Trí tuệ nhân tạo của bạn vừa sản xuất hàng loạt nợ kỹ thuật.
AI được kỳ vọng sẽ giúp codebase của bạn tốt hơn. Nhưng nó đã khiến mọi thứ tồi tệ hơn.
Lần đầu tiên kể từ khi hệ thống kiểm soát phiên bản ra đời, các nhóm đang giao hàng nhanh hơn và phá vỡ mọi thứ nhiều hơn.
AI làm ba điều cho các nhóm kỹ thuật. Nó viết code nhanh hơn. Nó phát hiện lỗi sớm hơn. Nó xây dựng những thứ mà nhóm hiện tại của bạn không thể tự xây dựng.
Ngành công nghiệp đã đặt cược mọi thứ vào điều đầu tiên. Tốc độ. Nhiều code hơn, nhanh hơn.
Không ai hỏi điều gì sẽ xảy ra khi bạn tăng gấp 3 lần sản lượng của một nhóm vốn đã không hiểu nổi một nửa codebase của chính họ.
Nguồn: https://www.faros.ai/blog/ai-acceleration-whiplash-takeaways
Tôi đã từng thấy điều này trước đây. Tất cả chúng ta đều đã thấy.
Vào cuối những năm 1990, Java doanh nghiệp hứa hẹn "viết một lần, chạy mọi nơi". Các công ty đã đặt cược toàn bộ dòng sản phẩm vào nó. J2EE, EJB, các ngăn xếp middleware.
Đến năm 2005, việc thay đổi màu của một nút trong ứng dụng Java doanh nghiệp trung bình yêu cầu 14 tệp trên 6 gói. Martin Fowler gọi đó là "căn bệnh doanh nghiệp". Các công ty không thể giao hàng. Họ không thể thuê bất kỳ ai hiểu hệ thống. Họ không thể viết lại vì họ không thể ghi lại những gì hệ thống cũ đã làm.
Việc khắc phục mất một thập kỷ. Các framework nhẹ. TDD. CI. Agile. Ngành công nghiệp đã phải xây dựng lại lớp quản lý xung quanh công nghệ.
AI đang làm điều tương tự trong một khung thời gian ngắn hơn.
Chúng ta đã trao cho mọi nhà phát triển khả năng tạo ra hàng nghìn dòng code mỗi ngày. Nhà phát triển đã ra lệnh cho nó không thể giải thích những gì nó đã xây dựng. Người đánh giá đã phê duyệt nó đã không đọc nó. Và nhà phát triển tiếp theo kế thừa nó sẽ coi nó như một hộp đen, bởi vì đó là những gì nó là.
Tôi đã theo dõi điều này trên các codebase cũ và các bản demo mới. Chúng hỏng theo cùng một cách.
Dưới đây là 5 chế độ hỏng hóc mà chúng tôi thấy trong các dự án.
5 Chế Độ Hỏng Hóc Của AI Trên Các Codebase Thực Tế
1. Khối lượng do AI tạo ra là "ném người vào vấn đề" phiên bản mới.
Mọi CTO đều mua ghế Cursor. Mọi hội đồng quản trị đều hỏi về ROI. Chu kỳ cường điệu đã hoàn thành toàn bộ vòng đời trong vòng chưa đầy một năm.
Nhưng nhiều code hơn chưa bao giờ là vấn đề.
70% các công ty trong Fortune 500 vẫn chạy phần mềm hơn hai mươi năm tuổi. Những codebase đó không chậm vì các nhà phát triển gõ quá chậm. Chúng chậm vì không còn ai trong công ty hiểu tất cả các quy tắc kinh doanh được mã hóa trong code.
Hãy cho một tác nhân AI truy cập vào codebase đó. Nó sẽ tạo ra code hoạt động, vượt qua các bài kiểm tra và vi phạm các hợp đồng mà không ai ghi lại.
Báo cáo DORA 2026: Các công cụ AI mang lại lợi ích 35-40% cho các tác vụ greenfield sạch sẽ. Trên brownfield, cùng một công cụ, 10% hoặc ít hơn. Khoảng cách gấp 4 lần.
Nút thắt cổ chai là sự hiểu biết. AI đã làm cho nó tồi tệ hơn.
2. Nợ hiểu biết là nợ kỹ thuật phiên bản mới.
GitClean đã phân tích 623 triệu thay đổi code. Việc tái cấu trúc di sản đã giảm 74% kể từ năm 2023. Các công cụ AI tạo ra code mới thay vì tái sử dụng những gì đã tồn tại. Một bài kiểm tra đạt yêu cầu. Một ticket đã đóng. Không có sự hợp nhất nào so với hệ thống hiện tại.
Addy Osmani tại Google đã đặt tên cho nó là nợ hiểu biết: khoảng cách giữa lượng code tồn tại và lượng code mà bất kỳ con người nào hiểu được.
Trên một codebase 6 tháng tuổi, bạn có thể phục hồi. Trên một khối nguyên khối 10 năm tuổi với các tích hợp không được ghi lại và logic kinh doanh trải rộng trên hàng trăm tệp, bạn không thể.
Nợ kỹ thuật là code bạn biết là xấu. Nợ hiểu biết là code bạn không thể đánh giá được. AI là công nghệ đầu tiên tạo ra loại thứ hai trên quy mô lớn.
3. Đánh giá hình thức là con dấu cao su phiên bản mới.
31% nhiều PR hơn được hợp nhất với 0% đánh giá trong bộ dữ liệu 22.000 nhà phát triển của Faros AI. Thời gian đánh giá trung bình tăng gấp 5 lần vì người đánh giá không thể theo kịp khối lượng.
Nhiều đầu ra hơn, ít kiểm soát chất lượng hơn, không ai được trao quyền để làm chậm nó lại. Chúng tôi đã thấy mô hình tổ chức này hàng trăm lần trước khi AI tồn tại. Bây giờ nó chạy với tốc độ máy móc.
Anthropic phát hiện ra rằng các nhà phát triển sử dụng AI để ủy quyền thụ động đạt điểm dưới 40% trong các bài kiểm tra hiểu biết. Truy vấn chủ động: 65%+. Cùng một công cụ. Biến số là con người.
Hầu hết các nhóm đang sử dụng AI để tránh suy nghĩ. Điều đó sẽ đuổi kịp bạn trong sản xuất.
4. Những người hiểu hệ thống có ít động lực nhất để cung cấp nó cho AI.
Tôi đã nói chuyện với trưởng bộ phận kỹ thuật của một công ty phần mềm do PE hậu thuẫn, doanh thu khoảng 15 triệu đô la. Nhóm của anh ấy đã thử Claude nội bộ. Lời của anh ấy: "Nó đã làm một đống thứ vớ vẩn."
Anh ấy đúng khi hoài nghi.
Ford đã để các kỹ sư giàu kinh nghiệm rời đi trước khi kiến thức của họ có thể đào tạo các hệ thống chất lượng. Ba năm và hàng tỷ đô la chi phí bảo hành sau đó, họ đã thuê lại 350 kỹ sư kỳ cựu. Những kỹ sư đó đã đào tạo lại AI. Xây dựng lại các quy trình chất lượng. Ford hiện đứng đầu Bảng xếp hạng Chất lượng Ban đầu của JD Power năm 2026 lần đầu tiên sau 16 năm.
Phó chủ tịch kỹ thuật phần cứng của họ: họ nghĩ rằng việc tiếp nhận các yêu cầu thiết kế sẽ tạo ra một sản phẩm chất lượng cao. Nhưng nó đã không. Chuyên môn lĩnh vực phải được ưu tiên trước.
Những người nắm giữ kiến thức tổ chức đã chứng kiến làn sóng các sáng kiến "hiệu quả" trước đây. Họ biết điều gì sẽ xảy ra sau khi quy trình được ghi lại. Các phường hội thời trung cổ đã giữ bí mật phương pháp của họ vì lý do tương tự.
5. Codebase cần AI nhất là nơi AI hoạt động kém nhất.
Các nền tảng SaaS thị trường trung cấp. Hệ thống chăm sóc sức khỏe. Backend hậu cần. Sản phẩm dịch vụ tài chính được xây dựng bởi các nhà phát triển đã rời đi từ nhiều năm trước.
Các công ty này có khách hàng trả tiền, doanh thu thực và logic kinh doanh đáng được bảo tồn. Họ có bề mặt lớn nhất để AI tăng tốc.
Mọi công cụ coding AI được bán ngày hôm nay đều giả định rằng codebase sạch, kiến trúc mô-đun, nhà phát triển có thể cung cấp cho tác nhân đủ ngữ cảnh. Giả định đó sụp đổ bên trong một khối nguyên khối 10 năm tuổi với các tích hợp không được ghi lại và các quy tắc kinh doanh mà không ai nhớ đã viết.
74% các sáng kiến AI không mở rộng quy mô được sau giai đoạn thử nghiệm, theo Gartner. Mô hình hoạt động tốt. Codebase chưa sẵn sàng cho nó.
Điều gì thực sự khắc phục điều này
Chúng tôi đã chứng minh điều này trong một dự án thực tế. Hai kỹ sư trên một nền tảng logistics di sản. 330 PR đã được hợp nhất trong 6 tháng. ~90% code do AI tạo ra. Khách hàng gọi họ là nhóm hoạt động tốt nhất của họ. Họ đã nhận được tiền thưởng tùy ý hai lần.
Kết quả đó đến từ sự chuẩn bị, không phải từ các mô hình tốt hơn. Ba điều đã xảy ra trước khi AI chạm vào một dòng code.
Ghi lại trước khi bạn ra lệnh. Chúng tôi gọi nó là Bước 0. Trước khi bất kỳ tác nhân AI nào chạm vào một codebase cũ, bạn quét code hiện có, tạo tài liệu mà AI có thể đọc, làm cho hệ thống trở nên dễ hiểu đối với các công cụ. Tác nhân không thể suy luận về những gì nó không thể thấy. Sự xoay chuyển của Ford bắt đầu từ đây. Họ đã đưa trở lại những người hiểu hệ thống, ghi lại những gì họ biết, và chỉ sau đó mới đào tạo lại AI.
Xác định các khu vực. 80/20/0. 80% boilerplate (CRUD, kiểm thử, cấu hình, tài liệu): AI tạo tự do. 20% logic kinh doanh và tích hợp: chế độ copilot, AI phác thảo, kỹ sư viết lại. 0% xác thực, thanh toán, mã hóa, quyết định kiến trúc: không AI nào chạm vào. Kỷ luật đó ngăn chặn nợ hiểu biết tích lũy.
Đo lường trước khi bạn mở rộng quy mô. Chi phí cho mỗi lần commit. Mô hình sử dụng. Tỷ lệ phần trăm code do AI tạo. Chỉ số DORA trên mọi nhóm. Đường cơ sở trước AI. Đo lường sau AI. Nếu không có dữ liệu đó, bạn đang bay mù vào cùng một cú sốc tăng tốc đã ảnh hưởng đến 22.000 nhà phát triển trong bộ dữ liệu của Faros.
Xu hướng này đang đi về đâu
Microsoft đã cam kết 2,5 tỷ đô la. Amazon đã cam kết 1 tỷ đô la. Anthropic đã huy động được 1,5 tỷ đô la. OpenAI đã huy động được 4 tỷ đô la. Tất cả đều nhằm vào cùng một vấn đề: làm cho AI hoạt động bên trong các công ty đã tồn tại.
Thị trường tập trung vào greenfield vì các bản demo trông đẹp hơn. Tác động kỹ thuật lớn nhất sẽ đến từ các công ty có codebase xấu nhất, sản phẩm cũ nhất và đường ống được xây dựng trước khi bất kỳ ai nghe nói về LLM.
Nút thắt cổ chai là hệ thống kỹ thuật bên dưới mô hình.
P.S. Đây là những gì chúng tôi làm tại Limestone Digital. Chúng tôi nhúng các nhóm kỹ thuật gốc AI vào các codebase hiện có. Bước 0, kỷ luật khu vực, cơ sở hạ tầng đo lường. Nếu thử nghiệm AI của bạn bị đình trệ trên một codebase cũ, hãy nhắn tin cho tôi.
Liên hệ: limestonedigital.com
