"Coding is a solved problem" หรือ "การเขียนโค้ดคือปัญหาที่แก้จบแล้ว" เป็นหัวข้อกระทู้ Ask HN บน Hacker News เว็บบอร์ดของเหล่านักพัฒนาและคนสายเทคทั่วโลก

เจ้าของกระทู้ที่ใช้ชื่อว่า gokuljs ให้เหตุผลสั้นๆ ว่า ทุกวันนี้งานเขียนซอฟต์แวร์ทั่วไปกลายเป็น "ลูปปิด" ไปเรียบร้อยแล้ว เพราะ AI agent ที่เป็นระบบปัญญาประดิษฐ์ที่ลงมือทำงานเองได้ สามารถรับโจทย์ที่ชัดเจนไปเขียนโค้ด รันชุดทดสอบ พอเจอจุดพังก็แก้เอง แล้ววนทำซ้ำจนกว่าจะผ่านได้อัตโนมัติ เขาจึงตั้งคำถามชวนคิดว่า ถ้าเป็นแบบนั้นจริง แล้วยังเหลืออะไรให้วิศวกรซอฟต์แวร์ที่มีประสบการณ์ทำอยู่อีก?

สิ่งที่น่าสนใจคือตัวเลขของกระทู้นี้ ที่ได้คะแนนโหวตเพียง 8 คะแนน แต่กลับมีคนเข้ามาคอมเมนต์ถึง 47 ความคิดเห็น การที่คนกดโหวตน้อยแต่ยอมเข้ามาพิมพ์แลกเปลี่ยนกันยาวขนาดนี้ สะท้อนว่าประเด็นนี้ไปสะกิดใจคนทำงานสายนี้เข้าอย่างจัง และคำตอบที่ตามมาก็มีมิติมากกว่าแค่เลือกว่าเห็นด้วยหรือไม่เห็นด้วย

หน้าตาของ "ลูปปิด" ที่เจ้าของกระทู้พูดถึง

"ลูปปิด" ในที่นี้หมายถึงวงจรการทำงานที่ตรวจสอบตัวเองได้โดยไม่ต้องมีมนุษย์คอยตรวจทุกขั้นตอน เพราะระบบมีสัญญาณฟีดแบ็กกลับมาทันที ตั้งแต่เขียนโค้ด รันชุดทดสอบ พอเทสต์ไม่ผ่านก็ดูว่าพังตรงไหน แก้ไข แล้วรันใหม่ วนซ้ำไปเรื่อยๆ จนกว่าเทสต์จะผ่านทั้งหมด

หัวใจของลูปนี้อยู่ตรงที่ agent อ่านผลลัพธ์ของตัวเองแล้ววนกลับไปแก้โค้ดต่อได้เอง ตราบใดที่โจทย์ชัดเจนและมีเทสต์คอยชี้วัดว่าอะไรผ่านหรือไม่ผ่าน

เจ้าของกระทู้ยังแบ่งผู้ใช้งาน AI agent ออกเป็น 2 กลุ่ม:

• กลุ่มที่ไม่มีพื้นฐานสายซอฟต์แวร์: กลุ่มนี้จะยังติดขัด เพราะไม่รู้ว่าจะสั่งงานอย่างไร ดูไม่ออกว่าผลลัพธ์ที่ได้ผิดตรงไหน และประเมินคุณภาพงานไม่เป็น
• กลุ่มวิศวกรที่มีประสบการณ์สร้างระบบจริง: กลุ่มนี้ข้ามไปทำงานในสายงานที่ไม่คุ้นเคยได้ เพราะรู้ว่าจะถามอะไร ตรวจงานที่ agent ทำมาได้ และดันงานจนเสร็จ แม้อาจต้องใช้ขั้นตอนมากกว่าซีเนียร์ที่เชี่ยวชาญสายนั้นอยู่แล้ว แต่เขามองว่าช่องว่างตรงนั้นไม่ได้กว้างมากแล้ว

สิ่งที่น่าสังเกตคือ เขาไม่ได้วัดความเก่งจากการพิมพ์โค้ด แต่วัดจากการตัดสินว่าของที่ได้มามีคุณภาพและใช้ได้จริงหรือยัง ซึ่งกลายเป็นประเด็นสำคัญที่คนเข้ามาถกเถียงกันต่อ

เขาปิดท้ายโพสต์ด้วยการบอกว่า ตอนนี้เขาไม่เห็นประโยชน์ของการนั่งทำโปรเจกต์คนเดียวเพื่อพิสูจน์ว่าเขียนโค้ดเป็นอีกต่อไป เมื่อมองย้อนกลับไปช่วง 8 เดือนที่ทุ่มเทให้กับการเรียนรู้และสร้างโปรเจกต์ เขารู้สึกว่าตัวเองเสียเวลากับปัญหาที่มีคนแก้จบไปแล้ว พร้อมทั้งท้าให้คนอื่นเข้ามาหักล้างเหตุผลของเขาในคอมเมนต์

ฝั่งที่บอกว่าจบแล้ว ไม่ได้บอกว่าอาชีพนี้จะหายไป

คอมเมนต์จากฝั่งที่เห็นด้วยไม่ได้บอกว่า "มนุษย์ไม่จำเป็นอีกต่อไป" แต่ย้ำว่า คอขวดของงานไม่ได้อยู่ที่เดิมแล้วต่างหาก

ตัวเจ้าของกระทู้เข้ามาเสริมในคอมเมนต์ว่า เรื่องการเขียนโค้ดและไล่หาบั๊กถือว่าแก้จบแล้ว 100% เพราะหลายบริษัทนำ AI agent เข้ามาอยู่ในกระบวนการทำงานประจำวันแล้ว ถ้ามีอะไรพังก็แค่รีวิวแล้วรวมโค้ดเข้าไป เขายังบอกอีกว่า ถ้าโปรเจกต์วางไฟล์กติกาอย่าง SKILLS.md และ AGENTS.md เพื่อกำหนดแนวทางการทำงานให้ agent ไว้อย่างดี agent จะเขียนโค้ดได้ดีกว่าวิศวกรระดับซีเนียร์ส่วนใหญ่ด้วยซ้ำ สำหรับเขา คนที่เก่งจริงในยุคนี้มักเป็นคนที่มีประสบการณ์ 15-20 ปีขึ้นไป ซึ่งจุดที่สร้างความแตกต่างไม่ใช่การเขียนโค้ด แต่เป็นการออกแบบระบบและการตัดความซับซ้อนที่ไม่จำเป็นออกไป

อีกคอมเมนต์หนึ่งสรุปไว้อย่างตรงไปตรงมาว่า การเขียนโค้ดจบแล้วจริง แต่การวางโครงสร้างระบบและการสร้างโปรดักต์ที่ชนะในตลาดยังไม่จบ ขณะที่อีกคนมองว่าเรื่องนี้จบไปมากกว่าที่คนส่วนใหญ่รู้ตัว และจะเห็นผลลัพธ์นี้ชัดเจนขึ้นภายใน 3 เดือนข้างหน้า

อีกคอมเมนต์ในฝั่งนี้มองว่า AI ไม่ได้ทำให้อาชีพนี้หายไป แต่กำลังเปลี่ยนรูปแบบงาน วิศวกรจะหันไปกำกับทิศทางและตัดสินใจมากขึ้น ส่วนความละเอียดพิถีพิถันแบบช่างฝีมือจะไปอยู่ในงานส่วนอื่น ไม่ได้จำกัดอยู่แค่ตัวโค้ด

พูดง่ายๆ คือ ฝั่งนี้ไม่ได้บอกว่าเราไม่ต้องเก่งแล้ว แต่ "จุดที่ต้องใช้ความเก่ง" ย้ายที่ไปแล้วต่างหาก

ลูปจะปิดได้ ต้องมีคนบอกก่อนว่าอะไรคือสิ่งที่ถูกต้อง

ฝั่งที่เข้ามาโต้แย้งไม่ได้บอกว่า AI agent เขียนโค้ดไม่เป็น แต่ชี้ให้เห็นเงื่อนไขสำคัญที่ทำให้เกิดลูปปิดได้ตั้งแต่แรก ซึ่งเงื่อนไขข้อแรกคือ ต้องมีคนกำหนดก่อนว่าอะไรคือสิ่งที่ถูกต้อง

มีคอมเมนต์หนึ่งอธิบายไว้อย่างเห็นภาพว่า ปัญหาที่น่าสนใจและซับซ้อนจริงๆ มักไม่มีทางเกิดลูปปิดได้ เพราะเราแทบไม่มีทางรู้ความต้องการที่แท้จริงของระบบ จนกว่าจะได้ลองสร้างและทดสอบใช้งานจริง ถ้าโจทย์ตั้งต้นยังไม่นิ่ง เราก็ไม่มีทางเขียนชุดทดสอบที่ถูกต้องได้ และการที่ AI วนแก้โค้ดจนเทสต์ผ่าน ก็ไม่ต่างอะไรกับการวิ่งเข้าเส้นชัยที่ปักไว้ผิดที่ตั้งแต่แรก

อีกคอมเมนต์หนึ่งไล่เรียงสิ่งที่ agent ยังทำได้ไม่ดีไว้เป็นข้อๆ ข้อแรกคือการเข้าใจปัญหาที่แท้จริงของผู้ใช้ แม้แต่คนด้วยกันเองก็ยังเข้าใจผิดกันบ่อย จุดนี้พลาดง่าย เพราะการเขียนโจทย์ได้ชัดเจนกับการตั้งโจทย์ให้ตรงกับปัญหาจริงของผู้ใช้เป็นคนละเรื่องกัน

เมื่อสัญญาณกลับมาช้า ลูปปิดก็พัง

เงื่อนไขข้อที่สองคือ สัญญาณฟีดแบ็กต้องเชื่อถือได้และกลับมาเร็วพอ มีคนชี้ว่าลูปปิดในเครื่องของนักพัฒนาทำงานได้ดี เพราะโปรแกรมตรวจโค้ดอย่างคอมไพเลอร์และชุดทดสอบส่งผลลัพธ์กลับมาทันที แต่บนระบบโปรดักชันที่มีผู้ใช้งานจริง สถานการณ์กลับต่างออกไปอย่างสิ้นเชิง

ในโปรดักชัน ข้อผิดพลาดจากการบันทึกข้อมูลผิดอาจไม่มีใครสังเกตเห็นนานนับสัปดาห์ หรืออาจไม่มีใครเห็นเลย

คำถามที่ยากจึงไม่ใช่แค่ "โค้ดคอมไพล์ผ่านไหม" แต่คือ "ข้อผิดพลาดส่งผลกระทบไปถึงไหน กู้ข้อมูลที่เสียหายกลับมาได้หรือไม่ และใครจะเป็นคนแรกที่สังเกตเห็น"

คนที่ยกเรื่องการไล่หาบั๊กก็มองคล้ายกันว่า สิ่งที่ต้องคิดคือจะเก็บ Log หรือไฟล์บันทึกประวัติการทำงานของระบบอย่างไร ในรูปแบบไหน และต้องระวังไม่ให้บันทึกข้อมูลสำคัญอะไรบ้าง

เรื่องความน่าเชื่อถือของชุดทดสอบก็เป็นอีกประเด็นสำคัญ โค้ดที่รันผ่านเทสต์ไม่ได้แปลว่าถูกต้องเสมอไป ซึ่งเรื่องนี้เราเคยแยกไปเล่าไว้ในบทความ งานที่ AI agent ทำแล้วผ่าน test แบบฟลุก เมื่อนำมาเชื่อมโยงกับกระทู้นี้ จะยิ่งเห็นภาพชัดขึ้นว่า เทสต์ที่ผ่านเป็นเพียงสัญญาณเบื้องต้น ไม่ใช่ข้อสรุปเด็ดขาด

เมื่อระบบพัง ใครคือคนที่ต้องรับผิดชอบ

เงื่อนไขสำคัญข้อสุดท้ายคือ ความรับผิดชอบเมื่อระบบเกิดปัญหา หลายคอมเมนต์ย้ำประเด็นนี้จากมุมมองที่ต่างกัน

วิศวกรที่มีประสบการณ์ทำงานมากว่าสิบปีเล่าว่า หลังใช้ Claude Code ที่เป็นเครื่องมือสั่ง AI ให้ลงมือเขียนและแก้โค้ดในโปรเจกต์จริงมานานหลายเดือน ข้อสรุปของเขาคือปัญหาการเขียนโค้ดยังไม่จบ เพราะเมื่อเจอปัญหาที่ซับซ้อน AI ยังคงใช้เวลานานและมักหลงวนลูปทดลองคำตอบเดิมซ้ำๆ จนต้องมีคนคอยประกบและดึงกลับมา ถ้าไม่มีพื้นฐานวิศวกรรมซอฟต์แวร์ที่แน่นพอ ก็ไม่มีทางสร้างระบบที่ปลอดภัยและได้มาตรฐาน

อีกคนบอกว่า งานดูแลระบบเดิมอาจพอให้ AI ช่วยทำได้ แต่งานสร้างระบบใหม่ยังเห็นร่องรอยข้อผิดพลาดของ AI ชัดเจน และต่อให้เป็นงานดูแลระบบ ก็ยังต้องมีวิศวกรฝีมือดีคอยกลั่นกรองเพื่อป้องกันไม่ให้ AI ตัดสินใจผิดพลาด คอมเมนต์หนึ่งยกตัวอย่างระบบคิดเงินที่มีผู้ใช้งานหลายร้อยล้านคน พร้อมระบุตรงๆ ว่างานระดับนี้ยากมาก และมองว่าความเห็นแบบเจ้าของกระทู้สะท้อนว่าเป็นคนที่ยังไม่เคยทำงานกับระบบซับซ้อนที่พังไม่ได้

นอกจากนี้ ยังมีประเด็นเรื่องการสอนนักพัฒนารุ่นใหม่ไม่ให้รับโค้ดจาก AI มาใช้โดยไม่ตรวจสอบ เพราะสุดท้ายแล้ว คนที่กดยืนยันรวมโค้ดคือคนที่ต้องรับผิดชอบผลลัพธ์ทั้งหมด ทักษะสำคัญในยุคนี้จึงกลายเป็นการอ่านและทำความเข้าใจโค้ดที่ตัวเองไม่ได้เขียน ซึ่งเราเคยเล่าไว้อีกมุมหนึ่งในบทความ การเลิกอ่านโค้ดที่ agent เขียน แล้ววัดคุณภาพด้วยตัวเลขแทน

อีกสองมุมมองที่ไม่ได้พูดถึงแค่เรื่องฝีมือ

นอกจากเรื่องฝีมือและประสิทธิภาพในการทำงาน ยังมีอีกสองมุมมองที่น่าสนใจ:

คอมเมนต์หนึ่งมองว่า การพึ่งพา AI เขียนโค้ดมากเกินไป คือการยกความรู้และกระบวนการคิดไปฝากไว้กับบริษัทผู้ให้บริการภายนอก จนกลายเป็นการพึ่งพาอย่างมหาศาลในระยะยาว เขากังวลว่าวิศวกรรุ่นใหม่จะไม่เข้าใจหลักการเขียนโปรแกรมอย่างแท้จริง และชี้ว่าโมเดล AI ในปัจจุบันเรียนรู้จากโค้ดที่มนุษย์เขียน ถ้ามนุษย์เขียนโค้ดเองน้อยลงเรื่อยๆ สุดท้ายโมเดลก็จะต้องเทรนจากโค้ดที่ AI สร้างขึ้นมาเองวนไปเรื่อยๆ

ขณะที่อีกคนตั้งคำถามย้อนกลับไปถึงจุดเริ่มต้นว่า ถ้าคำว่า "Coding" หมายถึงการผลิตโค้ดจำนวนมากในราคาถูก ปัญหานี้ก็จบไปนานหลายสิบปีแล้ว โดยไม่ต้องรอโมเดลภาษาขนาดใหญ่อย่าง LLM คำถามที่แท้จริงคือ นั่นใช่ปัญหาหลักที่เราควรแก้จริงหรือไม่

กระทู้นี้บอกอะไรเรา และไม่ได้บอกอะไร

น้ำหนักของกระทู้นี้จึงอยู่ที่ประเด็นที่คนหยิบยกขึ้นมาถกเถียงกัน ไม่ใช่อยู่ที่คะแนนโหวต สิ่งที่สะท้อนออกมาคือ คำถามนี้ยังไม่มีคำตอบที่ทุกคนเห็นพ้องต้องกัน ไม่ใช่การตัดสินว่าฝ่ายใดชนะ

บรรยากาศการพูดคุยในกระทู้ก็ค่อนข้างดุเดือด มีผู้ใช้คนหนึ่งกล่าวหาเจ้าของกระทู้ตรงๆ ว่าเป็นคนตกงานที่มาตั้งกระทู้ปั่นกระแส โดยอ้างว่าเมื่อ 30 วันก่อนเจ้าของกระทู้เพิ่งบอกว่าตัวเองมีประสบการณ์เพียง 4 ปีครึ่ง แต่เจ้าของกระทู้ปฏิเสธข้อกล่าวหา และยืนยันว่าตัวเองยังเขียนโค้ดได้ตามปกติโดยไม่ต้องพึ่งพา AI เพียงแต่นิยามของคำว่า "เก่ง" ในยุคนี้กำลังเปลี่ยนไป

คำถามที่ว่าอาชีพนี้จะจบลงหรือไม่ กระทู้นี้คงตอบแทนใครไม่ได้ สิ่งที่กระทู้นี้ทำได้ดีคือชี้ให้เห็นว่าคนที่ลงมือทำงานจริงกำลังถกเถียงกันอยู่ตรงจุดไหน

แล้ววิศวกรซอฟต์แวร์ควรพัฒนาทักษะด้านไหนต่อ

ถ้าลองไล่ดูว่าคอมเมนต์ทั้งกระทู้วนกลับมาที่เรื่องอะไรบ้าง เราสรุปออกมาได้เป็นทักษะ 5 ข้อ ที่เอาไปปรับใช้กับงานที่ทำอยู่ตอนนี้ได้เลย:

• ตั้งโจทย์และเงื่อนไขความสำเร็จให้ชัดเจน: ก่อนสั่งงาน AI ให้เขียนไว้ชัดเจนว่างานนี้ต้องผ่านเงื่อนไขอะไรบ้างจึงจะถือว่าเสร็จสมบูรณ์ ถ้าเรายังเขียนเงื่อนไขความสำเร็จไม่ได้ แปลว่าเรายังไม่รู้ว่าอะไรคือผลลัพธ์ที่ถูกต้อง และลูปการทำงานก็ปิดไม่ได้ตั้งแต่ต้น
• อ่านและรีวิวโค้ดที่ตัวเองไม่ได้เขียน: เมื่อ AI ส่งงานมาและเราต้องตัดสินใจว่าจะรวมโค้ดเข้าโปรเจกต์หรือไม่ คำถามที่ต้องถามเสมอคือ "ถ้าโค้ดชุดนี้พัง จะพังตรงไหน และจะทำให้ข้อมูลส่วนไหนเสียหายจนแก้กลับไม่ได้บ้าง"
• ออกแบบระบบและตัดสินใจว่าอะไรไม่ต้องสร้าง: แม้แต่ฝั่งที่เชียร์ AI ที่สุดในกระทู้ก็ยังยอมรับว่า สิ่งที่ทำให้คนเก่งต่างจากคนทั่วไปคือการตัดความซับซ้อนที่ไม่จำเป็นทิ้งและวางโครงสร้างระบบให้ดี ไม่ใช่แค่เขียนโค้ด
• หาสาเหตุเมื่อระบบจริงในโปรดักชันมีปัญหา: ในวันที่ระบบมีปัญหาแต่ชุดทดสอบยังผ่านทุกตัว ต้องเริ่มฝึกทักษะนี้ตั้งแต่ตอนวางแผนว่าจะบันทึก Log อะไรไว้ ไม่ใช่เพิ่งมาเริ่มคิดตอนที่ระบบล่มไปแล้ว
• คุยกับผู้ใช้งานจริงเพื่อเข้าใจปัญหาที่แท้จริง: ก่อนจะลงมือเขียนโค้ดบรรทัดแรก การคุยกับผู้ใช้เป็นข้อเดียวในห้าข้อที่ไม่เกี่ยวกับหน้าจอคอมพิวเตอร์เลย และเป็นข้อแรกสุดที่คอมเมนต์ฝั่งโต้แย้งยกขึ้นมาว่า agent ยังทำได้ไม่ดี

จะเห็นว่าทั้ง 5 ข้อนี้ไม่มีข้อไหนต้องรอให้ AI เก่งขึ้นหรือแย่ลงก่อนถึงจะได้ใช้ ทุกข้อเริ่มฝึกได้จากงานที่มีอยู่ในมือตอนนี้

คำถามที่คุ้มค่ากว่าการถามว่าอาชีพนี้จบลงหรือยัง จึงอาจเป็นคำถามสั้นๆ ว่า "ถ้าโค้ดชุดที่เพิ่งรวมเข้าไปเมื่อวานเกิดพังขึ้นมาตอนตีสาม ใครในทีมจะเป็นคนอ่านและเข้าใจได้เป็นคนแรก"

---

ที่มา: กระทู้ Ask HN: Coding is a solved problem. What is left for experienced engineers? จาก Hacker News