Tái định nghĩa quy trình kỹ thuật với AI Agents: Bài học từ General Motors và cú nhảy vọt về năng suất

Bài viết được dịch và tổng hợp từ tin tức gốc. Bạn có thể đọc bài viết gốc bằng tiếng Anh tại đây.

Điểm tin nhanh:

• General Motors (GM) đã chuyển dịch từ việc chỉ sử dụng AI hỗ trợ viết code sang tích hợp AI Agents vào toàn bộ luồng công việc kỹ thuật.
• Kết quả thực tế cho thấy số lượng Pull Request được merge tăng gấp ba lần, đồng thời giảm đáng kể tỷ lệ lỗi (defects) trong các giai đoạn phát triển.
• Chìa khóa thành công nằm ở việc kết nối AI Agents với dữ liệu nội bộ thông qua Model Context Protocol (MCP) và thiết kế các luồng công việc (workflows) dựa trên các nút thắt cổ chai cụ thể.

Trong kỷ nguyên phát triển phần mềm hiện đại, việc chỉ dừng lại ở các công cụ hỗ trợ viết code (AI coding assistants) là chưa đủ để tạo ra sự bứt phá. Các kỹ sư tại bộ phận xe tự hành của General Motors đã chứng minh rằng, khi bạn tái thiết kế toàn bộ quy trình kỹ thuật xung quanh các AI Agents, hiệu suất không chỉ tăng lên mà còn thay đổi hoàn toàn cách thức vận hành của cả một tổ chức. Thay vì để kỹ sư loay hoay với các tác vụ lặp đi lặp lại, GM đã để AI đảm nhận phần lớn khối lượng công việc ngoài việc viết code.

Thực trạng năng suất kỹ thuật trước khi áp dụng AI Agents

Theo Rashed Haq, Phó chủ tịch phụ trách xe tự hành tại GM, các kỹ sư phần mềm tại đây trước đây chỉ dành khoảng 15% thời gian thực tế để viết code. Phần lớn thời gian còn lại bị tiêu tốn vào việc phân tích dữ liệu, xử lý các lỗi phát sinh, chạy thử nghiệm và kiểm thử các bản sửa lỗi. Đây là một thực trạng phổ biến trong ngành, nơi mà việc duy trì hệ thống thường chiếm ưu thế hơn so với việc xây dựng tính năng mới.

Để hiểu rõ hơn về sự thay đổi này, chúng ta có thể so sánh các chỉ số hiệu suất trước và sau khi triển khai chiến lược AI Agents của GM:

Chiến lược tái thiết kế luồng công việc với AI Agents

GM không chọn cách tiếp cận đơn giản là cung cấp chatbot cho kỹ sư. Thay vào đó, họ tập trung vào việc tự động hóa các vòng lặp (loops) trong quy trình kỹ thuật. Việc chuyển đổi từ Monorepo sang Multi-repo hay áp dụng các kiến trúc mới thường là bước đệm, nhưng với GM, việc kết nối AI vào hạ tầng dữ liệu mới là yếu tố quyết định.

Kết nối AI với dữ liệu nội bộ thông qua MCP

GM đã kết nối các AI Agents với hệ thống dữ liệu khổng lồ của công ty thông qua các máy chủ Model Context Protocol (MCP) tùy chỉnh. Điều này cho phép AI không chỉ đọc dữ liệu mà còn có khả năng tương tác với các công cụ nội bộ như WebViz để trực quan hóa dữ liệu đo đạc (telemetry) từ xe tự hành trên đường phố.

Mẹo hay: Việc sử dụng MCP giúp đồng bộ hóa ngữ cảnh giữa các AI Agents và hệ thống hạ tầng hiện có, giảm thiểu sai sót do dữ liệu không nhất quán.

Tự động hóa các vòng lặp kỹ thuật

Quy trình được chia thành các vòng lặp chính:

1. Phát triển và kiểm thử trong môi trường giả lập (Simulation).
2. Kiểm thử thực tế trên đường bộ (Road testing).
3. Giám sát sau khi triển khai (Post-deployment monitoring).

Tại mỗi vòng lặp, GM xác định nút thắt cổ chai lớn nhất và áp dụng AI Agents để tự động hóa. Điều này tương tự như cách các kỹ sư tối ưu hóa quy trình làm việc với Git Worktrees để tăng tốc độ phát triển.

Đánh giá & Lời khuyên Thực tiễn

Từ góc nhìn của một kỹ sư cấp cao, việc triển khai AI Agents như GM là một bước đi táo bạo nhưng cần sự chuẩn bị kỹ lưỡng về hạ tầng.

• Ưu điểm: Tăng tốc độ phát hành, giảm tải các tác vụ lặp lại, cải thiện chất lượng code thông qua kiểm thử tự động.
• Nhược điểm: Đòi hỏi chi phí đầu tư ban đầu lớn cho việc xây dựng hạ tầng MCP và quản lý quyền truy cập của AI.
• Phạm vi ứng dụng: Phù hợp cho các doanh nghiệp có quy mô dữ liệu lớn, quy trình kỹ thuật phức tạp và cần sự ổn định cao.

Lưu ý: Luôn đảm bảo rằng AI Agents hoạt động trong phạm vi quyền hạn của kỹ sư vận hành. Con người vẫn phải là người chịu trách nhiệm cuối cùng cho mọi kết quả đầu ra (output) của AI.

Việc áp dụng AI Agents không có nghĩa là loại bỏ vai trò của kỹ sư. Như đã thảo luận trong bài viết về tại sao AI không thể thay thế tư duy kỹ thuật chuyên sâu, AI chỉ là công cụ đắc lực để mở rộng khả năng của con người.

Câu hỏi thường gặp (FAQ)

AI Agents có thay thế hoàn toàn kỹ sư tại GM không?

Không. AI Agents tại GM đóng vai trò hỗ trợ, tự động hóa các tác vụ lặp lại, trong khi kỹ sư vẫn giữ quyền kiểm soát và chịu trách nhiệm về các quyết định kỹ thuật quan trọng.

Làm thế nào để đảm bảo AI Agents không gây ra lỗi bảo mật?

GM áp dụng cơ chế phân quyền dựa trên quyền hạn của kỹ sư đang sử dụng AI đó. Mọi hành động của AI đều được giám sát và tuân thủ các tiêu chuẩn bảo mật nội bộ.

Tại sao GM lại tập trung vào Model Context Protocol (MCP)?

MCP cung cấp một tiêu chuẩn thống nhất để kết nối AI với các nguồn dữ liệu và công cụ nội bộ, giúp AI hiểu rõ ngữ cảnh công việc và thực hiện các tác vụ chính xác hơn.

Kết luận

Câu chuyện của General Motors là minh chứng rõ nét cho thấy sức mạnh của việc tích hợp AI Agents vào quy trình kỹ thuật. Thay vì chỉ chạy theo xu hướng, họ đã chọn cách tối ưu hóa từ những nút thắt cổ chai thực tế. Nếu bạn đang tìm kiếm cách cải thiện năng suất đội ngũ, hãy bắt đầu bằng việc rà soát lại quy trình của mình và xem xét nơi nào AI có thể thay thế các tác vụ thủ công. Đừng quên theo dõi hi_dev để cập nhật thêm những xu hướng công nghệ mới nhất và các giải pháp tối ưu hóa quy trình phát triển phần mềm chuyên sâu.