Skip to content
TungDaDev's Blog

Kỹ sư phần mềm thời AI: code rẻ đi, review và debug đắt lên

Ai developer dilemma.webp
Published on
11 mins read

Pull request có 1.000 dòng, sinh ra trong vài giây. Code gọn, đặt tên đẹp, test xanh. Người review đọc lướt, thấy ổn, bấm approve. Không ai trong hai người thật sự hiểu nó chạy thế nào.

Cái khó nhất của lập trình chưa bao giờ là gõ code, mà là hiểu code. AI làm phần gõ rẻ đi hẳn, và chính vì code trông gọn gàng nên ta dễ tưởng mình đã hiểu.

Một câu prompt ngắn trên Cursor, Claude Code hay GitHub Copilot là bạn có ngay một class hoàn chỉnh, một hàm xử lý thuật toán phức tạp, thậm chí cả bộ khung microservice, chưa tới 10 giây. Các hội nhóm công nghệ thì rần rần: "Năng suất tăng gấp 5 lần", "Một lập trình viên giờ bằng cả đội 10 người", rồi mấy tiêu đề giật gân kiểu "Nghề viết code sắp chấm hết".

Nhưng hết hứng khởi ban đầu, đem vào hệ thống tài chính, ngân hàng hay hệ thống phân tán gánh hàng triệu request mỗi ngày, mấy anh em kỹ sư lâu năm bắt đầu thấy những vết nứt khá nguy hiểm phía sau bức tranh màu hồng đó.

Tốc độ viết code (Code Generation) tăng vọt, nhưng phần kiểm thử, review và duy trì hệ thống (Maintenance & Debugging) lại đang quá tải hơn bao giờ hết.


# nghịch lý năng suất (the productivity paradox)

Đang có một sự nhầm lẫn khá tai hại: coi tốc độ gõ phím là năng suất làm phần mềm.

Trong vòng đời một tính năng (SDLC), thời gian thật sự gõ code chỉ chiếm phần nhỏ, theo mình ước chừng 15 - 20% (con số này mỗi team mỗi khác, đừng coi là số đo chính xác). Phần lớn thời gian còn lại dành cho:

  • Làm rõ yêu cầu nghiệp vụ và các trường hợp biên (Edge cases).
  • Thiết kế kiến trúc chịu tải, tính chuyện nhất quán dữ liệu (Data Consistency).
  • Đọc, hiểu và đối chiếu với code hiện có (Codebase Context).
  • Debug mấy lỗi ngầm (Race conditions, Memory Leaks, Deadlocks).

AI làm cực tốt phần 15% (gõ code). Cái dở là: code sinh ra càng nhiều thì 85% còn lại càng nặng, vì ai đó vẫn phải đọc, hiểu, review và gỡ lỗi từng dòng.

Có một số liệu đáng suy nghĩ. Năm 2025, METR làm một thí nghiệm có đối chứng ngẫu nhiên: 16 dev open-source nhiều kinh nghiệm giải 246 issue thật trên chính các repo lớn họ đã quen. Khi được dùng AI (chủ yếu Cursor với Claude 3.5/3.7 Sonnet), họ làm chậm hơn 19%, trong khi chính họ lại tin mình nhanh hơn khoảng 20%. Mẫu nhỏ, công cụ giờ cũng đã khác, METR cũng tự ghi rằng kết quả không còn đại diện cho công cụ hiện tại, nên đừng coi đây là chân lý. Nhưng khoảng cách giữa "cảm thấy nhanh" và "thật sự nhanh" thì rất đáng để ý. (METR, 07/2025)

Khi một dev dùng AI sinh ra 500 dòng code trong 1 phút:

  1. Bạn mất bao lâu để đọc và chắc chắn 500 dòng đó không dính SQL Injection hay logic phá transaction?
  2. Pull request gửi lên, ai đủ gan bấm Approve một khối code to đùng, trông "rất có lý", mà chẳng ai trong team tự tay viết?

Mình đang chuyển từ "làm phần mềm thủ công" sang "dọn bãi chiến trường của phần mềm làm theo dây chuyền".


# cái bẫy của developer thời ai

# bẫy mai một kỹ năng nền tảng (the skill atrophy trap)

Thử tưởng tượng một phi công chỉ biết bay bằng chế độ lái tự động (Autopilot). Trời đẹp thì mọi thứ ổn. Nhưng gặp bão, động cơ trục trặc, hệ thống tự động ngắt, lúc đó chỉ có kỹ năng bay tay mới cứu được hành khách.

Chuyện viết code hàng ngày cũng y hệt vậy. Trước đây, muốn sửa một lỗi OutOfMemoryError hay ConcurrentModificationException, bạn buộc phải mở profiler, xem heap dump, lần theo từng dòng stack trace và đọc lại cơ chế chạy của Garbage Collector. Những lần thức đêm vật vã đó tuy mệt nhưng rèn ra trực giác bắt bệnh của một Senior Engineer. Còn bây giờ, phản xạ đầu tiên của nhiều bạn trẻ là copy lỗi, paste vào Claude, lấy đoạn code gợi ý dán đè vào project. Code chạy qua được, ticket đóng lại, nhưng trong đầu thì trống trơn không đọng lại chút cơ chế nào.

Không hiểu TCP bắt tay 3 bước thì bạn không debug được vì sao kết nối gRPC thỉnh thoảng lại timeout. Không hiểu Isolation Level trong Database thì bạn sẽ không nhận ra đoạn code AI viết kiểu "đọc số dư, cộng trừ trong Java, rồi ghi lại" đang mở cửa cho lỗi Lost Update trong giao dịch ngân hàng: ở mức READ COMMITTED mặc định của PostgreSQL hay Oracle, hai giao dịch chạy song song có thể ghi đè lên nhau mà không ai báo lỗi. Cái tiện trước mắt đang lặng lẽ lấy đi khả năng suy nghĩ sâu của lập trình viên.

# khủng hoảng review và nợ kỹ thuật vô hình (invisible technical debt)

AI có một tật kinh niên: tự tin quá mức (Hallucination & Over-confidence). Code nó viết lúc nào cũng thụt lề chuẩn, tên biến kêu, comment chi tiết, nhìn qua ai cũng tưởng ngon.

Nhưng bên dưới lớp vỏ bóng bẩy đó là:

  • Code Bloat: AI hay viết dài dòng, đẻ ra mấy lớp abstract thừa chỉ để chiều theo prompt.
  • Rò rỉ tài nguyên ngầm: quên đóng connection, mở transaction quá lâu làm khoá bảng (Lock contention), hoặc lạm dụng CompletableFuture mà không có Thread Pool riêng → traffic tăng là cạn tài nguyên máy chủ.
  • Reviewer lướt qua: thấy format đẹp, có vài test case sơ sài → bấm Merge. Nợ kỹ thuật cứ thế tích lại, thành quả bom nổ chậm trên Production.

# thư viện "ma" và rủi ro bảo mật chuỗi cung ứng (package hallucination)

Một kiểu tấn công đang rất đáng lo hiện nay là Slopsquatting (cái tên do Seth Larson bên Python Software Foundation đặt), tức khai thác chuyện AI bịa ra tên package. Nghiên cứu "We Have a Package for You!" (USENIX Security 2025) cho 16 model sinh 2,23 triệu mẫu code Python và JavaScript, và thấy khoảng 19,7% package được nhắc tới là không hề tồn tại (paper).

Cơ chế đằng sau tật "bịa tên" này nằm ở cách LLM dự đoán token tiếp theo theo xác suất: khi bạn hỏi một bài toán hẹp, model ghép các mảnh từ hay đi cùng nhau trong tập huấn luyện (spring-security, jwt, extended) thành một cái tên nghe cực kỳ hợp lý như spring-security-jwt-extended-v2, dù ngoài đời chưa ai viết. Kẻ tấn công chỉ việc chạy prompt hàng loạt để gom những cái tên "ma" mà LLM hay gợi ý lặp đi lặp lại, rồi lên npm hoặc PyPI đăng ký đúng tên đó kèm mã độc (Trojan / Backdoor). Maven Central khó giả mạo hơn một chút vì bắt xác minh quyền sở hữu groupId qua DNS domain hoặc tài khoản GitHub, nhưng kẻ tấn công vẫn có thể đăng dưới một groupId nghe na ná. Chỉ cần dev vô tư copy đoạn pom.xml hoặc gõ npm install theo lời AI là hệ thống dính đòn; với npm còn nguy hiểm hơn vì script postinstall được phép chạy lệnh shell ngay lúc cài đặt, chưa cần bạn import dòng code nào.

Cách phòng thì không có gì cao siêu: thấy tên dependency lạ thì tra trên registry xem ai publish, publish từ bao giờ, bao nhiêu lượt tải; công ty nên đi qua một registry proxy nội bộ (Nexus, Artifactory) có danh sách cho phép, và bật quét dependency trong CI.

TIP

Nguyên tắc khi dùng AI sinh code: luôn bắt AI giải thích "Trade-off" (đánh đổi) và "Edge cases" (trường hợp biên), đừng chỉ nhận code về. Nếu bạn không tự giải thích lại được từng dòng cho đồng nghiệp trong 2 phút thì đừng đưa nó vào pull request.


# vai trò thay đổi: từ code typist sang system orchestrator

Nếu kỹ năng gõ code đơn thuần đang mất dần giá trị, vậy kỹ sư phần mềm sẽ đi về đâu?

Kỹ sư phần mềm (Software Engineer) xưa nay chưa bao giờ là "người gõ cú pháp". Kỹ sư là người dùng công nghệ để giải quyết vấn đề. AI không giết kỹ sư phần mềm, nó chỉ làm thợ gõ code (Code Typists) hết đất sống nhanh hơn và đẩy những người làm kiến trúc hệ thống thật sự lên cao hơn.

Ở mô hình mới, trọng tâm công việc dịch chuyển hẳn trên ba mặt:

  1. Từ người viết (Writer) sang người thẩm định, biên tập (Editor / Reviewer): bạn không cần tự gõ từng dòng boilerplate, nhưng phải đủ nội lực để đọc 1.000 dòng AI sinh ra và chỉ đúng chỗ nào đang tiềm ẩn race condition hay rò rỉ bộ nhớ.
  2. Từ nghĩ theo cú pháp sang nghĩ theo ràng buộc (Constraints & Boundary Thinking): thay vì nhớ từng hàm API, bạn phải đặt ra các câu hỏi biên mà AI thường bỏ qua: "Mạng lag 5 giây thì sao?", "Đầu vào 1 triệu bản ghi thì thuật toán này có OOM không?", "Service bên cạnh chết thì circuit breaker chạy thế nào?".
  3. Từ đoán mò sang dựa trên bằng chứng (Evidence-Based / Verify-Driven Development): không tin dòng code nào AI viết nếu nó chưa qua được bộ test nghiêm túc (Property-based tests, Mutation tests, Integration tests với Testcontainers).

# mấy trụ cột để làm kỹ sư vững tay nghề

Muốn đứng vững và đi xa khi AI ngày càng mạnh, đây là 4 năng lực đáng đầu tư:

Trụ cộtLà gìVì sao AI không thay được?
1. Deep Fundamentals (Nền tảng vững)Hiểu sâu OS, Concurrency, Memory Model, Network Protocol, Database Internals.AI chỉ học từ bề mặt văn bản trên internet. Khi sự cố nằm ở tầng kernel hay tranh chấp luồng rất nhỏ, chỉ kiến thức gốc mới lần ra được Root Cause.
2. Domain Mastery (Hiểu nghiệp vụ)Hiểu kỹ bài toán tài chính, ngân hàng, logistics, pháp lý, luồng tiền.Nghiệp vụ thật nằm trong đầu các bên liên quan (Stakeholders) và trong bối cảnh chính trị/kinh doanh của công ty, không nằm trên GitHub công khai cho AI học lỏm.
3. System Architecture & Trade-offsBiết khi nào KHÔNG NÊN dùng công nghệ mới; cân giữa Latency, Throughput, Cost và Consistency (CAP, PACELC).AI hay đưa ra giải pháp rườm rà. Bản lĩnh của Senior là chọn giải pháp đơn giản nhất, ít phải bảo trì nhất.
4. Verify-Driven MentalityViết test tự động, load test, chủ động gây lỗi (Chaos Engineering), dựng Observability.AI viết code, nhưng code đó làm mất tiền khách thì ai chịu trách nhiệm pháp lý? Con người vẫn là chốt chặn trách nhiệm cuối cùng.

# tổng kết

Cứ dùng AI để gõ code nhanh hơn. Chỉ cần giữ ba thói quen nhỏ, bắt đầu từ PR tiếp theo:

  • Mỗi lần AI sửa giúp một bug khó, bỏ thêm mười phút đọc cho ra vì sao bug xảy ra.
  • Mỗi dependency nó gợi ý, tra lại trên registry trước khi thêm vào package.json hay pom.xml.
  • Không merge đoạn code nào mà bạn không tự giải thích lại được cho người ngồi cạnh.

Chỉ là những ghi chép cá nhân với hy vọng mang lại chút giá trị. Nếu thấy hữu ích, đừng ngại chia sẻ cho bạn bè & đồng nghiệp nhé!

Happy coding 😎 👍🏻 🚀 🔥.