Có một thay đổi mà phần lớn doanh nghiệp chưa nhận ra
Thử tự hỏi: lần gần nhất đội kỹ thuật của bạn dành trọn một sprint để viết code từ đầu là khi nào?
Không phải cấu hình một hệ thống, không phải tích hợp API do người khác làm, cũng không phải xử lý xung đột thư viện. Mà là viết logic nghiệp vụ mới, từng dòng một, từ một tệp trống.
Với đa số đội kỹ thuật doanh nghiệp, câu trả lời thật thà là "hiếm khi". Điều này đúng ngay cả trước khi có công cụ AI. Một ngày làm việc của kỹ sư phần mềm vốn đã chủ yếu là đọc code có sẵn, lần theo các hệ thống phức tạp, họp để thống nhất yêu cầu và xử lý các pipeline triển khai. Phần "viết code" chỉ chiếm khoảng 30% công việc.
Giờ AI đã nén 30% đó xuống rất nhiều. Các công cụ như GitHub Copilot, Cursor và Claude tạo ra bản cài đặt chạy được chỉ trong vài giây. Một hàm từng mất 45 phút để viết, kiểm thử và chỉnh sửa nay xong trong 3 phút nếu prompt tốt. Một script migration cơ sở dữ liệu có sẵn trước khi bạn uống hết ly cà phê.
Nghe như tin tốt, và đúng là vậy. Nhưng nó cũng tạo ra một vấn đề mà đa số tổ chức chưa tính đến: nếu viết code không còn là điểm nghẽn thì điểm nghẽn là gì? Và nếu toàn bộ mô hình triển khai của bạn (khung ước lượng, cơ cấu đội, hợp đồng với nhà cung cấp) được dựng trên giả định rằng viết code chậm và tốn kém, thì chuyện gì xảy ra khi giả định đó không còn đúng?
Điểm nghẽn chưa bao giờ nằm ở code
Hãy xem điều gì thực sự làm chậm các dự án phần mềm doanh nghiệp. Ai làm trong ngành đủ lâu đều biết câu trả lời. Không phải tốc độ gõ phím, và phần lớn các trường hợp cũng không phải độ phức tạp kỹ thuật.
Đó là sự thống nhất.
Các bên liên quan phải đồng ý với nhau về điều họ muốn. Một yêu cầu kinh doanh như "cần giữ chân khách hàng tốt hơn" phải được chuyển thành một bộ tính năng, luồng dữ liệu và trải nghiệm người dùng cụ thể. Và phải thu hẹp khoảng cách giữa điều product owner mô tả trong cuộc họp với điều lập trình viên hiểu ba ngày sau, khi họ bắt đầu làm ticket.
Các nghiên cứu trong ngành về dự án phần mềm thất bại, nổi bật là nghiên cứu CHAOS của Standish Group, từ lâu đã chỉ ra cùng một nguyên nhân gốc: phần lớn thất bại bắt nguồn từ yêu cầu kém, không phải từ kỹ thuật kém. Code không có lỗi gì. Đội đã làm sai thứ cần làm, hoặc làm đúng thứ nhưng sai thứ tự, hoặc đến tháng thứ tư của dự án sáu tháng mới phát hiện một ràng buộc quan trọng.
Chính ở đây ảnh hưởng của AI trở nên đáng chú ý. AI không chỉ giúp lập trình viên gõ nhanh hơn. AI rút ngắn vòng phản hồi giữa "tôi nghĩ mình hiểu bạn muốn gì" và "đây là bản prototype chạy được để bạn bấm thử". Khi vòng đó co từ vài tuần xuống vài giờ, mọi khâu phía sau đều thay đổi.
Trong thực tế trông như thế nào
Xin lấy một ví dụ cụ thể từ một dự án chúng tôi làm năm ngoái.
Một khách hàng ngành dịch vụ tài chính cần một module báo cáo tuân thủ. Theo cách làm cũ, tính năng loại này sẽ bắt đầu bằng ba tuần thu thập yêu cầu, ra một tài liệu đặc tả 40 trang mà không ai đọc hết, rồi mất thêm sáu tuần để xây dựng, kèm ít nhất hai vòng sửa vì "không phải ý chúng tôi".
Lần này đội của chúng tôi làm khác. Trong một buổi làm việc với chuyên viên tuân thủ của khách hàng, chúng tôi ghi âm cuộc trao đổi, đưa bản ghi vào hệ thống AI và trong vòng một giờ có được bộ user story kèm tiêu chí nghiệm thu. Nhưng điều quan trọng là trong cùng ngày chúng tôi cũng tạo ra một prototype bấm thử được. Đó không phải sản phẩm hoàn chỉnh, chỉ là một bản mô phỏng thô nhưng chạy được để chuyên viên tuân thủ tự thao tác.
Cô bấm qua một lượt, thấy ngay ba giả định chúng tôi hiểu sai và nói: "Trường này cần hiển thị lịch sử kiểm toán, không chỉ trạng thái hiện tại." Nếu chỉ phát hiện lỗi đó ở giai đoạn kiểm thử QA, việc sửa sẽ mất hai tuần. Nhờ phát hiện ngay ngày đầu, chúng tôi chỉnh prototype ngay tại chỗ. Đến cuối tuần, cả hai bên đã có một thiết kế được xác nhận và thống nhất.
Tổng thời gian xây dựng module cuối cùng là ba tuần, gồm cả kiểm thử và triển khai. Ước lượng theo cách cũ cho cùng phạm vi là mười đến mười hai tuần.
Code có được viết nhanh hơn không? Có, ở mức nào đó. Nhưng phần thời gian tiết kiệm lớn nhất đến từ việc loại bỏ vòng lặp mơ hồ, tức chuỗi hiểu nhầm qua lại vốn chiếm phần lớn tiến độ của các dự án doanh nghiệp.
Sự thật khó chịu về ước lượng
Nếu bạn quản lý ngân sách kỹ thuật, phần này dành cho bạn.
Đa số hợp đồng phần mềm doanh nghiệp vẫn tính giá theo nỗ lực: số giờ làm, số story point đã đốt, số sprint đã hoàn thành. Giả định ngầm là nỗ lực nhiều hơn thì giá trị lớn hơn. Bạn mua thời gian, và thời gian đắt vì lập trình viên giỏi đắt.
AI khiến mô hình này lộ ra một mâu thuẫn khó xử. Nếu một lập trình viên senior giờ làm trong hai giờ việc trước đây mất mười hai giờ, khách hàng nên trả hai giờ hay mười hai giờ? Nếu nhà cung cấp báo mười hai giờ mà giao trong hai giờ, họ có đang bỏ túi mười giờ lợi nhuận không? Nếu họ báo hai giờ, họ có đang đánh giá thấp tư duy kiến trúc đã làm cho hai giờ đó hiệu quả không?
Mâu thuẫn này đang xuất hiện khắp ngành. Một số nhà cung cấp lặng lẽ dùng công cụ AI nội bộ nhưng vẫn tính theo mức giá cũ. Số khác chạy đua giảm giá, cắt báo giá 50% và hy vọng khối lượng bù lại. Cả hai cách đều không bền vững.
Câu trả lời thẳng thắn là đơn vị giá trị cần thay đổi. Thay vì mua giờ công, khách hàng doanh nghiệp nên mua kết quả: một module tuân thủ chạy được, một data pipeline đã migrate, một luồng thanh toán được thiết kế lại. Việc của nhà cung cấp là giao kết quả đó một cách đáng tin cậy và nhanh. Cách họ làm, dù người viết từng dòng bằng tay hay AI sinh ra 80% phần boilerplate, không nên là mối bận tâm của bên mua. Điều cần quan tâm là chất lượng, độ tin cậy và tốc độ.
Tại GTEMAS, chúng tôi đang chuyển dần sang mô hình hợp tác theo kết quả vì đúng lý do này. Đó là logic thương mại đằng sau FastDX, quy trình triển khai AI-native của chúng tôi. Chúng tôi xác định phạm vi công việc theo sản phẩm bàn giao và mốc, không theo số người và số giờ. Mô hình này khó bán hơn vì khách hàng quen đếm đầu người, nhưng nó đặt quyền lợi hai bên đúng chỗ: chúng tôi được thưởng khi làm hiệu quả, không phải khi làm chậm.
Đội kỹ thuật thay đổi ra sao
Có một điều ít được bàn tới: công cụ AI không làm giảm nhu cầu về kỹ sư senior mà làm tăng nhu cầu đó.
Nghe có vẻ ngược, nên xin giải thích. Khi AI sinh code nhanh, lượng code tạo ra mỗi ngày tăng vọt. Phải có người review số code đó. Phải có người quyết định các lựa chọn kiến trúc của AI có hợp lý trong hệ thống lớn hơn hay không. Phải có người bắt các lỗi tinh vi do AI tạo ra, loại lỗi mà code biên dịch được và qua các bài kiểm thử cơ bản nhưng có race condition chỉ lộ ra khi chạy tải thật.
Lập trình viên junior có thể ra prompt hiệu quả cho các tác vụ riêng lẻ. Nhưng đánh giá kết quả đó có đúng trong bối cảnh hệ thống rộng hơn hay không thì cần kinh nghiệm sâu. Bạn phải biết thế nào là "tốt" mới nhận ra khi AI đưa ra thứ chỉ "chạy được".
Chúng tôi đã tổ chức lại đội theo thực tế này. Thay vì kim tự tháp truyền thống, tức vài người senior giám sát nhiều người junior, chúng tôi giờ vận hành các đội ít tầng bậc hơn, trong đó mỗi kỹ sư đều làm ở mức kiến trúc. AI đảm nhận những việc junior từng làm: viết boilerplate, sinh khung kiểm thử, xử lý các migration thường lệ. Con người tập trung vào thiết kế hệ thống, rà soát bảo mật, tối ưu hiệu năng và những quyết định mà AI chưa thể đưa ra một cách đáng tin cậy.
Điều này tác động thật sự đến tuyển dụng. Chúng tôi giờ tìm những điều khác. Năm năm trước, một buổi phỏng vấn lập trình có thể kiểm tra ứng viên có cài đặt được cây tìm kiếm nhị phân từ trí nhớ hay không. Ngày nay, chúng tôi quan tâm hơn đến việc họ có nhìn vào một codebase do AI sinh ra và chỉ ra được phần còn thiếu hay không: đoạn xử lý lỗi AI bỏ qua, trường hợp biên AI không xét tới, lỗ hổng bảo mật nằm trong một thư viện mà AI đã chọn.
"Thứ code nguy hiểm nhất là code chạy hoàn hảo khi kiểm thử rồi lỗi âm thầm khi lên production. AI rất giỏi viết code vượt qua bài kiểm thử. Biết khi nào nên nghi ngờ điều đó là kỹ năng của con người."
Vấn đề quản trị mà không ai muốn nhắc đến
Chuyện này còn một mặt tối mà ngành phần lớn đang làm ngơ.
Khi AI sinh code, ai chịu trách nhiệm? Nếu một hàm do AI sinh ra gây lỗ hổng bảo mật dẫn đến lộ dữ liệu, trách nhiệm thuộc về lập trình viên đã nhận gợi ý, trưởng nhóm đã duyệt pull request, hay nhà cung cấp đã đưa công cụ vào dùng?
Đa số khung pháp lý của doanh nghiệp chưa theo kịp câu hỏi này. Trong các ngành chịu quản lý như y tế, tài chính, chính phủ, đây không phải mối lo trừu tượng. Kiểm toán viên muốn biết ai viết code và code đó đã được người có chuyên môn review hay chưa. Câu "AI viết, lập trình viên bấm approve" sẽ không làm kiểm toán viên SOC 2 hài lòng.
Chúng tôi xem trọng vấn đề này vì khách hàng của chúng tôi làm việc đúng trong những môi trường đó. Mọi đoạn code do AI sinh ra khi vào pipeline triển khai của chúng tôi đều qua cùng quy trình review như code do người viết: peer review, quét bảo mật tự động và kỹ sư senior xác nhận rõ ràng. Chúng tôi lưu vết đầy đủ: bạn có thể thấy chính xác phần nào của codebase có AI hỗ trợ và ai đã review phần đó.
Đây không phải thủ tục vì thủ tục. Đây là nền tảng của niềm tin. Nếu bạn không thể kiểm toán code có AI hỗ trợ với mức nghiêm ngặt như code người viết, bạn không nên dùng AI trên production.
Mọi thứ đang đi về đâu
Ngành vẫn còn ở giai đoạn đầu. Các công cụ AI hiện nay, dù ấn tượng, mới là thế hệ đầu tiên. Chúng sẽ tốt lên. Mô hình sẽ hiểu ngữ cảnh tốt hơn, nắm được các codebase lớn tốt hơn, đưa ra gợi ý kiến trúc đáng tin cậy hơn. Khoảng cách giữa phát triển "có AI hỗ trợ" và "AI-First" sẽ thu hẹp.
Nhưng những nguyên tắc cơ bản sẽ không đổi. Về bản chất, triển khai phần mềm luôn là bài toán giao tiếp. Phần khó là hiểu con người muốn gì rồi chuyển thành thứ máy có thể thực thi. AI làm việc thực thi rẻ đi, còn việc thấu hiểu vẫn đắt, và vẫn là việc của con người.
Điều sẽ thay đổi là hình thức của quan hệ đối tác triển khai thành công. Nhà cung cấp thành công sẽ là những bên đã thực sự đưa AI vào quy trình làm việc, không phải như chiêu quảng cáo mà như một lợi thế cấu trúc giúp họ giao nhiều giá trị hơn trên mỗi đô la. Họ sẽ tính giá theo kết quả, bố trí đội nghiêng về senior và duy trì khung quản trị mà khách hàng doanh nghiệp đòi hỏi.
Nhà cung cấp thua cuộc sẽ là những bên vẫn bán nhân sự theo đầu người và đếm giờ, hy vọng khách hàng không nhận ra rằng một đội năm người có công cụ AI có thể làm tốt hơn một đội mười lăm người không có.
Tại GTEMAS, chúng tôi đã chọn hướng đi của mình. Chúng tôi xây tổ chức triển khai, vận hành bằng FastDX, trên giả định rằng AI là một phần lâu dài của ngành kỹ thuật chứ không phải xu hướng có thể phai đi. Đội ngũ, quy trình và mô hình thương mại của chúng tôi đều được thiết kế cho một thế giới nơi phán đoán của con người và năng lực của máy làm việc cùng nhau. Không phải vì nghe hay trong một bài thuyết trình, mà vì đây là mô hình duy nhất thực sự chạy được khi bạn ngồi xuống tính ra con số.
Những công ty nhận ra điều này trước sẽ có lợi thế đáng kể. Không chỉ về tốc độ, dù họ sẽ nhanh hơn. Mà còn về chất lượng, về khả năng dự đoán, và về khả năng thích ứng khi yêu cầu thay đổi giữa chừng, vì chắc chắn sẽ thay đổi. Lúc nào cũng vậy. Vấn đề là mô hình triển khai của bạn có được xây để xử lý điều đó một cách êm thấm, hay sẽ vỡ mỗi khi ai đó nói: "Thật ra chúng tôi cần nó hoạt động hơi khác một chút."
Đó mới là giá trị thực sự của AI trong triển khai phần mềm doanh nghiệp. Không phải gõ nhanh hơn, mà là nghĩ tốt hơn.
