Rào cản mới của giới trẻ khi AI có khả năng viết mã?

TL;DR
· Một doanh nhân AI cho biết, việc các tác nhân thông minh viết mã đang thay đổi thứ tự năng lực nghề nghiệp ban đầu.
· Các nhiệm vụ có thể đánh giá phù hợp hơn với mô hình, con người cần học cách xác định vấn đề, phân bổ thời gian và công cụ.
· Lợi nhuận tiền mặt không phải là mục tiêu duy nhất, mối quan hệ, danh tiếng và chất lượng giao hàng sẽ tạo ra sự khác biệt.

Một doanh nhân, người đã từng làm việc tại Scale AI, DeepMind, OpenAI, Google và hiện đang tham gia khởi nghiệp tại một công ty chuyên về tác nhân thông minh, đã viết lại một số lời khuyên nghề nghiệp cho giới trẻ trong một bài viết dài bằng tiếng Anh. Bối cảnh là, các công cụ mã hóa AI đã tiến từ việc hoàn thiện mã sang các tác nhân phần mềm hoàn chỉnh hơn. Khi OpenAI phát hành Codex vào năm 2025, họ cho biết nó có thể xử lý song song các nhiệm vụ như viết chức năng, sửa lỗi, đề xuất PR trên đám mây, nhưng vẫn cần kiểm tra và xác minh mã bởi con người. Vấn đề trở thành: khi các câu trả lời chuẩn, mã thông thường và các nhiệm vụ có thể đánh giá ngày càng rẻ hơn, giới trẻ nên dành thời gian vào đâu?

Điểm cốt lõi của bài viết không phải là "lập trình viên sẽ bị thay thế", mà là tiêu chí sàng lọc nghề nghiệp ban đầu đang thay đổi. Các trường học và phỏng vấn truyền thống thường đào tạo rất nhiều về các câu hỏi rõ ràng, có câu trả lời xác định và có thể được chấm điểm, trong khi đó chính là lĩnh vực mà mô hình phát triển nhanh nhất. Trong tương lai, điều có thể phân biệt con người có thể là khả năng phát hiện vấn đề quan trọng, chọn môi trường có giá trị cao, xây dựng danh tiếng đáng tin cậy và tiếp tục mài dũa kết quả trung bình do tác nhân thông minh tạo ra đến mức có thể giao hàng.

Lời đề nghị tiền mặt không còn là câu trả lời duy nhất, thời gian và danh tiếng trở nên khan hiếm hơn

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

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

Những trải nghiệm này không thể đơn giản được áp dụng cho công thức nghề nghiệp của mọi người, nhưng lời nhắc nhở rất rõ ràng: lựa chọn nghề nghiệp ban đầu không nên chỉ nhìn vào tiền mặt trước mắt. Đặc biệt khi AI giảm bớt rào cản xây dựng phần mềm, việc nhanh chóng tạo ra một công cụ nhỏ có thể kiếm tiền không còn là điều hiếm gặp, và lợi nhuận lâu dài thường đến từ những vấn đề khó hơn, những nhóm người mạnh hơn và những tín hiệu lý lịch đáng tin cậy hơn.

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

Giá trị của kỹ sư chuyển từ "giải quyết vấn đề" sang "tìm vấn đề"

Khi các tác nhân thông minh có thể xử lý ngày càng nhiều vấn đề rõ ràng, giá trị của kỹ sư không còn chỉ là "có thể giải quyết hay không", mà là "có thể chọn đúng vấn đề hay không".

Tác giả đề cập rằng nhóm của họ đã thiết kế lại cách phỏng vấn. Nguyên nhân là, nếu trong công việc thực tế không còn cần phải viết từng dòng mã, thì việc chỉ kiểm tra các câu hỏi thuật toán và thiết kế hệ thống truyền thống sẽ giảm liên quan đến hiệu suất công việc. Các bài kiểm tra có ý nghĩa hơn là xem ứng viên có thể nhanh chóng hiểu môi trường, phát hiện các vấn đề đáng giải quyết, và sau đó huy động công cụ AI và tài nguyên bên ngoài để thúc đẩy kết quả hay không.

Đây cũng là sự phân công mới sau khi tác nhân thông minh viết mã. Mô hình giỏi trong việc xử lý các nhiệm vụ có mục tiêu rõ ràng và phản hồi rõ ràng, con người cần xác định vấn đề nào quan trọng, con đường nào đáng thử, và bao nhiêu thời gian và chi phí gọi mô hình nên được đầu tư.

Đối với sinh viên, việc AI có thể làm bài tập có thể mang lại cảm giác thất vọng. Nhưng từ góc độ tuyển dụng, sự khác biệt giữa các ứng viên không biến mất. Ngay cả khi tất cả đều có thể sử dụng AI để có được câu trả lời, có người cần rất nhiều thử nghiệm và từ khóa, trong khi có người có thể hợp tác với tác nhân thông minh với trực giác kinh doanh, nền tảng kỹ thuật và ngữ cảnh để nhanh chóng tìm ra hướng đi.

Khái niệm "biết sử dụng AI" không chỉ là ném vấn đề cho mô hình. Năng lực mạnh mẽ hơn bao gồm phân tách vấn đề, nhận diện thông tin thiếu sót, xác định khi nào nên tiếp tục lặp lại, khi nào nên thay đổi hướng đi, và kiểm tra xem kết quả có thực sự giải quyết được mâu thuẫn quan trọng trong kinh doanh hoặc kỹ thuật hay không.

Càng dễ dàng làm phần mềm, càng cần phải tiếp cận những vấn đề khó hơn

AI đã giảm bớt rào cản xây dựng phần mềm, cũng làm cho các hệ thống đơn giản dễ dàng sao chép hơn. Tác giả sử dụng "bài học đắng" trong nghiên cứu máy học để giải thích lựa chọn nghề nghiệp: về lâu dài, mở rộng phương pháp chung thường vượt trội hơn so với việc tối ưu hóa tinh vi cho một nhiệm vụ đơn lẻ.

Đặt vào công ty và sự nghiệp cá nhân, điều này có nghĩa là rào cản cho sản phẩm đơn giản sẽ trở nên mỏng hơn. Bất kỳ ai cũng dễ dàng tạo ra một hệ thống có vẻ khả dụng, nhưng giá trị thực sự bền vững lại tập trung vào những vấn đề đủ khó khăn và đủ tham vọng.

Khi chọn công ty, tiêu chí mà 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 để giải quyết hay không. Khi chọn vị trí, cần xem vai trò này có thể giúp bản thân tiếp xúc trực tiếp với các vấn đề tiên tiến mà công ty đang giải quyết hay không.

Ông cũng đề cập rằng không thể chỉ chú ý đến việc sản phẩm ban đầu có đẹp hay không, hoặc demo có ấn tượng hay không. Theo đánh giá chủ quan của ông, demo ban đầu của Anthropic vào thời điểm đó chỉ giống như một Slackbot không bằng ChatGPT, nhưng điều đó không ngăn cản công ty sau này đi theo một con đường hoàn toàn khác. Các công ty ban đầu sẽ thay đổi, sản phẩm sẽ thay đổi, chất lượng đội ngũ, không gian thị trường và độ khó của vấn đề sẽ ảnh hưởng nhiều hơn đến kết quả lâu dài.

Cơ hội nghề nghiệp cũng có logic tương tự. Cơ hội chất lượng cao không nhất thiết phải chuyển đổi thành kết quả mỗi lần, nhưng một người phải đứng ở vị trí có thể nhìn thấy cơ hội. Có thể đứng ở đó vẫn phụ thuộc vào khả năng, danh tiếng tích lũy lâu dài, và liệu người khác có sẵn lòng chia sẻ cơ hội với bạn hay không.

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

Khi một từ khóa đơn giản có thể khiến tác nhân thông minh tạo ra kết quả chất lượng trung bình, giá trị của sản phẩm thông thường sẽ giảm, trong khi giá trị của việc mài dũa đoạn cuối cùng sẽ tăng lên.

Bài viết gốc trích dẫn lời của Alfred Lin từ Sequoia Capital rằng, 10% cuối cùng thường là 90% công việc, cũng như 90% lợi nhuận. Đặt vào thời đại AI, câu nói này càng có tính thực tiễn hơn. Bởi vì kết quả 70 điểm ngày càng dễ dàng đạt được, điều thực sự có thể phân biệt con người là góc nhìn độc đáo, sự chú ý đến chi tiết, khả năng lặp lại, chất lượng kiến trúc, khả năng mở rộng và sự sáng tạo.

Phiên bản đầu tiên của AI thường không hoàn hảo. Công việc thực sự thường xảy ra trong các lần lặp lại sau: phát hiện những gì không đúng, những gì cần được tái cấu trúc, trải nghiệm nào chưa mượt mà, những tình huống biên nào chưa được bao phủ, và khi nào nên sử dụng mô hình thế hệ tiếp theo để làm lại từ đầu.

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

Khả 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 đánh giá, thẩm mỹ, hiểu hệ thống và chất lượng giao hàng trở nên đắt giá hơn. AI có thể giúp nhiều người đạt được trình độ trung bình, nhưng phần chênh lệch còn lại lại khó bù đắp hơn.

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

Bài viết cuối cùng mở rộng thảo luận về "cách vào nghiên cứu". Tác giả cho rằng, AI không khiến nghiên cứu chỉ thuộc về các phòng thí nghiệm hàng đầu, mà thực sự đã giảm bớt rào cản gia nhập ban đầu.

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

Nhà nghiên cứu trước tiên là một cách làm việc, chứ không chỉ là một vị trí. Nghiên cứu trong các phòng thí nghiệm tiên tiến thường kết hợp giữa sự tò mò, thử nghiệm ý tưởng mới, hòa hợp với cơ sở hạ tầng, hiểu chi tiết hệ thống, nhanh chóng điều chỉnh, và truyền đạt giá trị kết quả để thu hút thêm nguồn lực. Nhiều kỹ năng không cần phải chờ đến khi có được danh hiệu "nhà nghiên cứu" mới bắt đầu.

Lời khuyên nghề nghiệp mà bài viết này để lại không bi quan. AI đã làm cho các câu trả lời chuẩn, mã thông thường và các nhiệm vụ có thể đánh giá trở nên rẻ hơn, cũng như giúp giới trẻ tiếp xúc sớm hơn với các vấn đề thực tế. Cơ hội vẫn tồn tại, chỉ là cách phân phối đã thay đổi: ai có thể tìm ra vấn đề quan trọng, bước vào môi trường chất lượng cao, tích lũy danh tiếng đáng tin cậy, và thúc đẩy kết quả đến đoạn cuối cùng, người đó sẽ dễ dàng có được cơ hội tiếp theo.