Tắt não khi dùng AI: Không có điểm dừng nào mang lại lợi ích cho nhân viên

Trong thế giới phát triển phần mềm, ngày càng nhiều người dùng mô hình ngôn ngữ lớn (LLM) theo cách "tắt não" — giao việc cho AI rồi mặc định nó đã thành công. Nhưng theo tác giả Dan Luu, cách làm này không bao giờ thực sự có lợi cho người lao động, bất kể AI có giỏi đến đâu.

"Meat proxy" — Khi con người chỉ còn là vòng lặp

Hiện tượng này bắt đầu xuất hiện từ đầu năm 2025: người dùng để LLM tóm tắt văn bản, viết code, rồi mặc định kết quả là đúng mà không kiểm tra. Niklas Gruhn gọi một biến thể của hành vi này là "meat proxy" (proxy bằng thịt) — trong đó con người chỉ đóng vai trò như một vòng lặp for hoặc while, liên tục nhồi prompt vào AI và chuyển kết quả đi tiếp.

Cho đến tháng 9/2026, cách làm này đã tốt hơn trước, phần mềm phát triển theo kiểu này đôi khi thực sự "có vẻ chạy được". Nhưng tác giả đặt ra câu hỏi xuyên suốt: nếu AI đã đủ giỏi để làm việc mà không cần con người can thiệp, tại sao công ty lại phải thuê người đó?

Công ty chỉ cần cho LLM chạy trong vòng lặp và sa thải nhân viên. Không có điểm dừng nào trong phương pháp luận này mang lại lợi ích cho người lao động.

Khi nào "tắt não" thực sự nguy hiểm?

Luke Burton, một kỹ sư phần mềm, chỉ ra rằng khả năng "tắt não" thành công phụ thuộc vào loại công việc chứ không phải công cụ:

• Công việc giá trị thấp: có thể chấp nhận thất bại, dễ để AI tự xử lý
• Công việc giá trị cao: xác suất AI làm đúng ngay lần đầu rất thấp, buộc con người phải đóng vai trò QA, quản lý kỹ thuật và kiến trúc sư

Burton chia sẻ trải nghiệm chuyển đổi hệ thống sang Bazel — một tác vụ tưởng chừng rất phù hợp để tự động hóa hoàn toàn, nhưng đã mất nhiều tháng dù có AI hỗ trợ. Lý do: có quá nhiều quyết định ngầm, yêu cầu không thể đặc tả rõ ràng, và những ẩn số không lường trước (unknown unknowns).

Ông đặt hai câu hỏi thẳng thắn cho những "meat proxy":

1. Có khả năng bạn đã làm việc dễ dãi từ trước rồi không?
2. Tại sao bạn không giao cho AI những tác vụ khó hơn nhiều thay vì chỉ những việc dễ?

Vấn đề "out of distribution" — Nơi AI thất bại rõ ràng nhất

Tác giả đưa ra ví dụ sinh động: dùng AI để chơi board game. Với những trò chơi hiện đại như Lost Cities hay Dominion, một mô hình SOTA kết hợp công cụ tốt nhất vẫn thua một người chơi game bình thường nhưng chưa từng chơi trò đó bao giờ.

Điều nguy hiểm là AI nói rất tự tin và nghe có vẻ hợp lý với người không hiểu game, nhưng lại sai rõ ràng với người trong cuộc. Tác giả kể lại việc một người mới chơi Dominion dùng ChatGPT để học luật — và AI trả lời "nửa đúng nửa sai", khiến họ chơi tệ hơn so với việc dùng trực giác chung.

Trong phát triển phần mềm, tình huống tương tự xảy ra liên tục:

• Gặp đoạn code không rõ tại sao hoạt động như vậy, nhưng hiểu nó sẽ thay đổi hoàn toàn hướng xử lý
• Không biết liệu một khách hàng nào đó đã bắt đầu dùng tính năng này chưa
• Đưa ra hàng loạt quyết định dựa trên giả định sai về một thành phần cần được giữ nguyên

Hệ quả thực tế: "Lập trình đã được giải quyết"?

Tác giả kể lại trường hợp một "thought leader" tuyên bố trên Twitter rằng lập trình đã được giải quyết vì Claude xử lý được mọi bài toán. Nhưng khi kiểm tra GitHub thực tế, tất cả ví dụ đều không hoạt động hoặc chạy rất tệ. Cụ thể, AI cờ của người này yếu hơn cả một bot minimax đơn giản do LLM viết.

Gary Bernhardt cũng chia sẻ trải nghiệm tương tự:

Những thay đổi hàng ngày thường bị tôi cắt xuống còn 25% kích thước ban đầu. Vô số test vô dụng, sự hoang tưởng, logic bị đảo ngược. Rồi tôi lên Twitter và đọc "lập trình đã được giải quyết".

Một ví dụ khác: khi được yêu cầu sửa quản lý DATABASE_URL, AI thêm hàng loạt lệnh if vào script NPM và gọi Node có điều kiện trong CI. Sau khi sửa lại: bớt 0 dòng, chỉ thêm 1 từ.

Bài học cho lập trình viên Việt Nam

Với cộng đồng công nghệ Việt Nam đang tích cực ứng dụng AI vào công việc, bài viết này mang lại vài gợi ý thực tế:

• Luôn kiểm chứng đầu ra của AI, đặc biệt với code ảnh hưởng đến kiến trúc hệ thống hoặc trải nghiệm người dùng cuối
• Hiểu rõ loại công việc mình đang làm: nếu chỉ là tác vụ giá trị thấp, AI có thể thay thế; nếu là quyết định kiến trúc, giá trị của bạn nằm ở phán đoán con người
• Đừng tin vào những tuyên bố "coding is solved" trên mạng xã hội — hãy tự kiểm tra kết quả thực tế
• Phát triển kỹ năng đánh giá (review, QA) thay vì chỉ kỹ năng sinh code

Tác giả kết luận: với những người như Thomas Dullien hay Gary Bernhardt, cảm giác này đã tồn tại từ lâu. Càng nhiều bằng chứng xuất hiện, càng rõ rằng nhiều tuyên bố về năng suất vượt trội của LLM chỉ là sự tự lừa dối bản thân.

Và điểm mấu chốt vẫn là: nếu bạn có thể "tắt não" hoàn toàn và để AI làm hết, thì công ty cũng có thể tắt luôn vị trí của bạn.