สารบัญ
- สิ่งที่อินเดียเพิ่งทำ และทำไมธุรกิจไทยควรสนใจ
- ปัญหาไม่ได้อยู่ที่ AI “ตอบผิด” แต่อยู่ที่คนเอาคำตอบไปใช้
- คำพิพากษาอินเดียเกิดอะไรขึ้น
- ทำไมเรื่องนี้เกี่ยวกับสำนักงานกฎหมายและฝ่ายกฎหมายไทยโดยตรง
- AI Hallucination ต้องถูกจัดการเหมือน “จุดควบคุม” ใน Workflow
- สิ่งที่องค์กรไทยควรทำต่อ
- มุมมองผู้เชี่ยวชาญ
- แหล่งอ้างอิง
บทนำ
เมื่อวันที่ 2 กรกฎาคม 2569 ศาลฎีกาอินเดียวางหลักสำคัญในคดี Pooja Ramesh Singh v. Jammu and Kashmir Bank Ltd. หลังพบว่าศาลล่างนำคำพิพากษาที่เกิดจาก AI hallucination มาอ้างเป็นกฎหมายประกอบการตัดสินคดี ศาลฎีกาจึงยกเลิกคำวินิจฉัยของ NCLT และ NCLAT และส่งเรื่องกลับไปพิจารณาใหม่
ข่าวนี้ไม่ควรถูกอ่านเพียงว่า “AI แต่งคำพิพากษาปลอมได้”
สิ่งที่น่ากังวลกว่าคือ ศาลกำลังบอกโลกกฎหมายว่า เมื่อข้อมูลปลอมจาก AI หลุดเข้าไปในกระบวนการตัดสินใจแล้ว ปัญหาไม่ได้เป็นเพียงเรื่อง “ความถูกต้องของข้อมูล” อีกต่อไป แต่กลายเป็นเรื่อง ความน่าเชื่อถือของกระบวนการทางกฎหมายทั้งระบบ
นี่คือบทเรียนที่ธุรกิจไทยควรเอากลับมาดู Workflow ของตัวเองทันที
จาก AI ช่วยค้นข้อมูล สู่ AI ที่กลายเป็นจุดเริ่มต้นของความผิดพลาด
AI เหมาะกับงานกฎหมายบางประเภทมากกว่าที่หลายคนคิด
มันสามารถช่วยค้นข้อมูลจำนวนมาก ช่วยจัดหมวดเอกสาร สรุปคำพิพากษา ช่วยค้นประเด็น และช่วยร่างเอกสารเบื้องต้นได้ หากมีมนุษย์ควบคุมกระบวนการอยู่ตลอด
แนวคิดนี้ไม่ได้ขัดกับทิศทางของศาลเองด้วย
ศาลฎีกาอินเดียระบุในคำพิพากษาว่า AI สามารถช่วยงานของมนุษย์ได้อย่างมาก แต่ย้ำว่าการตัดสินใจทางตุลาการต้องอยู่ภายใต้การควบคุมของมนุษย์ และการใช้ AI ไม่ได้ถูกห้ามทั้งหมด สิ่งที่ถูกต่อต้านคือการนำข้อมูลปลอม หรือข้อมูลที่ยังไม่ได้ตรวจสอบ ไปนำเสนอเสมือนว่าเป็นคำพิพากษาจริง
ประเด็นจึงไม่ใช่
“ห้ามใช้ AI”
แต่เป็น
“ห้ามปล่อยให้คำตอบจาก AI ผ่านเข้าไปเป็นข้อเท็จจริงทางกฎหมายโดยไม่มีการตรวจสอบ”
ความแตกต่างสองประโยคนี้สำคัญมากสำหรับองค์กรไทย
แล้วศาลฎีกาอินเดียพบอะไร?
คดีนี้เกี่ยวข้องกับข้อพิพาทด้านการล้มละลาย โดย NCLT และ NCLAT อ้างคำพิพากษา 6 รายการประกอบเหตุผลในการตัดสิน
เมื่อศาลฎีกาตรวจสอบกลับ พบความผิดปกติหลายรูปแบบ
มี 2 รายการที่เลขอ้างอิงเป็นคดีจริง แต่ย่อหน้าที่ถูกนำมาอ้างไม่มีอยู่ในคำพิพากษาจริง
อีก 1 รายการใช้เลขอ้างอิงที่เป็นของคดีอื่น แต่กลับถูกนำเสนอเป็นอีกคำพิพากษาหนึ่ง
ส่วนอีก 3 รายการเป็นคำอ้างอิงที่ไม่มีอยู่จริง
ที่น่าสนใจคือ ตามข้อมูลของศาล คำอ้างอิงเหล่านี้ไม่ได้มาจากทนายของธนาคารผู้เป็นคู่ความ แต่ปรากฏว่าถูกใช้ในการค้นคว้าของ NCLT เอง และยังผ่านการพิจารณาของชั้นอุทธรณ์มาได้โดยไม่ถูกจับความผิดปกติในทันที
นี่ทำให้คำถามเปลี่ยนไป
ไม่ใช่แค่ “AI ทำให้เกิด hallucination ได้อย่างไร?”
แต่คือ
“ระบบตรวจสอบของมนุษย์พลาดได้อย่างไร จนข้อมูลนั้นถูกมองว่าเป็นกฎหมายจริง?”
AI Hallucination ไม่ใช่ปัญหาเฉพาะของนักพัฒนา AI
ตรงนี้คือบทเรียนที่สำคัญที่สุดสำหรับองค์กรไทย
สมมติฝ่ายกฎหมายบริษัทใช้ AI ถามว่า
“มีคำพิพากษาศาลฎีกาที่บอกว่ากรณีนี้ทำได้หรือไม่?”
AI อาจตอบกลับมาพร้อมชื่อคดี เลขคดี ปีที่ตัดสิน และข้อความอ้างอิงที่ดูน่าเชื่อถือมาก
หน้าตามันอาจเหมือนงานวิจัยทางกฎหมาย
แต่ “หน้าตาเหมือน” ไม่เท่ากับ “มีอยู่จริง”
ปัญหาจะรุนแรงขึ้นเมื่อมีการนำผลลัพธ์นั้นไปใช้ต่อเป็นลำดับ
AI → นักกฎหมาย → เอกสารบริษัท → หนังสือถึงคู่ค้า → คำร้อง → เอกสารยื่นศาล
จุดอันตรายที่สุดจึงไม่ใช่ตอนที่ AI สร้างข้อมูลผิด
แต่คือ ตอนที่มนุษย์รับรองข้อมูลผิดโดยไม่รู้ว่ามันผิด
อินเดียกำลังบอกว่า จุดนี้มีผลต่อความสมบูรณ์ของกระบวนการยุติธรรมโดยตรง
บทเรียนสำหรับธุรกิจไทย: อย่าตรวจแค่คำตอบ ต้องตรวจ “ที่มา”
ประเทศไทยเองไม่ได้อยู่ห่างจากปัญหานี้
สำนักงานศาลยุติธรรมของไทยมีความร่วมมือกับ NECTEC เพื่อพัฒนา AI สำหรับงานศาลหลายรูปแบบ ตั้งแต่ระบบช่วยร่างคำฟ้อง ระบบค้นและเข้าถึงข้อมูลจากวิดีโอ ระบบถาม-ตอบข้อมูล ระบบถอดความ ระบบแนะนำกระบวนการดำเนินคดี ไปจนถึงการสืบค้นข้อมูลทางวิชาการด้วย RAG และการค้นคำสั่งหรือคำพิพากษา
ขณะเดียวกัน ศาลไทยก็เคยสื่อสารชัดว่าการนำ AI มาใช้ในงานคดีต้องมีการเปิดเผยแหล่งที่มา ตรวจสอบความถูกต้อง และผู้ใช้งานยังต้องรับผิดชอบต่อข้อมูลที่นำไปใช้
ดังนั้นบทเรียนจากอินเดียไม่ใช่เรื่องไกลตัว
ในวันที่ AI ถูกนำเข้ามาอยู่ใน Workflow จริง สิ่งที่องค์กรต้องมีไม่ใช่เพียง “AI Policy”
แต่ต้องมี Verification Policy
สองอย่างนี้ไม่เหมือนกัน
AI Policy บอกว่า “พนักงานใช้ AI ได้อย่างไร”
Verification Policy บอกว่า “ผลลัพธ์จาก AI ต้องผ่านอะไรบ้าง ก่อนจะถูกนำไปใช้เป็นข้อมูลทางกฎหมาย”
และอย่างหลังอาจเป็นจุดที่หลายองค์กรยังไม่มี
จุดที่บริษัทควรเริ่มตรวจวันนี้
1. แยก AI Output ออกจาก Legal Source
อย่าให้เอกสารที่ AI สร้างขึ้นมาอยู่ในระบบเดียวกับเอกสารกฎหมายต้นฉบับโดยไม่มีป้ายกำกับ
คำตอบจาก AI ต้องถือเป็น “ข้อมูลรอตรวจสอบ”
ไม่ใช่ “แหล่งอ้างอิง”
2. บังคับตรวจ Citation ทุกครั้ง
ชื่อคดี เลขคดี ปี มาตรา ย่อหน้าที่อ้าง และข้อความสำคัญ ต้องเปิดกลับไปยังฐานข้อมูลหรือคำพิพากษาต้นฉบับจริง
อ่านเฉพาะข้อความที่ AI ยกมาไม่ได้
เพราะ AI สามารถสร้าง “บริบทปลอม” รอบข้อมูลที่มีอยู่จริงได้
3. สร้าง Second-Person Review สำหรับเอกสารสำคัญ
เอกสารที่มีผลต่อสิทธิ หน้าที่ ความรับผิด หรือคดี ไม่ควรมีคนเดียวเป็นทั้งผู้ใช้ AI และผู้ตรวจผลลัพธ์
อย่างน้อยควรมีผู้ตรวจอีกชั้นสำหรับเอกสารที่มีความเสี่ยงสูง
4. เก็บร่องรอยว่าใครตรวจอะไร
องค์กรควรตอบได้ว่า
ใครใช้ AI
ใช้กับงานอะไร
อ้างอิงจากแหล่งใด
ใครตรวจคำตอบ
และก่อนส่งออกไป ใครเป็นผู้อนุมัติ
นี่คือหลักฐานสำคัญเมื่อเกิดข้อพิพาทภายหลัง
5. สร้าง “AI Citation Checklist” หนึ่งหน้า
ก่อนนำ Citation จาก AI ไปใช้ ให้ตอบให้ครบว่า
มีคดีนี้จริงไหม?
เลขอ้างอิงตรงไหม?
ข้อความที่อ้างมีอยู่ในคดีจริงไหม?
คดีนั้นเกี่ยวข้องกับข้อเท็จจริงของเราจริงไหม?
มีฉบับล่าสุดหรือคำพิพากษาที่กลับหลักเดิมหรือไม่?
เพียง 5 คำถามนี้ก็สามารถลดความเสี่ยงได้มากกว่าการบอกพนักงานกว้าง ๆ ว่า “ใช้ AI อย่างระมัดระวัง”
สิ่งที่อินเดียกำลังสอนธุรกิจไทยจริง ๆ
คำพิพากษานี้มีประเด็นหนึ่งที่สำคัญมาก
ศาลฎีกาอินเดียไม่ได้ประกาศว่า AI เป็นสิ่งต้องห้าม
ตรงกันข้าม ศาลยอมรับว่า AI สามารถช่วยงานมนุษย์ได้ แต่ยืนยันว่ามนุษย์ต้องยังคงเป็นผู้ควบคุมการตัดสินใจ และต้องไม่ปล่อยให้ข้อมูลที่ไม่มีอยู่จริงถูกยกระดับกลายเป็น “กฎหมาย” ผ่านเอกสารทางคดี
นี่คือหลักที่ธุรกิจไทยควรจำง่าย ๆ ว่า
AI ช่วยค้นได้ แต่ AI ไม่ควรเป็นคนรับรอง
เพราะเมื่อคำตอบจาก AI ถูกใส่ลงในสัญญา หนังสือทางกฎหมาย ความเห็นทางกฎหมาย หรือเอกสารที่ยื่นต่อศาล ความผิดพลาดนั้นจะไม่ถูกมองว่าเป็นแค่ “AI ตอบมั่ว”
มันจะกลายเป็นความผิดพลาดของกระบวนการทางวิชาชีพ
และเมื่อเกิดเรื่องขึ้น คำถามที่ย้อนกลับมาจะไม่ใช่
“ทำไม AI ถึงผิด?”
แต่คือ
“ตอนที่คุณรู้ว่าใช้ AI แล้ว ใครเป็นคนตรวจ?”
สิ่งที่ควรทำต่อ
องค์กรที่ใช้ Generative AI กับงานกฎหมายควรเริ่มจากการทำ AI Legal Workflow Map แล้วกำหนดจุดตรวจบังคับก่อนข้อมูลแต่ละชิ้นจะถูกนำไปใช้งานจริง
จุดตรวจที่สำคัญที่สุดคือ Citation, Case Law, Statutory Reference และ Legal Conclusion
สำหรับงานความเสี่ยงสูง ควรมี Human Review ที่ระบุชื่อผู้ตรวจชัดเจน และเก็บหลักฐานการตรวจสอบไว้
ส่วนฝ่ายกฎหมายควรเริ่มสร้างรายการ “แหล่งกฎหมายที่อนุญาตให้ใช้เป็นต้นฉบับ” เพื่อไม่ให้พนักงานพึ่งพาคำตอบจาก AI เพียงแหล่งเดียว
มุมมองผู้เชี่ยวชาญ
“ผมมองว่าบทเรียนจากอินเดียไม่ได้บอกให้เราเลิกใช้ AI แต่บอกว่าอย่าเอา AI มาเป็นคนตรวจ เพราะ AI อาจหาคำตอบให้เราได้ แต่ไม่ได้แปลว่าคำตอบนั้นมีอยู่จริง โดยเฉพาะเรื่องกฎหมาย แค่ Citation ผิดหนึ่งจุดก็เปลี่ยนทั้งเรื่องได้ ดังนั้นบริษัทควรมีขั้นตอนง่าย ๆ ว่า AI หาให้ได้ แต่คนต้องเปิดต้นฉบับแล้วตรวจทุกครั้งก่อนเอาไปใช้”
— Phuwara Krobtaku —
LL.M. (IP & IT) | M.S. (IT) | Thai Barrister & Attorney-at-Law
อ่านเพิ่มเติม: กรณีล่าสุดที่ศาลอุทธรณ์ต้องเพิกถอนคำสั่งที่มีข้อเท็จจริงปลอมจาก AI อ่านต่อที่ ศาลอุทธรณ์สหรัฐเพิกถอนคำสั่งศาลที่ AI ร่างแล้วมีข้อเท็จจริงปลอม และย้ายคดีออกจากผู้พิพากษาเดิม ทนายและนิติกรไทยต้องตรวจงาน AI อย่างไร
แหล่งอ้างอิง
Supreme Court of India — Landmark Judgment Summary: Pooja Ramesh Singh v. Jammu and Kashmir Bank Ltd.
วันที่คำพิพากษา: 2 กรกฎาคม 2569
SCC Online Blog — Governing AI Hallucinations: Evaluating the Supreme Court’s Zero-Tolerance Rule
เผยแพร่ 4 กันยายน 2569
Indian Kanoon — Pooja Ramesh Singh v. Jammu and Kashmir Bank Ltd.
ตัวบทคำพิพากษาฉบับเต็ม
สำนักงานศาลยุติธรรม — ความร่วมมือพัฒนา AI สำหรับศาลยุติธรรม
ศาลปกครอง — การอภิปรายเรื่อง AI Governance ในกระบวนการยุติธรรม
