AI & Marketing 27 มิถุนายน 2569

ใครเป็นเจ้าของ AI Recommendation? — Multi-Industry Map

สมมติว่าคุณเปิด ChatGPT แล้วถามว่า “แนะนำร้านกาแฟให้หน่อย” — แบรนด์ที่ AI แนะนำขึ้นมา ไม่ใช่แบรนด์ที่ SEO ดีที่สุด ไม่ใช่แบรนด์ที่ยิง Ads เยอะที่สุด แต่เป็นแบรนด์ที่ AI “เลือก” จากข้อมูลที่มันเรียนรู้มา แล้วแบรนด์ของคุณล่ะ? AI แนะนำบ้างไหม? หรือเงียบหายไปเลย? แล้วถ้าคุณถาม AI อีกตัว ผลลัพธ์จะเหมือนกันไหม?

นี่คือคำถามที่นักวิจัย Dmitrij Żatuchin ตั้งไว้ใน paper ล่าสุด “Who Owns the AI Recommendation?” (มิถุนายน 2026) ที่ทดสอบจริงกับ 3,750 responses จาก 3 โมเดล AI ชั้นนำ — แล้วผลลัพธ์บอกว่า เกมนี้ยังไม่มีแชมป์ และนี่อาจเป็นโอกาสที่ดีที่สุดสำหรับแบรนด์ที่ต้องการสร้างตัวในยุค AI

AI recommendation concept — brands from multiple industries competing in AI responses

TL;DR

ทดสอบ 3,750 responses จาก GPT-5.2, Gemini 3 Flash, Perplexity Sonar Pro กับ 50 แบรนด์ ใน 5 อุตสาหกรรม
Mean Gini coefficient = 0.28 — ไม่ใช่ Winner-Takes-All, ยังมีการกระจายตัวดี
Competitive Vacuum พบแค่ 8% ของ queries — AI แนะนำแบรนด์เกือบตลอด
Cross-model agreement = 41.6% — แบรนด์ที่ GPT แนะนำ ≠ แบรนด์ที่ Gemini แนะนำ
มี 3 Metrics ใหม่: COI, CVI, DS สำหรับวัด Brand Visibility ใน AI
โอกาสเปิดกว้าง — โดยเฉพาะสำหรับ SME ที่ยังไม่มีใครผูกขาด

ดู paper ฉบับเต็ม: arxiv.org/abs/2606.23057v1

AI แนะนำแบรนด์อะไรบ้าง?

ก่อนอื่นมาดูวิธีทดสอบกันก่อน — เพราะนี่ไม่ใช่แค่ถาม AI เล่นๆ แล้วเดา

researcher ออกแบบ experiment มาอย่างดี ด้วย scope ที่ใหญ่พอจะเชื่อถือได้:

3 โมเดล: GPT-5.2 (OpenAI), Gemini 3 Flash (Google), Perplexity Sonar Pro — ครอบคลุมทั้ง Chatbot search และ AI-native search
5 อุตสาหกรรม: ตั้งแต่ consulting, consumer goods, tech ไปจนถึงหมวดที่ niche กว่า
50 แบรนด์ ที่ถูกเลือกมาทดสอบ — ตั้งแต่แบรนด์ใหญ่ระดับโลกไปจนถึงแบรนด์ท้องถิ่น
250 queries ที่หลากหลาย — จำลองคำถามจริงที่คนทั่วไปถาม AI
3,750 responses รวมทั้งหมด — ทุก query ถูกถามเหมือนกันทุกโมเดล

Methodology: 3 AI models × 50 brands × 250 queries = 3,750 responses

การออกแบบนี้มีจุดสำคัญคือ controlled comparison — ถามคำถามเดียวกัน ให้ทุกโมเดลตอบ เพื่อดูว่า AI ตัวไหน “เลือก” แบรนด์อะไร แล้วเอามาเปรียบเทียบกันอย่างเป็นระบบ

สิ่งที่น่าสนใจคือ ไม่มีโมเดลไหนที่แนะนำแบรนด์เดียวกันตลอดเวลา — ทุกโมเดลมี “รสชาติ” ของตัวเอง ต่างจาก Google Search ที่ algorithm เดียวตัดสินทุกอย่าง นี่คือ paradigm shift ที่นักการตลาดต้องเข้าใจ

ไม่ใช่ Winner-Takes-All!

นี่คือ insight ที่สำคัญที่สุดจาก paper เลย — AI Recommendation ไม่ใช่เกม winner-takes-all

หลายคนอาจคิดว่า AI จะผูกขาดเหมือน Google ที่แบรนด์อันดับ 1 กินรวบ traffic ไป 90%+ แต่ผลวิจัยบอกว่า:

Gini coefficient = 0.28

Gini coefficient คือตัววัดความกระจุกตัว — 0 หมายถึงกระจายเท่ากันหมด, 1 หมายถึงผูกขาดคนเดียว

ค่า 0.28 อยู่ในระดับกลาง — แปลว่า มีการกระจายตัวที่ดี แบรนด์ท็อปไม่ได้กินรวบ แบรนด์เล็กก็มีโอกาสแนะนำ นี่ต่างจาก Google Search ที่ Gini coefficient มักจะสูงกว่ามาก

Gini coefficient visualization — distribution of brand mentions in AI recommendations

Competitive Vacuum = 8%

แค่ 8% ของ queries เท่านั้นที่ไม่มีแบรนด์ไหน “ยึด” ได้ชัดเจน — แปลว่า 92% ของ queries มีแบรนด์ถูกแนะนำเสมอ AI ไม่ได้ตอบว่า “ไม่รู้” บ่อยขนาดนั้น

ตัวเลขนี้บอกว่า AI มีความมั่นใจในการแนะนำค่อนข้างสูง แต่ก็ไม่ได้ผูกขาดกับแบรนด์เดียว — ยังมี “ที่ว่าง” สำหรับแบรนด์อื่นแทรกเข้ามาได้

Cross-model agreement = 41.6%

ตัวเลขนี้บอกว่าเมื่อถามเหมือนกัน GPT-5.2 กับ Gemini 3 Flash แนะนำแบรนด์เดียวกันแค่ 41.6% — เกือบ 60% ของเวลาที่เหลือ แต่ละโมเดลเลือกคนละแบรนด์

นี่คือสัญญาณว่า เกมยังเปิด — ไม่มีโมเดลไหนที่ตัดสินชี้ขาดเป็น “มาตรฐาน” ของวงการ แบรนด์ที่ optimize สำหรับ GPT อาจไม่ปรากฏใน Gemini และกลับกัน

3 Metrics ใหม่วัด Brand Visibility

paper นำเสนอ 3 metrics ใหม่ที่นักการตลาดควรรู้จัก — เพราะเมตริกเดิมๆ อย่าง SEO ranking ไม่พอแล้วในยุค AI นี่คือ framework ใหม่สำหรับวัดว่าแบรนด์ของคุณ “มีตัวตน” ในสายตา AI แค่ไหน

1. Category Ownership Index (COI)

วัดว่าแบรนด์ของคุณถูกกล่าวถึง (mention) ใน category เท่าไหร่เมื่อเทียบกับคู่แข่ง — ยิ่งสูง แปลว่ายิ่ง “เป็นเจ้าของ” หมวดนั้นในสายตา AI

ถ้าแบรนด์คุณมี COI สูงในหมวดกาแฟ แปลว่าเมื่อไหร่ก็ตามที่คนถาม AI เรื่องกาแฟ แบรนด์คุณจะถูกแนะนำเป็นอันดับต้นๆ — เหมือนเป็น “default answer” ของ AI

2. Competitive Vacuum Index (CVI)

วัดว่า category ไหนที่ยังไม่มีผู้นำชัดเจน — นี่คือ โอกาสทอง สำหรับแบรนด์ที่ต้องการเข้ายึดพื้นที่ก่อนคนอื่น

ถ้า CVI สูงในหมวดที่คุณทำอยู่ แปลว่า AI ยังไม่ได้ “เลือก” ใครเป็นเจ้าของ — คุณยังมีโอกาสสร้างตัวเป็น default recommendation ได้

3. Displacement Score (DS)

วัดการ “แทนที่” ระหว่างคู่แบรนด์ — ถ้าคุณถาม AI แล้วแบรนด์ A ถูกแนะนำแทนแบรนด์ B บ่อยแค่ไหน? DS บอกว่าใครกำลังเสียตำแหน่งให้ใคร

ถ้า DS สูง แปลว่ามีแบรนด์ที่กำลัง “กิน” ส่วนแบ่งของแบรนด์อื่น — นี่คือสัญญาณว่าต้องรีบ optimize ก่อนที่จะสาย

Three new metrics: COI, CVI, and DS for measuring brand visibility in AI

เมตริกเหล่านี้ออกแบบมาเพื่อวัด Brand Visibility ใน AI โดยเฉพาะ — ไม่ใช่แค่ “AI พูดถึงแบรนด์เราไหม” แต่ “เราเป็นเจ้าของ category ในสายตา AI แค่ไหน” ซึ่งเป็นคนละมิติกับ SEO เลย

แต่ละอุตสาหกรรมต่างกัน

หนึ่งใน findings ที่น่าสนใจคือ Displacement Score ต่างกันมากตามอุตสาหกรรม — ไม่ใช่ทุก industry จะมีเกมเดียวกัน

Consulting: DS = 0.4:1 — แทบไม่มีการ displacement แบรนด์ consulting ยังถูกแนะนำอย่างหลากหลาย ไม่มีแบรนด์ไหน “กินรวบ” หมวดนี้
บางอุตสาหกรรม: DS สูงถึง 4.3:1 — แปลว่าแบรนด์หนึ่งถูกแนะนำแทนอีกแบรนด์บ่อยมาก แบรนด์ที่มาก่อนกำลังได้เปรียบอย่างชัดเจน
Mean displacement: 2.4:1 — โดยเฉลี่ยแล้วมี brand displacement แต่ไม่ extreme

Displacement Score comparison across industries — from 0.4:1 to 4.3:1

ตัวเลขนี้บอกว่า แต่ละอุตสาหกรรมมีเกมที่ต่างกัน — consulting ยังเปิดกว้าง แบรนด์เล็กยังแทรกเข้ามาได้ แต่อุตสาหกรรมที่ DS สูง แบรนด์ที่มาก่อนอาจกำลัง “กินรวบ” ในสายตา AI แล้ว

นักการตลาดต้องดูว่า อุตสาหกรรมตัวเองอยู่ตรงไหน — ถ้า DS ต่ำ แปลว่ายังมีโอกาส ถ้า DS สูง ต้องรีบ optimize ก่อนที่จะสายเกินไป

โอกาสสำหรับทุกแบรนด์

ถ้าอ่านมาถึงตรงนี้ นี่คือ takeaway ที่สำคัญที่สุด — และมันเป็นข่าวดี:

ยังไม่มีใครผูกขาด

Gini coefficient 0.28 บอกว่าเกมยังกระจาย — แบรนด์เล็กก็มีโอกาส ไม่เหมือน Google ที่อันดับ 1-3 กิน traffic ไปเกือบหมด นี่คือ window of opportunity ที่อาจไม่ได้อยู่ตลอดไป

ต้อง optimize สำหรับหลายโมเดล

cross-model agreement แค่ 41.6% แปลว่า ทำ SEO สำหรับ Google ตัวเดียวไม่พอแล้ว — ต้อง optimize content ให้ AI หลายตัว “เห็น” แบรนด์ของคุณ ทั้ง GPT, Gemini, Perplexity และโมเดลอื่นๆ ที่กำลังจะออกมา

ต่างจาก Google Search

Google Search เป็น winner-takes-all — แบรนด์ที่อยู่อันดับ 1 ได้ traffic มากกว่าอันดับ 2 หลายเท่า แต่ AI Recommendation ยังเป็น competitive landscape ที่เปิดกว้าง แบรนด์ที่เข้าใจเกมนี้ก่อนจะได้เปรียบ

สำหรับ SME นี่คือโอกาส — คุณไม่จำเป็นต้องมี budget เท่าแบรนด์ใหญ่ แค่เข้าใจว่า AI คิดยังไง แล้ว optimize content ให้ AI “เข้าใจ” แบรนด์ของคุณ เกมยังเปิด — แต่จะไม่เปิดตลอดไป

FAQ

AI Recommendation ต่างจาก Google Search ยังไง?

Google Search ใช้ algorithm จัดอันดับเว็บ — แบรนด์ที่ SEO ดี อยู่อันดับต้น ได้ traffic มากกว่า (winner-takes-all) แต่ AI Recommendation ใช้ LLM “เลือก” แบรนด์จากข้อมูลที่เรียนรู้มา — ไม่มี algorithm เดียวตัดสิน แต่ละโมเดลอาจแนะนำคนละแบรนด์ ดังนั้นเกมยังเปิดกว้างกว่า ที่สำคัญคือ AI recommendation ไม่ได้ดูแค่ backlink หรือ keyword density แต่ดู “ความเข้าใจ” ที่ AI มีต่อแบรนด์

SME มีโอกาสแค่ไหน?

มีโอกาสเยอะ! เพราะ Gini coefficient = 0.28 แปลว่าแบรนด์เล็กไม่ได้ถูกบดขยี้เหมือนใน Google — AI กระจายการแนะนำ แบรนด์เล็กที่มี content ดี สามารถถูกแนะนำได้เท่ากับแบรนด์ใหญ่ สิ่งสำคัญคือ optimize content ให้ AI เข้าใจ — ไม่ใช่แค่ SEO แบบเดิม แต่ต้องคิดว่า “AI จะเข้าใจแบรนด์เราอย่างไร”

ต้อง optimize สำหรับโมเดลไหนบ้าง?

cross-model agreement = 41.6% บอกว่าแต่ละโมเดลแนะนำคนละแบรนด์ — ดังนั้น optimize สำหรับหลายโมเดล ดีกว่า focus แค่ตัวเดียว ตอนนี้โมเดลหลักๆ คือ GPT-5.2, Gemini 3 Flash, Perplexity Sonar Pro แต่ landscape เปลี่ยนเร็ว ต้อง monitor ตลอด สิ่งสำคัญคือไม่ต้อง optimize แยกสำหรับทุกโมเดล — แต่ต้องเข้าใจว่า AI แต่ละตัว “มองเห็น” แบรนด์คุณต่างกันอย่างไร แล้วสร้าง content ที่ AI ทุกตัวเข้าใจได้

แหล่งอ้างอิง

Żatuchin, D. (2026). Who Owns the AI Recommendation? A Multi-Industry Empirical Map of Brand Category Ownership Across Large Language Models. arXiv:2606.23057v1. https://arxiv.org/abs/2606.23057v1
ข้อมูลเพิ่มเติม: https://doi.org/10.5281/zenodo.20788142

Last updated: 2026-06-27