TL;DR
· Một nhà sáng lập AI cho biết, việc agent viết mã đang thay đổi thứ tự năng lực trong giai đoạn đầu sự nghiệp.
· Các nhiệm vụ có thể chấm điểm phù hợp hơn với mô hình, con người cần học cách đánh giá vấn đề, phân bổ thời gian và công cụ.
· Lợi nhuận tiền mặt không phải mục tiêu duy nhất, mối quan hệ, danh tiếng và chất lượng bàn giao sẽ tạo ra khoảng cách.

Một nhà sáng lập, theo tự thuật từng làm việc tại Scale AI, DeepMind, OpenAI, Google và các công ty khác, hiện đang tham gia vào một công ty agent-native, đã viết một bài luận dài bằng tiếng Anh đưa ra lời khuyên nghề nghiệp mới cho giới trẻ. Bối cảnh là các công cụ mã hóa AI đã chuyển từ việc hoàn thiện mã sang các agent kỹ thuật phần mềm hoàn chỉnh hơn. Khi OpenAI phát hành Codex vào năm 2025, họ cho biết nó có thể xử lý song song các tác vụ như viết tính năng, sửa lỗi, đề xuất PR trên đám mây, nhưng vẫn cần con người xem xét và xác thực mã. Câu hỏi đặt ra là: Khi các câu trả lời chuẩn, mã thông thường và các nhiệm vụ có thể chấm điểm ngày càng rẻ, giới trẻ nên dành thời gian cho việc gì?

Cốt lõi của bài viết này không phải là "lập trình viên sẽ bị thay thế", mà là tiêu chuẩn sàng lọc sự nghiệp giai đoạn đầu đang thay đổi. Trường học và phỏng vấn truyền thống đào tạo nhiều về các bài toán được định nghĩa rõ ràng, có đáp án chính xác và có thể chấm điểm, và đây chính là lĩnh vực mà mô hình tiến bộ nhanh nhất. Trong tương lai, điều có thể phân biệt con người hơn là khả năng phát hiện các vấn đề quan trọng, chọn môi trường giá trị cao, xây dựng danh tiếng đáng tin cậy, và tiếp tục mài giũa các kết quả trung bình do agent tạo ra đến mức có thể bàn giao.

Giá chào tiền mặt không còn là câu trả lời duy nhất, thời gian và danh tiếng khan hiếm hơn

Theo đánh giá của tác giả, trong môi trường khởi nghiệp AI, vốn và công cụ dễ tiếp cận hơn trước, nhưng thời gian chất lượng cao, mối quan hệ mạnh mẽ và danh tiếng đáng tin cậy vẫn khan hiếm.

Ông giải thích điều này bằng kinh nghiệm cá nhân. Trước khi gia nhập Scale AI, ông cho biết mình từng nhận được lời mời làm việc trong lĩnh vực định lượng với mức đảm bảo tiền mặt cao hơn, nhưng cuối cùng chọn Scale vì ở đó có cộng đồng mạnh hơn, bối cảnh sản phẩm rộng hơn và nhiều cơ hội tiếp cận các vấn đề tiên tiến hơn. Theo hồi ức của ông, chính nhờ Scale mà ông đã tiếp xúc với các nhà cung cấp suy luận mô hình lớn, có cơ hội làm việc tại DeepMind và OpenAI, cũng như quen biết với một nhóm đồng nghiệp sau này cùng khởi nghiệp.

Những trải nghiệm này không thể suy rộng thành công thức nghề nghiệp cho tất cả mọi người, nhưng lời nhắc nhở rất trực tiếp: Lựa chọn nghề nghiệp giai đoạn đầu không nên chỉ nhìn vào tiền mặt trước mắt. Đặc biệt sau khi AI hạ thấp rào cản xây dựng phần mềm, việc nhanh chóng tạo ra một công cụ nhỏ kiếm tiền không còn hiếm, lợi nhuận dài hạn thường đến từ các vấn đề khó hơn, nhóm người mạnh hơn và tín hiệu lý lịch đáng tin cậy hơn.

Giới trẻ cần hỏi không phải là "cơ hội nào trả nhiều tiền ngay lập tức", mà là liệu việc này có đáng để đầu tư thời gian, có thể làm cùng với những người giỏi không, công việc tốt của mình có được những người đáng tin cậy nhìn thấy không, và liệu nó có trở thành nền tảng tín nhiệm cho cơ hội tiếp theo không.

Giá trị của kỹ sư chuyển từ "giải bài toán" sang "tìm bài toán"

Khi các tác nhân thông minh (AI agent) có thể xử lý ngày càng nhiều vấn đề có ranh giới rõ ràng, giá trị của kỹ sư không còn chỉ nằm ở "có giải được hay không", mà là "có chọn đúng bài toán hay không".

Tác giả đề cập rằng nhóm của họ đã thiết kế lại cách phỏng vấn. Lý do là, nếu trong công việc thực tế không còn cần viết từng dòng code bằng tay, thì việc chỉ kiểm tra thuật toán và thiết kế hệ thống truyền thống sẽ giảm tương quan với hiệu suất làm việc. Một bài kiểm tra ý nghĩa hơn là xem ứng viên có thể nhanh chóng hiểu môi trường, phát hiện ra vấn đề đáng giải quyết, sau đó tận dụng các công cụ AI và nguồn lực bên ngoài để thúc đẩy kết quả.

Đây cũng là sự phân công lao động mới sau khi AI agent viết code. Mô hình giỏi xử lý các nhiệm vụ có mục tiêu rõ ràng và phản hồi cụ thể, con người cần đánh giá vấn đề nào quan trọng, hướng đi nào đáng thử, và bao nhiêu thời gian cùng chi phí gọi mô hình nên được đầu tư.

Đối với sinh viên, việc AI có thể làm bài tập có thể gây ra cảm giác thất vọng. Nhưng từ góc độ tuyển dụng, sự khác biệt giữa các ứng viên vẫn không biến mất. Dù tất cả đều có thể dùng AI để có câu trả lời, nhưng một số người cần thử sai và gợi ý nhiều lần, trong khi những người khác có thể kết hợp trực giác kinh doanh, nền tảng kỹ thuật và ngữ cảnh để cộng tác với AI agent, nhanh chóng tìm ra hướng đi.

Cái gọi là "biết dùng AI" không chỉ đơn giản là ném vấn đề cho mô hình. Khả năng mạnh hơn bao gồm phân chia vấn đề, nhận diện thông tin thiếu hụt, đánh giá khi nào nên tiếp tục lặp, khi nào nên đổi hướng, và kiểm tra xem kết quả có thực sự giải quyết được mâu thuẫn chính trong kinh doanh hay kỹ thuật hay không.

Càng dễ tạo phần mềm, càng phải tiếp cận những vấn đề khó hơn

AI hạ thấp rào cản xây dựng phần mềm, đồng thời khiến các hệ thống đơn giản dễ bị sao chép hơn. Tác giả mượn "bài học cay đắng" trong nghiên cứu machine learning để giải thích lựa chọn nghề nghiệp: Về lâu dài, mở rộng các phương pháp tổng quát thường hiệu quả hơn là tối ưu hóa tinh vi cho từng nhiệm vụ đơn lẻ.

Áp dụng vào công ty và sự nghiệp cá nhân, điều này có nghĩa là hào lũy của các sản phẩm đơn giản sẽ mỏng đi. Bất kỳ ai cũng dễ dàng tạo ra một hệ thống trông có vẻ khả dụng, nhưng giá trị bền vững thực sự lại tập trung vào những vấn đề đủ khó và đủ tham vọng.

Khi chọn công ty, tiêu chí tác giả đưa ra là: Công ty này có đang giải quyết phiên bản tham vọng nhất của vấn đề đó không, và liệu nó có thực sự có cơ hội giải quyết hay không. Khi chọn vị trí, cần xem vai trò này có cho phép mình tiếp xúc trực tiếp với những vấn đề tiên tiến mà công ty đang giải quyết hay không.

Ông cũng lưu ý rằng không nên chỉ nhìn vào sản phẩm ban đầu có đẹp hay demo có ấn tượng hay không. Theo đánh giá chủ quan của ông, demo ban đầu của Anthropic trông chỉ như một Slackbot kém hơn ChatGPT, nhưng điều đó không ngăn công ty sau đó đi theo một quỹ đạo hoàn toàn khác. Các công ty giai đoạn đầu sẽ thay đổi, sản phẩm sẽ thay đổi, chất lượng đội ngũ, không gian thị trường và độ khó của vấn đề mới là yếu tố ảnh hưởng đến kết quả dài hạn.

Cơ hội nghề nghiệp cũng có logic tương tự. Cơ hội chất lượng cao không phải lúc nào cũng chuyển hóa thành kết quả, nhưng trước tiên một người phải đứng ở vị trí có thể nhìn thấy cơ hội. Liệu có thể đứng ở đó hay không vẫn phụ thuộc vào năng lực, danh tiếng tích lũy lâu dài, và việc người khác có sẵn lòng chia sẻ cơ hội với bạn hay không.

Kết quả thông thường rẻ hơn, 10% cuối cùng đáng giá hơn

Khi một prompt đơn giản có thể khiến AI tạo ra kết quả chất lượng trung bình, giá trị của đầu ra thông thường sẽ giảm, trong khi giá trị của công đoạn hoàn thiện cuối cùng sẽ tăng lên.

Bài viết trích dẫn lời của Alfred Lin từ Sequoia Capital rằng, 10% cuối cùng thường là 90% công việc, và cũng là 90% lợi nhuận. Trong thời đại AI, câu nói này càng trở nên thực tế hơn. Bởi vì kết quả ở mức 70 điểm ngày càng dễ đạt được, điều thực sự tạo nên sự khác biệt giữa mọi người chính là góc nhìn độc đáo, sự chú ý đến chi tiết, khả năng lặp lại, chất lượng kiến trúc, khả năng mở rộng và tính sáng tạo.

Đầu ra từ AI ở phiên bản đầu tiên hiếm khi hoàn hảo ngay lập tức. Công việc thực sự thường diễn ra trong các lần lặp tiếp theo: phát hiện chỗ nào sai, chỗ nào cần tái cấu trúc, trải nghiệm nào chưa mượt, trường hợp biên nào chưa được bao phủ, và khi nào nên tận dụng thế hệ mô hình tiếp theo để làm lại từ đầu.

Những khả năng này có thể được rèn luyện thông qua các dự án, thực tập và công việc thực tế. Dành thêm một chút thời gian để mài giũa, làm sạch kiến trúc, suy nghĩ thấu đáo về khả năng mở rộng, và đưa chi tiết đến mức người dùng thực sự muốn sử dụng, tất cả sẽ để lại dấu ấn trong sản phẩm và buổi phỏng vấn.

Kỹ năng kỹ thuật truyền thống không hề mất đi giá trị. Sự thay đổi nằm ở chỗ, sự khan hiếm của việc viết mã đã giảm, trong khi khả năng phán đoán, thẩm mỹ, hiểu biết hệ thống và chất lượng bàn giao trở nên đắt giá hơn. AI có thể giúp nhiều người đạt đến trình độ trung bình, nhưng phần chênh lệch còn lại lại càng khó bù đắp.

Rào cản nghiên cứu đã giảm, nhưng nghiên cứu không chỉ là một danh hiệu

Phần cuối của bài viết mở rộng thảo luận sang "cách bước vào nghiên cứu". Tác giả cho rằng, AI không khiến nghiên cứu chỉ thuộc về các phòng thí nghiệm hàng đầu, mà ngược lại còn hạ thấp rào cản gia nhập ban đầu.

Nghiên cứu hiện đại tất nhiên phụ thuộc nhiều hơn vào sức mạnh tính toán, nhưng điểm khởi đầu có thể rất đơn giản: sử dụng các mô hình hiện có, chuyển trực giác của bản thân thành các bài đánh giá, tham gia các bảng xếp hạng tối ưu hóa công khai, tận dụng hạn mức mà các nền tảng điện toán đám mây cung cấp cho sinh viên và nhà nghiên cứu, và thử nghiệm ý tưởng càng sớm càng tốt. Hầu hết các ý tưởng cuối cùng sẽ thất bại khi mở rộng quy mô, nhưng hiểu được sự thất bại là một phần của việc xây dựng khả năng phán đoán trong nghiên cứu.

Nhà nghiên cứu trước hết là một cách làm việc, chứ không chỉ là một chức danh. Nghiên cứu trong các phòng thí nghiệm tiên tiến thường kết hợp giữa sự tò mò, thử nghiệm ý tưởng mới, làm quen với cơ sở hạ tầng, hiểu chi tiết hệ thống, gỡ lỗi nhanh chóng, và trình bày rõ ràng giá trị kết quả để giành thêm nguồn lực. Nhiều quá trình rèn luyện không cần phải đợi đến khi có được danh hiệu "nhà nghiên cứu" mới bắt đầu.

Lời khuyên nghề nghiệp trong bài viết này không hề bi quan. AI khiến cho các câu trả lời tiêu chuẩn, mã nguồn thông thường và các nhiệm vụ có thể chấm điểm trở nên rẻ hơn, đồng thời cũng giúp những người trẻ tiếp cận sớm hơn với các vấn đề thực tế. Cơ hội vẫn còn đó, chỉ có cách phân bổ là thay đổi: ai tìm ra được vấn đề quan trọng, bước vào môi trường chất lượng cao, tích lũy uy tín đáng tin cậy, và đưa kết quả đến chặng cuối cùng, thì người đó sẽ dễ dàng nắm bắt được cơ hội tiếp theo.

Chào mừng bạn tham gia cộng đồng chính thức của BlockBeats:

Nhóm Telegram đăng ký: https://t.me/theblockbeats

Nhóm Telegram thảo luận: https://t.me/BlockBeats_App

Tài khoản Twitter chính thức: https://twitter.com/BlockBeatsAsia