AI Coding Agents: เมื่อประสิทธิภาพพุ่ง แต่งบ Token ไล่ทัน
AI coding agents คือระบบปัญญาประดิษฐ์ที่รับบทเป็นผู้ช่วยเขียนโค้ด ตรวจโค้ด และดูแล enterprise codebase แบบอัตโนมัติ โดยสามารถทำงานตั้งแต่การสร้างซอฟต์แวร์ใหม่ (greenfield) ไปจนถึงการปรับแก้โค้ดเดิมที่ซับซ้อน (brownfield) แทนมนุษย์จำนวนมาก ส่งผลให้ developer productivity เพิ่มขึ้นอย่างชัดเจน แต่ในทางกลับกัน การเรียกใช้โมเดลจำนวนมากผ่านโทเคนในแต่ละคำสั่ง ทำให้ต้นทุนการใช้ code generation AI พุ่งสูง จนฝ่ายเทคโนโลยีต้องหาวิธีบริหาร token cost management อย่างจริงจังทั้งในระดับทีมและระดับองค์กร. กรณีศึกษาจากหลายบริษัทชั้นนำชี้ชัดว่า ยุคที่วิศวกรเขียนโค้ดเองเป็นส่วนน้อยได้เริ่มต้นขึ้นแล้ว Kilo Code ระบุว่าวิศวกรในบริษัทอ่านหรือเขียนโค้ดด้วยตัวเองเพียงประมาณ 1% ที่เหลือ 99% เป็นงานของ AI agents ทั้งหมด. Uber รายงานว่าการใช้ AI coding agents ทำให้วิศวกรของตนเพิ่มปริมาณโค้ดที่ผลิตได้เป็นสองเท่า และเริ่มชะลอการจ้างวิศวกรเพิ่มในทีม. นี่คือภาพรวมที่ดูเหมือนชนะทั้งด้านความเร็วและกำลังคน แต่คำถามสำคัญคือ องค์กรจะควบคุมค่าโทเคนที่สูงขึ้นจากการใช้ AI coding agents ได้อย่างไร โดยไม่ต้องหยุดการนำ AI เข้ามาเป็นหัวใจของการพัฒนาโค้ด.
Uber กับ Spotify: โค้ดมากขึ้น แต่รูปแบบงานนักพัฒนากำลังเปลี่ยนหน้า
สิ่งที่ Uber แสดงให้เห็นคือผลลัพธ์ด้าน developer productivity แบบตรงไปตรงมา: วิศวกร 4,500–5,000 คนที่ใช้ AI coding agents เกือบ 100% สามารถผลิตโค้ดเพิ่มเป็นสองเท่าในช่วงที่บริษัทเดินหน้าโปรแกรมเพิ่มประสิทธิภาพด้านต้นทุน. คำพูดนี้ควรถูกอ่านอย่างวิจารณ์ เพราะการนับ “เส้นโค้ด” ไม่ได้สะท้อนคุณภาพหรือความเข้าใจในระบบเสมอไป แต่ก็ปฏิเสธไม่ได้ว่าโค้ดที่เคยต้องใช้คนเขียน ตอนนี้ใช้เอเจนต์ทำแทนได้จริง และเปิดพื้นที่ให้นักพัฒนาหันไปทำงานที่ต้องคิดเชิงออกแบบมากขึ้น. ฝั่ง Spotify การเกิดขึ้นของ Honk บอกเล่าอีกด้านหนึ่งของเรื่องเดียวกัน ฮองก์เป็น AI coding agent ที่ทำงานเบื้องหลังเพื่อเขียนใหม่และย้ายโค้ดทั้ง fleet ของบริษัทอยู่ตลอดเวลา. จุดเริ่มต้นมาจาก “maintenance problem” ที่พบว่าในทางปฏิบัติ นักพัฒนาใช้เวลาน้อยกว่าหนึ่งชั่วโมงต่อวันในการเขียนโค้ด ส่วนใหญ่เสียไปกับการอัปเดต dependency ย้ายเวอร์ชัน Java หรือเปลี่ยน logging framework. Honk ถูกสร้างขึ้นเพื่อแก้ปัญหาเหล่านี้ในระดับ enterprise codebase ทำให้การดูแลโค้ดทั้งองค์กรกลายเป็นงานของเอเจนต์มากกว่ามนุษย์.
จากสคริปต์สู่ฝูง AI Agents: เมื่อความแม่นยำ 62% สำคัญกว่าขนาดโมเดล
ตัวอย่างของ Honk แสดงให้เห็นว่าการดูแล enterprise codebase ทั้งหมดเป็นโจทย์ที่ซับซ้อนกว่าแค่ “เขียนโค้ดให้เยอะขึ้น” เพราะต้องรองรับบิลด์ระบบที่ต่างกันหลายพันรีโปซิทอรี และ long-tail เคสที่สคริปต์ธรรมดามักพลาด. Spotify เริ่มจากสคริปต์ fleet management ที่รันบน Kubernetes เพื่อโคลนรีโป รันทูมเปลี่ยนโค้ด และเปิด pull request ให้โค้ดโอเนอร์รีวิว; ระบบนี้ลดเวลาให้ 70% ของ fleet ย้ายไปใช้เฟรมเวิร์กเวอร์ชันใหม่จากเกือบหนึ่งปีเหลือไม่ถึงหนึ่งสัปดาห์ แต่ 30% ที่เหลือยังเต็มไปด้วยเคสขอบที่สคริปต์จัดการไม่ไหว. ตรงนี้เองที่แนวคิด “แทนที่สคริปต์ด้วย LLM” ทำให้ Honk ถือกำเนิดในฐานะ code generation AI ที่รับมือความหลากหลายของโค้ดได้ดีกว่า. งานวิจัยเกี่ยวกับ AgentRadio ย้ำแนวคิดว่า ขนาดโมเดลไม่ใช่ทุกอย่าง ระบบประสานงานเอเจนต์แบบ real-time ทำให้ทีม AI coding agents เข้าใจโค้ดระดับองค์กรได้ลึกขึ้นและแก้โจทย์ยาว ๆ ได้แม่นขึ้น เมื่อทดลองกับคำถามระยะยาวบน production repositories ทีมเอเจนต์ที่สื่อสารผ่าน AgentRadio เพิ่มอัตราการแก้โจทย์สำเร็จของสี่ Claude Code agents จาก 32.3% เป็น 62.1% และยังเหนือกว่าการใช้เอเจนต์ตัวเดียวบนโมเดลขั้นสูงกว่าอย่าง Opus 4.8 ที่ทำได้ 57.2%. นี่คือคำกล่าวที่น่าจดจำ: การออกแบบโครงสร้างการประสานงานเอเจนต์ สำคัญไม่แพ้การเลือกโมเดลใหญ่.
Token Cost Management: เมื่องบ AI กลายเป็น KPI ใหม่ของทีมวิศวกร
ด้านต้นทุน AI coding agents ฝั่งผู้บริหาร Replit, Kilo Code และ Symbotic เริ่มพูดตรงกันว่า หากปล่อยให้ทุกงานเรียกใช้ frontier models ตลอดเวลา งบ AI จะบานเกินควบคุม. ทางออกจึงไม่ใช่การหยุดใช้ AI แต่เป็นการออกแบบ token cost management ที่ฝังลงในเวิร์กโฟลว์ตั้งแต่ต้น. Emilie Schario จาก Kilo Code เล่าว่าบริษัทรองรับโมเดลมากกว่า 500 โมเดล และแนะนำแนวทาง multi-model: ใช้โมเดลใหญ่เพื่อวางโครงสร้างหรือประเมินโจทย์ จากนั้นส่งงานต่อให้โมเดลเล็กจัดการรายละเอียด เพื่อประหยัดโทเคนในส่วนที่ไม่จำเป็นต้องใช้พลังประมวลผลสูง. Symbotic เลือกควบคุมผ่าน “per-month cost tiers” กำหนดเพดานค่าใช้จ่ายต่อเดือนให้พนักงานแต่ละคนเพื่อให้ทุกคนรับรู้ว่าต้นทุนโทเคนคือทรัพยากรที่ต้องจัดสรร ไม่ต่างจากเวลาหรือเครื่องเซิร์ฟเวอร์. Replit ใช้แนวคิด “Human on the loop” ให้ AI agent ประเมินความเสี่ยงของ pull request; ถ้าเสี่ยงต่ำให้ self-merge ได้ทันที แต่ถ้าเสี่ยงสูงค่อยส่งให้วิศวกรมนุษย์ตรวจสอบ. แนวทางนี้ไม่เพียงลดเวลาตรวจโค้ด แต่ยังป้องกันไม่ให้โทเคนถูกใช้กับรีวิวที่มนุษย์ไม่ได้เพิ่มมูลค่า.
เศรษฐศาสตร์ใหม่ของการรีวิวและจัดการเหตุขัดข้องด้วย AI Agents
เมื่อ AI coding agents เข้ามาอยู่กลางกระบวนการรีวิวโค้ด และการจัดการเหตุขัดข้อง (incident management) เศรษฐศาสตร์ของงานวิศวกรรมก็เปลี่ยนไปในระดับโครงสร้าง. Replit แสดงภาพโมเดลที่ให้เอเจนต์ประเมินความเสี่ยง PR ก่อน หากความเสี่ยงต่ำ ตัวนักพัฒนาสามารถ merge โค้ดเองได้โดยไม่ต้องรอรีวิวเต็มรูปแบบ แต่ถ้าความเสี่ยงสูงค่อยดึงมนุษย์เข้ามาตรวจสอบ. ผลลัพธ์คือเวลาของวิศวกรถูกโฟกัสไปที่เคสซับซ้อนจริง ๆ ขณะที่งานเชิง routine ถูกจัดการด้วย AI และโทเคนที่ใช้ไปมีโอกาสสร้างมูลค่ามากกว่า. ในฝั่ง incident management งานวิจัย AgentRadio ชี้ให้เห็นว่าการให้หลายเอเจนต์ทำงานบน enterprise codebase แล้วสื่อสารกันแบบ asynchronous ระหว่างการรันงาน ทำให้สามารถแก้เหตุขัดข้องที่ต้องติดตาม execution path หลายไฟล์ได้แม่นยำกว่าระบบเอเจนต์เดี่ยว. ตัวอย่างเช่น เอเจนต์หนึ่งที่สอบสวนอาการผิดปกติของ API อาจพบหลักฐานที่สวนทางกับสมมติฐานของเอเจนต์ด้าน storage; หากข้อมูลนี้ต้องรอจนทุกเอเจนต์ทำงานจบ การสืบสวนของฝั่ง storage จะเดินตามเส้นทางผิดตลอด. เมื่อเอเจนต์สามารถแลกเปลี่ยนข้อมูลกลางทางได้ การใช้โทเคนจึงเปลี่ยนจากการวิ่งในทางตัน ไปเป็นการปรับทิศทางอย่างต่อเนื่อง ซึ่งคือหัวใจของเศรษฐศาสตร์ใหม่ในการใช้ AI coding agents.
