Generative AI กำลังเพิ่มปริมาณเนื้อหาภาษาไทยบนอินเทอร์เน็ตมากแค่ไหน?

มีการคาดการณ์ว่าสัดส่วนของข้อมูลบนระบบอินเทอร์เน็ตที่ถูกสร้างขึ้นด้วย Generative AI ระยะหลังสูงถึง 30%-50% โดยที่ผ่านมาเริ่มมีความพยายามที่จะวัดปริมาณข้อมูลบนอินเทอร์เน็ตที่ถูกสร้างขึ้นด้วย Generative AI อยู่บ้าง และมีงานวิจัยอย่างน้อย 3 ชิ้นที่ชี้ว่า Generative AI มีส่วนสร้างข้อมูลบนอินเทอร์เน็ตคิดเป็นสัดส่วนประมาณ 30%–50% แม้ว่าแต่ละงานจะใช้วิธีการวัดที่แตกต่างกันก็ตาม ตัวอย่างเช่น Spennemann (2025) ประเมินว่าอย่างน้อยประมาณ 30% ของข้อความบนหน้าเว็บบนระบบอินเทอร์เน็ตอาจถูกสร้างขึ้นด้วย AI และสัดส่วนจริงอาจเข้าใกล้ 40% ขณะที่ Paredes, Druck, Benson, and Smith (2026) พบว่าในไตรมาสแรกของปี 2026 บทความออนไลน์ที่เผยแพร่ใหม่บนอินเทอร์เน็ตประมาณ 50% ถูกจัดว่าเป็นบทความที่สร้างขึ้นด้วย AI เป็นหลัก ส่วน Dolezal, Alam, Graham and Bohacek (2026) พบว่า ณ กลางปี 2025 เว็บไซต์ที่เผยแพร่ใหม่ประมาณ 35% ถูกจัดว่าเป็น AI-generated หรือ AI-assisted 

อย่างไรก็ดี การศึกษาดังกล่าวยังเป็นการวิเคราะห์อินเทอร์เน็ตในภาพรวมหรือเนื้อหาภาษาอังกฤษเป็นหลัก และยังไม่ได้วิเคราะห์ข้อมูลภาษาไทยโดยเฉพาะ ในงานวิจัยชิ้นนี้ Athentic จึงต้องการเติมเต็มช่องว่างดังกล่าว ด้วยการประมาณสัดส่วนของการเพิ่มขึ้นของเนื้อหาภาษาไทยบนอินเทอร์เน็ตที่อาจสัมพันธ์กับการแพร่หลายของ Generative AI

แล้วเราวัดปริมาณเนื้อหาบนอินเทอร์เน็ตที่เป็นภาษาไทยและสร้างจาก Generative AI อย่างไร? 

• ขั้นที่ 1: หาวิธี "นับ" เนื้อหาภาษาไทยบนอินเทอร์เน็ต เราใช้คำที่คนไทยใช้บ่อยๆ เช่น "และ" "ที่" "ของ" (เรียกว่า stop words) เป็นคำค้นหาใน Google เพื่อประเมินว่าในแต่ละปีมีเนื้อหาภาษาไทยอยู่บนอินเทอร์เน็ตประมาณเท่าไหร่ ทั้งในหน้าเว็บทั่วไป รูปภาพ ข่าว และงานวิชาการ
• ขั้นที่ 2: ดูแนวโน้ม "ก่อน" การมาของ Generative AI เราเก็บข้อมูลย้อนหลังตั้งแต่ปี 2018-2021 ซึ่งเป็นช่วงก่อนที่ ChatGPT (Generative AI ตัวแรกที่เปิดตัวต่อสาธารณะและได้รับการ download และใช้อย่างแพร่หลาย) จะเปิดตัว (ปลายปี 2022) เพื่อดูว่าปกติแล้วเนื้อหาภาษาไทย ไม่ว่าจะเป็น หน้าเว็บทั่วไป รูปภาพ ข่าว และงานวิชาการ เพิ่มขึ้นอย่างไร
• ขั้นที่ 3: ลองคาดการณ์ว่า "ถ้าไม่มี Generative AI" ปี 2025 ควรมีเนื้อหาเท่าไหร่ ใช้แนวโน้มจากขั้นที่ 2 มาคำนวณต่อ (ลากเส้นแนวโน้มออกไป) เพื่อสร้างเป็น "เส้นสมมติ (counterfactual)" ว่าถ้าไม่มี Generative AI เกิดขึ้นเลย ปี 2025 ควรจะมีเนื้อหาภาษาไทยอยู่ราว ๆ เท่าไหร่ 
• ขั้นที่ 4: เทียบกับของจริง เอาตัวเลขจริงที่วัดได้ในปี 2025 มาเทียบกับ "เส้นสมมติ" ในขั้นที่ 3 — ถ้าของจริงสูงกว่าที่คาดไว้ ส่วนที่เกินมานี้เองที่เราใช้เป็น ค่าประมาณของปริมาณเนื้อหาบนอินเทอร์เน็ตที่เป็นภาษาไทยและมีแนวโน้มถูกสร้างจาก Generative AI 

ผลการประมาณการเพิ่มขึ้นของเนื้อหาภาษาไทยภายหลังการแพร่หลายของ Generative AI

Athentic ได้รวบรวมจำนวนของเว็บเพจ รูปภาพ และข่าวจาก Google.com รวมถึงจำนวนงานวิชาการจาก Google Scholar ที่ถูกสร้างหรืออัปเดตระหว่างปี 2018–2025 โดยใช้ stop words สำหรับภาษาไทย จากนั้นจึงสร้าง counterfactual แบบง่าย โดยอาศัยแนวโน้มของข้อมูลในช่วงปี 2018–2021 และประมาณแนวโน้มดังกล่าวต่อเนื่องไปจนถึงปี 2025 เนื่องจาก ChatGPT เริ่มเปิดให้บริการในช่วงปลายปี 2022 และ Generative AI เริ่มแพร่หลายอย่างรวดเร็วหลังจากนั้น

ผลการวิเคราะห์พบว่า ในปี 2025 ปริมาณเนื้อหาบนอินเทอร์เน็ต สูงขึ้นอย่างมีนัยสำคัญ เมื่อเทียบกับระดับแนวโน้มก่อนมี Generative AI และมีความแตกต่างกันอย่างมากในแต่ละประเภทงาน โดยรูปภาพมีส่วนเกินสูงที่สุดประมาณ 67% ตามมาด้วยเว็บเพจประมาณ 42% ข่าวประมาณ 40% และงานวิชาการประมาณ 12% ผลลัพธ์ดังกล่าวไม่ควรถูกตีความว่าเป็นสัดส่วนของเนื้อหาที่ได้รับการยืนยันว่าถูกสร้างขึ้นด้วย AI โดยตรง แต่สะท้อนให้เห็นว่า ภายหลังการแพร่หลายของ Generative AI ปริมาณเนื้อหาบางประเภทเพิ่มขึ้นเร็วกว่าที่คาดการณ์จากแนวโน้มในอดีตอย่างชัดเจน

ผลลัพธ์ดังกล่าวเผยให้เห็นรูปแบบที่น่าสนใจ โดยเฉพาะความแตกต่างระหว่างรูปภาพกับงานวิชาการ 

• รูปภาพซึ่งสามารถถูกผลิตและเผยแพร่ได้โดยง่ายด้วยการเข้ามามีบทบาทของ Generative AI และมีข้อจำกัดด้านมาตรฐาน กฎเกณฑ์ และการตรวจสอบค่อนข้างน้อยมีส่วนเกินเหนือ counterfactual สูงถึง 67% 
• ขณะที่งานวิชาการซึ่งต้องผ่านกระบวนการกลั่นกรองและมีการตรวจสอบจากบรรณาธิการวารสารวิชาการ (editorial gatekeepers) มีส่วนเกินเพียง 12% 
• ผลลัพธ์นี้จึงควรถูกมองเป็นหลักฐานเบื้องต้นที่ชี้ให้เห็นว่า ระดับของข้อจำกัดในการผลิตและเผยแพร่เนื้อหาอาจมีส่วนกำหนดว่าการแพร่หลายของ Generative AI จะส่งผลต่อปริมาณเนื้อหาในแต่ละประเภทมากน้อยเพียงใด

ทำไมต้องคุมคุณภาพข้อมูลบนอินเทอร์เน็ต: สอนอย่างไร ได้อย่างนั้น + ปรากฏการณ์งูกินหาง 

จำนวนและคุณภาพของข้อมูลในระบบอินเทอร์เน็ตมีความสำคัญอย่างมากต่อการพัฒนา Generative AI ในอนาคต เพราะโมเดลที่อยู่เบื้องหลัง Generative AI ไม่ว่าจะเป็น ChatGPT, Claude หรือ Gemini ต่างต้องอาศัยข้อมูลจำนวนมหาศาลที่มีคุณภาพดีในการเทรน ซึ่งข้อมูลส่วนหนึ่งมาจากอินเทอร์เน็ต การที่มี synthetic data หรือข้อมูลที่ถูกผลิตขึ้นด้วยระบบ Generative AI เพิ่มมากขึ้นในระบบนิเวศดิจิทัล จึงอาจทำให้การเทรน Generative AI รุ่นต่อ ๆ ไปมีความซับซ้อนและยากยิ่งขึ้น เพราะอาจนำไปสู่ปรากฏการณ์ “งูกินหาง” (Ouroboros effect) กล่าวคือ Generative AI ถูกนำไปเทรนด้วยข้อมูลที่ Generative AI รุ่นก่อนหน้าเป็นผู้สร้างขึ้นเอง หากกระบวนการนี้เกิดขึ้นซ้ำ ๆ โดยไม่มีการควบคุมอย่างเหมาะสม อาจนำไปสู่ปัญหาที่เรียกว่า model collapse ซึ่งเกิดจากการที่ distribution ที่โมเดลเรียนรู้ค่อย ๆ เบี่ยงเบนไปจาก distribution ของข้อมูลต้นฉบับ โดยเฉพาะข้อมูลบริเวณ “หาง” ของ distribution หรือรูปแบบที่พบได้น้อยจะค่อย ๆ หายไป ส่งผลให้ความหลากหลายและรายละเอียดของสิ่งที่โมเดลสามารถสร้างขึ้นลดน้อยลงเรื่อย ๆ

แก้ปัญหา ข้อมูลถูกเจือปน จนกลายเป็นงูกินหางอย่างไร?

ทั้งนี้ บริษัทที่เป็นเจ้าของ Generative AI ก็สามารถลดความเสี่ยงดังกล่าวได้หลายวิธี หนึ่งในนั้นคือการรักษาหรือจัดหาข้อมูลคุณภาพสูงที่สามารถตรวจสอบแหล่งที่มาได้ และมีแนวโน้มที่จะถูกเจือปน (contaminated) ด้วย synthetic data ในระดับต่ำ เช่น บทความทางวิชาการ หรือข้อมูลที่ถูกสร้างขึ้นก่อนการแพร่หลายของ Generative AI แล้วนำข้อมูลเหล่านั้นมาใช้เป็นส่วนหนึ่งในการเทรนโมเดล เพื่อหลีกเลี่ยงปัญหา model collapse ซึ่งอาจทำให้โมเดลไม่สามารถสร้างเนื้อหาที่มีคุณภาพและความหลากหลายได้เท่าเดิม เหตุการณ์นี้จึงอาจผลักดันให้ข้อความหรือข้อมูลที่สามารถยืนยันได้ว่าถูกสร้างขึ้นโดยมนุษย์ โดยไม่ผ่าน Generative AI มีคุณค่ามากยิ่งขึ้นในอนาคต

ในระยะยาว หากสัดส่วนของ synthetic data ในระบบอินเทอร์เน็ตเพิ่มสูงขึ้นอย่างต่อเนื่อง ความสามารถในการระบุแหล่งที่มาและยืนยันได้ว่าข้อมูลถูกสร้างขึ้นโดยมนุษย์อาจมีความสำคัญมากขึ้นตามไปด้วย โดยเฉพาะสำหรับการพัฒนา Generative AI รุ่นต่อไปที่ยังต้องพึ่งพาข้อมูลคุณภาพสูงในการฝึกโมเดล ในโลกที่ต้นทุนการผลิตเนื้อหาลดลงอย่างรวดเร็วจาก Generative AI ความยากอาจไม่ได้อยู่ที่ “ปริมาณข้อมูล” อีกต่อไป แต่อยู่ที่การหาข้อมูลซึ่งมีคุณภาพ มีที่มาที่ตรวจสอบได้ และสามารถเชื่อมั่นได้ว่าไม่ได้เป็นเพียงผลผลิตซ้ำจากระบบ AI รุ่นก่อนหน้า

Appendix: รายละเอียดวิธีการวัดปริมาณเนื้อหาบนอินเทอร์เน็ตที่เป็นภาษาไทยและสร้างจาก Generative AI และข้อจำกัด 

มีวิธีการประมาณปริมาณเนื้อหาบนอินเทอร์เน็ตที่ถูกสร้างขึ้นหรือได้รับอิทธิพลจาก AI อยู่อย่างน้อย 2 วิธี 

วิธีแรก คือการดึงเว็บไซต์ในอดีตจากช่วงเวลาต่าง ๆ ออกมา โดยอาจใช้ข้อมูลจาก Internet Archive หรือ Wayback Machine แล้วใช้ algorithm สำหรับตรวจจับเนื้อหาที่มีแนวโน้มถูกสร้างขึ้นด้วย AI เพื่อประมาณสัดส่วนของเนื้อหาที่ผลิตโดย AI ในแต่ละปี

วิธีที่สอง ซึ่งเป็นวิธีที่ใช้ในงานนี้ และมีแนวทางที่คล้ายกับงานของ Spennemann (2025) ใช้การวิเคราะห์จำนวนเนื้อหาที่สามารถค้นพบผ่าน Google.com และ Google Scholar ในช่วงเวลาต่าง ๆ เพื่อดูว่าปริมาณเนื้อหาภาษาไทยบนอินเทอร์เน็ตเปลี่ยนแปลงไปจากแนวโน้มก่อนการแพร่หลายของ Generative AI มากน้อยเพียงใด ทั้งนี้ กระบวนการประมาณเริ่มจากการใช้ stop words ภาษาไทย หรือคำที่ถูกใช้บ่อยในภาษาไทย เพื่อค้นหาเนื้อหาภาษาไทย โดยอ้างอิงรายการ stop words จาก https://github.com/stopwords-iso/stopwords-th จากนั้นจึงค้นหาเนื้อหาในหมวดต่าง ๆ ที่จัดโดย Google.com ได้แก่ หน้าเว็บทั่วไป รูปภาพ และข่าว รวมถึงผลงานตีพิมพ์ทางวิชาการจาก Google Scholar โดยใช้ stop words ภาษาไทยเป็นคำค้น เพื่อดึงผลการค้นหาที่เกี่ยวข้องกับเนื้อหาภาษาไทยที่ถูกสร้าง หรืออัปเดตในแต่ละปี ระหว่างปี 2018 ถึง 2025

เนื่องจาก ChatGPT เปิดตัวในช่วงปลายปี 2022 งานชิ้นนี้จึงใช้ข้อมูลระหว่างปี 2018–2021 เพื่อสร้างแนวโน้มก่อนการแพร่หลายของ Generative AI และคาดการณ์แนวโน้มดังกล่าวออกไปจนถึงปี 2025 เพื่อสร้าง counterfactual แบบง่ายว่า หากไม่มี Generative AI ปริมาณเนื้อหาในแต่ละประเภทควรอยู่ในระดับใดในปี 2025 จากนั้นจึงนำระดับดังกล่าวมาเปรียบเทียบกับปริมาณเนื้อหาที่สังเกตได้จริง (ซึ่งรวมปริมาณเนื้อหาที่ใช้ Generative AI ในการสร้าง) และคำนวณสัดส่วนของปริมาณเนื้อหาในปี 2025 ที่สูงกว่าระดับ counterfactual โดยใช้ส่วนเกินดังกล่าวเป็นค่าประมาณอย่างหยาบของปริมาณเนื้อหาที่อาจสัมพันธ์กับการแพร่หลายของ Generative AI

อย่างไรก็ดี วิธีดังกล่าวมีข้อจำกัดสำคัญ (important caveats) อย่างน้อยสองประการ ประการแรก วิธีการสร้าง counterfactual ข้างต้นเป็นการประมาณแบบง่าย และไม่สามารถควบคุมปัจจัยอื่นที่อาจเปลี่ยนแปลงไปในช่วงเวลาเดียวกันได้อย่างเต็มที่ จึงไม่ควรถูกตีความว่าเป็นการประมาณ causal effect ของ Generative AI ตามหลัก causal inference อย่างเคร่งครัด อย่างไรก็ดี วิธีดังกล่าวถูกเลือกใช้เนื่องจากมีความโปร่งใส และทำให้ผู้อ่านสามารถเห็นและเข้าใจได้โดยตรงว่า counterfactual ถูกสร้างขึ้นจากข้อมูลช่วงใดและด้วยวิธีการอย่างไร ดังนั้น ผลลัพธ์ของงานชิ้นนี้ไม่ควรถูกตีความว่าเป็นการตรวจจับโดยตรงว่าเนื้อหาแต่ละชิ้นถูกสร้างขึ้นด้วย AI หรือไม่ แต่เป็นการประมาณจากส่วนต่างระหว่างปริมาณเนื้อหาที่สังเกตได้จริงกับระดับ counterfactual ที่สร้างขึ้นจากแนวโน้มก่อนการแพร่หลายของ Generative AI

ประการที่สอง การใช้ Google.com และ Google Scholar เพื่อประมาณจำนวนเนื้อหาในแต่ละช่วงเวลาเป็นเพียงการนับโดยประมาณ (proxy) เนื่องจากข้อมูลและระบบ indexing ของ Google มีการเปลี่ยนแปลงอยู่ตลอดเวลา ทำให้จำนวนผลการค้นหาที่รายงานสามารถเปลี่ยนแปลงได้ เช่น หากเนื้อหาชิ้นหนึ่งถูกสร้างขึ้นในปี 2025 และยังไม่ได้รับการ update เนื้อหานั้นอาจยังถูกระบุว่าอยู่ในปี 2025 แต่หากเนื้อหาดังกล่าวได้รับการ update ในปี 2026 ระบบอาจแสดงข้อมูลที่เชื่อมโยงกับปี 2026 แทน ด้วยเหตุนี้ หากนักวิจัยรายอื่นนำวิธีนี้ไปทำซ้ำในช่วงเวลาที่แตกต่างกัน ก็อาจได้ผลลัพธ์ที่ไม่เหมือนกับที่ค้นพบในบทความสั้นชิ้นนี้ ตัวเลขที่ได้จึงควรถูกตีความว่าเป็น proxy ของปริมาณเนื้อหาภาษาไทยที่สามารถค้นพบผ่าน Google ในช่วงขณะหนึ่ง มากกว่าจะเป็นการประมาณขนาดที่แท้จริงของเนื้อหาภาษาไทยทั้งหมดบนอินเทอร์เน็ต

อ้างอิง

• Dolezal, J., Alam, S., Graham, M., & Bohacek, M. (2026). The Impact of AI-Generated Text on the Internet. arXiv preprint arXiv:2604.26965.
• Paredes, J. L., Druck, G., Benson, B., & Smith, E. (2026). AI now writes as many online articles as humans. Graphite. https://graphite.io/five-percent/research/ai-now-writes-as-many-online-articles-as-humans-do
• Spennemann, D. H. (2025). Delving into: the quantification of Ai-generated content on the internet (synthetic data). arXiv preprint arXiv:2504.08755.