ผู้ได้รับเหรียญ Fields กับเบนช์มาร์ก AI: บทเรียนสำหรับนักการตลาด

นักคณิตศาสตร์มักไม่เขียนจดหมายเปิดผนึกเรื่องการตลาด แต่ข้อโต้แย้งที่กลุ่มผู้ได้รับเหรียญ Fields เสนอในเดือนกันยายนใช้ได้แทบคำต่อคำกับวิธีที่อุตสาหกรรมของเราวัดผล AI ประเด็นของพวกเขาคือ การแก้ปัญหาเป็นเพียงตัวแทนวัดผล และเป้าหมายที่แท้จริงคือความเข้าใจ หากสับสนทั้งสองอย่าง คุณอาจทำลายสิ่งที่คุณพยายามจะปรับปรุง

เกิดอะไรขึ้น

ตามรายงานของ The Next Web เมื่อวันที่ 11 กันยายน มีการเผยแพร่คำประกาศชื่อ A Severe Misalignment of AI in Mathematics ที่ mathandai.org เว็บไซต์ระบุผู้ลงนาม 25 คน รวมถึง Terence Tao, Peter Scholze, Maryna Viazovska, Cédric Villani, Pierre Deligne, Manjul Bhargava และ Martin Hairer คำประกาศโต้แย้งว่าการแก้ปัญหาเป็นเครื่องมือและตัวแทนวัดผล ขณะที่เป้าหมายหลักของคณิตศาสตร์คือความเข้าใจเชิงแนวคิดและการหยั่งรู้ และเตือนว่าการผลิตข้อความที่จริงหรือเท็จจำนวนมากในอัตราที่เร่งขึ้น "อาจทำลายผืนดินที่อุดมสมบูรณ์" TNW อธิบายว่าเป็นแถลงการณ์เกี่ยวกับเบนช์มาร์ก โดยไม่ได้ระบุเหตุการณ์เฉพาะใด

ในสัปดาห์เดียวกัน จดหมายเปิดผนึกอีกฉบับวิจารณ์งาน AI "Mathathon" ที่นักศึกษา Caltech จัด โดยเรียกรูปแบบนี้ว่า "คณิตศาสตร์ขยะ" (slop mathematics) และโต้แย้งว่าแรงงานในการตรวจสอบและแก้ไขผลลัพธ์ของ AI "ไม่ได้รับค่าตอบแทน ไม่ได้รับเครดิต และไม่ได้รับการยอมรับ" TNW รายงานว่า OpenAI ถอนเครดิตมูลค่า US$1 ล้านจากงานนี้เมื่อวันที่ 10 กันยายน ขณะที่ Anthropic ยังคงการสนับสนุนไว้ และผู้จัดได้เพิ่มข้อกำหนดแต่ไม่ได้ยกเลิกงาน

ทำไมเรื่องนี้จึงสำคัญ

ข้อร้องเรียนของนักคณิตศาสตร์เป็นเรื่องกับดักที่คุ้นเคย เมื่อปัญหาที่ยากและมีชื่อเสียงกลายเป็นเบนช์มาร์ก ห้องแล็บก็ปรับแต่งเพื่อผลิตคำตอบให้ปัญหานั้น คำตอบวัดได้ ความเข้าใจวัดไม่ได้ เมื่อเวลาผ่านไป สิ่งที่วัดได้จะเบียดสิ่งที่มีคุณค่าออกไป และคนอื่นต้องรับหน้าที่ตรวจสอบผลลัพธ์

AI เพื่อการตลาดมีปัญหานี้ทุกประการ เราวัดเครื่องมือด้วยสิ่งที่นับได้ง่าย: จำนวนสินทรัพย์ที่สร้าง เวลาที่ประหยัด อัตราการคลิกผ่าน สัดส่วนคำตอบ AI ที่กล่าวถึงแบรนด์ ตัวเลขเหล่านั้นสำคัญ แต่เป้าหมายของการตลาดไม่ใช่ผลผลิต แต่คือการเข้าใจลูกค้ามากพอที่จะให้บริการพวกเขา และสร้างแบรนด์ที่ผู้คนไว้วางใจ ระบบที่ท่วมช่องทางด้วยคอนเทนต์และชนะด้วยตัวชี้วัดแทนอาจกัดกร่อนทั้งสองอย่างอย่างเงียบ ๆ

ประเด็นเรื่องการตรวจสอบที่ไม่ได้รับค่าตอบแทนก็ตรงเป้าเช่นกัน คอนเทนต์ที่สร้างขึ้นผลิตได้ถูก แต่ตรวจสอบได้แพง หากการตรวจสอบมองไม่เห็นในตัวชี้วัดของคุณ "ผลิตภาพที่เพิ่มขึ้น" ของคุณก็เป็นกลทางบัญชีส่วนหนึ่ง

งานวิจัยของผมบอกอะไร

งานวิจัยล่าสุดของผมสร้างขึ้นรอบความแตกต่างนี้ ในบทความ SIGIR 2026 ของเรา SOMIN: Agentic AI for Automating Professional Visibility and Countering Content Homogenization ปัญหาที่เราแก้คือคอนเทนต์ที่ AI เขียนลู่เข้าหากัน: ผู้ช่วย AI ของทุกคนผลิตโพสต์ทั่วไปที่ดูดีแบบเดียวกัน แนวทางของเราคือดึงข้อมูลบริบทจริงก่อนเขียน เพื่อให้ผลลัพธ์ยังคงโดดเด่น ปริมาณที่ไม่มีความโดดเด่นคือ "ขยะ" ในแบบของการตลาด

ด้านการวัดผล ผมเคยเสนอบน e27 ว่าทุกแดชบอร์ดเป็นสีเขียว แต่ไม่มีใครบอกได้ว่าอะไรได้ผล ตัวชี้วัดแทนที่ชี้ขึ้นทั้งหมดไม่เท่ากับการรู้ว่าอะไรเป็นสาเหตุของผลลัพธ์ และในงานด้าน AI ที่อธิบายได้ของเรา ตั้งแต่ Against Opacity ถึง MindFuse เป้าหมายไม่ใช่แค่การคาดการณ์ที่ดีขึ้น แต่คือคำอธิบายที่นักการตลาดเรียนรู้ได้ นั่นคือ "ความเข้าใจเชิงแนวคิด" ของนักคณิตศาสตร์ในแบบการตลาด

สิ่งที่ทีมการตลาดนำไปใช้ได้จากเรื่องนี้

• ระบุเป้าหมายเบื้องหลังตัวชี้วัดแต่ละตัว สำหรับ KPI ของ AI ทุกตัว เขียนหนึ่งประโยคว่ามันควรแทนผลลัพธ์จริงอะไร และตรวจสอบเป็นระยะว่าความเชื่อมโยงนั้นยังคงอยู่
• นับต้นทุนการตรวจสอบ ติดตามเวลาที่มนุษย์ใช้ตรวจทานและแก้ไขผลลัพธ์ของ AI และรวมไว้ใน ROI ของคุณ
• วัดความโดดเด่น เปรียบเทียบคอนเทนต์ที่ใช้ AI ช่วยของคุณกับของคู่แข่ง หากเริ่มแยกไม่ออก คุณกำลังชนะตัวชี้วัดแทนแต่เสียแบรนด์
• เลือกคำอธิบายมากกว่าคะแนน เครื่องมือที่บอกว่าทำไมสิ่งหนึ่งได้ผลจะสร้างความรู้ให้ทีม เครื่องมือที่บอกเพียงว่ามันได้ผลจะสร้างการพึ่งพา
• ให้เครดิตมนุษย์ หากมีคนคอยเก็บกวาดผลลัพธ์ของ AI ให้ทำให้งานนั้นมองเห็นได้และได้รับการเห็นคุณค่า ไม่ใช่ถูกมองว่าเป็นเรื่องปกติ

นักคณิตศาสตร์กำลังปกป้องสาขาของตนจากวัฒนธรรมเบนช์มาร์กที่เข้าใจผิดว่าคำตอบคือความเข้าใจ การตลาดก็ควรปกป้องตนเองจากความผิดพลาดเดียวกัน

คำถามที่พบบ่อย