Mở đầu
Có một câu hỏi ít được hỏi trong các bài viết về "AI và tương lai lập trình viên":
Nếu AI viết code tốt hơn con người, và con người không còn động lực rèn kỹ năng viết code nữa — thì hiểu biết của loài người về phần mềm sẽ đi về đâu?
Câu hỏi nghe trừu tượng. Nhưng suy luận đến tận cùng, nó dẫn đến một kết luận khó chịu: chúng ta đang sống trong một trong những thế hệ cuối cùng thật sự hiểu thứ mình tạo ra.
Đa số các bài viết hiện nay dừng lại ở câu hỏi an toàn — AI sẽ thay thế lập trình viên cấp thấp (junior) hay không, lập trình viên cấp cao (senior) có an toàn không, kỹ năng nào còn giá trị. Đây là những câu hỏi nhỏ. Câu hỏi lớn hơn: khi phần mềm trở thành thứ AI tạo ra, AI vận hành, AI sửa chữa — và con người chỉ tương tác với kết quả — vai trò con người trong nền văn minh phần mềm là gì?
Bài viết này đi đến tận cùng câu hỏi đó. Nó không lạc quan. Nó không bi quan kiểu rập khuôn. Nó cố nhìn thẳng vào ba điều: AI sẽ ngày càng khó sai, con người không có lý do để chống lại sự thay thế đó, và sự mất hiểu biết theo sau sẽ êm ái đến mức ít ai cảm thấy mất mát.
Bài chia làm hai nửa. Nửa đầu là phân tích — chuyện gì sẽ xảy ra, và tại sao. Nửa sau là chiến lược — nếu bạn không muốn trôi theo dòng, cần đầu tư vào điều gì.
Phần 1: Hai tiền đề
Một, AI sẽ ngày càng khó sai. Lập luận "AI viết code có lỗi, cần con người kiểm tra lại (review)" đúng ở thời điện hiện tại. Trong vài năm gần đây, khoảng cách giữa tỷ lệ lỗi của AI và của con người đã giãn ra theo hướng có lợi cho AI. Đến một lúc, khoảng cách sẽ giống khoảng cách giữa máy tính bỏ túi và con người tính nhẩm: không còn cuộc tranh luận nào về việc ai đúng hơn.
Hai, con người không có động lực rèn kỹ năng viết code khi AI làm tốt hơn. Đây là quy luật kinh tế. Không ai học cưỡi ngựa để đi làm khi có ô tô. Không ai học tính nhẩm sáu chữ số khi có máy tính. Rất ít người sẽ dành cả thập kỷ rèn kỹ năng viết code tay khi AI viết tốt hơn trong 30 giây. Mọi lời khuyên "junior nên tự viết code để học" va vào bức tường này: học để làm gì, nếu kỹ năng đó không ai trả tiền và không ai cần?
Hai tiền đề này thay đổi toàn bộ cuộc thảo luận. Không còn là "AI thay thế junior, senior vẫn an toàn". Câu chuyện thật sự sâu hơn.
(Hai tiền đề này có thể sai. Có những lý do để nghi ngờ — liệt kê ở cuối bài.)
Phần 2: Sự sụp đổ của lập luận "con người vẫn cần kiểm tra AI"
Một lập luận phổ biến để trấn an: AI viết code, con người kiểm tra (review) để đảm bảo đúng. Nghe hợp lý. Nhưng không bền:
Kiểm tra đòi hỏi năng lực cao hơn viết. Để đọc và đánh giá code phức tạp, người kiểm tra phải hiểu sâu hơn người viết. Khi AI viết code vượt qua khả năng hiểu của con người trung bình, kiểm tra trở thành nghi thức chứ không phải kiểm soát thật.
AI kiểm tra tốt hơn con người kiểm tra. Một khi AI viết code tốt hơn con người, AI cũng kiểm tra tốt hơn. Logic này không đảo ngược được. Công ty sẽ dùng AI kiểm tra code AI — rẻ hơn, nhanh hơn, ít sai sót hơn.
Sự đồng thuận với AI trở thành mặc định. Khi AI sai 1/1000 lần và con người sai 1/100 lần, không tin AI là bất hợp lý. Mỗi lần con người cãi AI và hoá ra mình sai, niềm tin vào phán đoán con người giảm. Sau một thời gian, ngay cả senior có kinh nghiệm cũng học cách "đừng cãi AI". Đây không phải lười biếng — là thích nghi hợp lý với thực tế mới.
Vai trò "con người gác cổng cho AI" là giai đoạn chuyển tiếp, không phải trạng thái ổn định.
Phần 3: Các vai trò được kỳ vọng cho con người — và độ bền của chúng
Khi không còn viết code, lập trình viên sẽ làm gì? Người ta đề xuất nhiều vai trò. Đi đến tận cùng từng vai trò:
"Định nghĩa vấn đề" — vai trò được nhắc nhiều nhất. Hiện tại đây là điểm yếu của các mô hình ngôn ngữ lớn (LLM): thu thập bối cảnh, đặt khung cho sự mơ hồ, hỏi đúng câu hỏi trước khi giải. Đây là vai trò bền nhất trong các vai trò kỹ thuật — ít nhất trong trung hạn.
"Thiết kế ràng buộc cho AI" — viết sổ luật (rule book), định nghĩa chính sách, tuân thủ pháp lý. Bền, vì liên quan đến giá trị và trách nhiệm pháp lý — thứ không giao cho AI được. Nhưng số lượng vị trí chỉ vài phần trăm lượng kỹ sư hiện tại.
"Phán xét cuối cùng / gu kỹ thuật" — có gu (taste) để chọn giữa các phương án AI đề xuất. Vấn đề: gu được xây từ kinh nghiệm gặp hậu quả. Khi ít người tự viết code đủ lâu để có gu, gu cũng mất. Hoặc tệ hơn — gu của thế hệ mới được hình thành từ việc quan sát AI, nên nó hội tụ về cùng một thẩm mỹ với AI. Không còn đa dạng phán đoán.
"Giao tiếp với business" — vai trò bền nhất. Nhưng nó không còn là "lập trình viên" nữa. Nó là sale + product + consultant. Nghề lập trình tan biến vào các nghề khác.
Suy luận đến tận cùng: không có vai trò "lập trình viên tương lai" nào bền vững trong dài hạn theo nghĩa nó đang có. Có những vai trò chuyển tiếp, có những vai trò biến đổi thành nghề khác. Nghề "lập trình viên" như một bản dạng (identity) riêng biệt sẽ kết thúc.
Kết luận nghe quá khích. Nhưng nó là kết luận logic từ tiền đề ở Phần 1.
Phần 4: Cơ chế của sự mất hiểu biết
Quá trình con người mất hiểu biết về phần mềm sẽ diễn ra qua bốn giai đoạn. Không cần nói các giai đoạn này kéo dài bao lâu — tốc độ có thể nhanh hơn hoặc chậm hơn dự đoán của bất kỳ ai. Điều quan trọng là trình tự và cơ chế:
Giai đoạn 1 — Cộng tác. Con người và AI cùng viết code. Con người vẫn hiểu hầu hết những gì AI tạo ra. Lập trình viên thấy mình "mạnh hơn" nhờ AI. Lạc quan này có cơ sở — năng suất thật sự tăng. (Đây là giai đoạn chúng ta đang ở.)
Giai đoạn 2 — Phụ thuộc một phần. AI viết phần lớn code. Con người vẫn hiểu được nếu cố gắng, nhưng ngày càng ít người cố gắng. Junior thế hệ này lớn lên với AI, không có thói quen tự viết. Senior cũ bắt đầu nghỉ hưu. Bắt đầu xuất hiện hệ thống vận hành thật (production) mà không ai trong công ty hiểu hoàn toàn — chỉ AI hiểu. Lúc này vẫn còn cảm giác "nếu cần, mình có thể hiểu được". Cảm giác này là ảo tưởng đã hình thành.
Giai đoạn 3 — Phụ thuộc cấu trúc. Thế hệ kỹ sư mới hoàn toàn lớn lên cùng AI. Họ "quản lý" hệ thống nhưng hiểu biết của họ là hiểu biết qua trung gian — họ hỏi AI, AI giải thích, họ tin. Cảm nhận trực giác về việc "có gì đó sai" (smell test) biến mất. Khi AI sai ở tầng sâu, không ai phát hiện được. Ngay cả khi muốn hiểu, họ không có nền tảng để hiểu. Sự phụ thuộc trở thành cấu trúc, không phải lựa chọn.
Giai đoạn 4 — AI tự vận hành. AI không chỉ viết phần mềm mà tự triển khai (deploy), tự bảo trì, tự gỡ lỗi, tự nâng cấp. Con người không còn vận hành phần mềm — họ chỉ tương tác với kết quả của nó. Phần mềm trở thành tiện ích vô hình, tương tự cách hiện nay con người không vận hành mạng lưới điện ở tầng vật lý.
Cơ chế tâm lý — điểm sâu nhất:
Sự mất hiểu biết này không cảm thấy như mất mát với người trong cuộc. Người ở giai đoạn 3 sẽ thấy mình "hiểu phần mềm" — vì họ có thể nói chuyện thông minh với AI về phần mềm. Họ có vốn từ đúng, hỏi đúng câu hỏi, nhận câu trả lời hợp lý. Họ không biết rằng họ đang thiếu loại hiểu biết mà thế hệ trước có. Giống như người chưa từng nếm rượu vang ngon không cảm thấy thiếu — họ không biết có gì để thiếu.
Đây là kiểu mất mát nguy hiểm nhất: mất mát mà không ai đau buồn. Không có khủng hoảng đánh thức. Không có ngày mà nhân loại nhìn lại và nói "chúng ta đã mất gì đó quan trọng".
Phần 5: Tại sao đây không phải khoa học viễn tưởng
Cơ chế này đã xảy ra trong các lĩnh vực khác. Ba ví dụ:
Hàng không. Phi công thế hệ mới phụ thuộc lái tự động (autopilot) đến mức kỹ năng bay tay suy giảm rõ rệt. Cục Hàng không Liên bang Mỹ (FAA) chính thức cảnh báo từ năm 2013 về "sự phụ thuộc vào tự động hoá" (automation dependency). Ngành hàng không biết vấn đề và đã cố giải quyết suốt hơn một thập kỷ, vẫn chưa đảo ngược được.
Y học. Bác sĩ thế hệ mới phụ thuộc vào hệ thống chẩn đoán hỗ trợ. Nghiên cứu cho thấy bác sĩ nội soi đại tràng dùng AI hỗ trợ trong vài tháng bị suy giảm rõ rệt khả năng phát hiện polyp khi không có AI. Kỹ năng không phục hồi nhanh. Kỹ năng chuyên môn không tồn tại độc lập với việc thực hành nó.
Định vị không gian. Vùng hippocampus của tài xế taxi London (học thuộc bản đồ thành phố) lớn hơn người thường, đã được chứng minh bằng chụp cộng hưởng từ. Sau khi GPS phổ biến, kỹ năng này suy giảm trong một thế hệ. Mất mát ở mức sinh học, không chỉ thói quen.
Lập trình sẽ đi theo con đường tương tự, nhưng quy mô lớn hơn — vì phần mềm chạy mọi hạ tầng văn minh hiện đại. Khi con người không còn hiểu phần mềm, không phải mất một kỹ năng — mà mất kiểm soát một phần lớn văn minh.
Phần 6: Có thể chậm lại không?
Không thể dừng hoàn toàn. Có thể chậm lại.
Tại sao không thể dừng: Mỗi công ty, mỗi quốc gia phải dùng AI để cạnh tranh. Quốc gia không dùng AI sẽ thua quốc gia dùng AI. Công ty không dùng AI sẽ thua công ty dùng AI. Cuộc đua xuống đáy về mặt phụ thuộc AI — không ai chọn được khác một cách đơn phương.
Tại sao có thể chậm lại: Luật AI của Liên minh châu Âu (EU AI Act) và các sắc lệnh hành pháp của Mỹ đang tạo ma sát ở một số tầng triển khai. Kiểm soát xuất khẩu chip GPU lam chậm tốc độ mở rộng quy mô. Vốn đầu tư chuyển hướng vào nghiên cứu an toàn AI. Văn hoá nghề và áp lực ngược từ kỹ sư tạo ra các vùng đệm trong tổ chức.
Khoảng chênh giữa tốc độ tối đa về mặt kỹ thuật và tốc độ thực tế có thể là khoảng thời gian quý giá để xã hội thích nghi.
Một góc nhìn an ủi nhẹ: Có thể đây không phải bi kịch. Con người đã giao việc nhớ cho sách, giao việc tính cho máy tính, giao việc định vị cho GPS. Mỗi lần giao đi, chúng ta mất một loại năng lực và được một loại tự do. Có lẽ giao việc tạo phần mềm cho AI cũng vậy.
Vấn đề duy nhất: chúng ta không chắc con người làm tốt nhất điều gì. Mỗi lĩnh vực chúng ta tưởng đặc biệt — sáng tạo, phán đoán, đồng cảm — đều đang bị AI lấn vào. Có thể có một lõi không thể chuyển giao, có thể không có. Chúng ta không biết.
Phần 7: Vậy thì, làm sao để có ưu thế?
Các thế hệ kỹ sư vẫn phải đi qua từng giai đoạn để đáp ứng nhu cầu xã hội và đảm bảo sự phát triển của AI. Đa số sẽ trôi theo dòng — dùng AI ở mức trung bình, trở thành "người vận hành AI" thường thường. Làm gì để không thuộc đa số đó?
Nguyên tắc nền tảng
Đừng đầu tư vào thứ có đường cong khấu hao dốc. Học framework mới nhất, ngôn ngữ hot nhất, thư viện trendy nhất — tất cả khấu hao nhanh vì AI làm tốt hơn và chúng thay đổi liên tục.
Đầu tư vào thứ có thời gian bán rã dài: tư duy hệ thống, kiến thức ngành (domain) sâu, khả năng phán đoán, quan hệ con người, gu. Đây là những tài sản tích luỹ một thập kỷ vẫn còn giá trị.
Quy tắc kiểm tra đơn giản: nếu một kỹ năng có thể học trong vài tháng và AI làm được, đừng đầu tư sâu vào nó. Nếu một kỹ năng cần nhiều năm tích luỹ và AI vẫn yếu ở đó, đầu tư hết mình.
Câu hỏi khó nhất — chọn lĩnh vực nào để đào sâu
Kỹ năng meta về việc chọn đúng lĩnh vực để đào sâu quan trọng hơn bản thân việc đào sâu. Đây là kỹ năng junior thiếu nhất, vì nó đòi hỏi nhìn xa hơn nhiều năm. Không có công thức, nhưng có vài nguyên tắc giảm rủi ro:
- Chọn lĩnh vực giao thoa, không phải lĩnh vực thuần. Lĩnh vực thuần dễ bị AI thuần thay thế. Lĩnh vực giao thoa giữa hai-ba ngành (tech + sản xuất, tech + tài chính, tech + y tế) ít bị thay thế hơn vì AI phải giỏi cả hai phía.
- Chọn lĩnh vực có "thế giới vật lý" liên quan. Lĩnh vực thuần kỹ thuật số dễ bị AI lấn vào hơn. Lĩnh vực có ràng buộc với hệ thống vật lý (cảm biến/IoT, robot, hạ tầng công nghiệp) có rào cản cao hơn vì AI phải tương tác với thế giới thật.
- Chọn lĩnh vực có chu kỳ phản hồi dài. Web frontend có chu kỳ phản hồi nhanh — sai thì biết ngay, AI học nhanh. Hệ thống phân tán quy mô lớn, kiến trúc dài hạn, hệ thống quan trọng (mission-critical systems) có chu kỳ phản hồi tính bằng tháng hoặc năm. Đây là nơi gu và phán đoán con người còn giá trị lâu hơn.
- Chấp nhận rằng lựa chọn này có thể sai. Không ai biết chắc AI sẽ giỏi ở đâu tiếp theo. Chiến lược thực tế là chọn một lĩnh vực bền 5-10 năm, và sẵn sàng dịch chuyển nếu sai. Đừng đợi sự chắc chắn — sự chắc chắn không bao giờ đến.
Đối với junior
Junior đang ở vị trí khó nhất: áp lực phải có năng suất ngay, nhưng cũng cần nền tảng dài hạn. Đây là bài toán hy sinh ngắn hạn cho dài hạn. Đa số sẽ không hy sinh. Người hy sinh sẽ có ưu thế.
Làm chủ một thứ ở tầng sâu mà AI yếu. Đa số junior học rộng — biết React, Node, Python, Docker, một chút Kubernetes. Chiến lược thua. AI làm tốt hơn ở mọi tầng nông. Chiến lược thắng: chọn một lĩnh vực và đi sâu đến mức ít người chạm đến. Không phải "biết Kubernetes" mà "hiểu cách etcd hoạt động dưới tải thực". Không phải "biết React" mà "hiểu cách bộ điều phối render (reconciler) quyết định khi nào render lại". Ở tầng sâu, lượng dữ liệu huấn luyện của AI ít hơn nhiều. Người đến được tầng đó có ưu thế cấu trúc rất dài.
Rèn khả năng gỡ lỗi (debug), không phải sửa lỗi (fix bug). Sửa lỗi là biết câu trả lời và áp vào, gỡ lỗi là tự tìm ra câu trả lời từ thông tin rời rạc. AI rất giỏi sửa lỗi khi biết loại lỗi, kém ở gỡ lỗi khi gặp tình huống chưa từng thấy. Mỗi tuần dành vài giờ đọc báo cáo hậu sự cố (post-mortem) của các vụ ngưng dịch vụ lớn — Google SRE book, báo cáo sự cố của Cloudflare, của AWS. Đọc và tự hỏi "nếu mình là người trực tiếp, mình sẽ phát hiện ra sao".
Học viết — không phải code, mà chữ. Trong thế giới AI viết code, kỹ năng tách biệt junior xuất sắc với junior trung bình là khả năng viết tiếng người rõ ràng. Junior viết yêu cầu (spec) mơ hồ sẽ nhận code AI sinh ra mơ hồ. Quan trọng hơn: viết là cách rẻ nhất để rèn tư duy. Mỗi tuần viết một bài 500-1000 chữ về một vấn đề kỹ thuật mình gặp. Không cần đăng đâu cả. Viết để mình đọc lại sau.
Chọn dự án có hậu quả thật — sớm hết mức có thể. Lỗi trong dự án học tập không dạy gì về phán đoán. Lỗi làm khách hàng mất tiền dạy rất nhiều. Tìm tình huống có hậu quả — xin trực sự cố sớm, tham gia xử lý sự cố, làm dự án phụ có người dùng thật, đóng góp mã nguồn mở (open source) ở repo có nhiều người dùng. Phán đoán không xây từ việc đọc, mà từ việc chịu hậu quả của quyết định sai.
Đối với senior
Senior đang ở vị trí nghịch lý: kỹ năng hiện tại có giá trị hôm nay, nhưng đường khấu hao nhanh. Phải dùng giá trị hiện tại để đầu tư vào thứ có giá trị nhiều năm sau, trong khi vẫn hoàn thành công việc hôm nay.
Chuyển từ "viết code giỏi" sang "định nghĩa vấn đề giỏi". Đây hiện tại đang là điểm yếu của AI — đáng đầu tư nhất vì nó trả giá cả ngắn hạn (AI hiện chưa giỏi) và dài hạn (có thể không bao giờ thật sự giỏi). Tự tìm việc khó định nghĩa thay vì chờ được giao. Tham gia các cuộc họp với khách hàng, business, CEO.
Đầu tư vào một lĩnh vực (domain) ngoài tech. Senior chỉ giỏi tech sẽ thua senior giỏi tech + một domain. Tech + sản xuất, tech + tài chính, tech + y tế, tech + logistics — đây là những tổ hợp có nhu cầu cao và rào cản cao. Domain phải đủ sâu để hiểu được vấn đề thật, không phải đọc Wikipedia. Nghĩa là dành nhiều năm đọc sách chuyên ngành, đi thực địa, nói chuyện với người trong ngành.
Xây dựng mạng lưới quan hệ thật — không phải LinkedIn. Khi AI làm phẳng kỹ năng kỹ thuật, quan hệ con người trở thành tài sản phân biệt. Người được tin tưởng, được giới thiệu, có quan hệ sâu với khách hàng — vốn không thể sao chép. Đầu tư 10-15% thời gian: gặp người ngoài công ty, tham gia cộng đồng sâu, giúp người khác mà không tính toán đổi lại.
Chuyển kiến thức ngầm thành kiến thức rõ ràng. Senior có rất nhiều kiến thức ngầm (tacit knowledge) — biết cái gì không hoạt động, biết khi nào không tin AI. Phần lớn chưa bao giờ được viết ra. Senior nào viết được kiến thức ngầm thành sổ tay quy trình (playbook), mẫu thiết kế, khung ra quyết định — người đó tạo ra đòn bẩy lớn. Chọn một mảng mình giỏi nhất và viết nó ra một cách hệ thống.
Học quản lý — nhưng quản lý loại mới. Quản lý kỹ sư hôm nay khác quản lý kỹ sư của thập kỷ trước. Cần quản lý đồng thời con người và tác tử AI (AI agent). Cần thiết kế quy trình kết hợp cả hai. Người nắm được khung mới sẽ trở thành tech lead, engineering manager, CTO của thế hệ tiếp theo.
Hai nguyên tắc xuyên cấp
Dùng AI nhiều, nhưng để khuếch đại tư duy của mình, không phải thay thế. Có hai cách dùng AI. Cách phổ biến: "AI viết hộ tôi hàm này" — AI làm thay, mình chép. Cách hiếm: "AI ơi, hãy phản biện thiết kế của tôi" — AI làm tăng giá trị tư duy của mình. Người dùng theo cách thứ hai sẽ trở nên thông minh hơn theo thời gian. Người dùng theo cách thứ nhất sẽ trở nên kém đi — vì kỹ năng không dùng sẽ thoái hoá.
Chấp nhận bất tiện ngắn hạn để có ưu thế dài hạn. Tất cả lời khuyên trên đều khó chịu trong ngắn hạn. Đọc mã nguồn khó hơn dùng AI sinh code. Viết tài liệu thiết kế khó hơn nhảy vào code ngay. Học domain ngoài tech tốn thời gian không thấy hiệu quả ngay. Đa số sẽ chọn dễ chịu — và đó là lý do đa số sẽ trôi theo dòng. Người chọn khó chịu có ý thức sẽ thuộc số ít có ưu thế.
Không lãng mạn hoá điều này. Trả giá là trả giá thật. Tốn thời gian, năng lượng, đôi khi tốn cơ hội ngắn hạn. Nhưng trong một thế giới ai cũng dùng AI giống nhau, sự khác biệt phải đến từ thứ AI chưa làm được. Và thứ AI chưa làm được luôn là thứ tốn thời gian rèn luyện.
Kết: Ba câu hỏi
Ba câu hỏi để khép lại, không cần trả lời ai cả — chỉ cần trả lời cho chính mình:
Một, bạn đang xây sự nghiệp với giả định nào về tương lai? Nếu giả định ngầm là "thế giới phần mềm trong tương lai sẽ giống thế giới hôm nay, chỉ tốc độ nhanh hơn" — giả định này sai cơ bản.
Hai, trong những thứ bạn đang xây, cái gì còn giá trị khi viết phần mềm không còn là lợi thế cạnh tranh? Có thể đó là quan hệ với khách hàng, hiểu biết domain mà AI chưa lấy được, hoặc gì đó bạn chưa nhận ra.
Ba, nếu thế hệ kỹ sư hôm nay là thế hệ cuối cùng thật sự hiểu phần mềm, bạn muốn để lại gì? Đây không phải câu hỏi business. Đây là câu hỏi về vai trò của một thế hệ trong lịch sử. Bạn truyền lại cho thế hệ sau điều gì — kỹ năng dùng AI tốt nhất, hay một cái gì đó sâu hơn?
Không có câu trả lời sẵn cho ba câu hỏi này. Nhưng chúng đáng được hỏi nghiêm túc, không phải qua loa.
Ghi chú: Bài này có thể sai ở đâu
Có ba chỗ đáng nghi ngờ nhất:
Một, AI có thể chững lại. Toàn bộ bài dựa vào việc AI tiếp tục tốt lên. Quy luật mở rộng quy mô (scaling laws) có thể plateau — cuộc tranh luận quanh các mô hình hậu GPT-5 đang nóng quanh điểm này. Suy luận nhân quả và chuyển giao sang lĩnh vực mới có thể vẫn là điểm yếu cấu trúc. Nếu đúng, lập luận về "con người không còn cãi được AI" suy yếu đáng kể.
Hai, văn hoá nghề bị đánh giá thấp. Lập luận "không ai rèn kỹ năng khi AI làm tốt hơn" thuần kinh tế. Nhưng động cơ phi kinh tế tồn tại: niềm tự hào nghề thủ công, văn hoá hacker, mã nguồn mở. Tỷ lệ nhỏ như nghệ nhân làm đàn trong thời đại nhà máy, nhưng họ giữ kỹ năng và truyền cho thế hệ sau. Cơ chế bảo tồn này có thể quan trọng hơn tôi đánh giá.
Ba, "thế hệ cuối cùng hiểu phần mềm" có thể là cliché. Mỗi thế hệ đều nói câu tương tự về một kỹ năng cũ — lắp ráp xe hơi, viết tay, đọc bản đồ giấy, sửa đồ điện tử. Đa số các "lời tiên tri" đó không đúng theo nghĩa nghiêm trọng nhất. Có thể lần này khác, có thể không. Đọc bài này như một kịch bản đáng nghĩ tới, không phải dự báo chắc chắn.