GEO (Generative Engine Optimization) คือ การปรับแต่งเนื้อหาเว็บไซต์ให้ generative engines เช่น ChatGPT, Perplexity, Google AI Overviews และ Gemini หยิบไปสังเคราะห์และอ้างอิง (cite) ในคำตอบที่ AI สร้างขึ้น งานวิจัย GEO ต้นฉบับ (Aggarwal et al., arXiv 2311.09735, 2023) พิสูจน์ว่าเทคนิค GEO เพิ่ม visibility ในคำตอบ AI ได้สูงสุด 40% — บทความนี้อัปเดตล่าสุดปี 2026 พร้อมข้อมูลจากงานวิจัยและขั้นตอนลงมือทำจริง
- GEO เพิ่ม visibility ของหน้าเว็บในคำตอบของ generative engines ได้สูงสุด 40% อ้างอิงงานวิจัย GEO ต้นฉบับ (Aggarwal et al., arXiv 2311.09735, 2023)
- งานวิจัยทดสอบบน GEO-bench ชุดข้อมูล 10,000 คำค้นจริงหลายหมวดธุรกิจ ซึ่งเป็นชุดข้อมูลสาธารณะที่ใหญ่ที่สุดของงานวิจัยด้าน AI-answer visibility
- 3 เทคนิคที่ได้ผลสูงสุดคือ การใส่แหล่งอ้างอิง (cite sources), คำพูดอ้างอิง (quotations) และสถิติ (statistics) — แต่ละเทคนิคเพิ่ม visibility ราว 30–40% เทียบกับเนื้อหาเดิม
- Keyword stuffing อยู่กลุ่มเทคนิคที่ได้ผลแย่ที่สุดในงานวิจัย ยืนยันว่าทริก SEO ยุคเก่าใช้กับ generative engines ไม่ได้
- ปี 2026 GEO กลายเป็นวินัยที่ต้องทำคู่กับ SEO เพราะ AI Overviews, ChatGPT search และ Perplexity ตอบคำถาม informational จำนวนมากโดยผู้ใช้ไม่ต้องคลิก
GEO (Generative Engine Optimization) คืออะไร?
GEO (Generative Engine Optimization) คือ การปรับเนื้อหาและการปรากฏตัวของเว็บไซต์เพื่อให้ generative engines อย่าง ChatGPT, Perplexity, Google AI Overviews และ Gemini นำเนื้อหาไปสังเคราะห์และอ้างอิงในคำตอบ คำนี้ถูกบัญญัติในงานวิจัยเดือนพฤศจิกายน 2023 บน arXiv (2311.09735) โดย P. Aggarwal และคณะ ซึ่งวัดผลได้ว่าเทคนิค GEO เพิ่ม visibility ได้สูงสุด 40%
ก่อนไปต่อ ต้องนิยามอีกคำหนึ่ง: Generative engine คือ ระบบค้นหาที่ใช้ large language model สังเคราะห์คำตอบเดียวจากหลายแหล่งข้อมูลพร้อมแนบลิงก์อ้างอิง แทนการแสดงลิสต์ลิงก์สีน้ำเงินแบบ search engine ดั้งเดิม
งานวิจัยชิ้นนี้สำคัญเพราะมันเปลี่ยนบทสนทนาจาก "ความเห็น" เป็น "การวัดผล" ทีมวิจัยไม่ได้เดาว่า AI ชอบอะไร แต่ปรับเนื้อหาจริงแบบควบคุมตัวแปร แล้ววัดว่า engine หยิบเวอร์ชันไหนไปใช้บ่อยกว่ากัน
GEO AI คือ: นิยามแบบภาษาคน
GEO AI คือ การทำให้เนื้อหาของคุณ "ง่ายต่อการถูก AI ยกไปอ้าง และปลอดภัยพอให้ AI เชื่อถือ" เพราะ generative engine ประกอบคำตอบเดียวจากหลายแหล่งแล้วแนบ citation — GEO เพิ่มโอกาสให้หน้าของคุณเป็นหนึ่งในแหล่งที่ถูกอ้าง เทียบได้กับการติดหน้าหนึ่งในยุคใหม่
วิธีคิดที่ช่วยได้มากคือ SEO ถามว่า "ทำอย่างไรให้ติดอันดับ" ส่วน GEO ถามว่า "ทำอย่างไรให้ถูกยกไปอ้าง" หน้าเว็บที่อยู่อันดับ 6 อาจครองคำตอบ AI ได้ ถ้าเนื้อหาเขียนเป็นประโยคชัด ตรวจสอบได้ และจบในตัวเอง จน model ยกไปใช้ได้ทันที
ทำไม GEO ถึงเกิดขึ้น: จาก 10 ลิงก์สีน้ำเงินสู่คำตอบเดียว
GEO เกิดขึ้นเพราะพฤติกรรมค้นหาเปลี่ยนรูปทรง search แบบเดิมแสดง 10 ลิงก์ให้ผู้ใช้เลือกเอง แต่ generative engine ส่งคำตอบเดียวที่ประกอบเสร็จแล้ว พร้อมลิงก์อ้างอิงเพียงไม่กี่ตำแหน่ง เมื่อพื้นที่ citation เหลือน้อยกว่าตำแหน่ง organic เดิมมาก การแข่งขันต่อหนึ่งช่องจึงดุขึ้นทันตา
อาการแรกที่นักการตลาดไทยเจอคือ traffic จากคำค้นเชิงข้อมูลตกลง ทั้งที่อันดับไม่ขยับ เพราะ Google AI Overviews ตอบจบเหนือผลค้นหาไปแล้ว จากนั้นคำถามจากหัวหน้าก็ตามมา: "แบรนด์เราติดใน ChatGPT ไหม" — GEO คือวินัยที่ตอบคำถามนี้
Generative engines เลือกอ้างอิงแหล่งไหน อย่างไร
Generative engines เลือก citation ผ่านกระบวนการ retrieval-then-synthesis: ดึงหน้าเว็บที่เข้าข่าย (มักผ่าน search index เดิม) สกัด passage ที่ตอบคำถามตรง ๆ แล้วอ้างอิงเฉพาะแหล่งที่ใช้จริง คุณสมบัติ 3 ข้อที่ช่วยให้ passage ถูกเลือกอย่างสม่ำเสมอ:
- Extractability — ตอบคำถามจบในบล็อกเดียว ไม่กระจายอยู่ทั่ว 800 คำ
- Verifiability — มีสถิติ ชื่อแหล่งข้อมูล หรือคำพูดอ้างอิง ซึ่ง model ตีความเป็นสัญญาณความน่าเชื่อถือ
- Entity clarity — ระบุชื่อสิ่งที่พูดถึงตรง ๆ ("GEO คือ...") ไม่ใช้สรรพนามลอย เพื่อให้อ่านรู้เรื่องแม้ถูกยกออกจากบริบท
GEO vs SEO vs AEO vs AIO ต่างกันอย่างไร?
GEO, SEO, AEO และ AIO ต่างกันที่ระบบเป้าหมาย: SEO มุ่งอันดับลิงก์บน search ดั้งเดิม, AEO มุ่งกล่องคำตอบตรงและ voice search, GEO มุ่ง citation ในคำตอบที่ AI สร้าง ส่วน AIO เป็นคำเรียกรวมของการปรับทุกอย่างให้ระบบ AI เข้าใจ ปี 2026 ทั้งสี่ซ้อนทับกันสูง — พื้นฐาน SEO ที่แข็งยังเป็นเงื่อนไขจำเป็นของ GEO
นิยามให้ครบ: AEO (Answer Engine Optimization) คือ การปรับเนื้อหาให้ตอบคำถามตรงและสั้น เพื่อชิง featured snippets, People Also Ask และ voice search ซึ่งมาก่อนและซ้อนทับกับ GEO บางส่วน ส่วน AIO (AI Optimization) คือ คำเรียกกว้างของการปรับเนื้อหา ข้อมูลแบรนด์ และโครงสร้างเว็บให้ระบบ AI ทุกประเภทเข้าใจ โดย GEO และ AEO ถือเป็นสับเซตของ AIO
ตารางเปรียบเทียบ: SEO vs AEO vs GEO vs AIO
| ศาสตร์ | ระบบเป้าหมาย | ตัวชี้วัดหลัก | เทคนิคแกนกลาง |
|---|---|---|---|
| SEO | ผลค้นหาดั้งเดิม (Google, Bing) | อันดับ, organic CTR, traffic | คีย์เวิร์ด, ลิงก์, technical health |
| AEO | Featured snippets, People Also Ask, voice | อัตราครอง snippet | คำตอบตรงสั้น + FAQ schema |
| GEO | Generative engines (ChatGPT, Perplexity, AI Overviews, Gemini, Copilot) | ความถี่ citation, AI share of voice | สถิติ, คำพูดอ้างอิง, แหล่งอ้างอิง, บล็อกเนื้อหาสกัดง่าย |
| AIO | ระบบ AI ทุกประเภทที่ใช้ข้อมูลแบรนด์/เว็บ | AI visibility และความถูกต้องโดยรวม | ร่ม: GEO + AEO + entity/data hygiene |
2 ประเด็นที่คนสับสนบ่อย ข้อแรก AEO มาก่อน GEO — โตมาจากยุค featured snippets ราวปี 2016 เป็นต้นมา งาน AEO ส่วนใหญ่ (คำตอบตรง หัวข้อรูปคำถาม) จึงยกไปใช้กับ GEO ได้เลย ข้อสอง ตัวชี้วัดต่างกันจากราก: SEO วัดอันดับและ CTR ส่วน GEO วัดความถี่ citation และ share of voice ในคำตอบ AI
ปี 2026 ควรลงทุนกับตัวไหนก่อน?
ปี 2026 ควรลงทุนพื้นฐาน SEO ก่อน แล้ววาง GEO ทับเป็นชั้นถัดไป เพราะ generative engines ดึงหน้าตัวเลือกส่วนใหญ่จากหน้าที่ทำผลงานใน organic search อยู่แล้ว
ลำดับที่ทีมเล็กทำได้จริง: (1) แก้ crawlability และสร้าง authority (2) ปรับหน้า money page 10–20 หน้าแรกให้เป็นรูปแบบ answer-first (3) เริ่มทดสอบ AI citation รายเดือน สามขั้นนี้เก็บคุณค่า GEO ได้ส่วนใหญ่โดยยังไม่ต้องซื้อเครื่องมือใหม่เลย
ทำไม GEO เป็น "ชั้นทับ" SEO ไม่ใช่ตัวแทน
GEO แทน SEO ไม่ได้ เพราะ generative engines ยังพึ่งโครงสร้างพื้นฐานของ search: การ crawl, index และประเมินคุณภาพ หน้าที่ Google เข้าไม่ถึงจะไม่โผล่ใน AI Overviews โดเมนที่ไม่มี authority แทบไม่ถูก Perplexity ดึงไปใช้ งานวิจัย GEO ต้นฉบับเองปรับแก้เนื้อหาที่มีโครงสร้างดีอยู่แล้ว ไม่ได้ทิ้งพื้นฐาน SEO — GEO คือชั้น editing ที่วางบนหน้าที่ SEO ทำให้ค้นเจอได้
งานวิจัย GEO ต้นฉบับพบอะไรจริง ๆ (ข้อมูลจาก arXiv 2311.09735)
งานวิจัย GEO ต้นฉบับ (Aggarwal et al., 2023) ทดสอบเทคนิคปรับเนื้อหา 9 แบบบน GEO-bench ชุดข้อมูล 10,000 คำค้นหลายหมวด ผลคือการใส่แหล่งอ้างอิง คำพูดอ้างอิง และสถิติ ให้ผลสูงสุดราว 30–40% ขณะที่ keyword stuffing อยู่กลุ่มรั้งท้าย พิสูจน์ว่าทริก SEO ยุคเก่าล้มเหลวใน generative engines
รายละเอียดการออกแบบที่คนมองข้าม: เฟรมเวิร์กนี้เป็นแบบ black-box วัดการเปลี่ยนแปลง visibility จากผลลัพธ์ของ engine ล้วน ๆ โดยไม่ต้องเข้าถึงตัว model เลย ผลวิจัยจึงใช้ได้กับ engine ปิดอย่าง ChatGPT และ Google AI Overviews ไม่ใช่แค่ model วิจัย — นี่คือเหตุผลที่ paper นี้กลายเป็นเอกสารก่อตั้งของศาสตร์ GEO
ตาราง: 9 เทคนิค GEO เรียงตามผลที่วัดได้
| เทคนิค | ความหมาย | ผลที่วัดได้ |
|---|---|---|
| Cite Sources | ใส่แหล่งอ้างอิงภายนอกที่น่าเชื่อถือ | กลุ่มสูงสุด ~30–40% |
| Quotation Addition | ใส่คำพูดอ้างอิงจากผู้เชี่ยวชาญ/แหล่งข้อมูล | กลุ่มสูงสุด ~30–40% |
| Statistics Addition | เปลี่ยนคำกล่าวลอยเป็นตัวเลขเจาะจง | กลุ่มสูงสุด ~30–40% |
| Fluency Optimization | ปรับความลื่นไหลของประโยค | เป็นบวก |
| Easy-to-Understand | ทำภาษาให้เข้าใจง่ายขึ้น | เป็นบวก |
| Authoritative | เขียนด้วยน้ำเสียงมั่นใจ หนักแน่นขึ้น | ผสม / ขึ้นกับหมวดคำค้น |
| Technical Terms | ใส่ศัพท์เฉพาะทางเพิ่ม | ต่ำ |
| Unique Words | เพิ่มความหลากหลายของคำศัพท์ | ต่ำ |
| Keyword Stuffing | ยัดคีย์เวิร์ดของคำค้นเข้าไปในเนื้อหา | กลุ่มแย่ที่สุด |
ทำไม citation, คำพูดอ้างอิง และสถิติถึงชนะ: LLM ประเมินความน่าเชื่อถืออย่างไร
Citation คำพูดอ้างอิง และสถิติชนะ เพราะ large language model ถูกฝึกให้เลือกข้อความที่ตรวจสอบได้ เจาะจง และมีที่มาเวลาประกอบคำตอบ ประโยคแบบ "GEO เพิ่ม visibility ได้สูงสุด 40% (Aggarwal et al., 2023)" ให้ทั้งข้อเท็จจริง ตัวเลข และแหล่งที่มาในหน่วยเดียว — เป็นวัตถุดิบความเสี่ยงต่ำสำหรับ model ส่วนประโยคแบบ "GEO ช่วยได้มาก" ไม่มีอะไรให้ตรวจสอบเลย จึงถูกข้าม
ผลยังผันตามหมวดคำค้นด้วย งานวิจัยพบว่าแต่ละเทคนิคได้ผลต่างกันตาม domain เทคนิคอย่างการใส่แหล่งอ้างอิงยิ่งสำคัญในหมวดที่ความไว้วางใจเป็นเดิมพัน — ตรรกะเดียวกับ E-E-A-T ของ Google สำหรับหัวข้อ YMYL
เทคนิคที่ล้มเหลว — และบทเรียนต่อ playbook ของคุณ
เทคนิคที่ล้มเหลวมีจุดร่วมเดียว: มัน optimize สัญญาณผิวเผินที่ index แบบจับคีย์เวิร์ดให้รางวัล ไม่ใช่ความมีประโยชน์เชิงความหมายที่ language model ให้รางวัล บทเรียนที่เอาไปใช้ได้ทันที:
- เลิกนับ keyword density เกินการใช้ตามธรรมชาติ — การซ้ำคำไม่เพิ่มค่า citation เลย ซ้ำร้ายอาจทำ fluency แย่ลง ซึ่งงานวิจัยชี้ว่ามีผล
- ทุ่มเวลา editing ไปที่หลักฐาน: 1 ชั่วโมงที่ใช้เติมสถิติจริงหรือชื่อแหล่งข้อมูล ชนะ 1 ชั่วโมงที่ใช้สลับคำพ้องเสมอ
- อย่าสับสนศัพท์เทคนิคกับความเชี่ยวชาญ: การใส่ technical terms อย่างเดียวได้คะแนนต่ำ สิ่งที่อ่านแล้วดูเป็นผู้เชี่ยวชาญคือความเจาะจง — ตัวเลข ชื่อ entity แหล่งอ้างอิง
วิธีทำ GEO: Playbook 7 ขั้นตอนสำหรับปี 2026
วิธีทำ GEO ประกอบด้วย 7 ขั้นตอน: ตรวจสอบ AI-answer visibility ปัจจุบัน, สร้าง prompt panel จากคำถามผู้ซื้อ, ปรับหน้าเว็บเป็นบล็อก answer-first, เติมสถิติและแหล่งอ้างอิง, เสริมสัญญาณ entity ด้วย schema markup, เปิดทางให้ AI crawler เข้าถึงเว็บ และวัด citation share ซ้ำทุกเดือน
ขั้น 1–2: ตรวจ visibility และสร้าง prompt panel 20–50 คำถาม
- ตรวจ AI-answer visibility ปัจจุบัน ถาม ChatGPT, Perplexity และ Google AI Overviews ด้วย 10 คำถามที่ลูกค้าถามจริง แล้วบันทึกว่าโดเมนไหนถูกอ้างบ้าง — รวมคู่แข่งด้วย baseline นี้คือตัวตั้งของทุกผลลัพธ์หลังจากนี้
- สร้าง prompt panel คงที่ 20–50 คำถาม ดึงจาก sales call, People Also Ask และ ticket ฝ่ายซัพพอร์ต แล้วล็อกลิสต์ไว้ — คุณจะรัน panel เดิมเป๊ะทุกเดือน ความสม่ำเสมอสำคัญกว่าความครีเอทีฟ บันทึกลง sheet ง่าย ๆ: engine, คำค้น, โดเมนที่ถูกอ้าง, วันที่
ขั้น 3–4: เขียนใหม่ให้สกัดง่าย — answer seed, สถิติ, คำพูดอ้างอิง, แหล่งอ้างอิง
- ปรับหน้าเว็บเป็นบล็อก answer-first ใต้ทุกหัวข้อรูปคำถาม เปิดด้วยคำตอบตรง จบในตัวเอง ยาว 40–60 คำ พร้อมระบุชื่อสิ่งที่พูดถึงชัด ๆ ความยาวนี้ "ยกไปอ้างได้พอดี" — สั้นพอให้ AI ยกทั้งก้อน ยาวพอให้ครบความ
- เติม 3 เทคนิคผู้ชนะจากงานวิจัย GEO ใส่สถิติ คำพูดอ้างอิง และแหล่งอ้างอิงลงในหน้าสำคัญ — กลุ่มเทคนิคที่ให้ผล ~30–40% ใน Aggarwal et al. (2023) จำง่าย ๆ: ตัวเลขจริง 1 ตัวพร้อมแหล่งที่มา ชนะคำคุณศัพท์ 3 คำเสมอ
ขั้น 5–6: สัญญาณ entity และเทคนิค — schema, E-E-A-T, การเข้าถึงของ AI crawler
- เสริมสัญญาณ entity ใส่ schema Organization, Article, FAQPage เรียกแบรนด์และคอนเซปต์หลักด้วยชื่อเดียวสม่ำเสมอ และมีประโยคนิยามรูป "X คือ Y" พร้อมโชว์ E-E-A-T: ชื่อผู้เขียน คุณวุฒิ ประสบการณ์ตรง ข้อดี-ข้อเสียแบบตรงไปตรงมา
- เปิดประตูให้ AI crawler อนุญาต GPTBot, PerplexityBot และ Google-Extended ใน robots.txt — บล็อกเมื่อไหร่ คุณหายจากทั้ง retrieval และ training data พิจารณาเพิ่มไฟล์ llms.txt เป็นประกันต้นทุนต่ำ และแก้ orphan page ให้ crawler เข้าถึงเนื้อหาดีที่สุดของคุณได้จริง
ขั้น 7: วัด citation share และวนปรับรายเดือน
- รัน prompt panel เต็มชุดซ้ำทุกเดือนบนแต่ละ engine คำนวณว่ากี่ % ของคำตอบอ้างคุณเทียบกับคู่แข่ง แล้วเทียบกับ baseline ต้องเป็นรายเดือนเพราะคำตอบของ generative engine ไม่นิ่ง (non-deterministic) — รันครั้งเดียวพิสูจน์อะไรไม่ได้ แต่เทรนด์หลายรอบพิสูจน์ได้
เคล็ดลับ: ผูกทุกการแก้เนื้อหาเข้ากับคำถามเฉพาะกลุ่มใน panel แล้วตั้งเตือนเช็กเดือนถัดไป ทีมที่ผูกการแก้กับคำถามชัด ๆ จะบอกได้ว่าอะไรได้ผล ทีมที่แก้กว้าง ๆ ทดสอบกว้าง ๆ มักบอกไม่ได้ และถ้าหน้าของคุณยังไม่มีสื่อต้นฉบับ ลองสร้างวิดีโอ AI ต้นฉบับสำหรับคอนเทนต์ของคุณด้วย Imgenticควบไปในรอบอัปเดตเดียวกัน
GEO สำหรับภาพและวิดีโอ: ชั้น multimodal ที่ทุกคนมองข้าม
Multimodal GEO คือ การปรับภาพและวิดีโอให้ generative engines อ่าน แสดงผล และอ้างอิงได้ หัวใจคือ alt text เชิงข้อเท็จจริง, schema ImageObject/VideoObject, transcript ฉบับเต็ม และสื่อต้นฉบับแทนภาพ stock — เพราะปี 2026 engines ดึงสื่อที่ไม่ซ้ำใครเข้าคำตอบ AI มากขึ้น
Checklist: 8 ข้อทำภาพและวิดีโอให้ AI มองเห็น
- ตั้งชื่อไฟล์แบบบรรยายเนื้อหา (geo-tactics-visibility-chart-2026.png) เพราะ engine อ่านชื่อไฟล์ก่อนพิกเซล
- เขียน alt text เป็นข้อความข้อเท็จจริงที่ตรวจสอบได้ ไม่ใช่ชุดคีย์เวิร์ด — "กราฟแท่งแสดง cite sources, quotations, statistics เป็นเทคนิค GEO อันดับต้น" ชนะ "geo seo ai optimization"
- ใส่ schema ImageObject และ VideoObject ให้ engine ได้ metadata มีโครงสร้าง: ชื่อ คำอธิบาย ความยาว วันอัปโหลด thumbnail
- เผยแพร่ transcript ฉบับเต็มของทุกวิดีโอ เพราะ engine อ้างอิง "ข้อความ" — transcript เปลี่ยนวิดีโอ 5 นาทีเป็นข้อความหลายร้อยคำที่ยกไปอ้างได้
- วาง caption ใกล้ภาพที่สรุปข้อเท็จจริงหลักซึ่งภาพนั้นพิสูจน์ เป็น text anchor ให้สื่อ
- เลือกภาพต้นฉบับแทน stock — ภาพ stock ที่ใช้ซ้ำกันนับพันเว็บไม่มีข้อมูลเฉพาะให้ engine ผูกกลับมาหาคุณเลย
- ใส่ timestamp และ chapterในวิดีโอ ให้ engine ชี้เฉพาะช่วงที่ตอบคำถามได้
- โฮสต์สื่อบน URL ที่ crawl ได้ — ไฟล์ที่ซ่อนหลัง script หรือ CDN ที่บล็อกไว้ ต่อให้ดีแค่ไหนก็ล่องหนจาก retrieval
ทำไมภาพ-วิดีโอ AI ต้นฉบับชนะ stock ในเกม citation
สื่อต้นฉบับชนะ stock ด้วยเหตุผลเชิงโครงสร้างข้อเดียว: ความไม่ซ้ำใครบังคับให้ต้องอ้างที่มา ถ้าหน้าของคุณเป็นแหล่งเดียวของกราฟ วิดีโอเดโม หรือภาพประกอบชิ้นนั้น engine ที่ใช้มันต้องชี้กลับมาหาคุณ ภาพและวิดีโอต้นฉบับ — เช่นที่สร้างด้วยเครื่องมืออย่าง Imgentic — คือ asset ประเภทนี้ และการใช้ text-to-image สร้างภาพต้นฉบับที่ AI อ้างอิงได้ ถูกกว่าถ่ายภาพ custom หลายเท่า
พูดตรง ๆ ถึงข้อแลกเปลี่ยน: สื่อต้นฉบับใช้แรงมากกว่าลากภาพ stock มาวาง และผลลัพธ์เชิง GEO วัดแยกยากกว่าการแก้ข้อความ ให้มองเป็น asset สะสมสำหรับหน้าสำคัญที่สุด ไม่ใช่ข้อบังคับทุกโพสต์
Mini case: ใช้หลัก GEO กับหน้า text-to-video platform
ตัวอย่างการใช้จริง: หยิบหน้าที่แข่งคำค้นอย่าง "best text-to-video platform" มาใช้เทคนิคอันดับต้นจากงานวิจัย — เปิดด้วยคำตอบเชิงนิยาม 40–60 คำ เติมสถิติที่ระบุที่มาเรื่องความละเอ