Sổ cái thời đại AI của các kỹ sư Silicon Valley: năng suất tăng gấp 10 lần, tôi lại càng mệt hơn

Công việc tăng năng suất rõ rệt, nhưng cảm giác mệt mỏi lại tích tụ nhanh hơn. Công cụ AI rút ngắn đáng kể thời gian thực hiện nhiệm vụ, nhưng lại không giảm bớt gánh nặng quyết định của con người, ngược lại còn tăng lên. Khi công nghệ liên tục nhắc nhở chúng ta rằng “còn thể nhanh hơn nữa”, có lẽ vấn đề cần lắng nghe hơn là: còn thể chậm hơn được không? Bài viết này dựa trên bài viết của Tencent Technology, được Foresight News tổng hợp, biên tập và viết lại.
(Trước đó: Thu nhập 150 triệu đồng/năm, dùng 500 USD AI giải quyết, hệ thống Agent cá nhân toàn diện)
(Bổ sung: Phần mềm diệt virus ngày tận thế? Claude AI khai thác 500 lỗ hổng zero-day làm chao đảo Wall Street, CrowdStrike giảm 18%)

Mục lục bài viết

Toggle

• 01 AI không mệt mỏi, còn bạn thì có
• 02 AI thay đổi quy mô công việc, nhưng không thay đổi phân bổ
• 03 Khả năng tối đa đang mở rộng, giới hạn tối thiểu đang biến mất
• 04 Ngày làm việc cần được định nghĩa lại

Công cụ AI càng mạnh, con người lại càng mệt mỏi, có lẽ chính là điều đáng để chúng ta đặt câu hỏi về cuộc cách mạng hiệu quả này.

Đầu năm 2026, lĩnh vực kỹ sư phần mềm xuất hiện một hiện tượng đáng suy nghĩ.

Với Claude Opus 4.6 là đại diện cho thế hệ công cụ lập trình AI mới, đang đẩy năng suất của các nhà phát triển lên mức chưa từng có. Dữ liệu nội bộ của Microsoft cho thấy, sau khi các kỹ sư tự chọn công cụ, Claude Code nhanh chóng chiếm ưu thế, được một số nhà quan sát xem là “lựa chọn ít trở ngại nhất” theo lộ trình tự nhiên.

Tuy nhiên, đồng thời, các cuộc thảo luận về “mệt mỏi nghề nghiệp” đang tràn lan trong cộng đồng nhà phát triển. Một kỹ sư từng làm việc tại Google, Amazon là Steve Yegge mô tả trong một bài tự thuật gần đây về hiện tượng ông gọi là “tấn công buồn ngủ”: sau những giờ dài làm việc trong môi trường lập trình, ông đột nhiên buồn ngủ giữa ban ngày mà không rõ nguyên nhân.

_ Kỹ sư phần mềm Steve Yegge, với hơn 40 năm kinh nghiệm tại Silicon Valley, chia sẻ_

Ngày nay, ngày càng nhiều kỹ sư phần mềm bắt đầu công khai nói về một trải nghiệm chung: năng suất công việc tăng rõ rệt, nhưng cảm giác mệt mỏi tích tụ nhanh hơn. Công nghệ rút ngắn đáng kể thời gian thực hiện nhiệm vụ, nhưng lại không giảm bớt gánh nặng quyết định của con người, ngược lại còn tăng lên.

Ảnh nguồn từ internet

01 AI không mệt mỏi, còn bạn thì có

Theo Yegge, cuộc tranh luận trước đây về “AI giúp ích hạn chế cho công việc thực tế” đã trở nên vô nghĩa sau khi sử dụng kết hợp Claude Code với Opus 4.5 và 4.6. Bộ công cụ này rõ ràng giảm đáng kể chi phí chuyển đổi từ xác định vấn đề sang mã chạy được, giúp một kỹ sư thành thạo có thể đạt năng suất gấp nhiều lần so với quy trình truyền thống trong cùng một khoảng thời gian.

Yegge chỉ ra rằng, khi năng suất vượt quá khoảng 2 lần, một hiện tượng ông gọi là “hiệu ứng ma cà rồng” bắt đầu xuất hiện: công nghệ không còn chỉ là công cụ nữa, mà bắt đầu định hình lại nhịp làm việc và tâm lý của người dùng theo chiều hướng tiêu cực.

_ Hình vẽ “Thiết bị hút máu AI” do Yegge sáng tạo_

Siddhant Khare, một kỹ sư phần mềm ghi lại quá trình này trong blog của mình. Trong bài viết “Mệt mỏi do AI là có thật”, anh kể rằng, trong quý trước, số lượng mã code anh giao là đỉnh cao trong sự nghiệp, nhưng tinh thần lại bị kéo xuống mức thấp nhất.

Khare mô tả một sự chuyển đổi căn bản trong cách làm việc. Trước đây, anh dành cả ngày để tập trung sâu vào một vấn đề duy nhất, duy trì dòng suy nghĩ liên tục. Sau khi có AI hỗ trợ, anh phải xử lý đồng thời năm đến sáu lĩnh vực khác nhau. Mỗi vấn đề, nhờ AI giúp, thời gian xử lý rút ngắn còn khoảng một giờ. Nhưng việc chuyển đổi liên tục giữa các vấn đề tạo ra một gánh nặng nhận thức mới.

“AI không mệt mỏi khi chuyển đổi giữa các vấn đề,” anh viết, “nhưng tôi thì có.”

Khare mô tả vai trò mới của mình như “người kiểm tra chất lượng trên dây chuyền”. Các yêu cầu pull liên tục đổ về, mỗi yêu cầu đều cần xem xét, quyết định, phê duyệt. Quy trình chưa từng dừng lại, nhưng quyền quyết định chưa từng chuyển giao. Anh bị giữ chặt trên ghế phán xử, hồ sơ do AI chuyển đến, trách nhiệm vẫn thuộc về con người.

Nghiên cứu gần đây của Harvard Business Review cung cấp bằng chứng cho hiện tượng này.

Các nhà nghiên cứu theo dõi 200 nhân viên của một công ty công nghệ Mỹ, phát hiện rằng, dù ban đầu AI giúp tăng tốc độ hoàn thành nhiệm vụ rõ rệt, nhưng cũng gây ra phản ứng dây chuyền: tốc độ tăng làm tăng kỳ vọng về chu kỳ giao hàng, kỳ vọng cao hơn khiến nhân viên càng dựa vào AI nhiều hơn, sự phụ thuộc sâu hơn mở rộng phạm vi nhiệm vụ của họ, và phạm vi này lại làm tăng mật độ công việc cùng gánh nặng nhận thức.

Cơ chế này được mô tả là “lây lan khối lượng công việc”. Không phải do lệnh mở rộng, mà là quá trình lặp đi lặp lại, tự củng cố giữa hiệu quả tăng và kỳ vọng điều chỉnh.

Sam Korošec, nhà thiết kế sản phẩm kỹ thuật số, phản hồi lại Yegge trên LinkedIn, mô tả tình trạng tương tự.

Anh chỉ ra rằng, trên các nền tảng cộng đồng, tràn ngập các demo “tạo 10 UI trong một phút”. Những nội dung này liên tục được đẩy tới các nhà làm nghề và quản lý của họ, hình thành một tiêu chuẩn ngầm.

Vì công cụ có thể tạo ra các phương án nhanh như vậy, nên việc sản xuất ra các phương án cũng phải nhanh như vậy. Tuy nhiên, ít ai đề cập đến chi phí lọc lựa, triển khai, phối hợp liên ngành sau đó, tất cả vẫn do con người gánh vác.

Công nghệ rút ngắn thời gian các bước sản xuất, nhưng không rút ngắn thời gian quyết định. Và chính quyết định mới trở thành giới hạn mới, chính là sự chú ý và ý chí của con người.

02 AI thay đổi quy mô công việc, nhưng không thay đổi phân bổ

Yegge đề xuất một khung phân tích đơn giản.

Giả sử một kỹ sư sau khi làm quen với AI, năng suất trong một đơn vị thời gian tăng gấp 10 lần. Vậy, phần chênh lệch 9 lần đó sẽ thuộc về ai, tùy thuộc vào cách người dùng phân bổ lao động của mình.

Chẳng hạn, trong tình huống A, kỹ sư giữ nguyên thời gian làm việc, toàn bộ phần tăng thêm sẽ chuyển cho nhà tuyển dụng. Khi đó, nhà tuyển dụng có thể nhận được gần 10 lần sản lượng với chi phí nhân lực không đổi. Thu nhập của kỹ sư không đổi theo tỷ lệ, nhưng cường độ làm việc và tiêu hao tinh thần tăng rõ rệt. Yegge gọi đó là “bị bóc lột”.

Trong tình huống B, kỹ sư giảm đáng kể thời gian làm việc, chỉ dùng 10% thời gian cũ để hoàn thành sản lượng như trước. Lúc này, phần giá trị gia tăng thuộc về cá nhân, mang lại nhiều thời gian rảnh hơn. Nhưng trạng thái này khó duy trì trong cạnh tranh. Nếu tất cả các thành viên trong tổ chức đều theo chiến lược này, tổng sản lượng của tổ chức sẽ tụt lại phía sau đối thủ, lâu dài sẽ đối mặt với rủi ro tồn tại.

Yegge nhấn mạnh, trạng thái lý tưởng nằm giữa hai cực này. Nhưng trong cấu trúc tổ chức hiện tại, quyền điều chỉnh thang đo không cân bằng. Tổ chức có xu hướng đẩy kim chỉ về phía A, còn cá nhân cần chủ động tạo phản ứng ngược lại.

Khung phân tích này biến vấn đề năng suất công nghệ thành vấn đề phân phối. AI không thay đổi thực tế “giá trị do lao động tạo ra”, nhưng nó thay đổi quy mô giá trị mà cùng một lao động có thể tạo ra. Khi quy mô này thay đổi đột ngột, cân bằng phân phối cũ chắc chắn sẽ bị ảnh hưởng.

Yegge nhớ lại thời gian làm việc tại Amazon năm 2001. Khi đó, nhóm của anh chịu áp lực cao về giao hàng, nhưng phần thưởng lại không chắc chắn. Trong một cuộc thảo luận, anh viết công thức: $ / giờ. Anh giải thích rằng, tử số (lương cố định hàng năm) khó thay đổi trong ngắn hạn, còn mẫu số (giờ làm thực tế) có khả năng điều chỉnh lớn.

Anh đề xuất chuyển hướng từ “làm thế nào để kiếm nhiều hơn” sang “làm thế nào để làm ít hơn”. Góc nhìn này khi đó còn xa lạ với nhiều đồng nghiệp, nhưng sau vài tuần, khi đi qua phòng họp, anh vẫn thấy bảng trắng còn ghi biểu thức đó.

Hai mươi lăm năm sau, Yegge cho rằng công thức này vẫn phù hợp với thời đại AI. Điều khác biệt là, AI đã mở rộng đáng kể ảnh hưởng của sự thay đổi mẫu số đối với tử số, nhưng khả năng kiểm soát mẫu số của cá nhân lại không tăng theo.

Người dùng LinkedIn, Joseph Emison, từ góc độ khác phản hồi vấn đề này.

Anh nhận thấy, phần lớn những người thành công liên tục trong lĩnh vực sáng tạo, như nhà văn, nhà thiết kế, nhà nghiên cứu, đều làm việc hiệu quả không quá 4 giờ mỗi ngày. Thời gian còn lại dành cho nghỉ ngơi, đi dạo, nhập dữ liệu. Đây không phải là vấn đề năng suất, mà là giới hạn sinh lý của hoạt động nhận thức.

Nếu AI tiếp tục phân tách “công việc” và “công việc hiệu quả”, thì chúng ta cần định nghĩa lại không phải cách dùng công cụ, mà là “thời gian làm việc trong ngày”.

03 Khả năng tối đa đang mở rộng, giới hạn tối thiểu đang biến mất

Yegge thừa nhận, chính anh cũng là một phần của vấn đề.

Với hơn bốn mươi năm kinh nghiệm kỹ thuật, từng lãnh đạo nhóm lớn, tốc độ đọc nhanh, có đủ thời gian và nguồn lực để thử nghiệm công nghệ, anh có thể liên tục dùng Claude Code trong hàng chục giờ để xây dựng hệ thống chạy được, rồi phát hành ra cộng đồng. Thành quả của anh được lan truyền rộng rãi, một số quản lý xem đó là “mức độ kỹ sư có thể đạt tới”.

Anh viết: “Các nhà tuyển dụng có thể bắt đầu nhìn tôi, và những người như tôi, rồi nói: ‘Này, tất cả nhân viên của tôi đều có thể làm như vậy’”.

Trên các nền tảng như LinkedIn, một số người tiên phong bắt đầu công khai chia sẻ cường độ sử dụng AI của mình: có người cho biết tổ chức của họ trả hàng nghìn đô mỗi tháng cho các tài khoản AI; có người chạy hàng chục cuộc hội thoại cùng lúc. Những nội dung này vừa thu hút sự chú ý của cộng đồng kỹ thuật, vừa tạo ra một tham chiếu ngầm trong quản lý.

Yegge gọi đó là “tiêu chuẩn đẹp không thực tế”. Ông thừa nhận, bản thân không đại diện cho số đông, nhịp làm việc của ông khó có thể sao chép, thậm chí chính ông cũng không chắc có thể duy trì lâu dài. Nhưng khi ông đứng trên sân khấu hoặc viết sách, thông điệp (ít nhất là trong nhận thức của người tiếp nhận) được giản lược thành “có thể làm được”.

Người dùng LinkedIn, Leigh Aschoff, đặt câu hỏi sâu hơn. Ông cho rằng, cách con người tương tác với AI phản ánh rõ ràng giới hạn lâu dài trong nhận thức về ranh giới cá nhân. Nhiều người thiếu khả năng nhận diện và thể hiện giới hạn của chính mình trong các mối quan hệ, và sự thiếu hụt này cũng chuyển sang mối quan hệ người-máy. Công cụ không tự ngừng hoạt động, cũng không có khả năng cảm nhận mệt mỏi của người dùng.

Khi công nghệ liên tục mở rộng giới hạn khả năng, khả năng nhận diện giới hạn lại trở nên ngày càng hiếm hoi.

04 Ngày làm việc cần được định nghĩa lại

Yegge đề xuất một ý tưởng cụ thể: trong thời đại AI, ngày làm việc hiệu quả nên rút ngắn còn 3 đến 4 giờ.

Đây không phải là con số đã được kiểm chứng chặt chẽ, mà dựa trên kinh nghiệm. Ông quan sát thấy, AI tự động hóa nhiều nhiệm vụ thực thi, nhưng các hoạt động cao cấp như quyết định, đánh giá, tái cấu trúc vấn đề vẫn để cho con người đảm nhiệm. Những hoạt động này tiêu hao nhiều năng lượng chú ý và cảm xúc hơn, khó có thể thực hiện song song hoặc rút ngắn thời gian phục hồi.

Trong chuyến thăm một khu công nghệ, Yegge thấy một môi trường ông gọi là “bảng điều khiển điều chỉnh phù hợp” — không gian mở, ánh sáng tự nhiên dồi dào, các khu vực xã hội và nghỉ ngơi phân bố khắp nơi, nhân viên tự do chuyển đổi giữa làm việc và nghỉ ngơi. Ông không chắc môi trường này có thể duy trì sau khi AI thấm nhuần toàn diện, nhưng ông tin rằng, các mô hình hiện tại — không điều chỉnh thời gian làm việc, chỉ tăng mật độ sản xuất trong cùng một thời gian — là không thể kéo dài.

Ông không còn xem đó là vấn đề “AI là ma cà rồng”, mà là “tôi cần rõ ràng hơn về giới hạn của chính mình”.

Yegge kết luận, ông đang cố gắng giảm tốc độ. Ông giảm các hoạt động công khai, từ chối nhiều cuộc gặp, không còn theo đuổi mọi con đường công nghệ khả thi. Ông vẫn viết, vẫn xây dựng sản phẩm, vẫn trao đổi với đồng nghiệp. Nhưng ông cũng tắt máy tính vào buổi chiều, đi dạo cùng gia đình. Ông nói, không biết mình có thể kéo kim chỉ về phía nào, nhưng ông tin rằng, hướng đi là đúng.

Với cộng đồng rộng lớn hơn, câu hỏi này vẫn chưa trở thành vấn đề chung. Câu chuyện về năng suất AI vẫn chiếm ưu thế, còn cuộc thảo luận về mệt mỏi vẫn mang tính cá nhân, phân mảnh. Nhưng ngày càng nhiều tín hiệu cho thấy, hai đường cong này đang hội tụ.

Công nghệ rút ngắn đường đi của nhiệm vụ, nhưng không rút ngắn ngày làm việc. Công cụ giúp thực thi, nhưng không giúp chia sẻ trách nhiệm. Hiệu quả tăng, nhưng tốc độ tiêu hao cũng tăng.

Khi AI liên tục nhắc nhở chúng ta rằng “còn thể nhanh hơn nữa”, có lẽ vấn đề cần lắng nghe hơn là: còn thể chậm hơn nữa không?