Vì sao ước tính thời gian của Claude Code lại kém chính xác?

Mở đầu

Bạn đã bao giờ hỏi Claude Code về thời gian ước tính để triển khai một tính năng? Ví dụ, khi đang thảo luận về một tính năng chatbot trong ứng dụng, bạn hỏi: "Sẽ mất bao lâu để triển khai tính năng này?" — và nhận được câu trả lời như: "Với một kỹ sư, công việc này có thể mất 3-4 tuần".

Tôi nhận thấy điều này xảy ra gần như mỗi lần yêu cầu Claude Code ước tính thời gian. Trên thực tế, việc triển khai tính năng đó thường chỉ mất một ngày, đặc biệt nếu bạn thiết lập Claude một cách đúng đắn. Điều này gây khó khăn khi bạn cần một con số thực tế để truyền đạt với đồng nghiệp hoặc quản lý sản phẩm.

Infographic về ước tính thời gian của coding agents

Lý do Claude đưa ra ước tính thiếu chính xác

Về bản chất, có nhiều nguyên nhân khiến Claude khó ước tính chính xác thời gian triển khai, nhưng tất cả đều bắt nguồn từ dữ liệu huấn luyện. Claude được huấn luyện trên dữ liệu của con người từ internet — bao gồm các bài blog, số liệu GitHub từ thời kỳ trước khi AI hỗ trợ lập trình phổ biến (trước năm 2022).

Do đó, model học được cách ước tính dựa trên thời gian của con người, không phải thời gian mà chính nó (hoặc một lập trình viên dùng AI) sẽ hoàn thành. Việc triển khai một tính năng có thể mất 4 tuần đối với một kỹ sư làm thủ công, nhưng chỉ mất vài giờ khi có sự hỗ trợ của LLM.

Claude về cơ bản đưa ra ước tính theo chuẩn con người, không phải chuẩn AI — đây là nguyên nhân cốt lõi khiến các con số thường cao hơn thực tế.

Điều đáng mừng là khi dữ liệu trên internet dần phản ánh hiệu suất làm việc với LLM, các ước tính này sẽ tự động được "cập nhật" chính xác hơn trong tương lai, dù có thể vẫn còn độ trễ nhất định.

Cách cải thiện ước tính thời gian từ Claude Code

Không có giải pháp tức thời nào hoàn hảo, nhưng có hai phương pháp hữu hiệu mà tôi đã áp dụng:

1. Xây dựng kho dữ liệu thời gian thực tế của riêng bạn

Đây là kỹ thuật có tác động mạnh nhất. Hãy ghi lại thời gian hoàn thành từng nhiệm vụ (feature, bug fix) vào Linear, Notion hoặc file Markdown. Quan trọng là ghi chú thời điểm bắt đầu và kết thúc.

Sau khi có đủ dữ liệu, tạo một "skill" riêng cho Claude Code để nó tham chiếu mỗi khi cần ước tính:

1. Tính năng A - 12 giờ
2. Tính năng B - 3 giờ
3. Xử lý bug B - 4 giờ

Khi đưa ra ước tính mới, Claude sẽ so sánh nhiệm vụ hiện tại với những nhiệm vụ đã hoàn thành, từ đó đưa ra con số sát thực tế hơn nhiều. Tất nhiên, không có ước tính nào hoàn hảo — vì chúng ta không thể lường trước mọi thách thức phát sinh — nhưng phương pháp này đã giúp tôi cải thiện đáng kể khả năng giao tiếp với đồng nghiệp.

2. Chia nhỏ nhiệm vụ và yêu cầu ước tính theo chuẩn LLM

Phương pháp này không đòi hỏi nhiều dữ liệu lịch sử. Thay vì hỏi thời gian cho cả một tính năng lớn, hãy yêu cầu Claude tách thành các nhiệm vụ nhỏ như:

• Nghiên cứu chủ đề
• Triển khai phần 1
• Triển khai phần 2
• Kiểm thử

Sau đó, yêu cầu Claude ước tính thời gian cho từng phần dựa trên hiệu suất của một LLM, không phải con người. Việc chia nhỏ giúp cả người và máy dễ ước tính hơn — ví dụ, nghiên cứu tài liệu qua LLM sẽ nhanh hơn nhiều so với tìm kiếm thủ công bằng Google.

Cuối cùng, tổng hợp các ước tính nhỏ lại để có con số tổng cho toàn bộ công việc.

Kết luận

Việc có được ước tính thời gian chính xác là kỹ năng giao tiếp quan trọng trong môi trường làm việc hiện đại, đặc biệt khi LLM ngày càng thay đổi cách chúng ta làm việc. Nếu hỏi trực tiếp mà không qua xử lý, Claude thường đưa ra con số quá cao so với thực tế.

Áp dụng hai kỹ thuật trên — xây dựng kho dữ liệu thời gian và chia nhỏ nhiệm vụ — bạn sẽ có được những ước tính đáng tin cậy hơn, từ đó giao tiếp hiệu quả hơn với đội ngũ. Khi LLM trở thành công cụ chính trong công việc, khả năng "điều chỉnh" giữa kỳ vọng của con người và năng lực AI sẽ ngày càng trở thành kỹ năng then chốt.