Khi AI rời cửa sổ chat để bước thẳng vào quy trình doanh nghiệp

Hãng quản lý đội xe Proaction vừa ghi nhận mức tăng trưởng doanh thu 60% và cắt giảm hơn 75 giờ làm việc mỗi tuần sau khi đưa Codex cùng GPT-6 Astra vào sâu trong hệ thống vận hành. Cùng lúc đó, tại hội nghị AI Agenda Live, quyền lãnh đạo Google DeepMind - ông Koray Kavukcuoglu - buộc phải thừa nhận Gemini 4 đã bước vào giai đoạn hậu huấn luyện (post-training) sớm hơn thường lệ nhằm kịp tung ra thị trường để bám đuổi các đối thủ. Hai chuyển động này diễn ra ở hai tầng khác nhau của ngành công nghệ, nhưng lại cùng chỉ về một thực tế: cuộc đua mô hình nền tảng đang dần nhường chỗ cho cuộc đua tích hợp quy trình thực chiến.

Nếu một năm trước người làm kỹ thuật vẫn còn tranh luận xem mô hình nào trả lời câu hỏi mượt mà hơn, thì hiện tại câu hỏi của các đội ngũ phát triển đã chuyển thành: làm thế nào để xâu chuỗi các tác tử phần mềm vào việc xử lý dữ liệu nghiệp vụ mà không làm vỡ hệ thống?

Áp lực hậu huấn luyện và giới hạn của mô hình thuần túy

Việc Google đẩy nhanh Gemini 4 sang giai đoạn post-training cho thấy một bước chuyển quan trọng trong cách các phòng lab phát triển AI. Tiền huấn luyện (pre-training) ngốn phần lớn tài nguyên tính toán để nạp tri thức chung từ văn bản toàn cầu, nhưng chính hậu huấn luyện mới quyết định khả năng hiểu ngữ cảnh hẹp, kỹ năng gọi hàm (tool use) và độ an toàn khi tương tác với dữ liệu doanh nghiệp.

Thực tế thì, một mô hình nền tảng dù có hàng trăm tỷ tham số cũng trở nên vô dụng nếu không biết dừng lại đúng lúc trước một lệnh cập nhật cơ sở dữ liệu nhạy cảm. Khi OpenAI hay Anthropic đã hoàn thiện lớp suy luận logic cho các tác vụ phức tạp, các bên đi sau không thể ung dung thử nghiệm nhiều tháng trong phòng lab. Họ phải đưa mô hình vào giai đoạn tinh chỉnh thực tế càng sớm càng tốt để kịp điều chỉnh hành vi của mô hình theo các ca sử dụng đời thường.

Tuy nhiên, đối với kỹ sư phần mềm, việc mô hình nền tảng mạnh lên từng ngày chỉ giải quyết được một nửa bài toán. Nửa còn lại, phức tạp và dễ vỡ hơn nhiều, nằm ở chỗ gắn kết trí tuệ nhân tạo đó vào các hệ thống sẵn có của tổ chức.

Chia nhỏ bài toán cho các tác tử chuyên biệt

Microsoft vừa hé lộ nền tảng Dynamics 365 Activate - dự án vốn được biết đến nội bộ với tên gọi Project Mia. Điểm đáng chú ý của Activate không nằm ở một khung chat toàn năng biết trả lời mọi thứ về ERP, mà là một tập hợp các tác tử chuyên môn hóa làm việc theo chuỗi.

Thay vì để người dùng loay hoay nghĩ câu lệnh cho một chatbot duy nhất, hệ sinh thái này phân tách một dự án triển khai phần mềm doanh nghiệp thành các công đoạn rành mạch:

Tác tử phân tích yêu cầu nghiệp vụ và đối chiếu với danh mục quy trình chuẩn FastTrack.
Tác tử rà soát cấu hình và phân quyền bảo mật chuyên sâu.
Tác tử thiết kế đường ống tích hợp và rà soát di chuyển dữ liệu (data migration).
Tác tử lập kế hoạch kiểm thử tự động, chuẩn bị chuyển đổi hệ thống (cutover) và đánh giá tính năng.

Cách tiếp cận này rất tương đồng với hướng đi của GitHub Copilot khi đưa tính năng Canvas vào ứng dụng. Kỹ sư không còn phải dán từng đoạn mã vào cửa sổ lệnh để hỏi đi hỏi lại. Thay vào đó, họ dựng một sơ đồ luồng công việc tùy biến, trong đó mỗi nút xử lý chịu trách nhiệm một phần việc cụ thể: tạo khung mã nguồn, viết kiểm thử đơn vị, hoặc kiểm tra tính tương thích với hạ tầng cũ.

Rõ ràng, mô hình một chatbot trả lời mọi thứ đang bộc lộ quá nhiều nhược điểm khi đưa vào môi trường sản xuất. Độ lệch thông tin (hallucination) có thể được tha thứ trong một đoạn văn bản sáng tạo, nhưng một sai sót nhỏ trong phân quyền bảng dữ liệu ERP hay tính toán chi phí tuyến xe có thể khiến cả hệ thống gặp trục trặc ngay lập tức.

Đo lường giá trị bằng giờ công và độ chính xác

Trường hợp của Proaction mang lại một góc nhìn tỉnh táo về hiệu quả kinh tế. Họ không dùng AI để viết bài quảng cáo hay tóm tắt văn bản thông thường. Doanh nghiệp này kết hợp Codex để sinh mã tự động cho các công cụ giám sát nội bộ, dùng GPT-Live-1 để phân tích dòng trạng thái vận hành tức thời, và đặt GPT-6 Astra ở tầng suy luận chiến lược cho việc điều phối đội xe.

Khi trí tuệ nhân tạo được trao quyền tương tác trực tiếp với API của đội xe, việc tiết kiệm 75 giờ mỗi tuần là kết quả của việc loại bỏ hàng trăm thao tác sao chép dữ liệu thủ công giữa các bảng biểu. Doanh số tăng 60% cũng bắt nguồn từ khả năng phản hồi báo giá và tối ưu hóa tuyến đường theo thời gian thực cho khách hàng, điều mà nhân sự trực tổng đài không thể xử lý xuể trong giờ cao điểm.

Điều này cho thấy thước đo cho các ứng dụng AI trong doanh nghiệp đã thay đổi hoàn toàn:

Mức độ can thiệp của con người trên mỗi tác vụ hoàn thành là bao nhiêu?
Chi phí tính toán trên mỗi lượt gọi API có bù đắp được chi phí nhân sự trước đây hay không?
Khi xảy ra ngoại lệ (exception), hệ thống có khả năng tự quay về trạng thái an toàn (fallback) hay làm tê liệt toàn bộ luồng dữ liệu?

Những câu hỏi trên hoàn toàn là bài toán của kỹ thuật phần mềm truyền thống: thiết kế kiến trúc phân tán, cơ chế dự phòng sự cố và quản lý trạng thái phiên làm việc.

Kỹ sư phần mềm cần định vị lại công việc ra sao?

Trước làn sóng dịch chuyển từ chatbot sang luồng tác tử chuyên biệt, kỹ năng viết câu lệnh (prompt engineering) thuần túy đang mất dần giá trị. Việc nhồi nhét nhiều chỉ dẫn vào một câu lệnh dài chỉ là giải pháp tình thế khi mô hình chưa đủ khả năng tự điều phối.

Kỹ sư làm việc tại các doanh nghiệp công nghệ trong nước cần tập trung vào ba việc thực tế hơn.

Trước hết là năng lực chuẩn hóa dữ liệu nghiệp vụ. Một tác tử di chuyển dữ liệu không thể làm việc nếu dữ liệu nguồn từ các bảng SQL cũ bị phân mảnh hoặc thiếu khóa ngoại. AI không tự sửa được cấu trúc dữ liệu tồi tàn tích tụ qua nhiều năm của doanh nghiệp; con người vẫn phải dọn dẹp và mô hình hóa lại chúng.

Thứ hai là việc thiết lập các biên bảo vệ (guardrails) nghiêm ngặt. Khi cho phép các tác tử như trong Dynamics 365 Activate can thiệp vào quy trình cắt chuyển hệ thống hay cấu hình vai trò bảo mật, ranh giới giữa tự động hóa hữu ích và thảm họa an ninh mạng là rất mong manh. Kỹ sư phải là người định nghĩa xem bước nào cần tác tử tự quyết, bước nào bắt buộc phải có sự xác nhận của kỹ sư trưởng qua giao diện kiểm duyệt.

Sau cùng là tư duy ghép nối hệ thống thông qua API và bus tin nhắn. Tương lai gần của lập trình không phải là gõ từng dòng lệnh từ con số không, mà là thiết kế các đường ống để những tác tử chuyên biệt của GitHub, Microsoft hay OpenAI có thể trao đổi thông tin nhịp nhàng với nhau.

AI đang dần biến mất dưới tư cách là một món đồ chơi giao tiếp hào nhoáng trên trình duyệt. Nó đang lùi sâu vào bên trong các tầng xử lý ngầm, trở thành những mắt xích vô hình nhưng có khả năng can thiệp trực tiếp vào dữ liệu vận hành. Với người làm công nghệ, việc nắm bắt nguyên lý điều phối các chuỗi tác vụ này giá trị hơn nhiều so với việc mải mê theo dõi xem mô hình tiếp theo đạt bao nhiêu điểm trên các bảng chấm chuẩn lý thuyết.