Posted on Sep 20 AI-assisted
โดย Nokka (นก-กา) | 19 กันยายน 2026
บทความนี้เขียนโดย AI (โมเดล glm-5.3 ของผู้ให้บริการ ollama-cloud) ผ่าน Hermes Agent จาก Nous Research ตรวจสอบและเรียบเรียงโดย Nokka (นก-กา)
เปิดเรื่องด้วยภาพของคนทำงานจริง
SDLC หรือวงจรพัฒนาซอฟต์แวร์ที่เราเรียนกันมาตั้งแต่ปีหนึ่งคณะวิศวกรรม ทำงานได้ดีเพราะมันออกแบบมาสำหรับโลกที่มนุษย์ทำงานเป็นหลัก ส่งงานต่อกันทีละขั้น
วางแผนแล้วออกแบบ ออกแบบแล้วเขียนโค้ด เขียนเสร็จค่อยส่ง QA ทดสอบ ผ่านแล้วค่อยส่งต่อให้ทีม operations ดูแลระบบ ทีละขั้นเป็นระเบียบเพราะแต่ละขั้นต้องส่งต่อจากคนกลุ่มหนึ่งไปอีกกลุ่มหนึ่ง
โลกที่แต่ละขั้นตอนใช้มนุษย์เป็นแรงงานหลัก ต้องมีการส่งงานแบบนี้ เพราะการเปลี่ยนแปลงหลังจากส่งต่อไปแล้วแพงมาก
แต่วันนี้เครื่องมือเปลี่ยนไปแล้ว เมื่อ agent อ่านความต้องการ เขียนโค้ด รันเทสต์ ตรวจโค้ด และตอบสนองสัญญาณจากระบบจริงได้เอง วงจรที่เคยเป็น “ส่งต่อกันทีละขั้น” ก็เริ่มเปลี่ยนเป็น “วงจรต่อเนื่อง” ที่ขั้นตอนเหล่านั้นหมุนไปพร้อมกัน
โพสต์บน LinkedIn ที่ต้นทางของบทความนี้ พูดถึงแนวคิด ADLC (Agentic Development Lifecycle) ว่าเป็นรูปแบบใหม่ที่กำลังเกิดขึ้นจริง [1]
ADLC คืออะไร และชื่อมันหมายถึงอะไร
ADLC ย่อมาจาก Agentic Development Lifecycle หรือวงจรพัฒนาซอฟต์แวร์โดย agent โมเดลง่าย ๆ คือยังใช้ขั้นตอนเดิมของ SDLC ทั้งวางแผน เขียนโค้ด ทดสอบ ตรวจสอบ นำขึ้นระบบ และดูแลต่อ
แต่จุดที่เปลี่ยนคือ ใครเป็นคนทำงานในแต่ละขั้น จากเดิมมนุษย์ทำงานและเครื่องมือช่วย กลายเป็น agent ทำงานและมนุษย์กำหนดทิศทาง วางข้อจำกัด กับตรวจผลลัพธ์ [4]
แต่ก่อนไปต่อ ต้องแยกให้ชัดก่อนว่า “ADLC” ในบริบทนี้หมายถึงอะไร เพราะชื่อนี้มีความหมายคู่ในตัวเอง และมันคนละเรื่องกันเลย
- Agentic Development Lifecycle ⇒ agent เป็นแรงงานหลักที่สร้างซอฟต์แวร์ของเรา วางแผน เขียนโค้ด ทดสอบ นำขึ้นระบบ ทั้งหมดโดย agent และมนุษย์คุมทิศทาง นี่คือความหมายที่โพสต์ LinkedIn ต้นทางใช้
- Agent Development Lifecycle (แบบ IBM และ LangChain) ⇒ คือวิธีพัฒนาตัว agent เอง ออกแบบ agent ทดสอบ agent ติดตามพฤติกรรม agent ใน production ซึ่งเป็นอีกเรื่องหนึ่งที่ต่างกันโดยสิ้นเชิง [3][6]
ยกตัวอย่างเคสที่ agent ทำงานจริงใน ADLC เพื่อให้เห็นภาพ นักพัฒนาพิมพ์ลงไปว่า “สร้าง flow รีเซ็ตรหัสผ่านให้หน่อย“ แล้ว agent ทำส่วนที่เหลือทั้งหมด แต่งานวางแผน เขียนโค้ด เลือก dependency รันเทสต์ และเปิด pull request จนจบ [4]
เพื่อนำไปใช้ อย่าปนสองเรื่องนี้กัน บทความนี้พูดถึงแบบแรกเป็นหลัก ซึ่งเป็นแบบที่โพสต์ต้นทาง ใช้และเจาะความสนใจของทีมพัฒนาซอฟต์แวร์ทั่วไป
ตารางเทียบสามโมเดลการทำงานที่วิ่งขนานกันอยู่ในตอนนี้:
โมเดล ใครเป็นคนทำงาน บทบาทมนุษย์ SDLC ดั้งเดิม มนุษย์ทำทุกขั้นตอน เขียน ตรวจ ส่งขึ้นระบบ AI-assisted development มนุษย์ + AI เสนอแนะ คุมทุกจังหวะ ยอม/ไม่ยอมทีละขั้น ADLC agent อัตโนมัติ กำหนดเจตนา วางข้อจำกัด ตรวจผลลัพธ์แต่ละขั้นของ SDLC เปลี่ยนไปอย่างไรใน ADLC
ภาพจากโพสต์ต้นทาง
โพสต์ LinkedIn ต้นทางให้ภาพที่ชัดที่สุดของแต่ละขั้น ที่ผมแปลและเรียบเรียงให้เข้ากับบริบทไทย [1]
- วางแผน (Plan) ⇒ เริ่มจากเจตนาที่เขียนชัดและมีโครงสร้าง มนุษย์อ่านเข้าใจ agent นำไปทำงานได้
- ออกแบบ (Design) ⇒ ออกแบบโดยอยู่กับ agent ตรง ๆ โดยใช้บริบท ความรู้ในองค์กร และ skills ที่กำหนดไว้
- สร้าง (Build) ⇒ agent ทำงานกับโค้ด เอกสาร เทสต์ และเครื่องมือพัฒนา ความรู้ถูกเก็บเป็นบริบทและ skills ที่ใช้ซ้ำได้
- ทดสอบ (Test) ⇒ เปลี่ยนเป็นการประเมินต่อเนื่อง agent ทดสอบการเปลี่ยนแปลง ตรวจพฤติกรรม และโยงข้อผิดพลาดขึ้นมาตลอดการพัฒนา
- นำขึ้นระบบ (Deploy) ⇒ มากกว่าการ push โค้ด การตรวจโดย agent การตรวจนโยบาย การอนุมัติ การเฝ้าดู และการกำกับดูแลกลายเป็นสิ่งสำคัญขึ้น
- ดูแลต่อ (Maintain) ⇒ วงจรกลายเป็นลูปฟีดแบ็ก สัญญาณจาก production สร้างงานใหม่ที่ไหลกลับเข้าการวางแผน การเขียนโค้ด การทดสอบ และการนำขึ้นระบบ
แนวคิดวงจรต่อเนื่องนี้ปรากฏใน คู่มือ ADLC ของ Arthur AI ที่เผยแพร่เมื่อ 3 พฤศจิกายน 2025 ซึ่งบทความนั้นใช้ชื่อ “Agent Development Lifecycle” ในความหมายคล้ายกันคือการลดการวางแผนหน้างานและเน้นการปรับจูนกับการกำกับดูแล แต่ต้องระวังว่าชื่อของ Arthur ไม่ใช่ความหมายแบบ Agentic ที่บทความนี้พูดถึง [2]
⇒ จุดที่แตกต่างจาก SDLC ดั้งเดิมอย่างมีนัยสำคัญ มีสามจุดหลักที่ Arthur AI สรุปไว้
- ลดเวลาวางแผนหน้างาน ⇒ เหตุผลเดียวกัน แต่การเปลี่ยนแปลงระหว่างทางถูกลง เพราะการเปลี่ยนรายการเป็นค่าใช้จ่ายที่ต่ำกว่าในระบบ agentic
- เน้น tuning และ optimization หนักขึ้น ⇒ หัวใจของ ADLC และส่วนที่ต้องทุ่มเทสุด
- เน้น automated governance และ oversight มากขึ้น ⇒ จำเป็นเพราะพฤติกรรม emergent ที่ระบบเหล่านี้สร้างขึ้น และความเป็นอัตโนมัติสูงกว่าระบบดั้งเดิม
จะเห็นว่างานหนักไม่ได้หายไป แต่ย้ายไปอยู่ที่การ “ปรับจูน” agent ให้น่าเชื่อถือ และการกำกับดูแล ซึ่ง SDLC ดั้งเดิมไม่เคยต้องทำ
สัญญาณจากตลาดและตัวเลขที่ตรวจสอบได้
การมาของ ADLC มีตัวเลขรองรับจากสำนักวิจัยใหญ่
Gartner คาดการณ์ว่า แอปพลิเคชันองค์กร 33% จะมี agentic AI ในตัว ภายในปี 2028 จากที่เคยต่ำกว่า 1% ในปี 2024 — ตัวเลขนี้ผมอ้างจาก cycode ซึ่งระบุว่าเป็นการคาดการณ์ของ Gartner [4]
และยังมีสัญญาณเตือนในทิศตรงข้าม: Gartner คาดการณ์ด้วยว่า โปรเจกต์ agentic AI กว่า 40% จะถูกยกเลิกภายในสิ้นปี 2027 เนื่องจากต้นทุนที่พุ่งขึ้น คุณค่าทางธุรกิจไม่ชัดเจน และการควบคุมความเสี่ยงไม่เพียงพอ [5]
เอาตัวเลขสองตัวนี้มาวางข้างกัน ภาพที่ได้คือ การใช้ agent จะกลายเป็นเรื่องปกติของแอปองค์กร แต่โครงการจำนวนมากจะล้มเหลวกลางทาง เพราะต้นทุนและคุณค่าทางธุรกิจไม่เป็นไปตามที่ตั้งใจ
ตารางสรุปสัญญาณตลาด:
สัญญาณ ตัวเลข ที่มา แอปองค์กรที่จะมี agentic AI ภายใน 2028 33% (จาก <1% ใน 2024) cycode อ้าง Gartner [4] โปรเจกต์ agentic AI ที่ถูกยกเลิกภายในสิ้น 2027 ประมาณ 40% Gartner [5]โปรเจกต์ agentic AI อยู่ในช่วง “ร้อนแรงแต่ยังไม่น่าเชื่อถือ” และตัวเลข 40% นี้ผมดึงจาก Gartner ต้นทางเอง ไม่ใช่การอ้างต่อ ๆ กัน ทั้งสองด้านเป็นความจริงเดียวกัน
มนุษย์ยังอยู่ในวงจรหรือไม่
โพสต์ต้นทางเขียนไว้ชัดเจน มนุษย์ยังอยู่ในวงจร และได้เขียนอีกว่า “เป็นเรื่องของสองสิ่ง” ว่ามนุษย์โฟกัสที่ intent architecture governance critical decisions และ review ส่วน agents handle more of the execution [1]
และเมื่อไหร่ที่โพสต์ต้นทางพูดถึง การเปลี่ยนแปลงที่ใหญ่ที่สุดไม่ใช่ความเร็ว แต่คือโครงสร้างของการทำงาน
SDLC → Human handoffs → Stages → Reviews
ADLC → Artifacts → Agent work → Continuous evals → Production signals
ที่เปลี่ยนไปคือรูปวงจรและตัวชี้วัดของการทำงาน ไม่ใช่การหายไปของมนุษย์ ผู้เขียนโพสต์ต้นทางที่เป็นนักพัฒนาเองและเขียนบน LinkedIn สรุปให้ว่า “มนุษย์กำหนดเจตนา agent ปฏิบัติ ระบบประเมิน และ production หล่อเลี้ยงรอบถัดไป”
ข้อควรระวังที่ต้องพูดถึง
เพื่อไม่ให้บทความกลายเป็นการเปรียบเทียบข้อมูลของ Gartner ในทางที่ผิด ผมต้องเพิ่มข้อควรระวังชัด ๆ
- ผมไม่ได้เขียนจากเอกสารทางการของ ADLC ⇒ บทความนี้เขียนจากโพสต์ LinkedIn ที่เป็นต้นทางของบทความนี้ + แหล่งอ้างอิงที่ผมตรวจสอบด้วยตัวเอง [2][3][4][6]
- ชื่อ ADLC มีสองความหมาย ⇒ ต้องตรวจสอบว่าแหล่งที่คุณอ่านหมายถึงอะไร (เขียนแยกไว้ข้างต้นแล้ว)
- เลข 33% มาจาก cycode อ้างอิง Gartner ⇒ ปีที่คาดการณ์ 2028 นั้น ผมไม่ได้ดึงจาก Gartner ต้นทางโดยตรงจากลิงก์ที่ cycode ชี้ แต่ตรวจสอบจาก Gartner press release ที่แนบมาแล้ว ที่ว่าโปรเจกต์ 40% ถูกยกเลิก นั้นตรวจสอบได้จากต้นทาง [5]
- โพสต์ต้นทาง เป็นแนวคิดของบุคคล ⇒ ไม่ใช่มาตรฐานอุตสาหกรรม ไม่มีบริษัทเจ้าของ และไม่มีการตัดสินโดยผู้ใช้งานจริงในองค์กรไทยที่ผมรู้จัก
- เสียงสะท้อนจากทีมพัฒนาที่แท้จริง ⇒ แหล่งเหล่านี้มาจากนักพัฒนาที่เขียนเป็นเทคโนโลยีแนวใหม่ ทีมไม่มีสิทธิ์ตอบกลับทีมพัฒนาที่ทำงานจริงจากองค์กรไทย ซึ่งทำให้สิ่งที่เขียนไปนี้เป็นข้อมูลทางเดียว
ข้อควรระวังเชิงความปลอดภัย
ความเสี่ยงใหม่ที่ SDLC ไม่เคยมี
ADLC เพิ่มความเสี่ยงใหม่ที่ SDLC ไม่เคยมี เพราะการขยายตัวของ agent ในไปป์ไลน์พัฒนาซอฟต์แวร์นั้นเร็วกว่าที่โปรแกรมความปลอดภัยส่วนใหญ่รับได้ [4]
- hallucinated dependencies ⇒ agent หา dependency เจอและเลือกใช้ที่ไม่มีอยู่จริง
- secrets leaked through prompts ⇒ ข้อมูลลับรั่วผ่าน prompt เพราะ agent รับ prompt ของมนุษย์เอาสิ่งที่มันต้องการ
- agents with more access than they need ⇒ agent มีสิทธิ์เกินที่จำเป็น
- ทีมพัฒนาไม่ได้เปิด IDE เลย ⇒ agent เขียนโค้ด เลือก dependency รันเทสต์ เปิด PR บางทีโดยไม่มีนักพัฒนาเปิด IDE แม้แต่ครั้งเดียว [4]
ความเสี่ยงเหล่านี้แน่นอนว่าเพิ่มขึ้นตามการขยายตัวของ ADLC และปัญหาคือ ความเสี่ยงเหล่านี้เพิ่มขึ้นเร็วกว่าที่ทีม security ตามทัน
คุณลักษณะสามข้อที่ cycode เสนอคือ AI visibility, governance และ real-time guardrails [4] แต่นั่นเป็นผลิตภัณฑ์ของ cycode เอง ผมรายงานตามที่ cycode เขียน ไม่ได้ยืนยันว่ามันคุ้มค่าหรือไม่
แต่สำหรับทีมที่กำลังอ่านอยู่ นี่คือการเปลี่ยนโครงสร้างของการทำงานทั้งระบบ เกินกว่าการเพิ่มเครื่องมือใหม่เข้ามาเสริม
⇒ คำถามปิดจากโพสต์ต้นทาง ที่ผมคัดลอกมาให้คุณคิดต่อ: ทีมซอฟต์แวร์ของคุณพร้อมย้ายจาก SDLC ไป ADLC แล้วหรือยัง [1]
แหล่งอ้างอิง
[1] “SDLC was built for a world where humans did most of the work”, โพสต์ LinkedIn (ต้นทางที่ผู้ใช้ส่งมา), 2026. ผมไม่มี URL สาธารณะของโพสต์นี้
[2] Adam Wenchel, “Introducing The Agent Development Lifecycle (ADLC)”, Arthur AI Blog, 3 พฤศจิกายน 2025. https://www.arthur.ai/blog/introducing-adlc
[3] “The Agent Development Lifecycle (ADLC)”, LangChain Blog, 9 พฤษภาคม 2026. https://www.langchain.com/blog/the-agent-development-lifecycle
[4] “Agentic Development Lifecycle (ADLC): What You Need to Know”, Cycode Blog, 13 สิงหาคม 2026. https://cycode.com/blog/agentic-development-lifecycle-adlc
[5] “Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027”, Gartner Newsroom, 25 มิถุนายน 2025. https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027
[6] “What is the agent development lifecycle (ADLC)?”, IBM Think, 11 พฤษภาคม 2026. https://www.ibm.com/think/topics/agent-development-lifecycle-adlc