “ไม่อร่อยเลย” แต่ภาพประกอบเป็นจานที่เกลี้ยงจนแทบไม่เหลืออะไร หรือบอกว่า “โรงแรมแย่มาก 2/10” พร้อมภาพพระอาทิตย์ตกริมทะเลที่สวยจนคนในคอมเมนต์พร้อมใจกันถามพิกัด
ดังนั้น นงานวิจัยด้าน Multimodal Sarcasm Detection จึงเริ่มใช้ข้อมูลจากทั้งภาพและข้อความร่วมกัน เพราะบางครั้งความขัดแย้งระหว่างสองอย่างนี่เองที่เป็นตัวบอกว่าผู้พูดกำลังประชด
สำหรับแบรนด์ที่ทำ Social Listening จากคอนเทนต์ยุค TikTok, Instagram และ Reels การอ่าน Text อย่างเดียวจึงอาจเห็นเพียงครึ่งเรื่องเท่านั้น ดังนั้น Martech ไทยต้องมี “Cultural Intelligence Layer” เข้ามาคัดกรองด้วย
แต่มากไปกว่านั้น โจทย์ใหญ่ที่สุดอาจไม่ใช่ Sarcasm Detection แต่มันคือ ความเร็วของวัฒนธรรมอินเทอร์เน็ต เพราะว่าวันนี้ 2/10 แปลว่า “ดี” แต่ในอนาคต อาจมีอีกคำหนึ่งขึ้นมาแทน หรือแม้แต่คำเดียวกันอาจถูกใช้จริงแบบไม่ประชดแล้วก็ได้ ดังนั้น ระบบที่ใช้ หรือชุดความคิดเดิม อาจถูกเปลี่ยนไปเรื่อย ๆ จึงมีโอกาสแก่เร็วกว่าที่คิด ทางออกสำหรับแบรนด์ไทยคือการสร้างสิ่งที่อาจเรียกว่า Cultural Intelligence Layer ขึ้นมาครอบระบบอีกชั้น และควรมีทีม Social หรือ Community นำศัพท์ใหม่ มีมใหม่ และพฤติกรรมภาษาใหม่เข้ามาอัปเดต Knowledge Base เป็นระยะ
เพราะฉะนั้น ใช้ Human-in-the-loop กับเคสที่ AI มี Confidence ต่ำ เก็บตัวอย่างภาษาไทยจริงจาก Category ของตัวเอง เพราะคำประชดใน Beauty, Gaming, Food, Banking หรือ Luxury ต่างก็ไม่เหมือนกัน และที่สำคัญ อย่าให้ Automation ตัดสินใจจาก Sentiment เพียง Signal เดียว โดยเฉพาะ action ที่กระทบ Customer Experience โดยตรง เพราะ AI อาจอ่านภาษาได้เป็นล้านประโยคในไม่กี่วินาที แต่มนุษย์สามารถสร้างความหมายใหม่ให้คำธรรมดาได้ภายในคืนเดียว
ชวนวิเคราะห์เมื่อมนุษย์พูดไม่ตรง AI ต้องเก่งกว่าแค่ “ฟัง”
เทรนด์ 2/10 มีเสน่ห์ตรงที่มันเริ่มต้นจากมุกง่าย ๆ แต่กลับสะท้อนความเปลี่ยนแปลงบางอย่างของการทำ Customer Intelligence ได้ชัดมาก ในยุคที่แบรนด์เร่งลงทุน AI, CRM, CDP, Social Listening และ Marketing Automation สิ่งที่มีค่าที่สุดอาจไม่ใช่การมี Data มากที่สุด หรือประมวลผลได้เร็วที่สุด แต่คือ การตีความมนุษย์ได้ถูกที่สุด
เพราะ Customer Data บอกได้ว่าคนซื้ออะไร CRM บอกได้ว่าเขาซื้อบ่อยแค่ไหน Social Listening บอกได้ว่าเขาพูดอะไร แต่การจะรู้ว่า “2/10” ครั้งนี้คือด่าจริง ชมจริง หรือแค่เล่นกับภาษาของคนในกลุ่มเดียวกัน ยังต้องอาศัย Context, Culture และความเข้าใจพฤติกรรมมนุษย์ประกอบกัน
ถ้า Martech รุ่นต่อไปอยากเข้าใกล้คำว่า Customer Understanding จริง ๆ นี่อาจเป็นบททดสอบข้อเล็ก ๆ ที่ไม่เล็กเลย เพราะบางครั้ง ลูกค้าที่ระบบคิดว่าเกลียดแบรนด์ที่สุด อาจเป็นคนที่กำลังรักแบรนด์จนไม่อยากแบ่งให้ใครก็ได้
แหล่งข้อมูลอ้างอิง
- ACL Anthology — Pragmatic Metacognitive Prompting Improves LLM Sarcasm Detection
https://aclanthology.org/2025.chum-1.7/ - PMC / NIH — Sentiment Analysis and Sarcasm Detection using Deep Multi-Task Learning
https://pmc.ncbi.nlm.nih.gov/articles/PMC9985100/ - arXiv — On the Impact of Language Nuances on Sentiment Analysis
https://arxiv.org/abs/2504.05603 - arXiv — Assessing how hyperparameters impact Large Language Models’ sarcasm detection performance
https://arxiv.org/abs/2504.06166 - NAACL / ACL Anthology — Leveraging Generative Large Language Models with Visual Information for Multimodal Sarcasm Detection
https://aclanthology.org/2024.naacl-long.97/ - arXiv — Can Large Vision-Language Models Understand Multimodal Sarcasm?
https://arxiv.org/abs/2508.03654
