Ứng dụng AI trong xây dựng phần mềm: từ hype đến thực tế

Sau 4 năm AI tools (Copilot, ChatGPT, Claude, Cursor) bùng nổ trong lập trình — thực tế của một công ty công nghệ Việt Nam như thế nào?

Timeline ngắn của AI trong lập trình

• 2021: GitHub Copilot ra mắt — autocomplete dựa trên GPT-3. Lần đầu code suggest cấp method/function.
• 2022 (12/2022): ChatGPT ra mắt — không phải dành riêng cho code, nhưng lập tức được lập trình viên dùng để debug, refactor, học framework mới.
• 2023: Claude (Anthropic) + Cursor IDE + Aider + GitHub Copilot Chat → lập trình "đối thoại" trở thành chuẩn.
• 2024: Devin (Cognition) — agent tự lập kế hoạch và viết PR. Tranh cãi gay gắt: thay thế hay hỗ trợ?
• 2025: Cursor + Claude Code + Windsurf — IDE-native AI. Multi-file edits, codebase understanding, agentic mode.
• 2026: Tooling chín hơn, doanh nghiệp ứng dụng AI vào workflow nội bộ thay vì chỉ thử nghiệm cá nhân.

Câu hỏi không còn là "AI có thay thế lập trình viên không?" — mà là "Làm thế nào để dùng AI đúng cách trong dự án thật?"

Bear Technology dùng AI ở đâu trong workflow?

Sau 18 tháng tích hợp AI vào quy trình phát triển, chúng tôi xác định 5 khu vực AI tạo giá trị rõ rệt và 4 khu vực cần thận trọng.

5 vùng AI tạo giá trị

1. Boilerplate & CRUD code

Một entity mới cần: model, DTO, controller, service, validation, test, migration. 5-10 file gần giống nhau với chỉnh khác biệt nhỏ.

→ AI viết được 80-90% chính xác. Lập trình viên chỉ review và điều chỉnh phần nghiệp vụ. Tiết kiệm ~60% thời gian so với gõ tay.

2. Refactor có quy mô

"Đổi tên getCwd thành getCurrentWorkingDirectory ở 47 file." — task tay làm 30 phút, dễ sai sót, rủi ro pull request bị reject vì format không đồng nhất.

→ AI làm được trong 2 phút với độ chính xác cao. Đặc biệt mạnh với:

• Đổi pattern code (ví dụ: callback → async/await).
• Migrate framework version (Vue 2 → Vue 3, React class → hook).
• Standardize coding style trên codebase cũ.

3. Sinh test

Cho một function business logic, sinh:

• Unit tests cho happy path.
• Edge cases (null, empty, boundary).
• Mock dependencies.

→ AI tạo test thường chính xác 70-85% lần đầu. Lập trình viên review + bổ sung edge case AI bỏ sót.

4. Code review hỗ trợ

Trước khi human review, AI quét pull request và phát hiện:

• Lỗi bảo mật phổ biến (SQL injection, XSS, hardcoded secret).
• Anti-pattern (N+1 query, race condition tiềm ẩn).
• Vi phạm coding convention.
• Documentation thiếu.

→ Tăng tốc human review 2-3 lần, lập trình viên tập trung vào logic nghiệp vụ thay vì soi format.

5. Documentation & comment có ý nghĩa

Code đã viết, AI đọc và sinh:

• Docstring cho function/class.
• README cho module mới.
• Architecture diagram (Mermaid) từ code.
• Changelog từ commit history.

Lưu ý: AI không nên viết comment kiểu "this function adds two numbers" — đó là noise. AI chỉ nên viết comment giải thích why, không phải what.

4 vùng cần thận trọng

1. Logic nghiệp vụ phức tạp

AI hiểu cú pháp, không hiểu nghiệp vụ. Một quy tắc tính lương Việt Nam (BHXH, thuế TNCN, phụ cấp xa nhà) AI có thể viết ra code chạy được nhưng sai luật.

→ Nguyên tắc: business logic do human viết, AI chỉ hỗ trợ scaffolding xung quanh.

2. Quyết định kiến trúc

"Nên dùng microservices hay monolith?" — "Database NoSQL hay SQL?" — AI có thể trình bày trade-offs nhưng không có context dự án cụ thể: ngân sách, team size, độ phức tạp vận hành, kỹ năng có sẵn.

→ Architect human dùng AI như "rubber duck" để brainstorm — không để AI quyết.

3. Bảo mật & xác thực

Code auth (JWT, OAuth, encryption) — AI thường viết theo blog post lỗi thời, có lỗ hổng đã được vá. Ví dụ:

• Dùng MD5/SHA1 cho password hash thay vì bcrypt/argon2.
• JWT secret hardcode trong code.
• CORS quá rộng (Access-Control-Allow-Origin: *).

→ Code nhạy cảm phải human-written + security review.

4. Code phụ thuộc context dự án rộng

Khi cần sửa 1 file nhưng quyết định đúng phụ thuộc 10 file khác (kiến trúc), agent AI hiện tại chưa load đủ context — kết quả lệch quy ước team.

→ Giải pháp: agent IDE (Cursor, Claude Code) với codebase indexing tốt hơn — nhưng vẫn cần human review.

Stack AI thực tế tại Bear Technology

Chi phí license AI tools cho mỗi developer: ~30-50 USD/tháng. So với lương developer, đây là khoản đầu tư có ROI cực cao — tăng năng suất 20-40% theo đo nội bộ.

4 rủi ro thực tế và cách giảm thiểu

1. Hallucination — AI "bịa" code/API không tồn tại

AI thấy requests.async_get(...) "trông có vẻ đúng" nhưng thư viện không có method đó. Code build lỗi.

→ Mitigation: bắt buộc chạy build/test sau mỗi AI-generated code; không merge code chưa chạy.

2. License contamination

AI training trên code public bao gồm code GPL. AI có thể sinh ra đoạn code gần giống code GPL → vi phạm license khi dùng trong sản phẩm thương mại.

→ Mitigation:

• Dùng AI tools có commercial license safeguards (Copilot Business, Claude Enterprise).
• Disable suggestion từ "matching public code" feature.
• License scanner (FOSSA, Snyk) trong CI/CD.

3. Security leak

Lập trình viên paste code có database connection string hoặc API key vào ChatGPT để debug → leak sensitive data lên server bên thứ 3.

→ Mitigation:

• Policy rõ ràng: không paste secret/PII vào AI public.
• Dùng enterprise tier có data residency + không train trên dữ liệu khách hàng (Claude Enterprise, ChatGPT Enterprise).
• Pre-commit hook scan secret trước khi push.

4. Skill atrophy — kỹ năng lập trình viên teo lại

Junior developer dùng AI để viết toàn bộ code → không hiểu vì sao code đó hoạt động → debug khó khăn khi AI bí.

→ Mitigation:

• Training program: junior viết tay code cơ bản trong 6 tháng đầu, AI cấm dùng cho các task học.
• Code review yêu cầu giải thích thay đổi — không chấp nhận "AI viết, tôi merge".
• Pair programming: senior + junior, AI là tool thứ 3 chứ không thay senior.

Best practices cho team áp dụng AI

1. Define guardrails

Tài liệu nội bộ rõ ràng: AI dùng được ở đâu, không được dùng ở đâu, tools nào approved, dữ liệu nào không paste.

2. Pair review bắt buộc

Mọi PR đều human review. Không có "AI đã tạo, chắc đúng".

3. AI là tool, không phải thay thế thinking

Quy tắc Bear Technology: lập trình viên phải hiểu mọi dòng AI sinh ra đủ để giải thích cho team. Nếu không hiểu — học hoặc viết lại tay.

4. Đo lường tác động

Theo dõi metric:

• Velocity (story points/sprint).
• Bug rate.
• Code review time.
• Developer satisfaction.

So sánh trước/sau khi adopt AI tools — biết chính xác ROI.

5. Liên tục cập nhật

AI tooling phát triển hàng tháng. Workshop nội bộ mỗi quý — chia sẻ tips, demo tool mới, retrospective.

Tương lai — 2027 trông như thế nào?

Dự đoán cá nhân của đội ngũ Bear Technology:

• Agent IDE sẽ là chuẩn — Cursor/Claude Code chỉ là khởi đầu. Lập trình viên giao task, agent thực hiện, human review.
• Vibe coding cho prototype — non-developer tự xây MVP qua mô tả tự nhiên. Team kỹ thuật chuyển từ "viết code" sang "review + harden + scale".
• Spec-driven development — viết specification chi tiết quan trọng hơn viết code. AI implement spec.
• Senior developer giá trị tăng — vì junior task AI làm được, kinh nghiệm architecture / business / leadership của senior là khan hiếm.
• Junior developer onboard nhanh hơn 5x — AI làm mentor luôn-có-mặt cho câu hỏi cơ bản.

Lời kết

AI không thay thế lập trình viên. Lập trình viên dùng AI sẽ thay thế lập trình viên không dùng AI.

Câu nói này đã sáo mòn trong cộng đồng tech, nhưng đúng. Tại Bear Technology, chúng tôi không sợ AI — chúng tôi xem AI là đồng nghiệp digital giúp đội ngũ làm nhiều hơn, tốt hơn, nhanh hơn.

Quan trọng nhất: con người vẫn là người ra quyết định cuối cùng. AI viết code, human chịu trách nhiệm. AI gợi ý kiến trúc, human chọn. AI tổng hợp dữ liệu, human ra quyết định kinh doanh.

Doanh nghiệp của bạn quan tâm áp dụng AI vào sản phẩm? Bear Technology có chuyên gia AI/ML — hãy liên hệ để tư vấn chi tiết: admin@beartech.vn.