ลอเรน ตัน : อดีตเด็กการเงิน สู่วิศวกรซอฟต์แวร์แห่ง SpaceXAI ผู้เปลี่ยนฝูงปัญญาประดิษฐ์ ให้กลายเป็นทีมวิศวกรส่งงาน 2,000 ชิ้นต่อเดือน

สำหรับมนุษย์ออฟฟิศธรรมดาอย่างเรา ๆ การส่งงาน 100 ชิ้นต่อสัปดาห์ก็คงเป็นตัวเลขที่หนักหนาจนแทบไม่มีเวลาหายใจ

แต่สำหรับ ‘ลอเรน ตัน’ (Lauren Tan) วิศวกรซอฟต์แวร์ผู้ดูแลระบบ Grok Bot ที่ SpaceX/xAI และอดีตสมาชิกทีม React Core Team ตัวเลขระดับร้อยนั้นกลายเป็นเรื่องเล็กไปเลย

เมื่อระบบ AI Agents ของเธอสามารถสร้างและส่งมอบ Pull Request (PR) เข้าสู่ระบบการทำงานจริงได้มากกว่า 2,000-2,500 รายการภายในเวลาเพียงเดือนเดียว

ความสำเร็จนี้ไม่ได้สร้างแค่แรงสั่นสะเทือนไปทั่ววงการเทคโนโลยี แต่ยังเป็นการประกาศกร้าวว่าปัญญาประดิษฐ์ได้ก้าวข้ามสถานะเครื่องมือช่วยพิมพ์โค้ดธรรมดา ไปสู่การเป็นเพื่อนร่วมงานชั้นยอด ที่ขับเคลื่อนโปรเจกต์ขนาดยักษ์แทนมนุษย์ได้จริง

ใช่ว่าเธอจะอยู่ในวงการนี้มาตั้งแต่ต้น เพราะเส้นทางชีวิตของลอเรนไม่ได้เริ่มต้นขึ้นในห้องเรียนคอมพิวเตอร์อย่างวิศวกรทั่วไป ลอเรนเติบโตในสิงคโปร์ และเริ่มต้นทำความรู้จักกับโลกเทคโนโลยีตั้งแต่อายุราว 13 ปีจากการฝึกแต่งเว็บไซต์และศึกษาโค้ด HTML, CSS ด้วยตนเอง ก่อนที่จะตัดสินใจศึกษาต่อด้านการเงินที่ Monash University ประเทศออสเตรเลีย

ใครจะคิดว่าห้องเรียนการเงินจะกลายเป็นจุดเริ่มต้นที่พาเธอเข้าสู่วงการซอฟต์แวร์ และในเวลาต่อมา เธอจะสร้างทีม AI Agent ที่ทำงานได้มากกว่าการช่วยพิมพ์โค้ด

ตัวตนเบื้องหลังคีย์บอร์ด

ผู้คนในวงการเทคโนโลยีมักรู้จักลอเรนในชื่อ @poteto ซึ่งมีที่มาจากความชอบส่วนตัวง่าย ๆ ของเธอที่มองว่ามันฝรั่งเป็นอาหารที่อร่อย แต่เนื่องจากชื่อคำว่า potato มีผู้ใช้งานไปแล้ว เธอจึงเลือกใช้การสะกดด้วยตัว e ตามหลักโรมาจิสไตล์ญี่ปุ่นแทน

แม้แต่ pstack หรือ Potato Stack ชุดเครื่องมือที่เธอพัฒนาขึ้นเพื่อสนับสนุนการทำงานของ AI Agent ก็ยังคงมีกลิ่นอายของอารมณ์ขันแบบเดียวกัน ชื่อนี้ตั้งล้อกับ GStack ของ ‘แกรี่ ตัน’ (Gary Tan) ประธานเจ้าหน้าที่บริหารของ Y Combinator ซึ่งทั้งคู่มีนามสกุล Tan เหมือนกัน แต่ไม่ได้มีความสัมพันธ์ทางสายเลือดแต่อย่างใด

ส่วนจุดเริ่มต้นที่ทำให้หันความสนใจมายังการเขียนโค้ด ลอเรนเล่าว่าตอนเรียนวิชาการเงิน อาจารย์มอบหมายให้ลอเรนและเพื่อนร่วมชั้นทดลองเขียนระบบอัตโนมัติอย่าง Visual Basic (VBA) บนโปรแกรม Excel เพื่อคำนวณและประมวลผลข้อมูล ประสบการณ์ครั้งนั้นทำให้ลอเรนพบว่าคอมพิวเตอร์มีความสามารถที่น่าทึ่งในการจัดการกับงานที่มีรายละเอียดซับซ้อน ลอเรนจึงเริ่มศึกษาการเขียนโปรแกรมและการพัฒนาเว็บด้วยตนเองอยู่เรื่อยมา จนกระทั่งสิ่งที่เธอหลงใหลก็ได้ผลักให้ก้าวเข้าสู่วงการซอฟต์แวร์ระดับโลกได้อย่างเต็มตัว

“ฉันเรียนรู้การเขียนโค้ดผ่าน Excel... ฉันเรียนมหาวิทยาลัยด้านการเงิน ไม่ใช่วิทยาการคอมพิวเตอร์ การเปิดโลกโปรแกรมมิ่งของฉันเกิดขึ้นในวิชาไฟแนนซ์ เมื่ออาจารย์สอนให้พวกเราลองเขียน Visual Basic (VBA) บน Excel แล้วฉันก็รู้สึกว่า ว้าว สิ่งนี้สนุกมากเลย”

 

จากวิศวกร React สู่โลกของ AI Agent

หลังจากสั่งสมทักษะด้านการเขียนโปรแกรม ลอเรนเริ่มทำงานในฐานะวิศวกรซอฟต์แวร์ที่ Netflix โดยรับผิดชอบการพัฒนาเครื่องมือภายในสำหรับ Studio UI ก่อนขยับขึ้นมารับตำแหน่งผู้จัดการฝ่ายวิศวกรรม ประสบการณ์ในองค์กรขนาดใหญ่ทำให้เธอได้เห็นทั้งปัญหาทางเทคนิคและความท้าทายในการทำให้ทีมวิศวกรทำงานร่วมกันได้อย่างมีประสิทธิภาพ

ต่อมาเธอเข้าร่วมงานกับ Meta และทำงานในทีมหลักของ React เป็นเวลาเกือบ 6 ปี มีส่วนร่วมในการพัฒนา React Server Components, React Compiler และโครงการโอเพนซอร์สที่ช่วยให้นักพัฒนาทั่วโลกสร้างและปรับปรุงแอปพลิเคชันได้สะดวกขึ้น

ด้วยประสบการณ์เหล่านี้ ลอเรนจึงเข้าใจดีว่าการพัฒนาซอฟต์แวร์ไม่ได้จบลงตรงที่เขียนโค้ดให้ทำงานได้ แต่ยังต้องคำนึงถึงโครงสร้างระบบ การตรวจสอบความถูกต้อง และการทำงานร่วมกันของคน (ที่เป็นคนจริง ๆ) จำนวนมากด้วย

น่าสนใจว่าในช่วงแรกที่ AI เริ่มเข้ามามีบทบาทในการเขียนโปรแกรม ลอเรนเองก็ไม่ได้เชื่อมั่นเต็มร้อยว่าเทคโนโลยีนี้จะสามารถรับผิดชอบงานได้ด้วยตัวเอง ในงาน React Conf 2025 เธอเคยอธิบายมุมมองของตัวเองไว้ว่า

“โดยส่วนตัวแล้ว ฉันคิดว่าประโยชน์ที่ดีที่สุดของ AI คือการเป็นคู่หูที่ช่วยเราเขียนโค้ดร่วมกัน ไม่ใช่เครื่องมือที่จะมาทดแทนการเขียนโค้ด หรือแย่กว่านั้นคือการปล่อยให้คิดแทนเรา... ฉันต้องส่ง PR ให้ได้สัก 100 ชิ้นในหนึ่งสัปดาห์ ทั้งที่แทบจะไม่เข้าใจเลยว่าตัวเองกำลังทำอะไรอยู่”

คำพูดนี้ชวนให้เห็นความย้อนแย้งของการใช้ AI ในงานวิศวกรรม ยิ่งเครื่องมือช่วยสร้างโค้ดได้เร็วขึ้นเท่าไร คนทำงานก็ยิ่งต้องรับผิดชอบต่อโค้ดที่ตัวเองส่งออกไปมากขึ้นเท่านั้น เพราะการมีโค้ดจำนวนมากไม่ได้รับประกันว่าระบบจะทำงานถูกต้อง และการส่งงานได้เร็วก็ไม่ได้หมายความว่าจะดูแลคุณภาพของงานทั้งหมดได้ทัน

จุดเปลี่ยนสำคัญเกิดขึ้นเมื่อเธอย้ายไปร่วมงานกับ Cursor ก่อนจะเข้าสู่ SpaceX/xAI โดยที่ Cursor นั้น ลอเรนพบกับปัญหาบั๊กจำนวนมากซึ่งต้องใช้เวลาไล่แก้ไข เธอจึงเริ่มตั้งคำถามว่า หาก AI สามารถช่วยเขียนโค้ดได้ เหตุใดจึงไม่สร้างเอเจนต์ที่รับหน้าที่ตรวจหาปัญหาและแก้ไขให้เสร็จได้ด้วย

แนวคิดนี้เริ่มต้นจากเอเจนต์ชื่อ Benny ซึ่งมีรูปร่างเป็นสุนัขตัวน้อย ทำหน้าที่จำลองสภาพแวดล้อมและช่วยไล่จับบั๊กโดยอัตโนมัติ แม้ในเวลาที่เธอกำลังพักผ่อน

“ฉันเป็นคนค่อนข้างขี้เกียจ ตอนนั้นเราได้รับรายงานบั๊กของ Cursor เยอะมาก และฉันก็แค่อยากแก้บั๊กพวกนั้นให้หมด ฉันเลยเริ่มคิดว่า ทำอย่างไรถึงจะสร้างเอเจนต์ที่ช่วยแก้บั๊กให้ฉันได้โดยอัตโนมัติในขณะที่ฉันกำลังนอนหลับ”

และจากความขี้เกียจในวันนั้น ก็ค่อย ๆ ถูกพัฒนากลายเป็นระบบ Grok Bot พร้อมเฟรมเวิร์กสนับสนุนอย่าง pstack

 

เมื่อ AI ทำงานเป็นทีมได้จริง

หัวใจของระบบที่ลอเรนสร้างขึ้นอยู่ที่การทำให้ AI Agent มากกว่าหนึ่งตัวสามารถรับผิดชอบงานคนละส่วนและทำงานพร้อมกันได้ โดยไม่ต้องรอให้มนุษย์คอยสั่งทุกขั้นตอน เธอสามารถจัดการเอเจนต์มากกว่า 20 ตัวให้ทำงานควบคู่กัน ตั้งแต่การตรวจสอบปัญหา การแก้ไขโค้ด การรันระบบ การทดสอบ ไปจนถึงการส่ง Pull Request และรวมโค้ด

และนั่นก็ทำให้เธอส่งงานได้ถึง 2,000–2,500 PR ต่อเดือน แต่ก็ยังไม่วายเกิดคำถามตามมาว่า เมื่อ AI สร้างโค้ดได้มากขนาดนี้ แล้วใครจะเป็นผู้ตรวจสอบว่าโค้ดที่ส่งออกไป มีคุณภาพเพียงพอหรือไม่

“เช้าวันหนึ่ง ฉันตื่นเช้ามาแล้วพบว่ามี PR 20 รายการถูกควบรวมเข้าสู่ระบบหลักเรียบร้อยแล้ว ฟังดูอาจจะเหมือนฉันเป็นพวกผลิตโค้ดขยะออกมาทีละเยอะ ๆ แต่ฉันสัญญาเลยว่าไม่ได้เป็นแบบนั้น เพราะคุณไม่สามารถปล่อยเอเจนต์ออกมาเป็นร้อยตัวได้หรอก ถ้าคุณยังไม่ไว้วางใจแม้กระทั่งผลลัพธ์ที่ได้จากเอเจนต์เพียงตัวเดียว

“เอเจนต์ที่สามารถตรวจสอบผลลัพธ์ของตัวเองได้ จะทำงานไปเรื่อย ๆ จนกว่างานจะเสร็จ ส่วนเอเจนต์ที่ไม่สามารถตรวจทานได้แล้วเอาแต่ยื่นโค้ดมาให้คุณรอเช็ก จะทำให้คุณกลายเป็นจุดที่เชื่องช้าที่สุดในระบบ”

หลักคิดสำคัญของเธอคือ ต้องทำให้เอเจนต์ตรวจสอบผลงานของตัวเองได้ ก่อนจะเพิ่มจำนวนเอเจนต์ให้มากขึ้น หากระบบสามารถทำงาน ตรวจพบข้อผิดพลาด และแก้ไขจนผ่านเงื่อนไขที่กำหนดได้ด้วยตัวเอง มนุษย์ก็ไม่จำเป็นต้องเป็นคนตรวจทุกขั้นตอนอีกต่อไป

นี่คือเหตุผลที่ pstack ไม่ได้ถูกออกแบบมาให้เป็นเพียงเครื่องมือสั่ง AI เขียนโค้ด แต่ยังช่วยให้เอเจนต์ตรวจสอบการทำงานของซอฟต์แวร์ได้ใกล้เคียงกับวิธีที่มนุษย์ทดสอบแอปพลิเคชันจริง ระบบสามารถเปิดแอปพลิเคชัน รันโปรแกรม อ่านสถานะภายใน ตรวจสอบการแสดงผล และทดสอบขั้นตอนการใช้งาน เพื่อค้นหาว่าสิ่งที่เขียนขึ้นทำงานได้ตามที่ตั้งใจไว้หรือไม่

หากถามว่าลอเรนให้ความสำคัญกับระบบตรวจสอบมากขนาดไหน ก็มากถึงขั้นแนะนำให้นักพัฒนาสร้างเครื่องมือดีบั๊กของตัวเอง หรือเลือกใช้เทคโนโลยีและโครงสร้างระบบที่เอื้อต่อการตรวจสอบ เพื่อให้เอเจนต์ทำงานได้แม่นยำและมีประสิทธิภาพมากขึ้น

สำหรับเธอ การมอบหมายงานให้ AI จึงต้องเริ่มจากการสร้างความไว้วางใจที่มีหลักฐานรองรับ ยิ่งเอเจนต์ได้รับอิสระในการทำงานมากเท่าไร ระบบก็ยิ่งต้องมีวิธีตรวจสอบที่รัดกุมมากขึ้นเท่านั้น

 

ห้องครัวมิชลินที่มี AI เป็นทีมงาน

ลอเรนชอบเปรียบเทียบการทำงานร่วมกับ AI Agent กับห้องครัวของร้านอาหารระดับมิชลิน ภาพของเชฟที่ต้องปรุงอาหารทุกจานด้วยตัวเองค่อย ๆ เปลี่ยนไป เมื่อมีทีมงานที่ได้รับการฝึกฝนมาอย่างดี แต่ละคนรับผิดชอบงานในสถานีของตัวเอง ขณะที่หัวหน้าเชฟเป็นผู้กำหนดมาตรฐาน ประสานการทำงาน และตรวจสอบคุณภาพของอาหารก่อนออกจากครัว

“ฉันชอบเปรียบเทียบมันกับห้องครัวระดับมิชลิน เพราะคุณจะนึกถึงคุณภาพและความประณีตในการสร้างสรรค์อาหารแต่ละจาน บทบาทของฉันเปลี่ยนไปเป็นเหมือน Head Chef ฉันไม่ได้ลงมือปรุงอาหารเองทุกจานแล้ว แต่มีทีมเอเจนต์ที่ฝึกฝนมาอย่างดี คอยตรวจสอบคุณภาพและจัดวางอาหารลงบนจาน”

ประสบการณ์จาก Netflix, Meta, Cursor และ SpaceX/xAI ทำให้ลอเรนมองเห็นการเปลี่ยนแปลงของงานวิศวกรรมซอฟต์แวร์ในมุมที่กว้างขึ้น เพราะอย่างที่รู้ดีว่าในยุคที่ AI สามารถสร้างโค้ดได้อย่างรวดเร็ว ความสามารถในการออกแบบระบบ กำหนดเงื่อนไข และตรวจสอบผลลัพธ์ก็ยิ่งมีความสำคัญมากขึ้นเรื่อย ๆ

และหากเปรียบการพัฒนาซอฟต์แวร์เป็นห้องครัว วิศวกรอาจไม่จำเป็นต้องยืนหน้าเตาเพื่อปรุงอาหารทุกจานด้วยตัวเองอีกต่อไป แต่ต้องรู้ว่าจะจัดวางสถานีทำงานอย่างไร ใครควรรับผิดชอบงานประเภทไหน และต้องสร้างความมั่นใจได้ว่าอาหารทุกจานที่ออกจากครัวมีคุณภาพตามมาตรฐานเดียวกัน

วันนี้ งานของลอเรนจึงไม่ต่างจากเฮดเชฟที่ทำหน้าที่ควบคุมฝูงปัญญาประดิษฐ์ให้ทำงานได้อย่างมีประสิทธิภาพมากที่สุด โดยไม่เป็นการเพิ่มภาระให้กับคนในทีม และก็ยิ่งชี้ชัดมากขึ้นไปอีกว่า มนุษย์ก็ยังคงมีความสำคัญไม่ว่าจะอยู่ในสายงานไหนก็ตาม

 

อ้างอิง

Are Agents About to Replace Software Engineering? | Lauren Tan and Roshan Sadanani

Lauren Tan workshop XAi Grokbot 

One engineer shipped 2,000 PRs a month to production. Verification is the key. 

We Built Grok Bot. Here Are Our 14 Best Bots | Peng Zheng & Lauren Tan 

SpaceXAI engineer Lauren Tan says every engineer could have a team of coding Bots and agents behi… 

SpaceX AI Engineer Lauren Tan: Part 1 

SpaceX AI engineer Lauren Tan part 2 

非 CS 出身的 Lauren Tan，是怎么一步步放手给 agent 的 

Who Is Lauren Tan, aka Poteto? The Architect Behind Grok Bot, and the Engineer Elon Keeps Reposting 

Lauren Tan: Engineer Behind Grok Bot and React Compiler 

Trust First, Then Parallel: What Lauren Tan's Talk Actually Argues 

Lauren Tan says GrokBot now handles end-to-end PR flow as monthly output tops 1,000