TL;DR
· ผู้ประกอบการ AI รายหนึ่งกล่าวว่า การเขียนโค้ดโดยเอเจนต์กำลังเปลี่ยนแปลงลำดับความสามารถในอาชีพช่วงต้น
· งานที่สามารถให้คะแนนได้เหมาะกับโมเดลมากกว่า มนุษย์ต้องเรียนรู้ที่จะประเมินปัญหา จัดสรรเวลา และเลือกใช้เครื่องมือ
· ผลตอบแทนเป็นเงินสดไม่ใช่เป้าหมายเดียว ความสัมพันธ์ ชื่อเสียง และคุณภาพของผลงานที่ส่งมอบจะสร้างความแตกต่าง

ผู้ประกอบการที่อ้างว่าตนเองเคยทำงานที่ Scale AI, DeepMind, OpenAI, Google และปัจจุบันทำงานในบริษัทที่เน้นเอเจนต์แบบเนทีฟ ได้เขียนบทความยาวเป็นภาษาอังกฤษให้คำแนะนำอาชีพใหม่แก่คนรุ่นใหม่ โดยมีฉากหลังคือ เครื่องมือเขียนโค้ด AI ได้พัฒนาไปจากการเติมโค้ดให้สมบูรณ์ สู่เอเจนต์วิศวกรรมซอฟต์แวร์ที่สมบูรณ์ยิ่งขึ้น เมื่อ OpenAI เปิดตัว Codex ในปี 2025 ระบุว่ามันสามารถทำงานแบบขนานบนคลาวด์ เช่น การเขียนฟังก์ชัน แก้บั๊ก เสนอ PR แต่ยังคงต้องมีการตรวจสอบและตรวจสอบโค้ดโดยมนุษย์ ปัญหาจึงกลายเป็นว่า เมื่อคำตอบมาตรฐาน โค้ดทั่วไป และงานที่สามารถให้คะแนนได้มีราคาถูกลงเรื่อยๆ คนรุ่นใหม่ควรใช้เวลาของตนไปกับอะไร?

แก่นของบทความนี้ไม่ใช่ "โปรแกรมเมอร์จะถูกแทนที่" แต่เป็นว่า เกณฑ์การคัดเลือกอาชีพช่วงต้นกำลังเปลี่ยนแปลง โรงเรียนและการสัมภาษณ์แบบดั้งเดิมฝึกฝนโจทย์ที่กำหนดไว้ชัดเจน มีคำตอบที่แน่นอน และสามารถตรวจให้คะแนนได้ ซึ่งเป็นจุดที่โมเดลก้าวหน้าเร็วที่สุด สิ่งที่จะแยกแยะผู้คนในอนาคตอาจเป็นการค้นพบปัญหาสำคัญ การเลือกสภาพแวดล้อมที่มีมูลค่าสูง การสร้างชื่อเสียงที่น่าเชื่อถือ และการปรับปรุงผลลัพธ์ระดับกลางที่เอเจนต์สร้างขึ้นให้พร้อมส่งมอบ

ข้อเสนอเงินสดไม่ใช่คำตอบเดียว เวลาและชื่อเสียงหายากกว่า

ในมุมมองของผู้เขียน ภายใต้สภาพแวดล้อมการเริ่มต้นธุรกิจ AI ทุนและเครื่องมือเข้าถึงได้ง่ายกว่าเดิม แต่เวลาที่มีคุณภาพสูง ความสัมพันธ์ที่แข็งแกร่ง และชื่อเสียงที่น่าเชื่อถือยังคงหายาก

เขาอธิบายด้วยประสบการณ์ส่วนตัว ก่อนเข้าร่วม Scale AI เขาอ้างว่าได้รับข้อเสนองานด้านควอนตัมที่มีการรับประกันเงินสดสูงกว่า แต่สุดท้ายเลือก Scale เพราะมีชุมชนที่แข็งแกร่งกว่า ขอบเขตผลิตภัณฑ์ที่กว้างกว่า และโอกาสเข้าถึงปัญหาที่ล้ำสมัยมากกว่า ตามความทรงจำของเขา ต่อมาผ่าน Scale เขาได้ติดต่อกับผู้ให้บริการอนุมานโมเดลขนาดใหญ่ ได้โอกาสที่ DeepMind และ OpenAI และได้รู้จักเพื่อนร่วมงานที่เริ่มต้นธุรกิจในภายหลัง

ประสบการณ์เหล่านี้ไม่สามารถสรุปเป็นสูตรอาชีพสำหรับทุกคนได้ แต่คำเตือนที่ให้ไว้ตรงไปตรงมา: การเลือกอาชีพช่วงต้นไม่ควรมองแค่เงินสดในทันที โดยเฉพาะหลังจากที่ AI ลดอุปสรรคในการสร้างซอฟต์แวร์ การสร้างเครื่องมือเล็กๆ ที่ทำเงินได้อย่างรวดเร็วไม่ใช่เรื่องแปลกอีกต่อไป ผลตอบแทนระยะยาวมักมาจากปัญหาที่ยากกว่า กลุ่มคนที่แข็งแกร่งกว่า และสัญญาณประวัติการทำงานที่น่าเชื่อถือกว่า

สิ่งที่คนรุ่นใหม่ต้องถามไม่ใช่ "โอกาสไหนให้เงินมากกว่าทันที" แต่เป็นว่า สิ่งนี้คุ้มค่าที่จะลงเวลาหรือไม่ สามารถทำร่วมกับคนเก่งๆ ได้หรือไม่ งานดีของตนจะถูกมองเห็นโดยคนที่เชื่อถือได้หรือไม่ และมันจะเป็นรากฐานความน่าเชื่อถือสำหรับโอกาสครั้งต่อไปหรือไม่

คุณค่าของวิศวกรเปลี่ยนจาก "การแก้โจทย์" สู่ "การหาโจทย์"

เมื่อ AI Agent สามารถจัดการกับปัญหาที่มีขอบเขตชัดเจนได้มากขึ้น คุณค่าของวิศวกรไม่ได้อยู่ที่ "แก้ได้หรือไม่ได้" อีกต่อไป แต่เป็น "เลือกโจทย์ถูกหรือไม่"

ผู้เขียนกล่าวว่าทีมของพวกเขาได้ออกแบบวิธีการสัมภาษณ์ใหม่ เหตุผลก็คือ หากในงานจริงไม่จำเป็นต้องเขียนโค้ดทุกบรรทัดด้วยมืออีกต่อไป การทดสอบด้วยโจทย์อัลกอริทึมและการออกแบบระบบแบบดั้งเดิมก็จะมีความสัมพันธ์กับผลงานจริงน้อยลง การทดสอบที่มีความหมายมากขึ้นคือการดูว่าผู้สมัครสามารถเข้าใจสภาพแวดล้อมได้เร็วแค่ไหน ค้นพบปัญหาที่คุ้มค่าแก่การแก้ไข จากนั้นใช้เครื่องมือ AI และทรัพยากรภายนอกเพื่อขับเคลื่อนผลลัพธ์

นี่คือการแบ่งงานใหม่หลังจากที่ AI Agent เขียนโค้ด โมเดลเก่งในการจัดการงานที่มีเป้าหมายชัดเจนและผลตอบรับที่แน่นอน ส่วนมนุษย์ต้องตัดสินใจว่าปัญหาไหนสำคัญ เส้นทางไหนคุ้มค่าที่จะลอง และควรลงทุนเวลาและต้นทุนการเรียกใช้โมเดลเท่าไหร่

สำหรับนักเรียน การที่ AI ทำการบ้านได้อาจทำให้เกิดความท้อแท้ แต่จากมุมมองการรับสมัครงาน ความแตกต่างระหว่างผู้สมัครยังคงมีอยู่ แม้ทุกคนจะใช้ AI เพื่อหาคำตอบได้ แต่บางคนต้องลองผิดลองถูกและใช้พรอมต์มากมาย ในขณะที่บางคนสามารถทำงานร่วมกับ AI Agent ด้วยสัญชาตญาณทางธุรกิจ พื้นฐานทางเทคนิค และบริบทที่เกี่ยวข้อง เพื่อหาทิศทางได้เร็วกว่า

สิ่งที่เรียกว่า "ใช้ AI เป็น" ไม่ใช่แค่การโยนปัญหาให้โมเดล ความสามารถที่แข็งแกร่งกว่านั้นรวมถึงการแยกย่อยปัญหา การระบุข้อมูลที่ขาดหาย การตัดสินใจว่าเมื่อไหร่ควรวนซ้ำต่อ เมื่อไหร่ควรเปลี่ยนเส้นทาง และการตรวจสอบว่าผลลัพธ์แก้ไขความขัดแย้งหลักทางธุรกิจหรือเทคนิคได้จริงหรือไม่

ยิ่งสร้างซอฟต์แวร์ได้ง่ายเท่าไหร่ ยิ่งต้องเข้าใกล้ปัญหาที่ยากขึ้น

AI ลดอุปสรรคในการสร้างซอฟต์แวร์ และทำให้ระบบง่ายๆ ถูกคัดลอกได้ง่ายขึ้น ผู้เขียนใช้ "บทเรียนอันขมขื่น" จากการวิจัย Machine Learning เพื่ออธิบายการเลือกอาชีพ: ในระยะยาว การขยายวิธีการทั่วไปมักจะดีกว่าการปรับแต่งอย่างละเอียดสำหรับงานเดียว

เมื่อนำมาใช้กับบริษัทและอาชีพส่วนบุคคล นั่นหมายความว่าคูเมืองของผลผลิตที่เรียบง่ายจะบางลง ใครๆ ก็สามารถสร้างระบบที่ดูเหมือนใช้งานได้ง่ายขึ้น คุณค่าที่คงทนจริงๆ กลับกระจุกตัวอยู่ที่ปัญหาที่ยากพอและทะเยอทะยานพอ

ในการเลือกบริษัท เกณฑ์ที่ผู้เขียนให้คือ: บริษัทนี้กำลังแก้ปัญหาในเวอร์ชันที่ทะเยอทะยานที่สุดหรือไม่ และมีโอกาสจริงที่จะแก้ไขได้หรือไม่ ในการเลือกตำแหน่งงาน ต้องดูว่าบทบาทนี้ทำให้ตัวเองได้สัมผัสกับปัญหาชั้นนำที่บริษัทกำลังแก้ไขโดยตรงหรือไม่

เขายังกล่าวอีกว่า อย่ามองแค่ผลิตภัณฑ์ช่วงแรกว่าสวยงามหรือ Demo ดูน่าทึ่ง ตามการประเมินตามอัตวิสัยของเขา Demo ช่วงแรกของ Anthropic ในตอนนั้นดูเหมือน Slackbot ที่สู้ ChatGPT ไม่ได้ แต่สิ่งนี้ไม่ได้阻止บริษัทไปสู่เส้นทางที่แตกต่างอย่างสิ้นเชิงในภายหลัง บริษัทช่วงแรกจะเปลี่ยนแปลง ผลิตภัณฑ์จะเปลี่ยนแปลง คุณภาพทีม พื้นที่ตลาด และความยากของปัญหาสามารถส่งผลต่อผลลัพธ์ระยะยาวได้มากกว่า

โอกาสทางอาชีพก็ใช้ตรรกะเดียวกัน โอกาสที่มีคุณภาพสูงไม่ได้แปลว่าจะเปลี่ยนเป็นผลลัพธ์ทุกครั้ง แต่คนเราต้องก้าวไปยืนในจุดที่มองเห็นโอกาสก่อน การจะไปถึงจุดนั้นได้ ยังคงต้องพึ่งพาความสามารถที่สะสมมาในระยะยาว ชื่อเสียง และความเต็มใจของคนอื่นที่จะบอกโอกาสให้คุณ

ผลลัพธ์ทั่วไปถูกกว่า ส่วน 10% สุดท้ายมีค่ามากกว่า

เมื่อพรอมต์ง่ายๆ สามารถทำให้เอเจนต์สร้างผลลัพธ์ระดับกลางได้ มูลค่าของผลผลิตทั่วไปจะลดลง ในขณะที่มูลค่าของการขัดเกลาในช่วงสุดท้ายจะเพิ่มขึ้น

บทความอ้างอิงคำพูดของ Alfred Lin จาก Sequoia Capital ที่กล่าวว่า 10% สุดท้ายมักเป็น 90% ของงาน และเป็น 90% ของผลตอบแทน เมื่อนำมาใช้ในยุค AI คำพูดนี้ยิ่งมีความเป็นจริงมากขึ้น เพราะผลลัพธ์ระดับ 70 คะแนนหาได้ง่ายขึ้นเรื่อยๆ สิ่งที่แยกคนออกจากกันได้จริงคือ มุมมองที่ไม่เหมือนใคร ความใส่ใจในรายละเอียด ความสามารถในการปรับปรุงซ้ำ คุณภาพของสถาปัตยกรรม ความสามารถในการขยาย และความคิดสร้างสรรค์

ผลลัพธ์จาก AI ในรอบแรกแทบจะไม่สมบูรณ์แบบโดยตรง งานจริงมักเกิดขึ้นในการปรับปรุงซ้ำครั้งต่อๆ ไป: การค้นหาว่าตรงไหนผิด ต้องปรับโครงสร้างส่วนไหน ประสบการณ์ใดยังไม่ราบรื่น กรณีขอบใดที่ยังไม่ครอบคลุม และเมื่อใดควรใช้โมเดลรุ่นถัดไปเพื่อทำใหม่ทั้งหมด

ความสามารถเหล่านี้สามารถฝึกฝนได้ผ่านโปรเจกต์ การฝึกงาน และงานจริง การใช้เวลาเพิ่มอีกนิดในการขัดเกลา ทำความสะอาดสถาปัตยกรรม คิดให้ชัดเจนเรื่องความสามารถในการขยาย และทำให้รายละเอียดถึงจุดที่ผู้ใช้ยินดีใช้งานจริง จะทิ้งร่องรอยไว้ในผลงานและการสัมภาษณ์

ความสามารถทางวิศวกรรมแบบดั้งเดิมไม่ได้ไร้ค่า การเปลี่ยนแปลงอยู่ที่ว่า ความหายากของการเขียนโค้ดลดลง ในขณะที่การตัดสิน สุนทรียภาพ ความเข้าใจระบบ และคุณภาพการส่งมอบมีค่ามากขึ้น AI ทำให้คนจำนวนมากเข้าถึงระดับกลางได้ ส่วนช่องว่างที่เหลือกลับยากที่จะเติมเต็ม

เกณฑ์การวิจัยลดลง แต่การวิจัยไม่ใช่แค่ตำแหน่ง

ในตอนท้าย บทความขยายไปถึง "วิธีการเข้าสู่วงการวิจัย" ผู้เขียนเชื่อว่า AI ไม่ได้ทำให้การวิจัยเป็นของห้องปฏิบัติการชั้นนำเท่านั้น แต่กลับลดอุปสรรคในการเริ่มต้นสำหรับมือใหม่

การวิจัยสมัยใหม่แน่นอนว่าพึ่งพาพลังประมวลผลมากขึ้น แต่จุดเริ่มต้นอาจเรียบง่าย: ใช้โมเดลที่มีอยู่ แปลงสัญชาตญาณของตัวเองเป็นการประเมินผล เข้าร่วมลีดเดอร์บอร์ดการปรับปรุงแบบเปิด ใช้เครดิตจากแพลตฟอร์มคลาวด์ที่ให้กับนักศึกษาและนักวิจัย ทดสอบไอเดียให้เร็วที่สุด ความคิดส่วนใหญ่จะล้มเหลวเมื่อขยายขนาด แต่การเข้าใจความล้มเหลวคือส่วนหนึ่งของการสร้างวิจารณญาณในการวิจัย

นักวิจัยคือวิธีการทำงานเป็นอันดับแรก ไม่ใช่แค่ตำแหน่งงาน การวิจัยในห้องปฏิบัติการชั้นนำมักผสมผสานความอยากรู้อยากเห็น การลองไอเดียใหม่ การปรับตัวเข้ากับโครงสร้างพื้นฐาน การเข้าใจรายละเอียดของระบบ การดีบักอย่างรวดเร็ว และการอธิบายคุณค่าของผลลัพธ์ให้ชัดเจนเพื่อขอทรัพยากรเพิ่มเติม การฝึกฝนหลายอย่างไม่จำเป็นต้องรอจนได้ตำแหน่ง "นักวิจัย" ถึงจะเริ่มต้น

บทความนี้ให้คำแนะนำด้านอาชีพที่ไม่มองโลกในแง่ร้าย AI ทำให้คำตอบมาตรฐาน โค้ดทั่วไป และงานที่สามารถให้คะแนนได้มีราคาถูกลง และยังช่วยให้คนรุ่นใหม่ได้สัมผัสกับปัญหาจริงได้เร็วขึ้น โอกาสยังคงมีอยู่ เพียงแต่รูปแบบการกระจายเปลี่ยนไป ใครก็ตามที่สามารถค้นหาปัญหาสำคัญ เข้าสู่สภาพแวดล้อมที่มีคุณภาพสูง สร้างชื่อเสียงที่น่าเชื่อถือ และผลักดันผลลัพธ์ไปจนถึงขั้นตอนสุดท้าย ก็จะมีโอกาสได้รับโอกาสในรอบถัดไปได้ง่ายขึ้น

ยินดีต้อนรับสู่ชุมชนทางการของ BlockBeats:

กลุ่ม Telegram สมัครสมาชิก: https://t.me/theblockbeats

กลุ่ม Telegram พูดคุย: https://t.me/BlockBeats_App

บัญชี Twitter ทางการ: https://twitter.com/BlockBeatsAsia