ในขณะนี้ ทีมที่มีแนวโน้มจะก้าวนำในโลกของการพัฒนาซอฟต์แวร์ที่ขับเคลื่อนด้วย AI ไม่จำเป็นต้องเป็นทีมที่ใหญ่ที่สุด ได้รับเงินทุนมากที่สุด หรือถูกปรับให้เหมาะสมด้วยกระบวนการมากที่สุดเสมอไป
พวกเขาคือทีมขนาดเล็กที่มีอำนาจตัดสินใจ พร้อมความพร้อมทางเทคนิคสูง ใช้ AI เป็นตัวคูณกำลัง สร้างระบบที่มีความหมายได้ในเวลาเพียงเศษเสี้ยวของที่เคยต้องใช้ เราเริ่มเรียกทีมเหล่านี้ว่า "ทีมวิศวกรรม Super Cell".
ไม่ใช่เพราะพวกเขาดูหวือหวา ไม่ใช่เพราะพวกเขาเป็นอิสระเต็มที่ แต่เพราะพวกเขาผสานประสบการณ์วิศวกรรมที่ลึกซึ้งเข้ากับการใช้ AI อย่างมีวินัยและชาญฉลาด และการผสานนี้เปลี่ยนเศรษฐศาสตร์ของการพัฒนาซอฟต์แวร์
จาก GPT ยุคแรกสู่การวิศวกรรมแบบเอเจนต์ (Agentic Engineering)
ที่ Infonomic เราติดตามเรื่องราวของ AI บนพื้นฐาน LLM อย่างใกล้ชิด — ตั้งแต่การเปิดตัว GPT ครั้งแรก ไปจนถึงเครื่องมือเขียนโค้ดแบบเอเจนต์ที่เราใช้ในงานประจำทุกวันนี้
ในช่วงเวลาที่ค่อนข้างสั้น เราได้เห็นเครื่องมือเหล่านี้พัฒนาไป:
- จากอินเทอร์เฟซแปลกใหม่สู่ผู้ช่วยพัฒนาที่จริงจัง
- จากการเติมคำอัตโนมัติสู่ผู้ช่วยขับเคลื่อนด้านสถาปัตยกรรม
- จากพรอมต์ที่แยกส่วนสู่เอเจนต์ที่สามารถให้เหตุผลครอบคลุมทั้งโค้ดเบส
ในงานของเราเอง การเขียนโค้ดโดยมี AI ช่วยได้กลายเป็นตัวคูณกำลัง
เราสามารถ:
- ทำต้นแบบได้เร็วขึ้น
- รีแฟกเตอร์ได้อย่างมั่นใจมากขึ้น
- สร้างเทสต์ได้อย่างมีประสิทธิภาพมากขึ้น
- สำรวจทางเลือกด้านสถาปัตยกรรมได้อย่างรวดเร็ว
- ส่งมอบระบบโปรดักชันได้เร็วขึ้น
นี่ไม่ใช่แค่การปรับปรุงแบบค่อยเป็นค่อยไป แต่มันเปลี่ยนรอบการวนซ้ำอย่างมีนัยสำคัญ และในงานวิศวกรรม รอบการวนซ้ำที่สั้นลงจะยิ่งทวีคูณผลลัพธ์
มนุษย์ในวงจร — และทำไมมันสำคัญ
การสนทนาจำนวนมากในปัจจุบันเกี่ยวกับการพัฒนา AI มักโฟกัสที่แนวคิดเรื่อง “มนุษย์ในวงจร (human in the loop)” เราคิดว่ากรอบคิดนี้ถูกต้อง — อย่างน้อยก็ในตอนนี้
อย่างไรก็ตาม เหตุผลที่มันได้ผลไม่ใช่เรื่องบังเอิญ มันได้ผลเพราะมนุษย์ที่กำกับดูแลระบบมีความเชี่ยวชาญเชิงโดเมนอย่างลึกซึ้ง การกำกับดูแลจึงมีประสิทธิภาพเพราะมนุษย์เข้าใจ:
- สถาปัตยกรรมระบบ
- ขอบเขตด้านความปลอดภัย
- การสร้างแบบจำลองข้อมูล
- ข้อแลกเปลี่ยนด้านโครงสร้างพื้นฐาน
- ความเสี่ยงในการดีพลอย
- รูปแบบความล้มเหลว
ที่สำคัญยิ่งกว่านั้นคือ มนุษย์เข้าใจเจตนาและการสอดคล้อง (alignment) กล่าวอีกนัยหนึ่ง “มนุษย์ในวงจร” ไม่ได้รู้แค่วิธีสร้างซอฟต์แวร์โดยไม่มี AI — แต่ยังรู้ด้วยว่าระบบที่กำลังพิจารณานั้นควรถูกสร้างขึ้นหรือไม่
ดังนั้น การกำกับดูแล AI จึงไม่เหมือนการอนุมัติแบบเฉยๆ มันต้องอาศัยวิจารณญาณ ต้องอาศัยประสบการณ์ ต้องอาศัยความสามารถในการมองเห็นว่าอะไรผิดแบบละเอียดอ่อนแม้ภายนอกจะดูทำงานได้ และต้องอาศัยความตระหนักรู้เชิงบริบทที่มีเพียง ‘มนุษย์’ ที่มีประสบการณ์เท่านั้นจะนำมาสู่โต๊ะได้
โมเดลที่สอง: ปล่อยมือจากพวงมาลัย
เว้นแต่ว่าสิ่งต่อไปนี้จะกลายเป็นความจริง ผู้ใช้เพียงกล่าวว่า:
“สร้างระบบที่ทำ X ให้ฉัน”
กลุ่มเอเจนต์ AI — บางตัวสร้างโค้ด บางตัวรีวิว ทดสอบ หรือดีพลอย — ทำงานร่วมกันเพื่อผลิตระบบที่ใช้งานได้ หากผู้ใช้พอใจกับผลลัพธ์ วงจรก็ปิดลง
ในตอนนี้ มี ผู้ใช้ที่พยายามทำเช่นนี้ด้วยบริการที่มีอยู่แล้ว ดังนั้นคำถามที่แท้จริงจึงไม่ใช่ว่าจะมีคนพยายามหรือไม่ แต่คือมันจะไปได้ไกลแค่ไหนอย่างเชื่อถือได้ ระบบที่ซับซ้อนสามารถถูกสร้าง ตรวจสอบความถูกต้อง และดีพลอยได้มากน้อยเพียงใดโดยปราศจากการกำกับดูแลด้านสถาปัตยกรรมเชิงลึกจากมนุษย์?
เรายังไม่มีคำตอบที่ชัดเจน — ในตอนนี้
เครื่องมือ AI กำลัง เอื้อให้ผู้ใช้ปลายทาง — ไม่ใช่แค่วิศวกรมืออาชีพ — สามารถพยายามสร้างระบบของตนเองได้มากขึ้น บางคนสำเร็จ และบางคนสร้างต้นแบบที่มีความสามารถน่าประหลาดใจ แต่ในตอนนี้ หลายคนไปติดกำแพง กำแพงนั้นมักปรากฏในรูปของ:
- กรณีขอบ (edge cases) และความซับซ้อนที่ไม่คาดคิด
- ข้อจำกัดด้านประสิทธิภาพ
- ช่องโหว่ด้านความปลอดภัย
- ปัญหาความสอดคล้องของข้อมูล
- ความท้าทายในการบูรณาการ
- หนี้การบำรุงรักษา
ถึงจุดนี้ เรื่องเล่าจะเปลี่ยนไป ผู้ใช้ไม่จำเป็นต้องมีความสัมพันธ์แบบผู้ขายดั้งเดิมอีกต่อไป แต่พวกเขาอาจต้องการอย่างอื่น: ทีมขนาดกะทัดรัดที่มีความสามารถสูง ซึ่งสามารถตรวจสอบ (audit) ทำให้เสถียร ปกป้อง และต่อยอดสิ่งที่ถูกสร้างขึ้นไปแล้ว
กล่าวอีกนัยหนึ่ง พวกเขาอาจต้องการ Super Cell ของตนเอง
อาจเป็นไปได้ว่าระบบขนาดเล็กที่ซับซ้อนไม่มากจำนวนหนึ่งสามารถสร้างได้ด้วยวิธีนี้ — อาจถึงครึ่งหนึ่งก็ได้ หรืออาจน้อยกว่านั้นมาก หรือมากกว่านั้น แต่นี่คือสิ่งที่ควรจับตาอย่างใกล้ชิด
ทำไม Super Cell จึงสำคัญตอนนี้
ในตอนนี้ โครงแบบที่ทรงพลังที่สุดไม่ใช่ AI ที่เป็นอิสระเต็มรูปแบบ และไม่ใช่แผนกวิศวกรรมขนาดใหญ่แบบดั้งเดิม แต่มันคือทีมเล็กที่มีประสบการณ์ ซึ่งเข้าใจวิธีการกำกับดูแลและทำงานร่วมกับระบบ AI อย่างมีประสิทธิภาพ
Super Cell :
- เข้าใจเจตนาและการสอดคล้อง (alignment)
- มีความเป็นผู้ใหญ่ทางวิศวกรรมอย่างลึกซึ้ง
- เข้าใจวงจรชีวิตทั้งหมดของระบบซอฟต์แวร์
- ใช้เอเจนต์ AI อย่างเข้มข้นแต่มีวิจารณญาณ
- ส่งมอบได้เร็วโดยไม่ลดทอนความมั่นคงของโครงสร้าง
ทีมเหล่านี้ไม่จำเป็นต้องมีวิศวกรสี่สิบคน พวกเขาอาจต้องการแค่สี่คน
วิศวกรสี่คนที่มีเครื่องมือ AI สมัยใหม่และประสบการณ์ด้านสถาปัตยกรรมอย่างลึกซึ้ง ตอนนี้สามารถเคลื่อนที่ได้เร็วในระดับที่ก่อนหน้านี้เป็นไปไม่ได้สำหรับทีมขนาดนั้น
การเปลี่ยนแปลงนี้มีนัยกว้างกว่าเดิม ผู้ครองตลาด SaaS รายใหญ่ โดยเฉพาะผู้ที่พึ่งพาการเพิ่มฟีเจอร์แบบค่อยเป็นค่อยไปหรือขนาดองค์กร อาจปรับตัวได้ยากหากโครงสร้างของตนไม่สามารถเคลื่อนที่ได้เร็วเทียบเท่า เมื่อค่าใช้จ่ายในการสร้างและวนซ้ำลดลงอย่างมาก คูเมืองการแข่งขันก็เปลี่ยนไป
ความกังวลของวอลล์สตรีทเกี่ยวกับความสามารถในการป้องกันการแข่งขันในบางหมวดหมู่ไม่ได้ไร้เหตุผล เมื่อทีมที่มีความสามารถสามารถ “ทำเอง” ได้ สมดุลของอำนาจก็เปลี่ยนไป
คำถามที่ยังเปิดอยู่
คำถามเชิงตรรกะคือ ถ้าเมื่อใดก็ตามที่เราถึงขั้นที่เราขอ AI ให้ทำ “X” แล้ว “X” ก็ทำงานได้เลย — อย่างเชื่อถือได้ ปลอดภัย และรองรับสเกล — โดยไม่ต้องมีการกำกับดูแลด้านสถาปัตยกรรม หากผ่านเกณฑ์นั้น โครงสร้างของอุตสาหกรรมซอฟต์แวร์จะเปลี่ยนอีกครั้ง และเปลี่ยนอย่างพื้นฐานยิ่งกว่าเดิม
แต่เรายังไม่ถึงจุดนั้น ตอนนี้ อำนาจต่อรองยังเป็นของผู้ที่เข้าใจทั้งสองด้าน:
- สถาปัตยกรรมของระบบที่ซับซ้อนในบริบทที่กว้าง
- และจุดแข็งกับข้อจำกัดของเอเจนต์ AI
จนกว่าจะถึงวันที่เราขอ “X” แล้วมันทำงานได้เลย ความได้เปรียบยังเป็นของผู้ที่รู้วิธีสร้าง — และผู้ที่รู้วิธีกำกับดูแลผู้สร้างที่เราเพิ่งสร้างขึ้นมา