RAG กับเอกสารการเงิน (56-1/งบ) ด้วย Claude Code — ให้ AI ตอบโดยอ้างเอกสารจริง ไม่หลอน

ถ้าคุณเคยก็อปงบหรือแบบ 56-1 ยาว ๆ ไปถาม AI ตรง ๆ แล้วได้ตัวเลขที่ "ฟังดูใช่แต่ผิด" — นั่นคืออาการหลอน (hallucination) ที่อันตรายที่สุดในงานการเงิน เพราะมันผิดแบบเนียน ในฐานะคนทำ data สายธนาคาร ผมไม่เคยปล่อยให้ AI ตอบเรื่องตัวเลขโดยไม่มีที่อ้าง วิธีที่ผมใช้คุมเรื่องนี้คือ RAG — ให้ AI ไปหยิบข้อความจริงจากเอกสารมาตอบ พร้อมชี้กลับว่ามาจากตรงไหน

1. ทำไมถาม LLM ตรง ๆ กับเอกสารการเงินถึงเสี่ยง

LLM ตอบจาก "ความจำ" ของมัน ไม่ใช่จากเอกสารที่คุณถือ ถ้าเอกสารยาวเกิน context หรือมันจำคลาดเคลื่อน มันจะ "เดาให้เนียน" แทนที่จะบอกว่าไม่รู้ ในงานทั่วไปอาจพอรับได้ แต่กับงบหรือ 56-1 ที่ตัวเลขหนึ่งตัวเปลี่ยนข้อสรุปได้ การเดาเนียน = ความเสี่ยงจริง

นี่คือเหตุผลที่ผมแยกชัดระหว่าง "ให้ AI ช่วยอ่าน" กับ "ให้ AI ช่วยจำ" — เราอยากได้อย่างแรก ไม่ใช่อย่างหลัง

ทำไมมันสำคัญกับเรา: ในงานการเงิน คำตอบที่ผิดแบบมั่นใจ อันตรายกว่าคำตอบว่า "ไม่พบในเอกสาร" เสมอ

2. RAG คืออะไร แบบคนการเงินเข้าใจ

RAG ย่อจาก Retrieval-Augmented Generation แต่ไม่ต้องสนศัพท์ หลักการง่ายมาก: แทนที่จะให้ AI ตอบจากความจำ เรา ค้นหาข้อความที่เกี่ยวข้องจากเอกสารจริงก่อน แล้วค่อยให้มันตอบโดยอิงเฉพาะข้อความนั้น

เทียบกับงานที่คุณคุ้น: มันเหมือนนักวิเคราะห์ที่ดี — ไม่ตอบจากความจำลอย ๆ แต่เปิดงบไปที่หน้าที่เกี่ยว อ่าน แล้วตอบพร้อมชี้ว่า "อยู่หน้านี้ บรรทัดนี้" ความต่างเดียวคือ AI ทำขั้นค้นหาให้เร็วขึ้นมาก

ทำไมมันสำคัญกับเรา: RAG เปลี่ยน AI จาก "คนที่อ้างความจำ" เป็น "คนที่อ้างเอกสาร" — ซึ่งเป็นมาตรฐานเดียวที่ใช้ได้กับงานที่ต้องตรวจสอบ

3. กุญแจที่คนมองข้าม: ต้อง cite กลับได้เสมอ

หัวใจไม่ได้อยู่ที่ "ค้นเจอ" แต่อยู่ที่ทุกคำตอบต้องชี้กลับไปยังเอกสารต้นทางได้ ถ้าคำตอบไหนอ้างที่มาไม่ได้ ให้ถือว่ายังไม่ผ่าน — เหมือนกฎที่ผมใช้กับทีม: ไม่มีที่อ้าง = ไม่นับว่าจริง

การบังคับให้ทุกคำตอบมี citation ทำสองอย่างพร้อมกัน — มันลดการหลอน (เพราะ AI ต้องหาให้เจอจริงก่อนตอบ) และมันสร้าง audit trail ให้เอง ซึ่งเป็นสิ่งที่ทั้งหัวหน้าและผู้ตรวจจะถามหา (แนวคิดเดียวกับการต่อ Claude เข้าข้อมูลจริงผ่าน MCP)

ทำไมมันสำคัญกับเรา: "ตอบได้" กับ "ตอบแล้วชี้ที่มาได้" คือคนละระดับความน่าเชื่อถือ — งานการเงินต้องการอย่างหลัง

4. ตัวอย่าง: ถามงบ/56-1 แล้วได้คำตอบมีที่อ้าง

สมมติถามว่า "บริษัทนี้มีนโยบายบริหารความเสี่ยงด้านเครดิตอย่างไร" ระบบ RAG ที่ดีจะไปค้นหัวข้อที่เกี่ยวใน 56-1 ดึงย่อหน้าจริงมา แล้วตอบโดยสรุปจากย่อหน้านั้น พร้อมบอกว่ามาจากส่วนไหนของเอกสาร — ถ้าเอกสารไม่ได้พูดถึง มันควรตอบว่า "ไม่พบ" ไม่ใช่แต่งให้

ผมใช้แนวนี้กับ การวิเคราะห์งบด้วย Claude Code และกับ ข้อมูลหุ้นไทย/SET — จุดร่วมคือ AI ช่วยเร่งงานอ่าน/ค้น แต่คนยังตรวจตัวเลขทุกตัว

ทำไมมันสำคัญกับเรา: ได้ความเร็วของ AI โดยไม่เสียความน่าเชื่อถือ — เพราะทุกคำตอบยังตรวจย้อนได้

ภาพรวม

กับเอกสารการเงิน อย่าให้ AI ตอบจากความจำ — ให้มัน retrieve ข้อความจริงมา ground คำตอบ และ cite กลับเสมอ นี่คือเส้นแบ่งระหว่าง "เครื่องมือที่ใช้ในงานจริงได้" กับ "ของเล่นที่หลอนเป็นครั้งคราว"

บทความนี้ให้ "หลักคิด" ของ RAG สำหรับเอกสารการเงิน — ส่วน pipeline จริงที่ผมต่อ (ตั้งแต่ตัดเอกสารเป็นชิ้น ค้นหา ไปจนบังคับ citation), prompt ที่ใช้กันหลอน และ workspace ที่ก็อปไปรันกับ 56-1/งบ ของคุณได้เลย ผมรวบไว้ใน คอร์ส Claude Code

เนื้อหานี้เพื่อการศึกษา ไม่ใช่คำแนะนำการลงทุน