【Góc nhìn Yunqi】Đại hội Yunqi không phải câu trả lời, mà là tấm bản đồ cho thấy ngành AI đang đặt cược vào điều gì

Lần này tham dự Đại hội Yunqi, điều tôi thu hoạch được lớn nhất không phải là thêm vài mô hình mới hay vài công ty mới được ghi nhớ, mà là cách đọc một hội chợ triển lãm đã thay đổi.

Trước đây khi tham gia hội nghị công nghệ, ta dễ mặc định vài phán đoán: hướng mà các ông lớn tập trung nói tới, phần lớn đại diện cho tương lai; những khái niệm lặp đi lặp lại trên sân khấu, phần lớn là đồng thuận của ngành; một sản phẩm đã được đặt lên kệ trưng bày, dường như cũng hàm ý rằng nó đã đủ trưởng thành. Nhưng sau khi đã xem nhiều, ta lại dễ trượt sang thái cực ngược lại: cho rằng hội nghị chẳng qua là hoạt động tiếp thị, gian hàng chẳng qua là quảng cáo, slide chẳng qua là bao bì.

Cả hai cách nhìn này đều quá đơn giản hóa.

Triển lãm tất nhiên mang tính chất tiếp thị, nhưng bản thân tiếp thị cũng là thông tin. Một hãng sẵn sàng dồn ngân sách, đội ngũ quản lý sản phẩm, đội ngũ kỹ thuật, đội ngũ bán hàng và cả tài nguyên gian hàng vào một hướng nhất định, thì ít nhất cũng nói lên hai điều: họ muốn thị trường tin vào điều gì, và họ đang thử sản phẩm hóa cho vấn đề nào.

Vì vậy giờ đây tôi thích coi một hội nghị công nghệ lớn như một điểm lấy mẫu mật độ cao của ngành. Nó không cho câu trả lời, nhưng cho bạn các mẫu, tín hiệu, trường hợp ngược, và cả một tấm bản đồ “ngành đang đặt cược cho tương lai nào”.

I. Trước hết, tách “sự nhộn nhịp” trong triển lãm thành các cấp độ bằng chứng khác nhau

Lần này tôi bắt đầu có ý thức tách một hướng công nghệ thành năm cấp độ để quan sát:

Narrative → Product → Production → Business → Revenue
(Tầng Tường thuật → Tầng Sản phẩm → Tầng Vận hành → Tầng Kinh doanh → Tầng Doanh thu)

Trên cùng là tầng Narrative (Tường thuật) — điều mà các nhà cung cấp muốn thị trường tin vào. Chẳng hạn Agent sẽ trở thành cổng làm việc mới, doanh nghiệp cần kiến trúc AI-native, Context sẽ là tài sản cốt lõi, multi-agent sẽ đảm nhận những công việc ngày càng phức tạp. Những phát ngôn này có giá trị vì chúng phản ánh sự dịch chuyển của sự chú ý và dòng vốn trong tổ chức, nhưng xét cho cùng vẫn chỉ là nhận định và đặt cược.

Ngay bên dưới là tầng Product (Sản phẩm) — những gì đã được dựng lên, có thể trình diễn, có thể gọi API, có thể bàn giao. Trên kệ trưng bày có đủ giao diện hoàn chỉnh, API, workbench, nền tảng governance, cho thấy một hướng đi đã đi từ ý tưởng sang giai đoạn đóng gói sản phẩm. Khoảng cách giữa “có thể demo” và “chạy ổn định lâu dài” vẫn còn rất lớn.

Tiếp theo là tầng Production (Vận hành) — sản phẩm thực sự đi vào quy trình khách hàng, vận hành liên tục, và bắt đầu chạm vào hàng loạt vấn đề thực tế: phân quyền, dữ liệu, audit, khôi phục, chi phí, phối hợp tổ chức… Lúc này mới thực sự được tính là đã vào môi trường production.

Lớp tiếp theo là lớp nghiệp vụ (Business) — cần tiếp tục truy hỏi: sau khi đưa vào vận hành, điều gì đã thay đổi? Rút ngắn chu kỳ giao hàng, tăng tỷ lệ chuyển đổi, giảm chi phí nhân công, tăng lượng biến thể sáng tạo quảng cáo được kiểm thử, hay biến một quy trình nghiệp vụ vốn không thể thực hiện giờ trở nên khả thi?

Lớp dưới cùng — cũng là lớp thực chất nhất — là lớp doanh thu (Revenue): khách hàng có chịu trả tiền dài hạn không, chịu trả cho kết quả nào, và việc gia hạn diễn ra trong điều kiện nào.

Tác dụng của khung này là tránh gộp các bằng chứng khác loại vào một. Gian hàng triển lãm có thể chứng minh một hướng đi đáng được trưng bày; diễn đàn có thể phản ánh nhà cung cấp muốn củng cố nhận thức nào; case study khách hàng thực nâng độ tin cậy cho lớp sản xuất và lớp nghiệp vụ; chỉ doanh thu liên tục mới xác nhận được lớp doanh thu.

Cho nên, một hướng đi đang rất hot tại hội nghị chưa đủ cơ sở để kết luận rằng “nên đầu tư ngay bây giờ”.

2. Thay đổi rõ rệt nhất lần này: trên mô hình đang mọc ra ngày càng nhiều lớp

Mấy năm trước, mỗi khi nhắc đến AI, sự chú ý gần như chỉ dồn vào mô hình: quy mô tham số, benchmark, năng lực suy luận, giá, cửa sổ ngữ cảnh, chất lượng hình ảnh, năng lực lập trình.

Lần này, ngay tại sự kiện, tôi cảm nhận rõ rệt rằng trọng tâm đang chuyển dịch.

Mô hình vẫn có vai trò then chốt, nhưng lớp hệ thống bao quanh nó đang dày lên rõ rệt. Để dễ hình dung: những năm trước ai cũng so sánh mã lực động cơ, giờ mã lực đã đủ dùng rồi, cuộc đua chuyển sang cả một chiếc xe hoàn chỉnh — khung gầm, hộp số, phanh, bảng đồng hồ, túi khí, quản lý nhiên liệu. Hạ tầng dữ liệu, kết nối mô hình, quản trị Token, runtime cho agent, sandbox, ngữ cảnh, bộ nhớ, kỹ năng, thao tác trình duyệt, thao tác desktop, kiểm thử, khả năng quan sát (observability), phân quyền, kiểm toán, kiểm soát chi phí — ngày càng nhiều năng lực được tách ra thành sản phẩm độc lập.

Lý do rất thẳng thắn: mô hình có thể trả lời câu hỏi, còn để mô hình đi vào quy trình sản xuất và hoàn thành công việc một cách đáng tin cậy thì ở giữa còn nguyên một bộ hệ thống kỹ thuật đi kèm.

Nếu bạn đi một vòng hội chợ công nghệ, sẽ thấy năm sáu sản phẩm mang tên gọi hoàn toàn khác nhau, nhưng thực chất đang cùng hội tụ về một cấu trúc chung. QwenWork trình diễn việc agent gọi nhiều công cụ trong môi trường cô lập để hoàn thành công việc. Qoder tập trung vào ngữ cảnh, đặc tả yêu cầu, khung kiểm thử, validation, bộ nhớ và định tuyến đa mô hình. TinyFish — đối tác hợp tác trong hệ sinh thái Alibaba Cloud — làm việc đưa agent bước vào thế giới web thực để thực thi tác vụ. WonderClip tách quy trình sản xuất video thành kịch bản, phân cảnh, nguyên liệu, sinh nội dung, duyệt, phiên bản và sản xuất hàng loạt. Tìm kiếm agent trên Alibaba Cloud OpenSearch lại đẩy tìm kiếm tiến thêm một bước: lập kế hoạch, suy luận, bộ nhớ, hành động và đánh giá.

Nhìn bề ngoài chúng thuộc những lĩnh vực khác nhau hoàn toàn, nhưng cấu trúc nền tảng bên dưới lại đang quy tụ:

Ngữ cảnh → Lập kế hoạch → Kỹ năng → Thực thi → Xác minh → Bộ nhớ → Kết quả kinh doanh
(Context → Planning → Skill → Execution → Verification → Memory → Business Outcome)

Mô hình dần chỉ còn là một thành phần trong hệ thống; giá trị sản phẩm nằm chủ yếu ở các tầng phía trên.

3. Ngữ cảnh (Context) đang chuyển từ “nguyên liệu đầu vào” thành tài sản dài hạn

Tại phần chia sẻ trực tiếp của Qoder, có một nhận xét đại ý rằng: năng lực tính toán của mô hình sẽ trở thành hàng hóa thông dụng (commodity), còn tài sản thực sự chính là ngữ cảnh.

Nhận xét ấy tất nhiên mang định vị nhà cung cấp, nhưng đang chỉ ra một vấn đề có thật. Mô hình càng mạnh, chi phí tiếp cận càng rẻ, thì yếu tố quyết định một tác nhân (agent) có vận hành bền bỉ được hay không lại càng dồn về phía “nó thực sự biết những gì”.

Nói ngắn gọn: mô hình có thể thay bất kỳ lúc nào, nhưng “vốn liếng” của doanh nghiệp bạn thì không mang đi được—ràng buộc kiến trúc, quyết định lịch sử, quy tắc nghiệp vụ, những bài học xương máu, thói quen khách hàng. Những thứ này tích lũy càng nhiều, AI càng dùng hiệu quả.

Một dự án phần mềm trưởng thành có ràng buộc kiến trúc, quyết định lịch sử, phụ thuộc giữa các module, chuẩn code, những bài học đã trả giá, hồ sơ triển khai. Một doanh nghiệp có quan hệ tổ chức, phân quyền, SOP, tài liệu, chat nội bộ, quy tắc nghiệp vụ, trạng thái khách hàng. Một thương hiệu có thông tin sản phẩm, chuẩn thiết kế, tài sản số lịch sử, dữ liệu chạy quảng cáo, ràng buộc kênh phân phối.

Những thông tin này sẽ không tự động xuất hiện chỉ vì bạn nâng cấp lên một mô hình mạnh hơn.

Chính vì vậy Qoder xây kho mã kiểu Wiki (Repo Wiki), bộ nhớ (Memory), thẻ tri thức (Knowledge Cards); QwenWork nhấn mạnh ngữ cảnh doanh nghiệp (Enterprise Context); OpenSearch đề cao trí nhớ dài hạn, trí nhớ nhiệm vụ và nén ngữ cảnh. Tất cả đang cố giải quyết cùng một bài toán: làm sao để agent không phải bắt đầu hiểu thế giới từ số zero mỗi lần kích hoạt.

Điều này cũng đồng nghĩa với việc kho prompt mà nhiều team thích tích lũy trước đây có thể không còn giá trị dài hạn cao như tưởng trong kỷ nguyên agent. Prompt giống cách gọi một tác vụ hơn là tài sản tích lũy; thứ thực sự có lãi kép là ngữ cảnh nghiệp vụ, lịch sử ra quyết định, kết quả kiểm chứng, nguyên nhân thất bại và các kỹ năng có thể tái sử dụng.

Bốn — Đơn vị cạnh tranh của sản phẩm AI đang chuyển từ “một tính năng” sang “một quy trình hoàn chỉnh”

WonderClip để lại cho tôi một ấn tượng rất rõ.

Nhìn riêng danh sách năng lực thì nhiều thứ chẳng mới: sinh hình ảnh, sinh video, dịch, lồng tiếng, thay nguyên liệu, sản xuất hàng loạt. Tách ra từng cái, mỗi tính năng đều có thể bị các hãng mô hình, phần mềm dựng phim hay SaaS khác dần dần lấn vào.

Nhưng cấu trúc sản phẩm mà họ demo trực tiếp đã đi theo hướng một hệ thống sản xuất hoàn chỉnh hơn:

Tải script lên → Duyệt phân tích → Chuẩn bị assets → Tạo hàng loạt

Tiếp theo còn có Storyboard, Canvas, kỹ năng tùy chỉnh, chia sẻ assets, cộng tác nhóm, quản lý phiên bản. Sản phẩm đưa bước “tạo sinh” trở lại chính giữa workflow.

Điều này gợi một bài học trực tiếp cho việc làm ứng dụng AI.

Nếu lõi sản phẩm vẫn chỉ là “tải lên một thứ gì đó, AI xử lý qua, tải kết quả về”, thì mỗi lần model được nâng cấp, giá trị của sản phẩm sẽ rất dễ bị nén lại. Hướng đi bền vững hơn là chiếm trọn cả công việc mà người dùng vốn phải tự hoàn thành.

Lấy ví dụ mảng nội dung thương mại điện tử: chỉ thay sản phẩm, đổi background, dịch thuật hay lồng tiếng từng mảnh đơn lẻ thì quá nông. Đi sâu thêm một tầng, đối tượng của sản phẩm nên dần trở thành thương hiệu (Brand), đơn chiếc sản phẩm (SKU), chiến dịch (Campaign), thị trường (Market), chiến lược sáng tạo (Creative Strategy), biến thể creative (Variants), kênh phân phối (Distribution) và hiệu quả chạy (Performance). Tạo sinh chỉ là tay chơi (executor) — giá trị thật nằm ở toàn bộ quy trình vận hành sáng tạo (Creative Operations Workflow).

Năm. Agent đang chuyển từ “trả lời câu hỏi” sang “hoàn thành nhiệm vụ”

Khi nghe phần chia sẻ về tìm kiếm agent (agent search) của Alibaba Cloud OpenSearch, có một biểu đồ tiến hóa rất tiêu biểu.

Thế hệ tìm kiếm thứ nhất: bạn nhập một từ khóa, nó trả về mười liên kết, bạn tự tìm câu trả lời.
Thế hệ tìm kiếm thứ hai (generative): bạn đặt một câu hỏi, nó đưa thẳng câu trả lời.
Thế hệ tìm kiếm thứ ba (agent): bạn nêu một mục tiêu, nó tự tìm tài liệu, đánh giá, gọi công cụ, cuối cùng đưa ra kết quả hành động.

Sự khác biệt giữa ba thế hệ có thể chỉ ra bằng một ví dụ: bạn muốn so sánh giải pháp doanh nghiệp của ba nhà cung cấp đám mây, thế hệ một trả cho bạn liên kết trang chủ, thế hệ hai đưa một đoạn tóm tắt, thế hệ ba đưa thẳng một bản đề xuất mua hàng đã hoàn chỉnh.

Bản thân tìm kiếm cũng đang định vị lại. Nó không còn là điểm đến cuối cùng, mà là cơ sở hạ tầng để agent thu thập thông tin bên ngoài — một agent nghiên cứu sẽ tự động phân tách câu hỏi, gọi nhiều nguồn tìm kiếm, xác minh chéo, hình thành kết luận trung gian, rồi tiếp tục gọi các công cụ khác để thực thi.

Tìm kiếm không biến mất, nó bắt đầu được tích hợp vào những vòng lặp tác vụ lớn hơn.

Sáu. Bài toán thật sự của AI doanh nghiệp bắt đầu chuyển sang tầng tổ chức

Tại hội nghị, các vấn đề kỹ thuật về AI doanh nghiệp được bàn nhiều: dữ liệu, phân quyền, bảo mật, quản trị, tích hợp mô hình, kiến trúc đám mây, nền tảng Agent.

Tất cả đều quan trọng. Nhưng sau khi nghe vài case study doanh nghiệp, điều tôi quan tâm hơn lại là câu hỏi khác:

Ai có động lực thật sự để dùng nó?

Hãy thử tưởng tượng: một nhân viên sử dụng AI, nén 8 giờ làm việc xuống còn 5 giờ. Ba giờ tiết kiệm ra sẽ đi về đâu? Nếu câu trả lời chỉ là “giao thêm việc cho họ”, động lực để nhân viên chủ động thúc đẩy AI hẳn sẽ rất hạn chế.

Cũng ví dụ tiếp: nếu KPI của đội ngũ AI là số lượng Agent đưa vào vận hành và số lượt gọi, họ sẽ có động lực liên tục bổ sung tính năng; đội nghiệp vụ gánh chi phí tái cấu trúc quy trình; đội IT và an ninh chịu rủi ro sai sót; cuối cùng doanh thu tăng mà không truy nguyên được rõ ràng. Trong một cơ cấu tổ chức như vậy, dù công nghệ đã sẵn sàng, việc triển khai vẫn có thể rất chậm.

AI doanh nghiệp không thể chỉ nhìn vào kiến trúc—thiết kế khuyến khích mới chính là trần thực sự.

Vấn đề kỹ thuật bỏ tiền ra là giải quyết được; vấn đề tổ chức có khi bỏ tiền cũng chưa chắc xong. Một dự án ít nhất phải làm rõ sáu câu hỏi: vai trò, chỉ tiêu đánh giá, lợi ích, chi phí, rủi ro, quyền quyết định. Ai được hưởng lợi ích, ai gánh rủi ro, ai nắm quyền quyết định, ai chịu trách nhiệm về kết quả.

Đội ngũ AutoNavi (高德 - dịch vụ bản đồ thuộc Alibaba) dùng Qoder (IDE lập trình có tích hợp AI của Trung Quốc) kết hợp cỗ máy tri thức, biến tri thức nghiệp vụ trong hàng triệu dòng mã thành tài sản có thể truy xuất, nâng tỷ lệ hoàn thành nhiệm vụ ngay từ lần đầu từ 37,3% lên 61,5%—đằng sau kết quả này không chỉ là việc công cụ đã được triển khai, mà là đội ngũ đã biến “lắng đọng tri thức nghiệp vụ” từ tùy chọn thành chỉ tiêu bắt buộc. Nếu chỉ ném công cụ cho đội ngũ mà không ai chịu trách nhiệm về “chất lượng lắng đọng tri thức”, hiệu quả nhiều khả năng chỉ đạt được một nửa.

Nhiều cái gọi là “vấn đề triển khai AI”, đến cuối cùng đều là vấn đề thiết kế tổ chức.

Bảy: Chỉ số dễ đánh lừa nhất thường là chỉ số trông… dễ hiểu nhất

Trong phần chia sẻ của Qoder có một nhận xét đáng chú ý: tỷ lệ code do AI sinh ra là vanity metric – tức chỉ số “làm đẹp” báo cáo nhưng không phản ánh giá trị thực.

Diễn giả đã đối chiếu tỷ lệ sinh code theo từng giai đoạn trưởng thành của AI, đồng thời chỉ ra rằng chu kỳ giao phần mềm (software delivery cycle) không rút ngắn tương ứng. Con số cụ thể ở đây lấy từ case study của hãng, không thể lấy làm benchmark ngành, nhưng logic đằng sau nó thì đứng vững.

Khi AI kéo chi phí viết code xuống, nút thắt cổ chai sẽ dịch chuyển sang: yêu cầu, ngữ cảnh, kiến trúc, review, kiểm thử, tích hợp, triển khai và nghiệm thu.

Quy luật này áp dụng y hệt cho nghiệp vụ. Đừng nhìn “AI sinh bao nhiêu hình ảnh”, hãy nhìn “một chiến dịch marketing rút từ hai tuần xuống ba ngày được chưa”. Đừng nhìn “gọi AI bao nhiêu lần”, hãy nhìn “trung bình mỗi nhân viên chăm sóc khách hàng xử lý thêm được bao nhiêu đơn? Số khiếu nại có giảm không?”. Tỷ lệ sinh code, số Token, số lượng agent, số lượt gọi API, số lượng ảnh được tạo – tất cả đều có thể chỉ là chỉ số hiệu suất cục bộ. Điều thực sự quan trọng là kết quả đầu-cuối (end-to-end): chu kỳ giao hàng có rút ngắn không, giờ công thủ công có giảm không, tỷ lệ pass lần đầu (first-pass yield) có tăng không, chi phí trên mỗi hạng mục nghiệm thu có giảm không, chỉ số kinh doanh cuối cùng có chuyển biến không.

Hội nghị lần này nhắc tôi một điều: đừng để con số “AI đã làm bao nhiêu” làm hoa mắt; hãy nhìn xem cả hệ thống đã thay đổi gì vì nó.

Tám: Hội nghị cung cấp “kèo” để đặt, nhưng quyền định vẫn phải nằm ở mình

Điều dễ xảy ra nhất khi tham dự một hội nghị lớn là: thế giới bên ngoài bắt đầu âm thầm sắp xếp thứ tự ưu tiên thay bạn.

Cứ thấy một hướng được nhắc nhiều trên sân khấu, lại nghĩ mình nên nghiên cứu; cứ thấy một ông lớn rót vốn mạnh tay, lại nghĩ mình nên theo; cứ thấy một sản phẩm trông có vẻ tiên tiến, lại nghĩ mình cũng nên dựng lên một bộ.

Lần này, tôi muốn đặt tất cả những thông tin ấy trở lại vào một câu hỏi đơn giản hơn:

Thông tin này sẽ thay đổi quyết định nào của tôi?

Nếu nó chỉ khiến tôi thấy “thú vị quá”, thì đó mới chỉ là input.

Nếu nó buộc tôi phải đánh giá lại giữa tự xây (Build), mua ngoài (Buy) hay bỏ qua (Ignore); nếu nó khiến tôi dịch chuyển ranh giới sản phẩm, dừng một hạng mục đầu tư giá trị thấp, thiết kế lại một quy trình làm việc, hay định nghĩa lại một chỉ số thử nghiệm — thì nó mới thực sự bước vào bảng quyết định.

Hội nghị Vân Tê (Yunqi Conference) không phải là đáp án.

Nó giống một tấm bản đồ cá cược của cả ngành hơn. Tấm bản đồ ấy cho tôi biết người ta đang đi về đâu, con đường nào bắt đầu tắc nghẽn, hạ tầng nào đang hình thành, vấn đề nào bắt đầu được sản phẩm hóa ở quy mô lớn.

Cuối cùng, đi con đường nào vẫn phải quay về mục tiêu, ràng buộc, nguồn lực và bằng chứng của chính mình.

Đó cũng là điều tôi muốn giữ lại nhất mỗi khi tham dự một hội nghị công nghệ bây giờ: nhìn thấy thêm nhiều cú đặt cược, nhưng vẫn nắm quyền phán đoán trong tay mình.

Nếu bạn đang cân nhắc nên bắt đầu ứng dụng AI doanh nghiệp từ đâu, hướng nào đáng đầu tư, và đâu chỉ là bong bóng được thổi phồng bởi câu chuyện truyền thông — mình rất sẵn lòng trò chuyện. Chúng tôi cung cấp dịch vụ tư vấn chuyên trách về chuyển đổi AI doanh nghiệp — từ lựa chọn công nghệ, thiết kế tổ chức đến hệ thống đo lường — giúp bạn biến “sự ồn ào tại các hội nghị” thành “phán đoán của chính mình”. Email hợp tác: [email protected].

Đọc thêm: 《Khung bảy bước chuyển đổi AI》, trình bày có hệ thống toàn bộ lộ trình triển khai AI trong doanh nghiệp.

Về chuỗi bài viết này

「云栖观察」 (Quan sát từ Hội nghị Apsara) là chuỗi bài viết về thực tiễn ngành do IAIUSE phát hành, khởi đầu từ Hội nghị Apsara 2026, lấy góc nhìn của nhà nghiên cứu để phân tích những thay đổi thực sự đang diễn ra trong ngành AI — không chạy theo xu hướng, chỉ nhìn vào hướng đặt cược và sức mạnh của bằng chứng.

Chuỗi bài viết bao phủ các chủ đề: tầng hệ thống phía trên mô hình, triển khai Agent, tài sản Context, thiết kế tổ chức AI doanh nghiệp, sự chuyển dịch đơn vị cạnh tranh của sản phẩm AI…, tổng cộng khoảng 10 bài.

Tôi có gần 8 năm kinh nghiệm tư vấn và phân tích kinh doanh tại các doanh nghiệp lớn, từng làm việc tại IBM, tham gia các dự án liên quan đến viễn thông, tài chính, bảo hiểm và sản xuất. Sau đó tiếp tục ở tuyến đầu phát triển sản phẩm viễn thông, sản phẩm internet và ứng dụng AI, đảm nhận phân tích yêu cầu, thiết kế sản phẩm và triển khai xuyên chức năng. Những nhận định trong chuỗi bài viết này đến từ quan sát thực địa và kiểm chứng chéo ngành của tôi, mang lập trường rõ ràng của tác giả, không đại diện cho quan điểm của bất kỳ nhà cung cấp nào.