15 xu hướng Agentic AI đáng chú ý trong năm 2026
Mua gói Thành viên QuanTriMang Pro để trải nghiệm website không quảng cáo và sử dụng các tiện ích AI trên QuanTriMang.
Trong vài tháng qua, nhiều người đã dành thời gian xây dựng và vận hành các agent. Việc chứng kiến lĩnh vực này phát triển thực sự là một trải nghiệm đầy kinh ngạc. Tuần trước, mọi người còn đang tán dương những agent có khả năng viết code khá ổn; thì tuần sau, chúng đã có thể tự động gỡ lỗi các hệ thống phức tạp và phối hợp với những agent khác để hoàn thiện, triển khai toàn bộ các tính năng phần mềm.
Nhịp độ phát triển này diễn ra không ngừng nghỉ. Ngay khi bạn tưởng chừng đã nắm bắt được những gì có thể thực hiện, thì lại xuất hiện một mô hình mới, một framework mới, hoặc một tư duy hoàn toàn khác biệt về kiến trúc agent. Đôi khi việc theo kịp sự thay đổi này thật mệt mỏi, nhưng cũng vô cùng thú vị.
Hãy lấy OpenClaw làm ví dụ. Khi dự án này trở nên phổ biến rộng rãi vào tháng 1 năm 2026, đó không chỉ đơn thuần là một bản demo AI thông thường. Nó mở ra tầm nhìn về một tương lai nơi các AI agent cá nhân trở nên phổ biến như điện thoại thông minh, hỗ trợ con người trong mọi việc - từ lên lịch trình, nghiên cứu cho đến mua sắm. Sự lan tỏa mạnh mẽ đó không nằm ở chỗ công nghệ đã hoàn hảo, mà bởi mọi người cuối cùng cũng thấy được tiềm năng thực sự khi các agent được trang bị đầy đủ công cụ và quyền hạn để hành động thay cho chính họ.
Đó chính là chủ đề của bài viết này: Những xu hướng đang giúp các agent trở nên mạnh mẽ hơn, dễ tiếp cận hơn và được tích hợp sâu rộng hơn vào quy trình xây dựng phần mềm cũng như vận hành doanh nghiệp. Đây không phải là những dự đoán vu vơ; chúng dựa trên dữ liệu từ "Báo cáo Xu hướng Lập trình Agentic năm 2026" (Agentic Coding Trends Report) của Anthropic, các nghiên cứu từ những đơn vị như EY và IBM, cùng những thảo luận thực tế trên các nền tảng như X, Reddit và Hacker News.
Hãy cùng khám phá sâu hơn.
Mục lục bài viết
- 1. Các CLI agent đang chiếm ưu thế trong phát triển phần mềm
- 2. MCP: Từ bị chỉ trích đến được đón nhận - và dữ liệu đã chứng minh điều đó
- 3. Hệ thống multi-agent đang trở thành tiêu chuẩn
- 4. Agentic commerce đang định hình lại trải nghiệm mua sắm trực tuyến
- 5. Trải nghiệm khách hàng dựa trên agent: Từ hỗ trợ thụ động sang tự vận hành
- 6. Quản trị AI đang chuyển dịch từ các quy định bên ngoài sang mô hình "quản trị ngay từ khâu thiết kế"
- 7. Sovereign AI đang trở thành ưu tiên chiến lược
- 8. Trợ lý AI cá nhân đang trở nên phổ biến rộng rãi
- 9. Context engineering đang dần thay thế Prompt engineering
- 10. Các AI agent chuyên biệt đang vượt trội hơn những AI agent đa năng
- 11. Các mô hình ngôn ngữ nhỏ (SLM) đang chứng tỏ khả năng sẵn sàng cho doanh nghiệp
- 12. Recursive Language Model (RLM) đang phá vỡ các giới hạn về ngữ cảnh
- 13. Truy cập dữ liệu web theo thời gian thực đang trở nên thiết yếu
- 14. Các agent trên trình duyệt đang tự động hóa những workflow phức tạp
- 15. Khả năng kiểm chứng là nguyên tắc cốt lõi ẩn sau quá trình tự động hóa bằng AI
1. Các CLI agent đang chiếm ưu thế trong phát triển phần mềm
Những AI agent chạy trên dòng lệnh (CLI agent) đang thay đổi căn bản cách các lập trình viên viết code. Những công cụ như Claude Code, tính năng Composer của Cursor, Continue.dev và Windsurf đang chuyển dịch quy trình phát triển từ việc thao tác qua giao diện đồ họa của môi trường phát triển tích hợp (IDE) sang giao diện hội thoại ngay trong terminal.
Sự thay đổi mô hình này nằm ở việc chuyển từ "gợi ý" sang "ủy quyền". Các công cụ AI tích hợp trong IDE thường nằm ở thanh bên, chủ yếu đưa ra các gợi ý code mà con người phải phê duyệt cho từng thay đổi. Ngược lại, các CLI agent có thể hoạt động tự động trong nhiều giờ, điều phối những thay đổi trên hàng chục file, thực thi các lệnh shell để kiểm chứng công việc, và tự động lưu (commit) kết quả kèm theo những thông điệp mô tả chi tiết. Điểm khác biệt cốt lõi là: Với trợ lý trong IDE, bạn đang "lập trình cặp" (pair programming), còn với CLI agent, bạn đang "ủy quyền" công việc cho nó.
2. MCP: Từ bị chỉ trích đến được đón nhận - và dữ liệu đã chứng minh điều đó
Vào đầu năm 2026, MCP (Model Context Protocol) từng là chủ đề bị chế giễu. Trên những diễn đàn như X hay Hacker News, các lập trình viên liên tục chỉ trích: Quá trình thiết lập phức tạp, tiêu tốn quá nhiều token, và tại sao phải lãng phí từ 32.000 đến 82.000 token cho một thao tác MCP trong khi một lệnh CLI trực tiếp chỉ tốn khoảng 200 token? Như đã đề cập ở xu hướng số 1, những chỉ trích đó hoàn toàn có cơ sở trong một số ngữ cảnh nhất định; CLI vẫn chiếm ưu thế khi cần tối ưu hóa lượng token trong các quy trình sản xuất.
Tuy nhiên, đến giữa năm 2026, tình hình đã thay đổi rõ rệt. Google Trends cho thấy sự quan tâm tìm kiếm về MCP đã tăng trở lại trong nửa đầu năm 2026:

3. Hệ thống multi-agent đang trở thành tiêu chuẩn
Các workflow dựa trên một agent duy nhất đang dần nhường chỗ cho các nhóm agent chuyên biệt phối hợp với nhau và hoạt động song song. Sự thay đổi này giải quyết một hạn chế căn bản: Các tác vụ phức tạp vượt quá khả năng xử lý hiệu quả của cửa sổ ngữ cảnh ở bất kỳ agent đơn lẻ nào. Cơ sở hạ tầng phần mềm điều phối những agent này - quản lý việc thực thi công cụ, bộ nhớ và duy trì trạng thái qua các phiên làm việc - hiện được các chuyên gia gọi là "agent harness".
Báo cáo của Anthropic nhấn mạnh đây là một xu hướng nền tảng: "Vào năm 2026, các tổ chức sẽ có thể tận dụng nhiều agent cùng phối hợp để xử lý những tác vụ phức tạp mà chỉ một năm trước đó thôi, người ta khó có thể hình dung tới".
Kiến trúc này khá đơn giản: Một agent điều phối (orchestrator agent) sẽ quản lý các subagent chuyên biệt - mỗi agent có ngữ cảnh riêng - và tất cả cùng hoạt động song song. Kết quả đạt được rất ấn tượng. Fountain đã tăng tốc độ sàng lọc lên 50%, rút ngắn thời gian hòa nhập nhân viên mới (onboarding) xuống 40% và tăng gấp đôi tỷ lệ chuyển đổi ứng viên nhờ sử dụng cơ chế điều phối multi-agent phân cấp; điều này giúp một khách hàng của họ rút ngắn thời gian tuyển dụng từ vài tuần xuống còn chưa đầy 72 giờ.
4. Agentic commerce đang định hình lại trải nghiệm mua sắm trực tuyến
Cách thức chúng ta mua sắm trực tuyến đang thay đổi tận gốc rễ. Thay vì tự mình tìm kiếm, so sánh và thực hiện các bước thanh toán, người tiêu dùng đang ủy quyền việc khám phá sản phẩm và mua hàng cho các AI agent. Sự chuyển dịch này đang diễn ra nhanh hơn bất kỳ dự đoán nào.
Những con số thật đáng kinh ngạc: Tính đến tháng 4 năm 2025, OpenAI đã có 800 triệu người dùng hoạt động – con số này đã tăng gấp đôi chỉ trong vài tuần, từ tháng 2 đến tháng 4. Tại Hoa Kỳ, 39% người tiêu dùng đã sử dụng AI để mua sắm trực tuyến và 53% dự định sẽ thực hiện điều đó trong năm 2025. Dự kiến đến cuối năm, các agent sẽ đảm nhận 20% các tác vụ thương mại điện tử, tương đương với khối lượng giao dịch có thể lên tới hàng trăm tỷ đô la.
5. Trải nghiệm khách hàng dựa trên agent: Từ hỗ trợ thụ động sang tự vận hành
Trước đây, dịch vụ khách hàng thường gắn liền với các yêu cầu hỗ trợ, hàng đợi chờ đợi và quy trình xử lý phản ứng. Đến năm 2026, mô hình này sẽ hoàn toàn thay đổi. Các hệ thống dựa trên AI agent sẽ theo dõi trạng thái khách hàng theo thời gian thực, phát hiện vấn đề trước cả khi khách hàng gửi yêu cầu hỗ trợ, tự động giải quyết những vấn đề thường gặp và chỉ chuyển tiếp cho con người xử lý khi thực sự cần thiết.
Gartner dự báo rằng đến năm 2028, 60% các thương hiệu sẽ sử dụng Agentic AI để thực hiện tương tác cá nhân hóa với từng khách hàng trên quy mô lớn. Đây chính là bước chuyển dịch: Từ trải nghiệm khách hàng (CX) dựa trên các template có sẵn và xử lý hàng loạt, sang mô hình dịch vụ kiểu "quản gia" – vốn trước đây chỉ dành riêng cho những khách hàng quan trọng nhất.
Các triển khai ban đầu đã cho thấy những kết quả cụ thể. Một nhà cung cấp năng lượng tại châu Âu ghi nhận mức độ hài lòng của khách hàng tăng 18% sau khi chuyển từ AI hỗ trợ thông thường sang các CX agent tự hành. Những agent này có khả năng chủ động liên hệ với khách hàng, giải quyết các vấn đề về hóa đơn và sắp xếp lịch dịch vụ mà không cần thông qua hàng đợi chờ đợi sự can thiệp của con người. EY dự báo đến năm 2029, 80% các vấn đề dịch vụ khách hàng sẽ được giải quyết một cách tự động, giúp tiết kiệm 30% tổng chi phí.
6. Quản trị AI đang chuyển dịch từ các quy định bên ngoài sang mô hình "quản trị ngay từ khâu thiết kế"
Bối cảnh pháp lý đang chuyển từ giai đoạn thảo luận sang thực thi. Đạo luật AI của Liên minh châu Âu (EU AI Act) hiện là khung pháp lý toàn diện nhất, thiết lập các nghĩa vụ dựa trên mức độ rủi ro đối với các hệ thống AI hoạt động tại EU.
Theo nghiên cứu từ Gartner được trích dẫn trong báo cáo của EY, đến năm 2028, 33% phần mềm doanh nghiệp sẽ tích hợp AI có khả năng tự thực hiện hành động. Tuy nhiên, đi kèm với đó là một rủi ro: 25% các sự cố an ninh mạng doanh nghiệp sẽ xuất phát từ việc lạm dụng AI agent, dù là từ những đối tượng tấn công bên ngoài hay các mối đe dọa nội bộ. Việc cô lập quá trình vận hành của AI trong một môi trường an toàn (sandbox) là biện pháp kiểm soát kỹ thuật then chốt để hạn chế phạm vi ảnh hưởng khi một AI agent bị xâm nhập hoặc hoạt động sai lệch.
7. Sovereign AI đang trở thành ưu tiên chiến lược
Cách đây hai năm, quan điểm cho rằng cơ sở hạ tầng AI nên nằm hoàn toàn trong biên giới một quốc gia, tuân thủ luật pháp sở tại và sử dụng dữ liệu quốc gia đó, có lẽ chỉ được xem là một vấn đề tuân thủ nhỏ lẻ. Đến năm 2026, đây đã trở thành chủ đề thảo luận trọng tâm tại các cuộc họp hội đồng quản trị.
Nghiên cứu từ McKinsey cho thấy 71% các nhà điều hành hiện coi Sovereign AI (AI có chủ quyền) là vấn đề sống còn hoặc là một yêu cầu chiến lược bắt buộc. Xu hướng này xuất phát từ sự cộng hưởng của nhiều áp lực: Các quy định nghiêm ngặt hơn về lưu trú dữ liệu, những cân nhắc về an ninh quốc gia liên quan đến các mô hình nền tảng, những hạn chế địa chính trị đối với quyền truy cập mô hình, cùng nhận thức ngày càng rõ nét rằng: Bất kỳ đơn vị nào nắm giữ dữ liệu huấn luyện, trọng số mô hình và quy trình suy luận của bạn, thì đơn vị đó thực chất đang kiểm soát một phần hoạt động kinh doanh của bạn.
8. Trợ lý AI cá nhân đang trở nên phổ biến rộng rãi
Các AI agent cá nhân đang chuyển mình từ những bản trình diễn công nghệ trở thành các công cụ hỗ trợ trong cuộc sống hàng ngày. Sự chuyển dịch này đã tăng tốc đáng kể sau khi clawd.bot trở nên phổ biến rộng rãi vào tháng 1 năm 2026, cho thấy điều gì sẽ xảy ra khi một trợ lý AI được cấp các quyền và công cụ phù hợp để thay mặt bạn thực hiện công việc.
Các trợ lý ảo trước đây bị hạn chế bởi cách lập trình cứng nhắc. Các agent cá nhân hiện đại tận dụng những mô hình ngôn ngữ lớn (LLM) với cửa sổ ngữ cảnh mở rộng, tiêu chuẩn hóa giao thức (như MCP/A2A) và khả năng suy luận cải tiến. Chúng có thể hiểu các yêu cầu tinh tế, duy trì ngữ cảnh xuyên suốt những cuộc hội thoại và tích hợp với nhiều dịch vụ khác nhau. Giờ đây, bạn chỉ cần một file Python duy nhất, kết hợp với Gemini Live và Firecrawl, là có thể xây dựng một trợ lý giọng nói thời gian thực - vừa có khả năng tìm kiếm trên web, vừa quản lý hộp thư đến của bạn thông qua các cuộc hội thoại bằng lời nói.
9. Context engineering đang dần thay thế Prompt engineering
Kỹ năng thực sự quan trọng hiện nay không còn là viết câu lệnh (prompt) nữa, mà là chọn lọc những gì đưa vào cửa sổ ngữ cảnh. Các mô hình như Claude Opus 4.6, với cửa sổ ngữ cảnh lên tới 1 triệu token, tưởng chừng như đã giải quyết được vấn đề - cứ nạp hết mọi thứ vào là xong. Tuy nhiên, các nghiên cứu lại cho thấy điều ngược lại.
Hiện tượng "suy giảm ngữ cảnh" (context rot) là có thật. Các nghiên cứu chỉ ra rằng hiệu suất của những mô hình ngôn ngữ lớn (LLM) sẽ giảm dần khi lượng ngữ cảnh tăng lên, ngay cả đối với những tác vụ đơn giản. Một nghiên cứu từ Databricks cho thấy độ chính xác của mô hình bắt đầu sụt giảm ở ngưỡng khoảng 32.000 token - tức là từ rất lâu trước khi chạm đến giới hạn 1 triệu token. Các mô hình gặp khó khăn với hiện tượng "lạc lối giữa chừng": Thông tin bị chôn vùi giữa ngữ cảnh bị bỏ qua, bất kể mức độ liên quan.
10. Các AI agent chuyên biệt đang vượt trội hơn những AI agent đa năng
Các agent được đào tạo dựa trên kiến thức chuyên sâu của từng ngành đang mang lại kết quả tốt hơn đáng kể so với những trợ lý AI đa năng được tùy chỉnh cho các lĩnh vực cụ thể.
Nghiên cứu từ EY nêu bật các ứng dụng trong nhiều lĩnh vực:
Chăm sóc sức khỏe: Agentic AI đang chuyển dịch từ việc nhận diện khuôn mẫu sang tham gia trực tiếp vào quá trình chẩn đoán, lập kế hoạch điều trị và theo dõi bệnh nhân. Công nghệ này giám sát các chỉ số sinh tồn theo thời gian thực, đưa ra cảnh báo, đề xuất những biện pháp can thiệp, hỗ trợ chuyển tuyến, đồng thời giúp các nhà nghiên cứu tìm kiếm những lựa chọn thuốc và quản lý các giai đoạn thử nghiệm lâm sàng.
Sản xuất: Vượt xa phạm vi bảo trì dự đoán, Agentic AI hướng tới vận hành bền vững bằng cách tự động xử lý dữ liệu mà không cần sự can thiệp của con người. Công nghệ này có khả năng phát hiện lỗi, quyết định các bước tiếp theo, khởi động quy trình sửa chữa hoặc điều chỉnh ca sản xuất, thay đổi workflow theo thời gian thực, quản lý hàng tồn kho và cải thiện tính bền vững thông qua việc sử dụng tài nguyên thông minh hơn.
Dịch vụ tài chính: Hỗ trợ giảm thiểu gian lận theo thời gian thực, đánh giá rủi ro tín dụng và điều phối dịch vụ khách hàng. Hệ thống có thể phát hiện các vấn đề bất thường, tạm dừng những giao dịch đáng ngờ và điều chỉnh danh mục đầu tư dựa trên biến động thị trường. Những vấn đề cần lưu tâm bao gồm: Công tác giám sát, mức độ tin cậy và trách nhiệm giải trình đối với các quyết định tài chính tự động.
11. Các mô hình ngôn ngữ nhỏ (SLM) đang chứng tỏ khả năng sẵn sàng cho doanh nghiệp
Các mô hình ngôn ngữ nhỏ (Small Language Models - SLM) đang ngày càng phổ biến khi các tổ chức nhận ra rằng "lớn hơn" không phải lúc nào cũng tốt hơn. Những mô hình như Phi-4 của Microsoft, Gemini Nano của Google, Llama 3.2 của Meta, SmolLM của Hugging Face và Qwen2.5 của Alibaba cho thấy rằng việc lựa chọn kiến trúc và quy trình huấn luyện cẩn thận có thể giúp chúng đạt hiệu suất ngang ngửa, thậm chí vượt trội hơn các mô hình lớn hơn nhiều trong những tác vụ cụ thể.
Các nghiên cứu gần đây đã xác nhận xu hướng này. Một báo cáo khảo sát toàn diện về SLM dành cho các hệ thống agentic vào tháng 10 năm 2025 cho thấy, những mô hình ngôn ngữ nhỏ (với quy mô từ 1 đến 12 tỷ tham số) hoàn toàn đáp ứng được yêu cầu, thậm chí thường vượt trội hơn trong các tác vụ đòi hỏi sự tuân thủ nghiêm ngặt về cấu trúc dữ liệu (schema) và giao diện lập trình ứng dụng (API). Tài liệu này phân tích các mô hình xuất hiện vào cuối năm 2025 như Phi-4-Mini, Qwen-2.5-7B và Llama-3.2-3B, tập trung vào độ tin cậy khi sử dụng công cụ và khả năng tuân thủ chính xác các cấu trúc dữ liệu.
12. Recursive Language Model (RLM) đang phá vỡ các giới hạn về ngữ cảnh
Rào cản lớn nhất trong việc xây dựng các agent chính là cửa sổ ngữ cảnh. Ngay cả với giới hạn lên tới hàng triệu token, các mô hình vẫn gặp khó khăn khi xử lý những câu lệnh (prompt) dài. Recursive Language Model (RLM) giải quyết vấn đề này bằng cách coi các câu lệnh dài như những môi trường bên ngoài; tại đó, mô hình có thể chủ động kiểm tra, phân tách và tự gọi lại chính nó một cách đệ quy.
Thay vì xử lý toàn bộ câu lệnh cùng một lúc, RLM chia nhỏ nó thành các đoạn, xử lý từng phần theo phương thức đệ quy, rồi tổng hợp lại kết quả. Mô hình có thể tự gọi chính nó như một hàm số, kiểm tra các phần khác nhau của dữ liệu đầu vào khi cần thiết. Cách tiếp cận này cho phép xử lý dữ liệu đầu vào lớn hơn gấp hàng trăm lần so với giới hạn của các cửa sổ ngữ cảnh thông thường, mà không gặp phải tình trạng suy giảm chất lượng vốn thường thấy ở các mô hình xử lý ngữ cảnh dài truyền thống.
13. Truy cập dữ liệu web theo thời gian thực đang trở nên thiết yếu
Các mô hình ngôn ngữ lớn (LLM) được huấn luyện trên những tập dữ liệu tĩnh với một mốc thời gian giới hạn về kiến thức. Đối với các agent cần đưa ra quyết định trong thế giới thực, dữ liệu lỗi thời chính là một điểm yếu nghiêm trọng.
Vấn đề nằm ở chỗ: Các agent không có quyền truy cập vào dữ liệu mới nhất thường xuyên tạo ra thông tin sai lệch (ảo giác - hallucination) nhiều hơn - tỷ lệ này cao hơn khoảng 35% trong các tác vụ đòi hỏi thông tin cập nhật. Dù là kiểm tra tình trạng sẵn có của sản phẩm, truy xuất tài liệu mới nhất hay xác minh giá cả theo thời gian thực, các agent đều cần đến những API tìm kiếm web và khả năng truy cập dữ liệu trực tiếp.
Đối với dữ liệu web nói riêng, các công cụ như Firecrawl giúp xử lý sự phức tạp của những trang web hiện đại - chẳng hạn như việc kết xuất JavaScript và load nội dung động. Kết quả đầu ra là dữ liệu sạch, có cấu trúc, sẵn sàng để các AI agent sử dụng. Đối với các agent cần phản ứng khi trang web thay đổi thay vì chỉ truy xuất dữ liệu theo yêu cầu, endpoint /monitor của Firecrawl sẽ gửi một webhook có chữ ký mỗi khi có thay đổi quan trọng xảy ra; điều này giúp tiết kiệm tới 90% lượng token tiêu thụ.
14. Các agent trên trình duyệt đang tự động hóa những workflow phức tạp
Tự động hóa trình duyệt đã xuất hiện từ nhiều năm nay, nhưng các AI agent đang giúp công việc này trở nên dễ tiếp cận và mạnh mẽ hơn đáng kể. Thay vì phải viết các script Selenium dễ lỗi - vốn thường hỏng mỗi khi trang web thay đổi - agent có thể điều hướng giao diện dựa trên hình ảnh, hiểu ngữ cảnh và tự thích ứng với những thay đổi về bố cục.
Các công cụ như tính năng tích hợp Claude của Anthropic trên Chrome, những thư viện hỗ trợ thao tác trình duyệt, hay Playwright (dùng cho việc thu thập dữ liệu web) cho phép các agent thực hiện những công việc sau:
- Điền biểu mẫu: Hiểu mục đích của các trường thông tin dựa trên nhãn và ngữ cảnh.
- Điều hướng quy trình: Thực hiện các chuỗi thao tác gồm nhiều bước trên nhiều trang khác nhau.
- Trích xuất thông tin: Thu thập dữ liệu đồng thời hiểu được cấu trúc của trang web.
- Tương tác với ứng dụng web: Nhấp vào các nút, chọn tùy chọn, upload file.
Thị trường tự động hóa trình duyệt được dự báo sẽ tăng trưởng 45% mỗi năm, với động lực chính đến từ các khả năng của AI.
15. Khả năng kiểm chứng là nguyên tắc cốt lõi ẩn sau quá trình tự động hóa bằng AI
Andrej Karpathy - thành viên sáng lập OpenAI, cựu Giám đốc AI tại Tesla (nơi ông dẫn dắt các chương trình Autopilot và Full Self-Driving), người đặt ra thuật ngữ "vibe coding", và là tác giả của nanochat (một trong những AI repo được đánh giá cao nhất năm 2026) - đã đưa ra một trong những framework rõ ràng nhất về tự động hóa bằng AI tại sự kiện AI Ascent 2026 của Sequoia.
Ý tưởng cốt lõi là: AI đạt tốc độ tự động hóa nhanh nhất trong các lĩnh vực mà kết quả đầu ra có thể kiểm chứng được. Đây không phải là sự trùng hợp ngẫu nhiên, mà là hệ quả trực tiếp từ cách các mô hình AI tiên tiến được huấn luyện. Các đội ngũ phát triển sản phẩm hiện nay đã bắt đầu xây dựng giải pháp dựa trên nguyên tắc này; điều đó được thể hiện rõ qua các ví dụ thực tế về tự động hóa bằng AI trong các lĩnh vực tiếp thị, bán hàng và vận hành.
Khi các phòng thí nghiệm huấn luyện các mô hình ngôn ngữ lớn (LLM), họ thiết lập những môi trường học tăng cường (reinforcement learning) quy mô lớn, trong đó mô hình sẽ được "thưởng" khi tạo ra các kết quả đầu ra chính xác và có thể kiểm chứng được. Đó là lý do tại sao các mô hình AI có thể tái cấu trúc những codebase dài 100.000 dòng, phát hiện các lỗ hổng bảo mật chưa từng được biết đến, hay giải quyết các bài toán ở trình độ sau đại học - nhưng ngay sau đó, chúng lại thản nhiên khuyên bạn nên đi bộ đến một tiệm rửa xe cách đó 50 mét (vì chúng mặc định rằng bạn đang lái xe đến đó để rửa xe). Trong bài phát biểu của mình, Karpathy đã nhận xét: "Làm sao một mô hình tiên tiến như Claude Opus có thể vừa tái cấu trúc một codebase 100.000 dòng hoặc tìm ra các lỗ hổng bảo mật zero-day, vừa lại bảo tôi đi bộ đến tiệm rửa xe kia chứ? Thật điên rồ".
Karpathy gọi đây là những "thực thể khập khiễng" - các mô hình sở hữu năng lực không đồng đều một cách đáng kinh ngạc, được định hình gần như hoàn toàn bởi những gì các phòng thí nghiệm đưa vào tập dữ liệu huấn luyện và những cơ chế phần thưởng trong quá trình học tăng cường (RL). Code và toán học được đưa vào vì chúng có giá trị kinh tế cao và dễ dàng kiểm chứng. Trong khi đó, rất nhiều lĩnh vực khác lại không được chọn.
Bạn nên đọc
-
10 agent trình duyệt AI tốt nhất hiện nay
-
4 LLM cục bộ có kích thước nhỏ nhất mà bạn có thể sử dụng
-
Agentic AI là gì? Làm thế nào bạn có thể bắt đầu sử dụng nó?
-
20 công cụ AI thực sự hữu ích dành cho các nhà thiết kế
-
4 LLM cục bộ nhỏ gọn nhưng mạnh mẽ đáng để trải nghiệm trên máy tính
-
10 nền tảng Agentic AI tốt nhất cho doanh nghiệp năm 2026
-
So sánh Agentic AI và RPA: Mọi thứ bạn cần biết
-
Sự khác biệt giữa Copilot và Agentic AI là gì? Tại sao điều đó lại quan trọng đối với doanh nghiệp?
-
Những giải pháp AI mã nguồn mở thay thế Adobe Creative Cloud
Theo Nghị định 147/2024/ND-CP, bạn cần xác thực tài khoản trước khi sử dụng tính năng này. Chúng tôi sẽ gửi mã xác thực qua SMS hoặc Zalo tới số điện thoại mà bạn nhập dưới đây:
Hướng dẫn AI
AI Tools
Học IT
Hàm Excel