Khi nói về AI trong công việc, hình ảnh quen thuộc thường là một nhân viên mở cửa sổ chat rồi yêu cầu mô hình viết email, tóm tắt tài liệu hoặc phân tích một số dữ liệu. Task được thực hiện nhanh hơn, nhưng con người vẫn phải đưa chỉ dẫn từng bước và tự đưa kết quả sang phần tiếp theo của workflow.
AI Agent đẩy ranh giới đó đi xa hơn.
Thay vì chờ từng prompt riêng lẻ, một agent có thể nhận một mục tiêu, quyết định cần những bước nào, dùng công cụ, kiểm tra kết quả rồi tiếp tục nhiều hành động trong các giới hạn đã được xác định. Câu hỏi kinh tế vì thế chuyển từ "AI có thể làm một task nhanh hơn bao nhiêu?" sang điều gì xảy ra khi AI có thể quản lý một chuỗi task xuyên suốt cả workflow?
OECD công bố Agentic AI in organisations vào tháng 9/2026, dựa trên các cuộc phỏng vấn với tổ chức ở nhiều khu vực và lĩnh vực. Kết quả cho thấy các hệ thống agentic đã được phát triển và triển khai, trong khi quản trị, đo lường và thực hành vận hành vẫn ở giai đoạn đầu.
Bài viết trước của chúng tôi, AI có thực sự lấy mất việc làm – hay khiến một số công việc trở nên có giá trị hơn?, đã phân tích vì sao AI thường thay đổi task trước khi thay đổi toàn bộ công việc. Khi nhiều task được kết nối thông qua agent, thứ được thiết kế lại có thể trở thành chính workflow.
AI Agent không chỉ là một chatbot thông minh hơn
Một chatbot quen thuộc thường đi theo mô hình đơn giản:
người dùng hỏi → AI trả lời → người dùng quyết định điều gì xảy ra tiếp theo
Agent có thể hoạt động theo một vòng lặp dài hơn:
mục tiêu → lập kế hoạch → dùng công cụ → hành động → kiểm tra kết quả → điều chỉnh → tiếp tục hoặc chuyển cấp
Anthropic mô tả agent là những hệ thống có thể làm việc trên nhiều ứng dụng, viết và chạy code, quản lý file và hoàn thành các task gồm nhiều bước. Điều đó mang lại mức tự chủ cao hơn, tức nhiều quyền hành động hơn trong phạm vi công cụ, quyền truy cập và giới hạn do con người đặt ra.
Hãy lấy bán hàng làm ví dụ.
Chatbot có thể soạn một email follow-up. Agent có thể nhận mục tiêu "theo dõi các lead có tiềm năng cao", kiểm tra CRM, xem trạng thái tài khoản, soạn nội dung tiếp cận, chọn thời điểm gửi, ghi lại kết quả, đặt lịch họp và chuyển trường hợp cho nhân viên bán hàng khi cần phán đoán của con người.
Phần lớn các task đó vốn đã tồn tại. Điều thay đổi là khả năng kết nối chúng mà không cần một người đứng giữa mọi lần handoff.
Kinh tế thay đổi khi AI đi từ task sang workflow
AI trong công việc ở giai đoạn đầu thường tập trung vào năng suất cá nhân: viết nhanh hơn, tìm kiếm nhanh hơn hoặc tóm tắt cuộc họp nhanh hơn.
Nhưng doanh nghiệp không vận hành như những task tách biệt. Công việc di chuyển qua con người, nhóm, hệ thống phần mềm và chuỗi phê duyệt.
Một quy trình mua hàng có thể nhận yêu cầu, kiểm tra tồn kho, xin báo giá, so sánh nhà cung cấp, xin phê duyệt, tạo đơn mua, theo dõi giao hàng và chuyển thông tin cho kế toán. Sự chậm trễ đôi khi đến ít hơn từ một bước riêng lẻ và nhiều hơn từ việc chờ thông tin, kiểm tra lại dữ liệu và phối hợp giữa các chức năng.
Đó là nơi một agent có thể tạo ra tác động kinh tế khác với một copilot được một nhân viên sử dụng.
Global Survey on AI 2026 của McKinsey cho thấy 80% người trả lời nói AI đã cải thiện năng suất cá nhân, trong khi chỉ 37% cho rằng việc sử dụng AI của tổ chức tạo ra ít nhất một phần tác động đến EBIT. Khoảng cách này không chứng minh rằng agent sẽ giải quyết được vấn đề, nhưng nó cho thấy vì sao làm một người nhanh hơn không tự động khiến cả tổ chức có lợi nhuận cao hơn.
Nếu workflow vẫn có phê duyệt trùng lặp, chuyển file và các hệ thống không kết nối với nhau, lợi ích có thể dừng lại ở bàn làm việc của nhân viên.
Giá trị có thể nằm ở những lần handoff giữa các bước
Vì vậy, giá trị kinh doanh của agent không chỉ nằm ở số giờ lao động được tiết kiệm.
Nó có thể đến từ việc giảm thời gian chờ, công việc copy-and-paste, follow-up, lỗi chuyển dữ liệu và lượng phối hợp của con người cần thiết giữa các hệ thống.
Ví dụ, quy trình hóa đơn có thể nhận tài liệu, xác thực các trường dữ liệu, đối chiếu với đơn mua, đánh dấu bất thường, chuẩn bị bút toán kế toán rồi chuyển trường hợp để phê duyệt. Nếu agent xử lý được các phần có cấu trúc như một chuỗi thống nhất, con người có thể chỉ cần can thiệp khi dữ liệu không khớp, vượt ngưỡng hoặc xuất hiện điều gì đó bất thường.
Agent không phải là lao động số với chi phí bằng không.
Tổ chức vẫn phải trả chi phí cho mô hình, tích hợp phần mềm, chuẩn bị dữ liệu, quyền truy cập, giám sát, đánh giá, bảo mật và việc con người xem xét các trường hợp ngoại lệ. Một số workflow có thể tạo ra khoản tiết kiệm lớn. Những workflow khác có thể tốn nhiều tiền để tự động hóa hơn giá trị chúng mang lại.
Vì vậy, kinh tế của agent nên được đo ở cấp độ workflow, chứ không chỉ bằng số giờ làm việc của nhân viên có vẻ như được tiết kiệm.
Công việc của con người có thể chuyển từ làm mọi bước sang giám sát hệ thống
Khi agent đảm nhận nhiều phần thực thi hơn, vị trí của con người trong workflow có thể thay đổi.
Thay vì:
làm → handoff → kiểm tra → tiếp tục → xin phê duyệt
mô hình có thể trở thành:
đặt mục tiêu → xác định giới hạn → xem xét ngoại lệ → quyết định → chịu trách nhiệm
Điều này liên hệ trực tiếp với vấn đề thị trường lao động trong A10. Nếu AI trở nên tốt hơn ở một số task, giá trị của con người có thể chuyển sang phán đoán, bối cảnh, giao tiếp và trách nhiệm giải trình. Agent làm câu hỏi này rõ hơn vì chúng có thể tiếp quản cả chuỗi công việc thay vì chỉ những task riêng lẻ.
Work Trend Index 2026 của Microsoft cho Thái Lan cho biết 32% lao động Thái trong mẫu khảo sát thuộc nhóm "Frontier Professionals", so với mức trung bình toàn cầu 16%, trong khi các tổ chức Thái vẫn gặp thách thức khi chuyển từ việc sử dụng AI cá nhân sang các workflow cốt lõi của tổ chức.
Đây là bằng chứng từ nền tảng và khảo sát của Microsoft, không phải số liệu thị trường lao động đại diện cho toàn quốc. Nhưng nó làm rõ một khác biệt quan trọng: giỏi sử dụng AI ở cấp độ cá nhân không đồng nghĩa với việc thiết kế lại cả tổ chức xoay quanh AI.
Tự chủ nhiều hơn không có nghĩa là loại con người khỏi hệ thống
Điểm hấp dẫn của agent là khả năng tiếp tục làm việc với ít giám sát từng bước hơn. Chính đặc tính đó cũng mở rộng rủi ro.
Nếu chatbot đưa ra một câu trả lời sai, con người có thể nhận ra trước khi hành động. Nếu agent hiểu sai mục tiêu và có quyền truy cập vào nhiều hệ thống, lỗi có thể đi qua nhiều bước trước khi có người nhìn thấy.
Anthropic xác định các rủi ro như hiểu sai ý định của người dùng và các cuộc tấn công prompt injection nhằm thao túng agent thực hiện những hành động không nên làm.
Điều này khiến thiết kế human-in-the-loop tinh tế hơn việc yêu cầu con người phê duyệt từng cú nhấp chuột.
Tổ chức có thể xác định:
- agent được phép truy cập hệ thống nào
- giới hạn giao dịch hoặc chi tiêu
- hành động nào cần phê duyệt
- dữ liệu nào không được rời khỏi một ranh giới nhất định
- ngoại lệ nào phải chuyển cấp
- điểm nào quy trình phải dừng để chờ quyết định của con người
Mục tiêu không nhất thiết là loại con người khỏi workflow. Mục tiêu là chọn nơi phán đoán của con người có giá trị nhất.
Doanh nghiệp lớn và SMEs có thể không hưởng lợi với cùng tốc độ
Hiệu quả của agent phụ thuộc vào nhiều thứ hơn bản thân mô hình AI. Nó còn phụ thuộc vào chất lượng dữ liệu, tích hợp hệ thống, quyền truy cập và mức độ rõ ràng của workflow hiện có.
Điều đó khiến một công ty có CRM, ERP, APIs, quản trị dữ liệu và đội IT có điểm xuất phát khác với một doanh nghiệp nhỏ vẫn vận hành bằng bảng tính, ứng dụng chat và tài liệu phân tán trên nhiều hệ thống.
D4SME Survey 2026 của OECD cho thấy việc sử dụng AI trong SMEs đang tăng và một số doanh nghiệp đang thử nghiệm AI Agent, nhưng mức độ tích hợp có chiến lược và an toàn vào hoạt động kinh doanh vẫn không đồng đều. Hạn chế về thời gian, chi phí bảo trì và thiếu hụt kỹ năng nằm trong số các rào cản.
Điều này tạo ra một câu hỏi cạnh tranh thú vị hơn việc ai có chatbot trước.
Nếu agent thực sự giảm chi phí phối hợp, những doanh nghiệp có dữ liệu và hệ thống tốt hơn có thể giảm chi phí trên mỗi giao dịch hoặc xử lý nhiều công việc hơn trước khi các đối thủ nhỏ bắt kịp. Nếu lợi thế đó tích lũy, khoảng cách năng suất giữa các doanh nghiệp có thể rộng hơn.
Kịch bản ngược lại cũng có thể xảy ra. Những agent đóng gói sẵn, rẻ và dễ triển khai có thể giảm bất lợi công nghệ của SMEs. Vẫn còn quá sớm để cho rằng chỉ doanh nghiệp lớn mới được hưởng lợi.
Nếu điều này tiến xa hơn nhiều về phía AGI thì sao?
AI Agent hiện nay không phải là Artificial General Intelligence, hay AGI, khái niệm dùng cho AI có năng lực rộng trên nhiều lĩnh vực.
Một framework về AI literacy của OECD và European Commission mô tả AGI là những hệ thống có thể đạt hoặc vượt độ linh hoạt nhận thức và năng lực của một người trưởng thành có học vấn tốt, đồng thời cho biết hiện chưa có hệ thống như vậy tồn tại.
Phim ảnh thường mô tả điều rộng hơn rất nhiều: một trí tuệ số có thể tự học, lập kế hoạch, quyết định và hành động gần như trong mọi lĩnh vực. Hình ảnh đó vượt xa các agent mà doanh nghiệp đang thử nghiệm ngày nay.
Các agent hiện tại vẫn hoạt động với mục tiêu, công cụ, quyền truy cập và giới hạn do con người cung cấp, và chúng vẫn có thể thất bại ở những task tưởng như bình thường.
Nếu một ngày các hệ thống chuyển từ quản lý workflow chuyên biệt sang năng lực tổng quát rộng theo kiểu gắn với AGI, tác động đối với kinh doanh và lao động sẽ là một câu hỏi ở cấp độ khác. Trước thời điểm đó, vấn đề thực tế hơn là con người nên đứng ở đâu trong workflow khi agent đảm nhận ngày càng nhiều phần thực thi.
Tiếp theo nên theo dõi điều gì
Tín hiệu đầu tiên là agent chuyển từ pilot sang workflow vận hành thực tế nhanh đến đâu. Một demo thành công không giống việc hoạt động mỗi ngày với dữ liệu, khách hàng và tiền thật.
Tín hiệu thứ hai là doanh nghiệp có bắt đầu đo ROI ở cấp độ workflow hay không. Nếu báo cáo vẫn chỉ tập trung vào tỷ lệ áp dụng hoặc số giờ lao động tiết kiệm, tác động kinh tế có thể vẫn chưa rõ.
Tín hiệu thứ ba là tổ chức sẵn sàng cấp cho agent bao nhiêu quyền – chỉ đọc, soạn thảo, giao dịch hay hành động không cần phê duyệt. Điều đó cho thấy cả mức độ tin tưởng lẫn rủi ro được chấp nhận.
Tín hiệu thứ tư là tỷ lệ ngoại lệ và các điểm chuyển cấp cho con người. Một hệ thống trông có vẻ tự chủ trên màn hình vẫn có thể phụ thuộc vào lượng lớn công việc con người không nhìn thấy.
Đối với Thái Lan, một tín hiệu khác là SMEs có thể tiếp cận các hệ thống agent đáng tin cậy với chi phí hợp lý hay không. Nếu agentic workflows đòi hỏi hạ tầng dữ liệu và tích hợp đắt đỏ, khoảng cách năng suất giữa các doanh nghiệp có thể mở rộng. Nếu các hệ thống đóng gói sẵn làm giảm mạnh các chi phí đó, doanh nghiệp nhỏ có thể hưởng lợi sớm hơn dự kiến.
Làn sóng AI đầu tiên tại nơi làm việc khiến chúng ta hỏi: "AI có thể giúp task này không?" AI Agent đẩy câu hỏi đi xa hơn: "Chúng ta có còn cần thiết kế workflow theo cách này nữa không?" Có lẽ đó là nơi tác động kinh doanh trở nên sâu hơn nhiều so với việc chỉ có một trợ lý viết nhanh hơn.
