Công ty chi cho AI coding tool từ vài trăm đến vài nghìn đô mỗi kỹ sư mỗi năm. Khoản đó hợp lý nếu nó làm tăng sản lượng kỹ thuật thật. Dưới đây là con số công khai: giá seat hiện tại, mức tăng năng suất đo được trong thực nghiệm, và phần chi phí không nằm trên hoá đơn.
Giá một seat, tính theo năm
- GitHub Copilot: Business 19 USD/người/tháng, Enterprise 39 USD — 228–468 USD/năm/người (billing docs).
- Cursor: Teams Standard 40 USD/người/tháng, Premium 120 USD (trả theo năm còn 32 và 96 USD) — 384–1.440 USD/năm/người; gói cá nhân cao nhất 200 USD/tháng (cursor.com/pricing).
- Claude Code: Team Standard 20–25 USD/người/tháng, Premium 100–125 USD; gói Max 20x 200 USD/tháng (claude.com/pricing).
- Chưa kể credit hoặc API vượt hạn mức. Một đội 10 người ở mức premium là khoảng 1.200 USD/tháng, tức gần 14.400 USD/năm — cộng thêm phần vượt hạn mức dùng.
Khoản đó mua được gì, đo thật
- DORA 2025, gần 5.000 người trả lời: trên 80% nói AI tăng năng suất, 59% thấy chất lượng code tốt lên, nhưng 30% chưa thật sự tin đầu ra của AI (dora.dev).
- Khảo sát Black Duck công bố 7/2026: 97% đội đã dùng trợ lý AI, 92% báo năng suất và tốc độ release tăng (58% nói tăng rõ), mỗi lập trình viên tiết kiệm trung bình 8 giờ mỗi tuần, 53% tăng khối lượng code trên 25% (tổng hợp của DEVOPSdigest).
- Thực nghiệm ngẫu nhiên của Google trên 96 kỹ sư toàn thời gian: nhanh hơn khoảng 21% cho một task doanh nghiệp đã định nghĩa rõ (arXiv 2410.12944).
- Thực nghiệm ngẫu nhiên của METR trên lập trình viên open-source có kinh nghiệm: chậm hơn 19% khi được dùng AI, trong khi chính họ tin là nhanh hơn 20% (METR, 7/2025). Bản cập nhật 2/2026: nhóm quay lại đo được nhanh hơn 18%, nhưng khoảng tin cậy vẫn cắt qua 0 và METR tự nói dữ liệu bị thiên lệch vì nhiều người từ chối làm việc không có AI (cập nhật).
- Khảo sát 5/2026 của METR trên 349 người làm kỹ thuật: tự báo mức tăng giá trị công việc 1,4–2 lần, nhưng chính METR khuyến cáo không nên tin con số tự báo (METR).
Chi phí thật nằm ở khâu sau khi code được sinh ra
- Gần 90% đội gặp vấn đề với code do AI sinh, nghẽn tập trung ở review thủ công (52%), kiểm thử bảo mật (51%) và sửa lại code (48%).
- 68% nói cần một hệ thống tự động theo dõi code do AI sinh; chỉ 30% có governance đầy đủ cho việc này.
- Đội có governance đầy đủ có xác suất báo cải thiện hiệu quả lớn cao hơn 55% — nên đây không phải thủ tục hành chính mà là bội số của ROI.
- Stack Overflow 2025: 84% lập trình viên dùng AI, nhưng 46% không tin độ chính xác của đầu ra so với 33% tin, và chỉ khoảng 3% tin ở mức cao (khảo sát).
Vậy đánh giá kỹ sư theo cái gì
Nếu điểm nghẽn đã dịch từ khâu viết sang khâu kiểm, thì thước đo phải dịch theo. Số dòng code giờ là đầu vào mua được theo token, không còn là tín hiệu giá trị. Cái đo được nằm ở hạ nguồn: bao nhiêu phần code sinh ra qua review mà không phải sửa lại, thời gian review mất bao lâu, lỗi nào lọt tới production, và từ lúc yêu cầu tới lúc thay đổi đầu tiên chạy được là bao lâu.
- Tỷ lệ code qua review không phải viết lại — thước đo trực tiếp chất lượng phán đoán khi dùng AI.
- Thời gian review và số vòng sửa mỗi thay đổi, không phải số thay đổi.
- Lỗi lọt ra production, tách theo loại: sai logic, sai ngưỡng, sai bảo mật.
- Số quyết định kỹ thuật giải thích được bằng văn bản: chọn đưa gì vào prompt, chọn tin hay không tin đầu ra, và nhận kết quả khi nó lên production.
Đánh giá dịch chuyển từ viết được bao nhiêu dòng sang phán đoán đúng ở đâu và chịu trách nhiệm đến hết. Đây cũng là cùng một nguyên tắc như trong Đo thật Jev, laya và một LLM: model chỉ nên là lớp chính sách, ngưỡng và phán đoán phải nằm ở code và ở người.