Mặc dù thuật ngữ Agent AI mới trở nên phổ biến trong vài năm gần đây, nhưng chúng ta gần như đã đến giai đoạn mà phản ứng “wow, thật kỳ diệu” nhường chỗ cho “được thôi, nhưng còn gì nữa?”.

Nếu bạn hỏi một người am hiểu công nghệ bình thường khoảng một thập kỷ trước, rằng trí tuệ nhân tạo (AI) có thể làm được gì mà tự động hóa đơn giản không thể làm được, điều họ mô tả chính là những gì các Agent AI đang làm hiện nay. Chúng không chỉ trò chuyện; chúng còn hành động.

Đặc điểm nổi bật của chúng là khả năng tự chủ trong quá trình ra quyết định – ở một mức độ nhất định. Chúng có thể làm bất cứ điều gì, từ mua hàng dựa trên sở thích của bạn, xây dựng các ứng dụng hoàn chỉnh với lời nhắc bằng ngôn ngữ tự nhiên, xác định các rủi ro bảo mật, viết content chuẩn SEO hàng loạt với 9 văn phong khác nhau...

Để thực hiện công việc của mình, chúng cần một vài loại đầu vào:

• Lời nhắc (Prompt) do con người tạo ra và các thông số mục tiêu
• Quyền truy cập vào các nguồn dữ liệu liên quan (xem RAG)
• Khả năng gọi công cụ và API, cùng một số yếu tố khác

Từ đó, agent sẽ suy luận dựa trên thông tin được cung cấp, đánh giá các hành động có thể và liên tục xem xét lại các lựa chọn của mình, điều chỉnh hướng đi khi cần thiết.

 ❉ ❉ ❉

Bút Chì AI sử dụng một hệ liên hoàn Agent AI đã được kiểm chứng hiệu quả cùng bộ dữ liệu RAG độc quyền tích lũy từ 18 năm làm nghề copywriter, kết hợp chuỗi system prompt từ chuyên gia tốt nghiệp khóa học IBM online, nên không có gì ngạc nhiên khi content thực sự có hơi người, một số có hương thơm khi bạn viết về nước hoa.

Hiện tại, giới AI đang tranh luận: đây là “năm” hay “thập kỷ” của AI Agents?

Câu trả lời hợp lý nhất có lẽ là: cả hai đều đúng, nhưng ở hai tầng kỳ vọng khác nhau. Năm 2025–2026 có thể là bước ngoặt cho những agent xử lý các tác vụ hẹp, rõ ràng; còn một thập kỷ tới sẽ là hành trình để biến agent thành “lao động tri thức” trong thế giới đầy ngoại lệ.

Bối cảnh: Cơn sốt AI Agents

Trong vài năm gần đây, mô hình nền tảng (foundation model) đã đủ mạnh để không chỉ trả lời câu hỏi mà biết hành động”: mở ứng dụng, thao tác trên UI, gọi API, đọc–viết file, tự chia nhỏ và sắp xếp công việc. Điều này làm bùng nổ khái niệm AI agent – những “trợ lý tự chủ” có thể thay con người làm nhiều việc tri thức, từ viết code, đặt vé máy bay đến hỗ trợ IT.

Tuy nhiên, như Andrej Karpathy và nhiều chuyên gia khác cảnh báo, kỳ vọng đang bị thổi phồng: agent vẫn rất mong manh khi bước ra thế giới thực lộn xộn, nhiều luật ngầm và ngoại lệ. Khoảng cách giữa demo đẹp và hệ thống vận hành ổn định vẫn còn rất lớn.

4 trụ cột năng lực của AI Agent

Để hiểu vì sao có chỗ agent làm rất tốt và có chỗ lại “đuối”, cần nhìn vào 4 trụ cột năng lực chính:

• Intelligence (mức thông minh): Khả năng hiểu yêu cầu, suy luận, chia nhỏ và lên kế hoạch cho chuỗi hành động.
• Computer use (sử dụng máy tính): Từ gọi API, chạy script đến thao tác chuột–bàn phím trên giao diện người dùng, điền form, bấm nút, điều hướng giữa nhiều ứng dụng.
• Multimodal (đa phương thức): Hiểu và xử lý nhiều kiểu dữ liệu như văn bản, hình ảnh, video, file, màn hình chụp.
• Continual learning (học liên tục): Rút kinh nghiệm từ các lần tương tác trước, sử dụng feedback để ngày càng chính xác và phù hợp hơn với bối cảnh.

Hầu hết các hệ agent hiện nay tương đối mạnh ở trụ cột “intelligence” trên văn bản, nhưng còn yếu khi đụng đến computer use thực sự, đa phương thức phức tạp và khả năng học dài hạn, ổn định.

Nơi AI Agent đã rất mạnh: Coding Assistant

Nếu có một usecase điển hình cho “năm của AI agent” đó chính là coding assistant. Lập trình là môi trường gần như lý tưởng cho agent.

 - Mã nguồn có cấu trúc chặt, ngữ pháp rõ ràng, quy tắc cụ thể.

- Feedback nhanh và rõ: compile lỗi, test fail/pass, benchmark cụ thể.

- Môi trường làm việc tương đối ổn định: IDE, terminal, repository, CI/CD… đều là những công cụ quen thuộc.

 Vì vậy, agent có thể:

 - Viết chức năng mới dựa trên mô tả yêu cầu. 

- Gợi ý chỉnh sửa, refactor code, tối ưu hiệu năng.

- Tự động tạo test, viết tài liệu, review pull request.

Không ít developer để agent “tự chạy” phần lớn quy trình, con người chuyển vai từ người trực tiếp code sang người review, ra quyết định và xử lý các trường hợp khó. Đây là vùng mà AI agent đã thực sự bước vào đời sống hàng ngày, chứ không còn là bản demo.

Nơi AI Agent mới “tạm ổn”: Travel Agent

Hãy tưởng tượng một agent có thể lo trọn chuyến đi: từ tìm ý tưởng điểm đến, so sánh giá vé, đặt vé máy bay và khách sạn, cho đến gợi ý lịch trình chi tiết, tối ưu chi phí. Về lý thuyết, tất cả đều có vẻ rất phù hợp: nhiều dữ liệu công khai, thao tác web, form, API, một chuỗi nhiệm vụ có thể tự động hóa.

Nhưng thực tế, bài toán du lịch lại đầy rẫy ngoại lệ:

- Giao diện web mỗi hãng một kiểu, thay đổi thường xuyên, đôi khi có captcha, popup, điều khoản ẩn trong fine print.

- Các ràng buộc phức tạp như transit cần visa, hành lý đặc biệt, đi cùng em bé, người lớn tuổi hay người khuyết tật.

- Sở thích cá nhân thay đổi theo thời gian: lần này tối ưu giá, lần sau ưu tiên giờ bay; lần khác lại muốn nghỉ dưỡng cao cấp.

Hiện tại, agent có thể hỗ trợ khá tốt ở mức:

- Gợi ý hành trình, gợi ý hãng/tầm giá, so sánh lựa chọn. 

- Chuẩn bị checklist, bản nháp lịch trình để con người quyết định và thao tác bước cuối.

Nhưng để “giao trọn” việc đặt, thanh toán, xử lý sự cố hoàn toàn cho agent thì vẫn quá mạo hiểm. Đây là minh chứng rằng dù mô hình ngôn ngữ hiểu khá tốt, phần “hành động” trong môi trường phức tạp vẫn còn hạn chế.

Đích đến dài hạn: Support IT tự động

Một tầm nhìn tham vọng hơn là dùng AI agent cho IT support: thay vì chỉ trả lời FAQ hoặc hướng dẫn click từng bước, agent có thể tự:

- Kết nối từ xa vào máy người dùng. 

- Chẩn đoán nguyên nhân lỗi dựa trên log, cấu hình, tình trạng hệ thống.

- Thực hiện thao tác sửa chữa: cài driver, đổi cấu hình, restart dịch vụ, rollback phiên bản.

Vấn đề là môi trường IT trong thực tế cực kỳ bừa bộn:

- Mỗi máy là một tổ hợp phần mềm–phần cứng, policy, cấu hình khác nhau.

- Vô số edge case: lỗi hiếm, tương tác khó đoán giữa các ứng dụng, hạn chế quyền truy cập, mạng nội bộ phức tạp.

- Yêu cầu độ tin cậy rất cao, vì bất kỳ thao tác sai nào cũng có thể làm gián đoạn hệ thống.

Để agent hoạt động tốt ở đây, cần:

- Khả năng hiểu sâu môi trường hệ thống, không chỉ văn bản mà cả log, màn hình, thông số kỹ thuật.

- Computer use ở mức “thợ lành nghề”: thao tác thành thục trên nhiều OS, tool, script, kịch bản khác nhau.

- Cơ chế học liên tục từ hàng nghìn case support, nhưng vẫn giữ an toàn và khả năng kiểm soát.

Đây chính là loại bài toán mà có lẽ phải mất một thập kỷ để agent thực sự trưởng thành.

Vậy: Năm hay thập kỷ của AI Agents?

Nếu nhìn vào những gì đã sẵn sàng để triển khai rộng rãi, có thể coi hiện tại là “năm” của AI agent cho các tác vụ hẹp, có cấu trúc, môi trường tương đối ổn định, ví dụ coding assistant. Trong không gian này, agent đủ tốt để mang lại hiệu suất vượt trội, con người có thể đóng vai trò giám sát, hiệu chỉnh.

Nhưng nếu nói về tầm nhìn: agent có thể xử lý thế giới thực hỗn loạn như con người – tự sử dụng máy tính, hiểu đa phương thức, xử lý vô số ngoại lệ và học dần từ kinh nghiệm – thì đây mới là “thập kỷ” của AI agent. Những ứng dụng như travel agent toàn diện hay IT support tự động end-to-end nhiều khả năng sẽ cần cả một chặng đường dài về mô hình, hạ tầng, kỹ thuật an toàn và thiết kế sản phẩm.

Điều quan trọng là giữ kỳ vọng ở đúng mức: tận dụng tối đa sức mạnh agent ở những nơi “đã chín”, như lập trình hay các quy trình nội bộ rõ ràng; đồng thời đầu tư dài hạn cho những mảng đầy hứa hẹn nhưng rủi ro cao, nơi agent vẫn còn là thực tập sinh. Đây chính là lý do có thể nói: chúng ta đang sống trong năm – và cũng là khởi đầu của thập kỷ – của AI Agents.

Một năm trong lĩnh vực công nghệ có cảm giác như cả thập kỷ. Hãy nghĩ mà xem: một năm trước:

• ChatGPT không thể đếm được số chữ “r” trong từ “strawberry”.
• Các mô hình suy luận từ phòng thí nghiệm tiên tiến của Trung Quốc (như DeepSeek-R1) chưa tạo được tiếng vang trên thế giới.
• Các agent suy luận mã nguồn mở vẫn còn ngu.
• Công cụ lập trình chuyên dụng của Claude vẫn chưa tồn tại.
• IBM Granite 3.0 chỉ mới ra mắt.
• Và cuộc thảo luận về công cụ lập trình chuyên dụng chỉ mới bắt đầu.
• MCP vừa mới thu hút được sự chú ý vào mùa xuân, với sự ủng hộ đáng kể từ Sam Altman.

Trong lĩnh vực cơ sở hạ tầng, chip và tài nguyên tính toán ngày càng khan hiếm, tạo lợi thế cạnh tranh cho các thị trường mới.

IBM Think đã trò chuyện với hàng chục chuyên gia công nghệ, bao gồm các nhà nghiên cứu, nhà sáng lập và giám đốc điều hành từ IBM và các công ty khác. Mỗi người đều có chung một niềm tin về năm tới: tốc độ đổi mới sẽ không chậm lại trong năm 2026.

“Đây là thời điểm điên rồ,” Peter Staar, thành viên nghiên cứu chính tại Phòng thí nghiệm Nghiên cứu IBM Zurich, chia sẻ với IBM Think trong cuộc phỏng vấn. “Và nó chỉ đang ngày càng tăng tốc”.

Nhiều người tin rằng hiệu quả là mục tiêu hàng đầu. “GPU sẽ vẫn là số một, nhưng các bộ tăng tốc dựa trên ASIC, thiết kế chiplet, các bộ tối ưu hóa hỗ trợ lượng tử sẽ phát triển hoàn thiện hơn”, Kaoutar El Maghraoui, nhà khoa học nghiên cứu chính tại IBM, cho biết trong sự kiện Mixture of Experts tuần này. “Có thể một loại chip mới dành cho các tác vụ dựa trên agent sẽ xuất hiện”.

“Khi khả năng của trí tuệ nhân tạo (AI) trưởng thành, chúng sẽ mở ra những cách thức kinh doanh chưa từng tồn tại. Chúng ta sẽ đạt đến điểm bão hòa,” Gabe Goodhart, Kiến trúc sư trưởng về Đổi mới mở AI tại IBM, cho biết trong một cuộc phỏng vấn. “Đây là thị trường của người mua. Bạn có thể chọn mô hình phù hợp với sở trường, và bắt đầu cuộc đua. Thắng thua không quá quan trọng. Bản thân mô hình không phải yếu tố khác biệt chính”.

Đó chỉ là màn mở đầu cho những gì sắp diễn ra trong lĩnh vực công nghệ. Vì vậy, đúng vậy, năm 2026 hứa hẹn sẽ là một năm thú vị nữa đây!

2025 là năm các hệ thống agent chuyển từ thuật ngữ thời thượng thành hiện thực. Một trong những công ty dẫn đầu là IBM, với ba dự án mã nguồn mở nhằm định hình cách doanh nghiệp xây dựng, triển khai và mở rộng quy mô AI.

Hơn một năm trước, khi nhóm nghiên cứu tại IBM ra mắt Docling, bộ công cụ mã nguồn mở giúp chuẩn bị tài liệu phi cấu trúc cho trí tuệ nhân tạo, mục tiêu rất đơn giản: đưa công cụ này đến tay các nhà phát triển. Với hơn 48.000 lượt đánh dấu sao trên GitHub, Docling hiện đang trở thành xương sống cho khả năng tương tác và đánh giá giữa các mô hình AI.

“Về cơ bản, Docling là công cụ để chúng ta có thể chạy tất cả các mô hình khác nhau, đồng thời có được các chỉ số đánh giá phù hợp,” Peter Staar, nhà nghiên cứu chính tại IBM Research ở Zurich, cho biết trong một cuộc phỏng vấn.

Môi trường doanh nghiệp như Red Hat, ứng dụng như Claude Desktop (sử dụng MCP) đã và đang tích hợp Docling. Trong khi đó, IBM đang chuẩn bị đưa vào sử dụng các mô hình tiên tiến nhất và giới thiệu Docling tại hội nghị GTC năm 2026 của NVIDIA.

BeeAI và Agent Stack, hai dự án giúp định hình lại cách các nhà phát triển xây dựng và triển khai các agent thông minh, cũng đã thúc đẩy đà phát triển của IBM trong lĩnh vực trí tuệ nhân tạo mã nguồn mở. IBM đã đóng góp cả hai dự án này cho Linux Foundation.

BeeAI bắt đầu như một thử nghiệm nội bộ vào đầu năm 2024, tập trung vào giao diện người dùng cuối cho trí tuệ nhân tạo và các agent tự động. Mục tiêu ban đầu thay đổi khi các nhà phát triển yêu cầu một điều khác: framework xây dựng các agent.

Không lâu sau đó, IBM nhận ra vấn đề khó khăn khi triển khai: các nhà phát triển muốn đưa agent từ môi trường thử nghiệm cá nhân sang môi trường sản xuất dùng chung, bất kể framework nào, nhưng không thể thực hiện được.

Đây chính là điều Agent Stack, một cơ sở hạ tầng mở, cho phép triển khai nhanh chóng, không phụ thuộc vào framework. “Chức năng quan trọng nhất là, 'Hãy cho phép tôi triển khai các agent của mình một cách nhanh chóng.' Chỉ vậy thôi,” Kate Blair, Giám đốc Vườn ươm và Trải nghiệm Công nghệ tại IBM, chia sẻ với IBM Think.

Blair dự đoán vào năm 2026, doanh nghiệp có thể kỳ vọng vào khả năng tương tác cao hơn giữa các agent, được thúc đẩy bởi các tiêu chuẩn giao tiếp mở như A2A và MCP.

Machine learning (ML) là một nhánh của khoa học máy tính, khoa học dữ liệu và trí tuệ nhân tạo, cho phép hệ thống học và cải thiện từ dữ liệu mà không cần lập trình thêm.

Thay vì dùng các chỉ dẫn cố định, mô hình ML dùng thuật toán và thống kê để phát hiện mẫu trong dữ liệu, từ đó suy ra kết quả, liên tục cập nhật khi có dữ liệu mới.

Các thuật toán ML được chia thành 5 nhóm chính, mỗi loại có ưu điểm, năng lực và tình huống sử dụng khác nhau, từ thương mại điện tử, chăm sóc sức khỏe đến xe tự lái và nhận dạng giọng nói.

1/ Học có giám sát

• Học có giám sát dùng dữ liệu đã gán nhãn, nghĩa là biến mục tiêu/kết quả đã biết; ví dụ mô hình dự báo lốc xoáy với đầu vào là ngày, vị trí, nhiệt độ, gió… và đầu ra là hoạt động lốc xoáy thực tế.
• Thường dùng cho đánh giá rủi ro, nhận dạng hình ảnh, phân tích dự đoán và phát hiện gian lận; gồm các thuật toán hồi quy, phân loại, Naive Bayes, mạng nơ-ron và random forest.

2/ Học không giám sát

• Học không giám sát làm việc với dữ liệu không gán nhãn để khám phá cấu trúc ẩn, phục vụ phân tích khám phá, nhận dạng mẫu và mô hình dự đoán.
• Các kỹ thuật phổ biến: phân cụm K-means, phân cụm phân cấp, phân cụm xác suất; thường dùng cho TMĐT, phát hiện bất thường, hệ thống gợi ý kiểu “khách mua sản phẩm này cũng mua…”.

3/ Học tự giám sát

• Học tự giám sát cho phép mô hình tự huấn luyện trên dữ liệu không gán nhãn bằng cách dùng một phần dữ liệu để dự đoán phần còn lại, tự động tạo nhãn.
• Rất hữu ích trong thị giác máy tính, xử lý ngôn ngữ tự nhiên, nơi nguồn lực gán nhãn thủ công cho khối lượng dữ liệu khổng lồ là rất tốn kém hoặc gần như không khả thi.

4/ Học bán giám sát

• Học bán giám sát kết hợp học có giám sát & không giám sát: mô hình được huấn luyện trên lượng nhỏ dữ liệu gán nhãn và lượng lớn dữ liệu không gán nhãn.
• Một ví dụ là GAN (mạng đối sinh), một kỹ thuật deep learning có thể tạo dữ liệu mới và hỗ trợ các tác vụ bán giám sát.

5/ Học tăng cường

• Học tăng cường (reinforcement learning) sử dụng cơ chế thưởng – phạt để dạy một “tác nhân” chọn hành động tối ưu trong môi trường cụ thể nhằm đạt mục tiêu.
• Được dùng nhiều trong phát triển trò chơi, robot, xe tự lái, nơi tác nhân thử nghiệm lặp lại, nhận thưởng/phạt và dần học chiến lược xử lý tình huống tốt nhất.

Lịch sử phát triển của AI trong 70 năm, từ giai đoạn lập trình luật cố định đến machine learning, gen AI và bước chuyển sang agentic AI với các hệ thống tự chủ hơn.

Dòng thời gian chính

• Bắt đầu với Alan Turing và Turing Test (1950), dùng để đánh giá xem máy có “trí tuệ” khi con người không phân biệt được đang nói chuyện với người hay máy.
• Thuật ngữ AI được đặt năm 1956, sau đó xuất hiện ngôn ngữ Lisp (list processing) và Prolog (programming in logic) cho lập trình AI dựa trên luật và đệ quy.
• Các hệ chuyên gia (expert systems) thập niên 80 mang đến nhiều kỳ vọng nhưng thất bại vì khó mở rộng, phải viết thêm nhiều mã mỗi khi muốn hệ thống “thông minh hơn”.

Những cột mốc lớn

• 1997: IBM Deep Blue lần đầu đánh bại vua cờ Garry Kasparov, chứng minh máy có thể vượt qua con người trong những nhiệm vụ hẹp nhưng rất phức tạp như cờ vua.
• Từ những năm 2000, machine learning và deep learning bùng nổ: hệ thống không còn chỉ “được lập trình” mà “học” từ dữ liệu, nhận dạng mẫu và dự đoán ở quy mô rất lớn.
• 2011: IBM Watson thắng hai nhà vô địch Jeopardy, xử lý ngôn ngữ tự nhiên, chơi trò chơi thời gian thực và phải ước lượng độ tự tin trước khi trả lời.

Thời kỳ gen AI

• Khoảng 2022, gen AI dựa trên foundation models làm AI “trở nên thật” với số đông: chatbot có thể trò chuyện như chuyên gia, viết content, viết báo cáo, tóm tắt email, sáng tác hình ảnh, âm thanh.
• Công nghệ này cũng tạo ra deepfake, mở ra cả mặt tích cực (tự động hóa sáng tạo, năng suất) lẫn tiêu cực (giả mạo, lừa đảo), khiến xã hội chú ý hơn tới rủi ro AI.

Agentic AI và tương lai

• 2025 được mô tả là năm của agentic AI: hệ thống AI có nhiều tự chủ hơn, được giao mục tiêu, tự phối hợp nhiều dịch vụ/công cụ để hoàn thành nhiệm vụ.

AI hiện tại vẫn chủ yếu là “trí tuệ hẹp”, các bước tiếp theo như AGI (trí tuệ tổng quát như hoặc hơn người) và ASI (siêu trí tuệ vượt xa con người) đang được định hình.

UFC và IBM đã hợp tác để tăng cường tương tác thời gian thực với người hâm mộ thông qua UFC Insights Engine, nền tảng dựa trên trí tuệ nhân tạo (AI) phân tích tự động, realtime về các trận đấu.

Tính năng In-Fight Insights mới của nền tảng đã ra mắt tại trận đấu UFC ở Madison Square Garden, hiển thị pha Knock out thứ 60, phá kỷ lục trong sự nghiệp của Valentina Shevchenko trên màn hình.

Công cụ Insights Engine tận dụng IBM Watsonx Orchestrate, kết hợp Watsonx.data, Watsonx.ai và Watsonx.governance. Công nghệ này thu thập dữ liệu trận đấu trực tiếp, xác minh số liệu thống kê và tạo ra những phân tích tức thời cho các đài truyền hình và người hâm mộ UFC.

Hãy tưởng tượng một võ sĩ đang chuẩn bị phá kỷ lục về số lần Knock out đối thủ: sử dụng công cụ Insights Engine mới, đội ngũ sản xuất số liệu thống kê của UFC sẽ chuẩn bị sẵn những thông tin chi tiết liên quan để chia sẻ ngay lập tức khi kỷ lục bị phá vỡ trong thời gian thực. Thông tin chi tiết đó sau đó được cung cấp cho đội ngũ nội dung và phát sóng của UFC để chia sẻ công khai trên các chương trình phát sóng.

Jonathan Collins, Giám đốc chính về Kỹ thuật Xây dựng khu vực châu Mỹ tại IBM, gọi đây là một “bước ngoặt lớn” đối với trải nghiệm phát sóng thể thao. Với lượng fan toàn cầu hơn 700 triệu người, sự kết hợp giữa trí tuệ nhân tạo và cảm giác hồi hộp đồng nghĩa với việc kể chuyện sâu sắc hơn, tương tác thông minh hơn, và một chương trình phát sóng thần tốc như chính các cú đấm.

Kỷ nguyên tiếp theo của UFC không chỉ là những trận đấu; mà còn là sự tính toán.

Bước tiến tiếp theo của trí tuệ nhân tạo có thể không liên quan nhiều đến kích thước mà tập trung sâu hơn vào khả năng phán đoán.

Sau một năm đảo lộn những giả định về cách thức tiến bộ của trí tuệ nhân tạo, các nhà nghiên cứu đang chuyển hướng khỏi các mô hình lớn sang các hệ thống có khả năng suy luận cẩn thận. Bước sang năm 2026, xu hướng không đơn thuần về quy mô, mà xây dựng các mô hình làm được nhiều việc hơn với ít tài nguyên hơn.

Trong hơn một thập kỷ, sự tiến bộ trong trí tuệ nhân tạo (AI) tuân theo công thức đơn giản: các mô hình lớn được huấn luyện trên dữ liệu lớn sẽ tiếp tục mang lại kết quả tốt hơn, theo lời Kush Varshney, chuyên gia của IBM, trong cuộc phỏng vấn với IBM Think.

Niềm tin đó đã lung lay vào đầu năm 2025, khi các phương pháp tiếp cận mới cho thấy thuật toán thông minh hơn có thể cạnh tranh với sức mạnh tính toán thô sơ.

Sự thay đổi này giúp đẩy nhanh quá trình phát triển của các mô hình dành nhiều thời gian hơn cho cân nhắc và suy luận thay vì chỉ dựa vào những gì đã được tích hợp sẵn trong quá trình huấn luyện.

Tuy nhiên, những hạn chế hiện tại của các mô hình học máy (LLM) vẫn rất rõ ràng. Ngay cả khi các mô hình suy luận lâu hơn, chúng vẫn có thể mắc những sai lầm đáng kể, một rủi ro trong các lĩnh vực đòi hỏi sự chuẩn xác như chăm sóc sức khỏe, luật và tài chính.

Aude Oliva, Giám đốc Phòng thí nghiệm Trí tuệ Nhân tạo MIT-IBM Watson tại MIT, chia sẻ với IBM Think rằng chỉ khả năng thôi sẽ không đủ. Khi các mô hình chuyển từ thói quen trả lời câu hỏi sang hoạt động cùng con người, Oliva giải thích, chính sự tương tác sẽ trở thành nút thắt cổ chai. "Tương lai của sự hợp tác giữa AI và con người là đối thoại, không phải độc thoại" bà nói.

Hãy tưởng tượng có một ông già Noel tí hon trong túi mà không có những dấu chân bám đầy bụi tuyết.

Bất chấp sự tiện lợi của mua sắm online, gần ba phần tư (72%) người tiêu dùng vẫn mua sắm tại cửa hàng, và giờ đây họ đang nhận được sự hỗ trợ quan trọng từ trí tuệ nhân tạo (AI), theo Jane Cheung, Trưởng nhóm nghiên cứu toàn cầu về ngành công nghiệp tiêu dùng của Viện Giá trị Kinh doanh (IBV) thuộc IBM, hé lộ một phần kết quả khảo sát sắp tới vào năm 2026.

Điểm khác biệt hiện nay là người mua sắm có sự kết hợp giữa các trợ lý và agent AI ngay trong túi, hỗ trợ trong thời gian thực khi mua sắm. Ví dụ, 41% người mua sắm sử dụng trợ lý hoặc agent AI trên thiết bị di động để nghiên cứu sản phẩm, 33% tìm kiếm đánh giá và 31% săn deal, Cheung cho biết trong cuộc phỏng vấn với IBM Think.

Giờ đây, khách hàng có thể hoàn tất giao dịch mua hàng thông qua LLM (Logistics Learning Module) tại các cửa hàng vật lý hoặc ngay tại nhà. Tuy nhiên, mặc dù gần chục nhà bán lẻ, từ Shopify, Target đến Walmart, gần đây đã công bố khả năng thanh toán tức thì trên ChatGPT, nhưng theo Cheung, thương mại điện tử AI nói chung vẫn còn ở giai đoạn đầu.

Một phần nguyên nhân đến từ dữ liệu. Dữ liệu sản phẩm là yếu tố then chốt để huấn luyện các thuật toán vận hành các trợ lý ảo. Và trong khi 64% các công ty có dữ liệu độc quyền mà AI có thể truy cập, thì chưa đến một nửa số thông tin này (49%) hiện có thể sử dụng được; chỉ hơn một phần tư (26%) thực sự được AI sử dụng, theo nghiên cứu “Sản phẩm bán lẻ và tiêu dùng trong kỷ nguyên AI” năm 2025 của IBM.

Do đó, một số nhà bán lẻ như Walmart, đang tập trung phát triển “các agent chuyên dụng”, như Giám đốc công nghệ của Walmart, Hari Vasudev, đã mô tả – các agent được xây dựng trên các mô hình nhỏ hơn, đào tạo trên dữ liệu độc quyền. “Thử nghiệm ban đầu đã chứng minh các agent hoạt động tốt nhất khi được triển khai cho các nhiệm vụ rất cụ thể, để tạo ra các đầu ra, sau đó kết hợp với nhau để điều phối và giải quyết các quy trình làm việc phức tạp”, Vasudev viết trong bài đăng trên blog.

Các trợ lý AI cũng có thể hỗ trợ phía sau hậu trường mà người mua hàng thậm chí không nhận ra sự hiện diện của chúng, Volkmar Uhlig, Phó chủ tịch phụ trách Trí tuệ nhân tạo cốt lõi tại IBM, cho biết trong cuộc phỏng vấn với IBM Think. Ví dụ, hầu hết các nhà bán lẻ hiện nay đều sử dụng trợ lý để xử lý việc trả hàng. “Đây là nơi ứng dụng trợ lý AI thực sự đang diễn ra,” Uhlig nói. Người mua hàng không nhất thiết phải biết đang được hỗ trợ bởi AI, miễn quá trình đó diễn ra đầu xuôi, đuôi lọt”.

Những người đáng kính đứng sau từ điển Merriam-Webster đã tuyên bố "slop" - thuật ngữ mới được mọi người ưa chuộng để chỉ nội dung kém chất lượng do AI tạo ra - là từ của năm 2025.

“Chúng tôi định nghĩa ‘rác rưởi’ là ‘nội dung kỹ thuật số chất lượng thấp, được sản xuất hàng loạt với số lượng lớn bằng trí tuệ nhân tạo’”, các biên tập viên tại nhà xuất bản từ điển lâu đời nhất Hoa Kỳ viết trong một thông báo. “Tất cả những thứ đó tràn ngập màn hình của chúng ta, gần như mỗi ngày”.

“Đó là một từ rất dễ hình dung” Greg Barlow, Chủ tịch của Merriam-Webster, Inc., cho biết trong cuộc phỏng vấn với Associated Press. “Nó là một phần của công nghệ mang tính đột phá, và đó là điều mọi người thấy thú vị, khó chịu và có phần nực cười”.

Đôi khi những sản phẩm AI "lộn xộn" lại rất thú vị. Chúng ta có thể đăng tải các video do AI tạo ra về những em bé dẫn chương trình podcast, phỏng vấn một con vẹt rất biết đùa.

Nhưng đôi khi nó lại kém thú vị, chẳng hạn như hàng loạt bài đăng do AI tạo ra trên LinkedIn và Reddit đầy rẫy những cụm từ vô nghĩa, cùng với dấu gạch ngang dài (Mặc dù dấu gạch ngang dài đã được sử dụng phổ biến từ khi Sam Altman còn học trung học)

Dù sao đi nữa.

Thật tuyệt khi từ điển Merriam-Webster chọn một từ phản ánh phần nào tinh thần thời đại của trí tuệ nhân tạo. Việc có một định nghĩa chính thức cho từ "slop" (chất thải lỏng) thật thú vị, mặc dù điều đó không cần thiết — bởi vì, giống như một số thứ khác trong cuộc sống, bạn sẽ nhận ra nó ngay khi nhìn thấy.