AI tự cải tiến 2026: hai dịch chuyển doanh nghiệp cần nắm

AI tự cải tiến không còn là chuyện người ta đoán với nhau nữa. Trong tháng 5 năm 2026 có hai công bố đặt nó thành việc đã đo được: một con agent viết code giúp thiết kế chip cho chính hãng làm ra nó, và một mô hình tư duy phổ quát giải xong bài toán mà giới toán học vật lộn gần 80 năm. Bài này tôi ghép hai thứ đó lại với một dịch chuyển khác đang diễn ra song song, rồi trả lời một câu duy nhất: chủ doanh nghiệp vừa và nhỏ ở Việt Nam phải làm gì với nó.

Video gốc dài 32 phút, tôi có chia sẻ nguyên phần demo trợ lý buổi sáng. Bài viết này bổ sung thêm ngày tháng chính xác của từng công bố, đường dẫn nguồn gốc, một bảng tách bạch đâu là thứ đã đo được đâu là phỏng đoán, và hai khối đề bài anh em chép về dùng luôn.

Bài này đi qua những gì?

1. Vì sao đọc tin mô hình mãi mà doanh nghiệp không đổi được gì
2. Dịch chuyển thứ nhất, cuộc chơi rơi về chỗ nối dữ liệu
3. Trợ lý chạy 7 giờ sáng của tôi làm được những việc nào
4. Dịch chuyển thứ hai, AI tự cải tiến đã chạm tới đâu
5. Ghép hai dịch chuyển lại thì doanh nghiệp nhỏ được gì
6. Ba sai lầm tôi gặp nhiều nhất khi tư vấn
7. Giới hạn thật, chỗ nào chưa chín
8. Việc làm được trong bảy ngày

Vì sao đọc tin mô hình mãi mà doanh nghiệp không đổi được gì?

Vì tin mô hình nằm ở lớp vỏ, còn tiền nằm ở lớp dưới. Anh em vào diễn đàn thấy người ta chia sẻ với nhau: ông Trung Quốc vừa ra mô hình mới, thông số benchmark thế này, chỗ kia đang có mẹo dùng miễn phí. Đọc xong thì sao? Doanh thu không đổi. Quy trình không đổi. Nhân sự vẫn làm đúng những việc chán ngắt của hôm qua.

Tôi nói thẳng quan điểm của tôi. Ở thời điểm giữa năm 2026, độ thông minh của mô hình đã không còn là chỗ nghẽn nữa. Nghẽn nằm ở chỗ khác: đưa được nó vào hệ thống thật của mình hay không, nó có chọc được vào dữ liệu thật hay không, chọc vào rồi có an toàn và ổn định hay không.

Đấy mới là bài toán. Và hai thứ đang dịch chuyển ngoài kia đều đánh thẳng vào bài toán đó.

Muốn thấy hình dạng cụ thể của việc "đưa vào hệ thống thật", anh em xem lại bài AI Agent vận hành doanh nghiệp. Đó là cách tôi đang chạy công ty mình.

Dịch chuyển thứ nhất: vì sao cuộc chơi rơi về chỗ nối dữ liệu?

Vì các hãng không còn đua độ thông minh nữa, họ quay sang đua số đầu nối. Ai nối được vào nhiều hệ thống của doanh nghiệp hơn, người đó giữ được khách. Có một tin nhỏ trong tháng 5 năm 2026 nói rất rõ điều này, mà đọc lướt thì tưởng chẳng có gì.

Anthropic mua Stainless nói lên điều gì?

Ngày 18 tháng 5 năm 2026, Anthropic công bố mua lại Stainless. Nhìn tên công ty thì lạ hoắc. Nhưng Stainless làm đúng một việc: biến bản đặc tả API thành SDK, thành công cụ dòng lệnh, và thành MCP server.

Vì sao tôi coi đây là tin quan trọng? Vì Stainless không bán mô hình. Nó bán cái ống nối. Anthropic bỏ tiền mua ống nối, tức là họ xác định chỗ ăn thua nằm ở ống nối.

Có mấy chi tiết đáng chú ý trong bản tin của họ. Stainless sinh ra toàn bộ SDK chính thức của Anthropic từ những ngày đầu của Claude API. Hàng trăm công ty dùng Stainless để sinh SDK và MCP server. Và sau thương vụ, Stainless đóng cửa toàn bộ sản phẩm dịch vụ đang chạy, gồm cả bộ sinh SDK. TechCrunch dẫn lại The Information rằng giá bàn tới là hơn 300 triệu đô, con số này Anthropic không xác nhận nên tôi chỉ ghi lại là tin của báo.

Nói cho gọn: một hãng mô hình vừa mua một nhà máy sản xuất ống nối, rồi tắt nhà máy đó với tất cả những người khác.

MCP là gì, nói một câu thôi?

MCP là chuẩn để trợ lý AI của anh em chọc vào một hệ thống khác mà không cần ai ngồi viết code tích hợp. Bản chất nó là vậy.

Anh em hình dung thế này. Trước đây muốn cho phần mềm A nói chuyện với phần mềm B, phải có người đọc tài liệu API của B, viết code, xử lý xác thực, xử lý lỗi, rồi bảo trì mãi mãi. Bây giờ hãng nào đó dựng sẵn một cái cổng gọi là MCP server, mình chỉ việc bấm một nút và đăng nhập.

Hàng cuối bảng mới là chỗ đắt. Khi lớp nối tách rời khỏi mô hình, đổi mô hình không còn đau nữa. Đấy chính là lý do các hãng tranh nhau sở hữu lớp nối. Ai giữ lớp nối, người đó giữ khách.

Nhân tiện, MCP giờ không còn là tài sản riêng của một hãng. Trong năm 2026 việc quản lý chuẩn này đã chuyển sang Agentic AI Foundation thuộc Linux Foundation. Nghĩa là anh em học MCP bây giờ không sợ học nhầm thứ sắp chết theo một hãng.

Trợ lý chạy 7 giờ sáng của tôi làm được những việc nào?

Nó gom thông tin từ tám chín nguồn khác nhau rồi trả về một trang duy nhất, trước khi tôi kịp mở laptop. Tôi gọi nó là radar. Đây không phải demo dựng để quay video, nó chạy định kỳ mỗi ngày.

Trước đây việc này tôi làm bằng cơm. Mở mail, mở lịch, mở drive, mở diễn đàn, mở GitHub, đọc vài trang tin. Mất nửa tiếng tới một tiếng mỗi sáng, mà vẫn sót. Bây giờ tôi mất vài phút.

Nó chọc vào những nguồn nào?

Anh em để ý cột bên phải. Không có cột nào ghi "viết code". Toàn bộ là cắm cổng.

Vì sao tôi để nó theo dõi repo GitHub?

Vì repo đang nóng là chỉ báo sớm nhất của việc dân kỹ thuật thế giới đang bận tâm điều gì. Nó đi trước bài báo, đi trước hội thảo, đi trước cả lúc các hãng chịu nói ra.

Chính bảng này là chỗ tôi thấy dữ liệu đồ thị nổi lên. Không phải ai đó mách tôi, mà là con radar đếm ra. Dữ liệu đồ thị là cách lưu dữ liệu theo quan hệ, giống quan hệ ngoài xã hội: ông A chơi với ông B, ông B làm việc với ông C, ba người có chung một vấn đề. Kiểu lưu này tìm điểm giao nhau rất nhanh, việc mà bảng hàng cột kiểu Excel làm rất chật vật.

Vì sao tôi nhắc tới nó ở đây? Vì nó nối thẳng vào dịch chuyển thứ hai, mời anh em đọc tiếp phần dưới. Còn chuyện chọn kiểu lưu dữ liệu cho đúng việc thì tôi có phân tích ở bài MongoDB lúc nhanh lúc chậm.

Đề bài tôi dùng cho một con radar buổi sáng

Đây là khung đề bài, anh em chép về sửa lại theo nghiệp vụ của mình. Tôi cố ý viết nó theo hướng siết chứ không mở, vì một con agent chọc vào email và lịch của anh em thì phải bị nhốt cho kỹ.

VAI TRO
May la tro ly radar buoi sang cua anh. Chay luc 07:00 moi ngay.

DAU VAO, chi duoc doc, khong duoc ghi
[1] Hop thu: chi doc thu chua tra loi trong 24 gio qua
[2] Lich: hom nay va 3 ngay toi
[3] Kho tai lieu: file sua doi trong 24 gio qua
[4] GitHub trending: top 24h va top 7 ngay, loc theo 5 tu khoa anh liet ke ben duoi
[5] Ba bo tin chuyen nganh anh da dang ky

DAU RA, dung mot trang, theo thu tu nay
[1] Mot doan tom tat 4 cau, doc xong biet ngay hom nay co gi
[2] Muc "can lam truoc 10 gio", toi da 3 gach dau dong
[3] Muc "thu can tra loi", moi thu mot dong, ghi ro nguoi gui va han
[4] Muc "tin dang doc", toi da 5 dong, moi dong mot cau va mot duong dan
[5] Muc "khong chac", liet ke thu may khong kiem chung duoc

TIEU CHI HOAN THANH
[1] Moi khang dinh phai kem duong dan hoac ten nguon. Khong co nguon thi bo xuong muc "khong chac"
[2] Khong duoc doan so lieu. Khong doc duoc thi ghi "khong doc duoc"
[3] Toan bo ban tin duoi 700 chu

GIOI HAN CUNG
[1] Khong gui thu, khong tra loi thu, khong tao su kien lich, khong xoa gi
[2] Khong dua noi dung thu vao bat ky he thong ben ngoai nao
[3] Gap loi xac thuc thi dung lai va bao, khong tu thu lai qua 2 lan
[4] Khong ghi ten khach hang that vao ban tin, dung ma viet tat

Điểm quan trọng nhất trong khối trên nằm ở mục giới hạn cứng. Con agent này chỉ được đọc. Cho nó quyền ghi vào hộp thư ngay từ ngày đầu thì kiểu gì cũng có ngày hỏng. Cách tôi phân quyền cho từng nhóm tool, tôi có chia sẻ trong bài AI Agent kiểm tra hóa đơn đầu vào.

Dịch chuyển thứ hai: AI tự cải tiến đã chạm tới đâu?

Nó đã chạm tới phần cứng, và chạm tới toán học. Hai chỗ mà cách đây hai năm ai nói ra cũng bị coi là nói quá.

AlphaEvolve giúp thiết kế chip TPU nghĩa là gì?

Ngày 7 tháng 5 năm 2026, Google DeepMind công bố bản tổng kết một năm của AlphaEvolve. AlphaEvolve là một con agent viết code chạy bằng Gemini, việc của nó là tìm ra thuật toán tốt hơn.

Trong bản công bố đó có mấy con số cụ thể. Tôi liệt kê ra đây kèm nguồn để anh em tự kiểm.

Ông Jeff Dean, Chief Scientist của Google DeepMind, nói một câu rất gọn về chuyện này: bộ não TPU đang giúp thiết kế thân xác TPU thế hệ sau.

Anh em thấy vòng lặp chưa? Tôi vẽ lại cho dễ hình dung.

Mô hình AI cần phần cứng để huấn luyện. Phần cứng đó trước nay do kỹ sư người thiết kế. Bây giờ mô hình quay ngược lại giúp thiết kế phần cứng. Phần cứng mạnh hơn thì huấn luyện ra mô hình thông minh hơn. Mô hình thông minh hơn lại thiết kế phần cứng tốt hơn nữa, và nhanh hơn lần trước.

Vì sao vòng lặp này khác các vòng lặp trước? Vì mỗi vòng nó ngắn lại. Việc tìm chính sách thay thế cache là ví dụ rõ nhất: nhiều tháng người làm rút xuống hai ngày máy làm. Khi thời gian mỗi vòng co lại, số vòng chạy được trong một năm tăng lên, và khoảng cách giữa người có vòng lặp với người không có vòng lặp giãn ra rất nhanh.

Bản chất của mô hình ngôn ngữ lớn là hàng tỷ phép nhân ma trận chạy song song. CPU làm việc này rất phí. TPU và GPU sinh ra để làm đúng cụm phép tính đó. Nên khi AI cải tiến được chính con chip chuyên làm phép nhân ma trận, nó đang cải tiến đúng cái nền mà nó đứng lên.

Mô hình phổ quát giải xong bài toán 80 năm, chuyện đó nói lên điều gì?

Ngày 20 tháng 5 năm 2026, OpenAI công bố một mô hình nội bộ của họ đã bác bỏ một phỏng đoán trung tâm trong hình học rời rạc.

Bài toán nghe rất dễ. Đặt n điểm trên mặt phẳng, hỏi nhiều nhất có bao nhiêu cặp điểm cách nhau đúng một đơn vị. Erdős nêu nó năm 1946, và suốt từ đó giới toán tin rằng cách xếp kiểu lưới ô vuông đã là gần tối ưu.

Mô hình của OpenAI dựng ra một họ vô hạn các cấu hình phá vỡ giới hạn đó. Có ba chi tiết tôi thấy quan trọng hơn cả bản thân kết quả.

Thứ nhất, đây là mô hình tư duy phổ quát, không phải mô hình huấn luyện riêng cho toán. Nếu đẻ ra một con chuyên trị toán rồi nó giải được thì cũng bình thường. Đằng này là con dùng chung.

Thứ hai, lời giải mượn công cụ từ lý thuyết số đại số, một nhánh nằm rất xa hình học tổ hợp. Nó nối hai lĩnh vực lại với nhau. Đây đúng là thứ mà chính OpenAI viết trong bản công bố: khả năng giữ một mạch lập luận dài và nối các ý tưởng giữa những lĩnh vực khác nhau.

Thứ ba, lời giải đã được một nhóm nhà toán học bên ngoài kiểm lại và viết bản diễn giải riêng. Nature đăng tin ngày 22 tháng 5 năm 2026. Sau đó giáo sư Will Sawin ở Princeton còn làm rõ được số mũ cụ thể, đưa ra cận dưới n mũ 1,014.

Chỗ này nối thẳng về dữ liệu đồ thị mà tôi nói ở trên. Nếu điều làm nên kết quả là năng lực nối tri thức giữa các lĩnh vực, thì trong doanh nghiệp anh em cũng làm được đúng việc đó ở quy mô nhỏ hơn. Dựng dữ liệu quan hệ cho marketing, cho bán hàng, cho vận hành, rồi để agent đi tìm điểm giao nhau giữa ba mảng. Anh em không cần biết viết câu truy vấn. Việc của anh em là cấp môi trường cho nó làm.

Dreams của Managed Agents dọn bộ nhớ như thế nào?

Anthropic đưa ra một tính năng tên là Dreams trong Managed Agents. Nó cho phép agent đọc lại chính bộ nhớ và các phiên làm việc cũ của nó, rồi dựng ra một bộ nhớ mới gọn hơn.

Cách nó chạy, đọc từ tài liệu: một dream là một job chạy bất đồng bộ, nhận vào một memory store đã có cùng với từ 1 tới 100 phiên làm việc cũ, rồi sinh ra một memory store mới. Bản gốc không bị sửa, nên xem không ưng thì bỏ đi làm lại.

Vì sao tôi để tính năng này chung mục với chuyện thiết kế chip? Vì nó là cùng một hình dạng, chỉ khác quy mô. AlphaEvolve cải tiến phần cứng bên dưới. Dreams cải tiến kinh nghiệm của chính con agent. Cả hai đều là AI quay lại sửa cái nền của nó.

Bộ nhớ là chỗ yếu kinh niên của agent, tôi có phân tích kỹ trong bài Dynamic workflow với Opus 4.8. Log đầy lên, mâu thuẫn chồng lên nhau, agent càng chạy lâu càng lú. Dreams là một cách chữa ở tầng hạ tầng thay vì bắt người dùng tự dọn.

Ghép hai dịch chuyển lại thì doanh nghiệp nhỏ được gì?

Được dùng đúng thứ mà tập đoàn lớn đang dùng, cùng phiên bản, cùng thời điểm. Đây là chuyện chưa từng có trong ngành công nghệ ở Việt Nam.

Tôi làm nghề này gần 15 năm, trong đó 10 năm điều hành Wecommit. Tôi tối ưu cơ sở dữ liệu trực tiếp cho nhiều đơn vị lớn: ngân hàng, chứng khoán, bảo hiểm, viễn thông, truyền hình, bệnh viện. Anh em kể ra ngành nào lớn ở Việt Nam thì tôi cũng đã làm với một khách trong ngành đó hoặc một khách tương đương.

Và điều tôi thấy suốt 10 năm là gì? Công nghệ của mình luôn chạy sau. Ngân hàng nhiều tiền như vậy vẫn phải mua bản cũ. Phiên bản mới nhất về tới Việt Nam thì thế giới đã đi tiếp mấy nhịp.

Bây giờ thì khác hẳn. Một doanh nghiệp vừa và nhỏ bỏ ra khoảng 100 đô một tháng là dùng được gói mạnh của một hãng hàng đầu, tính theo giá công bố tại thời điểm tháng 5 năm 2026. Quy ra tiền Việt là dưới ba triệu. Cùng mô hình đó, tập đoàn cũng đang dùng.

Nên tôi nói thật lòng: chủ doanh nghiệp bây giờ mà còn ngồi so đo token đắt rẻ thì đang nhìn nhầm chỗ. Chuyện tối ưu chi phí token là chuyện có thật và tôi có chia sẻ nguyên cách làm ở bài tối ưu chi phí token khi cho AI vận hành kênh YouTube. Nhưng đó là việc làm sau khi đã chạy được, không phải lý do để chưa bắt đầu.

Đâu là thứ đã đo được, đâu là phỏng đoán của tôi?

Bài này nói về tương lai nên tôi tách bạch hẳn ra. Anh em đọc bảng dưới rồi tự cân.

Ba dòng cuối là ý kiến, không phải số liệu. Tôi ghi rõ để anh em không mang đi trích dẫn nhầm chỗ.

Vì sao tôi tin khoảng cách không còn tuyến tính?

Vì agent học từ dữ liệu kinh doanh của chính anh em. Đưa nó vào sớm một quý thì nó có thêm một quý dữ liệu thật để hiểu cách công ty anh em vận hành, hiểu khách hàng anh em nói gì, hiểu chỗ nào hay tắc. Người bắt đầu sau không mua lại được quý đó bằng tiền.

Đây là chỗ khác hẳn với việc học một kênh mạng xã hội hay học một phần mềm. Mấy thứ kia học chậm vài tháng vẫn đuổi kịp. Cái này thì không, vì thứ tích lũy là dữ liệu chứ không phải kỹ năng.

Tôi nhắc lại đây là phỏng đoán, tính tới tháng 5 năm 2026 chưa có nghiên cứu ngành nào đo được độ giãn đó bằng con số.

Ba sai lầm tôi gặp nhiều nhất khi tư vấn

Sai lầm số một là sai lầm tôi thấy nhiều nhất, và cũng đắt nhất. Anh em không cần biết lập trình. Không cần giỏi tiếng Anh. Thứ anh em cần là hiểu nghiệp vụ của chính mình, hiểu luồng làm việc, hiểu chỗ nào đang mất tiền. Đó là thứ không thuê ngoài được.

Câu hỏi "AI có đủ sức thay đổi doanh nghiệp của tôi không" là câu hỏi của năm 2022. Tới thời điểm 2026 thì nó đã giải được bài toán mà giới toán học vật lộn 80 năm, và đang làm việc ở mức ngang kỹ sư senior trong nhiều đội lập trình. Câu hỏi đúng bây giờ là mình chưa biết cách dùng nó ở chỗ nào.

Giới hạn thật: chỗ nào chưa chín?

Phần này tôi viết để anh em khỏi mang kỳ vọng sai đi vào việc.

Dreams vẫn là Research Preview. Tài liệu ghi rõ phải xin quyền dùng thử, và đi kèm hai beta header riêng. Tính năng ở trạng thái này thì có thể đổi, có thể lùi lịch, có thể đổi cách gọi. Đừng thiết kế quy trình sống còn dựa vào nó.

AlphaEvolve mạnh nhưng không phải thứ doanh nghiệp nhỏ cắm vào là chạy. Nó hợp với loại bài toán mà anh em định nghĩa được bằng code và chấm điểm được một cách khách quan. Từ tháng 7 năm 2026 nó đã lên bản chính thức trên Google Cloud, nhưng phần lớn kết quả ấn tượng nhất vẫn nằm trong hạ tầng nội bộ của Google. Đọc con số 0,7% năng lực tính toán thu hồi được thì nhớ rằng 0,7% của Google là một con số khác hẳn 0,7% của công ty mình.

Kết quả toán học của OpenAI đến từ một mô hình nội bộ, không phải sản phẩm anh em mua được. Bản chứng minh mà giới toán đọc là bản đã được các nhà toán học bên ngoài diễn giải lại, và chính họ ghi nhận là chưa ai ngoài OpenAI xem bản gốc đầy đủ. Một kết quả xuất sắc không có nghĩa là mọi bài toán khó đều sắp được giải.

MCP nghe thì một nút bấm, làm thật thì không phải lúc nào cũng vậy. Chất lượng MCP server chênh nhau rất xa. Xác thực hết hạn giữa chừng là chuyện thường. Và phần khó nhất không nằm ở lúc cắm, nó nằm ở phân quyền: cho con agent đọc được gì, cấm nó ghi vào đâu, ai duyệt khi nó muốn làm thứ không lùi lại được.

Con radar của tôi cũng có giới hạn của nó. Nó tóm tắt, nó không quyết. Tóm tắt sai thì tôi vẫn phải là người bắt được. Nên trong đề bài tôi mới bắt nó có mục "không chắc", đó là chỗ nó tự khai phần nó không kiểm chứng được.

Cuối cùng, chữ "AI tự cải tiến" trong bài này không có nghĩa là một vòng lặp khép kín tự chạy không cần người. Ở cả ba ca kể trên đều có người ra đề, người kiểm chứng, người quyết định lấy hay bỏ. Vòng lặp đang ngắn lại, nhưng nó chưa tự đóng.

Bảy ngày tới anh em làm được gì?

Không cần biết code. Không cần tiếng Anh. Bảy việc, mỗi việc một buổi.

1. Ngồi liệt kê năm việc lặp lại hằng tuần trong công ty đang làm bằng cơm. Ghi rõ mỗi việc tốn bao nhiêu giờ.
2. Chọn đúng một việc, việc nào tốn nhiều giờ nhất mà rủi ro thấp nhất khi làm sai.
3. Viết đề bài cho việc đó theo ba phần: đầu vào ở đâu, đầu ra hình dạng thế nào, thế nào là làm xong.
4. Bật hai connector liên quan tới việc đó, để chế độ chỉ đọc.
5. Cho chạy thử năm lần trên dữ liệu thật. Ghi lại nó sai chỗ nào, sai kiểu gì.
6. Sửa đề bài theo đúng năm lần sai đó. Đừng sửa mô hình, sửa đề bài.
7. Đưa cho một trưởng phòng dùng thử một tuần, rồi nghe họ chê.

Bảng kiểm dưới đây tôi dùng để nghiệm thu mỗi con agent trước khi cho nó chạy thật. Anh em chép về dùng luôn.

BANG KIEM TRUOC KHI CHO AGENT CHAY THAT

DE BAI
[ ] Dau vao ghi ro nguon nao, khoang thoi gian nao
[ ] Dau ra co hinh dang co dinh, khong de no tu bay ra dinh dang moi
[ ] Co dinh nghia "the nao la xong", do duoc bang mat

QUYEN
[ ] Liet ke het tool no duoc dung, tung cai mot
[ ] Moi tool ghi ro doc hay ghi
[ ] Tat ca tool co ghi deu phai qua nguoi duyet trong 2 tuan dau
[ ] Khong tool nao duoc xoa du lieu

DU LIEU
[ ] Khong dua ten khach hang that ra ngoai he thong cua minh
[ ] Khong de so lieu kinh doanh trong phan dau ra cong khai
[ ] Co cho ghi lai no da doc gi, de con truy nguoc

NGHIEM THU
[ ] Chay 5 lan tren du lieu that, ghi lai tung lan
[ ] Dem so lan no bia thong tin. Muc chap nhan la 0
[ ] Co nguoi that doc dau ra truoc khi ai do hanh dong theo no
[ ] Hen lai lich soat sau 30 ngay

Anh em để ý mục quyền và mục dữ liệu. Hai mục đó không liên quan gì tới việc agent chạy nhanh hay chậm, nhưng đó là hai chỗ hỏng thì đau nhất.

Câu hỏi hay gặp

Không biết lập trình thì có làm được không?

Được. Thứ quyết định kết quả là hiểu nghiệp vụ chứ không phải viết code. Anh em cần biết công ty mình đang tắc ở đâu, mỗi tuần mất bao nhiêu giờ cho việc gì, đầu ra thế nào thì gọi là đạt. Phần nối hệ thống bây giờ đã thành bấm nút bật connector. Phần viết đề bài thì viết bằng tiếng Việt.

Vậy có nên bỏ hẳn việc theo dõi mô hình mới không?

Không cần bỏ hẳn, nhưng hạ nó xuống ưu tiên thấp. Nắm hãng nào đang đi hướng nào là đủ. Còn so đo điểm benchmark giữa hai bản thì gần như không đổi được gì trong công việc. Đọc thêm cách tôi đánh giá một bản mô hình mới ở bài Claude Fable 5 và ba thay đổi cho doanh nghiệp.

Cắm MCP vào hệ thống công ty thì có an toàn không?

An toàn hay không nằm ở cách phân quyền, không nằm ở bản thân MCP. Nguyên tắc tôi áp: hai tuần đầu chỉ cho đọc, mọi tool có quyền ghi đều phải qua người duyệt, và không tool nào được quyền xóa. Sau hai tuần nhìn lại log, cái nào chạy chuẩn thì mới nới dần.

Doanh nghiệp nhỏ có cần dữ liệu đồ thị không?

Chưa cần ngay. Việc trước tiên là cho agent chọc được vào dữ liệu đang có: hộp thư, bảng tính, hệ thống quản lý khách. Dữ liệu đồ thị đáng làm khi anh em đã có ít nhất hai ba mảng dữ liệu riêng và muốn tìm điểm giao nhau giữa chúng.

Bao lâu thì thấy kết quả?

Với một quy trình nhỏ và rõ, một tuần là chạy được bản đầu. Nhưng bản đầu bao giờ cũng còn nhiều chỗ sai, hai ba tuần sửa đề bài mới ra thứ dùng được hằng ngày. Ai hứa với anh em một ngày ra kết quả thì người đó chưa làm bao giờ.

Nếu tôi làm về database thì hai dịch chuyển này liên quan gì?

Liên quan trực tiếp. Agent chọc được vào database mới ra được giá trị, mà database chậm thì agent hỏi ba câu là hết kiên nhẫn. Nền tảng vẫn phải chắc. Anh em xem lại vì sao có index mà SQL vẫn chậm và tối ưu SQL nên bắt đầu từ đâu.

Đúc kết

Đúc kết ở đây là gì? Ba câu thôi.

Một, cuộc chơi đã rời khỏi lớp mô hình và rơi xuống lớp nối dữ liệu, và các hãng đang bỏ tiền thật để chiếm lớp đó. Hai, vòng lặp AI tự cải tiến đã có bằng chứng đo được trong tháng 5 năm 2026, ở cả phần cứng lẫn toán học, nhưng nó vẫn cần người ra đề và người nghiệm thu. Ba, doanh nghiệp nhỏ lần đầu tiên được dùng đúng thứ tập đoàn đang dùng, cùng lúc, với vài triệu một tháng.

Việc làm được ngay hôm nay: mở một trang giấy, ghi ra năm việc lặp lại đang làm bằng cơm trong công ty. Đó là bước một, và nó không cần công nghệ gì cả.

Cứ làm đi, sai lại sửa. Đừng chờ tới lúc thấy mình đủ giỏi rồi mới áp dụng, vì cái ngày đó không tới. Tùy anh em, phong cách nào cũng được.

Nguồn tham khảo

• Anthropic, thông cáo mua lại Stainless, 18/05/2026: anthropic.com
• TechCrunch, tin về thương vụ Stainless, 18/05/2026: techcrunch.com
• Google DeepMind, tổng kết một năm AlphaEvolve, 07/05/2026: deepmind.google
• Google Cloud, AlphaEvolve lên bản chính thức, 07/2026: cloud.google.com
• OpenAI, mô hình bác bỏ phỏng đoán trong hình học rời rạc, 20/05/2026: openai.com
• Nature, tin về kết quả bài toán 80 năm, 22/05/2026: nature.com
• Will Sawin, cận dưới tường minh cho bài toán khoảng cách đơn vị: arxiv.org