Viết mã nguồn trong mười phút, nuôi hệ thống mới là bài toán khó

Chỉ cần một vài câu lệnh mô tả ý tưởng, các công cụ sinh mã hiện nay có thể dựng xong một ứng dụng hoàn chỉnh trong vài chục phút. Làn sóng này khiến không ít người tin rằng phần mềm truyền thống sắp hết thời, và các công ty SaaS chỉ còn đếm ngày tồn tại. Nhưng nếu bước vào phòng kỹ thuật của các doanh nghiệp đang vận hành hệ thống thực tế, câu chuyện lại rẽ sang một hướng hoàn toàn khác.

Giám đốc công nghệ của SAP, ông Philipp Herzig, vừa chỉ ra một sự nhầm lẫn phổ biến: người ta đang đánh đồng việc tạo ra một ứng dụng với việc vận hành ứng dụng đó. Dựng một công cụ theo dõi chi tiêu nội bộ cho nhóm vài chục người là bài tập lập trình đơn giản. Nhưng duy trì công cụ đó chạy ổn định trên 40 quốc gia, thích ứng liên tục với luật thuế từng vùng, kiểm soát phân quyền ngặt nghèo và đối soát sổ sách chính xác tới từng xu lại là thế giới của vận hành doanh nghiệp. Khoảng trống này lý giải vì sao hàng loạt dự án AI thử nghiệm trong năm qua vẫn nằm bẹp ở giai đoạn thử nghiệm (pilot) mà không bao giờ đặt chân được lên môi trường production.

Bản chất của phần mềm nằm ở dữ liệu và quy trình nghiệp vụ

Những người hô hào phần mềm truyền thống đã chết thường quên mất rằng giá trị cốt lõi của một hệ thống ERP hay CRM không nằm ở giao diện người dùng. Nó nằm ở logic nghiệp vụ được tích lũy qua hàng chục năm và kho dữ liệu vận hành liên kết chằng chịt phía sau.

Mô hình ngôn ngữ lớn có thể viết hàm kiểm tra dữ liệu đầu vào rất nhanh, nhưng nó không tự hiểu được vì sao một đơn hàng xuất nhập khẩu tại cảng Hải Phòng lại cần bộ chứng từ khác với đơn hàng giao nội địa. Khi đưa AI vào quy trình làm việc, thách thức lớn nhất không phải là mô hình thông minh đến đâu, mà là làm sao nhồi đúng ngữ cảnh kinh doanh vào từng câu lệnh suy luận. Một con bot trả lời sai chính sách thanh toán cho khách hàng có thể phá hỏng cả hợp đồng lớn, và không lập trình viên nào dám để một mô hình sinh mã tự do thay đổi cấu trúc bảng cơ sở dữ liệu kế toán.

Thay vì xóa sổ phần mềm doanh nghiệp, AI thực tế đang chuyển vai trò từ kẻ viết lại mã nguồn sang một lớp giao diện hướng ý định (intent-based). Người dùng sẽ bớt phải bấm hàng chục ô nhập liệu trên màn hình để chuyển sang ra lệnh bằng ngôn ngữ tự nhiên. Tuy nhiên, bên dưới lớp vỏ bóng bẩy đó, toàn bộ logic ràng buộc, kiểm toán và phân quyền của phần mềm truyền thống vẫn phải giữ nguyên để bảo đảm hệ thống không bị trật bánh.

Vết thủng ngân sách và bài toán FinOps cho hạ tầng suy luận

Khi giải quyết xong tầng logic, rào cản tiếp theo ập đến ngay lập tức: chi phí vận hành mô hình. Việc gọi API từ các nhà cung cấp đám mây lớn thoạt nhìn rất tiện, nhưng khi lượng truy cập tăng vọt, hóa đơn cuối tháng nhanh chóng trở thành cơn ác mộng cho bộ phận tài chính.

Khảo sát chuẩn mực FinOps cho AI đám mây do Stacklet công bố gần đây trên ba nền tảng AWS, Google Cloud và Azure cho thấy chi phí token và tài nguyên GPU đang trở thành gánh nặng tài chính hàng đầu. Để sống sót, các đội ngũ vận hành bắt buộc phải áp dụng các cơ chế kiểm soát gắt gao: từ việc tận dụng bộ nhớ đệm (prompt caching) trên AWS Bedrock, đặt trần chi tiêu theo thời gian thực trên Google Cloud, cho đến việc quản lý vòng đời bộ nhớ của các agent. Việc gọi mô hình giờ đây không thể phó mặc cho lập trình viên tùy tiện cấu hình, mà phải có cơ chế ngắt mạch tự động khi lượng token vượt ngưỡng dự phòng.

Áp lực chi phí này thúc đẩy một xu hướng rõ rệt: chuyển dịch về hạ tầng suy luận mở và tự lưu trữ. Sự xuất hiện của các giải pháp như llm-d 1.0 - nền tảng tối ưu hóa suy luận nguồn mở cho quy mô production - là minh chứng rõ ràng. Doanh nghiệp bắt đầu nhận ra rằng việc phụ thuộc hoàn toàn vào API đóng của một vài ông lớn không chỉ rủi ro về mặt chi phí mà còn tước đi quyền kiểm soát độ trễ và tính bảo mật của luồng dữ liệu.

Cuộc đua của những mô hình cục bộ chuyên biệt

Để cắt giảm chi phí mà vẫn giữ được hiệu năng xử lý tác vụ, thị trường đang chứng kiến sự trỗi dậy của các mô hình kích thước vừa phải nhưng được tôi luyện kỹ cho từng bài toán kỹ thuật. Thay vì ôm đồm những mô hình khổng lồ hàng trăm tỷ tham số, việc đưa các mô hình từ 30 tỷ tham số về máy chủ riêng đang trở thành lựa chọn thực tế hơn nhiều.

Đơn cử như Nanbeige4.3-33B, một mô hình mã nguồn mở theo giấy phép Apache 2.0 vừa được tung ra trên Hugging Face. Trên bảng xếp hạng đánh giá khả năng giải quyết tác vụ kỹ thuật DeepSWE, mô hình 33 tỷ tham số này đạt 65,5 điểm, vượt trội đáng kể so với mức 42,5 điểm của đối thủ cùng phân khúc Qwen3.8-27B. Với cửa sổ ngữ cảnh lên tới 512.000 token, những mô hình dạng này đủ sức đọc toàn bộ kho mã nguồn của một dịch vụ nhỏ để tự tìm lỗi, sửa mã và phối hợp công cụ mà không cần gửi dữ liệu ra máy chủ ngoại quốc.

Cùng thời điểm, các đơn vị phát triển mô hình từ châu Á như DeepSeek hay MiniMax cũng đang ráo riết hoàn tất các thủ tục đăng ký kênh tuân thủ để mở rộng ra thị trường quốc tế. Sự bùng nổ của Kimi K3.1 Pro hay các dòng mô hình tương tự cho thấy năng lực suy luận phức tạp, phân tích tài chính và gỡ lỗi phần mềm đang dần trở thành món hàng phổ thông với chi phí ngày càng rẻ. Lợi thế lúc này không thuộc về người có mô hình lớn nhất, mà thuộc về đội ngũ biết chọn mô hình vừa đủ tải để đưa vào dây chuyền CI/CD nội bộ.

Đánh giá AI qua khả năng làm việc độc lập thay vì điểm thi

Nhìn xa hơn vào lộ trình phát triển của công nghệ, thước đo dành cho các hệ thống thông minh cũng đang thay đổi căn bản. Những bài kiểm tra trắc nghiệm kiến thức tổng quát không còn nói lên nhiều điều về năng lực thực chiến của AI trong môi trường kỹ thuật.

Jack Clark, đồng sáng lập của Anthropic, gần đây đã đẩy dự báo về thời điểm xuất hiện AI có khả năng tự cải tiến (recursive self-improvement) từ năm 2028 lên sớm hơn vào năm 2027. Nhận định này được đưa ra sau khi theo dõi TasteVal - một bộ đo lường mới do phòng nghiên cứu P-Zero Research phát triển, chuyên đánh giá khả năng tự thiết kế thí nghiệm khoa học và tự diễn giải kết quả của mô hình. Khái niệm “gu nghiên cứu” (research taste) nghe có vẻ trừu tượng, nhưng thực chất là ba kỹ năng rất cụ thể: biết câu hỏi nào đáng để bỏ công nghiên cứu, biết dựng kịch bản kiểm thử phù hợp và biết rút ra kết luận chuẩn xác từ dữ liệu thu được.

Các mô hình thử nghiệm hàng đầu hiện nay đã vượt qua nhóm đối chứng gồm 24 chuyên gia con người trong bài kiểm tra này, với chi phí chỉ bằng một phần rất nhỏ. Điều đó báo hiệu rằng trong vài năm tới, AI không chỉ dừng lại ở mức viết vài đoạn mã phụ trợ, mà sẽ trực tiếp tham gia vào vòng lặp: viết mã, chạy thử nghiệm, tự phân tích lỗi và tối ưu lại chính nó.

Dẫu vậy, viễn cảnh tự động hóa hoàn toàn đó vẫn còn nằm ở phía trước. Đối với các kỹ sư và kiến trúc sư hệ thống tại Việt Nam hiện nay, bài học rút ra rất thực tế: đừng vội chạy theo cơn sốt dựng ứng dụng trình diễn để lấy lòng người xem. Giá trị kỹ thuật bền vững nằm ở việc chuẩn hóa cấu trúc dữ liệu của công ty, xây dựng hệ thống giám sát chi phí token thật chặt chẽ, và thử nghiệm các mô hình mở chuyên biệt ngay trên hạ tầng của mình. Khi cơn sốt qua đi, người sống sót không phải là người sinh ra nhiều mã nguồn nhất, mà là người giữ cho hệ thống chạy ổn định và sinh lời với chi phí thấp nhất.