Chuyến đi vào nhà máy nơi AI bắt đầu tự viết phần mềm

Từ Replit, Kilo Code đến Symbotic, câu chuyện mới của AI coding agent không còn là AI có thể viết code hay không. Câu hỏi lớn hơn là doanh nghiệp có thể kiểm soát chi phí, chất lượng, bảo mật và hiệu quả khi hàng loạt agent cùng làm việc hay không.

Hãy tưởng tượng bước vào một xưởng phần mềm vài năm trước.

Bạn sẽ thấy những kỹ sư ngồi trước màn hình, đọc code, viết code, sửa lỗi, chạy test rồi gửi pull request. Một công việc có nhịp điệu khá quen thuộc: con người suy nghĩ, máy tính thực thi.

Bây giờ hãy tưởng tượng cùng căn phòng đó nhưng phần lớn công việc đã được chuyển cho những AI agent.

Kỹ sư không còn liên tục gõ từng dòng code. Họ giao nhiệm vụ, kiểm tra kết quả, điều phối agent và quyết định khi nào nên can thiệp.

Tại Kilo Code, đồng sáng lập Emilie Schario cho biết kỹ sư hiện chỉ trực tiếp đọc hoặc viết code khoảng 1% thời gian, trong khi agent đảm nhận phần lớn phần còn lại.

Con số 99% nghe giống khoa học viễn tưởng.

Nhưng nó đồng thời mở ra một bài toán rất thực tế.

Nếu AI có thể làm gần như toàn bộ công việc lập trình, doanh nghiệp phải quản lý AI như thế nào?

Tin tức chính vừa xảy ra

Tại VB Transform 2026, các lãnh đạo kỹ thuật từ Replit, Kilo Code và Symbotic chia sẻ cách họ đang đưa AI coding agent vào quy trình phát triển phần mềm.

Điểm chung giữa họ không phải là niềm tin rằng AI sẽ thay thế hoàn toàn kỹ sư.

Ngược lại.

Họ đang xây dựng một mô hình mới trong đó con người chuyển từ người trực tiếp thực hiện từng thao tác sang người giao việc, kiểm soát, đánh giá và định hướng.

Replit đã triển khai một hệ thống trong đó agent có thể lập kế hoạch, triển khai và kiểm thử một nhiệm vụ từ đầu đến cuối.

Kilo Code đi theo hướng đa mô hình, hỗ trợ hơn 500 mô hình thông qua gateway.

Symbotic lại tập trung mạnh vào việc quản lý chất lượng code, bảo mật và ngân sách sử dụng AI.

Ba cách tiếp cận khác nhau nhưng cùng chỉ về một hướng.

AI coding đang chuyển từ công cụ cá nhân thành hạ tầng doanh nghiệp.

Điều gì mới?

Điều mới không phải là AI biết lập trình.

Điều mới là AI bắt đầu đảm nhận cả chuỗi công việc lập trình.

Một coding assistant truyền thống thường giống như một người ngồi cạnh kỹ sư.

Bạn viết code.

AI gợi ý.

Bạn sửa.

AI tiếp tục gợi ý.

Agentic coding đi xa hơn.

Con người có thể giao một nhiệm vụ.

Agent tự phân tích yêu cầu, lập kế hoạch, viết code, chạy thử nghiệm, phát hiện lỗi và tạo pull request.

Sau đó, một hệ thống khác có thể đánh giá pull request đó.

Replit đang đi theo mô hình này.

Họ triển khai các agent chạy trong những máy ảo cloud riêng, có access control và token proxy để kiểm soát quyền truy cập.

Kỹ sư không cần đứng bên cạnh từng agent.

Mục tiêu là human on the loop, thay vì human in the loop.

Khác biệt chỉ vài chữ nhưng ý nghĩa rất lớn.

Human in the loop nghĩa là con người phải tham gia vào từng bước quan trọng.

Human on the loop nghĩa là hệ thống chạy tự động, còn con người giám sát toàn bộ hệ thống và can thiệp khi cần.

Đó chính là bước chuyển từ công cụ sang lực lượng lao động số.

Tại sao nó quan trọng?

Vì khi số lượng agent tăng lên, năng suất không còn là bài toán duy nhất.

Ba vấn đề mới xuất hiện cùng lúc:

Chất lượng.

Bảo mật.

Chi phí.

Một AI agent có thể hoàn thành hàng chục nhiệm vụ trong thời gian một kỹ sư chỉ vừa bắt đầu một nhiệm vụ.

Nhưng nếu một nửa số kết quả cần sửa lại, năng suất thực tế sẽ giảm.

Nếu agent được cấp quyền quá rộng, rủi ro bảo mật tăng.

Và nếu mỗi nhiệm vụ đều chạy bằng mô hình mạnh nhất, ngân sách AI có thể tăng rất nhanh.

Đây là lý do các công ty đang phải xây dựng cả một lớp điều phối phía trên những mô hình AI.

Sản phẩm hoạt động thế nào?

Một ví dụ từ Replit cho thấy mô hình này rõ nhất.

Một kỹ sư gặp một lỗi rất khó trong hệ thống.

Con người không thể tái hiện hoặc giải quyết vấn đề.

Thay vì tiếp tục điều tra thủ công, nhiệm vụ được giao cho một AI manager agent.

Agent quản lý này không nhất thiết tự mình giải quyết mọi thứ.

Nó có thể tạo thêm nhiều agent chuyên biệt.

Một nhóm tìm nguyên nhân.

Nhóm khác nghiên cứu phần code liên quan.

Sau đó các agent tiếp tục được tạo ra để tìm cách sửa lỗi.

Khoảng sáu giờ sau, hệ thống tạo ra một pull request cho vấn đề từng khiến kỹ sư gặp khó khăn.

Đây là kiến trúc rất khác với chatbot.

Chatbot trả lời.

Agent tổ chức công việc.

Nó có thể trở thành một lớp quản lý ở giữa yêu cầu của con người và hàng loạt thao tác kỹ thuật.

Dữ liệu nằm ở đâu?

Dữ liệu quan trọng nhất không còn chỉ là source code.

Đó là dữ liệu hành vi của agent.

Doanh nghiệp cần biết:

• Agent đã làm gì?
• Dùng mô hình nào?
• Đọc dữ liệu nào?
• Thực hiện bao nhiêu thao tác?
• Tạo bao nhiêu pull request?
• Pull request có được chấp nhận không?
• Có phải sửa lại không?
• Chi phí cho nhiệm vụ đó là bao nhiêu?
• Kết quả cuối cùng tạo ra giá trị gì?

Đây là lý do một chỉ số đặc biệt được Kilo Code chú ý: chi phí trên mỗi pull request.

Thay vì chỉ nhìn vào hóa đơn AI, họ cố gắng liên hệ mức tiêu thụ với lượng công việc thực sự hoàn thành.

Đó là cách nhìn đúng hơn về ROI.

Một khoản chi tiêu lớn chưa chắc là vấn đề.

Chi tiêu lớn nhưng không tạo ra kết quả mới là vấn đề.

Doanh nghiệp kiếm tiền và tạo giá trị thế nào?

Giá trị đầu tiên rất rõ: năng suất kỹ thuật.

Replit cho biết họ quan sát được mức tăng năng suất kỹ thuật khoảng 3 lần trong một số trường hợp triển khai AI.

Nhưng khi agent mở rộng khỏi bộ phận kỹ thuật, cách tính ROI trở nên phức tạp hơn.

Một agent có thể chạy hàng nghìn thao tác.

Nó có thể sử dụng một mô hình rất mạnh.

Nếu không có hệ thống kiểm soát, doanh nghiệp dễ rơi vào tình trạng "AI làm được rất nhiều việc" nhưng không biết việc đó có đáng hay không.

Đây là lý do các công ty đang chuyển từ việc hỏi:

"AI tốn bao nhiêu?"

sang:

"Mỗi đơn vị AI tạo ra bao nhiêu công việc có giá trị?"

Đó là một thay đổi quan trọng trong tư duy quản trị.

Platform hay product?

AI coding agent đang dần trở thành platform, không chỉ là một tính năng.

Kilo Code là ví dụ rõ ràng.

Gateway của họ hỗ trợ hơn 500 mô hình.

Điều này phản ánh một thực tế: doanh nghiệp không muốn toàn bộ hệ thống của mình phụ thuộc vào một mô hình duy nhất.

Một dự án có thể cần mô hình frontier để thiết kế kiến trúc.

Nhưng sau khi kiến trúc đã rõ, phần triển khai lặp lại có thể dùng một open-weight model nhẹ hơn.

Một nhiệm vụ khác có thể cần mô hình phù hợp với ngôn ngữ lập trình cụ thể.

Nhiệm vụ khác lại bị giới hạn bởi chính sách dữ liệu hoặc yêu cầu triển khai trong môi trường kín.

Do đó, tương lai không nhất thiết là:

Một công ty → một mô hình AI.

Nó có thể là:

Một công ty → nhiều mô hình → một lớp orchestration.

Lớp orchestration trở thành bộ não quyết định mô hình nào làm việc gì.

Đối thủ và lợi thế cạnh tranh

Trong thế giới này, lợi thế cạnh tranh không chỉ nằm ở việc sở hữu model tốt nhất.

Nó nằm ở khả năng điều phối model tốt nhất cho từng nhiệm vụ.

Một doanh nghiệp có thể sử dụng mô hình mạnh cho việc lập kế hoạch.

Mô hình khác cho coding.

Mô hình khác cho kiểm thử.

Một mô hình nhỏ hơn cho những tác vụ đơn giản.

Điều này giúp cân bằng giữa năng lực và hiệu quả.

Replit cũng đang làm điều tương tự khi tự quyết định mô hình nào nên được sử dụng trong từng tình huống nhằm giảm chi phí nhưng vẫn giữ năng lực cần thiết.

Thông điệp ở đây rất đơn giản:

Hầu hết công việc không cần mô hình mạnh nhất.

Đây có thể trở thành một trong những nguyên tắc quan trọng nhất của AI doanh nghiệp.

Greenfield dễ. Brownfield mới là chiến trường.

Có một ranh giới kỹ thuật đặc biệt quan trọng.

Greenfield là xây một hệ thống hoàn toàn mới.

Brownfield là bước vào một hệ thống cũ, với hàng triệu dòng code, những quyết định lịch sử, dependency phức tạp và các quy tắc mà không phải lúc nào cũng được ghi lại.

AI rất giỏi ở greenfield.

Cho nó một yêu cầu rõ ràng, một repository mới và môi trường sạch, agent có thể tiến rất nhanh.

Nhưng brownfield lại khác.

Một hệ thống doanh nghiệp có thể chứa những đoạn code tồn tại nhiều năm.

Một thay đổi nhỏ ở module A có thể làm hỏng module B.

AI có thể hiểu code.

Nhưng hiểu tại sao doanh nghiệp lại viết code như vậy từ nhiều năm trước là câu chuyện khác.

Đây vẫn là nơi con người có lợi thế.

Rủi ro

Rủi ro lớn nhất không phải AI coding agent "ngu".

Nó là AI agent quá năng suất nhưng không được kiểm soát tốt.

Một agent chạy sai có thể tạo ra hàng loạt thay đổi.

Một agent dùng mô hình quá mạnh có thể tiêu thụ lượng tài nguyên lớn.

Một agent có quyền truy cập quá rộng có thể chạm vào dữ liệu hoặc hệ thống không nên chạm tới.

Vì vậy, Replit sử dụng cơ chế chấm điểm rủi ro cho pull request.

PR có rủi ro thấp có thể được tự động merge theo quy trình.

PR rủi ro cao hơn được chuyển cho con người xem xét.

Đây là một kiến trúc hợp lý.

Không phải mọi thay đổi đều cần cùng một mức kiểm soát.

Việt Nam sẽ bị tác động thế nào?

Đối với Việt Nam, tác động đầu tiên có thể xuất hiện ở các công ty phần mềm và đội ngũ outsourcing.

Trong mô hình cũ, doanh thu phần nào gắn với số lượng kỹ sư và số giờ làm việc.

Khi agent có thể thực hiện phần lớn công việc lặp lại, phương trình bắt đầu thay đổi.

Một đội ngũ nhỏ hơn có thể xử lý lượng công việc lớn hơn.

Nhưng điều đó không có nghĩa kỹ sư Việt Nam trở nên ít giá trị.

Ngược lại.

Giá trị có thể dịch chuyển từ gõ code sang:

• Thiết kế kiến trúc.
• Định nghĩa yêu cầu.
• Kiểm tra chất lượng.
• Bảo mật.
• Quản lý agent.
• Tối ưu workflow.
• Đánh giá sản phẩm.
• Hiểu nghiệp vụ.

Một kỹ sư giỏi trong tương lai có thể không phải người viết code nhanh nhất.

Họ có thể là người biết giao đúng nhiệm vụ cho 20 agent và nhận ra agent nào đang đi sai hướng.

Đây là thay đổi rất lớn.

Doanh nghiệp Việt Nam nên làm gì?

Đừng vội triển khai hàng trăm agent.

Hãy bắt đầu từ một workflow có thể đo được.

Ví dụ:

Issue → agent phân tích → agent viết code → test → review → pull request → human approval.

Sau đó đo bốn thứ.

Thứ nhất, thời gian hoàn thành.

Một nhiệm vụ trước đây mất bao lâu và hiện mất bao lâu?

Thứ hai, tỷ lệ phải sửa.

Agent tạo ra bao nhiêu kết quả cần con người làm lại?

Thứ ba, chi phí trên kết quả.

Đừng chỉ theo dõi token.

Hãy theo dõi chi phí trên pull request, feature, bug được xử lý hoặc nhiệm vụ hoàn thành.

Thứ tư, mức độ rủi ro.

Agent nào có quyền truy cập repository nào? Database nào? Secret nào? Production hay chỉ môi trường test?

Đây là phần không nên để đến cuối mới nghĩ tới.

Chúng ta đang bước qua một ranh giới khá đặc biệt của ngành phần mềm.

Trong nhiều thập kỷ, máy tính là công cụ để kỹ sư viết phần mềm nhanh hơn.

Giờ đây, AI agent bắt đầu trở thành người thực hiện một phần công việc đó.

Con số từ Kilo Code — kỹ sư chỉ trực tiếp đọc hoặc viết code khoảng 1% thời gian — cho thấy sự thay đổi này không còn chỉ nằm trong các bản demo.

Replit cho thấy một hướng tiếp cận khác: để đội quân agent làm việc trong môi trường được kiểm soát, trong khi con người giám sát thông qua các lớp đánh giá rủi ro.

Symbotic lại cho thấy một vấn đề rất đời thường nhưng ngày càng quan trọng: AI càng được sử dụng nhiều thì doanh nghiệp càng phải biết tiền và năng lực tính toán đang đi đâu.

Và tất cả dẫn đến một kết luận.

Tương lai của AI coding không phải là chọn một mô hình mạnh nhất.

Nó là xây dựng một hệ thống biết mô hình nào làm việc gì, agent nào được phép làm gì, con người cần kiểm tra ở đâu và kết quả cuối cùng tạo ra bao nhiêu giá trị.

Có lẽ đây mới là chuyến đi thật sự.

Không phải từ con người sang AI.

Mà từ một kỹ sư dùng AI sang một đội ngũ con người điều hành cả một hệ thống AI.

Khi đó, phần mềm không còn được xây dựng chỉ bởi những người ngồi trước màn hình.

Nó được xây dựng bởi một kiến trúc mới: con người đặt hướng đi, agent thực hiện, hệ thống kiểm soát và dữ liệu quyết định điều gì thực sự có giá trị.

Từ khóa SEO

AI coding agent, AI lập trình, AI agent, Replit AI, Kilo Code, Symbotic AI, coding agent, AI developer, AI software, AI đa mô hình, model routing, AI orchestration, AI enterprise, AI automation, năng suất lập trình, AI Việt Nam, brownfield code, greenfield code, AI developer tools