Claude Code: Người hiểu việc mới là người thắng — không phải người code giỏi nhất
Anthropic vừa công bố nghiên cứu phân tích gần 400.000 phiên Claude Code thực tế. Kết quả chỉ ra một điều ngược với suy nghĩ ban đầu của nhiều người: AI đang viết code ngày càng nhiều, nhưng kỹ năng tạo ra khác biệt không còn là "biết code tốt" — mà là "hiểu rõ bài toán cần giải quyết".
🔍 Những điểm chính của nghiên cứu
- Con người giữ khoảng 70% quyết định lập kế hoạch (làm gì, theo hướng nào); Claude giữ phần lớn quyết định triển khai (code ra sao, chạy lệnh nào).
- Người có chuyên môn cao trong lĩnh vực đang làm kéo được nhiều việc hơn từ AI sau mỗi câu lệnh — tới 2 lần so với người mới.
- Nghề nghiệp kỹ thuật không vượt trội quá xa so với các nghề khác nếu người dùng hiểu rõ bài toán của mình.
- Tỷ trọng phiên dành cho debug giảm gần một nửa trong 7 tháng; tăng mạnh ở vận hành, phân tích dữ liệu và viết tài liệu.
- Giá trị trung bình một tác vụ tăng khoảng 27% theo thời gian, tính theo mức giá freelance thị trường tương đương.
Vì sao nghiên cứu này đáng đọc
Điểm hay của nghiên cứu này là nó không nhìn vào benchmark học thuật. Thay vào đó, Anthropic nhìn vào việc thật ngoài đời: ai đang dùng Claude Code, họ dùng để làm gì, thành công tới mức nào và yếu tố nào kéo kết quả đi lên.
Trong bối cảnh nhiều đội ngũ đang bàn chuyện thay người viết code bằng AI, nghiên cứu này đưa ra một góc nhìn chín chắn hơn: AI có thể gánh rất nhiều phần triển khai, nhưng không tự thay thế được năng lực hiểu vấn đề, hiểu ràng buộc và ra quyết định đúng.
Claude Code đang được dùng để làm gì
Anthropic chia mỗi phiên làm việc vào một nhóm chính. Nhìn vào đó thấy rõ Claude Code không còn chỉ là công cụ sửa bug:
- Building: tạo mới tính năng, script, sản phẩm.
- Fixing: sửa lỗi, gỡ bug, xử lý vấn đề đang vướng.
- Testing / Orchestrating: viết test, phối hợp pipeline, gọi chuỗi tự động hóa.
- Operating: deploy, cấu hình hệ thống, vận hành môi trường.
- Understanding / Planning: đọc hệ thống cũ, hiểu kiến trúc, lên kế hoạch trước khi sửa.
- Analyzing / Communicating: phân tích dữ liệu, viết báo cáo, tạo tài liệu.
Ai quyết định cái gì: người hay AI
Một phát hiện rất dễ nhớ: người quyết định làm gì, Claude quyết định làm như thế nào. Con người đóng vai trưởng nhóm giao bài, AI nhận phần tay chân kỹ thuật ở mức ngày càng sâu hơn.
| Loại quyết định | Do con người | Do Claude |
|---|---|---|
| Lập kế hoạch (mục tiêu, hướng tiếp cận, tiêu chí xong việc) |
~70% | ~30% |
| Thực thi (chọn file, viết code, chạy lệnh, thứ tự làm) |
~20% | ~80% |
Một phiên điển hình có khoảng 4 lượt qua lại giữa người và Claude. Mỗi prompt kích hoạt khoảng 10 hành động từ phía Claude; một số phiên vượt quá 100 hành động.
Chuyên môn càng rõ, AI làm được càng nhiều
Anthropic đánh giá mức chuyên môn thể hiện trong phiên theo thang 5 mức, từ novice đến expert. Họ không nhìn vào chức danh mà nhìn vào cách người dùng mô tả yêu cầu, cách kiểm tra đầu ra và ai sửa ai trong cuộc trao đổi.
Điều này khá sát thực tế. Một quản lý tài chính không biết Python vẫn có thể là "expert" nếu họ hiểu rõ quy tắc đối soát, kiểm soát được edge case và biết kết quả nào mới dùng được.
| Mức độ | Biểu hiện | Số hành động Claude thực hiện/prompt |
|---|---|---|
| Novice | Yêu cầu chung chung, ít ràng buộc, ít phát hiện lỗi tinh tế | ~5 hành động ~600 từ đầu ra |
| Intermediate | Biết mục tiêu, biết điều kiện đạt, có thể kiểm tra và phản biện | ~8 hành động ~1.600 từ đầu ra |
| Expert | Hiểu sâu, nêu edge case, kiểm thử đúng chỗ, sửa hướng nhanh | ~12 hành động ~3.200 từ đầu ra |
Công việc đang dịch chuyển ra sao trong 7 tháng
Từ tháng 10/2025 đến tháng 4/2026, cơ cấu công việc trên Claude Code thay đổi rõ rệt:
- Tỷ trọng phiên sửa code hỏng (fixing) giảm từ 33% xuống 19%.
- Tỷ trọng phiên vận hành phần mềm (operating) tăng từ 14% lên 21%.
- Tỷ trọng phiên phân tích dữ liệu và viết tài liệu gần như tăng gấp đôi.
- Giá trị trung bình mỗi tác vụ tăng khoảng 27% tính theo mức giá freelance thị trường.
Tỷ lệ thành công khác nhau như thế nào
Anthropic đo thành công theo nhiều lớp — không chỉ cảm giác "có vẻ xong", mà còn tín hiệu xác minh như test pass, commit, pull request hoặc xác nhận rõ ràng.
- Phiên mức novice: xác suất thành công có xác minh khoảng 15%.
- Phiên từ mức intermediate trở lên: thành công có xác minh khoảng 28–33%.
- Tính cả partial success: novice ~77%, intermediate trở lên ~91–92%.
- Phiên gặp trục trặc mà thất bại hoàn toàn: novice ~19%, expert chỉ ~5–7%.
Nghề kỹ thuật có lợi thế lớn không
Một kết quả khá bất ngờ: ở các phiên tạo ra code, nghề phần mềm đạt verified success khoảng 34%, trong khi các nghề khác đạt khoảng 29%. Nếu tính partial success, hai nhóm gần như ngang nhau (~89% vs ~88%).
Nói cách khác, khi AI đã gánh phần triển khai, khoảng cách giữa "biết code chuyên nghiệp" và "hiểu rõ bài toán cần giải quyết" bắt đầu thu hẹp lại.
Workflow nên áp dụng khi làm việc với coding agent
Chốt bài toán trước khi chạm vào code
Viết rõ mục tiêu, đầu ra mong muốn, dữ liệu đầu vào, ràng buộc, edge case và định nghĩa "xong" là gì. Đây là bước quan trọng nhất.
Giao việc theo từng lớp — bối cảnh trước, chi tiết sau
Cho AI hiểu bức tranh lớn trước, rồi mới giao phần cụ thể. Tránh ném yêu cầu mơ hồ nhưng kỳ vọng kết quả đúng ngay.
Buộc AI tự kiểm tra đầu ra
Yêu cầu test, log, so sánh expected output, liệt kê giả định và nêu rõ chỗ chưa chắc chắn trước khi giao kết quả.
Đánh giá bằng tín hiệu xác minh, không phải cảm giác
Ưu tiên pass test, commit, diff rõ ràng, file đầu ra dùng được — thay vì "nhìn trông ổn". Đây là cách phân biệt partial success và verified success.
Sửa brief trước khi sửa AI
Nếu kết quả lệch, xem lại chính brief và tiêu chí done trước. Nhiều khi lỗi không nằm ở model mà ở cách giao việc.
Đóng gói thành playbook dùng lại
Phiên làm tốt nên được biến thành template prompt, checklist review và workflow chuẩn để cả team cùng nhân rộng.
Tóm lại: bản chất của câu chuyện này là gì
Bản chất không phải "AI thay người code". Bản chất là công việc đang được tái chia lại: máy nhận thêm phần thi công, còn con người được đẩy mạnh hơn vào phần ra đề, đặt chuẩn, kiểm tra và chọn hướng.
Nói theo cách gần gũi: trước đây anh phải tự cầm cuốc đào đất. Bây giờ anh có máy xúc. Nhưng nếu anh không biết mảnh đất nào cần đào, đào tới đâu, và đào để làm gì — thì có máy mạnh mấy cũng chỉ làm nhanh cái sai.
Với những ai đang làm marketing, tài chính, vận hành hay sản phẩm: người thắng không phải người chat nhiều với AI nhất, mà là người biết chuyển bài toán công việc thành brief đủ rõ để AI làm phần nặng.
Nguồn: Agentic coding and persistent returns to expertise — Anthropic Research, 16/06/2026.
Tác giả: Zoe Hitzig, Maxim Massenkoff, Eva Lyubich, Shaoyi Zhang, Ryan Heller, Peter McCrory.
