Lộ trình trở thành kỹ sư chuyên về trí tuệ nhân tạo

Hiện nay, rất nhiều người đang nói về “kỹ thuật ứng dụng AI”. Có người cho rằng AI sẽ biến tất cả mọi người thành kỹ sư. Có người nói rằng lập trình sẽ trở nên dễ dàng hơn. Có người cho rằng các nhóm sẽ làm việc nhanh hơn chỉ vì họ đang sử dụng các công cụ AI.

Nhưng thực tế thì phức tạp hơn thế.Shah Rahmanđã chứng kiến ​​thế giới này rất rõ nét. Ông là Trưởng bộ phận Toàn cầu về Lặp lại và Tối ưu hóa Học máy Tự động cho Quảng cáo tại Meta, nơi ông làm việc trên cơ sở hạ tầng AI gốc và hệ thống đa tác nhân ở quy mô sản xuất lớn.

Nói một cách đơn giản, công việc của ông ấy là làm cho các hệ thống học máy nhanh hơn, đáng tin cậy hơn và dễ cải tiến hơn trong một trong những môi trường công nghệ lớn nhất thế giới.

Trong hướng dẫn này, Shah giải thích những gì thực sự cần thiết để trở thành một kỹ sư hoặc một nhóm kỹ sư am hiểu về AI.

Vấn đề không chỉ nằm ở việc viết các câu hỏi gợi ý. Vấn đề không chỉ là sử dụng ChatGPT, Claude hay Copilot. Vấn đề là học cách cung cấp ngữ cảnh tốt hơn, viết các đặc tả rõ ràng, xác minh công việc do AI tạo ra, chia nhỏ vấn đề thành các phần nhỏ hơn và xây dựng các hệ thống với các biện pháp bảo mật phù hợp.

Ông cũng giải thích về Chu kỳ Phát triển Tác nhân (Agentic Development Life Cycle), một cách thực tiễn để hiểu cách các kỹ sư có thể làm việc với các tác nhân AI mà không cần tin tưởng chúng một cách mù quáng. Bởi vì AI có thể giúp bạn làm việc nhanh hơn, nhưng nếu không có quy trình đúng đắn, nó cũng có thể khiến bạn thất bại nhanh hơn.

Vì vậy, nếu bạn là nhà phát triển, kỹ sư phần mềm, hoặc ai đó đang cố gắng hiểu cách ngành kỹ thuật đang thay đổi trong kỷ nguyên AI, hướng dẫn này sẽ cung cấp cho bạn một điểm khởi đầu rõ ràng.

Trí tuệ nhân tạo (AI) đang dần thay đổi cách thức xây dựng phần mềm. Google cho biết AI hiện tạo ra hơn 75% mã nguồn mới của họ. OpenAI và Anthropic cũng khẳng định AI tham gia vào hầu hết mọi dòng mã mới mà họ tạo ra. Gần đây, Amazon đã chuyển khoảng 30.000 ứng dụng đang hoạt động từ Java 8 lên Java 17 chỉ trong vài tháng. Nếu không có AI, công việc đó có thể mất hàng nghìn năm làm việc của các lập trình viên. Thậm chí Mark Zuckerberg còn cho rằng các tác nhân AI có thể hoạt động như các kỹ sư cấp trung vào cuối năm 2026.

Khi đọc những tuyên bố như thế này, chúng ta có cảm giác như đang đứng trước ngưỡng cửa kết thúc một kỷ nguyên và chứng kiến ​​một kỷ nguyên mới bắt đầu. Đối với một số người, thậm chí họ còn cảm thấy như chính nghề kỹ sư phần mềm đang thay đổi mãi mãi.

Nhưng có một câu hỏi quan trọng mà chúng ta cần đặt ra: Nếu AI có thể viết được nhiều mã như vậy, tại sao nhiều nhóm kỹ thuật vẫn phải đối mặt với nhiều lỗi, nhiều sự cố và nhiều khoản nợ kỹ thuật hơn trước?

Đây là lúc vấn đề thực sự bắt đầu. Trong một bài báo đăng trên tờ The New York Times, Mike Isaac và Erin Griffith đã mô tả tình trạng này là “quá tải mã” .

Ý tưởng rất đơn giản. Trí tuệ nhân tạo giúp các nhóm viết mã rất nhanh, nhưng hiện nay nhiều nhóm đang viết ra nhiều mã hơn mức họ có thể xem xét, kiểm thử, hiểu và bảo trì một cách hiệu quả.

Vì vậy, thay vì trở nên năng suất hơn, một số nhóm lại tạo ra nhiều sự hỗn loạn hơn. Họ giao hàng nhanh hơn, nhưng đồng thời cũng tạo ra nhiều vấn đề về bảo mật hơn, nhiều quy trình bị gián đoạn hơn và hệ thống lộn xộn hơn.

Điều này không có nghĩa là trí tuệ nhân tạo (AI) gây hại cho ngành kỹ thuật. Trên thực tế, nhiều kỹ sư đang nhận được những lợi ích thiết thực từ AI. Họ xây dựng sản phẩm nhanh hơn, giải quyết vấn đề tốt hơn và sử dụng các tác nhân AI để cải thiện công việc hàng ngày.

Nhưng đây mới là điều thú vị. Họ thường sử dụng những công cụ giống như mọi người khác. Sự khác biệt không chỉ nằm ở kiểu máy. Sự khác biệt nằm ở cách họ sử dụng chúng.

Một số kỹ sư chỉ sử dụng AI để tạo mã nhanh chóng. Những người khác sử dụng AI để lập kế hoạch, suy luận, xác minh, xem xét, thử nghiệm và cải thiện công việc của họ.

Đó mới là sự thay đổi thực sự. Tương lai không chỉ là việc viết mã bằng AI, mà là học cách điều phối mã nguồn với AI.

Điều này có nghĩa là vai trò của kỹ sư đang thay đổi. Thay vì chỉ gõ từng dòng lệnh thủ công, giờ đây các kỹ sư cần hướng dẫn hệ thống, cung cấp ngữ cảnh tốt hơn, chia nhỏ vấn đề thành các bước rõ ràng, kiểm tra kỹ lưỡng kết quả đầu ra và đảm bảo kết quả cuối cùng an toàn và đáng tin cậy.

Đó chính là bản chất của kỹ thuật ứng dụng AI. Hướng dẫn này dành cho các kỹ sư muốn nắm bắt xu hướng chuyển đổi này.

Chúng ta sẽ xem xét tư duy, phương pháp và các nguyên tắc kiểm soát giúp phân biệt kỹ thuật lập trình ứng dụng AI thực sự với việc lập trình theo cảm tính đơn thuần. Chúng ta cũng sẽ khám phá cách sử dụng AI mà không tạo ra tình trạng quá tải mã nguồn mà nhiều nhóm đang phải đối mặt.

Từ kỹ sư trở thành người điều phối

Trước hết, hãy làm rõ một điều. Các kỹ sư không hề trở nên vô dụng. Đây là một trong những hiểu lầm lớn nhất trong kỷ nguyên AI. Nhiều người nghĩ rằng nếu AI có thể viết mã, thì các kỹ sư sẽ không còn cần thiết nữa. Nhưng đó không phải là cách mà kỹ thuật thực sự hoạt động.

Viết mã chỉ là một phần của kỹ thuật phần mềm. Trong nhiều trường hợp, lập trình chỉ chiếm khoảng 20-30% công việc thực tế. Phần còn lại là hiểu vấn đề, thiết kế hệ thống, đưa ra các quyết định kỹ thuật, xem xét các lựa chọn, gỡ lỗi, kiểm thử, bảo mật ứng dụng và đảm bảo mọi thứ hoạt động đáng tin cậy trong môi trường sản xuất.

Trí tuệ nhân tạo (AI) đã làm cho thực tế này trở nên rõ ràng hơn. Giờ đây, khi các công cụ AI có thể tạo ra mã nhanh chóng, chúng ta đang thấy một điều quan trọng: nhiều mã hơn không phải lúc nào cũng đồng nghĩa với nhiều tiến bộ hơn. Đôi khi nhiều mã hơn có nghĩa là nhiều lỗi hơn. Đôi khi nó có nghĩa là nhiều sự nhầm lẫn hơn. Đôi khi nó có nghĩa là nhiều khoản nợ kỹ thuật hơn.

Đây là điểm mà ngành công nghiệp cần phải cẩn trọng. Chúng ta đang dần kết hợp hai ý tưởng rất khác nhau: sử dụng AI để tạo ra mã lập trình và sử dụng AI để thiết kế các hệ thống tốt hơn.

Chúng không giống nhau. Khi Andrej Karpathy sử dụng thuật ngữ “lập trình cảm nhận” vào đầu năm 2025, nó mô tả một xu hướng thực tế và hữu ích. Giờ đây, một người có thể mô tả những gì họ muốn, và AI có thể giúp họ xây dựng một ứng dụng, nguyên mẫu hoặc tính năng hoạt động được.

Điều đó thật mạnh mẽ. Nó cho phép những người không phải kỹ sư có khả năng tạo ra những thứ trước đây khó chế tạo hơn nhiều. Sự dân chủ hóa kiểu này rất có giá trị, và nó sẽ ngày càng phát triển hơn nữa.

Nhưng lập trình cảm tính không giống với kỹ thuật chuyên nghiệp dành riêng cho AI. Kỹ thuật dành riêng cho AI có ý nghĩa sâu sắc hơn. Nó có nghĩa là biết cách sử dụng các tác nhân và công cụ AI với sự kiểm soát, ngữ cảnh, định hướng và xác minh phù hợp. Nó có nghĩa là sử dụng AI để xây dựng những thứ khó khăn hoặc gần như không thể thực hiện được trong thời kỳ trước khi có AI.

Và vì thế, việc biết lập trình vẫn rất quan trọng. Cực kỳ quan trọng. Nếu bạn không hiểu về mã nguồn, kiến ​​trúc hệ thống, API, cơ sở dữ liệu, kiểm thử, bảo mật hoặc hành vi hệ thống, bạn vẫn có thể xây dựng được thứ gì đó bằng AI. Nhưng bạn sẽ không phải lúc nào cũng biết liệu nó có chính xác, an toàn, có khả năng mở rộng hay dễ bảo trì hay không.

Đó chính là sự khác biệt. Lập trình theo cảm hứng có thể giúp bạn sáng tạo. Kỹ thuật ứng dụng AI giúp bạn xây dựng một cách có trách nhiệm. Kỹ sư ứng dụng AI không chỉ là người viết mã nhanh hơn. Kỹ sư ứng dụng AI trở thành người điều phối.

Họ biết cách hướng dẫn các tác nhân AI, chia nhỏ các vấn đề lớn thành các nhiệm vụ nhỏ hơn, xem xét kết quả đầu ra, kết nối các công cụ khác nhau và giữ cho toàn bộ hệ thống hoạt động đúng hướng.

Đây chính là điểm mấu chốt tạo nên sức mạnh thực sự. Một kỹ sư giỏi sử dụng AI đúng cách có thể biến năng suất gấp 10 lần thành một con số lớn hơn nhiều. Nhưng điều đó không thể xảy ra bằng cách chấp nhận một cách mù quáng bất cứ kết quả nào mà mô hình đưa ra.

Điều đó xảy ra nhờ sự phối hợp nhịp nhàng. Và tiêu chuẩn này đang ngày càng được nâng cao mỗi tuần.

Bốn nền tảng của kỹ thuật AI gốc

1. Kỹ thuật ngữ cảnh đồng bộ

Thực hành đầu tiên và quan trọng nhất làkỹ thuật ngữ cảnh. Đây đang nhanh chóng trở thành một trong những kỹ năng có giá trị nhất đối với các kỹ sư chuyên về trí tuệ nhân tạo. Nói một cách đơn giản, kỹ thuật ngữ cảnh có nghĩa là cung cấp cho AI thông tin phù hợp trước khi yêu cầu nó hoạt động.

Hãy nghĩ về cách một lập trình viên mới gia nhập một nhóm. Trước khi họ có thể viết được mã tốt, họ cần hiểu cấu trúc dự án, tiêu chuẩn lập trình, quy tắc nghiệp vụ, kiến ​​trúc, luồng dữ liệu, quy ước đặt tên và cách thức làm việc thông thường của nhóm.

Các tác nhân AI cũng cần điều tương tự. Nếu bạn chỉ cung cấp cho công cụ AI một lời nhắc ngắn gọn, nó sẽ đoán rất nhiều. Đôi khi kết quả đầu ra trông có vẻ đúng, nhưng nó có thể không khớp với mã nguồn thực tế của bạn, tiêu chuẩn của nhóm bạn hoặc nhu cầu sản xuất của bạn.

Đó là lý do tại sao kỹ thuật ngữ cảnh lại quan trọng. Nó không chỉ đơn thuần là viết các câu hỏi gợi ý tốt hơn. Nó là về việc tạo ra một lớp kiến ​​thức có thể tái sử dụng cho AI. Lớp kiến ​​thức này có thể bao gồm những thứ như:

Khi bối cảnh này được chuẩn bị và chia sẻ đúng cách trong toàn nhóm, mọi người sẽ nhận được kết quả nhất quán hơn từ các công cụ AI. AI sẽ ngừng hoạt động như một trợ lý lập trình ngẫu nhiên và bắt đầu hành xử giống như một người hiểu rõ dự án thực tế của bạn.

Đây là sự chuyển đổi lớn từ “kỹ thuật đặt câu hỏi” sang “kỹ thuật tạo bối cảnh”. Kỹ thuật đặt câu hỏi tập trung vào việc đặt ra những câu hỏi tốt hơn. Kỹ thuật tạo bối cảnh tập trung vào việc cung cấp cho AI kiến ​​thức nền phù hợp để nó có thể đưa ra những câu trả lời tốt hơn.

Chất lượng đầu ra của AI phụ thuộc rất nhiều vào chất lượng ngữ cảnh mà nó nhận được. Nếu ngữ cảnh yếu, đầu ra cũng sẽ yếu. Nếu ngữ cảnh rõ ràng, có cấu trúc và cụ thể cho dự án, đầu ra sẽ trở nên hữu ích hơn nhiều. Đây cũng là lý do tại sao các công cụ và tiêu chuẩn như MCP của Anthropic đang trở nên quan trọng. MCP thường được mô tả là “USB-C dành cho AI” vì nó giúp các tác nhân AI kết nối với các công cụ, hệ thống và nguồn dữ liệu bên ngoài theo cách chuẩn hóa hơn.

Đối với các nhóm kỹ thuật, những tập tin như thế nàyCLAUDE.mdcũng ngày càng trở nên quan trọng hơn. Chúng không còn chỉ đơn thuần là tài liệu nữa. Chúng đang trở thành một phần của môi trường làm việc AI.

Chúng hướng dẫn AI cách thức hoạt động của dự án, các quy tắc cần tuân theo, các mẫu cần sử dụng và những lỗi cần tránh. Đó là điều khiến các tác nhân AI thực sự hữu ích trong một codebase thực tế.

Nhưng điều này chỉ hiệu quả nếu nhóm duy trì ngữ cảnh một cách chính xác. Ngữ cảnh không được lỗi thời. Nó không được ngẫu nhiên. Nó không được chỉ tồn tại trong tâm trí của một kỹ sư. Nó phải rõ ràng, có thể tái sử dụng và được đồng bộ hóa trong toàn nhóm.

Trong kỷ nguyên AI, các nhóm biết cách quản lý ngữ cảnh tốt sẽ đạt được kết quả tốt hơn nhiều so với các nhóm chỉ yêu cầu AI “viết mã”.

2. Phát triển dựa trên đặc tả

Nguyên tắc cốt lõi thứ hai làphát triển dựa trên đặc tả. Điều này đơn giản có nghĩa là: trước khi yêu cầu AI xây dựng thứ gì đó, trước tiên hãy giải thích rõ ràng những gì bạn muốn. Mã do AI tạo ra chỉ tốt khi các hướng dẫn bạn cung cấp cho nó chính xác. Nếu đầu vào của bạn không rõ ràng, đầu ra cũng sẽ không rõ ràng. Nếu yêu cầu của bạn lộn xộn, AI có thể tạo ra mã lộn xộn rất nhanh.

Đó chính là mối nguy hiểm. Trước đây, những yêu cầu tồi vẫn có thể tạo ra mã nguồn tồi. Nhưng giờ đây, trí tuệ nhân tạo có thể tạo ra mã nguồn tồi nhanh hơn và với số lượng lớn hơn nhiều. Vì vậy, quy tắc cũ vẫn đúng:

Đầu vào kém, đầu ra cũng kém.

Nhưng trong kỷ nguyên trí tuệ nhân tạo, quy tắc này càng trở nên nghiêm trọng hơn. Nhiều nhà phát triển sử dụng AI theo cách này:

“Hãy xây dựng tính năng này.” “Sửa lỗi này.” “Tạo trang này.” “Cải thiện nó.”

Đôi khi cách này hiệu quả với những tác vụ nhỏ. Nhưng đối với công việc kỹ thuật thực sự, kiểu gợi ý ngẫu nhiên này thường gây ra sự nhầm lẫn. Trí tuệ nhân tạo có thể hiểu sai yêu cầu, đưa ra những giả định ngầm, tạo ra mã không cần thiết hoặc cứ loay hoay tìm cách giải quyết sai vấn đề.

Đó là lý do tại sao các kỹ sư chuyên về AI làm việc khác biệt. Họ không bắt đầu với những gợi ý ngẫu nhiên. Họ bắt đầu với một bản đặc tả rõ ràng. Một bản đặc tả tốt giải thích mục tiêu, hành vi mong đợi, các ràng buộc, đầu vào, đầu ra, các trường hợp ngoại lệ và tiêu chí thành công.

Nói một cách đơn giản, nó nói với trí tuệ nhân tạo rằng:

1. Những gì chúng ta đang xây dựng
2. Lý do chúng tôi xây dựng nó
3. Nó nên hành xử như thế nào
4. Nó phải tuân theo những quy tắc nào?
5. Làm sao chúng ta biết được nó đúng?

Điều này giúp AI có định hướng rõ ràng. Thay vì yêu cầu AI “xây dựng mọi thứ”, kỹ sư chuyên về AI sẽ chia nhỏ công việc thành các cột mốc nhỏ hơn. Đầu tiên, xác định vấn đề. Sau đó, lập kế hoạch giải pháp. Tiếp theo, xây dựng từng phần. Sau đó, kiểm tra. Tiếp theo, xem xét lại. Cuối cùng, chuyển sang phần tiếp theo.

Điều này an toàn hơn nhiều so với việc yêu cầu một tác nhân AI hoạt động tự do và tự đưa ra mọi quyết định. Một quy trình làm việc tốt cho AI cũng nên buộc tác nhân phải dừng lại và đặt câu hỏi khi có điều gì đó không rõ ràng.

Nếu còn những câu hỏi chưa được giải đáp, trí tuệ nhân tạo (AI) không nên đoán mà nên hỏi bạn. Đây là một thói quen quan trọng. Bởi vì khi AI đoán, nó có thể tạo ra mã trông có vẻ đúng nhưng lại không đáp ứng được yêu cầu thực sự của bạn.

Phát triển dựa trên đặc tả giúp kỹ sư kiểm soát tốt hơn. Nó làm cho AI hữu ích hơn, dễ dự đoán hơn và dễ kiểm chứng hơn. Trong kỷ nguyên AI thuần túy, những kỹ sư giỏi nhất sẽ không phải là những người viết ra những lời nhắc ngắn gọn nhất. Họ sẽ là những người đưa ra những đặc tả rõ ràng nhất.

3. Xác minh quan trọng

Nguyên tắc cốt lõi thứ ba làxác minh nghiêm ngặt. Điều này có nghĩa là bạn không bao giờ nên tin tưởng một cách mù quáng vào mã do AI tạo ra. AI có thể viết mã rất nhanh, nhưng nhanh không phải lúc nào cũng đồng nghĩa với chính xác. Trong nhiều trường hợp, mã do AI tạo ra tương tự như mã được viết bởi một lập trình viên mới vào nghề. Thoạt nhìn nó có vẻ sạch sẽ, nhưng nó vẫn có thể chứa các lỗi ẩn, điểm yếu về bảo mật, giả định sai hoặc logic không hoạt động trong môi trường sản xuất thực tế.

Đây là một trong những rủi ro lớn nhất của việc phát triển phần mềm có sự hỗ trợ của trí tuệ nhân tạo. Mã nguồn trông có vẻ đáng tin cậy. Lời giải thích nghe có vẻ thuyết phục. Giải pháp có vẻ hoàn chỉnh. Nhưng điều đó không có nghĩa là nó an toàn.

Nhiều nghiên cứu đã chỉ ra vấn đề này. Một lượng lớn mã do AI tạo ra có thể chứa các lỗ hổng bảo mật. Một số nghiên cứu cũng phát hiện ra rằng các nhà phát triển sử dụng trợ lý AI đôi khi có thể viết mã kém an toàn hơn trong khi lại cảm thấy tự tin hơn về độ an toàn của mã đó.

Sự kết hợp đó rất nguy hiểm. Bởi vì vấn đề thực sự không chỉ là mã nguồn kém chất lượng. Vấn đề lớn hơn là sự tự tin sai lầm. Trí tuệ nhân tạo có thể khiến các nhà phát triển cảm thấy công việc đã hoàn thành trong khi nó vẫn cần được xem xét, kiểm thử và xác minh đúng cách.

Còn một bài học quan trọng khác ở đây. Một số nghiên cứu đã chỉ ra rằng ngay cả những nhà phát triển giàu kinh nghiệm cũng có thể làm việc chậm hơn khi sử dụng AI trên các codebase quen thuộc. Tại sao? Bởi vì AI đưa ra kết quả nhanh chóng, nhưng nhà phát triển vẫn phải dành thời gian để kiểm tra, sửa lỗi, hiểu kết quả và đảm bảo rằng nó không gây ra lỗi gì.

Vì vậy, AI không loại bỏ công việc kỹ thuật. Nó chỉ thay đổi nơi mà công việc khó khăn diễn ra. Trước đây, nút thắt cổ chai là việc viết mã. Giờ đây, nút thắt cổ chai là việc chứng minh mã đó thực sự hoạt động. Điều đó có nghĩa là các kỹ sư chuyên về AI cần phải rất giỏi trong việc xác thực. Họ phải kiểm tra xem mã có chính xác, an toàn, có khả năng mở rộng, dễ bảo trì và phù hợp với yêu cầu thực tế hay không. Điều này bao gồm:

1. Xem xét kỹ lưỡng logic.
2. Chạy thử nghiệm
3. Kiểm tra các trường hợp ngoại lệ
4. Tìm kiếm các lỗ hổng bảo mật
5. Xác minh hiệu suất
6. Hiểu rõ chức năng thực sự của đoạn mã.
7. Đảm bảo nó phù hợp với hệ thống hiện có.

Đây là lúc kỹ sư chuyên nghiệp thể hiện vai trò quan trọng nhất. Bất cứ ai cũng có thể yêu cầu AI tạo ra mã. Nhưng một kỹ sư thực thụ biết cách kiểm chứng nó.

Trong kỷ nguyên AI, giá trị của bạn không chỉ nằm ở tốc độ viết mã. Giá trị của bạn nằm ở khả năng chứng minh mã đó an toàn, đáng tin cậy và sẵn sàng cho người dùng thực. AI có thể giúp bạn di chuyển nhanh hơn. Nhưng việc xác thực mới là điều giúp bạn tránh đi sai hướng khi tốc độ quá nhanh.

4. Phân rã vấn đề

Nguyên tắc cốt lõi thứ tư làphân rã vấn đề. Điều này có nghĩa là chia một vấn đề lớn thành các phần nhỏ hơn, rõ ràng và dễ quản lý hơn trước khi giao cho AI. Một sai lầm phổ biến mà nhiều nhà phát triển mắc phải là yêu cầu AI giải quyết một vấn đề lớn và phức tạp trong một lần.

Ví dụ:

“Xây dựng bảng điều khiển hoàn chỉnh.” “Tạo toàn bộ hệ thống phụ trợ.” “Tái cấu trúc toàn bộ mô-đun này.” “Khắc phục tất cả các sự cố trong hệ thống này.”

Đôi khi trí tuệ nhân tạo (AI) khởi đầu tốt, nhưng sau một thời điểm nhất định, nó mất phương hướng. Bối cảnh trở nên quá rộng. Các yêu cầu trở nên lẫn lộn. Hệ thống bắt đầu đưa ra các giả định. Sau đó, kết quả đầu ra trở nên lộn xộn, không đầy đủ hoặc khó tin cậy.

Hiện tượng này được gọi là ô nhiễm ngữ cảnh. Nói một cách đơn giản, ô nhiễm ngữ cảnh xảy ra khi AI có quá nhiều thông tin lẫn lộn, không rõ ràng hoặc lỗi thời trong bộ nhớ làm việc của nó. Khi điều đó xảy ra, AI bắt đầu tạo ra kết quả chất lượng thấp. Nó có thể lặp lại chính mình, giải quyết sai vấn đề hoặc tạo ra mã không phù hợp với yêu cầu thực tế của bạn.

Đó là lý do tại sao các kỹ sư chuyên về AI không đưa ra những vấn đề khổng lồ cho AI cùng một lúc. Họ chia nhỏ công việc thành nhiều phần nhỏ hơn.

Trí tuệ nhân tạo (AI) rất hữu ích cho 70-80% công việc triển khai thường ngày. Nó có thể tạo ra mã mẫu, viết các hàm hỗ trợ, tạo giao diện người dùng cơ bản, soạn thảo các bài kiểm tra, tái cấu trúc logic đơn giản và tăng tốc các tác vụ lặp đi lặp lại. Nhưng con người vẫn cần kiểm soát những phần khó khăn.

Con người nên xử lý các trường hợp ngoại lệ, logic chuyên biệt theo từng lĩnh vực, các quyết định về kiến ​​trúc, các vấn đề bảo mật, hành vi của sản phẩm và đưa ra phán quyết cuối cùng.

Một quy trình làm việc hiệu quả hơn sẽ như sau:

Đầu tiên, hãy xác định toàn bộ vấn đề. Sau đó, chia nhỏ vấn đề thành các nhiệm vụ nhỏ hơn. Tiếp theo, giao một nhiệm vụ cho trí tuệ nhân tạo (AI). Sau đó, kiểm tra kết quả đầu ra. Cuối cùng, chuyển sang nhiệm vụ tiếp theo.

Điều này giúp AI tập trung hơn và giúp việc xem xét công việc dễ dàng hơn. Đối với các tác vụ dài, bạn cũng có thể cần tóm tắt trạng thái hiện tại, làm sạch ngữ cảnh hoặc thậm chí bắt đầu một phiên làm việc mới. Điều này có thể hữu ích khi AI bị nh confused. Nhưng việc chuyển đổi giữa các phiên cũng có cái giá của nó vì một số tính liên tục có thể bị mất. Đó là lý do tại sao giải pháp tốt nhất là tránh ngữ cảnh lộn xộn ngay từ đầu. Nhiều nhà phát triển lãng phí hàng giờ, đôi khi thậm chí cả ngày, vì họ cứ tiếp tục đẩy AI vào một tác vụ khó hiểu thay vì dừng lại và phân tích vấn đề một cách đúng đắn.

Bài học rất đơn giản:

Đừng yêu cầu AI giải quyết toàn bộ vấn đề cùng một lúc. Hãy giao cho nó một phần cụ thể của vấn đề, với bối cảnh rõ ràng, hướng dẫn rõ ràng và tiêu chí thành công rõ ràng. Phân chia vấn đề tốt giúp kỹ sư kiểm soát được tình hình. Điều này giúp AI tạo ra kết quả tốt hơn, giảm sự nhầm lẫn và làm cho mọi kết quả đầu ra dễ kiểm tra, xem xét và tin tưởng hơn.

Phân bổ thời gian cho công việc dựa trên AI

Một quy trình làm việc hiệu quả với trí tuệ nhân tạo không chỉ đơn thuần là tạo ra mã nhanh hơn, mà còn là việc sử dụng thời gian đúng chỗ. Một cách phân bổ thời gian thực tế sẽ như sau:

Điều này khiến nhiều nhà phát triển ngạc nhiên vì họ cho rằng phần lớn thời gian sẽ dành cho việc tạo mã. Nhưng trong thực tế, khi làm việc với AI, việc tạo mã thường là phần nhanh nhất. Khi ngữ cảnh đã rõ ràng, AI có thể tạo ra mã rất nhanh. Thời gian thực sự dành cho việc chuẩn bị ngữ cảnh phù hợp trước khi tạo mã và kiểm tra cẩn thận kết quả sau khi tạo. Điều đó có nghĩa là các kỹ sư cần dành nhiều thời gian hơn để giải thích vấn đề, xác định yêu cầu, chia sẻ quy tắc dự án và cung cấp cho AI đủ thông tin nền để hoạt động chính xác. Sau đó, sau khi AI tạo ra mã, các kỹ sư cần kiểm tra, xem xét, xác minh các trường hợp ngoại lệ, kiểm tra bảo mật và đảm bảo mã đó phù hợp với hệ thống hiện có.

Vì vậy, công việc không biến mất. Nó chỉ dịch chuyển. Trong kỷ nguyên AI, thời gian của kỹ sư không còn dành cho việc gõ từng dòng mã mà chuyển sang hướng dẫn, kiểm tra và cải tiến hệ thống. Những kỹ sư giỏi nhất sẽ không phải là những người tạo ra nhiều mã nhất. Họ sẽ là những người thiết lập ngữ cảnh tốt hơn và kiểm tra kết quả đầu ra cẩn thận hơn.

Hành trình từ nhà phát triển truyền thống đến kỹ sư chuyên về AI

Giai đoạn 1: Nền tảng — Bắt đầu với một trợ lý AI

Giai đoạn đầu tiên là xây dựng nền tảng. Giai đoạn này không cần kéo dài hàng tháng trời. Đối với hầu hết các kỹ sư, một vài tuần tập trung là đủ để bắt đầu. Hãy bắt đầu với một công cụ hỗ trợ lập trình AI chính. Đó có thể là Codex, Claude Code, Cursor, hoặc bất kỳ công cụ nào bạn thích. Điều quan trọng là không nên chuyển đổi giữa quá nhiều công cụ ngay từ đầu. Hãy chọn một công cụ, sử dụng nó hàng ngày và hiểu cách nó hoạt động.

Mục tiêu của bạn trong giai đoạn này rất đơn giản:

Hãy tìm hiểu những điểm mạnh và điểm yếu của trí tuệ nhân tạo (AI). Ban đầu, hãy sử dụng nó cho những nhiệm vụ nhỏ và thiết thực. Yêu cầu nó giải thích mã, tạo các hàm đơn giản, viết kiểm thử, chỉnh sửa lại các tập tin nhỏ, sửa lỗi cơ bản hoặc giúp bạn hiểu logic không quen thuộc. Việc thực hành hàng ngày này sẽ dần dần xây dựng khả năng phán đoán của bạn.

Bạn sẽ bắt đầu nhận thấy khi nào AI giúp tiết kiệm thời gian và khi nào nó tạo ra thêm công việc. Đôi khi nó sẽ cung cấp cho bạn một giải pháp hữu ích chỉ trong vài giây. Những lúc khác, nó sẽ hiểu sai mã nguồn, đưa ra những giả định sai lầm hoặc tạo ra thứ gì đó trông có vẻ tốt nhưng thực chất lại không phù hợp với dự án của bạn.

Việc đánh giá đó rất quan trọng. Bởi vì trở thành người am hiểu AI không có nghĩa là sử dụng AI cho mọi việc. Mà là biết khi nào nên sử dụng và sử dụng như thế nào cho đúng cách. Trong giai đoạn này, hãy thiết lập không gian làm việc và quy trình làm việc của bạn. Cấu hình trình soạn thảo, kết nối trợ lý AI ưa thích, tạo hướng dẫn dự án cơ bản và bắt đầu ghi chú về những gì hiệu quả với bạn.

Hãy lập một nhật ký cá nhân đơn giản:

1. Những gợi ý nào đã có hiệu quả?
2. Trí tuệ nhân tạo đã thất bại ở điểm nào?
3. Những tác vụ nào được thực hiện nhanh hơn với AI?
4. Những nhiệm vụ nào trở nên khó hiểu hơn?
5. Lần tới bạn nên đưa ra những quy tắc nào cho AI?

Những ghi chú này sẽ trở thành cẩm nang kỹ thuật AI cá nhân của bạn. Giai đoạn này cũng là lúc bạn bắt đầu chuyển từ lập trình hoàn toàn thủ công sang lập trình có sự hỗ trợ và tạo ra của AI. Nhưng đừng vội vàng. Mục tiêu không phải là để AI thay thế hoàn toàn công việc của bạn. Mục tiêu là xây dựng sự tự tin, khả năng kiểm soát và khả năng phán đoán tốt. Một nền tảng vững chắc ở đây sẽ giúp mọi giai đoạn tiếp theo dễ dàng hơn nhiều.

Giai đoạn 2: Tích hợp — Xây dựng quy trình làm việc AI có thể lặp lại

Giai đoạn thứ hai là về tích hợp. Giai đoạn này sẽ mất tối đa khoảng một tháng. Đến lúc này, bạn nên đã quen thuộc với việc sử dụng một trợ lý AI. Bạn nên hiểu nó hữu ích ở đâu, hạn chế ở đâu và loại hướng dẫn nào mang lại kết quả tốt hơn.

Mục tiêu bây giờ là biến việc sử dụng hàng ngày đó thành một quy trình làm việc bài bản. Hãy bắt đầu bằng cách sử dụng các câu lệnh có cấu trúc thay vì các câu lệnh ngẫu nhiên. Đừng chỉ yêu cầu AI “xây dựng tính năng này” hoặc “sửa lỗi này”. Hãy cung cấp cho nó một cấu trúc rõ ràng. Giải thích mục tiêu, vấn đề hiện tại, kết quả mong muốn, các ràng buộc và cách kiểm tra kết quả.

Đây cũng là thời điểm thích hợp để tạo các tài liệu ngữ cảnh dành riêng cho dự án. Các tài liệu này nên giải thích các tiêu chuẩn lập trình, mô hình kiến ​​trúc, cấu trúc thư mục, quy tắc đặt tên, mô hình API, phương pháp kiểm thử và những lỗi thường gặp cần tránh của nhóm bạn.

Nói một cách đơn giản, bạn đang tạo ra một cuốn cẩm nang hướng dẫn cho trợ lý AI của mình. Bối cảnh càng tốt thì kết quả đầu ra của AI càng chính xác. Một quy trình làm việc hữu ích trong giai đoạn này là:

Lập kế hoạch trước, thực hiện sau. Xem xét lại sau mỗi nhiệm vụ nhỏ.

Chế độ lập kế hoạch sẽ giúp bạn hiểu rõ vấn đề và tạo ra một bản đặc tả rõ ràng. Chế độ thực thi chỉ nên xây dựng từng phần nhỏ một. Việc xem xét lại nên được thực hiện sau mỗi tác vụ nhỏ trước khi chuyển sang bước tiếp theo. Điều này rất quan trọng vì các tác nhân AI có thể bị lệch hướng. Lệch hướng có nghĩa là AI dần dần đi chệch khỏi mục tiêu thực sự của bạn. Nó có thể bắt đầu giải quyết vấn đề sai, thêm mã không cần thiết, thay đổi những thứ bạn không yêu cầu hoặc đưa ra giả định mà không hỏi ý kiến ​​bạn.

Để ngăn chặn điều này, bạn cần có các cổng phê duyệt và rào chắn. Điều đó có nghĩa là AI nên dừng lại ở những điểm quan trọng và chờ xác nhận của bạn. Đừng bỏ qua bước xem xét. Việc bỏ qua bước xem xét có thể giúp bạn cảm thấy nhanh hơn trong lúc đó, nhưng nó sẽ tạo ra nợ kỹ thuật. Sau này, cả bạn và trợ lý AI của bạn sẽ phải vật lộn để hiểu và sửa chữa kết quả đầu ra lộn xộn.

Phương pháp quan trọng nhất trong giai đoạn này là sử dụng các vòng lặp nhỏ với các điểm kiểm tra xác thực. Giao cho AI một nhiệm vụ nhỏ. Kiểm tra kết quả đầu ra. Thử nghiệm. Xem xét lại. Sau đó chuyển sang nhiệm vụ tiếp theo.

Điều này có thể cho cảm giác chậm hơn so với việc để một tác nhân AI hoạt động tự do trong thời gian dài, nhưng trong công việc lập trình thực tế, các vòng lặp nhỏ đã được kiểm chứng thường mang lại kết quả tốt hơn nhiều.

Các quá trình biên dịch tự động quy mô lớn thường tạo ra rất nhiều mã không cần thiết. Trí tuệ nhân tạo có thể tạo ra nhiều tập tin, thực hiện những thay đổi không cần thiết và tạo ra sản phẩm trông ấn tượng nhưng khó tin cậy.

Thông thường, kết quả đầu ra đó chỉ có một đích đến duy nhất:

Hãy xóa nó đi và bắt đầu lại. Vì vậy, hãy tránh điều đó trước khi nó xảy ra. Ở giai đoạn này, mục tiêu của bạn không phải là làm cho AI hoàn toàn tự động. Mục tiêu của bạn là xây dựng một quy trình làm việc được kiểm soát, trong đó AI giúp bạn di chuyển nhanh hơn mà không làm giảm chất lượng, định hướng hoặc khả năng phán đoán kỹ thuật.

Giai đoạn 3: Làm chủ — Tiếp tục cải thiện theo thời gian

Giai đoạn thứ ba là giai đoạn thành thạo. Đây không phải là điều bạn hoàn thành trong một tháng rồi quên đi. Giai đoạn này tiếp tục chừng nào các công cụ AI còn được cải tiến. Ở giai đoạn này, bạn không còn chỉ sử dụng AI cho các tác vụ nhỏ nữa. Bạn có thể bắt đầu sử dụng các tác nhân AI cho các công việc lớn hơn, nhiều bước hơn. Ví dụ, bạn có thể yêu cầu AI làm việc trên nhiều tệp, tái cấu trúc một tính năng, viết các bài kiểm thử, xem xét mã, cải thiện tài liệu hoặc hỗ trợ lập kế hoạch triển khai lớn hơn.

Nhưng quy tắc tương tự vẫn được áp dụng:

Đừng tin tưởng một cách mù quáng vào kết quả đầu ra. Khi bạn tiến đến những công việc chuyên sâu hơn về trí tuệ nhân tạo, bạn cũng có thể khám phá các kỹ thuật như quy trình làm việc đa tác nhân, các phiên song song và xác minh chéo tác nhân.

Điều này có nghĩa là một tác nhân AI có thể hỗ trợ lập kế hoạch, một tác nhân khác hỗ trợ triển khai, và một tác nhân khác nữa có thể xem xét hoặc kiểm tra kết quả. Bạn cũng có thể chạy nhiều phiên khác nhau song song và so sánh kết quả trước khi chọn hướng đi tốt nhất.

Đây là lúc kỹ thuật lập trình dựa trên trí tuệ nhân tạo trở nên vô cùng mạnh mẽ. Nhưng nó cũng đòi hỏi sự trưởng thành. Mỗi tuần, các công cụ lập trình lại càng được cải thiện. Các tiêu chuẩn mới, quy trình làm việc mới và khả năng mới đang xuất hiện rất nhanh. Các công cụ như Claude Code, Codex, Cursor và các trợ lý lập trình AI khác sẽ tiếp tục được nâng cao.

Vì vậy, bạn nên luôn cập nhật thông tin. Học hỏi từ những gì mà những người tạo ra các công cụ này đang nói. Quan sát cách các kỹ sư cao cấp sử dụng chúng. Thử nghiệm các quy trình làm việc mới. Thử nghiệm với các mô hình tác nhân mới.

Nhưng đừng sao chép mọi thứ một cách mù quáng. Dự án, nhóm, mã nguồn, thời hạn và rủi ro của bạn có thể rất khác so với họ. Hãy sử dụng ý tưởng của họ như nguồn cảm hứng, sau đó điều chỉnh chúng cho phù hợp với nhu cầu của riêng bạn.

Mục tiêu tốt ở giai đoạn này là:

Hầu hết mã lệnh thường ngày của bạn có thể được tạo ra bởi AI, nhưng tỷ lệ viết lại mã nên được giữ ở mức thấp. Ví dụ, nếu AI tạo ra 80% hoặc hơn công việc lập trình của bạn, nhưng bạn chỉ cần viết lại chưa đến 20%, đó là một dấu hiệu mạnh mẽ cho thấy quy trình làm việc của bạn đang hoạt động hiệu quả. Điều đó có nghĩa là bối cảnh của bạn rõ ràng. Các thông số kỹ thuật của bạn mạnh mẽ. Quy trình xác minh của bạn vững chắc.

Và trợ lý AI của bạn đang hỗ trợ thay vì tạo thêm công việc dọn dẹp. Khi đạt đến cấp độ này, bạn có thể giúp toàn bộ nhóm của mình cải thiện nhanh hơn. Bạn có thể chia sẻ các tệp ngữ cảnh, quy trình làm việc, mẫu đánh giá, cấu trúc lời nhắc và thói quen xác minh. Điều này giúp các kỹ sư khác tránh được những lỗi tương tự và đạt được trình độ thành thạo AI nhanh hơn nhiều.

Sự thành thạo không có nghĩa là để AI làm mọi thứ. Điều quan trọng là biết cách hướng dẫn AI ở cấp độ cao hơn, sử dụng các tác nhân một cách có trách nhiệm và không ngừng cải tiến hệ thống kỹ thuật của mình khi các công cụ phát triển.

Chuyển đổi đội ngũ: Xây dựng văn hóa phù hợp với trí tuệ nhân tạo

Việc trở thành một nhóm am hiểu AI không chỉ là một sự thay đổi về mặt kỹ thuật. Đó còn là một sự thay đổi về văn hóa. Một nhóm không thể trở nên am hiểu AI chỉ bằng cách mua các công cụ AI hoặc yêu cầu mọi người sử dụng các tác nhân lập trình. Sự thay đổi thực sự xảy ra khi nhóm thay đổi cách thức làm việc, cách xem xét mã, cách chia sẻ kiến ​​thức và cách học hỏi từ những sai lầm. Nghiên cứu cho thấy hầu hết sự thành công trong chuyển đổi đến từ sự thay đổi về hoạt động và văn hóa, chứ không chỉ từ công nghệ. Điều đó có nghĩa là các nhà lãnh đạo kỹ thuật, quản lý và các nhà phát triển cấp cao cần phải làm gương. Họ nên tích cực sử dụng AI trong công việc hàng ngày của mình, chia sẻ những gì họ học được và chỉ cho nhóm cách sử dụng AI một cách có trách nhiệm. Nhưng để sự thay đổi này thành công, các nhóm cần ba nền tảng quan trọng.

1. An toàn tâm lý

Nền tảng đầu tiên là sự an toàn về mặt tâm lý. Nói một cách đơn giản, mọi người cần cảm thấy an toàn để thử nghiệm, mắc lỗi và nói chuyện cởi mở về những gì đã xảy ra sai sót. Điều này rất quan trọng trong công việc liên quan đến AI vì mọi người vẫn đang học hỏi. Đôi khi AI sẽ tạo ra mã lỗi. Đôi khi một tác nhân sẽ hiểu sai nhiệm vụ. Đôi khi một quy trình làm việc sẽ thất bại. Điều đó không nên được coi là đáng xấu hổ. Nó nên được coi là bài học kinh nghiệm. Các nhóm nên thảo luận cởi mở về “những câu chuyện thất bại của AI” để mọi người có thể hiểu điều gì đã xảy ra và làm thế nào để tránh mắc phải sai lầm tương tự vào lần sau.

Ví dụ:

Tại sao AI lại hiểu sai nhiệm vụ?
Có phải thiếu ngữ cảnh?
Có phải yêu cầu kỹ thuật không rõ ràng?
Chúng ta có bỏ qua bước xem xét nào không?
Chúng ta có tin tưởng vào kết quả quá nhanh không?

Những cuộc trò chuyện này giúp toàn đội cùng nhau cải thiện. Mục tiêu không phải là đổ lỗi cho con người về những sai lầm của AI. Mục tiêu là tạo ra một văn hóa học tập, nơi mọi người đều cảm thấy mình được tham gia vào quá trình cùng nhau nâng cao năng lực.

2. Đánh giá mã nguồn nâng cao

Nền tảng thứ hai là quy trình đánh giá mã tốt hơn. AI có thể tạo ra mã rất nhanh. Nhưng điều này tạo ra một vấn đề mới: các quy trình đánh giá mã truyền thống dễ dàng bị quá tải. Nếu một nhà phát triển mở một yêu cầu kéo (pull request) lớn với hàng trăm hoặc hàng nghìn dòng mã do AI tạo ra, việc đánh giá đúng cách sẽ trở nên khó khăn. Đó là lý do tại sao các nhóm chuyên về AI cần phải phát triển quy trình đánh giá của họ. Họ nên phân tách rõ ràng mã do AI tạo ra khỏi mã do con người viết và đánh giá cả hai với những kỳ vọng phù hợp.

Mã do AI tạo ra cần được chú ý đặc biệt. Nó có thể trông gọn gàng, nhưng vẫn có thể chứa các lỗi ẩn, vấn đề bảo mật, độ phức tạp không cần thiết hoặc logic không phù hợp với yêu cầu nghiệp vụ. Các nhóm cũng nên cẩn thận với các yêu cầu kéo (pull request) do AI tạo ra và được AI xem xét. Sự kết hợp này có thể tiềm ẩn rủi ro.

Nếu AI viết mã và một AI khác xem xét lại mà không có sự giám sát chặt chẽ của con người, lỗi có thể dễ dàng lọt qua. Điều đó không có nghĩa là AI không bao giờ nên hỗ trợ việc xem xét mã, nhưng cần phải sử dụng chúng trong những giới hạn nhất định. Khả năng phán đoán của con người vẫn phải được duy trì, đặc biệt là đối với các thay đổi quan trọng về bảo mật, kiến ​​trúc, logic nghiệp vụ và các thay đổi ảnh hưởng đến hoạt động sản xuất.

3. Thư viện ngữ cảnh dùng chung

Nền tảng thứ ba là ngữ cảnh chung. Trong các nhóm chuyên về AI, ngữ cảnh trở nên vô cùng quan trọng. Mỗi nhóm nên chuẩn hóa các tệp ngữ cảnh quan trọng, ví dụ đánh giá, quy tắc lập trình, hướng dẫn cho tác nhân và cấu hình quy trình làm việc. Ngữ cảnh chung này giúp các tác nhân AI hiểu cách nhóm hoạt động. Nó có thể bao gồm những thứ như:

1. Kiến trúc dự án
2. Tiêu chuẩn mã hóa
3. Các mẫu API
4. Quy tắc kiểm thử
5. Kỳ vọng về an ninh
6. Hướng dẫn xem xét
7. Những lỗi thường gặp cần tránh
8. Hướng dẫn và chỉ thị của đặc vụ

Các công cụ hiện đại giúp việc đóng gói ngữ cảnh này dễ dàng hơn thông qua các plugin, kỹ năng, lệnh và tệp có thể tái sử dụng. Nhưng các nhóm cũng cần phải cẩn thận. Nếu mỗi người bắt đầu tự tạo ra các tác nhân, lời nhắc, kỹ năng và cấu hình riêng mà không có sự phối hợp, quy trình làm việc có thể trở nên lộn xộn rất nhanh. Thay vì giúp đỡ nhóm, quá nhiều công cụ không kết nối có thể gây ra sự nhầm lẫn. Vì vậy, mục tiêu nên là tiêu chuẩn hóa, chứ không phải là hỗn loạn.

Các nhóm nên hợp tác trong việc xây dựng quy trình làm việc AI chung thay vì cạnh tranh để tạo ra các quy trình riêng biệt. Một nhóm chuyên về AI mạnh mẽ không chỉ sử dụng các công cụ AI. Họ xây dựng một hệ điều hành chung để làm việc với AI. Điều đó có nghĩa là văn hóa rõ ràng, thử nghiệm an toàn, quy trình đánh giá tốt hơn và bối cảnh có thể tái sử dụng giúp mọi người cùng hướng đến một mục tiêu chung.

Chu kỳ phát triển tác nhân

Phương pháp phát triển phần mềm truyền thống được thiết kế để con người viết phần mềm từng bước một. Ngay cả phương pháp Agile cũng được xây dựng dựa trên các nhóm người lập kế hoạch, viết mã, xem xét, kiểm thử và triển khai trong các chu kỳ ngắn. Nhưng kỹ thuật dựa trên trí tuệ nhân tạo (AI) đã thay đổi quy trình làm việc này. Giờ đây, phần mềm không chỉ được xây dựng bởi con người, mà còn được xây dựng bởi con người làm việc cùng với các tác nhân AI.

Điều đó có nghĩa là Chu trình Phát triển Phần mềm (SDLC) truyền thống không còn đủ hiệu quả nữa. Khi các tác nhân AI tham gia vào quy trình phát triển, mọi giai đoạn đều bắt đầu thay đổi. Lập kế hoạch thay đổi vì AI có thể giúp phân tích yêu cầu và tạo ra các thông số kỹ thuật. Phát triển thay đổi vì AI có thể tạo ra phần lớn mã nguồn. Xem xét thay đổi vì các kỹ sư giờ đây cần xác minh cả công việc do con người viết và công việc do AI tạo ra. Kiểm thử thay đổi vì AI có thể giúp tạo ra các trường hợp kiểm thử, nhưng con người vẫn cần kiểm tra xem các bài kiểm thử đó có ý nghĩa hay không. Bảo trì thay đổi vì AI có thể giúp gỡ lỗi, tái cấu trúc, lập tài liệu và giám sát hệ thống nhanh hơn trước. Đây là lúcChu trình Phát triển dựa trên tác nhân(ADLC) phát huy tác dụng.

ADLC là một cách tiếp cận mới trong phát triển phần mềm, trong đó các tác nhân AI tham gia tích cực vào quy trình làm việc. Nó không loại bỏ các kỹ sư con người, mà chỉ thay đổi vai trò của họ. Kỹ sư trở thành người lập kế hoạch, người xem xét, người xác minh và người điều phối. Tác nhân AI trở thành một trợ lý mạnh mẽ, có thể giúp thực hiện các tác vụ, tạo mã, tìm kiếm giải pháp và tăng tốc các công việc lặp đi lặp lại. Tuy nhiên, để điều này hoạt động hiệu quả, mỗi giai đoạn cần có bối cảnh rõ ràng, hướng dẫn rõ ràng, các điểm kiểm tra của con người và sự xác minh mạnh mẽ. Nếu không có những điều đó, các tác nhân AI có thể dễ dàng đi chệch hướng, tạo ra mã không cần thiết hoặc giải quyết sai vấn đề. Vì vậy, Chu trình Phát triển Tác nhân (ADLC) không phải là để AI tự xây dựng mọi thứ, mà là thiết kế một quy trình làm việc tốt hơn, nơi con người và các tác nhân AI cùng nhau làm việc với sự kiểm soát, cấu trúc và lòng tin.

Lập kế hoạch

Lập kế hoạch là bước quan trọng nhất trong Chu kỳ Phát triển Ứng dụng AI. Trước khi yêu cầu AI xây dựng bất cứ thứ gì, trước tiên hãy sử dụng nó để hiểu rõ vấn đề. Hãy để AI khám phá mã nguồn, tìm ra các vấn đề tiềm ẩn, đặt ra các câu hỏi mở và chia nhỏ công việc thành các nhiệm vụ nhỏ hơn. Một bước lập kế hoạch tốt nên tạo ra một lộ trình đơn giản với các mốc thời gian rõ ràng. Điều này giúp tác nhân AI di chuyển từng bước thay vì đoán mò hoặc nhảy thẳng vào viết mã. Bạn cũng có thể sử dụng nhiều tác nhân để lập kế hoạch. Một tác nhân có thể khám phá mã nguồn, một tác nhân khác có thể kiểm tra rủi ro và một tác nhân khác có thể đề xuất con đường triển khai tốt nhất. Sau đó, một tác nhân lập kế hoạch có thể kết hợp mọi thứ thành một chiến lược rõ ràng. Lập kế hoạch tốt giúp tiết kiệm thời gian, giảm sự nhầm lẫn và giúp AI tạo ra kết quả tốt hơn.

Xây dựng

Trong giai đoạn xây dựng, các tác nhân AI giúp biến kế hoạch thành mã nguồn hoạt động. Bạn có thể coi tác nhân AI như một lập trình viên cấp dưới hoặc trung cấp. Nó có thể triển khai các tính năng, cập nhật tệp, viết logic cơ bản và xử lý các công việc lập trình thường ngày. Nhưng kỹ sư con người vẫn đóng vai trò là trưởng nhóm kỹ thuật. Nhiệm vụ của bạn là hướng dẫn tác nhân, kiểm tra hướng đi của nó và đảm bảo nó tuân theo lộ trình. Một số nhiệm vụ có thể được thực hiện từng bước. Một số nhiệm vụ có thể được thực hiện song song bởi các tác nhân khác nhau. Lựa chọn đúng đắn phụ thuộc vào mức độ rõ ràng của kế hoạch và cách bạn sẽ xem xét công việc. Các công cụ như Claude Code, Cursor, GitHub Copilot Agent Mode và Codex đang tiến theo hướng này. Chúng đang được cải thiện nhanh chóng, vì vậy các kỹ sư nên tiếp tục theo dõi các bản cập nhật mới và tìm hiểu xem mỗi công cụ làm tốt nhất điều gì. Ý tưởng cốt lõi rất đơn giản: AI có thể giúp xây dựng nhanh hơn, nhưng con người vẫn cần dẫn dắt quá trình này.

Kiểm tra

Kiểm thử là bước đảm bảo mã do AI tạo ra hoạt động đúng cách. Một cách tiếp cận tốt là để các tác nhân viết kế hoạch kiểm thử trước, rồi mới viết mã cuối cùng. Ban đầu, các bài kiểm thử có thể thất bại. Sau đó, tác nhân sẽ cải thiện mã từng bước cho đến khi các bài kiểm thử thành công. Đừng chỉ tập trung vào các bài kiểm thử đơn vị nhỏ. Bạn cũng cần các bài kiểm thử tích hợp để kiểm tra cách các tính năng hoạt động cùng nhau, và các bài kiểm thử đầu cuối để xác nhận toàn bộ luồng người dùng hoạt động chính xác. Để có kết quả tốt hơn, bạn có thể sử dụng các tác nhân riêng biệt cho việc lập kế hoạch, xây dựng, kiểm thử và đánh giá. Mỗi tác nhân xem xét dự án từ một góc độ khác nhau. Tác nhân lập kế hoạch kiểm tra hướng đi. Tác nhân xây dựng viết mã. Tác nhân kiểm thử kiểm tra độ bao phủ và lỗi. Tác nhân đánh giá đảm bảo không có gì quan trọng bị bỏ sót. Điều này tạo ra một quy trình làm việc mạnh mẽ hơn vì các tác nhân có thể thách thức lẫn nhau thay vì chỉ đồng ý một cách mù quáng. Ý tưởng cốt lõi rất đơn giản: AI có thể viết mã nhanh, nhưng việc kiểm thử chứng minh liệu mã đó đã thực sự sẵn sàng hay chưa.

Ôn tập

Kiểm tra lại là bước kiểm tra an toàn cuối cùng trước khi tin tưởng vào kết quả do AI tạo ra. Bạn có thể sử dụng các tác nhân AI khác nhau để kiểm tra các phần khác nhau của hệ thống. Một tác nhân có thể kiểm tra chức năng, một tác nhân khác kiểm tra chất lượng mã, một tác nhân khác kiểm tra hiệu suất, bảo mật, quyền riêng tư, khả năng mở rộng và độ tin cậy. Các tác nhân nên tạo báo cáo kiểm tra trước. Sau đó, các kỹ sư con người nên đọc kỹ các báo cáo đó và đưa ra quyết định cuối cùng. Điều này rất quan trọng vì AI có thể bỏ sót các vấn đề tiềm ẩn, ngay cả khi mã trông có vẻ chính xác. Nếu một tác nhân tìm thấy một vấn đề nghiêm trọng, chẳng hạn như lỗ hổng tấn công injection, đừng chỉ sửa lỗi ở chỗ đó. Hãy tìm kiếm cùng loại vấn đề trên toàn bộ mã nguồn. Một lỗi thường có nghĩa là các lỗi tương tự có thể tồn tại ở nơi khác. Ý tưởng chính rất đơn giản: các tác nhân có thể giúp tìm ra vấn đề nhanh hơn, nhưng con người phải xác minh, đánh giá và đảm bảo hệ thống thực sự an toàn.

Tài liệu

Việc lập tài liệu không nên chỉ được thực hiện sau khi công việc hoàn thành. Trong quy trình làm việc dựa trên AI, tài liệu có thể được tạo liên tục trong khi công việc đang diễn ra. Các tác nhân AI có thể giúp tạo ra các bản tóm tắt, quyết định thiết kế, ghi chú kiến ​​trúc, nhật ký thay đổi và thậm chí cả các sơ đồ đơn giản khi tính năng đang được xây dựng. Điều này làm cho tài liệu chính xác hơn vì nó được viết gần với thời điểm thực hiện công việc, chứ không phải vài tuần hoặc vài tháng sau đó. Nó cũng có thể hỗ trợ tài liệu API, ghi chú tính năng, hướng dẫn nội bộ và thậm chí cả nội dung dành cho khách hàng. Đối với nhiều nhóm, điều này có thể giải quyết một vấn đề tồn tại lâu nay: tài liệu lỗi thời, không đầy đủ và không nhất quán. Ý tưởng chính rất đơn giản: hãy để AI giúp duy trì tính cập nhật của tài liệu trong khi hệ thống liên tục thay đổi.

Mã hóa ADLC

Khi Chu trình Phát triển Tác nhân (Agentic Development Life Cycle – ADLC) của bạn bắt đầu hoạt động, đừng chỉ giữ nó trong đầu mọi người. Hãy biến những thực tiễn tốt nhất của cá nhân và nhóm thành các hệ thống có thể tái sử dụng. Điều này có thể bao gồm các tệp ngữ cảnh được chia sẻ, thư viện lời nhắc, kỹ năng AI, hướng dẫn quy trình làm việc và các công cụ MCP mà mọi người trong nhóm đều có thể sử dụng. Mục tiêu là làm cho ADLC dễ dàng lặp lại trên toàn bộ tổ chức. Nếu chỉ một vài người hiểu quy trình, nó sẽ trở thành kiến ​​thức nội bộ. Nhưng nếu bạn ghi lại và đóng gói quy trình làm việc một cách đúng đắn, mọi nhóm đều có thể học hỏi từ đó và cải thiện nhanh hơn. Hãy nghĩ về nó như việc tạo ra một bộ công cụ ADLC nội bộ. Nó nên chứa các quy tắc, ngữ cảnh, công cụ và mẫu giúp các kỹ sư làm việc với các tác nhân AI một cách nhất quán. Ý tưởng chính rất đơn giản: đừng chỉ thực hành ADLC một cách riêng lẻ. Hãy biến nó thành một hệ thống được chia sẻ mà toàn bộ nhóm của bạn có thể áp dụng.

Quy trình được lập trình hoàn toàn bằng trí tuệ nhân tạo thực chất trông như thế nào?

Hiện nay có một ý tưởng rất phổ biến trong giới công nghệ:

Sử dụng AI, giảm quy mô nhóm, loại bỏ chi phí quản lý và xây dựng nhanh hơn. Nghe có vẻ đơn giản, nhưng nó bỏ sót một điểm quan trọng. AI đã giúp việc xây dựng phần mềm nhanh hơn rất nhiều. Nó có thể tạo mã, tạo kiểm thử, viết tài liệu và hỗ trợ triển khai. Nhưng xây dựng chỉ là một phần của quá trình phát triển phần mềm.

Câu hỏi khó hơn vẫn là:

Chúng ta nên xây dựng cái gì? Chúng ta nên tránh cái gì? Chúng ta nên loại bỏ cái gì? Cái gì thực sự hữu ích cho người dùng?

Trí tuệ nhân tạo (AI) có thể giảm chi phí viết mã, nhưng nó không tự động giảm chi phí đưa ra quyết định đúng đắn. Trên thực tế, khi việc tạo mã trở nên dễ dàng hơn, việc ra quyết định lại càng trở nên quan trọng hơn. Các nhóm giờ đây có thể xây dựng nhiều thứ hơn nhanh hơn, nhưng điều đó cũng có nghĩa là họ có thể xây dựng những thứ sai nhanh hơn. Vì vậy, một quy trình dựa trên AI không chỉ là về việc tăng tốc độ thực thi. Nó còn là về việc tăng tốc độ học hỏi. Những nhóm tốt nhất sẽ sử dụng AI để thử nghiệm ý tưởng nhanh hơn, hiểu người dùng tốt hơn, so sánh các lựa chọn, giảm lãng phí và đưa ra các quyết định sản phẩm tốt hơn trước khi viết quá nhiều mã.

Ý tưởng cốt lõi rất đơn giản:

Trí tuệ nhân tạo không chỉ nên giúp các nhóm xây dựng nhanh hơn. Nó còn nên giúp các nhóm học hỏi nhanh hơn và đưa ra lựa chọn tốt hơn.

Vòng lặp học tập

Trí tuệ nhân tạo (AI) giúp đẩy nhanh bước xây dựng sản phẩm. Nhưng việc xây dựng nhanh hơn chỉ hữu ích nếu các bước còn lại của quy trình cũng mạnh mẽ. Sau khi xây dựng xong sản phẩm, bạn vẫn cần phải cho người dùng xem, quan sát cách họ sử dụng, học hỏi từ hành vi của họ và quyết định nên cải thiện hay loại bỏ điều gì. Nếu một nhóm chỉ sử dụng AI để xây dựng nhanh hơn mà không theo dõi người dùng cẩn thận hoặc kiểm soát phạm vi dự án, họ có thể nhanh chóng đi chệch khỏi mục tiêu sản phẩm thực sự. Đó là rủi ro. AI có thể giúp các nhóm triển khai sản phẩm nhanh chóng, nhưng tốc độ thôi chưa đủ để tạo ra giá trị. Khách hàng chỉ cảm nhận được lợi ích khi việc xây dựng nhanh hơn dẫn đến những quyết định tốt hơn, sản phẩm tốt hơn và kết quả rõ ràng hơn. Ý tưởng cốt lõi rất đơn giản:

Trí tuệ nhân tạo không chỉ nên giúp bạn xây dựng nhiều hơn. Nó còn nên giúp bạn học hỏi nhanh hơn và xây dựng đúng thứ cần thiết.

Nơi trí tuệ nhân tạo tạo ra đòn bẩy thực sự

Trí tuệ nhân tạo tạo ra giá trị lớn nhất khi giúp các nhóm học hỏi nhanh hơn, thử nghiệm ý tưởng nhanh hơn và giảm thiểu lãng phí công sức.

Thử nghiệm tiết kiệm hơn:AI giúp việc thử nghiệm tiết kiệm chi phí hơn rất nhiều. Các nhóm có thể thử nghiệm nhiều ý tưởng hơn trong thời gian ngắn hơn mà không cần mất hàng tuần để xây dựng các tính năng hoàn chỉnh. Điều này rất quan trọng vì nhiều tính năng không bao giờ đến được với người dùng thực hoặc không tạo ra giá trị thực sự. Với AI, bạn có thể nhanh chóng kiểm tra xem một ý tưởng có hữu ích hay không trước khi đầu tư quá nhiều thời gian kỹ thuật. Nguyên tắc rất đơn giản:

Đừng quá yêu thích mọi ý tưởng. Hãy thử nghiệm nhanh chóng, học hỏi nhanh chóng và loại bỏ những ý tưởng không hiệu quả.

Tạo mẫu nhanh hơn cho nghiên cứu người dùng:Trí tuệ nhân tạo (AI) cũng giúp việc tạo mẫu nhanh hơn rất nhiều. Thay vì viết những tài liệu dài dòng để giải thích ý tưởng, các nhóm có thể tạo ra các nguyên mẫu hoạt động chỉ trong vài phút. Các công cụ như v0, Replit Agent và Bolt.new có thể chuyển ngôn ngữ tự nhiên thành các nguyên mẫu chức năng rất nhanh chóng. Điều này rất hiệu quả vì người dùng phản hồi tốt hơn với những thứ họ thực sự có thể nhấp chuột, sử dụng và trải nghiệm. Một nguyên mẫu cung cấp phản hồi tốt hơn so với một tài liệu sản phẩm dài dòng. Vì vậy, trước khi xây dựng một tính năng hoàn chỉnh, hãy tạo một nguyên mẫu đơn giản. Cho người dùng xem. Quan sát cách họ sử dụng nó. Sau đó, hãy quyết định xem ý tưởng đó có đáng để xây dựng một cách bài bản hay không.

Tự động hóa mã mẫu, không phải tự động hóa phán đoán:AI rất giỏi trong các công việc thường nhật. Nó có thể hỗ trợ tạo khung sườn, viết mã lặp đi lặp lại, thực hiện các bài kiểm tra cơ bản, lập tài liệu, xây dựng mô hình dữ liệu và các tác vụ triển khai đơn giản. Nhưng AI không nên thay thế phán đoán của con người. Các nhóm vẫn nên tập trung vào những phần quan trọng: logic kinh doanh cốt lõi, trải nghiệm người dùng, quyết định về sản phẩm, bảo mật, kiến ​​trúc và quyết định nên giữ lại hay loại bỏ cái gì.

Nói một cách đơn giản:

Hãy để trí tuệ nhân tạo đảm nhiệm những công việc lặp đi lặp lại. Hãy để con người đảm nhiệm việc đánh giá.

Nguyên tắc “Thiết kế đến 50%”:Bạn không nhất thiết phải xây dựng toàn bộ tính năng ngay từ đầu. Cách tiếp cận tốt hơn là chỉ xây dựng phiên bản nhỏ nhất, hữu ích nhất, cho phép người dùng hoàn thành hành trình chính. Sau đó, quan sát những gì xảy ra. Người dùng do dự ở đâu? Họ bối rối ở đâu? Họ dừng lại ở đâu? Họ bỏ qua điều gì? Điều này giúp bạn hiểu được vấn đề thực sự của sản phẩm. Trí tuệ nhân tạo (AI) giúp cách tiếp cận này dễ dàng hơn nhiều vì việc tạo ra các phiên bản nhỏ, nguyên mẫu và luồng thử nghiệm giờ đây tiết kiệm chi phí hơn rất nhiều.

Lan can bảo vệ là bắt buộc.

Trí tuệ nhân tạo (AI) có thể giúp các nhóm xây dựng nhanh hơn, nhưng nó cũng tạo ra những rủi ro bảo mật mới. Khi AI tạo ra mã nhanh chóng, nó cũng có thể tạo ra các mẫu không an toàn nhanh chóng. Điều này làm cho các lỗi, sự tích hợp yếu kém, logic không an toàn và các lỗ hổng tiềm ẩn dễ dàng xâm nhập vào mã nguồn. Đó là lý do tại sao các biện pháp bảo vệ không còn là tùy chọn nữa. Mỗi quy trình làm việc dựa trên AI cần có các kiểm tra bảo mật rõ ràng trước khi mã được đưa vào sản xuất. Các nhóm nên xem xét cẩn thận mã do AI tạo ra, quét các lỗ hổng, kiểm tra các thay đổi rủi ro và đặt ra các quy tắc cho những gì các tác nhân được phép làm. Mối nguy hiểm chính là tốc độ mà không có sự kiểm soát. Nếu AI giúp bạn triển khai nhanh hơn nhưng quy trình bảo mật của bạn vẫn chậm, mã yếu có thể đến tay người dùng trước khi bất kỳ ai phát hiện ra vấn đề. Nghiên cứu bảo mật AI gần đây, bao gồm cả công trình của Anthropic, đã chỉ ra mức độ nghiêm trọng của vấn đề này.

Những sự việc có thật, hậu quả có thật.

Rủi ro bảo mật của AI không còn chỉ là lý thuyết nữa. Các sự cố thực tế đã và đang xảy ra. Trong một trường hợp, việc tích hợp trò chuyện được xây dựng nhanh chóng bằng AI, nhưng nó đã tạo ra rủi ro thực thi mã từ xa nghiêm trọng. Kẻ tấn công đã có thể vượt qua các biện pháp bảo vệ như xác thực hai yếu tố (2FA) và sử dụng các biện pháp kiểm soát truy cập yếu. Tính năng này được xây dựng nhanh chóng, nhưng việc khắc phục thiệt hại đã mất nhiều giờ. Trong một trường hợp khác, một tác nhân lập trình AI đã truy cập vào khoảng 1.500 bảng cơ sở dữ liệu mà nó không được phép chạm vào. Điều này tạo ra rủi ro nghiêm trọng vì dữ liệu nhạy cảm đã bị lộ cho hành vi không an toàn của tác nhân và các cuộc tấn công chèn mã độc. Cũng đã có những trường hợp các chỉ thị ẩn bên trong tài liệu, chẳng hạn như tệp Google Docs, đã đánh lừa các tác nhân AI thực hiện các hành động không an toàn. Điều này cho thấy nội dung bên ngoài có thể âm thầm kiểm soát một tác nhân nếu thiếu các biện pháp bảo vệ thích hợp. Một vấn đề ngày càng gia tăng khác là việc đầu độc chuỗi cung ứng. Năm 2025, một rủi ro mới gọi là “slopsquatting” trở nên rõ ràng hơn. Điều này xảy ra khi AI đề xuất tên gói hàng giả mạo, và kẻ tấn công đăng ký các tên gói hàng đó với mã độc hại.

Các biện pháp kiểm soát an ninh mới nổi

Các nhóm chuyên về trí tuệ nhân tạo cần có các biện pháp kiểm soát an ninh mạnh mẽ hơn ngay từ đầu.

Biện pháp kiểm soát đầu tiên làxác định danh tính người dùng và kiểm soát quyền truy cập.

Mỗi tác nhân AI cần có danh tính rõ ràng, quyền hạn hạn chế và xác thực phù hợp. Không nên cấp cho các tác nhân thông tin đăng nhập chung hoặc quyền truy cập mở vào mọi thứ. Hãy bắt đầu với quyền truy cập an toàn, chỉ đọc trước. Chỉ cấp quyền rộng hơn sau khi quy trình làm việc đã được kiểm tra và đáng tin cậy.

Yếu tố kiểm soát thứ hai lànhận thức về phân loại dữ liệu.

Các tác nhân AI phải hiểu dữ liệu nào là công khai, nội bộ, bí mật hoặc nhạy cảm cao. Chúng không nên tự do di chuyển giữa các hệ thống nhạy cảm. Điều này đang trở thành một thách thức lớn đối với doanh nghiệp vì các tác nhân có thể vượt qua các ranh giới nhanh hơn nhiều so với khả năng nhận biết của con người.

Biện pháp kiểm soát thứ ba làbảo vệ chống tiêm chích nhanh.

Các tài liệu, trang web, dữ liệu người dùng nhập vào và các tệp bên ngoài có thể chứa các chỉ thị ẩn nhằm mục đích điều khiển tác nhân AI. Đó là lý do tại sao các nhóm cần lọc dữ liệu đầu vào, xác thực nội dung và làm sạch ngữ cảnh trước khi cung cấp nội dung bên ngoài cho tác nhân. Không bao giờ để tác nhân tự động thực thi các lệnh không đáng tin cậy. Và đừng mù quáng chấp nhận mọi đề xuất mà tác nhân đưa ra.

Biện pháp kiểm soát thứ tư làtạo môi trường biệt lập cho cơ sở hạ tầng.

Các tác nhân AI nên hoạt động trong môi trường được kiểm soát, nơi các hành động của chúng có thể được quan sát, ghi nhật ký và kiểm toán. Các khu vực có rủi ro cao như cấu hình sản xuất, hệ thống thực thi quan trọng và lưu trữ dữ liệu nhạy cảm nên được khóa cho đến khi các biện pháp kiểm soát chặt chẽ được xác minh.

Rào chắn kỹ thuật

Mã do AI tạo ra cần có các biện pháp kiểm soát kỹ thuật trước khi được đưa vào sử dụng thực tế.

Rào chắn đầu tiên làphân tích tĩnh.

Trí tuệ nhân tạo (AI) có thể tạo ra mã nguồn với những điểm yếu bảo mật tiềm ẩn, đặc biệt là trong các ngôn ngữ như Python và JavaScript. Đó là lý do tại sao các nhóm nên sử dụng các công cụ phân tích tĩnh trong quy trình CI/CD của họ. Các công cụ này có thể tự động quét mã để tìm các mẫu rủi ro trước khi được hợp nhất. Đối với các khu vực nhạy cảm như xác thực, thanh toán, dữ liệu người dùng và xử lý thông tin nhận dạng cá nhân (PII), việc xem xét của con người luôn là điều cần thiết.

Rào chắn thứ hai làcổng tự động kiểm soát chất lượng.

Trước khi một thay đổi do AI tạo ra được chấp nhận, nó cần phải vượt qua các bước kiểm tra cơ bản như kiểm tra kiểu dữ liệu, kiểm tra cú pháp, kiểm thử và quét bảo mật. Một số nhóm cũng sử dụng các vòng lặp xác minh tự động, trong đó tác nhân liên tục cải thiện mã cho đến khi các bước kiểm tra cần thiết được thông qua. Nhưng ngay cả khi đó, việc triển khai sản phẩm cũng không nên tự động. Hãy sử dụng các giai đoạn triển khai, phát hành thử nghiệm (canary release) và các cổng phê duyệt nghiêm ngặt trước khi gửi các thay đổi đến người dùng thực.

Rào chắn thứ ba làan ninh dựa trên kỹ năng.

Thay vì chỉ tìm ra các vấn đề bảo mật sau khi mã đã được viết, các tác nhân nên được đào tạo hoặc hướng dẫn tuân theo các mẫu lập trình an toàn trong quá trình tạo mã. Điều này có nghĩa là tác nhân cần biết các rủi ro phổ biến như tấn công chèn mã, xác thực yếu, xử lý dữ liệu không an toàn và các phụ thuộc không an toàn.

Các rào cản tổ chức

Các nhóm chuyên về trí tuệ nhân tạo cũng cần có các cơ chế bảo vệ ở cấp độ tổ chức.

Rào chắn đầu tiên làngăn ngừa sự mai một kỹ năng.

Nếu các kỹ sư phụ thuộc hoàn toàn vào AI, các kỹ năng cốt lõi của họ có thể dần trở nên yếu đi. Điều này rất rủi ro vì các công cụ AI đôi khi có thể không khả dụng, bị hạn chế hoặc đưa ra kết quả sai một cách chắc chắn. Vì vậy, các nhóm nên sử dụng AI như một đối tác học tập, chứ không chỉ là một lối tắt. Khi AI tạo ra mã, hãy yêu cầu nó giải thích logic. Xem xét lại lý luận. Hiểu rõ các sự đánh đổi. Thỉnh thoảng, hãy thực hành giải quyết vấn đề mà không cần AI để các kỹ năng cơ bản của bạn luôn vững chắc. Mục tiêu không phải là tránh AI. Mục tiêu là đảm bảo các kỹ sư vẫn hiểu những gì họ đang xây dựng.

Rào chắn thứ hai là hiểu đượcnghịch lý về năng suất.

Trí tuệ nhân tạo (AI) có thể giúp một lập trình viên làm việc nhanh hơn, nhưng điều đó không phải lúc nào cũng có nghĩa là toàn bộ nhóm hoặc công ty trở nên nhanh hơn. Nếu quy trình đã có vấn đề, AI có thể chỉ giúp nhóm tạo ra nhiều mã code lộn xộn hơn với tốc độ nhanh hơn. Đó là lý do tại sao các nhóm không nên chỉ đo lường sự thành công bằng tốc độ viết mã. Họ nên đo lường toàn bộ chu trình phát triển:

Chúng ta đang triển khai các tính năng hữu ích nhanh đến mức nào?
Chúng ta tạo ra lỗi thường xuyên như thế nào?
Có bao nhiêu công việc phải làm lại?
Người dùng có thực sự nhận được giá trị mà chúng mang lại không?

Kỹ sư chiến thắng trong kỷ nguyên AI bản địa

Những kỹ sư sẽ phát triển mạnh mẽ trong năm 2026 và những năm tiếp theo không phải là những người chỉ đơn thuần sử dụng các công cụ AI. Họ là những người biết cách làm việc với AI như một đối tác. AI có thể hỗ trợ việc thực thi. Nó có thể viết mã, tạo ra các bài kiểm tra, tạo tài liệu và tăng tốc các công việc thường ngày. Nhưng giá trị thực sự vẫn đến từ khả năng phán đoán của kỹ sư.

Bạn vẫn cần tư duy hệ thống. Bạn vẫn cần kỹ năng giải quyết vấn đề. Bạn vẫn cần kỹ năng giao tiếp. Bạn vẫn cần hiểu về kiến ​​trúc, sự đánh đổi, người dùng, bảo mật và mục tiêu kinh doanh. Trí tuệ nhân tạo không thay thế những kỹ năng đó, mà nó khuếch đại chúng.

Đây là lý do tại sao các kỹ sư giàu kinh nghiệm thường đạt được kết quả tốt hơn từ AI. Họ biết cần cung cấp ngữ cảnh nào, kết quả nào đáng tin cậy, kết quả nào cần loại bỏ và những rủi ro tiềm ẩn nằm ở đâu.

Kiến thức chuyên môn của bạn giờ đây là một trong những lợi thế lớn nhất. Cho dù bạn làm việc trong lĩnh vực tài chính, y tế, giáo dục, khoa học, công nghệ pháp lý hay bất kỳ lĩnh vực nào khác, sự hiểu biết của bạn về lĩnh vực đó sẽ giúp AI trở nên hữu ích hơn rất nhiều. Bạn càng hiểu rõ vấn đề, bạn càng có thể hướng dẫn AI tốt hơn.

Vì vậy, hãy tiếp tục nâng cao kiến ​​thức nền tảng về kỹ thuật. Hãy tiếp tục học hỏi sâu sắc lĩnh vực chuyên môn của bạn. Hãy tiếp tục thực hành kiến ​​trúc, kiểm thử, bảo mật, gỡ lỗi và tư duy sản phẩm. Kỹ thuật ứng dụng AI không phải là việc nâng cấp công cụ một lần duy nhất. Đó là một sự thay đổi lâu dài trong cách chúng ta xây dựng phần mềm.

Các nhóm coi AI chỉ là một công cụ lập trình thông thường có thể không thấy được sự gia tăng năng suất thực sự. Nhưng các nhóm coi nó như một phương thức làm việc mới sẽ tiến bộ nhanh hơn, học hỏi nhanh hơn và xây dựng được các hệ thống tốt hơn. Kỹ sư tương lai không chỉ là một người lập trình. Kỹ sư tương lai là một người tư duy, người đánh giá, người lập kế hoạch và người điều phối.

Nguồn