Sự trỗi dậy của lập trình AI và nghịch lý thoái hóa. Câu chuyện IBM, Anthropic, FPT

Nghịch lý kinh tế: Từ tiết kiệm chi phí lao động đến gánh nặng nợ kỹ thuật

Mục tiêu hàng đầu của các doanh nghiệp khi áp dụng AI vào lập trình là giảm thiểu chi phí nhân công và tối ưu hóa quy trình. Các báo cáo sơ bộ cho thấy AI có khả năng tăng năng suất cá nhân trung bình khoảng 35% và giúp các lập trình viên giảm bớt 75% thời gian cho các "công việc nhàm chán" (toil work). Một số nghiên cứu thậm chí còn ghi nhận mức tăng tốc lên tới 80% đối với các tác vụ cụ thể mà lập trình viên đã có kỹ năng nền tảng vững chắc.

Tuy nhiên, hiệu quả kinh tế này bị thách thức bởi sự gia tăng của nợ kỹ thuật và nhu cầu về một loại hình lao động mới để quản lý các hệ quả do AI tạo ra. Thay vì loại bỏ hoàn toàn các tác vụ nhàm chán, AI dường như đang dịch chuyển gánh nặng này sang các khu vực mới: quản lý nợ kỹ thuật và sửa chữa mã nguồn do AI tạo ra nhưng không đáng tin cậy. Một khảo sát cho thấy 88% lập trình viên báo cáo ít nhất một tác động tiêu cực của AI đối với nợ kỹ thuật, trong đó 53% cho rằng AI tạo ra mã nguồn trông có vẻ đúng nhưng thực tế lại không ổn định.

Tác động kinh tế dự kiến của AI tạo sinh trong ngành ngân hàng và phần mềm

AI tạo sinh không chỉ là một công cụ lập trình; nó là một động lực kinh tế có khả năng tạo ra giá trị từ 2.6 nghìn tỷ đến 4.4 nghìn tỷ USD hàng năm trên toàn cầu. Ngành ngân hàng được dự đoán là một trong những bên hưởng lợi lớn nhất nhờ vào việc hiện đại hóa các hệ thống cũ và tự động hóa các quy trình phức tạp.

Dù các con số này rất ấn tượng, nhưng chúng chưa tính toán đầy đủ chi phí bảo trì dài hạn và rủi ro từ việc mất đi sự hiểu biết sâu sắc về hệ thống của con người. Một khi nợ kỹ thuật tích lũy theo hàm mũ thay vì tuyến tính, chi phí để "trả nợ" có thể nhanh chóng triệt tiêu các lợi ích ban đầu về chi phí lao động

Cuộc khủng hoảng an ninh trong mã nguồn do trí tuệ nhân tạo tạo ra

Vấn đề bảo mật là rào cản lớn nhất và cũng là minh chứng rõ rệt nhất cho sự thoái hóa chất lượng khi lạm dụng AI. Theo báo cáo an ninh GenAI năm 2025 của Veracode, 45% mã nguồn do AI tạo ra chứa các lỗ hổng bảo mật nghiêm trọng. Sự thoái hóa này không chỉ xuất hiện ở một vài mô hình nhất định mà là một vấn đề mang tính hệ thống trên hơn 100 mô hình ngôn ngữ lớn (LLM) được kiểm tra.

Phân tích tỷ lệ lỗ hổng bảo mật theo ngôn ngữ lập trình

Các lỗ hổng không phân bố đồng đều giữa các ngôn ngữ lập trình. Java, ngôn ngữ xương sống của nhiều hệ thống doanh nghiệp, là "tội đồ" lớn nhất với tỷ lệ lỗi bảo mật lên tới 72% khi được tạo bởi AI.

Đáng chú ý, các lỗ hổng kinh điển như Cross-site Scripting (XSS) xuất hiện với tỷ lệ 86% và Log Injection lên tới 88% trong các mẫu mã nguồn AI. Điều này cho thấy AI, dù có khả năng tạo ra mã nguồn đúng cú pháp, vẫn thiếu vắng tư duy phòng thủ (defensive programming) và khả năng hiểu bối cảnh an ninh thực tế.

Sự thoái hóa an ninh qua các vòng lặp phản hồi (Feedback Loop Degradation)

Một hiện tượng cực kỳ nguy hiểm đã được xác định là sự suy giảm chất lượng an ninh sau mỗi vòng lặp cải thiện mã bằng AI. Các lập trình viên thường không chấp nhận mã AI ngay lập tức mà yêu cầu AI tinh chỉnh, tối ưu hoặc sửa lỗi. Tuy nhiên, các nghiên cứu chỉ ra rằng hành động này có thể phản tác dụng.

Mức độ nghiêm trọng của các lỗ hổng tăng thêm 37.6% chỉ sau 5 lần lặp lại quá trình "cải thiện" mã nguồn bằng AI mà không có sự giám sát của con người. Sau 10 lần lặp, số lượng lỗ hổng trung bình trên mỗi mẫu mã nguồn có thể tăng từ 2.1 lên 6.2. Nghịch lý này xảy ra vì AI có xu hướng tập trung vào việc đáp ứng yêu cầu mới của câu lệnh (prompt) mà bỏ qua các ràng buộc an ninh đã được thiết lập trước đó, hoặc tự động tạo ra mã nguồn phức tạp hơn mức cần thiết, từ đó mở rộng bề mặt tấn công.

Hiện đại hóa COBOL: Cuộc chiến giành quyền kiểm soát hệ thống di sản

Cổ phiếu IBM sụt giảm kỷ lục sau thông tin Anthropic ra mắt công cụ Claude Code có khả năng lập trình COBOL cực tốt, trong khi FPT đang triển khai dự án lớn về COBOL tại Nhật Bản. Đây là một ví dụ điển hình về cách AI có thể làm thay đổi cấu trúc chi phí lao động và đe dọa các mô hình kinh doanh truyền thống.

COBOL, một ngôn ngữ lập trình hơn 60 năm tuổi, vẫn đang xử lý khoảng 95% các giao dịch ATM tại Hoa Kỳ và là nền tảng của hàng trăm tỷ dòng mã trong ngành tài chính, bảo hiểm và chính phủ. Sự khan hiếm lập trình viên thông thạo COBOL do thế hệ cũ đã nghỉ hưu đã tạo ra cái gọi là "Vực thẳm kỹ thuật số 2025" (2025 Digital Cliff), đặc biệt là tại Nhật Bản.

Claude Code và cú sốc thị trường đối với "Big Blue" IBM

Ngày 23 tháng 2 năm 2026, cổ phiếu IBM đã lao dốc 13.2%, mức giảm mạnh nhất kể từ năm 2000, thổi bay hơn 31 tỷ USD giá trị vốn hóa. Nguyên nhân trực tiếp là tuyên bố của Anthropic rằng Claude Code có thể tự động hóa phần lớn công việc của đội ngũ tư vấn hàng ngàn người trong việc lập bản đồ phụ thuộc, tài liệu hóa quy trình và xác định rủi ro của các hệ thống COBOL di sản.

Claude Code hứa hẹn rút ngắn thời gian hiện đại hóa hệ thống từ hàng năm xuống còn hàng quý. Đối với IBM, công ty có doanh thu gắn liền chặt chẽ với các máy chủ mainframe chạy COBOL, đây là một mối đe dọa trực tiếp vì AI có thể giúp khách hàng dễ dàng chuyển dịch từ hệ thống mainframe đóng sang các nền tảng đám mây mở.

Chiến lược của FPT tại thị trường Nhật Bản: COBOL PARK

Trong bối cảnh đó, FPT Software đã có bước đi chiến lược khi thành lập liên doanh COBOL PARK cùng với SCSK tại Nhật Bản vào tháng 10 năm 2025. Liên doanh này tập trung vào thị trường tài chính trị giá 500 tỷ yên tại Nhật, nơi nhu cầu bảo trì và hiện đại hóa mainframe đang cực kỳ cấp thiết.

FPT không chỉ dựa vào lao động giá rẻ mà còn đầu tư mạnh vào AI chuyên biệt. Họ đã giới thiệu mô hình XMainframe, được xây dựng trên nền tảng DeepSeek-Coder và được đào tạo với 236 triệu token dữ liệu chuyên biệt về mainframe và COBOL. XMainframe có khả năng tóm tắt mã COBOL tốt gấp 6 lần so với GPT-3.5 và đạt điểm BLEU gấp đôi so với Mixtral-Instruct trong các tác vụ trả lời câu hỏi về hệ thống cũ. Việc tích hợp AI như XMainframe và trợ lý CodeVista giúp FPT tăng hiệu suất lập trình thêm 30% và đạt độ chính xác 97% trong việc xác thực hệ thống.

Sự thoái hóa năng lực con người: Cái giá của việc quá phụ thuộc vào AI

Câu hỏi của người dùng về việc liệu đây có phải là "một lo ngại thoái hóa" không chỉ giới hạn ở mã nguồn mà còn mở rộng sang khả năng tư duy của con người. Sự giảm thiểu chi phí lao động có thể dẫn đến một hệ quả không mong muốn: sự suy thoái năng lực chuyên môn (cognitive atrophy) của đội ngũ lập trình viên trẻ.

Nghiên cứu của Anthropic về sự mất mát kỹ năng

Một nghiên cứu ngẫu nhiên của Anthropic trên 52 lập trình viên Python cấp thấp đã cho thấy kết quả đáng lo ngại. Những người sử dụng trợ lý AI để hoàn thành nhiệm vụ lập trình có điểm số bài kiểm tra kiến thức thấp hơn 17% so với những người làm việc thủ công (đạt 50% so với 67%). Khoảng cách này tương đương với hai bậc xếp loại học thuật.

Nghiên cứu chỉ ra rằng những người "ủy quyền" hoàn toàn cho AI (AI delegation) có kết quả kém nhất, trong khi những người sử dụng AI như một người bạn đồng hành để giải thích khái niệm vẫn duy trì được trình độ cao. Điều này xác nhận rằng AI có thể khiến những lập trình viên giỏi trở nên tốt hơn, nhưng lại khiến những lập trình viên yếu kém trở nên tồi tệ hơn vì họ mất đi cơ hội để "vật lộn" với các khái niệm khó.

Sự xói mòn của tư duy phản biện và khả năng giám sát

Việc AI tạo ra mã nguồn trông có vẻ hoàn hảo nhưng chứa đựng các lỗi logic tinh vi đòi hỏi lập trình viên phải có khả năng giám sát cực kỳ cao. Tuy nhiên, chính việc sử dụng AI lại đang làm suy giảm khả năng này. Hiện tượng "Vibe Coding" – lập trình dựa trên cảm giác rằng mọi thứ đang chạy ổn mà không thực sự hiểu logic bên dưới – đang trở nên phổ biến.

Khi lập trình viên ngừng đặt câu hỏi "tại sao" đằng sau một đoạn mã, họ mất đi khả năng nhận diện các rủi ro hệ thống. Debugging mã nguồn do AI tạo ra thường khó hơn mã do con người viết vì "ý đồ" đằng sau các quyết định của AI là vô hình. Điều này dẫn đến một tình trạng nguy hiểm: chúng ta đang xây dựng các hệ thống mà không ai thực sự hiểu thấu đáo, kể cả người đã nhấn nút hợp nhất (merge) mã nguồn đó.

Nợ kỹ thuật: Cơn sóng ngầm đe dọa sự bền vững của doanh nghiệp

Nợ kỹ thuật AI không giống như nợ kỹ thuật truyền thống. Nó ẩn nấp sau những dòng mã có cú pháp hoàn hảo và chú thích đầy đủ, nhưng thiếu vắng cấu trúc kiến trúc và khả năng mở rộng lâu dài.

Các đặc điểm của nợ kỹ thuật do AI tạo ra

Các chuyên gia an ninh ứng dụng (AppSec) đã xác định 10 phản mẫu kiến trúc thường gặp trong mã AI, gây ra sự gia tăng nợ kỹ thuật theo hàm mũ :

1. Ghi chú tràn lan (Comments Everywhere): Các ghi chú nhằm hỗ trợ AI vô tình làm tăng gánh nặng nhận thức cho con người khi xem xét mã nguồn.

2. Cấu trúc cứng nhắc (By-the-Book Fixation): AI thường tuân theo các mẫu sách giáo khoa thay vì điều chỉnh cho phù hợp với bối cảnh cụ thể của ứng dụng hiện tại.

3. Tránh né tái cấu trúc (Avoidance of Refactors): AI ưu tiên thực hiện yêu cầu tức thời, dẫn đến mã nguồn rời rạc và khó bảo trì.

4. Đặc tả quá mức (Over-Specification): Thực hiện mã nguồn cho những trường hợp biên cực kỳ hiếm gặp, làm phình to codebase một cách vô ích.

5. Thiếu hụt bối cảnh kiến trúc: AI không hiểu tại sao một số quyết định kỹ thuật nhất định đã được đưa ra trong quá khứ, dẫn đến việc đề xuất các mẫu mã nguồn đã từng bị nhóm phát triển loại bỏ vì lý do hiệu năng.

Chi phí ẩn của sự tiện lợi

Một hệ thống ERP hoặc ngân hàng lõi nếu tích lũy quá nhiều nợ kỹ thuật AI có thể rơi vào tình trạng "phá sản kỹ thuật", nơi chi phí để thực hiện bất kỳ thay đổi nào cũng trở nên không tưởng. Các doanh nghiệp hiện đang chi tiêu khoảng $23\% - 25\%$ thời gian làm việc hàng tuần cho các tác vụ nhàm chán, và con số này không hề giảm đi đối với những người sử dụng AI thường xuyên vì họ phải dành thời gian đó để quản lý nợ kỹ thuật mới.

Hơn nữa, trong các ngành công nghiệp đòi hỏi sự tuân thủ nghiêm ngặt (GDPR, HIPAA), nợ kỹ thuật AI có thể dẫn đến những thảm họa pháp lý khi các lỗ hổng bảo mật ẩn sâu trong mã nguồn bị khai thác. Việc thiếu đi các tài liệu về "tại sao" logic lại được viết như vậy làm cho quá trình kiểm toán trở nên cực kỳ khó khăn và tốn kém.

Tác động lan tỏa: "SaaS-pocalypse" và sự tái định hình ngành bảo mật

Sự ra mắt của Claude Code Security vào tháng 2 năm 2026 không chỉ ảnh hưởng đến IBM mà còn tạo ra một cú sốc trong toàn ngành an ninh mạng. Các cổ phiếu như JFrog đã mất gần 25% giá trị chỉ trong một phiên giao dịch vì thị trường lo ngại rằng các tác nhân AI tự động có thể thay thế các công cụ quét mã truyền thống như SAST (Static Application Security Testing) và SCA (Software Composition Analysis).

Sự xói mòn ranh giới giữa kỹ thuật và an ninh

Khi các hệ thống viết mã cũng có khả năng suy luận về các lỗ hổng trong mã đó, ranh giới truyền thống giữa nhóm kỹ thuật và nhóm bảo mật (AppSec) sẽ bị xóa nhòa. Điều này tạo ra một sự cạnh tranh về kinh tế hơn là tính năng. Các nền tảng AI như Anthropic, Google hay OpenAI đang tích hợp sẵn các công cụ bảo mật vào quy trình làm việc, khiến các giải pháp rời rạc và tốn kém trở nên ít hấp dẫn hơn đối với doanh nghiệp.

Tuy nhiên, các chuyên gia cảnh báo rằng sự lạc quan này có thể là quá mức. AI hiện tại vẫn chưa đủ khả năng để tự động sửa chữa mã nguồn cũ ở quy mô lớn mà không có sự giám sát. Sự tự trị quá mức mà không có sự kiểm soát về quyền hạn (permissions) có thể dẫn đến các quyết định sai lầm không thể đảo ngược trong môi trường sản xuất.

Nguồn: James Do tổng hợp và phân tích. Vui lòng trích dẫn lại nếu sử dụng bài viết

Danh sách tài liệu tham khảo