Tác giả: Nav Bhasin và Sri Elaprolu
Ngày phát hành: 11 MAR 2026
Chuyên mục: Generative AI, Thought Leadership

AI Agentic không phải là một tính năng bạn chỉ cần bật lên. Đó là một sự thay đổi trong cách công việc được định nghĩa, ai thực hiện công việc đó và cách các quyết định được đưa ra.

Hầu hết các doanh nghiệp đều học được điều này một cách khó khăn. Họ triển khai các dự án thử nghiệm bị đình trệ ngay khi gặp phải các quy trình, hệ thống và quản trị thực tế. Mô hình này lặp đi lặp lại: các trường hợp sử dụng mơ hồ, các nguyên mẫu không thể tồn tại với dữ liệu lộn xộn, quyền tự chủ vượt quá tầm kiểm soát, việc tuân thủ chặn ngày ra mắt, bộ dữ liệu quá yếu để đưa ra các quyết định tự động. Dưới tất cả những điều đó, cùng một vấn đề gốc rễ—không ai đồng ý về định nghĩa thành công.

Trung tâm Đổi mới AI Tạo sinh của AWS (AWS Generative AI Innovation Center) đã giúp hơn 1.000 khách hàng đưa AI vào sản xuất, mang lại hàng triệu đô la lợi ích năng suất đã được ghi nhận. Các nhóm đa chức năng của chúng tôi—các nhà khoa học, chiến lược gia và chuyên gia machine learning—làm việc cùng với khách hàng từ giai đoạn lên ý tưởng đến triển khai. Ngày càng nhiều, công việc đó liên quan đến các agent.

Trong bài viết này, chúng tôi chia sẻ hướng dẫn dành cho các nhà lãnh đạo trong C-suite: CTO, CISO, CDO và Chief Data Science/AI officers, cũng như các chủ doanh nghiệp và trưởng bộ phận tuân thủ. Quan sát cốt lõi của chúng tôi: khi AI agentic hoạt động, nó trông giống một đội ngũ được quản lý tốt hơn là một phần mềm ma thuật—mỗi agent có một công việc rõ ràng, một người giám sát, một quy trình làm việc và một cách để cải thiện theo thời gian.

Nếu bạn ngồi trong một cuộc họp điều hành và hỏi, “Chúng ta có đang đầu tư đủ vào AI không?”, câu trả lời gần như luôn là có. Nếu sau đó bạn hỏi, “Những quy trình làm việc cụ thể nào tốt hơn đáng kể ngày nay nhờ các AI agent, và làm thế nào chúng ta biết được điều đó?”, căn phòng sẽ trở nên im lặng.

Đây là Phần I của một chuỗi hai phần. Ở đây chúng tôi thiết lập nền tảng: tại sao khoảng cách giá trị chủ yếu là một vấn đề về thực thi, và điều gì làm cho công việc thực sự phù hợp với agent. Phần II sẽ nói trực tiếp với từng đối tượng C-suite, bằng ngôn ngữ trách nhiệm của họ.

Vấn đề chung của doanh nghiệp

Khoảng cách giá trị chủ yếu là về cách bạn làm việc

Nếu bạn ngồi trong một cuộc họp điều hành và hỏi, “Chúng ta có đang đầu tư đủ vào AI không?”, câu trả lời gần như luôn là có. Nếu sau đó bạn hỏi, “Những quy trình làm việc cụ thể nào tốt hơn đáng kể ngày nay nhờ các AI agent, và làm thế nào chúng ta biết được điều đó?”, căn phòng sẽ trở nên im lặng.

Điều nằm giữa hai câu trả lời đó không phải là một foundation model bị thiếu hay một nhà cung cấp bị thiếu. Đó là một mô hình vận hành bị thiếu. Trong các tổ chức nơi các agent tạo ra giá trị rõ ràng, ba điều có xu hướng đúng:

• Công việc được định nghĩa chi tiết đến mức đau đớn. Mọi người có thể mô tả, từng bước một, những gì đến, những gì xảy ra và ý nghĩa của việc “hoàn thành”. Họ cũng có thể mô tả những gì xảy ra khi mọi thứ đi sai hướng.
• Quyền tự chủ có giới hạn. Các agent được trao giới hạn quyền hạn rõ ràng, các quy tắc leo thang rõ ràng và các giao diện nơi con người có thể xem và ghi đè các quyết định.
• Cải tiến là một thói quen, không phải một dự án. Có một nhịp độ thường xuyên mà các nhóm xem xét cách các agent đã hoạt động trong tuần trước, nơi chúng đã giúp ích, nơi chúng gây ra ma sát và những gì cần thay đổi tiếp theo.

Khi những điều đó bị thiếu, các triệu chứng tương tự xuất hiện: các bằng chứng khái niệm ấn tượng không rời khỏi phòng thí nghiệm, các dự án thử nghiệm lặng lẽ chết sau vài tháng, và các nhà lãnh đạo ngừng hỏi, “Chúng ta có thể làm gì tiếp theo?” và bắt đầu hỏi, “Tại sao chúng ta lại chi tiêu nhiều như vậy cho việc này?”

Điều gì làm cho công việc phù hợp với agent

Hầu hết các tổ chức bắt đầu với câu hỏi, “Chúng ta có thể sử dụng agent ở đâu?” Một điểm khởi đầu tốt hơn là, “Công việc đã được cấu trúc như một công việc mà agent có thể làm ở đâu?” Trong thực tế, điều đó có nghĩa là bốn điều.

Thứ nhất, công việc có một điểm bắt đầu, kết thúc và mục đích rõ ràng. Một yêu cầu đến. Một hóa đơn xuất hiện. Một ticket hỗ trợ được mở. Agent có thể nhận ra khi nào nó có đủ thông tin để bắt đầu, mục tiêu nó đang hướng tới và khi nào nhiệm vụ hoàn thành hoặc cần được chuyển giao. Đây không chỉ là một trigger và một vạch đích. Agent cần hiểu ý định đằng sau công việc đủ tốt để xử lý các biến thể hợp lý mà không cần được chỉ dẫn rõ ràng phải làm gì cho từng biến thể. Nếu nhóm của bạn không thể diễn đạt được việc hoàn thành tốt trông như thế nào đối với một nhiệm vụ nhất định, bao gồm cách xử lý các trường hợp ngoại lệ và tình huống biên, thì công việc đó chưa sẵn sàng cho một agent.

Thứ hai, công việc đòi hỏi khả năng phán đoán qua các công cụ. Agent không tuân theo một kịch bản cố định. Nó suy luận về thông tin cần thiết, quyết định hệ thống nào để truy vấn, diễn giải những gì nó tìm thấy và xác định hành động đúng dựa trên ngữ cảnh. Sự khác biệt so với tự động hóa truyền thống là đường dẫn không được mã hóa cứng: agent điều chỉnh cách tiếp cận, xử lý các biến thể và biết khi nào một tình huống nằm ngoài khả năng của nó. Nhưng các agent hành động thông qua các công cụ, và các công cụ đó phải tồn tại trước khi agent ra đời. Các hệ thống của bạn cần có các giao diện được định nghĩa rõ ràng, an toàn và đáng tin cậy mà một agent có thể gọi để đọc dữ liệu, ghi cập nhật, kích hoạt giao dịch hoặc gửi thông tin liên lạc. Nếu quy trình hiện tại là con người suy luận trong email và bảng tính, bạn cần cả thiết kế quy trình và công cụ trước khi có một trường hợp sử dụng agent khả thi.

Thứ ba, thành công có thể quan sát và đo lường được. Một người không làm việc trong nhóm có thể nhìn vào kết quả đầu ra và nói, “Điều này đúng,” hoặc “Điều này cần sửa” mà không cần đọc suy nghĩ. Điều đó có thể có nghĩa là kiểm tra xem một ticket có được giải quyết đúng hạn hay không, một biểu mẫu có hoàn chỉnh và nhất quán hay không, một giao dịch có cân bằng hay không, hoặc một khách hàng có nhận được phản hồi họ cần hay không. Nhưng khả năng quan sát vượt xa việc kiểm tra ngẫu nhiên kết quả đầu ra. Bạn cần xem cách agent đưa ra câu trả lời của nó: dữ liệu nó đã sử dụng, công cụ nó đã gọi, các tùy chọn nó đã xem xét và tại sao nó chọn một tùy chọn này thay vì tùy chọn khác. Nếu bạn không thể đánh giá lý do, bạn không thể cải thiện agent, và bạn không thể bảo vệ các quyết định của nó khi có điều gì đó sai.

Bắt đầu với công việc mà các hành động có thể đảo ngược hoặc nơi đầu ra của agent là một khuyến nghị mà con người thực hiện. Khi sự tin tưởng, kiểm soát và đánh giá trưởng thành, bạn sẽ có quyền chuyển sang các công việc có rủi ro cao hơn, nơi agent tự mình hoàn thành vòng lặp.

Thứ tư, công việc có một chế độ an toàn khi mọi thứ đi sai hướng. Các ứng cử viên agent ban đầu tốt nhất là các nhiệm vụ mà lỗi được phát hiện nhanh chóng, sửa chữa rẻ tiền và không gây ra thiệt hại không thể đảo ngược. Nếu một agent phân loại sai một ticket hỗ trợ, nó có thể được định tuyến lại. Nếu nó soạn thảo một phản hồi không chính xác, con người có thể chỉnh sửa trước khi gửi. Nhưng nếu một agent phê duyệt một khoản thanh toán, thực hiện một giao dịch hoặc gửi một thông báo ràng buộc pháp lý, chi phí sai lầm về cơ bản là khác. Bắt đầu với công việc mà các hành động có thể đảo ngược hoặc nơi đầu ra của agent là một khuyến nghị mà con người thực hiện. Khi sự tin tưởng, kiểm soát và đánh giá trưởng thành, bạn sẽ có quyền chuyển sang các công việc có rủi ro cao hơn, nơi agent tự mình hoàn thành vòng lặp.

Khi bốn yếu tố này hiện diện, bạn có một thứ có thể trở thành công việc cho một agent. Khi chúng bị thiếu, cuộc trò chuyện lại trôi dạt vào các nhãn mơ hồ như trợ lý, copilot hoặc tự động hóa mà mỗi người trong phòng lại hiểu theo một cách khác nhau.

Kêu gọi hành động

Sẵn sàng thu hẹp khoảng cách thực thi?

Các mô hình được mô tả trong Phần I không phải là lý thuyết. Chúng xuất hiện trong các tổ chức ở mọi quy mô, trên mọi ngành. Tin tốt là: khoảng cách giữa nơi bạn đang ở và nơi bạn muốn đến không phải là khoảng cách công nghệ. Đó là khoảng cách thực thi, và khoảng cách thực thi có thể giải quyết được.

Dưới đây là ba điều bạn có thể làm trong tuần này:

1. Đặt tên cho công việc, không phải mong muốn. Chọn một quy trình làm việc trong tổ chức của bạn có điểm bắt đầu rõ ràng, điểm kết thúc rõ ràng và định nghĩa “hoàn thành” có thể đo lường được. Đó là ứng cử viên đầu tiên của bạn cho một agent.
2. Đặt câu hỏi khó trong phòng. Trong cuộc họp lãnh đạo tiếp theo của bạn, đừng hỏi, “Chúng ta có đang đầu tư đủ vào AI không?” Hãy hỏi, “Những quy trình làm việc cụ thể nào tốt hơn đáng kể ngày nay nhờ các AI agent, và làm thế nào chúng ta biết được điều đó?” Sự im lặng sau đó chính là lộ trình của bạn.
3. Bắt đầu mô tả công việc. Trước bất kỳ quyết định công nghệ nào, hãy viết ra những gì agent sẽ làm, những công cụ nó sẽ cần, thành công trông như thế nào và điều gì xảy ra khi nó thất bại. Nếu bạn không thể điền vào trang đó, bạn chưa sẵn sàng để xây dựng, và đó là thông tin có giá trị.

Hướng dẫn theo từng đối tượng: Sắp có trong Phần II

Biết rằng AI agentic là một vấn đề về thực thi là một chuyện. Biết vai trò của bạn trong việc giải quyết nó lại là chuyện khác.
Trong Phần II, chúng tôi sẽ nói trực tiếp với các nhà lãnh đạo cần biến điều này thành hiện thực: chủ sở hữu đơn vị kinh doanh cần các agent gắn liền với KPI, CTO quyết định giữa mười agent một lần hoặc một nền tảng cho một trăm agent, CISO phải coi các agent như đồng nghiệp chứ không phải code, CDO cần làm cho dữ liệu trở nên “nhàm chán” theo cách tốt nhất có thể, Chief AI Officer coi việc đánh giá là sản phẩm, và trưởng bộ phận tuân thủ phải thiết kế cho các cuộc kiểm toán trước khi chúng xảy ra.

Mỗi đối tượng. Mỗi trách nhiệm. Mỗi bước đi cụ thể.

Hợp tác với Trung tâm Đổi mới AI Tạo sinh

Bạn không cần phải tự mình điều hướng hành trình này. Cho dù bạn đang lên kế hoạch cho dự án thử nghiệm agentic đầu tiên hay mở rộng quy mô thành một khả năng toàn doanh nghiệp, hãy liên hệ với nhóm Trung tâm Đổi mới AI Tạo sinh (Generative AI Innovation Center) để bắt đầu một cuộc trò chuyện dựa trên các quy trình làm việc, dữ liệu và kết quả kinh doanh của bạn.

---

Về tác giả

Nav Bhasin

Nav Bhasin là Giám đốc Khoa học Dữ liệu cấp cao tại Trung tâm Đổi mới AI Tạo sinh của AWS, nơi ông đẩy nhanh hành trình của khách hàng doanh nghiệp từ ý tưởng AI Agentic đến triển khai sản xuất. Với hơn một thập kỷ kinh nghiệm xây dựng các sản phẩm AI trong các lĩnh vực công nghiệp, năng lượng và chăm sóc sức khỏe, Nav đã dành sáu năm tại AWS để lãnh đạo các nhóm kiến trúc sư và nhà khoa học GenAI trên toàn thế giới, đóng vai trò trung tâm trong việc đưa các sản phẩm như Amazon Bedrock, Amazon SageMaker và AgentCore vào ứng dụng sản xuất. Trước khi làm việc tại Trung tâm Đổi mới, ông đã lãnh đạo các nhóm kiến trúc go-to-market và khoa học dữ liệu cho danh mục sản phẩm GenAI cốt lõi của AWS. Trước AWS, Nav từng là Trưởng phòng Khoa học Dữ liệu và Kỹ thuật tại Utopus Insights và lãnh đạo Kỹ thuật và Kiến trúc tại Honeywell. Nav có bằng MBA và bằng tốt nghiệp Kỹ thuật Điện tử.

Sri Elaprolu

Sri Elaprolu là Giám đốc Trung tâm Đổi mới AI Tạo sinh của AWS, nơi ông lãnh đạo một nhóm toàn cầu triển khai các giải pháp AI tiên tiến cho các tổ chức doanh nghiệp và chính phủ. Trong 13 năm làm việc tại AWS, ông đã lãnh đạo các nhóm khoa học ML hợp tác với các doanh nghiệp toàn cầu và các tổ chức khu vực công. Trước AWS, ông đã dành 14 năm tại Northrop Grumman trong các vai trò lãnh đạo phát triển sản phẩm và kỹ thuật phần mềm. Sri có bằng Thạc sĩ Khoa học Kỹ thuật và bằng MBA.