Có bao giờ bạn nghĩ 80% hoặc hơn, lượng mã nguồn trong các sản phẩm công nghệ lớn được viết hoàn toàn bằng AI?

Đây không còn là viễn cảnh xa xôi mà đang trở thành hiện thực tại nhiều nền tảng lớn. Cùng với sự bùng nổ của các trợ lý lập trình thông minh, tư duy và phương pháp luận mới Agentic Engineering (Kỹ thuật hướng tác nhân) đang định hình cách chúng ta xây dựng phần mềm.

Để thực sự làm chủ xu hướng này và tối ưu hóa hiệu suất làm việc với AI, dưới đây là 5 khái niệm cốt lõi được chia sẻ bởi chuyên gia IBM mà bất kỳ nhà phát triển ứng dụng AI nào cũng nên nắm.

1. Prompt Engineering (Kỹ thuật tạo câu lệnh)

Nhiều người lầm tưởng chỉ cần sở hữu mô hình ngôn ngữ lớn (LLM) tiên tiến là đủ. Tuy nhiên, kỹ năng truyền đạt ý định, thiết lập vai trò (ví dụ: "Bạn là chuyên gia hỗ trợ kỹ thuật...") và đưa ra hướng dẫn rõ ràng cho mô hình đóng vai trò quyết định hơn nhiều so với kích thước của mô hình.

Đối với mô hình nhỏ chạy local, áp dụng kỹ thuật như cung cấp ví dụ mẫu (few-shot prompting) hay chuỗi suy nghĩ (chain-of-thought) sẽ giúp cải thiện chất lượng phản hồi đáng kể.

2. Context Engineering (Kỹ thuật quản lý ngữ cảnh)

Cửa sổ ngữ cảnh (context window) của AI chứa nhiều thành phần: từ system prompt, các công cụ, tài liệu PDF, cho đến toàn bộ cơ sở mã nguồn. Dù các mô hình hiện nay hỗ trợ ngữ cảnh rất lớn, chất lượng phản hồi vẫn có xu hướng suy giảm nếu bị quá tải thông tin.

Giải pháp là ứng dụng các kỹ thuật như tóm tắt tự động, cô đọng nội dung hoặc sử dụng các tác nhân phụ (sub-agents) để tìm kiếm tài liệu bên ngoài mà không làm cồng kềnh ngữ cảnh chính.

3. Harness Engineering (Kỹ thuật xây dựng bộ khung điều khiển)

LLM có thể đưa ra câu trả lời xuất sắc, nhưng làm sao kiểm chứng kết quả đó thực sự hoạt động? Đây là lúc bộ khung điều khiển (harness) phát huy tác dụng.

Nó đóng vai trò là môi trường thực thi an toàn (sandbox) giúp mô hình chạy lệnh, kiểm tra bộ mã nguồn có vượt qua vòng kiểm thử (test suite) hay phát sinh lỗi xung đột (merge conflict) không. Nhờ đó, AI có thể tự lặp lại và sửa lỗi mà không cần con người phải duyệt qua từng bước một.

4. Loop & Graph Engineering (Kỹ thuật vòng lặp & đồ thị)

Thay vì liên tục đưa ra câu lệnh thủ công, chúng ta thiết lập các hệ thống tự động hóa chu trình hoạt động của AI thông qua các vòng lặp (như chạy cron job vào mỗi sáng hoặc kích hoạt khi có pull request mới).

Tiến xa hơn, kỹ thuật đồ thị (graph engineering) cho phép liên kết nhiều tác nhân hoạt động song song, chẳng hạn một tác nhân nghiên cứu thị trường, một tác nhân phân tích cấu trúc mã, và một tác nhân thực thi mã, để phối hợp giải quyết bài toán lớn phức tạp hơn.

5. Software Factories (Nhà máy sản xuất phần mềm)

Đây là giai đoạn tự động hóa toàn bộ vòng đời phát triển phần mềm (SDLC) bằng cách sử dụng nhiều AI agent chuyên biệt.

Thay vì dựa vào một trợ lý đa năng xử lý mọi thứ, nhà máy phần mềm phân chia công việc cho từng agent độc lập, có định danh riêng, cách ly an toàn trong các container và có hệ thống giám sát (observability) chi tiết để ghi nhận toàn bộ hoạt động dù là lúc nửa đêm.

P/s: Lời tạm kết cho anh em làm AI

Nhìn chung, những khái niệm kinh điển này không hoàn toàn mới, chúng kế thừa từ nền tảng tư duy hệ thống và lập trình truyền thống, nhưng được tái định hình trong kỷ nguyên AI.

Tin vui là bạn không cần phải là chuyên gia xây dựng cả nhà máy phần mềm; chỉ cần nắm kỹ thuật cơ bản như viết prompt, quản lý ngữ cảnh, thiết lập khung điều khiển, bất kỳ ai từ lập trình viên mới vào nghề cho đến nhà quản lý cấp cao đều có thể bứt phá năng suất. Một hơn 10, hoàn toàn có thể.

Trong kỷ nguyên AI, doanh nghiệp không nên thuê tư vấn để mua chuyên môn hay nhận báo cáo. Giá trị thực sự là năng lực: kiến thức, tài sản AI, kỹ năng và cách làm việc để tổ chức tự mình chuyển đổi bền vững. Đó là thông điệp trung tâm của báo cáo “AI-first consulting” của IBM Institute for Business Value.

Bối cảnh: AI đang định hình chiến lược

Khảo sát 1.700 lãnh đạo cấp cao phụ trách các hợp đồng tư vấn lớn cho thấy 74% cho rằng năng lực AI hiện nay quyết định chiến lược chuyển đổi của doanh nghiệp. AI không còn là công cụ hỗ trợ, mà đang xác định doanh nghiệp có thể đi được bao xa và đi nhanh đến đâu.

Đáng chú ý, 84% lãnh đạo nói rằng nhà tư vấn phải giúp xây dựng năng lực nội bộ, thay vì đưa ra câu trả lời. Trong khi đó, 68% cho rằng mô hình triển khai hiện tại còn tốn kém và chưa hiệu quả, dấu hiệu cho thấy phương pháp tư vấn truyền thống đang bị thử thách.

AI-first là gì trong thời đại này?

Tư vấn truyền thống thường xoay quanh giờ công tính phí, kiến thức dự án, sản phẩm bàn giao và rủi ro thuộc về khách hàng. Ngược lại, AI-first consulting tập trung vào kết quả kinh doanh, tài sản có thể tái sử dụng, chuyển giao năng lực, chia sẻ rủi ro và mở rộng giá trị theo thời gian.

Nói đơn giản: thay vì “thuê người làm hộ”, doanh nghiệp cần đối tác giúp xây dựng hệ thống, quy trình và năng lực để chính mình vận hành tốt hơn sau khi dự án kết thúc.

Con số nói lên sự khác biệt

Các tổ chức hợp tác với nhà tư vấn ứng dụng AI nhiều nhất đạt ROI 34% trên chi phí tư vấn, so với 28% ở nhóm dùng AI ít nhất. Với doanh nghiệp có doanh thu 15 tỷ USD mỗi năm, mức chênh lệch này tương đương khoảng 413 triệu USD doanh thu cải thiện thêm; 613 triệu USD chi phí vận hành giảm thêm.

Ba việc doanh nghiệp nên làm

1. Gắn lợi ích với kết quả thực tế. Ưu tiên hợp đồng theo kết quả, thay vì chỉ theo số giờ hoặc số sản phẩm bàn giao. Hai trong ba lãnh đạo sẵn sàng trả thêm trung bình 16% để đảm bảo kết quả kinh doanh cụ thể.
2. Tăng tốc bằng AI, nhưng giữ linh hoạt. Chiến lược có “tuổi thọ” ngắn hơn; doanh nghiệp cần mô hình triển khai nhanh, đo lường giá trị sớm, dùng kết quả của giai đoạn này để ứng dụng cho giai đoạn tiếp theo.
3. Biến mỗi dự án thành tài sản dài hạn. Đầu tư vào nền tảng quản trị AI để tích hợp, giám sát và tái sử dụng mô hình, AI agent, workflow và dữ liệu. Nếu không, doanh nghiệp dễ rơi vào tình trạng AI phân mảnh, trùng lặp và khó kiểm soát.

Điều kiện: con người và quản trị

Công nghệ không tự tạo ra kết quả. Chỉ 38% tổ chức cho rằng nhân sự sẵn sàng làm việc hiệu quả với đội ngũ và đối tác tư vấn AI-first; chỉ 37% có đủ cơ chế quản trị để đưa năng lực đó vào vận hành hằng ngày.

Vì vậy, bài học cho doanh nghiệp Việt rất rõ: khi chọn đối tác tư vấn, đừng chỉ hỏi “họ làm gì cho mình”, mà hãy hỏi “sau dự án, tổ chức mình sẽ tự làm được gì”. Một quan hệ tư vấn tốt trong thời đại AI phải để lại năng lực, không phải tài liệu báo cáo hay sự phụ thuộc.

Trong thời đại AI bùng nổ, câu hỏi không còn “có nên dùng AI trong công việc sáng tạo hay không?”, mà “dùng ở đâu, dùng thế nào, và giữ lại quyền quyết định cho con người ở khâu nào?”.

Carl Franzen, Tổng biên tập của VentureBeat, là ví dụ rất thực tế. Ông đưa AI vào hầu như mọi bước làm báo chí: từ lọc email, nghiên cứu, viết nháp, tạo hình minh họa cho đến xây dựng công cụ nội bộ và sản phẩm tin tức tự động, nhưng vẫn kiên trì đọc từng câu, kiểm tra từng đường link và chịu trách nhiệm cuối cùng với những gì được đăng tải.

AI như trợ lý toàn diện

Franzen sử dụng “bộ công cụ AI” khá đa dạng: ChatGPT và Claude cho nghiên cứu và soạn thảo, Firecrawl để lấy nội dung web sạch hơn cho mô hình xử lý, ChatGPT Images và Midjourney để tạo hình minh họa, còn Claude Code lập trình các công cụ nhỏ phục vụ công việc.

Ông kết nối ChatGPT với email công việc và Claude với email cá nhân, để AI sàng lọc thư, gợi ý những email đáng chú ý và soạn bản nháp trả lời.

Điều đáng chú ý là ông không xem AI như cỗ máy tạo ra bài viết hoàn chỉnh. Với ông, AI là điểm khởi đầu: nó giúp xử lý lượng thông tin lớn, tóm tắt tài liệu, tìm nguồn và dựng khung bài. Sau đó, con người bước vào để chọn góc nhìn, sắp xếp trọng tâm, viết lại phần mở đầu, đảm bảo nội dung có giá trị với độc giả.

Từ công cụ đến sản phẩm

Franzen không chỉ dùng AI để tăng tốc công việc cá nhân, ông xây One Big Story, trang tin tức thử nghiệm tự động quét hàng nghìn nguồn tin, chọn ra câu chuyện có tác động lớn nhất trong ngày, rồi chuyển thành nhiều định dạng: bài dài, video, âm thanh, chatbot hỏi đáp. Dự án vận hành trên nhiều mô hình AI, trong đó có Perplexity Sonar và FLUX.

Điểm thú vị là chi phí vận hành chỉ khoảng 5–10 USD mỗi tháng. Franzen cho rằng hệ sinh thái AI hiện nay có rất nhiều mô hình mã nguồn mở hoặc chi phí thấp, có thể gọi API, nên cá nhân hay nhóm nhỏ hoàn toàn có thể xây dựng sản phẩm mang tính “AI-native” mà trước đây cần cả một đội quân.

Ông cũng dùng Claude Code để tạo Slackbot cho tòa soạn VentureBeat. Bot này theo dõi kênh biên tập, phân loại link thành các chuyên mục bản tin, viết tóm tắt vào Google Docs. Nhờ vậy, bản tin gần như được “lắp ráp sẵn” trước khi con người ngồi xuống hoàn thiện. Đây là kiểu công cụ nội bộ trước đây ông phải nhờ đội kỹ thuật xây dựng.

Con người vẫn giữ khâu cuối cùng

Dù dùng AI rất mạnh, Franzen có nguyên tắc rõ ràng: không bao giờ đăng trực tiếp bản nháp do AI viết. Ông tự đọc lại từng dòng, kiểm tra từng liên kết và xác minh các thông tin quan trọng. Ông thường viết lại phần mở bài để đưa thông tin cốt lõi lên ngay những đoạn đầu, điều AI không phải lúc nào cũng làm tốt.

Ông thừa nhận các mô hình mới đã giảm đáng kể hiện tượng “ảo giác”, tức bịa thông tin không có thật. AI có thể trộn thông tin từ hai nguồn, bỏ sót chi tiết quan trọng hoặc gán sai nguồn. Vì vậy, với những ngành nghề dựa trên sự chính xác như báo chí, kiểm chứng nguồn gốc là bắt buộc, không phải lựa chọn.

Quan điểm của ông cũng rất rõ về trách nhiệm: AI có thể hỗ trợ viết và soạn thảo dưới tên một tác giả người thật, nhưng người đó phải chịu trách nhiệm với toàn bộ nội dung được công bố.

Cách dùng AI hiệu quả hơn

Kinh nghiệm của Franzen đi ngược với lời khuyên phổ biến: thay vì viết prompt càng ngắn gọn càng tốt, ông thấy mô tả chi tiết hơn thường cho kết quả dùng được ngay từ lần đầu.

Tuy nhiên, ông nhấn mạnh AI bản chất là công cụ hội thoại theo lượt. Đừng kỳ vọng một prompt duy nhất sẽ tạo ra sản phẩm hoàn hảo; kết quả tốt nhất thường đến từ nhiều vòng trao đổi, yêu cầu AI nghiên cứu thêm, so sánh nguồn, tinh chỉnh dần hướng đi.

Bài học cho doanh nghiệp

Franzen nhận thấy AI đang tạo giá trị thực ở những công việc lặp lại nhiều và giàu dữ liệu: xử lý hóa đơn, phân loại thông tin, chuyển đổi dữ liệu giữa các định dạng, chăm sóc khách hàng qua chat hoặc giọng nói, theo dõi đơn hàng, tổng hợp nguồn dữ liệu khổng lồ. Đây là những lĩnh vực AI không chỉ “hay”, mà thực sự giúp tiết kiệm thời gian và công sức.

Nhưng ông cũng chỉ ra sai lầm phổ biến của doanh nghiệp: quá dè dặt, chỉ tin vào các nhà cung cấp truyền thống và hạn chế nhân viên thử công cụ mới. Theo ông, nên để những người am hiểu AI nhất trong công ty được thử nghiệm — trong khuôn khổ hợp lý — rồi rút bài học nhân rộng. Cấm đoán quá chặt có thể khiến tổ chức bỏ lỡ những cải tiến đến từ người dùng thực tế.

Thông điệp cốt lõi

Câu chuyện của Carl Franzen không phải “AI thay thế con người”, mà là mô hình cộng tác rất cụ thể. AI đảm nhận phần nặng nhọc về thông tin: tìm kiếm, tóm tắt, phân loại, dựng nháp và xây dựng công cụ. Con người giữ phần không thể giao phó: định hướng, phán đoán, kiểm chứng, thẩm mỹ và trách nhiệm.

Điều đó có nghĩa AI không làm thay công việc cho bạn, nó mở rộng phạm vi những gì một người có thể làm trong cùng một khoảng thời gian. Franzen xuất bản từ 5 đến 12 bài báo được nghiên cứu sâu mỗi tuần, đồng thời vận hành hai ấn phẩm độc lập, trong khi vẫn là người cha chính tại nhà. Hai năm trước, khối lượng đó có thể cần cả một nhóm người và ngân sách đáng kể.

Với bất kỳ ai đang cân nhắc đưa AI vào công việc sáng tạo, bài học từ Franzen rất giản dị: hãy dùng AI để bắt đầu nhanh hơn, nhưng đừng bao giờ trao đi quyền kiểm tra cuối cùng. Sản phẩm bạn công bố vẫn mang tên bạn, và trách nhiệm với nó cũng vậy.

P/s: https://suotngayxe.com/ là chuyên trang phân tích thị trường ô tô được vận hành chính xác như nội dung phía trên. Con người bằng xương bằng thịt, giữ khâu biên tập đứng sau là một Copywriter, đam mê ô tô như mâm và lốp.

Trong khi hầu hết các mô hình AI hiện nay đều tập trung tạo ra văn bản, một startup tên TypeSafe đã giới thiệu Jev – mô hình AI hoạt động theo hướng hoàn toàn khác.

Jev không tạo ra câu chữ; thay vào đó, nó nhận dữ liệu và câu hỏi, trả về xác suất cho từng phương án có sẵn. Nhờ cách tiếp cận này, Jev có thể đưa ra các phán đoán nhanh, rẻ, có thể đo lường độ tin cậy, những yếu tố nhiều mô hình ngôn ngữ lớn (LLM) vẫn còn hạn chế.

Jev là gì mà tính nhanh dữ?

Jev được mô tả là “System 1 AI model”, lấy cảm hứng từ cách phân loại tư duy của nhà tâm lý học Daniel Kahneman trong cuốn Thinking, Fast and Slow. Tư duy System 1 là tư duy nhanh, tự động, chẳng hạn khi bạn thấy “2 x 2” lập tức biết đáp án là 4. Ngược lại, System 2 là tư duy chậm, có tính toán và suy luận từng bước.

Theo cách so sánh này, chatbot thông thường gần với System 1 khi tạo câu trả lời token theo token; còn các reasoning model – vốn viết ra chuỗi suy nghĩ trước khi kết luận – giống System 2 hơn.

Jev được thiết kế riêng cho những phán đoán nhanh kiểu System 1: phân loại email, đánh giá mức độ khẩn cấp, chọn bộ phận xử lý, hoặc nhận diện yêu cầu hoàn tiền.

Hoạt động khác LLM ra sao?

Điểm đặc biệt của Jev là nó không tạo ra văn bản. Người dùng cung cấp hai loại đầu vào: state – tức dữ liệu liên quan đến quyết định, ví dụ email chăm sóc khách hàng và lịch sử giao dịch, cùng các câu hỏi cần phân loại. Sau đó Jev trả về xác suất cho từng lựa chọn trong một lần xử lý.

Ví dụ, với email “Tôi bị trừ tiền hai lần trong tháng này, vui lòng xử lý”, Jev có thể trả lời:

• Xác suất đây là yêu cầu hoàn tiền: 90%.
• Xác suất email thuộc nhóm thanh toán: 85%.
• Mức độ khẩn cấp: khá cao hoặc nghiêm trọng.

Khác LLM phải viết kết quả dạng JSON từng token một, Jev trả kết quả gần như ngay lập tức. Chính vì không phải “viết”, mô hình này nhanh hơn, chi phí thấp hơn với những tác vụ phân loại lặp lại.

Điểm mạnh: xác suất được hiệu chỉnh

Jev được huấn luyện bằng phương pháp RLCD – reinforcement learning for calibrated decisions, tức học tăng cường cho các quyết định được hiệu chỉnh.

Nếu Jev nói một dự đoán có độ tin cậy 80%, thì trong thực tế, dự đoán đó sẽ đúng khoảng 80% số lần.

Đây là điểm quan trọng. Nhiều LLM có thể trả lời rất tự tin, nhưng mức tự tin (thái quá) không phải lúc nào cũng tương ứng với xác suất thực. Trong khi đó, với Jev, doanh nghiệp có thể đặt ngưỡng rõ ràng: nếu xác suất trên 90%, hệ thống tự xử lý; nếu nằm trong vùng không chắc chắn, chuyển cho con người; nếu quá thấp, bỏ qua hoặc xử lý theo luồng khác.

Ứng dụng thực tế

Jev phù hợp với các quyết định nhỏ nhưng xuất hiện liên tục trong phần mềm. Ví dụ điển hình là hệ thống chăm sóc khách hàng: mô hình có thể phân loại email là yêu cầu hoàn tiền hay không, chọn đúng đội xử lý và đánh giá mức độ ưu tiên.

Ngoài ra, Jev có thể đóng vai trò “hàng rào an toàn” cho chatbot. Trước khi một câu hỏi hoặc câu trả lời được đưa vào luồng hội thoại, Jev có thể kiểm tra nguy cơ jailbreak, nội dung nhạy cảm hoặc hành vi bất thường.

Không thay thế LLM

Tuy vậy, Jev không phải “vũ khí toàn năng”. Hiện mô hình chỉ nhận đầu vào là văn bản, không mạnh về toán học hay đếm số, vẫn có thể bị đánh lừa bởi hướng dẫn ẩn trong dữ liệu đầu vào. Vì vậy, nó không thay thế hoàn toàn LLM.

Cách dùng hợp lý là kết hợp cả hai: Jev làm các phán đoán nhanh ở đầu quy trình, chẳng hạn phân loại email khách hàng; sau đó LLM đảm nhận phần cần sáng tạo hoặc lập luận sâu hơn, như soạn nội dung trả lời cho khách. Cuối cùng, Jev có thể quay lại phân loại phản hồi tiếp theo. Đây chính là mô hình kép “nhanh – chậm” trong AI: xử lý phần lớn công việc bằng System 1, chỉ gọi System 2 khi thật sự cần.

Ngay cả dàn nhạc giao hưởng vĩ đại nhất thế giới cũng cần một nhạc trưởng giỏi để trình diễn Bản giao hưởng số 3 của Mahler mà không tạo ra sự hỗn loạn; các tác nhân AI cũng cần một “nhạc trưởng” như vậy.

Quá trình phối hợp các tác nhân AI để hoạt động đồng bộ được gọi là điều phối đa tác nhân, và sự quan tâm đến thuật ngữ này đã tăng vọt trong năm nay. Google Trends gọi điều phối đa tác nhân là thuật ngữ “đột phá” của năm 2026, khối lượng tìm kiếm của nó đã tăng hơn 5000% so với năm ngoái. Khiếp!

Nhưng khoan từ từ, người ta có thể thắc mắc: nếu các tác nhân AI có khả năng siêu nhiên như vậy, tại sao lại cần thêm một lớp điều phối để giúp chúng làm việc cùng nhau thay vì tự mình tìm ra cách?

Thực ra, tác nhân AI doanh nghiệp không giống như người quản lý. Nó thường chỉ có một nhiệm vụ duy nhất, tương tự công nhân lắp ráp trong nhà máy.

Trong cuộc phỏng vấn với IBM Think, Kỹ sư ưu tú của IBM, Mihai Criveti, đưa ra ví dụ giả định về một nhân viên mới cần được hướng dẫn làm quen công việc tại công ty. Ông nói: “Một tác nhân AI tạo email, tác nhân khác cấp quyền truy cập, tác nhân khác nữa gửi tài liệu on-boading”.

Mục đích của điều phối đa tác nhân là để tất cả các tác vụ này hoạt động đồng bộ. Thông thường, bộ điều phối là một LLM (Logical Learning Management) với danh sách các tác nhân, công cụ và khả năng của chúng.

“Nó đọc yêu cầu người dùng, quyết định gọi tác nhân nào, gửi ngữ cảnh phù hợp cho tác nhân đó, nhận kết quả trả về, sau đó quyết định bước tiếp theo.” Ông giải thích thêm về kịch bản tuyển dụng nhân viên.

Ông nói: “Nếu không có sự điều phối, hai tác nhân có thể thực hiện cùng một nhiệm vụ, sử dụng thông tin khác nhau, thực hiện các thay đổi mâu thuẫn. Khi bạn thêm nhiều tác nhân, quá trình kiểm soát, gỡ lỗi, bảo mật trở nên khó khăn hơn.”

Criveti đưa ra lời khuyên cho các công ty muốn triển khai điều phối đa tác nhân vào hệ thống công nghệ: “Hãy bắt đầu từ bước nhỏ, xây dựng một tác nhân AI làm được việc. Ví dụ, tạo một tác nhân có thể trả lời câu hỏi từ tài liệu nội bộ. Sau đó, thêm một tác nhân thứ hai với nhiệm vụ khác, chẳng hạn tóm tắt và làm slide thuyết trình. Khi cả hai hoạt động ổn hết, kết nối chúng thông qua bộ điều phối và tiến hành thử nghiệm trên quy mô lớn hơn, nhiều tác nhân AI cùng phối hợp hơn”.

Nếu bạn đang dùng ChatGPT, Claude hay Gemini để viết nội dung, có một thay đổi quan trọng đang âm thầm diễn ra: văn bản do AI tạo ra sẽ ngày càng được gắn watermark: một dạng “dấu vân tay” kỹ thuật số vô hình.

Anthropic, công ty đứng sau Claude, đã thông báo các phiên bản Claude trong tương lai sẽ tạo ra văn bản có watermark. Đây không phải dòng chữ kiểu “Written by AI” hay logo chìm như hình ảnh. Watermark nằm ẩn bên trong, tàng hình giữa hai dòng chữ, không thể thấy bằng mắt thường.

Dấu Watermark AI thực chất là gì?

Khi mô hình ngôn ngữ lớn (LLM) viết một câu, nó không đơn giản chọn từ có xác suất cao nhất. Mô hình tính toán xác suất của hàng nghìn lựa chọn, rồi dùng cơ chế lấy mẫu để quyết định từ tiếp theo.

Watermark tận dụng quá trình này.

Thay vì thay đổi nội dung một cách rõ ràng, hệ thống sẽ điều chỉnh rất nhẹ xác suất lựa chọn giữa những từ vốn đều có thể xuất hiện. Mỗi thay đổi riêng lẻ gần như không thể nhận ra, nhưng khi được tích lũy trên đoạn văn đủ dài, chúng tạo thành hình mẫu thống kê đặc trưng.

Có thể hình dung nó giống mực tàng hình trong lĩnh vực mã hoá: mắt thường không nhìn thấy, nhưng công cụ có “passkey” phù hợp có thể nhận diện được.

Dùng AI sửa bài có bị “đóng dấu” không?

Watermark chủ yếu phản ánh lượng văn bản được mô hình tạo ra trực tiếp. Nếu bạn tự viết 80% nội dung, chỉ dùng Claude chuốt một phần nhỏ, dấu watermark – nếu có – cũng sẽ tương ứng với phần AI can thiệp.

Anthropic thậm chí cho biết với những chỉnh sửa nhỏ hoặc văn bản quá ngắn, mức độ thay đổi có thể không đủ để phát hiện.

Tuy nhiên, điều này đặt ra câu hỏi thú vị: “Dùng AI chỉnh sửa” thực sự khác “để AI viết” ở đâu? Một nghiên cứu được IBM dẫn lại cho thấy ngay cả khi được yêu cầu chỉ sửa lỗi ngữ pháp, LLM vẫn “nhiệt tình” thay đổi đáng kể ý nghĩa của câu chữ.

Tại sao cần watermark khi đã có AI detector?

Hiện nay, nhiều công cụ như GPTZero hay Pangram dùng để đoán một văn bản có phải do AI tạo ra hay không. Nhưng vấn đề là: AI detector chỉ đưa ra phán đoán dựa trên đặc điểm của văn bản.

Một bài viết có “mùi AI” không chắc chắn do AI viết. Con người cũng có thể viết theo phong cách AI. Ngược lại, AI ngày càng giỏi bắt chước văn phong con người.

Watermark khác ở chỗ, nó được tạo ngay trong quá trình sinh văn bản. Vì vậy, nếu phát hiện được watermark, đó là bằng chứng trực tiếp, khẳng định mô hình AI đã tham gia tạo nội dung.

Tuy nhiên, watermark cũng không phải công nghệ hoàn hảo.

Watermark có thể bị xoá khi được viết lại bằng AI

Một trong những điểm yếu rõ nhất: nếu watermark nằm trong cách lựa chọn từ, khi viết lại bằng mô hình khác có thể làm mất watermark ban đầu.

Nhưng điều đó không có nghĩa watermark vô dụng.

Đưa toàn bộ văn bản qua một mô hình khác để viết lại làm tăng chi phí, thời gian và độ phức tạp. Hơn nữa, nếu ngày càng nhiều AI sử dụng watermark, văn bản được viết lại bằng AI khác có thể mang watermark mới.

Đây là cuộc đua công nghệ mới giữa LLM – watermark – AI detector – công cụ “humanize” nội dung.

Một tiêu chuẩn mới cho kỷ nguyên content AI

EU đang thúc đẩy minh bạch hóa nội dung do AI tạo ra, nhiều công ty AI lớn đã tham gia bộ quy tắc về minh bạch nội dung AI.

Vì thế, watermark nhiều khả năng sẽ không chỉ xuất hiện ở Claude. Gemini đã sử dụng SynthID cho văn bản từ năm 2024, trong khi các công nghệ watermark tương tự đang được nhiều nhà cung cấp AI nghiên cứu và triển khai.

Thách thức tiếp theo là khả năng tương thích: watermark của Google không nhất thiết nhận diện được nội dung từ Claude hay ChatGPT. Nếu mỗi hãng có hệ thống riêng, quá trình xác minh nguồn gốc văn bản có thể trở nên phức tạp.

Về dài hạn, watermark có thể trở thành một phần quan trọng của hạ tầng niềm tin trong thế giới AI. Dĩ nhiên, watermark không nhằm mục đích “bắt bài” người viết bằng AI, mà giúp chúng ta có thêm cách trả lời cho câu hỏi: Nội dung này ai viết?

Ảnh chụp đồ ăn đẹp mắt, đắt hàng thường có phần “dàn dựng”, nhưng để có bức ảnh đẹp chưa bao giờ là chuyện miễn phí.

Một quán cà phê ở San Francisco treo ngoài cửa sổ tấm poster quảng cáo các món trong menu với hình ảnh tạo bằng AI. Chẳng bao lâu sau, bức ảnh xuất hiện trên Reddit. Bài đăng mang tiêu đề “Yum, slop” nhanh chóng nhận về hàng loạt bình luận chế giễu: Ngon, dữ chưa!

Vậy tại sao một công nghệ có thể tạo ra hình ảnh gần như bất cứ thứ gì với độ chân thực kinh ngạc, lại đặc biệt “bó tay” khi tạo hình ảnh món ăn?

Phần lớn các công cụ tạo ảnh AI dành cho người dùng phổ thông hiện nay đều dựa trên mô hình khuếch tán (diffusion model).

Để huấn luyện mô hình như vậy, người ta lấy những tấm hình thật, sau đó từng bước phủ thêm độ nhiễu hạt (noise) ngẫu nhiên, cho đến khi hình gốc biến mất hoàn toàn, chỉ còn lại một đống noise.

Mô hình được cho xem quá trình này hàng triệu lần, từ đó học cách làm ngược lại: từng bước dự đoán phải loại bỏ phần noise nào để biến một đống “noise” trở lại thành tấm hình hoàn thiện. Ghê chưa, ghê chưa!

Khi bạn yêu cầu AI tạo con tôm, hình dáng tổng thể hình thành trước, các chi tiết râu ria dần dần xuất hiện.

Vấn đề là, chẳng có ai đứng bên cạnh để kiểm tra xem thứ đó có thực sự giống con tôm hay không. Nếu mô hình AI hình dung sai cấu trúc ngay từ bước đầu, những bước sau càng sửa càng sai.

Thế là đến một thời điểm nào đó, thứ AI tạo ra bắt đầu trông giống chiếc phao cứu sinh hơn một loài giáp xác. Và thay vì nhận ra mình đã sai, con AI cứ thế tiếp tục phát triển hình ảnh dựa trên lựa chọn ban đầu. Thế là chúng ta có con tôm hình đồng tiền :))

Nhưng đó chưa phải là tất cả. Còn một vấn đề khác: dữ liệu AI được học.

Các mô hình học khái niệm “trông ngon” từ hàng triệu bức ảnh đồ ăn thương mại. Chúng hấp thụ cả một “ngôn ngữ hình ảnh” mà ngành chụp ảnh F&B đã xây dựng suốt hàng chục năm: màu sắc rực rỡ, ánh sáng bắt mắt, bề mặt bóng bẩy, tất cả khiến món ăn trông ngon hơn thực tế.

Khi AI đẩy những thủ pháp ấy đi quá xa, kết quả bắt đầu trở nên kỳ quặc: món ăn cố gắng hết sức trông thật hấp dẫn nhưng sai hình dạng, trong khi ánh sáng chỉ lệch đi một chút, mọi thứ trở nên đáng ngờ.

Dù vậy, đây không phải giới hạn công nghệ không thể giải quyết. Vấn đề nằm ở chỗ: tinh chỉnh mô hình tốn tiền. Với những công cụ miễn phí, phải có thứ bị cắt giảm để giữ cho chúng… miễn phí.

Cho đến lúc này, hệ thống kiểm soát chất lượng rẻ nhất đối với hình ảnh poster đồ ăn do AI tạo ra vẫn là con người.

Vẫn còn một cách tốt hơn, real hơn: chụp đồ ăn bằng điện thoại, sau đó kêu AI tút lại một xíu là đẹp mắt, đắt hàng.

Hiểu về AI là một chuyện; giải thích nó cho người khác cũng có thể hiểu chút chút là chuyện khác. Nếu bạn đang gặp khó khăn với điều thứ hai, thì bài này đáng đọc, hai lần.

1/ LLM: “bộ não” của AI

Nếu xem hệ thống AI như con người, mô hình chính là bộ não. Hiện nay, nhiều ứng dụng sử dụng mô hình ngôn ngữ lớn, hay LLM, làm nền tảng xử lý thông tin và tạo nội dung. LLM có thể tạo văn bản, hình ảnh, âm thanh, video bằng cách dự đoán đầu ra phù hợp dựa trên dữ liệu đầu vào.

Cách hoạt động này có thể được hình dung như tính năng tự động hoàn thành một câu có đủ chủ ngữ vị ngữ, nhưng ở quy mô lớn hơn nhiều. Thay vì đoán từ tiếp theo, mô hình có thể tạo cả đoạn văn, cuốn sách, tài liệu hoặc câu trả lời hoàn chỉnh. Tuy nhiên, “bộ não” chưa được đào tạo đâu có ích gì.

2/ Training: quá trình học tập

Con người cần đến trường để học viết chữ, ngôn ngữ, toán học, địa lý, lịch sử và các kỹ năng khác. AI cũng cần quá trình tương tự, được gọi là huấn luyện và tinh chỉnh mô hình. Trong giai đoạn này, LLM học cách nhận diện mẫu, hiểu ngôn ngữ và tạo ra phản hồi phù hợp.

Huấn luyện giúp mô hình tích luỹ năng lực cơ bản, nhưng kiến thức của nó có thể nhanh chóng trở nên lỗi thời. Nếu con người ngừng học sau khi tốt nghiệp, họ cũng không thể biết tin tức, công nghệ hay sự kiện mới. AI cũng gặp vấn đề tương tự.

3/ RAG: bổ sung kiến thức

RAG, viết tắt của Retrieval-Augmented Generation, giúp AI truy xuất thông tin từ các nguồn bên ngoài đáng tin cậy trước khi tạo nội dung trả lời. Những nguồn này có thể là tài liệu doanh nghiệp, báo cáo nghiên cứu, tin tức hoặc nội dung content quảng cáo.

Nhờ được cung cấp dữ liệu phù hợp với câu hỏi, AI có thể trả lời sát thực tế hơn, giảm hiện tượng “ảo giác” đưa ra thông tin sai nhưng với giọng điệu tự tin như đúng rồi.

4/ Agent AI: "tay và chân"

Mô hình AI chỉ có khả năng suy luận và trả lời câu hỏi vẫn chưa đủ để hoàn thành nhiều nhiệm vụ khác nhau trong thực tế. Khi được kết nối với các công cụ, mô hình có thể hành động theo mục tiêu cụ thể, chẳng hạn đọc và ghi dữ liệu, viết mã, tìm kiếm trên web, đăng bài website hoặc thực hiện một số thao tác thay cho người dùng.

Đây chính là Agent AI, mô hình sử dụng các công cụ theo một vòng lặp tương đối tự chủ. Agent không chỉ trả lời câu hỏi, có thể lập kế hoạch, lựa chọn công cụ phù hợp, thực hiện hành động, tiếp tục đánh giá kết quả và báo cáo cho chủ nhân.

Trong phép so sánh với con người, nếu mô hình ngôn ngữ lớn là “bộ não” Agent AI giống “tay và chân”, giúp bộ não tương tác với thế giới bên ngoài và hoàn thành công việc được giao.

5/ MCP: "hệ thần kinh trung ương"

Khi AI có mô hình để suy luận và Agent để sử dụng công cụ, vẫn cần cơ chế kết nối hai thành phần này. MCP, viết tắt của Model Context Protocol, đảm nhiệm vai trò đó bằng cách kết nối mô hình AI với các công cụ Agent.

6/ System Prompt: nguyên tắc định hướng

Khả năng hành động cần đi kèm giới hạn an toàn. System prompt là tập hợp những hướng dẫn giúp AI biết nên làm gì, không nên làm gì, phản hồi như thế nào trong những tình huống nhất định.

-----

Nhìn tổng thể, một hệ thống AI hiện đại có thể được hiểu như một con người: LLM là bộ não, Training là quá trình học tập, RAG là cập nhật kiến thức, Agent là đôi tay và đôi chân, MCP là hệ thần kinh, System prompt là nguyên tắc đạo đức định hướng hành vi.

Đây là cách tiếp cận đơn giản, giúp người mới có thể hiểu nền tảng AI hiện đại, là cái giống gì.

Doanh nghiệp đang đầu tư mạnh vào AI, nhưng phần lớn vẫn chưa biến năng lực này thành hiệu quả kinh doanh. Vấn đề không hẳn nằm ở công nghệ, mà ở cách điều phối toàn bộ hệ thống để AI tạo ra kết quả có thể đo lường.

IBM gọi tình trạng này là “random acts of AI” - những sáng kiến hoạt động rất tốt trong một bộ phận, nhưng không kết nối được với kết quả ở cấp toàn doanh nghiệp. Mỗi hệ thống có thể đang làm đúng phần việc của mình, nhưng nếu không có Nhạc trưởng dẫn dắt tổng thể, doanh nghiệp vẫn khó tạo ra giá trị tương xứng.

Ba dấu hiệu cần chú ý

1. Đã đầu tư vào nền tảng, nhưng kết quả vẫn chưa đến

Nhiều doanh nghiệp đã đặt cược lớn vào các nền tảng như Salesforce, SAP, Odo, Oracle hay AWS. Những quyết định này không còn là vấn đề chính. Thách thức hiện nay là các nền tảng đó phải tạo ra giá trị vượt xa phạm vi thiết kế ban đầu.

Giá, tồn kho, dịch vụ khách hàng thường nằm ở những hệ thống khác nhau. Nếu các hệ thống này không vận hành cùng nhịp, tổ chức dễ rơi vào tình trạng mỗi phần kéo theo một hướng riêng. Kết quả mà doanh nghiệp quan tâm không nằm trong một nền tảng đơn lẻ, mà nằm ở cách các nền tảng phối hợp với nhau.

2. Hệ thống đã được kết nối, nhưng chưa được điều phối

Đây là khác biệt nhiều doanh nghiệp bỏ lỡ. Kết nối giúp các hệ thống trao đổi thông tin; điều phối mới quyết định liệu chúng có tạo ra kết quả cùng nhau hay không. Nhiều tổ chức đã làm tốt phần kết nối, nhưng rất ít nơi làm tốt phần điều phối.

Vì vậy, các sáng kiến AI thường chỉ mang lại cải thiện cục bộ, không cộng hưởng thành giá trị chung. Các hệ thống vẫn chạy đúng thiết kế, nhưng không có ai “chỉ huy” để chúng hướng về một mục tiêu. Ở những doanh nghiệp dẫn đầu, sự phối hợp này được xác lập rõ ràng để các sáng kiến hỗ trợ lẫn nhau, tạo ra hiệu suất lặp lại có thể nhìn thấy.

3. Không ai trả lời được câu hỏi: ai thực sự đang điều phối?

Khi AI lan rộng trong doanh nghiệp, trách nhiệm thường bị chia cho nhiều vai trò như công nghệ, tài chính, vận hành, nhân sự và an ninh. Trên lý thuyết, điều đó có vẻ đầy đủ. Nhưng trong thực tế, nó tạo ra cấu trúc vận hành khiến ai cũng nghĩ sẽ có người khác nắm bức tranh tổng thể.

CTO chịu trách nhiệm về hạ tầng và năng lực, CFO phụ trách lợi nhuận và rủi ro, COO phụ trách triển khai và hiệu suất. Mỗi người đều làm đúng phần việc của mình, nhưng khi AI chững lại hoặc ROI bị đặt câu hỏi, rất khó xác định ai thực sự chịu trách nhiệm cuối cùng. IBM gọi vai trò còn thiếu này là Orchestrator - người hoặc chức năng có đủ tầm nhìn, quyền hạn, năng lực để liên kết toàn bộ hệ thống, dẫn nó về một kết quả chung.

Lợi thế khi được điều phối tốt

Khi doanh nghiệp được nhìn như một hệ thống thống nhất, dữ liệu, AI, nền tảng và quy trình bắt đầu hỗ trợ lẫn nhau thay vì cạnh tranh nguồn lực. Đây là lợi thế điều phối mà nhiều tổ chức cần xây dựng ngay lúc này.

Câu hỏi trọng tâm không còn là đầu tư vào cái gì, mà làm sao để những khoản đầu tư đó vận hành cùng nhau và tạo ra kết quả. IBM cho rằng 12 đến 24 tháng tới sẽ là giai đoạn quan trọng, ảnh hưởng cả hiệu suất ngắn hạn lẫn năng lực cạnh tranh dài hạn.

Làm đúng không phải đầu tư khủng, làm đúng là khả năng phối hợp giúp công nghệ hoạt động hiệu quả.

Thuật ngữ Model Context Protocol, thường được biết đến với tên gọi MCP, đã gia tăng đáng kể về lượt tìm kiếm trong những tuần gần đây. Lý do?

Với MCP thế hệ cũ, máy chủ lưu giữ thông tin từ các tương tác trước đó; giờ đây, mỗi yêu cầu đều độc lập và không lưu giữ ký ức về các phiên trước. Sự chuyển đổi từ trạng thái có lưu giữ thông tin sang trạng thái không lưu giữ thông tin là nâng cấp mang tính đột phá cho Giao thức Ngữ cảnh Mô hình (Model Context Protocol) vốn đã là tiêu chuẩn vàng để kết nối các trợ lý AI với các nguồn dữ liệu bên ngoài kể từ khi Anthropic lần đầu tiên công khai mã nguồn vào năm 2024.

Ngay từ đầu, các hệ thống học máy (LLM) như Copilot, ChatGPT, Claude đã có khả năng thực hiện nhiều nhiệm vụ ấn tượng dựa trên nguồn dữ liệu mà chúng được huấn luyện. Tuy nhiên, nếu không có công cụ bổ sung, LLM không thể phản hồi thành công các yêu cầu kiểu “Tìm kiếm hộp thư đến trong Slack và Gmail của tôi các tin nhắn về thu hồi sản phẩm, sau đó soạn một email với mục đích cảm ơn”.

Nói cách khác, mặc dù LLM có hàng triệu tài liệu để tham khảo, chúng không thể tự động truy cập dữ liệu hoặc công cụ bên ngoài. Đó là lúc MCP phát huy tác dụng.

“Với sự bùng nổ của Agent AI trong một năm qua và thời gian tới, thách thức lớn nhất không chỉ làm cho các mô hình thông minh hơn mà cung cấp cho chúng quyền truy cập vào các công cụ và dữ liệu một cách đáng tin cậy, đồng thời phải được chuẩn hóa,” Anna Gutowska, kỹ sư AI và chuyên viên hỗ trợ phát triển tại IBM, cho biết trong lần phỏng vấn với IBM Think. “Một tác nhân có thể suy luận sâu, nhưng không thể tương tác với thế giới sẽ bị hạn chế.”

Blog chính thức của nhà phát triển MCP ví giao thức này như cổng USB-C: “Cũng giống như USB-C cung cấp một cách chuẩn hóa để kết nối các thiết bị điện tử, MCP cung cấp một cách chuẩn hóa để kết nối các ứng dụng AI với các hệ thống bên ngoài.”