Nghiên cứu Chiến lược về AI và AI Agent: Mô hình Kiến trúc, Hiệu quả Vận hành và Hành lang Pháp lý trong Quản trị Doanh nghiệp Hiện đại
Nghiên cứu Chiến lược về AI và AI Agent: Mô hình Kiến trúc, Hiệu quả Vận hành và Hành lang Pháp lý trong Quản trị Doanh nghiệp Hiện đại
Bối cảnh và Khái niệm: Sự dịch chuyển từ AI truyền thống đến hệ thống tác nhân tự chủ
Sự tiến hóa của trí tuệ nhân tạo đang định hình lại toàn bộ cấu trúc vận hành của các tổ chức kinh tế toàn cầu. Để xây dựng một lộ trình công nghệ hiệu quả, việc phân định rõ ràng các ranh giới khái niệm giữa các thế hệ công nghệ là điều kiện tiên quyết cho các nhà quản trị. Trí tuệ nhân tạo truyền thống, hay còn gọi là AI hẹp (Narrow AI), hoạt động dựa trên các quy tắc cứng và mô hình học máy tĩnh được lập trình rõ ràng. Hệ thống này xử lý dữ liệu đầu vào để đưa ra dự báo hoặc phân loại cụ thể nhưng không có khả năng tự học hỏi hay thích ứng ngoài phạm vi các tham số đã thiết lập. Khi đối mặt với các tình huống ngoài phạm vi dữ liệu huấn luyện, AI truyền thống có xu hướng xử lý sai lệch hoặc thất bại hoàn toàn.
Sự xuất hiện của trí tuệ nhân tạo tạo sinh (Generative AI \- GenAI) đại diện cho bước nhảy vọt về khả năng xử lý ngôn ngữ tự nhiên và tổng hợp thông tin. GenAI dựa trên các mô hình ngôn ngữ lớn (LLMs) để hiểu ngữ cảnh phức tạp và tạo ra nội dung mới dưới dạng văn bản, hình ảnh hoặc mã nguồn. Tuy nhiên, GenAI về bản chất vẫn mang tính thụ động và phi trạng thái (stateless). Hệ thống hoạt động theo cơ chế phản hồi một lượt (single-turn): người dùng nhập một câu lệnh, mô hình trả về một kết quả đầu ra và quá trình tương tác kết thúc mà không lưu giữ trạng thái hoặc tự động thực hiện các hành động tiếp theo trong thế giới thực.
Tác nhân AI (AI Agent) giải quyết triệt để hạn chế mang tính thụ động này bằng cách tích hợp khả năng lập luận, bộ nhớ và các công cụ thực thi vào một vòng lặp tự chủ. AI Agent không chỉ trả lời câu hỏi, mà tự thiết lập các bước hành động cụ thể để đạt được mục tiêu tổng thể do con người chỉ định. Điểm khác biệt cốt lõi nằm ở khả năng tương tác chủ động với môi trường thông qua các giao diện lập trình ứng dụng (APIs), cho phép tác nhân đọc ghi dữ liệu, gửi email hoặc kích hoạt các quy trình phần mềm khác mà không cần sự can thiệp liên tục của con người.
Ở cấp độ cao nhất của mô hình này là Kiến trúc tác nhân (Agentic AI). Đây không phải là một thực thể đơn lẻ mà là một hệ thống kiến trúc cao cấp, nơi nhiều tác nhân chuyên biệt phối hợp cùng các công cụ, cơ sở tri thức và các vòng lặp đánh giá để giải quyết các mục tiêu dài hạn, đa bước và liên chức năng.
Để hình dung sự khác biệt giữa các cấp độ công nghệ này, có thể xem xét cách thức xử lý một yêu cầu phản hồi khách hàng:
Sự phân định giữa việc sử dụng một AI Agent đơn lẻ hay một hệ thống Agentic AI phụ thuộc lớn vào độ phức tạp của Quy trình vận hành tiêu chuẩn (SOP). Nếu một công việc có thể được mô tả hoàn chỉnh trong một trang SOP với các bước rõ ràng và đầu ra có thể dự đoán, một AI Agent đơn lẻ là đủ để đáp ứng hiệu quả với chi phí tối ưu. Ngược lại, nếu quy trình đòi hỏi các phán quyết linh hoạt, logic rẽ nhánh phức tạp và sự phối hợp liên chức năng giữa nhiều phòng ban, doanh nghiệp cần hướng tới giải pháp Agentic AI.
| Tiêu chí so sánh | AI truyền thống | Trí tuệ nhân tạo tạo sinh (GenAI) | Tác nhân AI (AI Agent) | Hệ thống kiến trúc tác nhân (Agentic AI) |
|---|---|---|---|---|
| Cơ chế hoạt động | Dựa trên quy tắc cố định và mô hình phân loại tĩnh. | Dự đoán từ tiếp theo, tạo nội dung dựa trên dữ liệu huấn luyện. | Vòng lặp Quan sát \- Lập luận \- Hành động (Observe-Think-Act). | Điều phối đa tác nhân, tự động phân rã mục tiêu dài hạn. |
| Mức độ tự chủ | Không có tự chủ; thực thi các lệnh được lập trình cứng. | Thụ động; chỉ phản hồi khi nhận được câu lệnh trực tiếp. | Tự chủ cao trong phạm vi một tác vụ hoặc quy trình được giao. | Tự chủ hoàn toàn; tự thiết lập chiến lược và phối hợp hành động. |
| Sử dụng công cụ | Không tích hợp công cụ ngoài. | Hạn chế, chủ yếu xử lý thông tin thông qua văn bản đầu ra. | Tích hợp sâu thông qua APIs, cơ sở dữ liệu và hệ thống nội bộ. | Quản lý và điều phối linh hoạt một mạng lưới công cụ và hệ thống phức tạp. |
| Hệ thống bộ nhớ | Không có khả năng tự lưu giữ và tích lũy tri thức mới. | Không có trạng thái (Stateless); giới hạn trong cửa sổ ngữ cảnh. | Bộ nhớ ngắn hạn (phiên làm việc) và dài hạn (Vector DB, RAG). | Bộ nhớ hỗn hợp sâu, lưu trữ lịch sử tương tác đa tác nhân và phản hồi từ môi trường. |
| Mục tiêu hướng tới | Tối ưu hóa các tác vụ hẹp, đơn giản. | Sáng tạo nội dung, tóm tắt và chuyển đổi ngôn ngữ. | Hoàn thành tác vụ đa bước tự động (Task-specific). | Đạt được mục tiêu kinh doanh tổng thể dài hạn (Goal-oriented). |
Mô hình kiến trúc lõi của một AI Agent doanh nghiệp
Kiến trúc bên trong của một tác nhân AI hiện đại bao gồm bốn thành phần nền tảng phối hợp chặt chẽ trong một chu kỳ khép kín, biến một mô hình ngôn ngữ lớn vốn không có trạng thái thành một thực thể có khả năng hành động độc lập.
Bộ não điều phối và Hồ sơ nhân vật (Profile / Persona)
Mô hình ngôn ngữ lớn (LLM hoặc SLM) đóng vai trò là cơ quan trung ương kiểm soát mọi hoạt động lập luận của tác nhân. Để định hình hành vi của tác nhân phù hợp với nhu cầu doanh nghiệp, tầng cấu hình nhân vật (Profiling) được thiết lập thông qua các chỉ dẫn hệ thống (System Prompts). Cấu hình này định nghĩa vai trò, thẩm quyền, giọng điệu, các ranh giới đạo đức và các giao thức bảo mật mà tác nhân phải tuân thủ. Việc thiết lập hồ sơ có thể thực hiện thủ công bằng kỹ nghệ câu lệnh, do hệ thống tự động tạo ra hoặc thúc đẩy bởi các tập dữ liệu thực tế để đảm bảo tính nhất quán tối đa trong suốt vòng đời hoạt động.
Mô đun lập kế hoạch (Planning)
Khả năng lập kế hoạch cho phép tác nhân phân rã các yêu cầu phức tạp từ con người thành các nhiệm vụ con có thể quản lý và thực thi tuần tự. Quá trình này được phân loại thành hai cơ chế chính:
Hệ thống bộ nhớ (Memory Systems)
Bộ nhớ là thành phần cốt lõi giúp tác nhân duy trì tính nhất quán của trạng thái qua thời gian, biến các mô hình ngôn ngữ phi trạng thái thành các hệ thống có tính liên tục dữ liệu. Hệ thống bộ nhớ được chia cấu trúc chặt chẽ:
Tầng công cụ và Giao diện hành động (Action / Tools Layer)
Công cụ là phương thức duy nhất để tác nhân chuyển đổi các kết quả lập luận dạng văn bản thành các thay đổi trạng thái trong môi trường thực tế. Thông qua các khung kết nối (như Function Calling hoặc Toolformer), tác nhân tự động phân tích ngữ cảnh để quyết định thời điểm cần gọi công cụ, chuẩn bị các tham số đầu vào chính xác và gửi yêu cầu thực thi. Các công cụ phổ biến bao gồm APIs hệ thống nội bộ, trình biên dịch mã nguồn (Code Interpreter) để xử lý dữ liệu và cấu trúc hóa thuật toán, hoặc các kênh giao tiếp như email và hệ thống nhắn tin. Việc kiểm soát quyền hạn của các công cụ này (đặc biệt là các công cụ ghi dữ liệu) đóng vai trò then chốt trong bảo mật hệ thống.
Để triển khai các thành phần trên một cách đồng bộ, các nhà phát triển thường sử dụng các khung điều phối chuyên biệt. Trong khi các kiến trúc chuỗi prompt truyền thống dễ dẫn đến quá tải và lãng phí tài nguyên, việc áp dụng các luồng công việc có trạng thái (stateful) thông qua các khung công nghệ như LangGraph hay AutoGen đã giúp các doanh nghiệp giảm thiểu tới 35% lượng token tiêu thụ dư thừa trong các quy trình đa bước phức tạp. Sự phối hợp này hoạt động trong một ranh giới kiến trúc rõ ràng giữa Nền tảng AI Doanh nghiệp (Enterprise AI Platform) và các Tác nhân AI. Nền tảng đóng vai trò cung cấp hạ tầng kỹ thuật, đường cao tốc dữ liệu và hệ thống rào chắn bảo mật, trong khi các tác nhân đóng vai trò là các phương tiện tự chủ di chuyển và thực thi công việc trên xa lộ đó.
Tối ưu hóa vận hành doanh nghiệp bằng AI Agent: Cơ chế và Hiệu quả định lượng
Việc đưa các tác nhân AI vào vận hành thực tế tại các tổ chức kinh tế đã mang lại những thay đổi sâu sắc về cấu trúc chi phí, tốc độ xử lý và khả năng mở rộng quy mô mà không cần gia tăng nhân sự tuyến đầu một cách tương ứng. Tác động này được thể hiện rõ ràng qua các chỉ số định lượng cụ thể thu thập từ nhiều ngành công nghiệp khác nhau.
| Lĩnh vực ứng dụng | Tác vụ cụ thể của tác nhân | Chỉ số hiệu quả vận hành thực tế |
|---|---|---|
| Dự báo nhu cầu | Phân tích hành vi tiêu dùng, dữ liệu kinh tế vĩ mô và chu kỳ mùa vụ để tối ưu hóa tồn kho. | Giảm sai số dự báo từ 20% đến 50%; giảm thất thoát doanh số do thiếu hàng lên đến 65%. |
| Logistics & Chuỗi cung ứng | Giám sát hiệu suất nhà cung cấp, tự động hóa định tuyến vận tải theo thời gian thực. | Cải thiện chi phí logistics 15%; giảm mức tồn kho dư thừa 35%; tăng chỉ số dịch vụ khách hàng lên 65%. |
| Bảo trì thiết bị | Phân tích dữ liệu cảm biến IoT và lịch sử máy móc để cảnh báo sớm nguy cơ hỏng hóc. | Tiết kiệm chi phí bảo trì từ 30% đến 40%; giảm tần suất sự cố đột xuất từ 30% đến 50%. |
| Dịch vụ khách hàng | Tự động phân loại vé hỗ trợ, tra cứu trạng thái đơn hàng, xử lý hoàn tiền. | Lyft giảm 87% thời gian giải quyết yêu cầu; Amtrak phục vụ hơn 5 triệu lượt khách với tỷ lệ đặt vé tự động tăng 25%. |
| Y sinh & Nghiên cứu | Tự động hóa sàng lọc dữ liệu phát hiện hợp chất, soạn thảo tài liệu nghiên cứu lâm sàng. | Rút ngắn 25% chu kỳ phát triển nghiên cứu; tăng 35% hiệu suất soạn thảo báo cáo lâm sàng. |
| Hạ tầng CNTT | Tự động phát hiện lỗi hệ thống, phân tích log, khởi động lại máy chủ và ghi nhật ký. | Tăng hiệu suất hiện đại hóa công nghệ lên 40%; giảm thời gian rà soát tài liệu bảo mật SOC từ 4 giờ xuống còn 5 phút. |
Để tối ưu hóa chi phí vận hành đội ngũ tác nhân AI dưới các ràng buộc về mặt ngân sách và năng lực tính toán, các doanh nghiệp thường áp dụng các mô hình toán học từ Nghiên cứu vận hành (Operations Research). Một ví dụ điển hình là việc áp dụng Bài toán phủ tập hợp (Set-Covering Problem) để xác định số lượng tác nhân tối thiểu cần triển khai nhằm bao phủ toàn bộ các kỹ năng nghiệp vụ cần thiết cho hoạt động hằng ngày của doanh nghiệp với mức chi phí thấp nhất.
Giả sử doanh nghiệp cần bao phủ một tập hợp gồm 
kỹ năng nghiệp vụ 
. Doanh nghiệp có thể lựa chọn triển khai từ một tập hợp gồm 
tác nhân AI chuyên biệt 
. Mỗi tác nhân 
khi hoạt động sẽ tiêu tốn một khoản chi phí vận hành (bao gồm chi phí token, bản quyền và hạ tầng tính toán) là 
và có khả năng bao phủ một tập hợp con các kỹ năng 
.
Ta định nghĩa các biến quyết định nhị phân 
cho biết tác nhân có được lựa chọn để triển khai hay không:
Mô hình quy hoạch tuyến tính nguyên được thiết lập nhằm tối thiểu hóa tổng chi phí vận hành trong khi vẫn đảm bảo tất cả các kỹ năng nghiệp vụ đều có ít nhất một tác nhân phụ trách:
Với các điều kiện ràng buộc bảo đảm mọi kỹ năng 
đều được bao phủ bởi ít nhất một tác nhân:
Ràng buộc nhị phân đối với biến quyết định:
Thông qua các bộ giải quy hoạch tuyến tính chuyên dụng, doanh nghiệp có thể đưa ra quyết định chính xác về việc nên xây dựng, duy trì hay cho ngừng hoạt động các tác nhân cụ thể để đạt hiệu quả kinh tế cao nhất. Tuy nhiên, các nhà nghiên cứu từ MIT Sloan cũng nhấn mạnh rằng việc triển khai thực tế thường là khâu tiêu tốn nhiều nguồn lực nhất.
Trong một dự án thực tế về ứng dụng tác nhân AI phát hiện biến cố y khoa, có tới 80% khối lượng công việc không nằm ở kỹ nghệ câu lệnh hay tinh chỉnh mô hình, mà tập trung vào các nhiệm vụ chuẩn hóa dữ liệu, căn chỉnh lợi ích giữa các bên liên quan, thiết lập quy trình quản trị và tích hợp hệ thống. Đồng thời, các nhà quản trị cần lưu ý rằng việc một tác nhân AI giúp tiết kiệm được 20% thời gian làm việc của nhân sự không đồng nghĩa với việc doanh nghiệp sẽ cắt giảm được ngay lập tức 20% chi phí nhân công trực tiếp.
Nghiên cứu điển hình: Dự án triển khai trợ lý AI tại Klarna
Dự án đưa trợ lý AI thế hệ mới vào vận hành tại tập đoàn tài chính Klarna phối hợp cùng OpenAI cung cấp một bài học sâu sắc cho các nhà quản trị về cả tiềm năng đột phá lẫn những cạm bẫy chiến lược khi tự động hóa quy trình ở quy mô lớn.
Các chỉ số vận hành và tài chính trong giai đoạn đầu
Những góc khuất vận hành và chiến lược cân bằng lại hệ thống
Mặc dù các chỉ số truyền thông ban đầu thể hiện sự thành công vượt trội, quá trình vận hành thực tế đã bộc lộ những hạn chế lớn buộc doanh nghiệp phải thực hiện điều chỉnh chiến lược vào giữa năm 202524.
Sự mất cân bằng này có thể được giải thích một cách khoa học thông qua Kiến trúc phán quyết (Judgment Architecture), một khung lý thuyết chia nhỏ các cấp độ tương tác thành ba tầng riêng biệt:
Đối trọng công nghệ toàn cầu: Salesforce Agentforce vs Microsoft Copilot Studio
Trên thị trường quốc tế, cuộc cạnh tranh công nghệ giữa các nền tảng tác nhân doanh nghiệp đang được dẫn dắt bởi hai ông lớn với hai triết lý kiến trúc hoàn toàn khác nhau. Việc lựa chọn nền tảng nào phụ thuộc trực tiếp vào việc doanh nghiệp đang đặt trọng tâm dữ liệu cốt lõi của mình ở đâu.
Salesforce Agentforce: Kiến trúc hướng khách hàng (CRM-Native)
Salesforce Agentforce đặt trọng tâm vào các tác nhân tự chủ xử lý các quy trình tương tác trực tiếp với khách hàng trong các phân hệ Sales Cloud và Service Cloud. Được vận hành bởi Bộ máy lập luận Atlas (Atlas Reasoning Engine), Agentforce cho phép tác nhân tự động đưa ra các quyết định hành động trong luồng công việc CRM mà không cần lập trình trước các kịch bản cứng.
Điểm mạnh cốt lõi của Agentforce là cơ chế kết nối dữ liệu "Zero-Copy" với Salesforce Data Cloud, cho phép tác nhân tiếp cận trực tiếp các bản ghi khách hàng thời gian thực mà không cần thực hiện các quy trình dịch chuyển hay sao chép dữ liệu phức tạp. Hệ thống được bảo vệ bởi lớp bảo mật Einstein Trust Layer, hỗ trợ che giấu dữ liệu định danh cá nhân (PII) trước khi gửi tới các LLMs bên ngoài. Hệ thống tích hợp sâu với MuleSoft để kết nối với các ứng dụng di sản và sử dụng các công cụ như Flow hoặc Apex để xử lý các logic nghiệp vụ phức tạp.
Microsoft Copilot Studio: Kiến trúc hướng hiệu suất nội bộ (Productivity-Native)
Ngược lại với đối thủ, Microsoft Copilot Studio tận dụng thế mạnh tuyệt đối của hệ sinh thái Microsoft 365, Teams, Azure và Power Platform để xây dựng các tác nhân tối ưu hóa năng suất làm việc của nhân viên nội bộ. Tác nhân của Microsoft khai thác trực tiếp nguồn dữ liệu tri thức khổng lồ nằm trong các tệp văn bản, email, kênh trò chuyện Teams thông qua kết nối Microsoft Graph.
Copilot Studio hỗ trợ cả phương thức xây dựng tác nhân không mã (low-code) và có mã chuyên sâu, cho phép các tác nhân hoạt động như những trợ lý đắc lực ngay trong không gian làm việc hằng ngày của nhân sự. Khâu quản trị an toàn thông tin được thừa hưởng toàn bộ các tiêu chuẩn nghiêm ngặt của Microsoft Purview, Defender for AI và Microsoft Entra ID.
| Tiêu chí so sánh | Salesforce Agentforce | Microsoft Copilot Studio |
|---|---|---|
| Trọng tâm ứng dụng | Tương tác khách hàng, bán hàng, xử lý dịch vụ (Front-office). | Nâng cao năng suất nhân sự, quản trị tri thức nội bộ (Back-office). |
| Grounding dữ liệu | Đọc ghi trực tiếp trên Salesforce Data Cloud và CRM records. | Kết nối Microsoft Graph, Azure AI Search và Dataverse. |
| Mô hình định giá | Định giá dựa trên lượng tiêu thụ thực tế (khoảng $2 cho mỗi cuộc hội thoại thành công). | Định giá dựa trên bản quyền người dùng kết hợp phí sử dụng thông điệp. |
| Tổng chi phí sở hữu (TCO) | Tối ưu hơn cho các doanh nghiệp đã chuẩn hóa toàn bộ dữ liệu trên Salesforce. | Có thể dao động từ 244.000/năm cho 500 nhân viên đến2-3 triệu cho các tổ chức lớn. |
| Thời gian triển khai | Các tác nhân mẫu có thể cấu hình nhanh trong 3 tuần. | Nhanh chóng tích hợp các tác vụ văn phòng cơ bản trên nền tảng M36530. |
Bản đồ ứng dụng tại thị trường Việt Nam và hành lang pháp lý năm 2026
Thị trường công nghệ Việt Nam đang trải qua bước chuyển dịch mạnh mẽ từ giai đoạn thử nghiệm số hóa quy trình sang kỷ nguyên siêu tự động hóa bằng tác nhân tự chủ. Các tập đoàn công nghệ nội địa đã nhanh chóng làm chủ và ra mắt các nền tảng AI có khả năng cạnh tranh cao, được thiết kế chuyên biệt cho ngôn ngữ và văn hóa doanh nghiệp Việt.
Các đơn vị tiên phong giải pháp tại Việt Nam
Ba trụ cột chiến lược khi triển khai AI Agent của Gimasys
Để việc ứng dụng AI Agent mang lại giá trị thực tiễn thay vì rơi vào bẫy truyền thông công nghệ, các chuyên gia Gimasys đã xây dựng khung chiến lược gồm ba trụ cột ưu tiên dành riêng cho các doanh nghiệp Việt Nam:
Khung pháp lý Việt Nam năm 2026: Đạo luật AI đầu tiên
Năm 2026 chứng kiến bước ngoặt lịch sử khi Luật Trí tuệ nhân tạo Việt Nam chính thức có hiệu lực thi hành từ ngày 1 tháng 3 năm 2026. Đạo luật này đưa Việt Nam trở thành một trong những quốc gia tiên phong trên thế giới ban hành khung pháp lý toàn diện kiểm soát công nghệ AI, chuyển đổi từ trạng thái phát triển tự phát sang quản lý bằng pháp luật chặt chẽ.
Doanh nghiệp ứng dụng AI tại Việt Nam cần lưu ý ba văn bản quy phạm trọng yếu:
Đạo luật thiết lập các nghĩa vụ pháp lý nghiêm ngặt đối với các hệ thống AI dựa trên mức độ rủi ro gây ra cho quyền riêng tư, an ninh quốc gia và lợi ích cộng đồng. Các hành vi sử dụng AI để giả mạo danh tính, tạo deepfake trái quy định hoặc giả mạo tài liệu để đăng ký thông tin sẽ bị xử phạt hành chính cực kỳ nặng nề (lên đến 100 triệu đồng) theo Nghị định 174/2026/NĐ-CP (có hiệu lực từ ngày 01/07/2026). Luật cũng quy định cơ chế bồi thường thiệt hại toàn bộ và trao quyền cho cơ quan quản lý đình chỉ ngay lập tức các hệ thống AI có nguy cơ gây thiệt hại nghiêm trọng cho xã hội.
Khung quản trị rủi ro và cơ chế giám sát ba lớp
Khi trao quyền tự chủ thực thi cho các tác nhân AI, doanh nghiệp phải đối mặt với những nguy cơ nhãn tiền về lỗi hệ thống, rò rỉ dữ liệu bảo mật và các trách nhiệm pháp lý khi tác nhân đưa ra quyết định sai lầm. Để bảo vệ tổ chức, việc thiết lập một Khung quản trị rủi ro ba lớp phòng thủ là bắt buộc đối với mọi kiến trúc tác nhân doanh nghiệp.
Lớp thứ nhất: Lớp rào chắn kỹ thuật (Technical Barrier)
Lớp phòng vệ này ngăn chặn các tác nhân AI thực hiện các hành động vượt quá thẩm quyền cho phép trong hệ thống hạ tầng CNTT của doanh nghiệp.
Lớp thứ hai: Lớp giám sát và minh bạch (Monitoring & Transparency)
Doanh nghiệp cần duy trì khả năng hiển thị thời gian thực đối với mọi hoạt động lập luận và gọi công cụ của tác nhân.
Lớp thứ ba: Lớp pháp lý và quy trình (Legal & Process)
Lớp phòng vệ ngoài cùng đảm bảo tính tuân thủ pháp lý cao nhất và định hình quy trình phối hợp mượt mà giữa con người và máy móc.
Sự cần thiết của việc xây dựng một hệ thống kiểm soát chặt chẽ càng trở nên cấp bách trước những dự báo từ thực tế vận hành. Khảo sát từ McKinsey được trích dẫn bởi Tổng Giám đốc Tập đoàn FPT Nguyễn Văn Khoa cho thấy, có tới gần 40% dự án AI Agent có nguy cơ bị dừng hoặc không đạt kỳ vọng vào năm 2027 do chi phí vận hành tăng vọt, giá trị kinh doanh chưa được kiểm duyệt và thiếu hụt cơ chế quản lý rủi ro hữu hiệu. Hiện nay, mới chỉ có khoảng 10% doanh nghiệp thực sự kiểm soát tốt các tác nhân AI của mình.
Bên cạnh đó, gánh nặng chi phí token khổng lồ đã thúc đẩy các công ty công nghệ lớn như Anthropic liên tục phải tung ra các mô hình tối ưu hóa chi phí giá rẻ (như Claude Sonnet 5\) chuyên biệt cho tác nhân AI. Điều này diễn ra trong bối cảnh các rào cản địa chính trị ngày càng gia tăng, điển hình là việc chính quyền Mỹ siết chặt quyền tiếp cận các mô hình ngôn ngữ mạnh nhất (Fable 5, Mythos 5\) đối với các quốc gia bên ngoài nhằm ngăn ngừa các nguy cơ an ninh mạng. Các động thái này càng khẳng định tầm quan trọng then chốt của việc tự chủ hạ tầng công nghệ lõi và xây dựng các hệ thống AI mang tính nội địa hóa cao của các doanh nghiệp Việt Nam trong tương lai.
#### Nguồn trích dẫn
Bạn muốn triển khai giải pháp này?
Chúng tôi tư vấn và đo đạc trực tiếp dựa trên hiện trạng doanh nghiệp.
