เริ่มที่ – เช้าวันปกติที่ออฟฟิศของทีม Data
เรามาเริ่มกันที่ลองนึกภาพตามกันเหมือนเดิมนะครับ (บอกแล้วว่าจินตนาการสำคัญกว่าความรู้ 555)
เช้าวันจันทร์ปกติ เราเปิดแล็ปท็อปขึ้นมา กาแฟยังร้อนอยู่เลย แล้ว Slack ก็ดังขึ้นมาว่า “Pipeline พัง ข้อมูลเมื่อคืนไม่เข้า Dashboard แดงเถือกหมดเลย” — ฉากนี้คุ้นๆมั้ยครับ ?
แต่ตอนนี้ปี 2026 แล้ว มีตัวละครใหม่ ได้เข้ามาเพิ่มในฉากนี้ นั่นคือ AI Agent
ที่แจ้งเตือนปัญหาให้คุณก่อน
ระบุ root cause ให้เสร็จสรรพ
เท่านั้นแล้วยังแนะนำ fix ให้ด้วย — ทั้งหมดนี้ได้ถูกเตรียมไว้ก่อนที่คุณจะจิบกาแฟแก้วแรกด้วยซ้ำ
คำถามที่ทุกคนในวงการ Data กำลังถามกันอยู่คือ AI Agent คือเพื่อนร่วมงานที่ดีที่สุดของเรา หรือมันคือคนที่จะมานั่งเก้าอี้แทนเรา?
บทความนี้เราจะมาไล่เรียงกันให้ครบ ทั้งเรื่อง AI Agent คืออะไร
มันกระทบสายงาน Data ยังไง และที่สำคัญมากที่สุด เราควรทำตัวยังไงกับมันดีนะ ?
AI Agent คืออะไร? (อธิบายให้เข้าใจง่ายๆ)
AI Agent ไม่ใช่แค่ Chatbot ที่คุยรู้เรื่องขึ้นมานิดหน่อยแล้วล่ะครับ
มันคือระบบที่สามารถ รับ goal มาแล้วทำงานได้เองเป็นขั้นตอน โดยไม่ต้องรอให้คนมาคลิกหรือพิมพ์คำสั่งทีละอย่างๆเหมือนเมื่อก่อน
พูดง่ายๆ ถ้า ChatGPT คือนักศึกษาฝึกงานที่ฉลาดมาก แต่ต้องมีคนบอกทุกอย่าง — AI Agent คือ junior data engineer ที่รับ brief ปุ๊บแล้วไปจัดการเองได้เลย รวมถึง Google ว่าทำยังไง เขียน code ลองรัน debug แล้วก็ส่ง output กลับมาให้คุณได้อย่างเห็นภาพแบบ 100%
ในสายงาน Data ตอนนี้ AI Agent เริ่มทำงานได้หลายอย่างมากขึ้นเรื่อยๆ ยกตัวอย่างก็อย่างเช่น
- Data Pipeline Monitoring — คอยดู pipeline ตลอด 24 ชั่วโมง แจ้งเตือนเมื่อมีปัญหา
- Auto Data Profiling — รัน profiling บน dataset ใหม่ แล้วสรุปให้ว่า data คุณภาพดีมั้ย มี missing values เยอะแค่ไหน
- SQL Generation — แปลงคำถามภาษาคนเป็น query ได้เลย โดยที่คนถามไม่ต้องรู้ SQL เลยแม้แต่นิดเดียว
- Report Generation — ดึงข้อมูล วิเคราะห์ แล้วเขียนสรุปให้ CEO อ่านได้เลย
ฟังดูน่ากลัวมั้ยล่ะครับ ?
Data Engineer ยังมีที่ยืนอยู่มั้ยในโลกที่ AI Agent ทำ Pipeline เองได้แล้ว ?
มาพูดเรื่องที่ Data Engineer ทุกคนกังวลกันก่อนเลย(สายงานที่ทำงานแบบเงียบๆ)
ความจริงที่ไม่น่าเชื่อแต่เป็นความจริงคือ งาน Data Engineer ยังไม่ได้หายไปไหน — แต่มันจะเปลี่ยนไปเยอะมาก
ลองนึกภาพ Data Engineer ในปี 2020 กับ 2026 เปรียบเทียบกันดูนะครับ
ปี 2020 Data Engineer ใช้เวลา 70% ไปกับการเขียน boilerplate code เช่น “อ่าน CSV เก็บลง S3 แล้ว load เข้า Snowflake”
ซึ่งเป็นงานที่ทำซ้ำๆ แทบจะทุกโปรเจกต์ งานส่วนนี้แหละที่ AI Agent ทำแทนได้ดีมากๆเลยครับ
แต่ปี 2026 งานที่เหลือสำหรับ Data Engineer คือ งานที่ต้องใช้ context ของ business จริงๆ เช่น
- ออกแบบ data architecture ที่รองรับ business ได้ทั้ง 3-5 ปีข้างหน้า
- ตัดสินใจว่า data model แบบไหนถึงเหมาะกับ use case นี้
- ทำ data governance และดูแลเรื่อง data quality policy ขององค์กร
- บริหารจัดการ AI Agent ที่รันอยู่ (ใช่แล้ว ต้องมีคนดูแล agent อีกที ซึ่งก็คือ DE นี่แหละ)
เปรียบง่ายๆ คือ ถ้าแต่ก่อน Data Engineer เหมือนช่างที่ต้องตีตะปูเองทุกตัว —
ตอนนี้มีเครื่องมือไฟฟ้าให้แล้ว แต่คนที่รู้ว่าจะตีตรงไหน ทำไม และแบบไหนถึงจะไม่พังทีหลัง ยังคือคนอยู่ดี (ไมโครเวฟไม่ได้ทำให้เชฟตกงานนะครับ – ชาว Youtube บอกผมมา ผมล่ะอย่างชอบ 555)
Data Analyst เมื่อ AI เขียน SQL เก่งกว่าคุณ
ถ้าพูดเรื่อง Data Analyst แล้ว เรื่อง AI กับ SQL เป็นประเด็นที่ร้อนแรงมากๆ
ปัจจุบัน AI สามารถเขียน SQL query ได้ดีมากๆจริงๆนะครับ
หลายครั้งดีกว่า analyst มือใหม่ด้วยซ้ำ แล้ว analyst ยังจะต้องทำอะไรอยู่อีก ?
คำตอบคือ analyst ที่อยู่รอดในยุคนี้คือคนที่เก่งเรื่อง “ถามคำถามที่ถูกต้อง” มากกว่าเก่งในเรื่องของ “ตอบคำถาม”
ฟังดูนามธรรมไหมครับ งั้นขอยกตัวอย่างจริงๆ ให้เห็นน่าจะพอเข้าใจมากกว่า
สมมติว่า Sales ลดลง 15% ในเดือนที่แล้ว AI สามารถวิ่งไปดึงข้อมูลและบอกได้ว่า “สินค้า A ขายได้น้อยลงในภาคเหนือ” แต่ Data Analyst ที่ดีจะรู้ว่าต้องถามว่า “ช่วงนี้มีโปรโมชั่นคู่แข่งมั้ย? มีเหตุการณ์อะไรในพื้นที่ภาคเหนือหรือเปล่า? แล้วจริงๆ มันเป็นปัญหา demand หรือเป็นปัญหา supply?” (สิ่งนี้ถ้าเรียกอีกคำ เราจะเรียกมันว่า Critical Thinking น่ะครับ)
ความสามารถในการ connect ข้อมูลกับ business context เป็นสิ่งที่ AI ยังทำได้ไม่ดีเท่าคน (ณ ปัจจุบัน นะครับ แต่ในอนาคตไม่แน่ ถ้าเกิดว่า AI มีข้อมูลเพียงพอ)
Data Scientist ทำโมเดลเสร็จแล้ว แต่ AI ทำได้เร็วกว่าอีก ?
Data Scientist น่าจะเป็นกลุ่มที่รู้สึก “เฮ้ย” มากที่สุดกับ AI Agent
เพราะหลายสิ่งที่เคยเป็น “magic” ของสาย Data Sci ตอนนี้ถูก automate ไปเยอะมากๆ 55555
- AutoML ช่วย tune hyperparameter แทนได้
- AI-assisted EDA ช่วย explore data และหา insight เบื้องต้นได้แบบโครตจะไว
- Code generation ช่วยเขียน model training code
แต่นี่คือสิ่งที่น่าสนใจ: งานของ Data Scientist ไม่ได้หายไป แต่แค่ “level” มันสูงขึ้นไปอีกครับ
Data Scientist ยุคใหม่ต้องเก่งเรื่อง
- ML System Design — ออกแบบระบบ ML ให้ทำงานได้จริงใน production ไม่ใช่แค่ใน notebook
- Responsible AI — ดูแลเรื่อง bias, fairness, explainability ของโมเดล เรื่องนี้สำคัญมากขึ้นในทุกๆวันนี้ครับ วันที่ข้อมูลมันมากเกินจนไม่รู้ว่านี่ของจริงหรือของที่สร้างขึ้นมา
- Business Translation — แปลง business problem เป็น ML problem ให้ถูกต้อง เพราะถ้าตั้งโจทย์ผิด AI เก่งแค่ไหนก็ไม่ช่วย
ทักษะใหม่ที่คนสาย Data ต้องมีในยุค AI Agent
ถ้าอ่านมาถึงตรงนี้แล้วยังไม่รู้จะทำตัวยังไง นี่คือ checklist ทักษะที่คนสาย Data ควรพัฒนาให้ดีเลยล่ะครับ
1. Prompt Engineering สำหรับ Data Tasks การรู้วิธีสั่ง AI Agent ให้ทำงานได้อย่างที่ต้องการ
เป็นทักษะใหม่ที่สำคัญมากๆ เหมือนกับที่เมื่อก่อน Data Engineer ต้องเขียน bash script ได้ ตอนนี้ต้องเขียน prompt ที่ดีได้ (ทักษะการเขียนคือ Meta Skill ที่ไม่ว่ายังไงก็จะไม่ตายจากมนุษย์ – ฟังดูแล้วยิ่งใหญ่ไหมครับ 55555)
2. AI Evaluation & QA เมื่อ AI สร้าง output ให้ คุณจำเป็นที่จะต้องรู้ว่าจะ validate ผลลัพธ์นั้นยังไง ไม่ใช่เชื่อทุกอย่างที่ AI บอก เพราะ AI มันสามารถผิดได้ และบางทีผิดอย่างมั่นใจมากด้วย (hallucination เป็นเรื่องจริงที่หนีไม่พ้น Double check ข้อมูลที่ได้มาดีๆ)
3. Data Architecture & System Design ยิ่งมี AI ช่วยทำงานระดับล่างได้มากขึ้น คนที่เก่งเรื่อง big picture ยิ่งมีคุณค่า
4. Communication & Storytelling ข้อมูลมีเยอะ insight มีเยอะ แต่คนที่เล่าเรื่องได้ว่าข้อมูลนี้หมายความว่าอะไรสำหรับ business — ยังหายากอยู่มาก และหาตัวจับได้ยากโครตๆเลย
5. Ethics & Governance ใครจะดูแลว่า AI Agent ที่รันอยู่ตลอด 24 ชั่วโมงนั้นทำในสิ่งที่ถูกต้อง?
คนสาย Data นั่นแหละที่ต้องรับผิดชอบตรงนี้ (ละก็คาดหวังกันจัง ว่าจะรู้ทั้งหมด)
มุมมองจากคนทำงานจริง AI Agent ในชีวิตประจำวัน Data Team
จากประสบการณ์ที่เห็นมา Data Team ที่ใช้ AI Agent ได้ดีมักมีลักษณะร่วมกันคือ ไม่ได้มองว่า AI มาแทนที่ แต่มองว่ามาช่วยขยาย capacity ให้เราทำงานได้ smooth มากขึ้น
แทนที่จะให้ engineer 1 คนดู pipeline 10 อัน ตอนนี้ engineer 1 คนสามารถดู pipeline ได้ 100 อันโดยมี AI เป็นตัวช่วย alert และ triage ปัญหา
แทนที่จะต้องรอ analyst มาเขียน SQL ให้ stakeholder ทุกคน ตอนนี้ stakeholder บาง use case สามารถถาม AI ได้เองแล้ว ปล่อยให้ analyst ไปทำงานที่ซับซ้อนกว่านั้น (เช่นการเขียน Report ให้เป็นภาษาคน 5555 อันนี้คือยากจัด)
ผลลัพธ์คือ? ทีม Data ทำงานได้เยอะขึ้น เร็วขึ้น โดยไม่ต้องจ้างคนเพิ่มแบบ linear
สรุป ไม่ต้องกลัว แต่ต้องปรับตัวให้ได้
กลับมาที่คำถามเริ่มต้น — AI Agent จะมาแทนที่คนสาย Data มั้ย?
คำตอบสั้นๆ คือ: AI Agent จะมาแทนที่ส่วนของงานที่ทำซ้ำๆ และ predictable แต่ไม่ได้มาแทนที่คนที่เข้าใจ business รู้จักตั้งคำถาม และสามารถนำ insight ไปสร้างผลลัพธ์จริงๆ ได้
ประวัติศาสตร์บอกเราว่า เมื่อมีเทคโนโลยีใหม่ๆเข้ามาในสายงาน งานบางอย่างหายไป แต่งานใหม่มันก็เกิดขึ้นมาแทนเหมือนกัน แค่เราอาจจะต้องปรับตัวให้ทัน
คนสาย Data ที่อยู่รอดและเติบโตในยุค AI Agent คือคนที่
- ไม่กลัว AI แต่เรียนรู้วิธีใช้มัน
- Focus ที่ทักษะที่ AI ยังทำได้ไม่ดี เช่น business acumen, communication, creative problem-solving
- มองว่าตัวเองคือ “conductor” ที่ควบคุม AI orchestra ไม่ใช่ “musician” ที่กังวลว่าจะถูกแทนที่
และสุดท้าย — ถ้าคุณเป็นคนที่อ่านบทความเกี่ยวกับ Data และ AI อยู่แบบนี้ แสดงว่าคุณกำลังทำในสิ่งที่ถูกต้องแล้ว เพราะ curiosity และการเรียนรู้อย่างต่อเนื่อง คือสิ่งที่ไม่มี AI ตัวไหนเอาไปจากคุณได้
แล้วพบกันในบทความหน้าละกันนะครับ
Leave a Reply