Chi phí ẩn trong ứng dụng trí tuệ nhân tạo trong phát triển phần mềm: Tổng quan hệ thống và khung khái niệm

ThS. Nguyễn Văn Sang

Trường Đại học FPT; Email: [email protected]

PGS, TS. Đỗ Quang Hưng (Tác giả liên hệ)

Học viện Công nghệ Bưu chính Viễn thông; Email: [email protected]

Tóm tắt

Việc triển khai trí tuệ nhân tạo tạo sinh và các mô hình ngôn ngữ lớn vào quy trình phát triển phần mềm đã trở thành xu thế quản trị chiến lược nhằm tối ưu hóa năng suất. Mặc dù vậy, các bằng chứng thực nghiệm cho thấy sự gia tăng năng suất tác nghiệp ở cấp độ cá nhân không tự động chuyển hóa thành hiệu quả chi phí ở cấp độ tổ chức do sự phát sinh của các chi phí ẩn. Bằng phương pháp tổng quan tài liệu có hệ thống (SLR) giai đoạn 2020-2026, nghiên cứu này hệ thống hóa 7 nhóm chi phí ẩn cốt lõi: Thẩm định mã nguồn, Sai hỏng và làm lại, An toàn thông tin, Nợ kỹ thuật tích lũy, Bảo trì và giấu chi phí, Suy giảm vốn nhân lực, cùng Chi phí quản trị và điều phối. Trên cơ sở đó, nghiên cứu làm rõ các cơ chế khiến chi phí bị che khuất, xây dựng định nghĩa vận hành về chi phí ẩn và đóng góp khung lý thuyết giúp giải thích hiện tượng chi phí ẩn trong quản trị doanh nghiệp công nghệ.

Từ khóa: Chi phí ẩn, kế toán quản trị, trí tuệ nhân tạo tạo sinh, phát triển phần mềm, nợ kỹ thuật

Abstract

The adoption of generative artificial intelligence and large language models in software development processes has become a strategic management trend to optimize productivity. Nevertheless, empirical evidence shows that increased operational productivity at the individual level does not automatically translate into cost efficiency at the organizational level due to the emergence of hidden costs. Using a systematic literature review (SLR) covering the 2020-2026 period, this study identifies and systematizes seven core categories of hidden costs: code review, defects and rework, information security, accumulated technical debt, maintenance and concealed costs, human capital erosion, and management and coordination costs. On this basis, the study clarifies the mechanisms by which costs remain concealed, develops an operational definition of hidden costs, and contributes a theoretical framework for explaining this phenomenon in the management of technology enterprises.

Keywords: Hidden costs, management accounting, generative artificial intelligence, software development, technical debt

ĐẶT VẤN ĐỀ

Sự xuất hiện của các mô hình ngôn ngữ lớn có năng lực sinh mã đã tạo ra một bước ngoặt trong phát triển phần mềm. Từ năm 2023, các trợ lý lập trình như GitHub Copilot, Cursor, Claude Code, Gemini Code Assist hay Amazon Q Developer đã chuyển từ vị thế công cụ thử nghiệm sang hạ tầng làm việc thường nhật của lập trình viên. Qua khảo sát gần 5.000 chuyên gia công nghệ, ghi nhận khoảng 90% người trả lời sử dụng AI trong công việc hằng ngày, với thời lượng tương tác trung bình khoảng 2 giờ mỗi ngày, tương đương 1/4 ngày làm việc (DORA, 2025). Khảo sát với hơn 49.000 lập trình viên cũng cho thấy 84% người trả lời đang sử dụng hoặc dự định sử dụng công cụ AI trong quy trình làm việc (Stack Overflow, 2025).

Động lực chính của làn sóng ứng dụng này là kỳ vọng về cải thiện năng suất. Kỳ vọng đó không phải không có cơ sở thực nghiệm. Thí nghiệm có đối chứng ngẫu nhiên của Peng và cộng sự (2023) trên 95 lập trình viên chuyên nghiệp cho thấy, nhóm sử dụng GitHub Copilot hoàn thành nhiệm vụ xây dựng một máy chủ HTTP nhanh hơn 55,8% so với nhóm đối chứng. Cui và cộng sự (2024), khi tổng hợp 3 thí nghiệm hiện trường tại Microsoft, Accenture và một doanh nghiệp lớn khác với tổng cộng 4.867 lập trình viên, ghi nhận mức tăng khoảng 26% số nhiệm vụ hoàn thành. Những con số này đã nhanh chóng trở thành cơ sở cho các luận điểm về tiết kiệm chi phí lao động trong hoạch định ngân sách công nghệ thông tin.

Vấn đề đặt ra là các bằng chứng nói trên chủ yếu đo lường năng suất ở cấp độ cá nhân và ở phạm vi nhiệm vụ đơn lẻ, trong khi quyết định đầu tư lại được thực hiện ở cấp độ tổ chức và trên toàn vòng đời sản phẩm. Khoảng cách giữa 2 cấp độ này là nơi phát sinh vấn đề trung tâm của nghiên cứu này: “nhanh hơn” không đồng nghĩa với “rẻ hơn”.

Bốn nhóm bằng chứng thực nghiệm sau đây cho thấy khoảng cách giữa năng suất tác nghiệp và hiệu quả chi phí ở cấp độ tổ chức. Thứ nhất, thí nghiệm có đối chứng ngẫu nhiên của Becker và cộng sự (2025) trên 16 lập trình viên giàu kinh nghiệm thực hiện 246 nhiệm vụ thực tế trong các kho mã nguồn mở trưởng thành cho thấy khi được phép dùng AI, thời gian hoàn thành nhiệm vụ tăng 19%. Ngoài mức độ của hiệu ứng, nghiên cứu còn cho thấy độ lệch nhận thức: trước thí nghiệm, các lập trình viên dự báo AI sẽ giúp họ nhanh hơn 24%; sau khi đã trực tiếp trải nghiệm sự chậm lại, họ vẫn ước tính mình đã nhanh hơn 20%.

Thứ hai, bằng chứng chuẩn thực nghiệm ở cấp dự án cho thấy lợi ích về tốc độ có xu hướng xuất hiện trong ngắn hạn, trong khi các chi phí liên quan đến chất lượng có thể tích lũy và kéo dài trong các giai đoạn tiếp theo của vòng đời phần mềm. He và cộng sự (2025) sử dụng thiết kế khác biệt kép so sánh 807 kho mã nguồn mở áp dụng Cursor với 1.380 kho đối chứng. Kết quả cho thấy, tốc độ phát triển tăng vọt 3-5 lần về số dòng bổ sung trong tháng đầu tiên nhưng lợi ích này tan biến sau khoảng 2 tháng; trong khi đó, số cảnh báo phân tích tĩnh tăng khoảng 30% và độ phức tạp mã tăng khoảng 41% một cách bền vững.

Thứ ba, dữ liệu đo lường từ xa ở quy mô lớn cho thấy lợi ích cục bộ không lan tỏa thành hiệu quả toàn hệ thống. Phân tích trên hơn 10.000 lập trình viên ghi nhận “nghịch lý năng suất AI”: số nhiệm vụ hoàn thành tăng 21% và số pull request (yêu cầu kéo) được hợp nhất tăng 98%, nhưng các chỉ số giao hàng ở cấp tổ chức gần như không cải thiện; đợt phân tích mở rộng trên 22.000 lập trình viên còn cho thấy thời gian trung vị nằm trong hàng đợi rà soát pull request tăng 441%, kích thước pull request tăng 51,3%, số lỗi trên mỗi lập trình viên tăng 54% và số sự cố trên mỗi pull request tăng 242,7% (Faros.ai, 2026).

Thứ tư, khảo sát toàn ngành xác nhận rằng, mối quan hệ giữa mức độ ứng dụng AI và tính ổn định của quá trình giao hàng phần mềm vẫn là quan hệ nghịch, ngay cả khi quan hệ với thông lượng đã chuyển sang chiều thuận so với năm 2024 (DORA, 2025).

Bốn bằng chứng này cùng chỉ về một hiện tượng: Bên cạnh chi phí trực tiếp và dễ quan sát, việc ứng dụng AI làm phát sinh một tập hợp chi phí gián tiếp, phân tán và trễ pha - chi phí ẩn - có khả năng bào mòn, thậm chí triệt tiêu, phần lợi ích năng suất được quan sát trực tiếp ở cấp độ tác nghiệp.

Nghiên cứu hướng tới 3 mục tiêu: (i) hệ thống hóa các chi phí ẩn trong ứng dụng AI vào phát triển phần mềm trên cơ sở tổng quan tài liệu có hệ thống; (ii) đề xuất định nghĩa vận hành và hệ phân loại chi phí ẩn dựa trên cơ chế phát sinh; và (iii) làm rõ hiện tượng giấu chi phí như một thuộc tính cấu trúc. Tương ứng, 3 câu hỏi nghiên cứu được đặt ra: Những nhóm chi phí ẩn nào phát sinh từ việc ứng dụng AI trong phát triển phần mềm và các chi phí này hình thành thông qua những cơ chế nào? Các bằng chứng thực nghiệm hiện có phản ánh như thế nào về sự tồn tại và mức độ của các chi phí ẩn này? Chi phí ẩn và hiện tượng giấu chi phí có thể được xác lập và phân biệt về mặt khái niệm như thế nào so với các khái niệm hiện hành trong kế toán quản trị và nợ kỹ thuật?

Nghien cứu có 3 đóng góp. Về lý thuyết, nghiên cứu đề xuất định nghĩa vận hành của khái niệm chi phí ẩn trong bối cảnh phát triển phần mềm hỗ trợ bởi AI, hệ phân loại 7 nhóm dựa trên cơ chế phát sinh, và làm rõ hiện tượng giấu chi phí như một thuộc tính cấu trúc. Về phương pháp luận, nghiên cứu áp dụng quy trình MLR kết hợp phân tích chủ đề để tổng hợp bằng chứng từ tài liệu học thuật và tài liệu phi chính thống. Về thực tiễn, nghiên cứu cung cấp cơ sở khái niệm cho các nghiên cứu tiếp theo về đo lường và quản trị chi phí ẩn.

PHƯƠNG PHÁP NGHIÊN CỨU

Nghiên cứu sử dụng phương pháp tổng quan tài liệu đa nguồn có hệ thống (MLR), kết hợp khung hướng dẫn tổng quan hệ thống trong kỹ nghệ phần mềm của Kitchenham và Charters (2007) và quy trình tích hợp tài liệu phi chính thống (grey literature) của Garousi và cộng sự (2019). Khung phương pháp này cho phép tổng hợp đồng thời các công trình học thuật được bình duyệt và các báo cáo đo lường thực tế từ ngành công nghiệp công nghệ giai đoạn 2020-2026.

Các cơ sở dữ liệu được sử dụng gồm Scopus, ScienceDirect, IEEE Xplore, ACM Digital Library, SpringerLink. Cơ sở dữ liệu arXiv (cs.SE, cs.CR) được tìm kiếm tách biệt để xác định các tài liệu phi chính thống.

Tài liệu phi chính thống có 4 hạn chế có tính chất hệ thống: không trải qua quy trình bình duyệt độc lập và thường công bố phương pháp ở mức tóm lược; phần lớn báo cáo đo lường quy mô lớn do chính nhà cung cấp công cụ phát hành nên tồn tại xung đột lợi ích; không có định danh bền vững, nội dung có thể được chỉnh sửa sau thời điểm trích dẫn; và cơ chế công bố mang tính chọn lọc. Bởi vậy, để đảm bảo độ tin cậy của bằng chứng, nghiên cứu sàng lọc phân tầng theo hướng dẫn của Garousi và cộng sự (2019), chỉ chấp nhận tầng 1 (nguồn có mức kiểm soát xuất bản và độ tin cậy cao như báo cáo kỹ thuật của tổ chức có năng lực chuyên môn được thừa nhận) và tầng 2 (báo cáo đo lường thường niên có công bố phương pháp), loại trừ tầng 3 (blog, bài đăng mạng xã hội); yêu cầu nguồn công bố đầy đủ cả 3 yếu tố: phương pháp thu thập, quy mô mẫu và thời điểm thu thập dữ liệu; thiếu 1 trong 3 thì loại theo EC1. Mỗi nguồn được ghi nhận kèm tổ chức phát hành, thời gian truy cập và đánh giá xung đột lợi ích tiềm tàng.

Nguồn phi chính thống không được sử dụng làm căn cứ duy nhất cho một khẳng định nhân quả. Mỗi phát biểu định lượng thuộc nhóm nguồn này được đối chiếu song song với ít nhất một nghiên cứu học thuật độc lập về cùng hiện tượng, và chỉ được trình bày như bằng chứng hội tụ khi 2 nguồn cùng chiều: dữ liệu đo lường từ xa của Faros.ai (2026) về điểm nghẽn thẩm định được đối chiếu với Becker và cộng sự (2025); dữ liệu khai phá kho mã của GitClear (2026) về suy giảm tái cấu trúc được đối chiếu với He và cộng sự (2025) và Sawada và cộng sự (2026). Khi không tồn tại nguồn học thuật đối chiếu, phát biểu vẫn được giữ lại nhưng ghi rõ là chỉ dấu một nguồn và không dùng để suy luận nhân quả; đây là trường hợp của nhóm chi phí quản trị và điều phối, hiện chỉ có bằng chứng từ FinOps Foundation (2026) và EY (2026).

Bảng 1: Chuỗi tìm kiếm và tiêu chí chọn lọc

Nguồn: Tác giả đề xuất

Nghiên cứu áp dụng phương pháp phân tích chủ đề (Thematic Analysis) theo định hướng của Braun và Clarke (2006). Tiến trình mã hóa dữ liệu trải qua 2 giai đoạn: Mã hóa sơ cấp các biểu hiện hao phí nguồn lực (như thời gian chờ thẩm định, tần suất sửa lỗi, rò rỉ dữ liệu, chi phí token phát sinh do làm lại) và Mã hóa thứ cấp nhằm nhóm các hiện tượng vào 7 trung tâm phát sinh chi phí ẩn.

TỔNG QUAN VỀ CHI PHÍ ẨN

Trong Lý thuyết kế toán quản trị, chi phí ẩn là các khoản tiêu hao nguồn lực kinh tế có thực nhưng không được ghi nhận phản ánh riêng biệt trong hệ thống thông tin kế toán tài chính truyền thống do chúng bị phân tán vào các tập hợp chi phí chung hoặc bị che khuất bởi các trung tâm chi phí khác (Cooper và Kaplan, 1988). Trên cơ sở đó, nghiên cứu đề xuất định nghĩa: Chi phí ẩn trong ứng dụng AI tại doanh nghiệp phần mềm là toàn bộ các khoản hao phí nguồn lực kinh tế phát sinh từ việc dung nạp các hoạt động mới hoặc sự gia tăng cường độ của các hoạt động hiện hữu do ứng dụng công cụ AI, nhưng chưa được nhận diện, đo lường và phân loại riêng biệt trong hệ thống kế toán quản trị của tổ chức, ngoài các khoản chi phí trực tiếp mua bản quyền, chi phí hạ tầng và chi phí dịch vụ tính toán cơ bản.

Khái niệm này bao hàm 4 đặc tính cấu trúc: (1) Tính gián tiếp (Indirectness): Chi phí không hiển thị trên hóa đơn của nhà cung cấp dịch vụ AI mà ẩn chứa trong quỹ thời gian của nhân lực, chu kỳ sửa lỗi và sự suy giảm hiệu năng hệ thống; (2) Tính nội sinh (Endogeneity): Chi phí phát sinh do chính cơ chế vận hành và tương tác với công cụ AI; (3) Tính trễ pha (Time-lag): Bất đối xứng về mặt thời gian khi lợi ích (tốc độ sinh mã) bộc lộ ngay lập tức, nhưng chi phí (bảo trì, sửa lỗi, khắc phục sự cố an ninh) chỉ phát sinh ở các kỳ kế toán sau; và (4) Hiện tượng giấu chi phí (Cost Hiding): Sự chuyển dịch hao phí nguồn lực từ trung tâm chi phí này sang trung tâm chi phí khác, từ chỉ số đo lường được sang chỉ số không được theo dõi, hoặc từ bên nhận gia công sang bên đặt hàng.

HỆ THỐNG HÓA CÁC NHÓM CHI PHÍ ẨN

Nghiên cứu phân loại chi phí ẩn thành 7 nhóm cơ bản dựa trên cơ chế tiêu dùng nguồn lực:

Chi phí kiểm soát và thẩm định mã nguồn

Cơ chế phát sinh: Xuất phát từ sự lệch pha năng suất giữa công đoạn tự động tạo lập mã nguồn (tốc độ cao) và công đoạn thẩm định chất lượng do con người thực hiện (năng lực xử lý thông tin có giới hạn). Sự lệch pha này biến khâu thẩm định thành điểm nghẽn năng suất của toàn bộ quy trình sản xuất. Ngoài ra, mã do AI tạo ra thường mang vẻ “hợp lý bề mặt” nhưng tiềm ẩn sai sót logic tinh vi, đòi hỏi chi phí tư duy và thời gian kiểm tra cao hơn so với mã do con người tự viết.

Bằng chứng thực nghiệm: Faros.ai (2026) ghi nhận thời gian tắc nghẽn tại khâu rà soát tăng 441%, kích thước mỗi bản phê duyệt tăng 51,3%. Để giải tỏa điểm nghẽn, các tổ chức có xu hướng hạ thấp chuẩn mực kiểm soát, dẫn đến tỷ lệ chấp nhận mã không qua thẩm định tăng 31%. Becker và cộng sự (2025) chỉ ra rằng, nhân sự phải tiêu tốn 9% tổng quỹ thời gian làm việc chỉ để điều chỉnh và sửa chữa các gợi ý sai lệch từ AI.

Chi phí sai hỏng và làm lại

Cơ chế phát sinh: Phát sinh từ khoảng cách giữa tính đúng đắn về cú pháp ngữ pháp và tính đáp ứng về yêu cầu nghiệp vụ hệ thống. Theo quy luật kinh tế học kỹ nghệ phần mềm, chi phí khắc phục sai hỏng tăng theo cấp số nhân dựa trên giai đoạn phát hiện (Boehm, 1981). Do mã AI dễ vượt qua các bước kiểm tra hình thức ban đầu, thời điểm phát hiện lỗi bị đẩy lùi về các giai đoạn sau (kiểm thử tích hợp hoặc vận hành thực tế), làm tăng chi phí khắc phục trên từng đơn vị sai hỏng.

Bằng chứng thực nghiệm: Phân tích trên 304.362 đoạn mã AI cho thấy 89,3% chứa các khuyết tật cấu trúc (Liu và cộng sự, 2026). Báo cáo của Faros.ai (2026) chỉ ra số lượng lỗi trên mỗi lập trình viên tăng 54% và số sự cố vận hành nghiêm trọng tăng 242,7%. Tỷ lệ mã phải đập bỏ viết lại trong vòng 2 tuần tăng từ 3,1% lên 5,7% (GitClear, 2025; 2026).

Chi phí an toàn thông tin và an ninh mạng

Cơ chế phát sinh: Mô hình LLM được huấn luyện trên dữ liệu công khai chứa nhiều lỗ hổng chưa được vá, do đó tái tạo lại các sai sót an ninh mang tính hệ thống. Các cơ chế rủi ro chính bao gồm: (i) Rò rỉ thông tin xác thực (secrets sprawl) do thói quen chấp nhận gợi ý mã nhanh; (ii) Rủi ro chuỗi cung ứng từ hiện tượng “ảo giác thư viện” (Package Hallucination/Slopsquatting), khi AI gợi ý các gói phần mềm không tồn tại, tạo điều kiện cho kẻ tấn công cài cắm mã độc; (iii) Hiện tượng “AI bóng tối” (Shadow AI) gây rò rỉ tài sản trí tuệ ra ngoài phạm vi kiểm soát của doanh nghiệp; và (iv) Các vector tấn công mới nhằm trực tiếp vào hạ tầng AI.

Bằng chứng thực nghiệm: Veracode (2025, 2026a) chỉ ra 45% mẫu mã do AI sinh ra chứa các lỗ hổng an ninh nghiêm trọng (OWASP Top 10); tỷ lệ vi phạm an toàn thông tin duy trì ở mức 55% qua nhiều thế hệ mô hình, chứng minh đây là khoản chi phí cố định mang tính cấu trúc. Báo cáo IBM (2025) xác định các sự cố rò rỉ dữ liệu liên quan đến AI bóng tối làm tăng thêm trung bình 670.000 USD chi phí khắc phục cho doanh nghiệp.

Nợ kỹ thuật tích lũy

Cơ chế phát sinh: Nợ kỹ thuật biểu hiện sự suy giảm khả năng tiến hóa và thích ứng của hệ thống phần mềm trong tương lai (Kruchten và cộng sự, 2012). Công cụ AI có xu hướng tạo ra các khối mã độc lập đáp ứng tức thời tác vụ cục bộ thay vì tái sử dụng các cấu trúc sẵn có, dẫn đến hiện tượng nhân bản mã nguồn, phá vỡ tính đóng gói kiến trúc và làm suy giảm khả năng bảo trì. Kravchuk-Kirilyuk và cộng sự (2025) chỉ ra rằng, mã do AI sinh có thể mô phỏng cấu trúc mô-đun ở bề mặt nhưng vi phạm các nguyên tắc duy trì khả năng bảo trì như đóng gói, đồng thời tạo ra các phụ thuộc ngầm.

Bằng chứng thực nghiệm: He và cộng sự (2025) chứng minh việc sử dụng AI làm tăng 30,3% cảnh báo rủi ro cấu trúc và 41,6% độ phức tạp mã nguồn một cách lâu dài. GitClear (2026) ghi nhận số lượng lời gọi hàm xuyên tệp giảm 35%, hoạt động tái cấu trúc hệ thống giảm 70%, trong khi hành vi sao chép khối mã tăng 81%.

Chi phí bảo trì và hiện tượng giấu chi phí

Cơ chế phát sinh: Chi phí bảo trì vốn chiếm 60-80% tổng chi phí vòng đời sản phẩm phần mềm (Lientz và Swanson, 1980). Việc ứng dụng AI làm phát sinh hiện tượng giấu chi phí thông qua 5 hình thức chuyển dịch: (1) Chuyển dịch giữa các trung tâm chi phí: Tiết kiệm chi phí ở giai đoạn Phát triển (Dự án) nhưng gia tăng chi phí ở giai đoạn Bảo trì (Vận hành); (2) Chuyển dịch gánh nặng nhận thức: Nhân sự bảo trì mất nhiều thời gian hơn để giải mã các đoạn mã do AI viết mà không có tài liệu thiết kế; (3) Né tránh bảo trì: Kỹ sư né tránh sửa đổi các mô-đun AI khó hiểu, chọn giải pháp bọc thêm các lớp phụ thuộc mới, khiến chi phí thực sự bị che giấu dưới chỉ số “tần suất sửa đổi thấp”; (4) Mở rộng yêu cầu thụ động: Mã AI thiếu tính bao quát nghiệp vụ, buộc phải gia công bổ sung liên tục dưới danh nghĩa phát triển mới; (5) Chuyển dịch hợp đồng: Trong hợp đồng gia công (Outsourcing), chi phí bảo trì gia tăng được chuyển sang bên đặt hàng hoặc đẩy lùi về kỳ bảo hành của bên nhận thầu.

Bằng chứng thực nghiệm: Sawada và cộng sự (2026) chỉ ra rằng, có tới 83,21% khối lượng công việc bảo trì trên các tệp mã do AI tạo ra vẫn phải do con người trực tiếp xử lý. Đồng thời, các hoạt động tái cấu trúc mã nguồn lịch sử giảm 74%, báo hiệu một khoản chi phí hiện đại hóa dồn tích trong tương lai (GitClear, 2026).

Chi phí suy giảm và đào tạo lại vốn nhân lực

Cơ chế phát sinh: Bao gồm 2 thành phần: (i) Chi phí đầu tư đào tạo lại nhân sự về kỹ năng ra lệnh (Prompt Engineering) và kiểm thử nâng cao; và (ii) Chi phí suy giảm năng lực cốt lõi (Skill Atrophy). Việc phụ thuộc vào AI khiến lập trình viên chuyển từ tư duy phân tích chiều sâu sang trạng thái công nhận bị động, làm suy giảm khả năng hiểu biết hệ thống - hiện tượng “Nợ nhận thức” (Cognitive Debt) (Storey, 2026).

Bằng chứng thực nghiệm: Thí nghiệm của Shen và Tamkin (2026) cho thấy nhóm kỹ sư sử dụng AI đạt điểm kiểm tra mức độ hiểu sâu mã nguồn thấp hơn 17% so với nhóm tự viết. Sankaranarayanan (2026) ghi nhận tỷ lệ thất bại khi xử lý sự cố không có AI hỗ trợ lên tới 77% ở nhóm nhân sự phụ thuộc.

Chi phí quản trị và điều phối

Cơ chế phát sinh: Phát sinh từ các hoạt động xây dựng thể chế kiểm soát, tuân thủ pháp lý, quản trị dữ liệu riêng tư và quản lý ngân sách tiêu thụ tài nguyên AI. Khi chuyển sang mô hình tự trợ lý (Agentic AI), chi phí chuyển dịch từ dạng định phí (bản quyền cố định) sang biến phí theo mức tiêu thụ tài nguyên tính toán (Token FinOps).

Bằng chứng thực nghiệm: Báo cáo FinOps Foundation (2026) cho biết 73% doanh nghiệp ghi nhận chi phí AI vượt dự toán ngân sách. EY (2026) chỉ ra chi phí vận hành cho một quy trình tác nghiệp phức tạp đã tăng từ 0,04 USD (2023) lên 1,20 USD (2026) cho mỗi lượt tương tác. Chi phí ẩn cho hạ tầng tuân thủ và hạ tầng dữ liệu ước tính dao động từ 50.000 đến 250.000 USD/năm cho mỗi doanh nghiệp.

Bảng 2: Tổng hợp hệ thống 7 nhóm chi phí ẩn trong ứng dụng AI

Nguồn: Tác giả tổng hợp

KẾT LUẬN

Nghiên cứu đã cho thấy, sự gia tăng năng suất cục bộ ở khâu viết mã không đồng nghĩa với việc tối ưu hóa tổng chi phí vận hành ở cấp độ doanh nghiệp. Bằng việc đề xuất khung khái niệm gồm 7 nhóm chi phí ẩn và phân tích hiện tượng giấu chi phí, nghiên cứu góp phần giải thích “nghịch lý năng suất AI” dưới góc độ kế toán quản trị và quản trị doanh nghiệp. Bản chất của chi phí ẩn không nằm ở giá bản quyền công cụ, mà nằm ở các khoản hao phí nguồn lực phát sinh để kiểm soát, khắc phục và duy trì tính ổn định của hệ thống do AI tạo ra.

Từ kết quả nghiên cứu, một số hàm ý quản trị quan trọng được rút ra cho các doanh nghiệp phần mềm. Trước hết, doanh nghiệp cần thay đổi phương pháp đánh giá hiệu quả đầu tư (ROI) bằng cách chuyển từ mô hình dựa trên chỉ số thông lượng ngắn hạn sang mô hình Tổng chi phí sở hữu (TCO) tính trên toàn bộ vòng đời sản phẩm, bao gồm cả chi phí kiểm soát an ninh và dự phòng bảo trì. Bên cạnh đó, việc thiết lập hệ thống Kế toán quản trị chi phí AI (AI FinOps) là cần thiết để xây dựng các trung tâm chi phí nhằm theo dõi riêng biệt chi phí token, chi phí làm lại và chi phí kiểm thử bổ sung. Doanh nghiệp cũng cần tái cấu trúc quy trình kiểm soát chất lượng thông qua việc điều chỉnh định mức thời gian cho khâu rà soát mã và áp dụng bắt buộc các công cụ phân tích an toàn tự động trước khi phê duyệt mã AI. Cuối cùng, để bảo tồn vốn nhân lực, tổ chức cần xây dựng khung hướng dẫn tương tác AI theo chuẩn mực, tránh trạng thái “ủy thác hoàn toàn” nhằm ngăn ngừa sự suy giảm năng lực tư duy cốt lõi của đội ngũ kỹ sư.

Nghiên cứu vẫn tồn tại một số hạn chế khi mới dừng lại ở khung khái niệm tổng quan tài liệu mà chưa kiểm định mô hình thực nghiệm trên dữ liệu kế toán của các doanh nghiệp phần mềm tại Việt Nam; đồng thời cửa sổ quan sát dữ liệu bảo trì dài hạn trong các công nghiên cứu hiện tại còn tương đối ngắn. Ngoài ra, các tài liệu sử dụng trong nghiên cứu có các dạng bản thảo, báo cáo đo lường từ xa do tính chất mới nổi của GenAI. Do đó, các hướng nghiên cứu tiếp theo cần tập trung xây dựng bộ thang đo và kiểm định mô hình cấu trúc (SEM) về tác động của chi phí ẩn đến hiệu quả tài chính doanh nghiệp gia công phần mềm Việt Nam, kết hợp phân tích định lượng dữ liệu kế toán quản trị theo chuỗi thời gian nhằm đo lường chính xác độ trễ của chi phí bảo trì.

Tài liệu tham khảo:

1. Becker, J., Rush, N., Barnes, E., & Rein, D. (2025). Measuring the impact of early-2025 AI on experienced open-source developer productivity. https://doi.org/10.48550/arXiv.2507.09089

2. Boehm, B. W. (1981). Software engineering economics. Prentice-Hall.

3. Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77-101. https://doi.org/10.1191/1478088706qp063oa

4. Cooper, R., & Kaplan, R. S. (1988). Measure costs right: Make the right decisions. Harvard Business Review, 66(5), 96-103.

5. Cui, K. Z., Demirer, M., Jaffe, S., Musolff, L., Peng, S., & Salz, T. (2024). The productivity effects of generative AI: Evidence from a field experiment with GitHub Copilot. An MIT Exploration of Generative AI. https://doi.org/10.21428/E4BAEDD9.3AD85F1C

6. DORA (2025). State of AI-assisted software development (v.2025.2). https://services.google.com/fh/files/misc/2025_state_of_ai_assisted_software_development.pdf

7. EY (2026). Agentic AI enterprise token cost. In EY - US. https://www.ey.com/en_us/insights/ai/agentic-ai-token-costs

8. Faros.ai (2026). AI engineering report 2026 - The acceleration whiplash. https://www.faros.ai/blog/ai-acceleration-whiplash-takeaways

9. FinOps Foundation (2026). State of FinOps 2026 report. In FinOps Foundation. https://data.finops.org/

10. Garousi, V., Felderer, M., &Mäntylä, M. V. (2019). Guidelines for including grey literature and conducting multivocal literature reviews in software engineering. Information and Software Technology, 106, 101-121. https://doi.org/10.1016/j.infsof.2018.09.006

11. GitClear (2025). AI Copilot code quality: 2025 data suggests 4x growth in code clones. In GitClear. https://www.gitclear.com/ai_assistant_code_quality_2025_research

12. GitClear (2026). The maintainability gap: 2026 AI code quality research. In GitClear. https://www.gitclear.com/the_ai_code_quality_maintainability_gap

13. He, H., Miller, C., Agarwal, S., Kästner, C., & Vasilescu, B. (2025). Does AI-assisted coding deliver? A difference-in-differences study of Cursor’s impact on software projects. https://arxiv.org/pdf/2511.04427v2

14. IBM (2025). Cost of a data breach report 2025. IBM Security & Ponemon Institute. https://www.ibm.com/think/x-force/2025-cost-of-a-data-breach-navigating-ai

15. Kitchenham, B., & Charters, S. M. (2007). Guidelines for performing systematic literature reviews in software engineering. Keele University & University of Durham, (EBSE Technical Report EBSE-2007-01).

16. Kravchuk-Kirilyuk, A., Graciolli, F., & Amin, N. (2025). The modular imperative: Rethinking LLMs for maintainable software. In Proceedings of the 1st ACM SIGPLAN International Workshop on Language Models and Programming Languages (LMPL '25), 106-111. Association for Computing Machinery. https://doi.org/10.1145/3759425.3763392

17. Kruchten, P., Nord, R. L., & Ozkaya, I. (2012). Technical debt: From metaphor to theory and practice. IEEE Software, 29(6), 18-21. https://doi.org/10.1109/MS.2012.167

18. Lientz, B. P., & Swanson, E. B. (1980). Software maintenance management. Addison-Wesley.

19. Liu, Y., Widyasari, R., Zhao, Y., Irsan, I. C., Chen, J., & Lo, D. (2026). Debt behind the AI boom: A large-scale empirical study of AI-generated code in the wild. https://arxiv.org/pdf/2603.28592

20. Peng, S., Kalliamvakou, E., Cihon, P., & Demirer, M. (2023). The impact of AI on developer productivity: Evidence from GitHub Copilot. http://arxiv.org/abs/2302.06590

21. Sankaranarayanan, S. (2026). Mitigating ‘epistemic debt’ in generative AI-scaffolded novice programming using metacognitive scripts. https://arxiv.org/pdf/2602.20206

22. Sawada, S., Shirai, T., Kashiwa, Y., Yamaguchi, K., Iwata, H., & Iida, H. (2026). To what extent does agent-generated code require maintenance? An empirical study. In Proceedings of the 30th International Conference on Evaluation and Assessment in Software Engineering (EASE 2026). Association for Computing Machinery. https://doi.org/10.48550/arXiv.2605.06464

23. Shen, J. H., & Tamkin, A. (2026). How AI impacts skill formation (arXiv:2601.20245). https://doi.org/10.48550/arXiv.2601.20245 (Bản tóm lược do Anthropic công bố: https://www.anthropic.com/research/AI-assistance-coding-skills)

24. Stack Overflow (2025). 2025 Stack Overflow developer survey: AI. Stack Overflow. https://survey.stackoverflow.co/2025/ai

25. Storey, M.-A. (2026). From technical debt to cognitive and intent debt. Queue, 24(2). https://doi.org/10.1145/3807966

26. Veracode (2025). GenAI code security report. In Veracode. https://www.veracode.com/wp-content/uploads/October-2025-GenAI-Code-Security-Report-Update.pdf

27. Veracode (2026a). 2026 state of software security: Risky debt rising. https://www.veracode.com/blog/2026-state-of-software-security-report-risky-security-debt/

28. Veracode (2026b). Spring 2026 GenAI code security update: Despite claims, AI models are still failing security. https://www.veracode.com/blog/spring-2026-genai-code-security/