Tại hội thảo VB Transform 2026 vừa qua, General Motors (GM) đã công bố một bước tiến quan trọng trong việc tối ưu hóa quy trình phát triển phần mềm cho phân khúc xe tự hành của mình bằng cách ứng dụng sâu rộng các trợ lý AI tự trị (AI agent). Quyết định tái cấu trúc toàn bộ quy trình làm việc thay vì chỉ trang bị công cụ hỗ trợ viết code thông thường đã giúp GM tăng gấp ba lần số lượng yêu cầu kéo mã nguồn (pull request) được phê duyệt thành công, đồng thời đẩy nhanh tốc độ phát hành và giảm thiểu đáng kể lỗi phát sinh.
Diễn biến chi tiết
Theo VentureBeat, báo cáo từ GM chỉ ra rằng các kỹ sư phần mềm tại bộ phận xe tự hành thực tế chỉ dành khoảng 15% thời gian làm việc để trực tiếp viết mã code. Tỷ lệ này tưởng chừng rất thấp nhưng lại phản ánh đúng thực trạng chung của ngành công nghiệp, nơi các kỹ sư phải dành tới 85% quỹ thời gian cho các tác vụ phụ trợ phức tạp như phân tích dữ liệu telemetry từ xe chạy thử nghiệm, phân loại lỗi, thiết lập thí nghiệm và kiểm thử các bản sửa lỗi.
Để giải quyết bài toán hiệu suất này, GM đã chia quy trình phát triển thành nhiều vòng lặp cốt lõi: phát triển và kiểm thử phần mềm trong môi trường mô phỏng (simulation), chạy thử nghiệm xe trên đường phố công cộng, và giám sát xe sau khi bàn giao cho khách hàng. Tại mỗi vòng lặp, hãng chủ động xác định những điểm nghẽn mất nhiều thời gian nhất để tự động hóa bằng AI agent, thay vì chỉ cung cấp một chatbot viết code đơn thuần vốn không giải quyết được sự kém hiệu quả của cả quy trình.
Phân tích kỹ thuật & Công nghệ
Về mặt kiến trúc kỹ thuật, GM đã kết nối các AI agent trực tiếp với hệ thống công cụ nội bộ và kho dữ liệu khổng lồ lên tới hàng petabyte thông qua các máy chủ sử dụng Giao thức bối cảnh mô hình (Model Context Protocol - MCP) được tùy chỉnh riêng. Nhờ giao thức MCP này, các agent có thể gọi trực tiếp các công cụ nền tảng của WebViz — hệ thống trực quan hóa dữ liệu đo xa của GM — thay vì phải phụ thuộc vào giao diện đồ họa thông thường dành cho người dùng.
Bên cạnh đó, GM còn phát triển các tài liệu hướng dẫn được kiểm soát phiên bản gọi là "skills" để định nghĩa chi tiết cách thức agent thực hiện các tác vụ chuyên biệt. Chẳng hạn, khi nhận dữ liệu đo xa từ xe chạy trên đường thực tế, AI agent có thể tự động phân tích dữ liệu, tiến hành phân loại lỗi ban đầu, tìm kiếm dữ liệu lịch sử để so sánh các sự cố tương tự, và tự động tạo báo cáo lỗi (issue) chi tiết cho kỹ sư kèm theo các ví dụ minh chứng cụ thể.
Ý kiến chuyên gia & Nhận định
Dù trao nhiều quyền hạn cho AI agent, GM vẫn duy trì cơ chế kiểm soát nghiêm ngặt đối với hệ thống này. Ông Rashed Haq, Phó Chủ tịch mảng xe tự hành của GM, cho biết quyền hạn của một agent luôn được đồng bộ hóa và giới hạn dựa trên quyền truy cập của chính kỹ sư sử dụng nó. "Nếu một kỹ sư thực hiện nhiệm vụ này và họ cần quyền truy cập vào các tài nguyên cụ thể, thì agent của họ cũng sẽ được cấp quyền tương tự", ông Haq giải thích, đồng thời nhấn mạnh rằng "kỹ sư vẫn là người chịu hoàn toàn trách nhiệm về kết quả đầu ra của agent."
Để đảm bảo tính nhất quán và an toàn, GM cũng thiết lập các bài kiểm tra hiệu suất và quy chuẩn đánh giá nghiêm ngặt trước khi ứng dụng AI vào quy trình diện rộng. Con người vẫn đóng vai trò là chốt chặn quan trọng cuối cùng khi trực tiếp xem xét các phép đo lường và quyết định xem một bản sửa lỗi có đủ điều kiện để chuyển sang giai đoạn phát hành thực tế hay không.
Tác động & Tương lai
Sự thành công ngoài mong đợi của GM cho thấy một hướng đi mới đầy triển vọng cho ngành kỹ nghệ phần mềm toàn cầu, nơi AI không chỉ đóng vai trò là công cụ hỗ trợ gõ code đơn lẻ. Bằng cách định hình lại toàn bộ quy trình làm việc xung quanh các tác nhân AI có khả năng tự hoạt động, các doanh nghiệp công nghệ lớn có thể giải phóng sức sáng tạo của kỹ sư khỏi các tác vụ thủ tục lặp đi lặp lại. Đối với cộng đồng phát triển công nghệ tại Việt Nam, mô hình tích hợp sâu thông qua các tiêu chuẩn mở như MCP của GM là một bài học thực tế giá trị trong việc tối ưu hóa quy trình vận hành và nâng cao năng suất kỹ thuật trong kỷ nguyên AI.