สิ่งที่เราสูญเสียเมื่อวิศวกรทุกคนทำได้ทุกอย่างในยุค AI

การเปลี่ยนแปลงที่เกิดจาก AI agents ทำให้วิศวกรซอฟต์แวร์สามารถทำงานหลายด้านได้ด้วยตนเองในเวลาอันสั้น กลายเป็นประเด็นสำคัญที่กำลังถกเถียงทั่ววงการเทคโนโลยี ทั้งเรื่องของความเร็วในการส่งมอบผลิตภัณฑ์และผลกระทบต่อ “ความเชี่ยวชาญลึก” ของผู้พัฒนา ทีมงานต้องตระหนักว่าการทำให้ทุกคน “ทำได้ทั้งหมด” อาจเสียคุณค่าที่เคยเป็นหัวใจของการออกแบบระบบที่มั่นคงและปลอดภัย

Overview

การใช้ AI agents เพื่ออัตโนมัติขั้นตอนต่าง ๆ ตั้งแต่การตั้งค่าโครงสร้างพื้นฐานจนถึงการเขียนโค้ด ทำให้วิศวกรสามารถส่งมอบฟีเจอร์ได้ในหลายร้อยเท่าของเวลาที่เคยใช้ก่อนหน้านี้ ตัวอย่างจากบทความระบุว่าหนึ่งไตรมาสอาจพัฒนาระบบบิลลิง การเชื่อมต่อข้อมูล หรือระบบราคาแบบคงที่ได้โดยไม่ต้องพึ่งทีมโครงสร้างพื้นฐาน

แต่แม้ผลลัพธ์จะผ่านการตรวจสอบและทดสอบสีเขียว ไม่ได้หมายความว่าผู้ทำงานเข้าใจถึงจุดอ่อนของระบบ การขาด “แนวคิดเชิงลึก” ทำให้เสี่ยงต่อการมองไม่เห็นโหมดข้อผิดพลาดที่ซับซ้อน หรือการตัดสินใจโดยอาศัยข้อมูลที่โมเดล AI สร้างขึ้นโดยไม่มีการตรวจสอบ

Changing Engineer Roles

ก่อนหน้าที่เครื่องมือ AI จะเข้ามาใช้ นักพัฒนาหน้าบริหาร (front‑end) ต้องส่ง ticket ไปยังทีมโครงสร้างพื้นฐานเพื่อขอเปิดใช้งานหรือปรับเปลี่ยน ส่วนในปัจจุบันเดียวกันสามารถทำสิ่งเหล่านั้นได้ด้วยตนเองโดยไม่ต้องรอคอยหลายวันถึงสัปดาห์

การขยาย “แถบกว้าง” (breadth) ของโมเดล T‑shaped ทำให้แต่ละคนมีความรู้พื้นฐานในหลายด้าน แต่ความลึก (depth) ที่เคยสร้างจากประสบการณ์หลายปีอาจถูกลดทอนลง การที่เครื่องมือ AI สามารถทำงานได้โดยอัตโนมัติกระชั้นทำให้ผู้พัฒนาต้องพึ่งพาการ “prompt” แทนการวิเคราะห์เชิงลึก

ผลลัพธ์คือ ความเร็ว ของโครงการเพิ่มขึ้นอย่างเห็นได้ชัด แต่ในขณะเดียวกัน ความเข้าใจเกี่ยวกับสถาปัตยกรรมระบบ การจัดการความซ้ำซ้อน หรือวิธีที่ระบบทำงานภายใต้เงื่อนไขผิดปกติอาจถูกละเลย

Impact on Hiring & Interviews

บทความชี้ให้เห็นว่า กระบวนการสัมภาษณ์ ด้านเทคนิคต้องปรับตัว เนื่องจากแบบทดสอบโค้ดเดิมที่วัด “ศักยภาพเชิงวิศวกรรม” จะไม่สามารถแยกแยะผู้สมัครที่ใช้ AI อย่างมีประสิทธิภาพกับผู้ที่เข้าใจพื้นฐานลึกได้

บริษัท Thread AI ได้เปลี่ยนกระบวนการคัดเลือกโดยเพิ่มขั้นตอน **การแยกส่วนปัญหา (problem decomposition) การออกแบบระบบระดับสูง และการประเมินพฤติกรรม เพื่อตรวจสอบความสามารถในการตัดสินใจเมื่อเจอผลลัพธ์ที่โมเดล AI ให้มาอย่างมั่นใจแต่ผิด

โดยสรุป ความสำคัญย้ายจาก “ทำงานให้เสร็จเร็ว” ไปเป็น การตรวจจับและแก้ไขข้อบกพร่องของ AI การประเมินผู้สมัครต้องรวมถึงความสามารถในการรับรู้ว่าเมื่อไหร่ที่ผลลัพธ์ของเอเจนท์ไม่เชื่อถือได้

Rise of False Expertise

การที่คนสามารถสร้าง proof‑of‑concept อย่างรวดเร็วทำให้หลายองค์กรเริ่มยกย่อง “ผู้มีแนวคิดดี” แม้ว่าพวกเขาอาจเข้าใจแค่ครึ่งเดียวของเทคโนโลยีนั้น การแสดงผลลัพธ์ที่ทำงานได้กลายเป็นสัญญาณของความเชี่ยวชาญโดยไม่ตรวจสอบกระบวนการเบื้องหลัง

ปรากฏการณ์นี้ขยายไปสู่ระดับผู้บริหารและนโยบาย เมื่อการตัดสินใจสำคัญถูกทำบนพื้นฐานของ “ความเร็ว” มากกว่าการ เข้าใจระบบอย่างลึกซึ้ง ผลที่ตามมาคืออาจเกิดการตัดสินใจที่ไม่รอบคอบหรือเสี่ยงต่อความปลอดภัยในระยะยาว

บทความเตือนว่า หากวงการเทคโนโลยีไม่ได้ตั้งค่ามาตรฐานใหม่เพื่อแยกแยะ “ผู้เชี่ยวชาญจริง” กับ “ผู้เชี่ยวชาญปลอม” การใช้ AI อย่างไม่มีกรอบอาจทำให้เกิด ผลเสียต่อองค์กร ทั้งในด้านผลิตภัณฑ์และความน่าเชื่อถือ

Maintaining Depth and Breadth

แม้เครื่องมือ AI จะขยาย “แถบกว้าง” ของวิศวกรได้อย่างมาก แต่การรักษา “แถบแนวตั้ง” (vertical bar) ยังคงจำเป็น ผู้พัฒนาที่มีประสบการณ์หลายสิบปีเช่นผู้เขียนบทความ (เคยทำงานที่ Goldman Sachs, The New York Times, Palantir) สามารถใช้ intuition และการสังเกตจากระบบที่ล้มเหลวในอดีตเพื่อควบคุมผลลัพธ์ของ AI

แนวทางหนึ่งคือให้ทุกคนเป็น “ผู้สร้างหัวใจ” (builder at heart) โดยต้องรับผิดชอบต่อส่วนต่าง ๆ ของผลิตภัณฑ์ ไม่ใช่เพียงแค่รอรับมอบหมายจาก AI นอกจากนี้ การฝึกฝนการตรวจสอบและ judgment under ambiguity ควรเป็นส่วนหนึ่งของการพัฒนาอาชีพอย่างต่อเนื่อง

การผสมผสานระหว่างความกว้างที่ AI มอบให้กับทีม และความลึกที่มาจากประสบการณ์จริง จะช่วยให้บริษัทสามารถเร่งความเร็วโดยไม่เสียคุณภาพหรือเสถียรภาพของระบบ

Implications for the Industry

ผลกระทบต่ออุตสาหกรรมเทคโนโลยีเป็นหลายมิติ ทั้งด้านการจัดการทีม การวางแผนผลิตภัณฑ์ และแนวทางการกำกับดูแล หากองค์กรไม่ปรับเปลี่ยนวิธีประเมินความสามารถของพนักงานและไม่สร้างกระบวนการตรวจสอบ AI อย่างเข้มงวด จะเสี่ยงต่อการสรรหาบุคลากรที่อาจทำให้ระบบล่มเมื่อเผชิญกับสถานการณ์ที่โมเดลคาดไม่ถึง

• Risk of hidden failure modes – ระบบอาจทำงานได้ดีในทดสอบ แต่มีจุดบกพร่องที่ซ่อนอยู่
• Talent misalignment – การรับสมัครโดยพิจารณาแค่ความเร็วอาจนำไปสู่การขาดผู้เชี่ยวชาญลึกที่จำเป็นต่อการดูแลระบบระยะยาว
• Regulatory scrutiny – หน่วยงานกำกับดูแลอาจเริ่มเรียกร้องมาตรฐานใหม่ในการใช้ AI เพื่อป้องกันความเสียหายจากข้อผิดพลาดของเอเจนท์

โดยสรุป การเปลี่ยนแปลงนี้เป็นโอกาสและความท้าทายพร้อมกัน ผู้บริหารต้องกำหนดแนวทางให้เทคโนโลยีเสริมสร้าง depth แทนจะทำลายมัน

Summary

การที่ทุกวิศวกรสามารถทำงานหลายอย่างได้ด้วย AI ทำให้ความเร็วในการพัฒนาสูงขึ้น แต่ก็ลดโอกาสในการสะสม “ความเชี่ยวชาญลึก” ที่จำเป็นต่อความเสถียรของระบบ การปรับกระบวนการสรรหาและตรวจสอบผลลัพธ์ของเอเจนท์จึงเป็นขั้นตอนสำคัญเพื่อหลีกเลี่ยงความเสี่ยงจาก false expertise และรักษามาตรฐานคุณภาพในอุตสาหกรรม.