ตอนนี้กำลังเกิดอะไรขึ้นกันแน่?

• ในอุตสาหกรรมซอฟต์แวร์ ปัญหา ภาวะหมดไฟของวิศวกร กำลังรุนแรงขึ้น โดยเฉพาะวิศวกรระดับจูเนียร์ที่ ใช้เครื่องมือ AI มากเกินไป จนก่อให้เกิดปัญหาทั้งด้านคุณภาพโค้ดและการทำงานร่วมกัน
• ฟีดแบ็กจากวิศวกรอาวุโสไม่ได้ถูกใช้เป็นโอกาสในการเรียนรู้ แต่กลับถูกนำไปใช้เป็นพรอมป์ต์ใหม่ให้ AI และ “โค้ดที่ AI เขียน” ก็กลายเป็นภาระให้ทั้งทีมต้องเสียเวลารีวิว
• ในบางองค์กร มีการนำโค้ดที่ AI สร้างขึ้นแบบยังไม่สมบูรณ์ไปนำเสนอราวกับเป็น “ผลงาน” จนเกิด บรรยากาศที่ส่งเสริมการพึ่งพา AI
• ผู้เขียนเล่าว่าจากประสบการณ์ตรง เมื่อได้รับคำตอบเกี่ยวกับโค้ดที่มาจาก AI ก็รู้สึก ไม่สบายใจและแปลกแยก และวิจารณ์ว่า AI กลับทำลายวัฒนธรรมการเรียนรู้และการให้คำปรึกษา
• ผู้เขียนยังเน้นว่าในท้ายที่สุด ระบบนิเวศสตาร์ตอัป AI ก็ไม่ยั่งยืนเพราะ ความไม่คุ้มค่าทางเศรษฐกิจ การใช้พลังงาน และปัญหาสิ่งแวดล้อม และย้ำว่าสถานการณ์ตอนนี้แทบไม่ต่างจากเรื่องหลอกลวงแบบ “จักรพรรดิไร้ฉลองพระองค์”

---

บทนำ: สภาพแวดล้อมทางวิศวกรรมที่น่ากังวล

• ช่วงหลังมานี้ ปรากฏการณ์ ภาวะหมดไฟ ในหมู่ วิศวกร รุนแรงขึ้นเรื่อย ๆ
• ในองค์กร มีการคาดหวังให้วิศวกรอาวุโสช่วยตรวจสอบและมีส่วนร่วมกับ ฟีเจอร์ที่ขับเคลื่อนด้วยกระแสหรือมีม ซึ่งแทบใช้งานจริงไม่ได้
• จากประสบการณ์ของผู้เขียน วิศวกรที่เก่งที่สุดมักอยากช่วยให้สมาชิกใหม่ในทีมเติบโตอยู่เสมอ

• แต่แทนที่ฟีดแบ็กเหล่านี้จะถูกใช้เป็นโอกาสในการพัฒนา นักพัฒนารุ่นเริ่มต้น กลับนำมันไปใช้เป็นเพียงพรอมป์ต์ถัดไปให้ generative AI
• ผู้เขียนยืนยันว่าเคยพบเห็นด้วยตาตัวเองหลายครั้งที่ วิศวกรจูเนียร์ ใช้เครื่องมือ LLM (large language model) ในระดับที่เรียกได้ว่าเกินพอดี

กรณีจริงในองค์กร: ผลเสียของการใช้ AI เกินพอดี

• เมื่อไม่นานมานี้ ผู้เขียนได้เห็นวิศวกรจูเนียร์สาธิตผลงานใหม่ใน town hall ของบริษัท
• แต่พวกเขากลับดูเหมือนไม่เข้าใจแม้แต่จุดประสงค์หรือวิธีการทำงานของฟีเจอร์นั้นอย่างแท้จริง
• อย่างไรก็ตาม ในองค์กรขนาดใหญ่ มักให้ความสำคัญกับการทำให้มัน “ดูเหมือนสำเร็จ” มากกว่าผลลัพธ์ที่แท้จริง
• เมื่อผู้จัดการอาวุโสคนหนึ่งเปิดเผยกรณีการใช้ AI ของพวกเขา เขากล่าวอย่างภาคภูมิใจว่า “นี่คือโค้ด 4,000 บรรทัดที่ Claude เขียน” และได้รับเสียงปรบมือ

• ผู้เขียนเองก็เคยได้รับคำขอให้ช่วยปรับปรุงฟีเจอร์เดิมเล็กน้อย และระหว่างตรวจโค้ดก็ได้ขอคอนเท็กซ์จาก วิศวกรจูเนียร์ ที่เพิ่งแก้ไขมันล่าสุด
• แม้จะส่ง URL ของคอมมิตบน Github ไปพร้อมคำถาม แต่ก็คาดว่าอีกฝ่ายนำเนื้อหานั้นไปใส่ใน LLM แล้วคัดลอกคำตอบกลับมาส่ง
• กระบวนการนี้ทำให้ผู้เขียนรู้สึกแปลก ๆ และไม่สบายใจอย่างบอกไม่ถูก

ทางลาดลื่นของ AI และข้อจำกัดของ code review

• จากกรณีของเพื่อน ผู้เขียนยืนยันได้ว่าเกิดการสูญเสียเวลาอย่างแท้จริง เมื่อ ตลอดหนึ่งเดือน มีวิศวกรหลายคนต้องช่วยกันรีวิวและพยายามรวม โค้ดที่ LLM สร้างอัตโนมัติ (vibe-coded PR)
• เพื่อนอีกคนหนึ่งก็เล่าว่าตัวเองหมดแรงไปกับการต้องรีวิว “โค้ดหลวม ๆ” ที่ AI สร้างขึ้นซ้ำแล้วซ้ำเล่า
• AI ไม่ได้ช่วยให้คุณภาพโค้ดดีขึ้นหรือทำให้เกิดการเรียนรู้ แต่กลับเพิ่มงานซ้ำซากเท่านั้น

วัฒนธรรมการพัฒนาและคุณค่าที่แท้จริงของการเติบโตแบบมนุษย์

• วิศวกรทุกคนต่างเติบโตขึ้นทีละขั้นด้วยความช่วยเหลือจากเพื่อนร่วมงานและเมนเทอร์
• การสอนกันโดยตรงและช่วยให้กันเติบโตคือแก่นแท้ของวัฒนธรรมวิศวกรรมซอฟต์แวร์
• แต่เมื่อมองว่าการลงทุนเช่นนี้สุดท้ายก็ถูกคัดลอกไปเป็นข้อมูลฝึกของ “โมเดลล่าสุด” แทบจะในทันที ก็อดรู้สึกหมดศรัทธาไม่ได้
• จึงเกิดคำถามพื้นฐานขึ้นมาว่า ถ้าเป็นเช่นนั้น การฝึกโมเดลแทนการพัฒนาวิศวกรจูเนียร์จะดีกว่าหรือไม่

• โลกแบบนั้นคือ ภาพอนาคตที่หม่นหมองอย่างยิ่ง

การทดลองไม่ใช้ AI และบทสรุป

• ผู้เขียนเสนอการทดลองตรงไปตรงมาว่า “ลองหยุดใช้ AI ดู”
• ตัวเขาเองก็เพิ่งหยุดสมัครสมาชิก Claude Pro หลังจากรีเซ็ตคอมพิวเตอร์
• การ ค้นหา ไม่กี่ครั้ง รวมถึงการอ่าน Stack Overflow และเอกสารทางการ กลับช่วยให้ได้ข้อสรุปที่น่าเชื่อถือกว่ามาก
• ผู้เขียนจึงรู้สึกว่าการตัดสินของตนเองเหนือกว่าผลลัพธ์จาก LLM ทั้งในด้านความแม่นยำและความน่าเชื่อถือ

คุณค่าทางเศรษฐกิจของเครื่องมือ generative AI และข้อจำกัดเชิงโครงสร้าง

• ผู้เขียนตั้งคำถามว่า “AI มีประโยชน์จริงหรือ?”
• หากมองอย่างเป็นกลาง สถานการณ์ตอนนี้ทำให้เกิดคำถามใหญ่ต่อคุณค่าของมัน
• วงจรแบบฉบับของสตาร์ตอัป AI มีดังนี้:
  • มีการนำ “AI” ไปใช้กับโดเมนเดิม และมีบริษัทเกิดใหม่เกิดขึ้นภายใต้ข้ออ้างเรื่องประสิทธิภาพ
  • สตาร์ตอัป AI สามารถระดมทุนจาก venture capital ได้สำเร็จ
  • จากนั้นจ่ายค่าบริการให้ผู้ให้บริการ AI (เช่น OpenAI)
  • แต่ตัวสตาร์ตอัป AI เองกลับทำกำไรไม่ได้
• หากมองเฉพาะกระบวนการนี้ อาจดูไม่ต่างจากระบบนิเวศ VC แบบเดิมมากนัก แต่ความต่างสำคัญคือ แม้แต่ผู้ให้บริการเอง (เช่น OpenAI) ก็ยังทำกำไรไม่ได้เช่นกัน
• เทคโนโลยีนี้ ไม่มีประสิทธิภาพโดยเนื้อแท้ และมีโครงสร้างที่ไม่เหมาะกับการขยายในวงกว้าง
• การใช้ พลังงานไฟฟ้าจำนวนมากเกินไป และผลกระทบต่อสิ่งแวดล้อมก็เป็นปัญหาร้ายแรงเช่นกัน

ปัจฉิมบท: ความจำเป็นของการมองความจริง

• เราอาจหวังให้กฎของ Moore กลับมาอีกครั้ง หรือหวังให้ทุกคนร่ำรวยได้ก่อนที่เอกภพจะเย็นดับลง
• แต่หาก มองความจริงตรง ๆ ธุรกิจ generative AI ก็เป็นทั้ง ภาพลวงตา รูปแบบหนึ่ง และปรากฏการณ์แบบ “จักรพรรดิไร้ฉลองพระองค์”