Lãnh đạo trong Kỹ thuật được Hỗ trợ bởi AI: Từ Dữ liệu đến Hành động

Trong bối cảnh bùng nổ của Generative AI, các nhà lãnh đạo kỹ thuật đang đối mặt với áp lực lớn phải áp dụng công nghệ này để tăng năng suất. Tuy nhiên, thực tế không phải lúc nào cũng như kỳ vọng. Tại hội nghị QCon AI, Justin Reock - Phó CTO tại DX (một nền tảng thông minh kỹ thuật) - đã có bài thuyết trình sâu sắc về lãnh đạo trong kỷ nguyên kỹ thuật được hỗ trợ bởi AI. Ông đi sâu vào việc phân tích dữ liệu thực tế, giải mã "GenAI Divide" và đưa ra các khung chiến lược cụ thể giúp các tổ chức đo lường và tối ưu hóa hiệu quả đầu tư vào AI.

Lãnh đạo trong Kỹ thuật được Hỗ trợ bởi AI

Tác động thực tế của AI: Dữ liệu không nói dối nhưng cũng không đơn giản

Khi nói về hiệu quả của AI, chúng ta thường nghe những câu chuyện mang tính giai thoại về việc lập trình viên làm việc nhanh hơn gấp đôi. Tuy nhiên, Justin Reock cảnh báo rằng chúng ta cần nhìn vào những con số "cứng" từ các nghiên cứu uy tín như DORA và DX.

Google báo cáo rằng kỹ sư của họ tăng 10% năng suất nhờ sử dụng AI. Ngược lại, một nghiên cứu của METR lại chỉ ra sự giảm sút 19% về năng suất tổng thể trong một thí nghiệm cụ thể. Điều thú vị là trong nghiên cứu của METR, tất cả các kỹ sư đều cảm thấy mình năng suất hơn, nhưng dữ liệu khách quan lại cho thấy kết quả ngược lại. Điều này nhấn mạnh sự cần thiết phải quản lý chênh lệch giữa nhận thức và thực tế.

Các báo cáo từ cộng đồng DORA cho thấy những tác động tích cực nhưng khiêm tốn:

• Tăng 25% việc áp dụng AI tương đương với việc cải thiện 7,5% chất lượng tài liệu.
• Tăng 3,4% chất lượng mã nguồn.
• Tăng 3,1% tốc độ review code.

Tuy nhiên, dữ liệu từ DX cho thấy một bức tranh phức tạp hơn khi phân tích theo từng công ty riêng lẻ. Trong khi một số công ty thấy sự tự tin khi thay đổi code tăng hơn 20%, thì những công ty khác lại thấy giảm hơn 20%. Tương tự, tỷ lệ thất bại khi thay đổi (change failure rate) cũng biến động mạnh. Điều này chứng minh rằng tương lai đã đến, nhưng nó không được phân bố đồng đều. Một số tổ chức thành công rực rỡ, trong khi những tổ chức khác đang chật vật.

"GenAI Divide" và Tại sao 95% Dự án Thất bại

Một khái niệm quan trọng được Justin đề cập là "GenAI Divide" (Khoảng cách GenAI). Theo nghiên cứu của nhóm MIT NANDA, tới 95% các dự án thí điểm AI thất bại. Nguyên nhân chính không phải do công nghệ, mà do thiếu chiến lược triển khai phù hợp.

Các mô hình ngôn ngữ lớn (LLM) tổng quát thường được sử dụng cho mọi vấn đề, nhưng thực tế các giải pháp "agentic" (tác nhân) nhắm vào các nhiệm vụ cụ thể lại mang lại hiệu quả cao hơn. Hơn nữa, các tổ chức thường mắc sai lầm khi chỉ bật công nghệ và kỳ vọng nhân viên sẽ tự nhiên thành thạo. Thực tế, có một đường cong học tập rõ rệt: từ việc không áp dụng sang áp dụng nhẹ, cả chất lượng và năng suất thường đều giảm sút trước khi bắt đầu cải thiện khi đạt đến mức áp dụng vừa phải và chuyên sâu.

Nghiên cứu của DORA chỉ ra rằng các chiến lược sau mang lại tác động tích cực nhất:

• Chính sách AI rõ ràng (quan trọng nhất).
• Dành thời gian để học hỏi.
• Giảm bớt lo lắng về việc bị thay thế.

Chiến lược cho Nhà lãnh đạo: Chính sách và Sự an toàn tâm lý

Là nhà lãnh đạo, chúng ta cần áp dụng các chiến lược riêng biệt để vượt qua "GenAI Divide".

1. Xây dựng Chính sách Rõ ràng và Minh bạch

Chính sách AI rõ ràng là yếu tố dự báo mạnh mẽ nhất cho thành công. Các nhà lãnh đạo cần minh bạch về lý do tại sao AI được đưa vào: để tăng cường (augment) năng suất chứ không phải để thay thế con người (cutting costs). Sự minh bạch giúp giảm bớt nỗi sợ hãi và tạo ra sự an toàn tâm lý - yếu tố then chốt của các nhóm hiệu suất cao theo dự án Aristotle của Google.

2. Đo lường Đúng cách: Vượt qua Goodhart's Law

Một sai lầm phổ biến là đo lường tỷ lệ sử dụng AI (ví dụ: 100% nhân viên phải dùng AI). Điều này dẫn đến "Goodhart's Law": khi một thước đo trở thành mục tiêu, nó không còn là một thước đo tốt. Các kỹ sư sẽ tìm cách "lách luật" để đạt chỉ số, ví dụ như dùng AI để cập nhật file README cho đẹp mà không tạo ra giá trị thực.

Thay vào đó, các tổ chức nên sử dụng các khung đo lường như SPACE và Core 4 (do DX phát triển, tổng hợp từ DORA và SPACE). Chúng ta cần cân bằng giữa các chỉ số tốc độ và chất lượng/bảo trì. Các chỉ số quan trọng bao gồm:

• Tốc độ: Thông lượng PR (PR throughput), tốc độ giao hàng.
• Chất lượng: Tỷ lệ thất bại khi thay đổi (change failure rate), tính bảo trì của code (code maintainability), sự tự tin khi thay đổi (change confidence).

Tuân thủ và Niềm tin: Kiểm soát AI với System Prompt và Temperature

Để tin tưởng vào đầu ra của AI, các kỹ thuật viên cần có các công cụ để kiểm soát hành vi của mô hình.

System Prompt và Vòng lặp Phản hồi (Feedback Loop)

System Prompt (hoặc Cursor Rules, Agent Markdown tùy nền tảng) là tập hợp các quy tắc hướng dẫn mô hình hành xử như thế nào. Điều quan trọng không chỉ là áp dụng nó, mà là thiết lập một vòng lặp phản hồi. Khi mô hình hoạt động sai, cần có một nhóm (nhóm QA hoặc AI Center of Excellence) chịu trách nhiệm thu thập phản hồi và cập nhật system prompt kịp thời.

Ví dụ, nếu AI liên tục tạo code dùng phiên bản Spring Boot cũ, system prompt cần được cập nhật để yêu cầu chỉ sử dụng Spring 3.0 trở lên và không bao gồm các cú pháp lỗi.

Hiểu về Nhiệt độ (Temperature) và Tính xác định (Determinism)

Trong AI, "nhiệt độ" (temperature) quyết định mức độ ngẫu nhiên của đầu ra.

• Nhiệt độ thấp (ví dụ 0.0001): Đầu ra mang tính xác định cao, ít sáng tạo nhưng ổn định, phù hợp cho việc tạo code nghiêm ngặt.
• Nhiệt độ cao (ví dụ 0.9): Đầu ra ngẫu nhiên, "sáng tạo" hơn nhưng dễ sai, phù hợp cho việc lên ý tưởng hoặc brainstorming.

Việc kết hợp system prompt với việc điều chỉnh nhiệt độ phù hợp giúp kiểm soát chất lượng đầu ra tốt hơn, đảm bảo code vừa đúng ngữ cảnh của tổ chức vừa đáng tin cậy.

Kết luận: Đầu tư vào Con người

Tất cả dữ liệu đều chỉ ra rằng các kỹ sư biết tận dụng AI tốt hơn sẽ vượt trội so với những người kháng cự. Là nhà lãnh đạo, nhiệm vụ của chúng ta là cung cấp giáo dục, tài liệu và môi trường an toàn để nhân viên thử nghiệm. AI không đến để lấy mất công việc của bạn, nhưng một người giỏi sử dụng AI có thể sẽ thay thế bạn.

Việc trang bị kỹ năng mới như prompt engineering, context engineering hay xây dựng agents là những khoản đầu tư dài hạn cho sự nghiệp của đội ngũ kỹ thuật. Bằng cách cân bằng giữa tốc độ và chất lượng, và đặt sự an toàn tâm lý lên hàng đầu, các tổ chức có thể vượt qua "GenAI Divide" và hiện thực hóa giá trị thực sự của AI trong kỹ thuật.