จากยุคพิมพ์โค้ดสู่ยุคคิดกับโค้ด
AI เขียนโค้ดคือการใช้ระบบอัตโนมัติสร้างซอร์สโค้ดจากคำสั่งภาษามนุษย์หรือบริบทของโปรเจกต์ โดยย้ายภาระจากมนุษย์ที่ต้องลงมือพิมพ์ทุกบรรทัด ไปสู่บทบาทที่เน้นการออกแบบ สร้างสถาปัตยกรรม ตรวจสอบ และตัดสินว่าโค้ดที่ได้เหมาะสม ปลอดภัย และสอดคล้องกับเป้าหมายของระบบมากน้อยแค่ไหน การพัฒนาซอฟต์แวร์จึงไม่ใช่การแข่งขันว่าใครพิมพ์เร็ว แต่เป็นการแข่งขันว่าใครตัดสินใจได้แม่น วิเคราะห์ความเสี่ยงได้ขาด และจัดการความซับซ้อนได้ด้วยหัวคิดของตัวเอง
David Fowler วิศวกรระดับ Distinguished Engineer ของ Microsoft ระบุชัดว่ายุคของการนั่งเขียนโค้ดด้วยตัวเองได้จบลงแล้ว และหัวใจของการเปลี่ยนแปลงคือ GitHub Copilot ที่ขยับจากผู้ช่วยแนะนำโค้ดกลายเป็นเอเจนต์ที่ตั้งค่าพื้นที่ทำงาน ปรับโค้ด รันเทสต์ และเปิด Pull Request ให้วิศวกรเข้ามารีวิวได้ทันที นี่คือจุดเปลี่ยนที่หลายองค์กรยังประเมินต่ำ เพราะมอง AI แค่เป็นเครื่องมือประหยัดเวลา แต่ไม่ยอมรับว่ามันกำลังเขียนโครงสร้างระบบแทนมนุษย์
เมื่อการสร้างโค้ดกลายเป็นของถูกและแทบฟรี งานที่แพงขึ้นคือการเข้าใจสิ่งที่ถูกสร้าง การตรวจสอบความถูกต้อง และการรักษาสถาปัตยกรรมของระบบให้ยังมีเหตุมีผล การปล่อยให้ AI เขียนไปโดยไม่มีคนคิดตามจึงไม่ใช่การประหยัดต้นทุน แต่เป็นการจองปัญหาล่วงหน้าให้ทีมทั้งทีม
AI ทำให้เร็วขึ้นแต่ไม่ทำให้ดีขึ้น: เมื่อโค้ดกลายเป็นของล้นแต่ไร้คุณภาพ
ความเสี่ยงใหญ่ของยุค วิศวกรซอฟต์แวร์ AI คือการใช้ AI เพื่อหนีการคิด แทนที่จะใช้เพื่อช่วยคิด หลายคนกดปุ่ม generate อ่านผ่านๆ แล้วส่งต่อเหมือนงานเสร็จ ทั้งที่ยังไม่เข้าใจเลยว่าโค้ดนั้นทำอะไร งานวิจัยของ Microsoft Research ในเวที CHI 2025 ที่สำรวจการใช้ AI 936 เคสจากคนทำงานความรู้ 319 คน พบว่าคนที่ตรวจผลงาน AI น้อยที่สุดกลับเป็นคนที่เชื่อ AI มากที่สุด ในขณะที่คนที่มั่นใจในวิจารณญาณของตัวเองกลับตรวจละเอียดที่สุด นี่คือกับดักจิตวิทยาที่ทำให้คุณภาพโค้ด AI ถดถอยแบบเงียบๆ
การวิเคราะห์บทสนทนากับ AI จำนวน 1.4 ล้านครั้งชี้ว่ามีเพียงส่วนน้อยประมาณ 5 เปอร์เซ็นต์ที่ใช้ AI แล้วคุณภาพงานดีขึ้นจริง ที่เหลือส่วนมากคือ AI slop งานที่อ่านแล้วรู้เลยว่าไม่มีมนุษย์ตรวจทาน ข้อความสรุป Pull Request ยาวเป็นกิโลแต่ไม่บอกประเด็นสำคัญ ทำให้เวลา reviewer ถูกดึงไปใช้กับการเดาและถามซ้ำแทนที่จะใช้กับการจับประเด็นเสี่ยง ตามแหล่งข้อมูลเดียวกัน reviewer time ถูกขโมยไปอย่างต่อเนื่องเมื่อคำอธิบายและเอกสารต่างๆ กลายเป็นข้อความลื่นไหลแต่ไร้เนื้อหา
ผลคือเราไม่ได้สร้างระบบที่ดีขึ้น เราแค่สร้างระบบให้เสร็จเร็วขึ้น และเปลี่ยนภาระไปกองอยู่ที่ปลายทาง ใครที่ต้องอ่าน ตรวจสอบ หรือพึ่งพาโค้ดและเอกสารเหล่านี้ต้องเสียเวลามากกว่าเดิม แต่ไม่มีใครได้คุณภาพเพิ่มขึ้นเลย
เมื่อวิศวกรระดับกลางหายไป และวิศวกรที่คิดไม่เป็นกลายเป็นต้นทุน
บล็อกของ Florian Herrengt ที่ถูกถกเถียงยาวนานบนชุมชนสายเทคเสนอภาพกลไกที่น่ากังวล AI ไม่ได้ลดความอันตรายของวิศวกรที่ตัดสินใจผิด แต่มันทำให้คนเหล่านั้นเร็วขึ้น วิศวกรที่เขียนโค้ดผิดทิศ 10,000 บรรทัดก่อนมื้อเที่ยงสามารถทำความเสียหายได้มากกว่าสัปดาห์ละหนึ่งบั๊กขนาดเล็กหลายเท่า เพราะทุกบรรทัดคือภาระให้คนอื่นต้องมานั่งแก้และทำความเข้าใจภายหลัง
รายงานของ Faros AI ที่เก็บข้อมูลจากนักพัฒนาประมาณ 22,000 คนใน 4,000 ทีมพบว่าภายใต้การใช้ AI สูง เวลามัธยฐานที่ใช้รีวิว Pull Request เพิ่มขึ้นถึง 441.5 เปอร์เซ็นต์ ขนาด Pull Request เฉลี่ยเพิ่ม 51.3 เปอร์เซ็นต์ บั๊กต่อ Pull Request เพิ่ม 54 เปอร์เซ็นต์ และ Pull Request ที่ merge โดยไม่มีรีวิวเลยเพิ่ม 31.3 เปอร์เซ็นต์ นี่คือภาพชัดว่า AI กำลังทำให้การเป็น วิศวกรซอฟต์แวร์ AI ที่คิดไม่เป็นมีต้นทุนองค์กรสูงขึ้น
ข้อสรุปที่สำคัญคือสายอาชีพถูกแยกเป็นสองขั้ว คนที่มีวิจารณญาณและเข้าใจสถาปัตยกรรมจะมีคุณค่ามากขึ้น เพราะเป็นคนเดียวที่รักษาระบบให้ต่อเนื่องและปลอดภัย ส่วนวิศวกรที่เคยโดดเด่นด้วยทักษะ implementation ละเอียดรอบคอบกลับถูก AI แย่งบทบาทไป ทำให้ชั้นกลางของสายอาชีพเหือดหาย เมื่อ implementation กลายเป็นของถูก งานที่แพงขึ้นคือการ review และการทำความเข้าใจ ดังนั้น bad engineering ในยุค AI จึงไม่ถูกลง แต่แพงกว่าเดิมอย่างเห็นได้ชัด
จาก cognitive debt สู่การคิดแบบสถาปัตยกรรม: ทักษะวิศวกรยุค AI ที่หายแล้วจบ
การปล่อยให้ AI แบกงานคิดแทบทุกอย่างสร้างสิ่งที่ MIT เรียกว่า cognitive debt หรือหนี้ทางความคิด เมื่อไหร่ที่เราให้เครื่องมือคิดแทนจนเคยชิน กล้ามเนื้อการคิดเชิงวิพากษ์จะค่อยๆ ฝ่อ เหมือนยกของไม่เป็นเพราะมีคนหามให้ตลอด แหล่งข้อมูลเดิมเปรียบเทียบว่า critical thinking เป็นเหมือนกล้ามเนื้อ และ AI ก็ยินดีแบกของหนักให้คุณตลอดเวลา แต่ผลคือแขนของคุณหยุดทำงาน หากปล่อยให้หนี้สะสม ทีมก็จะค่อยๆ เสียความสามารถในการตัดสินใจเอง
งานวิจัยด้าน misinformation จาก MIT เสนอคำตอบหนึ่งคือให้ AI เปลี่ยนจากตอบสำเร็จรูปมาเป็น Socratic dialogue ถามกลับด้วยคำถามนำทางเพื่อรักษาทักษะการคิดของมนุษย์ นี่คือแนวทางสำคัญสำหรับการออกแบบเครื่องมือ AI ภายในองค์กร หากเรายังออกแบบให้เครื่องมือให้คำตอบสำเร็จรูป เรากำลังเร่งสะสม cognitive debt ให้ทีมโดยไม่รู้ตัว
ในแง่อาชีพ เส้นทางแบบเดิมที่เริ่มจาก junior ทำ implementation ละเอียดภายใต้การดูแล แล้วค่อยสะสมประสบการณ์และ judgment กลายเป็นเส้นทางที่ถูกบีบอัด เพราะขั้น implementation เป็นสิ่งที่ AI ทำได้ถูกและเร็วกว่าแล้ว นั่นหมายความว่า ทักษะวิศวกรยุค AI ไม่ใช่การพิมพ์โค้ดเร็วหรือใช้เครื่องมือได้เยอะ แต่คือความสามารถในการอ่านสถาปัตยกรรมทั้งระบบ แยกแยะความเสี่ยง ตัดสินว่าควรเชื่อหรือไม่เชื่อ output ของ AI และออกแบบกระบวนการ review ให้ทีมยังรักษาคุณภาพได้แม้โค้ดเพิ่มขึ้นหลายเท่า
อนาคตของงานเขียนโค้ด: ใครอ่าน ใครคิด ใครรอด
ภาพรวมแรงงานก็สะท้อนแรงสั่นสะเทือนเดียวกัน งานศึกษาของ Stanford Digital Economy Lab ที่ใช้ข้อมูล payroll ตั้งแต่ปี 2022 ถึง 2026 รายงานว่าการจ้างงานในอาชีพที่สัมผัส AI มากสำหรับคนอายุ 22 ถึง 25 ปีต่ำกว่าระดับที่ควรจะเป็นถึง 19 เปอร์เซ็นต์เมื่อเทียบกับอาชีพที่สัมผัส AI น้อยกว่า นี่คือสัญญาณว่าทางขึ้นของคนรุ่นใหม่ในสายงานเทคกำลังยากขึ้น เพราะขั้นบันไดระดับกลางหายไปจากการที่ AI ทำ implementation แทน
ในโลกที่ AI เขียนโค้ดได้ การตรวจสอบโค้ด AI จึงกลายเป็นหัวใจของคุณภาพระบบ และเป็นตัวแบ่งชัดว่าทีมไหนจะเดินหน้าต่อเนื่องหรือจมอยู่กับการตามแก้บั๊ก วิศวกรซอฟต์แวร์ AI ที่อยู่รอดจะต้องแสดงให้เห็นผ่านผลงานจริง ว่าสามารถรักษาโครงสร้างระบบให้ coherent รองรับการเปลี่ยนแปลง และลดความเสียหายจากการตัดสินใจผิดของ AI ได้ ไม่ใช่แค่รู้วิธีสั่งเครื่องมือให้ generate โค้ดได้หลายภาษา
บทสรุปเชิงปฏิบัติคือองค์กรต้องย้ายการลงทุนจากการนับบรรทัดโค้ดไปสู่การสร้างวัฒนธรรม review ที่เข้มข้น วัดค่าจากคุณภาพของการคิด การออกแบบ และการสื่อสารเหตุผลที่อยู่เบื้องหลังการตัดสินใจต่างๆ วิศวกรที่อยากรอดต้องหยุดภูมิใจกับความเร็วในการพิมพ์ แล้วเริ่มฝึกความเร็วในการคิด วิพากษ์ และอ่านระบบทั้งภาพใหญ่และรายละเอียดพร้อมกัน นั่นต่างหากคืออาชีพเขียนโค้ดในยุคที่ AI พิมพ์เร็วกว่าเราเสมอ
