Khi hai khách là đối thủ, bài học được đi còn dữ liệu phải ở lại
Ranh giới nên nằm trong code và hợp đồng, đừng chỉ trông vào trí nhớ của bạn.
Tóm tắt nhanh
- Nhận việc cho hai đối thủ vẫn hợp đạo đức, miễn là không có thông tin nào đi từ khách này sang khách kia khi chưa được phép.
- Thứ được mang sang là pattern do vendor sở hữu. Dữ liệu, prompt riêng và mô hình huấn luyện trên dữ liệu khách thì ở lại.
- Ranh giới phải được ép trong lớp dữ liệu và kiểm bằng test mỗi lần release, đừng phó mặc cho sự cẩn thận của từng người.
Thử hình dung: thứ Hai bạn ngồi ở văn phòng chuỗi nhà hàng A, xong một hệ thống đối soát doanh thu giữa máy POS và các ứng dụng giao hàng.
Ba tuần sau, sales báo khách mới là chuỗi B, đối thủ trực tiếp của A, và họ muốn đúng thứ đó. Rất có thể câu hỏi đầu tiên B đặt ra trong buổi kickoff sẽ là: “Bên A đang làm thế nào?”
Câu trả lời đúng là bạn không kể. Nhưng không kể cũng không có nghĩa là bắt đầu lại từ số không. Nếu mỗi dự án đều phải làm lại từ đầu thì FDE chỉ là consultant đắt tiền. Còn nếu bạn mang sang nhầm thứ, công ty có thể mất cả hai khách cùng một lúc.
Kỹ năng ở đây là tách được bài học khỏi dữ liệu, và việc tách ấy phải làm bằng code và hợp đồng chứ không chỉ bằng ý thức.
Ranh giới đạo đức thật ra rất hẹp
David Mortman, một consultant bảo mật, đưa ra quy tắc nền khi làm cho hai công ty cạnh tranh: không bao giờ tiết lộ với một khách bất cứ điều gì về khách khác khi chưa được phép. Theo ông, nhận việc cho cả hai đối thủ là chấp nhận được, với điều kiện không có thông tin nào đi từ bên này sang bên kia.
Quy tắc này đơn giản, nhưng với FDE thì khó giữ hơn với consultant. Palantir mô tả product engineer là “một năng lực, nhiều khách hàng”, còn FDE là “một khách hàng, nhiều năng lực”.
Bạn làm sâu với một khách duy nhất, đọc dữ liệu thật của họ, mà theo The Pragmatic Engineer thì loại dữ liệu đó thường nhạy cảm và độc quyền, có khi còn nằm trong môi trường air-gapped.
Mặt khác, giá trị của FDE lại nằm ở chỗ những gì học được ở một khách sẽ quay về sản phẩm. Ở OpenAI, một cải tiến voice model vốn làm riêng cho một khách hàng về sau cũng có lợi cho Realtime API và mọi khách khác. Vậy bài toán là làm sao để bài học đi được còn bí mật thì đứng yên.
Ai sở hữu cái gì, xem hợp đồng trước code
Việc đầu tiên là đọc hợp đồng, chưa cần mở editor. Martin ở Databricks nói rằng muốn công việc dùng lại được và chảy về sản phẩm thì vendor phải sở hữu IP. Cùng bài viết đó cũng nói rõ rằng mô hình tùy biến huấn luyện trên dữ liệu của khách thuộc về khách.
Như vậy có ba nhóm. Code chung và pattern mà vendor sở hữu thì mang đi được. Dữ liệu, cấu hình nghiệp vụ và prompt chứa chi tiết riêng của A thuộc về A. Một mô hình fine-tune trên giao dịch của A cũng thuộc về A, kể cả khi bạn là người viết pipeline huấn luyện.
Irudayaraj ở Alteryx kể đúng trường hợp đối soát cho chuỗi nhà hàng: làm một lần rồi không phải làm lại cho những khách sau. Thứ được dùng lại ở đây là pattern, không phải dữ liệu của khách.
Tách bằng cấu trúc, đừng tách bằng trí nhớ
Ngay cả khi bạn tử tế, một agent RAG vẫn có thể làm lộ thông tin. Nó chỉ cần lấy nhầm một đoạn context của A khi trả lời câu hỏi của B. Wolfia mô tả pattern phòng thủ như sau: mỗi request AI phải được giới hạn trong một khách hàng, cả prompt lẫn context truy xuất.
Bộ lọc tenant được gắn sẵn vào lớp truy cập dữ liệu, nên query nào cũng phải đi qua nó, chứ không trông vào việc developer nhớ thêm. Mỗi lần release còn có test kiểm tra cách ly giữa các tenant.
Áp vào dự án đối soát, đoạn code có thể trông như sau:
class TenantScopedRetriever:
"""Mọi truy xuất đều bị khóa vào một tenant; không có đường vòng."""
def __init__(self, store, tenant_id: str):
if not tenant_id:
raise ValueError("tenant_id bắt buộc")
self._store = store
self._tenant = tenant_id
def search(self, query: str, k: int = 5):
# Bộ lọc gắn ở đây, không để người gọi tự nhớ
return self._store.search(query, k=k, filter={"tenant_id": self._tenant})
def test_khong_ro_ri_giua_tenant(store):
store.add("Tỷ lệ lệch doanh thu tháng 9", tenant_id="chuoi_a")
b = TenantScopedRetriever(store, "chuoi_b")
assert all(d.tenant_id == "chuoi_b" for d in b.search("lệch doanh thu"))
Điểm mấu chốt là agent không bao giờ được cầm store gốc, nó chỉ nhận retriever đã khóa tenant. Bạn hãy cài test kia vào CI để một lần refactor vội không thể âm thầm gỡ bộ lọc ra.
Viết thẻ bài học mà khách cũ không nhận ra mình
Lớp code chỉ giải quyết được một nửa. Nửa còn lại nằm trong đầu bạn và trong những ghi chú bạn để lại cho đội. Trước khi rời dự án A, bạn hãy viết thẻ bài học, rồi đọc lại từng dòng và tự hỏi: nếu CTO của A đọc dòng này, họ có nhận ra công ty mình không?
| Ghi chú thô sau dự án A | Thẻ bài học mang sang được |
|---|---|
| File payout tháng 9 của A lệch so với POS vì ứng dụng giao hàng chốt sổ trễ | File payout từ nền tảng giao hàng thường có độ trễ chốt sổ, nên đối soát theo mã đơn kèm sai số số tiền, không theo ngày |
| Kế toán của A chỉ tin báo cáo xuất lúc 6 giờ sáng | Hỏi sớm xem ai là người chốt số và họ tin nguồn nào |
| Prompt few-shot dùng 20 giao dịch thật của A | Cấu trúc prompt; ví dụ phải được viết lại từ dữ liệu giả |
Cột bên trái có ngày tháng, thói quen nội bộ và dữ liệu thật, nên không được rời khỏi dự án A. Cột bên phải là pattern mà ngành nào cũng gặp. Chỉ cột này mới đi vào wiki chung, vào template, hoặc thành ticket gửi đội sản phẩm.
Làm thế nào khi bắt đầu với khách B
Khi B hỏi “bên A làm thế nào”, hãy chuẩn bị sẵn một câu trả lời: “Tôi không chia sẻ gì về khách khác, cũng như sẽ không chia sẻ gì của anh chị với ai. Điều tôi mang đến là cách làm đã được kiểm chứng.” Thật ra chính câu này lại là lý do để B tin bạn.
Nếu bạn muốn dùng lại một thứ nằm ở vùng xám, chẳng hạn một case study, thì xin phép A bằng văn bản đúng như quy tắc của Mortman.
Phần đã khái quát hóa nên được đưa về sản phẩm, để nó trở thành “một năng lực, nhiều khách hàng” như cách Palantir mô tả việc của product engineer.
Khi đó bạn không còn phải mang bài học theo người nữa, vì nó đã trở thành tính năng.
Còn một bước nữa mà nhiều người bỏ qua, đó là kiểm tra chính sách huấn luyện của từng công cụ bên thứ ba trong stack. Tài liệu của HubSpot cho biết một số mô hình được huấn luyện trên dữ liệu của nhiều tài khoản khách hàng, và việc opt-out chỉ có hiệu lực từ thời điểm đó trở đi.
Với những công cụ như vậy, opt-out không gỡ được dữ liệu đã dùng để huấn luyện trước đó. Vì thế nên chốt chuyện này ngay từ ngày đầu, trước khi có bản ghi thật nào được nạp vào.
Bốn lỗi hay gặp
Lỗi phổ biến nhất là coi ranh giới là chuyện kỷ luật cá nhân. Nếu query nào cũng phải nhớ thêm tenant_id bằng tay thì sớm muộn sẽ có một query quên. Nếu kiến trúc cho phép rò rỉ thì một ngày nào đó nó sẽ rò rỉ.
Lỗi thứ hai là dùng giai thoại để bán hàng, kiểu “một chuỗi lớn trong ngành đang làm thế này”. Ở một thị trường chỉ có vài đối thủ, một chi tiết như vậy đủ để người nghe đoán ra là ai.
Lỗi thứ ba là mang mô hình fine-tune hoặc bộ few-shot của A sang B, trong khi theo Insight Partners mô hình huấn luyện trên dữ liệu của A thuộc về A. Lỗi thứ tư là tưởng opt-out xóa được quá khứ.
Biến kỹ năng này thành lợi thế khi đi xin việc
Khi kể về dự án cũ, bạn nên cho thấy mình đã khái quát hóa một giải pháp mà không làm lộ khách hàng.
Trên CV, một dòng kiểu “dựng lớp truy cập dữ liệu cô lập tenant cho agent RAG, có test cross-tenant trong CI; đóng gói pattern đối soát thành module dùng cho nhiều khách” cụ thể và dễ kiểm chứng hơn nhiều so với “có ý thức bảo mật”.
Khi đọc JD, bạn để ý các cụm như multi-tenant, data isolation hoặc “feed learnings back to product”. Nhiều khả năng đó là dấu hiệu công ty cần đúng kỹ năng này. Vào phỏng vấn, nếu được hỏi về dự án cũ, bạn hãy kể bằng ngôn ngữ của thẻ bài học. Cách kể đó tự nó đã chứng minh bạn biết giữ ranh giới.
Khách B sẽ không bao giờ biết A đã dạy bạn những gì. Thứ duy nhất từ A được phép sang tới B là cách làm, và B chỉ thấy nó qua việc dự án của mình không phải mò lại từ đầu.
Bài này có hữu ích không?
Cảm ơn bạn đã góp ý!
5 nguồn
- The Pragmatic Engineer: Forward Deployed Engineers · 2025-08-12
- What are the ethical issues when consulting for two competing companies? · 2009-02-03
- Demystifying the forward deployed engineer (Insight Partners) · 2026-07-14
- What measures prevent AI from leaking data between customers (Wolfia) · 2026-07-06
- HubSpot machine learning data · 2026-09-08