Nợ Nhận Thức Trong Kỷ Nguyên AI: Khi Tốc Độ Phát Triển Vượt Qua Khả Năng Hiểu Biết

Nợ Nhận Thức Trong Kỷ Nguyên AI: Khi Tốc Độ Phát Triển Vượt Qua Khả Năng Hiểu Biết

Tuần trước, tôi đã viết về cách AI tạo sinh (Generative AI) và AI tác nhân (Agentic AI) có thể đang làm trầm trọng thêm khái niệm mà tôi gọi là "nợ nhận thức" (cognitive debt). Đây là khoảng cách tích lũy giữa cấu trúc đang phát triển của một hệ thống và sự hiểu biết chung của đội ngũ về cách thức hoạt động cũng như lý do tại sao hệ thống đó lại được xây dựng như vậy, và cách nó có thể thay đổi theo thời gian.

Bài viết đó đã khơi gợi nhiều cuộc thảo luận sâu sắc trong các cộng đồng khác nhau. Thay vì trả lời từng luồng bình luận một, tôi muốn tổng hợp lại những gì mình đang nghe được và kết nối chúng với những suy ngẫm khác mà tôi đã đọc được. Tôi có thể sẽ cập nhật nội dung này khi cuộc trò chuyện tiếp tục phát triển.

Lo ngại ngày càng tăng về sự hiểu biết chung

Nhiều kỹ sư thực hành, bao gồm cả Simon Willison và những người khác trong một cuộc thảo luận trên Hacker News về bài viết của Martin Fowler, đã mô tả việc họ trực tiếp trải qua nợ nhận thức. Họ nói về việc bị lạc lối trong chính dự án của mình và thấy khó khăn hơn trong việc tự tin thêm các tính năng mới. Họ có thể di chuyển nhanh hơn, nhưng họ mất đi khả năng kết nối quyết định với ý định ban đầu, và từ ý định đó đến mã nguồn.

Vấn đề này không chỉ nằm ở chất lượng mã nguồn. Nó nằm ở việc liệu các lập trình viên cá nhân và đội ngũ sản phẩm có thể duy trì được một mô hình tinh thần (mental model) mạch lạc về những gì hệ thống đang làm và tại sao hay không.

Trong các cuộc thảo luận này, một chủ đề nhất quán là: tốc độ phát triển có thể vượt quá khả năng hiểu biết.

Nợ nhận thức gây tổn thương cho con người, không chỉ phần mềm

Nợ kỹ thuật sống trong mã nguồn.

Nợ nhận thức sống trong con người.

Khi sự hiểu biết chung bị xói mòn, những đau đớn sau đây sẽ xuất hiện:

• Mất tự tin khi thực hiện các thay đổi
• Gánh nặng review (xét duyệt) mã nguồn trở nên nặng nề hơn
• Ma sát trong quá trình gỡ lỗi (debugging)
• Tích hợp nhân sự mới (onboarding) chậm hơn
• Căng thẳng và kiệt sức

Phần mềm có thể vẫn đang "hoạt động" tốt, nhưng lý thuyết về hệ thống trở nên khó tiếp cận và khó theo dõi hơn. Chi phí không chỉ mang tính cấu trúc mà còn mang tính trải nghiệm.

Siddhant Khare đã viết về sự kiệt sức do AI (AI fatigue). Steve Yegge phản ánh về tình trạng kiệt sức xuất phát từ sự phát triển được tăng tốc bởi AI. Annie Vella đã viết rất hay về trải nghiệm cảm xúc và nhận thức của sự không chắc chắn khi các hệ thống trở nên khó lý giải hơn. Những góc nhìn này củng cố quan điểm rằng đây không chỉ là vấn đề kỷ luật kỹ thuật, mà còn ảnh hưởng đến cách các nhà phát triển cảm thấy và hoạt động.

Nợ nhận thức, giống như nợ kỹ thuật, phải được trả

Martin Fowler lưu ý rằng, giống như nợ kỹ thuật, nợ nhận thức cuối cùng cũng phải được trả. Tôi đồng ý.

Nhưng việc tái tạo kiến thức đã mất đòi hỏi việc khôi phục lại lý thuyết phân tán của hệ thống. Điều này bao gồm việc nắm bắt ý định, lý do đằng sau các quyết định, các ràng buộc chính, và cách kiến trúc hỗ trợ sự thay đổi.

Lý thuyết đó không chỉ được lưu trữ trong mã nguồn. Nó được phân tán trên:

• Con người
• Tài liệu
• Bài kiểm thử (Tests)
• Các cuộc trò chuyện
• Công cụ phát triển
• Và ngày càng nhiều hơn, các tác nhân AI

Việc trả nợ có nghĩa là duy trì tất cả những yếu tố này, không chỉ là tái cấu trúc mã nguồn hay cập nhật tài liệu kiến trúc.

Dưới áp lực phải di chuyển nhanh, dù là ở các startup đang chạy đua để học hỏi hay ở các tổ chức lớn đang thúc đẩy việc áp dụng AI, việc trả nợ này có thể cảm thấy tốn kém và dễ bị trì hoãn.

"Đây Chỉ Là Kỹ Thuật", Nhưng Các Động Lực Đang Thay Đổi

Một số người bình luận, bao gồm cả Michael Würsch, lập luận rằng nợ nhận thức phản ánh sự thất bại của kỷ luật kỹ thuật tốt. Các đặc tả rõ ràng, các bài đánh giá nghiêm ngặt, kiểm thử rộng rãi và tài liệu kiến trúc rõ ràng nên ngăn chặn việc mất mát kiến thức.

Về nguyên tắc, tôi đồng ý. Nhưng trong thực tế, các động lực đang thay đổi. AI làm giảm chi phí để tạo ra cấu trúc. Việc cấu trúc tiến hóa nhanh hơn sự hiểu biết chung trở nên dễ dàng hơn. Ngay cả những đội ngũ kỷ luật cũng phải chủ động điều tiết hoặc định hình các thực hành của mình để giữ cho sự hiểu biết đồng bộ với sự thay đổi.

Các đặc tả và tài liệu sẽ không đủ nếu chúng không phải là những hiện vật sống (living artifacts) mà các đội ngũ tích cực tương tác.

Các chiến lược giảm thiểu đang nổi lên

Đáng khích lệ là, nhiều độc giả đã chia sẻ cách họ đang giảm thiểu nợ nhận thức.

Họ mô tả về:

• Các thực hành review nghiêm ngặt hơn
• Viết các bài kiểm tra ghi lại ý định (capture intent)
• Cập nhật liên tục các tài liệu thiết kế
• Coi các nguyên mẫu là vật dụng dùng một lần (disposable)

Một số cũng mô tả việc sử dụng AI để giảm chi phí của các thực hành này, và thậm chí để hỗ trợ theo dõi nhận thức, quản lý phụ thuộc và giải thích.

Nếu được sử dụng có chủ đích, AI có thể giúp làm cho công việc nhận thức trở nên rõ ràng hơn thay vì che khuất nó.

Câu hỏi mở: Các đội ngũ hiệu quả cao sẽ thích ứng như thế nào?

Các đội ngũ hiệu quả cao luôn quản lý nợ kỹ thuật một cách có chủ đích. Khi AI được các startup và các công ty lớn áp dụng, câu hỏi trở thành: các đội ngũ sẽ quản lý nợ nhận thức như thế nào?

Họ sẽ định hình các thực hành và công cụ xã hội-kỹ thuật như thế nào để bên ngoài hóa ý định và duy trì sự hiểu biết chung? Họ sẽ sử dụng AI tạo sinh và AI tác nhân không chỉ để tăng tốc sản xuất mã nguồn, mà còn để duy trì lý thuyết tập thể của họ?

Khi AI giảm ma sát kỹ thuật, sự hiểu biết chung có thể trở thành nút thắt cổ chai về hiệu suất.

Tôi sẽ tiếp tục theo dõi sự phát triển này. Nếu bạn đang thấy các thực hành giảm thiểu hiệu quả trong các đội ngũ thực tế, tôi rất muốn học hỏi từ bạn.