นิยามใหม่ของ Developer ในยุค Agentic AI ผ่านมุมมอง Adrian De Luca แห่ง AWS

นักพัฒนากำลังเปลี่ยนบทบาทจากผู้เขียน กลายเป็นผู้กำกับ AI

ประโยคนี้คือสิ่งที่ Adrian De Luca ตำแหน่ง Director of Cloud Acceleration, Asia Pacific ของ Amazon Web Services พูดกับ Techsauce ในห้องสัมภาษณ์ระหว่างงาน AWS Summit Bangkok 2026

สำหรับคนที่ทำงานในวงการไอทีมามากกว่า 25 ปี เขาผ่านยุคกระแสฮิตของเทคโนโลยีตั้งแต่ Cloud, Big Data, Mobile จนถึง Generative AI การที่เขาบอกว่าบทบาทของนักพัฒนากำลังเปลี่ยนนิยามตัวเอง เป็นข้อสังเกตจากสิ่งที่เขาเห็นผ่านการดูแลลูกค้าทั่วภูมิภาคเอเชียแปซิฟิก

สัมภาษณ์พิเศษรอบนี้ Adrian ยังเปิดเผยที่มาของ AI-DLC (AI-Driven Development Lifecycle) ที่ AWS กำลังผลักดันเป็นมาตรฐานใหม่ของการพัฒนาซอฟต์แวร์ในยุค AI นั้น เกิดจากปัญหาที่ทีมของเขาเองเจอเมื่อ 3 ปีก่อน

Developer ที่กำลังเปลี่ยนนิยามตัวเอง

ก่อนจะเข้าเรื่อง AI-DLC ทาง Adrian เริ่มต้นด้วยการชวนมองภาพรวมว่า 2 ปีที่ผ่านมาวงการนักพัฒนาเปลี่ยนไปอย่างไร

เมื่อปี 2023 เครื่องมือ AI ทำได้แค่เติมโค้ดให้อัตโนมัติ ปีถัดมาเริ่มกลายเป็นเอเจนต์ คือเสียบเครื่องมือเฉพาะทางเข้าไปได้ และตอนนี้เราเห็นการทำงานอัตโนมัติเต็มรูปแบบแล้ว ทั้งหมดเกิดขึ้นใน 3 ปี

สิ่งที่เปลี่ยนไม่ใช่แค่ความสามารถของเครื่องมือ บทบาทของคนเขียนโค้ดก็เปลี่ยนตามไปด้วย สำหรับ Adrian แล้ว นักพัฒนาที่ดีที่สุดในวันนี้ คือคนที่กำกับผลลัพธ์ กำหนดนโยบาย มาตรฐาน และตัดสินใจว่าจะให้ AI เดินไปทางไหน

"คุณไม่ต้องท่องจำภาษาโปรแกรมหรือเฟรมเวิร์กอีกแล้ว AI ทำเรื่องพวกนี้ได้ดีกว่า" Adrian บอก 

หน้าที่ของนักพัฒนาจึงเปลี่ยนจากการเป็น 'ผู้เขียน' ที่ลงมือพิมพ์ทีละบรรทัด ไปสู่ 'ผู้กำกับ'  ที่กำหนดนโยบาย มาตรฐาน และทิศทาง แล้วใช้วิจารณญาณคอยตรวจสอบว่าสิ่งที่ AI สร้างออกมาตรงกับความตั้งใจหรือยัง

ร้านอาหารในกรุงเทพฯ กับ AI-DLC

AI-DLC ย่อมาจาก AI-Driven Development Lifecycle เป็นระเบียบวิธี  ที่ AWS เปิดเป็นโอเพนซอร์สบน GitHub (awslabs/aidlc-workflows) ออกแบบมาเพื่อใช้ A ช่วยทำงานในทุกขั้นตอนของการพัฒนาซอฟต์แวร์ ตั้งแต่ขั้นวางข้อกำหนด (Inception) การสร้าง (Construction) ไปจนถึงการใช้งานจริง (Operations)

ฟังดูซับซ้อน Adrian เลยใช้การเปรียบเทียบที่อยู่ใกล้ตัวที่สุดในตอนนั้น คือร้านอาหาร

ถ้าผมอยู่ที่กรุงเทพฯ แล้วบอกแค่ว่า 'หิวอาหารไทย' นั่นคือ Vibe Coding AI จะเดาว่าผมอยากกินอะไร ผมต้องคุยกับมันไปเรื่อย ๆ จนได้จานที่ใกล้เคียงกับสิ่งที่ต้องการ เป็นวิธีคุยกับ AI แบบไม่มีโครงสร้าง 

ในวงการพัฒนาซอฟต์แวร์ Vibe Coding คือคำที่ Andrej Karpathy บัญญัติเมื่อต้นปี 2025 หมายถึงการเขียนโค้ดด้วยการสั่งงาน AI ไปเรื่อย ๆ ตามสัญชาตญาณ โดยไม่ตรวจโค้ดทีละบรรทัด

"ทีนี้ AI-DLC คือการเดินต่อไปอีกขั้น แทนที่จะบอกแค่ว่าหิวอาหารไทย ผมจะบอกว่า 'ผมอยากกินผัดไทย โปรตีนเป็นกุ้ง เส้นจันท์ ใส่ถั่ว' สิ่งที่คุณกำลังทำ คือทำงานร่วมกับเชฟในการออกแบบสูตรของจานนี้ ผลลัพธ์ที่ได้คือสูตรที่ทำซ้ำได้ มีมาตรฐานสูง และเชฟคนอื่นก็เอาไปทำต่อได้ถ้าจะขยายแฟรนไชส์" Adrian อธิบายให้เห็นภาพ AI-DLC มากขึ้น

จุดสำคัญที่ Adrian เน้นคือสูตรนี้ไม่ได้อยู่ในหัวคน แต่ถูกแจกแจงไว้ในเอกสารข้อกำหนด หรือก็คือ Spec ที่ทุกคนในทีมเปิดดูได้

Spec จึงทำหน้าที่เป็น 'เอกสารกำกับรูปแบบใหม่' ที่กลายเป็นสัญญาระหว่างคนกับ AI แทนที่จะเป็นเอกสารที่เขียนทิ้งแล้วลืม

ทำไม AWS ถึงเดิมพันฝั่ง Spec ไม่ใช่ Vibe Coding

เครื่องมือ AI อย่าง Cursor และ Claude Code ปล่อยให้นักพัฒนาพิมพ์คำสั่งแล้วส่งใช้งานได้เลย แต่ Amazon Q Developer และ Kiro ซึ่งเป็นเครื่องมือ AI สำหรับเขียนโค้ดของ AWS กลับบังคับให้ผ่านขั้นตอน Requirements, Design และ Task ก่อนเขียนโค้ดออกมาทุกครั้ง 

คำถามคือทำไม ?

Adrian บอกว่าจริง ๆ แล้วเครื่องมือของ AWS ก็รองรับ Vibe Coding ซึ่งเหมาะมากเวลาที่เราอยากลองสำรวจไอเดียใหม่ ๆ เปลี่ยนไอเดียให้กลายเป็นของที่เห็นภาพเร็ว ๆ 

แต่สาเหตุที่ AWS ให้ความสำคัญกับเรื่อง Spec-driven Development เป็นเพราะการทำงานของ AI ที่อาจมีข้อบกพร่องได้อยู่บ้างในบางเรื่อง

AI เป็นเทคโนโลยีที่ทำนายผลล่วงหน้าไม่ได้ ผมพิมพ์คำสั่งเดียวกัน 2 ครั้ง อาจได้ผลลัพธ์ไม่เหมือนกัน ถ้าผมจะส่งใช้งานจริง ผมต้องการความแม่นยำที่คาดเดาได้ นี่คือเหตุผลที่เราเชื่อใน Spec

สำหรับแอปพลิเคชันขนาดใหญ่ที่มี Microservices, API Calls และระบบภายนอก การแจกแจงทุกอย่างให้ชัดในรูป Spec จะทำให้ AI ทำงานออกมาแม่นยำขึ้น และที่สำคัญ Spec ตัวนี้ยังเป็นชิ้นงานที่ตรวจสอบย้อนหลังได้

"ถ้าผมเปลี่ยนอะไรสักอย่างในกรุงเทพฯ แล้วนักพัฒนาอีกคนในจีนหยิบ Spec ไปทำต่อ คุณจะมีประวัติการเปลี่ยนแปลงสมบูรณ์ว่าทำไมถึงตัดสินใจแบบนั้น เปลี่ยนอะไรไป" Adrian เปรียบเทียบให้เราเห็นภาพมากขึ้น

เป้าหมายของ AWS คือการแยกให้ชัดว่าสำหรับงานใช้งานจริงที่ทีมต้องดูแลกันยาว ๆ Spec จะเป็นภาษากลางที่ทั้งคนและ AI สื่อสารกันได้

Inception คือขั้นที่มนุษย์ยังจำเป็นที่สุด

AI-DLC แบ่งออกเป็น 3 ขั้นตอน คือ Inception (วางข้อกำหนด), Construction (เขียนโค้ด), และ Operations (นำขึ้นใช้งานและดูแลรักษา) แนวคิดหลักคือ 'AI ลงมือก่อน คนตรวจสอบ' (AI initiates, human validates)

คำถามที่ตามมาคือขั้นไหนที่มนุษย์ยังเป็นคอขวด คำตอบของ Adrian พลิกความคาดหมายเล็กน้อย

ขั้นที่มนุษย์ยังมีคุณค่าสูงสุดคือ Inception เพราะ Inception คือการบอกว่าเราจะสร้างอะไร คนยังต้องตกลงร่วมกันว่าข้อกำหนดคืออะไร ถ้าตัดสินใจแบบนั้นจะต้องแลกมาด้วยอะไร คนเรายังต้องตัดสินใจหลายอย่างโดยใช้วิจารณญาณ 

ส่วน Construction ที่นักพัฒนาแบบเก่าเคยใช้เวลาเขียนโค้ดเป็นสัปดาห์ AI ทำได้ในไม่กี่นาที Adrian เปรียบเทียบกับวิธีการทำงานแบบ Agile ที่หลายคนคุ้นเคย 

"ใน Agile รอบทำงาน (sprint) ที่กินเวลา 2 สัปดาห์คือส่วนที่นานที่สุด ส่วนการประชุมประจำวันอย่างยืนคุยสั้น ๆ หรือการวางแผน เป็นส่วนที่ไม่ได้กินเวลามากเหมือนก่อน 

แต่ตอนนี้กลับด้านกัน 2 สัปดาห์ที่เคยใช้เขียนโค้ดบางทีเหลือเป็นนาที ส่วนการประชุมเลยกลายเป็นส่วนที่ยาวที่สุด"

ด้วยเหตุผลนี้ AWS แนะนำให้ทำ Inception, Construction, Operations พร้อมกัน แทนที่จะแยกเป็นขั้นแบบ Waterfall (พัฒนาตามลำดับขั้น เสร็จทีละขั้น)

โดยให้ผู้นำธุรกิจ, Product Manager, UX Designer, QA นั่งทำงานด้วยกันตั้งแต่ต้น เพราะ Spec ที่ออกมาจะกลายเป็นเอกสารกำกับรูปแบบใหม่ที่ใช้ขับเคลื่อนทุกอย่างต่อไป

ในมุมของคนที่กำลังเริ่มงาน Adrian ย้ำว่าสิ่งที่นักพัฒนาหน้าใหม่ต้องเร่งเรียนคือความเข้าใจบริบทและวิจารณญาณที่จะชี้นำ AI ให้เดินถูกทาง เพราะส่วนของการเขียนโค้ดเอง AI ทำได้ดีกว่ามนุษย์อยู่แล้ว

ทำไมไทยถึงไม่ติดตลาดที่เติบโตเร็วที่สุดของนักพัฒนา

หนึ่งในคำถามที่ Techsauce ตั้งข้อสงสัยคือ ทำไมไทยถึงไม่ปรากฏในตลาดที่เติบโตเร็วที่สุดของนักพัฒนา เมื่อเทียบกับเวียดนาม อินเดีย หรืออินโดนีเซีย หากดูจากรายงานของ WIPO

Adrian ตอบในมุมที่ไม่ค่อยมีคนพูดว่า

จำนวนนักพัฒนาของประเทศหนึ่งในยุค AI สำคัญน้อยกว่าความสามารถในการเรียน AI ของประเทศนั้น 

เขายกตัวอย่างอินเดียที่มีฐานนักพัฒนาต้นทุนต่ำขนาดใหญ่มาตลอด ทำให้ผลิตซอฟต์แวร์ออกมาได้ราคาถูก สิ่งที่สำคัญกว่าในวันนี้คือความเร็วในการนำแนวทาง AI-native มาใช้ มากกว่าจำนวนคนที่ใช้ AI

สำหรับไทย ช่องว่างตรงนั้นยังมีอยู่ Adrian อ้างตัวเลขจากรายงานฉบับใหม่ของ AWS ที่กำลังจะเผยแพร่ โดยบอกว่า "51% ของธุรกิจไทย ระบุว่าการขาดทักษะ AI และทักษะดิจิทัล คืออุปสรรคหลักของการนำ AI มาใช้"

AWS เลยเข้ามาช่วยแก้ปัญหานี้ตั้งแต่ปี 2017 โดย AWS ได้ฝึกอบรมคนไทยไปแล้วมากกว่า 120,000 คน ผ่านโครงการต่าง ๆ และมีการร่วมมือกับมหาวิทยาลัยธรรมศาสตร์ในการเข้าไปฝึกอบรมในพื้นที่ห่างไกล

โครงการที่ชื่อ 'ThaksaAI' มีนักเรียนเข้าร่วมแล้วกว่า 23,000 คน ใน 1,000+ โรงเรียน จากที่ตั้งเป้าไว้ 400 โรงเรียนตอนเริ่มต้น และเริ่มเห็นนักเรียนระดับมหาวิทยาลัยส่งโซลูชันที่สร้างด้วย AI ขึ้นมาบน Amazon

นอกจากนี้ AWS ยังเปิดคอร์ส AI-DLC แบบ 7 บทเรียนฟรี และมีคอร์สมากกว่า 1,000 รายการ โดย 64 รายการเป็นภาษาไทย รวมถึงเวิร์กช็อปลงมือทำที่ใช้ AWS Free Tier ทดลองได้

ภาพรวมที่ Adrian เห็นคือไทยมีช่องว่างทักษะที่ชัดเจน ขณะที่โครงสร้างพื้นฐานสำหรับการเรียนเริ่มเข้าที่แล้ว คำถามที่เหลือคือนักพัฒนาที่มีอยู่จะนำแนวทาง AI-native มาใช้เร็วพอหรือไม่

AI-DLC ที่เกิดจากปัญหาของทีม Adrian เอง

คำถามสุดท้ายของบทสัมภาษณ์เป็นคำถามที่ Adrian ดูเตรียมตัวมาตอบ คือ 'มีคำถามอะไรที่อยากให้นักข่าวถาม แต่ไม่มีใครถามไหม'

คำตอบของเขาเปิดเผยที่มาของ AI-DLC ที่ Adrian เองก็ไม่ได้พูดไว้ก่อนหน้านั้นในการสัมภาษณ์

ย้อนกลับไปประมาณ 3 ปีก่อน องค์กรขนาดใหญ่จำนวนมากเริ่มซื้อใบอนุญาตใช้งานของเครื่องมือผู้ช่วยเขียนโค้ดที่ออกใหม่ Copilot คือหนึ่งในนั้น โดยมีแนวคิดว่าจะให้นักพัฒนาลองใช้ดู เครื่องมือไหนที่ทีมยอมรับมากที่สุดก็จะซื้อตัวนั้น

สิ่งที่เกิดขึ้นคือองค์กรซื้อ License เอาไปให้นักพัฒนาลองใช้ แล้วเห็นประสิทธิภาพเพิ่มขึ้นแค่ 10, 15, 20%

ตัวเลขนี้ห่างไกลจากสิ่งที่ AI ควรจะทำได้ ถ้า AI จะเปลี่ยนพื้นฐานของการทำงานจริง 20% เป็นตัวเลขที่ห่างไกลความตั้งใจมาก

คำถามที่ผมอยากให้พวกเขาถามตัวเองเมื่อหลายปีก่อนคือ 'AI จะเข้ามาช่วยกระบวนการพัฒนาซอฟต์แวร์ในทุกขั้นตอนได้อย่างไร' เพราะสิ่งที่เกิดขึ้นตอนนั้นคือ พวกเขาเอา AI ไปปรับใช้แค่เรื่องเขียนโค้ด ผลที่ตามมาคือเกิดคอขวดที่ต้นน้ำ และปลายน้ำแทน

หมายความว่านักพัฒนามีโค้ดเยอะขึ้น แต่ผู้ตรวจสอบความปลอดภัยตามไม่ทัน ข้อกำหนดใหม่ก็เพิ่ม สภาพแวดล้อมสำหรับทดสอบก็รองรับไม่ไหว ทุกอย่างติดขัดที่ขั้นก่อนและหลังการเขียนโค้ด

นี่จึงเป็นที่มาของ AI-DLC เป็นแนวคิดที่ทีมของ Adrian สร้างขึ้นมาเอง เพื่อตอบโจทย์เรื่องนี้โดยตรง เพราะมันแก้คอขวดเหล่านั้น และทำให้ทุกอย่างเป็นระบบที่ไหลลื่นเร็ว AI-DLC จึงเป็นระเบียบวิธีที่เกิดจากปัญหาในทีมของ Adrian เอง ก่อนจะถูกเปิดเป็นโอเพนซอร์สบน GitHub ให้คนทั้งโลกใช้ได้ 

คำแนะนำถึงนักศึกษา

คำถามสุดท้ายของบทสัมภาษณ์ คือถ้าต้องให้คำแนะนำกับนักศึกษาคอมพิวเตอร์ในกรุงเทพฯ ที่กำลังจะจบใหม่ Adrian จะบอกอะไร

คำตอบของเขามี 2 ส่วน 

ส่วนแรกคือสิ่งที่ยังต้องทำต่อไป "พื้นฐานของวิทยาการคอมพิวเตอร์ยังไม่เปลี่ยน ทักษะอย่างความปลอดภัย, ความพร้อมใช้งาน, ความทนทานของระบบ, การปรับขนาด, ประสิทธิภาพ, ความหน่วงเวลา, การปกป้องข้อมูล ยังจำเป็น เพราะคือสิ่งที่จะช่วยคุณตัดสินใจตอน AI ทำงาน คุณยังต้องเป็นนักวิทยาศาสตร์ที่ตรวจสอบงานของ AI ได้"

ส่วนที่สองคือสิ่งที่ควรหยุดทำ "หยุดพยายามเป็นผู้เชี่ยวชาญของภาษาโปรแกรมใดภาษาหนึ่ง หรือเฟรมเวิร์กใดเฟรมเวิร์กหนึ่ง AI ทำเรื่องพวกนี้เร็วและดีกว่ามนุษย์อยู่แล้ว" 

แล้วต้องเอาเวลาที่เหลือไปทำอะไร ?

"เลือกอุตสาหกรรมที่อยากเจาะ...ถ้าคุณอยู่ในไทย คุณมีอุตสาหกรรมการเงินดิจิทัลที่แข็งแรง มีภาคเกษตรขนาดใหญ่ มีกลุ่มสุขภาพ ค้าปลีก การผลิต ลองเลือกอุตสาหกรรมมาสักอย่างหนึ่ง แล้วทำเข้าใจว่าอุตสาหกรรมนั้นมีความต้องการอะไร"

ในยุคที่ AI เขียนโค้ดแทนได้ คนที่จะอยู่รอดในตลาดงานคือคนที่เอา AI ไปแก้ปัญหาเฉพาะอุตสาหกรรมได้ ซึ่งเป็นมุมที่ตอบโจทย์ได้กว้างกว่าการเป็นผู้เชี่ยวชาญภาษาเดียว

ผมคิดว่าเราจะเริ่มเห็นนักพัฒนานิยามตัวเองใหม่ พวกเขาจะไม่บอกว่า 'ผมเป็นนักพัฒนาที่เขียนโค้ด' แต่จะอธิบายตัวเองว่า 'ผมเป็นคนที่แก้ปัญหาในอุตสาหกรรมของผมได้ด้วย AI' นั่นจะทำให้คุณมีค่าและมีโอกาสในตลาดมากกว่า

อ้างอิง

• สัมภาษณ์พิเศษ Adrian De Luca จากงาน AWS Summit Bangkok 2026 (28 พฤษภาคม 2026)
• AWS AI-Driven Development Lifecycle blog