Tại Sao Chi Phí AI Lập Trình Lại Được Dự Báo Sẽ Vượt Quá Lương?

Gartner xác định hai động lực chính hội tụ :

• Lượng token tiêu thụ tăng vọt — Khi các lập trình viên sử dụng các tác nhân AI lập trình một cách mạnh mẽ hơn, khối lượng token (đơn vị tính phí của các mô hình ngôn ngữ lớn - LLM) tăng trưởng nhanh hơn nhiều so với tốc độ giảm giá trên mỗi token. Hóa đơn AI lập trình đang nhảy vọt từ 20 hoặc 100 đô la mỗi tháng cho mỗi lập trình viên lên 2.000 hoặc thậm chí 5.000 đô la, Nitish Tyagi, nhà phân tích chính cao cấp của Gartner, nói với The Register .
• Sự chuyển dịch từ phí cố định sang cấp phép theo mức sử dụng — Các nhà cung cấp lớn bao gồm Anthropic, Cursor và GitHub Copilot đã chuyển từ đăng ký hàng tháng cố định sang định giá theo token, dựa trên mức tiêu thụ. Điều này làm cho chi phí trở nên biến động và tăng theo từng thao tác gõ phím .

Dự báo này là một phép chiếu được xây dựng trên các giả định đã nêu, không phải là một điều chắc chắn . Nhưng như Tyagi đã lưu ý, "Chi phí AI lập trình sẽ tiếp tục tăng khi các khoản đầu tư vào cơ sở hạ tầng và các vấn đề về lợi nhuận đẩy giá mô hình lên cao" .

Bằng Chứng Thực Tế: Hóa Đơn Token Đến Hạn

Uber: Giới Hạn 1.500 Đô La Sau Khi Đốt Hết Ngân Sách Năm

Uber là trường hợp được ghi nhận nhiều nhất về tình trạng chi tiêu AI vượt kiểm soát. Công ty đã dùng hết toàn bộ ngân sách AI lập trình năm 2026 chỉ trong bốn tháng — tính đến tháng 4 năm 2026 . Để đối phó, Uber đã áp đặt giới hạn chi tiêu 1.500 đô la mỗi tháng cho mỗi công cụ đối với nhân viên khi sử dụng các nền tảng lập trình tác nhân như Claude Code của Anthropic và Cursor .

Những con số đằng sau sự bùng nổ chi tiêu này thật đáng kinh ngạc. Đến tháng 3 năm 2026, 84% kỹ sư của Uber đã sử dụng Claude Code, tăng từ 32% vào cuối năm 2025 . Chi phí hàng tháng cho mỗi kỹ sư dao động từ 500 đến 2.000 đô la trước khi các giới hạn được áp dụng . Giám đốc Vận hành (COO) của Uber được trích dẫn đã nói, "Mối liên hệ giữa chi tiêu AI và giá trị khách hàng vẫn chưa rõ ràng" .

Các Công Ty Khác Cũng Đang Gặp Áp Lực

• Microsoft đã thu hồi quyền truy cập Claude Code của các lập trình viên chỉ vài tháng sau khi cho phép sử dụng, do lo ngại về chi phí .
• Priceline chứng kiến giá các công cụ lập trình AI tăng gấp 5 lần .
• Gartner dự báo riêng rằng 40% doanh nghiệp sử dụng công cụ lập trình AI tính phí theo mức tiêu thụ sẽ phải đối mặt với các chi phí ngoài kế hoạch vượt quá hai lần ngân sách dự kiến vào năm 2027 .

Accenture: Nhân Viên Phi Kỹ Thuật Lại Là Nguyên Nhân Chính

Trường hợp của Accenture cho thấy một nguồn gây vượt chi phí đáng ngạc nhiên. Theo các bản ghi âm bị rò rỉ và các báo cáo, chính những nhân viên không phải là lập trình viên — chứ không phải các nhà phát triển — mới là những người tiêu thụ token AI nhiều nhất khi họ sử dụng các công cụ AI để chuyển đổi PDF thành slide . Accenture có kế hoạch ra mắt "Token IQ", một sản phẩm giúp lãnh đạo có cái nhìn rõ ràng về việc liệu chi tiêu AI có mang lại lợi nhuận xứng đáng hay không .

KPMG: Thách Thức Trong Việc Theo Dõi

Khảo sát xung nhịp AI toàn cầu quý 2 năm 2026 của KPMG, được công bố ngày 24 tháng 6 năm 2026 và bao gồm hơn 2.100 nhà lãnh đạo cấp cao tại 20 quốc gia, cho thấy chỉ 26% tổ chức có khả năng hiển thị chi phí sử dụng AI theo thời gian thực . Cụ thể :

• 50% chỉ có khả năng hiển thị một phần.
• 22% có rất ít hoặc không có khả năng hiển thị — họ chỉ biết chi phí của mình sau khi nhận được hóa đơn.

Steve Chase, người đứng đầu bộ phận AI toàn cầu của KPMG, mô tả vấn đề này là một rủi ro tài chính cốt lõi, lưu ý rằng một số khách hàng đã cạn kiệt ngân sách token và đám mây hàng năm chỉ trong vài tháng và mức sử dụng token của một khách hàng đã tăng gấp sáu lần . Sự chuyển đổi sang thanh toán dựa trên token đã khiến chi tiêu AI trở nên khó dự đoán và khó kiểm soát thông qua các kiểm soát tài chính CNTT truyền thống .

Cách Quản Lý Chi Phí: Khuyến Nghị Của Gartner

Hướng dẫn của Gartner, được công bố trong cả báo cáo tháng 6 năm 2026 và báo cáo tháng 3 năm 2026 10 Best Practices for Optimizing Generative and Agentic AI Costs, tập trung vào một mô hình vận hành có kỷ luật :

• Thiết lập khung quyết định theo trường hợp sử dụng — Xác định thời điểm nên sử dụng các tác nhân AI lập trình và ở mức độ tự chủ nào, thay vì để mức sử dụng tăng trưởng không kiểm soát. Phân loại các nhiệm vụ phát triển thành ba mô hình thực thi: do lập trình viên dẫn dắt, lập trình viên với tác nhân và hoàn toàn do tác nhân dẫn dắt .
• Căn chỉnh lựa chọn mô hình với độ phức tạp của nhiệm vụ — Định tuyến các nhiệm vụ đơn giản, tần suất cao (viết thử nghiệm, tái cấu trúc, tạo mã nền tảng, viết tài liệu) đến các mô hình chuyên dụng nhỏ hơn, rẻ hơn thay vì luôn sử dụng các mô hình tiên tiến hàng đầu .
• Áp dụng kỹ thuật ngữ cảnh (context engineering) — Cải thiện ngữ cảnh đầu vào mà các lập trình viên cung cấp cho hệ thống AI để giảm thiểu token bị lãng phí vào thông tin không liên quan hoặc dư thừa .
• Triển khai lưu trữ đệm (caching), xử lý theo lô (batching) và giám sát (monitoring) — Sử dụng lưu trữ đệm token và xử lý yêu cầu theo lô để giảm tính toán dư thừa; giám sát mức tiêu thụ token của từng lập trình viên và từng nhóm trong thời gian thực .
• Đánh giá mức độ trưởng thành của AI lập trình — Gartner kêu gọi các nhà lãnh đạo kỹ thuật kiểm tra các mô hình tiêu thụ token hiện tại của họ trước khi chi phí vượt khỏi tầm kiểm soát .
• Xây dựng một tầng quản trị theo phong cách FinOps — Bao gồm giám sát tiêu thụ theo thời gian thực, ngân sách cho mỗi người dùng và phát hiện bất thường tự động đối với việc sử dụng vượt quá tầm kiểm soát .

Gartner cũng lưu ý rằng năng suất đối với các nhiệm vụ có ranh giới rõ ràng, được xác định cụ thể — viết thử nghiệm, tái cấu trúc, tạo mã nền tảng, viết tài liệu, sửa lỗi đơn giản — thực sự được cải thiện đáng kể (gấp nhiều lần), trong khi năng suất đối với các quyết định kiến trúc và gỡ lỗi mới chỉ được cải thiện ở mức khiêm tốn . Vấn đề mấu chốt là ước tính tỷ lệ công việc của nhóm thuộc nhóm có năng suất cao và áp dụng AI vào đó .

Kết Luận

Kỷ nguyên chi tiêu không giới hạn cho AI lập trình đang kết thúc. Các công cụ này mang lại những cải thiện năng suất thực sự cho các nhiệm vụ được xác định rõ ràng, nhưng nếu thiếu sự quản trị, chi phí có thể leo thang nhanh hơn cả những lợi ích về năng suất mà các công cụ đó được thiết kế để mang lại . Kỷ luật mà Gartner khuyến nghị và các công ty như Uber hiện đang buộc phải áp dụng, không phải là lùi bước khỏi AI mà là quản lý nó như một trung tâm chi phí thực sự — với khả năng hiển thị, định tuyến và các rào cản kiểm soát.

Tại Sao Chi Phí AI Lập Trình Lại Được Dự Báo Sẽ Vượt Quá Lương?

Gartner xác định hai động lực chính hội tụ :

• Lượng token tiêu thụ tăng vọt — Khi các lập trình viên sử dụng các tác nhân AI lập trình một cách mạnh mẽ hơn, khối lượng token (đơn vị tính phí của các mô hình ngôn ngữ lớn - LLM) tăng trưởng nhanh hơn nhiều so với tốc độ giảm giá trên mỗi token. Hóa đơn AI lập trình đang nhảy vọt từ 20 hoặc 100 đô la mỗi tháng cho mỗi lập trình viên lên 2.000 hoặc thậm chí 5.000 đô la, Nitish Tyagi, nhà phân tích chính cao cấp của Gartner, nói với The Register .
• Sự chuyển dịch từ phí cố định sang cấp phép theo mức sử dụng — Các nhà cung cấp lớn bao gồm Anthropic, Cursor và GitHub Copilot đã chuyển từ đăng ký hàng tháng cố định sang định giá theo token, dựa trên mức tiêu thụ. Điều này làm cho chi phí trở nên biến động và tăng theo từng thao tác gõ phím .

Dự báo này là một phép chiếu được xây dựng trên các giả định đã nêu, không phải là một điều chắc chắn . Nhưng như Tyagi đã lưu ý, "Chi phí AI lập trình sẽ tiếp tục tăng khi các khoản đầu tư vào cơ sở hạ tầng và các vấn đề về lợi nhuận đẩy giá mô hình lên cao" .

Bằng Chứng Thực Tế: Hóa Đơn Token Đến Hạn

Uber: Giới Hạn 1.500 Đô La Sau Khi Đốt Hết Ngân Sách Năm

Uber là trường hợp được ghi nhận nhiều nhất về tình trạng chi tiêu AI vượt kiểm soát. Công ty đã dùng hết toàn bộ ngân sách AI lập trình năm 2026 chỉ trong bốn tháng — tính đến tháng 4 năm 2026 . Để đối phó, Uber đã áp đặt giới hạn chi tiêu 1.500 đô la mỗi tháng cho mỗi công cụ đối với nhân viên khi sử dụng các nền tảng lập trình tác nhân như Claude Code của Anthropic và Cursor .

Những con số đằng sau sự bùng nổ chi tiêu này thật đáng kinh ngạc. Đến tháng 3 năm 2026, 84% kỹ sư của Uber đã sử dụng Claude Code, tăng từ 32% vào cuối năm 2025 . Chi phí hàng tháng cho mỗi kỹ sư dao động từ 500 đến 2.000 đô la trước khi các giới hạn được áp dụng . Giám đốc Vận hành (COO) của Uber được trích dẫn đã nói, "Mối liên hệ giữa chi tiêu AI và giá trị khách hàng vẫn chưa rõ ràng" .

Các Công Ty Khác Cũng Đang Gặp Áp Lực

• Microsoft đã thu hồi quyền truy cập Claude Code của các lập trình viên chỉ vài tháng sau khi cho phép sử dụng, do lo ngại về chi phí .
• Priceline chứng kiến giá các công cụ lập trình AI tăng gấp 5 lần .
• Gartner dự báo riêng rằng 40% doanh nghiệp sử dụng công cụ lập trình AI tính phí theo mức tiêu thụ sẽ phải đối mặt với các chi phí ngoài kế hoạch vượt quá hai lần ngân sách dự kiến vào năm 2027 .

Accenture: Nhân Viên Phi Kỹ Thuật Lại Là Nguyên Nhân Chính

Trường hợp của Accenture cho thấy một nguồn gây vượt chi phí đáng ngạc nhiên. Theo các bản ghi âm bị rò rỉ và các báo cáo, chính những nhân viên không phải là lập trình viên — chứ không phải các nhà phát triển — mới là những người tiêu thụ token AI nhiều nhất khi họ sử dụng các công cụ AI để chuyển đổi PDF thành slide . Accenture có kế hoạch ra mắt "Token IQ", một sản phẩm giúp lãnh đạo có cái nhìn rõ ràng về việc liệu chi tiêu AI có mang lại lợi nhuận xứng đáng hay không .

KPMG: Thách Thức Trong Việc Theo Dõi

Khảo sát xung nhịp AI toàn cầu quý 2 năm 2026 của KPMG, được công bố ngày 24 tháng 6 năm 2026 và bao gồm hơn 2.100 nhà lãnh đạo cấp cao tại 20 quốc gia, cho thấy chỉ 26% tổ chức có khả năng hiển thị chi phí sử dụng AI theo thời gian thực . Cụ thể :

• 50% chỉ có khả năng hiển thị một phần.
• 22% có rất ít hoặc không có khả năng hiển thị — họ chỉ biết chi phí của mình sau khi nhận được hóa đơn.

Steve Chase, người đứng đầu bộ phận AI toàn cầu của KPMG, mô tả vấn đề này là một rủi ro tài chính cốt lõi, lưu ý rằng một số khách hàng đã cạn kiệt ngân sách token và đám mây hàng năm chỉ trong vài tháng và mức sử dụng token của một khách hàng đã tăng gấp sáu lần . Sự chuyển đổi sang thanh toán dựa trên token đã khiến chi tiêu AI trở nên khó dự đoán và khó kiểm soát thông qua các kiểm soát tài chính CNTT truyền thống .

Cách Quản Lý Chi Phí: Khuyến Nghị Của Gartner

Hướng dẫn của Gartner, được công bố trong cả báo cáo tháng 6 năm 2026 và báo cáo tháng 3 năm 2026 10 Best Practices for Optimizing Generative and Agentic AI Costs, tập trung vào một mô hình vận hành có kỷ luật :

• Thiết lập khung quyết định theo trường hợp sử dụng — Xác định thời điểm nên sử dụng các tác nhân AI lập trình và ở mức độ tự chủ nào, thay vì để mức sử dụng tăng trưởng không kiểm soát. Phân loại các nhiệm vụ phát triển thành ba mô hình thực thi: do lập trình viên dẫn dắt, lập trình viên với tác nhân và hoàn toàn do tác nhân dẫn dắt .
• Căn chỉnh lựa chọn mô hình với độ phức tạp của nhiệm vụ — Định tuyến các nhiệm vụ đơn giản, tần suất cao (viết thử nghiệm, tái cấu trúc, tạo mã nền tảng, viết tài liệu) đến các mô hình chuyên dụng nhỏ hơn, rẻ hơn thay vì luôn sử dụng các mô hình tiên tiến hàng đầu .
• Áp dụng kỹ thuật ngữ cảnh (context engineering) — Cải thiện ngữ cảnh đầu vào mà các lập trình viên cung cấp cho hệ thống AI để giảm thiểu token bị lãng phí vào thông tin không liên quan hoặc dư thừa .
• Triển khai lưu trữ đệm (caching), xử lý theo lô (batching) và giám sát (monitoring) — Sử dụng lưu trữ đệm token và xử lý yêu cầu theo lô để giảm tính toán dư thừa; giám sát mức tiêu thụ token của từng lập trình viên và từng nhóm trong thời gian thực .
• Đánh giá mức độ trưởng thành của AI lập trình — Gartner kêu gọi các nhà lãnh đạo kỹ thuật kiểm tra các mô hình tiêu thụ token hiện tại của họ trước khi chi phí vượt khỏi tầm kiểm soát .
• Xây dựng một tầng quản trị theo phong cách FinOps — Bao gồm giám sát tiêu thụ theo thời gian thực, ngân sách cho mỗi người dùng và phát hiện bất thường tự động đối với việc sử dụng vượt quá tầm kiểm soát .

Gartner cũng lưu ý rằng năng suất đối với các nhiệm vụ có ranh giới rõ ràng, được xác định cụ thể — viết thử nghiệm, tái cấu trúc, tạo mã nền tảng, viết tài liệu, sửa lỗi đơn giản — thực sự được cải thiện đáng kể (gấp nhiều lần), trong khi năng suất đối với các quyết định kiến trúc và gỡ lỗi mới chỉ được cải thiện ở mức khiêm tốn . Vấn đề mấu chốt là ước tính tỷ lệ công việc của nhóm thuộc nhóm có năng suất cao và áp dụng AI vào đó .

Kết Luận

Kỷ nguyên chi tiêu không giới hạn cho AI lập trình đang kết thúc. Các công cụ này mang lại những cải thiện năng suất thực sự cho các nhiệm vụ được xác định rõ ràng, nhưng nếu thiếu sự quản trị, chi phí có thể leo thang nhanh hơn cả những lợi ích về năng suất mà các công cụ đó được thiết kế để mang lại . Kỷ luật mà Gartner khuyến nghị và các công ty như Uber hiện đang buộc phải áp dụng, không phải là lùi bước khỏi AI mà là quản lý nó như một trung tâm chi phí thực sự — với khả năng hiển thị, định tuyến và các rào cản kiểm soát.