เมื่อคุณกำลังลังเลระหว่าง JavaScript framework สองตัว หรือพยายามเลือก orchestration library สำหรับโปรเจกต์ถัดไป การถาม AI ดูจะเป็นเรื่องธรรมชาติ คุณคาดหวังคำตอบที่ชัดเจนและเด็ดขาด แต่สิ่งที่คุณได้รับกลับขึ้นอยู่กับว่าคุณเปิดหน้าต่างแชทไหนมากกว่ากัน
การเปรียบเทียบโดยตรงโดย Sarah Pan ทำให้เรื่องนี้ชัดเจนขึ้น เธอใช้ prompt เดียวกันยี่สิบครั้งผ่านหมวดหมู่สำหรับนักพัฒนาห้าหมวดหมู่ ทั้งใน ChatGPT และ Gemini โดยหวังจะดูว่าโมเดลเหล่านี้จะให้คำแนะนำเครื่องมือที่เหมือนกันหรือไม่ ผลลัพธ์ที่ได้ไม่ได้บอกว่า framework ไหนดีที่สุดในเชิงวัตถุวิสัย แต่บอกให้รู้ว่าแต่ละโมเดลมีวิธีคิดอย่างไร ให้ความสำคัญกับอะไร และมีจุดบอดตรงไหน
จุดที่เห็นตรงกัน: เครื่องมือที่ผ่านการพิสูจน์มาแล้ว
มีอยู่เรื่องหนึ่งที่ทั้งสองโมเดลมีความเห็นไปในทิศทางเดียวกัน เมื่อหัวข้อเปลี่ยนไปเป็นเครื่องมือที่เป็นที่ยอมรับและมีการใช้งานอย่างแพร่หลาย ความเห็นที่ตรงกันจะเกิดขึ้นโดยอัตโนมัติ หากถามเกี่ยวกับ version control, relational databases, containerization หรือ foundational frontend frameworks ทั้ง ChatGPT และ Gemini ต่างก็แนะนำชื่อเดียวกัน เครื่องมืออย่าง Git, Docker, PostgreSQL, React ซึ่งผ่านการวิเคราะห์มาแล้วในบล็อกโพสต์ การบรรยายในงานคอนเฟอเรนซ์ และ GitHub issues นับพันครั้ง มักจะปรากฏขึ้นมาอย่างสม่ำเสมอ
ความเห็นพ้องนี้เกิดขึ้นเพราะเครื่องมือเหล่านี้มีร่องรอยที่เป็นรูปธรรมซึ่งยากจะโต้แย้ง พวกมันมีรูปแบบความล้มเหลว (failure modes) ที่มีการบันทึกไว้ มีฐานผู้ใช้งานจำนวนมหาศาล และมีชุมชนที่ใหญ่พอจนแม้แต่ข้อดีข้อเสียที่ละเอียดอ่อนก็เป็นที่เข้าใจกันดี โมเดล AI ไม่จำเป็นต้องคาดเดาเรื่องความน่าเชื่อถือของเครื่องมือเหล่านี้ เพราะอินเทอร์เน็ตได้ทำหน้าที่นั้นไปแล้ว และชุดข้อมูลที่ใช้ฝึกฝน (training sets) ของทั้งคู่ต่างก็สะท้อนถึงความเห็นพ้องที่ท่วมท้นนี้เช่นกัน
จุดที่เห็นต่าง: เทคโนโลยีใหม่และ AI Agents
ความเห็นที่ตรงกันจะเริ่มแตกแยกทันทีที่คุณก้าวเข้าสู่โดเมนที่ใหม่กว่าหรือมีความกระจัดกระจายมากกว่า โดยเฉพาะอย่างยิ่งในเรื่องของเครื่องมือสำหรับ AI เอง ในหมวดหมู่เช่น agent frameworks และ large language model orchestration ทั้งสองโมเดลมีความเห็นที่แตกต่างกันอย่างชัดเจน
ChatGPT มักจะแนะนำเครื่องมือที่เชื่อมโยงกับระบบนิเวศของ OpenAI พร้อมกับ LangChain ในขณะที่ Gemini กลับผลักดันบริการของ Anthropic และ CrewAI ซึ่งการเลือกเหล่านี้ไม่ใช่เรื่องบังเอิญ ChatGPT อยู่ภายในจักรวาลผลิตภัณฑ์ของ OpenAI และ LangChain ก็เป็นหนึ่งใน integration layers ที่ถูกพูดถึงมากที่สุดสำหรับโมเดลของ OpenAI นับตั้งแต่เริ่มโด่งดัง ส่วน Gemini ซึ่งสร้างโดย Google ก็มีแรงดึงดูดของตัวเอง และคำแนะนำของมันก็สะท้อนถึงความพึงพอใจในเครื่องมือของ Anthropic และ framework เฉพาะทางที่ใหม่กว่าอย่าง CrewAI ที่เน้นการกำหนดบทบาทแบบ multi-agent
ความแตกแยกนี้เน้นย้ำถึงความจริงที่สำคัญว่า ในหมวดหมู่ที่กำลังเติบโต ยังไม่มีผู้นำตลาดเพียงรายเดียว หากปราศจากการรับรองจากชุมชนที่สะสมมานานหลายปี โมเดลจะกลับไปพึ่งพาสิ่งที่ข้อมูลที่ใช้ฝึกฝนให้ความสำคัญมากที่สุด สิ่งที่ดูเหมือนคำแนะนำทางเทคนิค บ่อยครั้งมักเป็นภาพสะท้อนของความสดใหม่ของข้อมูล ความหนาแน่นของเอกสารประกอบ และการสอดคล้องกับทิศทางขององค์กรอย่างแนบเนียน
สิ่งที่เครื่องมือที่ได้รับคำแนะนำดีที่สุดมีเหมือนกัน
แม้จะมีความเห็นไม่ตรงกันในเรื่องชื่อเฉพาะ แต่ทั้งสองโมเดลต่างก็ชื่นชอบเครื่องมือที่มีโครงสร้างคล้ายคลึงกัน Pan สังเกตเห็นลักษณะสี่ประการที่ปรากฏซ้ำแล้วซ้ำเล่าในบรรดาคำแนะนำอันดับต้นๆ
ประการแรก คือเอกสารทางเทคนิคที่ชัดเจน ไม่ใช่คำโฆษณาหรือหน้าเว็บสวยงาม แต่เป็นการอธิบายจริงๆ ว่าระบบทำงานอย่างไร มีข้อจำกัดอะไร และโครงสร้างภายในเป็นอย่างไร ประการที่สอง คือ GitHub repositories ที่มีการเคลื่อนไหว โมเดลสังเกตเห็นว่าโปรเจกต์นั้นมีการ commit ล่าสุด มีผู้ดูแลที่ตอบสนอง และมีการจัดการกับ issue ที่เปิดค้างไว้หรือไม่ ประการที่สาม คือ API references ที่ดี เครื่องมือที่มี endpoint ที่สะอาด มีโครงสร้างดี และมีรูปแบบ request-response ที่คาดเดาได้จะได้คะแนนสูงกว่า ประการที่สี่ คือชุมชนที่แข็งแกร่ง ไม่ว่าจะผ่าน Discord servers, Stack Overflow tags หรือการสนทนาที่มีคุณภาพสูงบน GitHub ทั้งสองโมเดลดูเหมือนจะมองว่า social proof เป็นสัญญาณของความน่าเชื่อถือ
ภายใต้สิ่งเหล่านี้มีรูปแบบที่เรียบง่ายกว่านั้นซ่อนอยู่ คือโมเดล AI มักแนะนำเครื่องมือที่อธิบายได้ง่าย หากซอฟต์แวร์ชิ้นหนึ่งมีขอบเขตแนวคิดที่ชัดเจน เช่น "a task queue that speaks gRPC" หรือ "a state manager using predictable reducer functions" โมเดลจะสามารถให้เหตุผลเกี่ยวกับมันได้อย่างมั่นใจ แต่หากสถาปัตยกรรมมีความคลุมเครือหรือชุดฟีเจอร์กระจัดกระจายอยู่ตาม microsites ที่เชื่อมโยงกันไม่ดี แม้จะเป็นเครื่องมือที่มีประโยชน์ก็อาจกลายเป็นสิ่งที่มองไม่เห็นได้
ความคิดที่แตกต่างกันสองแบบ
ความเห็นที่ไม่ตรงกันนี้ลึกซึ้งยิ่งกว่าเรื่องความภักดีต่อแบรนด์ ดูเหมือนว่า ChatGPT และ Gemini จะใช้ตรรกะที่แตกต่างกันในการประเมินว่าคำว่า "ดีที่สุด" หมายถึงอะไร
ChatGPT มักจะเน้นการเพิ่มประสิทธิภาพเพื่อความอเนกประสงค์ (versatility) โดยจะเลือกเครื่องมือที่สามารถนำไปปรับใช้กับเวิร์กโฟลว์ที่หลากหลายได้ง่าย จัดการกับกรณีการใช้งาน (use cases) ได้หลายรูปแบบอย่างเหมาะสม และช่วยลดการสลับบริบท (context-switching) สำหรับนักพัฒนา เมื่อคุณขอคำแนะนำ มันมักจะตีความคำถามของคุณใหม่เล็กน้อย โดยขยายขอบเขตให้ครอบคลุมกรณีขอบเขต (edge cases) ที่คุณไม่ได้ระบุไว้ ผลลัพธ์ที่ได้จึงมักจะเป็นตัวเลือกที่ปลอดภัยและเป็นแบบทั่วไป (generalist)
Gemini ใช้แนวทางที่ตรงไปตรงมามากกว่า โดยจะยึดตามคำพูดในพรอมต์ (prompt) ของคุณอย่างใกล้ชิดและให้ความสำคัญกับความเฉพาะเจาะจงทางเทคนิค หากคุณขอเรื่องประสิทธิภาพ มันจะแนะนำเครื่องมือที่สร้างขึ้นเพื่อเน้นความเร็วในการประมวลผล (raw throughput) หรือสถาปัตยกรรมเฉพาะทาง มากกว่าเครื่องมือที่ใช้งานได้ครอบคลุม คำแนะนำของ Gemini มักจะเอนเอียงไปทางเครื่องมือที่มีการออกแบบโครงสร้างที่เข้มงวด แม้ว่าเครื่องมือเหล่านั้นจะต้องใช้การตั้งค่าที่มากกว่าก็ตาม
นั่นหมายความว่า ChatGPT จะให้คำตอบสำหรับคำถามในเวอร์ชันที่กว้างกว่าเล็กน้อย ในขณะที่ Gemini จะตอบคำถามตามที่คุณพิมพ์มาเป๊ะๆ ซึ่งไม่มีแนวทางไหนดีกว่ากันอย่างเบ็ดเสร็จ หากคุณกำลังทำต้นแบบ (prototyping) และต้องการความรวดเร็ว ความเอนเอียงของ ChatGPT ไปทางความอเนกประสงค์จะช่วยประหยัดเวลา แต่หากคุณกำลังปรับแต่งไปสู่ระบบที่ใช้งานจริง (production pipeline) และทุกมิลลิวินาทีมีความหมาย การมุ่งเน้นไปที่ความแข็งแกร่งทางเทคนิคอย่างตรงไปตรงมาของ Gemini จะมีประโยชน์มากกว่า
สิ่งที่นักสร้าง (Builders) จำเป็นต้องเข้าใจ
สิ่งสำคัญที่สุดอาจไม่ใช่เรื่องที่ว่าควรเชื่อโมเดลไหน แต่คือเรื่องที่ว่าสิ่งนี้มีความหมายอย่างไรหากคุณสร้างเครื่องมือสำหรับนักพัฒนาจริงๆ AI ไม่ได้เป็นเพียงผู้บริโภคเอกสารประกอบซอฟต์แวร์ (software documentation) อีกต่อไป แต่มันทำหน้าที่เป็นตัวกลาง ปัจจุบันนักพัฒนามักจะขอรายการเครื่องมือแนะนำจาก AI ก่อนที่จะเปิดเครื่องมือค้นหา เข้าไปดูใน Hacker News หรือถามเพื่อนร่วมงานเสียด้วยซ้ำ
หากคุณต้องการให้เครื่องมือของคุณอยู่รอดจากการคัดกรองนี้ คุณต้องปรับแต่งเพื่อความเข้าใจของเครื่องจักร (machine comprehension) เขียนเอกสารประกอบที่โมเดลภาษาขนาดใหญ่ (LLM) สามารถอ่านและทำความเข้าใจได้โดยไม่สับสน รักษา GitHub repository สาธารณะที่แสดงให้เห็นถึงความเคลื่อนไหวอย่างสม่ำเสมอ เผยแพร่ API reference ที่มีโครงสร้างและครบถ้วน ไม่ใช่ซ่อนอยู่หลังระบบยืนยันตัวตนหรือฝังอยู่ในไฟล์ PDF วางโครงสร้างโปรเจกต์ของคุณด้วยภาษาเชิงโครงสร้างที่ชัดเจน อธิบายว่ามันคืออะไร ไม่ใช่ตัวอะไร และมันเข้ากับ stack ของคุณได้อย่างไรอย่างชัดเจน
นี่ไม่ใช่การทำ Search Engine Optimization (SEO) ในความหมายแบบดั้งเดิม แต่มันคือ AI discoverability (การทำให้ AI ค้นพบได้) ดังที่การทดลองของ Pan แสดงให้เห็น โมเดลต่างๆ จะสร้างความคิดเห็นตามสิ่งที่พวกมันสามารถเข้าใจได้ง่ายและสรุปได้อย่างมั่นใจ หากโปรเจกต์ของคุณทรงพลังแต่ยากที่จะอธิบาย โมเดลเหล่านี้จะลังเลที่จะแนะนำมัน โดยเฉพาะอย่างยิ่งเมื่อมีทางเลือกอื่นที่ใหม่กว่าหรือมีเอกสารประกอบที่ดีกว่าอยู่
คำเตือนสุดท้าย: ให้ถือว่าคำแนะนำของ AI เป็นเพียงจุดเริ่มต้น ไม่ใช่การจัดอันดับ พวกมันคือความคิดเห็นที่ถูกหล่อหลอมโดยข้อมูลที่ใช้ฝึกฝน (training data) วันที่สิ้นสุดความรู้ (knowledge cutoffs) และความแปลกประหลาดในการใช้เหตุผลเฉพาะของแต่ละโมเดล เมื่อ ChatGPT ผลักดันเครื่องมือของ OpenAI และ Gemini ผลักดัน Anthropic นั่นคือสิ่งที่คุณกำลังเห็นความลำเอียง ไม่ใช่ข้อพิสูจน์
บทสรุป: หากคุณกำลังเลือกเครื่องมือ ให้ถามทั้งสองโมเดลและเปรียบเทียบตรรกะเบื้องหลังคำตอบของพวกมัน แต่หากคุณกำลังส่งมอบเครื่องมือ (shipping) ให้เริ่มเขียนเนื้อหาโดยมองว่า AI คือผู้ใช้งานกลุ่มหนึ่ง (user persona) ทีมที่ทำให้ซอฟต์แวร์ของตนอธิบายให้เครื่องจักรเข้าใจได้ง่าย จะเป็นทีมที่ปรากฏตัวขึ้นเมื่อนักพัฒนาเริ่มตั้งคำถาม
ที่มา: Comparing How ChatGPT and Gemini Recommend Developer Tools โดย Sarah Pan
เข้าร่วมชุมชนแห่งการเรียนรู้ของ GyaanSetu: https://t.me/GyaanSetuAi