Agentic AI: Công nghệ tự chủ định hình tương lai

Agentic AI là gì?

Nối tiếp sự phát triển của Generative AI, Agentic AI là một nhánh mới của trí tuệ nhân tạo hứa hẹn mang lại kỷ nguyên tự chủ và khả năng tư duy độc lập cho các giải pháp AI. Agentic AI là một lớp AI tập trung vào các hệ thống tự hành có khả năng đưa ra quyết định và thực hiện nhiệm vụ mà không cần sự can thiệp của con người. Các hệ thống độc lập này tự động phản ứng với các điều kiện để tạo ra kết quả xử lý.

Không giống như tự động hóa quy trình robot (RPA) và các tác nhân AI truyền thống vốn thường có các quy tắc cố định được lập trình sẵn, Agentic AI hoạt động độc lập hơn, đưa ra quyết định thông qua việc học hỏi liên tục và phân tích dữ liệu bên ngoài cùng các tập dữ liệu phức tạp. Agentic AI có khả năng tự đặt mục tiêu, lập chiến lược, đưa ra quyết định và thực hiện hành động độc lập. Công nghệ này thậm chí có thể tự điều chỉnh hành vi của mình thông qua cơ chế thử – sai để đảm bảo đạt được mục tiêu.

Một đặc điểm nổi bật khác của Agentic AI là khả năng “xâu chuỗi” các nhiệm vụ phức tạp bằng cách chia chúng thành nhiều bước nhỏ hơn, dễ quản lý và triển khai hiệu quả.

Việc triển khai Agentic AI có thể yêu cầu nhiều kỹ thuật AI khác nhau, tùy thuộc vào môi trường, như xử lý ngôn ngữ tự nhiên (NLP), học máy (ML) và thị giác máy tính.

Quy trình hoạt động của Agentic AI

Agentic AI kết hợp nhận thức, lý luận và hành động để hoạt động một cách độc lập. Theo một nguồn tin, Agentic AI hoạt động theo quy trình bốn bước để giải quyết vấn đề hiệu quả và tự chủ:

1. Nhận thức (Perceive): Agentic AI thu thập và xử lý dữ liệu từ nhiều nguồn như cảm biến, cơ sở dữ liệu và giao diện kỹ thuật số. Quá trình này bao gồm việc trích xuất đặc trưng có ý nghĩa, nhận diện đối tượng hoặc xác định các thực thể liên quan trong môi trường để xây dựng hiểu biết rõ ràng về bối cảnh xung quanh. AI tác nhân bắt đầu bằng cách thu thập thông tin từ môi trường của nó, chẳng hạn như văn bản, hình ảnh hoặc thông tin đầu vào của người dùng. Sử dụng các công cụ như xử lý ngôn ngữ tự nhiên (NLP) hoặc nhận dạng mẫu, nó diễn giải dữ liệu này để hiểu ngữ cảnh và xác định nhiệm vụ trong tầm tay.
2. Lý luận (Reason): Mô hình ngôn ngữ lớn (LLM) đóng vai trò là bộ máy lý luận, hiểu nhiệm vụ, tạo ra các giải pháp và phối hợp với các mô hình chuyên biệt để thực hiện chức năng cụ thể (như tạo nội dung, xử lý hình ảnh). Nó áp dụng lý luận để đánh giá các lựa chọn và lập kế hoạch hành động tốt nhất. Kỹ thuật như Retrieval-Augmented Generation (RAG) có thể được sử dụng để truy cập dữ liệu độc quyền, cung cấp kết quả chính xác, phù hợp, giúp Agentic AI đưa ra quyết định tối ưu.
3. Hành động (Act): Agentic AI thực hiện các nhiệm vụ dựa trên kế hoạch đã đề ra, thường bằng cách tích hợp với các công cụ và phần mềm bên ngoài thông qua API. Các biện pháp kiểm soát có thể được xây dựng để đảm bảo các tác nhân thực hiện nhiệm vụ chính xác.
4. Học tập (Learn): Agentic AI liên tục học hỏi từ kinh nghiệm của chính nó, một quá trình được gọi là “Data Flywheel” (vòng xoay dữ liệu). Dữ liệu liên tục được thu thập và phân tích để giúp Agentic AI nâng cao mô hình, thích ứng, đưa ra quyết định chính xác hơn theo thời gian và nâng cao hiệu suất hoạt động. Nó theo dõi kết quả và học hỏi từ phản hồi, cải thiện hiệu suất theo thời gian.

Chu trình nhận thức, lập kế hoạch, hành động và học tập này cho phép AI xử lý các nhiệm vụ phức tạp và thích ứng với những thách thức mới với sự giám sát tối thiểu của con người. Đặc biệt, học tăng cường (RL) là yếu tố thiết yếu hỗ trợ Agentic AI đưa ra lựa chọn tự định hướng thông qua phương pháp thử-sai, tinh chỉnh khả năng ra quyết định theo thời gian. Học sâu (Deep Learning) hỗ trợ Agentic AI học các đặc trưng từ tập dữ liệu phức tạp và rộng lớn thông qua mạng nơ-ron đa lớp. Khi kết hợp, RL và học sâu cho phép các tác nhân AI tự động điều chỉnh, tối ưu hóa quy trình và tham gia vào các hành vi phức tạp với sự kiểm soát hạn chế từ con người.

Ứng dụng thực tế của Agentic AI

Agentic AI đã và đang được ứng dụng rộng rãi trong nhiều ngành công nghiệp và lĩnh vực khác nhau để tự động hóa các nhiệm vụ phức tạp:

• Phát triển phần mềm: Các tác nhân AI có thể viết mã nguồn, xem xét mã, và thậm chí thực hiện các nhiệm vụ phi mã hóa như dịch ngược thông số kỹ thuật từ mã. Chúng có thể tự động thiết kế kiến trúc hệ thống, viết code, debug và giám sát quy trình đảm bảo chất lượng, đẩy nhanh tốc độ phát triển.
• Tự động hóa hỗ trợ khách hàng: Các tác nhân AI có thể cải thiện dịch vụ khách hàng bằng cách nâng cao khả năng của chatbot trả lời nhiều câu hỏi hơn, không chỉ giới hạn trong các câu trả lời được lập trình sẵn. Chúng thích ứng linh hoạt với nhu cầu người dùng, cung cấp giải pháp cá nhân hóa. Ví dụ, Walmart sử dụng chatbot AI xử lý 80% yêu cầu của khách hàng một cách tự động. Chúng có thể giải quyết vấn đề tự chủ, chuyển các vấn đề phức tạp cho nhân viên con người, và phân tích tương tác để xác định xu hướng.
• Quy trình doanh nghiệp/Vận hành kinh doanh: Các tác nhân AI có thể tự động hóa các nhiệm vụ định kỳ bằng cách xử lý dữ liệu chung, không cần API được lập trình sẵn cho các nhiệm vụ cụ thể. Chúng xử lý lượng dữ liệu khổng lồ, hỗ trợ quản lý chuỗi cung ứng tự động, tối ưu hóa tồn kho, dự báo nhu cầu, xử lý kế hoạch hậu cần phức tạp và đưa ra quyết định thời gian thực.
• An ninh mạng: Các tác nhân AI được triển khai cho an ninh mạng có thể tự động phát hiện và giảm thiểu các mối đe dọa theo thời gian thực. Phản ứng bảo mật cũng có thể được tự động hóa dựa trên loại mối đe dọa.
• Kinh doanh thông minh/Tài chính: Agentic AI hỗ trợ kinh doanh thông minh bằng cách tạo ra các phân tích hữu ích hơn, ví dụ như phản hồi các câu lệnh thoại ngôn ngữ tự nhiên. Trong tài chính, chúng có thể cách mạng hóa quản lý danh mục đầu tư, phân tích xu hướng thị trường, đưa ra quyết định giao dịch chớp nhoáng và điều chỉnh chiến lược đầu tư. Ví dụ, JPMorgan Chase đã phát triển “LOXM” để thực hiện các giao dịch tần suất cao tự động, thích ứng nhanh hơn các nhà giao dịch con người.
• Chăm sóc sức khỏe: Agentic AI có tiềm năng biến đổi y học cá nhân hóa bằng cách đánh giá dữ liệu bệnh nhân (như thông tin di truyền) và cung cấp các phương pháp điều trị cá nhân hóa. AI có thể điều chỉnh thuốc theo thời gian thực, cải thiện chăm sóc bệnh nhân và giảm lỗi. Chúng có thể hoạt động như trợ lý chăm sóc sức khỏe 24/7. Ví dụ, Google đã hợp tác với Moorfield’s Eye Hospital và phát hiện bệnh mắt với độ chính xác 94% bằng cách phân tích ảnh chụp mắt 3D.
• Quản lý nhân sự: Agentic AI cải thiện quản lý nhân tài bằng cách tự động hóa quy trình như sàng lọc ứng viên, sắp xếp lịch phỏng vấn, onboarding và đào tạo. Chúng có thể cung cấp tư vấn phát triển nghề nghiệp cá nhân hóa.
• Nghiên cứu khoa học: Agentic AI thúc đẩy đột phá bằng cách tự động thiết kế và thực hiện thí nghiệm, phân tích kết quả, thậm chí hình thành giả thuyết mới.
• Sản xuất và bảo trì dự đoán: Siemens AG sử dụng Agentic AI để phân tích dữ liệu cảm biến thời gian thực từ thiết bị công nghiệp, dự đoán lỗi trước khi chúng xảy ra, giảm thời gian ngừng hoạt động ngoài kế hoạch.
• Tiếp thị cá nhân/Quản lý khách hàng tiềm năng: Agentic AI có thể tăng cường kênh bán hàng bằng cách tự động đủ điều kiện, ưu tiên và nuôi dưỡng khách hàng tiềm năng.
• Kiểm duyệt nội dung: Các hệ thống Agentic AI có thể quét các kênh truyền thông xã hội, xác định nội dung mục tiêu và thực hiện hành động.

Sự khác biệt giữa Agentic AI và Generative AI

Mặc dù cả hai đều thuộc lĩnh vực trí tuệ nhân tạo, Agentic AI và Generative AI (GenAI) phục vụ các mục tiêu khác nhau với những đặc trưng riêng biệt.

Tính năng	Generative AI (GenAI)	Agentic AI
Khả năng chính	Tạo nội dung mới (văn bản, hình ảnh, âm thanh, mã nguồn).	Tự hành động dựa trên mục tiêu được đặt ra. Khả năng ra quyết định và thực hiện hành động.
Tính tự chủ	Hạn chế, phụ thuộc vào hướng dẫn của con người để tạo nội dung.	Có khả năng tự chủ, đưa ra quyết định và hành động mà không cần sự can thiệp liên tục của con người.
Học tập	Có khả năng học từ dữ liệu lớn để tạo ra kết quả tốt hơn, nhưng không tự hành động/cải thiện không có lệnh.	Có khả năng học từ kinh nghiệm, thích ứng và cải thiện hiệu suất theo thời gian.
Mức độ phản ứng	Phản hồi linh hoạt hơn dựa trên ngữ cảnh/dữ liệu đầu vào, phụ thuộc mô hình huấn luyện/lệnh.	Phản ứng tự động và chủ động, có thể thay đổi chiến lược/mục tiêu dựa trên tình huống/mục tiêu tổng thể.
Đầu ra cốt lõi	Nội dung sáng tạo.	Hành động và giải pháp thực tế.

Trong khi GenAI tạo ra nội dung mới dựa trên các mẫu đã học, Agentic AI tập trung vào khả năng ra quyết định và thực hiện hành động. Agentic AI hướng đến hành động tự chủ, thực hiện các nhiệm vụ phức tạp mà không cần giám sát liên tục, còn GenAI phụ thuộc vào đầu vào và hướng dẫn của con người để xác định bối cảnh và mục tiêu. Mặc dù khác biệt, Agentic AI và GenAI thường hoạt động cùng nhau; một hệ thống Agentic AI có thể sử dụng GenAI để thực hiện các nhiệm vụ tạo nội dung như soạn thảo thông điệp tiếp thị cá nhân hóa.

Thách thức khi triển khai Agentic AI

Mặc dù tiềm năng ứng dụng rất lớn, việc triển khai Agentic AI cũng đối mặt với nhiều thách thức cần cân nhắc:

• Rủi ro an ninh: Khả năng ra quyết định độc lập có thể tạo ra lỗ hổng bảo mật do thiếu giám sát liên tục. Agentic AI có thể bị thao túng bởi các cuộc tấn công dựa trên dữ liệu đầu vào, dẫn đến hậu quả khó lường. Cần chọn đối tác công nghệ uy tín với giải pháp bảo mật cao.
• Hành vi không mong muốn: Tính tự chủ cao có thể dẫn đến những hành vi mà người tạo ra hoặc người sử dụng không lường trước được. Quy trình ra quyết định và mục tiêu của mô hình cần minh bạch để con người dễ hiểu và khắc phục.
• Chi phí năng lượng và tài nguyên: Việc sử dụng các mô hình Agentic AI quy mô lớn có thể đòi hỏi rất nhiều năng lượng và dữ liệu, đặt ra lo ngại về tính bền vững.
• Vấn đề đạo đức và xã hội: Có ba vấn đề đạo đức chính:
  • Thất nghiệp: Tình trạng thất nghiệp tiềm ẩn khi Agentic AI tự động hóa quá nhiều công việc truyền thống của con người.
  • Trách nhiệm: Cách xác định trách nhiệm cho các hậu quả nghiêm trọng khi tác nhân AI đưa ra quyết định sai lầm.
  • Thiên kiến: Các kết quả không công bằng hoặc phân biệt đối xử do thiên kiến có trong dữ liệu huấn luyện, đặc biệt trong các lĩnh vực như thực thi pháp luật hoặc tuyển dụng.
• Thiếu sự kiểm soát của con người: Phát triển các biện pháp an toàn hiệu quả như công tắc ngắt khẩn cấp để dừng hoạt động của hệ thống Agentic AI khá phức tạp. Một số nhà nghiên cứu lo ngại các tác nhân AI tự chủ có thể phát triển mục tiêu không phù hợp với giá trị của con người, gây ra mối đe dọa.

Viettel AI phát triển sản phẩm Viettel IPA kết hợp Agentic AI tạo quy trình tự động hóa

Trong hội nghị Data Center & Cloud Infrastructure Summit (DCCI Summit) 2025 do Viettel IDC tổ chức, ông Lê Đăng Ngọc – Giám đốc Nền tảng Trí tuệ nhân tạo (Viettel AI) có phần chia sẻ xoay quanh chủ đề “Agentic AI cho tự động hóa quy trình thông minh (IPA)”, Agentic AI hay “nhân sự kỹ thuật số” là một khái niệm mới, có khả năng học hỏi và tự đưa ra quyết định, bắt đầu thay thế các công việc lặp đi lặp lại của dân văn phòng. Để giải quyết các vấn đề này, Tự động hóa quy trình thông minh (IPA) được xem là giải pháp lý tưởng, giúp tự động hóa các tác vụ đòi hỏi tốc độ và độ chính xác vượt trội so với con người.

Nắm bắt xu hướng đó, Viettel AI đã phát triển Viettel IPA, một giải pháp tự động hóa quy trình thông minh toàn diện. Được xem là “mảnh ghép còn thiếu”, Viettel IPA kết hợp giữa nền tảng quản lý quy trình (Workflow) và các trợ lý ảo (AI Agents), giúp doanh nghiệp tối ưu hóa vận hành, cải thiện năng suất và tăng cường khả năng cạnh tranh trong kỷ nguyên số.

Tóm lại, Agentic AI mang lại tiềm năng to lớn để cải thiện hiệu suất và tự động hóa trong nhiều ngành công nghiệp. Tuy nhiên, để phát huy hết tiềm năng này, việc cân bằng giữa tính tự chủ của AI và sự giám sát của con người là vô cùng quan trọng.