Tại BiPlus, phát triển phần mềm chưa bao giờ được xem là một hoạt động kỹ thuật thuần túy. Đó là năng lực vận hành cốt lõi, trực tiếp quyết định tốc độ ra feature, chất lượng release và khả năng mở rộng delivery của toàn tổ chức. Khi quy mô tăng lên và mức độ phức tạp của hệ thống ngày càng cao, SDLC không còn là một chuỗi bước kỹ thuật, mà trở thành một hệ thống tạo giá trị cần được thiết kế có chủ đích.
Trong bối cảnh BiPlus định vị mình là một AI-Native organization, câu hỏi quan trọng không phải là có nên dùng AI để lập trình nhanh hơn hay không. Câu hỏi cần được đặt lại ở cấp độ hệ thống: nếu SDLC vẫn vận hành theo mô hình cũ, liệu nó có trở thành bottleneck chiến lược trong hành trình tăng trưởng hay không?
Chuyển đổi AI-Native vì thế không bắt đầu từ công cụ. Nó bắt đầu từ việc nhìn lại Operating Model của toàn bộ quy trình phát triển phần mềm.
Khi quy trình đã “đủ tốt” nhưng chưa đủ để trở thành năng lực vận hành bền vững
Trước khi triển khai AI-Native Feature Development, đội ngũ phát triển tại BiPlus đã sở hữu những yếu tố mà nhiều tổ chức mong muốn: quy trình bài bản, công cụ hiện đại như Jira, Confluence, CI/CD, cùng đội ngũ kỹ sư có kinh nghiệm. Ở bề mặt, hệ thống vận hành có vẻ đầy đủ và tương đối tối ưu.
Tuy nhiên, khi phân tích sâu vào từng điểm chạm trong chuỗi delivery, một khoảng cách giá trị dần lộ rõ.
PRD ngày càng dài và nhiều phiên bản, dẫn đến việc dev và QA hiểu khác nhau về cùng một yêu cầu. Requirement phân tán ở nhiều nơi khiến việc tổng hợp bối cảnh trở nên tốn thời gian. Phân tích tác động thay đổi phụ thuộc vào một số cá nhân có kinh nghiệm lâu năm. Việc onboarding thành viên mới đòi hỏi thời gian để nắm bắt hệ thống legacy. Test case chưa bao phủ hết các tình huống biên, khiến rủi ro rework sau UAT hoặc production vẫn tồn tại.
Những vấn đề này không xuất phát từ việc thiếu công cụ hay thiếu người giỏi. BiPlus có dữ liệu, có hệ thống và có nhân sự chất lượng. Khoảng cách nằm ở chỗ AI chưa được nhúng chính thức vào workflow tạo giá trị. Khi AI chỉ được sử dụng như một công cụ cá nhân rời rạc, nó không có đủ bối cảnh hệ thống, không gắn với KPI delivery và không có cơ chế audit hay governance rõ ràng. Kết quả là giá trị tạo ra khó đo lường và không thể mở rộng ở cấp tổ chức.
AI-Native là tái thiết cách tổ chức tạo ra phần mềm
Ở nhiều nơi, AI được áp dụng theo hướng hỗ trợ cá nhân. Mỗi người tự sử dụng AI theo nhu cầu riêng, từ viết code đến tóm tắt tài liệu. Cách làm này có thể cải thiện hiệu suất ở cấp cá nhân, nhưng không tạo ra thay đổi thực sự cho hệ thống.
AI-Native Feature Development tại BiPlus được tiếp cận theo một hướng khác. Thay vì xem AI là công cụ bên ngoài, đội ngũ xem AI Agent như một thành viên số hóa trong System of Work. Điều này đồng nghĩa với việc agent phải được thiết kế, đặt tên, xác định rõ phạm vi trách nhiệm và được tích hợp trực tiếp vào các hệ thống vận hành như Jira, Confluence và code repository.
Để đạt được điều đó, workflow cần được thiết kế lại. Dữ liệu đầu vào phải được chuẩn hóa. Cơ chế governance phải được thiết lập để đảm bảo tính minh bạch và trách nhiệm. Quan trọng hơn, giá trị tạo ra phải được đo lường và cải tiến liên tục qua từng vòng lặp. Đây không phải là hành động “bật AI lên” trong một công cụ sẵn có, mà là quá trình tái thiết Operating Model của SDLC.
Từ SDLC thủ công đến AI-Native System of Work
Trước đây, phần lớn các bước trong SDLC đều dựa vào nỗ lực thủ công của con người. Việc phân tích PRD, chuyển đổi thành user stories, đánh giá tác động thay đổi hay xây dựng test case đều được thực hiện theo kinh nghiệm và kỹ năng cá nhân. AI nếu có chỉ đóng vai trò hỗ trợ rời rạc, không tham gia chính thức vào chuỗi tạo giá trị.
Khi chuyển sang mô hình AI-Native, cấu trúc vận hành thay đổi rõ rệt. PRD được chuẩn hóa để trở thành nguồn dữ liệu đầu vào có cấu trúc. AI Agent phân tích tài liệu, đề xuất breakdown thành user stories và tạo task trong Jira kèm theo dependency. Dev tập trung vào các quyết định kỹ thuật quan trọng thay vì xử lý các tác vụ lặp lại. QA chuyển vai trò từ việc viết test từ đầu sang kiểm soát chất lượng và đánh giá rủi ro. Management có thể theo dõi tiến độ và rủi ro gần như theo thời gian thực dựa trên dữ liệu hệ thống.
Sự thay đổi không nằm ở việc thay thế con người, mà ở việc chuyển vai trò của con người từ người thực thi toàn bộ sang người điều phối và kiểm soát một hệ thống thông minh.
Thiết kế AI Agent phù hợp với từng điểm nghẽn
Thay vì xây dựng một agent tổng quát, đội phát triển BiPlus bắt đầu từ việc xác định các điểm nghẽn cụ thể trong SDLC và thiết kế agent chuyên biệt cho từng khâu.
PRD Clarifier được xây dựng để xử lý bài toán ambiguity trong tài liệu đặc tả. Agent phân tích PRD trên Confluence, đề xuất user stories và acceptance criteria chuẩn hóa, đồng thời liên kết với Jira để đảm bảo tính xuyên suốt giữa tài liệu và thực thi. BA hoặc PO giữ vai trò review và xác nhận cuối cùng trước khi đưa vào sprint.
Impact Analyzer tập trung vào việc phân tích tác động thay đổi. Bằng cách truy xuất codebase, tài liệu và lịch sử tickets, agent hỗ trợ xác định vùng bị ảnh hưởng và tóm tắt các quyết định kiến trúc liên quan. Điều này giúp giảm phụ thuộc vào một vài cá nhân có kinh nghiệm sâu về hệ thống.
Test Case Generator sinh test case từ acceptance criteria và gợi ý thêm các tình huống biên hoặc negative cases. QA không bị thay thế mà chuyển sang vai trò kiểm soát chất lượng và đảm bảo độ phù hợp của bộ kiểm thử.
Mỗi agent đều có phạm vi rõ ràng, được cấu hình quyền truy cập phù hợp và có log hoạt động để đảm bảo accountability. Sau mỗi sprint, đội ngũ đánh giá hiệu quả, đo lường giá trị thực tế và tinh chỉnh agent dựa trên dữ liệu vận hành. Giá trị vì thế không đến từ một prompt tốt hơn, mà từ thiết kế workflow và cơ chế governance nhất quán.
Kết quả không chỉ nằm ở tốc độ
Sau khi triển khai AI-Native Feature Development, thời gian từ PRD đến trạng thái ready-for-dev giảm đáng kể, dao động từ 30-50% tùy theo độ phức tạp của tính năng. Số bug phát sinh do hiểu sai requirement giảm ~30%. Lead time release rút ngắn từ 25-40%.
Tuy nhiên, tác động quan trọng hơn nằm ở cấu trúc vận hành. Dev và QA giảm đáng kể công việc lặp, onboarding thành viên mới diễn ra nhanh hơn nhờ hệ thống có khả năng cung cấp context đầy đủ hơn. Management có visibility rõ ràng về rủi ro và tiến độ thay vì phụ thuộc vào báo cáo thủ công. Việc áp dụng AI diễn ra trong khuôn khổ kiểm soát, không tạo ra lo ngại về bảo mật hay trách nhiệm.
SDLC từ một chuỗi hoạt động kỹ thuật dần trở thành một năng lực có thể đo lường, kiểm soát và mở rộng.
AI-Native là năng lực vận hành dài hạn
AI-Native Feature Development tại BiPlus không được triển khai như một dự án thử nghiệm ngắn hạn. Nó được xây dựng như một năng lực vận hành chiến lược, có lộ trình và có cơ chế cải tiến liên tục.
Khi AI được nhúng đúng cách vào System of Work, quy trình phát triển phần mềm không chỉ nhanh hơn mà còn ổn định hơn, minh bạch hơn và dễ dàng mở rộng hơn theo thời gian. Đây không phải là câu chuyện về việc AI viết code thay con người. Đây là cách tổ chức tái định nghĩa việc tạo ra phần mềm trong bối cảnh AI trở thành một phần của năng lực delivery cốt lõi.
Sự khác biệt cuối cùng không nằm ở việc có sử dụng AI hay không, mà nằm ở việc AI được vận hành như một công cụ rời rạc hay được thiết kế như một thành phần của Operating Model. Và đó chính là ranh giới giữa thử nghiệm công nghệ và tái thiết năng lực vận hành.
Quan trọng hơn, BiPlus không xem AI-Native là một chủ đề để nói cho hay, mà là một năng lực cần được xây dựng đến nơi đến chốn trong hệ thống vận hành. Chúng tôi đồng hành cùng doanh nghiệp từ việc làm rõ bài toán, thiết kế lại workflow theo tư duy AI-Native, xác định vai trò của AI Agent trong từng điểm chạm, cho đến khi mô hình đó thực sự chạy được trong thực tế.
Với BiPlus, AI-Native không phải là một lớp công nghệ phủ lên quy trình cũ. Đó là quá trình tái cấu trúc cách tổ chức vận hành, cách con người và AI cùng làm việc trong một System of Work mới. Chúng tôi tham gia như một đối tác triển khai và cùng đội ngũ nội bộ đi xuyên suốt hành trình đó, để đảm bảo AI không chỉ được đưa vào hệ thống, mà trở thành một phần của năng lực vận hành dài hạn.
