AI กำลังเปลี่ยนวิธีทำงานที่ Anthropic อย่างไร

• จากการสำรวจวิศวกรและนักวิจัยภายใน Anthropic 132 คน พบว่า การทำงานร่วมกับ AI โดยมี Claude เป็นศูนย์กลาง กำลังเปลี่ยนรูปแบบการทำงานโดยรวม พร้อมขยายทั้งประสิทธิภาพและขอบเขตของงานไปพร้อมกัน
• พนักงานใช้ Claude ใน 59% ของงาน และรับรู้ว่า ผลิตภาพเพิ่มขึ้นเฉลี่ย 50% โดยไม่เพียงปริมาณผลลัพธ์ที่เพิ่มขึ้นอย่างมาก แต่รูปแบบการใช้เวลาก็ถูกจัดระเบียบใหม่ด้วย
• ด้วย Claude ทำให้ 27% ของงานทั้งหมดที่มี Claude ช่วย เป็นงานที่เดิมจะไม่ได้ทำ สะท้อนให้เห็นว่ามีการจัดการแม้แต่งานที่เคย “ผัดไว้ก่อน” อย่างการทำต้นแบบ แดชบอร์ด การทดสอบ และการจัดทำเอกสาร
• ขณะเดียวกัน ความกังวลเรื่อง ทักษะทางเทคนิคถดถอย การลดลงของเมนทอร์ชิป และการสูญเสียงานฝีมือด้านการเขียนโค้ด ก็เพิ่มขึ้นด้วย และเริ่มเห็นแนวโน้มที่มนุษย์จะขยับไปสู่บทบาท ผู้จัดการและผู้กำกับดูแล AI agent มากขึ้น
• โดยรวมแล้ว AI กำลังทำให้นักพัฒนา “เป็นฟูลสแตกมากขึ้นและทำงานได้มากขึ้น” แต่ในเวลาเดียวกันก็เพิ่มทั้ง ความไม่แน่นอนและความจำเป็นในการปรับตัว ต่อเส้นทางอาชีพระยะยาว วิธีการเรียนรู้ และวัฒนธรรมองค์กร

---

ภาพรวม

• ต่อเนื่องจาก งานวิจัยมหภาคเดิม เกี่ยวกับผลกระทบของ AI ต่อตลาดแรงงาน ครั้งนี้ Anthropic ได้ทำการสำรวจภายในกับ วิศวกรและนักวิจัยของตนเอง เพื่อดูว่า AI กำลังเปลี่ยนงานจริงอย่างไร
  • งานวิจัยนี้วิเคราะห์ร่วมกันจาก แบบสำรวจวิศวกรและนักวิจัย 132 คน ณ เดือนสิงหาคม 2025, การสัมภาษณ์เชิงคุณภาพ 53 กรณี และ ข้อมูลล็อกการใช้งาน Claude Code
  • ผลการวิเคราะห์ชี้ว่านักพัฒนาทำงานได้มากขึ้นและครอบคลุมหลากหลายด้านมากขึ้น แต่ในขณะเดียวกัน ความกังวลเรื่อง ความลึกของทักษะ ความร่วมมือ และอนาคตสายอาชีพ ก็เพิ่มขึ้นตามไปด้วย
• วิศวกรของ Anthropic ใช้ Claude เพื่อทำหน้าที่ที่ ใกล้เคียงฟูลสแตกมากขึ้น เร่ง วงจรการเรียนรู้และการทำซ้ำ และจัดการงานที่เดิมเคยผัดไว้
  • แต่ในเวลาเดียวกัน ก็มีความกังวลว่าการขยายตัวในวงกว้างเช่นนี้อาจนำไปสู่ การถดถอยของทักษะเชิงเทคนิคแบบลึกและความสามารถในการกำกับดูแล
• Anthropic ยอมรับว่าตนอยู่ใน สภาพแวดล้อมพิเศษที่ได้เข้าถึงเครื่องมือล่าสุดก่อนใคร แต่ก็เห็นว่าความเปลี่ยนแปลงภายในนี้เป็น สัญญาณล่วงหน้าของการเปลี่ยนแปลงในสังคมและอุตสาหกรรมวงกว้าง ซึ่งควรค่าแก่การสังเกตตั้งแต่เนิ่น ๆ
  • ระหว่างทำวิจัย โมเดลที่ทรงพลังที่สุดคือ Claude Sonnet 4 และ Claude Opus 4 และระบุว่าหลังจากนั้นความสามารถของโมเดลก็ยังพัฒนาต่อเนื่อง
• โดยภาพรวม นอกจาก การเพิ่มผลิตภาพและการขยายขอบเขตงาน แล้ว ยังมีโจทย์สำคัญเรื่อง การรักษาความเชี่ยวชาญทางเทคนิค การคงไว้ซึ่งความร่วมมือที่มีความหมาย และการเตรียมรับอนาคตที่ไม่แน่นอน ซึ่งภายใน Anthropic เองก็เริ่มมีความพยายามเพื่อรับมือกับเรื่องเหล่านี้แล้ว
  • ในบทความอีกชิ้นหนึ่ง ยังมีการพูดถึง แนวคิดเชิงนโยบายเศรษฐกิจที่เกี่ยวข้องกับ AI ควบคู่กันไป ส่วนบทความนี้เน้นหลัก ๆ ที่ การเปลี่ยนแปลงของงานและบทบาทภายในองค์กร

ประเด็นสำคัญ

• จากข้อมูลแบบสำรวจ วิศวกรของ Anthropic ใช้ Claude เป็นหลักในการดีบักและทำความเข้าใจโค้ด และทั้งสัดส่วนการใช้งานกับ ระดับผลิตภาพที่รับรู้ว่าเพิ่มขึ้น ได้เพิ่มขึ้นราว 2-3 เท่าในช่วง 1 ปีที่ผ่านมา
  • 27% ของงานทั้งหมดที่มี Claude ช่วย เป็น งานที่เดิมจะไม่ได้ทำ โดยส่วนใหญ่เป็นงานเพิ่มเติม เช่น การขยายโปรเจกต์ แดชบอร์ด และการทดลองเชิงสำรวจ
  • แม้พนักงานส่วนใหญ่จะใช้ Claude บ่อย แต่พวกเขาตอบว่างานที่ สามารถมอบหมายได้ทั้งหมดจริง ๆ มีเพียงราว 0-20% เท่านั้น แสดงให้เห็นว่าการกำกับดูแลและการตรวจสอบอย่างจริงจังยังจำเป็นอย่างยิ่ง
• ในการสัมภาษณ์ พบให้เห็นกระบวนการที่ผู้คน ค่อย ๆ สั่งสมสัญชาตญาณในการมอบหมายงานให้ AI โดยมีรูปแบบร่วมกันคือจะมอบหมายงานที่ตรวจสอบได้ง่าย มีความเสี่ยงต่ำ น่าเบื่อ หรือทำซ้ำเป็นอันดับแรก
  • แม้ Claude จะช่วย ขยายสเปกตรัมทางเทคนิคจนทำให้มีความสามารถใกล้เคียงฟูลสแตกมากขึ้น แต่ก็มีความกังวลควบคู่กันว่าเมื่อการฝึกเขียนโค้ดและดีบักเชิงลึกลดลง ทักษะพื้นฐานอาจอ่อนแอลงได้
  • Claude ยังเข้ามาแทนที่คำถามจำนวนมากที่เดิมจะถามเพื่อนร่วมงาน ทำให้มีเสียงกังวลไม่น้อยเกี่ยวกับ โอกาสด้านเมนทอร์ชิป การเรียนรู้จากเพื่อนร่วมงานที่ลดลง และความสัมพันธ์ระหว่างมนุษย์ที่อ่อนตัวลง
• จากล็อกการใช้งาน Claude Code ยังพบพร้อมกันทั้ง ระดับความยากของงานที่สูงขึ้น จำนวนการเรียกใช้เครื่องมือแบบต่อเนื่องที่เพิ่มขึ้น และจำนวนเทิร์นของมนุษย์ที่ลดลง สะท้อนแนวโน้มของการมอบหมายงานที่ซับซ้อนขึ้นด้วยการแทรกแซงที่น้อยลง
  • ภายใน 6 เดือน สัดส่วนของงานอย่าง การพัฒนาฟีเจอร์ใหม่และการออกแบบ/วางแผนโค้ด เพิ่มขึ้นมาก และในงานทั้งหมด 8.6% เป็นงานลักษณะ “papercut fix” ซึ่งเป็นการปรับปรุงคุณภาพเล็ก ๆ น้อย ๆ ที่เคยถูกเลื่อนมาโดยตลอด
  • ในระดับทีม ไม่ว่าจะเป็น Pre-training, Alignment & Safety, Security หรือทีม Non-technical ต่างก็ใช้ Claude กับ งานที่ก้าวข้ามขอบเขตความเชี่ยวชาญเดิมของตนเอง และแสดงให้เห็นแนวโน้มที่ทุกคนค่อย ๆ กลายเป็นฟูลสแตกมากขึ้น
• ในส่วน Looking forward นั้น Anthropic ระบุเป้าหมายว่าจะเป็น ห้องทดลองของแนวปฏิบัติที่ดีที่สุดในการทำงานร่วมกับ AI พร้อมกล่าวถึงแผนขั้นต่อไปสำหรับ การออกแบบวิธีทำงานร่วมกันใหม่ การสนับสนุนการพัฒนาอาชีพ และการวางแนวปฏิบัติที่ดีที่สุดในการใช้ AI
  • นอกจากนี้ยังอยู่ระหว่างขยายงานวิจัยไปยังสายงานอื่นนอกเหนือจากวิศวกร และ ร่วมมือกับสถาบันภายนอกอย่าง CodePath เพื่อปรับหลักสูตร CS ให้เหมาะกับยุค AI อีกด้วย

ข้อมูลแบบสำรวจ

• วัตถุประสงค์การใช้งาน Claude

  • จากการสำรวจวิศวกรและนักวิจัย 132 คน ได้แบ่งวัตถุประสงค์การใช้งาน Claude ออกเป็น ดีบัก, ทำความเข้าใจโค้ด, รีแฟกเตอร์ริง, data science, ฟรอนต์เอนด์, การออกแบบ/การวางแผน เป็นต้น แล้วตรวจสอบความถี่ในการใช้งาน
    • ในบรรดาผู้ตอบแบบสอบถาม 55% ตอบว่าใช้ Claude สำหรับดีบักทุกวัน, 42% ใช้เพื่อทำความเข้าใจโค้ด, และ 37% ใช้เพื่อพัฒนาฟีเจอร์ใหม่ ทุกวัน
    • ในทางกลับกัน มีการอธิบายว่า การออกแบบระดับสูง, การวางแผน, data science และการพัฒนาฟรอนต์เอนด์ มีสัดส่วนการใช้งานในชีวิตประจำวันต่ำกว่า เพราะตัวงานทั้งหมดมีปริมาณน้อยกว่าเมื่อเทียบกัน และผู้คนมักมีแนวโน้มจะลงมือทำเอง
  • การกระจายตัวนี้ยังสอดคล้องโดยรวมกับ การกระจายประเภทงานในล็อกการใช้งานจริงของ Claude Code ที่นำเสนอในภายหลัง โดย ดีบัก, การทำความเข้าใจโค้ด, และการพัฒนาฟีเจอร์ใหม่ กลายเป็นแกนหลักของการใช้งาน

• ปริมาณการใช้งานและประสิทธิภาพการทำงาน

  • พนักงานเล่าว่าเมื่อ 12 เดือนก่อน พวกเขา ใช้ Claude ในงาน 28% ของทั้งหมด และรู้สึกว่าผลิตภาพเพิ่มขึ้นราว 20% ขณะที่ปัจจุบันพวกเขาตอบว่า ใช้ Claude ในงาน 59% ของทั้งหมด และรับรู้ว่าผลิตภาพเพิ่มขึ้นเฉลี่ย 50%
    • สิ่งนี้ถูกประเมินว่าเป็น การเปลี่ยนแปลงที่ทั้งสัดส่วนการใช้งานและการเพิ่มขึ้นของผลิตภาพเพิ่มขึ้นมากกว่า 2 เท่า ภายในเวลา 1 ปี
    • ภายในองค์กรยังมีการนำเสนอตัวชี้วัดว่า จำนวน PR ที่ merge แล้วเฉลี่ยต่อวิศวกรต่อวันเพิ่มขึ้น 67% และระบุว่าสอดคล้องกับช่วงเวลาที่มีการนำ Claude Code มาใช้ทั่วทั้งบริษัท
  • ในการวิเคราะห์แบบสำรวจ พบว่ายิ่งใช้ Claude มากเท่าไร ก็ยิ่งมี ความสัมพันธ์กับการเพิ่มขึ้นของผลิตภาพที่รายงานด้วยตนเองในระดับสูงขึ้น และ 14% ของผู้ตอบแบบสอบถาม ถูกจัดเป็น ‘power user’ ที่ประสบกับ ผลิตภาพเพิ่มขึ้นมากกว่า 100%
    • อย่างไรก็ตาม ทีมนักวิจัยก็กล่าวถึงด้วยว่า ผลิตภาพเป็นสิ่งที่วัดได้ยากมาก และมี อคติของตัวเลขที่รายงานด้วยตนเอง รวมถึงข้อจำกัดในการจัดหมวดหมู่งาน
    • ในงานวิจัยภายนอกของ METR พบว่า นักพัฒนามี แนวโน้มประเมินการเพิ่มขึ้นของผลิตภาพสูงเกินจริงเมื่อได้รับความช่วยเหลือจาก AI แต่ Anthropic อธิบายว่า ในกรณีของตน มีการคัดกรองพื้นที่งานที่นำ AI ไปใช้ได้น้อยออกไปโดยเจตนา จึงอาจทำให้ผลแตกต่างกัน
  • สำหรับแต่ละหมวดหมู่งานที่ได้รับความช่วยเหลือจาก Claude พนักงานรายงานว่า เวลาที่ใช้ลดลงเล็กน้อย แต่ปริมาณผลงานเพิ่มขึ้นอย่างมาก
    • ในหมวดส่วนใหญ่ เช่น ดีบัก, การทำความเข้าใจโค้ด, และรีแฟกเตอร์ริง แม้ว่า คำตอบฝั่งเวลาลดลงจะมีมากกว่า แต่ก็ยังมีคำตอบว่า ‘เวลาเพิ่มขึ้น’ อยู่ไม่น้อย ทำให้เห็นลักษณะการกระจายแบบสองขั้ว
    • ผู้ที่ประสบกับเวลาเพิ่มขึ้นให้เหตุผลหลัก ๆ ว่าเป็นภาระจาก การดีบักและจัดระเบียบโค้ดของ Claude, ภาระทางความคิดเพิ่มเติมเพื่อทำความเข้าใจโค้ดที่ AI เขียน, และ สถานการณ์ที่ทำให้ต้องสำรวจและเรียนรู้มากขึ้น
    • งานวิจัยยังชี้ข้อจำกัดว่า จากข้อมูลชุดนี้ยังไม่อาจทราบได้ชัดเจนว่า เวลาที่ลดลงถูกนำไปใช้ต่อกับอะไร และรวมถึงกิจกรรมนอกเหนือจากงานหรือไม่ พร้อมย้ำถึงความจำเป็นของการวิจัยเพิ่มเติม

• งานรูปแบบใหม่ที่ Claude เปิดทางให้

  • พนักงานตอบว่า ในบรรดางานที่ทำโดยมี Claude ช่วยนั้น ราว 27% เป็นงานที่เดิมทีคงจะไม่ได้ทำเลย หากไม่มี Claude
    • ในส่วนนี้รวมถึง การขยายสเกลของโปรเจ็กต์, การสร้างเครื่องมือแบบ nice-to-have อย่าง interactive data dashboard, งานซ้ำ ๆ แต่มีประโยชน์อย่างการจัดทำเอกสารและการทดสอบ, รวมถึงการทดลองเชิงสำรวจที่ก่อนหน้านี้ไม่คุ้มค่าเมื่อเทียบกับต้นทุน
    • งานแก้ ปัญหาจุกจิกด้านคุณภาพ (papercut), การรีแฟกเตอร์เพื่อเพิ่มความสามารถในการบำรุงรักษา, ตลอดจนสคริปต์และเครื่องมือเล็ก ๆ ที่ช่วยให้ทำงานได้เร็วขึ้น ก็อยู่ในหมวดนี้เช่นกัน
  • นักวิจัยคนหนึ่งอธิบายว่า เขาเปิด Claude หลายเวอร์ชันพร้อมกันเพื่อ สำรวจแนวทางที่แตกต่างกันแบบขนาน และเปรียบสิ่งนี้ว่าไม่ใช่ “โมเดลประสิทธิภาพสูงเพียงตัวเดียว” แต่เป็นการ ปล่อยม้า ‘หลายตัว’ ให้ออกวิ่งพร้อมกัน
    • เขาประเมินว่า การสำรวจแบบขนานลักษณะนี้ช่วยเพิ่ม ขอบเขตของการสำรวจไอเดียและจำนวนการทดลอง ได้อย่างมากเมื่อเทียบกับเดิม และทำให้ใช้แนวทางที่สร้างสรรค์กว่าเดิมได้

• สัดส่วนของงานที่มอบหมายได้ทั้งหมด

  • แม้แต่วิศวกรที่ใช้ Claude เป็นประจำ คำตอบมากกว่าครึ่งก็ระบุว่า สัดส่วนงานที่รู้สึกว่าสามารถมอบหมายได้ทั้งหมดอยู่ระหว่าง 0~20%
    • ทีมนักวิจัยเสริมว่า คำว่า ‘มอบหมายได้ทั้งหมด’ ในที่นี้อาจถูกตีความได้กว้าง ตั้งแต่ ระดับที่ปล่อยทิ้งไว้ได้โดยไม่ต้องตรวจสอบเลย ไปจนถึงระดับที่เพียงทบทวนเบามากก็เพียงพอ แล้วแต่ผู้ตอบแต่ละคน
  • ผู้คนอธิบายว่า โดยเฉพาะใน งานที่ซับซ้อน, โดเมนความเสี่ยงสูง, และพื้นที่ที่มีมาตรฐานคุณภาพโค้ดสูง พวกเขายังคงเลือกวิธี โต้ตอบกับ Claude อย่างกระตือรือร้นและตรวจสอบผลลัพธ์ที่ได้
    • ผลลัพธ์คือ Claude มีลักษณะใกล้เคียงกับ ผู้ร่วมงานที่อยู่ข้าง ๆ ตลอดเวลา มากกว่า และสัดส่วนที่มองว่าเป็น เครื่องมืออัตโนมัติที่มนุษย์ถอนตัวออกได้ทั้งหมด ก็ยังถือว่าต่ำอยู่

บทสัมภาษณ์เชิงคุณภาพ

• กลยุทธ์การมอบหมายงานให้ AI

  • วิศวกรและนักวิจัยที่เข้าร่วมการสัมภาษณ์ได้อธิบาย เกณฑ์และกลยุทธ์ในการมอบหมายงานให้ Claude ของแต่ละคนอย่างละเอียด และระบุว่ามักให้ความสำคัญกับเงื่อนไขต่อไปนี้ร่วมกัน
    • กรณีที่บริบทผู้ใช้มีน้อยแต่งานเรียบง่าย: ตัวอย่างเช่น งานด้านโครงสร้างพื้นฐานส่วนใหญ่ไม่ใช่ปัญหาที่ยาก และแม้จะมีประสบการณ์กับ Git หรือ Linux ไม่มาก Claude ก็ช่วยอุดช่องว่างได้ดี
    • งานที่ตรวจสอบได้ง่าย: มีการอธิบายว่าเหมาะมากกับ “งานที่ต้นทุนในการตรวจสอบไม่ได้สูงกว่าต้นทุนในการสร้าง” และมักมอบหมายงานที่สามารถ sniff check ผลลัพธ์ได้อย่างรวดเร็วก่อน
    • ซับคอมโพเนนต์ที่นิยามชัดเจน: ในโปรเจ็กต์จะมอบหมายงานระดับโมดูลย่อยหรือฟังก์ชันที่แยกออกมาได้อย่างเหมาะสมให้ Claude ก่อน
    • พื้นที่ที่คุณภาพโค้ดไม่ได้วิกฤตถึงขั้นเป็นหัวใจหลัก: เช่น โค้ดดีบักใช้ครั้งเดียว โค้ดสำหรับงานวิจัย หรือสคริปต์ทดลอง มักโยนให้ Claude ทำก่อน แล้วค่อยแยกให้เรื่องสำคัญอย่างการออกแบบหลัก การดีบักยาก ๆ หรือดีไซน์ที่ประณีตเป็นสิ่งที่ทำเอง
    • งานที่ซ้ำ ๆ น่าเบื่อ และผัดวันประกันพรุ่งไว้: มีการอธิบายว่า สำหรับงานที่ไม่อยากทำจนเลื่อนออกไป แค่เริ่มต้นด้วยการคุยกับ Claude ก็ช่วยลดกำแพงในการเริ่มลงได้มาก
  • ในแบบสำรวจ ผู้ตอบระบุว่าโดยเฉลี่ย 44% ของงานที่มี Claude ช่วยนั้นเป็น “งานที่ถ้าทำเองก็คงไม่ได้ทำอย่างมีความสุข” ซึ่งสะท้อนให้เห็นด้วยว่า ยิ่งเป็นงานที่ไม่น่าสนุก คนยิ่งมีแนวโน้มจะโยนให้ AI ทำ
  • ในทางกลับกัน ก็มีคำตอบว่า หากเป็น งานเล็ก ๆ ที่น่าจะเสร็จได้ภายใน 10 นาที ก็ไม่จำเป็นต้องใช้ Claude และยังมีการกล่าวถึงกรณีที่ทำเองเร็วกว่าเพราะ ปัญหา cold start ในการอธิบายบริบทภายใน codebase ให้ AI เข้าใจ

• การสร้างความไว้วางใจและการตรวจสอบ

  • วิศวกรจำนวนมากกล่าวถึง ช่วงสร้างความไว้วางใจ ที่เริ่มจาก คำถามง่าย ๆ การช่วยเรื่องภาษา หรือคำถามพื้นฐานเกี่ยวกับภาษาที่ไม่คุ้นเคย (เช่น Rust) แล้วจึงค่อย ๆ มอบหมายงานที่ซับซ้อนขึ้นให้ Claude
    • วิศวกรคนหนึ่งเปรียบกระบวนการสร้างความเชื่อใจใน Claude กับ การเปลี่ยนนิสัยการใช้ Google Maps โดยอธิบายว่า ตอนแรกใช้เฉพาะตอนเดินทางในเส้นทางที่ไม่รู้จัก แต่ตอนนี้ ไปถึงขั้นฝากแม้แต่เส้นทางไปกลับที่ทำงานให้มันจัดการทั้งหมด ซึ่งคล้ายกันมาก
  • ความเห็นแตกออกเป็นสองทางในประเด็นว่าใช้ Claude นอกความเชี่ยวชาญของตน หรือใช้ ภายในความเชี่ยวชาญของตน
    • บางคนใช้ Claude ในด้านที่ตนไม่ถนัด เช่น ฟรอนต์เอนด์ อินฟรา หรือฐานข้อมูล เพื่อ ลดเวลาในการลงมือทำจริง
    • อีกบางคนมองว่า ต้องเข้าใจงานนั้นดีพอจึงจะประเมินผลลัพธ์ได้ จึงเลือกใช้ Claude ในด้านที่ตนเชี่ยวชาญอยู่แล้ว โดยใช้มัน เหมือนตัวเร่งความเร็ว
  • วิศวกรความปลอดภัยรายหนึ่งอธิบายว่า โซลูชันบางอย่างที่ Claude เสนอมีลักษณะคล้าย “ไอเดียที่เสี่ยงแต่ฉลาด ซึ่งดูเหมือนสิ่งที่จูเนียร์ที่เก่งมากคนหนึ่งอาจเสนอออกมา” และเน้นว่า การมองออกว่ามันเสี่ยงต้องอาศัยประสบการณ์และวิจารณญาณมากพอ
  • วิศวกรบางคนอธิบายว่า ใช้ Claude ทั้งในขอบเขตความเชี่ยวชาญหลักและงานรอบนอก โดยจะปรับวิธีพรอมป์ต์และระดับการตรวจสอบอย่างละเอียดตามความชำนาญของตน
    • ในด้านที่รู้ดี จะสั่ง Claude ด้วย ขั้นตอนและข้อจำกัดที่เฉพาะเจาะจง ส่วนในด้านที่ไม่คุ้นเคย จะให้ Claude รับบทผู้เชี่ยวชาญและนำเสนอหลายทางเลือกพร้อมข้อพิจารณา

• ขอบเขตของงานที่มนุษย์ยังทำเอง

  • ผู้คนอธิบายตรงกันว่า การคิดเชิงกลยุทธ์ระดับสูง การออกแบบระบบ การตัดสินใจที่ต้องอาศัยบริบทขององค์กรและ ‘รสนิยม’ (taste) ยังเป็นสิ่งที่พวกเขารับผิดชอบเองอยู่
    • ในบทสัมภาษณ์มีคำกล่าวว่า “โดยทั่วไป ภาพใหญ่และงานออกแบบจะทำเอง ส่วนการพัฒนาฟีเจอร์ใหม่ การดีบัก และเรื่องอื่น ๆ จะมอบหมายให้มากที่สุดเท่าที่ทำได้”
  • ในแบบสำรวจเองก็พบว่า การเพิ่มขึ้นของผลิตภาพต่ำที่สุดอยู่ในด้านการออกแบบและการวางแผน ซึ่งตีความได้ว่า ผู้คนยังมองว่าการออกแบบนั้น ยังคงเป็นบทบาทของมนุษย์
  • อย่างไรก็ตาม เส้นแบ่งนี้ไม่ได้ตายตัว แต่ถูกอธิบายว่าเป็น ‘moving target’ และมีการรับรู้ร่วมกันว่า เมื่อความสามารถของโมเดลดีขึ้น ขอบเขตงานที่ AI รับผิดชอบก็กำลังค่อย ๆ ขยับขึ้นไปสู่ระดับที่สูงขึ้น

• การเปลี่ยนแปลงและการขยายทักษะ

  • หลายคนอธิบายว่า ด้วย Claude ทำให้วิศวกรจำนวนมากสามารถทำ งานนอกเหนือจากความเชี่ยวชาญเดิมของตน ได้
    • มีการเล่าเรื่องว่า วิศวกรแบ็กเอนด์คนหนึ่งได้โต้ตอบกับ Claude หลายรอบจน สร้าง UI ที่ซับซ้อนได้ และถึงขั้นมีดีไซเนอร์ถามว่า “นี่คุณทำเองจริง ๆ เหรอ”
    • ผู้ตอบหลายคนบอกว่า Claude ทำให้พวกเขากล้าจับงานในด้าน ฟรอนต์เอนด์ transactional DB API และอินฟราสำหรับการทดลอง มากขึ้น และสามารถเข้าไปแตะพื้นที่ที่เมื่อก่อน “น่ากลัวเกินกว่าจะยุ่งด้วย” ได้แล้ว
  • การขยายความสามารถแบบนี้ยังส่งผลให้ วงจรป้อนกลับและความเร็วในการเรียนรู้เร่งขึ้น ด้วย
    • มีการอธิบายว่า งานที่ในอดีตต้องใช้เวลาหลายสัปดาห์ในการสร้างฟีเจอร์ นัดประชุม รับฟีดแบ็ก แล้วกลับมาแก้อีกครั้ง ตอนนี้สามารถแทนที่ด้วย เซสชันทำงานร่วมกันแบบเรียลไทม์ไม่กี่ชั่วโมง ได้
  • หลายคนกล่าวว่า Claude ช่วยเพิ่มทั้ง ความเร็วในการทำต้นแบบ ความสามารถในการทำงานแบบขนาน และระดับความทะเยอทะยานของโปรเจ็กต์
    • วิศวกรอาวุโสคนหนึ่งประเมินว่า “เครื่องมือนี้ทำให้ วิศวกรจูเนียร์มีผลิตภาพมากขึ้น และมีความกล้าพอจะท้าทายตัวเองกับโปรเจ็กต์ที่ใหญ่กว่าเดิม”
    • วิศวกรอีกคนหนึ่งกล่าวว่า Claude ทำให้ ‘พลังงานกระตุ้น’ ที่ต้องใช้ในการเริ่มงานลดลงอย่างมาก จึงทำให้สามารถหยิบปัญหาที่ผัดไว้ขึ้นมาจัดการได้ง่ายขึ้น

• ความกังวลเรื่องทักษะถดถอยและปฏิทรรศน์ของการกำกับดูแล

  • ขณะเดียวกัน ผู้ตอบจำนวนมากก็แสดงความกังวลว่า “ยิ่งมอบหมายมากขึ้น ก็ยิ่งรู้สึกว่าทักษะของตัวเองกำลังลดลง” โดยเฉพาะการที่ incidental learning (การเรียนรู้แทรกข้างทาง) ในระหว่างกระบวนการแก้ปัญหาลดลง
    • เวลาดีบักบั๊กยาก ๆ ด้วยตัวเอง มักต้องอ่านเอกสาร โค้ดรอบข้าง และการตั้งค่าที่เกี่ยวข้องอย่างกว้างขวาง แต่ถ้า Claude พาไปยังจุดสำคัญได้ทันที ก็จะ ลดโอกาสในการสร้างแบบจำลองความเข้าใจของทั้งระบบในหัว
    • ยังมีคำให้การด้วยว่า เมื่อก่อนเวลาต้องใช้เครื่องมือใหม่ จะ ไล่ดูตัวเลือกการตั้งค่าทั้งหมดและเรียนรู้ฟังก์ชันด้วยการลองเอง แต่ตอนนี้เพราะใช้เพียงวิธีที่ AI บอก ก็เลย รู้สึกว่าพลาดความเข้าใจเชิงลึกไป
  • วิศวกรอาวุโสคนหนึ่งกล่าวว่า ตนเอง สั่งสมพื้นฐานมาเพียงพอแล้วจึงกังวลน้อยกว่า แต่ถ้าเป็นช่วงต้นอาชีพ ก็คงต้องพยายามพัฒนาทักษะของตัวเองอย่างมีสติมากกว่านี้มาก
  • แนวคิดที่ถูกพูดถึงบ่อยเป็นพิเศษคือ “ปฏิทรรศน์ของการกำกับดูแล (paradox of supervision)”
    • เพื่อจะใช้ Claude ได้อย่างปลอดภัย ความสามารถในการกำกับดูแลและตรวจสอบผลลัพธ์ของ AI เป็นสิ่งสำคัญ แต่ยิ่งพึ่งพา AI มากเท่าไร ก็ยิ่งเกิด ความขัดแย้งที่ความสามารถด้านการเขียนโค้ดและการออกแบบซึ่งจำเป็นต่อการกำกับดูแลนั้นอาจอ่อนลง
    • บางคนกล่าวว่า “ยิ่งกว่าปัญหาเรื่องฝีมือถดถอยเสียอีก สิ่งที่กังวลคือ ความสามารถในการกำกับดูแลจะลดลงจนไม่สามารถใช้ AI ได้อย่างปลอดภัย”
  • เพื่อชดเชยเรื่องนี้ วิศวกรบางคนกล่าวว่าพวกเขาจงใจฝึก “ลองแก้โดยไม่มี Claude”
    • แม้จะรู้ว่า Claude แก้ปัญหาบางอย่างได้ดี แต่ก็ยังตั้งใจแก้บางโจทย์ด้วยตัวเองเพื่อ รักษาความคมและความรู้สึกมือ

• ‘นามธรรมที่สูงขึ้น’ และงานหัตถศิลป์ซอฟต์แวร์

  • ในหลายบทสัมภาษณ์มีมุมมองว่า วิศวกรรมซอฟต์แวร์กำลังเคลื่อนไปสู่ระดับนามธรรมที่สูงขึ้น
    • จากยุคที่เคยต้อง จัดการหน่วยความจำด้วยตนเอง เขียนแอสเซมบลี หรือแม้แต่สับสวิตช์ฮาร์ดแวร์ ค่อย ๆ เปลี่ยนมาสู่ภาษาระดับสูงและรันไทม์ที่รับภาระรายละเอียดระดับล่างแทน และตอนนี้ก็กำลังก้าวไปสู่ขั้นของ ‘English as a programming language’ หรือการอธิบายเจตนาด้วยภาษาธรรมชาติแล้วให้ระบบสร้างโค้ดออกมา
    • บางคนยกตัวอย่าง การ implement linked list ซึ่งเคยเป็นสิ่งสำคัญที่สอนกันในวิชาวิทยาการคอมพิวเตอร์ โดยอธิบายว่า การทำเองได้ยังคงเป็นเรื่องดี แต่ในงานจริง แทบไม่มีใครต้องเขียนมันขึ้นมาเองแล้ว
  • บางคนบอกว่า Claude กลับทำให้พวกเขาได้ โฟกัสกับแนวคิดระดับสูง แพตเทิร์น และประสบการณ์ผู้ใช้ มากขึ้น และถึงกับพูดว่า “พอมารู้ตัวแล้ว เหมือนสิ่งที่ชอบจริง ๆ ไม่ใช่การเขียนโค้ด แต่เป็น ผลลัพธ์ที่โค้ดพาไปถึง”
  • ขณะที่อีกบางคนรู้สึกเสียดายที่ ความสนุกของการเขียนโค้ดเองและ ‘ความพึงพอใจเชิงงานฝีมือ’ ลดน้อยลง
    • ผู้ที่เขียนโปรแกรมมา 25 ปีคนหนึ่งเล่าว่า ความภูมิใจในทักษะการเขียนโค้ดที่สั่งสมมาคือแกนสำคัญของความพึงพอใจในงาน แต่ตอนนี้รู้สึกว่าส่วนนั้นกำลังพร่าเลือน
    • ยังมีคำพูดด้วยว่า การ นั่งพิมพ์แต่พรอมป์ต์ทั้งวันไม่ใช่เรื่องสนุก และทำให้สูญเสียความเพลิดเพลินของ ภาวะลื่นไหล จากการใส่หูฟังฟังเพลงแล้วลงมือเขียนโค้ดเอง

• บางคนบอกว่าแม้จะคิดถึง ‘ภาวะเซน(zen) ที่จมดิ่งกับการรีแฟกเตอร์อย่างเต็มที่’ แต่ก็ยินดีจะแลก เพราะการเพิ่มขึ้นของผลิตภาพโดยรวมมีมากกว่ามาก ซึ่งสะท้อนให้เห็นว่าพวกเขากำลังเลือกแบบ เชิงปฏิบัติ ระหว่างความสุขจากการลงมือทำเองกับการเพิ่มผลลัพธ์ให้สูงสุด

  • สรุปแล้ว รูปแบบที่เห็นคือ การรับรู้ต่อการมี AI ช่วยเหลือจะแตกต่างกันอย่างมาก ตามสิ่งที่แต่ละคนรู้สึกว่ามีความหมายที่สุดในงานวิศวกรรมซอฟต์แวร์

• การเปลี่ยนแปลงด้านการทำงานร่วมกันและความสัมพันธ์ทางสังคม

  • สำหรับหลายคน Claude กลายเป็น คนแรกที่ถามก่อนจะไปถามเพื่อนร่วมงาน
    • ผู้ตอบคนหนึ่งอธิบายว่าตอนนี้ยังถามคำถามมากขึ้นกว่าเดิม แต่ 80–90% ถาม Claude และมีเพียง 10–20% เท่านั้นที่ถามคน
    • ผลก็คือ Claude รับคำถามรูทีนไป, และเกิดผลของการคัดกรองที่ทำให้คำถามที่ส่งต่อไปหาคนถูกปรับใหม่ให้เน้น ปัญหาเชิงกลยุทธ์ ที่ขึ้นกับบริบท และมีความยากสูง
  • คนประมาณครึ่งหนึ่งยังรู้สึกว่ารูปแบบการทำงานร่วมกันในทีมไม่ได้เปลี่ยนไปมาก โดยบอกว่าเรื่องอย่าง การประชุม การแชร์บริบท และการเลือกทิศทาง ยังทำกันระหว่างคนเหมือนเดิม
    • อย่างไรก็ดี ก็มีมุมมองว่าต่อจากนี้ แทนเวลาทำงานแบบโฟกัส การสนทนากับ ‘Claude หลายอินสแตนซ์’ อาจกลายเป็นหน่วยงานพื้นฐานแบบใหม่
  • ขณะที่บางคนรู้สึกอย่างชัดเจนว่า ปฏิสัมพันธ์กับเพื่อนร่วมงานลดลง
    • มีคำพูดในทำนองว่า “ช่วงนี้เหมือนทำงานกับ Claude มากกว่ากับเพื่อนร่วมงาน” โดยแม้จะชอบที่รู้สึกผิดน้อยลงเรื่องการรบกวนเวลาของคนอื่น แต่ก็มีเสียงเสียดายมากเช่นกันต่อ ความสุขจากการได้ทำงานร่วมกับผู้คน
    • บางคนยังรู้สึกอึดอัดกับ วัฒนธรรมในทีมที่ตอบกลับอัตโนมัติว่า ‘ได้ถาม Claude ก่อนหรือยัง’ และก็มีความเห็นว่าชอบการทำงานแบบที่คนมานั่งทำงานร่วมกันโดยตรงมากกว่า
  • โดยเฉพาะอย่างยิ่ง การเปลี่ยนแปลงในด้าน การให้คำปรึกษาและการสอนนักพัฒนาจูเนียร์ โดดเด่นมาก
    • มีข้อสังเกตว่า Claude เข้ามารับบท โค้ชชิงอย่างละเอียดและการรีวิวโค้ด ให้กับจูเนียร์เป็นจำนวนมาก จน ความถี่ที่จูเนียร์จะเข้ามาถามซีเนียร์ลดลงอย่างมาก
    • ซีเนียร์คนหนึ่งแสดงความรู้สึกที่ซับซ้อนว่า “น่าเสียดายที่จูเนียร์มาถามผมน้อยลง แต่ก็เป็นความจริงเหมือนกันว่าพวกเขาได้คำตอบเร็วขึ้น ได้คำตอบที่ดีกว่า และเรียนรู้ได้เร็วขึ้น”

• ความไม่แน่นอนด้านอาชีพและการปรับตัว

  • หลายคนอธิบายว่าบทบาทของตนกำลัง ขยับจากคนที่เขียนโค้ดโดยตรง ไปเป็นผู้จัดการ AI agent และผู้รีวิวโค้ด
    • บางคนบรรยายงานปัจจุบันของตัวเองว่าเป็นบทบาทที่ “รับผิดชอบแทนสิ่งที่ Claude 1 คน, 5 คน, หรือ 100 คนทำ” และบอกว่าตอนนี้ก็ทำงานโดยเปิด Claude หลายอินสแตนซ์ไว้ตลอดทั้งวันอยู่แล้ว
    • อีกคนหนึ่งประเมินว่า งานของตัวเองย้ายไปเป็นบทบาทรีวิวและแก้ไขโค้ดมากกว่า 70% แล้ว
  • ในเรื่องแนวโน้มอาชีพระยะยาว มีคำตอบจำนวนมากที่ปนกันระหว่าง มองบวกระยะสั้นกับกังวลระยะยาว
    • มีคำพูดว่า “ในระยะสั้นค่อนข้างมองบวกมาก แต่ในระยะยาวก็มีความกังวลว่าในที่สุด AI จะทำเกือบทุกอย่าง และ ผมกับคนอีกมากมายอาจกลายเป็นคนไร้ประโยชน์”
    • อีกคนหนึ่งถึงกับใช้คำพูดตรงไปตรงมาว่า ทุกวันที่มาทำงานเหมือนกำลัง ทำงานเพื่อทำให้ตัวเองถูกทำให้เป็นอัตโนมัติ
  • บางคนกังวลเป็นพิเศษกับ อนาคตของนักพัฒนาจูเนียร์ แต่ในขณะเดียวกันก็ยังมีความหวัง เพราะพวกเขาคือ รุ่นที่รับเทคโนโลยีใหม่ได้เร็วที่สุด
    • แม้จะมีความเสี่ยงที่จูเนียร์จะเอาโค้ดที่ AI ทำผิดไปปล่อยใช้งานตามนั้น แต่ก็มีความคาดหวังว่าหากมี guardrail ที่ดีกว่า สื่อการสอนที่ดีกว่า และการเรียนรู้จากความผิดพลาด ร่วมกัน ก็จะสามารถปรับตัวได้เมื่อเวลาผ่านไป
  • สำหรับกลยุทธ์อนาคตและวิธีการปรับตัว ก็มีคำตอบออกมาหลายแบบ
    • มีแผนจะยึด ความสามารถในการรีวิวและกำกับดูแลผลลัพธ์จาก AI อย่างมีความหมาย เป็นความเชี่ยวชาญรูปแบบใหม่
    • คาดว่าจะขยับไปสู่บทบาทที่ใช้เวลากับ การสร้างฉันทามติระหว่างผู้คน การประสานงาน และการวางกลยุทธ์ มากขึ้น และปล่อยให้ AI รับหน้าที่ด้านการลงมือทำมากขึ้น
    • ยังมีการยกตัวอย่างการใช้ Claude เพื่อรับฟีดแบ็กด้าน ภาวะผู้นำ การสื่อสาร และการพัฒนาอาชีพ เพื่อเร่งความเร็วในการเรียนรู้ของตนเอง
  • อารมณ์โดยรวมสรุปได้ว่าเป็นการรับรู้ว่า “เรามีความมั่นใจต่ำมากว่าสุดท้ายแล้วทักษะใดจะสำคัญที่สุดในอนาคต” ควบคู่ไปกับท่าทีที่ว่า สิ่งสำคัญคือ การเป็นคนและเป็นองค์กรที่สามารถปรับตัวได้อย่างรวดเร็ว ไม่ว่าอะไรจะเกิดขึ้น

แนวโน้มการใช้งาน Claude Code

• ปัญหาที่ยากขึ้นและความเป็นอิสระที่สูงขึ้น

  • Anthropic ใช้เครื่องมือปกป้องความเป็นส่วนตัวภายในเพื่อวิเคราะห์ ล็อกภายในของ Claude Code จำนวน 200,000 รายการจากสองช่วงเวลา คือเดือนกุมภาพันธ์และสิงหาคม 2025
    • เมื่อนำบันทึกการสนทนาแต่ละรายการไปประเมินด้วย สเกลความยาก 1~5 คะแนน พบว่าความยากเฉลี่ย เพิ่มจาก 3.2 เป็น 3.8
      • ตัวอย่างของระดับความยาก 3.2 คือ “แก้ปัญหา Python module import error” ส่วนตัวอย่างของระดับ 3.8 คือ “ติดตั้งและปรับแต่งระบบแคช”
  • จำนวนการเรียกใช้เครื่องมือที่ Claude Code ดำเนินการต่อเนื่องได้เองโดยไม่มีมนุษย์เข้ามาแทรกแซง เพิ่มจากเฉลี่ย 9.8 ครั้งเป็น 21.2 ครั้ง หรือ เพิ่มขึ้น 116%
    • หมายความว่า Claude สามารถแก้ไขไฟล์และรันคำสั่งต่อเนื่องด้วยตัวเองได้นานขึ้น เพื่อจัดการงานที่ซับซ้อนกว่าเดิม
  • จำนวน human turns ต่อการสนทนา ลดลงเฉลี่ยจาก 6.2 เหลือ 4.1 หรือลดลง 33% แสดงให้เห็นแนวโน้มว่า ต้องใช้ปฏิสัมพันธ์จากมนุษย์น้อยลง เพื่อให้งานเดียวกันสำเร็จ
    • เมื่อพิจารณาตัวชี้วัดเหล่านี้ร่วมกัน จึงบ่งชี้ว่าวิศวกร กำลังมอบงานที่ซับซ้อนขึ้นให้ Claude พร้อมให้อิสระในการทำงานมากขึ้น

• การเปลี่ยนแปลงของสัดส่วนงาน

  • มีการจัดประเภทการสนทนาแต่ละรายการในล็อกของ Claude Code เป็น การดีบัก·การทำความเข้าใจโค้ด·การรีแฟกเตอร์·การทดสอบ·การพัฒนาฟีเจอร์ใหม่·การออกแบบ/วางแผนโค้ด·ฟรอนต์เอนด์·ดาต้าไซเอนซ์ ฯลฯ แล้วนำมาเปรียบเทียบสัดส่วนงาน
    • ภาพรวมของสัดส่วนโดยรวมสอดคล้องกับ รูปแบบการใช้งานหลักที่ผู้คนรายงานผ่านแบบสำรวจ (เน้นดีบัก·ทำความเข้าใจโค้ด·พัฒนาฟีเจอร์ใหม่) ค่อนข้างมาก
  • การเปลี่ยนแปลงที่เด่นที่สุดในช่วง 6 เดือนคือ สัดส่วนของการพัฒนาฟีเจอร์ใหม่และการออกแบบ/วางแผนโค้ดที่พุ่งขึ้นอย่างมาก
    • การพัฒนาฟีเจอร์ใหม่เพิ่มจาก 14.3% เป็น 36.9% ของล็อกทั้งหมด และงานด้านการออกแบบ·การวางแผนก็เพิ่มจาก 1.0% เป็น 9.9%
    • อธิบายได้ว่าอาจหมายถึง Claude ถูกนำไปใช้กับงานที่ซับซ้อนและสร้างสรรค์มากขึ้น หรือทีมต่าง ๆ เริ่มนำ Claude Code เข้าสู่เวิร์กโฟลว์ลักษณะนี้อย่างจริงจังมากขึ้น
    • คณะวิจัยระบุว่าเป็นเรื่องยากที่จะแยกให้ชัดระหว่างการเพิ่มขึ้นของปริมาณงานโดยรวมกับ การเปลี่ยนแปลงของสัดส่วนเชิงสัมพัทธ์ และคงประเด็นนี้ไว้เป็นข้อจำกัด

• การแก้ papercut

  • สอดคล้องกับคำตอบในแบบสำรวจที่ผู้คนบอกว่าตนได้ทำ งานปรับปรุงคุณภาพเล็ก ๆ น้อย ๆ และงานเพิ่มความสะดวกในชีวิตประจำวัน มากขึ้น โดยในล็อกของ Claude Code ก็มี 8.6% ของงานทั้งหมดที่ถูกจัดเป็น ‘papercut fix’
    • งานเหล่านี้รวมถึง การสร้างเครื่องมือแสดงภาพประสิทธิภาพ การรีแฟกเตอร์เพื่อเพิ่มความสามารถในการบำรุงรักษา และการทำฟีเจอร์อำนวยความสะดวกเล็ก ๆ เช่นคีย์ลัดในเทอร์มินัลหรือสคริปต์
  • แม้งานเหล่านี้แต่ละชิ้นจะเล็ก แต่เมื่อสะสมมากขึ้นก็สามารถ ยกระดับประสิทธิภาพการทำงานและประสบการณ์ของนักพัฒนาได้อย่างชัดเจน
    • จุดเด่นคือ งานที่เดิมมักถูกเลื่อนเพราะมีลำดับความสำคัญต่ำ ตอนนี้ด้วย Claude ทำให้ ภาระลดลงและถูกจัดการได้อย่างเป็นธรรมชาติ

• ความแตกต่างของการใช้งานระหว่างทีม

  • จากล็อกของ Claude Code ในเดือนสิงหาคม 2025 เมื่อติดแท็กการสนทนาแต่ละรายการด้วย ประเภทงานหลักเพียงหนึ่งประเภท แล้วเปรียบเทียบการกระจายตัวรายทีม ผลลัพธ์ถูกนำเสนอเป็น Figure 5
    • ในค่าเฉลี่ยรวม (“All Teams”) การพัฒนาฟีเจอร์ใหม่·การดีบัก·การทำความเข้าใจโค้ด ครองสัดส่วนมากที่สุด แสดงให้เห็นรูปแบบพื้นฐานของการใช้ Claude
  • ลักษณะเด่นของแต่ละทีมหลักมีดังนี้
    • ทีม Pre-training ใช้ Claude Code กับ การพัฒนาฟีเจอร์ใหม่ 54.6% โดยเฉพาะการ รันการทดลองเพิ่มเติมหลากหลายแบบ ที่มีสัดส่วนสูงมาก
    • ทีม Alignment & Safety และทีม Post-training มีสัดส่วนงานฟรอนต์เอนด์สูงที่ 7.5% และ 7.4% ตามลำดับ โดยใช้ Claude เป็นหลักกับ การสร้าง UI สำหรับการแสดงภาพข้อมูล
    • ทีม Security มีการใช้ Claude Code กับ งานทำความเข้าใจโค้ด 48.9% โดยมักใช้เพื่อ วิเคราะห์และทำความเข้าใจนัยด้านความปลอดภัยของโค้ดที่ไม่คุ้นเคย
    • พนักงานที่ไม่ใช่สายเทคนิค ก็ใช้ Claude Code มากเช่นกัน โดย 51.5% เป็นการดีบัก (เช่น ปัญหาเครือข่าย, ปัญหา Git) และ 12.7% เป็นงานดาต้าไซเอนซ์ แสดงให้เห็นว่ามันถูกใช้เป็นเครื่องมือช่วยอุดช่องว่างด้านความรู้ทางเทคนิค
  • โดยรวมแล้ว ทีมต่าง ๆ ใช้ Claude กับ งานหลักของตนเอง (เช่น อินฟราสตรักเจอร์, งานวิจัย, ความปลอดภัย) แต่ในขณะเดียวกันก็ใช้ Claude กับ งานที่อยู่นอกขอบเขตความเชี่ยวชาญแบบดั้งเดิม ด้วย ทำให้ข้อมูลสะท้อนว่าทุกคนกำลัง ขยับเข้าใกล้ความเป็น full-stack มากขึ้นทีละน้อย

มองไปข้างหน้า

• ขั้นตอนถัดไปภายใน Anthropic

  • จากความเปลี่ยนแปลงตลอด 1 ปีที่ผ่านมา Anthropic มองว่าตนเองมีบทบาทเป็น “ห้องทดลอง” ที่รับผิดชอบต่อการบริหารการเปลี่ยนผ่านของงานด้วย Claude อย่างรอบคอบ
    • บริษัทระบุว่าได้เริ่มทบทวน รูปแบบการทำงานร่วมกัน โครงสร้างของการประชุมและการสื่อสาร รวมถึงนิยามบทบาทของแต่ละตำแหน่งงาน ร่วมกับวิศวกร นักวิจัย และฝ่ายผู้นำ เพื่อสร้าง best practices แบบใหม่ ที่ตั้งอยู่บนสมมติฐานว่าการทำงานมี AI ช่วยอยู่แล้ว
  • โดยเฉพาะอย่างยิ่ง บริษัทกำลังโฟกัสว่า การพัฒนาความเชี่ยวชาญ เมนเทอร์ชิป และเส้นทางการเลื่อนตำแหน่งกับการเติบโต ควรเปลี่ยนไปอย่างไรในยุค AI ซึ่งอ้างอิงถึง AI fluency framework ที่ Anthropic เผยแพร่ไว้ก่อนหน้านี้ด้วย
    • การเคลื่อนไหวนี้มุ่งออกแบบการฝึกอบรมและนโยบายภายในอย่างเป็นรูปธรรม บนพื้นฐานของเฟรมเวิร์กที่กำหนดว่าเมื่อมนุษย์และ AI ทำงานร่วมกัน ควรมี ระดับความเข้าใจ การกำกับดูแล และความสามารถในการให้ฟีดแบ็ก แบบใด
  • แม้งานวิจัยครั้งนี้จะ เน้นที่วิศวกรเป็นหลัก แต่บริษัทระบุว่าในอนาคตจะ ขยายขอบเขตไปยังสายงานที่ไม่ใช่นักพัฒนา เพื่อศึกษาว่า AI กำลังเปลี่ยนวิธีทำงานทั่วทั้ง Anthropic อย่างไร

• พาร์ตเนอร์ภายนอก การศึกษา และแผนระยะยาว

  • นอกเหนือจากงานวิจัยภายใน Anthropic ยังทำหน้าที่ ช่วยให้องค์กรภายนอกปรับตัวสู่ยุคที่มี AI ช่วยทำงาน ควบคู่กันไปด้วย
    • ตัวอย่างเช่น บริษัทระบุว่ากำลังร่วมมือกับ CodePath เพื่อสนับสนุนการ ปรับหลักสูตรวิทยาการคอมพิวเตอร์ให้เหมาะกับสภาพแวดล้อมที่มี AI ช่วย
    • สิ่งนี้สะท้อนมุมมองว่าจำเป็นต้องออกแบบ การฝึกนักพัฒนารุ่นจูเนียร์และเส้นทางการเรียนรู้ของผู้เริ่มต้นอาชีพใหม่ โดยตั้งต้นจากการมีเครื่องมือ AI อยู่แล้ว
  • ในอนาคต บริษัทมองว่าแนวทางเชิงโครงสร้าง เช่น การออกแบบบทบาทในองค์กรใหม่ เส้นทาง reskilling และเส้นทางเปลี่ยนสายงานรูปแบบใหม่ อาจยิ่งมีความสำคัญมากขึ้น
    • ตัวอย่างเช่น อาจมีการหารือถึงการรับรองบทบาทใหม่ให้เป็นตำแหน่งงานอย่างเป็นทางการ เช่น การกำกับดูแล AI agent ความรับผิดชอบด้านคุณภาพ หรือการทบทวนด้านจริยธรรม
  • Anthropic ส่งสัญญาณว่าจะ เปิดเผยแผนที่เป็นรูปธรรมมากขึ้นในปี 2026 และวางตำแหน่งงานวิจัยครั้งนี้เป็น ทั้งจุดเริ่มต้นและจุดตรวจสอบระหว่างทาง
    • ข้อความหลักคือ Anthropic ไม่ได้หยุดอยู่แค่การสังเกตว่า AI กำลังเปลี่ยนงานอย่างไร แต่พยายามทดลองและปรับตัวด้วยตนเองก่อน เพื่อสร้างโมเดลของ “การเปลี่ยนผ่านอย่างรับผิดชอบ”

[mhj5730]

ในมุมของนักพัฒนา AI ช่วยได้มากกับงานจัดทำเอกสารที่สิ้นเปลืองพลังใจอย่างมาก
แค่ [เพิ่มคอมเมนต์หรือคำอธิบาย] และให้ช่วยทำร่างขึ้นมาก็ช่วยลดภาระทางใจได้แล้ว

[nimgnos]

ดูเหมือนเป็นการมาของ AI Ops นะ

[laeyoung]

ปลายปี 2024 - ใช้ Claude ในงานประจำวัน 28% และผลิตภาพเพิ่มขึ้น 20%
ปลายปี 2025 - ใช้ Claude ในงานประจำวัน 59% และผลิตภาพเพิ่มขึ้น 50%

ภายในเวลา 1 ปี งานที่พนักงานใช้ AI เพิ่มขึ้น 2 เท่า และผลิตภาพเพิ่มขึ้น 2.5 เท่าเลยนะครับ

[geek12356]

เราไม่ได้ต้องการเพียงความรู้สึกโดยรวมว่าประสิทธิภาพการทำงานดีขึ้น แต่ต้องการหลักฐานที่แม่นยำซึ่งอ้างอิงจากข้อมูลที่วัดผลได้

[bungker]

ถ้าวัดด้วยอะไรอย่าง story point ก็เหมือนจะได้ประมาณ 2~5 เท่า แต่ถ้าวัดด้วยจำนวนบรรทัดโค้ด บางทีก็แค่ 30% บางทีก็หลายสิบเท่าเหมือนกันครับ

[grenade]

ผมเห็นด้วยมากทีเดียวกับส่วนที่บอกว่าในบทความ AI ช่วยเรื่องการแก้ปัญหาจุกจิกเล็ก ๆ น้อย ๆ ได้
แทนที่จะให้มันรับงานชิ้นใหญ่ ดูเหมือนว่าผมจะได้ความช่วยเหลือจาก AI เยอะมากเวลาเพิ่มฟีเจอร์อำนวยความสะดวกเล็ก ๆ งานเขียนสคริปต์ รีแฟกเตอร์ริง และงานที่น่ารำคาญแต่ถ้าทำไว้ล่วงหน้าจะสบายขึ้นในภายหลัง

[colus001]

ก็เป็นกาแฟที่ร้านผมชงเอง จะขายก็ต้องบอกว่าอร่อยสิครับ