Tóm tắt
· Một nhà sáng lập AI cho rằng agent viết mã đang thay đổi thứ tự năng lực 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 giao hàng sẽ tạo ra khoảng cách.

Một nhà sáng lập từng làm việc tại Scale AI, DeepMind, OpenAI, Google và hiện tham gia vào một công ty agent-native, trong một bài viết dài tiếng Anh đã viết lại lời khuyên nghề nghiệp cho giới trẻ. Bối cảnh là các công cụ AI coding đã chuyển từ hoàn thiện mã sang 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, tạo PR trên đám mây, nhưng vẫn cần con người xem xét và xác thực mã. Câu hỏi trở thành: Khi các câu trả lời chuẩn, mã thông thường và nhiệm vụ có thể chấm điểm ngày càng rẻ, thì giới trẻ nên dành thời gian cho việc gì?

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

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

Theo nhận định 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 qua kinh nghiệm cá nhân. Trước khi gia nhập Scale AI, ông cho biết mình từng nhận được lời mời làm việc với mức lương đảm bảo cao hơn ở vị trí định lượng, 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, và cũng quen biết một nhóm đồng nghiệp sau này cùng khởi nghiệp.

Những trải nghiệm này không thể đơn giản ngoại suy thành công thức nghề nghiệp cho tất cả mọi người, nhưng lời cảnh báo đưa ra rất trực tiếp: Lựa chọn nghề nghiệp đầu sự nghiệp 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 những 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 việc này có đáng để đầu tư thời gian không, có thể làm cùng với những người giỏi không, công việc tốt của mình có được người đáng tin cậy nhìn thấy không, và 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 agent có thể xử lý ngày càng nhiều vấn đề ranh giới rõ ràng, giá trị của kỹ sư không còn chỉ là "có giải được không", mà là "có chọn đúng bài toán 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 mã bằng tay, thì việc chỉ kiểm tra các bài toán thuật toán và thiết kế hệ thống truyền thống sẽ giảm tương quan với hiệu suất công việc. Một bài kiểm tra ý nghĩa hơn là xem ứng viên có thể nhanh chóng hiểu môi trường, phát hiện vấn đề đáng giải quyết, sau đó huy động các công cụ AI và tài nguyên bên ngoài để thúc đẩy kết quả.

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

Đối với sinh viên, việc AI có thể làm bài tập có thể gây 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 dùng AI để có câu trả lời, một số người cần nhiều thử nghiệm sai và prompt, số khác có thể hợp tác với agent với trực giác kinh doanh, nền tảng kỹ thuật và ngữ cảnh, tìm ra hướng đi nhanh hơn.

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

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

AI đã hạ thấp rào cản xây dựng phần mềm, cũng làm cho các hệ thống đơn giản dễ sao chép hơn. Tác giả mượn "bài học cay đắng" trong nghiên cứu máy học để giải thích lựa chọn nghề nghiệp: Về lâu dài, mở rộng phương pháp tổng quát thường thắng hơn tối ưu hóa tinh tế cho một nhiệm vụ đơn lẻ.

Đặt vào công ty và sự nghiệp cá nhân, điều này có nghĩa là hào phòng thủ của các đầu ra đơn giản sẽ mỏng đi. Bất kỳ ai cũng có thể dễ dàng tạo ra một hệ thống trông có vẻ hữu dụng, giá trị bền vững thực sự lại tập trung vào những vấn đề đủ khó, 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, nó có thực sự có cơ hội giải quyết không. Khi chọn vị trí, thì xem vai trò này có cho phép bản thân tiếp xúc trực tiếp với các vấn đề tiên tiến mà công ty đang giải quyết không.

Ông cũng đề cập rằng không chỉ nhìn vào sản phẩm ban đầu có đẹp hay bản demo có ấn tượng không. Theo đánh giá chủ quan của ông, bản demo ban đầu của Anthropic chỉ là một Slackbot kém hơn ChatGPT, nhưng điều đó không ngăn công ty sau đó đi theo quỹ đạo hoàn toàn khác. 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 ảnh hưởng nhiều hơn đến kết quả dài hạn.

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

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

Khi một prompt đơn giản có thể khiến agent tạo ra kết quả chất lượng trung bình, giá trị của đầu ra thông thường sẽ giảm, giá trị của công đoạn mài giũa cuối cùng sẽ tăng.

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

Đầu ra AI 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, biên trường hợp nào chưa được bao phủ, khi nào nên tận dụng mô hình thế hệ tiếp theo để làm lại từ đầu.

Những khả năng này có thể rèn luyện 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 kỹ về khả năng mở rộng, làm chi tiết đến mức người dùng thực sự muốn sử dụng, tất cả sẽ để lại dấu ấn trong tác phẩm và phỏng vấn.

Năng lực kỹ thuật truyền thống không mất đi hiệu quả. Sự thay đổi là độ khan hiếm của việc viết mã giảm đi, trong khi phán đoán, thẩm mỹ, hiểu hệ thống và chất lượng giao hàng trở nên đắt hơn. AI có thể đưa nhiều người đến mức trung bình, phần khoảng cách còn lại lại càng khó bù đắp.

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

Cuối bài, thảo luận mở rộng sang "cách vào nghiên cứu". Tác giả cho rằng AI không khiến nghiên cứu chỉ thuộc về các phòng thí nghiệm hàng đầu, mà ngược lại hạ thấp rào cản đầu vào sớm.

Nghiên cứu hiện đại tất nhiên phụ thuộc nhiều hơn vào sức mạnh tính toán, nhưng điểm xuất phát có thể rất đơn giản: sử dụng các mô hình hiện có, chuyển trực giác của mình thành đánh giá, tham gia các bảng xếp hạng tối ưu hóa công khai, tận dụng các hạn mức mà nền tảng điện toán đám mây cung cấp cho sinh viên và nhà nghiên cứu, kiểm tra 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 xây dựng phán đoán nghiên cứu.

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

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

Nhấp để tìm hiểu các vị trí đang tuyển dụng của BlockBeats

Chào mừng gia nhập cộng đồng chính thức của BlockBeats:

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

Telegram nhóm trao đổi: https://t.me/BlockBeats_App

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