Thế nhưng, sự tự tin đó sụp đổ hoàn toàn khi code được triển khai vào môi trường thực tế. Báo cáo chỉ ra một sự "ngắt kết nối mang tính cấu trúc" – một mâu thuẫn trực tiếp giữa cách code được chấm điểm trong quá trình kiểm duyệt và cách nó thực sự vận hành dưới tải công việc thực tế .

• 81% lãnh đạo công nghệ doanh nghiệp cho biết có sự gia tăng trực tiếp các sự cố sản xuất (production incidents) liên quan đến code do AI tạo ra .
• 78% số người được hỏi báo cáo có nhiều sự cố hơn nói chung .
• 86% báo cáo sự gia tăng thời gian mà nhân viên cấp cao phải bỏ ra để sửa các mã nguồn đó .
• 74% cho biết có ít nhất 25% code do AI tạo ra cần phải chỉnh sửa lại sau khi triển khai .

Mô thức này có một cái tên được báo cáo nhấn mạnh: "vibe coding" – thói quen tạo ra và đưa code vào hoạt động chủ yếu dựa trên lòng tin. Chính sự tin tưởng mù quáng này đang gây ra một cuộc khủng hoảng trong vận hành hệ thống .

Vượt ra ngoài New Relic: Một vấn nạn toàn ngành

New Relic không đơn độc trong việc gióng lên hồi chuông cảnh báo. Các báo cáo ngành khác trong năm 2026 cũng vẽ nên một bức tranh tương tự:

• Báo cáo State of AI-Powered Engineering 2026 của Lightrun cho thấy 43% thay đổi code do AI tạo ra cần được gỡ lỗi thủ công trong môi trường sản xuất, ngay cả sau khi đã vượt qua các bài kiểm tra chất lượng và thử nghiệm chuẩn bị. Không một người trả lời nào nói tổ chức của họ có thể xác minh một bản sửa lỗi do AI đề xuất chỉ với một chu kỳ triển khai lại; 88% cần từ hai đến ba chu kỳ .
• Báo cáo Kỹ thuật AI 2026 của Faros AI phát hiện rằng số lỗi trên mỗi lập trình viên tăng 54%, và tỷ lệ sự cố trên mỗi yêu cầu kéo về (PR) đã tăng hơn gấp ba lần. Mối quan hệ giữa việc áp dụng AI và chất lượng sản phẩm đang xấu đi, chứ không ổn định dần lên .
• Khảo sát State of Code Developer 2026 của Sonar cho thấy AI đã chiếm tới 42% mã nguồn được cam kết (committed code), dự kiến đạt 65% vào năm 2027 – nhưng 96% lập trình viên không hoàn toàn tin tưởng vào code do AI tạo ra, và chỉ 48% luôn kiểm tra trước khi xác nhận .
• Phân tích của CodeRabbit trên 470 PR mã nguồn mở cho thấy các PR do AI tạo ra mang đến số lỗi nhiều hơn khoảng 1,7 lần, tập trung vào các lỗi logic, thiếu sót trong xử lý ngoại lệ và các phát hiện về bảo mật. Ở phân vị thứ 90, các PR AI có 26 lỗi so với 12,3 lỗi của PR do con người viết .

Vấn đề cốt lõi không nằm ở chỗ AI viết code tồi. Vấn đề nằm ở chỗ tốc độ tạo code của AI nhanh gấp 5–10 lần con người, trong khi tốc độ xác minh vẫn chỉ ở mức 1 lần . Quy trình kiểm duyệt mã nguồn vốn được thiết kế cho nhịp độ làm việc của con người không thể theo kịp khối lượng đầu ra khổng lồ từ AI, tạo ra một nút thắt cổ chai xác minh, khiến sự bất ổn dễ dàng lọt vào môi trường sản xuất mà không bị phát hiện.

Phản ứng: Quan sát Mã nguồn AI (AI Coding Observability) từ New Relic

Vào ngày 8 tháng 6 năm 2026, New Relic đã trực tiếp giải quyết sự ngắt kết nối này bằng cách công bố phát triển New Relic AI Coding Observability, một giải pháp quan sát mã nguồn mở được thiết kế đặc biệt cho phát triển phần mềm có sự hỗ trợ của AI . Tính năng này dự kiến phát hành vào ngày 23 tháng 6 năm 2026, và sẽ có sẵn miễn phí cho khách hàng của New Relic .

Một lớp dữ liệu từ xa trung lập với nhà cung cấp

Về mặt kiến trúc, cách tiếp cận này rất quan trọng. New Relic xây dựng AI Coding Observability trên hai tiêu chuẩn mở: OpenTelemetry (OTel) và Model Context Protocol (MCP) . Điều này đồng nghĩa với việc các đội ngũ không bị khóa cứng vào một schema dữ liệu của New Relic hay một trợ lý lập trình AI duy nhất. Bất kỳ trợ lý nào cung cấp dữ liệu từ xa tương thích MCP – như GitHub Copilot, Cursor, Claude Code, và các công cụ khác – đều có thể kết nối vào cùng một lớp quan sát này . Trong một thị trường mà công cụ lập trình thống trị năm 2027 có thể không phải là công cụ đang được dùng hôm nay, sự trung lập với nhà cung cấp là một điều cần thiết thực tế.

Ba năng lực cốt lõi

Thông báo của New Relic vạch ra ba trụ cột chính cho AI Coding Observability :

1. Tầm nhìn (Visibility) – Theo dõi cách các trợ lý lập trình AI đang được sử dụng trong quá trình phát triển: dùng công cụ nào, tần suất ra sao, và chúng tạo ra những gì. Mục tiêu là biến việc sử dụng AI rời rạc, không được giám sát thành một hoạt động kỹ thuật có quản trị và đo lường được.
2. Kiểm soát chi phí (Cost Control) – Dự đoán và kiểm soát chi tiêu cho lập trình AI bằng cảnh báo ngân sách. Điều này trực tiếp giải quyết một điểm mù mà các nhóm FinOps (Vận hành Tài chính) thường gặp, khi họ nhận được những hóa đơn hàng tháng mờ mịt cho việc sử dụng công cụ lập trình AI mà không hiểu rõ giá trị mang lại .
3. Quản trị (Governance) – Giữ cho các truy vấn và quá trình sinh code an toàn và có thể kiểm toán, bao gồm chế độ zero-outbound giữ dữ liệu nhạy cảm trong phạm vi mạng lưới của tổ chức .

Kết nối phát triển với vận hành sản xuất

Bước đi chiến lược nằm ở khả năng liên kết dữ liệu. AI Coding Observability đang được thiết kế để chuẩn hóa dữ liệu từ xa từ các trợ lý lập trình AI và liên kết nó một cách liền mạch với hạ tầng sản xuất hiện có . Ý tưởng là tạo ra một "tấm kính duy nhất" (single pane of glass) nơi các đội ngũ có thể theo dõi một thay đổi do AI tạo ra từ IDE, qua quá trình triển khai, đến khi vào môi trường sản xuất – và sau đó xem liệu thay đổi đó có liên quan đến một đợt tăng đột biến sự cố sau vài giờ hoặc vài ngày hay không.

Chìa khóa cho các nhà lãnh đạo kỹ thuật: Từ 'tin tưởng' sang 'xác minh'

Các CTO đã dành suốt giai đoạn 2024-2025 để thúc đẩy việc áp dụng và tăng năng suất từ các trợ lý lập trình AI. Dữ liệu từ New Relic, Lightrun, Faros, Sonar và các đơn vị khác cho thấy rõ rằng giai đoạn tiếp theo cần tập trung vào khâu xác minh, độ tin cậy và trách nhiệm chi phí.

Mức độ tự tin 94% trong quá trình kiểm duyệt code không hẳn là sai về bản chất – AI thường tạo ra mã sạch, dễ đọc, đúng cú pháp và vượt qua các bài phân tích tĩnh. Nhưng vấn đề lại nằm ở môi trường: code do AI tạo ra thực hiện tốt trong "hộp cát" chật hẹp của một pull request, nhưng lại sụp đổ trước sự phức tạp của dữ liệu sản xuất thực, hành vi người dùng thực và các tương tác hệ thống mà không một cuộc kiểm duyệt code nào có thể mô phỏng đầy đủ. Nếu không có khả năng quan sát xuyên suốt cả hai giai đoạn, các tổ chức đang "chấm điểm trên một đường cong" mà môi trường sản xuất thực tế không thừa nhận.

AI Coding Observability của New Relic chính là nỗ lực trực tiếp để đóng vòng lặp đó, thúc đẩy ngành công nghiệp chuyển từ tâm lý "tin vào khâu kiểm duyệt" sang "xác minh trong vận hành thực tế".

Thế nhưng, sự tự tin đó sụp đổ hoàn toàn khi code được triển khai vào môi trường thực tế. Báo cáo chỉ ra một sự "ngắt kết nối mang tính cấu trúc" – một mâu thuẫn trực tiếp giữa cách code được chấm điểm trong quá trình kiểm duyệt và cách nó thực sự vận hành dưới tải công việc thực tế .

• 81% lãnh đạo công nghệ doanh nghiệp cho biết có sự gia tăng trực tiếp các sự cố sản xuất (production incidents) liên quan đến code do AI tạo ra .
• 78% số người được hỏi báo cáo có nhiều sự cố hơn nói chung .
• 86% báo cáo sự gia tăng thời gian mà nhân viên cấp cao phải bỏ ra để sửa các mã nguồn đó .
• 74% cho biết có ít nhất 25% code do AI tạo ra cần phải chỉnh sửa lại sau khi triển khai .

Mô thức này có một cái tên được báo cáo nhấn mạnh: "vibe coding" – thói quen tạo ra và đưa code vào hoạt động chủ yếu dựa trên lòng tin. Chính sự tin tưởng mù quáng này đang gây ra một cuộc khủng hoảng trong vận hành hệ thống .

Vượt ra ngoài New Relic: Một vấn nạn toàn ngành

New Relic không đơn độc trong việc gióng lên hồi chuông cảnh báo. Các báo cáo ngành khác trong năm 2026 cũng vẽ nên một bức tranh tương tự:

• Báo cáo State of AI-Powered Engineering 2026 của Lightrun cho thấy 43% thay đổi code do AI tạo ra cần được gỡ lỗi thủ công trong môi trường sản xuất, ngay cả sau khi đã vượt qua các bài kiểm tra chất lượng và thử nghiệm chuẩn bị. Không một người trả lời nào nói tổ chức của họ có thể xác minh một bản sửa lỗi do AI đề xuất chỉ với một chu kỳ triển khai lại; 88% cần từ hai đến ba chu kỳ .
• Báo cáo Kỹ thuật AI 2026 của Faros AI phát hiện rằng số lỗi trên mỗi lập trình viên tăng 54%, và tỷ lệ sự cố trên mỗi yêu cầu kéo về (PR) đã tăng hơn gấp ba lần. Mối quan hệ giữa việc áp dụng AI và chất lượng sản phẩm đang xấu đi, chứ không ổn định dần lên .
• Khảo sát State of Code Developer 2026 của Sonar cho thấy AI đã chiếm tới 42% mã nguồn được cam kết (committed code), dự kiến đạt 65% vào năm 2027 – nhưng 96% lập trình viên không hoàn toàn tin tưởng vào code do AI tạo ra, và chỉ 48% luôn kiểm tra trước khi xác nhận .
• Phân tích của CodeRabbit trên 470 PR mã nguồn mở cho thấy các PR do AI tạo ra mang đến số lỗi nhiều hơn khoảng 1,7 lần, tập trung vào các lỗi logic, thiếu sót trong xử lý ngoại lệ và các phát hiện về bảo mật. Ở phân vị thứ 90, các PR AI có 26 lỗi so với 12,3 lỗi của PR do con người viết .

Vấn đề cốt lõi không nằm ở chỗ AI viết code tồi. Vấn đề nằm ở chỗ tốc độ tạo code của AI nhanh gấp 5–10 lần con người, trong khi tốc độ xác minh vẫn chỉ ở mức 1 lần . Quy trình kiểm duyệt mã nguồn vốn được thiết kế cho nhịp độ làm việc của con người không thể theo kịp khối lượng đầu ra khổng lồ từ AI, tạo ra một nút thắt cổ chai xác minh, khiến sự bất ổn dễ dàng lọt vào môi trường sản xuất mà không bị phát hiện.

Phản ứng: Quan sát Mã nguồn AI (AI Coding Observability) từ New Relic

Vào ngày 8 tháng 6 năm 2026, New Relic đã trực tiếp giải quyết sự ngắt kết nối này bằng cách công bố phát triển New Relic AI Coding Observability, một giải pháp quan sát mã nguồn mở được thiết kế đặc biệt cho phát triển phần mềm có sự hỗ trợ của AI . Tính năng này dự kiến phát hành vào ngày 23 tháng 6 năm 2026, và sẽ có sẵn miễn phí cho khách hàng của New Relic .

Một lớp dữ liệu từ xa trung lập với nhà cung cấp

Về mặt kiến trúc, cách tiếp cận này rất quan trọng. New Relic xây dựng AI Coding Observability trên hai tiêu chuẩn mở: OpenTelemetry (OTel) và Model Context Protocol (MCP) . Điều này đồng nghĩa với việc các đội ngũ không bị khóa cứng vào một schema dữ liệu của New Relic hay một trợ lý lập trình AI duy nhất. Bất kỳ trợ lý nào cung cấp dữ liệu từ xa tương thích MCP – như GitHub Copilot, Cursor, Claude Code, và các công cụ khác – đều có thể kết nối vào cùng một lớp quan sát này . Trong một thị trường mà công cụ lập trình thống trị năm 2027 có thể không phải là công cụ đang được dùng hôm nay, sự trung lập với nhà cung cấp là một điều cần thiết thực tế.

Ba năng lực cốt lõi

Thông báo của New Relic vạch ra ba trụ cột chính cho AI Coding Observability :

1. Tầm nhìn (Visibility) – Theo dõi cách các trợ lý lập trình AI đang được sử dụng trong quá trình phát triển: dùng công cụ nào, tần suất ra sao, và chúng tạo ra những gì. Mục tiêu là biến việc sử dụng AI rời rạc, không được giám sát thành một hoạt động kỹ thuật có quản trị và đo lường được.
2. Kiểm soát chi phí (Cost Control) – Dự đoán và kiểm soát chi tiêu cho lập trình AI bằng cảnh báo ngân sách. Điều này trực tiếp giải quyết một điểm mù mà các nhóm FinOps (Vận hành Tài chính) thường gặp, khi họ nhận được những hóa đơn hàng tháng mờ mịt cho việc sử dụng công cụ lập trình AI mà không hiểu rõ giá trị mang lại .
3. Quản trị (Governance) – Giữ cho các truy vấn và quá trình sinh code an toàn và có thể kiểm toán, bao gồm chế độ zero-outbound giữ dữ liệu nhạy cảm trong phạm vi mạng lưới của tổ chức .

Kết nối phát triển với vận hành sản xuất

Bước đi chiến lược nằm ở khả năng liên kết dữ liệu. AI Coding Observability đang được thiết kế để chuẩn hóa dữ liệu từ xa từ các trợ lý lập trình AI và liên kết nó một cách liền mạch với hạ tầng sản xuất hiện có . Ý tưởng là tạo ra một "tấm kính duy nhất" (single pane of glass) nơi các đội ngũ có thể theo dõi một thay đổi do AI tạo ra từ IDE, qua quá trình triển khai, đến khi vào môi trường sản xuất – và sau đó xem liệu thay đổi đó có liên quan đến một đợt tăng đột biến sự cố sau vài giờ hoặc vài ngày hay không.

Chìa khóa cho các nhà lãnh đạo kỹ thuật: Từ 'tin tưởng' sang 'xác minh'

Các CTO đã dành suốt giai đoạn 2024-2025 để thúc đẩy việc áp dụng và tăng năng suất từ các trợ lý lập trình AI. Dữ liệu từ New Relic, Lightrun, Faros, Sonar và các đơn vị khác cho thấy rõ rằng giai đoạn tiếp theo cần tập trung vào khâu xác minh, độ tin cậy và trách nhiệm chi phí.

Mức độ tự tin 94% trong quá trình kiểm duyệt code không hẳn là sai về bản chất – AI thường tạo ra mã sạch, dễ đọc, đúng cú pháp và vượt qua các bài phân tích tĩnh. Nhưng vấn đề lại nằm ở môi trường: code do AI tạo ra thực hiện tốt trong "hộp cát" chật hẹp của một pull request, nhưng lại sụp đổ trước sự phức tạp của dữ liệu sản xuất thực, hành vi người dùng thực và các tương tác hệ thống mà không một cuộc kiểm duyệt code nào có thể mô phỏng đầy đủ. Nếu không có khả năng quan sát xuyên suốt cả hai giai đoạn, các tổ chức đang "chấm điểm trên một đường cong" mà môi trường sản xuất thực tế không thừa nhận.

AI Coding Observability của New Relic chính là nỗ lực trực tiếp để đóng vòng lặp đó, thúc đẩy ngành công nghiệp chuyển từ tâm lý "tin vào khâu kiểm duyệt" sang "xác minh trong vận hành thực tế".