AI เขียนโค้ดอาจกำลังบีบบันไดอาชีพของคนเริ่มทำงานให้สั้นลง

ผู้ช่วยเขียนโค้ดด้วย AI อาจทำให้นักพัฒนาทำงานได้เร็วขึ้น แต่ไม่ได้หมายความว่าทีมซอฟต์แวร์หรือเส้นทางอาชีพจะแข็งแรงขึ้นโดยอัตโนมัติ ประเด็นที่เริ่มน่ากังวลไม่ใช่ว่าเครื่องมือใดเครื่องมือหนึ่งจะสร้างโค้ดคุณภาพแย่เสมอไป หากแต่เป็นความเป็นไปได้ที่องค์กรจะลดงานลงมือทำแบบรูทีน ซึ่งเคยเป็นสนามฝึกสำคัญของพนักงานจูเนียร์ แล้วหันไปต้องการคนมีประสบการณ์ที่กำหนดความต้องการ ตรวจทานผลงาน ทดสอบระบบ และชั่งน้ำหนักข้อแลกเปลี่ยนได้มากกว่า

ภาพดังกล่าวสอดคล้องกับงานวิจัยตลาดแรงงานระยะหลัง แต่ยัง ไม่ใช่ข้อพิสูจน์ ว่า Cursor, GitHub Copilot หรือ Claude Code เป็นสาเหตุโดยตรงที่ทำให้โอกาสของคนจบใหม่หรือจูเนียร์ลดลง

หลักฐานชี้ถึงการเอนเอียงไปหาคนระดับอาวุโส

งานศึกษาร่วมของ Stanford และ King’s College London วิเคราะห์ประกาศงาน 1.25 พันล้านรายการ และประวัติการจ้างงาน 154 ล้านรายการจาก 41 ประเทศ ผลการวิเคราะห์พบว่า บริษัทที่นำ AI มาใช้มีสัดส่วนพนักงานจูเนียร์ลดลงเมื่อเทียบกับบริษัทที่คล้ายกันซึ่งไม่ได้ใช้ AI โดยแรงขับหลักมาจากการจ้างงานระดับอาวุโสที่เพิ่มขึ้น พร้อมสัญญาณว่าการจ้างงานโดยรวมอาจเติบโตเล็กน้อย 33

ตัวเลขประมาณการในช่วง 5 ปีที่รายงานเกี่ยวกับงานศึกษานี้ระบุว่า การจ้างงานระดับอาวุโสในบริษัทที่ใช้ AI เพิ่มขึ้น 6.7% ขณะที่การจ้างงานระดับจูเนียร์ลดลง 3% และสัดส่วนพนักงานจูเนียร์ลดลง 1.9 จุดเปอร์เซ็นต์ 37 ประเด็นสำคัญคือ นี่เป็นการเปลี่ยนแปลงของ องค์ประกอบแรงงาน ไม่ใช่เรื่องเล่าว่า AI ทำลายงานทั่วทั้งเศรษฐกิจอย่างตรงไปตรงมา

งานวิจัยข้อมูลเงินเดือนจาก Stanford อีกชิ้นพบช่องว่างในกลุ่มคนเริ่มอาชีพในทิศทางเดียวกัน โดยการจ้างงานของแรงงานอายุ 22–25 ปีในอาชีพที่มีความเสี่ยงต่อผลกระทบจาก AI สูง ต่ำกว่าระดับที่ควรเป็นราว 19% หากเติบโตทันแรงงานวัยเดียวกันในอาชีพที่ได้รับผลกระทบน้อยกว่า ขณะที่แรงงานมีประสบการณ์ไม่พบช่องว่างในแบบเดียวกัน 12 ตัวเลขนี้คือการตามหลังเมื่อเทียบกับแนวโน้มอ้างอิง ไม่ได้หมายความว่า AI กำจัดงานไป 19% โดยตรง

เครื่องมือ AI เขียนโค้ดเกี่ยวข้องอย่างไร—แต่ยังสรุปเหตุและผลไม่ได้

Chamath Palihapitiya อธิบายเครื่องมือ AI เขียนโค้ดกระแสหลักว่าเป็นระบบแบบ “เล่นคนเดียว” คือเก่งในการเร่งการผลิตโค้ดของนักพัฒนาแต่ละคน แต่ยังไม่ครอบคลุมงานร่วมกันของทีม เช่น สถาปัตยกรรม การถกข้อกำหนด การกำกับดูแลตามกฎเกณฑ์ การรีวิวโค้ด การย้อนการเปลี่ยนแปลง การสรุปบทเรียนหลังเหตุขัดข้อง และการปฐมนิเทศคนใหม่ เขาระบุว่าเครื่องมือเหล่านี้อาจเพิ่มความเร็วของแต่ละคนได้ “2–5 เท่า” แต่ซอฟต์แวร์ที่เชื่อถือได้ยังต้องอาศัยการประสานงานและการตัดสินใจจำนวนมาก 30

กรอบคิดนี้ช่วยอธิบายคำถามเชิงองค์กรได้อย่างมีเหตุผล: หากวิศวกรอาวุโสกลุ่มเล็ก ๆ ใช้ AI สร้าง ตรวจสอบ และรวมโค้ดได้มากขึ้น บริษัทอาจเห็นความจำเป็นต่อผู้ลงมือทำงานรูทีนระดับจูเนียร์น้อยลง ขณะเดียวกัน งานที่ยังเหลืออยู่กลับต้องพึ่งพาวิจารณญาณมากกว่าเดิม เช่น

• แปลงความต้องการของผู้ใช้ที่คลุมเครือให้เป็นข้อกำหนดทางเทคนิค
• มองหาโค้ดที่ AI สร้างผิดพลาดหรือไม่ปลอดภัย
• ออกแบบการทดสอบและตีความความล้มเหลว
• รีวิวการเปลี่ยนแปลงโดยเข้าใจบริบทของระบบขนาดใหญ่
• ตัดสินใจว่าเมื่อใดไม่ควรทำอัตโนมัติหรือไม่ควรปล่อยขึ้นใช้งานจริง

ทั้งหมดนี้เป็นกลไกที่เป็นไปได้ ไม่ใช่ผลการวิจัยเชิงเหตุและผลที่เจาะจงถึงผลิตภัณฑ์ใดผลิตภัณฑ์หนึ่ง งานศึกษาแรงงานที่มีอยู่ในขณะนี้วัดการนำ AI ไปใช้และระดับการได้รับผลกระทบจาก AI ในภาพกว้าง ไม่ได้แยกผลของ Cursor, Copilot, Claude Code หรือผู้ช่วยเขียนโค้ดรายใดโดยเฉพาะ อีกทั้งไม่ได้บอกว่าการใช้เครื่องมือเหล่านี้ย่อมทำให้ได้โค้ดคุณภาพต่ำ

เมื่อขั้นแรกของบันไดอาชีพเริ่มหายไป

บทบาทระดับเริ่มต้นมีหน้าที่สองอย่างมาโดยตลอด: เพิ่มกำลังการผลิต และเป็นพื้นที่ให้คนใหม่เรียนรู้งานวิศวกรรมของจริงผ่านการรีวิวโค้ด การดีบัก การติดตามเหตุขัดข้อง การสังเกตการตัดสินใจด้านการออกแบบ และฟีดแบ็กจากรุ่นพี่

เมื่อภารกิจรูทีนถูกทำให้เป็นอัตโนมัติมากขึ้น องค์กรอาจเผลอรื้อ “ขั้นแรก” ของบันไดนี้ออกไป ผลคือผู้สมัครถูกคาดหวังให้แสดงวิจารณญาณที่เดิมทีควรได้เรียนรู้จากงานระดับเริ่มต้นเสียเอง

เกณฑ์การจ้างงานอาจกำลังขยับไปในทิศทางนี้แล้ว World Economic Forum ซึ่งอ้างงานวิจัยของ PwC ระบุว่า ตำแหน่งจูเนียร์ที่ได้รับผลกระทบจาก AI มากที่สุด มีโอกาสสูงกว่าตำแหน่งที่ได้รับผลกระทบน้อยที่สุดถึง 7 เท่า ที่จะเรียกร้องทักษะซึ่งเดิมมักสัมพันธ์กับตำแหน่งอาวุโส เช่น ภาวะผู้นำ 12 จึงกลายเป็นวงจรย้อนแย้ง: ต้องมีประสบการณ์ก่อน จึงจะได้งานที่เคยเป็นแหล่งสร้างประสบการณ์

สำหรับทีมซอฟต์แวร์ นี่ไม่ใช่เพียงประเด็นความเป็นธรรม หากโอกาสทำงานภายใต้การดูแลสำหรับคนเริ่มอาชีพลดลงต่อเนื่อง สุดท้ายอาจจำกัดจำนวนวิศวกรที่เติบโตขึ้นเป็นระดับอาวุโสได้ ผลิตภาพระยะสั้นจึงอาจแลกมากับฐานบุคลากรรุ่นถัดไปที่บางลง

เหตุใดความเหลื่อมล้ำจึงอาจกว้างขึ้น

การเปลี่ยนสัดส่วนไปทางคนอาวุโสมักให้ผลตอบแทนแก่ผู้ที่มีประสบการณ์ เข้าใจบริบทขององค์กร และเข้าถึงการรีวิวคุณภาพสูงอยู่แล้ว ขณะที่ผู้เข้าสู่ตลาดงานใหม่มีต้นทุนทั้งสามด้านนี้น้อยกว่า

ดังนั้น ช่องว่างการจ้างงานสัมพัทธ์ 19% ของแรงงานอายุ 22–25 ปีในอาชีพที่ได้รับผลกระทบจาก AI สูงจึงมีนัยสำคัญ แม้จะยังพิสูจน์ไม่ได้ว่า AI เป็นผู้แทนที่งานโดยตรง 12 อย่างน้อยที่สุด ข้อมูลชี้ว่าคนหนุ่มสาวยังไม่ได้รับโอกาสอย่างเท่าเทียมในสาขาที่ AI เข้าไปมีบทบาทสูง ผู้ที่ไม่มีเครือข่ายวิชาชีพ วุฒิการศึกษาที่ได้เปรียบ หรือผู้ให้คำปรึกษา อาจยิ่งข้ามเกณฑ์ประสบการณ์ใหม่นี้ยากขึ้น

ความเสี่ยงคือ ตลาดแรงงานจะแบ่งเป็นสองฝั่งระหว่างคนที่สั่งการและตรวจสอบระบบ AI ได้ กับคนที่ถูกคาดหวังให้เข้ามาทำงานโดยมีความสามารถนั้นอยู่แล้ว

สิ่งที่นายจ้างควรทำ

ทางเลือกที่สร้างสรรค์ไม่ใช่การเก็บงานซ้ำ ๆ ไว้เพียงเพื่อให้คนทำ แต่คือการออกแบบบทบาทจูเนียร์ใหม่ ให้ AI เพิ่มพูนการเรียนรู้และความสามารถ แทนที่จะตัดโอกาสในการเรียนรู้ออกไป

รักษางานจริงภายใต้การดูแลไว้ในเส้นทางพัฒนา

นายจ้างสามารถคงโครงการฝึกงานแบบมีค่าตอบแทน โปรแกรมหมุนเวียนสำหรับบัณฑิตจบใหม่ และตำแหน่งจูเนียร์ที่กำหนดความรับผิดชอบด้านการเป็นพี่เลี้ยงไว้อย่างชัดเจน เป้าหมายควรเป็นพัฒนาการที่พิสูจน์ได้ ตั้งแต่งานขอบเขตแคบที่มีคนรีวิว ไปสู่งานที่รับผิดชอบกว้างขึ้น ไม่ใช่เพียงการหาแรงงานต้นทุนต่ำ

ประเมินวิจารณญาณ ไม่ใช่ดูแค่ผลลัพธ์จากพรอมป์ต์

การประเมินผู้สมัครและผลงานในยุค AI ควรทดสอบว่าบุคคลนั้นนิยามปัญหา อธิบายโค้ดที่สร้างขึ้น ปรับปรุงการทดสอบ ระบุรูปแบบความล้มเหลว และรับมือประเด็นความปลอดภัยหรือความน่าเชื่อถือได้หรือไม่ การสร้างโค้ดได้เร็วไม่ได้เท่ากับมีความสามารถด้านวิศวกรรม

ทำให้ AI อยู่ในกระบวนการรีวิว

ทีมควรมีการติดตามที่มาของการเปลี่ยนแปลง การรีวิวโดยมนุษย์ การทดสอบ และการกำหนดเจ้าของงานอย่างชัดเจนสำหรับโค้ดที่มี AI ช่วยสร้าง วิธีเหล่านี้ทำให้ AI เป็นเครื่องมือการสอนได้ด้วย: จูเนียร์สามารถเปรียบเทียบแนวทางที่ AI เสนอ ตรวจสอบสาเหตุความล้มเหลว และได้รับคำอธิบายว่าเหตุใดวิธีหนึ่งจึงปลอดภัยหรือดูแลรักษาง่ายกว่าอีกวิธี

วัดผลด้านกำลังคนควบคู่กับผลิตภาพ

ผู้บริหารควรติดตามการรับจูเนียร์ อัตราเลื่อนตำแหน่ง เวลาในการฝึกอบรม การรักษาพนักงาน และการกระจายงานตามระดับประสบการณ์ ไม่ใช่มองแค่จำนวนฟีเจอร์ที่ส่งมอบหรือปริมาณโค้ด โครงการเพิ่มผลิตภาพที่ทำให้งานออกมากขึ้น แต่บั่นทอนท่อส่งบุคลากร อาจกำลังสร้างความเสี่ยงต่อการดำเนินงานในระยะยาว

นโยบายที่เน้นการเข้าถึงประสบการณ์ทำงาน

ภาครัฐสามารถช่วยรักษาทางผ่านจากการศึกษาไปสู่งานได้ โดยไม่จำเป็นต้องขัดขวางการใช้เทคโนโลยี ตัวเลือกที่เป็นประโยชน์ ได้แก่ การร่วมสนับสนุนโครงการฝึกงาน เงินอุดหนุนค่าจ้างที่ผูกกับการพัฒนาทักษะภายใต้การดูแล การสนับสนุนการฝึกอบรมที่พกพาได้ และบริการจับคู่งานที่มุ่งช่วยคนหนุ่มสาวในอาชีพที่ได้รับผลกระทบจาก AI สูง

รัฐบาลและผู้จัดซื้อรายใหญ่ยังสามารถส่งเสริมการใช้ AI แบบเสริมศักยภาพมนุษย์ โดยสนับสนุนระบบที่ช่วยยกระดับความสามารถของจูเนียร์ภายใต้การกำกับดูแลของมนุษย์ที่รับผิดชอบ แทนกลยุทธ์ที่มองว่าการลดการจ้างจูเนียร์คือจุดแรกของการลดต้นทุน

บทสรุป

เครื่องมือ AI เขียนโค้ดอาจเปลี่ยนวิธีจัดคนในทีมซอฟต์แวร์ โดยทำให้วิศวกรอาวุโสทำงานได้มากขึ้น และลดเหตุผลทางเศรษฐกิจของงานจูเนียร์บางประเภท หลักฐานนานาชาติรองรับความกังวลเรื่องการเอนเอียงไปทางคนมีประสบการณ์: บริษัทที่ใช้ AI เพิ่มการจ้างงานระดับอาวุโส ขณะที่บทบาทของพนักงานจูเนียร์ลดลงในเชิงสัมพัทธ์ 3337

แต่หลักฐานยังไม่ได้ชี้ว่าเครื่องมือเขียนโค้ดรายใดก่อให้เกิดผลลัพธ์นี้ และไม่ได้ยืนยันว่าโค้ดจาก AI จำเป็นต้องมีคุณภาพต่ำ โจทย์แกนกลางจึงเป็นเรื่องการออกแบบองค์กร: บริษัทจะใช้ AI เพื่อตัดงานที่ทำให้คนใหม่ได้พัฒนาวิจารณญาณออกไป หรือจะใช้มันเพื่อสร้างเส้นทางที่เร็วขึ้น แต่ยังมีการดูแล ให้คนใหม่พัฒนาวิจารณญาณนั้นได้จริง