ที่มา: วิดีโอต้นทาง และบทความ VideoToBlog วันที่ 2026-08-17 (วันที่แสดงในบทความต้นทาง ไม่ใช่วันที่อัปโหลดวิดีโอที่ตรวจยืนยันแล้ว) รายละเอียดและประสบการณ์เป็นข้อมูลที่ต้นทางกล่าวไว้ในขณะนั้น ยังไม่ได้ทดสอบซ้ำหรือตรวจยืนยันสถานะล่าสุด แนวคิดและข้อสังเกตด้าน code review เป็นข้อเสนอของ Ankit Jain แห่ง Aviator ตามที่ต้นฉบับถ่ายทอด ไม่ใช่คำแนะนำให้ข้ามการตรวจความปลอดภัยหรือเลิกให้คนอนุมัติงานสำคัญ · วิดีโอต้นทาง
AI ทำให้ทีมสร้างซอฟต์แวร์ได้เร็วขึ้นมาก แต่ไม่ได้แปลว่าธุรกิจจะส่งของได้เร็วขึ้นเสมอไป เพราะคอขวดใหม่ย้ายมาอยู่ที่การตรวจและอนุมัติงาน เมื่อโค้ดถูกสร้างโดย AI และ AI อีกตัวเข้ามารีวิว สิ่งที่มักเกิดขึ้นคือคนในทีมไล่อ่านแบบผ่าน ๆ แล้วกดอนุมัติ
คลิปจาก Ankit Jain ผู้ร่วมก่อตั้ง Aviator บนช่อง AI Engineer เสนอประเด็นที่น่าคิดกว่าเรื่อง “ใช้ AI รีวิวโค้ดอย่างไร” เขาชี้ว่าเราอาจกำลังตั้งโจทย์ผิด เพราะ code review ไม่ได้มีไว้จับบั๊กเท่านั้น แต่มีไว้ทำให้ทีมเข้าใจตรงกัน บทความนี้จะแปลงแนวคิดดังกล่าวเป็น workflow ที่เจ้าของธุรกิจและคนทำงานไทยนำไปใช้กับการสร้างผลิตภัณฑ์ดิจิทัลได้จริง
สารบัญ
- Step 1: ยอมรับก่อนว่า code review แบบเดิมกำลังเป็นคอขวด
- Step 2: แยกให้ออกระหว่างความถูกต้องกับความเข้าใจตรงกัน
- Step 3: อย่าให้ spec-driven development กลายเป็น waterfall รอบใหม่
- Step 4: เก็บ intent จาก prompt และบทสนทนาให้กลายเป็น acceptance criteria
- Step 5: สร้าง AI Slop Registry จากความผิดพลาดที่เกิดซ้ำ
- Step 6: เปลี่ยนการรีวิวให้เป็นการตรวจหลักฐาน ไม่ใช่การดู diff
- Step 7: ใช้ Actionable Insights เพื่อเริ่มใน 30 วัน
- Step 8: แก้ปัญหาที่มักเจอระหว่างทำ
- Step 9: ต่อยอดจากทีมเทคนิคสู่ระบบปฏิบัติการของธุรกิจ
- Step 10: สรุป Checklist ทั้งหมดก่อนปรับ workflow AI
Step 1: ยอมรับก่อนว่า code review แบบเดิมกำลังเป็นคอขวด
ปริมาณโค้ดที่เพิ่มจาก AI ทำให้การตรวจทุกบรรทัดด้วยคนเริ่มไม่สมจริง Ankit ยกภาพรวมว่าเวลารอรีวิวเพิ่มขึ้นหลายเท่า และมีการเปลี่ยนแปลงจำนวนไม่น้อยที่ถูกนำขึ้นระบบโดยไม่ได้ผ่านการตรวจเลย ประเด็นสำคัญจึงไม่ใช่ทีม “ขาดวินัย” แต่เป็นกระบวนการเดิมรองรับความเร็วของการสร้างงานไม่ไหว
สำหรับธุรกิจไทย ภาพนี้ไม่ได้เกิดเฉพาะทีมที่เขียนแอปเอง แม้ทำงานกับ software house หรือมีทีมเล็ก ๆ ก็เจอปัญหาเดียวกัน เช่น เจ้าของธุรกิจส่งโจทย์ทางแชต ทีมใช้ AI ทำฟีเจอร์ได้ภายในวันเดียว แต่ไม่มีใครตอบได้ชัดว่า “สิ่งที่ทำเสร็จตรงกับที่ตกลงหรือไม่”
การให้คนเก่งที่สุดในทีมอ่านโค้ดละเอียดทุกครั้งจึงไม่ใช่คำตอบระยะยาว และการปล่อยให้ AI ตรวจ AI แล้วเชื่อผลลัพธ์ทันที ก็ไม่ใช่คำตอบเช่นกัน สิ่งที่ควรถามคือ เราควรให้คนตรวจอะไรที่สำคัญที่สุด
Step 2: แยกให้ออกระหว่างความถูกต้องกับความเข้าใจตรงกัน
Ankit เสนอว่า code review มีสองหน้าที่ที่มักถูกปนกันอยู่
- ความถูกต้องเชิงพฤติกรรม: ฟีเจอร์ทำงานได้จริงหรือไม่ มีจุดผิดพลาด ความเสี่ยงด้านความปลอดภัย หรือเงื่อนไขที่หลุดไปหรือไม่
- การเข้าใจตรงกันของทีม: เหตุใดจึงเลือกทำแบบนี้ ใครได้รับผลกระทบ โครงสร้างระบบควรไปทางใด และมาตรฐานการทำงานขององค์กรคืออะไร
AI และระบบทดสอบสามารถช่วยงานส่วนแรกได้มากขึ้น แต่ไม่ควรให้มันกลืนงานส่วนหลัง เพราะการคุยเรื่องเหตุผล การตัดสินใจ และ trade-off คือพื้นที่ที่ทีมได้เรียนรู้ร่วมกัน เป็นทั้งการสอนคนใหม่ การส่งต่อความรู้ และการป้องกันไม่ให้ระบบค่อย ๆ ซับซ้อนเกินควบคุม
มุมนี้สำคัญมากสำหรับเจ้าของกิจการ หากงานพัฒนาแอปถูกวัดแค่ “ทำเสร็จหรือยัง” ทีมอาจส่งฟีเจอร์ที่ดูใช้ได้ แต่ขัดกับวิธีขาย ขัดกับนโยบายราคา หรือสร้างภาระต้นทุนในอนาคต ตัวอย่างเช่น ระบบสมาชิกอาจเพิ่มส่วนลดได้ตามคำสั่ง แต่ไม่มีการตกลงว่าโปรโมชันซ้อนกันได้หรือไม่ ซึ่งเป็นการตัดสินใจเชิงธุรกิจ ไม่ใช่รายละเอียดเทคนิค
ดังนั้น เป้าหมายไม่ควรเป็นการฆ่า code review แต่คือ ย้ายจุดที่คนใช้เวลารีวิว จากการไล่ดูสิ่งที่เปลี่ยน ไปสู่การตรวจเจตนา การตัดสินใจ และหลักฐานว่าผลลัพธ์เกิดขึ้นจริง
Step 3: อย่าให้ spec-driven development กลายเป็น waterfall รอบใหม่
หลายทีมตอบรับ AI ด้วยการเขียน spec ละเอียด แล้วส่งต่อให้ agent สร้างงาน จากนั้นค่อยตรวจความถูกต้อง วิธีนี้มีประโยชน์ แต่ถ้า spec ถูกมองเป็นเอกสารที่ปิดตาย ก็อาจย้อนกลับไปคล้าย waterfall model คือกำหนดความต้องการ ทำตามเอกสาร แล้วค่อยตรวจตอนท้าย โดยไม่มีวงจรรับฟังสิ่งที่ค้นพบระหว่างทาง
ข้อจำกัดชัดเจนคือ LLM ไม่ได้ให้คำตอบเดิมแบบตายตัว และโจทย์ธุรกิจส่วนใหญ่ไม่ได้ชัดครบตั้งแต่แรก ระหว่าง AI สร้างงาน ทีมมักต้องตอบคำถามเพิ่ม เช่น ลูกค้ายกเลิกคำสั่งซื้อได้ถึงขั้นตอนไหน ต้องบันทึกเหตุผลหรือไม่ หรือการคืนเงินมีข้อยกเว้นอย่างไร คำตอบเหล่านี้คือแก่นของงาน ไม่ใช่บทสนทนาส่วนเกิน
แนวทางที่เหมาะกว่าคือใช้ spec เป็นจุดเริ่มต้น แต่สร้าง feedback loop ให้ชัด ทุกครั้งที่มีการตัดสินใจใหม่ ให้บันทึกและนำกลับไปปรับเกณฑ์รับงาน ไม่ใช่ปล่อยให้ความรู้หายไปในแชตหรือ prompt ชั่วคราว
สำหรับองค์กรที่ใช้ Jira, Notion หรือเครื่องมือจัดการงานอื่นอยู่แล้ว สามารถเริ่มง่าย ๆ ด้วยการเพิ่มหัวข้อ “การตัดสินใจระหว่างทำ” ไว้ใน ticket เดียวกัน แยกจากคำขอเริ่มต้น และสรุปเป็นภาษาที่ฝ่ายธุรกิจอ่านได้
Step 4: เก็บ intent จาก prompt และบทสนทนาให้กลายเป็น acceptance criteria
หัวใจของข้อเสนอคือ intent ไม่ได้อยู่ใน spec อย่างเดียว มันกระจายอยู่ใน ticket, PRD, ข้อความของผู้เกี่ยวข้อง และโดยเฉพาะ prompt ที่คนคุยกับ AI ระหว่างสร้างงาน ปัญหาคือเมื่อเปิด pull request หรือส่งมอบฟีเจอร์ ทีมมักเก็บไว้แค่ผลลัพธ์ แต่ทิ้งเส้นทางการตัดสินใจทั้งหมด
แทนที่จะทิ้งข้อมูลนี้ ให้สรุปออกมาเป็น acceptance criteria หรือเกณฑ์รับงานที่ตรวจได้ ตัวอย่างฟีเจอร์ “เพิ่มแบบฟอร์มชำระเงิน” อาจถูกสรุปเป็นเกณฑ์ว่า
- ลูกค้ากรอกข้อมูลที่จำเป็นแล้วส่งคำสั่งซื้อได้
- ข้อมูลคำสั่งซื้อถูกบันทึกในระบบหลังบ้าน
- กรอกข้อมูลไม่ครบต้องมีข้อความบอกจุดที่ต้องแก้
- การชำระเงินที่ล้มเหลวต้องไม่สร้างคำสั่งซื้อซ้ำ
- หน้าจอต้องใช้งานได้ทั้งมือถือและเดสก์ท็อป
รายการนี้ทำให้เจ้าของธุรกิจ ผู้จัดการผลิตภัณฑ์ ดีไซเนอร์ และทีมเทคนิคคุยเรื่องเดียวกันได้ โดยไม่ต้องลงไปตัดสินจากโค้ด สิ่งที่คนทำงานควรตรวจจึงเปลี่ยนเป็น “เราอนุมัติพฤติกรรมนี้หรือไม่” ไม่ใช่ “บรรทัดนี้เขียนสวยหรือไม่”
AI สามารถช่วยสรุป prompt ยาว ๆ เป็นเกณฑ์รับงานได้ แต่ต้องมีคนรับผิดชอบตรวจคำสรุปก่อนเสมอ เพราะ AI อาจสรุปสิ่งที่ถูกพูด แต่ไม่รู้ว่าสิ่งใดสำคัญต่อรายได้ ลูกค้า หรือข้อกำหนดของธุรกิจ
Step 5: สร้าง AI Slop Registry จากความผิดพลาดที่เกิดซ้ำ
อีกแนวคิดที่นำไปใช้ได้ทันทีคือ AI Slop Registry หรือคลังข้อผิดพลาดและกติกาที่ทีมพบซ้ำ ๆ จากการรีวิว แทนที่หัวหน้าทีมจะพิมพ์คำเตือนเดิมทุกสัปดาห์ เช่น “อย่าให้ข้อมูลลูกค้าหลุดใน log” หรือ “ต้องตรวจสิทธิ์ก่อนแก้ไขข้อมูล” ให้เปลี่ยนคำเตือนเหล่านั้นเป็น guardrail ที่ระบบตรวจอัตโนมัติได้
ชื่ออาจฟังแรง แต่หลักการตรงไปตรงมา ทุกคอมเมนต์ที่เกิดซ้ำคือสัญญาณว่ายังไม่มีมาตรฐานหรือการตรวจที่ดีพอ เมื่อบันทึกเป็น registry แล้ว AI หรือเครื่องมือทดสอบสามารถนำไปตรวจงานใหม่ก่อนส่งถึงคน
การเริ่มต้นไม่ต้องรอข้อมูลมหาศาล ลองย้อนดู 50 ถึง 100 คอมเมนต์ล่าสุด แล้วจัดกลุ่มเป็นหมวด เช่น ความปลอดภัย การเงิน ข้อมูลลูกค้า ประสบการณ์ใช้งาน และกฎธุรกิจ จากนั้นเลือก 5 เรื่องที่เกิดบ่อยที่สุดมาเขียนเป็นกติกาสั้น ๆ ที่ตรวจได้
ตัวอย่างสำหรับธุรกิจไทยที่มีระบบขายออนไลน์ ได้แก่ ห้ามแสดงเบอร์โทรเต็มของลูกค้าในหน้าจอพนักงานทั่วไป, ห้ามใช้สถานะ “ชำระแล้ว” หากยังไม่ได้รับผลยืนยัน, และต้องมีหลักฐานเมื่อพนักงานเปลี่ยนราคาด้วยมือ กติกาเหล่านี้มีค่ากว่าให้คนคอยจำอยู่ในหัว และยังช่วยให้พาร์ตเนอร์ภายนอกทำงานตามมาตรฐานเดียวกัน
Step 6: เปลี่ยนการรีวิวให้เป็นการตรวจหลักฐาน ไม่ใช่การดู diff
เมื่อมี acceptance criteria และ registry แล้ว ขั้นต่อไปคือให้ AI ช่วยสร้าง test plan และรันการตรวจบน preview ของระบบ หลักคิดคือ “กำหนดให้ชัด แล้วพิสูจน์ด้วยหลักฐาน” ไม่ใช่ “โค้ดดูสมเหตุสมผล จึงน่าจะใช้ได้”
กรณีแบบฟอร์มชำระเงิน ระบบตรวจอาจจำลองการกรอกฟอร์ม เก็บภาพหน้าจอ ตรวจสถานะในฐานข้อมูล และเทียบกับเกณฑ์ที่ตั้งไว้ ผลลัพธ์ที่ทีมใช้อนุมัติจึงอาจประกอบด้วยภาพหน้าจอ รายการทดสอบที่ผ่านหรือไม่ผ่าน และข้อมูลยืนยันจากระบบหลังบ้าน
แนวคิดนี้ใกล้กับ behavior-driven development เพราะใช้ภาษาที่คนหลายบทบาทอ่านเข้าใจ และยังรักษาการตรวจแบบกำหนดผลลัพธ์ชัดเจนในส่วนที่ทำได้
อย่างไรก็ตาม ไม่ควรหลงเชื่อว่า AI สร้าง test plan เองแล้วจะครอบคลุมทุกความเสี่ยง หาก agent ที่เขียนงานเป็นฝ่ายคิดวิธีตรวจเพียงฝ่ายเดียว มันอาจพลาดสมมติฐานเดียวกับที่ใช้สร้างงานได้ จึงควรสร้างแผนทดสอบจาก intent, การตัดสินใจใน session และ registry ของทีม ไม่ใช่ย้อนดูเฉพาะโค้ดที่เพิ่งสร้าง
หลักการที่ใช้ได้ดีคือ กำหนดผลลัพธ์ตายตัวเมื่อทำได้ ใช้ LLM เฉพาะจุดที่ต้องตีความ เช่น ตรวจว่าเงินรวมถูกคำนวณถูกต้องหรือไม่ควรเป็นกติกาแน่นอน แต่การประเมินว่าเนื้อหาหน้าเว็บสื่อสารได้ชัดหรือไม่อาจให้ AI ช่วยวิเคราะห์เป็นข้อมูลประกอบ แล้วให้คนตัดสินขั้นสุดท้าย
Step 7: ใช้ Actionable Insights เพื่อเริ่มใน 30 วัน
- เลือก workflow เดียว: เริ่มจากฟีเจอร์ที่มีผลต่อรายได้หรือข้อมูลลูกค้า ไม่ต้องพยายามปรับทุกระบบพร้อมกัน
- กำหนดเจ้าของ intent: ทุกงานต้องมีคนยืนยันว่า acceptance criteria ตรงกับความต้องการธุรกิจ ก่อนเริ่มสร้างจริง
- บังคับให้มีหลักฐาน: งานที่พร้อมอนุมัติต้องมีผลทดสอบ ภาพหน้าจอ หรือข้อมูลสถานะ ไม่ใช่เพียงข้อความว่า “ทำเสร็จแล้ว”
- เปลี่ยนคอมเมนต์ซ้ำเป็นกติกา: ตั้งประชุมสั้น ๆ ทุกสองสัปดาห์ เลือกคอมเมนต์ซ้ำหนึ่งเรื่องเข้าคลัง registry
- วัดเวลารออนุมัติ: ติดตามระยะเวลาตั้งแต่งานพร้อมตรวจจนได้รับอนุมัติ เพื่อเห็นว่าคอขวดลดลงหรือแค่ย้ายที่
Step 8: แก้ปัญหาที่มักเจอระหว่างทำ
- ปัญหา: เกณฑ์รับงานยาวเกินจนทีมไม่อ่าน
สาเหตุ: นำทุกบทสนทนามาวางโดยไม่จัดลำดับ
วิธีแก้: แยกเป็น “ต้องผ่านก่อนส่งมอบ” กับ “ข้อสังเกตเพิ่มเติม” และจำกัดเกณฑ์หลักให้เหลือข้อที่กระทบลูกค้าหรือธุรกิจจริง - ปัญหา: AI สรุป acceptance criteria ผิดเจตนา
สาเหตุ: prompt ตั้งต้นคลุมเครือ หรือไม่มีเจ้าของงานตรวจคำสรุป
วิธีแก้: ให้ผู้รับผิดชอบฝั่งธุรกิจยืนยันเกณฑ์ก่อนเริ่มทดสอบ และแก้ต้นทางใน ticket ทันทีเมื่อพบความเข้าใจไม่ตรงกัน - ปัญหา: Registry มีแต่กติกากว้าง ๆ เช่น “เขียนโค้ดให้ดี”
สาเหตุ: นำคำติชมมาใช้ตรง ๆ โดยไม่แปลงเป็นเงื่อนไขตรวจได้
วิธีแก้: เขียนใหม่ให้เจาะจง เช่น “ห้ามบันทึกข้อมูลบัตรชำระเงินใน log” พร้อมระบุจุดที่ต้องตรวจ - ปัญหา: ทีมรู้สึกว่ากระบวนการเพิ่มงานเอกสาร
สาเหตุ: เริ่มทำ registry และ test plan ทุกประเภทงานตั้งแต่วันแรก
วิธีแก้: เริ่มจากงานความเสี่ยงสูงหนึ่งประเภท และให้ AI ช่วยร่างเอกสาร จากนั้นวัดเวลาที่ลดลงจากคอมเมนต์ซ้ำ - ปัญหา: ทุกอย่างผ่านการทดสอบ แต่ผลลัพธ์ไม่ตอบโจทย์ลูกค้า
สาเหตุ: ทีมตรวจเฉพาะสิ่งที่เขียนไว้ แต่ตั้งเกณฑ์ผิดตั้งแต่ต้น
วิธีแก้: เพิ่มช่วงทบทวน intent กับฝ่ายขาย ฝ่ายบริการลูกค้า หรือผู้ใช้ภายใน ก่อนปล่อยงานที่กระทบลูกค้า
Step 9: ต่อยอดจากทีมเทคนิคสู่ระบบปฏิบัติการของธุรกิจ
แนวคิดนี้ไม่ได้จำกัดอยู่แค่ code review ธุรกิจสามารถใช้รูปแบบเดียวกันกับ workflow ที่ AI เข้ามาช่วยงานอื่นได้
- อนุมัติแคมเปญการตลาด: เก็บเจตนาของแคมเปญเป็นเกณฑ์ เช่น กลุ่มเป้าหมาย ข้อเสนอ และคำต้องห้าม แล้วให้ AI ตรวจชิ้นงานก่อนส่งผู้จัดการอนุมัติ
- จัดการบริการลูกค้า: สร้าง registry ของคำตอบที่ไม่ควรเกิดซ้ำ เช่น สัญญาราคาที่ไม่ได้รับอนุมัติ หรือขอข้อมูลส่วนตัวเกินจำเป็น
- คัดเลือกงานจากเอเจนซี: เปลี่ยนจากการดูว่าหน้าจอสวยหรือไม่ เป็นการขอหลักฐานตาม acceptance criteria ที่ตกลงก่อนเริ่มโครงการ
บทเรียนที่นำไปใช้ได้กว้างคือ เมื่อ AI ทำงานเร็วขึ้น องค์กรต้องเก็บ “เหตุผลที่ตัดสินใจ” ให้ดีขึ้น ไม่เช่นนั้นจะได้ผลผลิตมากขึ้น แต่ความรู้และความรับผิดชอบกลับกระจัดกระจายกว่าเดิม
Step 10: สรุป Checklist ทั้งหมดก่อนปรับ workflow AI
- ☐ ระบุให้ชัดว่างานรีวิวใดเป็นคอขวดของทีม
- ☐ แยกการตรวจความถูกต้องออกจากการสร้างความเข้าใจตรงกัน
- ☐ ใช้ spec เป็นจุดเริ่มต้น ไม่ใช่เอกสารที่ห้ามเปลี่ยน
- ☐ บันทึกการตัดสินใจจาก prompt และบทสนทนา
- ☐ สรุปการตัดสินใจเป็น acceptance criteria ที่ตรวจได้
- ☐ สร้าง AI Slop Registry จากคอมเมนต์ที่เกิดซ้ำ
- ☐ ให้ AI ช่วยร่าง test plan แต่ให้คนตรวจเกณฑ์และความเสี่ยง
- ☐ อนุมัติงานจากหลักฐานการทำงานจริง ไม่ใช่จากการไล่ดู diff อย่างเดียว
- ☐ ใช้การตรวจแบบตายตัวกับกฎที่วัดได้ และใช้ LLM เป็นตัวช่วยในเรื่องที่ต้องตีความ
- ☐ เริ่มจาก workflow เดียว วัดผล แล้วค่อยขยาย
ข้อสรุปของ Ankit Jain คมมาก: code review ไม่ได้มีความหมายแค่การรีวิวโค้ด แต่คือการทำให้ทีมเข้าใจตรงกัน สำหรับธุรกิจที่กำลังใช้ AI สร้างงานเร็วขึ้น นี่คือจุดที่ควรลงทุนมากที่สุด ไม่ใช่การหาตัวช่วยเขียนงานที่เร็วกว่าเดิมเพียงอย่างเดียว แต่คือการสร้างระบบที่เก็บ intent ตรวจหลักฐาน และทำให้ทุกการส่งมอบยังเชื่อมกับเป้าหมายธุรกิจได้