- หลังการนำ AI มาใช้ แม้ว่า ผลิตภาพจะสูงขึ้น แต่ความเหนื่อยล้ากลับรุนแรงขึ้น ซึ่งกำลังแพร่กระจายในหมู่วิศวกร
- ความเร็วในการทำงานเพิ่มขึ้น แต่ ปริมาณงานและความคาดหวังก็เพิ่มตามไปด้วย ทำให้ภาระด้าน การประสานงานและการตรวจทาน ของมนุษย์หนักขึ้น
- กระบวนการตรวจทานและตัดสินโค้ดจาก AI ที่เกิดซ้ำ ๆ ทำให้ ความเหนื่อยล้าจากการตัดสินใจและการใช้พลังการรับรู้ สะสม
- การต้องไล่ตามเทคโนโลยีใหม่อย่างต่อเนื่อง, ความเหนื่อยจากการเปลี่ยนเครื่องมือ, และ ผลลัพธ์จาก AI ที่ไม่เป็นแบบกำหนดแน่นอน กระตุ้นความกังวลและภาวะหมดไฟ
- เพื่อให้การใช้ AI ยั่งยืน จำเป็นต้องมี การตั้งขอบเขต การบริหารเวลา และการผ่อนคลายความเป็นเพอร์เฟ็กชันนิสต์
ความย้อนแย้งระหว่างผลิตภาพกับความเหนื่อยล้าจาก AI
- AI ช่วยลดเวลาของงานแต่ละชิ้น แต่ ปริมาณงานรวมและความคาดหวังกลับเพิ่มขึ้นพร้อมกัน
- จากเดิมที่ใช้เวลาหนึ่งวันกับงานเดียว กลายเป็นต้องจัดการหลายปัญหาพร้อมกัน ทำให้ ต้นทุนของการสลับบริบท สูงขึ้น
- ต้นทุนการผลิตลดลง แต่ต้นทุนการประสานงาน การตรวจทาน และการตัดสินใจเพิ่มขึ้น และภาระนี้ถูกผลักไปให้มนุษย์ทั้งหมด
- แม้ AI จะสร้างโค้ดได้รวดเร็ว แต่ ความเหนื่อยล้าทางการรับรู้ของมนุษย์ กลับเพิ่มขึ้น
การเปลี่ยนจากผู้สร้างเป็นผู้ตรวจทาน
- หลังการนำ AI มาใช้ บทบาทของวิศวกรเปลี่ยนจาก ผู้สร้างเป็นผู้ประเมิน
- การพิมพ์พรอมป์ต์ การตรวจผลลัพธ์ และการตัดสินความถูกต้องกับความปลอดภัย กลายเป็นงานประเมินแบบซ้ำ ๆ ที่เป็นแกนหลัก
- งานเชิงสร้างสรรค์ทำให้เกิดภาวะจดจ่อ แต่การประเมินทำให้เกิดความเหนื่อยล้า
- เพราะโค้ดจาก AI ยังขาดความน่าเชื่อถือ จึงมี ภาระที่ต้องตรวจทุกบรรทัด มากขึ้น
- ด้วยเหตุนี้ ความสำคัญของ ระบบความปลอดภัยและการจัดการสิทธิ์ จึงเพิ่มขึ้น และจำเป็นต้องมุ่งไปในทิศทางที่ลดภาระทางการรับรู้ของมนุษย์
ปัญหาความไม่เป็นแบบกำหนดแน่นอน
- AI เป็น ระบบที่ไม่เป็นแบบกำหนดแน่นอน ซึ่งอาจให้ผลลัพธ์ต่างกันแม้ใช้อินพุตเดียวกัน และขัดกับวิธีคิดของวิศวกร
- พรอมป์ต์เดียวกันอาจให้ผลต่างกัน ทำให้เกิด ความไม่เสถียรที่ดีบักไม่ได้
- เพื่อบรรเทาปัญหานี้ จึงได้พัฒนา เครื่องมือกลั่นบริบทแบบกำหนดได้ Distill เพื่อทำให้อินพุตมีความสม่ำเสมอ
- วิศวกรบางส่วนมองผลลัพธ์จาก AI เป็น “ร่างที่ยังไม่สมบูรณ์” และรับมือด้วยการเผื่อเวลาแก้ไขไว้ในงบประมาณ
FOMO (ความกลัวว่าจะพลาด) และความเหนื่อยจากเครื่องมือ
- ในช่วงไม่กี่เดือนที่ผ่านมา มี AI agent, framework และ SDK จำนวนมากเกิดขึ้นอย่างรวดเร็ว
- ความพยายามที่จะตามเครื่องมือใหม่ให้ทัน ทำให้เกิด วงจรอุบาทว์ของการเรียนรู้และการเปลี่ยนเครื่องมืออย่างต่อเนื่อง
- เกิดทั้ง ความรู้ที่หายไปอย่างรวดเร็วและงานที่ซ้ำซ้อน และในบางกรณี คนที่รอดูสถานการณ์กลับมีประสิทธิภาพมากกว่าผู้ที่รีบใช้งานตั้งแต่ต้น
- ผู้เขียนเลือกแนวทางที่ไม่สั่นไหวตามการเปลี่ยนเครื่องมือ โดยโฟกัสที่ ชั้นโครงสร้างพื้นฐาน (สิทธิ์, บริบท, ความปลอดภัย)
กับดักของ “ขอพรอมป์ต์อีกแค่อีกครั้งเดียว”
- เมื่อผลลัพธ์จาก AI ไม่สมบูรณ์ จึงเกิดภาวะ วนซ้ำกับการปรับพรอมป์ต์
- การลองซ้ำหลายครั้งดูเหมือนมีประสิทธิผล แต่จริง ๆ แล้ว กลับเสียเวลาไปกับการปรับพรอมป์ต์มากกว่าการแก้ปัญหาจริง
- จึงใช้ “กฎ 3 ครั้ง” เพื่อรักษาประสิทธิภาพ: หากลองสามครั้งแล้วยังใช้ประโยชน์ได้ไม่เกิน 70% ก็จะลงมือเขียนเอง
การปะทะกันระหว่างความเป็นเพอร์เฟ็กชันนิสต์กับผลลัพธ์เชิงความน่าจะเป็น
- ผลลัพธ์จาก AI มักอยู่ในระดับ “เกือบถูก” เสมอ ซึ่งสร้างความเครียดอย่างมากให้กับวิศวกรที่มีแนวโน้มเป็นเพอร์เฟ็กชันนิสต์
- การแก้ไขจุกจิกซ้ำไปมา นำไปสู่ ความเหนื่อยล้าทางอารมณ์และการเสียเวลา
- การมองผลลัพธ์จาก AI เป็น “ร่าง” และนำมาปรับต่ออย่างรวดเร็ว เป็นท่าทีที่มีประสิทธิภาพกว่า
การอ่อนลงของความสามารถในการคิด
- ผลจากการพึ่งพา AI ทำให้เกิด การถดถอยของความสามารถในการแก้ปัญหาและการออกแบบ
- นิสัยที่ไม่คิดด้วยตนเองนำไปสู่ การฝ่อลงของ “กล้ามเนื้อการคิด”
- เพื่อป้องกันสิ่งนี้ จึงฝึก คิดและออกแบบโดยไม่ใช้ AI เป็นเวลาช่วงหนึ่งในทุกวัน
กับดักของการเปรียบเทียบ
- บนโซเชียลมีเดีย มักมีเพียง กรณีที่ใช้ AI แล้วได้ผลลัพธ์อย่างรวดเร็ว ถูกแชร์ออกมา ทำให้ความล้มเหลวหรือความเหนื่อยล้าของแต่ละคนไม่ปรากฏ
- ผลลัพธ์จาก AI มีความสามารถในการทำซ้ำต่ำ จึงทำให้ การเปรียบเทียบกันนั้นแทบไม่มีความหมาย
- ทางที่เหมาะสมคือ ลดการเสพข้อมูล และโฟกัสกับ แหล่งข้อมูลที่เชื่อถือได้ซึ่งเน้นการสร้างและการปฏิบัติจริง
กลยุทธ์การใช้ AI อย่างยั่งยืน
- จำกัด ระยะเวลาของเซสชัน AI เพื่อป้องกันการวนซ้ำมากเกินไป
- แยกเวลาคิดออกจากเวลาใช้ AI เพื่อรักษาสมดุลทางการรับรู้
- ยอมรับความสมบูรณ์ระดับ 70% เพื่อลดความเป็นเพอร์เฟ็กชันนิสต์
- ชะลอจังหวะการรับเทคโนโลยีใหม่ และเลือกใช้เครื่องมือที่ผ่านการพิสูจน์แล้วเป็นหลัก
- บันทึก log ประสิทธิภาพของ AI เพื่อเข้าใจประโยชน์จริงและข้อจำกัด
- ลดขอบเขตการตรวจทาน และโฟกัสเฉพาะพื้นที่สำคัญ
ความยั่งยืนและภาวะหมดไฟ
- AI ลบข้อจำกัดด้านความเร็วในการทำงาน ออกไป จึงเร่งให้เกิดการทำงานหนักเกินไป
- เมื่อมนุษย์ เกินขีดจำกัดทางการรับรู้ ก็จะเกิดภาวะหมดไฟ และสิ่งนี้กำลังขยายจากปัญหาระดับบุคคลไปเป็น ปัญหาเชิงระบบ
- แกนสำคัญของการฟื้นตัวไม่ใช่ปริมาณการใช้ AI แต่คือ การออกแบบวิธีใช้งานใหม่
- ท่ามกลางความเหนื่อยล้า ก็ยังเกิดเครื่องมือแก้ปัญหาจริงอย่าง Distill·agentic-authz·AgentTrace ขึ้นมา
ศักยภาพที่แท้จริง: ความสามารถในการรู้ว่าเมื่อไรควรหยุด
- ความสามารถสำคัญในยุค AI คือ วิจารณญาณที่จะรู้ว่าเมื่อไรควรหยุด
- ต้องรู้ว่าเมื่อไรควรหยุดที่ผลลัพธ์ซึ่งดีพอแล้ว และเมื่อไรควรเขียนเองหรือพักผ่อน
- การปกป้องสมองของมนุษย์ในฐานะ ทรัพยากรที่มีจำกัด คือวิศวกรรมที่แท้จริง
- AI ทรงพลัง แต่ก็เป็น เครื่องมือที่สิ้นเปลืองพลังทางการรับรู้มากที่สุด และการใช้อย่างชาญฉลาดคือหัวใจของความยั่งยืน
- ผลลัพธ์ที่ยั่งยืน คือคุณค่าที่แท้จริง และเป็นเป้าหมายสูงสุดของการใช้ AI
5 ความคิดเห็น
ยิ่งนานวันก็ยิ่งไม่แน่ใจว่าสำนวนนี้แม่นยำไหม แต่รู้สึกว่านักพัฒนากำลังค่อย ๆ กลายเป็น “tech leader” มากขึ้น
ถ้า AI เข้ามาเอางาน “เขียนโค้ด” ไป สิ่งที่เหลืออยู่สุดท้ายก็คือ
เท่านั้น
พูดอีกแบบก็คือ นักพัฒนาไม่ได้เป็น “ผู้ผลิต” อีกต่อไป แต่บทบาทกำลังเปลี่ยนไปเป็น
แทน
พอเป็นแบบนี้ ก็เลยเกิดความเหนื่อยล้าจากการทำงานแบบที่ไม่เคยมีมาก่อน และทำให้ต้องถามตัวเองว่าสุดท้ายแล้วทิศทางนี้สอดคล้องกับความถนัดในอาชีพนักพัฒนาที่ฉันมองหาอยู่จริงหรือไม่
บรรทัดสุดท้ายกินใจดีนะครับ/ค่ะ เหมือนว่านี่ไม่ใช่สิ่งที่ผม/ฉันอยากทำมาตั้งแต่แรก
ตอนเด็ก ๆ ผมเคยอยู่ชมรมวงดนตรี แล้วก็มีเพื่อนคนหนึ่งที่พยายามโน้มน้าวทุกคนว่าในนั้นเราควรแต่งเพลงของตัวเองกัน เขาบอกว่าแทนที่จะขัดเกลาทักษะการเล่น เราควรคิดก่อนว่าอยากร้องเรื่องอะไร แน่นอนว่าที่ผมจำได้คือเสียงของพวกที่อยากตั้งวงด้วยการเล่นเพลงดัง ๆ ตามต้นฉบับนั้นมีมากกว่า
แต่ช่วงนี้ผมนึกถึงเพื่อนคนนั้นบ่อยมาก
มันเป็นคำถามที่ผมมัวแต่ยุ่งกับการใช้ชีวิตจนเลี่ยงไม่เผชิญมันมาตลอด แต่ด้วยการพัฒนาของ AI หลังจากที่ผมยึดอาชีพนักพัฒนาแล้ว ตกลงผมชอบการเขียนโค้ดจริง ๆ หรือผมชอบการสร้างคุณค่า และใช้การเขียนโค้ดเป็นเพียงเครื่องมือสำหรับสิ่งนั้น
ถ้าที่ผ่านมาคนสองประเภทนี้ยังปะปนกันอยู่ ต่อจากนี้คงอีกไม่นานจะถึงช่วงเวลาที่ผมต้องทำให้ชัดว่าตัวเองเป็นฝ่ายไหนกันแน่
ความรับผิดชอบในการสร้างโปรแกรมที่ทำงานได้ดีตามความต้องการของลูกค้าและเป็นโปรแกรมที่ไม่เสียยังคงเป็นของนักพัฒนาอยู่ ดังนั้นคุณไม่จำเป็นต้องเลิกลงมือเขียนโค้ด ผมคิดว่า AI แค่ช่วยพิมพ์ให้เท่านั้น แต่แก่นแท้ยังเหมือนเดิม
ความเห็นจาก Hacker News
สำหรับฉัน ความเหนื่อยมันต่างออกไปนิดหน่อย ปัญหาคือการต้อง หยุดรอทุกครั้งที่ LLM สร้างผลลัพธ์ ระหว่างทำงานหรือรีวิวโค้ด
ระยะเวลาที่ต้องรอนั้นคาดเดาไม่ได้ เลยไม่แน่ใจว่าควรรอต่อหรือเริ่มทำอย่างอื่นดี สุดท้ายก็เลยไปทำอย่างอื่นเพื่อฆ่าเวลา
ท้ายที่สุดก็ เข้าโหมดลื่นไหล (flow) ไม่ได้ และเหนื่อยจากการต้องคอยเฝ้าว่างานเบื้องหลังจะเสร็จเมื่อไร
แทนที่จะรู้สึกว่าผลิตภาพสูงขึ้น กลับรู้สึกเหมือนเป็นพี่เลี้ยงขี้เกียจที่คอยกันเด็กไม่ให้เจ็บตัว
ขอแนะนำเกมโอเพนซอร์สที่เริ่มเล่นสั้น ๆ แล้วหยุดได้อย่าง Endless Sky
เมื่อก่อนฉันเริ่มรู้สึกว่าการเขียนโปรแกรมไม่สนุกแล้ว แต่ด้วย Claude Code ฉันกลับมารู้สึกสนุกอีกครั้ง ไม่เหมือนเดิมซะทีเดียว แต่ก็สนุกพอสำหรับช่วงชีวิตตอนนี้
อย่างที่ฉันเขียนไว้ใน บทความเรื่อง review fatigue มันส่งผลไม่ใช่แค่กับนักพัฒนา แต่กับทั้งองค์กรด้วย
พอเวิร์กโฟลว์ AI มุ่งเน้นการรีดผลิตภาพสูงสุด สุดท้ายก็กลายเป็นการเผาผลาญมนุษย์
ทางแก้ก็เป็นแบบคลาสสิก — พักบ่อย ๆ และให้นักพัฒนามนุษย์ได้ลงมือเขียนโค้ดเองบ้าง อย่างน้อยเล็กน้อย วิธีนี้ช่วยให้ช้าลงแต่ยังรักษา ความลื่นไหลและการฟื้นตัว ได้
ระหว่างที่ LLM ทำงาน ฉันจะสควอต วิดพื้น หรือเดินยืดเส้นยืดสายรอบบ้าน มันสนุกกว่านั่งหน้าคีย์บอร์ดทั้งวันมาก
การขยับร่างกายช่วยจัดระเบียบความคิดได้ดีขึ้น แต่ถึงอย่างนั้น ความเหนื่อยล้าทางใจ ก็ยังอยู่
ระหว่างส่งพรอมป์ต์แล้วรอ ฉันก็เผลอไปท่องเว็บ ถ้าไม่ใช้แอป SelfControl มาบล็อกไว้ก็แทบทนไม่ไหว
แม้ LLM จะช่วยเพิ่มผลิตภาพ แต่พอจบวันกลับเหนื่อยกว่าเดิมมาก และยังรู้สึกผิดด้วย
ไอเดียของบทความดีนะ แต่พออ่านไปแล้วกลับรู้สึก เหนื่อยเหมือนอ่านอะไรที่ AI เขียน
เรื่องที่จบได้ในหนึ่งสองประโยคกลับยืดยาวเกินไป และมีตัวอย่างที่ไม่จำเป็นเยอะ
ข้ออ้างว่า “หน้าแรกของ HN กำลังสับสนวุ่นวาย” ก็ไม่จริง บทความที่ยกมาพูดถึงยังได้ไม่ถึง 5 upvote ด้วยซ้ำ และคุณภาพหน้าแรกของ HN ก็ยังโอเคอยู่
อีกอย่าง ข้ออ้างว่า “ไม่มีใครพูดถึงเรื่องนี้” ก็ไม่จริง การพูดคุยเรื่อง AI fatigue มีมานานแล้ว
“ขอบคุณ OpenClaw, ขอบคุณ AGI—สำหรับฉันมันมาถึงแล้ว”
“ถ้าวันนี้คุณยังไม่ได้ใช้โทเค็นอย่างน้อย $1,000 ต่อวิศวกรมนุษย์หนึ่งคน โรงงานซอฟต์แวร์ของคุณก็ยังมีที่ให้ปรับปรุง”
“โค้ดไม่ควรให้มนุษย์รีวิว”
“C เคยทำอะไรกับแอสเซมบลี Java เคยทำอะไรกับ C ตอนนี้ LLM ก็กำลังทำแบบนั้นกับทุกภาษา”
ประโยคเหล่านี้ยกมาจากโพสต์ที่ขึ้นหน้าแรกจริง ๆ
หรือไม่ก็อ่านบทความ AI มากเกินไปจน สไตล์การเขียนเองกลายเป็นเหมือน AI ไปแล้ว
ฉันเองก็เพิ่งเริ่มเขียนบล็อกไม่นานนี้ แล้วพบว่า การเขียนเชิงเล่าเรื่อง สนุกกว่าที่คิด
แต่ละคนก็มีสไตล์ต่างกันไป ไม่ใช่ปัญหาอะไร
เนื้อหานี้ย่อได้ไม่กี่ย่อหน้า แต่มีคำขยายที่ไม่จำเป็นเยอะเกินไป
ต่อไปเราอาจได้เห็น “ฉลากผู้ผลิตที่เป็นมนุษย์” ติดอยู่กับคอนเทนต์ด้วยก็ได้ — เช่น “ผลิตโดยฟรีแลนซ์” หรือ “ผลิตโดยคนชานเมือง” อะไรทำนองนั้น
เห็นด้วยกับคำว่า “พอปล่อยงานได้เร็วขึ้น ความคาดหวังก็สูงขึ้น”
นี่เป็นปัญหาเก่าแล้ว Helen Keller ก็เคยพูดอะไรคล้าย ๆ กันไว้ตั้งแต่เกือบ 100 ปีก่อน
ใน บทความของ The Atlantic มีใจความประมาณว่า “เอาเครื่องทุ่นแรงมาใช้เพื่อประหยัดแรงงานจริง ๆ กันเถอะ”
ในหนึ่งวันฉันขยับหลายโปรเจกต์ได้ก็จริง แต่ก็ หมดแรงไปเลย
หลายคนถึงกับนอนไม่หลับเพราะถูกล่อด้วยความคิดว่า “ขอส่งพรอมป์ต์อีกแค่ครั้งเดียว”
จังหวะการทำงานที่ยั่งยืน ซึ่งสั่งสมมานานพังไปแล้ว และคงต้องใช้เวลาสักพักกว่าจะหาสมดุลใหม่เจอ
แต่ตอนนี้ช่วงแรกมันไปได้ดีมากจนทำต่อเรื่อย ๆ แล้วค่อยมาเจอ จุดที่ตันแบบกะทันหัน
แต่ฉันหยุดไม่ได้ เลยขยายต่อไปถึงบัญชี ภาษี CRM คลังสินค้า และการจัดการโปรเจกต์
สุดท้ายก็เผลอสร้าง SaaS ที่ไม่มีความจำเป็น ขึ้นมา ตอนนี้เลยกำลังคิดว่าจะปล่อยเป็นโอเพนซอร์สดีไหม
แต่ตอนนี้อย่างน้อยก็ ตามดู agent session ต่อจากเบราว์เซอร์มือถือได้แล้ว เลยนอนดูบนเตียงได้ด้วย (พูดเล่นครึ่งหนึ่งจริงครึ่งหนึ่ง)
ตอนนี้คอขวดที่แท้จริงไม่ใช่การเขียนโค้ด แต่คือ การเก็บ requirement และการตัดสินใจ
ไม่เข้าใจเลยว่าทำไมถึงยังต้องทำงานต่อกันอีก
ผมเป็นคนเขียนบทความเอง ไม่ได้ตั้งใจเขียนต้าน AI แต่พูดถึง ต้นทุนทางการรับรู้
ยิ่งงานเร็วขึ้น งานก็ยิ่งมากขึ้น และการต้องคอยตรวจผลลัพธ์จาก AI ก็สะสมเป็น ความล้าจากการตัดสินใจ
ระบบนิเวศของเครื่องมือก็เปลี่ยนทุกสัปดาห์ ผมแค่แชร์วิธีที่ช่วยได้จริง และอยากรู้ว่าคนอื่นกำลังชนกำแพงคล้าย ๆ กันหรือเปล่า
มันทำให้ความรู้สึกเหนื่อยจากการคุยกับสิ่งที่ไม่ใช่มนุษย์หนักขึ้นไปอีก
แต่พอตั้งความคาดหวังให้สมจริง และพยายามไม่หวั่นไหวไปกับ “โพสต์เวทมนตร์จาก AI” ทั้งหลาย ความกังวลก็ลดลง
เทคโนโลยีไม่เคยมีไว้ทำให้แรงงานสบายขึ้น
มันมีเป้าหมายเพื่อเพิ่ม ผลิตภาพและความสามารถในการแข่งขัน มาโดยตลอด
จากม้าสู่รถยนต์ จากโทรศัพท์สู่สมาร์ตโฟน แต่เวลาว่างของเราไม่ได้เพิ่มขึ้นเลย เราแค่กลายเป็นมนุษย์ที่ เคลื่อนที่ได้มากขึ้นและเชื่อมต่อมากขึ้น เท่านั้น
ถ้ายอมรับคุณภาพชีวิตแบบดั้งเดิมได้ ก็สามารถ ทำงานให้น้อยลงและยังใช้ชีวิตได้สบาย
ช่วงนี้ที่ฉันรู้สึกคือ ความล้าของการทำงานบริหารจัดการความคิด (executive functioning fatigue)
เวลาทำงานร่วมกับ AI เราต้องตัดสินใจระดับสูงอยู่ตลอด มากกว่าจะเป็นแค่การลงมือทำ
แทบไม่มีช่วงพักเลย เหมือนสมองส่วนหน้าถูกใช้งานหนักเกินไป
ถ้าสภาพนี้ดำเนินต่อไปเรื่อย ๆ บางที ความสามารถด้าน executive function ของมนุษย์อาจแข็งแรงขึ้นก็ได้
ไม่คิดเลยว่าการดูแลทีมวิศวกรอัจฉริยะสิบคนแต่ไม่นิ่งเอาเสียเลย จะ บั่นทอนพลังได้ขนาดนี้
ผมคิดว่าสาเหตุของ AI fatigue คือ สมดุลของสามช่วงในการเขียนโปรแกรมพังไปแล้ว
ปกติทั้งสามช่วงคือ แก้ปัญหา → เขียนโค้ด → ตรวจผลลัพธ์ และมันเคยสมดุลกัน
การเขียนโค้ดแม้จะซ้ำ ๆ แต่ก็เป็น กระบวนการที่คล้ายสมาธิและให้ความมั่นคง ส่วนการแก้ปัญหานั้นใช้พลังสูง และการตรวจผลลัพธ์คือรางวัลโดพามีน
แต่เมื่อ LLM มารับช่วงการเขียนโค้ดไป เราเลยเหลือแค่ ขั้นแก้ปัญหาและรีวิวที่เครียดสูง
ช่วงกันชนระหว่างสองอย่างนั้นหายไป เลยยิ่งเหนื่อยกว่าเดิมมาก
เหตุผลที่หลายคนคิดถึงการเขียนโค้ดแบบเดิม ก็เพราะการสูญเสีย กระแสลื่นไหลเชิงสมาธิ นี่เอง
ผมเองก็ชอบทำ pair programming กับ AI โดยพิมพ์โค้ดเองไปด้วย รู้สึกว่าวิธีนี้ยั่งยืนกว่าในระยะยาว
แต่ความยั่วยวนของ ผลิตภาพจากการจัดการหลายเอเจนต์พร้อมกัน ก็แรงมากจริง ๆ
ส่วนที่ว่า “กำลังต่อสู้กับระบบที่ไม่เป็น deterministic” นั้นโดนใจมาก
โดยธรรมชาติแล้ว LLM ต้องการ การแทรกแซงจากมนุษย์อย่างต่อเนื่อง เว้นแต่บริษัทจะพร้อมรับผิดชอบผลลัพธ์ของมันทั้งหมด
จะลดแรงดันไฟฟ้าเพื่อลงโทษมันก็ไม่ได้ และมันก็ฟังไม่สมเหตุสมผลพอ ๆ กับการเอาผิดลูกเต๋า