Mô hình "nhà máy phần mềm": Khi AI tự vận hành cả một dự án

Một trong những thách thức thú vị của hệ sinh thái AI trong năm 2026 là các mô hình làm việc mới xuất hiện nhanh hơn tốc độ chúng ta có thể áp dụng. Bạn bắt kịp được vài mô hình, quay lại công việc, rồi một tháng sau nhận ra mình đã bỏ lỡ thêm bốn năm cách làm khác.

Từ trợ lý AI đến đội quân tác nhân

Câu chuyện của Imprint trong năm nay là một ví dụ điển hình cho tốc độ thay đổi đó. Hành trình bắt đầu từ tháng Một với việc đưa toàn bộ kỹ sư sang dùng Claude Code mỗi ngày. Đến tháng Ba, mọi nhân viên còn lại cũng được đưa lên Claude Code hoặc Claude Cowork. Sang tháng Tư, mô hình phát triển cục bộ bộc lộ điểm nghẽn ở khâu checkout và worktree, nên họ chuyển sang tạo khoảng 10 không gian làm việc độc lập, mỗi nơi có bản checkout riêng của mọi kho mã nguồn — nhờ đó có thể tạo pull request xuyên suốt frontend, backend, hạ tầng và các monorepo dữ liệu.

Đến tháng Sáu, một vấn đề mới nổi lên: phát triển do tác nhân AI dẫn dắt bị hạn chế nghiêm trọng vì thiếu một hệ thống quản lý công việc chung có khả năng hiển thị tốt hơn và ít phức tạp về phân quyền so với Jira. Cả công ty chuyển sang Linear và dừng hẳn Jira. Đến tháng Bảy, khi đã nhìn thấy toàn bộ các ticket, họ nhận ra nhiều ticket khá nhỏ nhặt nhưng việc quản lý qua phát triển cục bộ không mở rộng được, nên phải triển khai một hệ thống điều phối mà nội bộ gọi là "Agent Fleet", theo hướng tương tự Minions của Stripe.

Nhà máy phần mềm hoạt động thế nào?

Câu hỏi mới nhất là làm sao áp dụng mô hình software factory (nhà máy phần mềm). Thuật ngữ này trong bối cảnh AI có nguồn gốc hơi rối, nhưng có thể bắt nguồn từ Justin McCarthy trong bài viết "Software Factories And The Agentic Moment" hồi tháng Hai năm 2026.

Ý tưởng cốt lõi là lặp trên một mục tiêu rộng, rồi dựa vào hệ thống điều phối để thúc đẩy tiến độ hướng tới mục tiêu đó. Cách triển khai đầu tiên khá đơn giản, gồm một kỹ năng tác nhân gọi là /linear-project-loop, đọc một dự án trên Linear và bắt đầu kiểm tra định nghĩa mục tiêu của dự án theo các chiều sau:

• Một RFC trên Notion mô tả mục tiêu dự án, cách đo lường mục tiêu và hướng tiếp cận tổng thể
• Một dashboard Datadog hoặc các truy vấn Snowflake để đo tiến độ so với mục tiêu

Nếu thiếu những thứ này, hoặc dự án Linear hoàn toàn chưa tồn tại, tác nhân sẽ trao đổi với người dùng để cùng tạo ra các công cụ còn thiếu. Sau đó nó xem xét trạng thái các chỉ số và đầu việc của dự án:

• Nếu phát hiện công việc mới, nó thêm các đầu việc đó vào dự án
• Nó cập nhật trạng thái của những đầu việc đã thay đổi
• Nó xử lý các nhiệm vụ không bị chặn dựa trên trạng thái hiện tại của dự án — thường là viết pull request, cập nhật pull request, nhắc người review, hoặc đặt câu hỏi làm rõ

Khi một nhiệm vụ hoàn thành, nếu mô tả dự án vẫn còn mới, nó chuyển sang nhiệm vụ tiếp theo. Nếu mô tả đã lâu không cập nhật, nó chạy lại vòng lặp từ bước đầu tiên. Hiện tại tác giả chạy mô hình này cục bộ trong một harness nội bộ, nhưng nó hoạt động đủ tốt để có thể sớm chuyển sang hệ thống điều phối chung — nơi vốn được dùng để giao các nhiệm vụ đơn lẻ.

Giá trị thật nằm ở đâu?

Điểm tác giả đặc biệt thích ở mô hình nhà máy là nó song song rất sát với cách ông vốn làm việc, nhưng đồng thời buộc phải nhận ra những chỗ mình đang vô tình giữ riêng một phần trạng thái về mục tiêu dự án. Trước đây, ông đã yêu cầu các tác nhân AI lặp trên những dự án Linear cụ thể, nhưng chúng không có khả năng đánh giá liệu mình có đang đi đúng hướng hay thiếu nhiệm vụ cần thiết. Giờ thì có.

Một ứng dụng hữu ích khác là kiểm tra dự án sau khi phát hành. Ví dụ, tính năng passkeys được triển khai từ đầu năm, nhưng vài tháng trôi qua mà không ai kiểm tra lại tình hình. Nếu tỷ lệ sử dụng tăng vọt hoặc tỷ lệ lỗi bắt đầu đổi chiều, rất có thể sẽ bị bỏ sót. Chạy mô hình nhà máy ở chế độ hậu phát hành với tần suất thấp hơn sẽ phát hiện ngay lập tức.

Sức mạnh đến từ sự cộng hưởng

Suy nghĩ cuối cùng đáng chú ý là mức độ các mảnh ghép này chỉ cộng hưởng khi bạn đã có đủ những mảnh còn lại. Chẳng hạn, mô hình nhà máy phụ thuộc vào việc có sẵn Datadog MCP và quyền truy cập Snowflake để quản lý theo dõi mục tiêu, nhưng nó cũng phụ thuộc vào việc Linear là nguồn trạng thái duy nhất cho công việc của cả công ty, và vào một hệ thống điều phối có thể thực hiện công việc độc lập khỏi laptop của bạn.

Việc theo kịp ngần ấy cuộc di chuyển hệ thống là một khoảnh khắc đáng chú ý của ngành công nghiệp.

Đối với các đội kỹ thuật tại Việt Nam, câu chuyện này gợi ra một bài học thực tế: giá trị của AI trong phát triển phần mềm không chỉ đến từ một công cụ đơn lẻ, mà từ việc xây dựng cả một hệ sinh thái đồng bộ — nơi quản lý công việc, dữ liệu giám sát và khả năng tự vận hành của tác nhân AI bổ trợ lẫn nhau.