TL;DR
· ผู้ประกอบการ AI คนหนึ่งกล่าวว่า AI agent กำลังเปลี่ยนแปลงลำดับความสามารถในสายอาชีพช่วงต้น
· งานที่สามารถวัดคะแนนได้เหมาะกับโมเดลมากกว่า มนุษย์ต้องเรียนรู้ที่จะตัดสินปัญหา จัดสรรเวลาและเครื่องมือ
· ผลตอบแทนเป็นเงินสดไม่ใช่เป้าหมายเดียว ความสัมพันธ์ ชื่อเสียง และคุณภาพของการส่งมอบจะสร้างความแตกต่าง

ผู้ประกอบการที่อ้างว่าตนเคยทำงานที่ Scale AI, DeepMind, OpenAI, Google และปัจจุบันอยู่ในบริษัทที่พัฒนาระบบ AI agent ได้เขียนบทความยาวเป็นภาษาอังกฤษให้คำแนะนำอาชีพใหม่แก่คนรุ่นใหม่ เบื้องหลังคือเครื่องมือเขียนโค้ด AI ได้ก้าวจากการเติมโค้ด ไปสู่ software engineering agent ที่สมบูรณ์ยิ่งขึ้น เมื่อ OpenAI เปิดตัว Codex ในปี 2025 ระบุว่าสามารถจัดการงานต่างๆ แบบขนานในระบบคลาวด์ เช่น เขียนฟังก์ชัน แก้บัก เสนอ PR แต่ยังต้องมีการตรวจสอบและตรวจสอบโค้ดโดยมนุษย์ ปัญหาจึงกลายเป็นว่า เมื่อคำตอบมาตรฐาน โค้ดทั่วไป และงานที่วัดคะแนนได้ถูกลงเรื่อยๆ คนหนุ่มสาวควรใช้เวลากับอะไร?

หัวใจของบทความนี้ไม่ใช่ "โปรแกรมเมอร์จะถูกแทนที่" แต่เกณฑ์การคัดเลือกในอาชีพช่วงต้นกำลังเปลี่ยนแปลง โรงเรียนและการสัมภาษณ์แบบดั้งเดิมฝึกฝนโจทย์ที่ชัดเจน มีคำตอบตายตัว ตรวจให้คะแนนได้ ซึ่งเป็นจุดที่โมเดลก้าวหน้าเร็วที่สุด ในอนาคตสิ่งที่แยกแยะคนได้อาจเป็นการค้นพบปัญหาสำคัญ เลือกสภาพแวดล้อมที่มีคุณค่าสูง สร้างชื่อเสียงที่เชื่อถือได้ และนำผลลัพธ์ระดับกลางจาก AI agent มาปรับปรุงจนส่งมอบได้

ข้อเสนอเงินสดไม่ใช่คำตอบเดียว เวลาและชื่อเสียงหายากกว่า

ตามการตัดสินของผู้เขียน ในสภาพแวดล้อมสตาร์ทอัพด้าน AI ทุนและเครื่องมือหาได้ง่ายกว่าเดิม แต่เวลาคุณภาพสูง ความสัมพันธ์ที่แน่นแฟ้น และชื่อเสียงที่เชื่อถือได้ยังคงหายาก

เขาอธิบายด้วยประสบการณ์ส่วนตัว ก่อนเข้าร่วม Scale AI เขาอ้างว่าได้รับข้อเสนองานด้านการเงินที่ให้เงินสดสูงกว่า แต่สุดท้ายเลือก Scale เพราะมีชุมชนที่แข็งแกร่งกว่า ขอบเขตผลิตภัณฑ์ที่กว้างกว่า และโอกาสเข้าถึงปัญหาชั้นแนวหน้ามากกว่า ตามความทรงจำ ต่อมาผ่าน Scale เขาได้ติดต่อกับผู้ให้บริการ reasoning สำหรับโมเดลใหญ่ ได้โอกาสที่ DeepMind และ OpenAI และรู้จักเพื่อนร่วมงานที่ต่อมาก่อตั้งสตาร์ทอัพด้วยกัน

ประสบการณ์เหล่านี้ไม่สามารถนำไปใช้เป็นสูตรสำเร็จสำหรับทุกคนได้ แต่คำเตือนที่ให้ไว้ตรงไปตรงมา: การเลือกอาชีพช่วงต้นไม่ควรมองแต่เงินสดระยะสั้น โดยเฉพาะเมื่อ AI ลดอุปสรรคในการสร้างซอฟต์แวร์ การทำเครื่องมือเล็กๆ ที่ทำเงินได้ไม่ใช่เรื่องหายากอีกต่อไป ผลตอบแทนระยะยาวมักมาจากปัญหาที่ยากกว่า กลุ่มคนที่เก่งกว่า และประวัติที่เชื่อถือได้กว่า

สิ่งที่คนหนุ่มสาวต้องถามไม่ใช่ "โอกาสไหนให้เงินมากกว่าทันที" แต่เป็นว่าเรื่องนี้คุ้มค่าที่จะลงเวลาหรือไม่ สามารถทำงานร่วมกับคนเก่งๆ ได้หรือไม่ งานที่ดีของตนจะถูกมองเห็นโดยคนที่เชื่อถือได้หรือไม่ และมันจะเป็นฐานเครดิตสำหรับโอกาสครั้งต่อไปหรือไม่

คุณค่าของวิศวกรเปลี่ยนจาก "การแก้โจทย์" สู่ "การหาโจทย์"

เมื่อ AI agent จัดการปัญหาที่มีขอบเขตชัดเจนได้มากขึ้น คุณค่าของวิศวกรไม่ได้อยู่ที่ "แก้ได้หรือไม่" แต่อยู่ที่ "เลือกโจทย์ถูกหรือไม่"

ผู้เขียนกล่าวว่าทีมของเขาออกแบบวิธีการสัมภาษณ์ใหม่ เพราะหากในงานจริงไม่ต้องเขียนโค้ดทุกบรรทัดด้วยมือ การทดสอบแต่โจทย์อัลกอริทึมและการออกแบบระบบแบบเดิม จะมีความสัมพันธ์กับประสิทธิภาพในการทำงานลดลง การทดสอบที่มีความหมายมากกว่าคือดูว่าผู้สมัครสามารถเข้าใจสภาพแวดล้อมได้เร็วแค่ไหน ค้นหาปัญหาที่ควรแก้ แล้วใช้เครื่องมือ AI และทรัพยากรภายนอกขับเคลื่อนผลลัพธ์

นี่คือการแบ่งงานใหม่หลังยุคที่ AI agent เขียนโค้ด โมเดลเก่งในงานที่มีเป้าหมายชัดเจนและมีฟีดแบ็กที่ชัดเจน ส่วนมนุษย์ต้องตัดสินว่าปัญหาไหนสำคัญ เส้นทางไหนควรลอง และควรลงทุนเวลาและต้นทุนการเรียกโมเดลเท่าใด

สำหรับนักเรียน การที่ AI ทำการบ้านได้อาจทำให้เกิดความท้อแท้ แต่จากมุมมองการรับสมัคร ความแตกต่างระหว่างผู้สมัครไม่ได้หายไป แม้ทุกคนจะใช้ AI หาคำตอบได้ บางคนต้องลองผิดลองถูกและใช้ prompt มากมาย ในขณะที่บางคนใช้ความรู้ทางธุรกิจ พื้นหลังเทคนิค และบริบทร่วมมือกับ AI agent เพื่อหาทิศทางได้เร็วกว่า

ที่เรียกว่า "ใช้ AI เป็น" ไม่ใช่แค่โยนปัญหาให้โมเดล ความสามารถที่แข็งแกร่งกว่าคือการแยกย่อยปัญหา ระบุข้อมูลที่ขาดหาย ตัดสินใจว่าจะวนซ้ำต่อเมื่อไร หรือเปลี่ยนเส้นทาง และตรวจสอบว่าผลลัพธ์แก้ไขความขัดแย้งหลักทางธุรกิจหรือเทคนิคได้จริงหรือไม่

ยิ่งทำซอฟต์แวร์ได้ง่ายเท่าไร ยิ่งต้องเข้าใกล้ปัญหาที่ยากขึ้น

AI ลดอุปสรรคในการสร้างซอฟต์แวร์ และทำให้ระบบง่ายๆ เลียนแบบได้ง่ายขึ้น ผู้เขียนใช้ "bitter lesson" ในการวิจัย machine learning เพื่ออธิบายการเลือกอาชีพ: ในระยะยาว การขยายวิธีการทั่วไปมักดีกว่าการปรับแต่งอย่างละเอียดสำหรับงานเดี่ยว

เมื่อนำมาใช้กับบริษัทและอาชีพส่วนตัว หมายความว่าคูน้ำของผลลัพธ์ธรรมดาจะบางลง ใครๆ ก็สร้างระบบที่ดูเหมือนใช้งานได้ง่ายขึ้น คุณค่าที่ยั่งยืนอย่างแท้จริงกลับกระจุกตัวอยู่ที่ปัญหาที่ยากพอและมีความทะเยอทะยานพอ

ในการเลือกบริษัท เกณฑ์ที่ผู้เขียนให้คือ: บริษัทนี้กำลังแก้ปัญหารุ่นที่มีความทะเยอทะยานที่สุดหรือไม่ และมีโอกาสแก้ได้จริงหรือไม่ ในการเลือกตำแหน่ง ต้องดูว่าบทบาทนี้ทำให้ตนได้สัมผัสกับปัญหาชั้นแนวหน้าที่บริษัทกำลังแก้ไขโดยตรงหรือไม่

เขายังกล่าวว่าอย่ามองแต่ผลิตภัณฑ์ช่วงแรกว่าสวยหรือ demo ดีหรือไม่ ตามการประเมินส่วนตัว demo ช่วงแรกของ Anthropic ในตอนนั้นดูเป็นแค่ Slackbot ที่ไม่ดีเท่า ChatGPT แต่สิ่งนี้ไม่ได้ขัดขวางบริษัทจากการไปสู่เส้นทางที่แตกต่างไปอย่างสิ้นเชิง บริษัทช่วงแรกเปลี่ยนไป ผลิตภัณฑ์เปลี่ยนไป คุณภาพทีม ขนาดตลาด และความยากของปัญหาส่งผลต่อผลลัพธ์ระยะยาวมากกว่า

โอกาสทางอาชีพก็มีตรรกะคล้ายกัน โอกาสคุณภาพสูงอาจไม่กลายเป็นผลลัพธ์ทุกครั้ง แต่คนต้องยืนอยู่ในตำแหน่งที่มองเห็นโอกาสก่อน การจะยืนตรงนั้นได้ยังคงต้องอาศัยความสามารถที่สะสมมานาน ชื่อเสียง และการที่คนอื่นเต็มใจบอกโอกาสให้

ผลลัพธ์ธรรมดาถูกลง สุดท้าย 10% มีค่ามากขึ้น

เมื่อ prompt ธรรมดาๆ ทำให้ AI agent สร้างผลลัพธ์คุณภาพปานกลางได้ มูลค่าของผลผลิตทั่วไปจะลดลง มูลค่าของการขัดเกลาช่วงสุดท้ายจะเพิ่มขึ้น

บทความอ้างอิง Alfred Lin ของ Sequoia Capital ที่กล่าวว่า สุดท้าย 10% มักเป็น 90% ของงาน และเป็น 90% ของผลตอบแทน ในยุค AI คำพูดนี้มีความเป็นจริงมากขึ้น เพราะผลลัพธ์ระดับ 70 คะแนนหาได้ง่ายขึ้น สิ่งที่แยกแยะคนได้จริงคือมุมมองเฉพาะตัว ความใส่ใจในรายละเอียด ความสามารถในการวนซ้ำ คุณภาพสถาปัตยกรรม ความสามารถในการขยาย และความคิดสร้างสรรค์

ผลลัพธ์จาก AI รุ่นแรกแทบจะไม่สมบูรณ์แบบในครั้งเดียว งานจริงมักเกิดขึ้นในการวนซ้ำครั้งต่อๆ ไป: ค้นหาว่าตรงไหนผิด ตรงไหนต้องปรับโครงสร้าง ประสบการณ์ไหนไม่ smooth กรณีขอบไหนยังไม่ครอบคลุม ควรใช้โมเดลรุ่นถัดไปทำใหม่ทั้งหมดเมื่อใด

ความสามารถเหล่านี้ฝึกฝนได้ผ่านโปรเจกต์ การฝึกงาน และงานจริง การใช้เวลาขัดเกลาเพิ่มอีกนิด ทำสถาปัตยกรรมให้สะอาด คิดถึงความสามารถในการขยาย ทำให้รายละเอียดดีพอที่ผู้ใช้จะยอมใช้จริง ล้วนทิ้งร่องรอยไว้ในผลงานและการสัมภาษณ์

ความสามารถทางวิศวกรรมแบบดั้งเดิมไม่ได้ไร้ค่า การเปลี่ยนแปลงคือความหายากของการเขียนโค้ดลดลง การตัดสินใจ รสนิยม ความเข้าใจในระบบ และคุณภาพการส่งมอบมีราคาแพงขึ้น AI ทำให้คนจำนวนมากถึงระดับกลางได้ ส่วนที่เหลือกลับยิ่งยากที่จะเติมเต็ม

อุปสรรคในการวิจัยลดลง แต่การวิจัยไม่ใช่แค่ตำแหน่ง

บทความขยายไปถึง "วิธีการเข้าสู่งานวิจัย" ในตอนท้าย ผู้เขียนเห็นว่า AI ไม่ได้ทำให้งานวิจัยเป็นของห้องปฏิบัติการชั้นนำเท่านั้น แต่กลับลดอุปสรรคในการเริ่มต้น

การวิจัยสมัยใหม่พึ่งพาพลังคำนวณมากขึ้น แต่จุดเริ่มต้นอาจเรียบง่าย: ใช้โมเดลที่มีอยู่ แปลง intuition เป็น benchmark ร่วม公开 optimization leaderboard ใช้เครดิตคลาวด์ที่แพลตฟอร์มให้แก่นักเรียนและนักวิจัย ทดสอบแนวคิดตั้งแต่เนิ่นๆ แนวคิดส่วนใหญ่จะล้มเหลวเมื่อขยายขนาด แต่การเข้าใจความล้มเหลวเป็นส่วนหนึ่งของการสร้าง judgment ในการวิจัย

นักวิจัยประการแรกคือวิธีการทำงาน ไม่ใช่แค่ตำแหน่ง งานวิจัยในห้องปฏิบัติการชั้นนำมักผสมผสานความอยากรู้ การลองไอเดียใหม่ การปรับให้เข้ากับโครงสร้างพื้นฐาน การเข้าใจรายละเอียดระบบ การดีบักอย่างรวดเร็ว และการสื่อสารคุณค่าของผลลัพธ์เพื่อขอทรัพยากรเพิ่ม การฝึกฝนหลายอย่างไม่จำเป็นต้องรอจนได้ตำแหน่ง "นักวิจัย" ก่อน

คำแนะนำอาชีพที่บทความนี้ทิ้งไว้ไม่ใช่ในแง่ร้าย AI ทำให้คำตอบมาตรฐาน โค้ดทั่วไป และงานที่วัดคะแนนได้ถูกลง และยังทำให้คนหนุ่มสาวเข้าถึงปัญหาจริงได้เร็วขึ้น โอกาสยังคงมีอยู่ เพียงแต่รูปแบบการกระจายเปลี่ยนไป: ใครที่หาปัญหาสำคัญเจอ เข้าสู่สภาพแวดล้อมคุณภาพสูง สร้างชื่อเสียงที่เชื่อถือได้ และผลักดันผลลัพธ์ไปถึงกิโลเมตรสุดท้าย คนนั้นจะได้รับโอกาสครั้งต่อไปง่ายขึ้น

คลิกดูตำแหน่งงานที่ BlockBeats เปิดรับ

ยินดีต้อนรับสู่ชุมชนทางการของ BlockBeats:

กลุ่มสมัครรับข้อมูล Telegram: https://t.me/theblockbeats

กลุ่มสนทนา Telegram: https://t.me/BlockBeats_App

บัญชีทางการ Twitter: https://twitter.com/BlockBeatsAsia