Làn sóng “agentic coding” – nơi AI có thể tự viết mã ở cấp độ production – đang đặt ra một câu hỏi lớn cho mọi lãnh đạo kỹ thuật: nếu AI có thể tạo ra code chất lượng cao nhanh hơn bất kỳ đội ngũ nào, thì mô hình quản trị sẽ ra sao khi con người không còn trực tiếp viết code?

Phần lớn các tổ chức chưa có câu trả lời rõ ràng. Nhưng Treasure Data – nền tảng dữ liệu khách hàng được SoftBank hậu thuẫn, phục vụ hơn 450 thương hiệu toàn cầu – đã bắt đầu định hình được lời giải, dù phải trả giá bằng không ít bài học thực tế.

Công ty vừa công bố Treasure Code, một giao diện dòng lệnh “AI-native” cho phép đội ngũ kỹ sư dữ liệu và platform vận hành toàn bộ CDP thông qua ngôn ngữ tự nhiên, với Claude Code đảm nhiệm phần tạo và lặp mã phía sau. Toàn bộ sản phẩm này được xây dựng bởi một kỹ sư duy nhất.

Theo công ty, phần viết mã chỉ mất khoảng 60 phút. Nhưng con số đó không phải trọng tâm. Điều quan trọng là: những điều kiện nào phải tồn tại trước 60 phút ấy – và những gì đã vỡ trận sau đó.

“Ở góc độ lập kế hoạch, chúng tôi vẫn phải giảm thiểu rủi ro cho doanh nghiệp, và việc đó mất vài tuần,” Rafa Flores, Giám đốc Sản phẩm của Treasure Data, chia sẻ. “Nhưng khi đã bước vào giai đoạn ý tưởng và triển khai, mọi thứ hòa làm một – và bạn cứ thế tiến lên. Đây không còn là prototype, mà là triển khai production theo cách an toàn.”

Xây tầng quản trị trước khi viết một dòng code

Trước khi AI tạo ra bất kỳ dòng mã nào, Treasure Data buộc phải trả lời câu hỏi khó hơn: hệ thống không được phép làm gì, và làm sao để cưỡng chế điều đó ở cấp nền tảng, thay vì chỉ hy vọng code “ngoan ngoãn”?

Các “guardrail” của họ được thiết kế ở tầng trên của code. Khi người dùng kết nối vào CDP thông qua Treasure Code, toàn bộ quyền truy cập và phân quyền được kế thừa trực tiếp từ nền tảng gốc. Người dùng chỉ truy cập được những tài nguyên họ đã có quyền. Dữ liệu PII không thể bị lộ. API key không thể bị hiển thị. Hệ thống không được phép phát ngôn tiêu cực về thương hiệu hay đối thủ.

“Chúng tôi phải kéo cả CISO, CTO, trưởng bộ phận kỹ thuật vào để đảm bảo hệ thống không thể ‘đi lạc’,” Flores nói.

Chính nền tảng đó cho phép họ đi tiếp: để AI tạo ra 100% codebase, nhưng dưới một pipeline kiểm soát ba tầng nghiêm ngặt.

Pipeline ba tầng cho code do AI tạo ra

Tầng thứ nhất là một AI reviewer – cũng dùng Claude Code.

Công cụ này hoạt động ở giai đoạn pull request, chạy một checklist có cấu trúc: kiểm tra sự phù hợp kiến trúc, tuân thủ bảo mật, xử lý lỗi, độ bao phủ test và chất lượng tài liệu. Nếu đạt chuẩn, nó có thể tự động merge. Nếu không, sẽ đẩy sang người kiểm tra.

Việc chính AI viết code và AI khác review lại không phải chi tiết phụ. Điều này cho thấy quy trình có thể tự củng cố, thay vì phụ thuộc vào một lớp kiểm soát hoàn toàn do con người viết.

Tầng thứ hai là pipeline CI/CD truyền thống: unit test, integration test, end-to-end test, static analysis, linting và kiểm tra bảo mật.

Tầng thứ ba là review bởi con người – bắt buộc khi hệ thống tự động phát hiện rủi ro hoặc khi chính sách doanh nghiệp yêu cầu ký duyệt.

Nguyên tắc nội bộ của Treasure Data rất rõ: AI có thể viết code, nhưng AI không được tự đưa code lên production.

Không chỉ đơn giản là trỏ Cursor vào database

Câu hỏi mà nhiều đội kỹ thuật đặt ra: tại sao không dùng công cụ như Cursor trỏ thẳng vào database, hoặc expose dưới dạng MCP server để Claude Code truy vấn trực tiếp?

Flores cho rằng khác biệt nằm ở chiều sâu quản trị.

Một kết nối “thuần túy” cho phép truy vấn bằng ngôn ngữ tự nhiên, nhưng không kế thừa hệ thống phân quyền sẵn có của nền tảng. Khi đó, mọi truy vấn phụ thuộc hoàn toàn vào quyền của API key.

Treasure Code kế thừa toàn bộ hệ thống access control của Treasure Data, nên mọi hành động bằng ngôn ngữ tự nhiên đều bị giới hạn bởi quyền hiện hữu của người dùng.

Khác biệt thứ hai là khả năng điều phối. Nhờ kết nối trực tiếp với AI Agent Foundry của công ty, Treasure Code có thể phối hợp nhiều sub-agent và kỹ năng cùng lúc – thay vì chỉ thực thi từng tác vụ đơn lẻ.

Và mọi thứ vẫn… vỡ kế hoạch

Dù đã có kiến trúc quản trị, buổi ra mắt vẫn không hoàn hảo.

Ban đầu, Treasure Data tung Treasure Code ra cho khách hàng mà không có kế hoạch go-to-market rõ ràng, nghĩ rằng sản phẩm sẽ “nằm im” trong khi đội ngũ chuẩn bị bước tiếp theo. Nhưng khách hàng đã tự tìm ra.

Chỉ trong hai tuần, hơn 100 khách hàng và gần 1.000 người dùng đã tiếp cận và sử dụng – hoàn toàn nhờ khám phá tự nhiên.

“Chúng tôi không hề làm marketing. Nghĩ rằng chẳng ai tìm thấy. Nhưng họ đã tìm thấy,” Flores nói. “Và chúng tôi phải chạy đua để nghĩ xem có cần beta không, trong khi thực tế nó đã live rồi.”

Sự bùng nổ ngoài dự tính cũng tạo ra lỗ hổng compliance. Treasure Code vẫn chưa hoàn tất chứng nhận trong chương trình Trust AI của công ty khi đã đến tay khách hàng.

Một vấn đề khác xuất hiện khi họ mở phát triển “skill” cho các bộ phận ngoài kỹ thuật. CSM và account director bắt đầu xây skill và gửi lên mà không hiểu rõ tiêu chí duyệt, tạo ra hàng loạt nỗ lực lãng phí và backlog không thể merge do không đáp ứng chính sách repository.

Xác thực từ doanh nghiệp – và khoảng trống còn lại

Thomson Reuters là một trong những đơn vị sớm áp dụng. Theo Flores, họ từng cố xây nền tảng AI agent nội bộ nhưng tiến độ quá chậm. Sau khi dùng AI Agent Foundry của Treasure Data để tăng tốc phân khúc khách hàng, họ mở rộng sang Treasure Code để tùy chỉnh linh hoạt hơn.

Phản hồi tích cực xoay quanh khả năng mở rộng và việc không phải vượt qua rào cản procurement – vốn là nút thắt lớn trong doanh nghiệp.

Tuy nhiên, một khoảng trống vẫn tồn tại: Treasure Code chưa cung cấp hướng dẫn về mức độ trưởng thành AI. Ai nên dùng? Nên bắt đầu từ đâu? Phân quyền theo cấp độ kỹ năng ra sao?

Flores thừa nhận đây sẽ là lớp giá trị tiếp theo cần xây dựng.

Bài học cho lãnh đạo kỹ thuật

Nhìn lại, Flores nói nếu làm lại, ông sẽ chỉ phát hành nội bộ trước.

“Chúng tôi sẽ không phát hành ra bên ngoài ngay. Phải là phát hành kiểm soát để học được rủi ro ở mức thấp hơn.”

Với phát triển skill, bài học là thiết lập tiêu chí phê duyệt rõ ràng trước khi mở cửa cho toàn tổ chức.

Điểm chung của tất cả bài học này: tốc độ chỉ là lợi thế khi cấu trúc kiểm soát đủ vững.

Từ trải nghiệm của Treasure Data, có ba kết luận thực tế cho các lãnh đạo kỹ thuật đang cân nhắc đưa agentic coding vào production:

Thứ nhất, hạ tầng quản trị phải có trước code. Phân quyền ở cấp nền tảng là điều cho phép AI viết tự do mà vẫn an toàn.

Thứ hai, quality gate không thể phụ thuộc hoàn toàn vào con người. AI có thể review mọi pull request một cách nhất quán, không mệt mỏi, và kiểm tra chính sách trên toàn codebase. Con người nên là lớp kiểm tra cuối cùng, không phải cơ chế chính.

Thứ ba, hãy chuẩn bị cho việc sản phẩm được tìm thấy sớm hơn bạn nghĩ. Nếu nó thực sự tốt, người dùng sẽ tự tìm ra – và khi đó, compliance và go-to-market phải sẵn sàng.

“Vibe coding có thể hiệu quả nếu được triển khai an toàn và có guardrail phù hợp,” Flores nói. “Hãy dùng nó để tự động hóa những phần lặp lại, thay vì thay thế giá trị cốt lõi mà bạn tạo ra.”

REVOLAND – CÔNG NGHỆ NÂNG TẦM ĐẤT VIỆT

Hotline: (096) 807-0478

Email: revolandcom@gmail.com

Website: https://www.revoland.vn/

Địa chỉ: Số 40 Đường D2A, The Manhattan Vinhomes Grand Park, Phường Long Bình, Thành phố Thủ Đức, TP. Hồ Chí Minh.