Khi AI nào cũng đủ thông minh, sản phẩm còn lại gì?

Mục lục

Bài học từ McDonald's
Làn sóng ra mắt lần này đều nói cùng một điều
Con hào đang dịch chuyển: từ Model sang Context
Niềm tin đang trở thành một bài toán thiết kế sản phẩm
“Model mạnh nhất” có thể hoàn toàn không phải là đáp án
OakMega: Context, Action và Trust trong một nền tảng
FAQ

‍

Một mạng lưới nút phát sáng ở trung tâm nền tím, kết nối với nhiều lớp quỹ đạo đồng tâm, minh họa AI đan xen với bối cảnh xung quanh nó. Trí tuệ lan tỏa từ một lõi duy nhất ra thành cả một mạng lưới bối cảnh và hành động. Model chỉ là điểm khởi đầu; cuộc cạnh tranh thực sự nằm ở mọi thứ được xây dựng quanh nó.

Bài học từ McDonald's

Từ năm 2021, McDonald's hợp tác với IBM thử nghiệm hệ thống drive-thru “đặt món bằng giọng nói AI” tại hơn 100 cửa hàng ở Mỹ. Viễn cảnh nghe rất hấp dẫn: khách hàng không còn phải hét đi hét lại vào loa để gọi món. AI sẽ tự hiểu, tự lên đơn và thanh toán, với kế hoạch triển khai trên toàn nước Mỹ.

Nhưng chẳng bao lâu sau, các video “thảm họa” bắt đầu lan truyền khắp mạng xã hội. AI nghe nhầm lời khách, cộng dồn một đơn hàng lên tới 260 miếng gà rán, cho thịt xông khói và bơ vào kem, và dù khách sửa bao nhiêu lần nó vẫn không hiểu. (Một trong những đoạn clip được chia sẻ nhiều nhất cho thấy một khách hàng hét vào loa, trong khi AI vui vẻ đọc lại chín ly trà ngọt, một ly kem caramel kèm thịt xông khói và khoảng 222 USD tiền gà rán. Cô ấy chưa hề gọi món nào trong số đó.) Sau khi các đoạn clip bùng nổ trên TikTok và Twitter, tháng 6/2024 McDonald's tuyên bố dừng thử nghiệm (CNBC). Toàn bộ máy móc tại hơn 100 cửa hàng thử nghiệm bị gỡ bỏ trước cuối tháng 7 năm đó, và việc nhận order quay về tay con người (Al Jazeera).

Khi đọc câu chuyện này, điều tôi rút ra không phải là “AI không làm được”. Mà là: nó cho thấy một điều căn bản hơn — trí tuệ dù mạnh đến đâu cũng không đồng nghĩa với việc có thể được tin tưởng để hành động ở quy mô lớn. Nhận dạng giọng nói dù giỏi đến mấy, nếu thiếu đủ bối cảnh (tiếng ồn xung quanh, khách hàng thực sự muốn gì, khi nào cần chuyển cho nhân viên) và thiếu cơ chế để khách hàng có thể dừng lại hoặc sửa sai bất cứ lúc nào, thì ngay cả hệ thống thông minh nhất cũng có thể biến thành một thảm họa bị quay lại và chia sẻ khắp internet.

Đó cũng chính là câu hỏi cứ lởn vởn trong đầu tôi sau khi theo dõi trọn một loạt sự kiện ra mắt của các phòng lab AI lớn trong vài tuần qua: khi năng lực của các model nhanh chóng hội tụ, rốt cuộc điều gì còn lại để tạo nên khác biệt cho một sản phẩm AI?

Nói ngắn gọn ngay từ đầu: Khi trí tuệ của GPT, Claude, Gemini và Grok nhanh chóng hội tụ, sự khác biệt của sản phẩm AI đang dịch chuyển khỏi câu hỏi “model thông minh đến đâu” để hướng về ba điều — Context mà nó nắm giữ, quyền Action mà nó được trao, và Trust mà người dùng sẵn sàng dành cho nó. Model sẽ tiếp tục bị hàng hóa hóa. Ba lớp này thì không.

Làn sóng ra mắt lần này đều nói cùng một điều

Trong bốn đến sáu tuần qua, gần như mọi ông lớn đều đi theo cùng một hướng. GPT-6 Astra của OpenAI không được quảng bá là “giỏi trò chuyện hơn”. Điểm nhấn của nó là Computer Use, Browser Use và khả năng tạo ra trọn vẹn sản phẩm công việc như tài liệu, bảng tính, slide thuyết trình — và khi yêu cầu thay đổi, nó tiếp tục tinh chỉnh kết quả thay vì làm lại từ đầu. SpaceXAI còn thẳng thắn hơn, định vị Grok Bot là “đồng đội AI cho doanh nghiệp”: mỗi Bot có máy tính đám mây riêng, tự sử dụng website và ứng dụng, và vẫn tiếp tục làm việc ở chế độ nền sau khi bạn đăng xuất. Muse của Meta thì đi theo hướng cá nhân hơn. Thay vì chờ bạn đặt câu hỏi, nó liên tục học bối cảnh của bạn và chủ động thúc đẩy mục tiêu của bạn. Claude Fable 5.1 và Mythos 5.1 mà Anthropic ra mắt cùng thời điểm cũng tập trung vào những công việc dài hơi, nhiều bước như lập trình, công việc tri thức và nghiên cứu khoa học.

Đặt các sự kiện ra mắt này cạnh nhau, đó không phải là sự trùng hợp. Đó là sự chuyển dịch đồng thuận của cả ngành: năm 2026, trọng tâm cạnh tranh đã chuyển từ “Intelligence” sang “Execution”. Trước đây chúng ta quan tâm model có trả lời thông minh hay không. Giờ đây ai cũng quan tâm liệu nó có thực sự hoàn thành trọn vẹn một khối công việc hay không.

Nhưng chính vì ai cũng đang chạy đua để “làm được nhiều việc hơn”, một câu hỏi sắc bén hơn xuất hiện: nếu GPT, Claude, Gemini và Grok đều đã đủ thông minh để hoàn tất cả một quy trình, tại sao người dùng lại cần đến một cái cụ thể nào trong số đó?

Con hào đang dịch chuyển: từ Model sang Context

Câu trả lời đang hội tụ về một ý duy nhất: ai hiểu rõ nhất “công việc đang cần làm”.

Claudeforce, được Salesforce và Anthropic công bố vào cuối tháng 8, là minh chứng rõ ràng nhất mà tôi từng thấy cho đến nay. Về bản chất, đây hoàn toàn không phải là việc ra mắt thêm một model. Nó kết nối Claude với dữ liệu doanh thu theo thời gian thực, quy trình làm việc, logic kinh doanh và quy tắc quản trị của chính Salesforce. Đợt “Salesforce in Claude” đầu tiên đi kèm 37 kỹ năng bán hàng, cho phép Claude suy luận trực tiếp trên dữ liệu pipeline đang vận hành, cập nhật trạng thái deal và thực hiện các hành động có kiểm soát. Giá trị của những kỹ năng này chưa bao giờ nằm ở việc đằng sau là model của hãng nào — thay bằng bất kỳ model nào có trí tuệ tương đương thì kết quả cũng không khác biệt mấy. Điều thực sự có giá trị là dữ liệu và quy tắc mà Salesforce nắm giữ về việc “mối quan hệ khách hàng của doanh nghiệp này thực sự trông như thế nào”.

Điều này xác nhận một công thức mà tôi ngày càng tin chắc:

Better AI ≠ Better Model Better AI Product = Model × Context × Tools × Memory

Context ở đây là lớp dữ liệu và quy tắc giúp AI Agent hiểu được mối quan hệ khách hàng, logic kinh doanh và quy tắc quản trị riêng có của một doanh nghiệp. Nó không phải là bản thân model. Nó là lớp nằm bên ngoài model, cho Agent biết “nên hành động như thế nào”.

Trí tuệ của model có thể bị hàng hóa hóa nhanh hơn chúng ta nghĩ. Nhiều phân tích kinh doanh năm 2026 cùng chỉ ra một điểm: bản thân các model đang nhanh chóng trở nên “hãng nào cũng na ná nhau”, còn những lợi thế thực sự tích lũy được — những thứ không bốc hơi sau mỗi lần nâng cấp model — là “connector, evaluation harness, agent orchestration và guardrails”. Nói thẳng ra, đó chính là Context và cách Context ấy được quản trị. Thực ra đây chỉ là một cách nói khác của điều chúng tôi vẫn luôn nhấn mạnh về dữ liệu first-party: trong kỷ nguyên AI, giá trị của dữ liệu khách hàng không nằm ở chỗ “có thể đem đi phân tích”, mà ở chỗ “có giúp Agent biết cách hành động hay không”.

Điều này cũng không phải là chuyện riêng của Thung lũng Silicon. MaiAgent, một nền tảng AI Agent đến từ Đài Loan, đã đưa ra lập luận gần như y hệt tại VivaTech 2026: doanh nghiệp không cần thêm một công cụ AI hoạt động biệt lập. Họ cần một “AI Core có quản trị” (governed AI Core), giúp đội ngũ sử dụng đúng dữ liệu một cách an toàn với đúng quyền hạn — một cách diễn đạt khác cho cùng luận điểm của bài viết này.

Các dòng dữ liệu màu tím hội tụ về một quả cầu phát sáng ở trung tâm, được bao quanh bởi một đường ranh giới hình vòng, gợi đến AI Core có quản trị được nhắc tới trong bài. Con hào dịch chuyển từ quả cầu phát sáng ở trung tâm ra vòng màu hổ phách rộng hơn bên ngoài. Con hào không biến mất; nó chỉ chuyển đến nơi mà model không chạm tới được.

Niềm tin đang trở thành một bài toán thiết kế sản phẩm

Khi Agent thực sự có thể làm việc, bản chất vấn đề thay đổi hoàn toàn. Trước đây, khi AI sai, nó chỉ trả lời sai một câu. Khi Agent sai, nó gửi nhầm email, sửa nhầm dữ liệu CRM, đặt nhầm món hàng, hoặc chạy sai cả một quy trình.

Đó là lý do chúng ta thấy Permission và Governance đang chuyển từ “danh sách kiểm tra tuân thủ bổ sung sau cùng” thành một lớp sản phẩm độc lập. Meta Muse là một ví dụ rõ ràng. Nó chủ ý tách “thực thi” và “phê duyệt” thành hai agent được cô lập ở cấp hệ thống. Bản thân Muse lên kế hoạch và đưa ra đề xuất, nhưng nếu không có sự chấp thuận của một agent riêng biệt tên là Sentinel, thì không một thao tác mạng hay thao tác connector nào được thực thi. Các bước nhạy cảm luôn được chuyển lại cho người dùng xác nhận, và người dùng có thể xem toàn bộ audit trail. GPT-6 Astra cũng đi theo con đường tương tự. Vì năng lực an ninh mạng của nó lần đầu chạm mức “Critical” trong khung an toàn của chính OpenAI, OpenAI đã tăng cường giám sát hành vi: nếu hệ thống đánh giá rằng Astra có thể đã hiểu sai chỉ thị, nó sẽ tạm dừng công việc và chờ người dùng xác nhận rồi mới tiếp tục.

Có một nhóm số liệu rất đáng để đặt cạnh nhau: hơn 60% doanh nghiệp đã thử nghiệm AI agent, nhưng chỉ 20–30% thực sự triển khai ở quy mô lớn trong một bộ phận chức năng nào đó. Đáng chú ý hơn, chỉ hơn 10% lãnh đạo IT tin rằng họ có thể quản trị hiệu quả các agent của mình. Khoảng cách đó không nằm ở năng lực công nghệ. Nó nằm ở cơ chế niềm tin.

Giao diện sản phẩm trong tương lai có lẽ sẽ không còn là lựa chọn nhị phân “cho phép AI / không cho phép AI”. Thay vào đó sẽ là cả một dãy quyền hạn chi tiết hơn:

Đọc ✓
Phân tích ✓
Soạn nháp ✓
Cập nhật CRM ✓
Gửi ra bên ngoài → Hỏi tôi
Chi tiền → Hỏi tôi
Xóa dữ liệu ✕

Nói cách khác, Trust trong kỷ nguyên Agent không còn chỉ là câu chuyện niềm tin thương hiệu. Nó phải được thiết kế ngay vào kiến trúc của sản phẩm.

“Model mạnh nhất” có thể hoàn toàn không phải là đáp án

Gemini 3.8 Flash mà Google ra mắt cùng tuần đã nhắc tôi một điều từ một góc nhìn khác. Định vị của nó không phải là “chúng tôi đã tạo ra model thông minh nhất”. Nó được giới thiệu như một “ngựa thồ” chi phí thấp, hiệu năng cao, với giá 0,75 USD cho mỗi triệu token đầu vào và 3,75 USD cho mỗi triệu token đầu ra. Google thậm chí còn công khai khuyến nghị giữ một số khối lượng công việc trên các model cũ thay vì lần nào cũng nâng cấp.

Điều này đặc biệt quan trọng với Agent. Một chatbot có thể xong việc chỉ sau một lượt suy luận, nhưng để hoàn thành một việc, Agent thường phải suy luận, tìm kiếm, suy luận lại, đọc, suy luận tiếp, dùng công cụ, kiểm tra, thử lại, tạo đầu ra và xác minh — chạy hàng chục, thậm chí hàng trăm lượt suy luận. Lúc đó, câu hỏi không còn là “model nào thông minh nhất” mà là “ở bước này, model nào rẻ nhất mà vẫn đủ tin cậy”. Mô hình suy luận kết hợp cục bộ và đám mây mà Perplexity vừa giới thiệu cũng theo cùng logic: dữ liệu nhạy cảm được giữ lại trên thiết bị, và công việc chỉ được đẩy lên đám mây khi thực sự cần năng lực cao hơn.

Vì vậy, tôi tin rằng lợi thế cạnh tranh cốt lõi của một sản phẩm đang dần dịch chuyển từ “chúng tôi dùng model của hãng nào” sang “chúng tôi chọn đúng trí tuệ cho từng nhiệm vụ như thế nào”. Đó chính là Model Orchestration — nói đơn giản, là lựa chọn một cách linh hoạt tổ hợp model phù hợp nhất và hiệu quả chi phí nhất dựa trên tính chất của từng nhiệm vụ, thay vì ném mọi bước cho cùng một “model mạnh nhất”. Và thực ra, nó chỉ là một khía cạnh khác của cùng một vấn đề với Context và Trust đã bàn ở trên: bạn phải hiểu công việc và các quy tắc của doanh nghiệp trước, rồi mới có thể quyết định nhiệm vụ nào cần model nào, hành động nào cần quyền hạn nào.

Trở lại với OakMega: Context, Action và Trust trong một nền tảng

Sau khi theo dõi những diễn biến trong vài tuần qua, tôi lại càng chắc chắn hơn về con đường OakMega sẽ đi tiếp theo.

Phần thứ nhất là vai trò của Social CRM. Chúng tôi đã sản phẩm hóa việc “thấu hiểu và quản lý mối quan hệ khách hàng”, để các thương hiệu đã đạt một quy mô nhất định và có cấu trúc dữ liệu tương đối chuẩn hóa có thể sở hữu trực tiếp năng lực Context Layer này thông qua Social CRM. Đây là con đường mở rộng quy mô: trước đây Social CRM là “công cụ quản lý mối quan hệ khách hàng”; từ nay, nó gần hơn với “Context Layer giúp AI thấu hiểu và quản lý mối quan hệ khách hàng”.

Phần thứ hai là vai trò của FDE (Forward Deployed Engineering). Thực tế là cấu trúc dữ liệu, logic kinh doanh và quy tắc phân quyền của mỗi doanh nghiệp đều khác nhau — không có sản phẩm dựng sẵn nào phù hợp với mọi tình huống. Đó chính là lý do FDE tồn tại. Khi một doanh nghiệp không cần “mua một tính năng” mà cần “biến logic quan hệ khách hàng riêng có của mình thành một hệ thống mà Agent có thể vận hành an toàn”, các kỹ sư của chúng tôi sẽ đi sâu vào dữ liệu và quy trình của khách hàng, xây dựng ba lớp quy tắc — Context, Action và Trust — cho từng doanh nghiệp một. Những mô hình đã được kiểm chứng trong các dự án FDE cuối cùng sẽ được đưa ngược trở lại sản phẩm Social CRM, để những khách hàng tiếp theo được hưởng lợi trực tiếp.

Dù doanh nghiệp đang ở giai đoạn nào — đã có nhu cầu chuẩn hóa, hay vẫn cần triển khai tùy chỉnh — tôi tin rằng những gì OakMega mang lại thực chất là hai hình thức của cùng một điều: giúp AI thực sự thấu hiểu mối quan hệ khách hàng của bạn, và đủ đáng tin để được giao quản lý chúng.

Claudeforce của Salesforce đã làm rõ một điều: bản thân model AI không phải là con hào của CRM. Bối cảnh khách hàng, logic kinh doanh, quyền hạn và hành động nằm bên trong CRM mới là con hào. Khi trí tuệ của model tiếp tục bị hàng hóa hóa, tôi tin đây chính là điều OakMega sẽ dồn nhiều công sức nhất để xây dựng trong thời gian tới — dù là mở rộng quy mô thông qua Social CRM, hay tùy chỉnh cho từng doanh nghiệp một thông qua FDE.

FAQ

Q1: Việc model bị hàng hóa hóa có thực sự đã là đồng thuận chung?

Các bình luận trong ngành đang chỉ về một hướng khá nhất quán — bao gồm cả những thảo luận cho rằng model đang “ngày càng giống hàng hóa thông thường”. Phần lớn giới quan sát nhận định khác biệt về trí tuệ giữa các model đang thu hẹp dần, còn lợi thế bền vững sẽ chuyển sang các tài sản “xung quanh model” như connector, dữ liệu và quy tắc quản trị. Tuy nhiên, đây là nhận định về xu hướng chứ chưa phải kết luận cuối cùng, và vẫn đáng tiếp tục theo dõi.

Q2: Doanh nghiệp hiện nay thường gặp vướng mắc ở đâu khi triển khai AI Agent?

Dựa trên những quan sát trong ngành hiện có, phần lớn doanh nghiệp không vướng vì “model chưa đủ thông minh”. Họ vướng ở cơ chế quản trị và niềm tin — không chắc nên trao cho Agent bao nhiêu quyền hạn, ai chịu trách nhiệm khi có sự cố, và làm sao theo dõi những gì nó đã làm. Đó là lý do Permission/Governance đang trở thành một bài toán thiết kế sản phẩm độc lập.

Q3: Doanh nghiệp nên lựa chọn giữa Social CRM và dịch vụ FDE của OakMega như thế nào?

Nói đơn giản, nếu cấu trúc dữ liệu và quy trình của doanh nghiệp đã tương đối chuẩn hóa, Social CRM có thể cung cấp trực tiếp năng lực Context Layer. Nếu doanh nghiệp có logic kinh doanh, tích hợp hệ thống hoặc quy tắc quản trị đặc thù cần triển khai tùy chỉnh, FDE sẽ là điểm khởi đầu phù hợp hơn. Doanh nghiệp cũng có thể kiểm chứng trước với FDE, rồi từng bước áp dụng Social CRM.

Q4: Context Layer là gì?

Context Layer là lớp dữ liệu và quy tắc giúp AI Agent hiểu được mối quan hệ khách hàng, logic kinh doanh và quy tắc quản trị riêng có của một doanh nghiệp. Nó không phải là bản thân model. Nó là lớp nằm bên ngoài model, cho Agent biết “nên hành động như thế nào” — và đó chính là nơi bài viết này cho rằng con hào tiếp theo sẽ hình thành.

References