AI agent là gì? Vì sao độ tin cậy giảm mạnh khi công việc kéo dài

Một AI agent có thể đọc dữ liệu, sử dụng công cụ, đưa ra quyết định và thực hiện nhiều bước liên tiếp mà không cần con người nhắc từng câu. Nhìn một agent chạy trơn tru trong demo, rất dễ đi đến kết luận: nó đã làm được việc này, vậy từ giờ có thể giao việc đó cho nó.

Đây là một trong những nhầm lẫn lớn nhất khi doanh nghiệp bắt đầu ứng dụng AI agent. Một agent “chạy được” và một agent “đủ đáng tin để giao việc” là hai tiêu chuẩn hoàn toàn khác nhau.

Năm 2025, METR công bố một kết quả đáng chú ý. Trên tập nhiệm vụ software và reasoning nhiều bước, các model được đánh giá khi đó gần như đạt 100% thành công với những việc mà chuyên gia con người mất dưới 4 phút để hoàn thành. Nhưng với những việc cần hơn khoảng 4 giờ của chuyên gia, tỷ lệ thành công rơi xuống dưới 10%.

Có một chi tiết cực kỳ quan trọng: “4 giờ” ở đây không phải AI tự chạy được 4 giờ. METR định nghĩa time horizon bằng thời gian một chuyên gia con người cần để hoàn thành nhiệm vụ. Đây là thước đo độ dài/độ khó của nhiệm vụ, không phải số giờ agent có thể hoạt động tự chủ.

Nguồn METR: Measuring AI Ability to Complete Long Tasks và Task-Completion Time Horizons.

Vậy nên câu hỏi hữu ích với doanh nghiệp không phải chỉ là “AI agent mạnh đến đâu?”, mà là: “Với loại việc nào, trong điều kiện nào, nó đủ ổn định để tôi thôi phải đứng cạnh kiểm tra?”

AI agent là gì — và khác một chatbot ở đâu?

Chatbot chủ yếu nhận yêu cầu và trả lời. AI agent đi xa hơn: nó nhận một mục tiêu, quan sát trạng thái hiện tại, sử dụng công cụ hoặc API, thực hiện hành động, đọc kết quả rồi quyết định bước tiếp theo.

Giá trị của agent không nằm ở việc viết cho bạn một câu trả lời hay hơn. Giá trị nằm ở khả năng hoàn thành cả một chuỗi công việc. Nhưng cũng chính chuỗi công việc ấy tạo ra vấn đề độ tin cậy. Mỗi bước mới là thêm một cơ hội để agent hiểu sai trạng thái, gọi sai công cụ, bỏ sót điều kiện, lặp lại hành động hoặc không biết khi nào công việc thực sự đã xong.

1. Chạy đúng một lần không có nghĩa là dùng được

Một demo đẹp thường chứng minh: “Agent có thể hoàn thành việc này không?”. Doanh nghiệp lại cần biết: “Nếu giao cùng loại việc hàng ngày, hàng tuần, nó có tiếp tục hoàn thành ổn định không?”

τ-bench được thiết kế để kiểm tra chính vấn đề đó. Agent phải vừa tương tác với người dùng, vừa sử dụng API, vừa tuân thủ quy định trong các môi trường mô phỏng như retail và airline. Nhóm nghiên cứu không chỉ đo pass@1 mà còn đưa ra pass^k, nhằm kiểm tra độ tin cậy qua nhiều lần chạy.

Trong nghiên cứu gốc năm 2024, ngay cả những agent function-calling mạnh nhất lúc đó cũng hoàn thành dưới 50% nhiệm vụ; ở miền retail, pass^8 dưới 25%. Nguồn: τ-bench: A Benchmark for Tool-Agent-User Interaction in Real-World Domains.

Một trợ lý đúng 6/10 lần không có nghĩa bạn đã tự động hóa được 60% công việc. Nếu không biết trước 4 lần nào nó sẽ sai, bạn vẫn phải kiểm tra gần như 10/10 lần.

Khi đó AI có thể đã làm được phần thao tác, nhưng chưa giải phóng được trách nhiệm kiểm soát của con người.

2. Việc càng dài, rủi ro càng có cơ hội tích lũy

Kết quả của METR không chứng minh thời gian là nguyên nhân duy nhất khiến AI thất bại. Nhưng nghiên cứu cho thấy thời lượng mà chuyên gia con người cần để hoàn thành một nhiệm vụ là một biến dự báo mạnh đối với khả năng agent hoàn thành nhiệm vụ đó.

Điều này giải thích một nghịch lý: AI có thể cực giỏi ở từng bước nhỏ nhưng vẫn hỏng cả quy trình dài.

Một quy trình 20 bước không nhất thiết có bước nào quá khó. Nó có thể chỉ gồm đọc dữ liệu, tìm thông tin, lọc, cập nhật, kiểm tra, viết và gửi. Nhưng agent phải giữ đúng trạng thái qua cả chuỗi; nhớ những gì đã làm; không lặp lại; không bỏ bước; xử lý ngoại lệ; biết lúc nào cần hỏi người; và cuối cùng phải biết thế nào mới thật sự gọi là xong.

METR cũng cảnh báo rằng tập nhiệm vụ của họ chủ yếu thuộc software engineering, machine learning và cybersecurity, được thiết kế khá rõ ràng và có tiêu chí chấm tự động. Không nên lấy time horizon rồi suy thẳng thành khả năng tự động hóa mọi công việc văn phòng.

Đừng giao cho agent một “chức danh”. Hãy giao cho nó những đơn vị công việc có đầu vào rõ, đầu ra kiểm được và điểm kết thúc cụ thể.

3. Kiểu hỏng đáng sợ không phải lúc nào cũng là “làm sai”

Tháng 7/2026, Long-Horizon-Terminal-Bench (LHTB) công bố benchmark gồm 46 nhiệm vụ dài thuộc 9 nhóm và đánh giá 15 model frontier. Trung bình mỗi lượt chạy sử dụng khoảng 9,9 triệu token, 231 episode và 85,3 phút thực thi. Trong bài báo gốc, model mạnh nhất chỉ đạt 10,9% pass@1 nếu yêu cầu kết quả đạt điểm hoàn hảo.

Phân tích failure mode trên trang dự án cho thấy 79% các lượt chưa giải xong bị hết thời gian trong lúc agent vẫn đang tiếp tục tiến triển.

Nguồn: Long-Horizon-Terminal-Bench và trang dự án LHTB.

Agent không nhất thiết đứng hình, báo lỗi hoặc làm một điều gì đó ngớ ngẩn. Nó có thể vẫn đọc file, gọi công cụ, sửa lỗi, tạo log, tiến thêm từng chút một… nhưng không bao giờ hoàn thành công việc.

Cần đặt số 79% đúng chỗ: LHTB là benchmark trong môi trường terminal với các nhiệm vụ kỹ thuật dài và ngân sách thời gian hữu hạn. Nó không phải khảo sát công việc văn phòng. Giá trị của con số là chỉ ra một failure mode đáng kiểm tra: vẫn tiến triển nhưng không về đích.

4. Agent mạnh hơn rất nhanh — nhưng “đủ thông minh” vẫn chưa đồng nghĩa với “đủ tin cậy”

Stanford AI Index 2026 cho thấy năng lực agent tăng rất nhanh. Trên OSWorld, benchmark đánh giá khả năng agent thực hiện tác vụ máy tính qua các hệ điều hành, độ chính xác đã tăng từ khoảng 12% lên 66,3%. Nhưng Stanford đồng thời tóm tắt rằng AI agent vẫn thất bại khoảng một trong ba lần trên các benchmark tác vụ có cấu trúc.

Nguồn: Stanford AI Index 2026 — Technical Performance.

Hai điều này không mâu thuẫn. Agent đang tiến bộ rất nhanh, và độ tin cậy vẫn là bài toán chưa giải quyết xong.

5. Một ca thất bại nhỏ trong vận hành thực tế

Trong một quy trình 6 bước thuộc hệ vận hành nội bộ của chúng tôi, một agent được yêu cầu tự kiểm tra điều kiện trước khi tiếp tục. Agent đi tới bước xác minh quyền. Nó không tìm được đủ bằng chứng để kết luận. Nó quay lại xác minh. Sau đó lại quay trở lại đúng điểm đó.

Không có một câu trả lời sai rõ ràng. Không có một sự cố lớn. Agent vẫn hoạt động. Nhưng quy trình không bao giờ kết thúc.

Nhìn lại, lỗi không nằm ở việc model không đủ thông minh. Lỗi nằm ở thiết kế công việc: không quy định số lần retry tối đa, không có trạng thái “không đủ bằng chứng để tự quyết”, và không có đường chuyển việc sang con người nếu agent không thể tự đóng vòng xác minh.

Ba câu hỏi hữu ích hơn việc chỉ hỏi prompt có hay không là: Agent có biết thế nào là Done không? Có kiểm chứng được trạng thái thật bên ngoài lời nó tự báo cáo không? Và khi không đủ chắc chắn, nó có biết dừng để gọi người không?

6. Vậy doanh nghiệp nên giao việc gì cho AI agent?

Cách an toàn hơn là phân loại công việc theo mức độ kiểm chứng và hậu quả khi sai, thay vì chỉ theo phòng ban.

Nhóm 1 — Có thể tự động nhiều hơn

Phù hợp với việc có đầu vào rõ, đầu ra dễ kiểm tra, sai có thể sửa và tác động ngược thấp: trích xuất thông tin, phân loại, tổng hợp, chuẩn hóa dữ liệu, tạo bản nháp, kiểm tra theo checklist.

Nhóm 2 — Agent làm, người duyệt tại checkpoint

Phù hợp với quy trình nhiều bước hoặc có tác động ra ngoài: nghiên cứu và đề xuất quyết định, cập nhật CRM, chuẩn bị nội dung xuất bản, xử lý ticket, chuẩn bị email khách hàng. Agent có thể làm phần lớn công việc nhưng nên có checkpoint trước hành động quan trọng.

Nhóm 3 — Người giữ quyền quyết định cuối

Tiền, hợp đồng, pháp lý, xóa dữ liệu, thay đổi quyền truy cập, cam kết với khách hàng hoặc xuất bản nội dung nhạy cảm nên có người giữ quyền quyết định cho tới khi doanh nghiệp có đủ bằng chứng vận hành để mở quyền thêm.

Ranh giới này không cố định. Một tác vụ hôm nay cần người duyệt hoàn toàn có thể trở thành tác vụ tự động sau khi doanh nghiệp đã chạy đủ nhiều lần, hiểu các failure mode và xây được lớp kiểm tra độc lập.

7. Đừng chỉ đo “agent có làm được không”

Nếu muốn biết một AI agent có thực sự đáng để đưa vào sản xuất, doanh nghiệp nên theo dõi ít nhất năm chỉ số:

1. Completion rate: bao nhiêu lần agent thực sự hoàn tất đúng Definition of Done.
2. Repeat reliability: cùng một loại việc chạy lại nhiều lần có ổn định không.
3. Human intervention rate: bao nhiêu lượt phải có người vào cứu giữa chừng.
4. Rework rate: bao nhiêu đầu ra agent tự cho là xong nhưng con người phải làm lại.
5. Cost per accepted outcome: chi phí để tạo ra một kết quả được chấp nhận, không chỉ chi phí cho một lần gọi model.

Một agent có chi phí inference thấp nhưng khiến nhân viên phải kiểm tra, sửa và chạy lại liên tục hoàn toàn có thể đắt hơn một agent có giá mỗi lượt cao nhưng tỷ lệ kết quả được chấp nhận tốt hơn.

Doanh nghiệp không cần mua token rẻ nhất. Doanh nghiệp cần mua kết quả đáng tin nhất trên mỗi đồng chi phí.

8. Sáu nguyên tắc để thiết kế một quy trình agent đáng tin hơn

1. Chẻ việc lớn thành những đoạn có thể nghiệm thu. Đừng giao “nghiên cứu thị trường”; hãy định nghĩa đầu vào, đầu ra, tiêu chí và nguồn cần có.
2. Định nghĩa Done trước khi agent bắt đầu. Nếu không biết thế nào là kết thúc, agent rất dễ dừng quá sớm hoặc làm mãi không dừng.
3. Đặt checkpoint ở nơi rủi ro tăng. Không cần người duyệt mọi thao tác; chỉ duyệt trước những hành động khó hoàn tác hoặc có ảnh hưởng ra bên ngoài.
4. Kiểm tra bằng trạng thái thật. Agent nói “đã cập nhật CRM” chưa đủ; CRM phải thực sự có bản ghi.
5. Luôn thiết kế đường thoát. Khi retry quá nhiều lần, thiếu dữ liệu hoặc không đủ chắc chắn, agent phải biết dừng và báo blocker thay vì tiếp tục tự xoay vòng.
6. Tăng quyền theo bằng chứng. Bắt đầu với phạm vi nhỏ, chạy thật, ghi lỗi, sửa quy trình, đo lại, rồi mới mở rộng quyền.

Kết luận: AI agent không cần hoàn hảo — nhưng doanh nghiệp phải biết nó không đáng tin ở đâu

AI agent đang tiến bộ với tốc độ rất nhanh. Nhưng doanh nghiệp không mua benchmark. Doanh nghiệp mua một kết quả có thể lặp lại.

Vì vậy, câu hỏi quan trọng nhất khi lựa chọn AI agent không còn là “Model nào thông minh nhất?”, mà là: “Trong quy trình này, bước nào tôi có thể tin agent; bước nào cần bằng chứng; và bước nào con người vẫn phải giữ quyền quyết định?”

Khi trả lời được ba câu đó, AI agent mới chuyển từ một màn demo ấn tượng thành một lực lượng lao động số thực sự có thể giao việc.

Nếu doanh nghiệp của bạn đang thử AI agent, đừng bắt đầu bằng việc tìm “agent mạnh nhất”. Hãy chọn một quy trình thật đang lặp lại hàng tuần, chia nó thành những đoạn có đầu ra kiểm được, chạy nhiều lần và ghi lại từng kiểu thất bại trước khi tăng quyền. Đó thường là con đường ngắn hơn để đi từ “AI làm được” đến “AI làm việc được”. Nếu cần lộ trình bài bản cho cả đội, tham khảo chương trình đào tạo AI cho doanh nghiệp của Học viện AI.