ถ้ามองผ่านพาดหัวแบบสั้น ๆ เรื่องนี้อาจดูเหมือน AI กำลังมาแทนวิศวกรของ Uber แต่ภาพที่ชัดกว่าคือ Uber กำลังเปลี่ยนสมการการเพิ่มกำลังผลิตทางวิศวกรรม: ลงทุน AI มากขึ้น จ้างเพิ่มช้าลง และพยายามทำให้ทีมเดิมสร้างงานได้มากกว่าเดิม

ในปี 2026 Dara Khosrowshahi ซีอีโอของ Uber ระบุว่า autonomous agents สร้างการเปลี่ยนแปลงโค้ด หรือ code changes ราว 10% ของบริษัท โดยยังมีพนักงานตรวจทานก่อนรวมเข้า repository หรือคลังโค้ดกลาง ^[10]. นี่จึงไม่ใช่โมเดลไร้มนุษย์ แต่เป็นโมเดลที่ให้ AI ช่วยเพิ่มแรงส่ง แล้วให้คนยังคุมคุณภาพและความรับผิดชอบปลายทาง

แกนของกลยุทธ์: เพิ่ม output โดยไม่เพิ่มคนตามสัดส่วนเดิม

คำสำคัญของเรื่องนี้คือ “การจ้างเพิ่ม” มากกว่าการ “เลิกใช้คน” ทันที Uber กำลังพยายามคุมจังหวะการเติบโตของจำนวนพนักงาน ขณะใช้ AI เพิ่ม throughput หรือปริมาณงานที่พนักงานทำได้ต่อคน ^[10]. Khosrowshahi เคยพูดถึงเป้าหมายให้พนักงานใช้ AI เพื่อเพิ่ม output ได้ 20%, 30%, 50% หรือแม้แต่ 100% ^[10].

เมื่อคิดแบบธุรกิจ ตัวเลขนี้เปลี่ยนวิธีวางแผนกำลังคนโดยตรง เดิมถ้างานวิศวกรรมเพิ่ม บริษัทอาจต้องเติมวิศวกรเพิ่มเป็นหลัก แต่โมเดลใหม่คือเติมกำลังด้วยส่วนผสมของคน เครื่องมือช่วยเขียนโค้ด เอเจนต์ AI ระบบอัตโนมัติ และกำลังประมวลผลอย่าง GPU แทนบางส่วน Khosrowshahi ยังพูดถึงความเป็นไปได้ในระยะยาวที่งานบางส่วนซึ่งเคยต้องใช้ incremental engineering headcount หรือวิศวกรที่จ้างเพิ่ม อาจถูกแทนด้วย AI agents และ GPUs ได้ แต่ในปัจจุบันมนุษย์ยังอยู่ในวงจรตรวจทาน ^[5][10].

ในทีมวิศวกรรม AI ไม่ได้เป็นแค่ autocomplete แล้ว

จุดเปลี่ยนสำคัญคือ AI ในงานเขียนซอฟต์แวร์ไม่ได้หยุดอยู่ที่การเดาคำถัดไปใน IDE หรือเครื่องมือเขียนโค้ดอีกต่อไป แต่เริ่มทำงานแบบ agentic มากขึ้น หมายถึงระบบที่รับบริบทของโปรเจ็กต์ ทำงานเป็นชิ้นใหญ่ขึ้น และเตรียมการเปลี่ยนแปลงให้คนตรวจได้

Praveen Neppalli Naga ประธานเจ้าหน้าที่เทคโนโลยีของ Uber ระบุว่าบริษัท “leaned in hard” กับ AI coding โดย 95% ของวิศวกร Uber ใช้เครื่องมือ AI ทุกเดือน และเอเจนต์ AI ภายในทำ code changes ประมาณ 1,800 รายการต่อสัปดาห์ ^[13].

อย่างไรก็ตาม ตัวเลขเหล่านี้ไม่ได้แปลว่าโค้ดถูกปล่อยเข้าไปโดยไม่มีใครดูแล จุดควบคุมหลักยังเป็นการตรวจทานโดยมนุษย์ เพราะ Khosrowshahi ระบุว่าโค้ดที่ AI สร้างยังถูกพนักงานตรวจสอบก่อนเข้า repository ^[10].

งานที่ Uber ให้ AI ช่วยทำกว้างกว่าการเขียนโค้ด

งานเพิ่มผลิตภาพนักพัฒนาของ Uber ครอบคลุมทั้งวงจรพัฒนาซอฟต์แวร์ หรือ software development lifecycle ไม่ใช่แค่ปุ่มช่วยเขียนโค้ดในหน้าจอเดียว เซสชันของ Developer Productivity Engineering ระบุว่า Uber ลงทุน AI เพื่อช่วยนักพัฒนา “Ship Quality Faster” ตั้งแต่การปรับแต่ง coding assistant ให้เข้าใจ monorepo หรือคลังโค้ดขนาดใหญ่ที่รวมหลายโปรเจ็กต์ ระบบ agentic สำหรับการย้ายโค้ดขนาดใหญ่ ไปจนถึงเวิร์กโฟลว์ด้านการทดสอบและ code review ที่ใช้ AI ^[14].

นี่คือเหตุผลที่คำว่า agentic development สำคัญกว่า autocomplete ธรรมดา เพราะถ้าเครื่องมือรับงานที่ใหญ่ขึ้นได้ เช่น เตรียม migration หรือช่วยตรวจทานและทดสอบ งานที่เคยกินเวลาวิศวกรจำนวนมากก็อาจถูกย่นลง

ตัวเลข 10%, 84% และ 65–72% ไม่ใช่ตัวเดียวกัน

รายงานจาก The Pragmatic Engineer ระบุว่า 84% ของนักพัฒนา Uber เป็นผู้ใช้ agentic coding คือใช้เอเจนต์ผ่าน command line หรือส่งคำสั่งแบบ agentic มากกว่าคำขอแบบ tab-completion ใน IDE ^[8]. รายงานเดียวกันยังระบุว่า 65% ถึง 72% ของโค้ดในเครื่องมือแบบ IDE-based ถูกสร้างโดย AI ^[8].

แต่ไม่ควรนำตัวเลขเหล่านี้ไปปนกับตัวเลข 10% ของ Khosrowshahi โดยตรง ตัวเลข 10% หมายถึง code changes ที่ผลิตโดย autonomous agents ส่วน 65% ถึง 72% หมายถึงโค้ดที่ถูกสร้างภายในเครื่องมือ IDE-based ^[8][10]. พูดง่าย ๆ คือ AI อาจช่วยร่างโค้ดในสัดส่วนที่สูงมาก แต่สัดส่วนของการเปลี่ยนแปลงที่นับว่าเป็นผลงานของเอเจนต์อัตโนมัติและถูกนำเข้าสู่เวิร์กโฟลว์จริงเป็นอีกมาตรวัดหนึ่ง

ทำไมสิ่งนี้จึงลดความจำเป็นในการจ้างเพิ่ม

ถ้าวิศวกรหนึ่งคนส่งมอบงานได้มากขึ้น บริษัทก็สามารถเพิ่ม output ได้โดยไม่ต้องเพิ่ม headcount ในอัตราเดิม นี่คือเหตุผลทางเศรษฐศาสตร์ที่ Uber ลงทุน AI มากขึ้น ขณะจ้างน้อยลงหรือจ้างช้าลง ^[10].

แต่ต้นทุนไม่ได้หายไป เพียงย้ายรูปแบบ รายงานบางแห่งระบุว่าการใช้งาน Claude Code ที่ Uber เพิ่มขึ้นมากจนใช้งบ AI coding สำหรับปี 2026 เร็วกว่าที่คาด และ Uber ใช้เครื่องมืออย่าง Claude Code กับ Cursor ^[2][3]. ควรอ่านรายงานงบประมาณเหล่านี้ในฐานะภาพสะท้อนของแรงกดด้านค่าใช้จ่าย มากกว่าจะเป็นบัญชีต้นทุน AI ทั้งหมดของ Uber แต่ประเด็นชัดเจนคือกำลังผลิตซอฟต์แวร์เริ่มถูกวางแผนเป็นส่วนผสมของคน เอเจนต์ เครื่องมือ และ compute

AI ยังเข้าไปอยู่ในงานปฏิบัติการ ไม่ใช่แค่งานโค้ด

Uber ใช้ AI มานานในงานอย่างการตั้งราคารถโดยสารและการจับคู่คนขับกับผู้โดยสาร ^[20]. ระยะหลัง รายงานระบุว่า generative AI และ agentic AI ยังถูกนำไปใช้กับงาน customer support การ onboarding คนขับ และบางส่วนของวงจรพัฒนาวิศวกรรม ช่วยลดการแทรกแซงด้วยมือในบางเวิร์กโฟลว์ ^[11].

ดังนั้นเรื่องผลิตภาพของ Uber ไม่ได้จำกัดอยู่ที่วิศวกรเขียนโค้ดเร็วขึ้น หาก AI ช่วยวิเคราะห์ปัญหาบริการภายใน ลดขั้นตอนซัพพอร์ต หรือทำให้การเริ่มต้นใช้งานของคนขับลื่นขึ้น บริษัทก็ลดคอขวดนอกทีมเขียนโค้ดได้ด้วย ^[11].

แล้ววิศวกรควรอ่านสัญญาณนี้อย่างไร

หลักฐานที่มีชี้ไปที่โมเดล supervised AI engineering หรือวิศวกรรมที่ AI ทำงานภายใต้การกำกับของคน ไม่ใช่โมเดลที่ไม่ต้องมีวิศวกร Uber ใช้เอเจนต์ช่วยร่าง เตรียม และเร่งงานบางส่วน แต่โค้ดที่ AI เขียนยังถูกคนตรวจทานก่อนรวมเข้า repository ^[10].

ในทางปฏิบัติ บทบาทของวิศวกรจึงน่าจะขยับไปสู่การใช้แรงทวีคูณจากเครื่องมือมากขึ้น คนยังต้องรับผิดชอบสถาปัตยกรรม การตัดสินใจ การตรวจทาน การดีบัก และคุณภาพของระบบจริง ขณะที่งานร่างโค้ด migration การทดสอบ และงานซ้ำ ๆ บางส่วนถูกส่งให้ระบบ AI ช่วยทำมากขึ้น ^[10][14].

ข้อควรระวังคือ ตัวเลขการใช้งานเครื่องมือหรือปริมาณโค้ดที่ AI สร้าง ไม่ได้เท่ากับหลักฐานที่ตรวจสอบแล้วว่าผลิตภาพเพิ่มขึ้นเท่าไรในทุกทีม ทุกโปรเจ็กต์ หรือทุกงาน แต่สำหรับการจ้างงาน สัญญาณค่อนข้างชัด: แรงกดจะอยู่ที่ตำแหน่งเพิ่มใหม่มากกว่าเดิม Uber ยังลงทุนในกำลังผลิตทางวิศวกรรม เพียงแต่พยายามเพิ่มกำลังนั้นด้วย AI ให้มากขึ้น ก่อนจะเพิ่มจำนวนคนในอัตราเดิม ^[10].