จากผู้ช่วยเขียนโค้ด สู่ผู้ลงมือสร้างระบบ
เอเจนต์เขียนโค้ดด้วย AI คือซอฟต์แวร์ที่รับงานพัฒนาตั้งแต่ตรวจปัญหาและแก้โค้ด ไปจนถึงทดสอบและส่งงาน โดยทำงานต่อเนื่องได้โดยไม่ต้องรอคำสั่งจากมนุษย์ทุกขั้นตอน
สิ่งที่เกิดขึ้นในทีมแพลตฟอร์มของ Anthropic ชี้ว่าการเปลี่ยนแปลงนี้ไม่ได้อยู่แค่ในห้องทดลองอีกต่อไป เคตลิน เลสส์ หัวหน้าทีมวิศวกรรมแพลตฟอร์ม ซึ่งมีสมาชิก 200 คนในช่วงฤดูร้อน ระบุในงานด้านการสังเกตการณ์ระบบว่าโค้ดของทีมเขียนโดย Claude ทั้งหมด ส่วนมนุษย์ยังออกแบบระบบและวิธีตรวจสอบ ก่อนมอบการลงมือเขียนให้ AI นี่ไม่ใช่การหายไปของวิศวกร แต่เป็นการย้ายจุดทำงานจากการพิมพ์โค้ดไปสู่การกำหนดโจทย์และพิสูจน์ผลลัพธ์
ทีมยังปล่อยเอเจนต์ให้แก้การทดสอบได้เองโดยไม่ต้องมีคนคอยสั่งทุกครั้ง และกำลังพิจารณาขยับไปให้เอเจนต์แก้โค้ดจริงโดยอัตโนมัติด้วย มุมนี้ทำให้คำว่า Claude Code ประสิทธิภาพมีความหมายมากกว่าความเร็วในการพิมพ์ เพราะสิ่งที่ต้องวัดคือโค้ดที่ผ่านการตรวจสอบและนำไปใช้ได้ อย่างไรก็ตาม เมื่อคนไม่ได้ลงมือเขียนทุกบรรทัด การออกแบบเกณฑ์ตรวจและรับผิดชอบผลเสียยิ่งกลายเป็นงานหลัก
เอเจนต์หลายตัวช่วยงานวิศวกรรมได้เป็นพันชิ้น
ตัวอย่างจากลอเรน ตัน วิศวกรที่ทำงานกับ SpaceX/xAI แสดงให้เห็นว่าการเขียนโค้ดด้วย AI อาจเปลี่ยนจากผู้ช่วยรายบุคคลเป็นระบบทำงานทั้งสาย เธอเริ่มสนใจระบบอัตโนมัติจากการเขียน VBA ใน Excel ระหว่างเรียนการเงิน ก่อนพัฒนาประสบการณ์ด้านซอฟต์แวร์และมองหาวิธีลดเวลาตามแก้บั๊กจำนวนมากที่พบระหว่างทำงานกับ Cursor
ระบบที่เธอสร้างประสานเอเจนต์ AI เพื่อนักพัฒนามากกว่า 20 ตัว ให้แบ่งหน้าที่ตรวจปัญหา แก้โค้ด เปิดและรันแอป อ่านสถานะ ตรวจการแสดงผล ทดสอบขั้นตอนใช้งาน แล้วส่ง Pull Request เพื่อรวมโค้ด โดยไม่ต้องรอคนสั่งทีละงาน ผลผลิตอยู่ที่ 2,000–2,500 Pull Request ต่อเดือน ตัวเลขนี้น่าประทับใจ แต่จำนวนงานไม่ใช่หลักประกันคุณภาพ ระบบต้องมีการทดสอบที่จับข้อผิดพลาดได้จริง และทีมต้องเชื่อมั่นในผลของเอเจนต์ก่อนเพิ่มจำนวนงานอัตโนมัติ
AI ฟื้นแอปบนทีวีเก่า แต่ยังต้องมีคนตรวจ
ประโยชน์ของ AI ไม่ได้จำกัดอยู่กับการสร้างผลิตภัณฑ์ใหม่ ตัวอย่างหนึ่งคือแอป Plex บนทีวี LG ปี 2019 ที่ใช้ webOS ซึ่งช้าลงเพราะแอปทำงานผ่าน Chromium และต้องผ่านชั้นประมวลผลหลายระดับ จนซีพียูรุ่นเก่ารับภาระหนัก นักพัฒนาจึงใช้ Claude Code ช่วยอ่านโครงสร้างโปรแกรม ค้นหาการเรียกใช้ระบบ และวิเคราะห์ความเชื่อมโยงของโค้ดเครื่อง ก่อนสร้างแอปเนทีฟ PlxNative
เวลาหน้าเลือกโปรไฟล์ลดจากประมาณ 30 วินาทีเหลือ 3 วินาที ส่วนการเข้าหน้าหลักลดจากประมาณ 60 วินาทีเหลือ 4 วินาที นี่คือผลลัพธ์ที่ผู้ใช้สัมผัสได้ โดยไม่ต้องเปลี่ยนทีวี แต่โครงการรองรับ webOS 4.0 ขึ้นไปและแก้ได้เฉพาะแอปนี้ ผู้ใช้ติดตั้งผ่านโหมดนักพัฒนาของ LG หรือร้านแอป Homebrew ได้โดยไม่ต้องรูทระบบ แต่ยังต้องมีความรู้ทางเทคนิค
บทบาทของ Claude ในงานนี้คือผู้ช่วยให้เห็นแนวทาง ไม่ใช่ผู้รับรองความถูกต้อง นักพัฒนาต้องตรวจสมมติฐานกับโค้ดที่คอมไพล์แล้วและทดสอบบนอุปกรณ์จริง จุดนี้เตือนว่า AI โปรแกรมเมอร์อัตโนมัติทำให้การแก้ระบบเก่าที่ไม่มีเอกสารเป็นไปได้มากขึ้น แต่ความเร็วจะมีค่าเมื่อมีคนตรวจว่าโค้ดทำงานได้ตามที่ตั้งใจ
เมื่อโค้ดเร็วกว่าเครื่องมือที่รองรับ
เมื่อเอเจนต์สร้างโค้ดถี่ขึ้น คอขวดกลับย้ายจากการเขียนไปอยู่ที่การควบคุมเวอร์ชัน การสร้างซอฟต์แวร์ และระบบ CI/CD ของ AI Anthropic รายงานว่าการเปลี่ยนโค้ดที่รวมเข้าสู่ระบบเพิ่มจากเฉลี่ยวันละราว 2,500 ครั้งในเดือนพฤษภาคม 2026 เป็นมากกว่า 30,000 ครั้งในเดือนกันยายน ขณะที่ระบบ CI ทำการดึงโค้ดประมาณ 25 ล้านครั้งต่อวัน ประวัติสาขาหลักของคลังโค้ดมีขนาดเกือบ 100 กิกะไบต์ และสำเนาทำงานที่บีบอัดแล้วยังเกิน 25 กิกะไบต์
บริษัทจึงพัฒนา Scion เพื่อรองรับคลังโค้ดขนาดใหญ่และงานที่พึ่งพา AI โดยเฉพาะ ทีม 7 คนสร้างแพลตฟอร์มนี้เสร็จภายใน 5 เดือน โดย Claude มีส่วนช่วยในโครงการ บริษัทระบุว่า Scion ใช้หน่วยประมวลผลและหน่วยความจำราวหนึ่งในสองร้อยของโครงสร้างพื้นฐาน Git เดิม ลดเวลาการดึงโค้ดในสภาพแวดล้อม CI จากหลายนาทีเหลือไม่กี่วินาที และประหยัดทรัพยากรประมวลผล CI ได้ราว 25%
Scion ไม่ได้มีเป้าหมายแทน Git สำหรับทุกทีม เพราะโครงการซอฟต์แวร์ส่วนใหญ่ยังเหมาะกับ Git มากกว่า แต่ทิศทางนี้ชัดเจน: เมื่อเอเจนต์ทำงานได้มากขึ้น โครงสร้างพื้นฐานต้องตามให้ทัน เช่นเดียวกับการตรวจสอบที่ต้องเข้มพอจะไม่ปล่อยให้ความเร็วกลายเป็นหนี้ทางเทคนิค
