โค้ดออกเร็ว แต่คอขวดขยับไปอยู่หลังการเขียน
AI เขียนโค้ดคือการใช้ระบบปัญญาประดิษฐ์สร้างหรือปรับแก้คำสั่งของซอฟต์แวร์จากโจทย์ที่คนกำหนด ช่วยลดเวลาลงมือเขียน แต่ไม่ได้ทำให้การตรวจสอบ ทำความเข้าใจ และดูแลระบบที่เกิดขึ้นตามมาหายไป
ที่ผ่านมา วงการพัฒนาซอฟต์แวร์มักมองว่าการเขียนโค้ดเป็นคอขวดหลัก เมื่อเครื่องมือเขียนโค้ดที่ใช้ AI สร้างงานได้ในเวลาไม่กี่นาที ข้อจำกัดจึงย้ายไปยังช่วงที่วิศวกรซอฟต์แวร์ต้องตรวจว่าโค้ดทำอะไร เชื่อมกับระบบเดิมอย่างไร และจะแก้ตรงไหนเมื่อเกิดปัญหา ยิ่งโค้ดเพิ่มเร็ว งานทำความเข้าใจก็ยิ่งตามทันได้ยาก
ผลกระทบไม่ได้หยุดอยู่ที่หน้าจอของทีมพัฒนา หากข้อผิดพลาดหลุดขึ้นระบบจริงโดยหาต้นตอไม่พบ ผู้ใช้ก็อาจเจอข้อมูลผิด บริการขัดข้อง หรือระบบที่เชื่อถือได้น้อยลง ในงานสำคัญ ความผิดพลาดเพียงจุดเดียวก็สร้างผลกระทบวงกว้างได้ การวัดความเร็วจากจำนวนบรรทัดที่ผลิตจึงไม่ใช่คำตอบของผลิตภาพ

สร้างโค้ดได้มากขึ้น ไม่ได้แปลว่าดูแลง่ายขึ้น
เมื่อโค้ดจาก AI สะสม การทำงานซ้ำและการเปลี่ยนแปลงหลายชั้นอาจทับกันจนโครงสร้างยุ่งเหยิง วิศวกรต้องไล่หาว่าแต่ละส่วนทำอะไรและส่วนใดเป็นต้นเหตุของข้อผิดพลาด ภาระนี้ยิ่งหนักในระบบขนาดใหญ่ที่มีความเชื่อมโยงซับซ้อน เพราะการอ่านโค้ดเพียงอย่างเดียวอาจไม่พอจะอธิบายพฤติกรรมที่เกิดขึ้นจริง
มีรายงานว่า 79% ของผู้นำฝ่ายวิศวกรรมระบุว่ารอบการปล่อยซอฟต์แวร์ไม่ได้เร็วขึ้น แม้เขียนโค้ดได้ง่ายกว่าเดิม ตัวเลขนี้สะท้อนจุดที่มักถูกมองข้าม คือเวลาที่ประหยัดจากการสร้างโค้ดอาจถูกใช้คืนไปกับการตรวจทาน แก้บั๊ก และสืบหาสาเหตุเมื่อระบบทำงานผิดปกติ
โจทย์จึงไม่ใช่เร่งให้ AI ผลิตโค้ดเพิ่ม แต่ต้องช่วยทีมเข้าใจสิ่งที่สร้างขึ้นและแก้ปัญหาได้เร็วด้วย หากนำ AI ไปช่วยเฉพาะช่วงเขียนโค้ด ผลิตภาพที่เห็นอาจเป็นเพียงการเลื่อนงานค้างไปยังช่วงตรวจสอบและบำรุงรักษา

แนวทางของ Amazon ชี้วัดคุณค่าที่ลูกค้าได้รับ
ความเปลี่ยนแปลงนี้ทำให้ Amazon ปรับแนวทางการทำงานด้านวิศวกรรม โดยเน้นประเมินทีมจากผลลัพธ์มากกว่าปัจจัยนำเข้าอย่างจำนวนบรรทัดโค้ดหรือปริมาณการใช้ AI มาร์ก บรูเกอร์ ผู้บริหารและวิศวกรดีเด่นของ AWS ระบุว่าการใช้ AI ไม่ได้เป็นตัวชี้วัดการประเมินผลงานหรือเลื่อนตำแหน่งโดยตรง แต่มีความสำคัญเมื่อช่วยให้พนักงานทำผลงานได้ดีขึ้น
ตัวอย่างหนึ่งคือ Velocity Labs ทีมใน AWS ที่มีสมาชิกประมาณ 35 คน โดยส่วนใหญ่อยู่ในซีแอตเทิล ทีมนี้พัฒนาโมเดล AI แบบเปิดให้ใช้งานจากแนวคิดจนเผยแพร่สู่สาธารณะได้ภายในเวลาไม่ถึงหนึ่งสัปดาห์ ความเร็วเช่นนี้มีประโยชน์ต่อการทดลอง แต่ไม่ได้หมายความว่าความเร็วจะกลายเป็นมาตรวัดคุณค่าต่อลูกค้าได้โดยอัตโนมัติ
Amazon ตั้งเป้าให้วิศวกรกว่า 80% ใช้ AI ทุกสัปดาห์ แต่เป้าหมายการใช้งานก็ยังไม่เท่ากับผลลัพธ์ที่ผู้ใช้ได้รับ สิ่งที่ควรถามคือระบบที่ส่งมอบทำงานได้เสถียร ปลอดภัย และดูแลต่อได้หรือไม่ ไม่ใช่ทีมเปิดใช้เครื่องมือมากเพียงใด

ความเร็วต้องมาพร้อมความรับผิดชอบต่อระบบ
AI ช่วยให้ทีมเล็กทดลองแนวคิดและทำต้นแบบได้มากขึ้น แต่การเขียนโค้ดให้เสร็จเร็วไม่เท่ากับการสร้างระบบที่เชื่อถือได้ การพัฒนาซอฟต์แวร์ยังต้องอาศัยคนที่กำหนดปัญหา ตรวจสอบผลลัพธ์ และใช้วิจารณญาณว่าโค้ดที่สร้างขึ้นเหมาะกับผู้ใช้และระบบรอบข้างหรือไม่
ในระยะต่อไป ประโยชน์ของ AI จะขึ้นอยู่กับการนำไปช่วยตลอดวงจรงาน ไม่ใช่เฉพาะตอนสร้างโค้ด ตั้งแต่การทำความเข้าใจระบบเดิม การทดสอบ การหาสาเหตุของบั๊ก ไปจนถึงการดูแลหลังปล่อยใช้งาน บรูเกอร์คาดว่า Amazon จะตั้งทีมลักษณะคล้าย Velocity Labs เพิ่ม แต่ไม่ขยายรูปแบบนี้ไปทั่วทั้งบริษัท
ข้อสรุปชัดเจนคือ AI ทำให้เขียนโค้ดได้เร็วขึ้น แต่ไม่ได้ทำให้ซอฟต์แวร์เรียบง่ายขึ้นหรือสร้างคุณค่าได้เอง ทีมที่ได้ประโยชน์จริงต้องรักษาความสามารถในการเข้าใจ ตรวจสอบ และบำรุงรักษาสิ่งที่สร้างขึ้น เพราะความเร็วในการผลิตจะมีความหมายก็ต่อเมื่อระบบยังใช้งานได้อย่างปลอดภัยและต่อเนื่อง






