อุตสาหกรรมเทคโนโลยีพบว่าตัวเองติดอยู่ระหว่างเรื่องเล่าที่ขัดแย้งกันเกี่ยวกับผลกระทบของ AI ต่อการพัฒนาซอฟต์แวร์ ในขณะที่ CEO บางคนอ้างว่าได้ผลิตภาพที่เพิ่มขึ้นอย่างมาก แต่นักพัฒนาและนักวิจัยจริงกลับรายงานผลลัพธ์ที่มีความซับซ้อนมากกว่าที่ท้าทายความคาดหวังที่เกินจริง
ความแตกต่างด้านผลิตภาพที่ยิ่งใหญ่
ความไม่สอดคล้องกันระหว่างคำสัญญาของ AI และความเป็นจริงได้กลายเป็นเรื่องที่ชัดเจนมากขึ้นในปี 2025 ในด้านหนึ่ง ผู้บริหารอย่าง CEO ของ Perplexity คือ Aravind Srinivas อ้างว่าเครื่องมือ AI ลดงานด้านวิศวกรรมจากสามหรือสี่วันเหลือเพียงหนึ่งชั่วโมง สิ่งพิมพ์สำคัญหลายแห่งได้ประกาศว่า AI ได้เปลี่ยนแปลงทุกอย่างในวิศวกรรมซอฟต์แวร์จริงๆ แต่เมื่อนักวิจัยทำการศึกษาที่มีการควบคุม พวกเขากลับพบเรื่องราวที่แตกต่างออกไป
การศึกษาล่าสุดโดยบริษัทประเมิน AI ชื่อ METR เผยให้เห็นว่านักพัฒนาที่มีประสบการณ์ซึ่งใช้เครื่องมือเขียนโค้ด AI ไม่แสดงการปรับปรุงประสิทธิภาพที่สำคัญ และในบางกรณีกลับช้าลง ความแตกต่างที่รุนแรงนี้เน้นย้ำถึงปัญหาพื้นฐาน: ผู้ที่ทำการอ้างที่กล้าหาญที่สุดมักจะไม่ใช่คนที่เขียนโค้ดจริงทุกวัน
การอ้างอิงผลประสิทธิภาพที่ขัดแย้งกัน:
- การอ้างของ CEO: งานที่เคยใช้เวลา 3-4 วัน ลดลงเหลือเพียง 1 ชั่วโมง (CEO ของ Perplexity)
- ผลการวิจัย: การศึกษาของ METR พบว่า "ไม่มีการปรับปรุงที่มีนัยสำคัญ" และมีประสิทธิภาพที่ช้าลงในการทดลองที่มีการควบคุม
- รายงานจากนักพัฒนา: ประสบการณ์ที่หลากหลาย ตั้งแต่การเพิ่มผลิตภาพอย่างมีนัยสำคัญ ไปจนถึงการเพิ่มเวลาในการแก้ไขข้อผิดพลาด
- ความเป็นจริงในอุตสาหกรรม: การลดงานส่วนใหญ่เกิดจากปัจจัยทางเศรษฐกิจ ไม่ใช่การถูกแทนที่ด้วย AI
บริบทสำคัญกว่าความคาดหวังที่เกินจริง
ชุมชนนักพัฒนาได้ระบุปัจจัยสำคัญหลายประการที่กำหนดความมีประโยชน์ของ AI ในการเขียนโค้ด ภาษาโปรแกรมมิ่งสร้างความแตกต่างอย่างมาก - นักพัฒนาที่ทำงานกับภาษาที่มีเอกสารครบถ้วนอย่าง JavaScript และ TypeScript เห็นผลลัพธ์ที่ดีกว่าผู้ที่ใช้ภาษาที่ไม่ค่อยพบเห็นอย่าง Rust ประเภทของโปรเจกต์ก็มีความสำคัญอย่างมาก โดย AI พิสูจน์ให้เห็นว่ามีประโยชน์มากกว่าสำหรับโปรเจกต์ขนาดเล็กและใหม่มากกว่าฐานโค้ดขนาดใหญ่และซับซ้อน
AI สามารถสร้างโค้ดได้จำนวนมากอย่างรวดเร็ว AI ไม่สร้างโค้ดที่เป็นไปตามรสนิยมและหรือแนวปฏิบัติที่ดีที่สุด
ข้อสังเกตนี้จับประเด็นข้อจำกัดที่สำคัญที่การอ้างเรื่องผลิตภาพหลายอย่างมองข้าม ในขณะที่ AI เก่งในการสร้างโค้ด boilerplate และจัดการงานประจำ แต่มันมีปัญหากับการตัดสินใจที่ละเอียดอ่อนที่นักพัฒนาที่มีประสบการณ์นำมาสู่สถาปัตยกรรมซอฟต์แวร์และการบำรุงรักษาในระยะยาว
ปัจจัยสำคัญที่ส่งผลต่อประสิทธิภาพของเครื่องมือ AI สำหรับการเขียนโค้ด:
- ภาษาโปรแกรมมิ่ง: JavaScript/TypeScript แสดงผลลัพธ์ที่ดีกว่า Rust หรือภาษาเฉพาะทาง
- ประเภทโปรเจกต์: โปรเจกต์ใหม่ได้ประโยชน์มากกว่า codebase ขนาดใหญ่ที่มีอยู่แล้ว
- ประสบการณ์ของนักพัฒนา: นักพัฒนาระดับอาวุโสที่มีประสบการณ์กับเครื่องมือ AI จะเห็นประโยชน์มากกว่า
- ความซับซ้อนของงาน: การสร้าง boilerplate แบบง่าย ๆ ทำงานได้ดี แต่การตัดสินใจเรื่อง architecture ที่ซับซ้อนไม่ได้ผล
- ความต้องการ Context: เครื่องมือมีปัญหาเมื่อต้องเข้าใจโค้ดที่มีอยู่แล้วจำนวนมาก
เรื่องจริงเบื้องหลังการลดพนักงาน
แม้จะมีหัวข้อข่าวที่เชื่อมโยงการเลิกจ้างกับความก้าวหน้าของ AI แต่การตรวจสอบอย่างใกล้ชิดเผยให้เห็นภาพที่ซับซ้อนกว่า การลดพนักงานของ Microsoft ที่มีการรายงานอย่างกว้างขวางไม่ได้เกี่ยวกับการแทนที่คนงานด้วย AI จริงๆ แต่เป็นการจัดสรรทรัพยากรใหม่ระหว่างหน่วยงานเพื่อให้เงินทุนแก่โครงการ AI การหดตัวปัจจุบันของภาคเทคโนโลยีดูเหมือนจะเชื่อมโยงกับการแก้ไขหลังการระบาดและการเปลี่ยนแปลงอัตราดอกเบี้ยมากกว่าการแทนที่ด้วย AI
นักพัฒนาที่มีประสบการณ์หลายคนเปรียบเทียบช่วงเวลา AI ปัจจุบันกับการเปลี่ยนแปลงทางเทคโนโลยีในอดีต ตัวอย่างเช่น ผู้ดูแลระบบได้ผ่านพ้นเทคโนโลยีทดแทนมาหลายทศวรรษ - ตั้งแต่ NoOps ไปจนถึงแพลตฟอร์มคลาวด์ต่างๆ - เพียงเพื่อพบว่าบทบาทของพวกเขาพัฒนาไปมากกว่าหายไป รูปแบบนี้ชี้ให้เห็นว่าแม้ AI จะเปลี่ยนวิธีการทำงานของนักพัฒนา แต่การแทนที่อย่างสมบูรณ์ยังคงไม่น่าจะเกิดขึ้น
มองไปข้างหน้าเกินเสียงรบกวน
ผู้ใช้เครื่องมือ AI ที่มีประสบการณ์มากที่สุดรายงานความเป็นจริงที่สมดุลกว่า AI ทำหน้าที่เป็นผู้ช่วยที่ยอดเยี่ยมสำหรับงานเฉพาะ: สร้างโค้ด boilerplate อธิบายแนวคิดที่ไม่คุ้นเคย และเร่งงานประจำ อย่างไรก็ตาม มันต้องการการแนะนำอย่างระมัดระวังและมักสร้างโค้ดที่ต้องการการปรับปรุงอย่างมากสำหรับการใช้งานจริง
อุตสาหกรรมดูเหมือนจะกำลังปรับตัวเข้าสู่รูปแบบที่ AI ทำหน้าที่เป็นตัวคูณผลิตภาพสำหรับนักพัฒนาที่มีประสบการณ์มากกว่าเป็นตัวแทน ผู้ที่เข้าใจทั้งความสามารถและข้อจำกัดของเทคโนโลยีสามารถใช้ประโยชน์จากมันได้อย่างมีประสิทธิภาพ ในขณะที่ผู้ที่คาดหวังโซลูชันที่วิเศษมักพบว่าตัวเองผิดหวัง
เมื่อตลาดเครื่องมือเขียนโค้ด AI เติบโตขึ้น แนวทางที่ยั่งยืนที่สุดดูเหมือนจะเกี่ยวข้องกับการปฏิบัติต่อระบบเหล่านี้เป็น autocomplete ที่ซับซ้อนมากกว่าโปรแกรมเมอร์อัตโนมัติ นักพัฒนาที่ปรับเปลี่ยนเวิร์กโฟลว์ของตนเพื่อรวมความช่วยเหลือจาก AI ในขณะที่รักษาทักษะหลักของตนไว้น่าจะเห็นประโยชน์ที่ใหญ่ที่สุด ในขณะที่ผู้ที่หวังการเปลี่ยนแปลงอย่างสมบูรณ์อาจต้องปรับความคาดหวังของตน
อ้างอิง: No One Knows Anything About AI