Điểm nổi bật
- Độ mới: item được đưa lên HN khoảng 20 phút trước thời điểm quét.
- Cấu hình làm việc: tác giả vận hành tối đa khoảng 3 session agent song song để vẫn giữ khả năng review.
- Use case chính: thêm tính năng, triage CI, triage PR và học công nghệ mới.
- Nguyên tắc cứng: không push code chưa đọc, không coi output đầu tiên là sản phẩm hoàn chỉnh.
- Tín hiệu xu hướng: AI coding đang dịch từ “viết code nhanh” sang “nâng throughput của maintainer có kiểm soát”.
Biểu đồ
Tóm tắt
Bài “How I use AI in 2026” đáng chú ý vì nó không nói về phép màu, mà mô tả rất thực dụng cách một kỹ sư đang tích hợp AI vào công việc hàng ngày. Giá trị lớn nhất của bài không phải là công cụ cụ thể nào thắng, mà là mô hình quản trị: cho agent làm nhiều hơn, nhưng siết chặt review, kiểm chứng và giới hạn song song ở mức con người còn theo kịp.
Đây là kiểu nội dung thường báo hiệu một pha trưởng thành của thị trường. Khi người dùng giỏi bắt đầu chia sẻ workflow ít màu mè, thị trường sẽ dần đo giá trị AI bằng giảm ma sát vận hành và tăng throughput bảo trì, thay vì chỉ đo bằng số dòng code sinh ra.
Chi tiết
Bài viết của Fedepaol có sức nặng vì nó xuất phát từ trải nghiệm trên các dự án thực có người dùng và có review process thật, chứ không phải sandbox cá nhân. Tác giả mô tả một thiết lập làm việc trong đó Claude Code được chạy trong VM để tăng cô lập, giữ tối đa khoảng ba session song song và luôn đặt review của con người ở cuối chuỗi. Chi tiết này quan trọng vì nó phản bác một ảo tưởng phổ biến trong thị trường AI coding: rằng chỉ cần tăng số agent lên mãi là năng suất sẽ tuyến tính tăng theo. Thực tế, nút thắt chuyển sang băng thông nhận thức của người phụ trách.
Điểm đáng chú ý tiếp theo là cách tác giả dùng AI không chỉ để sinh mã mới mà để xử lý các việc “ma sát cao nhưng giá trị thật”: triage lỗi CI, tải và tổng hợp artifact, phân loại PR, gom các review comment lặp lại để biến thành lint rule hoặc rule cho reviewer bot. Đây chính là vùng đất mà AI tạo giá trị rõ nhất cho tổ chức kỹ thuật: giảm thời gian đọc log, giảm công việc lặp, tăng tốc vào ngữ cảnh và biến kinh nghiệm maintainer thành quy tắc có thể tái sử dụng.
Nhưng bài viết cũng đưa ra ranh giới rất rõ. Tác giả nói thẳng rằng đẩy code chưa đọc cho reviewer là không công bằng, và output ban đầu của agent gần như không bao giờ là sản phẩm cuối cùng. Nhận định này có ý nghĩa chiến lược cho doanh nghiệp đang cân nhắc tự động hóa mạnh hơn. AI có thể tăng sản lượng artifact, nhưng nếu không có lớp kiểm duyệt tương xứng thì tổ chức chỉ chuyển tải từ “thiếu code” sang “thừa code cần đọc”. Nghĩa là throughput tổng thể có thể vẫn nghẽn ở review và CI.
Từ góc nhìn quản trị đội ngũ, bài này phản ánh một chuẩn mới đang hình thành: spec tốt hơn, nhiều agent hơn, nhưng trách nhiệm kỹ thuật không biến mất. Người giỏi dùng AI hiệu quả không phải người giao hết cho model; họ là người biết đoạn nào nên giao, đoạn nào nên ràng buộc bằng spec, đoạn nào phải tự đọc và đoạn nào nên biến thành automation lâu dài. Đây là tín hiệu đáng theo dõi vì nó cho thấy competitive edge trong AI coding sẽ không nằm đơn thuần ở model, mà ở kỷ luật quy trình quanh model.