รวมลิสต์พื้นฐาน AI ที่ดีไซเนอร์ควรเรียนประจำปี 2026

จริง ๆ แล้วดีไซเนอร์หลายคนอาจจะเหนื่อยกับการตามเทคโนโลยี ที่ต้องมานั่งอ่านอัปเดตจากโปรแกรมต่าง ๆ อยู่ตลอด เช่น Figma เองก็มี AI ในตัว ไหนจะ Claude ที่อัปเดตโมเดลไม่หยุด รวมไปถึง AI อีกหลายตัวที่ออกโมเดลมาแข่งกันแทบทุกเดือน

แต่รู้ไหมคะว่ามันมีเทคนิคการเรียนที่ง่ายที่สุด คืออยากให้ดีไซเนอร์ย้อนกลับไปตั้งหลักที่ fundamental ทำความเข้าใจคอนเซปต์การทำงานของ AI กันก่อนเลย แล้วค่อยไปแตะที่โปรแกรมปลายทางทีหลัง

เพราะถ้าเราเข้าใจหลักการของ AI งานที่ปลายทางจะไม่ใช่เรื่องยากอีกต่อไป แล้วเราจะนำคอนเซปต์การทำงานของ AI ไปประยุกต์ใช้กับเครื่องมืออะไรก็ได้แบบไม่ยากอีกต่อไปเช่นกัน

เนื้อหาที่จะแนะนำในวันนี้จึงเป็นเนื้อหา fundamental ที่ดีไซเนอร์ควรรู้ ถ้าไม่อยากเหนื่อยกับการตามอัปเดตทุกโปรแกรม งั้นก็มาเริ่มเรียนจากพื้นฐานให้หมดก่อนเลยค่ะ เพราะสิ่งเหล่านี้จะติดตัวทุกคนไปใช้ในการทำงานต่อจากนี้ และต่อไปในอนาคตด้วย บอกเลยว่าจะง่ายขึ้นเยอะ

---

#ทำไมต้องเรียนข้ามไปถึงวิชาชีพคนอื่น เช่น AI

ลองคิดถึงตอนเราเรียนมหาลัยก็ได้ค่ะ เราได้เรียนวิชาต่าง ๆ มากมายที่ไม่เกี่ยวกับ UX UI เลยสักนิด อย่างแอดนัทจบคณะ IT ได้เรียนทั้งเขียนโค้ด, SQL, ดาต้าเบส, เน็ตเวิร์ค, ออกแบบ ฯลฯ เรียนเยอะแยะไปหมด บางวิชาตอนเรียนก็ไม่คิดว่าจะได้ใช้จริง จนกระทั่งวันนึงที่พอมาทำงานด้านนี้ เราถึงต้องไปขุดสมองและวิชาเหล่านั้นมาใช้ทำงานจนได้

จริง ๆ แล้วทุกเทคโนโลยีที่เกิดขึ้นมาบนโลกใบนี้มันเชื่อมต่อกันค่ะ ไม่ว่าจะทางใดทางหนึ่ง มันอาจจะไม่ต่อกับเราตอนนี้ แต่อนาคตมันจะต้องเข้ามาต่อกับเรา แล้วเพื่อน ๆ จะได้ค้นพบว่า อ้าว สุดท้ายที่เราโกรธกับ AI ที่เราไม่เข้าใจมันเนี่ย มันอาจจะเป็นเพียงเพราะเรายังไม่เข้าถึงภาพใหญ่ของงานที่เกี่ยวข้องที่มันมาต่อกับเราต่างหาก พอเราเห็นภาพใหญ่ขึ้น เข้าใจเทคนิคและคอนเซปต์ของเทคโนโลยี AI มากขึ้น ทุกอย่างก็จะเชื่อมต่อกันเป็นแผนผัง ทำให้เราเชื่อมต่อและเรียนรู้ได้อย่างไม่มีที่สิ้นสุด

อย่าลืมมาลองเปิดใจเรียนข้ามสายไปมากันดูนะคะ

---

#ข้อดีของการเรียน fundamental มีอะไรบ้าง?

ข้อดีของการเรียน fundamental คือเพื่อน ๆ จะไม่เหนื่อยกับการตามอัปเดตของทูลอีกต่อไปในอนาคตค่ะ เช่น เวลา Figma AI Agent อัปเดตฟีเจอร์ใหม่ออกมา เราก็จะพอคาดเดาได้ทันทีว่าความสามารถของ AI ตัวนี้น่าจะทำงานได้ประมาณไหน อะไรที่ทำได้จริง และอะไรที่ยังเป็นข้อจำกัดของเทคโนโลยีอยู่

มากไปกว่านั้น เราจะมองเห็นภาพฝั่งธุรกิจด้วยว่า ทำไม Figma ถึงต้องมี AI อยู่ใน SaaS ของตัวเอง นั่นก็เพื่อเป้าหมายทางธุรกิจของเขา คือทำให้ผู้ใช้ไม่ต้องออกไปต่อกับ AI แยกนอกโปรแกรม ดึงคนให้กลับมาใช้ทูล Figma ให้ได้มากที่สุด และสร้าง ecosystem ให้เกิดขึ้นภายในระบบของตัวเอง

เช่นเดียวกับ direction ของ product อีกหลายตัวที่เอา AI เข้าไปใส่ไว้ข้างในตัวเอง อย่าง Atlassian ที่มี Rovo เข้ามาช่วยตอบคำถามและค้นข้อมูลภายในองค์กร เพื่อให้ผู้ใช้งานไม่ต้องดึงข้อมูลออกไปต่อกับเครื่องมือข้างนอกเช่นกันค่ะ

พอเราเข้าใจว่า AI ทำอะไรได้ ต่อให้ฟีเจอร์ใหม่จะอัปเดตอะไรออกมาที่ปลายทาง เราก็จะไม่ปวดหัวอีกต่อไปเลยค่ะ แถมยังเข้าใจโมเดลธุรกิจขององค์กรต่าง ๆ มากยิ่งขึ้นด้วย

---

#พื้นฐาน AI ที่ดีไซน์เนอร์ต้องรู้ มีอะไรบ้าง?

แอดนัทขอไล่ตามหัวข้อ AI พื้นฐานที่ดีไซเนอร์ควรมีติดตัวไว้ในปี 2026 แบบเป็นหมวดหมู่ ไม่ต้องลึกถึงขั้นจับเครื่องมือหรือเขียนโค้ดเป็น แต่เมื่อเข้าใจคอนเซปต์ เราจะพอจะอ่านออกและคุยกับทีมรู้เรื่องมากยิ่งขึ้นค่ะ

#1. Gen AI พื้นฐาน - ก่อนไปไกลกว่านี้ต้องรู้อะไรบ้าง

จุดเริ่มต้นที่ดีไซเนอร์ทุกคนควรมี ที่ไม่ใช่แค่การรู้จัก ChatGPT หรือการทำงานของ Claude Code แต่ต้องเข้าใจกลไกเบื้องหลังคร่าว ๆ ด้วย

• LLM (Large Language Model) คืออะไร - โมเดลทำนายคำถัดไปจากความน่าจะเป็น ไม่ใช่ฐานข้อมูลคำตอบที่ถูกต้องเสมอ
• Token - หน่วยที่โมเดลใช้นับข้อความ กระทบทั้ง cost และความยาวคำตอบ
• Context window - ความจำที่จำกัดต่อการสนทนาหนึ่งครั้ง เกินนี้โมเดลจะเริ่มลืมข้อมูลตอนต้น
• Prompt engineering เบื้องต้น - วิธีตั้งคำถาม/สั่งงานให้โมเดลตอบตรงจุด (system prompt, few-shot, role-play)
• Context engineering - ขั้นกว่าของ prompt engineering ที่วงการเริ่มใช้แทนกันแล้ว คือการจัดการว่าจะป้อนอะไรเข้า context window บ้าง ทั้งคำสั่ง ตัวอย่าง ข้อมูลอ้างอิง และประวัติแชท เพื่อให้โมเดลได้ข้อมูลที่ใช่ ในปริมาณที่พอดี
• Reasoning / thinking models - โมเดลรุ่นใหม่ที่ใช้เวลาคิดก่อนตอบ แลกความช้ากับความแม่นในงานซับซ้อน ดีไซเนอร์ต้องรู้เพราะกระทบการออกแบบ loading และการเลือกว่างานไหนควรใช้โมเดลเร็วหรือโมเดลคิดนาน
• ประเภทของโมเดล generative - ไม่ได้มีแค่ LLM (ข้อความ → ข้อความ) แต่ทำงานแบบเป็นการ input และ output แตกต่างกันไป เช่น มี diffusion (ข้อความ → รูป), TTS (ข้อความ → เสียง), STT/ASR (เสียง → ข้อความ) ด้วย ซึ่งแต่ละแบบให้ UX คนละทาง

#2. RAG และการทำงานกับข้อมูลของตัวเอง

พอ AI feature เริ่มต้องตอบจากข้อมูลเฉพาะของเรา แทนที่จะพึ่งความรู้ทั่วไปของโมเดลเพียงอย่างเดียว หมวดนี้คือสิ่งที่ต้องทำความเข้าใจค่ะ

• Hallucination - อาการที่โมเดลมั่วคำตอบแบบมั่นใจ ทั้งที่ไม่มีข้อมูลจริงรองรับ และวิธีคร่าว ๆ ที่ทีม dev ใช้ลดปัญหานี้
• Embedding / Vector - การแปลงข้อความให้กลายเป็นตัวเลขที่ค้นด้วยความหมายได้ ซึ่งไปได้ไกลกว่าการจับคู่คำตรงตัวแบบ keyword matching
• Vector database - ที่เก็บข้อมูลแบบ embedding ที่ระบบดึงมาใช้ตอนตอบคำถาม
• RAG (Retrieval-Augmented Generation) - เทคนิคดึงข้อมูลที่เกี่ยวข้องมายัดใส่ prompt ก่อนให้โมเดลตอบ ทำให้คำตอบอิงจากข้อมูลจริงมากขึ้น
• Knowledge Graph / GraphRAG - การจัดข้อมูลให้เป็นความสัมพันธ์ระหว่างสิ่งต่าง ๆ แทนที่จะเก็บเป็นก้อนข้อความเฉย ๆ ช่วยให้โมเดลตอบคำถามที่ต้องเชื่อมจุดหลายจุดได้แม่นขึ้น

#3. Fine-tuning, Prompting, RAG - จะปรับ AI ให้เข้ากับงานเรายังไง

พอเข้าใจ RAG แล้ว คำถามที่ตามมาเสมอคือ ถ้าอยากให้ AI เก่งเรื่องเฉพาะทางของเราจริง ๆ จะทำได้กี่ทาง คำตอบมี 3 ทางหลัก ต้นทุนและความยากต่างกัน

• Prompting - บอกโมเดลผ่านคำสั่งและตัวอย่างใน prompt ทำง่ายที่สุด ปรับไว ต้นทุนต่ำ แต่จำกัดด้วยขนาด context window
• RAG - ดึงข้อมูลของเราเข้ามาเสริมตอนตอบ (ตามหมวดที่แล้ว) เหมาะเวลาข้อมูลเยอะและอัปเดตบ่อย โดยไม่ต้องเทรนโมเดลใหม่
• Fine-tuning - เอาโมเดลมาเทรนเพิ่มด้วยข้อมูลของเรา ให้เก่งเฉพาะทางหรือได้โทนที่ต้องการ ต้นทุนและเวลาสูงสุด เหมาะเมื่อ prompting กับ RAG ไม่พอ
• เลือกยังไง - rule of thumb ของทีม AI คือเริ่มจาก prompting ก่อนเสมอ ไม่พอค่อยขยับไป RAG แล้วค่อย fine-tune เป็นทางเลือกสุดท้าย
• ทำไมดีไซเนอร์ต้องรู้ - ทางเลือกพวกนี้กำหนดทั้งความเร็ว ความสดของข้อมูล และต้นทุน ซึ่งกระทบ UX ที่เราออกแบบโดยตรง

#4. Agentic AI - เมื่อ AI ไม่ได้แค่ตอบ แต่ลงมือทำ

นี่คือหมวดที่ร้อนแรงที่สุดในปี 2026 และเป็นสิ่งที่ทำให้ AI feature ยุคนี้ต่างจากแชทบอทยุคก่อนแบบสิ้นเชิง

• AI Agent คืออะไร - ต่างจาก chatbot ยังไง (chatbot ตอบครั้งเดียวจบ ส่วน agent วางแผน-ลงมือทำ-เช็คผล-ทำต่อเองได้หลายสเต็ป)
• Tool calling / function calling - การให้โมเดลเรียกใช้ความสามารถภายนอกได้เอง เช่น ค้นเว็บ, รันโค้ด, เรียก API
• Harness - โครงที่ครอบโมเดลดิบให้กลายเป็น agent ทำงานเองได้ (loop คิด → เรียก tool → ดูผล → คิดต่อ) ตัวอย่างใกล้ตัวคือ Claude Code หรือ Cursor
• MCP (Model Context Protocol) - มาตรฐานเปิดที่ทำให้ agent เชื่อมต่อกับเครื่องมือ/ข้อมูลภายนอกได้อย่างเป็นระบบ กำลังกลายเป็นภาษากลางของวงการ agent
• Multi-agent - การให้ agent หลายตัวแบ่งหน้าที่ทำงานร่วมกัน (ซับซ้อนกว่า แต่แก้ปัญหาที่ใหญ่ขึ้นได้)

#5. Multimodal AI - AI ที่รับส่งได้หลายรูปแบบ

เมื่อก่อน AI แต่ละตัวทำได้อย่างเดียว ข้อความก็ข้อความ รูปก็รูป แต่ปีนี้เส้นแบ่งเริ่มหายไป โมเดลเดียวรับส่งได้หลายรูปแบบในตัว

• Multimodal คืออะไร - โมเดลที่รับ input และให้ output ได้หลายรูปแบบในตัวเดียว ทั้งข้อความ รูป เสียง หรือวิดีโอ
• ตัวอย่างที่เห็นได้จริง - อัปโหลด screenshot แล้วถามได้ พูดใส่แล้วได้คำตอบเป็นเสียง หรือส่งไฟล์ดีไซน์ให้ช่วยรีวิว
• ทำไมสำคัญกับดีไซเนอร์ - เปิด interaction แบบใหม่ที่ไม่ต้องพิมพ์อย่างเดียว งานออกแบบ input/output จึงกว้างขึ้นมาก ต้องคิดเรื่อง voice, image, camera เข้ามาด้วย
• ข้อควรระวัง - ยิ่งหลายรูปแบบยิ่งมีเคสพังแปลก ๆ (อ่านรูปผิด ฟังเสียงพลาด) การออกแบบ fallback และจุดให้ผู้ใช้ยืนยันจึงสำคัญ

#6. เครื่องมือและแพลตฟอร์มที่ควรคุ้นหน้าคุ้นตา

ไม่ต้องใช้เป็นทุกตัว แต่ควรรู้ว่ามันคืออะไร เวลาทีม dev พูดถึงจะได้ตามทัน

• API ของโมเดลยอดนิยม - OpenAI, Google (Gemini), Anthropic (Claude) จุดต่างเรื่องราคา ความสามารถ และ use case ที่แต่ละเจ้าถนัด
• Framework สาย agent/RAG - Langchain, LlamaIndex, CrewAI เครื่องมือที่ dev ใช้ประกอบร่าง RAG/agent เข้าด้วยกัน
• Open-source model hub - Hugging Face แหล่งรวมโมเดลโอเพนซอร์สที่ใช้แทน/เสริม API เจ้าใหญ่ได้
• No-code/low-code automation - เช่น n8n สำหรับต่อ workflow AI แบบลากวางโดยไม่ต้องเขียนโค้ดเยอะ เหมาะกับดีไซเนอร์ที่อยาก prototype ไอเดียเองก่อนส่งต่อทีม dev

#7. Evals - วัดผลว่า AI ทำงานดีจริงไหม

หัวข้อที่มาแรงมากในปีนี้ และเป็นพื้นฐานที่ดีไซเนอร์ควรรู้ไม่แพ้เรื่องอื่น เพราะ AI ให้คำตอบไม่เหมือนเดิมทุกครั้ง เราจะบอกว่า feature ดีขึ้นหรือแย่ลงด้วยความรู้สึกอย่างเดียวไม่ได้ ต้องมีเกณฑ์วัดที่ชัดเจน

• Evals คืออะไร - การวัดผลและประเมินคุณภาพคำตอบของ AI อย่างเป็นระบบ ซึ่งจริงจังกว่าการลองเล่นดูแล้วรู้สึกว่าใช้ได้
• ทำไมดีไซเนอร์ต้องสน - เพราะ AI เป็น non-deterministic ตอบไม่เหมือนกันทุกครั้ง การจะปรับ prompt หรือเปลี่ยนโมเดลแล้วรู้ว่าดีขึ้นจริงไหม ต้องมีตัววัด
• วิธีวัดที่ควรรู้จัก - human eval (ให้คนให้คะแนน), LLM-as-a-judge (ใช้ AI ตัวหนึ่งมาตรวจคำตอบของอีกตัว), golden dataset (ชุดคำถาม-คำตอบมาตรฐานไว้เทียบผล)
• เกณฑ์ที่กระทบงานดีไซน์โดยตรง - ความถูกต้อง (accuracy), ความเกี่ยวข้อง (relevance), โทน/น้ำเสียง (tone), ความปลอดภัย (safety) และ latency ที่มีผลกับ UX
• เชื่อมกับสิ่งที่คุ้นเคยอยู่แล้ว - A/B testing และการวัดผลแบบที่ดีไซเนอร์ทำอยู่ประจำ เอามาปรับใช้กับ AI feature ได้เลย

#8. Human Feedback และ RLHF - AI เรียนรู้จากคนยังไง

เคยสังเกตไหมคะว่าเวลาใช้ AI ทุกครั้งมักมีปุ่ม thumbs up/down ให้กด นั่นแหละคือหัวข้อนี้ เป็นเรื่องที่ดีไซเนอร์ควรรู้มาก เพราะเราเป็นคนออกแบบปุ่มพวกนั้นเอง

• thumbs up/down คืออะไร - การเก็บ human feedback หรือ preference data ว่าคำตอบไหนดีหรือไม่ดี ซึ่งเป็นมากกว่าปุ่มสวย ๆ เพราะมันคือช่องทางป้อนข้อมูลกลับให้ระบบ
• RLHF (Reinforcement Learning from Human Feedback) - เทคนิคที่เอา feedback ของคนมาปรับโมเดลให้ตอบตรงใจมนุษย์มากขึ้น เป็นเบื้องหลังที่ทำให้ ChatGPT หรือ Claude ตอบดีขึ้นเรื่อย ๆ
• เข้าใจผิดที่พบบ่อย - กด thumbs down ครั้งเดียวโมเดลไม่ได้ฉลาดขึ้นทันที ข้อมูลจะถูกเก็บไว้ใช้เทรนรอบถัดไป และให้ทีมเห็นว่า AI พังตรงไหน (เชื่อมกับ Evals หมวดที่แล้ว)
• Data flywheel / feedback loop - ยิ่งมีคนใช้และให้ feedback มาก โมเดลและระบบก็ยิ่งพัฒนา วนเป็นวงจรที่ทำให้โปรดักต์ AI ดีขึ้นเรื่อย ๆ
• งานของดีไซเนอร์โดยตรง - ปุ่ม thumbs up/down, regenerate, edit, report เหล่านี้ดีไซเนอร์เป็นคนออกแบบ ถ้าออกแบบให้กดง่ายและได้ข้อมูลคุณภาพ ก็ช่วยให้ทีมเก็บ feedback ไปพัฒนา AI ได้ตรงจุด

#9. AI UX Patterns - ออกแบบประสบการณ์เมื่อทำงานกับ AI

หมวดนี้ตรงกับงานดีไซเนอร์ที่สุด เพราะ AI มีธรรมชาติต่างจาก software ทั่วไป คือช้ากว่า ไม่แน่นอน และผิดพลาดได้ เลยมี pattern การออกแบบเฉพาะที่ควรรู้

• Streaming / loading - AI ตอบทีละนิด การโชว์คำตอบแบบไหลออกมา หรือใช้ skeleton ช่วยลดความรู้สึกว่าช้า
• Citations / sources - โชว์ที่มาของคำตอบ ช่วยให้ผู้ใช้เชื่อใจและตรวจสอบได้ (เข้าคู่กับ RAG)
• Confidence / uncertainty - บอกให้ผู้ใช้รู้ว่าคำตอบนี้มั่นใจแค่ไหน อย่าออกแบบให้ดูมั่นใจเกินความจริง
• Control & recovery - ปุ่ม regenerate, edit, stop, undo ให้ผู้ใช้คุมและแก้ได้เมื่อ AI พลาด
• Setting expectations - ออกแบบให้ผู้ใช้รู้ตั้งแต่ต้นว่า AI ทำอะไรได้และทำอะไรไม่ได้ ลดความคาดหวังผิด ๆ

#10. AI Ops, จริยธรรม และทิศทางที่ควรจับตา

หมวดสุดท้ายที่มักถูกมองข้าม ทั้งที่สำคัญไม่แพ้เรื่องเทคนิค

• AIOps เบื้องต้น - กระบวนการ deploy/monitor ระบบ AI ในโปรดักชัน (ทำไมโมเดลที่ demo ดีอาจพังตอนใช้งานจริง)
• Ethical AI / transparent design - การออกแบบให้ผู้ใช้รู้ว่ากำลังคุยกับ AI, มีทางเลือกปฏิเสธ/แก้ไขคำตอบ, และไม่ปิดบังข้อจำกัดของระบบ งานนี้คือหน้าที่ดีไซเนอร์โดยตรง
• แนวโน้มที่ควรตามต่อ - agentic AI ที่ทำงานเองได้มากขึ้น, on-device AI ที่รันบนเครื่องเราเองได้, และการที่ AI literacy กำลังกลายเป็น baseline skill ของทุกสายงาน ไม่ได้จำกัดอยู่เฉพาะสาย tech อีกต่อไป

---

#คอร์สเรียนที่แนะนำ

แอดนัทได้ลองไปลงเรียนมาสองคอร์สจาก DataTH แล้วชอบมาก ๆ เพราะเป็นภาษาไทย เลยอยากมาแนะนำกันค่ะ แอดนัทไม่ได้ค่า commission ใด ๆ แต่คิดว่าน่าจะปูพื้นฐานสำหรับผู้เริ่มต้นได้อย่างดีเยี่ยม และแอดนัทยังรวบรวมคอร์สฟรีภาษาอังกฤษที่สอนพื้นฐานจริง ๆ แบบเน้นคอนเซปต์ล้วน ๆ ไม่ผูกกับโปรแกรมไหน มาไว้ในตารางให้ด้วย มาลองดูคอร์สที่แนะนำกันได้เลยค่า

ถ้าให้แอดนัทแนะนำเส้นทางเรียน ใครพื้นฐานยังไม่มีเลยเริ่มที่

• Road to Generative AI Engineer (ถ้าอยากเรียนภาษาไทยมีคนพาไปตลอดทาง)
• สายฟรีเริ่มที่ Generative AI for Everyone ต่อด้วย Elements of AI เพื่อเก็บรากฐานให้แน่น

ส่วนใครมีพื้นฐานแล้วอยากเจาะ agent

• ก็ไปต่อที่ GenAI Weekend
• สายฟรีก็ AI Agents Course ของ Hugging Face ได้เลยค่ะ

---

#อยากลงลึกกว่านี้?

เปิดสถิติสายงาน UX/UI Designer ปี 2026 จาก levels.fyi

บทความนี้พาเพื่อน ๆ ดูภาพรวมเงินเดือนแบบกว้าง ๆ รวมไปถึงเทคนิคสร้างพอร์ตและทักษะเพื่อให้แข่งกับตลาดต่างประเทศได้

ดูแพ็กสมาชิก Designil Plus

หรือลองอ่านบทความอื่นในหมวด พื้นฐาน UX/UI เพิ่มเติมได้นะคะ