Từ cuộc đua sức mạnh sang cuộc đua giảm chi phí AI
Mô hình AI nhỏ gọn là những mô hình ngôn ngữ được thiết kế chuyên biệt cho một nhóm tác vụ cụ thể, tối ưu về chi phí, tốc độ và độ chính xác cho khối lượng công việc lặp đi lặp lại, thay vì cố gắng bao phủ mọi nhu cầu như các mô hình tổng quát khổng lồ. Sau nhiều năm các hãng trí tuệ nhân tạo cạnh tranh bằng sức mạnh công nghệ, cuộc chơi đang dịch chuyển sang giảm chi phí phát triển và vận hành mô hình AI. Chỉ trong vài tuần, OpenAI và Anthropic liên tiếp giới thiệu những mô hình tiết kiệm chi phí hơn, cho thấy họ bắt đầu coi "giảm chi phí AI" là lợi thế cạnh tranh cốt lõi chứ không chỉ kích cỡ mô hình. Ở chiều ngược lại, các nhà phát triển Trung Quốc đang thu hẹp khoảng cách công nghệ và tạo áp lực giá mạnh mẽ, buộc các ông lớn phải xem lại chiến lược lợi nhuận. Câu hỏi không còn là mô hình nào thông minh hơn, mà là mô hình nào hợp lý hơn cho từng tác vụ.
Claude Haiku và ScaleDown: chi phí thấp đang thắng kích cỡ lớn
Anthropic đã gửi một tín hiệu rất rõ: Claude Haiku 5.5 được định vị cho các tác vụ cần tốc độ cao và chi phí thấp, với chi phí sử dụng trung bình thấp hơn khoảng 75% so với Haiku 4.5. Đây là một tuyên bố mạnh mẽ rằng mô hình nhỏ gọn có thể đủ tốt cho phần lớn công việc văn phòng, từ trả lời email nội bộ đến tóm tắt báo cáo. Song song, một nhà cung cấp khác chọn đi xa hơn về chuyên môn hóa: ScaleDown ra mắt ba mô hình nhỏ chuyên dụng theo tác vụ – Classify, Extract và Summarize – và lập luận rằng các mô hình ngôn ngữ nhỏ chuyên biệt đánh bại mô hình tiên tiến về chi phí, tốc độ và độ chính xác trong công việc lặp đi lặp lại khối lượng lớn. Điều đáng chú ý là cả ba mô hình ScaleDown đều nhận đầu vào tới 1M token và xử lý văn bản lẫn hình ảnh, nghĩa là chúng không chỉ rẻ hơn mà còn đủ sức xử lý tài liệu dài, hợp đồng, hóa đơn quét mà trước đây thường phải giao cho mô hình lớn.
Tối ưu hóa mô hình AI cho quy trình văn phòng: chọn đúng thay vì chọn to
Khi AI len vào ngày càng nhiều quy trình công việc, doanh nghiệp không còn đánh giá mô hình chỉ bằng chất lượng câu trả lời mà phải tính toán chi phí cho mỗi tác vụ. Với mô hình AI nhỏ gọn, bài toán tối ưu hóa mô hình AI chuyển từ "một mô hình làm tất cả" sang "một mô hình cho từng bước". Kiểu mẫu mà bộ ba ScaleDown nhắm tới là một vòng lặp: truy xuất tài liệu, dùng Classify để phân loại, dùng Extract để trích xuất trường dữ liệu có cấu trúc, dùng Summarize để tóm tắt, rồi mới chuyển bản tóm tắt cho một mô hình sinh để viết câu trả lời. Lý do chính để phân loại bên trong ứng dụng thay vì ở biên là quyết định có thể nhìn thấy toàn bộ ngữ cảnh – toàn bộ chuỗi hỗ trợ, hợp đồng, tài liệu được truy xuất – thay vì một cửa sổ bị cắt ngắn. Với cửa sổ 1M token, nhiều quy trình văn phòng như xử lý yêu cầu hỗ trợ, rà soát hợp đồng, kiểm tra hóa đơn có thể được tự động hóa mà không cần lớp chia nhỏ phức tạp.
Tác động thực tế: giảm chi phí AI và thay đổi cách thiết kế hệ thống
Các mô hình AI nhỏ gọn không chỉ là một lựa chọn kỹ thuật; chúng đang thay đổi cách doanh nghiệp tính toán chi phí hoạt động. Các hãng AI bắt đầu hướng mạnh hơn tới khách hàng triển khai AI thường xuyên, trên quy mô lớn, nhưng vẫn muốn kiểm soát chi phí. Với một giai đoạn phân loại hoặc trích xuất khối lượng lớn và hệ thống phân loại ổn định, ba mô hình của ScaleDown được khuyến nghị là đáng để đánh giá chuẩn trên dữ liệu riêng trong tuần này, nhờ hợp đồng đơn giản và giới hạn đầu vào hào phóng. Điều này mở ra một cách thiết kế hệ thống mới: thay vì gọi một mô hình khổng lồ cho mọi bước, doanh nghiệp có thể ghép nhiều mô hình nhỏ gọn, mỗi mô hình tối ưu cho một loại tác vụ. Kết quả là chi phí API giảm đáng kể, trong khi độ trễ và độ chính xác vẫn phù hợp cho công việc văn phòng. Tuy nhiên, cuộc đua giảm giá cũng thu hẹp biên lợi nhuận, buộc các nhà phát triển phải chứng minh rằng họ có thể biến công nghệ thành lợi nhuận bền vững.
Điều gì tiếp theo: chuẩn hóa, đánh giá độc lập và chiến lược dài hạn
Cuộc dịch chuyển sang mô hình AI nhỏ gọn mới chỉ bắt đầu. Đối với các công ty AI, lợi thế cạnh tranh giờ đây không chỉ nằm ở khả năng dẫn đầu về công nghệ, mà còn ở việc biến công nghệ thành lợi nhuận – yếu tố quan trọng trong kế hoạch niêm yết cổ phiếu lần đầu ra công chúng. Với ScaleDown, ba yếu tố sẽ quyết định mức độ ảnh hưởng: một đánh giá độc lập về tác vụ phân loại theo rubric trên bộ đánh giá chuẩn công khai; một con số độ trễ được công bố để biết cửa sổ 1M token dùng được trong vận hành thông lượng hay chỉ xử lý theo lô; và việc bên thứ ba tái lập tuyên bố hiệu chỉnh theo từng chunk để xem lô năm mươi chunk là tối ưu chi phí hay chỉ là một mô hình khác. Nếu những mảnh ghép này được xác nhận, mô hình AI nhỏ gọn sẽ trở thành mặc định cho các tác vụ văn phòng lặp đi lặp lại, còn mô hình lớn sẽ lùi về vai trò "bộ não" cho những bước cần suy luận phức tạp. Doanh nghiệp nào hiểu sớm sự phân vai này sẽ là doanh nghiệp đầu tiên biến AI từ khoản đầu tư tốn kém thành một lớp hạ tầng chi phí hợp lý.
