Chuyến đi vào bộ não doanh nghiệp nơi AI bắt đầu biết nhớ

Chuyến đi vào bộ não doanh nghiệp nơi AI bắt đầu biết nhớ

Sapo

Có một thời điểm rất dễ nhận ra khi bước vào một doanh nghiệp đang thử nghiệm AI.

Mọi người đều hào hứng. Chatbot trả lời nhanh. AI viết email. AI tóm tắt tài liệu. AI tạo kế hoạch marketing. Một vài nhân viên thậm chí có cảm giác họ vừa tuyển được một trợ lý làm việc 24/7.

Nhưng rồi vấn đề xuất hiện.

AI không nhớ người trước vừa làm gì. Nó không biết một quyết định được đưa ra cách đây vài tuần có ảnh hưởng thế nào đến dự án hôm nay. Nó có thể đọc tài liệu, nhưng không thực sự hiểu cấu trúc công việc phía sau tài liệu đó.

Đó là khoảng cách giữa một chatbot thông minh và một đồng nghiệp AI.

Một hướng tiếp cận mới đang cố giải quyết khoảng cách này bằng cách biến dữ liệu công việc của doanh nghiệp thành một "bộ não chung", nơi con người và AI cùng nhìn thấy tiến độ, mục tiêu, nhiệm vụ và kết quả.

Chuyến đi bắt đầu từ một thứ tưởng như rất cũ: dữ liệu công việc đã được tích lũy trong nhiều năm.

Tin tức chính vừa xảy ra

Tại VB Transform 2026, lãnh đạo sản phẩm của Asana đã trình bày cách công ty đưa AI agent vào môi trường doanh nghiệp thông qua Agentic Work Management, hay AWM.

Điểm đáng chú ý không nằm ở việc AI có thể viết một bản mô tả công việc hay tạo nội dung marketing.

Những thứ đó đã trở nên phổ biến.

Điểm đáng chú ý là cách AI được đặt vào toàn bộ hệ thống vận hành của doanh nghiệp.

Thay vì xem AI là trợ lý riêng của từng nhân viên, AWM xem AI agent như một thành viên trong đội ngũ. Agent có thể thực hiện nhiệm vụ, quan sát tiến độ, sử dụng kiến thức chung của tổ chức và ghi nhận kết quả trở lại hệ thống.

Asana cho biết hệ thống đã được đưa vào sản xuất và có nhiều khách hàng sử dụng, trong đó có FedEx.

Đây là dấu hiệu quan trọng.

AI doanh nghiệp đang bắt đầu dịch chuyển từ giai đoạn "hãy hỏi AI một câu" sang "hãy giao cho AI một phần công việc".

Điều gì mới?

Hãy tưởng tượng một công ty giống như một thành phố.

Mỗi nhân viên là một người đang di chuyển trong thành phố đó. Mỗi nhiệm vụ là một con đường. Mỗi dự án là một khu phố. Mỗi mục tiêu kinh doanh là một điểm đến lớn hơn.

Một chatbot thông thường chỉ nhìn thấy người đang hỏi nó và câu hỏi vừa được gửi.

Nó giống một du khách đứng ở ngã tư.

Nó có bản đồ rất tốt, nhưng không nhất thiết biết người đã đi qua đây trước đó đã làm gì.

Work Graph của Asana tiếp cận vấn đề theo cách khác.

Kiến trúc này đã được xây dựng qua khoảng 18 năm dữ liệu công việc. Nó tổ chức thông tin từ cấp độ nhỏ nhất là task, rồi kết nối task với project, project với portfolio và portfolio với mục tiêu của doanh nghiệp.

Nhờ vậy, một nhiệm vụ không còn là một mẩu dữ liệu độc lập.

Một task trễ có thể liên quan đến một dự án.

Dự án đó có thể ảnh hưởng đến portfolio.

Portfolio lại liên quan đến mục tiêu doanh thu hoặc mục tiêu chiến lược.

Đây chính là lớp ngữ cảnh mà các AI agent thông thường thường thiếu.

Tại sao nó quan trọng?

Vấn đề lớn nhất của chatbot doanh nghiệp hiện nay không hẳn là thiếu trí thông minh.

Đó là thiếu trạng thái.

Một người dùng có thể yêu cầu AI:

Hãy xây dựng chiến dịch marketing dựa trên dữ liệu các chiến dịch trước đây và nghiên cứu đối thủ.

AI có thể gọi Slack, Google Drive, Databricks hoặc các hệ thống khác thông qua những cơ chế tích hợp như MCP.

Nó tìm dữ liệu.

Nó suy luận.

Nó tạo ra câu trả lời.

Xong.

Ngày hôm sau, một nhân viên khác yêu cầu xây dựng một chiến dịch tương tự.

AI lại bắt đầu gần như từ đầu.

Đây là khác biệt rất lớn giữa AI trả lời câu hỏi và AI tham gia vào tổ chức.

Một doanh nghiệp không vận hành bằng hàng triệu câu hỏi độc lập.

Nó vận hành bằng quy trình.

Một quyết định tạo ra một nhiệm vụ. Nhiệm vụ tạo ra kết quả. Kết quả thay đổi trạng thái dự án. Trạng thái dự án ảnh hưởng đến mục tiêu lớn hơn.

Nếu AI không ghi nhận chuỗi quan hệ đó, mỗi lần sử dụng AI gần như là một chuyến đi mới.

Sản phẩm hoạt động thế nào?

AWM cố gắng biến AI agent thành một đồng nghiệp có thể huấn luyện.

Người dùng không cần phải suy nghĩ quá nhiều về prompt engineering.

Ví dụ, thay vì viết một prompt dài:

"Đọc tài liệu A, B, C, tìm các yêu cầu liên quan, đối chiếu với tiêu chuẩn nội bộ, nghiên cứu thị trường rồi tạo bản mô tả công việc..."

Người dùng có thể giao một nhiệm vụ giống như giao việc cho một nhân viên.

AI phía sau tự tìm ngữ cảnh phù hợp.

Một nhiệm vụ đơn giản có thể được xử lý bằng mô hình nhẹ và nhanh.

Một nhiệm vụ phức tạp hơn có thể được chuyển tới các frontier model mạnh hơn, chẳng hạn các mô hình của Anthropic hoặc OpenAI.

Đây là một lớp model routing.

Người sử dụng không cần biết phía sau đang chạy mô hình nào.

Điều này rất giống cách một doanh nghiệp phân công con người.

Không ai giao một công việc kế toán đơn giản cho cả ban giám đốc.

Và cũng không nên dùng hệ thống suy luận nặng cho mọi câu hỏi nhỏ.

Dữ liệu nằm ở đâu?

Đây mới là phần đáng chú ý nhất.

Giá trị của hệ thống không chỉ nằm trong mô hình AI.

Nó nằm ở context graph.

Work Graph tạo ra một sổ cái liên tục về:

• Ai đang làm gì.
• Việc đó thuộc dự án nào.
• Dự án thuộc mục tiêu nào.
• Thời hạn là khi nào.
• Công việc đang ở trạng thái nào.
• Kết quả có cải thiện dự án hay không.
• Một hành động nhỏ tác động thế nào đến mục tiêu lớn.

Khi AI hoàn thành một task, hệ thống không chỉ trả về văn bản.

Nó có thể ghi nhận metadata và trạng thái của công việc.

Đó chính là bước chuyển từ AI tạo nội dung sang AI tạo trạng thái doanh nghiệp.

Một doanh nghiệp có thể có hàng triệu tài liệu.

Nhưng tài liệu không nhất thiết cho biết chính xác công việc đang chạy ở đâu.

Dữ liệu workflow mới làm được điều đó.

Doanh nghiệp kiếm tiền và tạo giá trị thế nào?

Mô hình kinh doanh của AWM cũng cho thấy một bài toán rất thực tế.

AI agent không tiêu tốn tài nguyên giống nhau.

Một task đơn giản có thể cần rất ít tính toán.

Một task phức tạp có thể yêu cầu nhiều bước suy luận, nhiều context và mô hình mạnh hơn.

Nếu doanh nghiệp phải hiểu từng token, từng model và từng mức tiêu thụ tài nguyên, trải nghiệm sẽ nhanh chóng trở nên phức tạp.

Vì vậy, AWM hướng tới việc đơn giản hóa billing theo task hoàn thành.

Đằng sau hệ thống có thể xảy ra những phép tính phức tạp.

Nhưng khách hàng không cần quản lý chúng.

Đây là một nguyên tắc quan trọng trong sản phẩm doanh nghiệp:

Sự phức tạp nên nằm dưới nền tảng, không nằm trong đầu người sử dụng.

AI càng mạnh, nguyên tắc này càng quan trọng.

Platform hay product?

Đây không chỉ là một sản phẩm AI.

Nó có tham vọng trở thành một platform cho đội ngũ người + AI.

Sự khác biệt nằm ở chỗ AI không hoạt động bên ngoài workflow.

Nó nằm bên trong workflow.

Đó là lý do dữ liệu lịch sử trở nên quan trọng.

Một frontier model có thể rất giỏi ngôn ngữ, lập luận và tạo nội dung.

Nhưng nó không tự nhiên biết:

• Công ty này thường phê duyệt dự án thế nào.
• Bộ phận marketing phối hợp với tài chính ra sao.
• Những bước nào thường gây chậm tiến độ.
• Một ngành cụ thể có quy trình vận hành nào.
• Những quyết định trước đây đã tạo ra kết quả gì.

Đó là kiến thức nằm trong hệ thống vận hành.

Và nó có thể trở thành lợi thế phòng thủ rất mạnh.

Đối thủ và lợi thế cạnh tranh

Điều thú vị là những công ty cung cấp mô hình AI cho AWM cũng đang xây dựng sản phẩm agent của riêng họ.

Đây là một mối quan hệ khá kỳ lạ.

Nhà cung cấp mô hình vừa là đối tác, vừa có thể trở thành đối thủ.

Một AI agent hoạt động trong Slack có thể rất hữu ích.

Nhưng để trở thành hệ thống vận hành doanh nghiệp, nó cần nhiều hơn một giao diện trò chuyện.

Nó cần quyền truy cập.

Cần credentials.

Cần workflow.

Cần dữ liệu lịch sử.

Cần governance.

Cần kiểm soát quyền.

Và quan trọng nhất, nó cần hiểu mối quan hệ giữa các công việc.

Đây là nơi một nền tảng workflow lâu năm có thể có lợi thế.

Không phải vì mô hình AI nhất thiết tốt hơn.

Mà vì ngữ cảnh doanh nghiệp sâu hơn.

Rủi ro

Nhưng bộ nhớ chung cũng tạo ra vấn đề lớn nhất của nó.

Bảo mật.

Hãy tưởng tượng một giám đốc sử dụng AI agent để xử lý một dự án M&A bí mật.

Agent học được thông tin từ dự án đó.

Sau đó một nhân viên khác sử dụng cùng agent.

Nếu hệ thống coi toàn bộ memory là tài sản chung, thông tin mật có thể trở thành một quả bom.

Do đó, "AI có bộ nhớ" không thể đồng nghĩa với "AI nhớ tất cả".

Hệ thống phải phân biệt giữa:

AI được phép nhớ điều gì

và

AI được phép sử dụng điều gì trong một ngữ cảnh cụ thể.

Đây là bài toán data governance, access control và memory architecture.

Và nó có thể trở thành một trong những phần khó nhất của enterprise AI.

Việt Nam sẽ bị tác động thế nào?

Đây là nơi câu chuyện trở nên gần với doanh nghiệp Việt Nam hơn chúng ta tưởng.

Phần lớn doanh nghiệp bắt đầu AI từ những công cụ rất nhỏ.

Viết nội dung.

Tóm tắt văn bản.

Dịch tài liệu.

Viết email.

Phân tích bảng tính.

Nhưng bước tiếp theo sẽ không phải là mua thêm chatbot.

Nó là kết nối AI với workflow.

Một doanh nghiệp bán lẻ có thể để AI theo dõi tiến độ mở cửa hàng.

Một công ty logistics có thể để agent theo dõi đơn hàng, cảnh báo điểm nghẽn và phân công công việc.

Một doanh nghiệp phần mềm có thể để nhiều agent hỗ trợ product, QA, marketing và customer success.

Một công ty du lịch có thể kết nối sản phẩm, khách hàng, nội dung, booking và vận hành thành một workflow liên tục.

Khi đó, AI không còn là một chiếc hộp để nhân viên hỏi.

Nó trở thành một lớp vận hành nằm giữa dữ liệu và con người.

Với Việt Nam, đây có thể là một lợi thế đáng kể.

Nhiều doanh nghiệp trong nước chưa bị khóa quá sâu vào những hệ thống legacy phức tạp như các tập đoàn lâu đời ở phương Tây. Nếu thiết kế kiến trúc dữ liệu và workflow đúng ngay từ đầu, họ có cơ hội đưa agent vào vận hành nhanh hơn.

Nhưng điều kiện tiên quyết là dữ liệu phải sạch.

Nếu quy trình doanh nghiệp vẫn nằm trong Excel rời rạc, nhóm chat, email cá nhân và những "quy tắc chỉ có sếp biết", AI sẽ rất khó trở thành đồng nghiệp thực sự.

Doanh nghiệp Việt Nam nên làm gì?

Không nên bắt đầu bằng câu hỏi:

"Chúng ta nên mua AI agent nào?"

Nên bắt đầu bằng:

"Công việc nào trong doanh nghiệp đang lặp lại và có thể đo được?"

Sau đó xây theo thứ tự.

Một là, chuẩn hóa workflow.

AI không thể tự động hóa một quy trình mà con người cũng không hiểu rõ.

Hai là, xây lớp dữ liệu công việc.

Không chỉ lưu tài liệu. Hãy lưu task, trạng thái, người chịu trách nhiệm, deadline, kết quả và quan hệ giữa các nhiệm vụ.

Ba là, phân quyền từ đầu.

Memory của AI phải tuân theo permission của doanh nghiệp.

Bốn là, dùng model routing.

Không phải nhiệm vụ nào cũng cần mô hình mạnh nhất.

Năm là, đo kết quả.

Agent hoàn thành task chưa đủ.

Doanh nghiệp phải biết task đó có thực sự cải thiện KPI hay chỉ tạo thêm một lớp tự động hóa vô nghĩa.

Kết luận

Cuộc cạnh tranh AI doanh nghiệp có thể sẽ không được quyết định hoàn toàn bởi mô hình nào thông minh nhất.

Nó có thể được quyết định bởi một thứ ít hào nhoáng hơn: ai hiểu được công việc của doanh nghiệp sâu nhất.

Một chatbot biết trả lời rất nhiều câu hỏi vẫn chỉ là chatbot.

Một agent biết công ty đang làm gì, vì sao đang làm, ai chịu trách nhiệm, việc nào đang chậm, quyết định trước đó tạo ra kết quả gì và được phép nhìn thấy phần thông tin nào mới bắt đầu giống một đồng nghiệp.

Đó cũng là lý do câu chuyện về Work Graph đáng chú ý.

Sau khoảng 18 năm tích lũy dữ liệu công việc, một hệ thống quản trị công việc có thể được tái sử dụng như nền móng cho thế hệ AI agent mới.

Chuyến đi này không thực sự bắt đầu từ AI.

Nó bắt đầu từ dữ liệu.

Không bắt đầu từ chatbot.

Nó bắt đầu từ workflow.

Và không kết thúc ở việc AI tạo ra một câu trả lời hay.

Đích đến là một doanh nghiệp nơi con người và AI cùng làm việc trên một hệ thống trạng thái chung, nhưng mỗi bên chỉ nhìn thấy những gì mình được phép nhìn thấy.

Đó mới là bước chuyển lớn.

Từ AI biết nói sang AI biết làm việc.

Và xa hơn nữa, từ những AI agent riêng lẻ sang một hệ điều hành chung cho con người và máy móc.