หางาน IT ในยุค AI: ตลาดเปลี่ยนตรงไหน และต้องโชว์อะไรถึงได้งาน

ถ้าคุณกำลังหางาน IT อยู่ตอนนี้ คุณน่าจะเจอข่าวสองแบบสลับกันทุกสัปดาห์ — แบบแรกบอกว่า AI กำลังจะแทนที่โปรแกรมเมอร์ทั้งวงการ แบบที่สองบอกว่าใครใช้ AI เป็นจะรวย ทั้งสองแบบขายดีเท่ากัน และทั้งสองแบบช่วยคุณตัดสินใจไม่ได้เลย คำถามที่ใช้ได้จริงมีข้อเดียว: ตอนนี้คนที่ได้งาน เขาโชว์อะไรที่คนไม่ได้งานไม่มี

สรุปสั้น ๆ: ตลาด IT ปี 2026 ไม่ได้หด แต่ แยกเป็นสองทาง — งานที่ AI ช่วยให้คนทำได้ลึกขึ้นโตเร็ว ส่วนงานที่ AI ทำแทนได้ทั้งชิ้นกำลังหด สิ่งที่เปลี่ยนไม่ใช่ “ต้องเป็น AI Engineer” แต่คือ บาร์ของทุกสายขยับ — ตลาดเลิกซื้อคำว่า “ใช้ AI เป็น” เพราะเกือบทุกคนใช้แล้ว สิ่งที่ยังขายได้คือ หลักฐานว่าคุณใช้ AI กับงานจริงแล้วตรวจงานมันเป็น — ไม่ใช่ชื่อเครื่องมือในเรซูเม่

AI ไม่ได้ฆ่างาน IT — มันย้ายบาร์

ข่าวเลย์ออฟกับข่าวจ้างเพิ่มเป็นเรื่องเดียวกัน ไม่ใช่คนละเรื่อง สิ่งที่เกิดขึ้นจริงคือ การสับไพ่ใหม่ ไม่ใช่การหดตัวรวม ตัวเลขจาก Dice ชี้ว่าประกาศงานสายเทคที่ระบุทักษะ AI พุ่งจาก 15% ในเดือนมกราคม 2024 มาเป็น 73% ในเดือนพฤษภาคม 2026 — ในเวลาสองปีกว่า จากของแปลกกลายเป็นค่าเริ่มต้น และในไตรมาสแรกปี 2026 ตำแหน่งที่มีคำว่า AI ในชื่อโตขึ้น 173% เทียบปีก่อน ขณะที่ประกาศงาน software development ทั่วไป ลดลง 22% ในช่วงเดียวกัน

ตัวเลขสองตัวนี้อยู่ในตลาดเดียวกัน และมันไม่ขัดกัน — มันคือคนละช่องของตลาดเดียวกัน

รายงาน Global AI Jobs Barometer 2026 ของ PwC ซึ่งอ่านประกาศงานกว่าพันล้านชิ้นจากหกทวีป เรียกสิ่งนี้ว่า ตลาดแรงงานสองทาง — งานที่ AI เข้าไปแล้วทำให้คนทำงานได้ลึกขึ้น (PwC เรียกว่างานที่ถูก “professionalised”) โตเร็วเป็นสองเท่าของงานที่ AI เข้าไปแล้วทำให้ใคร ๆ ก็ทำได้ และค่าจ้างโตเร็วกว่ากัน 42% นับจากปี 2021 ส่วนคนที่มีทักษะ AI ได้ค่าตอบแทนพรีเมียมเฉลี่ย 62% (ปีก่อนอยู่ที่ 57%)

แต่มีตัวเลขหนึ่งที่ต้องพูดตรง ๆ เพราะมันไม่สวย — Stanford AI Index 2026 รายงานว่า การจ้างงานนักพัฒนาซอฟต์แวร์อายุ 22–25 ปี ลดลงเกือบ 20% จากปี 2024 ขณะที่ตำแหน่งระดับกลางและซีเนียร์ทรงตัวหรือเพิ่มขึ้น นี่คือด้านที่บทความสาย “AI จะทำให้ทุกคนโปรดักทีฟขึ้น” มักไม่พูดถึง งานระดับเริ่มต้นที่เคยเป็นบันไดขั้นแรก — เขียนโค้ดพื้นฐาน เขียนเทสต์ ทำเอกสาร — คือส่วนที่ AI ทำได้ดีที่สุดพอดี

จุดสำคัญที่คนอ่านข่าวพลาดบ่อยที่สุด: สิ่งที่ถูกแทนที่คือ “งานย่อย” (task) ไม่ใช่ “ตำแหน่ง” (role) ทั้งตำแหน่ง เมื่อ task ที่ AI ทำได้ถูกลดน้ำหนักลง น้ำหนักจะย้ายไป task ที่ AI ทำไม่ได้ในตำแหน่งเดิมนั่นแหละ — และนั่นคือที่ที่คุณต้องย้ายตัวเองไปให้ทัน

• Software dev — โค้ดโครง เทสต์ เอกสาร ถูก AI แบ่งไป น้ำหนักย้ายไป system design, code review, ความคิดเรื่อง production และความปลอดภัย
• Data analyst / engineer — ร่าง SQL และ EDA ถูกช่วยเยอะ น้ำหนักย้ายไปคุณภาพข้อมูล การเป็นเจ้าของนิยาม metric และการเล่าเรื่องให้คนตัดสินใจได้
• BA / Product — สรุปประชุมและร่าง user story เร็วขึ้นมาก น้ำหนักย้ายไปการตั้งโจทย์ให้ถูกและตัดความกำกวม
• QA — เคสเทสต์แบบแมนนวลถูกช่วยมาก น้ำหนักย้ายไปการทดสอบตามความเสี่ยงและการตรวจ output ของ AI เอง
• IT support — L1 กับ FAQ โดนตรง ๆ น้ำหนักย้ายไปการตัดสินใจ escalate, บริบทลูกค้า และสุขอนามัยด้านข้อมูล
• Cloud / DevOps / Cyber — ร่าง config, runbook, อ่าน log ถูกช่วย น้ำหนักย้ายไป trade-off เรื่องต้นทุน/ความเสี่ยง และการตัดสินใจบน production จริง

ไม่มีสายไหนในลิสต์นี้ที่คำตอบคือ “หนีไปเรียน AI” ทุกสายคำตอบเดียวกันคือ — ย้ายน้ำหนักของตัวเองไปที่ judgment ให้เร็วกว่าที่ตลาดย้ายเส้น

AI Skill Ladder: ตลาดไม่ได้ซื้อคำว่า “ใช้ AI เป็น” อีกแล้ว

ถ้าคุณเขียนใน CV ว่า “ใช้ ChatGPT ได้” ปี 2026 มันมีค่าเท่ากับเขียนว่า “ใช้ Google ได้” — ไม่ใช่เพราะมันไม่สำคัญ แต่เพราะ ทุกคนก็เขียนแบบเดียวกัน เมื่อ AI fluency กลายเป็นพื้นฐาน สิ่งที่ทำให้ต่างจึงไม่ใช่ “ใช้ได้” แต่คือ “ใช้ในงานแบบที่ตรวจสอบได้”

วิธีที่ผมพบว่าใช้จัดตำแหน่งตัวเองได้เร็วที่สุด คือมองทักษะ AI เป็น 4 ระดับ แล้วถามว่า ระดับที่คุณอ้าง มีหลักฐานส่งลิงก์ให้คนอื่นดูได้ไหม

• ระดับ 1 — คุยกับ AI ใช้สรุปเอกสาร อธิบาย concept ร่างอีเมล ทำแผนอ่านหนังสือ สัญญาณคือยังไม่มี output ที่ใครตรวจได้นอกจากบทแชต
• ระดับ 2 — ทำงานกับ AI ดีบัก refactor เขียนเทสต์ อ่าน repo ที่ไม่คุ้น ร่าง SQL วิเคราะห์ log สัญญาณคือมี before/after ที่จับต้องได้ และ อธิบายได้ว่าใช้ AI ตรงไหน ตรวจตรงไหน
• ระดับ 3 — สร้างของที่คนอื่นใช้ได้ แชตบอตจากเอกสารของตัวเอง ตัวจัดหมวดทิกเก็ต ระบบค้นความรู้ภายใน สัญญาณคือมี repo ที่รันได้ มีแหล่งข้อมูลของตัวเอง มีการวัดผล
• ระดับ 4 — คิดเป็น product ออกแบบฟีเจอร์ AI ระดับสินค้า วาง governance วัดผลกระทบธุรกิจ สัญญาณคือเริ่มจาก user need ไม่ใช่จากเครื่องมือ และคุยเรื่องต้นทุน/ความน่าเชื่อถือ/ความเป็นส่วนตัวได้แบบเจาะจง

คนส่วนใหญ่คิดว่าตัวเองอยู่ระดับ 2 แต่จริง ๆ อยู่ “ระหว่าง 1 กับ 2” — จุดที่คนติดนานที่สุด เพราะมัน รู้สึก ว่าใช้เป็นแล้ว แต่ไม่มีชิ้นงานให้ใครดู เส้นแบ่งที่ชัดที่สุดมีข้อเดียว: คนที่ใช้ AI เก่ง ไม่ได้เชื่อ AI มากกว่าคนอื่น เขาตรวจ AI เป็นมากกว่า ตอนสัมภาษณ์ คำตอบที่ไล่ชื่อเครื่องมือห้าตัวรวดจะแพ้คำตอบที่อธิบาย workflow เดียวแบบเป็นขั้น พร้อมบอกว่าจุดไหนคุณไม่เชื่อมันและไปตรวจกับอะไร

ข่าวดีสำหรับคนที่รู้สึกว่าเริ่มช้า: ระดับพวกนี้เป็น นิสัย ไม่ใช่พรสวรรค์หรือปริญญา ทุกคนฝึกได้ และเพราะคนส่วนใหญ่ยังติดอยู่ระดับ 1 การขยับขึ้นหนึ่งถึงสองขั้นใน 90 วันทำให้คุณอยู่ในกลุ่มที่เล็กลงมากทันที

Portfolio ที่ไม่ใช่ ChatGPT-wrapper

ก่อนอื่นขอเคลียร์คำถามที่เจอบ่อยที่สุด — เรียก API ของ OpenAI/Claude ไม่ได้แปลว่าคุณเป็น wrapper และมันไม่ผิด บริษัทใหญ่จำนวนมากก็สร้างของบน API เหมือนกัน ไม่มีใครเทรนโมเดลเอง สิ่งที่คนดูพอร์ตไม่ซื้อคือ wrapper เปล่า ๆ — มี UI เรียก API ส่งคำตอบกลับ จบ ไม่มีการตั้งโจทย์ ไม่มีแหล่งข้อมูลที่คิดมา ไม่มีการวัดผล ไม่มีข้อจำกัดเขียนไว้

ความต่างระหว่างพอร์ตที่ถูกปัดกับพอร์ตที่คุยต่อได้ยี่สิบนาที ไม่ได้อยู่ที่ความยากทางเทคนิค แต่อยู่ที่ ร่องรอยของการตัดสินใจ

• เริ่มจากปัญหาของคนอื่น ไม่ใช่ความอยากลองของเรา — “อยากลอง RAG ดู” ใช้เรียนดีมาก แต่ใส่พอร์ตไม่ขึ้น ต้องตอบให้ได้ว่าใครเจ็บปวดและเจ็บยังไง
• เล็กพอจะเสร็จ — ถ้าอธิบาย MVP ไม่ได้ใน 2 ประโยค แปลว่า scope ใหญ่ไป และคุณจะไม่มีอะไรส่งในเดือนที่สาม
• มีตัวเลขที่วัดเอง — “ทดสอบ 20 คำถาม ตอบถูก 16 ตอบว่าไม่รู้ 3 มั่ว 1” ชนะ “มันใช้งานได้ครับ” ขาดลอย และชนะ “ประหยัดให้บริษัทล้านนึง” ที่ไม่มีใครเชื่อ
• เขียนข้อจำกัดเอาไว้เอง — บอกว่าของชิ้นนี้ ใช้ไม่ได้ ตอนไหน ไม่ได้ทำให้พอร์ตอ่อน มันทำให้พอร์ตดูโตแล้ว
• README ที่สแกนจบใน 60 วินาที — ถ้าเปิดมาแล้วนาทีแรกไม่รู้ว่าทำอะไร ทำไมมีค่า เริ่มยังไง คนก็ปิดไปดูอันถัดไป

และกับดักที่ทำลายโอกาสหนักที่สุด ไม่ใช่โค้ดไม่สวย แต่คือ การเอาข้อมูลจริงของที่ทำงานเก่าหรือลูกค้ามาใส่พอร์ต ถ้าคนที่จะจ้างคุณเห็นอีเมลจริง ชื่อบริษัทจริง หรือทิกเก็ตจริงใน repo คำถามในหัวเขาจะไม่ใช่ “คนนี้เก่งไหม” แต่เป็น “ถ้าจ้างคนนี้ ข้อมูลของเราจะไปโผล่ที่ไหน” — และ red flag นี้ลบไม่ออก เพราะประวัติ commit ยังอยู่แม้คุณจะลบไฟล์ทีหลัง ใช้ข้อมูลสาธารณะ ข้อมูลสังเคราะห์ หรือข้อมูลที่ไม่ระบุตัวตน แล้วเขียนโน้ตบอกที่มาไว้

ถ้ายังไม่รู้ว่าจะเริ่มจากตรงไหน โรดแมปเริ่มเป็น AI Engineer วางลำดับพื้นฐานไว้ให้แล้ว และถ้าโปรเจกต์ของคุณเริ่มมีหลายขั้นตอนที่ AI ต้องตัดสินใจเอง กลไกการทำงานของ AI Agent จะช่วยให้คุณอธิบายของตัวเองในห้องสัมภาษณ์ได้แม่นขึ้น

CV และ LinkedIn เมื่ออีกฝั่งก็ใช้ AI คัด

เรื่องนี้มีตำนานเยอะกว่าข้อเท็จจริง เอาให้ตรงก่อน: ระบบคัดอัตโนมัติมีจริง แต่ไม่ใช่ทุกบริษัท และมันไม่ใช่ผู้ตัดสินสุดท้าย มันคือด่าน ไม่ใช่ผู้พิพากษา เป้าหมายของคุณจึงไม่ใช่ “หลอกระบบ” แต่คือเขียน CV ให้ เครื่องอ่านออกและคนเห็นหลักฐานภายในหกวินาที พร้อมกัน ซึ่งแปลว่าคอลัมน์เดียว ข้อความที่ก็อปออกมาแล้วลำดับไม่มั่ว ไม่ใส่ข้อมูลสำคัญลงในกล่องข้อความหรือรูป

แต่มีอีกด้านที่เพิ่งกลายเป็นเรื่องใหญ่ในปีนี้ และย้อนศรคนสมัครงานเยอะมาก — ถ้าคุณให้ AI เขียน CV ให้ทั้งใบ มันจะออกมาเหมือนของทุกคน เพราะโมเดลถูกเทรนบนคลังข้อความที่ทับกัน ผลคือ CV ที่ “ขัดเงาสวย” แต่ไม่มีอะไรเป็นของคุณเลย และฝั่งที่ใช้ AI คัดก็จับ pattern แบบนี้ได้เร็วกว่าคนเสียอีก

วิธีที่ใช้ได้คือ ใช้ AI เป็นบรรณาธิการ ไม่ใช่ให้มันเป็นตัวตนของคุณ — ให้มันช่วยจัดโครงสร้าง เกลาภาษา ตัดคำฟุ่มเฟือย แล้วคุณเป็นคนใส่ของที่ AI ไม่มีทางรู้: โปรเจกต์จริง ตัวเลขจริง บริบทของทีมที่คุณอยู่ ความผิดพลาดที่คุณเคยแก้ ส่วนทักษะ AI ให้เขียนแบบผูกกับวิธีทำงาน ไม่ใช่แบบสะสมแต้ม — AI tools: Claude, Copilot (ใช้ในเวิร์กโฟลว์เขียนโค้ด ตรวจทุก suggestion ก่อน merge) ให้ภาพชัดกว่า Expert in prompt engineering, RAG, LLM หลายเท่า เพราะอันหลังคือ คำที่ใครก็พิมพ์ได้

ทิศทางนี้ตรงกับสิ่งที่ PwC พบในระดับตลาดโลก: งานที่โดน AI กระทบมากที่สุด คือกลุ่มที่ ทักษะที่ต้องการเปลี่ยนเร็วกว่ากลุ่มอื่นสองเท่า และงานใหม่ที่ถูกเติมเข้าไปในตำแหน่งพวกนี้ มีโอกาสสูงกว่า 2.5 เท่าที่จะเป็นงานซึ่งต้องใช้ วิจารณญาณ ความเห็นอกเห็นใจ และความคิดสร้างสรรค์ — สิ่งที่เขียนใส่ CV ไม่ได้ด้วยการพิมพ์คำว่า “มี” แต่ต้องแสดงผ่านเรื่องที่คุณเล่า

พูดเรื่อง AI แบบไม่โม้ — เส้นแบ่งที่นายจ้างใช้จริง

คำถาม “คุณใช้ AI ในงานยังไง” กลายเป็นคำถามมาตรฐานไปแล้ว และคนตอบพลาดสองแบบพอ ๆ กัน: โม้เกิน (“ผมสร้างระบบ AI แบบ end-to-end”) แล้วโดนถามลึกสองคำถามจนพัง กับ ถ่อมเกิน (“ก็ใช้ ChatGPT ธรรมดา ๆ ครับ”) ทั้งที่มีของจริงอยู่ในมือ

คำตอบที่ได้คะแนนมีโครงเดียวกันเสมอ: งานอะไร → ให้ AI ช่วยตรงไหน → ทำไมเลือกจุดนั้น → ตรวจยังไง → เจออะไรที่มันพลาด ประโยคที่ทรงพลังที่สุดในบทสนทนานี้ไม่ใช่ประโยคที่โชว์ว่า AI เก่งแค่ไหน แต่คือประโยคที่บอกว่า คุณตั้งใจไม่ใช้มันตรงไหนและเพราะอะไร เช่น ให้ AI ร่างเคสเทสต์เพราะรันเทสต์ตรวจได้ทันที แต่ไม่ให้มันเขียนตรรกะหลักของระบบจ่ายเงินเพราะตรวจยากและพังแรง คนที่พูดแบบนี้ได้ กำลังบอกโดยไม่ต้องบอกว่าเขาคิดเป็น

ส่วนเส้นแบ่งระหว่าง “เตรียมตัวด้วย AI” กับ “โกง” ตอนนี้ค่อนข้างนิ่งแล้วในตลาด: ใช้ AI ช่วยจัดโครง CV ซ้อมสัมภาษณ์ สรุปข้อมูลบริษัท เรียนของใหม่ก่อนเทสต์ — ปกติ ยอมรับได้ ใช้ AI ในเทคนิคอลเทสต์หรือ take-home ที่เขาอนุญาต — ได้ แต่บอกเขาก่อนเสมอ และเขียนไว้ใน README ว่าใช้ตรงไหน ส่วนที่ทำลายทุกอย่างคือการเปิด AI ใบ้คำตอบสด ๆ ระหว่างสัมภาษณ์โดยไม่บอก หรือแต่งประสบการณ์ที่ไม่ได้ทำ หลักการง่าย ๆ ที่ตลาดใช้ตัดสินคือ — AI ในฐานะเครื่องมือเตรียมตัว = โอเค / AI ในฐานะการบิดเบือนว่าคุณเป็นใคร = จบ เพราะสิ่งที่เขาจ้างไม่ใช่คำตอบ แต่คือคนที่จะตอบคำถามพรุ่งนี้ตอนไม่มีสคริปต์

แผน 90 วันที่ทำได้จริง (ไม่ใช่แผนที่ดูดี)

แผนที่พังคือแผนที่เริ่มด้วย “อ่านเปเปอร์ transformer” แผนที่รอดคือแผนที่จบด้วย ของที่ส่งลิงก์ให้คนอื่นดูได้ ลำดับสำคัญกว่าความหนัก — สร้างของก่อน แล้วค่อยยิงใบสมัคร ไม่ใช่ยิงใบสมัครสองร้อยที่แล้วค่อยคิดว่าจะเล่าอะไร

• วันที่ 1–30 — เปลี่ยนนิสัย เอางานที่คุณทำอยู่แล้วมาทำกับ AI สัปดาห์ละ 2–3 ชิ้น เก็บ before/after ทุกครั้ง ทำเทมเพลต prompt ที่ใช้ซ้ำได้ 5 อัน และจดไว้ว่า AI พลาดตรงไหนบ้าง — โน้ตนี้จะกลายเป็นคำตอบสัมภาษณ์ที่ดีที่สุดของคุณ
• วันที่ 31–60 — สร้างของหนึ่งชิ้น เลือกปัญหาของคนจริงที่คุณเข้าใจบริบท (ยิ่งใกล้สายงานเดิมยิ่งดี) ตัดฟีเจอร์ออก 70% ทำให้รันได้ เขียน README ที่มีปัญหา วิธี ข้อจำกัด และผลทดสอบเล็ก ๆ
• วันที่ 61–90 — ทำให้คนเห็น เขียน CV ใหม่โดยผูกทุก bullet กับหลักฐาน ใส่ลิงก์โปรเจกต์ ซ้อมเล่าโปรเจกต์ให้จบใน 60 วินาที แล้วค่อยเริ่มสมัครแบบเจาะจง — ยี่สิบใบที่ตรงงานชนะสองร้อยใบที่ยิงมั่วเสมอ

ถ้ามีเวลาน้อยกว่านี้จริง ๆ ให้ตัดเหลืออย่างเดียว: ทำโปรเจกต์เล็กหนึ่งชิ้นที่เล่าได้ว่าคุณตัดสินใจอะไรบ้าง มันได้ผลกว่าคอร์สสิบคอร์สที่จบแล้วไม่เหลืออะไรให้ใครดู

สิ่งที่ตัวเลขทั้งหมดกำลังพูดตรงกัน

ย้อนกลับไปดูข้อมูลทั้งหมดในบทความนี้ — 73% ของประกาศงานเทคที่ขอทักษะ AI, พรีเมียมค่าจ้าง 62%, ตำแหน่ง AI โต 173% ขณะที่งาน dev ทั่วไปหด 22%, งานเด็กจบใหม่สายโค้ดหายไปเกือบ 20% — มันชี้ไปทางเดียวกันหมด และมันไม่ใช่ “ไปเรียน AI ซะ”

มันบอกว่า ตลาดกำลังเลิกจ่ายให้กับการทำงานที่ทำซ้ำได้ และหันไปจ่ายให้กับการตัดสินใจ AI เก่งเรื่องผลิตตัวเลือก แต่ยังไม่เก่งเรื่องรับผิดชอบตัวเลือก และช่องว่างตรงนั้นแหละคือตำแหน่งงานของคุณ — ไม่ว่าคุณจะอยู่สาย dev, data, QA, support หรือ cloud

ซึ่งแปลว่าคำถามที่คุณควรถามตัวเองสัปดาห์นี้ ไม่ใช่ “ผมจะตามเทคโนโลยีทันไหม” แต่คือ “ถ้าพรุ่งนี้ AI ทำงานครึ่งหนึ่งของผมได้ อีกครึ่งที่เหลือ ผมอธิบายให้คนแปลกหน้าฟังใน 5 นาทีได้หรือยังว่ามันมีค่ายังไง” ถ้ายังตอบไม่ได้ นั่นคืองานชิ้นแรกของคุณ — และมันสำคัญกว่าคอร์สไหนที่คุณกำลังจะกดซื้อ ถ้าคุณเป็นหัวหน้าทีมและกำลังคิดเรื่องนี้ในระดับทีมไม่ใช่แค่ตัวเอง แนวทางเตรียมทีมในยุค AI ต่อยอดจากตรงนี้ได้เลย