Từ khi AI tạo sinh xuất hiện, người ta nói rất nhiều về việc "cùng một khoản chi phí mà làm được nhiều hơn".
Tôi phụ trách trung tâm phát triển kinh doanh của ARIS Vietnam và theo dõi các dự án với khách hàng Nhật mỗi ngày. Ở vị trí đó, tôi có thể nói rằng "cùng chi phí phát triển, nhiều sản phẩm hơn" không phải ý tưởng sinh ra cùng AI. Từ trước khi có AI, chúng tôi đã phát triển theo triết lý này và thực hiện nó trong các dự án thực tế. AI không thay đổi hướng đi đó, mà giúp chúng tôi đi nhanh hơn trên chính con đường ấy.
Bài viết này chia sẻ bốn điều:
- Triết lý làm việc của chúng tôi
- Khi chưa có AI, chúng tôi đã thực hiện nó thế nào
- Chúng tôi tiếp cận AI và các quy định về AI, dữ liệu ra sao
- Những điểm AI còn yếu, nơi con người phải chủ động kiểm soát
Muốn nhanh, trước hết phải minh bạch
Nhiều người nghĩ rằng muốn dự án nhanh thì phải làm nhanh hơn. Kinh nghiệm của chúng tôi thì ngược lại: muốn nhanh, trước hết phải minh bạch.
- Báo tín hiệu sớm. Rủi ro, dấu hiệu chậm trễ, những điểm chưa rõ được chia sẻ với khách hàng ngay khi vừa nhận ra. Báo sớm tạo ra một khoảng giãn cách để xử lý mà không ảnh hưởng đến tiến độ chung.
- Theo sát và chăm sóc dự án. Dù chạy theo Waterfall hay Agile, điều không thay đổi là chúng tôi theo dõi dự án mỗi ngày, giải quyết vấn đề nhỏ trước khi nó thành vấn đề lớn.
- Báo cáo kèm số liệu và đề xuất. Báo cáo không dừng ở "đang thế nào". Tiến độ, số lỗi, phần việc còn lại, mức độ rủi ro được trình bày bằng con số cụ thể, kèm theo vấn đề là gì, có những phương án nào và chúng tôi đề xuất gì, để khách hàng ra quyết định nhanh và đúng.
- Chạy đúng trước, ổn định lâu dài, rồi mới tối ưu. Tối ưu chỉ có ý nghĩa khi dự án đã chạy ổn định và đáng tin cậy. Chúng tôi xây nền móng đó trước.
Đây là triết lý làm việc của ARIS Vietnam. Các cách làm cụ thể dưới đây đều xuất phát từ triết lý này.
Trước khi có AI, chúng tôi đã làm như thế nào
Với cùng một đội ngũ, số sản phẩm làm được trong năm phụ thuộc vào giờ công cần cho mỗi sản phẩm. Muốn làm được nhiều hơn với cùng chi phí, phải giảm giờ công lãng phí trong từng dự án, mà lãng phí lớn nhất thường đến từ những vấn đề bị phát hiện muộn. Trên nền tảng minh bạch đó, chúng tôi làm thêm năm cách sau.
1. Làm rõ yêu cầu ngay từ đầu
Phần lớn lãng phí trong phát triển phần mềm đến từ việc làm sai rồi làm lại. Vì vậy, Business Analyst (BA) và Bridge SE (BrSE) cùng khách hàng làm rõ "vì sao cần làm" và "thế nào là hoàn thành" trước khi viết dòng code đầu tiên.
2. Giữ đội ổn định, theo nghĩa đen
Thay vì đổi người theo từng dự án, chúng tôi giữ cùng một đội đồng hành lâu dài với khách hàng. Đội hiểu hệ thống, nghiệp vụ và cách ra quyết định của khách, nên càng nhiều dự án thì khởi động càng nhanh. Cách nghĩ này cũng là nền tảng của mô hình lab.
"Ổn định" ở đây là theo nghĩa đen. Có khách hàng bắt đầu với chúng tôi từ dự án đầu tiên và nay đã cùng làm đến dự án thứ mười mấy. Tôi đã chứng kiến toàn bộ quá trình đó từ cùng một văn phòng. Khi họ ghé thăm văn phòng ở TP. Hồ Chí Minh, họ gặp lại những kỹ sư đã làm cùng mình trước đây, thậm chí cả đội cũ. Và trong phần lớn trường hợp, đội đó vẫn đang làm dự án cho họ.
Đó là triết lý của ARIS.
3. Dùng lại những gì đã có
Thiết kế giao diện, thành phần chức năng, quy trình test đã làm ở dự án trước được chuẩn hóa để dùng lại ở dự án sau. Với hệ thống quản lý doanh nghiệp, chúng tôi tận dụng nền tảng có sẵn như Odoo thay vì xây từ đầu.
4. Làm trọn gói từ ý tưởng đến vận hành
Khi cùng một đội đảm nhận từ phân tích, thiết kế, phát triển, test đến vận hành, không mất thời gian bàn giao giữa nhiều bên. Những vấn đề phát hiện khi vận hành cũng được đưa ngay vào cải tiến cho sản phẩm tiếp theo.
5. Ghi lại và chia sẻ kiến thức
Tài liệu thiết kế, quyết định quan trọng và bài học từ từng dự án được lưu lại, để kiến thức không phụ thuộc vào một người và có thể chuyển sang dự án mới.
Như đã nói ở trên, có những khách hàng cùng chúng tôi làm nhiều hệ thống nối tiếp nhau trong nhiều năm, từ lên ý tưởng đến vận hành. Điều làm được việc đó không phải công cụ đặc biệt nào, mà là cách tổ chức công việc.
AI và các quy định về AI, dữ liệu
Khi AI tạo sinh xuất hiện, chúng tôi không vội đưa vào mọi dự án. Chúng tôi bắt đầu bằng việc tìm hiểu, thử nghiệm nội bộ và tổ chức học hỏi về cách AI có thể hỗ trợ phát triển phần mềm.
Song song, chúng tôi theo dõi các quy định về AI và dữ liệu ở cả Nhật Bản và Việt Nam, vì khách hàng của chúng tôi ở Nhật, còn đội phát triển ở Việt Nam.
| Thời điểm | Diễn biến |
|---|---|
| 9/2025 | Nhật Bản: Luật thúc đẩy AI có hiệu lực toàn diện |
| 12/2025 | Nhật Bản: Kế hoạch cơ bản về AI được nội các thông qua (sửa đổi 7/2026) |
| 1/2026 | Việt Nam: Luật Bảo vệ dữ liệu cá nhân có hiệu lực |
| 3/2026 | Việt Nam: Luật Trí tuệ nhân tạo có hiệu lực |
| 5/2026 | Việt Nam: Nghị định hướng dẫn Luật Trí tuệ nhân tạo có hiệu lực |
Ngoài ra, Luật Bảo vệ thông tin cá nhân của Nhật vẫn là nền tảng khi xử lý dữ liệu của người dùng.
Cả hai nước đều hướng tới cùng một điều: thúc đẩy dùng AI, đồng thời bảo vệ con người và dữ liệu. Với tôi, những quy định này không phải rào cản, mà là "luật chơi" giúp khách hàng yên tâm khi giao việc có sử dụng AI. Về cách doanh nghiệp dùng AI và xử lý dữ liệu, bạn có thể đọc thêm bài so sánh AI cloud, AI local và AI hybrid.
Những điểm AI còn yếu, nơi con người phải kiểm soát
AI rất hữu ích, nhưng chưa hoàn hảo. Có những điểm mà nếu giao hết cho AI, dự án sẽ chậm hơn hoặc rủi ro hơn. Chúng tôi coi trọng việc con người chủ động kiểm soát sáu điểm sau:
- Hiểu đúng yêu cầu. AI không biết khách hàng thực sự cần gì. Quyết định "làm gì, không làm gì" vẫn là việc của BA, BrSE và khách hàng.
- Kiểm tra kết quả và chịu trách nhiệm cuối cùng. AI có thể tạo ra code hoặc tài liệu trông hợp lý nhưng sai. Mọi output đều được con người review, và chất lượng cùng quyết định cuối cùng thuộc về con người, dù dùng công cụ nào.
- Bảo mật. Code do AI tạo có thể chứa lỗ hổng. Review bảo mật và test vẫn là bắt buộc. Xem thêm cách chúng tôi quản lý chất lượng.
- Dữ liệu khách hàng. Chính sách của chúng tôi là không đưa thông tin mật hay dữ liệu cá nhân của khách vào dịch vụ AI bên ngoài khi chưa được phép.
- Quyền sở hữu. Chú ý giấy phép và quyền sở hữu đối với code, nội dung do AI tạo ra.
- Hệ thống lớn, lâu năm. Với hệ thống phức tạp, AI khó nắm hết bối cảnh. Kinh nghiệm của đội về hệ thống đó càng quan trọng.
Về vai trò của phát triển offshore trong thời đại AI, bạn có thể đọc thêm bài viết này.
Kết luận
"Cùng chi phí phát triển, làm được nhiều hơn" không bắt đầu từ AI. Nó bắt đầu từ triết lý làm việc: minh bạch, báo tín hiệu sớm, theo sát dự án, báo cáo kèm số liệu và đề xuất. Trên nền tảng đó là các cách làm cụ thể: yêu cầu rõ ràng, đội ổn định, dùng lại kiến thức, làm trọn gói đến vận hành. Chạy đúng trước, ổn định lâu dài, rồi mới tối ưu.
AI giúp chúng tôi đi nhanh hơn trên con đường đó, với điều kiện con người hiểu luật, bảo vệ dữ liệu và nắm chắc những điểm AI còn yếu.
Điều tôi nhìn vào mỗi ngày không phải là có dùng AI hay không, mà là cách tổ chức công việc đã vững từ trước khi dùng AI hay chưa.
Nếu công ty bạn đang có những sản phẩm phải xếp hàng chờ, hãy liên hệ tư vấn miễn phí. Chúng tôi sẽ cùng bạn xem nên bắt đầu từ đâu.
Tham khảo: Văn phòng Nội các Nhật Bản, "AI法 全面施行" (hiệu lực toàn diện 1/9/2025); Kế hoạch cơ bản về AI (nội các thông qua 23/12/2025, sửa đổi 14/7/2026); Luật Trí tuệ nhân tạo số 134/2025/QH15 (hiệu lực 1/3/2026); Nghị định 142/2026/NĐ-CP (hiệu lực 1/5/2026); Luật Bảo vệ dữ liệu cá nhân số 91/2025/QH15 (hiệu lực 1/1/2026).
