Jack Vĩ

Skill cho doanh nghiệp nhỏ do chính Anthropic công bố!

31 skill dành cho doanh nghiệp nhỏ của Anthropic vừa đạt khoảng 382.000 lượt tải chỉ trong ngày đầu tiên, và giờ đã có người map toàn bộ hệ thống này thành một workflow setup chỉ mất khoảng 10 phút để triển khai. Trước đây doanh nghiệp phải tự build từng automation rời rạc bằng Zapier, Notion, CRM, email workflow hay internal tools. Còn giờ các AI company bắt đầu đóng gói luôn: * workflow * memory * behavior * orchestration * connector * và operating rules thành các reusable skill pack có thể cắm vào doanh nghiệp gần như ngay lập tức. Dứt thôi anh em, cho dù mọi người dùng Codex vẫn dùng được skill này nha, ko nhất thiết phải là Claude. Bản chất nó vẫn là skill với các file .md miêu tả workflow cho AI Agent. [https://github.com/anthropics/knowledge-work-plugins](https://github.com/anthropics/knowledge-work-plugins) ---

9 REPO GITHUB GIÚP BẠN CÀO DATA GẦN NHƯ MỌI WEBSITE MÀ KHÔNG DỄ BỊ BLOCK

Phần lớn scraper tự build sẽ bắt đầu gặp rate limit, anti-bot hoặc Cloudflare chỉ sau vài chục tới vài trăm request. Dưới đây là 9 dự án mã nguồn mở được cộng đồng sử dụng rất nhiều khi cần crawl dữ liệu ở quy mô lớn hoặc xây AI Agent có khả năng truy cập web. 1. Crawl4AI [https://github.com/unclecode/crawl4ai](https://github.com/unclecode/crawl4ai) Crawler được xây riêng cho các pipeline AI, RAG và Agent. Tập trung vào việc biến website thành dữ liệu có cấu trúc thay vì chỉ lấy HTML. 2. Firecrawl [https://github.com/firecrawl/firecrawl](https://github.com/firecrawl/firecrawl) Biến website thành Markdown sạch để LLM có thể sử dụng trực tiếp. Hiện là một trong những dự án phổ biến nhất trong hệ sinh thái AI. 3. Scrapy [https://github.com/scrapy/scrapy](https://github.com/scrapy/scrapy) Framework scraping lâu đời nhưng vẫn cực kỳ mạnh khi cần crawl dữ liệu ở quy mô lớn. 4. Crawlee [https://github.com/apify/crawlee](https://github.com/apify/crawlee) Framework crawl hiện đại được xây trên Playwright và Puppeteer với nhiều cơ chế quản lý queue, retry và anti-detection. 5. Playwright [https://github.com/microsoft/playwright](https://github.com/microsoft/playwright) Thư viện browser automation của Microsoft. Cho phép điều khiển trình duyệt thật để xử lý các website hiện đại sử dụng JavaScript. 6. ScrapeGraph AI [https://github.com/ScrapeGraphAI/Scrapegraph-ai](https://github.com/ScrapeGraphAI/Scrapegraph-ai) Cho phép dùng ngôn ngữ tự nhiên để yêu cầu AI tìm và trích xuất dữ liệu từ website. 7. Browser Use [https://github.com/browser-use/browser-use](https://github.com/browser-use/browser-use) Giúp AI Agent sử dụng trình duyệt giống như một người dùng thật: click, tìm kiếm, đăng nhập và tương tác với website. 8. Katana [https://github.com/projectdiscovery/katana](https://github.com/projectdiscovery/katana) Crawler tốc độ cao được phát triển bởi ProjectDiscovery. Rất mạnh trong việc khám phá cấu trúc website và endpoint. 9. Maxun [https://github.com/getmaxun/maxun](https://github.com/getmaxun/maxun) Nền tảng scraping no-code dành cho những người không muốn tự viết crawler từ đầu. ---- Thông tin trên là của cyrilXBT nhưng danh sách trên đang bị gọi chung là "web scraping" trong khi thực tế chúng đang giải quyết 3 bài toán hoàn toàn khác nhau. Đây cũng là một hiểu lầm mình thấy rất nhiều người gặp phải khi bắt đầu build AI Agent. Họ nghĩ agent cần một công cụ để scrape website. Thực tế agent cần cả một stack hạ tầng phía dưới. Tầng đầu tiên là Browser Automation. Đây là lớp giúp hệ thống sử dụng website giống con người. Những công cụ như Playwright, Browser Use hay Crawlee thuộc nhóm này. Chúng không tập trung vào việc lấy dữ liệu mà tập trung vào việc mở trình duyệt, click nút, đăng nhập, điền form, xử lý JavaScript và điều hướng qua các trang khác nhau. Nói đơn giản, đây là lớp giúp AI "chạm" được vào website. Tầng thứ hai là Web Crawling. Đây là công việc của Scrapy hoặc Katana. Mục tiêu của chúng là khám phá, thu thập và lập bản đồ dữ liệu trên quy mô lớn. Nếu Browser Automation giống một người dùng đang truy cập website thì Crawler giống một đội robot đang đi khắp internet để tìm nội dung. Tầng thứ ba là AI Data Extraction. Đây là nơi những dự án như Firecrawl, Crawl4AI hay ScrapeGraph AI xuất hiện. Chúng không chỉ lấy dữ liệu mà còn cố gắng biến dữ liệu đó thành ngữ cảnh mà LLM có thể hiểu được. Đây cũng là lớp hạ tầng mới xuất hiện cùng làn sóng AI hiện nay. Nếu nhìn kỹ hơn, đây mới là thay đổi đáng chú ý nhất. * Ngày xưa workflow scraping thường là: Website → HTML → Parser → Database * Ngày nay workflow đang dần chuyển thành: Website → Browser → Content Extraction → Structured Data → LLM → Agent Một điều nữa cũng cần nói rõ là không có công cụ nào giúp bạn scrape mọi website mà không bao giờ bị block. Nếu một website thực sự muốn ngăn crawler truy cập thì cuối cùng họ vẫn có thể làm được. Thứ các framework hiện đại mang lại không phải phép màu chống block mà là khả năng xử lý các vấn đề thực tế như JavaScript động, anti-bot, browser fingerprinting, proxy rotation, session management hay login flow.

Prompt Engineering chưa hết nóng, Graph Engineering đã ra lò

Từ Prompt Engineering đến Graph Engineering Chỉ trong khoảng hai năm, cách chúng ta xây dựng AI đã thay đổi rất nhiều. Ban đầu mọi người dành phần lớn thời gian để học Prompt Engineering, tức là học cách giao tiếp với AI. Sau đó đến Context Engineering, nơi trọng tâm chuyển sang việc chuẩn bị đúng dữ liệu và đúng ngữ cảnh để AI có đủ thông tin trước khi suy luận. Đầu năm nay, cộng đồng lại nói rất nhiều về Loop Engineering khi AI Agent bắt đầu biết tự suy nghĩ, tự sử dụng công cụ, tự kiểm tra kết quả rồi lặp lại cho đến khi hoàn thành công việc. Và chỉ vài tuần gần đây, một khái niệm mới lại xuất hiện liên tục trên X, Reddit và các cộng đồng AI: Graph Engineering. Mình thấy Graph Engineering không phải là một kỹ thuật mới mà là hệ quả tất yếu khi AI Agent bắt đầu xử lý những công việc đủ lớn. Andrew Ng mở đầu tài liệu của mình bằng một câu rất đáng chú ý: "Architecture matters more than the model." Nghĩa là khi các mô hình AI ngày càng mạnh và khoảng cách giữa chúng ngày càng thu hẹp, lợi thế cạnh tranh sẽ không còn nằm ở việc dùng GPT, Claude hay Qwen, mà nằm ở cách bạn thiết kế cả hệ thống phía sau. Điều này nghe khá giống với ngành phần mềm. Hai công ty có thể cùng dùng một ngôn ngữ lập trình, cùng dùng một cơ sở dữ liệu, nhưng sản phẩm cuối cùng lại khác nhau hoàn toàn vì kiến trúc hệ thống khác nhau. AI cũng đang bước vào giai đoạn như vậy. Model dần trở thành một thành phần trong hệ thống, thay vì là toàn bộ hệ thống. Vì sao Graph Engineering xuất hiện? Để hiểu vì sao Graph Engineering xuất hiện, trước tiên cần hiểu cách hầu hết AI Agent hiện nay hoạt động. Phần lớn các Agent đều chạy theo một vòng lặp khá đơn giản. Nhận yêu cầu, suy nghĩ, thực hiện hành động, kiểm tra kết quả rồi tiếp tục lặp lại nếu công việc chưa hoàn thành. Đây chính là Loop Engineering. Claude Code, Codex, Cursor hay Qoder đều hoạt động theo tư duy này. Chúng không chỉ trả lời câu hỏi mà có thể tự viết code, chạy terminal, sửa lỗi rồi thử lại nhiều lần cho đến khi chương trình chạy được. Loop Engineering giải quyết rất tốt những công việc có phạm vi nhỏ. Nhưng khi AI bắt đầu xử lý những bài toán lớn hơn thì bottleneck cũng xuất hiện rất nhanh. Hãy tưởng tượng bạn yêu cầu AI xây dựng một sản phẩm hoàn chỉnh. Nó phải đọc tài liệu yêu cầu, nghiên cứu đối thủ, tìm kiếm thông tin trên Internet, viết mã nguồn, chạy kiểm thử, sửa lỗi, viết tài liệu hướng dẫn rồi mới triển khai. Nếu tất cả các bước này đều do một Agent thực hiện thì toàn bộ trạng thái của dự án đều phải nằm trong một cửa sổ ngữ cảnh duy nhất. Dự án càng lớn, cửa sổ ngữ cảnh càng dài. Agent phải nhớ mình đã làm gì, đọc tài liệu nào, sửa lỗi gì, thử giải pháp nào và còn bao nhiêu việc chưa hoàn thành. Lượng token tăng lên, thời gian xử lý lâu hơn, việc kiểm tra lỗi cũng trở nên khó khăn hơn vì mọi thứ đều nằm trong cùng một vòng lặp. Đây chính là giới hạn của một Agent. Hiện tại, AI đang phải đóng quá nhiều vai trò cùng lúc. Nó vừa là người lập kế hoạch, vừa là lập trình viên, vừa là người kiểm thử, vừa là người phản biện và cũng là người ra quyết định cuối cùng. Trong thực tế, không có công ty nào vận hành theo cách đó. Graph Engineering xuất hiện để thay đổi đúng điểm này Thay vì xây dựng một AI biết làm tất cả, Graph Engineering chia toàn bộ công việc thành nhiều nút nhỏ, mỗi nút chỉ đảm nhận một vai trò duy nhất. Có AI chuyên lập kế hoạch, AI chuyên nghiên cứu, AI chuyên viết mã nguồn, AI chuyên chạy kiểm thử, AI chuyên kiểm tra tính chính xác, AI chuyên đánh giá kết quả cuối cùng. Nếu Loop Engineering giống như một nhân viên đa năng thì Graph Engineering giống như việc xây dựng cả một tổ chức, nơi mỗi người đều có chuyên môn riêng và phối hợp với nhau để hoàn thành một dự án. Nhưng nhiều Agent vẫn chưa phải là Graph Engineering Điểm quan trọng nhất của Graph không nằm ở số lượng Agent mà nằm ở cách các Agent trao đổi thông tin với nhau. Trong một hệ thống thông thường, gần như mọi thứ AI biết đều nằm trong cửa sổ ngữ cảnh. Khi phiên làm việc kết thúc hoặc cửa sổ ngữ cảnh đầy lên, AI gần như phải bắt đầu lại từ đầu. Nó phải đọc lại tài liệu, xây dựng lại bối cảnh và nhớ lại những gì mình đã làm. Điều này giống như một nhân viên mỗi sáng đi làm lại phải đọc toàn bộ email từ đầu để nhớ hôm qua mình đang làm đến đâu. Bên trong Graph Engineering, dữ liệu chảy như thế nào? Graph Engineering thay đổi hoàn toàn cách ghi nhớ này bằng một khái niệm gọi là Shared State. Thay vì lưu mọi thứ trong trí nhớ của từng Agent, toàn bộ trạng thái của công việc được đưa ra bên ngoài thành một vùng dữ liệu chung. Kế hoạch dự án, tài liệu đã đọc, các dữ kiện đã kiểm chứng, kết quả kiểm thử, những lỗi đã phát hiện hay quyết định của từng Agent đều được lưu lại trong Shared State. Mỗi Agent chỉ cần đọc đúng phần dữ liệu mình cần, xử lý công việc rồi ghi kết quả trở lại. Nó không cần đọc lại toàn bộ cuộc hội thoại để biết chuyện gì đã xảy ra. Nếu ví AI như một nhóm người cùng làm dự án thì Shared State giống hệt một tài liệu Google Docs mà cả nhóm cùng sử dụng. Người nghiên cứu ghi kết quả nghiên cứu. Người lập trình đọc kết quả đó để viết code. Người kiểm thử đọc phiên bản mới nhất để chạy test. Người đánh giá đọc toàn bộ kết quả để đưa ra quyết định cuối cùng. Không ai phải hỏi lại từ đầu hay đọc lại toàn bộ lịch sử làm việc của cả nhóm. Đó cũng là lý do Anthropic đưa ra một nhận xét rất thú vị: Agent có thể quên, nhưng Graph thì không quên. Trí nhớ không còn nằm trong model mà đã trở thành một phần của hệ thống. Graph Engineering cũng thay đổi hoàn toàn cách dữ liệu di chuyển trong hệ thống. Thay vì mọi bước đều chạy tuần tự, công việc được chia thành nhiều nhánh có thể thực hiện đồng thời. Nếu cần phân tích 100 báo cáo tài chính, hệ thống có thể tạo ra 100 Agent nhỏ, mỗi Agent đọc một báo cáo riêng rồi gửi kết quả về một Agent tổng hợp. Nếu cần kiểm tra một đoạn mã nguồn, một Agent có thể chạy kiểm thử trong khi Agent khác kiểm tra bảo mật và Agent thứ ba đánh giá hiệu năng. Cuối cùng, một Agent tổng hợp sẽ đọc kết quả của tất cả các Agent trước đó để đưa ra quyết định. Model hoàn toàn không thay đổi, nhưng tốc độ xử lý của cả hệ thống tăng lên rất nhiều nhờ kiến trúc mới.

Một dự đoán của Karpathy đang dần trở thành sự thật

Theo DailyDoseOfDS, Andrej Karpathy từng có một nhận định khá thú vị về Reinforcement Learning (RL). Theo ông, điểm yếu lớn nhất của RL không nằm ở mô hình, cũng không phải ở dữ liệu, mà nằm ở reward function – tức cách chúng ta chấm điểm cho AI sau mỗi lần hoàn thành một nhiệm vụ. Ông cho rằng chỉ dùng một con số để đánh giá một hành động là quá "ít thông tin". Một điểm số có thể cho AI biết nó làm đúng hay sai, nhưng lại không thể giải thích vì sao kết quả đó tốt hay chưa tốt. Với những bài toán ngày càng phức tạp, AI cần nhiều hơn một điểm số. Nó cần một cơ chế phản hồi giống như một người hướng dẫn, có thể nhận xét từng bước và giải thích điều gì nên làm tốt hơn. > Reinforcement Learning (RL) là một phương pháp huấn luyện AI thông qua cơ chế thử – sai – nhận thưởng. AI sẽ liên tục thực hiện một hành động, nhận phản hồi xem hành động đó tốt hay xấu, sau đó điều chỉnh cách ra quyết định để tối đa hóa phần thưởng ở những lần tiếp theo. Cách học này khá giống con người học đi xe đạp: ngã thì rút kinh nghiệm, đi đúng thì tiếp tục lặp lại cho đến khi thành thạo. Nghe có vẻ hơi trừu tượng, nhưng hãy tưởng tượng bạn đang dạy một học sinh viết văn. Sau khi đọc xong bài, bạn chỉ ghi 7/10 rồi trả bài. Học sinh sẽ biết mình được 7 điểm, nhưng sẽ rất khó để cải thiện vì không biết mình sai ở đâu. Ngược lại, nếu giáo viên ghi chú rằng phần mở bài còn dài, lập luận chưa chặt chẽ, ví dụ chưa đủ thuyết phục và kết luận nên ngắn gọn hơn thì học sinh sẽ biết chính xác cần sửa điều gì. Con người học hiệu quả nhờ những phản hồi như vậy, chứ không chỉ nhờ một con số cuối cùng. Karpathy cho rằng AI cũng không khác. Thực tế, đây đang là bài toán mà gần như mọi phòng thí nghiệm AI lớn đều gặp phải. Dù là OpenAI, Anthropic hay DeepSeek, tất cả đều sử dụng Reinforcement Learning ở một giai đoạn nào đó để tinh chỉnh mô hình. Tuy nhiên, bottleneck lớn nhất vẫn là thiết kế reward function. Với những bài toán có đáp án rõ ràng thì mọi chuyện khá đơn giản. Ví dụ khi AI giải toán, đáp án hoặc đúng hoặc sai. Khi AI viết code, chương trình hoặc chạy qua toàn bộ test case hoặc không. Chính vì vậy, phương pháp GRPO của DeepSeek đạt kết quả rất tốt trên các benchmark về toán và lập trình. Môi trường có thể tự động chấm điểm mà không cần con người can thiệp. Nhưng khi AI bắt đầu trở thành AI Agent, bài toán thay đổi hoàn toàn. Hãy tưởng tượng bạn muốn AI tự xử lý email, lập kế hoạch du lịch, quản lý lịch làm việc hoặc thực hiện một workflow trong doanh nghiệp. Lúc này sẽ không còn khái niệm "đúng" hay "sai" tuyệt đối nữa. AI có thể hoàn thành công việc nhưng mất quá nhiều thời gian. Có thể đưa ra kết quả đúng nhưng gọi API quá nhiều lần, tốn chi phí hơn cần thiết. Hoặc AI giải quyết được vấn đề nhưng trải nghiệm người dùng lại rất kém. Những thứ đó không thể được đánh giá bằng một điểm số đơn giản. Hiện nay, cách phổ biến nhất để giải quyết là lập trình viên phải tự viết reward function cho từng bài toán. Ví dụ, nếu AI hoàn thành nhiệm vụ dưới 10 bước thì cộng điểm. Nếu gọi API quá nhiều thì trừ điểm. Nếu trả lời đúng định dạng thì cộng điểm. Nếu vi phạm một quy tắc nào đó thì trừ điểm. Với những hệ thống AI Agent lớn, phần code chỉ để chấm điểm đôi khi dài hàng trăm dòng. Và chỉ cần workflow thay đổi một chút, toàn bộ logic đánh giá cũng phải sửa theo. Đó chính là điều Karpathy từng dự đoán sẽ trở thành nút thắt của Reinforcement Learning. Điều thú vị là gần đây đã bắt đầu xuất hiện những dự án đi đúng theo hướng ông mô tả. Một trong số đó là RULER, được tích hợp trong dự án mã nguồn mở OpenPipe ART. [https://github.com/OpenPipe/ART](https://github.com/OpenPipe/ART) Ý tưởng của RULER rất đơn giản nhưng khá thú vị. Thay vì viết hàng trăm dòng code để định nghĩa thế nào là một kết quả tốt, người phát triển chỉ cần mô tả tiêu chí đó bằng ngôn ngữ tự nhiên. Ví dụ, thay vì lập trình: * Nếu hoàn thành trong ít hơn 10 bước thì cộng 2 điểm. * Nếu gọi API nhiều hơn 5 lần thì trừ 1 điểm. * Nếu kết quả đúng định dạng JSON thì cộng 1 điểm. Bạn chỉ cần viết: > "Hãy ưu tiên những lời giải ngắn gọn, tránh các bước không cần thiết, hạn chế gọi API và chọn phương án tiết kiệm tài nguyên nhất." Sau đó, một LLM sẽ đọc mô tả này và đóng vai người đánh giá. Nó quan sát toàn bộ quá trình AI Agent làm việc rồi nhận xét xem từng bước có đáp ứng những tiêu chí đó hay không. Nói cách khác, AI không còn chỉ nhận một điểm số, mà nhận được một bản đánh giá chi tiết giống như lời nhận xét của giáo viên. Nhóm phát triển đã thử cách tiếp cận này để huấn luyện một mô hình Qwen3 1.4B chơi game 2048. Trong quá trình huấn luyện, model quan sát bàn cờ, quyết định hướng di chuyển, còn RULER sẽ đánh giá từng nước đi dựa trên mô tả bằng ngôn ngữ tự nhiên thay vì dựa vào một hàm chấm điểm được lập trình sẵn. Điều này giúp việc thay đổi tiêu chí đánh giá trở nên linh hoạt hơn rất nhiều. Theo mình, insight lớn nhất ở đây không nằm ở RULER hay OpenPipe ART. Điều đáng chú ý là cách ngành AI đang dần thay đổi tư duy về Reinforcement Learning. Nếu trước đây, lập trình viên phải viết code để định nghĩa thế nào là một kết quả tốt, thì trong tương lai họ có thể chỉ cần mô tả bằng ngôn ngữ tự nhiên, còn việc đánh giá sẽ do một LLM khác đảm nhiệm. Điều đó cũng đồng nghĩa với việc Reward Engineering có thể đang dần chuyển thành Prompt Engineering. Thay vì dành nhiều ngày để xây dựng và bảo trì các hàm chấm điểm phức tạp, người phát triển sẽ tập trung vào việc mô tả rõ ràng mục tiêu, tiêu chí và hành vi mong muốn. Với những AI Agent ngày càng phải làm các công việc mở và khó đánh giá bằng các quy tắc cứng, cách tiếp cận này có thể sẽ linh hoạt và dễ mở rộng hơn rất nhiều. Có lẽ đó chính là điều Karpathy muốn nói từ nhiều năm trước. AI không chỉ cần biết mình được bao nhiêu điểm. AI cần hiểu vì sao mình được điểm số đó. Và rất có thể, trong những hệ thống AI thế hệ tiếp theo, "người giáo viên" sẽ không còn là một hàm chấm điểm viết bằng code, mà sẽ là một AI khác biết cách đưa ra những phản hồi giàu ngữ cảnh hơn.

Open Source - Nước cờ ngoại giao AI của Chủ tịch Trung Quốc Tập Cận Bình

Cuộc đua AI hiện chỉ còn hai cái tên Nếu nhìn vào bảng xếp hạng những mô hình ngôn ngữ lớn (LLM) mạnh nhất thế giới hiện nay, có một sự thật rất thú vị nhưng ít được nhắc đến. 100% Top 30 mô hình AI thông minh nhất đều đến từ Mỹ và Trung Quốc. Không có châu Âu, không có Nhật Bản, không có Hàn Quốc hay bất kỳ quốc gia nào khác. Điều này cho thấy cuộc đua AI đã không còn là cuộc cạnh tranh của hàng chục quốc gia mà đang dần tập trung vào hai siêu cường công nghệ. Tuy nhiên, điều đáng chú ý hơn cả không nằm ở việc ai có nhiều mô hình mạnh hơn, mà nằm ở cách hai quốc gia này lựa chọn con đường phát triển AI. Hai triết lý phát triển AI hoàn toàn khác nhau Nếu quan sát kỹ, bạn sẽ thấy phần lớn các mô hình AI hàng đầu của Mỹ như GPT, Claude hay Gemini đều được phát triển theo hướng Closed Source, nơi người dùng chủ yếu tiếp cận thông qua API hoặc dịch vụ do chính công ty sở hữu vận hành. Ngược lại, phần lớn các mô hình AI mạnh nhất của Trung Quốc như Qwen, DeepSeek, GLM hay Kimi lại được phát hành dưới dạng Open Weight, cho phép doanh nghiệp và nhà phát triển tải xuống, triển khai trên hạ tầng riêng, tinh chỉnh theo dữ liệu của mình và xây dựng các sản phẩm thương mại. Nếu đặt trong bối cảnh địa chính trị và những gì Chủ tịch Tập Cận Bình vừa công bố tại World Artificial Intelligence Conference (WAIC) 2026, mình nghĩ đây là hai triết lý hoàn toàn khác nhau về cách tạo ra ảnh hưởng trong kỷ nguyên AI. Bài phát biểu của Tập Cận Bình hé lộ chiến lược lớn hơn Trong bài phát biểu khai mạc WAIC, ông Tập Cận Bình liên tục nhấn mạnh rằng AI cần được phát triển theo hướng hợp tác quốc tế, đồng thời công bố hàng loạt sáng kiến rất cụ thể như thành lập World AI Cooperation Organization (WAICO) với 29 quốc gia tham gia, triển khai chương trình đào tạo 5.000 cơ hội học tập và hội thảo AI cho các nước đang phát triển trong vòng 5 năm, xây dựng các trung tâm hợp tác AI quốc tế và thúc đẩy việc chia sẻ các mô hình AI mã nguồn mở. Khi ghép tất cả các mảnh ghép lại với nhau, mình cho rằng chúng ta đang chứng kiến một chiến lược lớn hơn rất nhiều: Open Source đang trở thành công cụ ngoại giao của Trung Quốc. AI đang trở thành hạ tầng của nền kinh tế trí tuệ Lịch sử công nghệ từng nhiều lần chứng minh rằng quốc gia hoặc doanh nghiệp tạo ra được hạ tầng sẽ có ảnh hưởng lâu dài hơn rất nhiều so với việc chỉ tạo ra sản phẩm. Google gần như không thu phí Android, nhưng Android đã trở thành cánh cửa đưa hàng tỷ người dùng bước vào hệ sinh thái của Google, từ Search, Gmail, Maps cho đến Play Store. Linux không phải là sản phẩm mang về doanh thu trực tiếp, nhưng lại trở thành nền tảng vận hành phần lớn Internet hiện đại. Kubernetes cũng không phải một phần mềm bán cho người dùng cuối, nhưng đã trở thành tiêu chuẩn triển khai ứng dụng trên cloud. Điểm chung của tất cả những nền tảng này là chúng đều tạo ra hệ sinh thái, và khi hệ sinh thái đủ lớn thì giá trị sẽ tiếp tục sinh ra giá trị thông qua hiệu ứng mạng lưới. Cuộc đua AI đã chuyển từ Model sang Ecosystem Theo mình, AI đang bước vào giai đoạn tương tự. Trong vài năm đầu của cuộc đua AI, mọi người chủ yếu quan tâm đến benchmark, số lượng tham số hay khả năng suy luận của từng mô hình. Nhưng ở giai đoạn tiếp theo, câu hỏi quan trọng hơn sẽ là có bao nhiêu doanh nghiệp đang xây sản phẩm trên mô hình của bạn, có bao nhiêu lập trình viên đang phát triển công cụ cho mô hình của bạn và có bao nhiêu quốc gia lựa chọn công nghệ của bạn làm nền tảng cho quá trình chuyển đổi số. Khi AI dần trở thành hạ tầng của nền kinh tế trí tuệ, việc sở hữu một hệ sinh thái rộng lớn sẽ quan trọng không kém việc sở hữu một mô hình mạnh. Open Source giúp AI trở thành công cụ ngoại giao Đây cũng là lý do Open Source có giá trị chiến lược rất lớn. Khi một quốc gia ở Đông Nam Á, châu Phi hay Mỹ Latinh muốn xây dựng năng lực AI, họ hoàn toàn có thể tải một mô hình như Qwen hoặc DeepSeek về để triển khai trong nước, tinh chỉnh theo ngôn ngữ và dữ liệu địa phương, đồng thời đáp ứng các yêu cầu về bảo mật hoặc chủ quyền dữ liệu. Quyết định đó không chỉ giúp họ sở hữu một mô hình AI, mà còn kéo theo việc các trường đại học đào tạo kỹ sư dựa trên mô hình đó, doanh nghiệp phát triển sản phẩm trên mô hình đó, cộng đồng chia sẻ prompt, workflow, agent và kinh nghiệm triển khai xoay quanh mô hình đó. Theo thời gian, cả một hệ sinh thái kỹ thuật sẽ hình thành. Giá trị lúc này không còn nằm ở bản thân mô hình AI nữa mà nằm ở cộng đồng, công cụ và kiến thức được xây dựng xung quanh nó. Xuất khẩu mô hình thực chất là xuất khẩu tiêu chuẩn Điều này cũng đồng nghĩa với việc Open Source giúp Trung Quốc xuất khẩu không chỉ công nghệ mà còn cả tiêu chuẩn. Trong lịch sử ngành công nghệ, người tạo ra tiêu chuẩn thường có sức ảnh hưởng lớn hơn người bán sản phẩm. HTML trở thành tiêu chuẩn của Web, PDF trở thành tiêu chuẩn chia sẻ tài liệu, Linux trở thành tiêu chuẩn của máy chủ và Kubernetes trở thành tiêu chuẩn của Cloud Native. Nếu hàng triệu lập trình viên trên thế giới học cách xây Agent bằng Qwen, hàng nghìn doanh nghiệp fine-tune từ Qwen và vô số framework AI được tối ưu cho Qwen, thì theo thời gian Qwen sẽ dần trở thành một tiêu chuẩn thực tế của ngành. Khi tiêu chuẩn được hình thành, lợi thế cạnh tranh sẽ không còn nằm ở benchmark nữa mà nằm ở hệ sinh thái đã phát triển xung quanh tiêu chuẩn đó. Open Source giúp Trung Quốc có một đội R&D toàn cầu Một khía cạnh khác cũng rất đáng chú ý là Open Source tạo ra khả năng đổi mới với tốc độ cực kỳ lớn. Một mô hình đóng chủ yếu được phát triển bởi đội ngũ kỹ sư của chính công ty sở hữu nó. Trong khi đó, một mô hình mở có thể được hàng trăm nghìn lập trình viên trên toàn thế giới cùng tham gia tối ưu hiệu năng, xây dựng công cụ, phát triển agent, fine-tune cho từng ngành nghề, viết tài liệu, chia sẻ kinh nghiệm triển khai và tích hợp với hàng loạt nền tảng khác. Linux, PyTorch hay Kubernetes đều phát triển theo mô hình này và trở thành những nền tảng thống trị trong lĩnh vực của mình. Open Source giúp tốc độ tiến hóa của công nghệ không còn bị giới hạn bởi quy mô của một công ty mà được mở rộng ra toàn bộ cộng đồng toàn cầu. AI đang trở thành Soft Power mới Mình cũng cho rằng Open Source đang trở thành một dạng soft power hoàn toàn mới. Trước đây, ảnh hưởng của một quốc gia thường đến từ phim ảnh, văn hóa, Internet hay các thương hiệu toàn cầu. Trong kỷ nguyên AI, ảnh hưởng đó có thể đến từ nền tảng công nghệ. Nếu sinh viên Việt Nam học AI bằng Qwen, startup Indonesia xây sản phẩm trên DeepSeek, doanh nghiệp Brazil triển khai GLM và các trường đại học châu Phi sử dụng các mô hình AI của Trung Quốc trong đào tạo, thì cùng với công nghệ, ảnh hưởng của Trung Quốc cũng sẽ lan tỏa theo một cách rất tự nhiên. Đây là hình thức mở rộng ảnh hưởng thông qua hạ tầng số thay vì thông qua hạ tầng vật lý như đường sắt, cảng biển hay mạng viễn thông trước đây. Mỹ và Trung Quốc đang theo đuổi hai chiến lược khác nhau Điều thú vị là Mỹ và Trung Quốc thực chất đang theo đuổi hai chiến lược khác nhau chứ không phải một bên đúng và một bên sai. OpenAI, Anthropic hay Google xây dựng mô hình kinh doanh dựa trên API, gói thuê bao và khách hàng doanh nghiệp, vì vậy việc giữ mô hình ở trạng thái đóng là hoàn toàn hợp lý. Trong khi đó, Alibaba, Tencent hay Zhipu sở hữu những hệ sinh thái rất lớn bao gồm cloud, thương mại điện tử, dịch vụ doanh nghiệp và hạ tầng số. Với họ, mô hình AI có thể được xem như cánh cửa thu hút nhà phát triển và doanh nghiệp bước vào toàn bộ hệ sinh thái phía sau. Một bên tập trung tối ưu doanh thu trực tiếp từ AI, trong khi bên còn lại tập trung mở rộng ảnh hưởng của AI để gia tăng giá trị cho toàn bộ hệ sinh thái. Cuộc chiến AI sẽ được quyết định bởi hệ sinh thái Trong khi nhiều người vẫn xem AI là một sản phẩm, Trung Quốc dường như đang xem AI là hạ tầng chiến lược của thế kỷ 21, tương tự như Internet, điện hay hệ điều hành trong những giai đoạn trước. Nếu góc nhìn đó là đúng, thì cuộc đua AI trong thập kỷ tới sẽ không chỉ được quyết định bởi mô hình nào thông minh hơn, mà còn bởi quốc gia nào xây dựng được hệ sinh thái AI được nhiều quốc gia, doanh nghiệp và nhà phát triển lựa chọn nhất.

Sequoia: Công ty AI trị giá 1.000 tỷ USD tiếp theo sẽ không bán phần mềm

> Dành cho anh em nào chưa biết, Sequoia là một trong những quỹ đầu tư mạo hiểm có ảnh hưởng nhất thế giới, từng đầu tư từ rất sớm vào Apple, Google, Nvidia, YouTube, WhatsApp, Airbnb, Stripe, DoorDash và rất nhiều công ty công nghệ lớn khác. Vì vậy, mỗi khi Sequoia công bố một thesis mới, họ không chỉ đang dự đoán tương lai mà thường đang mô tả nơi họ tin rằng thị trường hàng nghìn tỷ USD tiếp theo sẽ hình thành. Sequoia đưa ra một luận điểm là: "The next $1T company sells work, not software." Nếu chỉ đọc câu này, nhiều người sẽ nghĩ đây chỉ là một cách đặt tiêu đề để gây chú ý. Nhưng khi đọc hết bài phân tích của họ, mình nhận ra đây thực chất là một cách nhìn hoàn toàn khác về AI. Trong suốt hơn 20 năm qua, chúng ta luôn quen với việc công nghệ bán phần mềm. Sang giai đoạn AI Agent, thứ được bán sẽ không còn là phần mềm nữa mà là công việc đã hoàn thành. Chúng ta đang nhìn AI bằng tư duy của thời kỳ SaaS Trong hơn hai thập kỷ qua, ngành công nghệ được xây dựng dựa trên một mô hình rất quen thuộc. Các công ty phát triển phần mềm, bán license hoặc subscription hàng tháng, sau đó khách hàng sử dụng phần mềm để hoàn thành công việc. Microsoft bán Office, Adobe bán Photoshop, Salesforce bán CRM, Notion bán workspace. Điểm chung của tất cả những sản phẩm này là chúng chỉ cung cấp công cụ. Giá trị cuối cùng vẫn được tạo ra bởi con người. Photoshop không tự làm quảng cáo, Excel không tự lập báo cáo tài chính, Salesforce không tự ký hợp đồng và Notion cũng không tự viết tài liệu. Phần mềm chỉ giúp con người làm việc hiệu quả hơn. Vì đã quá quen với mô hình này nên khi AI xuất hiện, phần lớn startup cũng tiếp tục đi theo hướng cũ. Họ xây AI viết code, AI viết content, AI thiết kế, AI làm slide hay AI trả lời email. Tất cả đều là Copilot, tức AI hỗ trợ con người làm việc nhanh hơn. Theo Sequoia, đây mới chỉ là bước khởi đầu. AI không muốn bán phần mềm, AI muốn bán kết quả Điều Sequoia nhìn thấy là khách hàng thực ra không quan tâm phần mềm. Họ quan tâm công việc có được hoàn thành hay không. Nếu bạn là chủ một doanh nghiệp và mỗi tháng phải xử lý hàng nghìn hóa đơn, điều bạn muốn không phải là mua thêm một phần mềm kế toán. Điều bạn muốn là cuối tháng sổ sách được chốt đúng hạn, báo cáo tài chính hoàn thành và thuế được nộp đầy đủ. Nếu có một công ty nói rằng "Đừng mua phần mềm của chúng tôi. Chỉ cần gửi hóa đơn, chúng tôi sẽ xử lý toàn bộ phần còn lại", đó sẽ là một lời đề nghị hấp dẫn hơn rất nhiều. Đó chính là điều Sequoia gọi là Sell Work. Vì sao thị trường dịch vụ lớn hơn rất nhiều thị trường phần mềm? Sequoia thống kê cứ mỗi 1 USD doanh nghiệp chi cho phần mềm thì có khoảng 6 USD được chi cho dịch vụ. Đây là một góc nhìn rất đáng suy nghĩ. Trong suốt hai mươi năm qua, gần như toàn bộ ngành SaaS chỉ đang cạnh tranh để giành lấy khoản 1 USD này. Salesforce, HubSpot, Atlassian, Monday, Notion hay Zoom đều bán software. Trong khi đó, phần lớn ngân sách của doanh nghiệp lại được dùng để thuê kế toán, luật sư, agency marketing, công ty tuyển dụng, đơn vị kiểm toán, tư vấn hay BPO. Nói cách khác, doanh nghiệp không chi nhiều tiền để mua phần mềm. Doanh nghiệp chi tiền để thuê người hoàn thành công việc. Nếu SaaS số hóa phần mềm thì AI đang có cơ hội số hóa chính lực lượng lao động tri thức. Sequoia đã vẽ ra bản đồ cơ hội của AI Agent Để chứng minh điều này, Sequoia xây dựng một bản đồ mang tên Opportunity Map. Họ không phân loại theo ngành nghề mà phân loại theo bản chất công việc. Trục đầu tiên là Intelligence và Judgement. * Intelligence là những công việc chủ yếu đọc tài liệu, xử lý dữ liệu, áp dụng quy tắc và làm theo SOP. * Judgement là những công việc cần kinh nghiệm, sáng tạo, giao tiếp và khả năng ra quyết định. Trục thứ hai là Outsourced và Insourced, tức doanh nghiệp thường thuê ngoài hay tự làm. Khi đặt hàng chục ngành dịch vụ lên bản đồ này, Sequoia phát hiện khu vực hấp dẫn nhất chính là những công việc đã được thuê ngoài từ lâu nhưng có quy trình chuẩn hóa rất cao. Đây là nơi AI Agent có thể thay thế toàn bộ workflow chứ không chỉ hỗ trợ con người. Insurance, Accounting và Healthcare đang trở thành "mỏ vàng" của AI Ví dụ đầu tiên là Insurance Brokerage, thị trường trị giá khoảng 140–200 tỷ USD. Công việc của broker chủ yếu là thu thập thông tin khách hàng, so sánh báo giá giữa các hãng bảo hiểm và hoàn thiện hồ sơ. Đây gần như là một bài toán xử lý dữ liệu. Quan trọng hơn, ngành này cực kỳ phân mảnh với hàng chục nghìn công ty nhỏ, khiến AI có rất nhiều cơ hội tham gia. Ngành kế toán cũng có quy mô khoảng 50–80 tỷ USD chỉ riêng tại Mỹ, nhưng điều khiến Sequoia lạc quan hơn là cuộc khủng hoảng nhân lực. Trong vòng năm năm qua, nước Mỹ đã mất khoảng 340.000 kế toán, trong khi 75% CPA hiện nay đang tiến gần tuổi nghỉ hưu. AI không xuất hiện để thay thế những kế toán đang làm việc, mà xuất hiện vì thị trường không còn đủ kế toán để tuyển. Healthcare Revenue Cycle cũng là một ví dụ rất thú vị. Thay vì chẩn đoán bệnh, AI lại có cơ hội lớn hơn ở bộ phận billing. Mỗi hồ sơ khám bệnh phải được chuyển đổi thành khoảng 70.000 mã ICD-10 để thanh toán bảo hiểm. Đây là công việc có quy trình rất rõ ràng và có quy mô khoảng 50–80 tỷ USD chỉ riêng tại Mỹ. AI không thay thế nghề nghiệp, AI thay thế workflow Sequoia không nói AI sẽ thay thế nghề nghiệp. Họ nói AI sẽ thay thế workflow. AI không cần thay kế toán. AI thay quy trình đối soát hóa đơn. AI không cần thay luật sư. AI thay quy trình rà soát hợp đồng. AI không cần thay bác sĩ. AI thay quy trình mã hóa hồ sơ bệnh án. Đây là một khác biệt rất lớn. Để thay thế một nghề nghiệp, AI phải giỏi hơn con người ở mọi kỹ năng. Nhưng để thay thế một workflow, AI chỉ cần hoàn thành những phần việc lặp đi lặp lại với chi phí thấp hơn và độ chính xác đủ cao. 2025 là năm của Copilot, 2026 sẽ là năm của Autopilot Theo Sequoia, năm 2025 là năm của AI Copilot. Hầu hết startup AI phát triển nhanh nhất đều bán công cụ hỗ trợ con người. Nhưng năm 2026 sẽ là năm của AI Autopilot. Những công ty chiến thắng sẽ không còn hỏi "Làm sao để AI giúp kế toán làm việc nhanh hơn?" mà sẽ hỏi "Làm sao để AI trở thành công ty kế toán?". Họ sẽ không xây AI cho luật sư mà xây công ty luật vận hành bằng AI. Họ sẽ không xây AI cho agency marketing mà xây agency marketing có lực lượng lao động chủ yếu là AI. Đây cũng là lý do Sequoia cho rằng nhiều startup Copilot sẽ gặp "Innovator's Dilemma". Nếu hôm nay bạn bán phần mềm cho kế toán, ngày mai rất khó chuyển sang bán dịch vụ kế toán bằng AI, bởi điều đó đồng nghĩa với việc bạn đang cạnh tranh trực tiếp với chính khách hàng của mình. Insight lớn nhất của Sequoia Trong toàn bộ bài viết, Sequoia gần như không nhắc đến GPT, Claude hay Gemini. Họ không tranh luận model nào mạnh hơn. Họ chỉ nhìn vào một câu hỏi duy nhất: doanh nghiệp thật sự đang trả tiền cho điều gì? Câu trả lời không phải là doanh nghiệp trả tiền để một công việc được hoàn thành. Nếu SaaS đã số hóa phần mềm trong hai mươi năm qua thì AI đang bắt đầu số hóa lao động tri thức. Và nếu thesis này đúng, công ty AI trị giá 1.000 tỷ USD tiếp theo sẽ không phải là công ty có chatbot thông minh nhất, mà sẽ là công ty đầu tiên biến công việc thành một dịch vụ có thể mua giống như điện, Internet hay cloud computing. Đó cũng là ý nghĩa thật sự phía sau câu nói của Sequoia: "The next $1T company sells work, not software."