# Khi lãnh đạo khách hàng muốn một “nhân viên AI làm được mọi thứ”: FDE cần tách AGI khỏi agent ngay từ buổi họp đầu

> Thứ khách hàng đang hình dung vẫn chỉ là giả thuyết, còn thứ bạn giao được là một hệ thống do kỹ sư lắp ráp. Việc của FDE là nối hai thứ đó mà không dập tắt kỳ vọng của khách.

Bản gốc: https://fdetimes.net/vi/phan-tich/ai-va-agi-noi-chuyen-ky-vong-voi-lanh-dao-khach/

Năm 1965, Herbert Simon dự đoán rằng chỉ trong hai mươi năm, máy móc sẽ làm được mọi công việc con người làm. Hơn sáu mươi năm sau, lời hứa ấy vẫn còn, chỉ đổi cách nói. Giờ người ta gọi nó là “nhân viên AI”.

Nếu làm FDE, sớm muộn bạn cũng gặp cảnh này. Giám đốc phía khách hàng xem vài bản demo, đọc vài tiêu đề báo, rồi hỏi: bao giờ thì có một nhân viên AI tự lo hết mọi việc? Câu hỏi đó không ngớ ngẩn.

Có điều nó gộp hai thứ rất khác nhau vào một, và nếu bạn không tách chúng ra ngay từ buổi họp đầu, dự án sẽ được đánh giá theo một chuẩn mà không hệ thống nào hiện nay đạt được.

Thứ khách hàng hình dung là AGI. Thứ bạn giao được là một agent. Khoảng cách giữa hai thứ này không phải chuyện đợi model thông minh hơn. Nó là một bản thiết kế, và FDE là người vẽ bản thiết kế đó cùng khách.

## “Làm được mọi thứ” đã có tên, và nó vẫn là giả thuyết

Wikipedia định nghĩa AGI là một dạng trí tuệ nhân tạo giả định, ngang hoặc vượt con người ở gần như mọi tác vụ nhận thức. Chữ quan trọng nhất ở đây là “giả định”. Một nhân viên AI tự lo hết mọi việc khớp gần như nguyên văn với định nghĩa này, nghĩa là đó chưa phải sản phẩm có thể mua hay triển khai.

Những gì đang chạy ở doanh nghiệp hiện nay thuộc nhóm AI hẹp, hay AI yếu: giải được một bài toán cụ thể nhưng không có năng lực nhận thức tổng quát. Đó chính là khoảng cách giữa hệ thống bạn sẽ deploy và hình ảnh trong đầu vị giám đốc.

Bạn cũng không nên sa vào tranh luận khi nào AGI xuất hiện. Dự đoán của Simon đã sai. Geoffrey Hinton từng cho rằng AGI còn cách “30 đến 50 năm hoặc lâu hơn”, rồi chính ông lại điều chỉnh mạnh con số đó. Khi các chuyên gia hàng đầu còn bất đồng đến vậy, cãi về mốc thời gian chỉ khiến cuộc họp lạc đề.

Câu nên nói là: thứ đó chưa có, còn đây là thứ chúng ta làm được trong quý này.

## Thứ bạn giao được là một agent, và agent được lắp ráp từ nhiều phần

Prompt Engineering Guide của DAIR.AI định nghĩa agent là hệ thống dùng LLM, được thiết kế để tự hành động và giải quyết những tác vụ phức tạp. Lý do agent ra đời rất thực tế: một LLM đứng riêng sẽ hụt hơi khi tác vụ cần nhiều bước, cần lập kế hoạch và suy luận.

Vì thế người ta gắn thêm cho nó khả năng lập kế hoạch và tự rà soát, quyền dùng công cụ, và bộ nhớ.

Như vậy, “nhân viên AI” không phải một bộ óc tổng quát. Nó là một tổ hợp do kỹ sư ghép lại, và mỗi phần trong tổ hợp đều có giới hạn riêng.

Tài liệu tool use của Anthropic cho thấy giới hạn đó cụ thể đến mức nào. Claude không tự thực thi gì cả. Nó chỉ trả về một lệnh gọi có cấu trúc, rồi ứng dụng của bạn thực thi lệnh đó (client tool) hoặc Anthropic thực thi (server tool).

Model cũng chỉ gọi tool khi yêu cầu khớp với khả năng được mô tả trong tool và câu trả lời chưa có sẵn trong ngữ cảnh.

**Điểm mấu chốt:** Agent chỉ “làm được mọi thứ” trong phạm vi những tool bạn đã nối vào và mô tả cho rõ.

Câu này là điểm tựa cho cả cuộc nói chuyện. Nó chuyển câu hỏi từ “AI có đủ thông minh không” sang “mình nối nó vào những hệ thống nào, với quyền gì”, và lãnh đạo khách hàng ra quyết định được với câu hỏi thứ hai.

## Từ lời khách nói đến câu FDE nên hỏi lại

Bảng dưới đây ghép từng câu kỳ vọng thường gặp với cách hệ thống thực sự vận hành. Cột cuối là câu hỏi ngược giúp biến kỳ vọng thành phạm vi công việc.

| Khách nói | Hệ thống thực sự làm gì | Câu FDE nên hỏi lại |
|---|---|---|
| “Nó tự biết phải làm gì” | Chỉ gọi tool khi yêu cầu khớp với khả năng đã mô tả | “Ba việc cụ thể đầu tiên anh muốn nó làm là gì?” |
| “Nó tự vào hệ thống của mình” | Model chỉ đề xuất lệnh gọi, ứng dụng của mình mới thực thi | “Hệ thống nào, quyền đọc hay ghi, ai chịu trách nhiệm?” |
| “Thiếu thông tin thì nó tự xử lý” | Thiếu tham số bắt buộc, model có thể tự suy ra một giá trị nghe hợp lý | “Trường nào bắt buộc phải hỏi lại người dùng?” |
| “Cứ để nó tự quyết” | Càng tự chủ thì chi phí càng cao và lỗi càng dễ cộng dồn | “Bước nào bắt buộc có người duyệt?” |
| “Làm luôn bản đầy đủ” | Nên bắt đầu từ giải pháp đơn giản nhất, cần thì mới thêm phức tạp | “Phần nào của quy trình đã cố định và viết thành code được?” |

Cột thứ ba là phần bạn phải tự thêm vào: đọc tài liệu kỹ thuật rồi chuyển nó thành câu hỏi giúp khách ra quyết định. Đó là kỹ năng cốt lõi của FDE.

## Đi hết một ví dụ: agent hoàn tiền

Thử hình dung một chuỗi bán lẻ muốn “nhân viên AI chăm sóc khách hàng” xử lý luôn việc hoàn tiền. Bạn nối cho agent ba tool: tra cứu đơn hàng, kiểm tra chính sách đổi trả, tạo lệnh hoàn tiền. Một khách nhắn: “Tôi muốn trả lại đôi giày mua tuần trước”, mà không đưa mã đơn.

Tài liệu của Anthropic cảnh báo rằng khi thiếu tham số bắt buộc, model có thể tự suy ra một giá trị nghe hợp lý. Trong ví dụ này, “hợp lý” có thể là đơn giày gần nhất của một khách hàng khác. Một nhân viên thật sẽ hỏi lại. Với agent, đừng trông vào may rủi: hãy thiết kế để nó buộc phải hỏi.

Giờ đến chuyện lỗi cộng dồn, thứ Anthropic gọi thẳng là cái giá của sự tự chủ. Đây là phép tính minh họa, không phải số liệu đo được: nếu mỗi bước của agent đúng 95%, một chuỗi 10 bước nối tiếp chỉ đúng trọn vẹn khoảng 60% (0,95 mũ 10 ≈ 0,599).

Con số đó đủ để một giám đốc hiểu vì sao “cứ để nó tự quyết” là một quyết định có rủi ro.

Lối ra nằm ở cách Anthropic phân biệt hai loại hệ thống. Workflow điều phối LLM và tool theo những đường code định sẵn. Agent thì để LLM tự điều khiển quá trình của nó. Với việc hoàn tiền, các bước tra đơn và kiểm tra chính sách đều đã cố định, nên viết thành workflow là hợp lý.

Chỉ phần hiểu lời khách và soạn câu trả lời mới cần đến sự linh hoạt của model.

Theo Anthropic, hệ thống agent thường chấp nhận chậm hơn và tốn kém hơn để làm tác vụ tốt hơn. Có những ca đáng đánh đổi, nhưng không phải ca nào cũng vậy. Ở ví dụ này, lệnh hoàn tiền nên có người duyệt cho đến khi dữ liệu chạy thử trong sandbox chứng minh điều ngược lại.

Đó cũng là cách Anthropic khuyến nghị: thử kỹ trong môi trường cô lập và đặt guardrail.

## Nói “chưa” mà không làm khách mất hứng

Sai lầm hay gặp nhất là phản bác thẳng: “Cái anh muốn là AGI, chưa ai làm được.” Câu đó đúng, nhưng nó dập tắt luôn cảm hứng đã đưa bạn vào phòng họp. Cách tốt hơn là thừa nhận đích đến, rồi vạch ra con đường đi tới đó theo ba bước:

1. Gọi đúng tên thứ khách đang hình dung và nói thật rằng nó vẫn là giả thuyết.
2. Cùng khách liệt kê các việc cụ thể, chọn một việc có quy trình rõ để làm workflow trước.
3. Hẹn những mốc mà ở đó dữ liệu sẽ quyết định có nới thêm quyền tự chủ hay không.

Lời khuyên của Anthropic là tìm giải pháp đơn giản nhất và chỉ thêm phức tạp khi thực sự cần. Đây là câu bạn nên mang theo vào phòng họp. Nó không phải lời từ chối, mà là một kế hoạch có thứ tự, thứ người ra quyết định có thể duyệt, theo dõi và đo được.

## Kỹ năng đáng luyện là dịch kỳ vọng thành phạm vi

Nhiều developer Việt mạnh về code nhưng ít luyện việc chuyển kỳ vọng mơ hồ thành phạm vi cụ thể, trong khi FDE dùng kỹ năng này hằng ngày. Hãy tập giải thích AGI, AI hẹp và agent bằng những câu một giám đốc kinh doanh nghe là hiểu.

Khi đọc JD, để ý các cụm như “translate business requirements”, “scope with stakeholders” hay “customer-facing”. Trong CV, đừng chỉ ghi “xây agent bằng LLM”; hãy viết rõ bạn chọn workflow thay cho agent ở đâu, đặt bước duyệt chỗ nào, và vì sao.

Một dự án cá nhân nhỏ là đủ: một agent có vài tool, kèm một trang ghi lại các ca thiếu tham số và cách bạn buộc model hỏi lại. Trang ghi chép ấy cho thấy cách bạn nghĩ về giới hạn của hệ thống, điều một bản demo “làm được mọi thứ” không thể hiện được.

Lời hứa của Simon trượt vì nó đặt cược vào việc máy sẽ tự hiểu con người muốn gì. Việc của FDE là không đặt cược như vậy: ngồi với khách, viết ra từng việc khách cần, rồi cấp cho agent đúng những tool để làm từng việc đó.

**Thử ngay tuần này:**

- Viết sẵn một đoạn khoảng 60 giây giải thích khác biệt giữa AGI và agent cho người không làm kỹ thuật, rồi tập nói thử với một người bạn không làm IT.
- Lấy một quy trình thật ở công ty bạn, chẳng hạn hoàn tiền hay duyệt đơn, rồi tách nó thành các bước. Đánh dấu bước nào viết thành workflow cố định được, bước nào cần agent tự quyết, bước nào bắt buộc người duyệt.
- Tự dựng một agent nhỏ có 2–3 tool bằng API tool use, cố tình gửi yêu cầu thiếu tham số bắt buộc và ghi lại xem model hỏi lại hay tự đoán.

## Nguồn

- [Artificial general intelligence - Wikipedia](https://en.wikipedia.org/wiki/Artificial_general_intelligence)

- [Introduction to AI Agents - Prompt Engineering Guide (DAIR.AI)](https://www.promptingguide.ai/agents/introduction)

- [Tool use with Claude](https://platform.claude.com/docs/en/agents-and-tools/tool-use/overview)

- [Building effective agents (Anthropic)](https://www.anthropic.com/research/building-effective-agents)