AI for Coding: Có thật là “AI giúp dev tăng năng suất x10”?
Năm 2025 này, ai cũng nói về AI làm dev năng suất 10 lần, vibe coding này nọ… tức là kiểu dự án thay vì 10 ngày xong thì chỉ mất có 1 ngày thôi. Sự thật thế nào?
Thời gian qua ai cũng nói về “AI làm dev tăng năng suất 10 lần”, vibe coding đồ này nọ build vèo cái là xong,… tức là kiểu dự án thay vì 10 ngày xong thì dùng AI chỉ mất có 1 ngày thôi.
Bản thân tui & team tui cũng dùng AI mỗi ngày nên tui thắc mắc sao họ làm được hay zậy, mình cũng tối ưu (phiền) sáng cũng ưu mà tăng 2x còn ko nổi, lấy đâu ra 10x, hay do mình dùng sai... cảm giác mình dỏm thiệt sự 😔
Nên tui quyết định đi tìm hiểu xem sự thật ngoài kia thế nào, đào bới khá nhiều nghiên cứu và data từ những ông lớn như Stack Overflow, Faros AI, Google, Microsoft để xem thực hư ra sao.
TLDR: chỉ có 20% thôi.
—
Con số thật sự là gì?
1/ Stack Overflow 2025: Tin tưởng vào AI đang… lao dốc
Theo Stack Overflow Developer Survey 2025 với hơn 49,000 dev từ 177 quốc gia:
84% dev đang dùng hoặc định dùng AI tools (tăng từ 76% năm 2024)
Nhưng chỉ còn 60% có cảm xúc tích cực với AI (giảm từ >70% năm 2023-2024)
46% dev không tin tưởng output của AI (tăng từ 31% năm ngoái)
66% dev bực mình vì AI cho ra kết quả “gần đúng, nhưng không hẳn”
45% nói debug code AI tạo ra mất thời gian hơn tự viết
Thấy chưa? Lượng sử dụng tăng nhưng niềm tin giảm.
Mình thấy cái 66% developer phàn nàn rằng AI output “almost right, but not quite” làm mất thời gian của họ là đúng nhất. Tức là code AI generate trông có vẻ đúng nhưng thực ra sai, dẫn đến việc debug & review mất thời gian hơn cả viết tay.
Điều này cho thấy gì? Dev đã qua giai đoạn “trăng mật” với AI rồi.
Giờ họ là người hiểu nhất AI làm được gì, không làm được gì.
2/ Nghiên cứu từ Google và Microsoft: Tăng 20-30%, không phải 10x
Các nghiên cứu kiểm soát có uy tín cho thấy:
—
Google Internal RCT (2024):
100 engineer của Google
Tăng 21% tốc độ trong coding tasks chuyên nghiệp
Senior dev thậm chí được lợi hơn junior (ngược với dự đoán)
—
Multi-Company Study (Microsoft, Accenture, Fortune 100):
Gần 5,000 developers
Tăng 26% productivity trung bình
Junior dev được lợi nhất (35-39%), senior lại chỉ 8-16% (hơi ngược so với chị Google)
—
Upwork Freelancer Study:
Tăng 55% tốc độ (nhưng đây là task đơn giản, không phải độ phức tạp thật sự)
—
Nhìn chung, 20-30% improvement là con số thực tế, chính bản thân mình cũng thấy rõ qua công việc hàng ngày, không phải 10x như các ông startup founder hay investor thường khoe.
3/ Plot twist: Nghiên cứu METR - AI làm chậm devs có kinh nghiệm!
Đây là nghiên cứu gây shock nhất từ METR:
https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/
16 experienced open-source developers
Làm việc trên repos của chính họ (>1M lines code)
Kết quả: Khi dùng AI, họ chậm hơn 19%!
Nhưng họ "tưởng" họ nhanh hơn 20% 😂
Tại sao vậy? Vì:
Phải verify và debug AI output
Context switching giữa suy nghĩ của mình và AI
AI không hiểu đủ context của codebase lớn
Tốn thêm thời gian cho việc “dạy” AI làm gì (hoặc "chửi lộn" với nó)
—
Nghịch lý năng suất AI (AI Productivity Paradox):
Nhiều code != Nhiều value
Faros AI Research phân tích telemetry từ 10,000+ developers ở 1,255 teams và phát hiện cái gọi là “AI Productivity Paradox”:
Teams dùng AI nhiều thì:
Hoàn thành 21% tasks nhiều hơn
Merge 98% pull requests nhiều hơn
NHƯNG PR review time tăng 91%! 🔥
Mật độ lỗi tăng 9%
PR size tăng 154% (to vãi! 😱)
Tại sao lại thế?
Amdahl’s Law chia sẻ: Hệ thống chỉ nhanh bằng khâu chậm nhất.
AI giúp dev code nhanh hơn, nhưng:
Code review vẫn cần kon human
QA vẫn cần kon human
Test nhiều hơn, CI/CD lâu hơn
Deploy process vẫn vậy
Architecture decisions vẫn kon cần human
Kết quả?
Việc coding vẫn nghẽn ở các bottleneck khác!
Vậy là công ty dùng AI nhiều không hẳn đã ship nhanh hơn hay có chất lượng đáng tin cậy hơn công ty không dùng.
—
Thật ra theo mình thấy, AI nó đang giúp được ở cái phần ít tốn thời gian nhất thôi: “VIẾT CODE” (chỉ chiếm ~5% thời lượng phát triển phần mềm)
Nhưng trong phát triển thì những phần còn lại mới lại tốn thời gian, như debugging, system design, testing, optimization,... những công việc khiến mấy a Dev tốn hàng đống giờ chỉ để chống cằm nhìn chằm chằm vào màn hình như một tên tâm thần (nhưng thật ra lại là genius).
Mà hồi đó mình viết code nên ít ra còn dễ đoán được lỗi có thể nằm ở đâu, việc debug sau đó cũng dễ hơn, giờ 5-10 phút là AI nó quăng cho chục ngàn dòng, đọc ẻ luôn mà còn phải ráng hiểu nó đang làm gì, có lỗi gì ko, có trùng lặp ko, có nguy hiểm bảo mật ko, thì không lâu hơn sao được?
__
Tại sao chưa thấy impact ở org level?
Faros chỉ ra 4 lý do chính:
1. Adoption quá mới
60%+ dev mới dùng weekly trong 2-3 quarters gần đây. Teams đang “beta-test” AI trong production!
2. Usage không đồng đều
Team A dùng AI như máy, Team B vẫn old-school. Mà software delivery là cross-team, nên 1 team nhanh không giúp được gì.
3. Skew về newer engineers
Dev mới vào company dùng AI nhiều nhất (để navigate unfamiliar codebase), senior engineer skeptical hơn. Mà senior là người quyết định architecture!
4. Usage vẫn shallow
Đa số chỉ dùng autocomplete. Advanced features như AI chat, code review, agents… vẫn ít người dùng.
__
Thế AI giúp được gì, không giúp được gì?
✅ AI ngon ở:
Greenfield projects: Tạo app mới từ đầu, prototype nhanh. Ở đây AI như “rocket fuel”.
Boilerplate code: Unit tests, CRUD, data conversion, glue code giữa APIs. Cái này AI làm cực đỉnh.
Documentation và learning: Giải thích code, translate language, answer “how to do X in framework Y”. Stack Overflow survey cho thấy 44% dev dùng AI để học tech mới.
Onboarding: New hire dùng AI để hiểu codebase nhanh hơn, thay vì hỏi senior hoài.
❌ AI dở ở:
Large legacy codebases: AI không hiểu context, domain-specific patterns, custom utilities. Code nó tạo ra dựa vào pattern học vẹt từ những dự án nó được train, nên thường không hợp với kiến trúc dự án hiện tại (trừ khi được hướng dẫn rõ ràng)
Agentic coding (hiện nay): Mấy cái agent tự động code, test, fix bug… vẫn khá mong manh và cần theo dõi nhiều. Armin Ronacher đã thử và kết luận đa số failed: https://lucumr.pocoo.org/2025/7/30/things-that-didnt-work/
“Almost right” solutions: 66% dev bực vì AI cho ra kết quả “gần đúng”, dẫn đến mất thời gian debug hơn là tự viết.
Creative problem-solving: AI là pattern mimicker, không invent được solution mới.
(Thật ra ý nghĩa thật sự của “Vibe Coding” là… 😂)
—
Real-world workflow: Dev đang adapt thế nào?
1/ “AI Pair-programming” via chat
Thay vì rely vào autocomplete hoặc AI-generated code, nhiều dev giữ AI chat window mở để hỏi đáp liên tục. Mình dùng Claude Code cũng thường chia 2 tabs, một bên để code, một bên để hỏi.
2/ Prompt libraries
Dev tạo collection các prompt patterns hoạt động tốt cho công việc của họ. Như có shell scripts cho AI vậy (Trong Claude Code thì nó là Commands đó)
3/ Smaller commits
Thay vì để AI tạo huge PR, dev học cách break tasks thành chunks nhỏ, easier to review. Mình cũng hay gặp vụ này, nhất là từ ngày dùng Subagents, đợi tụi nó chạy xong có khi ra cả đống code, ngồi review lại cũng hết ngày.
4/ Double down on testing
Vì AI code có thể có bug ẩn, teams đầu tư nhiều hơn vào automated testing, CI quality gates.
Hồi đó code mình viết, ít ra mình còn biết được 5-7 phần, né viết tests hên hên thì cũng không sao.
Chứ giờ làm dự án cho khách & dùng AI mà không viết test thì bạn toang chắc, mình thề luôn.
Làm với AI thì Test-Driven Development is a MUST nha! 💪
__
Human+AI, không nên AI-alone
Sau khi đọc hết các nghiên cứu này, tui rút ra được:
AI có giúp, nhưng không đáng kể và không đồng đều
Tăng năng suất 20-30% trong điều kiện kiểm soát
Cá nhân thấy lợi ích nhiều hơn tầng tổ chức
Junior/newer engineers thấy lợi ích nhiều hơn seniors
Greenfield projects thấy lợi ích nhiều hơn brownfield projects
Vấn đề thực sự
Lượng sử dụng tăng nhưng niềm tin giảm
Dev học cách “tin nhưng vẫn cần xác thực”
Cần kon human giám sát for chất lượng
Workflow cần adapt
Không phải plug-and-play
Cần training, thay đổi quy trình
Đầu tư vào teéting và quy trình review
Cái này rút ra từ bản thân luôn, rõ ràng chính mình cũng suốt ngày đi tối ưu workflow với AI, nhưng nhận thấy năng suất cũng chỉ tăng không đáng kể, bình thường dự án mất 10 ngày thì nay chỉ nhanh hơn được khoảng 2-3 ngày thôi, suốt ngày phải đi review và chửi lộn với kon AI, chứ không là banh chành ngay.
—
VẬY NÊN LÀ:
Nếu bạn là dev: đừng mong AI sẽ biến bạn thành 10x engineer chỉ qua 1 đêm, mà cũng đừng vội từ bỏ nó, tận dụng nó để nâng cao kiến thức nhanh hơn, tự động hoá mấy cái việc nhàm chán đi.
Nếu bạn là sếp hay quản lý: Đừng tin vào câu nói marketing buzz "dùng AI giúp dev tăng x10 năng suất" rồi về ép timeline team dev ra bã hay hứa suông deadline với khách nữa, tội dev lắm, khổ lắm rồi.
Nếu bạn là khách hàng: Đừng tin vào mấy cú hyped truyền thông nữa, chỉ cần hiểu được cái năng lực thực tế của kon AI và yêu thương 2 ông trên nhiều hơn chút là được 🫶
Từ ngày kon AI xuất hiện, mấy kon Dev bị đạp tới đáy xã hội, bị đòi thay thế, bị hù ngủ với gà, bị stress burnout nhiều hơn, tất cả chỉ vì truyền thông suốt ngày ra rả hiệu suất tăng x10, non-tech founder xây startup tỉ $ nhờ AI code,... (không phải là không có, nhưng nó đếm trên đầu ngón tay)
Trong khi mấy kon Human Dev thì bị “mắc kẹt” đúng nghĩa, làm không nhanh thì bị đánh giá không biết dùng AI, skill issues các thứ vì ngta làm đc (trên mạng) còn m thì ko, dùng nhanh review bừa thì nợ kỹ thuật ngày càng nhiều, lỗi ngày càng to, bảo trì ngày càng quãi, khách thì ép giá, sếp thì ép deadline, mà ngồi giải thích thanh minh thanh nga thì không ai hiểu... đúng là quá khổ (tặc lưỡi), trăm dâu đổ đầu tằm.
AI là một tools hữu ích, giúp automate một số thứ nhàm chán, tăng tốc việc học, cũng tạo đc vài boilerplate. Nhưng nó không thể thay thế quyết định của engineering, tư duy thiết kế hệ thống, hay những kỹ năng debugging.
Quan trọng nhất:
Đừng ngừng trau dồi kỹ năng cốt lõi.
Kon AI có thể làm việc dễ, nhưng việc khó thì vẫn cần kon human.
Và khi kon AI làm việc dễ, kon human phải handle việc khó nhiều hơn, có giá trị nhiều hơn!
Tận dụng AI và học hỏi nhiều hơn nữa, để mang thời hoàng kim của dev quay trở lại 💪
Anh ơi, em thấy trong đoạn "Code review vẫn cần kon human" chắc bị typo, chắc anh muốn viết là "cần".
vẫn nên học giỏi toán ,lý ,dsa và học cách debug