(Bối cảnh sau đây là một tình huống hư cấu mang tính minh họa. Nhân vật chính, "Lâm Tri Viễn", là hình tượng đại diện dùng để minh họa, không phải khách hàng thật.)

Anh kỹ sư đó có đang làm ăn gian dối không?

Vào buổi sáng đối soát sổ sách đầu tháng, Lâm Tri Viễn nhìn chằm chằm vào hóa đơn công cụ AI của tháng này và nhíu mày. Họ là một nhóm kỹ thuật gồm bảy người, đang xây dựng một hệ thống tự động hóa quy trình nội bộ, và mỗi người trong nhóm đã quen dùng một công cụ code AI khác nhau — có người dùng Claude Code, có người dùng Cline, có người dùng tính năng Codex trong ChatGPT. Tháng này, hóa đơn API của người đồng nghiệp dùng Cline lại cao hơn hẳn so với một đồng nghiệp khác có khối lượng công việc trông tương đương nhưng dùng Claude Code.

Suy nghĩ đầu tiên của Lâm Tri Viễn rất trực tiếp: có phải cách người đó dùng công cụ có vấn đề không? Có phải anh ta cứ chạy lại nhiều lần, hay nhồi những thứ không cần thiết vào context? Anh thậm chí đã nghĩ đến việc đặt luôn một quy định — cả nhóm chỉ được dùng một công cụ duy nhất — để khỏi phải giải thích hóa đơn kỳ lạ mỗi tháng.

Video xem lúc nửa đêm, cùng một repo, chạy ba công cụ

Đêm đó anh tình cờ lướt vào một video có tiêu đề rất thẳng: "Claude Code vs Cline vs Codex: Vì sao cùng một nhiệm vụ mà hóa đơn lại chênh nhau nhiều như vậy". Người làm video, một người tên Atef Ataya, đã làm một việc rất trực tiếp: chọn một dự án mã nguồn mở mà ai cũng biết — SQLModel, một thư viện nổi tiếng trong hệ sinh thái FastAPI với 18.000 sao trên GitHub — rồi giao cùng một nhiệm vụ cho cả ba công cụ.

Thí nghiệm được thiết kế rất kỹ: Claude Code chạy trên Claude Opus 4.8; Cline cũng cố tình chọn cùng một model là Claude Opus 4.8, trả tiền theo API dựa trên mức sử dụng, không chọn phiên bản rẻ hơn; Codex chạy trên GPT-5.6, dùng hạn mức của gói đăng ký ChatGPT Plus 20 đô la mỗi tháng. Mỗi công cụ chạy trong một thư mục riêng, trên một nhánh Git riêng, không có sự can thiệp của con người trong suốt quá trình. Nhiệm vụ đầu tiên rất cơ bản: thêm một kiểu field tùy chỉnh có thể serialize dictionary và list của Python thành JSON, kèm hai unit test.

Lâm Tri Viễn vừa xem vừa gật đầu — đây đúng là quy mô nhiệm vụ mà nhóm anh vẫn thường làm.

Model rẻ hơn, hóa đơn lại đắt hơn

Kết quả khiến anh sững người. Với cùng một nhiệm vụ cơ bản, Claude Code tốn 2,92 đô la; Cline, chạy trên chính xác cùng một Claude Opus 4.8, lại tốn 9 đô la; Codex vì đã gói trong gói đăng ký hàng tháng nên chi phí cận biên cho nhiệm vụ này gần như bằng không. Cả ba công cụ đều hoàn thành nhiệm vụ, mọi test đều đạt, không ai làm qua loa.

Người làm video sau đó nâng độ khó nhiệm vụ lên — thêm phân trang, phải sửa nhiều file, đồng thời giữ khả năng tương thích ngược — và theo lời anh ấy kể, đến bước này Cline đắt hơn Claude Code "bảy lần rưỡi", một khoảng cách còn rộng hơn cả mức "năm lần rưỡi" ở nhiệm vụ đầu.

Xem đến đây, trong đầu Lâm Tri Viễn nảy ra một câu: cùng một model mà sao chênh giá lại lớn đến thế? Trước đó anh vẫn nghĩ, chỉ cần model nền là giống nhau, hóa đơn cũng nên xấp xỉ nhau, phần khác biệt còn lại nhiều nhất chỉ là do "ai gõ dài dòng hơn". Video này đã vạch thẳng vào giả định đó.

Cái thực sự đắt không phải là model, mà là cách công cụ nói chuyện với model

Nửa sau của video đưa ra câu trả lời, và đây là câu quan trọng nhất trong toàn bộ video: chi phí của một công cụ code là lựa chọn về "harness" (lớp vỏ vận hành), không phải lựa chọn về model.

Người làm video giải thích rằng Claude Code lưu cache prompt hệ thống: một khi đã tải một lần, hàng chục lượt hội thoại sau đó có thể tái sử dụng với mức giá cache rẻ hơn nhiều, gần như miễn phí. Cline, do thiết kế phải tương thích đồng thời với hơn ba mươi nhà cung cấp model khác nhau, nên cấu trúc prompt mà nó lắp ra ở mỗi lượt không hoàn toàn giống nhau; cache dễ bị mất hiệu lực hơn, và một khi mất hiệu lực, mức giá để ghi lại cache thực ra còn đắt hơn token đầu vào thông thường. Cùng một bộ não, khi đặt trong những lớp vỏ khác nhau, tạo ra hóa đơn khác nhau một trời một vực vì lớp vỏ đó gửi context theo cách khác nhau và tỷ lệ trúng cache cũng khác nhau.

Đọc đến đây, Lâm Tri Viễn mới nhận ra mình suýt nữa đã kéo người đồng nghiệp dùng Cline ra "nói chuyện", thậm chí còn nghi ngờ thói quen làm việc của anh ta có vấn đề. Nhưng vấn đề hoàn toàn không nằm ở con người, cũng không nằm ở model anh ta chọn — anh ta chỉ tình cờ chọn đúng lớp vỏ có cấu trúc chi phí đắt hơn. Nếu Lâm Tri Viễn thật sự làm theo suy nghĩ ban đầu và đi hỏi tội, đó sẽ là một sự hiểu lầm hoàn toàn từ đầu đến cuối.

Anh không ra lệnh cấm, mà mở một bảng tính trước

Trong buổi họp đứng sáng hôm sau, Lâm Tri Viễn không tuyên bố rằng từ nay cả nhóm chỉ được dùng một công cụ nhất định — làm vậy quá vội. Chính người làm video cũng đã nhắc: "Đừng tin bảng xếp hạng, đừng tin benchmark, hãy tự chạy công việc thật của chính mình một lần, và nhìn vào hóa đơn của chính mình." Thay vào đó, anh mở một bảng tính chung đơn giản nhất, nhờ mỗi người trong tuần tới, mỗi khi hoàn thành một nhiệm vụ thì ghi một dòng: đã dùng công cụ nào, tốn bao nhiêu tiền, nhiệm vụ đó là gì.

Anh muốn xem dữ liệu trước, rồi mới quyết định có nên điều chỉnh chính sách công cụ của nhóm hay không — thay vì chỉ dựa vào một hóa đơn bất thường, hoặc dựa vào cảm tính, để phán xét một đồng nghiệp. Bảng tính đó rất đơn giản, nhưng từ hôm đó, "tại sao tháng này đắt hơn" không còn là một câu đố mà Lâm Tri Viễn phải tự đoán, với rủi ro đoán sai người.

Câu hỏi thường gặp (FAQ)

Câu 1: Claude Code, Cline, Codex là gì?

Cả ba đều là những công cụ trợ lý code AI phổ biến hiện nay: Claude Code là công cụ agent code ưu tiên dòng lệnh (terminal) do Anthropic phát triển; Cline là một tiện ích mở rộng mã nguồn mở cho VS Code, đặc điểm nổi bật là có thể kết nối với nhiều nhà cung cấp model khác nhau; Codex là tính năng agent code của OpenAI, được tích hợp trong hệ sinh thái ChatGPT và có thể truy cập qua các gói đăng ký như ChatGPT Plus.

Câu 2: Nếu cả ba công cụ đều chạy trên cùng một model, tại sao hóa đơn vẫn có thể khác nhau nhiều đến vậy?

Theo giải thích trong video, sự khác biệt chủ yếu đến từ "harness" — cơ chế mà công cụ tự giao tiếp với model — chứ không phải từ model bản thân. Những yếu tố như mỗi lượt công cụ gửi lại bao nhiêu context, prompt hệ thống có được cache hay không, tỷ lệ trúng cache cao hay thấp, đều là chi tiết triển khai kỹ thuật, phản ánh trực tiếp lên hóa đơn, ngay cả khi model nền được sử dụng là giống nhau.

Câu 3: Các số tiền đô la được nêu trong bài viết này có phải là số liệu được xác thực chính thức không?

Không. Toàn bộ những số tiền này đều lấy từ phụ đề tự động do YouTube tạo ra trên video nguồn, là kết quả của một lần tự kiểm thử duy nhất do người làm video thực hiện, không phải dữ liệu được trang này hay bất kỳ bên thứ ba nào kiểm chứng, kiểm toán độc lập, và không phải mức giá chuẩn chính thức. Vì phụ đề tự động dễ nhận diện sai số liệu, bài viết này chỉ dùng các số tiền của nhiệm vụ cơ bản nhất, nơi bản ghi lời rõ ràng và không có mâu thuẫn trước sau (Claude Code 2,92 đô la, Cline 9 đô la), để làm ví dụ cụ thể. Đối với khoảng cách sau khi độ khó nhiệm vụ tăng lên, bài viết chỉ truyền đạt lại các con số tỷ lệ mà người làm video tự nói ra (5,5 lần, 7,5 lần) mà không lặp lại các số tiền tuyệt đối có rủi ro sai lệch khi ghi chép cao hơn. Bạn đọc nếu cần đánh giá chính xác chi phí thực tế của nhóm mình vẫn nên căn cứ vào hóa đơn thực tế của chính tài khoản mình.

Câu 4: Điều này có nghĩa là một công cụ nào đó "tốt nhất" không?

Không. Chính người làm video cũng đưa ra bối cảnh phù hợp nhất cho mỗi công cụ: nếu bạn muốn giảm chi phí trên cùng một model Claude và có thể chấp nhận gói đăng ký dài hạn, Claude Code là lựa chọn tiết kiệm hơn; nếu bạn cần chuyển đổi linh hoạt giữa nhiều nhà cung cấp model, hoặc cần triển khai tại chỗ (local), Cline đánh đổi sự linh hoạt đó bằng chi phí cao hơn; nếu bạn đã là người dùng ChatGPT Plus và muốn chi phí cận biên tiến gần về không, Codex là lựa chọn hợp lý. Công cụ nào là "tốt nhất" phụ thuộc vào việc nhóm bạn thực sự quan tâm nhất đến chi phí, sự linh hoạt, hay chi phí đã bỏ ra (sunk cost) cho gói đăng ký hiện có.

Câu 5: Một nhóm nhỏ nên bắt đầu theo dõi sự khác biệt chi phí kiểu này như thế nào trong thực tế?

Cách làm trong bài viết này rất đơn giản — để mỗi người tự ghi lại thủ công đã dùng công cụ nào, làm nhiệm vụ gì, tốn bao nhiêu tiền, tích lũy dữ liệu trong một tuần rồi mới nhìn lại để tìm quy luật, thay vì vội vàng đặt ra quy định. Đây cũng chính là điểm cốt lõi mà bài viết muốn truyền tải: trước khi đưa ra phán xét — dù là đổ lỗi cho một đồng nghiệp hay ép cả nhóm dùng chung một công cụ — hãy làm cho việc sử dụng thực tế của từng công cụ, trên từng nhiệm vụ, trở nên nhìn thấy được trước. Chỉ khi đó phán xét mới có cơ sở.

Ghi chú nguồn: Bài viết này được chuyển thể từ video do kênh YouTube Atef Ataya đăng vào ngày 20 tháng 7 năm 2026, có tiêu đề "Claude Code vs Cline vs Codex: Why the Same Task Costs So Much More", được viết lại theo hình thức tường thuật, không phải dịch từng chữ. Nhân vật chính trong bài viết, "Lâm Tri Viễn", là hình tượng đại diện dùng để minh họa, không phải trường hợp khách hàng thật; bối cảnh và tình huống của nhóm anh là một sự tái hiện mang tính minh họa. Các số tiền đô la cụ thể được nêu trong bài (Claude Code 2,92 đô la, Cline 9 đô la, cùng các con số tỷ lệ "5,5 lần" và "7,5 lần") đều là kết quả của một lần tự kiểm thử duy nhất mà người làm video tự kể lại trong video, lấy từ phụ đề tự động của YouTube, không phải dữ liệu được trang này hay bên thứ ba kiểm chứng, kiểm toán độc lập. Bạn đọc nên căn cứ vào hóa đơn thực tế của chính mình và không nên áp dụng trực tiếp các số liệu này vào bối cảnh dự án của riêng mình.

Hành Động Ngay

Cùng một model, đổi một công cụ khác, hóa đơn có thể chênh nhau nhiều lần — chỉ riêng điều này đã nói lên một điều: chỉ biết mình dùng model nào là không đủ để đánh giá chi phí. Điều thực sự cần theo dõi là mỗi công cụ, trên mỗi nhiệm vụ, thực tế tốn bao nhiêu. Thay vì chờ đến khi hóa đơn bất thường rồi mới quay lại đoán xem đâu là vấn đề, hãy nhìn vào nó ngay từ bây giờ. Hãy thử dùng AI Token King miễn phí ngay hôm nay, để chúng tôi giúp nhóm của bạn phơi bày mức sử dụng token thực tế, từng công cụ và từng nhiệm vụ, để ra quyết định dựa trên dữ liệu, không phải cảm tính.