AI - the Inevitable!
Từ những cuộc cách mạng công nghiệp đến AI agents, ngành phần mềm đang thay đổi với tốc độ chưa từng có. Điều gì đang diễn ra, xu hướng nào khó đảo ngược, cơ hội ở đâu và software engineer phải thay đổi thế nào?
9 tháng 11, 2026 · 30 phút đọc
Phần 3 Tản mạn công nghệ
Năm 2021, GitHub Copilot xuất hiện với khả năng gợi ý một dòng code, một function hoặc vài unit tests. Với nhiều developer lúc đó, AI là một công cụ thú vị, đủ tiện lợi để tiết kiệm thời gian nhưng chưa đủ sức thay đổi bản chất nghề nghiệp. Chỉ vài năm sau, coding agents đã có thể nhận một yêu cầu, khám phá repository, sửa nhiều modules, chạy tests và chuẩn bị pull request. Một công việc từng cần cả buổi chiều của developer đôi khi giờ bắt đầu bằng một câu lệnh và kết thúc bằng việc xem xét kết quả.
Khoảng cách giữa hai thời điểm ấy đủ ngắn để nhiều người chưa kịp thay đổi cách nhìn về nghề nghiệp của mình. Những kỹ năng từng được xem là lợi thế cạnh tranh đang dần trở thành năng lực phổ biến của công cụ. Trong khi software engineer còn đang học cách làm việc với AI, doanh nghiệp đã bắt đầu tính toán lại năng suất, quy mô nhân sự và chi phí sản xuất phần mềm.
Câu chuyện này không chỉ thuộc về ngành IT. Nó là một phần của làn sóng chuyển đổi rộng hơn mà tôi gọi là Cách mạng công nghiệp 4.5: khi công nghệ bắt đầu tự động hóa một phần những công việc vốn được cho là chỉ trí óc con người mới có thể thực hiện. Tên gọi 4.5 là một cách diễn giải, không phải phân kỳ lịch sử được giới nghiên cứu thống nhất. Nhưng những thay đổi đứng sau nó hoàn toàn có thật.
1. Từ những cuộc cách mạng công nghiệp đến cuộc cách mạng của trí tuệ
Mỗi cuộc cách mạng đều thay đổi thứ mà con người phải tự làm
Cuộc cách mạng công nghiệp lần thứ nhất, thường được đặt mốc khởi đầu vào khoảng năm 1760, đưa hơi nước và cơ giới hóa vào sản xuất. Những công việc trước đây phụ thuộc vào sức người, sức kéo của động vật và các xưởng thủ công bắt đầu được thực hiện bằng máy móc. Cuộc cách mạng lần thứ hai, từ cuối thế kỷ XIX, tận dụng điện năng, động cơ và dây chuyền sản xuất hàng loạt để đưa năng suất công nghiệp lên một quy mô khác.
Sang nửa sau thế kỷ XX, điện tử, máy tính và công nghệ thông tin mở ra cuộc cách mạng công nghiệp lần thứ ba. Máy móc không còn chỉ thay con người tạo ra lực cơ học; chúng bắt đầu tính toán, lưu trữ và xử lý thông tin. Làn sóng thứ tư, được nhắc tới rộng rãi trong thập niên 2010, tiếp tục nối thế giới vật lý với thế giới số thông qua IoT, cyber-physical systems, cloud và automation. Cách phân chia này cũng gần với khung lịch sử được World Economic Forum trình bày về bốn cuộc cách mạng công nghiệp.
Có thể nhìn các giai đoạn qua bảng tóm lược sau. Các khoảng thời gian là mốc tham chiếu thường dùng, không phải ranh giới lịch sử tuyệt đối.
| Giai đoạn | Khoảng thời gian tham chiếu | Năng lực sản xuất nổi bật |
|---|---|---|
| 1.0 | 1760–1840 | Hơi nước và cơ giới hóa |
| 2.0 | 1870–1914 | Điện và sản xuất hàng loạt |
| 3.0 | Khoảng 1970–2010 | Máy tính, phần mềm và Internet |
| 4.0 | Từ khoảng 2011, vẫn tiếp diễn | IoT, dữ liệu và cyber-physical systems |
| 4.5 (cách gọi trong bài) | Làn sóng generative AI từ 2022 | Foundation models, AI agents và tự động hóa nhận thức |
Nếu chọn các mốc quy ước 1760, 1870, 1970 và 2011, khoảng cách giữa những điểm khởi đầu lần lượt là khoảng 110, 100 và 41 năm. Những mốc này không đủ để chứng minh một quy luật lịch sử rằng mọi cuộc cách mạng sau chắc chắn ngắn hơn cuộc trước; các giai đoạn chồng lấn và mỗi nhà nghiên cứu có cách phân kỳ khác nhau. Tuy nhiên, chúng giúp nhìn thấy một sự khác biệt có thật của thời đại số: công nghệ có thể được phân phối trên phạm vi toàn cầu mà không phải chờ xây dựng lại toàn bộ mạng lưới nhà máy, đường sắt hay hệ thống điện.
Làn sóng generative AI từ cuối năm 2022 mở ra một bước chuyển mới bên trong kỷ nguyên số. Năng lực quan trọng nhất không còn nằm ở việc máy tính thực hiện các chỉ dẫn cố định, mà ở khả năng diễn giải ngôn ngữ, tổng hợp tri thức, viết phần mềm, lập kế hoạch và đưa ra những phương án hành động trong một phạm vi ngày càng rộng.
Khác biệt đầu tiên: sản phẩm không chỉ là máy móc, mà là năng lực trí tuệ có thể nhân bản
Máy hơi nước thay thế một phần sức cơ bắp. Dây chuyền điện khí hóa thay đổi cách con người sản xuất hàng hóa. Máy tính giúp xử lý thông tin ở quy mô lớn. Còn foundation models cung cấp một dạng năng lực nhận thức có thể được gọi đến như dịch vụ: viết, phân tích, lập trình, giải thích, phân loại và hỗ trợ ra quyết định.
Gọi đó là trí tuệ không có nghĩa model suy nghĩ hay hiểu thế giới giống con người. Điều đáng quan tâm về mặt kinh tế là nhiều đầu ra vốn đòi hỏi lao động trí óc chuyên môn giờ có thể được sản xuất với chi phí biên thấp hơn. Một model được huấn luyện có thể phục vụ nhiều tổ chức, nhiều ngành nghề và vô số tác vụ mà không cần đào tạo một nhân sự mới cho từng công việc.
Điều này làm thay đổi đối tượng chịu tác động trực tiếp. Các cuộc cách mạng trước thường được nhớ đến qua nhà máy và công việc thủ công, dù trên thực tế chúng cũng tái cấu trúc nhiều nghề trí óc. Lần này, những lĩnh vực như software engineering, thiết kế, tài chính, pháp lý, marketing, nghiên cứu và quản trị đều nằm ngay trong vùng ảnh hưởng ban đầu. Tầng lớp lao động tri thức không còn có thể mặc nhiên xem chuyên môn của mình là giới hạn cuối cùng mà máy móc không thể vượt qua.
Khác biệt thứ hai: tốc độ lan truyền và tiến hóa nhanh hơn khả năng thích nghi của nhiều tổ chức
Một dây chuyền cơ khí cần nhà xưởng và máy móc; một năng lực AI mới đôi khi có thể được đưa đến hàng triệu người dùng qua bản cập nhật model hoặc sản phẩm. Chính cơ chế phân phối bằng software và cloud làm khoảng cách giữa một đột phá kỹ thuật với tác động trong công việc trở nên rất ngắn. Chưa kể, AI lại đang được dùng để hỗ trợ nghiên cứu, viết code và phát triển thế hệ công cụ tiếp theo, dù không nên suy diễn rằng quá trình tự cải thiện này đã trở nên hoàn toàn tự chủ.
Chúng ta mất nhiều năm để đào tạo một software engineer đủ năng lực xử lý hệ thống phức tạp. Nhưng những gì engineer ấy đã học có thể phải được đánh giá lại chỉ sau vài lần nâng cấp model. Vấn đề không còn đơn thuần là cần học thêm một công nghệ mới. Nó là khoảng cách giữa tốc độ thay đổi của công nghệ và tốc độ thay đổi của chương trình đào tạo, cơ cấu doanh nghiệp, thị trường lao động và thói quen con người.
Khác biệt thứ ba: tác động có thể đi thẳng vào các mắt xích ra quyết định
Automation truyền thống thường bắt đầu ở công đoạn lặp lại, có quy tắc rõ ràng. AI mở rộng việc tự động hóa sang những tác vụ từng cần diễn giải thông tin không đầy đủ, cân nhắc lựa chọn và điều phối nhiều bước. Những model chuyên cho quyết định có cấu trúc, chẳng hạn Jev của TypeSafe AI, cho thấy một hướng đi trong đó AI trả về lựa chọn, điểm số hoặc xác suất để hệ thống xử lý tiếp, thay vì chỉ sinh văn bản.
Điều đó chưa đồng nghĩa máy móc có quyền quyết định thay con người trong mọi bối cảnh. Tính toán một lựa chọn và chịu trách nhiệm về hệ quả của lựa chọn là hai việc khác nhau. Nhưng ranh giới giữa công việc có thể giao cho phần mềm và công việc bắt buộc do chuyên gia trực tiếp thực hiện đang tiếp tục dịch chuyển.
2. Hiện trạng: những tuyến phòng thủ của software engineer đang suy yếu
Từ autocomplete đến agent làm việc trên cả codebase
GitHub Copilot ra mắt bản technical preview ngày 29/6/2021. Khi ấy, giá trị được giới thiệu chủ yếu là gợi ý dòng code, function, tests và API usage. Giai đoạn 2024–2026 chứng kiến sự phát triển nhanh của những coding agents có thể đọc codebase, thay đổi nhiều files, chạy commands và tham gia quy trình delivery. Đây không phải câu chuyện AI đi từ zero đến thay thế toàn bộ developer chỉ trong đúng ba năm; nhưng là sự chuyển dịch rất nhanh từ hỗ trợ gõ code sang nhận và thực hiện nhiệm vụ.
Thứ từng được xem là phòng tuyến của con người liên tục bị thách thức. Khi AI viết code tốt, chúng ta nhấn mạnh vai trò code review. Khi AI review tiến bộ, giá trị lại được đặt vào architecture, requirement và technical decisions. Nhưng AI cũng đang tham gia vào từng hoạt động đó. Rút lui lên một tầng trừu tượng cao hơn có thể là bước thích nghi hữu ích ở hiện tại, chứ không phải bằng chứng rằng tầng ấy sẽ mãi thuộc về con người.
Tuy vậy, không nên biến trải nghiệm của những dự án AI-first thành kết luận cho toàn ngành. Stack Overflow Developer Survey 2026 ghi nhận khoảng 83% người trả lời sử dụng ít nhất một loại công cụ AI trong công việc, nhưng chỉ khoảng 26% sử dụng agents hoặc automated workflows. AI đã trở nên phổ biến; mức độ tự động hóa thực tế giữa các tổ chức vẫn khác nhau rất lớn.
Một số vị trí trong SDLC bị loại bỏ trước khi toàn bộ trách nhiệm của chúng được tự động hóa
Ở những dự án ứng dụng AI sâu, requirement documents và acceptance criteria có thể được tạo từ transcript, source code, hệ thống hiện hữu hoặc trao đổi với khách hàng. Unit tests và integration tests được sinh tự động. Developer làm việc qua coding agents và code review dựa nhiều hơn vào các công cụ AI. Một số đội đã thu hẹp hoặc không còn bố trí BA, QC như những vị trí độc lập.
Nhưng việc không còn BA trong staffing plan không có nghĩa requirement discovery đã biến mất. Có thể một engineer hoặc product owner đang tiếp nhận trách nhiệm làm rõ mâu thuẫn giữa các phòng ban, còn AI tạo tài liệu. Tương tự, không có QC riêng không có nghĩa toàn bộ chất lượng đã được bảo đảm: AI vẫn có thể viết implementation và tests cùng dựa trên một cách hiểu requirement sai.
Đây là điểm cần nhìn thẳng: doanh nghiệp không cần đợi công nghệ thay thế 100% một nghề mới bắt đầu loại bỏ một vị trí trong tổ chức. Chỉ cần một nhóm nhỏ kết hợp AI tạo ra kết quả ở mức chấp nhận được với chi phí thấp hơn, mô hình nhân sự truyền thống đã chịu áp lực tái cấu trúc. Việc thay thế ở cấp độ tổ chức có thể diễn ra sớm hơn khả năng thay thế hoàn toàn về mặt kỹ thuật.
Năng suất tăng không đồng nghĩa chất lượng và hiệu quả tăng tương ứng
Dữ liệu thực tế cho thấy tác động của AI chưa đồng nhất. Báo cáo DORA 2025 của Google, dựa trên gần 5.000 chuyên gia công nghệ, xem AI như một yếu tố khuếch đại cả điểm mạnh lẫn điểm yếu của tổ chức. Trong khi đó, thử nghiệm METR năm 2025 trên những developer có kinh nghiệm trong codebase quen thuộc ghi nhận thời gian hoàn thành tác vụ tăng 19% khi dùng công cụ AI tại thời điểm nghiên cứu. Bản cập nhật tháng 2/2026 của METR cho rằng công cụ mới có thể đã cải thiện tốc độ, nhưng kết quả đo tiếp theo chưa đủ tin cậy để kết luận mức tăng cụ thể.
Hai nghiên cứu không phủ nhận sự tiến bộ của AI. Chúng nhắc rằng số dòng code được sinh ra, số agents chạy đồng thời hay số tasks được đánh dấu hoàn thành không tương đương với software được triển khai an toàn và tạo ra giá trị kinh doanh. Trong một hệ thống thực tế, tốc độ còn phụ thuộc vào integration, data consistency, regression risk, approval và khả năng tiếp nhận thay đổi của khách hàng.
Engineer đang được yêu cầu làm nhiều hơn, nhưng não người không mở rộng theo số lượng agents
Một engineer có thể mở nhiều coding agents, giao cho chúng năm feature cùng lúc và nhận kết quả trong khoảng thời gian trước đây chỉ đủ hoàn thành một feature. Nhưng người ấy vẫn phải theo dõi những thay đổi liên quan, quyết định cách tích hợp, đánh giá rủi ro và xử lý những ngoại lệ mà agents không tự giải quyết được.
Khi doanh nghiệp bắt đầu coi năng suất mới là mức kỳ vọng mặc định, người lao động có thể phải chịu trách nhiệm cho nhiều đầu ra hơn thay vì được giảm workload. Nghiên cứu của BCG đăng trên Harvard Business Review tháng 3/2026, dựa trên 1.488 người lao động tại Mỹ, ghi nhận việc sử dụng hoặc giám sát AI quá mức có liên hệ với mệt mỏi nhận thức, quá tải quyết định và ý định nghỉ việc. Hiện tượng được gọi là AI brain fry phản ánh một giới hạn rất thực tế: sức chú ý và khả năng chuyển đổi ngữ cảnh của con người không tăng tuyến tính với khả năng tạo output của máy móc.
Một làn sóng phản kháng với AI vì vậy không phải kịch bản phi lý, nhất là khi công nghệ được dùng để cắt giảm nhân sự hoặc gia tăng giám sát và workload. Nhưng bên cạnh phủ nhận và phản kháng sẽ là những phản ứng khác: chấp nhận, tìm cách khác biệt hóa và tái tổ chức nghề nghiệp. Những phản ứng này có thể diễn ra đồng thời, ngay trong cùng một công ty.
Thị trường lao động và outsourcing bắt đầu cảm nhận sức ép
Các tập đoàn công nghệ lớn đã có những đợt cắt giảm và tái cấu trúc nhân sự, nhưng không thể quy mọi quyết định cho AI thay thế trực tiếp con người. Áp lực chi phí, thay đổi danh mục đầu tư và dịch chuyển ngân sách sang AI infrastructure cũng đóng vai trò quan trọng. Đôi khi doanh nghiệp không cần sa thải để giảm nhu cầu lao động: họ chỉ cần ngừng tuyển thêm trong khi sản lượng vẫn tăng.
Bản nghiên cứu cập nhật tháng 8/2026 của Stanford Digital Economy Lab chưa tìm thấy bằng chứng về làn sóng mất việc trên toàn nền kinh tế Mỹ, nhưng ghi nhận việc làm của nhóm 22–25 tuổi trong các nghề chịu tác động lớn từ AI thấp hơn khoảng 19% so với mức sẽ đạt được nếu tăng trưởng cùng nhịp với nhóm ít chịu tác động hơn. Khoảng cách chủ yếu đến từ tuyển dụng người trẻ chậm lại, chứ không phải sa thải hàng loạt. Đây là tín hiệu đáng chú ý, không phải bằng chứng AI là nguyên nhân duy nhất.
Với outsourcing, sức ép còn trực tiếp hơn. Nếu khách hàng từng mua mười engineers để hoàn thành một phạm vi công việc, họ có lý do yêu cầu cùng kết quả với team nhỏ hơn hoặc giá thấp hơn khi năng lực AI tăng lên. Mô hình cạnh tranh dựa trên headcount và engineer-hours sẽ khó duy trì lợi thế nếu không thay đổi điều thực sự được bán cho khách hàng.
3. Những xu thế khó đảo ngược: từ nghề lập trình đến hình thái mới của phần mềm
Coding dần trở thành năng lực phổ thông, còn trách nhiệm engineering vẫn phải có chủ thể
Khi implementation, debugging và testing ngày càng được tự động hóa, công việc chỉ chuyển requirement có sẵn thành source code sẽ mất dần tính khan hiếm. Software engineer có thể dịch chuyển từ Technical Execution sang Technical Stewardship: chịu trách nhiệm về system integrity, architecture, reliability, security và khả năng tiến hóa của hệ thống.
Cần tránh một kết luận quá dễ dãi rằng engineer chỉ cần chuyển lên làm architecture là an toàn. AI cũng ngày càng giỏi architecture analysis, planning và review. Thậm chí việc vận hành một AI Harness hôm nay có thể được chính AI tự động hóa tiếp trong tương lai. Công việc còn lại của con người sẽ phụ thuộc vào mức độ rủi ro, quyền ra quyết định, accountability và khả năng tổ chức phân chia trách nhiệm, chứ không đơn giản phụ thuộc vào một kỹ năng mà AI chưa làm được ở hiện tại.
Mặt khác, doanh nghiệp vẫn có lý do duy trì chức năng software engineering. Một claims manager trong công ty bảo hiểm có thể dùng AI để xây workflow bồi thường, nhưng người ấy không nhất thiết nên dành phần lớn thời gian quản lý integration, data consistency và security. Chuyên môn hóa lao động vẫn có giá trị. Điều thay đổi là một nhóm technical specialists có thể đảm nhiệm phạm vi lớn hơn rất nhiều so với trước.
Human bottleneck sẽ thúc đẩy AI Harness và Autonomous SDLC
Một hệ thống có hai mươi coding agents không đồng nghĩa có thể hoàn tất hai mươi features độc lập. Các agents có thể đụng shared database schema, domain contracts và deployment pipeline. Nếu không có coordination, số lượng đầu ra tăng sẽ tạo thêm integration failures và công việc review.
Khi việc giám sát trở thành bottleneck, doanh nghiệp có động lực tự động hóa cả công việc giám sát. Đó là lý do AI Harness sẽ ngày càng quan trọng: nó không chỉ gọi nhiều models, mà còn quản lý context, phân rã nhiệm vụ, theo dõi dependencies, điều phối agents, kiểm tra acceptance criteria, lưu evidence, thực thi quality gates, phát hiện regression và hỗ trợ recovery.
Giá trị của harness không nằm ở việc chạy được nhiều agents nhất, mà ở khả năng tạo ra kết quả có thể kiểm chứng với mức can thiệp của con người phù hợp với rủi ro. Việc một agent viết tests rồi một agent khác nói tests đã pass chưa đủ để chứng minh business requirement đã đúng. Các cơ chế kiểm chứng độc lập, policy enforcement và audit trail phải trở thành một phần của quá trình sản xuất phần mềm.
Teams có thể nhỏ hơn và gần business hơn, nhưng không phải mọi dự án đều còn hai người
Một product có phạm vi gọn, domain rõ ràng và platform đủ trưởng thành có thể được phát triển bởi một vài engineers kết hợp AI agents. Trong doanh nghiệp, technical specialists có thể làm việc trực tiếp với phòng finance, operations hay sales để chuyển nhu cầu thành workflow và giải pháp gần như tức thời.
Điều này cũng có mặt trái. Khi engineering teams thu nhỏ và phân tán, môi trường học hỏi qua đồng nghiệp, pair programming, code review và mentoring có thể suy yếu. Ngành công nghiệp đang muốn có nhiều engineers giỏi architecture và system thinking hơn, nhưng lại có nguy cơ tự động hóa chính những công việc từng giúp junior tích lũy kinh nghiệm để trưởng thành.
Tuy nhiên, con số hai hay ba người chỉ là kịch bản phù hợp với một số loại sản phẩm. Những hệ thống lớn, nhiều integrations, yêu cầu cao về compliance hoặc vận hành 24/7 vẫn có thể cần các chuyên gia platform, security, data, reliability và domain. Sự thu nhỏ về nhân sự không xóa bỏ complexity của hệ thống; nó làm thay đổi cách tổ chức xử lý complexity ấy.
Phần mềm chuyển từ UI-centric sang agent-centric
Phần mềm truyền thống thường yêu cầu con người đăng nhập vào ứng dụng, tìm đúng chức năng, điền form và bấm nút. Trong hệ sinh thái có personal AI agents, người dùng có thể chỉ cần diễn đạt mục tiêu: kiểm tra lịch và số ngày phép, đăng ký nghỉ, đặt một đơn hàng hoặc chuẩn bị báo cáo. Agent sẽ tìm và sử dụng những business capabilities tương ứng.
Model Context Protocol (MCP) đang chuẩn hóa cách AI sử dụng tools và resources, còn Agent2Agent (A2A) giải quyết nhu cầu khám phá và cộng tác giữa các agents. Chúng không thay thế toàn bộ REST, gRPC hay message brokers: các nghiệp vụ giao dịch vẫn cần contracts, authorization và transactional boundaries rõ ràng.
UI cũng không biến mất hoàn toàn. Với dashboard, biểu đồ, quyết định có rủi ro hoặc tác vụ đòi hỏi quan sát trực quan, giao diện vẫn rất hữu ích. Thứ thay đổi là UI không nhất thiết cố định cho mọi tình huống. MCP Apps, ra mắt tháng 1/2026, cho phép tools trả về forms và visualizations ngay trong cuộc hội thoại, là một ví dụ của hướng generative, context-aware UI.
AI-native software sẽ kết hợp reasoning với deterministic business core
Trong một hệ thống bảo hiểm, AI có thể đọc hồ sơ, phát hiện thiếu chứng từ và đề xuất hướng xử lý. Nhưng phần tính chính xác số tiền bồi thường, áp dụng giới hạn hợp đồng hay thực hiện một giao dịch tài chính vẫn cần những quy tắc có thể kiểm chứng và tính nhất quán rõ ràng. Đưa toàn bộ business logic sang LLM không tự động làm phần mềm thông minh hơn; đôi khi nó chỉ biến một phép tính chắc chắn thành một kết quả khó dự đoán.
AI-native architecture vì vậy có thể là sự kết hợp giữa probabilistic reasoning và deterministic services. Các models khác nhau đảm nhiệm classification, document extraction, planning, reasoning hoặc evaluation tùy yêu cầu. Model routing, caching, context optimization và cost monitoring trở thành những quyết định kiến trúc quan trọng, vì dùng model mạnh nhất cho mọi tác vụ không đảm bảo hiệu quả kinh tế tốt nhất.
Modularity quan trọng hơn việc chia hệ thống thành thật nhiều microservices
AI làm việc hiệu quả hơn khi domain boundaries, dependencies, contracts và invariants rõ ràng. Một thay đổi liên quan đến settlement sẽ an toàn hơn nếu agent biết đúng business context cần thiết, thay vì phải đoán trên một codebase rối rắm. Điều đó tạo thêm động lực cho bounded contexts, modularization và well-defined APIs.
Nhưng logical modularity không đồng nghĩa physical service decomposition. Modular monolith có ranh giới tốt có thể thân thiện với agents hơn một mạng lưới nanoservices phụ thuộc chằng chịt. Martin Fowler từng phân tích “Microservice Premium”: phân tán services tạo ra chi phí về vận hành và failure handling không tự biến mất chỉ vì AI viết code nhanh hơn. AI-friendly architecture nên được đánh giá bằng sự rõ ràng của domain và khả năng thay đổi an toàn, không phải đếm số services.
Software industry có thể sản xuất nhiều hơn trong khi dùng ít engineers hơn
Khi chi phí phát triển giảm, nhiều dự án từng không đủ ROI sẽ trở nên khả thi. Nhưng số dự án tăng không đảm bảo việc làm tăng tương ứng. Nếu một dự án từng cần mười engineers nay chỉ cần hai, số dự án phải tăng gấp năm lần mới giữ nguyên số vị trí engineering, với giả định thời lượng dự án tương đương. Đây chỉ là một phép tính minh họa, nhưng nó cho thấy vì sao software demand expansion và software employment growth là hai câu chuyện khác nhau.
Mô hình outsourcing dựa trên bán engineer-hours sẽ chịu áp lực. Giá trị có thể chuyển sang AI-augmented delivery capacity, managed services, domain-specialized solutions và business outcomes. Nhưng chuyển sang outcome-based pricing cũng có nghĩa vendor phải kiểm soát scope, reliability và trách nhiệm phát sinh, chứ không chỉ thay một cách tính tiền.
4. Cơ hội: khi chi phí sản xuất giảm, những thị trường mới bắt đầu mở ra
Sự thay đổi này không chỉ là câu chuyện thu hẹp nhân sự. Nó có thể mở ra một thị trường phần mềm rộng hơn nhiều, đặc biệt ở những lĩnh vực vốn có nhu cầu số hóa nhưng chưa đủ ngân sách hoặc năng lực để triển khai. Câu hỏi kinh tế quan trọng là ai sẽ nắm giữ phần giá trị được tạo ra khi software trở nên rẻ hơn.
Chuyển đổi số ở những doanh nghiệp từng đứng ngoài cuộc
Theo VCCI, dựa trên khảo sát PCI 2025 được công bố năm 2026, chỉ 37,9% doanh nghiệp tư nhân trong mẫu khảo sát sử dụng ít nhất một công nghệ số từ mức thấp trở lên. Con số này không đo trực tiếp nhu cầu mua phần mềm, nhưng cho thấy quá trình số hóa còn rất không đồng đều.
Những doanh nghiệp nhỏ từng phải quản lý inventory bằng Excel, điều phối sản xuất bằng nhóm chat hoặc xử lý chứng từ thủ công có thể bắt đầu cân nhắc các giải pháp chuyên biệt khi chi phí giảm. Thị trường không nhất thiết cần thêm những ERP khổng lồ; nó có thể cần các workflow nhỏ, kết nối tốt với dữ liệu hiện hữu và mở rộng dần theo nhu cầu.
Tuy nhiên, chi phí viết code chỉ là một phần của chuyển đổi số. Quy trình thiếu chuẩn hóa, dữ liệu rời rạc và sự phản kháng với thay đổi vẫn có thể khiến dự án thất bại. Doanh nghiệp cung cấp dịch vụ có cơ hội lớn nếu giải quyết được cả vấn đề tổ chức, không chỉ bàn giao một ứng dụng.
Legacy modernization và hệ thống số hóa dang dở
Nhiều doanh nghiệp có hệ thống cũ đang hoạt động ổn định nhưng khó tích hợp, thiếu tài liệu và tốn kém mỗi khi thay đổi. AI có thể hỗ trợ reverse engineering, dependency analysis, test generation và migration planning, khiến những dự án modernization trước đây bị trì hoãn có thể được xem xét lại.
Tôi cho rằng cơ hội lớn không phải lúc nào cũng là viết lại toàn bộ legacy system. Đôi khi việc giữ transaction core ổn định, bổ sung APIs, tái cấu trúc integration và mở một lớp AI-compatible capabilities lại tạo ra ROI tốt hơn. Những công ty hiểu domain và chịu trách nhiệm được về data integrity sẽ có lợi thế hơn những đơn vị chỉ bán tốc độ generate code.
AI-native applications và tự động hóa các quy trình nghiệp vụ
Một chatbot gắn thêm vào phần mềm truyền thống chưa tạo ra chuyển đổi lớn. Giá trị đáng kể xuất hiện khi AI có thể tham gia vào workflow hoàn chỉnh: đọc hồ sơ, đối chiếu dữ liệu, phát hiện ngoại lệ, phối hợp departments và chuẩn bị hành động trong phạm vi quyền hạn được cấp.
Trong logistics, đó có thể là xử lý shipping exceptions; trong bảo hiểm là đối chiếu claims documents; trong kế toán là reconciliation; trong manufacturing là hỗ trợ planning và xử lý sự cố từ dữ liệu vận hành. Mỗi use case cần được đo bằng thời gian xử lý, tỷ lệ lỗi, chi phí và tác động kinh doanh thực tế. Thị trường cho những giải pháp hiểu sâu domain có thể hấp dẫn hơn việc xây thêm một general-purpose chatbot.
AI-ready data, enterprise knowledge và agent enablement
Khi agents bắt đầu thực hiện công việc thay con người, chúng cần truy cập dữ liệu có ngữ cảnh và được phân quyền đúng. Nghiên cứu Accenture năm 2026 ghi nhận chỉ 7% trong mẫu 2.000 doanh nghiệp được xếp vào nhóm đạt mức AI-ready data đủ trưởng thành để mở rộng advanced AI. Đây là khoảng trống cho những dịch vụ data integration, knowledge retrieval, provenance, access control và governance.
Một hướng khác là giúp các hệ thống ERP, CRM, HRM và enterprise applications hiện có trở nên agent-accessible: công bố business capabilities qua secure APIs hoặc MCP, hỗ trợ agent discovery, chuẩn hóa authorization và audit. Việc bọc API thành một tool có thể dễ; việc khiến agent sử dụng tool đó đúng quyền, đúng business invariant và có thể truy vết mới là phần khó có giá trị thương mại.
Giáo dục và đào tạo lại lực lượng lao động
Khi AI có thể giải bài tập và tạo ra sản phẩm cuối cùng, giáo dục buộc phải quan tâm nhiều hơn đến việc người học thực sự hiểu gì. OECD Digital Education Outlook 2026 phân biệt rõ hiệu quả hoàn thành bài tập với hiệu quả học tập: dựa quá nhiều vào AI có thể cải thiện output mà không tạo ra năng lực tương ứng.
Cơ hội nằm ở adaptive tutoring, đánh giá năng lực thực, mô phỏng tình huống và đào tạo lại người lao động để phối hợp với AI. Riêng trong software engineering, một thế hệ junior ít được trực tiếp làm những công việc implementation truyền thống sẽ cần cách học mới để tích lũy system thinking, debugging intuition và technical judgment.
Một lớp IT services mới sẽ hình thành
Khi doanh nghiệp có nhiều agents, họ sẽ cần những dịch vụ vượt ra ngoài phát triển phần mềm truyền thống: AI Harness deployment và managed operations, AI output evaluation, red teaming, agent security assessment, model cost optimization, knowledge governance, AI transformation consulting và independent assurance.
Những dịch vụ này chỉ có lợi thế dài hạn nếu giúp khách hàng vận hành ổn định, giảm rủi ro hoặc tiết kiệm chi phí có thể đo được. Prompt optimization đơn thuần hoặc việc tạo nhanh vài MCP wrappers có thể sớm bị commoditize. Còn việc cam kết một quy trình AI xử lý hồ sơ với tỷ lệ lỗi, thời gian phản hồi và auditability rõ ràng có thể tạo ra recurring revenue thực sự.
Đồng thời, khảo sát McKinsey tháng 8/2026 ghi nhận 32% người trả lời cho biết tổ chức của họ đã không mua ít nhất một sản phẩm hoặc tính năng software vì có thể tự xây bằng agentic coding tools. Đây là lời cảnh báo quan trọng: chi phí software rẻ hơn không đồng nghĩa mọi software vendor đều có cơ hội lớn hơn. Khả năng sản xuất dễ tiếp cận có thể làm thị trường mở rộng, đồng thời xóa bỏ lợi thế của những công ty chỉ bán implementation.
Một hướng đi thận trọng cho software companies là dùng AI-native delivery để cải thiện dịch vụ đang có khách hàng, biến những thành phần lặp lại thành reusable capabilities, rồi mới phát triển domain products hoặc managed services khi đã có bằng chứng về nhu cầu và khả năng trả tiền. Công cụ AI có thể giúp sản xuất rẻ; quan hệ khách hàng, distribution, domain knowledge và trách nhiệm vận hành mới có thể tạo lợi thế bền vững.
5. Software engineer cần thay đổi trước khi công việc thay đổi hết
Nếu trước đây một engineer có thể tạo dựng sự nghiệp dài hạn quanh một ngôn ngữ hoặc framework, thì cách định vị ấy đang trở nên mong manh. Điều cần thay đổi không chỉ là công cụ sử dụng hằng ngày, mà là cách chúng ta học, suy nghĩ và chịu trách nhiệm về software.
Từ stack-specific sang full-lifecycle, nhưng không từ bỏ chuyên môn sâu
Một developer tự giới hạn mình trong frontend, backend, .NET hay Java sẽ ngày càng khó tận dụng AI để giải quyết bài toán end-to-end. Engineer cần sẵn sàng làm việc với database, infrastructure, security, deployment và những stacks chưa từng trực tiếp sử dụng. AI rút ngắn thời gian tiếp cận, nhưng không thay thế kiến thức về cơ chế vận hành và failure modes.
Technology-agnostic không có nghĩa technology-ignorant. Một engineer có thể dùng AI để viết Kubernetes manifests, nhưng vẫn phải hiểu networking, resource limits và rollout risks để chịu trách nhiệm cho deployment. Full-lifecycle ownership cần bề rộng kỹ thuật, đồng thời mỗi người vẫn nên có một hoặc vài năng lực đủ sâu để giải quyết những vấn đề khó.
Từ implementation thinking sang system thinking
Công việc của engineer không nên dừng ở chuyện feature đã được merge. Một yêu cầu nhỏ về hủy giao dịch có thể tác động đến accounting, event ordering, idempotency và downstream consumers. Nếu AI thực hiện phần implementation, con người càng phải hiểu những quan hệ đó để xác định constraints, phân rã nhiệm vụ và đánh giá impact.
Tuy nhiên, high-level thinking không có nghĩa rời xa chi tiết. Khi xuất hiện data corruption, race condition hoặc security incident, engineer vẫn phải đủ hiểu kỹ thuật để truy xuống đúng điểm gây lỗi. Năng lực quan trọng là di chuyển linh hoạt giữa bức tranh tổng thể và những technical details có tính quyết định.
Từ framework sang fundamentals, từ học công cụ sang khả năng thích nghi
Syntax có thể được generate, frameworks có thể thay đổi, nhưng transaction isolation, concurrency, networking, domain modeling, distributed consistency, algorithms và security fundamentals vẫn là nền tảng để đánh giá giải pháp. Càng ít trực tiếp gõ code, engineer càng cần hiểu vì sao code có thể sai.
Bên cạnh đó là một thay đổi về thói quen nghề nghiệp. Không thể tiếp tục nói một ngôn ngữ mới không thuộc tech stack của mình nên không cần tìm hiểu. Nhưng chạy theo mọi AI model và framework mới cũng không phải cách học hiệu quả. Engineer cần biết thử nghiệm nhanh, đọc tài liệu, đánh giá trade-offs, đo kết quả và quyết định công nghệ nào thực sự đáng đưa vào hệ thống.
Từ coding sang context engineering, orchestration và verification
Sử dụng coding agent chỉ là bước đầu. Giá trị cao hơn nằm ở khả năng cung cấp đúng domain knowledge, contracts, assumptions và acceptance criteria; chia công việc theo dependencies; chọn mức tự chủ phù hợp; và thiết kế hệ thống kiểm chứng độc lập với output của agent.
Một agent tự viết tests cho implementation của chính nó có thể cùng lúc đúng về mặt kỹ thuật và sai về mặt nghiệp vụ. Vì thế verification engineering, property-based testing, business invariant checks, security review, observability và evaluation phải trở thành năng lực phổ thông của những người dùng AI trong delivery. Engineer không nhất thiết tự thực hiện mọi check, nhưng phải biết kết quả nào cần evidence và evidence ấy đáng tin đến đâu.
Từ phát triển ứng dụng truyền thống sang thiết kế AI-native software
Biết sử dụng AI để code nhanh khác với biết đưa AI vào business workflow. Engineer cần hiểu model routing, RAG, agent memory, MCP, A2A, probabilistic reasoning, deterministic controls, authorization và AI cost. Một ứng dụng có chatbot không mặc nhiên là AI-native; điều quan trọng là AI có tham gia tạo giá trị ở đúng công đoạn và có cơ chế kiểm soát phù hợp hay không.
Kiến thức business cũng trở nên thiết yếu. Người hiểu sâu transaction lifecycle, claims processing hoặc manufacturing operations có thể đánh giá requirement và thiết kế solution tốt hơn người chỉ thành thạo một framework. Khi năng lực implementation được phổ cập, hiểu vấn đề thực tế và nhận ra một giải pháp không đáng xây dựng có thể đem lại nhiều giá trị hơn tốc độ viết code.
Từ feature delivery sang end-to-end ownership và technical consulting
Khi teams nhỏ đi, một engineer có thể phải chịu trách nhiệm xuyên suốt từ phân tích nhu cầu đến production behavior, chi phí vận hành và business outcomes. Điều đó đòi hỏi communication, stakeholder management, khả năng phản biện yêu cầu và diễn giải technical trade-offs bằng ngôn ngữ kinh doanh.
Với senior engineers và technical leaders, trách nhiệm còn là biến kinh nghiệm cá nhân thành năng lực tái sử dụng cho tổ chức: architecture decision records, engineering standards, quality gates, context repositories và AI Harness workflows. Một người biết điều khiển mười agents chưa chắc tạo ra một tổ chức tốt nếu mọi quyết định và sự cố vẫn phải chờ chính người đó.
Nhìn lại toàn bộ, bốn năng lực đáng theo đuổi có thể được gọi ngắn gọn là Think, Orchestrate, Verify, Own: hiểu hệ thống và nghiệp vụ; tổ chức AI thực hiện công việc; kiểm chứng kết quả bằng bằng chứng; và chịu trách nhiệm về vòng đời cùng tác động kinh doanh. Không ai cần trở thành chuyên gia ở mọi lĩnh vực, nhưng cách phân chia công việc cứng nhắc theo tech stack sẽ ngày càng khó duy trì.
Lời kết: điều tất yếu không phải là một kết cục duy nhất
Sự tiến bộ của AI có thể khiến công việc coding thuần túy mất dần giá trị, SDLC trở nên tự động hơn, engineering teams thu nhỏ và software được sản xuất với chi phí thấp hơn. Nó cũng có thể mở ra những thị trường mới mà trước đây chúng ta chưa đủ nguồn lực để phục vụ. Hai mặt đó có thể cùng tồn tại: nhiều phần mềm hơn, nhiều cơ hội kinh doanh hơn, nhưng không nhất thiết nhiều vị trí lập trình hơn.
Những dự báo về nghề nghiệp biến mất hoàn toàn, mọi team chỉ còn vài người hay UI truyền thống kết thúc không nên được trình bày như số phận đã định. Thứ khó đảo ngược hơn là áp lực kinh tế buộc mỗi cá nhân và tổ chức phải xem xét lại giá trị mình đang tạo ra. Càng có nhiều phần việc được AI thực hiện, lợi thế chỉ dựa vào khả năng trực tiếp sản xuất ra chúng càng mong manh.
Có lẽ thước đo quan trọng nhất của một software engineer trong tương lai không còn là họ tự tay viết được bao nhiêu code, mà là quy mô, độ phức tạp và chất lượng của những kết quả họ có thể thiết kế, tổ chức và chịu trách nhiệm tạo ra. Không ai biết chính xác ngành phần mềm sẽ có hình dạng gì sau mười năm nữa. Nhưng việc ngành này phải thay đổi, và mỗi người làm nghề phải thay đổi cùng nó, đã không còn là một lựa chọn dễ dàng trì hoãn.
Bài viết này hữu ích với bạn?
Bình luận (0)
Chưa có bình luận nào được xuất bản.
Hãy là người đầu tiên chia sẻ góc nhìn của bạn.

Zi
With more than 11 years of experience as a software engineer, I specialize in consulting on and designing robust enterprise systems. I am passionate about programming and software development, and I have mastered industry best practices and developed innovative solutions that improve operational efficiency. As a consultant, I am committed to understanding each client's unique needs and goals and developing tailored strategies to address their specific challenges. I would welcome the opportunity to contribute my expertise as a knowledgeable and proactive partner in helping your enterprise thrive.
Solution Architect