Cỗ máy cuối cùng là trí não: Khi tạo phần mềm rẻ đi, trách nhiệm đắt lên

Một người không biết lập trình, ngồi với AI một buổi chiều, dựng xong một ứng dụng chạy được. Câu đó hôm nay không còn gây sốc như một năm trước. Nhưng nếu dừng lại một chút, nó vẫn là một điều rất kỳ lạ.

Suốt hai thế kỷ qua, gần như mọi bước nhảy công nghệ lớn đều thay con người ở phần tay chân. Lần này, máy bắt đầu chen vào phần suy nghĩ. Không phải toàn bộ trí não — nhưng đủ nhiều để làm lung lay một giả định cũ: rằng lao động trí óc là tầng trú ẩn cuối cùng của con người. Và khi tầng cuối cùng cũng bị chạm vào, luật chơi đổi, cho cả kỹ sư lẫn người trả lương cho kỹ sư.

Cái thang hai trăm năm

Nhìn lại lịch sử sẽ thấy một quy luật khá nhất quán: mỗi cuộc cách mạng công nghệ đều kể cùng một chuyện — máy thay con người một loại việc, chỉ khác ở chỗ thay phần nào.

Động cơ hơi nước thay cơ bắp; một công nhân với máy dệt làm ra sản lượng bằng nhiều người trước đó. Điện và dây chuyền thay lao động lặp lại ở quy mô lớn — Henry Ford không phát minh ra ô tô, ông thay đổi cách sản xuất nó. Máy tính thay công việc văn phòng có quy tắc rõ ràng: tính toán, lưu trữ, đối chiếu sổ sách. Nhìn đủ xa, hướng dịch chuyển rất rõ: máy luôn đi từ phần thô đến phần tinh của lao động. Sức người trước, rồi thao tác lặp, rồi tới các quy trình mô tả được bằng luật lệ.

Mỗi lần một tầng bị tự động hóa, con người lại dịch lên tầng cao hơn — nơi cần nhiều phán đoán, nhiều hiểu biết, nhiều trách nhiệm hơn. Năm 1800, phần lớn lao động Mỹ làm nông nghiệp; đến cuối thế kỷ 20 con số đó chỉ còn vài phần trăm. Đồng áng không biến mất, nhưng nhu cầu lao động trực tiếp giảm mạnh, và con người chuyển sang nhà máy, văn phòng, nghiên cứu, dịch vụ. Hai trăm năm qua, đó gần như luôn là lối thoát: máy giỏi hơn ở tầng dưới, con người leo lên tầng trên.

Vấn đề là cái thang có đỉnh. Và tầng đang bị máy chạm tới lúc này là tầng mà trước đây chúng ta mặc định chỉ có lao động tri thức mới đảm nhiệm được. Không phải toàn bộ tư duy, nhưng là phần đủ lớn để buộc chúng ta xem lại cách tạo ra giá trị.

Khi máy bắt đầu nghĩ nháp

AI không khuân vác, không quay bánh xe, không đứng trên dây chuyền. Nó đọc, viết, lập luận, tổng hợp, sinh code, đề xuất phương án — và trong nhiều trường hợp, tạo ra cả bản nháp của một quyết định.

Steve Jobs từng gọi máy tính là “chiếc xe đạp cho trí óc”: nó giúp con người đi xa hơn, nhanh hơn, nhưng người vẫn là người đạp. AI khác ở chỗ nó không chỉ là chiếc xe đạp — nó bắt đầu tự đề xuất đường đi. Đó là điểm khiến nhiều người khó chịu. Khi cơ bắp bị thay, con người rút lên trí não. Vậy khi một phần trí não bị thay, ta rút lên đâu?

Phần mềm không chết, cách tạo phần mềm đang chết

Đó cũng là lý do vài tháng trước tôi từng viết rằng “Software Development đã chết“. Nhiều người đọc câu đó như một dự đoán về ngành phần mềm. Thực ra nó chỉ là một biểu hiện của một chuyển động lớn hơn nhiều.

Phần mềm không phải lĩnh vực duy nhất bị ảnh hưởng. Nó chỉ là nơi chúng ta nhìn thấy rõ nhất điều đang xảy ra: chi phí biến ý tưởng thành sản phẩm trí tuệ đang giảm với tốc độ chưa từng có.

Câu hỏi đó dẫn thẳng tới ý nghĩa thật đằng sau một nhận định nghe có vẻ giật gân. Không phải phần mềm hết quan trọng — ngược lại, nó quan trọng hơn bao giờ hết. Thứ đang đổi là chi phí tạo ra nó.

Phần từng làm nên giá trị khan hiếm của một kỹ sư — khả năng chuyển yêu cầu thành code — đang rẻ đi rất nhanh. Trong một thí nghiệm có kiểm soát của Microsoft Research, nhóm dùng GitHub Copilot hoàn thành một bài lập trình cụ thể (dựng HTTP server bằng JavaScript) nhanh hơn 55,8% so với nhóm không dùng.

Con số đó không chứng minh AI thay được kỹ sư; nó chỉ cho thấy phần “sinh code” đang được tăng tốc rất mạnh.

Sự hàng hóa hóa này cũng không diễn ra đồng đều. Những phần mềm có cấu trúc lặp lại, yêu cầu rõ ràng sẽ bị ảnh hưởng trước. Những hệ thống có độ tin cậy cực cao, nhiều ràng buộc nghiệp vụ hoặc vận hành phức tạp sẽ thay đổi chậm hơn. Nhưng ngay cả ở đó, chi phí tạo ra dòng code cũng đang giảm.

Giống như khi máy dệt xuất hiện, vải không mất giá — thứ mất giá là kỹ năng dệt thủ công.

Dịch sang ngôn ngữ tài chính cho người làm kinh doanh dễ hình dung: thứ bạn từng trả rất nhiều tiền để sở hữu đang dần thành hàng hóa phổ thông. Mà cái gì thành phổ thông thì sớm muộn cũng hết là lợi thế cạnh tranh. Lợi thế sẽ dịch sang nơi khác.

1-Man Module: một người sở hữu một lát cắt giá trị

Trước đây, một mảng đủ lớn thường cần nhiều người: người phân tích yêu cầu, người thiết kế, người viết backend, người viết frontend, người test, người review, người vận hành. AI không làm những vai đó biến mất, nhưng nó nén rất nhiều thao tác trong đó về tay một người đủ giỏi.

Một người, nếu hiểu đúng bài toán và biết dùng AI, có thể dựng nhanh prototype, viết phần lớn code, sinh test case, đọc log, tìm bug, viết tài liệu, thậm chí làm bản demo cho stakeholder. Những việc từng cần một nhóm nhỏ giờ kéo về được quanh một người.

Nhưng đây là chỗ dễ hiểu sai. 1-Man Module không có nghĩa là một người làm bừa mọi thứ. Nó có nghĩa là một người sở hữu trọn vẹn một lát cắt giá trị — từ hiểu vấn đề, tạo giải pháp, kiểm chứng, đến vận hành.

AI giúp người đó đi nhanh hơn. Nhưng thứ giữ cho tốc độ đó không biến thành hỗn loạn là harness.

Đội cũ tan vào một người. Người đó không làm ít hơn — họ quyết nhiều hơn.

Harness: thứ biến tốc độ thành độ tin cậy

Trong các thảo luận gần đây về AI Agents, người ta hay gọi lớp này là Harness: toàn bộ hệ thống bao quanh mô hình để biến năng lực thô của AI thành kết quả dùng được trong môi trường thật.

Hình dung một chiếc ô tô cho dễ. Động cơ là phần mạnh nhất, nhưng đặt một khối động cơ trần ra giữa đường thì nó chẳng đi đâu được. Phải có vô-lăng để lái, phanh để dừng, dây an toàn để bảo vệ, khung gầm để chịu tải — khi đó sức của động cơ mới thành một chiếc xe chạy được trên đường thật.

AI là động cơ. Harness là tất cả phần còn lại của chiếc xe. Cụ thể, nó là bộ khung kiểm soát quanh AI và quanh module: test, guardrail, quy ước code, luật review, pipeline triển khai, giám sát, cơ chế lùi khi hỏng, kiểm tra bảo mật, tiêu chí nghiệm thu.

Không có harness, AI chỉ làm tăng tốc độ sinh ra rác. Có harness, AI thành lực khuếch đại.

Ai cũng mua được động cơ giống nhau. Khác biệt nằm ở phần còn lại của chiếc xe.

Đây cũng là lý do cuộc cãi nhau “model nào mạnh hơn” thường lạc đề. Cùng một con AI, cùng một đề bài: người không có harness cho ra một giao diện, một API, vài bài test xanh — nhìn như chạy được. Người có harness sẽ giới hạn phạm vi, tách phần đoán mò khỏi phần phải chính xác tuyệt đối, cắm dữ liệu chuẩn vào, kiểm lại, rồi mới đẩy ra theo một quy trình truy được vết. Hai sản phẩm giống nhau trong buổi demo, nhưng chỉ một sống qua tháng đầu vận hành.

AI ngày càng giỏi tạo lời giải. Nhưng nó vẫn phụ thuộc vào chất lượng ngữ cảnh được cung cấp. Trong nhiều tổ chức, điểm nghẽn không còn nằm ở việc viết được giải pháp hay không, mà ở việc hiểu đúng bài toán cần giải, hiểu đúng các ràng buộc vận hành và hiểu đúng hệ quả của từng lựa chọn.

Đó cũng là lý do hiểu biết miền nghiệp vụ, trực giác hệ thống và kinh nghiệm vận hành thực tế vẫn tiếp tục là tài sản khó thay thế.

Nói cách khác, tương lai của kỹ sư không phải ngồi viết từng dòng code nhanh hơn AI. Nó là thiết kế hệ thống để AI tạo ra phần mềm trong một biên độ an toàn, có kiểm chứng, có trách nhiệm. AI sinh ra bản nháp; harness biến bản nháp thành thứ đáng tin; con người chịu trách nhiệm cho toàn bộ vòng đó.

Có một chi tiết về chữ nghĩa khá hợp với chuyện này. “Engineer” và “engine” không chỉ gợi đến máy móc. Cả hai có liên hệ sâu xa với Latin ingenium: trí khôn, sự khéo léo, năng lực phát minh.Nghề kỹ sư, ở gốc rễ, chưa bao giờ chỉ là viết code hay vận hành máy. Nó là dùng trí tuệ để giải quyết vấn đề.

AI đang lấy đi một phần “máy”, và đẩy con người về lại đúng phần “trí”.

Người cộng máy, không phải người chống máy

Cờ vua là ví dụ rõ nhất. Khi Deep Blue thắng Garry Kasparov năm 1997, nhiều người tin cờ vua của con người đã hết. Điều đó không xảy ra. Kasparov đi đến một kết luận khác: tương lai mạnh nhất không phải người chống máy, mà là người cộng máy — ông nói đại ý, máy móc không làm con người lỗi thời, chính sự tự mãn của con người mới làm điều đó.

Câu đó không an ủi, nó cảnh báo. Giữ khư khư kỹ năng cũ thì thua; biết dùng máy để nâng năng lực phán đoán thì còn cửa.

Nhưng để biết nên cộng máy ở đâu, phải tránh được hai cực mà ai cũng dễ rơi vào: một bên nghĩ AI thay tất cả ngay lập tức, một bên nghĩ chỉ là hype rồi qua. Cả hai đều có thể sai.

Roy Amara có một câu đáng nhớ: “Ta thường đánh giá quá cao tác động của công nghệ trong ngắn hạn, và quá thấp trong dài hạn.”

Ngắn hạn, nhiều demo sẽ gây ảo giác — trông thông minh nhưng vỡ khi gặp dữ liệu thật, người dùng thật, ràng buộc thật. Dài hạn, khi AI len vào quy trình, công cụ, cách tuyển dụng, cách đo năng suất và cách ra quyết định, tác động của nó sâu hơn nhiều so với vài màn trình diễn.

Nên câu hỏi đúng không phải “AI có thay kỹ sư không”, mà là: phần nào trong công việc kỹ sư sẽ bị hàng hóa hóa trước, và phần nào sẽ khan hiếm hơn?

Câu trả lời ngày càng rõ. Viết code rẻ đi, hiểu đúng vấn đề đắt lên. Sinh giải pháp rẻ đi, chọn đúng giải pháp đắt lên. Làm demo rẻ đi, vận hành thật đắt lên. Biết dùng AI sẽ là kỹ năng nền ai cũng có; biết chịu trách nhiệm với kết quả AI tạo ra mới là năng lực phân biệt.

Cú dịch chuyển bị nén lại

Lịch sử cho thấy nghề hiếm khi biến mất hoàn toàn, nhưng luôn có những thế hệ kẹt giữa hai thời đại — người sở hữu kỹ năng vừa mất giá mà chưa kịp xây kỹ năng mới. Khác biệt lớn nhất của AI không nằm ở bản chất mà ở tốc độ. Động cơ hơi nước mất hàng chục năm để lan rộng, điện mất nhiều thập kỷ để tái cấu trúc sản xuất, internet cần gần hai mươi năm. AI đạt quy mô người dùng lớn trong thời gian rất ngắn, rồi tiếp tục cải thiện theo chu kỳ tính bằng tháng.

McKinsey Global Institute ước tính đến năm 2030, khoảng 30% số giờ làm việc hiện tại có thể được tự động hóa — một xu hướng được GenAI tăng tốc đáng kể. Điều đáng chú ý là con số này khá nhất quán qua cả các báo cáo năm 2023 và 2024 của tổ chức này, ngay cả khi phạm vi phân tích được mở rộng từ Mỹ sang châu Âu và nhiều nền kinh tế lớn khác.

Nhưng điểm đáng suy nghĩ hơn không nằm ở tỷ lệ tự động hóa. McKinsey cũng ước tính số lượng người cần chuyển đổi nghề nghiệp đến năm 2030 có thể cao hơn khoảng 25% so với các dự báo được đưa ra trước khi GenAI xuất hiện. Điều đó không nhất thiết có nghĩa là việc làm biến mất. Nó có nghĩa là tốc độ dịch chuyển của kỹ năng đang tăng lên.

Đây không còn là chuyện của một thế hệ sau. Nó là chuyện của chu kỳ này.

Tổ chức phải thiết kế lại quanh trách nhiệm

Cá nhân có thể tự học kỹ năng mới. Tổ chức thì phải thiết kế lại cách mình tạo ra giá trị. Vài việc đáng bắt đầu ngay.

Đổi cách đo giá trị. Ngừng đo kỹ sư bằng số dòng code, ngừng thưởng cho hoạt động, bắt đầu đo bằng kết quả: tính năng có tạo ra tác động kinh doanh không, hệ thống có ổn định hơn không, rủi ro có được kiểm soát tốt hơn không. Khi chi phí viết code giảm mạnh, đếm số dòng trở thành một chỉ số nguy hiểm — nó khiến tổ chức tưởng mình đang tạo giá trị, trong khi thực ra chỉ đang tạo thêm bề mặt phải bảo trì.

Đầu tư vào năng lực vận hành AI, không chỉ vào việc mua AI. Model tốt sẽ nhanh chóng thành hàng hóa phổ thông, ai cũng mua được. Thứ khó sao chép là cách tổ chức kiểm soát và khai thác nó: quy trình kiểm chứng, quản trị rủi ro, phân quyền, giám sát, khả năng phục hồi khi AI trả ra kết quả sai. Hai công ty dùng cùng một model có thể ra kết quả khác nhau một trời một vực — khác biệt nằm ở hệ thống vận hành quanh model, không ở model. Đó mới là con hào cạnh tranh thật.

Tổ chức quanh quyền sở hữu kết quả. Khi một người làm được khối lượng từng cần cả nhóm, nhu cầu điều phối trung gian giảm. Tổ chức sẽ phẳng hơn, ít lớp chuyển tiếp hơn, nhiều người chịu trách nhiệm trực tiếp hơn.

Điều đó không có nghĩa tầng quản lý trung gian biến mất. Nó có nghĩa giá trị của tầng quản lý thay đổi. Khi AI làm giảm chi phí tổng hợp thông tin, báo cáo và phối hợp, giá trị của người quản lý không còn nằm ở việc truyền đạt thông tin mà nằm ở khả năng ra quyết định trong điều kiện bất định.

Người quản lý mạnh sẽ không phải người kiểm soát nhiều hoạt động hơn, mà là người giúp tổ chức đưa ra quyết định tốt hơn với ít ma sát hơn.

Đừng bỏ rơi thế hệ ở giữa. Đây là nhóm rủi ro nhất, nhưng cũng giá trị nhất. Họ có trực giác vận hành, hiểu biết nghiệp vụ, kinh nghiệm xử lý sự cố và kiến thức tổ chức mà AI chưa có. Bị bỏ rơi, họ thành lực cản; được đào tạo lại đúng, họ thành lớp người khuếch đại AI hiệu quả nhất. Tổ chức nào chỉ tuyển người mới biết dùng AI mà quên nâng cấp người cũ là đang tự xóa trí nhớ vận hành của chính mình.

Đua với đồng hồ. AI không chờ ai thích nghi xong mới tiến tiếp. Tổ chức xem đây là chuyện của tương lai sẽ phải học trong thế bị động. Lợi thế thuộc về nơi bắt đầu thay đổi khi vẫn còn thời gian để thử, sai và sửa.

Kết

Mỗi lần công nghệ bước sang nấc mới đều lấy đi một phần giá trị từng thuộc về con người, rồi buộc ta định nghĩa lại mình bằng phần còn lại. Cơ bắp mất từ lâu. Giờ đến lượt một phần trí não. Nhưng khả năng xác định điều gì đáng làm, đưa ra phán đoán trong bối cảnh bất định, và chịu trách nhiệm cho kết quả cuối cùng — những thứ đó vẫn chưa tự động hóa được.

Hai trăm năm trước, máy lấy đi lợi thế của cơ bắp. Hôm nay, AI bắt đầu lấy đi lợi thế của một phần quy trình tư duy. Mỗi lần như vậy, giá trị lại dịch chuyển lên một tầng cao hơn.

Nếu AI là động cơ mạnh nhất từng xuất hiện cho lao động tri thức, thì câu hỏi còn lại không phải động cơ mạnh đến đâu, mà ai là người cầm vô-lăng.

Tài liệu tham khảo

1. McKinsey Global Institute (July 2023). Generative AI and the future of work in America. Link

1. McKinsey Global Institute (May 21, 2024). A new future of work: The race to deploy AI and raise skills in Europe and beyond. Eric Hazan, Anu Madgavkar, Michael Chui, Sven Smit, et al. Link