ยุค AI Autonomous Programming: จาก Code with Claude สู่โลกที่เครื่องจักรเขียนโค้ด

การยกมือที่เปลี่ยนทุกอย่าง

ในงาน Code with Claude ของ Anthropic ที่ลอนดอนเมื่อวันที่ 19 พฤษภาคม 2026 วิศวกร Jeremy Hadfield ถามคำถามสองตอนที่จับจังหวะที่วิศวกรรมซอฟต์แวร์เปลี่ยนผ่านเข้าสู่ยุคใหม่:

“ใครที่นี่เคยส่ง pull request ในสัปดาห์ที่แล้วที่เขียนโดย Claude ทั้งหมด?”

เกือบครึ่งห้องยกมือ

แล้วคำถามต่อมา: “ใครส่ง PR ที่เขียนโดย Claude โดยที่ไม่ได้อ่านโค้ดเลย?”

เสียงหัวเราะประส่า มือส่วนใหญ่ยังคงยกอยู่

pie title "Code with Claude — Developer Survey"
    "อ่านและตรวจสอบ AI code" : 25
    "ส่ง AI code โดยไม่อ่าน" : 45
    "ยังเขียนโค้ดด้วยตัวเอง" : 30

นี่ไม่ใช่กลุ่มคนคลั่ง “vibe coding” นี่คือห้องที่เต็มไปด้วยวิศวกรซอฟต์แวร์มืออาชีพในงานสำคัญของอุตสาหกรรม ที่ยอมรับว่าแก่นแท้ของอาชีพพวกเขา — การอ่านและทำความเข้าใจโค้ดที่ส่ง — กลายเป็นทางเลือกแล้ว

จาก “Prompt Claude” สู่ “ให้ Claude Prompt ตัวเอง”

การเปลี่ยนทางปรัชญาที่ Anthropic ลึกกว่าแค่การสร้างโค้ด Boris Cherny หัวหน้า Claude Code อธิบายการเปลี่ยนแปลงพื้นฐานในวิธีที่开发者โต้ตอบกับ AI:

“สิ่งเริ่มต้นไม่ใช่ ‘ฉันจะ prompt Claude’ — สิ่งเริ่มต้นตอนนี้คือ ‘ฉันจะให้ Claude prompt ตัวเอง’”

นี่ไม่ใช่ marketing hyperbole ปรัชญาวิศวกรรมของ Anthropic รวมศูนย์อยู่ที่คติง่ายๆ: “ปล่อยให้มันทำไป”

Ravi Trivedi วิศวกรของ Anthropic อธิบายหลักการ: “หลักการสำคัญคือการออกจากทางของ Claude” ในกระบวนทัศน์ใหม่นี้ นักพัฒนามนุษย์ไม่ควรแม้แต่จะเห็น error messages Claude จัดการ full loop — generate, test, fail, fix, retest — จนกว่าทุกอย่างจะทำงาน

sequenceDiagram
    participant H as นักพัฒนา
    participant C as Claude Code
    participant R as Runtime/Compiler

    H->>C: อธิบายงาน
    C->>C: วางแผน (self-prompt)
    C->>R: สร้างโค้ด
    R-->>C: Error: type mismatch
    C->>C: วิเคราะห์ error, แก้ไข
    C->>R: สร้างโค้ดที่แก้แล้ว
    R-->>C: Tests pass ✓
    C->>C: ตรวจสอบและปรับปรุงตัวเอง
    C-->>H: PR พร้อมตรวจ
    Note over H,C: มนุษย์เห็นแค่ผลลัพธ์สุดท้าย

ฟีเจอร์ Dreaming

บางทีฟีเจอร์ที่เปิดเผยมากที่สุดในงานคือ Dreaming — ระบบที่ Claude Code agents เขียนโน้ตถึงตัวเอง บันทึกข้อมูลที่เป็นประโยชน์เกี่ยวกับงานเฉพาะ เมื่อ agent ตัวอื่นทำงานบน codebase เดียวกัน มันจะอ่านโน้ตเหล่านี้ หา patterns และเรียนรู้จาก errors ที่ agents ก่อนหน้าเจอ

นี่คือ machine learning ในระดับองค์กร — agents สะสมความรู้ของสถาบันเกี่ยวกับ codebase และเก่งขึ้นเรื่อยๆ โดยไม่ต้องมีมนุษย์เป็นสื่อกลาง

ขนาดของการเปลี่ยนแปลง

ตัวเลขบอกเรื่องราวที่ดูเหมือนนิยายวิทยาศาสตร์เมื่อสองปีก่อน:

องค์กร	การอ้างสิทธิ์ AI Code
Anthropic	“ซอฟต์แวร์ส่วนใหญ่ที่ Anthropic ตอนนี้เขียนโดย Claude”
Anthropic	“Claude เขียนโค้ดส่วนใหญ่ใน Claude Code”
OpenAI	คำกล่าวอ้างคล้ายกันเกี่ยวกับการใช้ Codex ภายใน
Google	โค้ดใหม่ส่วนใหญ่เป็น AI-generated หรือ AI-assisted
Microsoft	GitHub Copilot ใช้ในทีมวิศวกรรมส่วนใหญ่

การวนซ้ำสะท้อนกลับนั้นน่าทึ่ง: Claude Code ส่วนใหญ่เขียนโดย Claude เครื่องมือสร้างตัวเอง

ในงาน Katelyn Lesse (หัวหน้าวิศวกร Claude) ประเมินความสามารถปัจจุบันของ Claude: “Claude น่าจะเก่งพอๆ กับวิศวกรระดับกลางในการเขียนโค้ด” และ Angela Jiang (หัวหน้าผลิตภัณฑ์ Claude) กล่าวเป้าหมายสุดท้ายอย่างตรงไปตรงมา: “จุดจบที่เราพยายามไปถึงคือ Claude สามารถสร้างตัวเองได้”

อีกด้าน: โค้ดที่ไม่มีความเข้าใจ

นอกกำแพงงานประชุม อารมณ์นั้นคลุมเครือกว่า บน Hacker News และ Reddit เสียงของนักพัฒนาที่เพิ่มขึ้นกำลังส่งสัญญาณเตือน:

“คนเดียวที่ผมได้ยินว่าโค้ดที่สร้างนั้นใช้ได้คือคนที่ไม่อ่านมัน” — ผู้ใช้ Hacker News
รายงานของนักพัฒนาที่รู้สึกว่า ความสามารถในการเขียนโค้ดฝ่อ ในขณะที่มอบงานให้ AI มากขึ้น
นักวิจัยความปลอดภัยเตือนว่า AI-generated code แนะนำ ช่องโหว่รูปแบบใหม่
ผู้จัดการ หมดแรง กับปริมาณโค้ดที่ AI สร้างที่ต้องตรวจสอบ

Lesse ยอมรับความกังวลเหล่านี้แต่ยืนกราน: “แนวปฏิบัติที่ดีที่สุดในการพัฒนาซอฟต์แวร์ทั้งหมดยังคงใช้ได้ มันใช้ได้มาตลอด ผมคิดว่ามีหลายคนและหลายทีมที่อาจมองข้ามมันไปในช่วงเวลานี้”

แต่เธอก็ยอมรับว่าผู้จัดการเทคนิคของ Anthropic เองก็ดิ้นรนที่จะตามโค้ดที่ทีมของพวกเขาสร้างขึ้นตอนนี้ productivity gains นั้นจริง — และช่องว่างในการกำกับดูแลก็จริงเช่นกัน

graph TD
    A[AI Code Generation] --> B{มีการตรวจสอบโค้ด?}
    B -->|ใช่| C[โค้ดดีขึ้น, ส่งมอบเร็วขึ้น]
    B -->|ไม่| D[Technical debt, ความเสี่ยงด้านความปลอดภัย, ทักษะฝ่อ]

    C --> E[Productivity gains
ยั่งยืน]
    D --> F[เร็วระยะสั้น,
เปราะบางระยะยาว]

นอกเหนือจากตะวันตก: นักร้องที่เขียนโค้ด

บางทีไม่มีอะไรแสดงให้เห็นถึง democratization ของการเขียนโปรแกรมได้ดีกว่าเรื่องราวที่เกิดขึ้นในสัปดาห์เดียวกัน: นักร้อง-นักแต่งเพลงชาวจีน Hu Yanbin (胡彦斌) ใช้ Claude สร้างแอปชุมชนชื่อ “彦火” (YanHuo) ที่ตอนนี้อยู่ใน public beta

นักดนตรีมืออาชีพ — ไม่ใช่นักเขียนโปรแกรม — สร้างและส่งแอปพลิเคชันที่ใช้งานได้ นี่คือทั้งคำมั่นสัญญาและการ disrupt ของ AI programming ในเรื่องเดียว: กำแพงระหว่าง “เขียนโค้ดได้” และ “เขียนโค้ดไม่ได้” กำลังสลายไป

Codex และ End-to-End Frontier

Codex ของ OpenAI เป็นตัวแทนของอีกขั้วของการปฏิวัตินี้ แตกต่างจาก Claude Code ที่ใช้ terminal-based interaction model Codex ดำเนินการเป็น agent-driven simulator — สามารถใช้งานคอมพิวเตอร์, นำทาง interfaces, debug, และแก้ไขปัญหาแบบอัตโนมัติ วีดิโอสาธิตแสดง Codex ทำวงจรการพัฒนาทั้งหมดโดยไม่ต้องมีมนุษย์: อ่าน requirements, เขียนโค้ด, รัน tests, แก้ bugs, และ deploy

เส้นทางชัดเจน: 2025 คือปีที่ AI เรียนรู้ที่จะเขียน functions 2026 คือปีที่มันเรียนรู้ที่จะสร้างซอฟต์แวร์

จะเกิดอะไรขึ้นต่อไป?

สามแรงกำลังบรรจบกัน:

ความสามารถ: โมเดลตอนนี้เทียบเท่าวิศวกรระดับกลางและกำลังพัฒนาอย่างรวดเร็ว
อิสระ: Self-prompting, dreaming, และ end-to-end loops ลดการมีส่วนร่วมของมนุษย์
การยอมรับ: จากสตาร์ทอัพถึง Spotify องค์กรกำลังปรับโครงสร้างรอบ AI coding tools

ผลลัพธ์ไม่ใช่ว่านักเขียนโปรแกรมจะหายไป — แต่ธรรมชาติของงานเขียนโปรแกรมเปลี่ยนไปโดยพื้นฐาน ทักษะที่มีค่าที่สุดเปลี่ยนจาก การเขียนโค้ด เป็น การออกแบบระบบ, การตรวจสอบผลลัพธ์ AI, และ การกำหนดว่าควรสร้างอะไร

สิ่งนี้จะสร้างซอฟต์แวร์ที่แข็งแกร่งขึ้นหรือภูเขา technical debt ที่บำรุงรักษาไม่ได้ ขึ้นอยู่กับว่าอุตสาหกรรมจะรักษาแนวปฏิบัติการตรวจสอบที่เข้มงวดได้หรือไม่ แม้ว่าสิ่งล่อใจที่จะ “ปล่อยให้มันทำไป” จะแข็งแกร่งขึ้น

สิ่งหนึ่งที่แน่นอน: การยกมือในห้องประชุมลอนดอนนั้นคือจุดที่ไม่มีการหวนกลับ

แหล่งที่มา: MIT Technology Review, OpenAI Codex demo, Reddit/Hacker News discussions