ของขวัญที่ไม่เท่ากัน
ลองให้เครื่องมือ AI ตัวเดียวกันกับ developer สิบคน ผลที่ได้จะไม่ใช่งานเพิ่มขึ้นสิบเท่าเท่ากันทุกคน แต่จะเป็นช่องว่างแบบเดิมที่เคยมีอยู่แล้ว แค่กว้างขึ้นกว่าเดิม
คนที่นำหน้าไปไม่ค่อยใช่คนที่เขียน prompt เก่งที่สุด แต่เป็นคนที่รู้อยู่แล้วว่างานที่ดีในสายของตัวเองหน้าตาเป็นยังไง ยิ่งเข้าใจงานลึกเท่าไหร่ ก็ยิ่งดึงประโยชน์จาก AI ได้มากเท่านั้น
ฟังดูเป็นเรื่องที่ใครก็รู้ แต่มันสวนทางกับความเชื่อที่กำลังฮิตอยู่ ว่า AI จะทำให้ทุกคนเท่ากัน และความเชี่ยวชาญจะสำคัญน้อยลง เพราะใครก็สั่งให้มันเขียนโค้ด เขียนบทความ หรือออกแบบได้ ผมคิดว่าสิ่งที่เกิดขึ้นจริงคือตรงกันข้าม
AI ขยายวิจารณญาณของเรา ไม่ได้มาแทนมัน
โมเดล AI เก่งมากในการสร้างผลลัพธ์ที่ดูน่าเชื่อ แต่ "ดูน่าเชื่อ" กับ "ดี" ไม่ใช่เรื่องเดียวกัน โค้ดที่ compile ผ่าน สถาปัตยกรรมที่ฟังดูสมเหตุสมผล test ที่รันผ่านหมด ทั้งหมดนี้ยังผิดได้ และมักไปโผล่ตอนขึ้น production
AI ย้ายคอขวดของงาน จากเดิมที่ถามว่า "ฉันทำสิ่งนี้ได้ไหม" กลายเป็น "ฉันบอกได้ไหมว่าสิ่งนี้ถูก" การได้ draft แรกถูกลงมาก แต่การตัดสินว่า draft นั้นดีหรือไม่ ไม่ได้ถูกลงเลย
เลยอยากให้มอง AI เป็นตัวคูณของวิจารณญาณที่เรามีอยู่ วิจารณญาณดีคูณกับเครื่องที่ผลิตงานได้เร็ว ได้งานดีจำนวนมาก วิจารณญาณอ่อนคูณกับเครื่องเดียวกัน ได้ความผิดพลาดที่มั่นใจเต็มที่ ส่งมาถึงมือเราอย่างรวดเร็ว
ความรู้ในงานให้ผลตรงไหน
ความเข้าใจในงานจะออกฤทธิ์อยู่สามจุด ในทุกงานที่เราใช้ AI ช่วย
1. ตอนสั่ง เราขอได้แค่สิ่งที่เราเรียกชื่อมันได้ คนที่รู้งานจะเขียนว่า "ใช้ idempotency key เพื่อไม่ให้ retry แล้วตัดเงินซ้ำ" แทนที่จะเขียนว่า "ทำ payment endpoint ให้เสถียร" prompt แรกพกข้อจำกัดไปด้วย ส่วน prompt ที่สองปล่อยให้โมเดลเดาเอาเอง
2. ตอนตรวจ พอได้ผลลัพธ์กลับมา คนที่รู้งานจะเห็น index ที่ขาด race condition, N+1 query หรือ error ที่ถูกกลืนหายไปเงียบๆ ขณะที่มือใหม่เห็นแค่ว่าโค้ดรันได้ แล้วก็ไปต่อ รสนิยมในงาน (taste) คือตะแกรงที่คั่นระหว่าง "generate ออกมาแล้ว" กับ "พร้อม ship"
3. ตอนคุมทิศ งานจริงเป็นลูป ไม่ใช่ prompt เดียวจบ คนที่รู้งานจะรู้ว่าต้องดันไปทางไหน เช่น "abstraction เยอะเกินไป inline มันซะ" "อย่าเพิ่ม dependency แค่เพื่อเรื่องนี้" "logic นี้ควรอยู่ใน service layer" ทุกครั้งที่แก้ทิศ ผลมันทบต้น ถ้าไม่รู้ว่าปลายทางอยู่ไหน เราก็ได้แต่รับสิ่งที่โมเดลลอยไปหาเอง
ไม่มีข้อไหนเลยที่เป็นเรื่องเทคนิค prompt ทุกข้อคือเรื่องของการเข้าใจงาน
เครื่องมือเดียวกัน developer สองคน
ลองนึกภาพ developer สองคนได้งานเดียวกัน คือเพิ่มปุ่ม export CSV ในหน้า admin ทั้งคู่ใช้ AI assistant ตัวเดียวกัน
| ขั้นตอน | คนที่เข้าใจงาน | คนที่ยังไม่เข้าใจงาน |
|---|---|---|
| ตอนสั่ง | "stream ทีละแถว จะได้ไม่กิน memory ตอนมี 500k records, escape comma กับ quote ให้ถูก, เช็คสิทธิ์ของ user ทุกแถว" | "เพิ่มปุ่ม export ตารางเป็น CSV" |
| ผลลัพธ์แรก | เห็นว่าโมเดลโหลดทุกอย่างเข้า memory เลยสั่งให้เปลี่ยนเป็น streaming writer | กดปุ่มกับข้อมูลทดสอบ 20 แถว ใช้ได้ |
| ตอน review | จับได้ว่า export ไม่ได้ใช้ filter เดียวกับที่ตารางใช้ | ship เลย |
| หนึ่งเดือนต่อมา | ไม่มีอะไรเกิดขึ้น | export ไฟล์ใหญ่แล้ว timeout และมี ticket แจ้งว่าเห็นข้อมูลที่ user ไม่ควรเห็น |
ทั้งสองคน "ใช้ AI" ทั้งคู่ทำงานเร็ว แต่มีแค่คนเดียวที่รู้ว่า export ที่ดีหน้าตาเป็นยังไง เลยมีแค่คนเดียวที่ได้ export ที่ดี
สิ่งที่ต่างกันไม่ใช่ AI แต่เป็นภาพของคำว่า "เสร็จ" ในหัวของ developer แต่ละคน
ถ้าคุณเพิ่งเริ่มต้นในสายนี้
บทความนี้ไม่ได้บอกว่า junior ไม่ควรใช้ AI แต่กำลังพูดว่าควรใช้มันทำอะไร
ถ้าให้ AI ทำงานในส่วนที่เราไม่เข้าใจ เราจะ ship ของที่เราประเมินไม่ได้ และจะไม่มีวันสร้างวิจารณญาณที่ทำให้ AI มีประโยชน์ในอนาคต เราจะกลายเป็นแค่ท่อส่งต่อ
แต่ถ้าใช้ AI เพื่อเข้าใจงานให้เร็วขึ้น ตัวคูณจะทำงานให้เรา ถามมันว่า "ทำไม" ไม่ใช่แค่ "ทำยังไง" ให้มันเทียบสองแนวทางแล้วอธิบาย trade-off อ่านโค้ดที่มันเขียนทีละบรรทัด จนเราเขียนเองได้ แล้วค่อยเถียงกับมัน
ทักษะที่สำคัญไม่ได้เปลี่ยน ยังเป็นพื้นฐาน การอ่านโค้ด การ debug และความเข้าใจใน domain สิ่งที่เปลี่ยนคือผลตอบแทน เมื่อก่อนทักษะพวกนี้ทำให้เราเร็วขึ้นนิดหน่อย ตอนนี้มันเป็นตัวตัดสินว่า AI จะทำให้เราเก่งขึ้นมาก หรือแค่เสียงดังขึ้นมาก
จะใช้ AI ให้ได้มากขึ้นต้องทำยังไง
ถ้าคันโยกตัวจริงคือความเข้าใจในงาน วิธีที่จะใช้ AI เก่งขึ้นก็คือการเก่งงานให้มากขึ้นนั่นเอง นิสัยเหล่านี้ช่วยได้:
- เขียนให้ชัดว่า "ดี" แปลว่าอะไร ก่อนจะ prompt ข้อจำกัด edge case ขีดจำกัดด้าน performance กฎด้าน security ถ้าเขียนออกมาไม่ได้ นั่นคือช่องว่างจริงของเรา ไม่ใช่ prompt
- review ผลจาก AI เหมือน pull request จากคนแปลกหน้าที่มั่นใจในตัวเองมาก ให้คิดไว้ก่อนว่ามันน่าเชื่อ ไม่ใช่ว่ามันถูก
- เถียงกลับ คำตอบแรกคือ draft คุณค่าจริงอยู่ในรอบที่สอง สาม สี่ และเราจะคุมทิศได้ก็ต่อเมื่อรู้ว่าจะไปไหน
- ใช้ AI เพื่อเรียนรู้ ไม่ใช่แค่เพื่อให้งานเสร็จ ขอเหตุผล ทางเลือกอื่น และจุดที่มันจะพัง
- ลงทุนกับพื้นฐาน data structure, system design และกฎของ domain ที่เราทำ สิ่งเหล่านี้คือสิ่งที่เปลี่ยนเครื่องผลิตงานความเร็วสูง ให้กลายเป็นเพื่อนร่วมทีมที่ไว้ใจได้
AI ยกเพดานให้ทุกคนสูงขึ้น แต่เราจะไปถึงเพดานนั้นได้ใกล้แค่ไหน ยังขึ้นกับสิ่งเดิมที่เป็นมาตลอด คือเราเข้าใจสิ่งที่เรากำลังสร้างดีแค่ไหน
แล้วคุณล่ะ เห็น AI ถ่างช่องว่างในทีมให้กว้างขึ้น หรือช่วยปิดมันลง? มาเล่าให้ฟังในคอมเมนต์กันครับ
