Hai năm sau khi các công cụ lập trình AI trở nên phổ biến, một hiện tượng bắt đầu lộ diện: ở một số nhóm, số lượng commit code tăng gấp đôi, nhưng việc giao sản phẩm không nhanh hơn, còn lỗi thì lại nhiều hơn.
TechCrunch gần đây đã đưa tin về một thuật ngữ: Tokenmaxxing. Ý chỉ việc các lập trình viên bắt đầu coi hạn mức token của các công cụ AI như một tín hiệu về đẳng cấp – ai có hạn mức token càng lớn, người đó càng được cho là năng suất. Nhưng dữ liệu lại kể một câu chuyện khác.
Token càng nhiều, code bị xóa càng nhanh
Trước hết hãy nhìn vào các con số:
- GitClear, tháng 1 năm 2026: Các lập trình viên sử dụng công cụ AI có tỷ lệ churn code (lượng xóa/sửa so với lượng thêm mới) cao gấp 9,4 lần so với đồng nghiệp không dùng AI.
- Faros AI, tháng 3 năm 2026: Phân tích dữ liệu khách hàng trong hai năm cho thấy, ở mức độ áp dụng AI cao, churn code đã tăng 861%.
- Jellyfish, quý 1 năm 2026: Các kỹ sư có hạn mức token lớn nhất có thông lượng gấp đôi người thường, nhưng chi phí lại cao gấp 10 lần.
Điều này không có nghĩa là các công cụ AI vô dụng. Mà là, phần lớn lượng code được tính vào "gia tăng năng suất" thực ra không tồn tại được quá vài tuần.
Sự thật đằng sau tỷ lệ chấp nhận 80%
Trung bình, các kỹ sư chấp nhận 80%–90% code do AI tạo ra. Con số này trông có vẻ cao và được nhiều công ty coi là chỉ số cốt lõi của "ROI từ AI".
Tuy nhiên, Alex Circei, CEO của Waydev, đã theo dõi và phân tích dữ liệu từ hơn 50 doanh nghiệp với hơn 10.000 kỹ sư và phát hiện ra một quy luật:
Tỷ lệ chấp nhận ban đầu là 80–90%, nhưng vài tuần sau nhìn lại, lượng code thực sự được giữ lại chỉ còn 10–30%.
Nói cách khác, việc kỹ sư nhấn "chấp nhận" không có nghĩa là đoạn code đó thực sự hữu ích. Một lượng lớn code do AI tạo ra đã bị âm thầm xóa bỏ hoặc viết lại trong các vòng lặp tiếp theo – những hành động xóa này sẽ không được thống kê vào báo cáo "AI đã giúp tôi tiết kiệm bao nhiêu thời gian".
Khi hạn mức token trở thành KPI
Sự xuất hiện của thuật ngữ Tokenmaxxing cho thấy một điều: việc áp dụng các công cụ AI đã chuyển từ vấn đề kỹ thuật thành vấn đề quản lý tổ chức.
Khi các nhóm kỹ thuật bắt đầu coi "lượng token AI tiêu thụ hàng tháng" là chỉ số hiệu suất, vấn đề nảy sinh. Các kỹ sư bắt đầu chủ động dùng AI để tạo ra lượng lớn code nhằm thể hiện khối lượng công việc, thay vì đánh giá một cách nghiêm túc xem đoạn code nào thực sự nên để AI viết.
Atlassian đã chi 1 tỷ USD để mua lại nền tảng phân tích dành cho lập trình viên DX, chính vì nhận thấy xu hướng này – các doanh nghiệp cần công cụ để hiểu rõ ROI thực sự từ đầu tư AI, thay vì tự lừa dối bản thân bằng lượng token tiêu thụ.
Nút thắt năng suất đã chuyển dịch
Các công cụ lập trình AI thực sự hữu ích. Một nghiên cứu của McKinsey vào tháng 2 năm 2026 cho thấy, các công cụ AI đã rút ngắn thời gian thực hiện các tác vụ coding thông thường trung bình 46%.
Nhưng thời gian được rút ngắn là thời gian "viết", chứ không phải thời gian "sửa" và "xóa".
Dữ liệu từ Jellyfish cho thấy, các kỹ sư dành 11,4 giờ mỗi tuần để xem xét code do AI tạo ra, trong khi chỉ dành 9,8 giờ để viết code mới – tỷ lệ này vào năm 2024 là ngược lại.
Việc tạo code trở nên nhanh hơn, và việc xem xét code đã trở thành nút thắt mới. Coi tốc độ là chất lượng, đó là sai lầm cốt lõi nhất của Tokenmaxxing.
Nguồn tham khảo: CocoLoop, 'Tokenmaxxing' is making developers less productive than they think (TechCrunch)