Thoughtworks

01/10/2026

The people who build a product won’t always be the ones maintaining it.

For Vietnam And Friends, rebuilding Open Road meant creating a platform that could keep working beyond its original developers.

The result: 2,637 audiobooks recovered, access restored across iOS and Android, and a platform built to be easier to sustain.

Read the full client story: https://tinyurl.com/4kbxer47

30/09/2026

เคยเจอเหตุการณ์เเบบนี้ไหม AI coding agent เขียนโค้ดเนียนกริ๊บ รันบิลด์ผ่านหมด แต่พอ merge เข้าไปดันทำระบบข้างเคียงพังยกแผง

ปัญหานี้ไม่ได้อยู่ที่โมเดลไม่ฉลาด แต่มันขาดภาพรวมของระบบ เพราะพอมันมองเห็นแค่ไฟล์ตรงหน้า มันก็แก้ปัญหาเฉพาะจุดโดยไม่รู้ว่า microservices อีกสองตัวจะพังตาม

ถ้าอยากได้ AI ที่ไว้ใจได้จริงในการทำงาน production เราต้องมองโครงสร้างเป็น Agent = Model + Harness โมเดลคือสมอง ส่วน Harness คือระบบควบคุมรอบข้างที่คอยตีกรอบให้มัน

อ่านเพิ่มเติมได้ที่ 👇👇

Prabina Pani and Jaya Simha Reddy explain how to use AI capabilities to accelerate delivery while protecting system integrity through harness.

24/09/2026

พอ AI ช่วยเจนโค้ดได้ในไม่กี่วิ หลายคนเริ่มตั้งคำถามว่า agile ยังจำเป็นอยู่อีกไหม?

เอาเข้าจริง คอขวดของการทำซอฟต์แวร์ตอนนี้มันไม่ได้อยู่ที่ว่าเราจะ build ไวแค่ไหน แต่มันขยับไปอยู่ที่ว่าเราจะ learn ได้ไวแค่ไหนต่างหาก

AI ช่วยย่อ feedback loop ให้สั้นลงมากๆ เราส่งไอเดียออกไปเทสกับลูกค้าจริงได้เร็วขึ้น เเต่สิ่งที่เราต้องโฟกัส ไม่ใช่การตั้งหน้าตั้งตาปั๊มฟีเจอร์ออกมาให้เยอะขึ้น แต่คือการใช้ human judgment คอยคัดกรอง decision ซอยงานเป็น small batches เพื่อลด risk และเลือกทางเลือกที่สร้าง value ได้จริง

สุดท้ายแล้ว AI จะช่วยให้ build ได้ไวแค่ไหนก็ตาม แต่ agility ก็ยังเป็นตัวกำหนดทิศทางอยู่ดีว่าเราจะใช้ความเร็วนั้นไปทำอะไรต่อ

อ่านเพิ่มเติมได้ที่ 👇👇

AI can write code in seconds. It can turn an idea into a prototype, generate tests, refactor code and help teams move from requirements to working software faster than ever before.

15/09/2026

ยุคนี้การทำ software engineering ไม่ใช่เรื่องของการหา prompt เทพๆ มาใช้ แต่คือการปรับวิธีคุยกับ AI เราสื่อสารความต้องการด้วยภาษาธรรมชาติได้ แต่ต้องให้ AI ตอบกลับมาเป็นโครงสร้างที่ชัดเจนและมีขนาดเล็กมาก เช่น failing test แค่ตัวเดียว หรือ interface สั้นๆ ไม่กี่บรรทัด

การบีบให้ AI ส่งงานทีละนิดช่วยให้เราตรวจเช็กเจตนาของมันได้ทันที สมองเราไม่ต้องแบกรับข้อมูลโค้ดทีละมากๆ แถมยังปล่อยให้ระบบ automated checks ทำงานลูปได้ไวตามหลัก lean engineering

เมื่อคุมทั้ง context และ feedback loop ได้เบ็ดเสร็จ บทบาทของเราจะเปลี่ยนจากการนั่งตรวจทานโค้ดใน pull request ตอนท้าย มาเป็นการควบคุมทิศทางของ architecture ร่วมกับ AI แบบเรียลไทม์ตั้งแต่ต้น

อ่านเพิ่มเติมได้ที่ 👇👇

Javier López Fernández outlines how to build a better understanding of intent between humans and AI.

08/09/2026

การเร่งเขียนโค้ดให้เร็วด้วย GenAI agent อาจสร้าง productivity หลอกตา แต่สิ่งที่แลกมาคือ cognitive debt และการสูญเสีย mastery ของนักพัฒนา เพราะ code ไม่ใช่แค่ text output แต่คือ mental model ของทีม

การให้ AI ตัดสินใจในรายละเอียดสถาปัตยกรรมแทนคน ทำให้ระบบกลายเป็น legacy code ตั้งแต่วินาทีแรกที่ถูกเจนขึ้นมา

ตัววัดความเป็น 10x developer ที่แท้จริงไม่ได้มาจาก typing speed แต่เกิดจาก autonomy, mastery และ purpose ในการสร้างสรรค์ซอฟต์แวร์ GenAI อาจเหมาะกับงาน prototyping หรือ boilerplate แต่การออกแบบระบบที่ซับซ้อนยังต้องพึ่งพา human craftsmanship เสมอ

อ่านเพิ่มเติมได้ที่ 👇👇

Generative AI promises to accelerate software development, but can it really enable the mythical 10x developer? Thoughtworker Ricardo Piccoli argues it cannot.

01/09/2026

การทำ agentic systems ระดับ enterprise ไม่ได้จบอยู่แค่เรื่อง prompt, tools หรือ guardrails แต่หัวใจสำคัญคือการวาง bounded autonomy หรือการกำหนดขอบเขตอำนาจตัดสินใจให้อยู่ในระดับที่ปลอดภัย

การสร้าง harness design จึงไม่ได้ต่างจากการวางโครงสร้างบริหารงาน ที่เปลี่ยนจากการสั่งงานแบบกำหนดคำสั่งล่วงหน้า มาเป็นการกำหนดสิทธิ์ ขอบเขตความรับผิดชอบ แอ็กชันที่ย้อนกลับได้ และเงื่อนไขการ escalation เมื่อระบบต้องเจอสถานการณ์ที่ไม่แน่นอน

อ่านเพิ่มเติมได้ที่ 👇👇

AI agents require a degree of management and control that enables autonomy without introducing risk: this is where delegation architecture comes in.

28/08/2026

เวลาสร้าง enterprise AI agent ปัญหาที่เจอบ่อยคือ LLM มักจะ flatten ความหมายของศัพท์เวลามันต้องดึงข้อมูลข้าม domain จนเกิด semantic failure เช่น latency ในมุม SRE มองแค่ target 300ms แต่ในมุม infrastructure มี overhead จาก external API ติดมาแล้ว 250ms ถ้าใช้ RAG ทั่วไป agent ก็จะตั้ง alert ผิดพลาด จนทำให้เจอ false alarm ถล่มทีม on-call

การแก้ prompt หรืออัพไซส์โมเดลไม่ได้ช่วยแก้เรื่องนี้ ทางออกคือการทำ harness engineering ผ่านวงจร closed-loop ระหว่าง guide ที่ช่วยสกัด tacit knowledge ของ engineers มาเป็น ontology เพื่อป้อน context ข้าม domain ก่อนตอบ และ sensor ที่คอยทำ contract test ดักจับความผิดพลาดหลังตอบ แล้วส่ง feedback กลับไปอัปเดตระบบให้แม่นยำขึ้นเรื่อยๆ

อ่านเพิ่มเติมได้ที่ 👇👇

Zichuan Xiong proposes a harness with a learning loop enterprise systems need around LLMs.

25/08/2026

สร้าง agent บน Databricks แล้วเคยเจอไหมว่า ถามยอด revenue ไป แต่ agent ไม่รู้ว่าต้องดึงจากตารางไหนใน 47 ตารางที่มี แล้วสรุปมันคือยอด booked, billed หรือ recognized

Data access น่ะพร้อมแล้วผ่าน unity catalog แต่สิ่งที่ขาดคือ business context ทำให้หลายทีมแป๊กหลังจบ demo

Databricks เลยออก 3 ตัวช่วยมาเสริม meaning layer เพื่อให้เราตกลงนิยาม metric บังคับ agent ชี้ source evidence และทำ regression test ฝั่ง meaning ควบคู่กับ code

อ่านเพิ่มเติมได้ที่ 👇👇

Take a seemingly simple scenario, like asking an AI agent for last quarter's revenue. Before it can answer, it has to decide whether ‘revenue’ means booked, billed or recognized? Your estate has 47 tables with revenue in the name, so which one is the trusted source? Does the definition your fina...

19/08/2026

AI agent รัน query ผ่าน คำนวณเลขออกมาดูสมเหตุสมผล... แต่คำตอบอาจจะผิดยกแผงโดยที่ระบบไม่แจ้ง error เลยแม้แต่จุดเดียว

การทำระบบ enterprise AI agent แค่ end-to-end evaluation นั้นไม่เพียงพอ เพราะ failure ในระบบจริงหลบซ่อนอยู่ตาม layer ต่างๆ ตั้งแต่ terminology, routing ไปจนถึง semantic context

Agent reliability จึงไม่ใช่แค่เรื่องของการทำ model eval แต่คือ systems engineering problem ที่ต้องสร้าง guardrails คุมความถูกต้องในทุก layer

อ่านเพิ่มเติมได้ที่ 👇👇

AI agent reliability is critical for enterprise adoption. This piece outlines a framework that makes that possible.

14/08/2026

สรุปผลการทดสอบ NVIDIA Nemotron 3.5 Lightning ในฐานะ early access partner

ทีมของเราทำ post-training ด้วย low-rank adapters สำหรับงาน legal และ healthcare โดยใช้ H100 80GB จำนวน 8 ตัว (1 Node) จบ process ได้ในไม่กี่ชั่วโมง และ keep data ไว้ใน environment ทั้งหมด ผลคือแม่นยำขึ้นชัดเจน (CaseHOLD accuracy พุ่งจาก 35% เป็น 77%)

นอกจากนี้เรายังลง antislop framework เพื่อคลีน overused patterns ของ LLM ออกได้ 66.4% โดยที่คะแนน -bench, MMLU-Pro และ HumanEval+ ไม่ดร็อปเลย ส่วนเรื่อง latency/cost ตัว native speculative decoding บน vLLM ช่วยลดต้นทุน inference จาก $0.477 เหลือ $0.250 ต่อ 1M tokens ได้ทันทีโดยไม่ต้องเทรน draft model แยก

อ่านเพิ่มเติมได้ที่ 👇👇

Thoughtworks tested NVIDIA's Nemotron 3.5 Lightning model using a number of different techniques designed to optimize performance. Find out more here.