รายงาน Flux ชี้ว่าองค์กรสร้างโค้ดด้วย AI เร็วกว่าที่จะตรวจสอบการเปลี่ยนแปลงได้

รายงาน AI Code Generation Reality Check ฉบับใหม่ของ Flux ซึ่งอ้างอิงงานวิจัยอิสระของ Dimensional Research ชี้ว่าโค้ดที่ AI สร้างไม่ได้อยู่แค่ในขั้นทดลองอีกต่อไป แต่เข้าสู่การพัฒนาซอฟต์แวร์กระแสหลักขององค์กรแล้ว การสำรวจผู้นำและผู้ปฏิบัติงานด้านวิศวกรรม 309 คนในห้าทวีปพบว่า 44.7% ขององค์กรมีโค้ดที่ AI สร้างอยู่ในระบบใช้งานจริง ขณะที่อีก 35.0% ใช้ AI เขียนโค้ดแต่ยังไม่ได้นำโค้ดนั้นขึ้นระบบจริง

โค้ดที่ AI สร้างกลายเป็นเรื่องปกติ แต่ความไว้วางใจยังตามไม่ทัน

รายงานแสดงให้เห็นว่าประเด็นไม่ใช่อีกแล้วว่าทีมวิศวกรรมจะใช้ AI เขียนโค้ดหรือไม่ เพราะการเปลี่ยนแปลงนั้นเกิดขึ้นแล้ว คำถามสำคัญกว่าคือองค์กรจะเข้าใจ ตรวจทาน รักษาความปลอดภัย และกำกับดูแลปริมาณโค้ดที่ AI ช่วยสร้างเพิ่มขึ้นได้อย่างไร

ผู้ตอบแบบสำรวจที่ยังไม่คิดใช้ AI มีเพียงส่วนน้อย นอกจาก 44.7% ที่นำโค้ดที่ AI สร้างไปใช้จริง และ 35.0% ที่ใช้ AI แต่ยังไม่ได้นำโค้ดขึ้นระบบจริงแล้ว อีก 16.2% วางแผนใช้ภายใน 12 เดือน และ 4.2% วางแผนใช้ในภายหลัง ตัวเลขเหล่านี้ชี้ว่าการใช้ AI กำลังจะครอบคลุมเกือบทุกองค์กร แต่ความมั่นใจในการนำไปใช้งานจริงยังไม่เท่ากัน

ความลังเลนี้ไม่ได้เกิดจากการขาดประโยชน์ด้านผลิตภาพ แต่เกิดจากการมองเห็นสิ่งที่เกิดขึ้นในโค้ด Flux เรียกปัญหานี้ว่า “ช่องว่างในการมองเห็น AI” เพราะทีมสร้างโค้ดได้เร็วกว่าความสามารถในการตรวจสอบ ทำความเข้าใจบริบท และควบคุมโค้ดอย่างมั่นใจ

AI ได้รับความไว้วางใจก่อนในงานซ้ำ ๆ ที่มีความเสี่ยงต่ำ

การนำ AI ไปใช้เด่นที่สุดในงานที่มีรูปแบบคาดเดาได้และควบคุมความผิดพลาดได้ง่ายกว่า รายงานระบุว่าทีมวิศวกรรมใช้โค้ดที่ AI สร้างกับงานเอกสารมากที่สุดที่ 68.7% ตามด้วยการทดสอบหน่วย 65.9% และฟังก์ชันง่าย ๆ 57.7% การตรวจทานโค้ดอยู่ที่ 57.7% เช่นกัน ส่วน 50.4% ใช้ AI สร้างฟีเจอร์ใหม่

สัดส่วนดังกล่าวบอกว่าองค์กรไม่ได้ยกงานสถาปัตยกรรมหลักหรือขั้นตอนสำคัญต่อธุรกิจให้ AI โดยไม่ตรวจสอบ แต่เริ่มจากงานที่มีโครงสร้างชัดเจนและทำซ้ำ ซึ่ง AI ช่วยลดงานน่าเบื่อและเพิ่มความเร็วได้โดยไม่เพิ่มความเสี่ยงขนาดใหญ่ในทันที

ประโยชน์ด้านผลิตภาพเกิดขึ้นจริง ในกลุ่มที่ใช้โค้ดจาก AI อยู่แล้ว 67.1% รายงานว่าผลิตภาพเพิ่มขึ้น 61.8% สร้างต้นแบบได้เร็วขึ้น 58.5% มีเอกสารดีขึ้น และ 48.4% มีต้นทุนพัฒนาลดลง แต่ความคาดหวังด้านคุณภาพกับประสบการณ์จริงยังต่างกัน: 47.6% ของกลุ่มที่ยังไม่ใช้คาดว่าโค้ดจาก AI จะลดข้อผิดพลาด ขณะที่ผู้ใช้ปัจจุบันเพียง 34.6% บอกว่าข้อผิดพลาดลดลงจริง

คอขวดเปลี่ยนจากการเขียนโค้ดเป็นการตรวจทานโค้ด

AI ทำให้การสร้างโค้ดง่ายขึ้น แต่เพิ่มภาระให้การตรวจทาน การทดสอบ และการจัดการความเสี่ยง ผู้ตอบแบบสำรวจเกือบ 80% ใช้เวลาทำงานอย่างน้อย 10% ไปกับการตรวจทานโค้ด และประมาณหนึ่งในสิบใช้เวลาตั้งแต่ 41% ขึ้นไป

เรื่องนี้สำคัญเพราะโค้ดจาก AI เปลี่ยนจังหวะการพัฒนาซอฟต์แวร์ โค้ดถูกสร้างมากขึ้น คำขอรวมโค้ดอาจเพิ่มจำนวน และผู้ตรวจทานอาจมีบริบทน้อยลงว่าโค้ดเกิดขึ้นอย่างไรหรือเพราะอะไร รายงานพบว่าอุปสรรคใหญ่ในการเข้าใจความเปลี่ยนแปลงของฐานโค้ด ได้แก่ โค้ดซับซ้อน 53.7% ทีมพัฒนาต่างทีมใช้แนวทางต่างกัน 46.3% เอกสารไม่ดี 43.0% และการเปลี่ยนแปลงจำนวนมาก 37.9%

ความเสี่ยงจึงไม่ใช่แค่สมมติฐาน เมื่อถามว่าความเปลี่ยนแปลงรายสัปดาห์ประเภทใดตรวจพบได้ยากที่สุด ผู้ตอบระบุปัญหาความปลอดภัย 49.2% การเปลี่ยนแปลงของไลบรารีที่พึ่งพา 47.7% และผลกระทบต่อประสิทธิภาพ 44.1% ปัญหาเหล่านี้อาจก่อเหตุขัดข้องในระบบใช้งานจริง ความเสี่ยงด้านการปฏิบัติตามข้อกำหนด หรือหนี้ทางเทคนิคระยะยาว

โค้ดจาก AI ไม่ได้ดีกว่าหรือแย่กว่าอย่างชัดเจน แต่มีลักษณะต่างออกไป

ผู้ตอบแบบสำรวจมีความเห็นแตกต่างกันว่าโค้ดที่ AI สร้างก่อปัญหามากกว่าโค้ดที่มนุษย์เขียนหรือไม่ โดย 32.9% เห็นว่าก่อปัญหามากกว่าเล็กน้อยหรือมากอย่างชัดเจน 33.4% เห็นว่าก่อปัญหาน้อยกว่า และ 29.7% เห็นว่าปัญหามีจำนวนใกล้เคียงกัน

ความเห็นที่แบ่งกันนี้บ่งชี้ว่าผลลัพธ์ขึ้นอยู่กับสภาพแวดล้อมขององค์กรอย่างมาก โค้ดจาก AI อาจให้ผลดีเมื่อมีการตรวจทานที่เข้มแข็ง การทดสอบครอบคลุม เครื่องมือความปลอดภัย และการกำกับดูแล แต่หากองค์กรเน้นความเร็วโดยไม่ยกระดับวิธีประเมินผลลัพธ์ ปัญหาก็อาจเพิ่มขึ้น

ผลกระทบด้านลบที่องค์กรรายงานแสดงจุดเสียดทานชัดเจน: 41.1% เห็นว่าโอกาสเรียนรู้ของนักพัฒนารุ่นใหม่ลดลง 32.6% พบว่าโค้ดจาก AI ไม่ทำงานตามที่ขอ 31.6% พบการพึ่งพาส่วนประกอบอื่นโดยไม่ตั้งใจ อีก 31.6% พบช่องโหว่ความปลอดภัย และ 29.5% ระบุว่าโค้ดจาก AI แก้จุดบกพร่องได้ยาก

ความเสี่ยงของโค้ดจาก AI ขยายเกินทีมวิศวกรรม

รายงานยังระบุว่าโค้ดที่ AI สร้างไม่ใช่เรื่องของผู้จัดการฝ่ายวิศวกรรมเพียงฝ่ายเดียวอีกต่อไป แต่กลายเป็นความเสี่ยงระดับองค์กร

ทีมความปลอดภัยเป็นกลุ่มผู้มีส่วนได้ส่วนเสียที่กังวลมากที่สุด โดย 62.5% ของผู้ตอบแบบสำรวจระบุถึงกลุ่มนี้ รองลงมาคือฝ่ายกำกับดูแล 51.5% ผู้บริหาร CTO หรือ CIO 46.9% และฝ่ายกฎหมาย 40.8% ความกังวลยังครอบคลุมฝ่ายปฏิบัติการ ประกันคุณภาพ บริหารผลิตภัณฑ์ CEO ทีมดูแลลูกค้า และฝ่ายการตลาด

เมื่อโค้ดจาก AI เข้าสู่ระบบใช้งานจริง ผลกระทบอาจเกี่ยวข้องกับการคุ้มครองข้อมูล ประสบการณ์ลูกค้า ความมั่นคงปลอดภัย ความสามารถในการตรวจสอบ และภาระผูกพันตามสัญญา แม้โค้ดถูกเขียนภายในฝ่ายวิศวกรรม แต่ความเสี่ยงกระจายไปทั่วธุรกิจ

มาตรการป้องกันกำลังกลายเป็นโครงสร้างพื้นฐานหลักของระบบจริง

องค์กรเริ่มลงทุนในมาตรการป้องกันเพิ่มเติมแล้ว รายงานพบว่า 45.6% ลงทุนในเครื่องมือวิเคราะห์คุณภาพโค้ด 39.0% ใช้เครื่องมือตรวจทานโค้ดอัตโนมัติ 38.5% เพิ่มการทดสอบความปลอดภัยแอปพลิเคชันแบบสถิต 35.9% ใช้การวิเคราะห์ส่วนประกอบซอฟต์แวร์ 32.3% ใช้การทดสอบความปลอดภัยแอปพลิเคชันแบบโต้ตอบ และ 31.3% จัดอบรมการใช้ผู้ช่วยเขียนโค้ดเฉพาะทาง

ขั้นตอนการทำงานก็เปลี่ยนไปอย่างแพร่หลาย: 57.4% ออกนโยบายกำหนดการใช้โค้ดจาก AI 49.2% กำหนดให้มีการอบรม 45.1% เพิ่มความเข้มงวดในการตรวจทานโค้ด และ 40.5% เพิ่มจำนวนนักพัฒนาที่รับผิดชอบงานตรวจทาน

การลงทุนเหล่านี้มีเหตุผล เพราะมีผู้ตอบเพียง 3.6% ที่บอกว่าปัญหาจาก AI ไม่เคยหลุดเข้าสู่ระบบใช้งานจริง ส่วน 4.6% บอกว่าเกิดบ่อย 30.3% บอกว่าเกิดบางครั้ง 31.8% บอกว่าเกิดเป็นครั้งคราว และ 23.6% บอกว่าเกิดไม่บ่อย กล่าวคือ ผลกระทบในระบบจริงเป็นสิ่งที่องค์กรส่วนใหญ่ที่ใช้โค้ดจาก AI พบซ้ำแล้ว

ระยะต่อไปของการเขียนโค้ดด้วย AI คือการควบคุม

รายงานพบความย้อนแย้ง: ผู้นำวิศวกรรมจำนวนมากเชื่อว่า AI อาจช่วยลดภาระการตรวจทานที่ AI เองเป็นผู้เพิ่มขึ้น 64.9% ของผู้ตอบคิดว่า AI อาจทำได้ดีกว่ามนุษย์ ในอย่างน้อยบางส่วนของงานตรวจทานโค้ด ขณะที่ 21.1% ไม่เห็นด้วย และ 14.0% ไม่มีความเห็น

ผู้ตอบมองว่า AI อาจเด่นด้านการบังคับใช้มาตรฐานอย่างสม่ำเสมอและการวิเคราะห์ที่ละเอียดกว่า อย่างละ 57.4% นอกจากนี้ยังเห็นศักยภาพในการพบรูปแบบร่วมในฐานโค้ด 53.3% ให้ข้อเสนอแนะเร็วขึ้น 51.8% ตรวจพบปัญหาเพิ่มขึ้น 49.7% และพร้อมใช้งานตลอด 24 ชั่วโมง 48.2%

นี่ชี้ไปสู่ระยะต่อไปของ AI ในงานพัฒนาซอฟต์แวร์องค์กร AI จะไม่ได้เพียงเขียนโค้ดเพิ่ม แต่จะช่วยตรวจสอบ จัดประเภท จัดลำดับความสำคัญ และกำกับการเปลี่ยนแปลง ทีมที่ได้เปรียบอาจไม่ใช่ทีมที่สร้างโค้ดได้มากที่สุด แต่เป็นทีมที่เห็นชัดว่าอะไรเปลี่ยน ความเสี่ยงสะสมตรงไหน และการตัดสินใจใดที่ยังต้องให้มนุษย์รับผิดชอบ

รายงาน AI Code Generation Reality Check เผยโจทย์ที่แท้จริงขององค์กร

รายงานของ Flux ชี้ว่างานวิศวกรรมกำลังเข้าสู่ระยะที่การใช้ AI มีวุฒิภาวะมากขึ้น ส่วนที่ยากไม่ได้อยู่ที่การสร้างโค้ดอีกต่อไป แต่อยู่ที่การมองเห็นสิ่งที่เกิดขึ้น ความสามารถในการตรวจทาน การกำกับดูแล และความไว้วางใจ

องค์กรเกือบครึ่งหนึ่งในการสำรวจมีโค้ดจาก AI อยู่ในระบบจริงแล้ว แต่ระบบสนับสนุนยังพัฒนาไม่ทัน สำหรับผู้นำวิศวกรรม ข้อสรุปคือ AI ช่วยเร่งการพัฒนาได้ก็ต่อเมื่อองค์กรขยายมาตรการป้องกัน บริบท และความรับผิดชอบที่จำเป็นต่อความน่าเชื่อถือของระบบจริงไปพร้อมกัน ดังที่รายงาน AI Code Generation Reality Check แสดงให้เห็น อนาคตของการพัฒนาซอฟต์แวร์ด้วย AI จะขึ้นอยู่กับความมั่นใจในการเข้าใจและส่งมอบโค้ด มากกว่าปริมาณโค้ดที่ AI สร้างได้