Những suy nghĩ về AI trong kỷ nguyên ADLC

Nhân dịp được sếp cho đổi con Macbook Pro M5, mở lên viết vài dòng.

Mình dùng GenAI cũng hơn một năm nay để augment các công việc hàng ngày, đa số là research, tư vấn công nghệ, tóm tắt sách, làm pre-sales, và estimate. Mình đã dùng qua ChatGPT, Gemini và gần đây là Claude. Phải nói thật là mình thực sự ấn tượng với Claude, dù có điều hơi đau ví vì mình hay xài các model mạnh nhất là Opus, nên hết quota khá nhanh.

Với Claude, mình đã có thể tạo ra một file estimate đầy đủ effort, timeline, resource loading, assumption, và team structure chỉ trong vòng 15 phút. Tiện hơn nữa là mình có thể chuẩn hoá lại thành bộ skill có thể tái sử dụng nhiều lần, và dùng để tạo ra các prototype rất nhanh.

Đặc biệt, gần đây mình bắt đầu suy nghĩ nhiều hơn về AI-Native SDLC, hay còn được gọi là ADLC (AI-Driven Development Lifecycle). Đây là mô hình mà toàn bộ quy trình phát triển phần mềm đều có sự hiện diện và đóng góp của AI, từ khâu phân tích requirement, tạo tài liệu kiến trúc kỹ thuật, lựa chọn công nghệ, UI/UX design, code generation, test generation, cho đến tích hợp với JIRA, GitLab. Mọi output đều được chuẩn hoá và align theo quy trình của doanh nghiệp. Mọi khâu đều được tích hợp chặt chẽ với nhau, không dừng lại ở việc vibe coding hay random prompting. Và đặc biệt, toàn bộ quy trình có thể được tăng tốc lên đến 50% đến 75%.

Và câu hỏi đặt ra là: chúng ta, những con người mà cách đây không lâu vẫn đang phối hợp với nhau trong kỹ nghệ phần mềm, thì giờ đây chúng ta có thể làm gì?

Mình nghĩ câu trả lời không nằm ở việc cạnh tranh với AI, mà nằm ở việc định nghĩa lại vai trò của con người trong vòng lặp đó.

Khi AI đảm nhận phần lớn công việc mang tính lặp lại và có thể dự đoán được, con người sẽ dịch chuyển sang những vai trò mà máy móc vẫn chưa thể thay thế được hoàn toàn. Đó là khả năng đặt đúng câu hỏi trước khi bắt đầu build. Là năng lực nhìn ra context phía sau một bài toán, thứ mà không nằm trong bất kỳ tài liệu requirement nào. Là trách nhiệm đưa ra quyết định trong môi trường mơ hồ và rủi ro cao. Là kỹ năng dẫn dắt và tạo sự tin tưởng với khách hàng, với đội nhóm.

Nói cách khác, khi AI lo phần “how”, con người cần làm chủ phần “why” và “what matters”.

The Human Skills That Matter Most

SpecOps shifts the developer’s job from writing code to curating specifications, governance, and testbed scenarios. The code is generated. The documents are generated. So what skills does the human need?

The answer is not “learn to write better prompts.” The answer is a set of mindsets that AI cannot replace, because they require judgment, creativity, and contextual awareness that no model possesses.

T-Shaped Expertise (Actually T-Sharp)

This is the most important skill. You need broad knowledge across many domains combined with depth in your specialty. Why? Because the human’s job is to direct the AI, and you cannot direct what you do not understand. A developer who knows databases, networking, security, cloud, UX, and business logic superficially, combined with deep expertise in one area, will write dramatically better specs and catch dramatically more AI mistakes than a narrow specialist. T-sharp means knowing enough about everything to ask the right questions and recognizing when the AI’s answer is wrong. The broader your knowledge, the more effective your AI direction becomes.

Innovation & Experimental Mindset

AI excels at executing known patterns. It struggles with inventing new ones. The human’s unique contribution is imagining what does not yet exist: novel product ideas, unconventional architectures, creative solutions to business problems. An experimental mindset means trying unconventional approaches, prototyping rapidly with AI assistance, and recognizing when the AI’s “standard” answer is not good enough. Innovation is the one thing you cannot delegate to a spec.

Customer & Business Understanding

AI generates code from specs. But who writes the specs? The human who understands the customer’s pain, the business model, the regulatory environment, and the competitive landscape. A spec written by someone who deeply understands the domain produces dramatically better AI output than a spec written from a surface-level understanding. Domain expertise is the highest-leverage input to the SpecOps pipeline.

Governance Mindset (People, Process, AI)

SpecOps requires someone who thinks about systems, not just features: Who reviews what? What process ensures quality? How do we prevent AI from drifting? This is the skill of writing constitutions, designing CI gates, structuring team workflows, and knowing when to trust AI output and when to verify it. Governance is not bureaucracy; it is the discipline that makes AI-assisted development safe and predictable at scale.

Continuous Improvement Mindset

The SpecOps system itself must improve sprint over sprint. Which constitution rules get violated most? Which templates produce the best output? Which test scenarios miss real bugs? Someone on the team must care about making the machine better, not just using it. This meta-skill, improving the process that produces the product, is what separates teams that plateau from teams that compound.

People who knows broadly, understands the customer deeply, thinks in systems, experiments relentlessly, and improves continuously will be ten times more productive with AI than the who only knows how to code.