柚子 发自 凹非寺
量子位 | 公众号 QbitAI
“AI ช่วยเพิ่มประสิทธิภาพการทำงานของฉัน แต่ฉันกลับเหนื่อยมากขึ้น…”
บทความล่าสุดชื่อ “ความเหนื่อยล้าจาก AI มีอยู่จริง แต่ไม่มีใครพูดถึง” กำลังเป็นที่ถกเถียงกันในฟอรัม บอกเล่าความรู้สึกร่วมของนักพัฒนาหลายคน
ผู้เขียนบทความ Siddhant Khare เป็นโปรแกรมเมอร์มืออาชีพ และเป็นผู้ดูแลหลักของ OpenFGA แม้จะมีประสบการณ์มากมาย แต่ในกระบวนการใช้ AI เพื่อเพิ่มประสิทธิภาพ เขาก็มักรู้สึกเหนื่อยใจ
ยกตัวอย่างแนวโน้ม AI ที่เกิดขึ้นล่าสุด: OpenClaw, Moltbook, GPT-5.3, Claude Opus 4.6… ชื่อใหม่แต่ละชื่อหมายถึงแรงกดดันในการเรียนรู้ใหม่ๆ อย่างไรก็ตาม นักพัฒนาก็ต้องติดตามข่าวสารอยู่เสมอ เพื่อไม่ให้ถูกตีตราว่า “ล้าสมัย”
อีกตัวอย่างเช่นการเขียนโค้ด AI ดูเหมือนจะช่วยประหยัดเวลาในการเขียนโค้ดได้มาก แต่กลับต้องการให้นักพัฒนาตรวจสอบโค้ดทีละบรรทัด ส่งผลให้ปริมาณงานนอกเหนือจากการเขียนโปรแกรมเพิ่มขึ้นเป็นเท่าตัว เมื่อ Siddhant Khare แบ่งปันประสบการณ์เหล่านี้ในฟอรัมนักพัฒนา หลายคนต่างเห็นด้วย
ฉันไม่รู้สึกว่าประสิทธิภาพของตัวเองดีขึ้นเลย กลับรู้สึกเหมือนเป็นพี่เลี้ยงเด็กที่ขี้เกียจ แค่พยายามดูแลไม่ให้เด็กๆ บาดเจ็บเท่านั้น
AI ทำให้ฉันเสียสมาธิง่ายขึ้น และเมื่อจบวันทำงาน ฉันก็จะรู้สึกผิด
รู้สึกเหมือนร่างกายถูกดูดพลัง
ทำไมถึงเกิดสถานการณ์เช่นนี้? Siddhant Khare วิเคราะห์ว่าเป็นผลจากหลายปัจจัยร่วมกัน
ภาระงานที่เพิ่มขึ้นจากประสิทธิภาพที่สูงขึ้น
ประการแรก AI ช่วยเพิ่มประสิทธิภาพจริง งานที่เคยทำหนึ่งวันอาจเสร็จภายในหนึ่งชั่วโมง แต่ไม่ได้หมายความว่าภาระงานจะลดลง ผู้จัดการเมื่อสังเกตเห็นประสิทธิภาพสูงเช่นนี้ มักจะมอบหมายงานเพิ่มเติม สร้างวงจร “คนเก่งต้องทำงานหนัก”
ดังนั้น นักพัฒนาอาจต้องจัดการกับ งานย่อยๆ ที่ใช้ AI ช่วยหลายๆ งาน ภายในหนึ่งวัน การสลับบริบทบ่อยครั้งทำให้เสียพลังงานมากขึ้น
ที่นี่มีข้อขัดแย้ง: AI ลดต้นทุนการผลิตโดยตรง แต่เพิ่มต้นทุนทางอ้อม เช่น การประสานงาน การตรวจสอบ และการตัดสินใจ ซึ่งต้นทุนเพิ่มเติมเหล่านี้ยังคงตกอยู่กับคนในที่สุด
การเปลี่ยนบทบาทจากผู้สร้างไปเป็นผู้ตรวจสอบ
ในอดีต นักพัฒนาสนุกกับกระบวนการสร้างจากศูนย์: เขียนโค้ด ทดสอบ ปล่อยระบบ แต่ตอนนี้เวิร์กโฟลว์เปลี่ยนเป็น: พรอมต์→รอผลลัพธ์→ประเมิน→แก้ไข→พรอมต์ใหม่
บทบาทของโปรแกรมเมอร์ค่อยๆ เปลี่ยนไปเป็น ผู้ตรวจสอบคุณภาพ จากงานสร้างสรรค์เป็นงานประเมิน การตรวจสอบโค้ดที่สร้างโดย AI มักจะเหนื่อยกว่า เพราะแต่ละบรรทัดอาจมีปัญหาแฝง ไม่สามารถโฟกัสเฉพาะส่วนสำคัญเหมือนการตรวจสอบโค้ดมนุษย์ได้ การประเมินอย่างต่อเนื่องนำไปสู่ความเหนื่อยล้าในการตัดสินใจ และลดความรู้สึกสำเร็จจากการแก้ปัญหา
ความไม่แน่นอนของผลลัพธ์ AI ก่อให้เกิดความวิตกกังวล
วิศวกรคุ้นเคยกับอินพุตและเอาต์พุตที่แน่นอน แต่ AI โดยพื้นฐานแล้วเป็น ความน่าจะเป็น พรอมต์เดียวกัน วันนี้อาจให้โค้ดคุณภาพดี พรุ่งนี้อาจให้ผลลัพธ์ที่ไร้ประโยชน์ และยากที่จะติดตามหาสาเหตุ
ความไม่สามารถคาดเดานี้บังคับให้ผู้ใช้ต้องตื่นตัวอยู่เสมอ ทำให้ยากที่จะผ่อนคลายอย่างเต็มที่ เว้นแต่จะลดความคาดหวังลงล่วงหน้า ยอมรับว่าต้องเขียนใหม่จำนวนมาก ซึ่งในทางปฏิบัติทำได้ยาก
เครื่องมือ AI ที่เปลี่ยนแปลงไม่หยุดนิ่ง
เทคโนโลยี AI เปลี่ยนแปลงเร็วมาก ทุกสัปดาห์มีโมเดลใหม่ เฟรมเวิร์กใหม่เกิดขึ้น นักพัฒนาอาจเพิ่งใช้เวลามากมายในการเรียนรู้เครื่องมือหนึ่ง “State-of-the-Art” ใหม่ก็ปรากฏขึ้นแล้ว
ตัวอย่างเช่น Claude Code ปล่อยฟีเจอร์ sub-agents, skills, Agent SDK ต่อเนื่องกัน; OpenAI ปล่อย Codex CLI, GPT-5.3-Codex; Kimi K2.5 อ้างว่าสามารถประสานงาน Agent หลายร้อยตัวพร้อมกัน; OpenClaw ปล่อยตลาดทักษะแบบโมดูลาร์…
เรียนไม่หมด เรียนไม่ทันจริงๆ แต่ถ้าไม่เรียน ก็กลัวจะตามไม่ทันความก้าวหน้าล่าสุด สิ่งนี้ใช้เวลาว่างจำนวนมาก แต่การเพิ่มประสิทธิภาพจริงกลับมีจำกัด และการเรียนรู้มักอยู่เพียงผิวเผิน ตกอยู่ในความวิตกกังวลจากการสลับไปมา ไม่ได้โฟกัสที่การแก้ปัญหาจริง
การเขียนพรอมต์ใหม่วนลูปไม่สิ้นสุด
การใช้ AI ง่ายที่จะตกอยู่ในกับดัก: เชื่อเสมอว่าแค่ปรับพรอมต์อีกนิดเดียว ก็จะได้ผลลัพธ์ที่สมบูรณ์แบบ แต่กลับมองข้ามต้นทุนเวลาที่สะสมอยู่เบื้องหลัง ผู้เขียนต้นฉบับเรียกสิ่งนี้ว่า กับดัก “พรอมต์อีกครั้ง”
เพื่อให้ AI ให้ผลลัพธ์ที่ดีขึ้น ผู้คนอาจตกอยู่ในวงจรการปรับปรุงพรอมต์ไม่รู้จบ และสุดท้ายพบว่า การเขียนด้วยตัวเองอาจเร็วกว่า เนื่องจากผลประโยชน์ส่วนเพิ่มลดลง การปรับปรุงแต่ละครั้งจากการวนซ้ำพรอมต์ต่อๆ ไปก็ยิ่งน้อยลง ในที่สุด เป้าหมายก็เบี่ยงเบนจาก “การทำให้ฟังก์ชันทำงานได้” ไปเป็น “การทำให้ AI ให้โค้ดที่สมบูรณ์แบบ”
เมื่อตระหนักถึงจุดนี้ มักจะเสียเวลาไปมากแล้ว
ความสามารถในการคิดถดถอย
การพึ่งพา AI มากเกินไปอาจนำไปสู่ การหดตัวของความสามารถในการคิดด้วยตนเอง สิ่งนี้คล้ายกับที่เมื่อ GPS แพร่หลาย ความสามารถของคนในการสร้างแผนที่จิตใจและวางแผนเส้นทางเองลดลง สมองทำงานตามหลัก “ใช้แล้วพัฒนา ไม่ใช้แล้วเสื่อม” การจ้างความคิดให้ AI เป็นเวลานาน ความสามารถในการแก้ปัญหาของตนเองจะอ่อนแอลง ข้อนี้ได้รับการสนับสนุนจากงานวิจัยหลายชิ้น
ดังนั้น แทนที่จะวิตกกังวลกับความสามารถที่ถดถอย ควรจัดสรรเวลาแน่นอนในแต่ละวันเพื่อคิดด้วยตนเอง
กับดักการเปรียบเทียบบนโซเชียลมีเดีย
การเปรียบเทียบเป็นแหล่งสำคัญของความวิตกกังวล บนโซเชียลมีเดีย ผู้คนชอบแสดงกรณีศึกษาประสบความสำเร็จในการเรียนรู้ AI เช่น “สร้างแอปพลิเคชันสมบูรณ์ด้วย AI ในสองชั่วโมง” “เข้าใจ OpenClaw ในหนึ่งนาที” แต่มีน้อยคนที่จะแบ่งปันความล้มเหลวและความผิดหวังในกระบวนการ
สิ่งนี้ทำให้ผู้ที่เห็นเกิดความวิตกกังวลและสงสัยในตัวเอง รู้สึกว่าตนเองมีความสามารถไม่เพียงพอ ตามไม่ทัน แต่ในความเป็นจริง หลายคนอาจติดอยู่ที่ขั้นตอนแรกของการตั้งค่าสภาพแวดล้อม
โดยสรุป ความเหนื่อยล้าจาก AI สามารถมองได้ว่าเป็นแรงกดดันที่บุคคลต้องแบกรับในด้านจิตใจ อารมณ์ และการปฏิบัติ เพื่อปรับตัวให้เข้ากับการพัฒนาอย่างรวดเร็วของ AI นั่นคือ “มากเกินไป เร็วเกินไป”
ปล่อยวางตัวเอง แล้วเพลิดเพลินกับ AI
สำหรับเรื่องนี้ ผู้เขียนต้นฉบับได้เสนอคำแนะนำเกี่ยวกับวิธีการทำงานที่ยั่งยืน:
- จำกัดเวลาใช้: ตั้งนาฬิกาปลุกสำหรับงานที่ใช้ AI (เช่น 30 นาที) หากเกินเวลาแล้วยังแก้ปัญหาไม่ได้ ให้ทำด้วยตนเอง
- แยกเวลาคิดและเวลาทำ: ยึดมั่นไม่ใช้ AI ในช่วงเช้าของทุกวัน ใช้กระดาษและปากกาคิดโครงสร้าง เพื่อรักษาความกระตือรือร้นในการคิด; บ่ายค่อยใช้ AI ช่วยในการทำงาน
- ยอมรับหลัก 70%: ไม่ต้องไล่หาโค้ดสมบูรณ์แบบจาก AI ได้ความสามารถในการใช้งาน 70% ก็พอ ส่วนที่เหลือแก้ไขด้วยตนเอง
- โฟกัสที่พื้นฐาน ไม่ใช่ผิวเผิน: ไม่ไล่ตามเครื่องมือ AI ใหม่ทุกตัวที่ออกมา ควรโฟกัสที่ตรรกะพื้นฐานที่ทนทานกว่า (เช่น การจัดการบริบท สิทธิ์ความปลอดภัย เป็นต้น)
- บันทึกแบบเรียลไทม์: บันทึกประสิทธิภาพจริงของ AI ในงานต่างๆ ชัดเจนว่าเมื่อไหร่ควรใช้ AI เมื่อไหร่ควรหยุด
- หยุดตรวจสอบทั้งหมด: ใช้สมาธิตรวจสอบส่วนสำคัญของโค้ดที่สร้างโดย AI (เช่น ขอบเขตความปลอดภัย การประมวลผลข้อมูลสำคัญ) ส่วนที่เหลือพึ่งพาการทดสอบอัตโนมัติและเครื่องมือวิเคราะห์แบบคงที่ ยอมรับความหยาบของโค้ดที่ไม่สำคัญ
กล่าวอีกนัยหนึ่ง วิธีอยู่ร่วมกับ AI ในยุคนี้ ไม่เพียงแต่อยู่ที่วิธีการใช้ แต่ยังอยู่ที่การรู้ว่าเมื่อไหร่ควรหยุด การเพิ่มประสิทธิภาพของ AI บริโภคไม่เพียงแต่ทรัพยากรการคำนวณ แต่ยังรวมถึงขีดจำกัดพลังงานของมนุษย์ด้วย
ดังนั้น นักพัฒนาควรออกแบบ “บัฟเฟอร์” ให้กับความสามารถในการรับรู้ของตนเอง เหมือนออกแบบระบบ เพื่อให้แน่ใจว่าผลผลิตมีความยั่งยืน ไม่ใช่ไล่ตามผลผลิตสูงสุดในระยะสั้นอย่างมืดบอด
บางที วิธีแก้ปัญหาที่พื้นฐานกว่านี้อาจเป็น: พักผ่อนให้เหมาะสม ช่วยรักษาสุขภาพและประสิทธิภาพในระยะยาว
ลิงก์อ้างอิง:
[1]https://siddhantkhare.com/writing/ai-fatigue-is-real
[2]https://news.ycombinator.com/item?id=46934404
[3]https://cacm.acm.org/opinion/ai-fatigue-reflections-on-the-human-side-of-ais-rapid-advancement/
ติดตาม “鲸栖” Mini Program เพื่อรับข่าวสาร AI ล่าสุด
⚠️ หมายเหตุ: เนื้อหาได้รับการแปลโดย AI และตรวจสอบโดยมนุษย์ หากมีข้อผิดพลาดโปรดแจ้ง
本文来自网络搜集，不代表คลื่นสร้างอนาคต立场，如有侵权，联系删除。转载请注明出处：https://www.itsolotime.com/th/archives/22985