Bài viết dưới đây do Isengerg đăng lên account X của ông ấy. Có nhiều nhận định và nhiều dự báo.
Bản tiếng Việt dịch bằng claude bản miễn phí.
Greg Isenberg (@gregisenberg) · Đăng trên X, ngày 15/10
Tôi vừa dành 48 giờ ở SF (San Francisco) để tụ tập với các tỷ phú (billionaires), các data lab[1] và những nhà sáng lập (founders) lẫn giám đốc điều hành của các công ty quy mô từ 1 tỷ đến 100 tỷ đô la.
Những điều tôi quan sát được:
1. Có RẤT NHIỀU câu chuyện về những nhà môi giới dữ liệu (data brokers)[2] kiếm cỡ 2 triệu đô la MỖI TUẦN nhờ bán dữ liệu của các công ty cho các lab. Tôi không biết đây là khởi đầu hay là bong bóng, và cứ thắc mắc không biết còn những ngách nào chưa có ai làm. Tôi đang tích cực đào sâu chuyện này.
2. Trong bữa tối, có người hỏi cả bàn: “Nếu tháng sau có một mô hình mới ra mắt, công ty của bạn sẽ tốt lên hay tệ đi?”[3] NỬA BÀN im bặt! Tôi nghĩ đó là câu hỏi hay nhất để đặt ra với bất kỳ startup AI nào lúc này.
3. Cột mốc người ta nói tới bây giờ là đạt 1 tỷ đô la doanh thu trong 12 tháng (chắc đây là “kỳ lân” (unicorn)[4] mới?). Điều tôi không nghe nhắc nhiều là tỷ lệ giữ chân khách hàng (retention). Doanh thu AI có thể đến rất nhanh và cũng đi rất nhanh, và tôi nghĩ chúng ta sẽ thấy nhiều câu chuyện về những công ty AI có doanh thu khổng lồ nhưng tỷ lệ giữ chân tệ hại.
4. Rõ ràng là chúng ta đang sống qua cuộc tái phát minh chiếc máy tính. Mô hình là CPU, harness là hệ điều hành[5], còn các kỹ năng (skills) và plugin là các ứng dụng. Nghĩ theo cách đó thì dễ thấy hơn chỗ nào là khoảng trống thị trường (whitespace).
5. Có thể chỉ khoảng 12 tháng nữa là sẽ có một agent biết quan sát bạn làm việc suốt một tuần rồi tự làm công việc của bạn mà không cần chỉ dẫn nào. Sự kết hợp giữa ghi hình màn hình, bộ nhớ của agent và một mô hình chạy cục bộ (local model) đã cho phép điều này ngay bây giờ.[6]
6. Các agent harness cho cảm giác như những “GPT wrapper”[7] kiểu mới, theo nghĩa tốt, nhất là các harness chuyên ngành. Những đội giỏi nhất tôi trò chuyện đều coi mô hình là thứ có thể thay thế được. Một nhà sáng lập đã dẫn tôi đi qua cách họ định tuyến (routing) các mô hình khác nhau cho các việc khác nhau: một mô hình cho gu thẩm mỹ và hình ảnh, một mô hình rẻ hơn cho những việc thường ngày, một mô hình khác cho văn bản.
Họ dùng những prompt có thể mang sang các mô hình khác thay vì tinh chỉnh (fine-tuning)[8], và chạy A/B test trên đầu ra, xét theo cái người dùng thực sự làm với nó: họ có chỉnh sửa không, có xuất ra không, có chia sẻ không? Một harness chuyên ngành (vertical harness) về cơ bản gồm bốn thứ: các bộ kết nối (connectors) tới dữ liệu của ngành đó, các bộ đánh giá (evals)[9] do những người am hiểu công việc ấy viết, các quy tắc về việc agent được và không được đụng vào cái gì, và một màn hình gọn gàng để con người rà soát. Mô hình có lẽ chỉ chiếm 20%.
7. Hoạt động dịch ngược (reverse engineering) và sao chép (cloning) đang diễn ra nhiều hơn tôi từng thấy. Người ta dịch ngược (decompile) phần mềm rồi dùng agent dựng lại nó, và có một người cho tôi xem một bộ khoảng 10 ứng dụng, mỗi cái đáng giá từ 5 tỷ đô la trở lên, mà người ấy đã nhân bản dưới dạng mã nguồn mở[10]. Tôi và mọi người vẫn đang suy nghĩ xem điều này có nghĩa gì khi phần mềm trở nên dễ sao chép đến vậy.
8. Tôi đoán giá trị sẽ dịch chuyển về dữ liệu. Nếu phần mềm có thể được dựng lại nhanh chóng, thì thứ đáng trả tiền ở một công ty SaaS (phần mềm dưới dạng dịch vụ) kiểu cũ là nhiều năm dữ liệu khách hàng và quy trình làm việc nằm bên trong nó. Một số công ty SaaS thực chất là công ty dữ liệu trá hình.
Chuyện này khiến tôi nghĩ: làm sao định giá dữ liệu của các công ty SaaS này cho đúng? Chẳng hạn, nếu trước đây ta mua những công ty SaaS đang hấp hối với mức 2 lần ARR (doanh thu định kỳ hằng năm, annual recurring revenue)[11](cứ lấy làm ví dụ), thì có lẽ có một thước đo tốt hơn. Không biết nữa, chỉ đang nghĩ to thôi.
9. Tôi thấy một phần đáng kể phần mềm kiểu cũ sẽ không sống nổi tới kỷ nguyên agent (agentic era), nhất là những thứ được xây quanh việc con người bấm qua hàng loạt màn hình.
10. Công ty nào tôi nói chuyện cũng muốn dồn dữ liệu nội bộ về một chỗ và mở nó ra cho các agent qua MCP[12]. Rồi họ nhìn vào dữ liệu và nhận ra nó là một mớ hỗn độn: năm phiên bản của cùng một khách hàng, những kênh Slack cũ, những tệp PDF không ai tìm kiếm được. Dọn dẹp đống đó có vẻ là một cơ hội tư vấn lớn!
11. Nhiều nhà sáng lập đang xây các khối cơ bản cho agent: API, các lớp dữ liệu (data layers) và công cụ. Vài công ty tôi gặp hầu như không có giao diện, vì người dùng chính là một agent. Tôi thực sự tin rằng những startup xây các khối nền tảng (primitives) cho kỷ nguyên agent này sẽ làm rất tốt. Các khối xây dựng (building blocks) là cách nghĩ hay nhất về chuyện này.
12. Các lab có thể kiếm được đủ dữ liệu huấn luyện, nhưng khó hơn nhiều là có được những ví dụ thật về việc agent thất bại bên trong các công ty. Ai nắm những bản ghi (logs) đó là nắm trong tay một thứ có giá trị.
13. Một người đang điều hành một công ty tiêu dùng lớn nói với tôi rằng cuộc chiến kế tiếp là về bộ nhớ (memory). Mô hình nào nhớ về bạn nhiều nhất sẽ thắng, và mô hình thông minh nhất thì quan trọng ít hơn người ta tưởng.
14. AI vật lý (physical AI) được nhắc tới rất nhiều. Tôi nghĩ Astra là mô hình đầu tiên khiến mọi người tin rằng AI thực sự có thể làm CAD[13], và tôi nghĩ nhiều người đang tự hỏi “sản xuất kiểu vibe” (vibe manufacturing) rốt cuộc sẽ ra sao. Câu tôi cứ nghĩ mãi đến từ một nhà sáng lập công ty robot: những bài toán khó nhất của AI bây giờ là bài toán triển khai, không phải bài toán nghiên cứu. Robot của họ tự vận hành, gọi người khi bị kẹt, và mỗi cuộc gọi như vậy đều trở thành dữ liệu huấn luyện.
15. Các công ty an ninh mạng (cybersecurity) đang có thời của mình và thực sự là những công ty hay ho để xây dựng lúc này, nhất là những công ty chuyên dọn dẹp sau một vụ xâm nhập. Mỗi agent có quyền truy cập vào hệ thống của bạn là một cánh cửa mới vào công ty bạn, và nhiều cánh cửa trong số đó đã bị bỏ ngỏ.
16. Một số startup giờ đây đáng giá khi đã chết hơn khi còn sống.[14] Một công ty đã đóng cửa mà có 5 năm Slack, email và mã nguồn thì có thể được trả tiền để cấp phép toàn bộ chỗ đó. Tôi sẽ không ngạc nhiên nếu các nhà sáng lập bắt đầu tính cả điều này vào quyết định khi nào đóng cửa.
17. Người ta bắt đầu bàn tới chuyện kiếm tiền từ web của agent (agent web). Cảm giác còn rất sớm, nhưng khi người dùng phổ biến nhất của internet là một agent, bạn nên xây những startup nào?
18. Tôi nghĩ bảo hiểm cho agent đang đến. Một khi agent gây ra một sai lầm đắt giá, các hãng bảo hiểm sẽ đòi kiểm toán trước khi bảo hiểm cho bất kỳ ai.
19. Nhiều người nói rằng người họ muốn tuyển nhất là người có gu (taste) và biết viết evals. Các mô hình ngày càng giỏi sinh ra ý tưởng, nên phần khó là phán đoán xem ý tưởng nào hay.
20. Một xu hướng mới tôi quan sát được: startup gọi vốn VC (đầu tư mạo hiểm), dùng tiền của giới đầu tư mạo hiểm để trở thành một người sáng tạo nội dung (creator), startup thất bại, nhà sáng lập quay về làm creator toàn thời gian và ấp ra các sản phẩm khác theo kiểu tự thân vận động (bootstrapped).
21. Lấy được phân phối (distribution) ĐÁNG KỂ lúc này RẤT KHÓ. Các nhà sáng lập đang tài trợ xe buýt, mua biển quảng cáo như điên và tổ chức tiệc với DJ nổi tiếng để được chú ý. Về mặt này, có cảm giác giống thời dot-com[15].
Sự chú ý mới là thứ khan hiếm! Anh chàng làm tăng trưởng (growth) nổi đình nổi đám khi chia sẻ chiến lược UGC của mình từ Wispr Flow[16] là một ví dụ hay. Đó là “công thức bí mật” mà ai cũng muốn có, và tôi thực sự tin rằng có lẽ chỉ có khoảng 50 người trên hành tinh này biết cách mở rộng các loại hình kinh doanh như vậy một cách hiệu quả trong thời đại này.
Luôn tuyệt khi được nạp liều SF ấy. Tôi thấy mình RẤT may mắn khi có một chuyến đi tuyệt vời đến thế vào đúng thời điểm tuyệt vời đến thế của việc xây dựng doanh nghiệp. Siêu thực theo nhiều nghĩa.
Rất vui được về nhà và tập trung làm việc hết mình.
Hẹn lần sau!
GREG ISENBERG (@gregisenberg) · 15/10
Bốn cách làm việc cùng nhau (từ trả phí đến miễn phí)
(Trả phí) Thuê studio thiết kế của chúng tôi (latecheckout.agency) để trở thành nhóm lab của bạn. Hãy cùng ấp ra các sản phẩm agent (agentic products) (chiến lược, thiết kế, kỹ thuật). Chúng tôi làm việc với 12 công ty mỗi năm. Khách hàng gồm Dropbox, Slack, Paramount và các ứng dụng AI bạn ưa thích.
(Nếu quan tâm, cứ nhắn riêng cho tôi biết bạn đang ở công ty nào và cần giúp gì.)
(Miễn phí/trả phí) Dùng BoringFunnels.com, một thư viện đơn giản gồm các phễu (funnel) thật mà bạn có thể học hỏi và tái sử dụng với các công cụ AI của mình.
(Miễn phí/trả phí) Ideabrowser.com là một nguồn cấp hằng ngày, điềm tĩnh, gồm những ý tưởng startup đã được nghiên cứu mà bạn thực sự có thể xây trong thời đại AI agent.
(Miễn phí) Tôi ra 2 podcast mỗi tuần @startupideaspod, ngay trên X này @GregIsenberg, và thỉnh thoảng có một bản tin (newsletter) tại gregisenberg.com.
■
[1] Bản gốc không định nghĩa “data lab”. Người dịch đọc theo hai khả năng: các công ty chuyên làm và bán dữ liệu huấn luyện cho mô hình AI, hoặc chính các phòng nghiên cứu AI. Vì ở những chỗ sau tác giả dùng “lab” như một danh từ chung, bản dịch để nguyên “lab”. “SF” là San Francisco. Chuyện 48 giờ và danh tính những người ngồi cùng bàn không thể kiểm chứng.
[2] Theo hiểu biết của người dịch, “môi giới dữ liệu” ở đây là người đứng giữa, gom hoặc mua dữ liệu thật của doanh nghiệp (mã nguồn, email, kênh chat, tài liệu nội bộ) rồi bán cho các lab AI làm dữ liệu huấn luyện; chữ này vốn quen dùng cho ngành bán dữ liệu người tiêu dùng. Nếu giữ được mức 2 triệu đô la mỗi tuần thì một năm là khoảng 104 triệu đô la, nhưng tác giả chỉ nói là nghe nhiều câu chuyện, nên đây là lời kể lại chứ không phải số liệu đã kiểm.
[3] Câu hỏi này nhắc tới nỗi lo mà giới công nghệ gọi là bị “Sherlock”: năm 2002 Apple đưa vào công cụ tìm kiếm Sherlock của hệ điều hành những chức năng vốn là của một ứng dụng bên thứ ba, khiến ứng dụng ấy mất lý do tồn tại. Cơ chế không nói ra, theo cách hiểu của người dịch: nếu giá trị của công ty chỉ là vá điểm yếu của mô hình hiện tại, mô hình mới sẽ nuốt luôn phần đó; nếu công ty cưỡi lên sức mạnh của mô hình thì mô hình tốt hơn là lợi thế. Vì vậy ai im lặng là người đang nằm ở phía thứ nhất.
[4] “Kỳ lân” do nhà đầu tư Aileen Lee đặt ra năm 2013 để gọi startup chưa niêm yết có định giá từ 1 tỷ đô la trở lên. Tác giả đổi nghĩa: ngưỡng mới là 1 tỷ đô la doanh thu chứ không phải định giá, và dấu hỏi cùng chữ “chắc” cho thấy ông nói nửa đùa.
[5] Bản gốc không giải thích “harness”. Theo hiểu biết của người dịch, đó là lớp phần mềm bao quanh một mô hình ngôn ngữ để biến nó thành một agent làm việc được: vòng lặp gọi công cụ, quản lý bộ nhớ và ngữ cảnh, quyền truy cập tệp và hệ thống, giao diện cho người dùng. Từ này được giữ nguyên, không dịch. Phép ví von của tác giả: CPU là phần tính toán thô, hệ điều hành là lớp quản lý tài nguyên và quyền hạn, ứng dụng chạy trên hệ điều hành. Hệ quả ngầm là cơ hội kinh doanh nằm ở tầng chưa có ai chiếm, như thời máy tính cá nhân.
[6] Cơ chế tác giả không nói ra, theo cách hiểu của người dịch: ghi hình màn hình liên tục cho agent thấy các thao tác thật của bạn; bộ nhớ giúp nó giữ ngữ cảnh qua nhiều ngày; chạy mô hình cục bộ để dữ liệu màn hình, vốn thường chứa thông tin nhạy cảm, không phải rời khỏi máy. Mốc “12 tháng” là dự đoán chủ quan (“maybe”), không phải một sự kiện.
[7] “GPT wrapper” (“lớp vỏ bọc GPT”) là cách chê những startup chỉ khoác một giao diện và vài prompt lên API của một mô hình có sẵn, thường là GPT của OpenAI, hàm ý rằng họ không có hào phòng thủ (moat) vì chủ mô hình có thể tự làm lại việc đó. Tác giả đảo nghĩa: “theo nghĩa tốt”.
[8] Tinh chỉnh là huấn luyện thêm một mô hình có sẵn bằng dữ liệu riêng; kết quả gắn chặt với mô hình ấy, đổi mô hình là phải làm lại. Prompt thì mang sang mô hình khác được, nên hợp với chiến lược coi mô hình là thứ thay thế được. “Định tuyến” là việc hệ thống tự chọn mô hình theo loại việc để cân bằng chất lượng và chi phí. A/B test là đưa hai phiên bản kết quả cho hai nhóm người dùng rồi so sánh hành vi; ở đây thước đo là chỉnh sửa, xuất ra hay chia sẻ.
[9] “Evals” là viết tắt của evaluations: các bộ phép thử có đáp án hoặc tiêu chí để chấm xem một hệ thống AI làm đúng việc hay chưa. Lý do bản gốc nhấn mạnh “do người am hiểu công việc viết” là vì chỉ người trong nghề mới biết thế nào là kết quả tốt. Chữ này còn xuất hiện ở phần sau với nghĩa tương tự.
[10] Bản gốc không nói rõ “nhân bản mã nguồn mở”. Người dịch đọc là dựng lại chức năng của các ứng dụng thương mại bằng agent rồi đưa ra dưới dạng mã nguồn mở, và con số “5 tỷ đô la trở lên” có lẽ là giá trị của các ứng dụng gốc, không phải của bản sao. Cơ chế không nói ra: agent đọc mã đã dịch ngược hoặc quan sát hành vi phần mềm rồi viết lại. Bài cũng không bàn các rào cản như bản quyền, điều khoản sử dụng, bí mật thương mại, và dựng lại được không có nghĩa là bán được. Lời kể về bộ ứng dụng này không thể kiểm chứng.
[11] Phần mềm thuê bao thường được định giá theo bội số của ARR. Theo hiểu biết của người dịch, 2 lần ARR là mức rất thấp so với thời SaaS hoàng kim, khi nhiều công ty được định giá gấp nhiều lần như vậy; ở đây nó chỉ loại công ty bị coi là sắp chết. Tác giả nói rõ đây chỉ là ví dụ minh họa, không phải một thương vụ có thật.
[12] MCP là Model Context Protocol, giao thức mở do Anthropic công bố cuối năm 2024 để agent kết nối tới công cụ và nguồn dữ liệu theo một chuẩn chung. Ý ngầm của đoạn này: muốn “mở cho agent” thì dữ liệu phải sạch và tìm được trước, và đó là chỗ các công ty vấp.
[13] Người dịch không nhận diện được “Astra” trong bài (tên mô hình, công ty hay dự án), và cũng không đoán. Câu gốc bị gãy (“got people into AI can actually do CAD”); bản dịch theo ý đoán là khiến người ta tin AI làm được CAD (thiết kế có sự hỗ trợ của máy tính). “Vibe manufacturing” mô phỏng “vibe coding”, cách nói được Andrej Karpathy phổ biến đầu năm 2025 cho kiểu viết mã bằng cách ra lệnh bằng ngôn ngữ tự nhiên để AI viết; ở đây hàm ý sản xuất vật lý bằng cách mô tả sản phẩm cho AI. Cơ chế của robot ở câu sau là có người từ xa đỡ khi robot kẹt, và mỗi lần đỡ để lại một ví dụ huấn luyện.
[14] Cơ chế không nói ra: một công ty hoạt động nhiều năm để lại dữ liệu làm việc thật (chat, email, mã nguồn) ghi lại cách công việc được làm, thứ mà các lab AI thiếu. Bài không bàn tới quyền sở hữu hay quyền riêng tư của nhân viên và khách hàng nằm trong các dữ liệu ấy.
[15] Bong bóng dot-com 1999–2000: nhiều công ty internet đốt tiền vào quảng cáo, nổi tiếng nhất là quảng cáo trong trận Super Bowl, và vào tiệc tùng để giành chú ý trước khi có doanh thu, rồi sụp đổ. Cảnh báo ngầm của tác giả là kết cục ấy; luận điểm chính là cái khan hiếm bây giờ là sự chú ý chứ không phải sản phẩm.
[16] Theo hiểu biết của người dịch, Wispr Flow là ứng dụng nhập liệu bằng giọng nói dùng AI. UGC (user-generated content, nội dung do người dùng tạo) trong tiếp thị thường chỉ video do người thật hoặc creator quay để quảng bá sản phẩm. Người làm tăng trưởng này không được nêu tên, bài cũng không cho biết chiến lược cụ thể, và con số “50 người” là cách nói chủ quan.
