Citigroup หั่น Tech 11%: เจาะลึกเบื้องหลังคำว่า 'AI-Augmented' บน Slack ภายใน

ลองจินตนาการว่าคุณตื่นขึ้นมาในเช้าวันอังคาร เปิดแล็ปท็อปเพื่อเริ่มงานตามปกติ และพบประกาศจากผู้บริหารระดับสูงบน Slack ภายในบริษัท ข้อความนั้นระบุว่าทีมของคุณได้เปลี่ยนผ่านเข้าสู่ **<strong>AI-augmented workflows</strong>** อย่างสมบูรณ์แล้ว ถ้อยคำดูสวยหรูและเต็มไปด้วยวิสัยทัศน์แห่งอนาคต แต่ภายในเที่ยงวันนั้นเอง พนักงานในแผนกเทคโนโลยีและวิศวกรรมซอฟต์แวร์กว่า 11% กลับถูกเชิญออกจากกลุ่มและถูกตัดการเข้าถึงระบบทั้งหมด

นี่ไม่ใช่พล็อตหนังไซไฟดิสโทเปีย แต่คือสิ่งที่เพิ่งเกิดขึ้นจริงที่ Citigroup ข่าวพาดหัวหน้าหนึ่งอาจโฟกัสไปที่ตัวเลขกลมๆ อย่างการเลิกจ้างพนักงานรวม 20,000 ตำแหน่ง แต่สำหรับคนในแวดวงเทคโนโลยีและผู้นำระดับองค์กร ตัวเลขที่น่าตกใจที่สุดคือการหั่นตำแหน่งงานสาย Tech ถึง 11% รวดเดียว

คำถามที่น่าสนใจไม่ได้อยู่ที่ว่าพวกเขาไล่ใครออก แต่อยู่ที่การนิยามคำว่า 'AI-Augmented' (การทำงานที่เสริมพลังด้วย AI) บนกระดานสนทนาภายในขององค์กรระดับโลกแห่งนี้ต่างหาก มันแปลว่าอะไรในทางปฏิบัติ? และทำไมองค์กรของคุณถึงควรจับตาดูปรากฏการณ์นี้อย่างใกล้ชิด?

## ตัวเลขหน้าม่าน กับ ความจริงหลังบ้าน

เมื่อผู้บริหารพูดถึง "การเพิ่มประสิทธิภาพด้วย AI" พวกเขามักจะหมายถึงภาพรวมกว้างๆ แต่ในแชท Slack ของทีมวิศวกรและผู้จัดการโปรเจกต์ที่ Citigroup นิยามของคำนี้มีความเฉพาะเจาะจงและเลือดเย็นกว่ามาก

เราไม่ได้พูดถึงการใช้ ChatGPT เพื่อช่วยเขียนอีเมล แต่เรากำลังพูดถึงกระบวนการทำงานหลัก (Core Workflows) ที่ถูกรื้อสร้างใหม่ทั้งหมด:

1. **Automated QA & Testing:** ตำแหน่งงานที่เกี่ยวกับการเขียน Unit Test แบบเดิมๆ หรือการทำ Manual QA ถูกแทนที่ด้วยโมเดล AI ที่สามารถรัน Test Case ครอบคลุม Edge Cases ได้เร็วกว่ามนุษย์ถึง 400% พร้อมสร้างรายงานและเปิด Ticket ให้โดยอัตโนมัติ
2. **Legacy Code Translation:** ธนาคารขนาดใหญ่เต็มไปด้วยโค้ดภาษาโบราณ (เช่น COBOL) ที่ทำงานอยู่หลังบ้าน โปรเจกต์ Migration ที่เคยต้องใช้ซีเนียร์โปรแกรมเมอร์นั่งแกะโค้ดทีละบรรทัดนานนับปี ตอนนี้ถูกมอบหมายให้ LLMs ที่เทรนมาเฉพาะทางทำหน้าที่แปลภาษาและจัดโครงสร้างใหม่เป็น Java หรือ Python โดยมีมนุษย์ทำหน้าที่แค่ Reviewer
3. **L1 & L2 Support Resolution:** ทิกเก็ตปัญหาด้านไอทีที่เคยต้องใช้ทีมงานคอยคัดกรองและแก้ปัญหาเบื้องต้น ถูกจัดการแบบ End-to-end ด้วย AI Agents ที่สามารถวิเคราะห์ Log อัตโนมัติและ Deploy แพตช์แก้ไขได้เองในกรณีที่เป็น Known Issues

นี่คือโฉมหน้าของ **AI-augmented workflows** ในโลกความเป็นจริง มันไม่ใช่เครื่องมือที่มา "ช่วย" ให้คนทำงานเดิมสบายขึ้น แต่มันคือการ "ยุบรวม" ขั้นตอนทั้งหมดและลบคนที่อยู่ตรงกลางสมการทิ้งไป

## ภาพลวงตาของ Productivity กับหายนะของ Tribal Knowledge

คนวงในวอลล์สตรีทและอดีตพนักงานหลายคนเริ่มออกมาตั้งคำถามถึง "ราคาที่ต้องจ่าย" สำหรับประสิทธิภาพที่เพิ่มขึ้นนี้ แน่นอนว่ากราฟ Velocity ใน Jira อาจจะพุ่งสูงขึ้น จำนวน Pull Request (PR) ที่ถูก Merge ต่อสัปดาห์อาจจะเพิ่มขึ้นเป็นประวัติการณ์ แต่สิ่งหนึ่งที่ AI ไม่สามารถเรียนรู้ได้จากคู่มือหรือ Document คือ **Tribal Knowledge** (ความรู้ฝังลึกที่รู้กันเฉพาะในทีม)

ในระบบระดับ Enterprise โดยเฉพาะสถาบันการเงินที่เปิดดำเนินการมาหลายสิบปี มันมักจะมี "โค้ดแปลกๆ" หรือ "Workaround พิเศษ" ที่เขียนขึ้นเพื่อหลบเลี่ยงบั๊กของระบบอื่นที่ไม่มีใครกล้าแตะ มนุษย์ที่เขียนโค้ดเหล่านั้นรู้ดีว่า *ทำไม* มันถึงต้องเขียนแบบนั้น แต่ AI ที่ถูกสั่งให้ออปติไมซ์โค้ดมักจะมองว่านี่คือ Inefficiency และลบมันทิ้ง

เมื่อคุณปลดพนักงานที่มีอายุงาน 10-15 ปีออกไปพร้อมกับความรู้ฝังลึกเหล่านั้น คุณกำลังเดินเข้าสู่กับดักที่อันตรายที่สุดของการทำ **<em>enterprise AI adoption</em>** นั่นคือ คุณมีเครื่องจักรที่สามารถผลิตซอฟต์แวร์ได้รวดเร็วปานสายฟ้าแลบ แต่ไม่มีใครในบริษัทสักคนที่เข้าใจบริบททางประวัติศาสตร์ของสถาปัตยกรรมระบบเลย

## Echo Chamber ของ Wall Street: JPMorgan, Wells Fargo และ HSBC

สิ่งที่น่าสนใจคือ Citigroup ไม่ใช่หมาป่าเดียวดายในเกมนี้ หากคุณลองดูความเคลื่อนไหวของ JPMorgan Chase, Wells Fargo หรือ HSBC ในช่วงหลายเดือนที่ผ่านมา คุณจะเห็น Playbook เล่มเดียวกันเป๊ะ

JPMorgan เพิ่งประกาศวิสัยทัศน์ที่จะมอบ AI Assistant ให้กับพนักงานทุกคน ในขณะที่ HSBC กำลังทดสอบระบบ AI สำหรับประเมินความเสี่ยงและ Compliance ที่ลดชั่วโมงการทำงานของมนุษย์ลงไปมหาศาล ทุกธนาคารต่างกำลังเผชิญกับแรงกดดันจากบอร์ดบริหารและนักลงทุน ที่ต้องการเห็นผลตอบแทน (ROI) อย่างเป็นรูปธรรมจากการลงทุนมหาศาลในโครงสร้างพื้นฐานด้าน AI

เมื่อธนาคารหนึ่งเริ่มขยับและหั่นคอสต์สำเร็จ ธนาคารอื่นก็ต้องทำตาม นี่คือ Echo Chamber ที่สร้างมาตรฐานใหม่ให้กับอุตสาหกรรม แต่สิ่งที่พวกเขามีร่วมกันไม่ใช่แค่กลยุทธ์ แต่เป็น **Blind Spots** (จุดบอด) เดียวกัน นั่นคือการประเมินความเสี่ยงด้าน Technical Debt ที่กำลังก่อตัวขึ้นแบบเงียบๆ ต่ำเกินไป

## ไทม์แมชชีน 18 เดือน: ทำไมทุกอุตสาหกรรมถึงต้องแคร์เรื่องนี้

ผู้อ่านที่อยู่ในอุตสาหกรรมค้าปลีก, โลจิสติกส์, โทรคมนาคม หรือ Healthcare อาจจะคิดว่า "นี่มันเรื่องของแบงก์ ไม่เกี่ยวกับเรา" แต่ในโลกของเทคโนโลยีองค์กร ภาคการเงิน (Financial Services) คือนกคานารีในเหมืองถ่านหินเสมอ

อุตสาหกรรมนี้มีงบประมาณด้านไอทีมหาศาล เผชิญหน้ากับกฎระเบียบที่เข้มงวดที่สุด และมีความต้องการด้านความปลอดภัยระดับสูงสุด หากเครื่องมือ AI ใดก็ตามสามารถผ่านด่านอรหันต์ของ Wall Street มาได้และพิสูจน์แล้วว่าช่วยลดต้นทุนแรงงานได้จริง มันจะใช้เวลาเพียง 18 เดือนเท่านั้นก่อนที่เทคโนโลยีและกระบวนทัศน์แบบเดียวกันจะถูกนำมาใช้ในอุตสาหกรรมของคุณ

สิ่งที่เราเห็นที่ Citigroup ในวันนี้ คือสิ่งที่คุณจะต้องเจอในที่ประชุมบอร์ดบริหารของบริษัทคุณในปีหน้า คำถามที่คุณต้องตอบให้ได้ไม่ใช่ "เราจะนำ AI มาใช้หรือเปล่า?" แต่เป็น "กระบวนการไหนบ้างที่จะถูกลบออกไปเมื่อระบบของเรากลายเป็น **AI-augmented workflows** อย่างสมบูรณ์?"

## บทเรียนสำหรับ Senior Developer: เมื่อ Throughput บดบัง Defect Rates

หากคุณเป็นผู้นำทีมเทคโนโลยี (CTO, VP of Engineering) หรือเป็น Senior Developer นี่คือบทเรียนสำคัญระดับชี้เป็นชี้ตายที่คุณต้องเรียนรู้จากเหตุการณ์นี้: **จงแยกการวัดผลระหว่าง Throughput และ Error Rates ออกจากกันโดยเด็ดขาด**

การนำ AI Coding Assistant อย่าง GitHub Copilot หรือ Cursor มาใช้นั้น จะทำให้ **developer productivity** พุ่งสูงขึ้นอย่างแน่นอน นักพัฒนาสามารถสร้างฟีเจอร์ใหม่ได้เร็วขึ้น 50% แต่สิ่งที่มักจะแอบแฝงมากับความเร็วที่บ้าคลั่งนี้คืออัตราความผิดพลาด (Defect Rates) ที่เพิ่มขึ้นตามมาเป็นเงาตามตัว

ปัญหาของโค้ดที่สร้างโดย AI ไม่ใช่แค่การที่มันเขียนผิด แต่มันคือการที่มัน **เขียนได้ดูน่าเชื่อถือมากจนคนรีวิวพลาด** (Hallucination ในรูปแบบของโค้ด) มันอาจจะเรียกใช้ Library ที่ไม่มีอยู่จริง หรือข้าม Edge Case เล็กๆ น้อยๆ ที่นำไปสู่ช่องโหว่ด้านความปลอดภัย เมื่อคุณลดจำนวน Senior Engineer ลง (เพื่อลด Cost) และปล่อยให้ Junior Engineer ใช้ AI ผลิตโค้ดจำนวนมหาศาล สิ่งที่คุณจะได้คือโรงงานผลิต Technical Debt ที่รอวันปะทุ

องค์กรที่ฉลาดจะไม่ใช้ AI เพื่อลดจำนวนคนคุมงาน แต่จะใช้ AI ขยายกำลังผลิต และใช้มนุษย์ที่มีความรู้ลึกซึ้งทำหน้าที่เป็นบรรณาธิการ (Editor) และผู้ตรวจสอบคุณภาพขั้นสุดท้ายแทน

## บทสรุป

การลดพนักงานเทคโนโลยี 11% ของ Citigroup เป็นเพียงปฐมบทของยุคสมัยใหม่ นิยามของ **AI-augmented workflows** ไม่ใช่การทำงานร่วมกันอย่างโรแมนติกระหว่างคนกับเครื่องจักร แต่มันคือการรื้อระบบนิเวศน์ทางเทคโนโลยีใหม่ทั้งหมด เพื่อหาจุดคุ้มทุนที่สูงที่สุด

สำหรับผู้นำระดับองค์กรและคนทำงานสายเทคทั่วโลก นี่ไม่ใช่เวลามาตื่นตระหนก แต่เป็นเวลาที่ต้องปรับกลยุทธ์ ทักษะที่จะมีค่ามากที่สุดในอีก 5 ปีข้างหน้า ไม่ใช่ความสามารถในการเขียนโค้ดพื้นฐานได้เร็วปานจรวด (เพราะ AI ทำได้ดีกว่าแล้ว) แต่คือความสามารถในการทำความเข้าใจสถาปัตยกรรมระบบที่ซับซ้อน การจัดการกับ Tribal Knowledge ไม่ให้หายไปกับคน และการมีวิจารณญาณที่เฉียบขาดในการตามล้างตามเช็ดความผิดพลาดที่ AI ทิ้งไว้ให้ต่างหาก

ความอยู่รอดในยุคหน้า ไม่ได้ตัดสินกันที่ว่าใครใช้ AI ผลิตงานได้มากที่สุด แต่ตัดสินกันที่ว่า ใครควบคุมคุณภาพของงานที่ AI ผลิตออกมาได้เก่งที่สุดต่างหาก