แอปใช้ฟรีจริงหรือ?
เมื่อสิ่งที่เราจ่าย
อาจไม่ใช่เงิน
โหลดฟรี สมัครฟรี ดูฟรี ฟังฟรี ใช้แผนที่ฟรี เก็บรูปฟรี คุยกับเพื่อนฟรี ฟังดูเหมือน เศรษฐกิจดิจิทัล มอบของให้เรามากมาย โดยไม่คิดราคา แต่บริษัทเหล่านั้น มีพนักงาน server data center นักพัฒนา AI และค่าใช้จ่ายมหาศาล ถ้าเราไม่ได้เป็นคนจ่ายเงิน — ใครกำลังจ่าย? และเขาจ่ายเพื่ออะไร?
คำว่า Free ในโลกดิจิทัล ไม่ได้หมายความว่า ไม่มีเศรษฐศาสตร์อยู่เบื้องหลัง บางบริการหาเงินจาก subscription บางบริการขายสินค้า บางบริการเก็บ commission บางบริการขายโฆษณา และบางบริการ สามารถเพิ่มมูลค่าทางธุรกิจ จากข้อมูลเกี่ยวกับ สิ่งที่ผู้ใช้ ดู ค้นหา ซื้อ หยุดอ่าน กด เลื่อนผ่าน หรือกลับมาดูอีกครั้ง ดังนั้นคำถามที่แม่นกว่า “แอปนี้ฟรีไหม?” คือ “Business model ของมันคืออะไร — และข้อมูลหรือความสนใจของฉัน มีบทบาทตรงไหนในโมเดลนั้น?”
ลองเปิดแอปสมมติหนึ่งตัว
คุณโหลดแอปฟรี สำหรับดูคลิปสั้น
ไม่ได้กรอก เงินเดือน
ไม่ได้บอกว่า ชอบการเมืองแบบไหน
ไม่ได้บอกว่า กำลังคิดจะซื้อรถ
แต่คุณใช้มัน สามเดือน
ระบบเห็นว่า
คุณหยุดดู วิดีโอรถ EV นานกว่าวิดีโออื่น
ค้นหาร้านกาแฟ ในเมืองหนึ่งบ่อย
เปิดแอปเกือบทุกคืน หลังสี่ทุ่ม
มักข้ามโฆษณาเสื้อผ้า
แต่คลิกโฆษณา อุปกรณ์คอมพิวเตอร์
และใช้โทรศัพท์ จากสถานที่หนึ่ง ในวันทำงาน กับอีกสถานที่หนึ่ง ตอนกลางคืน
คุณอาจไม่เคย “บอก” ระบบตรง ๆ ว่าคุณเป็นใคร
แต่พฤติกรรม สามารถช่วยให้ระบบ อนุมาน สิ่งต่าง ๆ เกี่ยวกับคุณได้
“ข้อมูลส่วนตัว” มีมากกว่าชื่อกับเลขบัตร
เวลาพูดถึง personal data หลายคนนึกถึง
ชื่อ
ที่อยู่
เบอร์โทรศัพท์
เลขประจำตัว
แต่โลกดิจิทัล สร้างข้อมูลอีกหลายชั้น
Location
ตำแหน่ง เส้นทาง สถานที่ที่ไปบ่อย และเวลาที่อยู่แต่ละแห่ง
Browsing
สิ่งที่ค้น หน้าเว็บที่เปิด ระยะเวลาที่อยู่ และลำดับการคลิก
Purchasing
สิ่งที่ซื้อ สิ่งที่ดู สิ่งที่ใส่ตะกร้า และสิ่งที่เปลี่ยนใจไม่ซื้อ
Device Data
ชนิดอุปกรณ์ ระบบปฏิบัติการ ตัวระบุอุปกรณ์ และข้อมูลทางเทคนิค
Social Signals
ใครติดตามใคร ใครสื่อสารกับใคร และเนื้อหาประเภทใดดึงดูดความสนใจ
Inferred Data
ข้อสรุปที่ระบบสร้างขึ้น จากพฤติกรรม แม้ผู้ใช้ไม่เคยบอกตรง ๆ
+1 แรก : ข้อมูลที่เรา “ไม่ได้บอก” อาจมีค่ากว่าข้อมูลที่เราบอกเอง
สมมติแบบฟอร์มถามว่า
“คุณสนใจสุขภาพไหม?”
เราอาจตอบว่า “นิดหน่อย”
แต่ถ้าประวัติจริงแสดงว่า
ค้นอาการหนึ่งบ่อย
เข้าเว็บโรงพยาบาล
ดูคลิปสุขภาพบางชนิด
ไปสถานพยาบาลแห่งหนึ่ง
และซื้อสินค้าประเภทหนึ่ง
ข้อมูลพฤติกรรม อาจช่วยสร้าง inference ที่ละเอียดกว่า คำตอบในแบบสอบถาม
แต่เรามอบ ร่องรอยที่ใช้สร้างคำตอบ
แล้วบริษัทเอาข้อมูลไปทำอะไร?
ไม่ได้มีคำตอบเดียว
ข้อมูลสามารถถูกใช้เพื่อ
Personalisation
เลือกเพลง วิดีโอ โพสต์ หรือสินค้าที่น่าจะตรงใจ
Advertising
เลือกว่าจะให้ผู้ใช้ เห็นโฆษณาประเภทใด
Analytics
ดูว่าผู้ใช้ตอบสนอง ต่อ feature หรือ campaign อย่างไร
Security
ตรวจความผิดปกติ การฉ้อโกง หรือการเข้าสู่ระบบที่น่าสงสัย
Product Development
ปรับปรุงระบบ จากรูปแบบการใช้งานจริง
Automated Systems / AI
ใช้ข้อมูลกับระบบแนะนำ วิเคราะห์ จัดอันดับ หรือโมเดลอัตโนมัติ ตามนโยบายของบริการนั้น
FTC พบอะไรจากบริษัทแพลตฟอร์มรายใหญ่?
ในปี 2024 Federal Trade Commission ของสหรัฐฯ เผยแพร่ staff report จากข้อมูลของบริษัท social media และ video streaming รายใหญ่หลายแห่ง
รายงานพบว่า บริษัทที่ศึกษา เก็บ ติดตาม และใช้ข้อมูลจำนวนมาก เกี่ยวกับทั้ง ผู้ใช้ และในบางกรณี ผู้ที่ไม่ได้เป็นผู้ใช้
ข้อมูลบางส่วน ยังมาจาก data brokers
FTC ระบุว่า business model ของบริษัทหลายแห่ง สร้างแรงจูงใจให้ รวบรวมข้อมูลจำนวนมาก เพื่อสร้างรายได้ โดยเฉพาะจาก targeted advertising
และข้อมูลเหล่านั้น ยังถูกนำไปใช้ กับ algorithms, analytics และ automated systems รวมถึง AI ในรูปแบบต่าง ๆ
แต่นี่ไม่ได้หมายความว่า “ทุกแอปฟรีขายข้อมูลของคุณ”
ข้อสรุปแบบนั้น กว้างเกินหลักฐาน
บริการดิจิทัล มี business model หลากหลาย
บางบริษัท ไม่ได้ขาย raw personal data ให้บุคคลภายนอกโดยตรง
แต่อาจใช้ข้อมูลภายใน เพื่อขาย targeted advertising
บางบริษัท มี subscription
บางบริษัท หารายได้จาก commission
บางบริการ แทบไม่ใช้โฆษณาเลย
ดังนั้นก่อนกล่าวว่า “เขาขายข้อมูลเรา” ควรตรวจ privacy policy business model และหลักฐานเฉพาะบริการ
+1 : “ขายข้อมูล” กับ “ขายการเข้าถึงคนประเภทหนึ่ง” ไม่เหมือนกัน
สมมติบริษัทโฆษณา ต้องการเข้าถึง
“คนอายุประมาณ 30–45 ที่สนใจรถไฟฟ้า และอาศัยในเมืองหนึ่ง”
แพลตฟอร์มอาจไม่ส่ง รายชื่อจริง ของคนเหล่านั้น ให้ผู้ลงโฆษณา
แต่ระบบสามารถ เลือกแสดงโฆษณา แก่กลุ่มนั้น แทน
ดังนั้นคำว่า data economy ไม่ได้หมายถึง การขาย spreadsheet รายชื่อประชาชน เพียงอย่างเดียว
ข้อมูลสามารถสร้างมูลค่า ผ่าน prediction + targeting ได้ด้วย
โฆษณารู้ได้อย่างไรว่าเราเพิ่งสนใจอะไร?
ecosystem ของ online advertising ประกอบด้วยผู้เล่นหลายประเภท
เช่น
เว็บไซต์และแอป
advertising platforms
advertisers
measurement firms
analytics providers
data intermediaries
data brokers ในบางตลาด
เทคโนโลยีอย่าง cookies, pixels, SDKs และ identifiers สามารถช่วย เชื่อมกิจกรรม ระหว่าง session อุปกรณ์ หรือบริการ ภายใต้เงื่อนไขต่าง ๆ
รายละเอียดขึ้นอยู่กับ browser operating system privacy settings และกฎหมายของแต่ละประเทศ
Data Broker คือใคร?
โดยทั่วไป data broker คือธุรกิจ ที่รวบรวม ซื้อ จัดหมวดหมู่ เชื่อมโยง วิเคราะห์ หรือจำหน่ายข้อมูล เกี่ยวกับบุคคล จากแหล่งต่าง ๆ
ผู้บริโภค อาจไม่เคยเปิดบัญชี กับบริษัทเหล่านี้โดยตรง
แต่ข้อมูลสามารถ เดินทางผ่าน ecosystem จนมาถึง ผู้รวบรวมหรือผู้วิเคราะห์ รายอื่นได้
คุณอาจมี “ความสัมพันธ์ด้านข้อมูล” กับบริษัท ที่คุณไม่เคยรู้จักชื่อมาก่อน
กรณี Location Data ทำไมถึงสำคัญมาก?
ตำแหน่งไม่ได้บอกเพียงว่า เราอยู่ที่ไหน
เมื่อมีข้อมูลเป็นชุดตามเวลา มันสามารถเผย pattern of life
ได้
วันทำงาน → อีกสถานที่หนึ่งซ้ำ
ทุกวันอาทิตย์ → อีกสถานที่หนึ่ง
FTC ระบุในคดี หลายกรณีระหว่างปี 2024–2026 ว่าข้อมูลตำแหน่งละเอียด สามารถใช้ติดตาม การไป
สถานพยาบาล
สถานที่ประกอบศาสนกิจ
ศูนย์ช่วยเหลือความรุนแรงในครอบครัว
กิจกรรมทางการเมืองหรือสังคมบางประเภท
สถานที่ละเอียดอ่อนอื่น ๆ
ซึ่งทำให้ location data สามารถกลายเป็น ข้อมูลเกี่ยวกับ ชีวิตส่วนตัว ได้อย่างรวดเร็ว
+1 ใหญ่ : Metadata สามารถเล่าเรื่องได้ แม้ไม่รู้ “เนื้อหา”
สมมติเราไม่รู้เลยว่า คนหนึ่งคุยโทรศัพท์เรื่องอะไร
แต่รู้ว่า
โทรหาใคร
เวลาไหน
นานเท่าไร
อยู่ที่ไหน
โทรบ่อยแค่ไหน
ข้อมูลเหล่านี้ ยังสามารถเผย structure ของพฤติกรรม ได้มาก
ในโลกของ smartphone ก็เช่นกัน
“เราพูดอะไร”
Metadata อาจบอกว่า
“เราใช้ชีวิตอย่างไร”
แล้วคำว่า “anonymous” ปลอดภัยเสมอไหม?
ไม่ควรสรุปเช่นนั้น
การลบชื่อ ไม่ได้ทำให้ ข้อมูลทุกชุด นิรนามอย่างสมบูรณ์ โดยอัตโนมัติ
โดยเฉพาะเมื่อข้อมูล มี
ตำแหน่งละเอียด
เวลา
เส้นทาง
พฤติกรรมซ้ำ
และตัวระบุอุปกรณ์
FTC เคยระบุ ในคดี location data ว่าข้อมูลที่บริษัทขาย สามารถเชื่อม mobile device เข้ากับสถานที่จริง และอาจนำไปสู่การระบุตัวบุคคล ในบางเงื่อนไข
ดังนั้น de-identification เป็นงานเทคนิค ไม่ใช่เพียง ลบช่อง “ชื่อ” ออกจากตาราง
ข้อมูลใช้กำหนดโฆษณา แล้ววันหนึ่งใช้กำหนดราคาได้ไหม?
นี่เป็นพื้นที่ ที่กำลังถูกตรวจสอบอย่างจริงจัง
FTC ในปี 2025 เผยแพร่ผลเบื้องต้น จากการศึกษาสิ่งที่เรียกว่า surveillance pricing
เอกสารที่หน่วยงานตรวจ แสดงว่า intermediaries บางราย มีเทคโนโลยีที่สามารถใช้
location
demographics
browsing patterns
shopping history
พฤติกรรมบนเว็บไซต์
สิ่งที่ทิ้งไว้ใน shopping cart
เป็น input เพื่อช่วยกำหนด ราคาหรือ promotion ที่กลุ่มหรือบุคคล อาจเห็น
อย่างไรก็ตาม FTC ระบุชัดว่า การศึกษาในขณะนั้น ยังเป็น initial findings และกำลังดำเนินต่อ
อย่าแปลว่า “ร้านออนไลน์ทุกแห่งให้ราคาคุณจากประวัติส่วนตัว”
หลักฐาน FTC แสดงว่า เทคโนโลยีและบริการ ลักษณะนี้มีอยู่ และถูกเสนอแก่ธุรกิจ
ไม่ได้พิสูจน์ว่า ผู้ค้าทุกราย ใช้ surveillance pricing กับลูกค้าทุกคน
การอ่านข่าวเทคโนโลยี จึงต้องแยก
capability
ออกจาก
confirmed deployment
เสมอ
+1 : ข้อมูลที่ใช้ “เดาว่าคุณอยากซื้ออะไร” สามารถใช้ “เดาว่าคุณยอมจ่ายเท่าไร” ได้ในทางเทคนิค
นี่คือเหตุผล ที่ data economy เชื่อมกับ economics โดยตรง
ข้อมูลสามารถช่วยบริษัท ประมาณ
ความสนใจ
ความเร่งด่วน
ความภักดีต่อแบรนด์
ความไวต่อราคา
และโอกาสซื้อ
ถ้า prediction แม่นขึ้น
บริษัทอาจใช้มัน เพื่อ
โฆษณา
ส่วนลด
product ranking
หรือกลยุทธ์ราคา
ภายใต้กฎหมายและนโยบายที่เกี่ยวข้อง
คำถามไม่ได้มีเพียง
“เขารู้อะไรเกี่ยวกับเรา?”
แต่คือ
“สิ่งที่เขารู้ เปลี่ยนวิธีที่ตลาดปฏิบัติต่อเราได้อย่างไร?”
ทำไมเรากดยอมรับ Cookie ง่ายจัง?
เพราะการตัดสินใจจริง ไม่ได้เกิดในห้องเรียนกฎหมาย
มันเกิดตอนเรา
อยากอ่านข่าว
รีบเข้าเว็บ
อยากดูคลิป
หรืออยากซื้อของให้เสร็จ
ผู้ใช้จึงมีแรงจูงใจ ให้กดปุ่มที่ เร็วที่สุด
OECD ศึกษา dark commercial patterns ซึ่งหมายถึงการออกแบบ interface ที่สามารถชักนำ หลอก บีบ หรือผลักผู้บริโภค ไปสู่การตัดสินใจ ที่อาจไม่เป็นประโยชน์ต่อตัวเอง
เช่น
ปุ่ม Accept ใหญ่และเด่น
ปุ่ม Reject ซ่อนหลายชั้น
เลือกค่าไว้ล่วงหน้า
ทำให้ยกเลิกยาก
บังคับเปิดเผยข้อมูลเกินจำเป็น
สร้างความเร่งด่วนที่ทำให้ตัดสินใจเร็ว
+1 : “Consent” ที่กฎหมายยอมรับ กับ “Choice Architecture” ที่คนพบจริง อาจไม่ใช่เรื่องเดียวกัน
ในทางทฤษฎี ผู้ใช้มีทางเลือก
Accept หรือ Reject
แต่ถ้า
Accept = 1 click
Reject = 7 clicks
เราควรถามว่า
interface กำลังเป็นกลางจริงหรือไม่?
นี่ทำให้ privacy ไม่ใช่แค่เรื่อง กฎหมาย
แต่เป็นเรื่อง behavioural design ด้วย
แล้วประเทศไทยมีกติกาเรื่องข้อมูลส่วนบุคคลไหม?
ประเทศไทยมี พระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคล หรือ PDPA
ระบบของสำนักงาน คณะกรรมการคุ้มครองข้อมูลส่วนบุคคล ยังจัดให้มีเครื่องมือเกี่ยวกับ
Consent Management
บันทึกกิจกรรมการประมวลผลข้อมูล
Data Breach Notification
Data Subject Access Requests
การบริหารสิทธิของเจ้าของข้อมูล
สำนักงาน PDPC ระบุผ่านแพลตฟอร์ม GPPC ว่าหน่วยงานทั้งภาครัฐและเอกชน มีการเก็บ รวบรวม และใช้ข้อมูลส่วนบุคคล เพิ่มขึ้นในเศรษฐกิจดิจิทัล และต้องทำควบคู่ไปกับ การรักษาสิทธิของเจ้าของข้อมูล
+1 สำหรับไทย : Privacy ไม่ได้แปลว่า “ห้ามใช้ข้อมูล”
ถ้าไม่ใช้ข้อมูลเลย
ธนาคารตรวจ fraud ยากขึ้น
โรงพยาบาลรักษาผู้ป่วย ยากขึ้น
ภาครัฐให้บริการ ยากขึ้น
AI และระบบดิจิทัลจำนวนมาก ก็ทำงานไม่ได้
โจทย์ที่แท้จริงจึงไม่ใช่
Data vs No Data
แต่คือ
คือใช้ข้อมูล เท่าที่จำเป็น เพื่อวัตถุประสงค์ที่ชัด อย่างปลอดภัย และเปิดพื้นที่ให้เจ้าของข้อมูล มีสิทธิตามกติกา
“ฉันไม่มีอะไรปิดบัง” จึงไม่ต้องสน privacy จริงหรือ?
Privacy ไม่ได้มีไว้ เฉพาะคนทำความผิด
ลองคิดถึง
รหัส ATM
ประวัติสุขภาพ
แชตส่วนตัว
ที่อยู่บ้าน
รายได้
สถานที่ที่ลูกเรียน
ประวัติการเดินทาง
เราอาจไม่ละอาย กับข้อมูลเหล่านี้เลย
แต่ยังไม่ต้องการ ให้คนทุกคน ใช้มันได้ เพื่อวัตถุประสงค์ทุกอย่าง
“ฉันมีความลับ”
มันแปลว่า
“บริบทต่างกัน ควรให้สิทธิการเข้าถึงข้อมูลต่างกัน”
ข้อมูลหนึ่งชิ้นไร้ค่า แต่หลายชิ้นรวมกันล่ะ?
นี่เป็นหลักสำคัญ ของ data analytics
สมมติรู้ว่า คุณซื้อกาแฟหนึ่งครั้ง
แทบไม่มีความหมาย
แต่ถ้ารู้
ซื้อเวลาไหน
สาขาไหน
สัปดาห์ละกี่ครั้ง
ใช้บัตรอะไร
ก่อนซื้อค้นอะไร
หลังซื้อไปที่ไหน
ข้อมูลเริ่มมีโครงสร้าง
+1 ใหญ่ : มูลค่าของข้อมูลจำนวนมากไม่ได้อยู่ที่อดีต แต่อยู่ที่ “ทำนายอนาคต”
บริษัทอาจไม่ได้สนใจ เพียงว่า คุณทำอะไรเมื่อวาน
แต่ว่า
คุณน่าจะทำอะไรพรุ่งนี้
จะซื้ออะไร?
จะคลิกอะไร?
จะดูอะไรต่อ?
จะเลิกใช้บริการไหม?
จะตอบสนองต่อส่วนลดหรือไม่?
นี่คือจุดที่ ข้อมูล เชื่อมกับ machine learning และ AI
AI tries to turn that story
into a prediction about the future.
แล้ว recommendation system มีแต่ด้านเสียหรือ?
ไม่เลย
มันสร้างประโยชน์จริง
ลด Information Overload
ช่วยเลือกจากเนื้อหา หรือสินค้านับล้านชิ้น
Discover
ทำให้พบเพลง หนัง บทความ หรือสินค้าที่ไม่เคยรู้จัก
Efficiency
ลดเวลาค้นหา และทำให้บริการตอบโจทย์ขึ้น
Accessibility
ช่วยจัดประสบการณ์ ให้เหมาะกับผู้ใช้บางกลุ่มได้
โจทย์จึงไม่ใช่ personalisation ดีหรือเลว?
แต่คือ
ข้อมูลอะไรถูกใช้?
ผู้ใช้รู้หรือไม่?
ควบคุมได้ไหม?
มีผลเสียอะไร?
และ objective ของ algorithm คืออะไร?
Objective ของ Algorithm สำคัญอย่างไร?
สมมติระบบมีหน้าที่ เลือกคลิปให้คุณ
ถ้า objective คือ
“ให้ผู้ใช้ได้รับความรู้ที่แม่นที่สุด”
ระบบหนึ่งจะเกิดขึ้น
ถ้า objective คือ
“ทำให้ผู้ใช้อยู่บนแพลตฟอร์มนานที่สุด”
อีกระบบหนึ่งอาจเกิดขึ้น
ถ้า objective คือ
“ทำให้ผู้ใช้ซื้อสินค้า”
ก็อาจได้อีกแบบ
“คุณชอบอะไร?”
มันทำงานตามสิ่งที่ระบบถูกสั่งว่า
“อะไรคือความสำเร็จ?”
+1 : สิ่งที่หน้าจอเลือกให้เราเห็น คือเศรษฐศาสตร์ของความสนใจ
หนึ่งวันมี 24 ชั่วโมงเท่ากัน
แต่เนื้อหา มีมากเกินกว่า มนุษย์จะบริโภคหมด
ดังนั้น attention จึงเป็นทรัพยากรขาดแคลน
ธุรกิจจำนวนมาก จึงไม่ได้แข่งขันเพียง เพื่อเงินของเรา
แต่แข่งขันเพื่อ นาทีของเรา
เพราะเมื่อได้ attention
ก็สามารถนำไปสู่
โฆษณา
การซื้อ
ข้อมูลเพิ่ม
หรือ engagement เพิ่ม
“เวลาของเรา” จึงเป็นราคาชนิดหนึ่งได้หรือ?
ได้ในเชิงเศรษฐศาสตร์
สมมติแอปฟรี ทำให้เราใช้วันละ 40 นาที
หนึ่งปีประมาณ 243 ชั่วโมง
แม้จะไม่มี bill ส่งมาถึงบ้าน
สิ่งที่แลกเปลี่ยน อาจรวม
เวลา
attention
ข้อมูล
โอกาสเห็นโฆษณา
พฤติกรรมที่ใช้ปรับระบบ
นี่ไม่ได้หมายความว่า การใช้บริการนั้น ไม่คุ้ม
เราอาจได้ประโยชน์ มากกว่าสิ่งที่เสีย
แต่ช่วยให้คำว่า free แม่นขึ้น
+1 : คำถามที่ดีไม่ใช่ “ฟรีหรือไม่ฟรี?” แต่คือ “การแลกเปลี่ยนนี้คุ้มสำหรับฉันไหม?”
บริการหนึ่ง อาจให้
แผนที่ยอดเยี่ยม
การสื่อสารฟรี
พื้นที่เก็บข้อมูล
ความบันเทิง
เครื่องมือสร้างงาน
แลกกับ
ข้อมูลบางชนิด
โฆษณา
attention
หรือข้อจำกัดบางอย่าง
ผู้ใช้ที่รู้เท่าทัน ไม่จำเป็นต้อง หนีบริการดิจิทัลทั้งหมด
แต่ควรรู้ว่า ตนกำลังแลกอะไรกับอะไร
แล้วเราทำอะไรได้โดยไม่ต้องกลายเป็นคนหวาดระแวง?
Privacy Check — 10 นาที
-
ดู App Permissions
แอปใดเข้าถึง location, camera, microphone, contacts โดยไม่จำเป็น? -
ตรวจ Background Location
แอปที่ต้องใช้ตำแหน่ง จำเป็นต้องรู้ตลอดเวลาหรือ เฉพาะตอนใช้งาน? -
ดู Privacy Settings
มีตัวเลือกจำกัด personalised advertising หรือ tracking หรือไม่? -
ตรวจบัญชีเก่า
บริการที่ไม่ใช้แล้ว ยังจำเป็นต้องเก็บบัญชีไว้หรือไม่? -
ดูการแชร์ข้อมูล
อย่าอ่านเพียงคำว่า “เราให้ความสำคัญกับ privacy” แต่ดูว่าบริการระบุการใช้และการแบ่งปันอย่างไร -
คิดก่อนให้ Permission
เกมไฟฉายต้องใช้รายชื่อ contact จริงหรือ? -
แยก Necessary กับ Nice-to-have
ข้อมูลใดจำเป็นต่อบริการ และข้อมูลใดใช้เพื่อเสริมธุรกิจ? -
ตรวจสิทธิของเจ้าของข้อมูล
ในบริบทไทย ศึกษาสิทธิตาม PDPA และช่องทางของผู้ให้บริการ -
ดูเด็กและผู้สูงอายุในบ้าน
สองกลุ่มนี้อาจเข้าใจ consent interface และ dark patterns ได้ยากกว่า -
ทำใหม่เป็นระยะ
permissions และ settings เปลี่ยนได้เมื่ออัปเดต app หรือระบบ
ควรลบ Location Permission ทุกแอปไหม?
ไม่
แผนที่ ride-hailing delivery weather และบริการอื่น อาจต้องใช้ตำแหน่ง เพื่อทำหน้าที่จริง
หลักที่ดีกว่าคือ data minimisation
ไม่ใช่ “อย่าให้ข้อมูลเลย”
แต่คือ ให้เท่าที่จำเป็น ภายใต้บริบทที่เหมาะสม
เด็กควรรู้เรื่องนี้ตั้งแต่อายุเท่าไร?
ทันทีที่เริ่มใช้ device อย่างอิสระ
เด็กไม่จำเป็นต้อง เรียน PDPA เป็นมาตรา
แต่ควรรู้หลักง่าย ๆ:
แอปขอข้อมูลเพราะอะไร?
ใครเห็นรูปนี้ได้?
ตำแหน่งจำเป็นไหม?
โพสต์แล้วลบได้หมดจริงหรือ?
ทำไมโฆษณานี้ถึงมาหาเรา?
ทำไมแอปอยากให้เราอยู่ต่อ?
นี่คือ digital literacy ระดับโครงสร้าง
เหนือกว่าการสอนเพียง “อย่าให้รหัสผ่านคนแปลกหน้า”
+1 สำหรับการศึกษา : เด็กไม่ควรเรียนแค่ “ใช้แอปอย่างไร” แต่ควรเรียน “แอปใช้เราอย่างไร”
วิชาเทคโนโลยี มักสอนว่า
ค้นหาอย่างไร
ทำ slide อย่างไร
ใช้ AI อย่างไร
สร้าง video อย่างไร
แต่ควรมีอีกชั้น:
แพลตฟอร์มหาเงินอย่างไร?
algorithm optimize อะไร?
ข้อมูลเดินไปไหน?
ใครได้ประโยชน์จาก attention ของเรา?
ไม่ควรมีเพียง
“ฉันใช้เทคโนโลยีเป็นไหม?”
แต่ต้องมี
“ฉันเข้าใจหรือไม่ ว่าเทคโนโลยีกำลังทำอะไรกับฉัน?”
AI ทำให้เรื่องนี้เปลี่ยนไปอย่างไร?
AI สามารถทำให้ ข้อมูลจำนวนมหาศาล มีมูลค่ามากขึ้น
เพราะช่วยค้น pattern ที่มนุษย์ทำเองได้ยาก
FTC staff report ปี 2024 ระบุว่าข้อมูลของผู้ใช้ และผู้ที่ไม่ใช่ผู้ใช้บางส่วน ถูกป้อนเข้าสู่ automated systems รวมถึง algorithms, analytics และ AI ในบริษัทที่ศึกษา
ประเด็นสำคัญจึงไม่ใช่ AI อย่างเดียว
แต่คือ AI + Data + Objective
+1 ชั้นลึก : AI ที่ทรงพลังขึ้น ทำให้ “ข้อมูลธรรมดา” บางชนิดไม่ธรรมดาอีกต่อไป
แต่ก่อน data point เล็ก ๆ อาจดูไร้ประโยชน์
แต่เมื่อ
เก็บจำนวนมาก
เชื่อมกับข้อมูลอื่น
และวิเคราะห์ด้วยโมเดล
มันสามารถสร้าง inference ใหม่
นี่ทำให้ privacy risk ไม่ควรถูกประเมิน เพียงจาก ข้อมูลแต่ละช่องแยกกัน
แต่ต้องถามถึง combinations ด้วย
อาจไม่เปิดเผยเรามาก
แต่ข้อมูลหลายชิ้น
สามารถประกอบกัน จนกลายเป็นภาพของชีวิต
แล้วบริษัทควรรับผิดชอบอะไร?
การโยนภาระทั้งหมด ให้ผู้ใช้ ว่า
“ก็อ่าน Privacy Policy เองสิ”
ไม่เพียงพอ
เพราะ ecosystem ซับซ้อน และผู้ใช้ทั่วไป มีเวลาและความเชี่ยวชาญจำกัด
FTC แนะนำ ในรายงานปี 2024 ให้บริษัท
ลดการเก็บข้อมูลที่ไม่จำเป็น
มีนโยบาย retention ที่ชัด
จำกัดการแชร์ข้อมูล
ลบข้อมูลเมื่อหมดความจำเป็น
เพิ่ม user control
ระมัดระวังข้อมูลละเอียดอ่อน
ปรับปรุงความโปร่งใสของ automated systems
+1 : Privacy เป็นปัญหา “System Design” ไม่ใช่เพียง “User Discipline”
ถ้า interface ชักนำให้ consent
privacy policy ยาว 60 หน้า
ปุ่มปฏิเสธ ซ่อนห้าชั้น
และ default เปิด tracking ทั้งหมด
การบอกผู้ใช้ว่า “ต้องระวังให้มากกว่านี้” ไม่ใช่คำตอบทั้งหมด
ความเป็นส่วนตัว จึงต้องสร้างจาก architecture ด้วย
ถ้าให้ผู้ใช้จ่ายเงินแทนโฆษณา ปัญหาจบไหม?
ไม่จำเป็น
บริการแบบ subscription ก็อาจเก็บข้อมูล เพื่อ
security
personalisation
analytics
product improvement
เหมือนกัน
ดังนั้น จ่ายเงิน ≠ ไม่มีข้อมูลถูกเก็บ
และ ฟรี ≠ ข้อมูลต้องถูกขาย
business model ต้องตรวจเป็นรายบริการ
ลองมองรอบตัว: สำรวจโทรศัพท์ตัวเอง
Digital Data Walk
- เปิดหน้ารวม permissions
- นับว่า มีกี่แอปเข้าถึง location
- ดูว่า มีกี่แอปเข้าถึง microphone
- ถามว่า แต่ละ permission สัมพันธ์กับหน้าที่หลักของแอปจริงหรือไม่
- ดูแอปที่ไม่ได้ใช้เกินสามเดือน
- ตรวจการตั้งค่า personalised ads หรือ privacy controls ที่ระบบปฏิบัติการมีให้
- เข้าเว็บหนึ่งเว็บ แล้วสังเกต cookie banner ว่า Accept กับ Reject ง่ายเท่ากันหรือไม่
- ดูโฆษณาที่ปรากฏ แล้วถามว่า อะไรในพฤติกรรมของเรา อาจทำให้ระบบเลือกสิ่งนี้
จุดประสงค์ไม่ใช่ ให้ตกใจ
แต่เพื่อทำให้ เศรษฐกิจข้อมูลที่มองไม่เห็น เริ่มมองเห็นได้
+1 ชั้นสุดท้าย : ปัญหาใหญ่ที่สุดอาจไม่ใช่ “ข้อมูลถูกเก็บ” แต่คือ “ความไม่สมมาตรของความรู้”
แพลตฟอร์มหนึ่ง อาจรู้ว่า
เราดูอะไร
เมื่อไร
นานเท่าไร
คลิกอะไร
ซื้ออะไร
อยู่ที่ไหน
และน่าจะสนใจอะไรต่อ
แต่ผู้ใช้ อาจไม่รู้ด้วยซ้ำว่า
บริษัทเก็บอะไร
สร้าง inference อะไร
เก็บไว้นานแค่ไหน
ส่งต่อใคร
หรือ algorithm ใช้มันอย่างไร
นี่คือ information asymmetry
แต่เราแทบไม่รู้ว่า ฝ่ายนั้นกำลังทำอะไรกับความรู้นั้น
อำนาจในการแลกเปลี่ยน ย่อมไม่สมมาตร
ดังนั้น privacy จึงเชื่อมกับ power
ไม่ใช่เพียง ความลับ
สรุปบทเรียน
แอป “ฟรี” อาจฟรีในความหมายว่า ไม่ต้องจ่ายเงิน ณ จุดใช้งาน
แต่บริการดิจิทัล ยังต้องมี business model
บางแห่งหาเงินจากโฆษณา
บางแห่งจาก subscription
บางแห่งจาก commission
และหลายบริการ ใช้ข้อมูลผู้ใช้ เพื่อ personalisation, analytics, security, advertising หรือ automated systems
ข้อมูลสำคัญ ไม่ได้มีเพียง ชื่อและเบอร์โทร
location
clicks
searches
purchases
device data
และ behavioural patterns
สามารถรวมกัน เป็นภาพชีวิต และสร้าง prediction ได้
ดังนั้น คำถามที่มีประโยชน์ ไม่ใช่
“แอปใช้ฟรีจริงไหม?”
แต่คือ
“บริการนี้หาเงินอย่างไร — เก็บข้อมูลอะไร — ใช้เพื่ออะไร — ฉันควบคุมอะไรได้ — และการแลกเปลี่ยนนี้ คุ้มสำหรับฉันหรือไม่?”
เราไม่จำเป็นต้อง เลิกใช้โลกดิจิทัล
แต่ควรเปลี่ยนจาก ผู้ใช้ที่ไม่เห็นระบบ
เป็น ผู้ใช้ที่เข้าใจระบบมากขึ้น
เพราะในเศรษฐกิจข้อมูล เราไม่ได้เป็นเพียง คนที่กดหน้าจอ
เราเป็นทั้ง
ผู้ใช้บริการ
แหล่งข้อมูล
เจ้าของ attention
และผู้ที่ algorithm
กำลังพยายามทำความเข้าใจ
แหล่งข้อมูลสำหรับตรวจสอบและอ่านต่อ
- Federal Trade Commission, Staff Report on Social Media and Video Streaming Services, September 2024.
- Federal Trade Commission, FTC to Ban Kochava and Subsidiary from Selling Sensitive Location Data, May 2026.
- Federal Trade Commission, Final Order Prohibiting Gravy Analytics and Venntel from Selling Sensitive Location Data, January 2025.
- Federal Trade Commission, Surveillance Pricing Study — Initial Findings, January 2025.
- OECD, Online Advertising: Trends, Benefits and Risks for Consumers, 2019.
- OECD, Consumer Data and Competition: A New Balancing Act for Online Markets?, 2021.
- OECD, Dark Commercial Patterns — consumer policy resources.
- สำนักงานคณะกรรมการคุ้มครองข้อมูลส่วนบุคคล, Government Platform for PDPA Compliance (GPPC), ข้อมูลด้าน consent, data subject rights, breach notification และการบริหารข้อมูลส่วนบุคคล.
หมายเหตุทางวิชาการ: คำว่า “ถ้าบริการฟรี คุณคือสินค้า” เป็นคำเปรียบเทียบ ที่นิยมใช้ แต่ไม่แม่นพอสำหรับ เศรษฐกิจดิจิทัลทั้งหมด ผู้ใช้ไม่ได้เป็น “สินค้า” ในความหมายเดียวกัน ทุก business model บทความจึงใช้กรอบ exchange แทน: ผู้ใช้สามารถแลก เงิน attention ข้อมูล หรือโอกาสเห็นโฆษณา เพื่อรับบริการ
คำว่า targeted advertising ไม่ได้หมายความว่า ผู้ลงโฆษณา ต้องได้รับข้อมูลระบุตัวบุคคล ของผู้ใช้โดยตรง ระบบจำนวนมาก สามารถเลือก audience ภายในแพลตฟอร์ม โดยไม่ส่งรายชื่อจริง ให้ advertiser
คำว่า data broker มีนิยามทางกฎหมาย แตกต่างกันตามประเทศ และกฎหมาย บทความใช้คำ ในความหมายทั่วไป ของธุรกิจที่รวบรวม เชื่อมโยง วิเคราะห์ หรือจำหน่าย ข้อมูลเกี่ยวกับบุคคล จากหลายแหล่ง
กรณี FTC ที่กล่าวถึง เป็นการดำเนินการ ตามกฎหมายและข้อกล่าวหา ในสหรัฐอเมริกา ไม่ควรนำมาใช้ สรุปโดยตรงว่า ธุรกิจทุกแห่ง ในประเทศไทย มีพฤติกรรมแบบเดียวกัน
ผลการศึกษา surveillance pricing ของ FTC ที่บทความอ้างถึง เป็น initial staff findings จากการศึกษาตลาด จึงควรแยก ระหว่าง ความสามารถของเทคโนโลยี บริการที่บริษัทเสนอ และหลักฐานว่า ผู้ค้ารายหนึ่ง ใช้วิธีนั้นจริง
PDPA ของไทย กำหนดสิทธิ หน้าที่ ฐานการประมวลผล และข้อยกเว้น ในรายละเอียด คำอธิบายในบทความ เป็น civic/digital literacy เบื้องต้น ไม่ใช่คำปรึกษากฎหมาย สำหรับกรณีเฉพาะ
