Mã nguồn do AI tạo ra: "Cơn đau đang chờ đợi" và nợ kỹ thuật khổng lồ

Sự hào hứng của các nhà quản lý đối với việc áp dụng các công cụ Trí tuệ nhân tạo (AI) đang vượt xa khả năng tiếp thu và sử dụng hiệu quả của các lập trình viên. Đây là nhận định được ông Moshe Sambol, Phó Giám đốc giải pháp khách hàng tại công ty công nghệ Lightrun, chia sẻ trong một cuộc phỏng vấn gần đây.

Theo ông Sambol, thực tế cho thấy phần lớn các nhà phát triển vẫn đang ở giai đoạn đầu của đường cong học tập khi làm việc với các công cụ AI. Mức độ kỳ vọng của doanh nghiệp đang đi trước khả năng thực tế của đội ngũ kỹ thuật về mặt tư duy, đào tạo và sự hỗ trợ cần thiết để làm quen với tốc độ phát triển chóng mặt của các công cụ này.

Áp lực lên người lập trình viên

Mức độ áp dụng công cụ AI tại các công ty hiện nay rất đa dạng. Ông Sambol chia sẻ rằng có những khách hàng đã yêu cầu nhân viên của mình không được viết code theo cách truyền thống nữa.

"Tôi tuyệt đối có những khách hàng đã nói với lập trình viên của mình rằng: 'Các bạn không viết code nữa. Các bạn chỉ xem xét code. Không ai được viết một dòng code nào trừ khi sau ba lần cố gắng khiến GenAI làm việc đó mà thất bại'," ông Sambol nói.

Tuy nhiên, ở phía ngược lại của phổ áp dụng, các tổ chức như ngân hàng mới chỉ bắt đầu triển khai AI do các nghĩa vụ tuân thủ và tính thận trọng truyền thống của ngành tài chính.

Ông Sambol cho rằng đây là một thời điểm thú vị để áp dụng và học hỏi các công cụ mới, nhưng nó tạo ra áp lực lớn lên người lập trình viên với kỳ vọng về năng suất cao hơn. Không phải ai cũng có thể quản lý tốt áp lực này, và ông bày tỏ sự đồng cảm sâu sắc với những lập trình viên bị buộc phải sử dụng AI mà không có sự đào tạo hay định hướng từ tổ chức.

Nợ kỹ thuật và rủi ro tiềm ẩn

Các mô hình AI tạo sinh (Generative AI) có thể tạo ra một lượng lớn mã nguồn rất nhanh. Vì đoạn code ban đầu có vẻ đúng, nó thường được đưa vào quy trình sản xuất ngay lập tức.

"Nếu nó không tạo ra hàng loạt lỗi ngay hôm nay, thì đó chỉ là 'cơn đau đang chờ đợi'," ông Sambol cảnh báo.

Câu hỏi quan trọng nhất mà chúng ta cần đặt ra cho các lập trình viên là: "Bạn có thể giải thích đoạn code đó không? Bạn đã xác thực xem code đó có thực sự phù hợp với ngữ cảnh của hệ thống rộng lớn hơn không?"

Vấn đề là các hệ thống AI hiện tại không giúp lấp đầy khoảng trống kiến thức này. Chúng không cung cấp ngữ cảnh để hiểu tất cả các thành phần liên quan trong một hệ thống phức tạp.

Bài học từ sự cố Ansible

Ông Sambol kể lại một sự cố thực tế khi một lập trình viên sử dụng trợ lý AI để xây dựng quy trình làm việc tự động hóa bằng Ansible. AI đã tạo ra mẫu Ansible cho lập trình viên này, một công việc được coi là nhàm chán và AI làm rất tốt về mặt cú pháp.

Ban đầu mọi thứ hoạt động tốt, nhưng sau đó hệ thống đột ngột dừng hoạt động. Lập trình viên đã mất cả một buổi chiều để "xõa tóc" tìm cách gỡ rối, trong khi trợ lý AI lại đưa ra các hướng dẫn sai lệch như cài đặt lại hệ điều hành.

Nguyên nhân sâu xa là do vào buổi sáng, lập trình viên đã cài đặt thành phần theo một cách cụ thể — nó chạy trong một container với dịch vụ systemd. Do đó, nó cần quyền truy cập vào các cổng trên thiết bị, điều này ngăn cản việc chạy thành phần đó trong Docker.

Ông Sambol giải thích: "Mô hình AI đã đóng gói lại, triển khai theo một cách khác, nhưng lại giữ nguyên bản gốc đang chạy. Vấn đề đơn giản là bản gốc mà anh ấy đã triển khai trước đó vẫn đang chạy và đang chặn cổng, khiến bản thứ hai không thể chạy."

Đây là một vấn đề dễ hiểu khi nhìn lại, nhưng lập trình viên đã lãng phí cả ngày để đi vào ngõ cụt vì mô hình AI không "nhớ" rằng nó đã hướng dẫn triển khai hệ thống theo một cách nhất định vào đầu ngày.

Giải pháp và tương lai

Nhiều nghiên cứu cho thấy một tỷ lệ đáng kể mã do AI tạo ra chứa lỗi và tạo ra nợ kỹ thuật. Tuy nhiên, ông Sambol cũng nhấn mạnh rằng các lập trình viên con người cũng không hoàn hảo. Ông cho rằng quan trọng là phải thừa nhận sự không hoàn hảo này và hướng tới các quy trình cải thiện kết quả.

Một cách để làm điều đó là tự động hóa quy trình tạo lệnh nhắc (prompting) để nó có thể lặp lại và đáng tin cậy hơn.

"Tôi nghĩ các công cụ này đang trở nên tốt hơn tuyệt đối. Và vì vậy, tôi miễn cưỡng gọi bất kỳ cái nào trong số đó là rác hay khiếm khuyết sâu sắc. Chúng đang tốt lên với tốc độ đáng kinh ngạc. Nếu bạn có thể tận dụng một vài công cụ khác nhau — với sự giám sát của con người — thì bạn có khả năng nhận được kết quả ít nhất cũng tốt như những gì bạn có được trước đây," ông Sambol kết luận.