ต่อยอดเครื่องมือค้น MD&A รุ่น 2 กับ ChatGPT และ Claude: workflow 3 ขั้นให้รายงานตรวจย้อนกลับได้ทุกบรรทัด

เวลาผมนั่งเขียนรายงานเปรียบเทียบความเสี่ยงของบริษัทจดทะเบียนหลายตัวจากคำชี้แจงผู้บริหาร (MD&A) ในแบบ 56-1 คำถามที่ตามมาเสมอไม่ใช่ "AI เขียนให้สวยแค่ไหน" แต่เป็นคำถามเดิมจากห้องประชุมกรรมการ: "ประโยคนี้เอามาจากไหน เปิดให้ดูหน่อย" ถ้าตอบไม่ได้ รายงานทั้งฉบับก็วางบนโต๊ะไม่ได้ นี่คือเหตุผลที่ผมไม่เคยถาม ChatGPT ตรง ๆ ว่า "หุ้นตัวนี้มีความเสี่ยงสภาพคล่องไหม" เพราะมันจะตอบด้วยข้อความที่ฟังดูน่าเชื่อ แต่ชี้ที่มาไม่ได้ บทความนี้ผมจะเล่า workflow 3 ขั้นที่ผมใช้จริง — เอาผลค้นแบบมีที่มาจากเครื่องมือค้น MD&A รุ่น 2 ไปให้ ChatGPT หรือ Claude ช่วยร่าง โดยที่รายงานปลายทางยังตรวจย้อนกลับไปไฟล์ต้นฉบับได้ทุกบรรทัด พร้อม prompt ที่ก็อปไปวางแล้วใช้ได้เลย

1. ทำไมถามโมเดลตรง ๆ ถึงใช้ในงาน risk ไม่ได้

ปัญหาไม่ได้อยู่ที่โมเดลโง่ ปัญหาอยู่ที่มันถูกออกแบบมาให้ตอบ "ลื่น" ไม่ใช่ "ถูก" ผมเคยเจอ ChatGPT แต่งชื่อรายการในงบ แต่งเลขหน้า หรือยกคำพูดผู้บริหารที่ไม่มีอยู่จริง ด้วยน้ำเสียงมั่นใจเท่ากับตอนที่มันพูดถูก — นี่คืออาการที่วงการเรียกว่า hallucination และในงานที่ต้องส่งผู้ตรวจหรือกรรมการ มันคือความเสี่ยงที่ยอมรับไม่ได้ ผมเขียนเรื่องกลไกดักเลขที่โมเดลปั้นขึ้นไว้ละเอียดในบทเรื่องเลขที่ AI แต่งขึ้นกับด่านตรวจ 3 ชั้น แล้ว

ทำไมมันสำคัญกับเรา: ในงาน model validation สิ่งที่ทำให้ข้อสรุปใช้ได้จริงไม่ใช่ความฉลาดของแบบจำลอง แต่คือความสามารถในการชี้ว่า "ตัวเลขนี้มาจากบรรทัดไหนของเอกสารไหน" เครื่องมือที่สรุปเก่งแต่ชี้ที่มาไม่ได้ = เอาไปวางบนโต๊ะกรรมการไม่ได้ กฎข้อนี้ไม่เปลี่ยนไม่ว่าเบื้องหลังจะเป็นคนหรือ AI

ทางแก้จึงไม่ใช่ "เลิกใช้ AI" แต่คือ ไม่ปล่อยให้ AI เป็นแหล่งข้อเท็จจริง ให้มันเป็นแค่คนเรียบเรียง ส่วนข้อเท็จจริงต้องมาจากชั้นข้อมูลที่ตรวจย้อนกลับได้ — และนั่นคืองานของเครื่องมือค้นรุ่น 2

2. ขั้นที่หนึ่ง: ให้เครื่องมือรุ่น 2 ทำหน้าที่ "ชั้นหลักฐาน"

เครื่องมือค้น MD&A รุ่น 2 ต่างจากการกด Ctrl+F ตรงที่คุณพิมพ์ แนวคิด เป็นภาษาคน แล้วมันไปหาย่อหน้าที่พูดเรื่องเดียวกันในเอกสารของทุกบริษัท แม้ใช้คำคนละคำ (ผมเทียบให้เห็นภาพไว้ในบทเทียบ semantic search กับการค้นคีย์เวิร์ด) จุดที่ทำให้มันเป็นชั้นหลักฐานได้จริงคือทุกผลลัพธ์มี 3 อย่างติดมาเสมอ:

• ข้อความต้นฉบับแบบ verbatim — เป็นประโยคที่ผู้บริหารเขียนเอง ไม่ใช่ AI เรียบเรียงใหม่ คุณจึงตรวจทานคำต่อคำได้
• ลิงก์กลับไฟล์ต้นทางที่ ก.ล.ต. พร้อมเลขหน้า — กดแล้วไปอ่านบริบทเต็มในแบบ 56-1 ได้ทันที
• รหัสอ้างอิงประจำแถว (audit_id) — ทำให้แต่ละชิ้นหลักฐานมีเลขที่ไม่ซ้ำ เอาไปอ้างในรายงานแล้วตามกลับมาที่แถวเดิมได้

รุ่น 2 ยังเปลี่ยนหน่วยของคำตอบจาก "ย่อหน้าดิบ" เป็น "ข้อค้นพบมีโครงสร้าง" ที่กรอง เรียง และนับต่อได้ (ผมเล่าเบื้องหลังการรื้อไว้ในบันทึกจาก V1 สู่ V2) เวลาจะเอาไปทำต่อ ผมกดปุ่ม export เป็นตาราง — วิธีทำอยู่ในบทเรื่องส่งออกผลค้นเป็น Excel — ได้ไฟล์ที่แต่ละแถวหน้าตาประมาณนี้ (หนึ่งแถว = หนึ่งชิ้นหลักฐาน):

ticker | fy   | period | snippet_verbatim (ข้อความต้นฉบับ)            | source_url (ก.ล.ต.) | page | audit_id
-------+------+--------+---------------------------------------------+---------------------+------+---------------------------
XYZ    | 2569 | Q1     | "<ประโยคจริงจากเครื่องมือ ไม่แก้ไม่สรุปทับ>" | https://market.sec… | 2-3  | EXT-XYZ-FY2026-Q1-014

ทำไมมันสำคัญกับเรา: พอชั้นข้อมูลเป็นตารางที่ทุกแถวมีลิงก์ต้นทาง งานพิสูจน์ความถูกต้องก็เปลี่ยนจาก "เชื่อ AI หรือไม่เชื่อ" เป็น "คลิกดูต้นฉบับ" ซึ่งเป็นงานที่คนตรวจทำเป็นอยู่แล้ว เราไม่ได้ขอให้ใครไว้ใจโมเดล เราแค่ทำให้การไม่ไว้ใจมันง่าย

3. ขั้นที่สอง: ให้ ChatGPT หรือ Claude ร่าง — แต่ผูกด้วย "สัญญาการอ้างอิง"

ตรงนี้คือหัวใจ ผมไม่ได้โยนตารางเข้าไปแล้วสั่งว่า "สรุปให้หน่อย" เพราะแบบนั้นโมเดลจะเผลอเติมความรู้ตัวเองกลับเข้ามา ผมวางกติกาให้มันก่อนด้วย prompt ที่ผมเรียกว่า grounding contract — สัญญาว่า "ข้อเท็จจริงต้องมาจากตารางเท่านั้น และทุกประโยคต้องแนบที่มา" นี่คือ prompt เต็มที่ก็อปไปวางใน ChatGPT หรือ Claude ได้เลย แค่แปะตารางที่ export มาต่อท้าย:

บทบาท: คุณเป็นผู้ช่วยเรียบเรียงรายงาน ไม่ใช่แหล่งข้อเท็จจริง

ข้อมูลเดียวที่ใช้ได้คือตารางท้าย prompt นี้ (ส่งออกจากเครื่องมือค้น MD&A)
แต่ละแถวมี: ticker | ปีบัญชี | ไตรมาส | ข้อความต้นฉบับ verbatim | ลิงก์ต้นทาง | เลขหน้า | audit_id

กฎเหล็ก 4 ข้อ (ถ้าทำผิดข้อใดข้อหนึ่ง ให้ถือว่ารายงานใช้ไม่ได้):
1. ใช้เฉพาะข้อความในตาราง ห้ามเติมข้อเท็จจริง ตัวเลข หรือชื่อบริษัทจากความรู้ของคุณเอง
2. ทุกประโยคที่เป็นข้อเท็จจริง ต้องปิดท้ายด้วยที่มาอย่างน้อยหนึ่งอันในรูปแบบ [ticker · ปี · น.เลขหน้า · audit_id]
3. คำถามใดที่ตารางไม่มีหลักฐานรองรับ ให้เขียนว่า "ไม่มีหลักฐานเพียงพอในชุดข้อมูลนี้" ห้ามเดา
4. ห้ามสรุปทับจนเปลี่ยนความหมายต้นฉบับ ถ้าจะตีความ ให้ขึ้นบรรทัดใหม่ว่า "ตีความ:" แยกจากข้อเท็จจริงเสมอ

งาน: จากตารางนี้ ช่วยร่างสรุปหนึ่งหน้า ว่าบริษัทกลุ่มนี้กำลังส่งสัญญาณอะไรเรื่องคุณภาพสินเชื่อ
เรียงจากสัญญาณที่หลักฐานชัดสุดไปเบาสุด และปิดท้ายด้วยรายการที่ "ไม่มีหลักฐานเพียงพอ" ถ้ามี

ตาราง:
<วางแถวที่ export จากเครื่องมือตรงนี้>

อ่านทีละบรรทัดว่าแต่ละกฎซื้ออะไรให้เรา:

• กฎข้อ 1 (ใช้เฉพาะในตาราง) — ปิดประตูไม่ให้โมเดลดึงความรู้เก่าที่อาจล้าสมัยหรือผิดเข้ามาปน นี่คือเส้นแบ่งระหว่าง "AI ที่ยึดหลักฐาน" กับ "AI ที่เดา"
• กฎข้อ 2 (แนบที่มาทุกประโยค) — บังคับให้ audit_id ไหลจากตารางไปจนถึงรายงาน คุณจึงสุ่มหยิบประโยคไหนก็ตามกลับไปที่แถวต้นทางได้เสมอ
• กฎข้อ 3 (ยอมบอกว่าไม่รู้) — จุดที่คนมองข้าม ช่องว่างของข้อมูลมีค่าพอ ๆ กับข้อมูล การให้โมเดล "เว้นว่างอย่างซื่อสัตย์" ดีกว่าให้มันปั้นเนื้อมาเต็มหน้า
• กฎข้อ 4 (แยกข้อเท็จจริงจากการตีความ) — คนอ่านรายงานต้องรู้ว่าบรรทัดไหนคือสิ่งที่บริษัทเขียน บรรทัดไหนคือความเห็นที่ต่อยอด นี่คือวินัยเดียวกับที่สำนักข่าวแยกข่าวออกจากบทวิเคราะห์

ผลที่ได้จะออกมาหน้าตาแบบนี้ (ตัวอย่างรูปแบบ ไม่ใช่ข้อมูลจริง):

1. ลูกหนี้ระมัดระวังการก่อหนี้ใหม่มากขึ้นและบริหารสภาพคล่องเพื่อชำระหนี้เดิมเป็นหลัก
   [XYZ · 2569 · น.2-3 · EXT-XYZ-FY2026-Q1-014]
   ตีความ: มีนัยต่อการเติบโตของพอร์ตสินเชื่อในระยะถัดไป (ความเห็นผู้เขียน ไม่ใช่คำในเอกสาร)

2. ไม่มีหลักฐานเพียงพอในชุดข้อมูลนี้เรื่องอัตราการตั้งสำรองรายไตรมาส

ทำไมมันสำคัญกับเรา: ตอนนี้ ChatGPT กับ Claude กลายเป็น "แรงงานเรียบเรียง" ที่ควบคุมได้ ไม่ใช่กล่องดำที่ต้องภาวนา ความแตกต่างระหว่างสองเจ้านี้ในงานการเงินผมเทียบไว้ในบทเทียบ Claude กับ ChatGPT สายการเงิน แต่หลักการ grounding contract ใช้ได้กับทั้งคู่ เพราะมันคุมที่ "อินพุตกับกติกา" ไม่ใช่ที่ยี่ห้อโมเดล

4. ขั้นที่สาม: สุ่มตรวจย้อนกลับ ก่อนแปะชื่อตัวเองลงไป

รายงานที่ AI ร่างเสร็จยังไม่ใช่รายงานที่ส่งได้ ผมทำอีกขั้นเสมอก่อนแปะชื่อ — สุ่มตรวจย้อนกลับ หยิบ 3–5 ประโยคที่สำคัญที่สุด แล้วเดินย้อนสายหลักฐาน: จาก audit_id ในรายงาน → กลับไปหาแถวเดิมในตาราง → กดลิงก์ source_url ไปเปิดแบบ 56-1 ที่ ก.ล.ต. → อ่านย่อหน้านั้นในเลขหน้าที่ระบุ ถ้าครบวงนี้แล้วข้อความตรงกัน แปลว่าประโยคนั้น "ป้องกันตัวเองได้"

นี่คือ checklist สั้น ๆ ที่ผมใช้ปิดงาน:

• ทุกประโยคข้อเท็จจริงมี audit_id ไหม — ประโยคไหนไม่มี คือประโยคที่โมเดลแอบเติมเอง ตัดทิ้งหรือหาหลักฐานมาใส่
• audit_id ตามกลับไปเจอแถวจริงไหม — เจอเลขที่ตามกลับไม่เจอ = สัญญาณว่าโมเดลปั้นรหัสขึ้น
• ข้อความในรายงานตรงกับ verbatim ในแถวไหม — ถ้าถูกสรุปทับจนเปลี่ยนความหมาย ให้ดึงคำต้นฉบับกลับมา
• บรรทัด "ตีความ" ถูกแยกออกจากข้อเท็จจริงชัดไหม — ความเห็นต้องไม่ปลอมตัวเป็นข่าว

ทำไมมันสำคัญกับเรา: งานที่ตรวจย้อนกลับได้คืองานที่ scale ได้ เพราะคุณส่งต่อให้คนอื่นตรวจซ้ำได้โดยไม่ต้องอธิบายปากเปล่า และวันที่ผู้ตรวจหรือกรรมการถามว่า "มาจากไหน" คำตอบไม่ใช่ "AI บอกมา" แต่เป็นลิงก์ที่กดเปิดดูได้ตรงหน้า

ภาพรวม

หัวใจของ workflow นี้ไม่ใช่ตัว AI แต่คือการจัดวางว่าใครทำหน้าที่อะไร: เครื่องมือค้นรุ่น 2 เป็นชั้นหลักฐานที่ยกต้นฉบับมาพร้อมลิงก์และ audit_id ส่วน ChatGPT หรือ Claude เป็นแรงงานเรียบเรียงที่ถูกผูกด้วย grounding contract ให้แนบที่มาทุกประโยค แล้วปิดท้ายด้วยการสุ่มตรวจย้อนกลับด้วยมือ ผลคือรายงานที่เขียนเร็วขึ้นมาก แต่ยัง "ป้องกันตัวเองได้" ทุกบรรทัด — ซึ่งเป็นมาตรฐานเดียวกับที่ผมใช้กับงานตรวจโมเดลในแบงก์ แนวคิดเรื่องการเอาเอกสารการเงินมาต่อกับ AI แบบยึดหลักฐาน ผมขยายความไว้ในบทเรื่อง RAG กับเอกสารการเงินด้วย Claude Code

ถ้าอยากได้ทั้งระบบที่ผมประกอบไว้ครบ — ตั้งแต่ตั้งค่าเครื่องมือ, ต่อ prompt แบบ grounding contract, ไปจนถึงขั้นตอนตรวจย้อนกลับที่ทำซ้ำได้ทุกงาน — ผมรวบรวมไว้ในคอร์ส Claude Code

เนื้อหานี้เพื่อการศึกษาและวิเคราะห์พร้อมอ้างอิง ไม่ใช่คำแนะนำการลงทุน