Tại sao các công ty trả 10.000 USD mỗi tuần cho kỹ sư để xóa mã nguồn do AI tạo ra

Tại sao các công ty lại trả 10.000 USD mỗi tuần cho kỹ sư để xóa mã nguồn do AI tạo ra? Các công ty đang chi trả hàng nghìn đô la mỗi tuần cho các kỹ sư phần mềm để loại bỏ mã do AI tạo ra khỏi các kho lưu trữ sản xuất. Khi trí tuệ nhân tạo tạo sinh làm gia tăng khối lượng đầu ra lập trình, các đội ngũ phần mềm phải đối mặt với sự đánh đổi khó khăn giữa tốc độ cung cấp tính năng và tính bền vững của kiến trúc dài hạn. Hiện nay, vì các tác nhân lập trình tự động thường lặp lại logic và bỏ qua các ranh giới mô-đun, các tổ chức nhận ra rằng việc tái cấu trúc và xóa các tệp dư thừa có giá trị hơn là liên tục tạo ra các tệp mới.

Dịch vụ 10.000 USD mỗi tuần để xóa mã nguồn AI

Sơ lược

• Các đơn vị kỹ thuật chuyên biệt đang tính phí lên tới mười nghìn đô la mỗi tuần để kiểm toán, tái cấu trúc và tinh gọn các cơ sở mã nguồn cồng kềnh do AI viết.
• Các trường hợp nghiên cứu chứng minh những vòng lặp tái cấu trúc thành công có thể cắt giảm 65% cơ sở mã nguồn của doanh nghiệp mà vẫn bảo toàn toàn bộ tính năng.
• Sự tăng trưởng nhanh chóng của các mẫu khối mã trùng lặp đã đạt đến mức cao lịch sử, trực tiếp làm giảm tốc độ phát triển trên các hệ thống phần mềm lớn.

Thỏa thuận chuẩn mực trong phát triển phần mềm đã có một sự thay đổi lớn. Trong nhiều năm, thách thức cốt lõi của các đội ngũ kỹ thuật là viết mã đủ nhanh để theo kịp các yêu cầu sản phẩm. Các nhà phát triển đã cấu trúc thủ công các kết nối cơ sở dữ liệu, thiết kế các lớp tuần tự hóa và viết kiểm thử đơn vị, dành phần lớn chu kỳ phát triển cho công việc lắp ghép mã lặp đi lặp lại.

Việc tích hợp các mô hình ngôn ngữ lớn (LLM) và trợ lý lập trình tiên tiến đã loại bỏ hoàn toàn lực cản ban đầu này. Sử dụng các công cụ như Claude Code, GitHub Copilot và các trình chỉnh sửa tích hợp như Cursor hoặc Windsurf, cả những người xây dựng có chuyên môn và không chuyên đều có thể tạo ra toàn bộ ứng dụng thông qua các câu lệnh ngôn ngữ tự nhiên tần suất cao, một quy trình thường được gọi là “Vibe Coding”. Tuy nhiên, khi các tệp tự động này nhân lên, việc thiếu hụt thiết kế kiến trúc trở nên rõ rệt. Các hệ thống AI xuất sắc trong việc tạo ra phản hồi cục bộ theo yêu cầu của câu lệnh, nhưng chúng không thể đánh giá kiến trúc kỹ thuật dài hạn rộng lớn hơn. Điều này dẫn đến các chức năng dư thừa và cấu trúc dữ liệu bị phụ thuộc chặt chẽ, vốn đã được ghi lại trên cổng kỹ thuật Slopfix.

Để khôi phục tính bảo trì của hệ thống, các nhà lãnh đạo kỹ thuật đang thiết lập các mục tiêu xóa mã an toàn. Các đội ngũ phát triển giàu kinh nghiệm đang được thuê để đánh giá các kho lưu trữ lộn xộn, thiết lập các kiểm tra hồi quy tự động và loại bỏ hàng nghìn lớp mã trùng lặp. Khoảng cách hiệu suất này giải thích tại sao các tổ chức trả tiền cho các nhà phát triển chuyên nghiệp để Xóa mã do AI tạo ra thay vì tiếp tục viết các tệp mới. Bằng cách tận dụng chuyên môn nghiệp vụ cùng với các công cụ được kiểm soát chặt chẽ, các hoạt động tái cấu trúc này thay thế mã tùy chỉnh dư thừa bằng các thư viện mã nguồn mở tiêu chuẩn, đảm bảo rằng các ứng dụng cuối cùng vẫn ổn định và có khả năng mở rộng.

Cơ chế kỹ thuật: Tại sao mã nguồn AI tạo ra tích tụ nợ kỹ thuật

Ở cấp độ kỹ thuật, hiện tượng “AI slop” xuất phát từ một hạn chế cơ bản trong quản lý ngữ cảnh của các transformer hiện đại. Mặc dù một LLM có thể phân tích một thư mục văn bản lớn, nhưng cơ chế chú ý (attention mechanism) của nó đánh giá mã thông qua xác suất token thay vì các nguyên tắc kiến trúc nghiêm ngặt.

Khi một tác nhân giải quyết một lỗi cô lập trong một tệp, nó thường đưa vào logic trùng lặp thay vì gọi các lớp tiện ích hiện có. Qua vài tháng, hành vi này gây ra sự suy giảm phần mềm nghiêm trọng. Biểu đồ dưới đây minh họa cách các bản vá tự động gây ra sự phân kỳ cấu trúc:

[Kiến trúc con người cấu trúc]
  Đầu vào ──> Core API Controller ──> Shared Utility Class (Bộ định dạng chuẩn duy nhất) ──> Đầu ra an toàn


[Mã chắp vá AI cồng kềnh]
  Đầu vào ──> Bản vá 1 (Bộ định dạng mới) ──> Bản vá 2 (Bộ định dạng trùng lặp) ──> Đầu ra phân mảnh

Sự trùng lặp này không còn là vấn đề cục bộ; nó đã trở thành một thách thức toàn ngành. Theo báo cáo Maintainability Gap năm 2026 của GitClear, sau khi phân tích 623 triệu thay đổi, các khối mã trùng lặp đã đạt mức cao nhất từng được ghi nhận, tăng 81% kể từ năm 2023. Trong khi đó, việc tái cấu trúc có cấu trúc đã sụt giảm, chiếm chưa đến 4% tổng số thay đổi mã trong năm 2026 so với 21% vào năm 2022. Sự chuyển dịch vật lý này hướng tới lập trình sao chép-dán giải thích lý do tại sao các nhà phát triển hiện có khả năng đưa các khối mã dư thừa vào cao gấp 5 lần so với việc tái cấu trúc mã hiện có.

Những phát hiện này được củng cố thêm bởi một nghiên cứu thực nghiệm quy mô lớn theo dõi nợ mã nguồn. Các nhà nghiên cứu đã kiểm tra hơn 300.000 cam kết do AI tạo ra trên 6.299 kho lưu trữ GitHub, phát hiện ra rằng hơn 15% các bản gửi từ Copilot, Claude, Cursor và Gemini có chứa các 'code smells' (mã có dấu hiệu xấu), lỗi sai sót hoặc rủi ro bảo mật.

Rủi ro về lỗi dây chuyền này thường buộc các đội ngũ phần mềm phải Xóa mã do AI tạo ra khi các bản sửa lỗi cục bộ làm hỏng các điểm cuối hiện có. Hơn nữa, nghiên cứu tiết lộ rằng 22,7% những vấn đề do AI đưa vào vẫn chưa được giải quyết trong các phiên bản mới nhất của cơ sở mã, với nhiều vấn đề tồn tại hơn chín tháng, nhấn mạnh chi phí dài hạn của đầu ra AI không được quản lý.

Mặc dù việc dọn dẹp mã kho lưu trữ và theo dõi lượt cài đặt di động hoạt động trên các lớp khác nhau, cả hai môi trường đều chia sẻ cùng một thách thức kỹ thuật: khi các hệ thống tự động tạo ra các chuỗi yêu cầu dư thừa hoặc tập lệnh chưa được kiểm chứng, rủi ro va chạm dữ liệu và hỏng hóc thuộc tính tăng lên. Những thách thức tương tự tồn tại trong ghi nhận dữ liệu di động (attribution), nơi các hạn chế quyền riêng tư và lưu lượng truy cập bot tự động cũng làm giảm sự phụ thuộc vào các định danh phía máy khách. Nếu các đội ngũ bảo mật không thể phân biệt giữa yêu cầu người dùng sạch và các tương tác tự động từ tác nhân, toàn bộ đường ống phân tích sẽ dễ bị tổn thương trước việc báo cáo sai các chuyển đổi.

Tác động ngành: Cách dọn dẹp mã AI định hình lại kỹ thuật phần mềm

Sự gia tăng nhanh chóng của các trình tạo mã tự động đã kích hoạt một sự thay đổi trong vai trò tiêu chuẩn của kỹ sư phần mềm. Các nhà phát triển đang chuyển đổi từ tác giả sang người kiểm toán, tập trung vào kiến trúc hệ thống, luồng dữ liệu và tính toàn vẹn của giao diện.

• Đội ngũ doanh nghiệp: Các tổ chức lớn đang thiết lập các cổng CI/CD chuyên dụng và các giao thức phân tích tĩnh với các công cụ như ESLint, Prettier hoặc SonarQube để loại bỏ các cam kết chứa các cấu trúc AI chưa được kiểm chứng, duy trì khả năng bảo trì lâu dài.
• Công ty khởi nghiệp: Trong khi các dự án giai đoạn đầu tận dụng các công cụ như Devin, CodeRabbit hoặc Cursor để xác thực nhanh MVP, họ vẫn cần sự tái cấu trúc từ con người trước khi chuyển giao cho các đội ngũ kỹ thuật cấp độ sản xuất.
• Cộng đồng mã nguồn mở: Các dự án như công cụ trò chơi Godot đã hạn chế các đóng góp do AI tạo ra vì các nhà phát triển không thể hiểu hoặc xác minh các tập lệnh phức tạp được gửi.
• Nhà cung cấp SDK và thư viện: Các nhà cung cấp phần mềm phải đảm bảo thư viện tích hợp của họ vẫn hoàn toàn mô-đun và gọn nhẹ để ngăn chặn các công cụ tự động hiểu sai các phần phụ thuộc.

Giảm sự cồng kềnh của mã AI mà không cần viết lại tất cả

Khi các tổ chức đối mặt với thực tế kỹ thuật của việc mở rộng mã nguồn do AI điều khiển, các đội ngũ kỹ thuật phải đánh giá cách họ quản lý các phần phụ thuộc bên thứ ba và lựa chọn SDK. Việc điều phối các đường ống định tuyến lưu lượng cao đòi hỏi các kiến trúc có thể liên kết an toàn các hành động người dùng mà không dựa vào các vùng chứa lưu trữ cục bộ. Các nhà phát triển phải quyết định xem nên xây dựng các khung đồng bộ cơ sở dữ liệu tùy chỉnh bằng AI tự tạo hay triển khai cơ sở hạ tầng tiêu chuẩn, có sẵn.

Đánh giá kiến trúc: Tự xây dựng vs. SDK tiêu chuẩn

Khi đối mặt với sự mở rộng cơ sở mã, các nhà phát triển phải quyết định xem nên xây dựng các tiện ích nội bộ mở rộng hay tận dụng các thư viện trưởng thành, bên ngoài để triển khai các chức năng bổ sung. Phát triển các giải pháp tùy chỉnh từ đầu bằng cách sử dụng các công cụ AI tự tạo thường đưa vào hàng nghìn dòng logic chưa được kiểm thử và các lớp trùng lặp. Ngược lại, việc tích hợp các gói phần mềm tối giản, đã được xác minh giúp duy trì dung lượng biên dịch nhỏ.

Bảng dưới đây tóm tắt sự đánh đổi giữa các kiến trúc dữ liệu tùy chỉnh và SDK bên ngoài được chứng nhận:

Do đó, các quản lý kỹ thuật ngày càng ưu tiên xóa mã nguồn do AI tạo ra dư thừa trước khi giới thiệu các tính năng mới. Các SDK gọn nhẹ giảm thiểu sự phức tạp khi tích hợp vì thế đã trở nên hấp dẫn hơn. Ví dụ, các nhà phát triển tích hợp dữ liệu đo lường chuyển đổi đa nền tảng có thể triển khai SDK OpoInstall siêu nhẹ. Thay vì tạo ra hàng trăm dòng mã AI chưa được kiểm thử để xử lý các tham số đa nền tảng, SDK không phụ thuộc, được xây dựng sẵn này ánh xạ siêu dữ liệu phiên vào cơ sở dữ liệu phiên phía máy chủ. Điều này duy trì ngữ cảnh chiến dịch và giới thiệu một cách ẩn danh mà không làm tăng trọng lượng tệp biên dịch phía máy khách.

Danh mục kiểm tra tích hợp: Chuẩn bị kiến trúc cho triển khai nhẹ

Để ngăn chặn sự xuống cấp của mã trong tương lai và duy trì tính nhất quán của chuyển đổi trên các nền tảng phân tán, các đội ngũ kỹ thuật và sản phẩm phải thiết lập ranh giới cơ sở mã sạch.

Danh mục triển khai cho nhà phát triển

• Thiết lập trình kiểm tra mã và cổng kiểm soát: Cấu hình các đường ống CI/CD tự động với các chuỗi công cụ như ESLint, Prettier hoặc SonarQube để từ chối các PR có điểm tương đồng cao hoặc trùng lặp chức năng tiện ích.
• Kiểm toán kích thước SDK bên thứ ba: Xác minh dung lượng biên dịch của tất cả các thư viện tích hợp để ngăn chặn các gói cồng kềnh làm chậm thời gian khởi động thiết bị.
• Triển khai tái cấu trúc mã liên tục: Dành một tỷ lệ cố định của các đợt phát triển (sprints) để thu gọn các thư mục dư thừa thành các thành phần mô-đun.

Danh mục chiến lược Sản phẩm & Tăng trưởng

• Tối ưu hóa sử dụng bộ nhớ: Đánh giá các phần phụ thuộc của ứng dụng để giảm thiểu thời gian tạm dừng thu gom rác (garbage collection) và tránh điều tiết nhiệt phía máy khách.
• Tinh giản lựa chọn SDK: Ưu tiên các công cụ bên thứ ba mục đích đơn lẻ, được tối ưu hóa cao, mang lại kết quả đáng tin cậy mà không có bất kỳ phần phụ thuộc thừa nào.
• Giám sát độ trễ luồng công việc API: Theo dõi các chỉ số độ trễ tiêu chuẩn từ lượt nhấp chiến dịch ban đầu đến đối khớp cài đặt phía máy chủ để xác nhận tính liên tục của dữ liệu.

Bằng cách thiết lập các hướng dẫn có cấu trúc này, các đội ngũ phát triển có thể chuyển đổi ứng dụng của họ sang các kiến trúc an toàn hơn, tuân thủ hơn trong khi vẫn duy trì sự liên tục trong hoạt động.

Khi phát triển với sự hỗ trợ của AI trở thành xu hướng chủ đạo, các đội ngũ phần mềm đang chuyển sự chú ý từ việc tạo ra nhiều mã hơn sang việc duy trì các cơ sở mã lành mạnh hơn. Sự xuất hiện của các doanh nghiệp chuyên về dọn dẹp mã nguồn AI phản ánh một sự thay đổi rộng lớn hơn trong cách các tổ chức đánh giá chất lượng phần mềm trong kỷ nguyên AI tạo sinh. Việc dựa vào các tác nhân tự động để vá đi vá lại các vấn đề cấu trúc sẽ tiếp tục tích tụ nợ kỹ thuật. Xây dựng lại các hướng dẫn kỹ thuật nội bộ xung quanh tính mô-đun nghiêm ngặt, kiểm thử tự động và các phần phụ thuộc bên thứ ba được tối ưu hóa cao là điều cần thiết để duy trì khả năng mở rộng của ứng dụng.

Nhìn về tương lai, các tổ chức thành công sẽ ưu tiên khả năng bảo trì cơ sở mã hơn tốc độ tạo mã thô. Bằng cách tích hợp cơ sở hạ tầng gọn nhẹ, không phụ thuộc và chuyển các trạng thái theo dõi phức tạp sang các cơ sở dữ liệu phía máy chủ, các nhà phát triển có thể bảo vệ các đường ống triển khai của họ khỏi sự xâm lấn của mã dư thừa. Sự chuyển đổi này không chỉ đơn thuần là thích nghi với các công cụ tự động; đó là việc xây dựng các cấu trúc phần mềm bền vững, ổn định trong một môi trường kỹ thuật đậm đặc các tác nhân tự động.