• Facebook
• Twitter
• Line

เมื่อวิกฤตผ่านไปหลายปี องค์กรอาจคิดว่าชื่อเสียงกลับคืนมาแล้ว แต่สำหรับ AI เรื่องราวเหล่านั้นอาจยังคงเป็นส่วนหนึ่งของคำตอบที่ผู้คนได้รับทุกครั้งที่ค้นหาชื่อบริษัท

ในอดีต เมื่อองค์กรเผชิญวิกฤต ไม่ว่าจะเป็นข้อพิพาททางกฎหมาย ความผิดพลาดในการดำเนินธุรกิจ หรือเหตุการณ์ที่กระทบความเชื่อมั่น หน้าที่ของนักประชาสัมพันธ์คือการจัดการสถานการณ์ สื่อสารข้อเท็จจริง ฟื้นฟูความไว้วางใจ และพาองค์กรกลับสู่ภาวะปกติ เมื่อเวลาผ่านไป ข่าวเชิงลบค่อย ๆ ลดความสำคัญลงจากหน้าสื่อ ผู้บริหารเปลี่ยนทีม นโยบายได้รับการปรับปรุง และธุรกิจเดินหน้าต่อ

แต่ในยุคที่ผู้คนหันมาถาม ChatGPT, Gemini หรือเครื่องมือ AI เพื่อทำความรู้จักองค์กรก่อนตัดสินใจลงทุน สมัครงาน หรือเลือกซื้อสินค้า ความเข้าใจเดิมที่ว่าเวลาอาจช่วยให้ผู้คนลืมวิกฤต กำลังถูกท้าทายอย่างจริงจัง เพราะ AI อาจไม่ได้เล่าเพียงว่าองค์กรเป็นใครในวันนี้ แต่ยังนำเรื่องที่องค์กรเคยทำผิดพลาดเมื่อสิบหรือยี่สิบปีก่อนกลับมาประกอบคำตอบด้วย

และนี่กำลังกลายเป็นโจทย์ใหม่ของการบริหารชื่อเสียงองค์กร

งานวิจัยเผย 43% ของประเด็นลบร้ายแรงที่ AI กล่าวถึง เป็นเหตุการณ์ตั้งแต่ปี 2020 หรือก่อนหน้านั้น

บทความของ Sam Michelson ผู้ก่อตั้งและประธานเจ้าหน้าที่บริหาร Five Blocks เมื่อวันที่ 11 พฤศจิกายน 2026 นำเสนอผลการศึกษาที่สะท้อนว่า ความทรงจำเกี่ยวกับวิกฤตขององค์กรไม่ได้เลือนหายไปง่าย ๆ ในระบบ AI

ทีมวิจัยใช้แพลตฟอร์ม AIQ ทดสอบเครื่องมือ AI จำนวน 8 ระบบ รวมถึง ChatGPT, Gemini, Claude และ Google AI Mode โดยตั้งคำถามพื้นฐานเกี่ยวกับบริษัทในกลุ่ม Fortune 100 วันละครั้งต่อระบบ ระหว่างวันที่ 6 กันยายน ถึง 6 ตุลาคม 2026 รวมคำตอบที่นำมาศึกษาเกือบ 25,000 รายการ

ที่มา: Five Blocks / Sam Michelson, PR Daily, 11 พฤศจิกายน 2026 ตัวเลขสะท้อนกลุ่มตัวอย่างและวิธีทดสอบเฉพาะงานวิจัย ไม่ใช่สัดส่วนของคำตอบ AI ทั้งหมดทั่วโลก

ผลการศึกษายังพบว่า เมื่อคำตอบกล่าวถึงเหตุการณ์ในช่วงสามเดือนล่าสุด มีโอกาสพบประเด็นลบร้ายแรงประมาณ 11% เทียบกับ 5% ในคำตอบที่ไม่ได้กล่าวถึงเหตุการณ์ช่วงดังกล่าว ข้อค้นพบนี้สะท้อนความท้าทายสองด้านที่เกิดขึ้นพร้อมกัน กล่าวคือ วิกฤตเก่าอาจถูกหยิบกลับมาเล่าได้ตลอดเวลา ขณะที่เหตุการณ์ใหม่ซึ่งเพิ่งเกิดขึ้นก็มีโอกาสสร้างความเสี่ยงต่อภาพลักษณ์อย่างมากเช่นกัน

อย่างไรก็ตาม งานวิจัยไม่ได้พิสูจน์ว่า AI ทุกระบบให้ความสำคัญกับข่าวเก่ามากกว่าข่าวใหม่เสมอไป แต่ชี้ให้เห็นว่าข้อมูลเชิงลบในอดีตยังปรากฏอยู่ในคำตอบของ AI อย่างมีนัยสำคัญ

เมื่อวิกฤตเก่ากลายเป็นส่วนหนึ่งของตัวตนแบรนด์

งานศึกษายกตัวอย่างเหตุการณ์สำคัญที่ AI ยังคงกล่าวถึง แม้เวลาจะผ่านไปนานหลายปี

Exxon | วิกฤตน้ำมันรั่วปี 1989
เหตุการณ์เรือ Exxon Valdez ทำน้ำมันรั่วในอะแลสกา ยังคงถูกกล่าวถึงในคำตอบ AI แม้ผ่านมาแล้วกว่า 37 ปี

General Motors | การล้มละลายปี 2009
เหตุการณ์ปรับโครงสร้างทางการเงินครั้งใหญ่ยังคงเป็นหนึ่งในข้อมูลประวัติศาสตร์ที่ AI ใช้อธิบายบริษัท

Wells Fargo | บัญชีลูกค้าไม่ได้รับอนุญาตปี 2016
กรณีการเปิดบัญชีโดยไม่ได้รับอนุญาตยังคงปรากฏในข้อมูลเกี่ยวกับชื่อเสียงของสถาบันการเงินแห่งนี้

ตัวอย่างเหล่านี้สะท้อนความแตกต่างระหว่างการสิ้นสุดของเหตุการณ์กับการสิ้นสุดของผลกระทบต่อชื่อเสียง องค์กรอาจจัดการปัญหาทางกฎหมาย ปรับปรุงกระบวนการ หรือเปลี่ยนแปลงผู้นำไปแล้ว แต่ข้อมูลเกี่ยวกับเหตุการณ์เดิมยังคงอยู่ในระบบนิเวศข้อมูลออนไลน์

ประเด็นสำคัญจึงไม่ใช่ว่า AI จดจำความผิดพลาดขององค์กรได้นานเพียงใด แต่คือ AI สามารถเข้าถึงข้อมูลที่อธิบายสิ่งที่องค์กรแก้ไขไปแล้วได้มากเพียงใด

ทำไมข่าวเสียในอดีตจึงยังปรากฏในคำตอบของ AI?

หนึ่งในคำอธิบายที่น่าสนใจคือ ความไม่สมดุลของข้อมูลระหว่างช่วงเกิดวิกฤตกับช่วงฟื้นฟูองค์กร

เมื่อเกิดวิกฤตครั้งใหญ่ มักมีข่าวจำนวนมาก บทวิเคราะห์ บันทึกทางกฎหมาย รายงานจากหน่วยงานกำกับดูแล และบทความที่กล่าวถึงเหตุการณ์ซ้ำหลายครั้ง แต่เมื่อองค์กรแก้ไขปัญหาแล้ว ความคืบหน้ากลับอาจไม่ได้รับความสนใจจากสื่อในระดับเดียวกัน

ตัวอย่างเช่น ข่าวเรื่องโรงงานเกิดอุบัติเหตุอาจได้รับการรายงานอย่างต่อเนื่องหลายวัน แต่ข่าวการปรับปรุงระบบความปลอดภัยในอีกสองปีต่อมา อาจมีเพียงรายงานประจำปีของบริษัทที่กล่าวถึง เมื่อระบบ AI ค้นหาและสังเคราะห์ข้อมูล จึงอาจพบรายละเอียดของเหตุการณ์เชิงลบได้ง่ายกว่าหลักฐานเกี่ยวกับการฟื้นฟู เหตุการณ์เชิงลบมักมีร่องรอยข้อมูลที่หนาแน่นกว่ากระบวนการแก้ไขปัญหา และความถูกต้องของข่าวเก่าไม่ได้หมายความว่าข่าวนั้นอธิบายสถานการณ์ปัจจุบันได้ครบถ้วน EPR

ในมุมมองของนักวิเคราะห์การสื่อสาร ปัญหานี้จึงไม่ใช่แค่เรื่องเทคโนโลยี แต่เป็นเรื่องของการจัดการเรื่องเล่าองค์กรตลอดช่วงชีวิตของวิกฤต นักสื่อสารมักทุ่มเททรัพยากรจำนวนมากในช่วงที่เกิดเหตุการณ์ แต่เมื่อสถานการณ์คลี่คลาย การสื่อสารความเปลี่ยนแปลงอาจลดลงอย่างรวดเร็ว ผลลัพธ์คือ สังคมมีหลักฐานจำนวนมากว่าองค์กรเคยเกิดปัญหา แต่มีหลักฐานไม่เพียงพอที่จะเข้าใจว่าองค์กรเปลี่ยนแปลงไปอย่างไร

AI ไม่ได้ให้คำตอบเหมือนกัน และนี่คือความเสี่ยงที่องค์กรอาจมองข้าม

อีกหนึ่งข้อค้นพบที่น่าสนใจคือ เครื่องมือ AI ต่างระบบอาจอธิบายชื่อเสียงของบริษัทเดียวกันแตกต่างกันอย่างมาก

ในการศึกษาของ Five Blocks พบว่า Google AI Mode กล่าวถึงประเด็นลบร้ายแรงใน 12% ของคำตอบ ขณะที่ Google AI Overview อยู่ที่ 1.1% แม้ทั้งสองเป็นผลิตภัณฑ์ของ Google แต่รูปแบบการนำเสนอข้อมูลกลับแตกต่างกันอย่างชัดเจน

เรื่องนี้มีความสำคัญต่อการทำงานของฝ่ายสื่อสารองค์กร เพราะผู้มีส่วนได้ส่วนเสียแต่ละกลุ่มอาจใช้เครื่องมือ AI ไม่เหมือนกัน นักลงทุนอาจใช้ระบบหนึ่งเพื่อวิเคราะห์ความเสี่ยง ผู้สมัครงานอาจใช้ระบบอื่นเพื่อศึกษาวัฒนธรรมองค์กร ขณะที่ลูกค้าอาจถาม AI ว่าสินค้าหรือบริการของบริษัทมีความน่าเชื่อถือเพียงใด ความแตกต่างของคำตอบจึงอาจส่งผลต่อการรับรู้ของผู้คน แม้ทุกคนกำลังค้นหาข้อมูลเกี่ยวกับองค์กรเดียวกัน

ในเชิงจิตวิทยา เรื่องนี้เชื่อมโยงกับ Negativity Bias หรือแนวโน้มที่มนุษย์ให้น้ำหนักกับข้อมูลเชิงลบมากกว่าข้อมูลเชิงบวกในบางบริบท โดยเฉพาะเมื่อกำลังประเมินความเสี่ยง หาก AI สรุปประวัติบริษัทสิบปีไว้ในคำตอบสั้น ๆ และเลือกกล่าวถึงวิกฤตเก่าโดยไม่มีบริบทการแก้ไข ผู้ใช้อาจตีความว่าองค์กรยังคงมีปัญหาในลักษณะเดิมอยู่

นี่เป็นความเสี่ยงด้านการรับรู้ ไม่ได้หมายความว่าผู้ใช้ทุกคนจะเชื่อคำตอบของ AI โดยไม่มีการตรวจสอบ แต่ก็เพียงพอที่จะทำให้ฝ่ายสื่อสารองค์กรต้องให้ความสำคัญกับคุณภาพของข้อมูลที่ AI นำไปใช้

จาก Crisis Communication สู่ AI Reputation Management: 5 แนวทางที่องค์กรควรเริ่มทำ

สิ่งที่นักประชาสัมพันธ์ต้องปรับเปลี่ยนไม่ใช่เพียงเครื่องมือสำหรับติดตามข่าว แต่รวมถึงวิธีคิดเกี่ยวกับการฟื้นฟูชื่อเสียง

ในอดีต การประเมินผลหลังวิกฤตอาจพิจารณาจากปริมาณข่าวเชิงลบที่ลดลง ความรู้สึกของผู้บริโภคที่ดีขึ้น หรือความเชื่อมั่นของผู้มีส่วนได้ส่วนเสียที่กลับคืนมา แต่ปัจจุบันองค์กรควรเพิ่มการตรวจสอบว่า เมื่อผู้คนถาม AI เกี่ยวกับบริษัท ระบบเหล่านั้นกำลังบอกเล่าเรื่องราวอย่างไร

1. ตรวจสอบภาพลักษณ์องค์กรผ่าน AI หลายระบบ

ทดลองใช้ ChatGPT, Gemini, Claude และระบบค้นหาที่มี AI ด้วยคำถามที่ผู้มีส่วนได้ส่วนเสียอาจใช้จริง เช่น บริษัทมีความน่าเชื่อถือหรือไม่ เคยมีข้อพิพาทอะไร หรือมีความปลอดภัยในการดำเนินงานเพียงใด

บันทึกคำตอบ วันที่ตรวจสอบ ประเด็นเชิงลบ และแหล่งข้อมูลที่ระบบอ้างอิง เพื่อเปรียบเทียบความเปลี่ยนแปลง

2. ตรวจสอบต้นทางของข้อมูลเชิงลบ

แยกให้ชัดเจนว่าข้อมูลที่ AI กล่าวถึงเป็นข้อเท็จจริงทางประวัติศาสตร์ ข้อมูลที่ล้าสมัย หรือข้อผิดพลาดที่ควรแก้ไข

ไม่ควรพยายามลบประวัติศาสตร์ที่ถูกต้องเพียงเพราะส่งผลเสียต่อภาพลักษณ์ แต่ควรเพิ่มเติมบริบทเพื่อให้ผู้อ่านเข้าใจสถานการณ์ปัจจุบัน

3. สร้างหลักฐานการแก้ไขวิกฤตที่เข้าถึงได้

เว็บไซต์องค์กรควรมีข้อมูลที่ระบุว่าเกิดอะไรขึ้น องค์กรดำเนินการอย่างไร และผลการแก้ไขเป็นอย่างไร พร้อมวันที่และหลักฐานประกอบ

อาจเผยแพร่ผ่านหน้าธรรมาภิบาล รายงานความยั่งยืน หรือประวัติองค์กร โดยผ่านการตรวจสอบร่วมกับฝ่ายกฎหมายและผู้รับผิดชอบประเด็นนั้น

4. สร้างความน่าเชื่อถือจากแหล่งข้อมูลภายนอก

สนับสนุนการเปิดเผยข้อมูลที่ตรวจสอบได้ และทำให้สื่อหรือหน่วยงานอิสระสามารถประเมินความคืบหน้าขององค์กรด้วยตนเอง

สำหรับ Wikipedia ควรปฏิบัติตามแนวทางเรื่องผลประโยชน์ทับซ้อน เปิดเผยความเกี่ยวข้องกับองค์กร และเสนอการแก้ไขพร้อมแหล่งอ้างอิงที่เป็นอิสระ แทนการแก้ไขเนื้อหาเพื่อประโยชน์ของบริษัทโดยตรง

5. ติดตามชื่อเสียงบน AI อย่างต่อเนื่อง

กำหนดการตรวจสอบรายเดือนหรือรายไตรมาส และใช้ชุดคำถามเดิมเพื่อเปรียบเทียบผล ไม่ควรวัดเพียงว่า AI กล่าวถึงวิกฤตหรือไม่ แต่ควรวัดด้วยว่าคำตอบมีความถูกต้อง ระบุช่วงเวลา และอธิบายการแก้ไขปัญหาอย่างครบถ้วนเพียงใด

แนวทางเหล่านี้ ให้ความสำคัญกับการสร้างข้อมูลที่ถูกต้องและทันสมัยในแหล่งที่ AI สามารถเข้าถึงได้ มากกว่าการพยายามทำให้เรื่องราวในอดีตหายไป

บทบาทของ PR กำลังเปลี่ยนจากผู้บริหารประเด็น เป็นผู้ดูแลความน่าเชื่อถือของข้อมูล

สิ่งที่น่าสนใจคือ การบริหารชื่อเสียงในยุค AI ไม่ได้หมายความว่าองค์กรสามารถควบคุมคำตอบของ AI ได้ทั้งหมด แม้บริษัทจะปรับปรุงเว็บไซต์ของตนเอง แต่ AI ยังสามารถใช้ข้อมูลจากสื่อมวลชน เว็บไซต์ภายนอก และแหล่งข้อมูลอิสระอื่น ๆ

งานวิจัยของ Muck Rack เมื่อเดือนกันยายน 2026 พบว่า ในการศึกษาสัดส่วนแหล่งอ้างอิงของ ChatGPT, Claude และ Gemini ข่าวจากสื่อมวลชนคิดเป็นประมาณ 25–27% ของลิงก์ที่ AI อ้างอิงในงานศึกษาสามรอบ ขณะที่แหล่งข้อมูลภายนอกที่แบรนด์ไม่ได้เป็นเจ้าของหรือซื้อพื้นที่มีบทบาทสำคัญอย่างต่อเนื่อง

ข้อค้นพบดังกล่าวช่วยยืนยันว่า การประชาสัมพันธ์ผ่านสื่อที่มีความน่าเชื่อถือยังมีความสำคัญ เพียงแต่เป้าหมายของงาน PR กำลังขยายจากการทำให้ข่าวเข้าถึงผู้คน ไปสู่การสร้างข้อมูลสาธารณะที่มีคุณภาพ ซึ่งอาจถูกนำไปใช้ประกอบคำตอบของ AI ในอนาคต

ในมุมมองของนักสื่อสาร องค์กรจึงควรมองการสื่อสารหลังวิกฤตเป็นกระบวนการต่อเนื่อง ไม่ใช่โครงการระยะสั้นที่สิ้นสุดเมื่อข่าวเชิงลบลดลง ตัวอย่างเช่น หากบริษัทเคยประสบปัญหาความปลอดภัยในโรงงาน การเผยแพร่เพียงข่าวว่าบริษัทกลับมาดำเนินงานตามปกติอาจไม่เพียงพอ สิ่งที่ควรสื่อสารต่อเนื่องคือมาตรการใหม่ ผลการตรวจสอบจากหน่วยงานที่เกี่ยวข้อง การปรับปรุงระบบ และข้อมูลที่พิสูจน์ได้ว่าความเสี่ยงได้รับการจัดการอย่างไร

นี่ไม่ใช่การสร้างภาพลักษณ์ด้วยข้อความเชิงบวก แต่เป็นการสร้างความน่าเชื่อถือผ่านหลักฐาน

บทสรุป: AI อาจไม่ลืมอดีต แต่องค์กรต้องทำให้ AI มองเห็นปัจจุบันด้วย

การเกิดขึ้นของ AI กำลังทำให้แนวคิดเรื่องการฟื้นฟูชื่อเสียงเปลี่ยนแปลงไปอย่างสำคัญ ในอดีต องค์กรอาจเชื่อว่าเมื่อเวลาผ่านไป ความทรงจำเกี่ยวกับวิกฤตจะค่อย ๆ ลดความสำคัญลง แต่ในโลกที่ข้อมูลเก่าสามารถถูกค้นพบและนำมาสังเคราะห์เป็นคำตอบใหม่ได้ตลอดเวลา ความเงียบหลังวิกฤตอาจไม่ใช่ทางเลือกที่เพียงพออีกต่อไป

อย่างไรก็ตาม เป้าหมายของการบริหารชื่อเสียงไม่ควรเป็นการทำให้ AI ลืมความผิดพลาดขององค์กร เพราะประวัติศาสตร์ที่ถูกต้องเป็นส่วนหนึ่งของความรับผิดชอบต่อสาธารณะ สิ่งที่องค์กรควรทำคือทำให้ข้อมูลเกี่ยวกับการแก้ไขปัญหา ความเปลี่ยนแปลง และสถานการณ์ปัจจุบันมีความชัดเจน ตรวจสอบได้ และเข้าถึงได้ไม่แพ้ข้อมูลเกี่ยวกับวิกฤตในอดีต

สำหรับนักประชาสัมพันธ์ นี่คือโอกาสในการยกระดับบทบาทจากผู้ดูแลข่าวสาร ไปสู่ผู้ดูแลความถูกต้องและความน่าเชื่อถือของเรื่องราวองค์กรในระยะยาว เพราะในยุค AI วิกฤตอาจจบลงแล้วในความเป็นจริง แต่หากไม่มีหลักฐานบอกเล่าว่าองค์กรได้เปลี่ยนแปลงอย่างไร เรื่องราวของวิกฤตนั้นก็อาจยังไม่จบลงในสายตาของผู้คน

แหล่งข้อมูลอ้างอิง

• Sam Michelson, Your old crises are still showing up on AI. Here’s what to do about it.
• Eduard Moraru, How to Correct Outdated Information Across Search and AI Answers
• Matt Dzugan and Linda Zebian, What does ‘earned’ mean in the age of AI?

• Facebook
• Twitter
• Line

ai Crisis สราวุธ บูรพาพัธ