AI agent không tự do “chạy một mình”: Tự động hóa nhưng không tự động yên tâm
AI agent giám sát là cách vận hành trong đó các hệ thống AI tự động thực hiện chuỗi tác vụ phức tạp nhưng vẫn phải chịu sự kiểm tra liên tục của con người nhằm bảo đảm chất lượng đầu ra, tuân thủ quy định và duy trì trách nhiệm giải trình trong môi trường doanh nghiệp. Doanh nghiệp kỳ vọng AI agent sẽ cắt giảm khối lượng công việc lặp lại, nhưng thực tế lại xuất hiện một lớp việc mới: kiểm tra, hiệu chỉnh và giải quyết hậu quả khi agent sai. Theo một báo cáo, 30% tổ chức đã tích hợp AI agent vào quy trình, tăng từ 13% của năm trước. Tốc độ triển khai nhanh khiến gánh nặng doanh nghiệp AI phình to: nhân viên phải rà soát kết quả, xử lý khiếu nại, tái huấn luyện mô hình và giải thích cho cấp trên vì sao “AI nói vậy” không phải là câu trả lời chấp nhận được.
Theo một khảo sát được trích dẫn, nhiều nhân sự cho biết AI agent không thay thế được công việc như kỳ vọng mà còn kéo theo khối lượng giám sát, rà soát kết quả và tái huấn luyện ngày càng lớn. Đây không phải lỗi của nhân viên thiếu kỹ năng, mà là hệ quả của cách doanh nghiệp triển khai tự động hóa dữ liệu và agentic AI mà chưa đầu tư tương xứng cho governance AI enterprise, quan sát hệ thống và kiểm soát rủi ro AI.
Khi agent “tự tin sai”: Mệt mỏi giám sát và trách nhiệm bị treo lơ lửng
Trải nghiệm của Soumaya Nour cho thấy mặt trái rõ ràng: AI agent hỗ trợ khách hàng càng vận hành lâu càng dễ đi chệch khỏi phạm vi nhiệm vụ. Ban đầu, agent được dạy chuyển các yêu cầu vượt khả năng sang con người, nhưng theo thời gian lại có xu hướng tự trả lời, tạo ra kết quả sai nhưng rất tự tin, kéo theo khiếu nại tăng. Cứ vài tháng, đội ngũ phải hiệu chỉnh lại hệ thống để nhắc agent “biết mình là ai” và bổ sung các trường hợp ngoại lệ. Đây là minh chứng sống động cho việc AI agent không phải “set and forget”, mà là một thực thể cần quản lý liên tục.
Ở tuyến đầu, người lao động đang trả giá bằng sức khỏe tinh thần. Một khảo sát với 1.488 lao động toàn thời gian mô tả hiện tượng “AI brain fry” – trạng thái mệt mỏi tinh thần tích lũy do phải giám sát AI agent quá mức, dẫn tới giảm tập trung, chậm phán đoán và đau đầu. Lập trình truyền thống đòi hỏi tập trung sâu, nhưng điều phối agent buộc nhân sự phải chuyển đổi tác vụ liên tục và giám sát nhiều hơn, khiến cảm giác mệt mỏi tăng lên. Trong khi đó, bài toán trách nhiệm vẫn lửng lơ: nhiều người thừa nhận thời gian kiểm tra kết quả AI tạo ra còn nhiều hơn tự làm, nhưng khi cấp trên hoặc kiểm toán hỏi con số từ đâu ra, “AI nói vậy” rõ ràng không phải câu trả lời chấp nhận được.
Ba nút thắt khiến data worker không “ăn” được năng suất từ agentic AI
Nếu nhìn sâu vào công việc dữ liệu, có ba nút thắt chính khiến agentic AI không đem lại mức năng suất như quảng cáo: tích hợp dữ liệu, quan sát hệ thống và tuân thủ. Thứ nhất, dữ liệu của người dùng thường nằm rải rác trong bảng tính, file SharePoint, ứng dụng như Salesforce và các nền tảng dữ liệu như Databricks, Snowflake hay BigQuery. Để AI agent truy cập, họ phải gửi yêu cầu cho đội nền tảng dữ liệu chịu trách nhiệm governance mọi thứ. Đội này thường thiếu người, nên giải pháp tạm là các bản sao dữ liệu lỗi thời, CSV cũ hoặc workbook đã qua nhiều lần chỉnh sửa không được ghi nhận. Agent làm việc trên một “bản sao của sự thật”, khiến nguồn gốc dữ liệu bị mất và niềm tin sụt giảm.
Thứ hai, thiếu cơ chế fact-check dữ liệu. Nhiều chatbot trả kết quả mà không cung cấp đủ ngữ cảnh để người dùng kiểm chứng; hiển thị code sinh ra cũng vô ích vì người dùng kinh doanh không đọc được. Áp lực “phải giao hàng nhanh” khiến họ ký duyệt trên dữ liệu không thể kiểm tra, tương tự lập trình viên vội vàng đẩy code. Thứ ba, tuân thủ trở thành rào cản nặng nề. Ngay cả khi dữ liệu được giữ trong môi trường nội bộ như một số nền tảng đám mây, rủi ro tuân thủ vẫn không biến mất. Việc tự huấn luyện mô hình bằng dữ liệu nội bộ giúp tăng kiểm soát nhưng kéo theo yêu cầu cao về tài nguyên tính toán và chi phí.
Context rot, tool chồng tool và governance bị bỏ quên
Ngay cả khi vượt qua được rào cản triển khai ban đầu, doanh nghiệp lại đối mặt với suy giảm hiệu quả vận hành theo thời gian. Một nhà cung cấp giải pháp mô tả hiện tượng “context rot”: bối cảnh mới liên tục được bổ sung khiến các chỉ dẫn cũ bị đẩy lùi, làm mô hình dần lệch khỏi các ràng buộc vận hành ban đầu. Ở giai đoạn đầu dự án, prompt và quy tắc thường được xây dựng đầy đủ; nhưng theo thời gian, khi nhu cầu thay đổi và đội ngũ xoay vòng, prompt trở nên sơ sài hơn, chất lượng kết quả đi xuống. Đây là dạng nợ kỹ thuật mới của kỷ nguyên AI agent giám sát: nợ bối cảnh và nợ quy tắc.
Trong khi đó, số lượng công cụ AI mà nhân viên phải dùng ngày càng nhiều. Một quản lý cho biết ông điều phối trung bình 30 agent mỗi ngày, nhưng các đầu ra cần người đọc trực tiếp như tài liệu marketing vẫn phải do con người viết hoặc ít nhất phải được con người kiểm tra lại. Tool sprawl – công cụ chồng công cụ – làm governance AI enterprise thêm phức tạp: mỗi agent có tập quyền truy cập, log và rủi ro riêng. Nếu không có quan sát hệ thống đủ tốt, doanh nghiệp sẽ rơi vào thế “tự động hóa hỗn loạn”: sản lượng tăng nhưng chất lượng, trách nhiệm và tuân thủ đều mờ nhạt.
Giảm gánh nặng giám sát mà không mất kiểm soát: Bốn hướng đi thực tế
Muốn AI agent giúp giảm việc chứ không tạo thêm việc, doanh nghiệp cần coi giám sát là thiết kế hệ thống, không phải “chữa cháy” ở cuối quy trình. Thứ nhất, chuẩn hóa lại vai trò agent. Cách làm của Soumaya Nour – định kỳ vài tháng hiệu chỉnh để làm rõ lại vai trò và bổ sung ngoại lệ – nên được nâng cấp thành quy trình chính thức: mỗi agent phải có “job description” rõ ràng, giới hạn quyền và kịch bản bắt buộc chuyển cho con người.
Thứ hai, xây lớp quan sát và fact-check cho dữ liệu. Thay vì để người dùng ký duyệt trên kết quả “đen hộp”, hệ thống cần hiển thị nguồn dữ liệu, các bước xử lý chính và cho phép so sánh nhanh với số liệu gốc. Thứ ba, đầu tư governance AI enterprise theo chiều sâu, không chỉ dừng ở chính sách. Điều này bao gồm: phân quyền truy cập dữ liệu theo vai trò, log đầy đủ tương tác agent, và thiết lập quy trình giải trình khi có sai lệch. Thứ tư, với các tác vụ nhạy cảm, doanh nghiệp có thể cân nhắc tự huấn luyện mô hình trên dữ liệu nội bộ để tăng kiểm soát, chấp nhận chi phí tính toán cao hơn đổi lại rủi ro tuân thủ thấp hơn. Kết luận thẳng thắn: AI agent không thay thế được con người trong kiểm soát rủi ro AI, nhưng nếu thiết kế đúng, chúng có thể giảm đáng kể khối lượng giám sát lặp lại và trả lại cho con người thời gian để suy nghĩ.
