AI agent đang viết phần mềm thay đổi cách nào?
AI agent lập trình là phần mềm có thể tạo hoặc sửa mã, mở yêu cầu hợp nhất và thực hiện một phần quy trình phát triển dưới sự giám sát của con người. Sự dịch chuyển này đã vượt xa thử nghiệm: trong tháng 9 năm 2026, các agent khởi tạo 110 triệu GitHub pull request, chiếm hơn 40% tổng số trong tháng, tăng từ 17% hồi tháng 3 theo báo cáo tổng kết thường niên của GitHub. Đây không còn là câu hỏi liệu AI có tham gia viết mã hay không; vấn đề là đội ngũ phải tổ chức lại công việc quanh lượng thay đổi do máy tạo ra. Khảo sát hơn 15.000 nhà phát triển chuyên nghiệp của JetBrains, thực hiện từ tháng 5 đến tháng 7 năm 2026, ghi nhận trung bình khoảng 47% mã phục vụ công việc trong tháng trước đó được agent tạo hoàn toàn. AI viết code đã thành hiện thực ở quy mô đáng kể, nhưng số lượng mã sinh ra không tự động đồng nghĩa với sản phẩm tốt hơn.
Tín hiệu từ Anthropic giúp giải thích vì sao ngành chú ý đến bước chuyển này. Katelyn Lesse, người đứng đầu bộ phận kỹ thuật nền tảng của công ty, cho biết Claude viết toàn bộ mã được bộ phận của bà sử dụng. Trong dự án chuyển kho mã chính từ Python sang Rust, kỹ sư con người tập trung xác định cách kiểm chứng chất lượng và độ tin cậy, còn agent đảm nhận việc xây dựng phần mềm và nhiều khâu kiểm tra. Đây là một ví dụ nội bộ, không phải bằng chứng rằng mọi nhóm đã sẵn sàng giao toàn quyền cho máy. Nhưng khi các công ty công nghệ lớn triển khai tự động hóa, quyết định của họ trở thành hình mẫu được nhiều doanh nghiệp theo dõi.
Mã được tạo nhanh, hàng chờ của con người vẫn còn
Phần việc không biến mất sau khi agent mở một pull request; nó chuyển sang chờ người xem xét, kiểm thử, quét bảo mật và sửa những gì chưa đạt. Dữ liệu về thời gian xử lý cần được đọc đúng ngữ cảnh. Theo thước đo hai tuần trên toàn nền tảng GitHub, tỷ lệ pull request có agent tham gia được hợp nhất trong vòng hai tuần tăng từ 83% vào tháng 2 năm 2026 lên 90% vào tháng 9, trong khi nhóm không phát hiện agent giữ quanh mức 86%. Nhưng một bộ dữ liệu khác, phân tích hơn 8,1 triệu pull request từ hơn 4.800 tổ chức là khách hàng của LinearB, cho thấy pull request AI chờ lượt đánh giá lâu gấp 4,6 lần; khi có người tiếp nhận, chúng được xem xét nhanh gấp đôi. Tỷ lệ chấp nhận của nhóm AI là 32,7%, so với 84,4% của nhóm viết thủ công. Hai kết quả không mâu thuẫn: một đo việc có hợp nhất trong hai tuần hay không, một đo thời gian chờ đánh giá và tỷ lệ chấp nhận trên tập khách hàng riêng.
Đó là lý do không nên dùng tỷ lệ hợp nhất để kết luận mã do agent viết đáng tin cậy hơn. Một khảo sát nhà phát triển ghi nhận 96% người tham gia chưa hoàn toàn tin mã AI đúng chức năng; 38% nói việc rà soát mã AI tốn công hơn rà soát mã do đồng nghiệp viết, còn thời gian làm việc vụn vặt vẫn ở gần một phần tư tuần làm việc. Khi agent tạo pull request nhanh hơn khả năng đội ngũ xử lý, nút thắt chuyển sang hàng chờ của kỹ sư giàu kinh nghiệm. Các nhóm thiếu người đánh giá cấp cao có nguy cơ chịu áp lực lớn nhất. Tự động hóa chỉ tiết kiệm thời gian nếu phần mã được tạo ra đủ tốt để không biến khâu kiểm chứng thành một ca làm việc thứ hai.
Chi phí tự động hóa đi theo số thay đổi, không theo số người
Đội R&D phần mềm không chỉ trả giá bằng thời gian của người đánh giá. Nhiều thay đổi hơn kéo theo thêm công việc chạy tích hợp liên tục, quét bí mật trong mã, cập nhật phụ thuộc và dùng công cụ hỗ trợ rà soát. Các hạng mục này tăng theo số lượng thay đổi chứ không phải số kỹ sư, tạo ra đường cong chi phí khác với cách nhiều doanh nghiệp SaaS lập ngân sách trước đây. Trong cùng kỳ, hệ thống Actions của GitHub chạy 1.440 tác vụ mỗi giây, còn hệ thống ngăn lộ bí mật thực hiện 5,8 tỷ lượt quét. Bên cạnh hạ tầng kiểm thử, hóa đơn sử dụng mô hình cũng tăng thành một khoản cần theo dõi. Vì vậy, AI viết code có thể giảm thời gian soạn mã nhưng không đảm bảo tổng chi phí phát triển sẽ giảm.
Bối cảnh ngân sách khiến thay đổi này đáng quan tâm hơn. Khảo sát thường niên của SaaS Capital, hoàn tất vào tháng 3 năm 2026 với hơn 1.000 công ty B2B SaaS tư nhân, cho thấy mức trung vị chi cho R&D là 22% doanh thu định kỳ hằng năm; DevOps ở mức 4% và lưu trữ ở mức 5%, cả ba đều không đổi so với năm trước. Tỷ lệ ổn định không có nghĩa công việc ổn định: các công ty trong khảo sát đã hấp thụ lượng mã tăng mạnh mà không tăng tỷ trọng doanh thu dành cho phát triển sản phẩm. Đây là điểm mấu chốt cho lãnh đạo SaaS: nếu sản lượng thay đổi tăng mà ngân sách tương đối đứng yên, đội ngũ phải cải thiện quy trình, không thể chỉ mặc định tuyển thêm người hoặc mua thêm công cụ.
Vai trò kỹ sư đổi từ người viết sang người chịu trách nhiệm
Số liệu về pull request không báo trước việc kỹ sư sẽ biến mất; nó cho thấy phần việc có giá trị đang dịch chuyển. Con người cần thiết kế kiến trúc, đặt tiêu chí chấp nhận, xác định ranh giới an toàn và chịu trách nhiệm khi hệ thống chạy trong môi trường thật. Đó không phải công việc nhẹ hơn: phán đoán sai ở bước xác nhận có thể khiến mã được tạo nhanh lan rộng trước khi lỗi được phát hiện. Với các đội R&D SaaS, phép đo năng suất nên tính cả thời gian từ yêu cầu đến thay đổi đáng tin cậy, thay vì chỉ đếm số dòng mã hay pull request được mở. Các quy tắc rà soát cũng cần phân tầng: mã rủi ro cao phải được kiểm tra kỹ, còn tác vụ lặp lại và ít tác động có thể tự động hóa nhiều hơn.
Bước kế tiếp không nên là cho agent quyền tự sửa mã sản xuất trên diện rộng. Anthropic cho biết câu hỏi tiếp theo là các nhóm đã sẵn sàng đến đâu để cho phép agent tự chủ sửa kho mã đang chạy trong môi trường sản xuất; quá trình chuyển đổi vẫn được tiến hành thận trọng vì ngay cả lãnh đạo cũng dè dặt trước thay đổi lớn. Cách tiếp cận hợp lý là mở rộng quyền theo bằng chứng: theo dõi tỷ lệ lỗi, thời gian chờ đánh giá, tỷ lệ bị từ chối và chi phí kiểm thử trước khi tăng mức tự chủ. Hơn 40% pull request do agent khởi tạo là dấu mốc rõ ràng, nhưng thước đo thành công phải là phần mềm đáng tin cậy được giao nhanh hơn. AI có thể đảm nhận việc viết; trách nhiệm về chất lượng vẫn thuộc về đội ngũ.
