Một buổi chiều cách đây không lâu, tôi ngồi trước màn hình nhìn một công cụ nội bộ vừa chạy thử thành công với niềm hân hoan bất tận.
Trước đó, một nhu cầu như vậy thường phải được diễn giải cho đội kỹ thuật, chờ sắp xếp ưu tiên rồi trao đổi qua lại. Ở các tập đoàn hay MNC, quy trình này thường mất từ 6 tháng đến 1 năm. Ngay cả khi tôi làm việc với các công ty có quy mô nhỏ hơn, thời gian chờ đợi cũng kéo dài vài tuần trước khi thấy được bản chạy thử. Suốt quãng thời gian chờ đợi đó là vô số cuộc họp và những lần phải giải thích đi giải thích lại tới lần thứ n cho cùng một vấn đề. Dù các công ty có nguồn lực mạnh đến đâu, đội ngũ công nghệ của họ vẫn luôn chịu áp lực lớn từ khối lượng công việc tồn đọng. Lần này, tôi có thể trực tiếp đối thoại với AI, thử cách làm, sửa chỗ chưa đúng và thấy thành phẩm hiện ra.
Khoảng cách giữa ý định với thứ có thể chạy được bỗng ngắn đến bất ngờ. Hôm đó, từ lúc mở trình soạn thảo đến lúc các bảng biểu và luồng xử lý hiện lên hoàn chỉnh chỉ mất đúng một buổi chiều làm việc cùng AI. Tôi biết đó chỉ là khởi đầu, vì sau đó mình còn mất thêm nhiều ngày khác, tốn gấp x10 hoặc x20 thời gian ban đầu để hoàn thiện sản phẩm, từ rà soát bảo mật, điều chỉnh UX cho từng nút bấm, từng bảng dữ liệu đến kiểm tra độ ổn định và tốc độ tải trang. Dù vậy, cảm giác phấn khích ban đầu ấy vẫn rất khó quên. Khi mọi thứ mình nghĩ trong đầu có thể biến thành sản phẩm chạy được gần như ngay lập tức, người ta rất dễ có ảo giác mình vừa được ban phép thuật của vua Midas, chạm tay vào đâu là ở đó hóa vàng.
Mãi đến gần đây, khi đọc bài viết của Steve Fenton (2026) trên The New Stack nhắc lại điển tích vua Midas để nói về ngành phần mềm, tôi mới chậm lại để nhìn kỹ hơn cảm giác phấn khích của buổi chiều hôm đó. Trong thần thoại, bi kịch của Midas không nằm ở chỗ phép thuật không linh nghiệm, mà nằm ở chỗ nó quá linh nghiệm. Khi bánh mì, rượu vang và cả những bông hồng trong vườn đều biến thành kim loại cứng ngắc, còn vàng thì ngập tràn đến mức chẳng còn giá trị trao đổi, nhà vua nhận ra thứ mình vừa xin được không phải là sự giàu có.
Tôi hiểu sức hấp dẫn của bàn tay Midas từ khoảnh khắc ấy. Không chỉ vì làm nhanh hơn, mà vì có thể tự làm điều trước đây mình phải nhờ người khác. Nhiều người quản lý và người làm chuyên môn chúng ta đang đứng trước một bàn tiệc rất giống như vậy.
Ảo tưởng từ tốc độ xuất xưởng
Khi việc viết code, dựng trang đích hay soạn một bản kế hoạch trở nên quá nhanh, phản xạ tự nhiên nhất của cả cá nhân lẫn tổ chức là tăng tốc độ sản xuất. Chúng ta mở nhiều cửa sổ hơn, giao nhiều tác vụ hơn và đo sự tiến bộ bằng khối lượng đầu ra mỗi ngày. Tôi thấy nhiều bạn bè và người quen bắt đầu gọi việc ngồi vibe code của mình là một cơn "nghiện". Việc liên tục nạp tiền để mua các model xịn chỉ là bước khởi đầu; tiếp theo đó là những giờ cày đêm canh lúc tài khoản làm mới hạn mức. Khởi đầu từ Claude, hàng loạt nhà cung cấp hiện đều áp định mức số lượng token và credit theo từng chu kỳ 5 giờ. Khi dùng hết hạn mức này, người dùng buộc phải chờ chu kỳ mới để làm tiếp. Vì mốc làm mới tính từ lúc bắt đầu phiên làm việc, cơ chế này vô tình tạo ra tâm lý thấp thỏm chờ giải quyết nốt phần việc dở dang và khiến chính tôi cũng có những đêm thức giấc giữa chừng chỉ để dậy viết code tiếp.
Sau phút hào hứng, có một câu hỏi tôi chưa trả lời được. Ngoài việc có thêm công cụ, công việc đã tốt hơn ở chỗ nào?
Trong câu chuyện Midas, phép màu không ngừng hoạt động khi nhà vua ngồi xuống ăn. Chính vì nó vẫn hoạt động hoàn hảo mà ông không ăn được. Thức ăn hóa vàng, đẹp đẽ nhưng không còn đáp ứng được cơn đói. Thử hình dung một đội sản phẩm dùng AI để liên tục bổ sung tính năng và các màn hình mới. Bản trình diễn số liệu ngày càng phong phú với bộ lọc, biểu đồ phức tạp nhưng người viết báo cáo vẫn phải tự viết, mở bảng tính, kiểm tra thông tin và sửa từng dòng nội dung trong báo cáo trước khi gửi đi.
Ngay cả trước khi AI xuất hiện, báo cáo Feature Adoption của Pendo (2019) khi đo lường các sản phẩm phần mềm đám mây đã chỉ ra tới 80% tính năng hiếm khi hoặc không bao giờ được người dùng chạm tới. Khi các đội ngũ giữ nguyên cách tiếp nhận yêu cầu hời hợt từ bề mặt rồi dùng AI để xuất xưởng tính năng nhanh gấp bội, phần phình to nhanh nhất thường lại chính là vùng 80% không ai cần đó. Khảo sát State of AI của McKinsey & Company (2026) phản ánh khá rõ độ vênh này ở cấp độ toàn doanh nghiệp, khi gần 90% tổ chức (gần 9 trên 10 đơn vị khảo sát) đã đưa AI vào vận hành thường xuyên ở ít nhất một mảng nghiệp vụ nhưng chỉ có 6% lọt vào nhóm dẫn đầu tạo ra được tác động đáng kể từ 5% lợi nhuận hoạt động (EBIT) trở lên, đồng nghĩa 94% còn lại vẫn chưa chạm tới ngưỡng hiệu quả tài chính này.
Sau vài ngày đầu hào hứng đẻ thêm tính năng cho công cụ của mình, bản thân tôi cũng rút ra được một bài học lớn trong phát triển sản phẩm. Mọi tính năng đều phải gắn với một workflow cụ thể; tính năng nào không phù hợp thì phải thẳng tay loại bỏ, còn nếu thao tác quá mất thời gian thì phải tìm cách thiết kế lại. Qua nhiều đợt lược bỏ, phân rã rồi tích hợp lại như vậy, các tính năng sản xuất nội dung, hình ảnh và video mới bắt đầu hội tụ và trở nên đơn giản khi sử dụng. Có những tính năng tôi đã làm tới phiên bản 3 sau hàng trăm lần điều chỉnh nhưng vẫn chưa hài lòng để đưa cho team sử dụng chỉ vì luồng thao tác vẫn còn khó dùng. Độ trau chuốt của một sản phẩm không nằm ở số lượng tính năng mà ở mức độ hoàn thiện của từng tính năng cốt lõi. Quá trình refactor hàng chục, hàng trăm lần đó sẽ giúp sản phẩm dần kết tinh, dù tổng thời gian bỏ ra có thể gấp x20, x50 hay x100 lần so với lúc viết xong tính năng đầu tiên.
Một nghiên cứu thử nghiệm đối chứng ngẫu nhiên của METR (2025) trên 16 lập trình viên mã nguồn mở giàu kinh nghiệm đã đo đạc chính xác hiện tượng này. Dù những người tham gia chủ quan tin rằng AI giúp họ làm việc nhanh hơn 20%, đồng hồ bấm giờ thực tế lại ghi nhận họ mất nhiều thời gian hơn 19% để hoàn tất công việc so với khi tự làm, bởi phần thời gian tiết kiệm được lúc gõ phím đã bị nuốt chửng bởi gánh nặng kiểm tra và sửa lỗi.
Khi đầu ra gần như miễn phí, nút thắt không còn nằm ở khâu tạo mới. Nó chuyển sang câu hỏi liệu thứ vừa được tạo ra có giải quyết đúng nhu cầu thật hay chỉ đang chất thêm việc đọc lại, sửa lại và bảo trì cho chính đội ngũ.
Khi công cụ trở thành hàng hóa
Nhìn thấy cảnh nhiều đội ngũ ngập trong đống đầu ra phải sửa đi sửa lại, hay chuyện các hãng công nghệ bắt đầu phải áp trần ngân sách token hàng tháng cho nhân viên, một suy nghĩ khác rất dễ xuất hiện. Hay là cứ đứng ngoài thêm một thời gian, đợi đến khi AI thật sự ổn định, mọi thứ được đóng gói gọn gàng thành một nút bấm chuẩn chỉnh rồi mới bắt đầu học và áp dụng?
Suy nghĩ đó nghe rất hợp lý về mặt quản trị rủi ro ngắn hạn, nhưng lại bỏ qua một bài học mà những ai từng đi qua làn sóng Digital đều đã trả giá mới hiểu được.
Tôi vẫn nhớ giai đoạn từ khoảng năm 2005 đến trước năm 2015, khi quảng cáo tìm kiếm và mạng xã hội mới bắt đầu định hình. Lúc đó, công cụ còn rất thô sơ. Muốn chạy một chiến dịch hiệu quả, người làm nghề phải tự tay chia từng nhóm từ khóa nhỏ, tự gõ từng dòng mã theo dõi chuyển đổi, tự lập bảng tính để cân đối giá thầu với biên lợi nhuận của từng đơn hàng. Công việc vừa vụn vặt vừa dễ sai sót, nên nhiều doanh nghiệp và người làm marketing truyền thống chọn cách đứng nhìn, chờ đến khi nền tảng làm cho mọi thứ tự động và dễ dùng hơn.
Vài năm sau, các nền tảng làm đúng điều đó thật. Google đưa ra Smart Bidding và Performance Max (PMax), còn Meta đóng gói thuật toán phân phối vào Advantage+. Mọi thao tác kỹ thuật phức tạp từng mất hàng tháng trời để học giờ thu gọn lại thành vài cú nhấp chuột.
Nhưng đúng vào khoảnh khắc công cụ trở thành món hàng hóa đóng gói sẵn mà ai cũng bấm nút chạy được, lợi thế cạnh tranh từ bản thân thao tác sử dụng công cụ cũng biến mất. Khi ai cũng có thể tham gia chỉ sau một buổi hướng dẫn, giá thầu quảng cáo bị đẩy lên gấp nhiều lần. Những người duy nhất còn giữ được hiệu quả vượt trội trong giai đoạn tự động hóa không phải là người bấm nút giỏi hơn, mà là người đã dùng những năm tháng công nghệ còn thô ráp trước đó để hiểu sâu cấu trúc dữ liệu, hành vi khách hàng và bài toán kinh tế cốt lõi phía sau màn hình. Các sản phẩm tự động mà Google hay Meta đưa ra thực chất đều khuyến khích tâm lý "set and forget", nghĩa là cài đặt một lần rồi để hệ thống tự vận hành. Cơ chế này giúp người mới dễ bắt đầu và tiêu nhiều ngân sách hơn, chứ không có công cụ nào trong số đó được thiết kế để giúp bạn chi tiêu ít đi. Khi chạy quảng cáo trên Meta, tôi hầu như tắt toàn bộ các tùy chọn tự động của Advantage+. Với PMax, tôi từng triển khai một số chiến dịch cho các thương hiệu lớn nhưng luôn phải diễn giải báo cáo hết sức thận trọng; trong khi đó, ở các chiến dịch truyền thống như SEM hay Video ads (quảng cáo trên YouTube), tôi gần như chạy hết công suất để mang lại kết quả thực chất cho thương hiệu.
Trong kinh tế học, giáo sư Erik Brynjolfsson cùng các cộng sự gọi khoảng trễ giữa lúc công nghệ xuất hiện và lúc thu được hiệu quả thực chất này là đường cong năng suất chữ J (Brynjolfsson, Rock và Syverson, 2021). Một công nghệ nền tảng mới không bao giờ tạo ra lợi thế ngay khi vừa mua về; lợi ích thực sự chỉ bật lên sau khi cá nhân và tổ chức đã trải qua giai đoạn đầu tư vô hình để thiết kế lại quy trình làm việc. Ngay trong báo cáo của McKinsey & Company (2026), nhóm 6% doanh nghiệp dẫn đầu thu được từ 5% lợi nhuận hoạt động (EBIT) trở lên nhờ AI cũng không phải là nhóm chờ công cụ hoàn thiện, mà là nhóm có tỷ lệ tái thiết kế lại toàn bộ quy trình vận hành cao gấp ba lần phần còn lại của thị trường.
Thao tác bấm nút rồi nhận kết quả có thể được đóng gói sẵn cho chúng ta sau vài năm nữa. Nhưng sự nhạy bén để nhận ra chỗ nào công cụ đang đoán mò, câu chữ nào lệch giọng điệu thương hiệu hay hình ảnh nào sai lệch phong cách thẩm mỹ thì không thể tải về cùng bản cập nhật phần mềm.
Lợi thế khi bạn bắt đầu sớm
Nếu chạy đua số lượng đầu ra chỉ dẫn đến sự quá tải, còn đứng ngoài chờ đợi lại làm mất đi quá trình tích lũy nội lực, thì chúng ta nên bắt đầu từ đâu ngay lúc này?
Với tôi, bước ngoặt nằm ở việc thay đổi cách nhìn về vai trò của chính mình giữa làn sóng Gen AI. Thay vì xem AI là một cỗ máy nhận yêu cầu rồi trả về thành phẩm hoàn chỉnh, tôi bắt đầu xem việc dùng AI là bài tập rèn luyện ba năng lực mà càng về sau càng trở nên khan hiếm.
Thứ nhất là năng lực chuẩn bị bối cảnh và chọn đúng việc đáng làm. Trong cuốn The Innovator's Solution, Christensen và Raynor (2003) từng chỉ ra quy luật bảo toàn lợi nhuận hấp dẫn, khi một khâu trong chuỗi giá trị trở nên phổ cập và rẻ mạt, giá trị sẽ dịch chuyển sang khâu liền kề đang còn khan hiếm. Khi việc sinh ra code hay văn bản trở thành hàng hóa đại trà, phần giá trị nhất không còn nằm ở câu lệnh yêu cầu máy viết cái gì, mà nằm ở tập dữ liệu gốc, lịch sử bài toán và những ràng buộc thực tế của doanh nghiệp mà mô hình bên ngoài không tự biết được. Chính vì vậy, các sản phẩm mà tôi liên tục nâng cấp đều nằm gọn trong lĩnh vực marketing, nơi tôi đã trực tiếp làm nghề và dẫn dắt các hoạt động thực chiến suốt hơn 10 năm qua. Nhờ có sẵn bộ SOP quen thuộc cho cả cá nhân lẫn đội ngũ khi xử lý các đầu việc từ nhỏ tới lớn, tôi biết chính xác cần kết hợp những việc cần làm (job to be done) nào đắt giá nhất trong chuỗi giá trị để giúp công việc nhanh hơn, hiệu quả hơn với chi phí thấp hơn. Ngược lại, một công ty phần mềm hay đơn vị gia công bên ngoài dù dư thừa năng lực viết code vẫn phải mất một giai đoạn khảo sát rất dài để hiểu cách vận hành Marketing chuyên nghiệp ở các tập đoàn đa quốc gia trước khi bắt tay vào làm. Quá trình khảo sát đó có thể kéo dài vài tuần, vài tháng hoặc lâu hơn nữa, bởi không phải cứ tìm hiểu từ bên ngoài là nắm được thông tin đầy đủ và chính xác.
Thứ hai là năng lực phân định ranh giới công việc giữa người và máy. Nghiên cứu thực nghiệm của Trường Kinh doanh Harvard cùng BCG trên 758 chuyên gia tư vấn cho thấy năng lực của AI có hình dạng giống như một đường biên răng cưa không đồng đều (Dell'Acqua và cộng sự, 2023). Ở những tác vụ nằm bên trong đường biên, người dùng AI hoàn thành công việc nhanh hơn 25,1% với chất lượng cao hơn 40%. Nhưng ngay ở những bài toán bước ra ngoài đường biên đòi hỏi phán đoán ngữ cảnh tinh tế, những ai giao phó trọn gói cho AI lại có xác suất làm sai cao hơn tới 19 điểm phần trăm so với người tự làm.
Biết chính xác đoạn nào nên giao cho máy chạy nháp, đoạn nào con người phải tự cầm lái là thứ trực giác chỉ hình thành khi bạn trực tiếp làm việc, vấp lỗi và hiệu chỉnh trên những bài toán thật. Gần đây tôi đọc nhiều báo cáo nhận định rằng con người giờ chỉ cần tập trung vào thiết kế vòng lặp (loop engineering) để AI tự chạy và hoàn thiện công việc. Nhưng ở bên ngoài đường biên răng cưa, nếu cấu trúc đầu vào đã là rác thì dù có cho máy tự lặp lại 100 lần, đầu ra vẫn chỉ là rác. Bản thân tôi từng thử cho máy chạy 10 vòng rà soát dưới nhiều lăng kính khác nhau để cải thiện một luận văn nghiên cứu; kết quả là lần nào cũng phát hiện thêm lỗi phải sửa, cho tới khi tôi trực tiếp viết lại thuật toán kiểm soát thì văn bản mới có thể hội tụ chỉ trong 1 đến 2 vòng lặp.
Thứ ba là thiết lập các điểm kiểm chứng trước khi đưa kết quả vào sử dụng. Nghiên cứu của Brynjolfsson, Li và Raymond (2025) trên hơn 5.170 nhân sự cho thấy các gợi ý AI tiêu chuẩn giúp người mới vào nghề hai tháng làm việc ngang ngửa người có sáu tháng kinh nghiệm, nhưng lại hầu như không tạo thêm khác biệt nào cho những người giỏi nhất nếu họ chỉ thụ động làm theo máy. Sự khác biệt của người làm nghề lâu năm nằm ở khả năng đặt ra tiêu chuẩn nghiệm thu, kiểm tra chéo các giả định ẩn phía sau một đầu ra trông có vẻ rất mượt mà và chịu trách nhiệm cuối cùng khi kết quả đó chạm tới khách hàng. Tuy nhiên, một người chỉ có thể đặt ra tiêu chuẩn kiểm chứng khắt khe khi họ đứng ở chiến trường mà mình thực sự hiểu thế nào là chất lượng tốt. Trong chiến lược kinh doanh, câu hỏi chọn sân chơi nào (where to play) luôn quyết định cách bạn giành chiến thắng. Nếu tôi lao vào làm sản phẩm cho lập trình viên bằng cách tạo ra một IDE mới, chẳng hạn tách nhánh (fork) từ Zed hoặc một mã nguồn mở nào đó, tôi sẽ không có lợi thế thẩm định sâu bằng những anh chị em vốn đã gắn bó lâu năm với nhóm người dùng này. Thay vào đó, tôi tập trung vào lĩnh vực mà mình nắm rõ nhất. Chính 10 năm làm việc trong những môi trường đòi hỏi độ hoàn thiện khắt khe đã cho tôi một thước đo rõ ràng để không chỉ làm ra một công cụ chạy được, mà còn buộc sản phẩm tạo ra phải đáp ứng tiêu chuẩn nghề nghiệp cao.
Trở lại bàn tiệc của Midas
Đôi khi nhìn lại công cụ mình dựng trong buổi chiều hôm ấy, tôi nhận ra phần đáng giá nhất không phải là mấy nghìn dòng code đang chạy, bởi chỉ vài tháng nữa một mô hình mới có thể viết lại toàn bộ số code đó trong vài phút.
Điều khiến tôi hài lòng nhất với hướng đi này là từ góc nhìn của một người làm chuyên môn Marketing, tôi có thể tự phân tích tỉ mỉ và tối ưu từng bước trong workflow quen thuộc, rồi dùng Gen AI để biến các ý tưởng trợ lý đồng hành ("co-pilot") thành hiện thực. Thay vì phải đánh vật nhiều buổi để hướng dẫn cả team cách viết prompt tạo ảnh hay dựng video, giờ đây toàn bộ quy trình đó đã được chuẩn hóa để mỗi bạn đều có thể tự chuyển hóa ý tưởng của mình thành hình ảnh, thước phim cùng trợ lý AI. Khi những thao tác kỹ thuật máy móc từng phải học thuộc lòng được dẹp bớt, công việc marketing trở nên thú vị hơn nhiều vì đội ngũ có thể dồn tâm sức cho các bài toán cốt lõi của thương hiệu và kinh doanh.
Trước một bàn tiệc mà cái chạm tay nào cũng có thể sinh ra thêm đầu ra, lựa chọn tỉnh táo nhất không phải là đứng ngoài phòng tiệc chờ người khác dọn sẵn, chờ đến khi thế giới ngập tràn AI và mình chỉ bấm nút là dùng được. Lựa chọn khó hơn nhưng bền vững hơn là bước vào làm thử ngay trên những bài toán thật của mình, chỉ giữ lại những gì giải quyết được nhu cầu thật và đủ hiểu để chịu trách nhiệm tới cùng với kết quả đó.
Tài liệu tham khảo
- Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889-942. https:
/ /doi.org /10.1093 /qje /qjae044 - Brynjolfsson, E., Rock, D., & Syverson, C. (2021). The productivity J-curve: How intangibles complement general purpose technologies. American Economic Journal: Macroeconomics, 13(1), 333-372. https:
/ /doi.org /10.1257 /mac.20180386 - Christensen, C. M., & Raynor, M. E. (2003). The innovator's solution: Creating and sustaining successful growth. Harvard Business School Press.
- Dell'Acqua, F., McFowland, E., III, Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2023). Navigating the jagged technological frontier: Field experimental evidence of the effects of artificial intelligence on knowledge worker productivity and quality (Harvard Business School Working Paper No. 24-013). https:
/ /www.hbs.edu /faculty /Pages /item.aspx?num=64700 - Fenton, S. (2026, October 20). AI’s Midas problem: When code is free, features are worthless. The New Stack. https:
/ /thenewstack.io /ai-commoditizes-software-value / - McKinsey & Company (Tinkoff, D., Van der Veken, L., Chui, M., & Balakrishnan, T.). (2026, August 25). The state of AI in 2026: On the road to ROI. QuantumBlack, AI by McKinsey. https:
/ /www.mckinsey.com /capabilities /quantumblack /our-insights /the-state-of-ai - METR (Becker, J., Rush, N., Barnes, B., & Rein, D.). (2025, July 10). Measuring the impact of early-2025 AI on experienced open-source developer productivity. Model Evaluation and Threat Research. https:
/ /metr.org /blog /2025-07-10-early-2025-ai-experienced-os-dev-study / - Pendo. (2019). The 2019 feature adoption report. Pendo.io. https:
/ /www.pendo.io /resources /the-2019-feature-adoption-report /