Blog / AI Agents / Systems

Agentic systems là gì, và đây là bước chuyển từ “chat” sang “làm”

Vấn đề gốc: vì sao AI trả lời tốt vẫn chưa đủ

Trong vài năm đầu của làn sóng LLM, phần lớn sản phẩm AI được đánh giá bằng một câu hỏi khá đơn giản: mô hình trả lời có hay không? Nó có thể tóm tắt, viết email, giải thích tài liệu hay sinh code. Điều đó hữu ích, nhưng vẫn mới chỉ chạm vào lớp đầu của bài toán.

Trong môi trường vận hành thật, đội ngũ không chỉ cần một câu trả lời đẹp. Họ cần một hệ thống đi hết một chuỗi việc: đọc ngữ cảnh, chọn công cụ, gọi API, kiểm tra policy, xin duyệt khi cần, ghi trạng thái và xử lý lỗi khi downstream không phản hồi như kỳ vọng.

Nói cách khác, giá trị kinh tế của AI đang dịch từ đoạn hội thoại hay sang khả năng hoàn thành công việc có kiểm soát. Đó là nơi agentic systems xuất hiện như một bước chuyển kiến trúc chứ không chỉ là một nhãn tiếp thị mới.

Agentic systems là gì, và khác chatbot ở đâu?

Một chatbot truyền thống nhận input, sinh output rồi kết thúc vòng đời tương tác. Nó mạnh ở tác vụ một bước.

Một agentic system thì khác. Đây là một hệ gồm model cộng với bộ nhớ làm việc, lớp công cụ, policy runtime, state store và cơ chế quyết định nhiều bước để theo đuổi một mục tiêu cụ thể.

Nói ngắn gọn:

• Chatbot trả lời câu hỏi.
• Agentic system theo đuổi mục tiêu.

Sự khác biệt nằm ở bốn lớp nền.

1. Mục tiêu thay cho prompt đơn lẻ

Agent không chỉ phản hồi một yêu cầu, mà được giao một objective có thể kéo dài nhiều bước: ví dụ tìm 3 phương án phù hợp ngân sách, đối chiếu điều kiện giao hàng, dựng khuyến nghị cuối và xin duyệt.

2. Có quyền truy cập công cụ

Agent chỉ có giá trị thực khi nó chạm được vào search, CRM, browser, ERP, inventory, payment hoặc các dịch vụ nội bộ. Đây cũng là lý do tool calling và MCP trở nên quan trọng: model chỉ thật sự đi từ “nói” sang “làm” khi công cụ được nối vào đúng cách.

3. Có trạng thái và bộ nhớ làm việc

Một workflow thực tế hiếm khi đi thẳng. Agent cần nhớ đã làm gì, dữ liệu nào đã xác minh, bước nào lỗi, có cần retry hay escalation hay không.

4. Có ranh giới hành động

Agent càng mạnh càng cần giới hạn rõ. Nếu không có approval và boundary, một hệ rất dễ trượt từ hữu ích sang rủi ro: gửi nhầm email, tạo đơn sai, thao tác vượt quyền hoặc rò rỉ dữ liệu. Bài Agent Security 2026 đi sâu chính ở điểm này.

Vì sao chủ đề này nóng đúng lúc này?

Nếu nhìn riêng từng thông báo sản phẩm, mọi thứ có vẻ rời rạc. Nhưng ở tầng hệ thống, chúng đang hội tụ vào cùng một hướng: AI đang được tối ưu cho workflow hoàn chỉnh, không chỉ cho câu trả lời đơn lẻ.

OpenAI đang biến hội thoại thành lớp điều phối giao dịch

Với ChatGPT Shopping và ACP, hội thoại không còn là giao diện hỏi đáp thuần túy. Nó bắt đầu trở thành lớp khám phá, so sánh và chuyển giao hành động trong commerce stack.

Model mới được tối ưu cho cost của cả vòng lặp

Khi agent phải đọc trạng thái, phân loại, gọi tool, kiểm tra kết quả rồi quyết định bước kế tiếp, độ trễ và chi phí của từng lượt suy luận trở thành ràng buộc sản phẩm thật. Cuộc chơi không còn là benchmark một lượt, mà là tổng chi phí của cả workflow.

Tiêu chí chiến thắng đang đổi

Trước đây câu hỏi là: mô hình trả lời có thuyết phục không? Bây giờ câu hỏi là: workflow có hoàn thành an toàn, đúng ngữ cảnh, đúng ngân sách và đúng thẩm quyền hay không? Đó là thay đổi sâu về kiến trúc, vận hành và KPI.

Một use case end-to-end: trợ lý mua sắm B2B cho đội vận hành

Hãy lấy một use case đủ thực tế: một doanh nghiệp có hàng chục chi nhánh cần mua lại tai nghe call center cho đội chăm sóc khách hàng.

Nếu làm thủ công, đội vận hành thường phải:

1. thu thập nhu cầu từ nhiều đơn vị,
2. chuẩn hóa thông số kỹ thuật,
3. tìm vendor có hàng sẵn,
4. so sánh giá, ETA và chính sách bảo hành,
5. kiểm tra policy mua sắm nội bộ,
6. tạo đề xuất gửi quản lý phê duyệt.

Một agentic procurement assistant có thể xử lý theo pipeline sau.

Bước 1: hiểu mục tiêu và ràng buộc

Từ yêu cầu kiểu “cần 120 tai nghe USB-C, giao trong 5 ngày, ngân sách dưới 180 triệu, tương thích Windows, mic chống ồn”, agent tách ra số lượng, deadline, budget cap và constraint kỹ thuật.

Bước 2: kiểm tra policy nội bộ

Agent gọi policy service để biết trên ngưỡng giá trị nào cần hai cấp duyệt, vendor nào thuộc approved list, SKU nào từng bị khiếu nại hoặc blacklist.

Bước 3: truy cập dữ liệu nhà cung cấp và chuẩn hóa

Agent đọc catalog vendor, ERP nội bộ, nguồn logistics và lịch sử mua sắm. Dữ liệu trả về thường bẩn và lệch schema; lúc này model đóng vai trò semantic normalizer thay vì “quyết định mua gì” ngay lập tức.

Bước 4: dựng shortlist có giải thích

Agent tạo 3 phương án: tối ưu giá, tối ưu độ ổn định, và cân bằng giá/ETA/rủi ro. Mỗi phương án đi kèm lý do, bằng chứng và các điểm loại trừ.

Bước 5: xin duyệt đúng chỗ

Nếu vượt ngưỡng policy, agent không tự tạo PO. Nó dựng approval packet để quản lý duyệt, từ chối hoặc yêu cầu chạy lại với constraint mới.

Bước 6: chỉ thực thi sau khi được phép

Sau phê duyệt, agent mới tạo purchase request, gửi xác nhận cho vendor, lưu trạng thái đơn và đặt reminder nếu downstream không phản hồi đúng hạn.

Điểm quan trọng là agent không chỉ “đề xuất”. Nó đi trọn vòng đời công việc, nhưng với các chốt kiểm soát rõ ràng.

Kiến trúc hệ thống đằng sau một agent chạy được ngoài demo

Một agentic system ổn định thường không nên là “một prompt thật dài”. Nó cần ít nhất bảy lớp tách bạch.

1. Intent layer

Hiểu mục tiêu, constraint, mức ưu tiên và ngưỡng rủi ro.

2. Planner layer

Quyết định thứ tự bước đi: tìm policy trước hay dữ liệu trước, bước nào chạy song song, bước nào bắt buộc cần approval.

3. Tool / connector layer

Kết nối tới search, browser, CRM, ERP, merchant feed, email, ticketing hoặc hệ thống nội bộ. Ở nhiều bề mặt SaaS, browser runtime lại là lớp thực dụng nhất để đi nhanh từ ý tưởng sang execution.

4. State store

Lưu kết quả trung gian, retry count, approval status, artifact và bằng chứng cho từng bước.

5. Policy and permission layer

Xác định rõ agent được đọc gì, ghi gì, ngưỡng nào cần duyệt và hành động nào bị cấm.

6. Observability layer

Nếu không log được tool call, latency, cost và decision trace, đội vận hành gần như mù khi workflow bắt đầu cư xử bất thường.

7. Human override layer

Mọi workflow quan trọng đều cần cơ chế pause, reject, sửa constraint, takeover hoặc rollback logic.

Điểm cốt lõi là: LLM trong agentic systems không phải bộ não toàn năng. Nó nên được xem là một decision engine có xác suất, được bao quanh bởi tool adapter, state machine, policy engine và approval checkpoint.

Trade-off và failure mode thường gặp

Agentic systems mạnh hơn chatbot, nhưng cũng đắt hơn và giòn hơn nếu thiết kế cẩu thả.

1. Bề mặt lỗi lớn hơn rất nhiều

Một chatbot chủ yếu có rủi ro trả lời sai. Một agent có thể đọc sai dữ liệu, chọn sai tool, lặp vòng vô ích, thực thi quá quyền hoặc tiếp tục dựa trên trạng thái cũ.

2. Chi phí không còn tính theo một lượt chat

Một workflow 8 bước với retry có thể tạo ra hàng chục lượt suy luận và hàng chục API call. Nếu không có router model, cache và phân cấp reasoning effort, cost sẽ tăng rất nhanh.

3. Chất lượng dữ liệu quan trọng hơn khả năng hùng biện

Một agent nói rất thuyết phục nhưng đọc catalog cũ, inventory lệch hoặc policy không đồng bộ vẫn sẽ tạo outcome sai.

4. Prompt injection và policy bypass trở thành rủi ro thực thi

Khi agent có browser hoặc quyền gọi tool, prompt injection không còn là trò chơi học thuật. Một trang web, email hay tài liệu độc hại có thể đẩy workflow đi lệch nếu hệ thống không tách rõ dữ liệu, chỉ dẫn và ràng buộc runtime.

5. Failure mode phổ biến

• Agent không biết khi nào nên dừng.
• Agent quá tự tin trên dữ liệu yếu.
• Policy nằm ngoài loop quyết định thay vì nằm trong từng bước quan trọng.
• Approval đến quá muộn, khi chi phí sunk cost đã đẩy tổ chức vào thế phải làm tiếp.
• Không có replay path nên không thể postmortem tử tế sau khi fail.

Checklist triển khai thực dụng

Giai đoạn 1: chọn workflow đúng

• Chọn workflow nhiều bước nhưng biên giới nghiệp vụ rõ.
• Ưu tiên nơi đã có SOP hoặc policy tương đối ổn định.
• Tránh bắt đầu từ quy trình pháp lý hay tài chính quá rủi ro.

Giai đoạn 2: thiết kế boundary

• Tách rõ phần nào agent được đề xuất, phần nào được thực thi.
• Định nghĩa ngưỡng bắt buộc cần human approval.
• Thiết kế schema dữ liệu chuẩn cho input và output của từng tool.

Giai đoạn 3: tối ưu cost và latency

• Dùng model nhanh/rẻ cho classification, normalization, routing.
• Chỉ dùng reasoning nặng ở bước quyết định khó.
• Cache các tra cứu lặp lại và giảm context thừa.

Giai đoạn 4: dựng observability trước khi scale

• Log tool call, latency, token cost và decision trace.
• Gắn run ID cho từng workflow.
• Có dashboard cho success rate, fallback rate, approval rate và error cluster.

Giai đoạn 5: rollout có phanh

• Bắt đầu từ chế độ recommendation-only hoặc read + draft.
• Chuyển dần sang human-in-the-loop execution.
• Chỉ mở auto-execution ở bước có rủi ro thấp và có rollback rõ.

Insight cuối cùng: người thắng không phải model “thông minh nhất”, mà là hệ thống biết đặt trí tuệ đúng chỗ

Điều đáng chú ý nhất của làn sóng agentic systems không nằm ở việc mỗi tuần có thêm một model mới. Điều đáng chú ý là toàn ngành đang dần chấp nhận một sự thật khó chịu nhưng quan trọng: giá trị thực của AI không nằm ở đoạn hội thoại hay, mà nằm ở khả năng hoàn thành công việc trong một hệ thống có kiểm soát.

Ai tiếp tục nhìn AI như một ô chat sẽ xây sản phẩm nông. Ai nhìn AI như một hệ thống hành động có policy sẽ bắt đầu tạo ra lợi thế thực sự.