Khi AI Doanh Nghiệp Bước Vào Kỷ Nguyên Tối Đa Hóa Giá Trị: Những Điều Các Nhóm Phát Triển Có Thể Học Hỏi Từ Truy Cập Khả Dụng Kỹ Thuật Số

Kinh tế học của việc tích hợp AI đã thay đổi đáng kể khi thực tế về chi phí token đã hiện thực hoá. Việc tối đa hoá token có thể đã thú vị trong thời gian ngắn, nhưng đổi mới mà không có ROI không bền vững. Giờ đây, khi chúng ta đã vượt qua thời kỳ token rẻ, AI phải chứng minh giá trị của mình bằng những kết quả kinh doanh thực tế, đo lường được trên toàn doanh nghiệp. Điều đó có nghĩa là không còn tự ý đưa AI vào mọi thách thức. Các tổ chức cần chiến lược hơn nhiều, sử dụng AI cho những gì nó giỏi, và áp dụng các phương pháp khác khi có giải pháp tốt hơn.

Chi Phí Ẩn Của Tốc Độ AI

Việc tăng tốc độ phát triển nhờ các công cụ AI đáng được chúc mừng. Nhưng nếu mã nguồn đầy rẫy lỗi, tiến bộ thực sự gần như không đáng kể. Hậu quả là nặng nề: mất thời gian và tiền bạc, rủi ro pháp lý, và trải nghiệm khách hàng kém.

Lĩnh vực truy cập khả dụng kỹ thuật số có thể dạy chúng ta rất nhiều về cách sử dụng AI một cách chiến lược. Đây là một môi trường mà các tiêu chuẩn được mã hoá và yêu cầu tuân thủ nghiêm ngặt là thực tế hằng ngày, và không có chỗ cho sự không chính xác hay kém hiệu quả. Với truy cập khả dụng, mục tiêu không phải là trở nên giỏi hơn trong việc sửa lỗi; mà là ngăn ngừa những lỗi đó xảy ra ngay từ đầu. Mục tiêu này nên được áp dụng cho bất kỳ ứng dụng AI nào. Nếu không, nợ kỹ thuật sẽ tích lũy nhanh chóng.

Theo IBM, việc bỏ qua nợ kỹ thuật có thể dẫn đến một giảm ROI từ 18 – 29%.  Các kết quả như vậy có thể xoá bỏ bất kỳ lợi thế tốc độ nào từ AI. Trong khảo sát năm 2026 của Deque về 200 nhà lãnh đạo kỹ thuật doanh nghiệp, 64% cho rằng truy cập khả dụng là động lực hàng đầu gây ra công việc sửa chữa sau sản xuất, mặc dù những đội này đã rõ ràng yêu cầu các đại lý AI của họ viết mã truy cập khả dụng.

Nợ truy cập khả dụng, giống như nợ kỹ thuật, là sự tích lũy của các vấn đề truy cập chưa được giải quyết trên các tài sản kỹ thuật số của tổ chức. Đó là khoản nợ sẽ tăng lên theo thời gian — những vấn đề không được xử lý trong thiết kế và phát triển sẽ tốn kém hơn khi sửa chữa sau này. Nghiên cứu gần đây cho thấy việc sửa một vấn đề truy cập được phát hiện trong sản xuất tốn chi phí gấp 30 lần so với ở giai đoạn thiết kế. Điều này tạo ra động lực tài chính thực tế cho các tổ chức để sớm phát hiện vấn đề, đặc biệt với khối lượng sản xuất mã hiện nay.

AI Chiến Lược vs. Công Cụ Định Tính

AI không phải lúc nào cũng là câu trả lời. Trong nhiều trường hợp, các công cụ dựa trên quy tắc, định tính mang lại kết quả nhất quán hơn, nhanh hơn và rẻ hơn. Để đưa ra quyết định đúng về việc sử dụng gì và khi nào, các đội nên bắt đầu bằng cách chia quy trình làm việc thành các tác vụ phụ và đánh giá cách tốt nhất để giải quyết mỗi thách thức. Ví dụ, các tác vụ đòi hỏi xác minh nhất quán — kiểm tra mọi yếu tố theo một tiêu chuẩn đã định — là những ứng cử viên lý tưởng cho các công cụ dựa trên quy tắc, định tính.

AI phù hợp với việc đưa ra phán đoán, tổng hợp và tạo ra các lựa chọn. Nó không phù hợp với việc xác thực: kiểm tra mọi thứ theo cùng một cách, mỗi lần.

Một số đội kỹ thuật giải quyết vấn đề này bằng cách chạy cùng một đợt đánh giá nhiều lần và so sánh kết quả. Cách này hoạt động, nhưng không miễn phí. Trong các thí nghiệm của Deque, một vòng đánh giá mã tiêu tốn khoảng 60% token dành cho một nhiệm vụ. Việc lập trình chiếm khoảng 13%. Việc viết các bài kiểm tra chiếm một tỷ lệ tương đương. Và một vòng thường không đủ. Đánh giá cùng một mã thường phải được thực hiện từ ba đến mười lần trước khi nó hội tụ thành danh sách đầy đủ các vấn đề thực sự. Mỗi vòng là một cuộc tìm kiếm mới, không phải tích lũy, vì vậy không có gì được chuyển tiếp từ lần chạy trước.

Liệu điều này có đáng giá hay không phụ thuộc vào mức chấp nhận chi phí. Một tổ chức có thể tạo ra đủ đại lý, để chúng lặp lại và kiểm tra công việc của nhau, và hội tụ đến một câu trả lời tốt. Nhưng việc này đồng nghĩa với việc trả tiền bằng token và thời gian vòng. Giải pháp thay thế đơn giản hơn: một kiểm tra định tính trả kết quả giống hệt mỗi lần, không cần các vòng lặp lặp lại.

Khai Thác Ngữ Cảnh và Con Người Trong Vòng Lặp

Một cách tiếp cận khác được mô tả trong một nghiên cứu trường hợp gần đây đã kết hợp tự động hoá và AI có khả năng hành động với việc kiểm tra của con người. Trong quy trình làm việc mới của tổ chức, các phát hiện về truy cập khả dụng được cung cấp cho một đại lý AI, người này sử dụng công cụ khắc phục để áp dụng các sửa đổi HTML dự kiến trực tiếp vào mã nguồn và sau đó tự động tạo và ghi lại các pull request. Các kỹ sư sau đó xem xét các thay đổi do AI tạo ra, phê duyệt pull request và duy trì quản trị về chất lượng và kết quả. Kết quả: 253 giờ kỹ sư được trả lại, với thời gian khắc phục nhanh hơn 98% tổng thể. Quy trình này ước tính tiết kiệm hơn 25.000 USD chi phí kỹ sư.

Đạt được kết quả tốt từ một đại lý AI phụ thuộc vào cách thiết lập nó, không chỉ vào các lời nhắc tốt. Các kỹ sư gọi đây là khai thác kỹ thuật và khai thác ngữ cảnh: xây dựng các công cụ, kiểm tra và thông tin sẵn có cụ thể cho phép một đại lý thực hiện công việc tốt trong môi trường nhất định, thay vì để mô hình tự tìm cách. Một đại lý xem xét mã không cần toàn bộ mã nguồn được tải vào cửa sổ ngữ cảnh của nó. Hãy để nó tìm các tệp liên quan và chỉ kéo vào phần mã xung quanh cần thiết, và nó thường sẽ làm việc tốt hơn với chi phí thấp hơn so với việc cung cấp toàn bộ một lần. Logic tương tự áp dụng cho việc tái sử dụng ngữ cảnh qua các lần gọi thay vì xây dựng lại từ đầu mỗi lần.

Nhìn lại, hãy nhớ rằng lý do mọi thứ này quan trọng là vì khối lượng mã do AI tạo ra đang tăng lên với tốc độ thực sự điên cuồng. Trong bối cảnh đó, chi phí tăng lên dường như không thể tránh được: hoặc do phải sửa tất cả các vấn đề mà mã AI chưa được xác thực gây ra, hoặc do phải kiểm tra ngày càng nhiều mã trước khi đưa vào sản xuất.

Nhưng chi phí tăng lên không phải là điều không thể tránh. Và khả năng truy cập kỹ thuật số mang lại một giải pháp—một giải pháp đòi hỏi phải cân bằng nhiều yếu tố, giữa AI và các công cụ dựa trên quy tắc, quyết định; giữa tự động hoá nhờ AI và việc xác thực của con người; và giữa khả năng mở rộng và hiệu quả chi phí. Đạt được sự cân bằng này đòi hỏi kỷ luật tổ chức. Càng sớm các tổ chức phát triển kỷ luật sử dụng AI một cách có chủ đích, hiệu quả và phù hợp, họ càng sớm có thể mong đợi thấy lợi nhuận tích cực, có thể đo lường được từ các khoản đầu tư AI của mình.