Chúng ta dường như đang đi qua các “kỷ nguyên AI” với tốc độ ngày càng nhanh. Những hệ thống AI truyền thống, chủ yếu được xây dựng để phân loại dữ liệu, gán nhãn, dự đoán hoặc nhận diện mẫu, chưa kịp trở thành hạ tầng quen thuộc trong doanh nghiệp thì Generative AI đã xuất hiện. Generative AI chưa kịp được triển khai ổn định, Agentic AI lại trở thành từ khóa mới. Và khi phần lớn AI Agent vẫn còn loay hoay giữa demo ấn tượng và production thiếu ổn định, thị trường đã bắt đầu hỏi: What comes next after Agentic AI?

Một năng lực công nghệ mới thường bắt đầu từ model hoặc sản phẩm riêng lẻ, sau đó kết nối với dữ liệu và các hệ thống khác rồi dần trở thành hạ tầng. Nhìn theo tiến trình này, Agentic AI chưa phải một chương sắp kết thúc. Nó mới chỉ chuyển từ năng lực riêng lẻ thành hệ thống. Vì vậy, điều đến sau Agentic AI có lẽ không phải một “loại AI” khác, mà là Agentic Ecosystem: hệ sinh thái trong đó nhiều agent có thể duy trì công việc dài hạn, phối hợp và hành động trong những khuôn khổ có thể kiểm soát được.

Agentic AI thực sự đã thay đổi điều gì?

Generative AI chủ yếu tạo ra nội dung để phản hồi yêu cầu của người dùng: một đoạn văn, hình ảnh, bản tóm tắt hoặc đoạn mã. Trong khi đó, Agentic AI đi xa hơn bằng cách nhận một mục tiêu, lập kế hoạch, sử dụng công cụ, quan sát kết quả và điều chỉnh hành động. OpenAI mô tả agent là hệ thống có thể độc lập hoàn thành nhiệm vụ thay mặt cho người dùng; Anthropic cũng phân biệt workflow – nơi các bước xử lý được thiết kế sẵn – với agent, nơi model tự quyết định cách sử dụng công cụ và điều hướng quá trình thực thi.^{1 2}

Sự thay đổi không chỉ nằm ở khả năng suy luận của model, mà còn ở vai trò của con người: thay vì tự thực hiện từng thao tác, người dùng giao mục tiêu và đưa ra các giới hạn để agent lựa chọn chuỗi hành động phù hợp. Chẳng hạn, một chatbot chăm sóc khách hàng xây dựng theo cách truyền thống chỉ có thể đưa ra hướng dẫn người dùng, nhưng một AI Agent có thể xác định vấn đề, truy xuất giao dịch, kiểm tra chính sách, gọi API xử lý và thông báo kết quả. Tuy nhiên, phần lớn agent hiện nay vẫn phụ thuộc vào tools (công cụ), context (ngữ cảnh) và guardrails (giới hạn) được thiết kế sẵn; dễ mất mạch khi công việc kéo dài; khó phối hợp với agent thuộc nền tảng khác; và vẫn cần con người xử lý các trường hợp ngoại lệ. Anthropic cũng xem việc duy trì tiến độ nhất quán qua nhiều context window là một bài toán còn mở đối với các agent làm nhiệm vụ dài hơi.³

Với những hạn chế còn tồn đọng của Agentic AI, bước tiếp theo có lẽ không phải là làm cho model thông minh hơn, vì một agent có năng lực tốt vẫn chưa đủ để trở thành thành phần đáng tin cậy trong thực tế. Vậy “what’s next?” – điều gì mới thực sự là trang tiếp theo của làn sóng AI?

“Next” là một hệ thống hoàn chỉnh hơn

Thay vì chỉ tập trung vào model, bước tiếp theo đòi hỏi một hệ thống hoàn chỉnh hơn quanh agent. Để làm việc lâu dài, agent cần bộ nhớ và trạng thái để duy trì tính liên tục; công cụ để tác động lên hệ thống bên ngoài; giao thức để phối hợp; cơ chế định danh và phân quyền; cùng hoạt động đánh giá và giám sát. Hiểu nôm na, AI Agent giống một nhân viên có năng lực nhưng vẫn cần quyền truy cập, phạm vi trách nhiệm và cơ chế bàn giao. Agent càng tự chủ, các lớp kiểm soát càng quan trọng.

Đây cũng là lý do những phát triển gần đây liên quan đến AI không còn chỉ tập trung vào model. Các ông lớn trong ngành đang đồng thời xây dựng giao thức, kiến trúc đa agent, hệ thống hỗ trợ công việc dài hạn, giao diện do agent điều phối và các tiêu chuẩn về định danh, bảo mật, cũng như khả năng tương tác. Những mảnh ghép này cùng chỉ về một chuyển dịch lớn hơn: từ AI Agent riêng lẻ sang Agentic Ecosystem.

Từ tác nhân đơn lẻ đến hệ sinh thái tác nhân (agentic ecosystem)

Khi phạm vi công việc mở rộng, cách tiếp cận “một agent làm tất cả” nhanh chóng gặp giới hạn: context phình to, tool trở nên khó lựa chọn và một lỗi nhỏ có thể ảnh hưởng toàn bộ chuỗi xử lý. Điều đó dẫn đến sự ra đời của hệ thống đa tác nhân (multi-agent system). Hệ thống này giải quyết hạn chế của tác nhân đơn lẻ bằng cách kết hợp nhiều agent và phân chia công việc cho các agent chuyên biệt. Ví dụ, trong hệ thống Research của Anthropic, một lead agent lập kế hoạch, giao nhiệm vụ cho sub-agent chuyên trách rồi tổng hợp kết quả sau cùng.⁴ Multi-agent system có thể xem là bước đầu tiên của quá trình chuyển dịch này. Trong một hệ thống đa tác nhân, các agent thường được thiết kế để làm việc trong cùng một sản phẩm, chia sẻ cơ chế điều phối và cùng hướng tới mục tiêu do một tổ chức xác định. Tuy vậy, khi sự phối hợp vượt ra ngoài ranh giới của một hệ thống, các agent không còn mặc nhiên chia sẻ cùng công cụ, dữ liệu hay cơ chế kiểm soát. Lúc này, bài toán không chỉ là phân chia công việc giữa các agent, mà còn là làm sao để chúng có thể khám phá năng lực của nhau, giao tiếp và phối hợp dù thuộc những nền tảng hoặc tổ chức khác nhau. Đây chính là bước chuyển từ multi-agent system sang Agentic Ecosystem.

Ở cấp độ ecosystem, mỗi agent không cần sở hữu toàn bộ dữ liệu hay năng lực cần thiết để hoàn thành mục tiêu, mà chỉ cần đảm nhiệm một phần công việc và phối hợp với các agent khác. Ví dụ, một agent du lịch có thể kết nối với agent của hãng hàng không, khách sạn, bảo hiểm và dịch vụ thanh toán; sau đó so sánh các lựa chọn theo giới hạn của người dùng rồi trình phương án cuối cùng để phê duyệt. Tuy nhiên, để mô hình này hoạt động, các agent thuộc nhiều nền tảng và tổ chức khác nhau cần có một cách chung để khám phá năng lực, trao đổi thông tin và phối hợp với nhau. Đây chính là bài toán mà Agent2Agent Protocol (A2A) và MCP (Model Context Protocol) đang góp phần giải quyết. A2A cho phép agent thuộc các framework và nhà cung cấp khác nhau giao tiếp và phối hợp mà không cần tiết lộ toàn bộ logic nội bộ. Từ một dự án của một doanh nghiệp độc lập, A2A đã phát triển như một tiêu chuẩn mở, và được sử dụng rộng rãi trong ngành AI.⁵ Trong khi đó, MCP tập trung vào cách agent kết nối với tools và nguồn dữ liệu.⁶ Như vậy, MCP kết nối agent với năng lực cần sử dụng, còn A2A kết nối agent với agent. (bạn có thể tìm hiểu về bài viết A2A: How agent talks to agent – Các tác nhân AI giao tiếp với nhau như thế nào? và Model Context Protocol (MCP): USB‑C cho trí tuệ nhân tạo để hiểu hơn về các giao thức này).

Có thể nói, hệ thống đa agent không hoàn toàn xuất hiện “sau” Agentic AI, mà là giai đoạn công nghệ này chuyển từ năng lực riêng lẻ thành hệ sinh thái biết phối hợp.

Từ hoàn thành task đến duy trì outcome

Bên cạnh khả năng phối hợp, phạm vi công việc của agent cũng đang thay đổi. Phần lớn AI Agent hiện nay được kích hoạt để hoàn thành một tác vụ rõ ràng như tìm thông tin, viết báo cáo, đặt lịch hoặc xử lý ticket. Trong khi đó, bước tiếp theo là agent không chỉ hoàn thành tác vụ mà còn duy trì một trạng thái mong muốn theo thời gian.

Trong chăm sóc khách hàng, agent ở cấp độ tác vụ có thể phân loại ticket. Ngược lại, hệ thống hướng tới kết quả sẽ theo dõi lý do liên hệ (contact reason), phát hiện số lượng tăng bất thường, xác định nguyên nhân, đề xuất cập nhật kênh tự phục vụ và đánh giá thay đổi có làm giảm liên hệ lặp lại hay không. Khi ấy, công việc không kết thúc ở “đã phân loại ticket”, mà ở “vấn đề của khách hàng được giải quyết”.

Sự khác biệt này làm thay đổi đơn vị thiết kế của sản phẩm. Đội ngũ Product không chỉ định nghĩa tác vụ và luồng xử lý, mà còn phải xác định mục tiêu, chính sách, tín hiệu cho thấy hệ thống đi lệch, hành động được tự động thực hiện và khi nào con người phải can thiệp.

Tuy nhiên, để duy trì kết quả, agent phải làm việc qua nhiều phiên và nguồn dữ liệu. Vì context window hữu hạn, tính liên tục không thể chỉ dựa vào toàn bộ lịch sử trong prompt, mà còn đòi hỏi bộ nhớ, điểm lưu tiến độ, tệp trung gian và cơ chế khôi phục trạng thái. Khi đó, tiến bộ không chỉ được đo bằng số tác vụ hoàn thành, mà còn bằng thời gian duy trì kết quả và lượng giám sát cần thiết.

Nút thắt tiếp theo là niềm tin, không chỉ là trí thông minh

Tuy nhiên, agent càng hoạt động lâu, sử dụng nhiều công cụ và phối hợp rộng thì hậu quả khi sai càng lớn. Chatbot trả lời sai có thể khiến người dùng hiểu nhầm; agent có quyền truy cập hệ thống còn có thể gửi nhầm dữ liệu, thực hiện giao dịch không phù hợp hoặc khiến sai lệch lan sang quy trình khác.

Vì vậy, một Agentic Ecosystem đáng tin cậy phải xác định được agent đại diện cho ai, được trao quyền gì, hành động nào cần phê duyệt, ai chịu trách nhiệm và cách thu hồi quyền. NIST đã khởi động các sáng kiến về khả năng tương tác, bảo mật, định danh và phân quyền cho software agent và AI Agent.^{7 8} Điều này buộc chúng ta tách năng lực khỏi quyền tự chủ. Năng lực mô tả hệ thống có thể làm gì, còn quyền tự chủ mô tả chúng ta cho phép nó tự làm đến đâu. Một model đủ khả năng thực hiện giao dịch không có nghĩa mọi giao dịch nên được tự động hóa. Mức độ tự chủ còn phụ thuộc vào độ tin cậy, khả năng đảo ngược và phạm vi ảnh hưởng nếu có sai sót.

Với đội ngũ Product, thiết kế agent cũng là thiết kế quyền lực. Mỗi công cụ được cấp, bước phê duyệt được bỏ qua và thời gian agent hoạt động đều làm thay đổi mức độ rủi ro của sản phẩm.

Xa hơn Agentic Ecosystem sẽ là gì?

Nếu Agentic Ecosystem là bước chuyển đang hình thành, hai hướng xa hơn có thể là Ambient Intelligence và Embodied Intelligence. Với Ambient Intelligence, AI trở thành lớp hỗ trợ xuyên suốt môi trường làm việc, nhận biết ngữ cảnh và xuất hiện khi cần. Dù vậy, đây vẫn là giả thuyết được đặt ra chứ chưa phải “kỷ nguyên tiếp theo” đã được thống nhất.

Với Embodied Intelligence, agent không chỉ hoạt động trong môi trường số mà còn có thể nhận biết và tác động đến thế giới vật lý. Chẳng hạn, Gemini Robotics kết hợp khả năng hiểu ngôn ngữ, suy luận không gian và thực hiện hành động; trong khi các world model như Genie 3 tạo ra môi trường mô phỏng để agent học hỏi và thử nghiệm trước khi hành động trong thực tế.^{9 10} Tuy nhiên, vì sai sót trong thế giới vật lý thường khó đảo ngược và có hậu quả lớn hơn sai sót phần mềm, Embodied Intelligence cũng vẫn là một hướng phát triển dài hạn, chứ chưa phải một đích đến chắc chắn.

Tạm kết

Sau Agentic AI có thể vẫn là… Agentic AI.

Không phải vì lĩnh vực này đã ngừng tiến bộ, mà bởi Agentic AI hiện mới ở giai đoạn chuyển từ những agent riêng lẻ thành các hệ thống có thể phối hợp, duy trì công việc dài hạn và vận hành trong những ranh giới được kiểm soát. Vì vậy, bước tiến tiếp theo sẽ không chỉ đến từ khả năng suy luận tốt hơn của model, mà còn từ những lớp hạ tầng được xây dựng xung quanh agent: bộ nhớ để duy trì tính liên tục, giao thức và cơ chế điều phối để phối hợp công việc, giao diện để con người giám sát, cùng hệ thống định danh, đánh giá và quản trị để kiểm soát quyền tự chủ.

Nhìn theo hướng này, câu hỏi đáng quan tâm không còn đơn thuần là “Sau Agentic AI sẽ là gì?”, mà là: Chúng ta cần xây dựng điều gì để AI Agent có thể trở thành một phần đáng tin cậy trong cách con người và tổ chức vận hành?

Khi những mảnh ghép đó đủ trưởng thành, Agentic AI có lẽ sẽ không bị thay thế bởi một làn sóng công nghệ hoàn toàn mới. Ngược lại, nó sẽ dần trở thành một phần của hạ tầng, phổ biến đến mức chúng ta không còn xem nó như một khái niệm riêng biệt nữa.

Hẹn gặp lại các bạn ở bài viết tiếp theo.

Peace & cheers!

---

Nguồn tham khảo

1. OpenAI, Agents ↩︎
2. Anthropic, Building effective agents ↩︎
3. Anthropic, Effective harnesses for long-running agents ↩︎
4. Anthropic, How we built our multi-agent research system ↩︎
5. Linux Foundation, Linux Foundation Launches the Agent2Agent Protocol Project ↩︎
6. Model Context Protocol, What is the Model Context Protocol? ↩︎
7. NIST, AI Agent Standards Initiative ↩︎
8. NIST NCCoE, Software and AI Agent Identity and Authorization ↩︎
9. Google DeepMind, Gemini Robotics brings AI into the physical world ↩︎
10. Google DeepMind, Genie 3: A new frontier for world models ↩︎