Linear เปิดข้อมูลจริงจาก 127,000 ผู้ใช้: AI เขียน issue เกือบครึ่งของทั้งหมด, PR ต่อ workspace โต 111% — แต่ทีมกลับใช้เวลากับงานพัฒนา "มากขึ้น" ไม่ใช่น้อยลง

ท่ามกลางการถกเถียงเรื่อง “AI ช่วยให้ทีมพัฒนาเร็วขึ้นจริงไหม” ที่ส่วนใหญ่วนอยู่กับคำโฆษณาของผู้ขายและงานวิจัยกลุ่มตัวอย่างเล็ก ๆ Linear เลือกทำสิ่งที่หายาก: เปิดข้อมูลการใช้งานจริงจากแพลตฟอร์มตัวเองออกมาเป็นรายงานสาธารณะ ชื่อ “How Teams Build” Edition 01 เขียนโดย Tim Qi หัวหน้าฝ่ายข้อมูลของ Linear ซึ่งขึ้นหน้าแรก Hacker News ด้วยคะแนน 182 เมื่อ 19 สิงหาคม 2026 (ตามเวลาไทย)

ขนาดตัวอย่างเป็นจุดแข็งของรายงานนี้: ผู้ใช้แบบเสียเงิน 127,000 คน สำหรับข้อมูลการรับเอาไปใช้ (adoption), 89,000 คน สำหรับการจัดสรรเวลา และ 47,900 workspace สำหรับปริมาณ pull request โดยเทียบย้อนไปถึงเส้นฐานเดือนมิถุนายน 2024

AI ไม่ได้เป็นเครื่องมือของวิศวกรอีกต่อไป

ตัวเลขที่ชัดที่สุดคืออัตราการใช้ฟีเจอร์ AI ในช่วง มกราคม → มิถุนายน 2026 เพียงหกเดือน:

บทบาท	ม.ค. 2026	มิ.ย. 2026	เปลี่ยนแปลง
Product	12%	34%	+22pp
Engineering	12%	30%	+18pp
Founders	14%	30%	+16pp
Design	6%	22%	+16pp
Go-to-market	5%	18%	+13pp

สิ่งที่น่าสังเกตคือ Product แซง Engineering ไปแล้ว และกลุ่มที่กระโดดแรงที่สุดในรายงานทั้งฉบับไม่ใช่นักพัฒนา แต่เป็น CEO ของบริษัทขนาด 201 คนขึ้นไป ที่ขยับจาก 9% เป็น 36% ภายในหกเดือนเดียวกัน — ผู้บริหารระดับสูงกำลังเรียนรู้ AI ด้วยการลงมือใช้เอง ไม่ใช่ผ่านสไลด์สรุป

เส้นแบ่งบทบาทก็เบลอตามไปด้วย สัดส่วนคนที่แนบ PR เข้ากับ issue เพิ่มขึ้นชัดในกลุ่มที่ไม่ใช่วิศวกร: Product manager จาก 3% เป็น 10% และ Designer จาก 1% เป็น 8% เมื่อเทียบมิถุนายน 2024 กับมิถุนายน 2026

เอเจนต์เขียน issue เกือบครึ่ง และ PR โตเท่าตัว

ตัวเลขที่สะเทือนที่สุดของรายงานคือเรื่อง ใครเป็นคนสร้างงาน ภายในเดือนมิถุนายน 2026 issue ที่ถูกสร้างผ่านเอเจนต์และ MCP อยู่ที่ราว 1.73 ล้านรายการต่อสัปดาห์ เทียบกับ 2.37 ล้านรายการ ที่มาจากคนและ integration แบบเดิม — นั่นคือ AI เป็นผู้เขียน issue เกือบครึ่งหนึ่งของทั้งหมด ทั้งที่สองปีก่อนสัดส่วนนี้ยังไม่ถึงหนึ่งในพัน

ฝั่งผลผลิตก็ขยับตาม: PR ที่เปิดต่อ workspace เพิ่มขึ้น 111% เทียบเส้นฐานมิถุนายน 2024 แต่ตัวเลขรวมนี้ซ่อนความเหลื่อมล้ำที่ใหญ่กว่านั้นไว้ เมื่อแยกตามประเภททีม:

• ทีมที่ใช้ coding agent: จาก 21 → 65 PR ต่อสัปดาห์ (ราวสามเท่า)
• ทีมแบบดั้งเดิม: จาก 8 → 10 PR ต่อสัปดาห์

ช่องว่างระหว่างสองกลุ่มถ่างจาก ~2.6 เท่า เป็น 6.5 เท่า ในสองปี

ข้อค้นพบที่สวนความคาดหมาย: เวลาไม่ได้ลดลง

ถ้ารายงานหยุดแค่ตรงนี้ มันก็จะเป็นเพียงข้อมูลยืนยันคำโฆษณา แต่ส่วนที่ทำให้รายงานนี้น่าเชื่อถือคือข้อค้นพบที่ ขัดกับผลประโยชน์ของ Linear เอง: ข้อมูลการจัดสรรเวลาจากผู้ใช้ 89,000 คน ไม่พบการประหยัดเวลาเลย

งานที่ทำร่วมกับ AI ไม่ได้เข้าไป แทนที่ งานเดิม แต่ปรากฏขึ้นเป็น ชั้นใหม่ที่ทับลงบนงานเดิม — และเวลารวมที่ทีมใช้กับงานพัฒนากลับ เพิ่มขึ้น พูดอีกแบบคือ AI เพิ่ม throughput จริง แต่เพิ่มด้วยการเพิ่มปริมาณงาน ไม่ใช่ด้วยการคืนเวลาให้คน

มุมมอง AI Curator

รายงานนี้มีค่าเพราะมันเป็น ข้อมูลพฤติกรรมจริงในระดับแสนคน ไม่ใช่แบบสอบถามความรู้สึกหรือการทดลองในห้องแล็บกับนักพัฒนายี่สิบคน แต่ก็ต้องอ่านด้วยข้อจำกัดที่ชัดเจนสามข้อ

หนึ่ง — กลุ่มตัวอย่างเลือกตัวเองมา ทีมที่จ่ายเงินใช้ Linear คือทีมซอฟต์แวร์ที่ทันสมัยอยู่แล้ว ตัวเลข adoption ที่เห็นจึงเป็นภาพของกลุ่มหัวแถว ไม่ใช่ค่าเฉลี่ยของอุตสาหกรรม ทีม IT ในองค์กรไทยส่วนใหญ่ที่ยังทำงานบน Jira รุ่นเก่าหรือสเปรดชีต จะอยู่ห่างจากเส้นเหล่านี้พอสมควร

สอง — “AI เขียน issue เกือบครึ่ง” ต้องอ่านให้ระวัง ตัวนับนี้รวมทุกอย่างที่ถูกสร้างผ่าน agent หรือ MCP integration ซึ่งรวม issue ที่เกิดจากออโตเมชันประเภท “แปลง error log เป็น ticket” ด้วย — งานประเภทนั้นเมื่อก่อนอาจไม่เคยถูกบันทึกเป็น issue เลย ตัวเลขจึงสะท้อน การเปลี่ยนวิธีบันทึกงาน พอ ๆ กับการเปลี่ยนว่าใครคิดงาน

สาม — PR คือหน่วยวัดปริมาณ ไม่ใช่หน่วยวัดคุณค่า และรายงานก็ยอมรับตรง ๆ ว่า ไม่ได้วัดคุณภาพหรือ cycle time ทีมที่เปิด 65 PR ต่อสัปดาห์อาจกำลังส่งงานได้มากขึ้นจริง หรืออาจกำลังหั่นงานเดิมเป็นชิ้นเล็กลงและผลิตงานรีวิวให้กันเองมากขึ้น เราแยกสองอย่างนี้จากข้อมูลชุดนี้ไม่ได้

และนี่คือจุดที่ข้อค้นพบเรื่อง “เวลาไม่ลดลง” มีความหมายที่สุด มันสอดคล้องกับสิ่งที่หลายทีมรู้สึกแต่พูดออกมาไม่ได้: คอขวดย้ายที่ ไม่ได้หายไป เมื่อการผลิตโค้ดถูกลงสิบเท่า สิ่งที่กลายเป็นคอขวดใหม่คือการรีวิว การตัดสินใจ และการรับผิดชอบผลลัพธ์ — ซึ่งล้วนเป็นงานของมนุษย์ที่ยังขยายไม่ได้ตามไปด้วย ทีมที่วัดความสำเร็จของ AI ด้วยจำนวน PR จึงเสี่ยงจะปรับให้เก่งขึ้นในสิ่งที่วัดง่ายแต่ไม่ใช่สิ่งที่สำคัญ

สำหรับหัวหน้าทีมในไทยและ SEA ข้อเสนอที่ใช้ได้จริงจากรายงานนี้มีสองข้อ ข้อแรก อย่าตั้งเป้าหมายการนำ AI มาใช้เป็น “ลดเวลา/ลดหัว” เพราะข้อมูลระดับแสนคนบอกว่ามันไม่เกิดขึ้น — ตั้งเป้าเป็น “ทำงานที่เมื่อก่อนไม่มีเวลาทำ” จะตรงกับความจริงมากกว่าและไม่ทำให้ทีมเสียขวัญเมื่อผลไม่ตรงคำสัญญา ข้อสอง ลงทุนกับกำลังรีวิวและ CI ก่อนลงทุนกับเอเจนต์เพิ่ม ทีมที่กระโดดจาก 21 เป็น 65 PR ต่อสัปดาห์โดยที่ระบบรีวิวและเทสต์ยังเท่าเดิม กำลังสะสมหนี้ทางเทคนิคด้วยความเร็วสามเท่า ไม่ใช่กำลังผลิตงานเร็วขึ้นสามเท่า

แหล่งข่าว

• How Teams Build — Edition 01, Linear (Tim Qi, 2026)
• AI usage patterns in software teams — Hacker News (182 คะแนน, 19 ส.ค. 2026)