ผู้ก่อตั้ง Claude Code บอริส เชนรี แชร์ 7 การตัดสินใจสำคัญเกี่ยวกับ AI ในการประชุม Sequoia

จัดระเบียบ: อี้ยิง

บอริส เชนรี ผู้ก่อตั้ง Claude Code ได้แบ่งปันในงาน Sequoia Conference ซึ่งมีข้อมูลมากมาย และฉันได้ยินมุมมองหลายอย่างเป็นครั้งแรกที่สมบูรณ์ ผู้ชายคนนี้เข้าใจ AI ได้ค่อนข้างลึกซึ้ง

ฉันขอแบ่งปันสรุปของตัวเอง

สำหรับสถานการณ์การพัฒนาหลักจำนวนมาก การเขียนโค้ดด้วยมือเริ่มกลายเป็นสิ่งที่ไม่มีประสิทธิภาพ

ก่อนหน้านี้ เมื่อต้องส่งมอบฟีเจอร์หนึ่ง วิศวกรจะนั่งลง คิดให้ชัดเจนก่อนว่าจะ реализоватьอย่างไร แล้วจึงพิมพ์โค้ดทีละบรรทัด ในกระบวนการนี้ คุณค่าที่ใหญ่ที่สุดของวิศวกรคือ: สามารถเขียนได้หรือไม่ เขียนดีแค่ไหน และเขียนเร็วแค่ไหน

วิธีการทำงานตอนนี้ไม่เหมือนเดิม

ฟังก์ชันเดียวกันนี้ วิศวกรจะทำหน้าที่คล้ายกับ: อธิบายความต้องการให้ชัดเจน ก่อนแยกงานออกเป็นส่วนๆ แล้วมอบให้กับ Agent กำหนดเกณฑ์การรับรองผล จากนั้นตรวจสอบว่าผลลัพธ์ที่ Agent ให้มาถูกต้องหรือไม่ หากไม่ถูกต้อง ก็ปรับคำแนะนำแล้วให้มันรันอีกครั้ง

AI สามารถจัดการงานเขียนโค้ดส่วนใหญ่ได้แล้ว แน่นอนว่ายังไม่ถึง 100% มียอดโค้ดขนาดใหญ่และซับซ้อนหลายแห่ง ภาษาที่ไม่ค่อยใช้ หรือสภาพแวดล้อมพิเศษ ซึ่งโมเดลในปัจจุบันยังแสดงผลได้ไม่เพียงพอ

โดยรวมแล้ว คุณค่าของวิศวกรได้เปลี่ยนจากความสามารถในการเขียนโค้ด เป็นความสามารถในการแบ่งงาน ความสามารถในการอธิบายเป้าหมายอย่างชัดเจน ความสามารถในการตรวจสอบผลลัพธ์ และความสามารถในการจัดการ Agent

การเปลี่ยนแปลงนี้แท้จริงแล้วคล้ายกับยุคอุตสาหกรรมมาก

ก่อนการปฏิวัติอุตสาหกรรม ช่างเหล็กคนหนึ่งจะทำทุกขั้นตอนเองตั้งแต่ตีเหล็ก ขึ้นรูป ขัดเงา ไปจนถึงการประกอบ ช่างเหล็กที่มีฝีมือดีจะมีค่ามาก

ต่อมาสายการผลิตได้ปรากฏขึ้น แต่ละคนงานรับผิดชอบเพียงขั้นตอนเดียว แต่ผลผลิตโดยรวมสูงกว่ายุค手工ถึงหลายสิบถึงร้อยเท่า

ในเวลานี้ บทบาทที่มีค่าในโรงงานไม่ใช่ช่างฝีมือที่ทำขั้นตอนใดขั้นตอนหนึ่งได้ดีที่สุด แต่เป็นคนที่สามารถออกแบบ จัดการ และทำให้สายการผลิตทำงานได้อย่างราบรื่น

คนงานไม่ได้หายไป แต่บทบาทของคนงานเปลี่ยนไป

วิศวกรรมซอฟต์แวร์กำลังผ่านจุดเปลี่ยนที่คล้ายกัน รหัสโปรแกรมเองไม่ใช่สิ่งที่หายากอีกต่อไป ความสามารถในการเขียนรหัสกำลังกลายเป็นทักษะพื้นฐานเหมือนการใช้ PPT

สิ่งที่หายากจริงๆ คือ能否将模糊的需求拆解为清晰的任务、能否从 Agent 提供的几种方案中选出最合适的那一个、能否让一群 AI 协同完成一件事。

เรื่องนี้จริงๆ แล้ววิศวกรรุ่นเก่าหลายคนในตอนแรกไม่สามารถยอมรับได้ การเขียนโค้ดด้วยตัวเองนั้น เป็นเหตุผลที่หลายคนรักงานนี้มานับสิบปี

การส่งต่อสิ่งนี้ให้กับเครื่องจักร สำหรับหลายคน ไม่ใช่แค่การเปลี่ยนแปลงวิธีการทำงาน แต่เป็นการรีไซเคิลตัวตนของพวกเขา

แต่แนวโน้มก็คือแนวโน้ม

การเขียนโปรแกรมกำลังเปลี่ยนจากทักษะเฉพาะทางให้กลายเป็นทักษะพื้นฐาน เหตุการณ์นี้สามารถเปรียบเทียบได้กับการพิมพ์ในยุโรปศตวรรษที่ 15

ก่อนการค้นพบการพิมพ์ ยุโรปทั้งหมดมีเพียงประมาณ 10% ของประชากรที่อ่านและเขียนได้ ผู้คนเหล่านี้มักถูกจ้างโดยชนชั้นสูงที่ไม่สามารถอ่านเขียนได้ เพื่อช่วยอ่านและเขียนหนังสือให้

จากนั้นการพิมพ์ก็ถูกคิดค้นขึ้น ในเวลา 50 ปี จำนวนหนังสือที่ตีพิมพ์ในยุโรปเกินกว่าผลรวมของหนึ่งพันปีก่อนหน้า และราคาหนังสือลดลงประมาณ 100 เท่า หลังจากนั้นอีกหลายร้อยปี ระบบการศึกษาและโครงสร้างเศรษฐกิจค่อยๆ ตามทัน จึงทำให้อัตราการรู้หนังสือทั่วโลกเพิ่มขึ้นมาถึง 70% ในปัจจุบัน

บอริสเชื่อว่าผลกระทบของ AI ต่อซอฟต์แวร์ เป็นการปฏิวัติการพิมพ์ที่เร่งความเร็วขึ้น ซอฟต์แวร์จะได้รับการประชาธิปไตยอย่างสมบูรณ์ภายในไม่กี่ทศวรรษ และกลายเป็นสิ่งที่ทุกคนสามารถควบคุมได้

ในที่สุด การทำซอฟต์แวร์จะเป็นเรื่องธรรมชาติเหมือนการส่งข้อความ

เมื่อขีดจำกัดของการเขียนโค้ดถูก AI ลดลงจนต่ำมาก สิ่งที่แยกแยะความสามารถของบุคคลได้จริงคือความรู้สึกเชิงผลิตภัณฑ์และความเข้าใจอย่างแท้จริงต่อสาขาเฉพาะทาง

ตัวอย่างเช่น สองคนต้องการพัฒนาผลิตภัณฑ์สำหรับแพทย์ คนหนึ่งเป็นวิศวกรที่เขียนโค้ดได้เร็ว อีกคนเคยทำงานในแผนกข้อมูลโรงพยาบาลมากว่าหลายปี

ในอดีต วิศวกรมีโอกาสสูงกว่าในการสร้างสิ่งของออกมา เพราะเขาสามารถนำแนวคิดไปปฏิบัติได้

ตอนนี้กลับกันแล้ว ทุกคนสามารถนำไอเดียไปดำเนินการได้ ในเวลานี้ คนที่เข้าใจกระบวนการดำเนินงานประจำวันของโรงพยาบาลอย่างแท้จริงกลับมีค่ามากกว่า เพราะเขาทราบว่าฟีเจอร์ใดที่แพทย์จะใช้จริง และฟีเจอร์ใดที่ดูเหมือนมีเหตุผลแค่ภายนอก

กล่าวคือ เมื่อ AI ลดอุปสรรคในการดำเนินการ ความแตกต่างในความสามารถในการตัดสินใจก็จะถูกขยายใหญ่ขึ้น

สิ่งนี้เปลี่ยนความหมายของคำว่า generalist อย่างตรงไปตรงมา

ในอดีต เราพูดถึง generalist มักหมายถึงวิศวกรที่สามารถเขียน iOS ได้ สามารถเขียนเว็บได้ และสามารถเขียนแบ็กเอนด์ได้เช่นกัน แบบจำลอง generalist นี้ โดยพื้นฐานแล้วยังคงเป็น full-stack ภายในวงการวิศวกรรม

ผู้เชี่ยวชาญทั่วไปในอนาคตคือผู้เชี่ยวชาญแบบเต็มรูปแบบข้ามศาสตร์

มีคนที่เข้าใจทั้งผลิตภัณฑ์ ดีไซน์ และวิศวกรรม มีคนที่เข้าใจทั้งผลิตภัณฑ์ วิทยาการข้อมูล และวิศวกรรม การรวมกันแบบนี้เมื่อก่อนแทบเป็นไปไม่ได้ เพราะแต่ละด้านต้องใช้เวลาฝึกฝนอย่างเฉพาะเจาะจงเป็นเวลานาน

แต่ตอนนี้ AI ได้ลดขีดจำกัดในการดำเนินการแต่ละรายการลง ทำให้บุคคลหนึ่งคนสามารถข้ามไปยังหลายสาขาได้ ขณะเดียวกันก็ยังรักษาความลึกซึ้งทางวิชาชีพไว้ได้

ทีม Claude Code ก็เช่นกัน ผู้จัดการวิศวกรรม ผู้จัดการผลิตภัณฑ์ นักออกแบบ นักวิทยาศาสตร์ข้อมูล ฝ่ายการเงิน และผู้วิจัยผู้ใช้ ทุกคนต่างเขียนโค้ด

นักออกแบบสามารถรันโปรโตไทป์การใช้งานเองเพื่อแสดงให้ทีมดู โดยไม่ต้องรอแค่สร้างภาพแล้วรอให้วิศวกรนำไปดำเนินการ

ฝ่ายการเงินสามารถสร้างเครื่องมือวิเคราะห์ของตัวเองเพื่อรันแบบจำลองการเงินที่ซับซ้อนของบริษัท โดยไม่ต้องรอคิวเพื่อใช้บริการ BI เพื่อนร่วมงานด้านการวิจัยผู้ใช้เริ่มรันข้อมูลด้วยตัวเองและรับงานส่วนที่เคยต้องรอทีมข้อมูลช่วยเหลือ

ความลึกซึ้งทางวิชาชีพของทุกคนยังคงอยู่ แต่ด้วยการช่วยเหลือจาก AI การเขียนโค้ดได้กลายเป็นภาษาที่ทุกคนใช้ร่วมกัน

ในช่วงสิบปีที่ผ่านมา อุตสาหกรรม SaaS มีข้อตกลงบางประการที่ถูกมองว่าเป็นสิ่งที่ไม่ต้องสงสัย

ข้อแรกคือค่าใช้จ่ายในการเปลี่ยนระบบ เมื่อบริษัทใดๆ ใช้ระบบของคุณแล้ว ข้อมูล การตั้งค่า ฟิลด์ และความสัมพันธ์ด้านสิทธิ์ต่างๆ จะค่อยๆ สะสมเป็นเวลาหลายปีหรือแม้แต่สิบปี

การย้ายไปยังระบบอื่น การย้ายสิ่งเหล่านี้ออกไปและกลับมาแบบเดิมๆ ก็เพียงพอที่จะทำให้รู้สึกปวดหัวจนไม่อยากย้าย

ข้อที่สองคือการล็อกกระบวนการดำเนินงาน ปฏิบัติงานรายวันของพนักงาน การร่วมมือข้ามแผนก และจุดการอนุมัติ ล้วนแต่ถูกสร้างขึ้นรอบๆ SaaS นี้

การเปลี่ยนระบบไม่ใช่แค่ย้ายข้อมูล แต่คือการทุบล้มความจำของบริษัทที่สะสมมาหลายปีแล้วเริ่มต้นใหม่ทั้งหมด

ทั้งสองข้อนี้รวมกันแล้ว构成了过去 SaaS 行业最深的护城河。但有了足够强的模型之后，事情的逻辑开始变化。

มาดูที่ต้นทุนการเปลี่ยนแปลงก่อน ในอดีต การเปลี่ยนจาก SaaS หนึ่งไปยังอีกตัวหนึ่ง แค่การจับคู่ฟิลด์และทำซ้ำโครงสร้างข้อมูล ก็เพียงพอที่จะทำให้ทีมวิศวกรรมต้องทำงานล่วงเวลาเป็นเดือนๆ

ตอนนี้ให้ส่งอินเทอร์เฟซและโครงสร้างข้อมูลทั้งสองด้านให้กับโมเดลโดยตรง ให้มันจัดการระบุความสัมพันธ์การแมปด้วยตัวเอง ค่อยๆ ไต่ขึ้นสู่โซลูชันที่ดีที่สุด สิ่งที่เดิมทีต้องใช้เวลาหลายเดือน อาจใช้เวลาเพียงไม่กี่วันเพื่อให้ได้เวอร์ชันที่ใช้งานได้

ดูที่ด้านการล็อกกระบวนการกันอีกที น่าสนใจยิ่งขึ้น ในอดีต กระบวนการต่างๆ สามารถล็อกลูกค้าได้ เพราะกระบวนการเหล่านั้นซับซ้อน ไม่ชัดเจน และพึ่งพาคน

ความเข้าใจร่วมกันในหัวของพนักงานเกี่ยวกับการขออนุมัติจากใคร และขั้นตอนใดที่จะติดขัด ไม่สามารถย้ายไปใช้ได้โดยตรง

แต่โมเดลเช่น Opus 4.7 กลับเชี่ยวชาญในการเข้าใจ แยกแยะ และสร้างใหม่ในสภาพแวดล้อมใหม่ซึ่งกระบวนการที่ซับซ้อนนั้น แม้แต่เวอร์ชันที่สร้างใหม่อาจลื่นไหลกว่าเดิม

ดังนั้น รั้วป้องกันที่สร้างขึ้นจากข้อมูลและกระบวนการสะสมในอดีตกำลังพังทลาย

สำหรับผู้ที่พัฒนา SaaS นี่อาจเป็นข่าวร้าย แต่สำหรับลูกค้าทุกคนที่ใช้ SaaS และทีมที่กำลังเตรียมสร้าง SaaS รุ่นใหม่ นี่คือช่วงเวลาโอกาสที่แท้จริง

บริษัทสตาร์ทอัพที่จะพลิกโฉมอุตสาหกรรมอย่างแท้จริงในอีก 10 ปีข้างหน้า อาจมากกว่าช่วง 10 ปีที่ผ่านมาถึง 10 เท่า

เหตุผลนั้นไม่ซับซ้อน

ทีมเล็กๆ สามารถใช้ AI สร้างผลิตภัณฑ์ที่เทียบเท่าหรือดีกว่าบริษัทขนาดใหญ่ได้ ในทางกลับกัน บริษัทขนาดใหญ่ที่ต้องการใช้ AI อย่างแท้จริง กลับกลายเป็นภาระ

จะพูดยังไงดี

บริษัทที่มีประวัติมากกว่าสิบปี ได้พัฒนากระบวนการดำเนินงาน หน้าที่ของแต่ละตำแหน่ง นิสัยการทำงานร่วมกัน ระบบการฝึกอบรม และระบบประเมิน KPI ของตนเองทั้งชุด สิ่งเหล่านี้ในอดีตคือทรัพย์สินและอุปสรรคทางการแข่งขัน

แต่การผสาน AI เข้าไปอย่างแท้จริง หมายความว่าทุกอย่างต้องได้รับการทบทวนใหม่: กระบวนการทางธุรกิจต้องถูกปรับโครงสร้างใหม่ พนักงานทุกคนต้องได้รับการฝึกอบรมใหม่ การก้าวไปข้างหน้าแต่ละขั้นตอนจะเผชิญกับแรงต้านภายในที่ใหญ่หลวง ต้องประสานงานกับ N แผนกและ N ขั้นตอนการอนุมัติ

ทีมสตาร์ทอัพขนาดสามคน ตั้งแต่วันแรกก็ถือ AI เป็นพื้นฐานเริ่มต้นโดยอัตโนมัติ พวกเขาไม่มีภาระจากอดีตที่ต้องแก้ไข ไม่มีนิสัยเก่าที่ต้องเปลี่ยน และไม่มีใครที่ต้องมาโน้มน้าว วันนี้พูดคุยให้ชัดเจน พรุ่งนี้ก็สร้างต้นแบบได้ วันมะรืนก็สามารถเปิดใช้งานให้ผู้ใช้ได้ทันที

ความเร็วที่ต่างกันแบบนี้ เคยมีอยู่แล้วในอดีตเช่นกัน บริษัทสตาร์ทอัพมีข้อได้เปรียบด้านความเร็วเมื่อเทียบกับบริษัทขนาดใหญ่ แต่ AI ได้ขยายช่องว่างนี้ออกเป็นหลายเท่า

ทำไม

เพราะยิ่ง AI แข็งแกร่งเท่าใด บุคคลหนึ่งคนก็สามารถใช้เลเวอเรจได้มากขึ้นในช่วงเวลาเดียวกัน ทีมเล็กๆ ที่ใช้ AI อย่างมีประสิทธิภาพจริงๆ อาจมีผลผลิตเทียบเท่ากับสิบคนในอดีตวันนี้ และพรุ่งนี้อาจเทียบเท่ากับสามสิบคนในอดีต

แต่ความหนักขององค์กรบริษัทใหญ่ไม่ได้เบาลง กลับยิ่งหนักขึ้นเพราะต้องรับมือกับ AI ยิ่ง AI แข็งแกร่งเท่าใด ความแตกต่างระหว่างการเร่งความเร็วของทีมเล็กกับแรงต้านของบริษัทใหญ่ก็ยิ่งกว้างขึ้น

นี่คือสินทรัพย์ติดลบตามที่ Boris พูด ไม่ใช่เพราะบริษัทขนาดใหญ่ไม่มีเงิน ไม่มีคน หรือไม่มีความตั้งใจ แต่เพราะกล้ามเนื้อที่เคยสร้างรายได้ในอดีตของพวกมัน ตอนนี้กลับติดขัดอยู่บนเส้นทางที่ AI จะสามารถแสดงคุณค่าได้อย่างแท้จริง

MCP จะไม่ตาย

หลังจาก Skill ได้รับความนิยม หลายคนคิดว่า MCP ไม่จำเป็นอีกต่อไป ผู้ก่อตั้ง OpenClaw ก็มีมุมมองคล้ายกัน

แต่บอริสไม่เห็นด้วย เขาเชื่อว่า MCP จะกลายเป็นชั้นการเชื่อมต่อซอฟต์แวร์ในยุคปัญญาประดิษฐ์

วิธีการเชื่อมต่อซอฟต์แวร์ของอินเทอร์เน็ตในอดีตคือ API

แต่ปัญหาหลักของ API คือมันถูกออกแบบมาสำหรับวิศวกร การใช้งาน API หนึ่งตัว ต้องอ่านเอกสารก่อน ขอ Token เขียนโค้ด จับคู่ฟิลด์ และจัดการข้อผิดพลาด พูดง่ายๆ คือ API ถูกเขียนขึ้นสำหรับนักพัฒนา

MCP ไม่เหมือนกัน มันทำให้โมเดลสามารถเชื่อมต่อและใช้งานได้โดยตรง โมเดลสามารถอ่านและเรียกใช้งานเองได้ โดยไม่จำเป็นต้องมีโปรแกรมเมอร์มาแปลให้

ดังนั้น Boris จึงเรียก API ว่า Human Developer Interface และเรียก MCP ว่า Model Interface Protocol ตัวหนึ่งใช้สำหรับมนุษย์ อีกตัวหนึ่งใช้สำหรับโมเดล

สิ่งนี้แท้จริงแล้วคล้ายกับยุคสมัยนั้น ในยุคของอินเทอร์เน็ตแบบเคลื่อนที่ บริการทั้งหมดถือว่าต้องถูกแปลงเป็น API ในยุคของ AI บริการทั้งหมดจะถือว่าต้องถูกแปลงเป็น MCP

หลายคนในปัจจุบันเมื่อพูดถึง Computer Use รู้สึกว่าทิศทางนี้อาจไม่ได้ผล

เหตุผลก็มีเหตุผลเช่นกัน: สิ้นเปลืองโทเค็นมาก เร็วช้า และไม่เสถียร ดูเหมือนเป็นดีมอแสดงความสามารถมากกว่าจะเป็นเครื่องมือที่ใช้งานได้จริง

แต่ Boris เห็นในมุมที่ต่างออกไปอย่างสิ้นเชิง

สิ่งที่เขาให้ความสำคัญจริงๆ คือ Computer Use แก้ปัญหาใหญ่ที่สุดอย่างหนึ่งของการนำ AI ไปใช้งานจริง: ในโลกแห่งความเป็นจริง มีระบบจำนวนมากที่ไม่มี API หรือ MCP

โดยเฉพาะในโลกของธุรกิจ

เมื่อคุณเคยเข้าไปทำงานในบริษัทแล้วจะรู้ว่า ระบบหลักจำนวนมากภายในนั้นล้าสมัยมาก ระบบ ERP, OA, ระบบการเงิน, การอนุมัติภายใน, ระบบหลังบ้านซัพพลายเชน, และระบบเฉพาะทางต่างๆ อีกมากมาย หลายระบบไม่มีอินเทอร์เฟซเปิดให้ใช้งาน ไม่มีเอกสาร และไม่มีความสามารถในการทำให้อัตโนมัติ แต่มันก็ยังอยู่ตรงนั้น ถูกพนักงานนับไม่ถ้วนดำเนินการด้วยมือทุกวัน

แล้วทำไมไม่สร้าง API ให้พวกมันโดยตรงล่ะ?

เพราะทำต่อไม่ได้ ผู้จัดหาระบบเหล่านี้อาจไม่มีอยู่แล้ว ฝ่ายไอทีไม่มีแรงจูงใจและงบประมาณในการรีเฟรช

แผนกธุรกิจไม่มีทางหยุดรอเป็นเวลาหกเดือนหรือหนึ่งปีได้ ระบบเหล่านี้จะไม่มีวันรอให้มี API ที่สมบูรณ์แบบมาช่วยเหลือ

ในระยะสั้น โมเดลต่างๆ น่าจะยังคงพัฒนาความสามารถด้านการใช้งานคอมพิวเตอร์ของตนเอง