From Vibe Coding to Agentic Engineering
Từ Vibe Coding đến Agentic Engineering: vài suy nghĩ sau chia sẻ của Andrej Karpathy
Có một câu của Andrej Karpathy khiến mình suy nghĩ khá nhiều trong video mới nhất tại AI Ascent 2026:
“I’ve never felt more behind as a programmer.”
Điều thú vị là câu này không đến từ một người mới bước vào ngành, mà đến từ một người từng đồng sáng lập OpenAI, từng dẫn dắt AI tại Tesla, và là một trong những người giải thích AI rõ ràng nhất hiện nay.
Với mình, câu nói này phản ánh rất đúng cảm giác của nhiều người trong ngành tech hiện tại:
không phải vì chúng ta kém đi, mà vì tốc độ thay đổi của công cụ, workflow và cách xây dựng phần mềm đang tăng lên quá nhanh.
Trước đây, khi nói về AI trong software development, nhiều người thường nhìn nó như một công cụ hỗ trợ viết code nhanh hơn. Nhưng sau chia sẻ của Andrej, mình nghĩ vấn đề lớn hơn rất nhiều.
AI không chỉ đang giúp chúng ta viết code.
AI đang thay đổi cách chúng ta nghĩ về software, product, workflow, team capability, và cả vai trò của con người trong quá trình tạo ra sản phẩm.
1. Software 3.0: Khi prompt và context trở thành một dạng “programming”
Andrej nhắc lại một framework rất hay:
Software 1.0: con người viết code bằng rules rõ ràng.
Software 2.0: con người tạo dataset, objective, architecture để train neural network.
Software 3.0: con người dùng prompt, context, documents, images, instructions để điều khiển LLM như một “interpreter”.
Điểm này rất quan trọng.
Trong Software 1.0, nếu muốn máy làm gì, ta phải mô tả bằng code rất cụ thể.
Trong Software 3.0, ta không chỉ viết code nữa, mà thiết kế context để AI hiểu mục tiêu, môi trường, constraint và tự thực hiện một phần công việc.
Từ góc nhìn Product, đây là một sự thay đổi lớn.
Vì nếu context là “program”, thì những thứ trước đây ta xem là tài liệu phụ trợ — requirement, user story, acceptance criteria, business rule, system architecture, test case, workflow diagram — bây giờ trở thành input trực tiếp để AI thực thi công việc.
Nói cách khác:
Tài liệu không còn chỉ để con người đọc.
Tài liệu tốt sẽ trở thành “operating context” cho AI agents.
Vì vậy, trong tương lai gần, kỹ năng viết requirement rõ ràng, cấu trúc hóa knowledge base, mô tả business logic, thiết kế flow và constraint có thể còn quan trọng hơn trước.
Không phải vì AI thay thế chúng ta, mà vì AI làm cho chất lượng đầu vào trở nên quan trọng hơn nhiều.
2. Vibe Coding nâng “floor”, nhưng Agentic Engineering mới giữ được “quality bar”
Một insight rất đáng chú ý là cách Andrej phân biệt vibe coding và agentic engineering.
Theo ông, vibe coding giúp nâng “floor”. Nghĩa là nhiều người hơn có thể tạo phần mềm, prototype, side project, landing page, app nhỏ mà trước đây họ không đủ khả năng kỹ thuật để làm.
Điều này rất mạnh. Nó làm giảm rào cản gia nhập.
Nhưng trong môi trường professional software, chỉ làm ra được là chưa đủ.
Một sản phẩm thật cần:
Security
Maintainability
Architecture
Performance
Data consistency
Error handling
Scalability
Compliance
Testability
Long-term product thinking
Đây là lý do Andrej dùng khái niệm Agentic Engineering.
Vibe coding là “tạo ra được”.
Agentic Engineering là “tạo ra đúng, an toàn, có thể vận hành, có thể scale, và không phá quality bar”.
Mình nghĩ đây là một distinction rất quan trọng cho các team phần mềm.
Trong vài năm tới, team nào chỉ dùng AI để “generate code nhanh hơn” sẽ chỉ đạt được productivity ngắn hạn. Nhưng team nào biết thiết kế quy trình làm việc với agents — từ requirement, spec, implementation, review, testing, deployment, monitoring — mới thật sự tạo ra lợi thế.
AI không tự động biến một team yếu thành team mạnh.
Nó khuếch đại cách làm việc hiện có.
Nếu team thiếu architecture, thiếu review, thiếu test, thiếu ownership — AI có thể giúp tạo ra nhiều code hơn, nhưng cũng tạo ra nhiều rủi ro hơn.
3. AI rất mạnh, nhưng không đều: bài học về “jagged intelligence”
Một điểm mình rất thích trong chia sẻ của Andrej là khái niệm jagged intelligence.
AI hiện tại có thể rất giỏi ở một số vùng: coding, math, refactoring, reasoning trên cấu trúc rõ ràng, security analysis. Nhưng cùng lúc đó, nó vẫn có thể sai ở những câu rất đời thường hoặc những tình huống cần common sense.
Đây là điều mình nghĩ nhiều người dễ hiểu sai.
Khi thấy AI làm được một việc rất khó, ta dễ mặc định rằng nó cũng sẽ làm tốt những việc đơn giản hơn. Nhưng thực tế không hẳn như vậy.
AI không mạnh theo đường thẳng.
Nó mạnh theo từng “vùng năng lực”.
Andrej giải thích rằng AI thường tiến bộ nhanh ở các domain có verifiability cao — tức là output có thể kiểm chứng được. Ví dụ:
Code chạy được hoặc không.
Test pass hoặc fail.
Bài toán đúng hoặc sai.
Security exploit thành công hoặc không.
Data transformation có match expected output hay không.
Những domain càng dễ verify, AI càng dễ được train, reward và cải thiện.
Nhưng những domain mơ hồ hơn — taste, judgment, product sense, business context, stakeholder expectation, UX nuance — thì AI vẫn cần con người định hướng rất nhiều.
Insight ở đây là:
Đừng hỏi “AI có làm được việc này không?”
Hãy hỏi “Việc này có thể được kiểm chứng rõ ràng đến mức nào?”
Nếu một công việc có thể chuyển thành input/output rõ ràng, có test case, có evaluation loop, có feedback signal — khả năng cao AI sẽ tiến rất nhanh ở đó.
4. Founder và Product team nên nghĩ về verifiable workflow
Từ góc nhìn xây sản phẩm, mình thấy khái niệm verifiability đặc biệt quan trọng.
Nếu muốn ứng dụng AI vào một domain, câu hỏi không nên chỉ là:
“Có dùng AI được không?”
Mà nên là:
“Làm sao biến domain này thành một workflow có thể kiểm chứng?”
Ví dụ trong software project:
Requirement có rõ acceptance criteria không?
Output của AI có thể test bằng unit test / integration test không?
UI có thể so sánh với design spec không?
Business rule có expected case và edge case không?
Bug fix có reproduction steps không?
Decision của AI có audit trail không?
Review có rubric không?
Nếu không có hệ thống kiểm chứng, AI output sẽ trở thành một dạng “trông có vẻ đúng”.
Và “trông có vẻ đúng” là một trong những rủi ro lớn nhất khi dùng AI trong môi trường chuyên nghiệp.
Với founder hoặc product team, lợi thế không chỉ nằm ở việc dùng model nào.
Lợi thế nằm ở việc thiết kế được data, workflow, feedback loop và evaluation system cho domain của mình.
AI model là nền tảng.
Nhưng workflow kiểm chứng mới là nơi tạo ra moat.
5. Con người không biến mất, nhưng vai trò sẽ dịch chuyển lên tầng cao hơn
Một phần rất hay trong video là khi Andrej nói agents hiện tại giống như những “intern entities”.
Chúng nhớ tốt, làm nhanh, xử lý được nhiều chi tiết API, syntax, framework, thư viện. Nhưng chúng vẫn có thể mắc những lỗi rất kỳ lạ ở tầng thiết kế.
Ví dụ ông kể agent từng cố match Google account và Stripe account bằng email, thay vì dùng persistent user ID. Với một engineer có kinh nghiệm, đây là lỗi rất cơ bản về data modeling. Nhưng với agent, nếu spec không rõ, nó vẫn có thể chọn cách làm sai.
Điều này cho thấy con người vẫn phải giữ vai trò ở tầng:
Problem framing
System design
Product judgment
Business logic
Data model
Security thinking
Taste
Oversight
Decision-making
Chi tiết API có thể giao dần cho AI.
Nhưng understanding thì chưa thể outsource hoàn toàn.
Đây cũng là lý do câu cuối video rất đáng nhớ:
“You can outsource your thinking, but you can’t outsource your understanding.”
Mình hiểu câu này như sau:
AI có thể giúp ta suy nghĩ nhanh hơn, viết nhanh hơn, tổng hợp nhanh hơn, generate nhiều phương án hơn. Nhưng nếu bản thân ta không hiểu vấn đề, không biết mình đang xây gì, không biết đâu là đúng, sai, tốt, xấu, thì ta cũng không thể điều phối AI hiệu quả.
Người dùng AI giỏi không phải là người prompt màu mè nhất.
Mà là người có đủ understanding để biết cần hỏi gì, kiểm tra gì, loại bỏ gì, giữ lại gì, và nâng output lên thành sản phẩm thật.
6. Tài liệu, system, và infrastructure cần trở nên agent-native
Một ý nữa rất đáng chú ý: Andrej nói hầu hết tài liệu và hạ tầng hiện nay vẫn được viết cho con người, chưa phải cho agents.
Docs hiện tại thường nói:
“Vào URL này, click chỗ này, config DNS, chọn setting này…”
Nhưng trong thế giới agent-native, câu hỏi sẽ là:
“Đoạn context nào mình cần đưa cho agent để nó tự làm việc này?”
Đây là một thay đổi rất lớn trong cách thiết kế documentation, internal tools và infrastructure.
Mình nghĩ các team phần mềm trong tương lai sẽ cần xây:
Agent-readable documentation
Structured knowledge base
Clear API contracts
Machine-readable requirement
Testable acceptance criteria
Workflow automation
Permission boundary cho agents
Audit logs cho agent actions
Review mechanism giữa human và AI
Team nào có knowledge base lộn xộn, tài liệu rời rạc, requirement mơ hồ, process không rõ — sẽ rất khó tận dụng AI agents ở mức cao.
Ngược lại, team nào có hệ thống hóa tốt sẽ thấy AI agents trở thành multiplier rất mạnh.
7. Điều đáng học không phải chỉ là tool, mà là cách làm việc mới
Sau video này, mình nghĩ có một lỗi phổ biến mà nhiều người sẽ mắc: chạy theo tool.
Claude Code, Codex, Cursor, OpenHands, Devin-like agents, workflow automation… tất cả đều hữu ích. Nhưng tool sẽ thay đổi rất nhanh.
Thứ đáng học sâu hơn là:
Cách chia bài toán cho AI
Cách viết spec
Cách thiết kế context
Cách verify output
Cách review AI-generated work
Cách xây feedback loop
Cách giữ quality bar
Cách kết hợp human judgment và agent execution
Nói cách khác, AI không chỉ yêu cầu ta học thêm tool.
AI yêu cầu ta nâng cấp cách làm việc.
Một người làm PM/BA/Product/Engineering Manager trong thời đại này không nhất thiết phải tự code mọi thứ. Nhưng cần hiểu đủ về system, logic, data, constraint và quality để điều phối cả con người lẫn AI agents.
Kết luận
Điều mình rút ra từ chia sẻ của Andrej Karpathy là:
AI không chỉ làm phần mềm nhanh hơn.
AI đang thay đổi định nghĩa của việc “xây phần mềm”.
Từ code-centric, chúng ta đang đi sang context-centric.
Từ manual execution, chúng ta đi sang agentic workflow.
Từ “biết syntax” sang “biết thiết kế spec, system và verification”.
Từ “làm được” sang “làm đúng mà không hy sinh quality”.
Vibe coding giúp nhiều người bước vào thế giới software hơn.
Nhưng Agentic Engineering mới là năng lực giúp team chuyên nghiệp đi nhanh mà vẫn giữ được chất lượng.
Và trong một thế giới mà intelligence ngày càng rẻ, thứ còn lại tạo khác biệt có lẽ không phải là khả năng biết mọi cú pháp hay nhớ mọi API.
Mà là understanding.
Hiểu vấn đề.
Hiểu người dùng.
Hiểu hệ thống.
Hiểu trade-off.
Hiểu quality.
Hiểu điều gì đáng làm và vì sao nó đáng làm.
Vì cuối cùng, AI có thể giúp ta suy nghĩ nhanh hơn.
Nhưng nếu không có understanding, ta sẽ không biết nên hướng suy nghĩ đó đi đâu.
Key takeaways
Tháng 12/2025 không còn chỉ là một làn sóng hype về AI nữa. Đây là thời điểm các agentic workflows thật sự vượt qua một ngưỡng quan trọng và bắt đầu trở nên đủ ổn định để ứng dụng thực tế.
Software 3.0 đồng nghĩa với việc context window trở thành đòn bẩy quan trọng nhất. “Code” giờ đây không còn chỉ là source code, mà chính là prompt, instructions và context mà chúng ta thiết kế cho AI.
Vibe coding giúp nâng floor — nhiều người hơn có thể tạo ra sản phẩm nhanh chóng. Nhưng agentic engineering mới là thứ nâng ceiling — xây hệ thống tốt, nhanh, mà vẫn giữ được quality bar.
AI không thông minh đồng đều. Nó mạnh theo từng jagged intelligence. Điều quan trọng là phải hiểu đâu là phần AI làm rất tốt, và đâu là phần vẫn cần con người kiểm soát và đưa ra judgment.
Chúng ta có thể giao cho AI phần execution, nhưng không thể outsource understanding. Điểm nghẽn lớn nhất giờ không còn là tốc độ viết code, mà là taste, judgment và khả năng nhận ra thế nào là “đủ tốt”.
Hãy bắt đầu xây dựng system cho agents, không chỉ cho con người. Infrastructure của vài năm tới sẽ dần được thiết kế để AI có thể đọc, hiểu, điều hướng và tự vận hành hiệu quả.