Một kỹ sư mới ra trường bây giờ có thể dùng AI sinh ra một microservice hoàn chỉnh trong vài phút, có REST API, có test, có cả Dockerfile. Mười năm trước, để làm được từng đấy việc, người đó phải mất vài ngày, phải tự tay viết từng dòng, phải hiểu vì sao connection pool cần giới hạn, vì sao index sai kiểu làm chậm cả hệ thống. Nghe qua thì đây là một bước tiến khổng lồ. Nhưng càng quan sát các team áp dụng AI vào công việc thực tế, tôi càng thấy một nghịch lý đáng suy nghĩ. Tốc độ tạo ra sản phẩm tăng lên rất nhiều, nhưng khả năng hiểu vì sao sản phẩm đó chạy được, hoặc vì sao nó sẽ gãy, lại đang giảm đi ở không ít người.
Vì sao AI làm ta ảo tưởng về năng lực
Cái bẫy lớn nhất không nằm ở việc AI làm sai. AI hiện tại làm đúng rất nhiều thứ, đủ đúng để một người không có nền tảng vẫn ra được sản phẩm chạy được trên môi trường demo. Chính vì nó đúng nhiều đến vậy, người dùng dễ đánh đồng việc mình tạo ra được kết quả với việc mình hiểu kết quả đó. Đây là hai việc hoàn toàn khác nhau, nhưng ranh giới giữa chúng bị AI làm mờ đi rất nhanh.
Một người có thể yêu cầu AI thiết kế schema database, nhận về một schema có vẻ hợp lý, và tin rằng mình đã hiểu bài toán chuẩn hóa dữ liệu. Thực chất người đó chỉ đang tin vào một kết quả, không phải đang vận dụng một khái niệm. Khi hệ thống lớn dần, khi có một trường hợp biên AI chưa từng thấy trong dữ liệu huấn luyện, người không có nền tảng sẽ không biết phải hỏi câu gì, không biết đâu là chỗ đáng nghi ngờ. Người có nền tảng sẽ nhận ra ngay một constraint bị thiếu, hoặc một transaction boundary đặt sai chỗ. Sự khác biệt không nằm ở việc ai gõ nhanh hơn, mà nằm ở việc ai còn giữ được cái mô hình tư duy đúng trong đầu, để biết khi nào kết quả của AI đáng tin và khi nào không.
Cái giá của việc bỏ quên nền tảng
Trong ADLC mà chúng tôi đang triển khai cho các dự án, tôi thấy rõ một điều. Phần rủi ro nhất không phải là lúc AI sinh code, mà là lúc review code đó. Reviewer phải hiểu concurrency, phải hiểu vì sao một cách xử lý transaction có thể gây race condition trong tải cao, phải hiểu HL7 hay FHIR đủ sâu để biết một field mapping sai sẽ gây hậu quả gì trên dữ liệu bệnh nhân. Nếu người review chỉ đọc code như đọc văn bản, không đọc được bằng tư duy hệ thống, thì AI không làm review nhanh hơn, AI chỉ làm rủi ro trôi qua nhanh hơn.
Có một điều còn đáng lo hơn. Khi một tổ chức để cả một lớp kỹ sư trẻ lớn lên chỉ bằng cách hỏi AI mà không tự mình vật lộn với khái niệm gốc, tổ chức đó đang tạo ra một khoảng trống năng lực chậm phát lộ. Nó không lộ ra ở sprint đầu, không lộ ra ở demo cho khách hàng. Nó lộ ra khi có sự cố lớn, khi AI không đưa ra được câu trả lời đúng, và không có ai trong phòng đủ hiểu nền tảng để tự mình truy vết vấn đề. Nợ kỹ thuật kiểu cũ còn có thể thấy trong code. Nợ năng lực kiểu mới nằm trong đầu người, khó thấy hơn nhiều, và tốn nhiều năm để trả.
Quay về làm chủ khái niệm cốt lõi nghĩa là gì
Back to basic ở đây không có nghĩa là quay lại viết tay từng dòng code, từ chối công cụ AI. Điều đó đi ngược lại chính năng suất mà ADLC theo đuổi. Back to basic nghĩa là xác định rõ đâu là những khái niệm nền tảng, những thứ khi hiểu sâu sẽ giúp một người đặt câu hỏi đúng cho AI, đánh giá đúng câu trả lời AI đưa ra, và biết giới hạn của công cụ mình đang dùng.
Với một kỹ sư phần mềm, đó có thể là hiểu thật sâu concurrency, transaction, data modeling, độ phức tạp thuật toán, thay vì chỉ nhớ tên pattern. Với một kiến trúc sư giải pháp, đó là hiểu vì sao một ràng buộc phi chức năng như latency hay compliance lại quyết định toàn bộ hình dạng kiến trúc, thay vì chỉ ghép các block theo mẫu có sẵn. Với người làm quản lý công nghệ, đó là hiểu bản chất rủi ro của một quyết định công nghệ, thay vì chỉ tin vào bản so sánh do AI tổng hợp. Nền tảng ở đây không phải là kiến thức để trưng ra, mà là cái khung để phán đoán, cái thứ giúp con người vẫn còn vai trò khi công cụ càng lúc càng mạnh.
Một cách thực tế để giữ được điều này là chủ động tạo ra khoảng vật lộn có kiểm soát. Trước khi hỏi AI, tự đặt giả thuyết của mình. Sau khi AI trả lời, tự hỏi vì sao nó chọn cách đó mà không chọn cách khác, và thử tìm trường hợp nó có thể sai. Đây là một kỷ luật cần rèn, vì AI luôn mời gọi con người bỏ qua bước đó, đi thẳng đến kết quả nhanh nhất.
Transforming Leadership 