a16z phân tích cuộc chiến giữa phần mềm quản trị hệ thống và AI chuyên biệt trong kỷ nguyên Agent

Mỹ | Công nghệ | Ý kiến | Văn hóa | Biểu đồ

Lập luận ủng hộ các hệ thống lưu trữ dữ liệu (systems of record) hiện hành cho rằng AI làm cho các hệ thống này trở nên quan trọng hơn chứ không phải ít quan trọng đi. Tại sao? Bởi vì về lý thuyết, khách hàng giờ đây có thể truyền dữ liệu của hệ thống vào Claude hoặc Codex và bỏ qua ứng dụng AI-native (ứng dụng thuần AI).

Khi các tác nhân (agents) thực hiện nhiều công việc hơn thông qua các hệ thống này, dữ liệu và các hành động mà chúng kiểm soát sẽ trở nên có giá trị hơn. Do đó, một hệ thống lưu trữ dữ liệu hiện hành kết hợp với một tác nhân tổng quát (hoặc một tác nhân do chính đơn vị hiện hành xây dựng) có thể là đủ để hoàn thành công việc. Đây chính là điều mà Salesforce vừa công bố trong quan hệ đối tác với Anthropic: Claudeforce cho phép bạn làm việc với CRM của Salesforce ngay từ bên trong Claude mà không cần phải mở Salesforce (hoặc ít nhất họ tuyên bố như vậy!).

Lập luận này đúng một phần. Các đơn vị hiện hành không hề ngồi yên.

Các đơn vị hiện hành có động lực để kiểm soát và thu phí truy cập dữ liệu của họ, và giờ đây là thúc đẩy các tác nhân của riêng họ phát triển. Chúng ta đã thấy các đơn vị hiện hành tiếp thị những sản phẩm chuyển dịch từ việc chỉ lưu trữ thông tin sang việc tự thực hiện nhiều công việc hơn. Iris của Docusign xem xét các hợp đồng, Rovo của Atlassian nhắm đến việc giải quyết và điều phối các yêu cầu, và Composer của Klaviyo xây dựng các chiến dịch cũng như đánh giá hiệu quả tiếp thị. Những sản phẩm này đưa các đơn vị hiện hành vượt ra ngoài chiến lược "gắn thêm chatbot" để tiến tới việc thực hiện hành động thực tế.

Đồng thời, Claude đang bắt đầu điều phối công việc trên các ứng dụng, giúp các tác nhân đa năng có thể đóng vai trò như một lớp nằm trên các hệ thống hiện hành. Claudeforce cho thấy điều đó có thể trông như thế nào: Claude có thể trở thành "cửa ngõ" cho công việc trong khi Salesforce vẫn kiểm soát dữ liệu và các hành động CRM cơ bản. Giao diện và hệ thống lưu trữ dữ liệu dường như đang tách rời, tạo cơ hội cho các startup AI-native tập hợp lại xung quanh công việc đó.

Vậy các startup có thể cạnh tranh ở đâu?

Công ty AI-native theo chiều dọc (vertical AI-native) phải chiến thắng nhờ sự tập trung. Nó phải thực hiện một công việc cụ thể xuyên hệ thống tốt hơn tác nhân chuyên dụng của đơn vị hiện hành hoặc tác nhân đa năng như Claude, vốn có thể tái tạo công việc đó từ các công cụ cơ bản. Sự tập trung có thể mang lại cho startup theo chiều dọc quyền truy cập sâu hơn, tài sản dữ liệu có chủ đích, bối cảnh cụ thể hơn và một vòng lặp học tập giúp xây dựng sự hiểu biết tốt hơn theo thời gian về thế nào là một công việc chất lượng.

Để thấy rõ nơi nào các đơn vị hiện hành mạnh nhất và nơi nào các công ty AI theo chiều dọc có thể có lợi thế, việc xem xét bốn loại tác nhân ở cấp độ ứng dụng, được phân biệt bởi mức độ tự chủ và khả năng phán đoán mà mỗi loại yêu cầu, sẽ rất hữu ích.

Trợ lý truy xuất (Retrieval assistants) tìm kiếm thông tin, tóm tắt tài liệu, trả lời câu hỏi và soạn thảo phản hồi. Tác nhân quy trình (Process agents) thực hiện các công việc dựa trên quy tắc như cập nhật hồ sơ hoặc điều phối phê duyệt, sử dụng khả năng phán đoán hạn chế để diễn giải nhiệm vụ và hành động. Tác nhân chính sách (Policy agents) áp dụng các quy tắc trong sổ tay, tiền lệ và ngưỡng của tổ chức vào các trường hợp mơ hồ. Tác nhân chủ chốt (Principal agents) đưa ra các quyết định phán đoán về những gì tổ chức nên làm, thường là với các đánh đổi mở về chiến lược, rủi ro và nguồn lực.

Một năm trước, hầu hết các sản phẩm AI của các đơn vị hiện hành vẫn chỉ ở giai đoạn truy xuất, nếu có. Chúng hoạt động chủ yếu như các chatbot và công cụ phân tích lấy dữ liệu từ các hồ sơ hiện có. Giờ đây, nhiều sản phẩm có thể thực hiện hành động dựa trên các quy trình làm việc, quyền hạn và quy tắc đã được nhúng sẵn. Một vài đơn vị đang bắt đầu áp dụng chính sách hẹp do con người định nghĩa. Việc phán đoán trở nên khó khăn hơn khi quyết định phụ thuộc vào thông tin nằm ngoài hồ sơ mà đơn vị hiện hành quản lý.

Sự thay đổi rộng lớn mà chúng ta đang thấy là các đơn vị hiện hành đang tiến lên trong hệ thống phân cấp, từ truy xuất và quy trình sang phán đoán nhiều hơn thông qua chính sách, chẳng hạn như Iris của Docusign áp dụng sổ tay của đội ngũ pháp lý. Nhưng sự phán đoán đó vẫn phần lớn bị giới hạn bởi hồ sơ mà đơn vị hiện hành sở hữu.

Một đơn vị hiện hành có thể tự động hóa nhiều công việc hơn xung quanh hồ sơ cốt lõi của nó, nhưng công việc mà khách hàng cần hoàn thành lại lớn hơn hồ sơ đó. Đây không phải là một ranh giới kỹ thuật cứng nhắc vì các đơn vị hiện hành có thể lấy dữ liệu bên ngoài và thêm các quy trình làm việc, nhưng công việc của họ vẫn mở rộng ra từ hồ sơ mà họ đã sở hữu.

Công việc của khách hàng được hoàn thành thông qua sự kết hợp giữa con người, quy trình và phần mềm của họ. Hợp đồng không phải là vấn đề pháp lý, phiếu yêu cầu không phải là giải pháp cho khách hàng, và cơ hội không phải là doanh số bán hàng. Công việc trọn vẹn bao trùm các ứng dụng, đội ngũ và thậm chí cả các công ty. Các bên khác nhau có thể nắm giữ thông tin khác nhau và muốn các kết quả khác nhau. Đơn vị hiện hành bị giới hạn trong việc xây dựng một "hệ thống làm việc cục bộ", nhưng cơ hội lớn hơn là quản lý công việc xuyên suốt các ranh giới, bao gồm tất cả các bên, con người, tài liệu, quyết định, chỉnh sửa và kết quả cuối cùng.

Một tác nhân đa năng như Claude hoặc Codex có thể tiếp cận tất cả các hệ thống này, nhưng chỉ riêng quyền truy cập không có nghĩa là nó có thể thực hiện công việc tốt. Ngay cả khi sử dụng MCP, việc lấy thông tin trên các ứng dụng vẫn có độ trễ, và mỗi ứng dụng có thể mô tả cùng một khách hàng, hợp đồng hoặc giao dịch theo cách khác nhau. Ngay cả khi một tác nhân đa năng có thể truy cập mọi ứng dụng trong một công ty, nó không tự động có quyền truy cập vào thông tin do các bên bên ngoài nắm giữ (ví dụ: giữa người mua và nhà cung cấp).

Ngay cả với những hạn chế này, Claude vẫn có thể nằm trên các hệ thống lưu trữ dữ liệu. Claudeforce biến Claude thành cửa ngõ cho công việc trong khi Salesforce vẫn sở hữu dữ liệu và các hành động CRM. Và Claude có thể tiếp tục thu thập bối cảnh thông qua các tích hợp sâu hơn được các đơn vị hiện hành chấp thuận.

Sở hữu nhiều hơn phần việc của công việc là điều quan trọng vì nó cho phép các startup nhìn thấy các quyết định và sự điều chỉnh dẫn đến kết quả cuối cùng. Một mô hình hoạt động tốt hơn trên một công việc cụ thể thông qua một khung hỗ trợ theo chiều dọc với bối cảnh, công cụ, quy trình làm việc và đánh giá phù hợp. Vòng lặp học tập là thứ cải thiện hệ thống - mô hình + khung hỗ trợ - sau mỗi công việc, sử dụng công việc của tác nhân, phản hồi của chuyên gia và chính các kết quả để cải thiện lần thử tiếp theo.

Chỉ riêng các hồ sơ đã hoàn thành không tự động đủ làm giáo trình đào tạo cho công việc. Một hợp đồng đã ký cho thấy các bên đã đồng ý điều gì, nhưng không cho thấy mọi phương án thay thế đã được xem xét hoặc mọi lý do cho một ngoại lệ. Một phiếu yêu cầu đã đóng cho thấy giải pháp, nhưng không cho thấy mọi giả thuyết mà đội ngũ hỗ trợ đã thử nghiệm.

Các phòng thí nghiệm cũng đang xây dựng bộ nhớ đa năng, vì vậy việc chỉ bảo tồn bối cảnh không phải là một lợi thế bền vững. Ghi nhớ và học hỏi là hai việc khác nhau. Bộ nhớ có thể giúp một tác nhân đa năng nhớ lại sở thích của khách hàng hoặc một quyết định đã đưa ra tuần trước. Nhưng nó không cho tác nhân biết liệu công việc đó có tốt hay không, tại sao một chuyên gia lại thay đổi nó, hoặc cần thay đổi gì vào lần tới. Sự tập trung cho phép công ty nhìn thấy nhiều ví dụ hơn về cùng một công việc, học hỏi nhanh hơn và đo lường sự cải thiện tốt hơn.

Có hai loại học tập. Học cách một chuyên gia giỏi thực hiện công việc. Một công ty có thể bắt đầu dạy điều đó bằng các bài tập do chuyên gia tạo ra, các ví dụ thực tế và các tiêu chuẩn cho một kết quả tốt.

Học cách một công ty hoặc khách hàng cụ thể thực hiện công việc, bao gồm các mẫu và tiền lệ, ngưỡng rủi ro và quy tắc leo thang của họ. Điều đó có thể bắt đầu với các tài liệu hiện có của khách hàng và cải thiện thông qua các chỉnh sửa và ngoại lệ trong quá trình đào tạo. Một số bài học về nghề nghiệp có thể cải thiện sản phẩm cho mọi khách hàng, nhưng các bài học về một công ty cụ thể có thể chỉ cải thiện sản phẩm cho riêng công ty đó.

Để học cả nghề nghiệp và tổ chức, startup không cần phải bắt đầu với lượng dữ liệu lịch sử lớn nhất. Nó có thể tạo ra một giáo trình cho nghề nghiệp, sau đó sử dụng quá trình sản xuất để tìm hiểu về tổ chức. Khi các mô hình mã nguồn mở (open-weight) và quá trình hậu đào tạo (post-training) phát triển, việc tập hợp đúng dữ liệu và các đánh giá trở nên quan trọng hơn bao giờ hết.

Các tác nhân hoạt động lâu dài đặc biệt hưởng lợi từ các vòng lặp học tập. Khi một tác nhân thực hiện công việc trong nhiều giờ hoặc nhiều ngày, thông qua một chuỗi logic phức tạp với nhiều quyết định trung gian và bàn giao, chất lượng của vòng lặp học tập càng quan trọng hơn. Nhiệm vụ có tầm nhìn dài hạn hơn có thể được tách nhỏ và đánh giá thông qua một tập hợp các điểm kiểm tra.

Cần làm rõ rằng, các đơn vị hiện hành cũng sẽ học hỏi từ công việc được thực hiện bên trong sản phẩm của họ. Nhưng việc học đó sẽ chỉ bao gồm phần việc của họ: xem xét hợp đồng trong Docusign, giải quyết phiếu yêu cầu trong Jira, hoặc cập nhật quy trình trong Salesforce.

Công việc của Harvey trên Tenet cho thấy con đường cho AI theo chiều dọc có thể trông như thế nào. Harvey đã hậu đào tạo một mô hình mã nguồn mở bằng cách sử dụng dữ liệu tổng hợp, dữ liệu pháp lý công khai và dữ liệu do chuyên gia con người tạo ra, mà không cần sử dụng dữ liệu khách hàng để bắt đầu. Nó đã tạo ra khoảng 1.750 môi trường nhiệm vụ pháp lý, mỗi môi trường mô phỏng một vấn đề do đối tác giao, hoàn chỉnh với tài liệu, công cụ và tiêu chí của chuyên gia cho một kết quả chất lượng cao. Nhiệm vụ trung bình có khoảng 50 tiêu chí cụ thể. Thay vì chờ đợi nhiều năm để tích lũy đủ lịch sử khách hàng, Harvey đã tạo ra một giáo trình mà nó có thể sử dụng để đào tạo và đánh giá mô hình của mình.

Công việc rộng hơn của Harvey cũng cho thấy cách một công ty theo chiều dọc có thể đào tạo một mô hình cho các phần khác nhau của công việc, bao gồm các khả năng đặc thù của ngành như thẩm định M&A và hiểu biết toàn bộ kiến thức của một công ty.

Cơ hội của startup là kết hợp tất cả lại với nhau. Sự chuyên biệt theo chiều dọc giúp startup chia nhỏ công việc thành các khả năng cụ thể, giải quyết các ma sát thực tế xung quanh quyền dữ liệu, hệ thống và cấp quyền, đồng thời đưa sản phẩm vào công việc hàng ngày của khách hàng. Cuối cùng, nó có thể cảm thấy thoải mái khi chịu trách nhiệm về kết quả. Triển khai và trách nhiệm là chìa khóa ở đây!

Lấy Harvey làm một ví dụ, dưới đây là một vài trục để đánh giá các thị trường AI theo chiều dọc tiềm năng.

Một chuyên gia có thể nhanh chóng biết AI đã làm đúng hay sai, và giải thích cách cải thiện nó không?

Công việc có đủ khó để khả năng phán đoán trở nên quan trọng (so với các quy tắc đơn giản) không?

Công việc có diễn ra đủ thường xuyên để sản phẩm học hỏi không?

Startup có thể bắt đầu với một nhiệm vụ và phát triển thành việc thực hiện toàn bộ công việc không?

Các thị trường AI theo chiều dọc tốt nhất thường đáp ứng cả bốn yếu tố này, mang lại cho chúng một vòng lặp học tập mạnh mẽ.

Nhiều quy trình làm việc trong lĩnh vực pháp lý, thuế và kế toán đáp ứng bài kiểm tra này vì công việc lặp đi lặp lại, đòi hỏi sự phán đoán và các chuyên gia đã xem xét kết quả. Mô hình này cũng xuất hiện ở các thị trường ít rõ ràng hơn như công nghiệp. Khi một lỗi sản xuất xuất hiện, một kỹ sư chất lượng phải thu thập kết quả kiểm tra, tài liệu nhà cung cấp, nhật ký thiết bị và các quy tắc nhà máy, sau đó quyết định điều gì là chấp nhận được và điều gì cần thay đổi. Thông tin đó có thể nằm trên nhiều hệ thống. Một đơn vị hiện hành có thể lưu trữ báo cáo lỗi, nhưng không có sản phẩm đơn lẻ nào sở hữu toàn bộ quá trình điều tra. Một startup có thể bắt đầu với một phần của công việc này (ví dụ: soạn thảo báo cáo điều tra) và theo thời gian sở hữu toàn bộ quá trình giải quyết từ đầu đến cuối. Để làm được điều này, nó cần học cả cách một kỹ sư chất lượng giỏi điều tra vấn đề và cách một nhà máy, khách hàng hoặc kiểm toán viên cụ thể thực hiện điều đó tốt như thế nào.

Có những công việc mà hệ thống lưu trữ dữ liệu cộng với một tác nhân đa năng là đủ, nhưng vẫn có cơ hội đáng kể cho các startup AI-native theo chiều dọc! Những cơ hội theo chiều dọc mạnh mẽ nhất tồn tại ở nơi công việc diễn ra thường xuyên, sự phán đoán của chuyên gia là quan trọng và vòng lặp học tập mạnh mẽ. Đơn vị hiện hành có thể sở hữu hồ sơ và phòng thí nghiệm có thể kiểm soát cửa ngõ, nhưng công ty AI theo chiều dọc vẫn có thể chiến thắng bằng cách trở thành đơn vị giỏi nhất trong việc tự thực hiện công việc đó.