Tương lai của AI: Những xu hướng bạn cần biết

Khi ChatGPT ra mắt vào tháng 11/2022 và thu hút một trăm triệu người dùng chỉ trong hai tháng, tôi đã thật lòng xem nhẹ đó là một chatbot bị thổi phồng quá mức. Đánh giá ấy đã “hết hạn” nhanh chóng. Ngày nay, tôi (và gần như tất cả đồng nghiệp của tôi) dựa vào các công cụ AI hỗ trợ viết mã mỗi ngày, và những tranh luận từ năm 2023 về việc bot có thể viết một email ổn hay không giờ nghe thật lỗi thời. Vậy tương lai của AI sẽ ra sao?

Ngành công nghiệp đã đi xa khỏi những câu hỏi ban đầu đó, sang một quy mô hoàn toàn khác. Anthropic gần đây đã vượt mốc 7 tỷ đô la doanh thu định kỳ, và các ông lớn công nghệ đang rót tiền vào trung tâm dữ liệu ở mức mà năm năm trước sẽ bị coi là phi lý. Do đó, câu hỏi quan trọng lúc này không còn là liệu AI có hiệu quả không, mà là điều gì xảy ra khi nó ngừng chờ lời nhắc và bắt đầu tự quyết định bước tiếp theo.

Bài viết này đề cập đến hướng đi có vẻ rõ ràng của công nghệ. Tôi sẽ xem xét AI tác nhân, cuộc tranh luận nóng về mốc AGI, và sự trỗi dậy của các mô hình nhỏ có thể chạy cục bộ. Chúng ta cũng sẽ xem xét các dịch chuyển về việc làm, công cụ lập trình, ứng dụng trong chăm sóc sức khỏe và bối cảnh quản lý. Bắt đầu nhé!

Nếu bạn chưa quen với một số khái niệm AI, tôi gợi ý bạn tham khảo AI Fundamentals của chúng tôi, nơi bao quát toàn bộ kiến thức cơ bản bạn cần biết.

Từ tạo sinh đến AI tác nhân

Mô hình chatbot hỏi–đáp luân phiên đang nhường chỗ cho một cách tiếp cận tự chủ hơn. Phần này đề cập đến sự chuyển đổi đó trong thực tế trông như thế nào, đâu là thách thức triển khai thực sự, và vì sao hầu hết tổ chức vẫn chật vật đưa tác nhân vào sản xuất.

Sự trỗi dậy của các tác nhân tự động

Trong vài năm qua, các công cụ AI vận hành theo một nhịp điệu dễ đoán. Bạn nhắc, nó trả lời. Con người cầm lái, AI đi cùng. Động lực đó đang thay đổi: AI tác nhân không chỉ trả lời câu hỏi; chúng lập kế hoạch để đạt được mục tiêu.

Giả sử bạn muốn đặt một chuyến đi đến Barcelona vào tháng 12. Thay vì đưa ra danh sách khách sạn để bạn tự nghiên cứu, một tác nhân sẽ:

• Tìm kiếm các lựa chọn
• Lọc theo sở thích của bạn
• Đối chiếu giá với ngân sách
• Kiểm tra lịch của bạn để tránh trùng
• Thực hiện đặt chỗ

Bạn mô tả kết quả mong muốn—hệ thống lo liệu các bước để đưa bạn đến đó.

Nhu cầu trong doanh nghiệp là rất lớn. Deloitte dự đoán 75% công ty sẽ đầu tư vào AI tác nhân vào cuối năm 2026. Tuy nhiên, thực tế hiện tại vẫn tụt hậu so với viễn cảnh đó. Một khảo sát của UiPath giữa năm 2025 cho thấy dù mối quan tâm rất cao, chỉ 30% triển khai tác nhân thực sự đi vào sản xuất.

Thu hẹp khoảng cách với MCP

Vì sao có khoảng cách? Chủ yếu là tích hợp. Khi các nhà nghiên cứu hỏi doanh nghiệp điều gì cản trở họ, 46% chỉ ra bài toán kết nối tác nhân AI với hệ thống hiện có. Viết một tác nhân có thể phác thảo mã là một thách thức. Khiến nó hoạt động ổn định với CRM, nền tảng quản lý yêu cầu, API nội bộ của bạn, mà không làm hỏng hay gây ra vấn đề mới, hóa ra là một thách thức hoàn toàn khác.

Để giải quyết, ngành đang tập hợp quanh các tiêu chuẩn mở như Model Context Protocol (MCP) của Anthropic và đặc tả AGENTS.md của OpenAI, cả hai đều hướng tới quản trị trung lập cho hạ tầng mở và đã đóng góp cho Agentic AI Foundation.

Đặc biệt, MCP đã thu hút nhiều quan tâm. Hãy coi nó như "USB-C cho AI"—một đầu nối chuẩn giúp tác nhân dễ dàng trò chuyện với nhiều công cụ và nền tảng khác nhau. Có thể kể đến tích hợp với Claude, Cursor, Microsoft Copilot, VSCode, Gemini và ChatGPT.

Nếu bạn muốn vượt qua các bản demo, hãy xem các khóa học về AI tác nhân để nắm khái niệm và Thiết kế hệ thống tác nhân với LangChain để thực hành ứng dụng. 

Trí tuệ nhân tạo tổng quát (AGI) có gần không?

Mốc thời gian đến Trí tuệ nhân tạo tổng quát (AGI)—các hệ thống AI có thể thực hiện nhiệm vụ ở mức con người trên nhiều lĩnh vực—phụ thuộc hoàn toàn vào người bạn hỏi.

Các CEO của những phòng thí nghiệm AI lớn khá táo bạo: Dario Amodei của Anthropic gợi ý giai đoạn 2026–2027 cho các hệ thống sánh ngang các nhà Nobel trên nhiều lĩnh vực ("một đất nước toàn thiên tài trong một trung tâm dữ liệu"). Tương tự, Sam Altman và Demis Hassabis chỉ vào 3–5 năm tới.

Cũng cần lưu ý rằng các công ty này dựa vào sự hào hứng của nhà đầu tư để tài trợ cho nghiên cứu tốn kém, vì vậy mốc thời gian lạc quan cũng phục vụ mục đích chiến lược.

Những người hoài nghi đưa ra góc nhìn điềm tĩnh hơn. Gary Marcus gọi những tháng gần đây là "tàn khốc" cho sự lạc quan về AGI, và cựu nhà nghiên cứu OpenAI Andrej Karpathy đặt AGI ít nhất là một thập kỷ nữa. Một khảo sát rộng năm 2023 với các nhà nghiên cứu còn đưa mốc trung vị xa hơn, vào năm 2047.

Cuối cùng, HAI của Stanford đưa ra khung nhìn hữu ích nhất: chúng ta đang chuyển từ "truyền giáo sang đánh giá." Câu hỏi quan trọng không phải là khi nào AGI đến, mà là mức độ tốt mà các hệ thống hiện tại xử lý nhiệm vụ cụ thể hôm nay so với những nơi vẫn cần giám sát của con người.

Công nghệ AI mới nổi vượt ra ngoài LLM

Không phải mọi điều thú vị trong AI đều là làm mô hình lớn hơn. Các mô hình nhỏ, điện toán lượng tử và song sinh kỹ thuật số đang định hình lại những gì khả thi ở rìa của lĩnh vực này.

Mô hình ngôn ngữ nhỏ (SML) và AI biên

Trong khi mọi người nói về những mô hình ngày càng lớn, thì đầu tư đáng kể lại đang đổ vào các mô hình nhỏ hơn. Gartner dự đoán rằng các tổ chức sẽ triển khai Mô hình ngôn ngữ nhỏ (SML)—các mô hình chuyên biệt theo tác vụ—với tốc độ gấp ba lần so với các mô hình lớn đa năng vào năm 2027.

Lý do mang tính thực tiễn:

1. Chi phí: Vận hành mô hình khổng lồ rất tốn kém. OpenAI được cho là đã chi gần gấp đôi doanh thu cho suy luận vào đầu năm 2025. SLM cắt giảm chi phí này đáng kể.
2. Quyền riêng tư: Các mô hình trên thiết bị giữ dữ liệu tại chỗ, điều bắt buộc trong y tế và tài chính. Do đó, thị trường SLM dự kiến tăng từ 930 triệu USD năm 2025 lên 5,45 tỷ USD vào năm 2032.
3. Tốc độ: Suy luận cục bộ loại bỏ độ trễ mạng. Với kiểm soát chất lượng sản xuất hoặc phát hiện gian lận trong ngân hàng, mili-giây là quan trọng. Đám mây không phải lúc nào cũng đáp ứng được.

Các nhà nghiên cứu NVIDIA lập luận rằng bước nhảy tiếp theo của AI không nằm ở kích thước, mà ở chuyên môn hóa. Vì các tác vụ như phân tích email hay truy vấn SQL không đòi hỏi kiến thức bách khoa, kiến trúc tương lai sẽ là đội hình mô hình: nhiều mô hình chuyên dụng phối hợp thay vì một “tổng quát gia” khổng lồ.

Google, Mistral, Microsoft và Alibaba đều đang thúc đẩy mạnh mẽ. Google AI Edge hỗ trợ hơn chục mô hình, bao gồm Gemma 3n—mô hình đa phương thức đầu tiên chạy trên thiết bị của họ.

So sánh cách tiếp cận của SLM và LLM

Bảng sau so sánh hai cách tiếp cận. Để tìm hiểu sâu hơn, hãy xem bài viết về SLM so với LLM của chúng tôi.

Các mô hình lớn không vì thế mà trở nên lỗi thời. Bài toán phức tạp vẫn hưởng lợi từ sức mạnh của chúng. Tương lai có lẽ sẽ là cả hai cùng tồn tại, với câu hỏi thú vị là khi nào nên dùng cái nào.

Sự hội tụ giữa điện toán lượng tử và AI

Điện toán lượng tử đã bị gắn mác “năm năm nữa” suốt hàng thập kỷ, nhưng điều gì đó đã dịch chuyển vào cuối năm 2025, đáng để chú ý.

Google trình diễn tốc độ nhanh gấp 13.000 lần siêu máy tính Frontier khi dùng 65 qubit cho mô phỏng vật lý. IBM đặt mục tiêu đạt lợi thế lượng tử vào năm 2026, và các nhà nghiên cứu đã bắt đầu dùng mạng nơ-ron để dự đoán và sửa lỗi qubit theo thời gian thực.

Lĩnh vực này đã chuyển từ lời hứa lý thuyết sang bài toán kỹ thuật.

Thuật ngữ đang được chú ý là “tính hữu dụng lượng tử” (quantum utility). Không phải lợi thế lượng tử toàn diện trên mọi bài toán, mà là hệ thống lượng tử giải các bài toán cụ thể nhanh hơn hoặc rẻ hơn so với phương án cổ điển. Các bài toán mục tiêu rất nặng về toán, có quá nhiều biến khiến máy tính cổ điển “nghẹt thở”:

• Tối ưu hóa hóa học pin
• Sàng lọc hợp chất thuốc
• Mô hình hóa rủi ro danh mục đầu tư

Các nhà nghiên cứu JPMorgan Chase gần đây đạt cột mốc với thuật toán phát trực tuyến lượng tử xử lý tập dữ liệu lớn với lợi thế không gian theo cấp số mũ. Đó không phải là thông cáo báo chí. Đó là công trình bình duyệt với kết quả đo lường được.

Dù vậy, khoảng dự báo ở đây rất rộng. 

Manifold Markets—đơn vị theo dõi hơn 100 dự báo liên quan lượng tử—cho thấy sự hoài nghi rộng rãi rằng máy tính lượng tử sẽ vượt hệ cổ điển trong mật mã hay mô phỏng sinh học phức tạp vào năm 2026. Hầu hết quan sát viên kỳ vọng tiến bộ kỹ thuật dần dần, không phải đột phá lợi thế lượng tử.

Nhưng cùng các thị trường đó lại tỏ ra rất tin tưởng rằng máy tính lượng tử chịu lỗi hữu ích sẽ xuất hiện trong thập kỷ này.

Điều này có ý nghĩa thực tiễn gì? 

Trong thực tế, máy tính lượng tử độc lập là điều hoang đường. Chuẩn ngành giờ là “tính toán dị thể”: kiến trúc lai trong đó bộ xử lý lượng tử nằm trong các trung tâm hiệu năng cao bên cạnh cụm GPU, với hệ thống AI quản lý luồng công việc.

Với nhà khoa học dữ liệu trong lĩnh vực R&D, điều này tạo ra yêu cầu kỹ năng mới. API đám mây lượng tử từ IBM, Google, Amazon Braket và Microsoft Azure Quantum cho phép bạn chạy thủ tục con lượng tử mà không cần sở hữu phần cứng. Đường cong học tập không hề nhẹ, nhưng vẫn dễ tiếp cận hơn nhiều so với tự dựng phòng thí nghiệm lượng tử.

Sự chuyển dịch trọng tâm là tinh tế nhưng quan trọng. Trong khi khoa học dữ liệu cổ điển ám ảnh với “dữ liệu lớn”, điện toán lượng tử quan tâm đến “tối ưu hóa phức hợp”. Nó giải quyết các bài toán bùng nổ tổ hợp, như mô hình hóa phân tử, logistics, hay rủi ro tài chính với hàng nghìn yếu tố tương quan. Với các lĩnh vực này, công cụ lượng tử đang đi từ lý thuyết sang liên quan thực tế.

Song sinh kỹ thuật số và mô phỏng

Song sinh kỹ thuật số đang chuyển từ từ khóa thời thượng sang hạ tầng vận hành. Ý tưởng rất trực diện: xây dựng một bản sao ảo “sống” của hệ thống vật lý (dây chuyền nhà máy, mạng kho, lưới điện, quận thành phố) và giữ nó đồng bộ với bản thật qua cảm biến, log và dữ liệu vận hành. Sau đó dùng song sinh để “stress test” quyết định trước khi động vào thực tế.

Nhà máy là ca điển hình sớm rõ ràng nhất. Một cơ sở hiện đại vốn đã tạo ra dữ liệu mà song sinh cần: tín hiệu PLC, telemetry máy móc, lịch sử bảo trì, lệnh công việc, đo chất lượng, di chuyển tồn kho. AI biến “lũ dữ liệu” đó thành một mô hình bạn có thể truy vấn. Không chỉ là dashboard, mà còn là phản sự kiện. Bạn có thể trả lời những câu hỏi như:

• Điều gì xảy ra nếu máy dập ngừng hoạt động sáu giờ vào sáng thứ Ba?
• Nếu chúng ta thay nhà cung cấp B bằng C cho linh kiện này, với hồ sơ lỗi hơi khác, thì sao?
• Nếu đổi lịch ca để các vận hành viên giàu kinh nghiệm tập trung vào hai trạm cuối thì thế nào?

Giá trị không nằm ở việc dự đoán sự cố. Mà là lần theo hiệu ứng hạ nguồn—trễ hẹn, hổng tồn, chi phí đổi hướng—để bạn có thể tính trước lời giải thay vì ứng biến lúc 3 giờ sáng.

Sự dịch chuyển cho phép là AI đang giảm chi phí xây dựng và duy trì các mô hình này. Mô hình ML hiện đại học hành vi trực tiếp từ dữ liệu sống, phát hiện trôi dạt và giữ cho song sinh bám sát khi hệ thống thật thay đổi. 

Các mô hình nhỏ, chuyên biệt cũng rất hợp ở đây: một mô hình phát hiện bất thường trên tua-bin, một mô hình tối ưu lịch, một mô hình dự báo nhu cầu—tất cả cùng cấp dữ liệu cho cùng một môi trường mô phỏng.

Nếu bạn muốn một lộ trình rõ hơn về những gì sắp tới, hãy đọc 9 LLM mã nguồn mở cho năm 2026 để chạy và tinh chỉnh mô hình không phụ thuộc nhà cung cấp và 13 hội nghị AI hàng đầu năm 2026, nơi sẽ diễn ra các cuộc thảo luận triển khai thực thụ.

Tương lai của AI trong công việc

Tiêu đề giật gân về AI “cướp việc” thường bỏ lỡ sắc thái của dữ liệu thực. Bức tranh từ nghiên cứu hiện lên phức tạp hơn, dần dần hơn, và có lẽ ít kịch tính hơn cả phe lạc quan lẫn bi quan gợi ý.

AI có thay thế việc làm không?

Các con số cần nhiều sắc thái hơn những gì tiêu đề thường thể hiện.

Diễn đàn Kinh tế Thế giới khảo sát hơn 1.000 nhà tuyển dụng hàng đầu cho Báo cáo Tương lai Việc làm 2025. Họ dự báo 170 triệu vai trò mới được tạo ra và 92 triệu vai trò bị thay thế trong giai đoạn 2025–2030, tức tăng ròng 78 triệu việc làm.

Dù là số dương ròng, phân bổ lại là điều rất đáng kể. Trong một nghiên cứu công bố tháng 11/2025, các nhà nghiên cứu MIT và Boston University ước tính AI sẽ thay thế khoảng hai triệu công nhân sản xuất vào năm 2026.

Điểm đáng phân biệt là giữa tác vụ và vai trò. AI có xu hướng tự động hóa các hoạt động cụ thể trong công việc thường xuyên hơn là loại bỏ cả vị trí ngay lập tức. Kế toán của bạn chưa đi đâu cả, nhưng số giờ dành cho nhập liệu và đối soát đang thu hẹp.

Nghiên cứu MIT năm 2025 ước tính các tác vụ có thể tự động hóa hiện bao phủ khoảng 11,7% hoạt động lực lượng lao động Hoa Kỳ, tương đương khoảng 1,2 nghìn tỷ đô la tiền lương. Điều đó không có nghĩa 11,7% người lao động mất việc, mà là những mảng đáng kể trong công việc của họ giờ có thể chạy như phần mềm.

Những công việc chịu áp lực nhiều hơn gồm:

• Dịch vụ khách hàng, đặc biệt là hỗ trợ qua văn bản
• Nhập và xử lý dữ liệu
• Công việc hành chính theo mẫu định sẵn
• Một số vị trí thu ngân bán lẻ
• Nghiên cứu pháp lý thường quy và tác vụ của trợ lý luật sư

Những công việc có các đặc trưng sau sẽ ít chịu áp lực hơn:

• Quản lý con người
• Phán đoán chuyên môn
• Tình huống mơ hồ
• Hiện diện vật lý trong môi trường khó đoán

Những mô thức này đúng với y tế, nghề kỹ thuật, công việc sáng tạo và ra quyết định chiến lược, trong số những lĩnh vực khác.

Những lộ trình nghề nghiệp mới

Các danh mục việc làm mới đang xuất hiện, một số còn chưa hề tồn tại cách đây năm năm:

• Kiến trúc sư hệ thống AI thiết kế cách các thành phần AI khớp vào tổ chức. Bạn cần kết hợp hiểu biết kỹ thuật và am hiểu quy trình kinh doanh.
• Kỹ sư nhắc lệnh (Prompt Engineer) đã trở thành chức danh thực thụ, dù đang chuyển dịch thành “chuyên gia cộng tác với AI”. Hiểu cách làm việc hiệu quả với các hệ thống này, không chỉ viết đầu vào khéo léo.
• Quản lý đạo đức và tuân thủ AI bao quát yêu cầu pháp lý và kiểm toán. Tổ chức cần người hiểu cả năng lực kỹ thuật lẫn bối cảnh pháp lý để giảm thiểu rủi ro liên quan đến hệ thống AI.
• Huấn luyện viên AI và người quản trị dữ liệu xử lý vòng phản hồi, gán nhãn ca biên và kiểm soát chất lượng dữ liệu huấn luyện.

Mô thức tôi quan sát được là chuyên môn lĩnh vực kết hợp với hiểu biết AI mới tạo ra giá trị. Một y tá hiểu công cụ chẩn đoán bằng AI cho kết quả tốt hơn người né tránh chúng. Một luật sư dùng AI để nghiên cứu nhưng biết giới hạn của nó làm việc nhanh hơn mà không giảm chất lượng.

Khảo sát nhà tuyển dụng liên tục xếp tư duy phân tích là kỹ năng được săn đón nhất. Bảy trên mười công ty cho là thiết yếu. Sau đó là khả năng phục hồi, thích nghi và lãnh đạo.

Những thay đổi theo ngành

Một số lĩnh vực tiếp nhận công cụ AI nhanh hơn những lĩnh vực khác, và kết quả đa dạng hơn bạn nghĩ. Lập trình, y tế và tài chính mỗi lĩnh vực kể một câu chuyện khác nhau về cái gì hiệu quả, cái gì không, và bất ngờ xuất hiện ở đâu.

Lập trình và khoa học dữ liệu

Phát triển phần mềm tiếp nhận công cụ AI nhanh hơn hầu hết lĩnh vực. Các công cụ vẫn đang tiến hóa.

Theo khảo sát Stack Overflow 2025, khoảng 85% nhà phát triển dùng công cụ AI thường xuyên vào cuối năm 2025. GitHub báo cáo 41% mã do người dùng Copilot tạo ra trên toàn cầu có sự hỗ trợ của AI. Chúng ta đã đi qua thời “tự động hoàn thành”: Hệ thống hiện tại hiểu cả kho mã và thực hiện thay đổi trên nhiều tệp.

Các dẫn đầu thị trường đã xuất hiện: GitHub Copilot chiếm khoảng 42% thị phần, với hơn 20 triệu người dùng và hiện diện tại 90% công ty Fortune 100. Cursor từ vô danh vươn lên 18% thị phần trong mười tám tháng. Họ được cho là đạt 500 triệu đô la doanh thu định kỳ.

 AI xuất sắc ở một số dạng công việc lập trình: 

• Mẫu lặp, khuôn sẵn
• Khám phá API lạ
• Giải mã mã kế thừa

Tuy vậy, khoảng cách giữa cảm nhận và thực tế là đáng lưu ý. 

Trong một nghiên cứu của METR tháng 7/2025, các lập trình viên giàu kinh nghiệm dùng công cụ như Cursor Pro và Claude 3.5 Sonnet. Họ hoàn thành nhiệm vụ chậm hơn 19% so với khi không có AI—vậy mà lại cho rằng mình nhanh hơn 20%. 

Kết luận là, năng suất phụ thuộc vào ngữ cảnh. Công cụ AI có thể khiến bạn chậm lại khi loại công việc không khớp với điểm mạnh của chúng và khi bạn hiểu hệ thống tốt hơn AI.

Hiện nay, hướng đi đang tiến tới nhiều năng lực tự chủ hơn. Project Padawan của GitHub thể hiện mô hình nơi lập trình viên giao issue cho hệ thống AI, AI triển khai, và con người rà soát. Dịch chuyển từ AI gợi ý mã sang AI hoàn thiện tính năng.

Với khoa học dữ liệu, hãy kỳ vọng ít thời gian cho chuẩn bị và nhiều thời gian cho diễn giải. AI có thể đảm nhận truy vấn SQL và làm sạch dữ liệu. Điều này cho nhà khoa học dữ liệu thời gian tập trung vào đặt đúng câu hỏi và hiểu ý nghĩa kết quả.

Chăm sóc sức khỏe

AI trong y tế ở vị thế phức tạp: Tiềm năng lớn, nhưng triển khai thận trọng—và có lẽ phù hợp với mức độ rủi ro.

Khám phá thuốc được hỗ trợ bởi AI đang tăng tốc. AlphaFold và các công cụ tương tự dự đoán cấu trúc protein trong vài giờ thay vì vài năm. Sàng lọc hợp chất diễn ra ở quy mô trước đây bất khả thi. Một số ước tính cho rằng AI có thể rút ngắn thời gian phát triển thuốc bốn đến năm năm cho mỗi loại.

Chẩn đoán cũng được cải thiện ở một số mảng, với X-quang, giải phẫu bệnh và nhãn khoa đi trước. AI được huấn luyện trên ảnh y khoa có thể phát hiện mẫu mà người xem bỏ sót. 

Theo McKinsey, Mayo Clinic đã mở rộng đội ngũ X-quang hơn 50% kể từ 2016 trong khi triển khai hàng trăm mô hình AI. Sự kết hợp đó đáng chú ý: AI tăng cường công việc thay vì thay thế con người.

Tuy nhiên, thận trọng là hợp lý. Quyết định trong y tế mang hậu quả mà gợi ý trên mạng xã hội không có: Chẩn đoán sai có thể gây hại bệnh nhân. Yêu cầu khoa học và y khoa về việc hiểu cách mô hình đi đến kết luận—không chỉ là chúng chính xác hay không—tạo ra ràng buộc thực sự.

Thực tế gần hạn là AI như trợ lý chẩn đoán. Hệ thống có thể đánh dấu vấn đề tiềm tàng, gợi ý xét nghiệm, và bắt những điều có thể trượt qua trong môi trường bận rộn. Nhưng cuối cùng, bác sĩ đưa ra quyết định và duy trì mối quan hệ với bệnh nhân.

Giám sát từ xa đang tăng tốc khi các mô hình ngôn ngữ nhỏ chuyển thẳng lên thiết bị đeo. Bằng cách xử lý dữ liệu ngay trên thiết bị, các hệ thống này giảm tối đa độ trễ và đảm bảo quyền riêng tư, dùng AI chỉ để gắn cờ bất thường cụ thể cho con người xem xét.

Tài chính

Dịch vụ tài chính là những người sớm áp dụng AI, đã làm chủ phát hiện gian lận tốc độ cao từ nhiều năm trước, nhưng năng lực tác nhân đang đẩy lĩnh vực này sang lãnh địa mới. 

Trong khi các công cụ sẵn có xử lý gian lận và truy vấn dịch vụ khách hàng thường quy, biên giới hoạt động hiện nay là siêu cá nhân hóa. Các hệ thống mới có thể phân tích khả năng chấp nhận rủi ro và mục tiêu tài chính cá nhân để đưa ra chiến lược quản lý tài sản tinh vi cho một bộ phận dân số rộng lớn hơn. 

Tuy nhiên, tiến bộ này đi kèm cảnh báo: cơ quan quản lý ngày càng giám sát các mô hình để đảm bảo những thiên lệch lịch sử trong dữ liệu cho vay không bị thuật toán lặp lại.

Thách thức và quản lý AI

Hạn chế kỹ thuật và khoảng trống chính sách tạo ra những ràng buộc thực sự về những gì AI có thể làm một cách có trách nhiệm. Bài toán “hộp đen”, thông tin sai lệch do AI tạo và bức tranh quản lý phân mảnh đều định hình những gì thực sự có thể triển khai so với những gì chỉ nằm trên lý thuyết.

Vấn đề kỹ thuật và xã hội

Bài toán hộp đen vẫn chưa được giải. Khi mô hình ra quyết định, việc hiểu tại sao vẫn khó khăn. Điều đó gây vấn đề khi quyết định ảnh hưởng đến khoản vay, việc làm và chăm sóc y tế.

Nghiên cứu tập trung vào khả năng diễn giải. Giảng viên HAI của Stanford kỳ vọng sự chú ý gia tăng đến cái họ gọi là “khảo cổ học của các mạng nơ-ron hiệu năng cao” trong năm 2026. Các kỹ thuật như autoencoder thưa giúp xác định những đặc trưng huấn luyện nào thực sự dẫn dắt hành vi.

Nội dung sinh ra bởi AI tạo thêm vấn đề: Deepfake và thông tin sai lệch do AI tạo ngày càng khó phát hiện. Một số ước tính cho rằng các bài viết do AI tạo trên mạng đã vượt về số lượng so với nội dung do con người viết.

Suy sụp mô hình (model collapse) có thể là hệ quả và là vấn đề khác khiến các nhà nghiên cứu lo ngại. Nếu mô hình ngày càng được huấn luyện trên nội dung do AI tạo—đang chiếm tỷ trọng tăng trong dữ liệu sẵn có—chất lượng có thể suy giảm. Mô hình đang “tiêu thụ” đầu ra của chính mình theo cách tích lũy sai lệch.

Bối cảnh quản lý

Các khu vực pháp lý đang tiếp cận theo những cách khác nhau.

Đạo luật AI của EU là bộ quy tắc AI toàn diện nhất hiện hành. Nó dựa trên “thang rủi ro”: rủi ro càng cao, nghĩa vụ càng nặng. Hệ thống dùng trong việc làm và quyết định tín dụng nằm trong nhóm “rủi ro cao”, đồng nghĩa yêu cầu nghiêm ngặt hơn về tài liệu, kiểm soát và giám sát. 

Đạo luật có hiệu lực vào ngày 1/8/2024, nhưng hầu hết nghĩa vụ sẽ đến theo lộ trình theo giai đoạn trong các năm tiếp theo.

Vấn đề năng lượng xuất hiện theo cách hẹp và thực tiễn hơn: nhà cung cấp mô hình AI mục đích chung có thể phải ghi nhận mức tiêu thụ năng lượng (hoặc cung cấp ước tính dựa trên tính toán khi không thể đo chính xác). Tách biệt với Đạo luật AI, báo cáo về trung tâm dữ liệu và hiệu suất năng lượng của EU đang siết chặt, điều này quan trọng vì tải AI là động lực mới lớn cho nhu cầu điện. 

Trong thực tế, điều này hướng các đội ngũ đến kiến trúc “đủ tốt”, ưu tiên hiệu suất hơn là sức mạnh thô. Bằng cách dùng mô hình nhỏ hơn và chạy suy luận ở biên, nhà phát triển có thể xử lý ít token hơn qua hệ thống đám mây đắt đỏ, cuối cùng giảm chi phí tính toán, tiêu thụ điện và truyền dữ liệu.

Ở Hoa Kỳ, tình hình kém ổn định hơn nhiều. Pháp luật liên bang vẫn bế tắc, và khi các nỗ lực năm 2025 nhằm ghi đè quy định cấp bang thất bại, môi trường quản lý đang bị chia nhỏ. Do đó, những người xây dựng trong năm 2026 phải đối mặt với đích nhắm di động theo từng bang thay vì một khung liên bang thống nhất.

Chuẩn bị cho tương lai của AI

Điều gì thực sự hữu ích để duy trì sự phù hợp nghề nghiệp? Để chuẩn bị, tôi đề xuất học các khái niệm liên quan AI, phát triển kỹ năng ở các mảng kỹ thuật và tích lũy trải nghiệm thực hành.

Hiểu biết về dữ liệu và AI

Hiểu biết dữ liệu không còn là tùy chọn. Bạn không cần là nhà khoa học dữ liệu, nhưng bạn cần hiểu dữ liệu dịch chuyển ra sao, điều gì khiến nó đáng tin, và cách diễn giải đầu ra của mô hình.

Nếu bạn cần một nền tảng có cấu trúc, Data Literacy Professional bao quát các yếu tố cốt lõi và cấp chứng nhận cho những gì bạn học được. Với khởi đầu mang tính lý thuyết hơn về AI, tôi khuyến nghị đăng ký AI Fundamentals.

Kỹ năng kỹ thuật

Các kỹ năng kỹ thuật cơ bản vẫn là yếu tố tạo khác biệt. Công cụ AI giúp lập trình dễ tiếp cận hơn, nhưng bạn vẫn cần hiểu logic để xác minh đầu ra. Python và SQL là “lái chính” ở đây.

Một cách chắc chắn là học ngôn ngữ trước, rồi mới đến lớp AI. Bắt đầu với Introduction to Python để nắm cú pháp. Tiếp đó học Generative AI Concepts để hiểu cách các trợ lý hiện đại hành xử—và nơi chúng thất bại.

Chuyên môn lĩnh vực và tác nhân

Sự dịch chuyển lớn nhất là từ chatbot sang tác nhân. Chỉ nhắc lệnh đang trở thành hàng hóa. Thiết kế quy trình làm việc tích hợp với hệ thống thực mới là nơi tạo giá trị.

Chuyên môn lĩnh vực vẫn giữ giá trị. Nắm vững công cụ AI kết hợp với hiểu biết sâu về ngành tạo ra nhiều hơn mỗi yếu tố riêng lẻ. Cách nhanh nhất để hiện thực hóa kết hợp đó là chọn một quy trình trong lĩnh vực của bạn và học cách tác nhân cắm vào đó.

Để hiểu kiến trúc này, hãy đăng ký AI Agent Fundamentals để có mô hình tư duy. Khi đã nắm phần lý thuyết, hãy học Thiết kế hệ thống tác nhân với LangChain để trải nghiệm thực hành xây dựng hệ thống vận hành đầu–cuối. Thấy tác nhân hỏng ở đâu cũng quý giá như khi thấy chúng chạy tốt.

Quản trị sự bất định

Cuối cùng, hãy rèn sự thoải mái với bất định: đầu ra của mô hình AI là xác suất, nên đôi khi sai. Hiểu các chế độ thất bại là rất quan trọng với bất kỳ ai xây công cụ hướng khách hàng. Bạn nên quen thuộc với các khái niệm như model collapse (cách dữ liệu tổng hợp làm suy giảm mô hình) và cơ chế đằng sau deepfake.

Để theo kịp ngành thay vì theo chu kỳ thổi phồng, hãy theo dõi những người thực hành. Danh sách 13 hội nghị AI hàng đầu năm 2026 là nơi tốt để tìm những chỗ kỹ sư trao đổi về cái gì thực sự hiệu quả trong môi trường sản xuất.

Kết luận

Giảng viên Stanford gần đây mô tả thời điểm hiện tại là sự chuyển từ “truyền giáo sang đánh giá.” Khung đó nắm bắt thực tế rất chính xác. Chúng ta đang đi qua câu hỏi liệu AI có quan trọng không để đi vào chi tiết thực dụng về nơi nào nó hữu ích và cách triển khai có trách nhiệm.

Dù mốc AGI vẫn còn mang tính suy đoán và bối cảnh quản lý còn đổi thay, hướng đi thực tế đã rõ: AI tác nhân sẽ bước vào quy trình doanh nghiệp, và mô hình nhỏ sẽ xử lý tác vụ thường quy. Chủ đề lặp lại là tăng cường (augmentation), không phải thay thế. Tương lai thú vị nhất không phải nơi AI làm mọi thứ, mà là nơi con người thiết kế hệ thống để khuếch đại chuyên môn của chính mình.

Chiến lược tốt nhất lúc này rất đơn giản: Trực tiếp dùng công cụ, giữ sự hoài nghi lành mạnh với cả thổi phồng lẫn bi quan, và coi học hỏi là quá trình liên tục. Thay đổi đang diễn ra bất kể bạn đã sẵn sàng hay chưa, vậy tốt hơn là bạn nên cầm lái!