Uber ใช้เอเจนต์ AI ชะลอการจ้างและส่งโค้ดมากขึ้นอย่างไร

AI ในทีมวิศวกรรม: จากตัวช่วยเติมคำ สู่ผู้ช่วยที่รับงานเป็นชิ้น

ความเปลี่ยนแปลงสำคัญคือ AI ไม่ได้ถูกใช้แค่เป็น autocomplete ที่เดาคำสั่งถัดไปในโปรแกรมเขียนโค้ดอีกแล้ว แต่เริ่มกลายเป็นผู้ช่วยที่มีบทบาทในกระบวนการส่งมอบซอฟต์แวร์มากขึ้น

Praveen Neppalli Naga ประธานเจ้าหน้าที่ฝ่ายเทคโนโลยีของ Uber ระบุว่าบริษัท “leaned in hard” กับการเขียนโค้ดด้วย AI โดย 95% ของวิศวกร Uber ใช้เครื่องมือ AI ทุกเดือน และเอเจนต์ AI ภายในบริษัททำการเปลี่ยนแปลงโค้ดประมาณ 1,800 ครั้งต่อสัปดาห์

งานด้าน developer productivity ของ Uber ยังดูจะกินขอบเขตกว้างกว่าการร่างโค้ดอย่างเดียว เซสชันของ Developer Productivity Engineering อธิบายว่า Uber ลงทุนกับ AI ตลอดวงจรพัฒนาซอฟต์แวร์ ตั้งแต่การปรับแต่ง coding assistant ให้เข้าใจ monorepo หรือคลังโค้ดขนาดใหญ่ขององค์กร ระบบ agentic สำหรับการย้ายโค้ดขนาดใหญ่ ไปจนถึงงานทดสอบและรีวิวโค้ดที่ขับเคลื่อนด้วย AI

อย่างไรก็ตาม จุดควบคุมสำคัญยังอยู่ที่การตรวจทาน Khosrowshahi ระบุว่าโค้ดที่ AI สร้างขึ้นจะถูกตรวจโดยพนักงานก่อนเพิ่มเข้า repository หรือคลังโค้ด กล่าวอีกอย่างคือ Uber ใช้เอเจนต์เพื่อผลิตและเตรียมงานให้มากขึ้น แต่ยังไม่ได้เสนอภาพว่าเป็นวิศวกรรมซอฟต์แวร์แบบปล่อยให้ AI ทำงานจริงโดยไร้การกำกับ

ทำไมตัวเลข 10% จึงไม่เท่ากับ “10% ของโค้ดทั้งหมด”

ตัวเลขเกี่ยวกับ AI ของ Uber วัดคนละมุมของกระบวนการพัฒนา จึงไม่ควรถูกรวมเป็นตัวเลขเดียวกัน

ตัวเลข 10% ที่ Khosrowshahi พูดถึงหมายถึงการเปลี่ยนแปลงโค้ดที่ผลิตโดยเอเจนต์อัตโนมัติ แต่รายงานของ The Pragmatic Engineer ระบุอีกชุดหนึ่งว่า 84% ของนักพัฒนา Uber เป็นผู้ใช้ agentic coding หมายถึงใช้เอเจนต์ผ่าน command line หรือส่งคำขอแบบให้ AI ทำงานเป็นขั้นตอนมากกว่าแค่กดรับคำเติมใน IDE

รายงานเดียวกันยังระบุว่า 65% ถึง 72% ของโค้ดถูกสร้างโดย AI ภายในเครื่องมือแบบ IDE หรือโปรแกรมที่นักพัฒนาใช้เขียนโค้ด

ตัวเลขเหล่านี้จริงพร้อมกันได้ เพราะวัดคนละสิ่ง: โค้ดเชนจ์ที่มาจากเอเจนต์อัตโนมัติ การยอมรับเวิร์กโฟลว์แบบ agentic ของนักพัฒนา และโค้ดที่ AI ช่วยสร้างภายใน IDE บทสรุปเชิงปฏิบัติคือ AI อาจช่วยร่างโค้ดในสัดส่วนที่มากกว่าส่วนของงานที่ถูกนับว่าเป็นโค้ดเชนจ์จากเอเจนต์อัตโนมัติโดยตรง

สิ่งนี้ช่วยลดแรงกดดันในการจ้างอย่างไร

ถ้าวิศวกรชุดเดิมส่งงานได้มากขึ้น Uber ก็สามารถเพิ่มกำลังผลิตด้านวิศวกรรมโดยไม่ต้องเพิ่มจำนวนพนักงานในอัตราเดิม นี่คือเหตุผลทางเศรษฐศาสตร์เบื้องหลังการเพิ่มงบ AI พร้อมชะลอการจ้าง

แต่ต้นทุนไม่ได้หายไป เพียงย้ายที่อยู่ จากเดิมที่เน้นจ่ายเพื่อเพิ่มพนักงาน บริษัทต้องจ่ายให้เครื่องมือ AI เอเจนต์ และการประมวลผลมากขึ้นด้วย รายงานหนึ่งเกี่ยวกับการใช้ AI coding ของ Uber ระบุว่าการใช้งาน Claude Code ที่พุ่งขึ้นทำให้งบ AI coding ปี 2026 ของบริษัทถูกใช้หมดเร็วกว่าที่คาด และ Uber ใช้เครื่องมืออย่าง Claude Code และ Cursor

รายงานดังกล่าวควรถูกมองเป็นภาพสะท้อนความต้องการใช้เครื่องมือ ณ ช่วงเวลาหนึ่ง ไม่ใช่งบกำไรขาดทุนทั้งหมดของ AI ใน Uber แต่ก็ชี้ให้เห็นการแลกเปลี่ยนสำคัญ: กำลังผลิตซอฟต์แวร์กำลังถูกวางแผนเป็นส่วนผสมของคน เอเจนต์ เครื่องมือ และโครงสร้างพื้นฐาน

AI ไม่ได้อยู่แค่ในทีมเขียนโค้ด

กลยุทธ์ AI ของ Uber ไม่ได้จำกัดอยู่ในทีมวิศวกรรม Khosrowshahi ระบุว่า Uber ใช้ AI มาหลายปีแล้วในการตั้งราคาการเดินทางแบบ ridesharing และจับคู่คนขับกับผู้โดยสาร

รายงานล่าสุดยังระบุว่า generative AI และ agentic AI ถูกนำไปใช้กับงานสนับสนุนลูกค้า การเริ่มต้นใช้งานของคนขับ และบางส่วนของวงจรพัฒนาวิศวกรรม ทำให้บางเวิร์กโฟลว์ต้องพึ่งการทำงานด้วยมือของมนุษย์น้อยลง

จุดนี้สำคัญ เพราะการเพิ่มผลิตภาพนอกทีมเขียนโค้ดก็ช่วยลดแรงกดดันด้านการจ้างได้เช่นกัน หาก AI ช่วยให้การซัพพอร์ตเร็วขึ้น ทำให้การ onboarding คนขับง่ายขึ้น หรือช่วยวิเคราะห์ปัญหาของบริการภายในได้ดีขึ้น Uber ก็อาจปลดล็อกคอขวดได้โดยไม่ต้องเพิ่มคนในจำนวนเท่าเดิม

ความหมายต่อวิศวกรซอฟต์แวร์

โมเดลปัจจุบันของ Uber ชี้ไปที่วิศวกรรมแบบมี AI ช่วยภายใต้การกำกับ ไม่ใช่โลกที่ไม่มีวิศวกร เอเจนต์สามารถร่างโค้ด เตรียมการเปลี่ยนแปลง ช่วยงาน migration สนับสนุนการทดสอบ หรือช่วยเวิร์กโฟลว์รีวิวโค้ดได้ แต่โค้ดที่ AI เขียนยังต้องถูกตรวจโดยพนักงานก่อนรวมเข้าคลังโค้ด

ผลกระทบที่น่าจะเห็นชัดที่สุดคือการเพิ่มคนใหม่แบบ incremental headcount หรือการจ้างเพิ่มตามงานที่โตขึ้น Uber อาจขยายกำลังผลิตทางวิศวกรรมได้ต่อเนื่อง โดยจ้างพนักงานเพิ่มน้อยกว่าที่เคยต้องใช้ หากเครื่องมือ AI สร้างผลลัพธ์ที่เชื่อถือได้ในงานจริง

คำถามที่ยังเปิดอยู่คือการวัดผล ตัวเลขการใช้งานและสัดส่วนโค้ดที่ AI ช่วยสร้างบอกว่า AI ถูกใช้กว้างแค่ไหน แต่ยังไม่ได้พิสูจน์แบบครบถ้วนว่าผลิตภาพเพิ่มขึ้นเท่าไรเมื่อรวมคุณภาพ ความน่าเชื่อถือ การบำรุงรักษา และต้นทุนวิศวกรรมระยะยาวเข้าไปด้วย