Mở đầu: Khi AI viết code nhanh hơn, điều gì trở thành thách thức lớn nhất?
AI đang thay đổi cách chúng ta phát triển và vận hành phần mềm. Nếu trước đây, AI chủ yếu hỗ trợ những nhiệm vụ như gợi ý code, giải thích lỗi hoặc viết test, thì ngày nay, với sự phát triển của AI agent, AI có thể tham gia vào những công việc phức tạp hơn như phân tích hệ thống, thực hiện nhiều thay đổi liên tiếp và hỗ trợ kiểm chứng kết quả.
Một ứng dụng khiến tôi chú ý là AI-driven Code Modernization – hiện đại hóa hệ thống phần mềm bằng AI.
Hiểu đơn giản, đây là quá trình sử dụng AI để hỗ trợ nâng cấp hoặc chuyển đổi những hệ thống phần mềm cũ sang công nghệ phù hợp hơn. Tuy nhiên, việc hiện đại hóa không chỉ là viết lại code. Những hệ thống đã vận hành nhiều năm thường chứa các quy tắc nghiệp vụ, dữ liệu và mối quan hệ phụ thuộc phức tạp. Một thay đổi nhỏ cũng có thể ảnh hưởng đến những chức năng khác.
Trong bài viết How to prepare for AI-driven code modernization projects, Anthropic đưa ra một nhận định đáng chú ý: khi AI giúp tăng tốc việc tạo ra thay đổi, nút thắt của dự án có thể chuyển từ tốc độ lập trình sang khả năng kiểm chứng, phê duyệt và phối hợp của tổ chức.
Nói cách khác, AI có thể tạo code nhanh hơn, nhưng chưa chắc toàn bộ dự án sẽ hoàn thành nhanh hơn nếu quy trình xung quanh chưa sẵn sàng.
Là một nhân viên hành chính trong công ty IT, tôi không trực tiếp tham gia nâng cấp mã nguồn. Tuy nhiên, khi đọc bài viết này, tôi nhận ra những nguyên tắc về xác định mục tiêu, kiểm soát chất lượng, chuẩn bị nguồn lực và triển khai thử nghiệm có thể áp dụng vào nhiều công việc khác.
Vì vậy, tôi muốn chia sẻ sáu bước chuẩn bị quan trọng của Anthropic, đồng thời rút ra những bài học có thể vận dụng vào công việc hành chính và các hoạt động phát triển năng lực AI trong doanh nghiệp.
1. Sáu bước chuẩn bị cho dự án AI-driven Code Modernization
Theo Anthropic, để hiện đại hóa phần mềm bằng AI hiệu quả, doanh nghiệp cần thực hiện sáu bước:
- Define the Target: Xác định trạng thái đích của hệ thống.
- Create the Certificate: Xây dựng bộ điều kiện kiểm chứng kết quả.
- Set the Promotion Policy: Thiết lập chính sách xem xét và phê duyệt thay đổi.
- Put the Prerequisites in Place: Chuẩn bị môi trường, nguồn lực và những điều kiện cần thiết.
- Build and Refine the Agentic Workflow: Thiết kế và cải tiến quy trình làm việc của AI agent.
- Run the Modernization: Thử nghiệm toàn bộ quy trình trước khi mở rộng.
Điểm tôi thấy thú vị là các bước đầu tiên chủ yếu tập trung vào việc con người cần chuẩn bị gì, thay vì bắt đầu ngay bằng việc yêu cầu AI viết code.
Điều này cho thấy thành công của một dự án AI không chỉ phụ thuộc vào khả năng của công cụ mà còn phụ thuộc vào mức độ sẵn sàng của tổ chức.
2. Bước 1 – Define the Target: Xác định chính xác trạng thái đích
Trước khi bắt đầu, doanh nghiệp phải xác định rõ hệ thống sau khi hiện đại hóa cần trở thành như thế nào.
Một mục tiêu như “nâng cấp hệ thống cũ bằng AI” vẫn còn quá chung chung. Cần thống nhất công nghệ đích, những chức năng phải giữ nguyên, những gì được phép thay đổi và các yêu cầu về bảo mật, hiệu năng.
Phân biệt ba loại modernization
Anthropic chia modernization thành ba hướng chính:
Uplift – Nâng cấp trong cùng nền tảng công nghệ
Ví dụ, nâng cấp một hệ thống từ C++11 lên C++20. Công nghệ cơ bản vẫn giữ nguyên nhưng được chuyển sang phiên bản mới hơn nhằm cải thiện khả năng bảo trì, bảo mật hoặc tương thích.
Transform – Chuyển đổi công nghệ nhưng giữ nguyên hành vi
Ví dụ, chuyển một ứng dụng từ COBOL sang Java. Ngôn ngữ và nền tảng thay đổi, nhưng những quy tắc nghiệp vụ được yêu cầu giữ lại phải hoạt động tương đương hệ thống ban đầu.
Reimagine – Thiết kế lại hệ thống với hành vi mới
Đây là hướng thay đổi lớn hơn, khi doanh nghiệp không chỉ chuyển đổi công nghệ mà còn muốn cải tiến kiến trúc và chức năng nghiệp vụ.
Ba hướng này có mức độ phức tạp và cách kiểm chứng khác nhau. Nếu không thống nhất từ đầu, các nhóm tham gia có thể có những kỳ vọng trái ngược.
Ví dụ, người phụ trách vận hành muốn giữ nguyên hành vi để hạn chế rủi ro, trong khi developer muốn tận dụng cơ hội để cải tiến kiến trúc. Cả hai mong muốn đều có lý, nhưng cần được thống nhất trước khi AI tạo ra thay đổi.
Hiểu hệ thống hiện tại trước khi thay đổi
Một hệ thống cũ thường chứa nhiều quy tắc nghiệp vụ chưa được tài liệu hóa đầy đủ.
AI có thể hỗ trợ đọc source code, phân tích dependency (mối quan hệ phụ thuộc giữa các thành phần) và tìm kiếm những quy tắc đang nằm trong code.
Tuy nhiên, Anthropic lưu ý rằng AI không nhất thiết khám phá được toàn bộ hành vi của hệ thống. Việc trao đổi với developer, người dùng nghiệp vụ và đọc tài liệu hiện có vẫn cần thiết.
Nếu lựa chọn Reimagine, doanh nghiệp còn cần xây dựng behavioral specification – tài liệu đặc tả những hành vi mà hệ thống mới phải thực hiện.
Ngoài ra, cần xác định lý do kinh doanh và rủi ro nếu không hiện đại hóa, chẳng hạn công nghệ không còn được hỗ trợ, nguy cơ bảo mật hoặc sự phụ thuộc vào số ít người am hiểu hệ thống cũ.
Bài học: Trước khi yêu cầu AI tạo ra thay đổi, con người phải hiểu rõ điều gì cần thay đổi, tại sao và những gì bắt buộc phải giữ nguyên.
3. Bước 2 – Create the Certificate: Xây dựng bằng chứng kiểm chứng kết quả
Đây là phần tôi thấy đặc biệt có giá trị.
Khi yêu cầu AI chuyển code cũ sang công nghệ mới, làm sao chúng ta biết kết quả thực sự đúng? Nếu AI tạo hàng trăm thay đổi, liệu có thể kiểm tra thủ công từng thay đổi?
Anthropic đề xuất sử dụng certificate – bộ điều kiện kiểm chứng mà một thay đổi phải đáp ứng trước khi được coi là đạt yêu cầu.
Certificate không phải chứng chỉ do tổ chức bên ngoài cấp, mà là tập hợp các phép kiểm tra cung cấp bằng chứng về chất lượng.
Một certificate có thể bao gồm:
- Các bài kiểm thử hiện tại và mới phải chạy thành công.
- Độ bao phủ kiểm thử đạt ngưỡng thống nhất.
- Hiệu năng nằm trong giới hạn cho phép.
- Hệ thống mới và cũ tạo kết quả tương đương khi cần giữ nguyên hành vi.
- Công cụ phân tích code và quét bảo mật không phát hiện vấn đề nghiêm trọng mới.
- Hệ thống chạy ổn định trong môi trường thử nghiệm.
- Quá trình biên dịch và kiểm tra kiểu dữ liệu không phát sinh lỗi.
Tự động hóa việc kiểm chứng
Anthropic nhấn mạnh rằng những điều kiện trong certificate nên có khả năng kiểm tra tự động.
Khi AI agent tạo ra thay đổi, nó có thể chạy các phép kiểm tra, nhận kết quả, sửa lỗi và kiểm chứng lại. Những trường hợp không đáp ứng được yêu cầu sẽ được chuyển cho chuyên gia xem xét.
Quy trình này giúp tránh tình trạng mọi thay đổi đều phải chờ con người kiểm tra thủ công.
Tuy nhiên, certificate cần được thiết kế theo loại modernization.
Với Uplift, bộ test hiện tại có thể tiếp tục được sử dụng làm cơ sở quan trọng.
Với Transform, do công nghệ thay đổi, có thể cần differential testing – đưa cùng dữ liệu vào hệ thống cũ và mới rồi so sánh kết quả. Doanh nghiệp cũng có thể chạy lại dữ liệu đã ghi nhận hoặc vận hành hai hệ thống song song để kiểm chứng.
Với Reimagine, kết quả không nhất thiết giống hệ thống cũ, nên certificate phải dựa vào tài liệu đặc tả hành vi mới và những bài kiểm thử tương ứng.
Một nguyên tắc quan trọng khác là xây dựng certificate cùng những người sẽ trực tiếp review và phê duyệt thay đổi, bao gồm developer, QA và các bên phụ trách nghiệp vụ.
Điều này giúp mọi người có cùng cách hiểu về chất lượng và tin tưởng hơn vào kết quả.
Bài học: Không chỉ xác định AI cần làm gì, chúng ta còn phải xác định rõ bằng chứng nào chứng minh AI đã làm đúng.
4. Bước 3 – Set the Promotion Policy: Phê duyệt thay đổi theo mức độ rủi ro
Sau khi code vượt qua certificate, liệu có thể đưa ngay vào hệ thống thực tế?
Điều đó phụ thuộc vào mức độ rủi ro và chính sách phê duyệt.
Khi AI tạo ra số lượng thay đổi lớn, việc yêu cầu chuyên gia review thủ công từng dòng có thể trở thành nút thắt.
Vì vậy, Anthropic đề xuất xây dựng promotion policy – chính sách phân loại và phê duyệt thay đổi theo mức độ rủi ro.
Một yếu tố cần xem xét là blast radius, tức phạm vi ảnh hưởng nếu thay đổi xảy ra lỗi.
Ví dụ, một thay đổi nhỏ ở giao diện có thể có mức ảnh hưởng khác với thay đổi liên quan đến phân quyền hoặc xử lý dữ liệu.
Có thể hình dung ba nhóm:
- Rủi ro thấp: Thay đổi nhỏ, ảnh hưởng hạn chế, có bằng chứng kiểm chứng đáng tin cậy. Có thể áp dụng quy trình review tinh gọn hơn.
- Rủi ro trung bình: Thay đổi có quan hệ phụ thuộc đáng kể hoặc kết quả kiểm chứng chưa rõ ràng. Cần người có chuyên môn kiểm tra.
- Rủi ro cao: Thay đổi liên quan đến dữ liệu, bảo mật hoặc chức năng quan trọng. Cần review và phê duyệt nghiêm ngặt.
Đây chỉ là mô hình minh họa; mỗi tổ chức cần có tiêu chí phân loại phù hợp.
Sử dụng thời gian của chuyên gia hợp lý
Không phải thay đổi nào cũng cần cùng mức độ kiểm tra.
Nếu certificate đủ mạnh, những thay đổi ít rủi ro có thể đi qua quy trình đơn giản hơn. Chuyên gia tập trung vào các trường hợp phức tạp, ngoại lệ hoặc có phạm vi ảnh hưởng lớn.
Anthropic cũng khuyến nghị thống nhất với reviewer về định dạng thông tin cần cung cấp, để họ có thể nhanh chóng hiểu quyết định của agent và xem xét bằng chứng quan trọng.
Ngoài ra, nếu một loại lỗi xuất hiện lặp lại, nên sửa nguyên nhân trong workflow hoặc certificate thay vì xử lý thủ công từng trường hợp.
Chính sách này cần được thống nhất trước với những người có trách nhiệm phê duyệt, bao gồm mức rủi ro được chấp nhận và sự cân bằng giữa tốc độ với độ sâu kiểm tra.
Bài học: AI không làm vai trò của con người kém quan trọng. Nó khiến chúng ta cần phân bổ khả năng đánh giá của con người vào đúng những công việc có giá trị và rủi ro cao.
5. Bước 4 – Put the Prerequisites in Place: Chuẩn bị đầy đủ điều kiện triển khai
Một dự án AI không thể vận hành hiệu quả nếu chỉ có công cụ tốt nhưng thiếu môi trường, dữ liệu hoặc nguồn lực hỗ trợ.
Anthropic đề cập đến bốn nhóm điều kiện quan trọng.
Thứ nhất, môi trường và năng lực kiểm thử.
Cần chuẩn bị nơi chạy workflow, khả năng truy cập codebase và tài liệu, tài nguyên kiểm thử, cũng như môi trường staging nếu cần.
Nếu certificate yêu cầu so sánh hai phiên bản, có thể phải chuẩn bị cơ chế ghi nhận hoặc chạy lại dữ liệu và lưu lượng xử lý.
Thứ hai, codebase và CI/CD.
Nhóm kỹ thuật cần lập bản đồ dependency, xác định cách xử lý thư viện cũ và chuẩn bị các phép kiểm tra tương thích.
Với hệ thống vẫn tiếp tục được phát triển, cần có chính sách code freeze – tạm hạn chế thay đổi một số phần mã nguồn để tránh xung đột trong quá trình nâng cấp.
Thứ ba, nhân sự và thời gian review.
Developer, QA, bộ phận hạ tầng, bảo mật và người dùng nghiệp vụ có thể cần tham gia những giai đoạn khác nhau.
Nếu thời gian review không được bố trí từ đầu, AI có thể hoàn thành công việc nhưng kết quả vẫn phải chờ phê duyệt.
Thứ tư, bảo mật và khả năng truy vết.
AI agent chỉ nên được cấp quyền tối thiểu cần thiết. Không cung cấp thông tin xác thực production khi không cần và cần bảo vệ dữ liệu cá nhân, thông tin bí mật.
Ngoài ra, mỗi thay đổi nên có khả năng truy vết đến lịch sử hoạt động của agent và bằng chứng kiểm chứng. Các thư viện mới cũng cần được kiểm tra về giấy phép và lỗ hổng bảo mật.
Tôi thấy bước này khá gần với công việc hành chính. Trong nhiều hoạt động, chất lượng thực hiện phụ thuộc không nhỏ vào việc tài liệu đã sẵn sàng chưa, ai chịu trách nhiệm và các bên đã thống nhất cách phối hợp hay chưa.
Bài học: Khi AI làm phần thực thi nhanh hơn, công tác chuẩn bị nguồn lực và phối hợp càng cần được thực hiện sớm.
6. Bước 5 – Build and Refine the Agentic Workflow: Thiết kế quy trình làm việc cho AI agent
Sau khi những điều kiện cần thiết đã được chuẩn bị, dự án chuyển sang xây dựng workflow để AI thực hiện modernization.
Agentic workflow có thể hiểu là quy trình trong đó AI agent nhận mục tiêu, sử dụng những công cụ được cho phép, thực hiện nhiều bước liên tiếp, tự kiểm tra và điều chỉnh kết quả.
Trong code modernization, agent cần biết trạng thái đích, certificate, promotion policy và cấu trúc codebase.
Anthropic đề xuất sử dụng Claude Code để xây dựng workflow tùy chỉnh, có thể phân chia công việc thành nhiều luồng nhỏ thông qua các subagent – những agent phụ đảm nhận các nhiệm vụ riêng.
Thay vì yêu cầu một agent xử lý toàn bộ hệ thống, codebase có thể được chia thành những phần có phạm vi và điều kiện hoàn thành rõ ràng.
Những phần ít phụ thuộc nhau có thể được xử lý song song, trong khi những phần có quan hệ phụ thuộc cần được phối hợp phù hợp.
Xây dựng nguồn tri thức chung
Một yếu tố quan trọng là các agent phải sử dụng cùng nguồn thông tin đáng tin cậy.
Nguồn này cần bao gồm mục tiêu, đặc tả nghiệp vụ, tài liệu codebase, quy ước phát triển và tiêu chí kiểm chứng.
Nếu mỗi agent hiểu yêu cầu khác nhau hoặc sử dụng các phiên bản tài liệu không thống nhất, kết quả có thể thiếu đồng nhất.
Cải tiến workflow qua thử nghiệm
Anthropic khuyến nghị thử workflow trên những phần nhỏ của codebase để chuyên gia đánh giá cả code, quá trình agent thực hiện và bằng chứng kiểm chứng.
Nếu agent liên tục mắc cùng một loại lỗi, cần điều chỉnh instruction, tài liệu hoặc các bước kiểm tra.
Ví dụ, nếu agent thường xuyên xử lý sai quy tắc phân quyền, nên bổ sung thông tin hoặc bài test để lỗi đó được phát hiện sớm hơn.
Theo tôi, đây là nguyên tắc rất hữu ích: khi AI tạo ra kết quả chưa tốt, hãy xem xét cải tiến cả quy trình, thay vì chỉ sửa từng kết quả riêng lẻ.
7. Bước 6 – Run the Modernization: Pilot trước khi mở rộng
Sau khi xây dựng workflow, Anthropic khuyến nghị bắt đầu bằng một phạm vi nhỏ thay vì triển khai ngay trên toàn bộ codebase.
Pilot không chỉ kiểm tra AI có tạo ra code đúng hay không, mà còn phải kiểm tra toàn bộ quá trình:
AI tạo thay đổi → Chạy kiểm chứng → Xử lý lỗi → Review → Phê duyệt → Tích hợp vào hệ thống.
Nếu một bước chưa hoạt động hiệu quả, nhóm dự án cần điều chỉnh trước khi tăng quy mô.
Ví dụ, AI có thể tạo code nhanh nhưng kiểm thử mất quá nhiều thời gian. Hoặc certificate đạt yêu cầu nhưng reviewer chưa đủ tin tưởng vào bằng chứng.
Những vấn đề này nên được giải quyết khi phạm vi còn nhỏ.
Lựa chọn cách triển khai
Với Transform và Reimagine, hệ thống mới thường được xây dựng bên cạnh hệ thống cũ trước khi chuyển đổi.
Với Uplift, doanh nghiệp còn có thể nâng cấp trực tiếp trên codebase đang được phát triển.
Trong trường hợp này, Anthropic đề xuất chia hệ thống thành những phần logic, xử lý lần lượt từ các thành phần ít phụ thuộc đến những thành phần phụ thuộc nhiều hơn.
Mỗi phần có thể được tạm khóa để nâng cấp, kiểm chứng và bổ sung quy tắc CI/CD nhằm tránh những thay đổi sau đó làm mất kết quả đã hoàn thành.
Đo chi phí thực tế
Chi phí modernization không chỉ nằm ở việc AI tạo code.
Nó còn phụ thuộc vào lượng code cần đọc, độ phức tạp của kiểm chứng, số bài test cần bổ sung, số lần thử lại và công việc xử lý xung đột.
Vì vậy, pilot nên ghi nhận lượng token, thời gian xử lý và tỷ lệ thất bại để ước tính chi phí cho giai đoạn mở rộng.
Một cách tối ưu là thực hiện những phép kiểm tra đơn giản trước, chỉ chạy các bước kiểm chứng phức tạp khi cần. Đồng thời, nên lựa chọn model phù hợp với từng loại nhiệm vụ và tính cả chi phí của những lần phải thực hiện lại.
Bài học: Một pilot thành công không chỉ chứng minh AI có thể làm được công việc, mà còn chứng minh toàn bộ quy trình có thể vận hành ổn định, kiểm soát rủi ro và có chi phí hợp lý.
8. Ví dụ: Áp dụng sáu bước vào một dự án giả định
Để hình dung cách sáu bước liên kết với nhau, tôi thử áp dụng vào một tình huống giả định.
Đây không phải dự án thực tế của công ty.
Giả sử một doanh nghiệp sử dụng hệ thống quản lý công việc cũ và muốn chuyển sang nền tảng công nghệ mới.
Bước 1: Nhóm dự án lựa chọn Transform, tức thay đổi công nghệ nhưng giữ nguyên các quy tắc như phân quyền, xử lý deadline và trạng thái công việc.
Bước 2: Xây dựng certificate để kiểm chứng dữ liệu và hành vi giữa hai hệ thống, đồng thời kiểm tra bảo mật và hiệu năng.
Bước 3: Xác định những thay đổi ít rủi ro có thể review nhanh hơn, trong khi những thay đổi liên quan đến dữ liệu và quyền truy cập cần chuyên gia đánh giá.
Bước 4: Chuẩn bị môi trường kiểm thử, tài liệu, quyền truy cập và thời gian của những người tham gia.
Bước 5: Chia codebase thành những phần nhỏ để agent xử lý, tự kiểm chứng và chuyển những vấn đề chưa đạt cho người phụ trách.
Bước 6: Chọn một phân hệ để pilot, đánh giá chất lượng, thời gian và chi phí trước khi mở rộng.
Qua ví dụ này, tôi nhận ra sáu bước không hoàn toàn tách biệt.
Target quyết định certificate cần kiểm tra điều gì. Chất lượng certificate ảnh hưởng đến mức độ tin cậy của promotion policy. Những yếu tố này tiếp tục định hướng cách xây workflow và triển khai pilot.
Nếu một bước chuẩn bị chưa tốt, những bước sau có thể phải thực hiện lại, khiến lợi ích về tốc độ của AI giảm đi đáng kể.
9. Những bài học tôi muốn áp dụng vào công việc hành chính
Sau khi tìm hiểu phương pháp của Anthropic, tôi rút ra ba bài học phù hợp với công việc của mình.
Xác định tiêu chí hoàn thành trước khi giao việc cho AI
Khi sử dụng AI để soạn thảo, tổng hợp thông tin hoặc lập kế hoạch, tôi thường tập trung vào việc mô tả kết quả mong muốn.
Tuy nhiên, một bản kế hoạch có hình thức đầy đủ chưa chắc đã thực sự tốt.
Ví dụ, khi lập kế hoạch đào tạo, tôi cần xem xét nội dung có phù hợp với người học không, thời lượng có khả thi không và kết quả học tập được đánh giá bằng cách nào.
Từ target và certificate, tôi muốn thay đổi cách giao việc: xác định trước cả đầu ra và tiêu chí đánh giá, thay vì chỉ nhận kết quả rồi mới quyết định thế nào là tốt.
Phân loại công việc theo mức độ rủi ro
Trong công việc hành chính, có những nhiệm vụ lặp lại, dễ kiểm tra nhưng cũng có những công việc liên quan đến chính sách hoặc thông tin nhạy cảm.
Một bản nháp thông báo có thể được AI hỗ trợ nhiều hơn, nhưng nội dung liên quan đến chính sách cần được đối chiếu với tài liệu có hiệu lực và người có thẩm quyền xác nhận.
Tôi muốn áp dụng tư duy promotion policy bằng cách xác định những nhiệm vụ AI có thể hỗ trợ sâu và những nhiệm vụ bắt buộc phải có người kiểm tra kỹ.
Xây dựng workflow có thể tái sử dụng
Thay vì bắt đầu lại từ đầu mỗi khi gặp nhiệm vụ tương tự, tôi muốn chuẩn hóa những cách sử dụng AI đã hoạt động tốt.
Ví dụ, với công việc tổng hợp thông tin, tôi có thể chuẩn bị cấu trúc dữ liệu đầu vào, mẫu hướng dẫn, định dạng đầu ra và checklist kiểm tra.
Nếu kết quả thường xuyên mắc cùng lỗi, tôi sẽ tìm nguyên nhân trong quy trình để cải thiện.
Theo tôi, đây là cách chuyển từ việc sử dụng AI cho từng nhiệm vụ sang xây dựng một phương pháp làm việc có thể tái sử dụng lâu dài.
10. Ứng dụng vào những hoạt động hiện tại
Có hai nhóm công việc mà tôi thấy những nguyên tắc trên có thể mang lại giá trị thực tế.
Thứ nhất, hoạt động phát triển năng lực AI trong công ty.
Thay vì chỉ đặt mục tiêu mọi người sử dụng AI nhiều hơn, cần xác định năng lực cụ thể theo từng vị trí, tiêu chí đánh giá và sản phẩm thực hành.
Người làm hành chính có thể tập trung vào xử lý thông tin và chuẩn hóa tài liệu, trong khi developer có những yêu cầu liên quan đến code và kiểm thử.
Trước khi triển khai rộng, cần chuẩn bị tài liệu học tập, người hỗ trợ, cách đánh giá và tổ chức pilot với phạm vi phù hợp.
Như vậy, việc đánh giá không chỉ dựa vào số giờ học hoặc số công cụ đã sử dụng, mà dựa vào khả năng áp dụng vào công việc thực tế.
Thứ hai, đào tạo và bàn giao công việc hành chính.
Trong quá trình hướng dẫn người mới, tôi nhận thấy nhiều kiến thức thực tế có thể chưa được mô tả đầy đủ trong tài liệu.
Tương tự việc tìm hiểu quy tắc nghiệp vụ trong codebase cũ, trước khi chuẩn hóa hoặc sử dụng AI hỗ trợ, cần làm rõ các bước công việc, trường hợp ngoại lệ và tiêu chí hoàn thành.
Tôi muốn ưu tiên những nhiệm vụ có tính lặp lại, xây dựng hướng dẫn rõ ràng, sau đó thử nghiệm AI ở những phần phù hợp như tạo checklist hoặc tổng hợp thông tin từ dữ liệu được phép sử dụng.
Trong quá trình thực hiện, cần ghi nhận cả thời gian chuẩn bị, kiểm tra và chỉnh sửa để đánh giá hiệu quả thực tế, thay vì chỉ nhìn vào tốc độ AI tạo ra kết quả.
Tôi hiểu rằng công việc hành chính và code modernization là hai lĩnh vực khác nhau, nhưng những nguyên tắc về mục tiêu, kiểm chứng, rủi ro và pilot hoàn toàn có thể được điều chỉnh để áp dụng phù hợp.
Kết luận: AI tăng tốc thực thi, nhưng sự chuẩn bị quyết định chất lượng
Sau khi tìm hiểu phương pháp AI-driven Code Modernization của Anthropic, điều tôi ghi nhớ nhất không phải là AI có thể viết được bao nhiêu code.
Điều quan trọng hơn là khi tốc độ thực hiện tăng lên, khả năng xác định mục tiêu, kiểm chứng kết quả và tổ chức quy trình trở nên quan trọng hơn.
Sáu bước của Anthropic có thể tóm tắt thành một chuỗi:
Xác định mục tiêu → Thiết lập bằng chứng kiểm chứng → Phê duyệt theo rủi ro → Chuẩn bị nguồn lực → Xây dựng workflow → Pilot trước khi mở rộng.
Với developer, đây là phương pháp hữu ích để chuẩn bị và triển khai các dự án hiện đại hóa phần mềm bằng AI.
Với tôi, một nhân viên hành chính trong môi trường IT, bài học lớn nhất là không chỉ cần học cách sử dụng công cụ AI mà còn phải học cách thiết kế công việc để AI có thể hỗ trợ hiệu quả.
Điều đó bắt đầu từ những thay đổi đơn giản: xác định tiêu chí hoàn thành rõ hơn, phân loại công việc theo rủi ro, chuẩn hóa hướng dẫn và liên tục cải tiến quy trình.
AI có thể giúp chúng ta đi nhanh hơn. Nhưng xác định đúng hướng đi, kiểm soát chất lượng và biến kết quả thành giá trị lâu dài vẫn là trách nhiệm của con người.
Nguồn tham khảo
Anthropic – Jonah Ezekiel & Lexie Tonelli (23/09/2026). How to prepare for AI-driven code modernization projects.
Nguồn: https://claude.com/blog/how-to-prepare-for-ai-driven-code-modernization-projects