Tại sao AI Models không phải là lợi thế cạnh tranh duy nhất: Bài học từ chiến lược xây dựng AI Agent tại Target

Bài viết được dịch và tổng hợp từ tin tức gốc. Bạn có thể đọc bài viết gốc bằng tiếng Anh tại đây.

Điểm tin nhanh:

• Các mô hình AI chỉ là một phần, lợi thế cạnh tranh thực sự nằm ở lớp quản trị và kiến trúc xung quanh chúng.
• Target áp dụng mô hình 4 cấp độ để AI Agents tự động "kiếm" quyền tự chủ thay vì được cấp quyền mặc định.
• Khả năng quan sát, đo lường và truy xuất nguồn gốc (lineage) là yếu tố sống còn khi triển khai các hệ thống AI quy mô lớn.

Trong kỷ nguyên mà mọi doanh nghiệp đều chạy đua để tích hợp AI vào quy trình vận hành, câu hỏi lớn nhất không còn là "chúng ta dùng mô hình nào?" mà là "làm sao để kiểm soát được chúng?". Khi các mô hình ngôn ngữ lớn (LLM) trở nên phổ biến, sự khác biệt giữa một hệ thống AI thành công và một thảm họa kỹ thuật không nằm ở thuật toán, mà nằm ở lớp hạ tầng bao bọc xung quanh. Siobhán Mc Feeney, SVP tại Target, đã khẳng định tại VB Transform 2026 rằng các mô hình chỉ là công cụ, còn "con hào kinh tế" (moat) thực sự chính là cách chúng ta xây dựng hệ thống quản trị xung quanh chúng.

Tư duy thiết kế AI Agent: Không phải mọi thứ đều cần AI

Mc Feeney nhấn mạnh một quan điểm gây tranh cãi nhưng đầy thực tế: không phải mọi quy trình đều cần đến AI Agent. Việc lạm dụng AI mà không xác định rõ bài toán cần giải quyết là sai lầm phổ biến. Trước khi bắt đầu, đội ngũ kỹ thuật tại Target phải trả lời các câu hỏi cốt lõi:

• Bài toán này có thực sự cần một Agent không?
• Nếu có, đó là loại Agent nào (Orchestrator, Super Agent, hay Domain-specific Agent)?
• Liệu đây có phải chỉ là một công cụ (tool) đơn thuần mà không cần đến khả năng tự hành?

Việc xác định rõ ràng ngay từ đầu giúp tránh lãng phí tài nguyên. Nếu bạn đang loay hoay với việc tích hợp AI vào hệ thống cũ, hãy tham khảo cách hiện đại hóa hệ thống Legacy với AI để có cái nhìn tổng quan hơn về ranh giới giữa tự động hóa và tư duy kỹ thuật.

Kiến trúc và lớp quản trị: Con hào thực sự

Tại Target, AI Agents được tích hợp sâu vào kiến trúc hạ tầng, từ chuỗi cung ứng đến dự báo nhu cầu. Để đảm bảo tính ổn định, hệ thống được thiết kế với khả năng truy xuất nguồn gốc (lineage) từ thời điểm khởi tạo. Điều này cực kỳ quan trọng khi xảy ra sự cố vào lúc 2 giờ sáng, giúp đội ngũ kỹ sư hiểu rõ mọi quyết định mà Agent đã thực hiện.

Bảng so sánh các cấp độ tự chủ của AI Agent tại Target

Mẹo hay: Việc thiết lập các guardrails rõ ràng giúp đội ngũ kỹ sư có thể "go fast forever" mà không cần lo lắng về việc vi phạm các quy tắc bảo mật hay dữ liệu.

Nếu bạn đang xây dựng các hệ thống AI phức tạp, đừng quên tối ưu hóa quy trình dữ liệu. Việc sử dụng các giải pháp định tuyến thông minh như Tokenless có thể giúp cắt giảm đáng kể chi phí vận hành mà vẫn duy trì hiệu suất cao.

AI Agents phải tự kiếm quyền tự chủ

Triết lý của Target là AI Agents không được cấp quyền tự chủ mặc định. Chúng phải "kiếm" được quyền đó thông qua hiệu suất thực tế. Một ví dụ điển hình là hệ thống dự báo hàng tồn kho. Khi hệ thống đưa ra đề xuất khác biệt so với phân tích của con người, nhưng thực tế chứng minh nó chính xác hơn, hệ thống đó sẽ được tin tưởng và cấp thêm quyền tự chủ.

Việc quản lý các Agent này đòi hỏi một kỹ năng mới. Các kỹ sư không chỉ viết code mà còn phải đóng vai trò là người huấn luyện và giám sát. Điều này tương tự như cách chúng ta xây dựng các quy trình kiểm thử tự động, nơi mà quy trình porting phần mềm dựa trên kiểm thử tự động đóng vai trò then chốt để đảm bảo tính nhất quán.

Đánh giá & Lời khuyên Thực tiễn

Từ góc nhìn của một Senior Tech Lead, chiến lược của Target là một ví dụ điển hình về kỹ thuật phần mềm hiện đại áp dụng cho AI.

• Ưu điểm: Tạo ra sự minh bạch tuyệt đối, giảm thiểu rủi ro khi hệ thống gặp sự cố và tối ưu hóa chi phí dựa trên hiệu quả thực tế.
• Nhược điểm: Đòi hỏi chi phí đầu tư ban đầu rất lớn cho hạ tầng quản trị và thay đổi văn hóa doanh nghiệp.
• Phạm vi ứng dụng: Phù hợp với các doanh nghiệp có quy mô lớn, nơi dữ liệu và quy trình vận hành cực kỳ phức tạp.

Lưu ý: Đừng bao giờ bỏ qua bước giám sát (observability). Nếu bạn không thể đo lường được sự trôi dạt (drift) của mô hình, bạn không thể kiểm soát được hành vi của Agent. Hãy luôn giữ con người trong vòng lặp (human-in-the-loop) cho đến khi hệ thống chứng minh được độ tin cậy tuyệt đối.

Câu hỏi thường gặp (FAQ)

Tại sao Target lại coi trọng lớp quản trị hơn mô hình AI?

Vì mô hình chỉ là thành phần xử lý, còn lớp quản trị mới là thứ đảm bảo tính an toàn, tuân thủ và hiệu quả kinh doanh thực tế trong môi trường Production.

Làm sao để biết một AI Agent đã sẵn sàng cho cấp độ tự chủ cao hơn?

Thông qua việc đo lường độ chính xác, mức độ trôi dạt (drift) và khả năng đạt được mục tiêu so với dữ liệu lịch sử hoặc kết quả thực tế.

Có nên tự xây dựng hệ thống quản trị AI từ đầu không?

Nếu doanh nghiệp có quy mô lớn và yêu cầu đặc thù, việc tự xây dựng là cần thiết. Tuy nhiên, hãy cân nhắc sử dụng các giao thức chuẩn như Model Context Protocol (MCP) để giảm bớt công sức tích hợp thủ công.

Kết luận

Câu chuyện của Target là minh chứng cho thấy AI không phải là một phép màu có thể giải quyết mọi vấn đề ngay lập tức. Để khai thác sức mạnh của AI, chúng ta cần tư duy như những kỹ sư hệ thống: xây dựng các lớp guardrails, thiết lập quy trình kiểm soát chặt chẽ và không ngừng đo lường. Nếu bạn đang phát triển các giải pháp AI, hãy bắt đầu bằng việc xây dựng một hạ tầng vững chắc ngay từ hôm nay. Đừng quên theo dõi hi_dev để cập nhật những kiến thức chuyên sâu về kỹ thuật và các xu hướng công nghệ mới nhất.