# AI agent không phải cuộc cách mạng, mà là chất xúc tác

[Sam Anthony](https://homus.dev/speakers/sam-anthony) · [IBM Technology](https://homus.dev/orgs/ibm-technology)

> Vì sao tác động lâu dài của AI agent nằm ở hệ sinh thái quanh nó: data layer, API và security, MCP/A2A, dân chủ hoá công nghệ và tư duy why thay vì how.

Topics: Agents, Workflow

Canonical: https://homus.dev/talks/ai-agents-arent-the-revolution-theyre-the-catalyst

## 1. AI agent sẽ điều hành thế giới, hay bong bóng sắp vỡ?

Video thuộc loạt think series của IBM, do Sam Anthony, Data Scientist tại IBM, trình bày trên lightboard (tấm bảng kính phát sáng mà người nói vừa nói vừa vẽ). Sam mở đầu bằng hai câu hỏi mà ai cũng đang hỏi: AI agent có sắp điều hành cả thế giới không? Có một bong bóng AI (AI bubble) sắp vỡ không?

![Sam Anthony đứng cạnh hình vẽ một con robot ngồi trên quả địa cầu](https://homus.dev/photos/XzL_vtYAO-4-0003.jpg)

Mở đầu video: Sam Anthony, Data Scientist tại IBM, đứng cạnh hình vẽ một con robot đứng trên quả địa cầu, ẩn dụ cho câu hỏi "AI agent có sắp điều hành thế giới không?".

Mọi ánh mắt đều đang đổ dồn vào agent, nhưng Sam cho rằng chúng ta đang nhìn nhầm chỗ. Nhiều năm nữa, khi nhìn lại khoảnh khắc này, thay đổi quan trọng nhất có thể không phải là bản thân AI. Cuộc cách mạng thật sự đang diễn ra trong các hệ thống xung quanh nó, ngay trước mắt chúng ta mà ta không để ý.

Có thể agent sẽ ở lại lâu dài. Cũng có thể không. Sam lập luận rằng chuyện đó gần như không quan trọng.

## 2. Agent không phải cuộc cách mạng, agent là chất xúc tác

Bất kể tương lai của AI agent ra sao, những thay đổi mà agent đã đẩy nhanh sẽ tồn tại lâu hơn chính các agent. Chúng đang bẻ hướng quỹ đạo của cả hệ sinh thái công nghệ xung quanh, theo chiều tốt lên. Sam liệt kê những thay đổi đó:

- hợp nhất dữ liệu và mở dữ liệu (data unification and openness);

- cách thiết kế hệ thống (system design);

- khả năng kết nối (connectivity);

- digital literacy, tức hiểu biết và kỹ năng số của mọi người;

- và thậm chí cả cách chúng ta nghĩ về vấn đề.

![Sam Anthony với danh sách Data, Systems, Connectivity bên phải](https://homus.dev/photos/XzL_vtYAO-4-0043.jpg)

Ba tầng đầu tiên Sam viết lên bảng: Data, Systems và Connectivity. Phần sau của video còn thêm People và Think.

Câu chốt của Sam, cũng là tên video: AI agent không phải là cuộc cách mạng. Chúng là chất xúc tác (catalyst).

## 3. Data: AI chỉ hiệu quả bằng thông tin nó truy cập được

Hệ quả tích cực đầu tiên của việc áp dụng AI nhanh chóng bắt đầu từ data layer (tầng dữ liệu). Sam nói bất kỳ AI engineer nào cũng biết: một hệ thống AI chỉ hiệu quả tới mức thông tin mà nó truy cập được.

Chị so sánh với con người: nếu bạn đưa cho một người một nắm ghi chú viết tay từ đủ các cuộc họp lộn xộn, rồi nhờ họ viết cho bạn một báo cáo chi tiết, họ sẽ bó tay. AI cũng không thể làm việc trên mớ hỗn độn như vậy.

![Dưới chữ Data là các ô vuông, một database và các số 0, 1 nằm rải rác](https://homus.dev/photos/XzL_vtYAO-4-0123.jpg)

Dưới chữ "Data", Sam vẽ các mảnh dữ liệu nằm rải rác: vài ô vuông như file, một database, mấy con số 0 và 1 tách rời nhau, hình ảnh của dữ liệu bị nhốt trong silo.

Vấn đề không nằm ở chỗ dữ liệu không tồn tại. Vấn đề là dữ liệu bị mắc kẹt: bị chôn trong những ứng dụng không kết nối với nhau, trong các team làm việc biệt lập, trong data silo, trong file, trong database, và đôi khi chỉ nằm trong đầu một vài người.

## 4. Data layer mở hơn, nền móng dữ liệu được hiện đại hoá

Khi các tổ chức ngày càng áp dụng AI, họ bị buộc phải đại tu nền móng dữ liệu (data foundations) của mình, theo những cách mà đôi khi lẽ ra phải làm từ lâu. Để AI làm việc hiệu quả, nó phải hiểu được thông tin có nghĩa là gì, thông tin đến từ đâu, và có tin được hay không.

Kết quả là việc áp dụng AI đang đẩy data layer trở nên:

- dễ truy cập hơn (accessible);

- dễ tìm kiếm hơn (searchable);

- dễ hiểu hơn (understandable);

- dễ tái sử dụng hơn (reusable);

- và cởi mở hơn (open).

![Danh sách accessible, searchable, understandable, reusable, open bên trái; các mảnh dữ liệu đổ vào một bảng bên phải](https://homus.dev/photos/XzL_vtYAO-4-0223.jpg)

Bên phải, các mảnh dữ liệu rời rạc được gom xuống một bảng có hàng có cột. Bên trái là năm tính chất mà data layer đang hướng tới: accessible, searchable, understandable, reusable, open.

Theo Sam, dù công nghệ lớn tiếp theo là gì, những cải thiện này vẫn sẽ tạo ra tác động. Các team sẽ được chuẩn bị sẵn, vì AI agent đã đẩy nhanh việc hiện đại hoá nền móng dữ liệu: phá bỏ silo, nâng chất lượng dữ liệu, ghi lại tri thức thành tài liệu, và làm cho dữ liệu dễ làm việc hơn rất nhiều. Ngay cả khi agent không phải là tương lai, thật khó hình dung một tương lai nào mà chúng ta không cần đến dữ liệu.

## 5. Systems: nhiều hệ thống chưa từng được thiết kế cho máy dùng

Song song với việc đại tu dữ liệu, các team nhanh chóng phát hiện ra một thách thức khác: nhiều hệ thống chưa bao giờ được thiết kế để máy móc sử dụng. Agent làm lộ ra những chỗ thiếu nhất quán, những quy trình thiếu tài liệu, những workflow dễ gãy, những giao diện khó hiểu, và những giả định ngầm mà con người vẫn tự nhiên lách qua được.

Một trong những cách chính để agent tương tác với hệ thống khác là qua API. Trước đây, API được xây cho developer, những người hiểu rất sâu về hệ thống. Thực tế, ở nhiều ứng dụng, bạn thường phải vào phần cài đặt để bật một quyền developer đặc biệt thì mới truy cập được API.

Ý Sam trình bày ở phần Systems: API từng là cửa sau cho developer; để có ý nghĩa với agent, API phải dự đoán được, có tài liệu đầy đủ và cả người lẫn máy đều hiểu được.

## 6. API phải tự giải thích, và security bị đưa ra ánh sáng

Ngày nay, để một API có ý nghĩa với agent, nó cần tự giải thích được chính mình. Nó phải dự đoán được (predictable), có tài liệu tốt (well-documented), và cả con người lẫn máy móc đều hiểu được.

Áp lực này không dừng ở chức năng. Agent còn làm lộ ra những điểm yếu về security và governance. Chỉ vì một hệ thống cho phép một hành động không có nghĩa là hành động đó nên được thực hiện tự động. Agent đang buộc chuyện security và phân quyền phải được đưa ra ánh sáng: người ta tập trung trở lại vào ranh giới quyền hạn (permission boundaries), khả năng audit (auditability), và câu hỏi những hành động nào cần con người giám sát (human oversight).

![Dưới chữ Systems: chữ API cạnh một tài liệu và danh sách đánh số 1, 2, 3; một tấm khiên và một hình người](https://homus.dev/photos/XzL_vtYAO-4-0403.jpg)

Phần Systems trên bảng: chữ "API" cạnh một trang tài liệu và danh sách đánh số 1, 2, 3 (API có tài liệu, hành vi có thứ tự rõ ràng), một tấm khiên cho security, và một hình người cho human oversight.

## 7. Standardization: agent là bài stress test cuối cùng

Nhìn khắp mọi mặt, Sam thấy một chủ đề chung: AI đang thúc đẩy chuẩn hoá (standardization). Những chỗ thiếu nhất quán trở thành điểm gây lỗi (failure points). Các team ngày càng được lợi khi có pattern chung, giao diện nhất quán và các quy ước dùng chung (shared conventions).

Việc chuẩn bị cho agent (agent readiness) đã đẩy các hệ thống trở nên:

- có tài liệu tốt hơn (documented);

- dễ hiểu hơn (understand);

- chuẩn hoá hơn (standardized);

- dễ truy cập hơn (accessible);

- an toàn hơn (secure);

- và sẵn sàng cho tự động hoá hơn (automation ready).

![Danh sách documented, understand, standardized, accessible, secure, automation bên trái phần Systems](https://homus.dev/photos/XzL_vtYAO-4-0423.jpg)

Sáu đích đến của phần Systems mà Sam viết bên trái bảng: documented, understand, standardized, accessible, secure, automation, cạnh hình API, tấm khiên và hình người đã vẽ trước đó.

Sam gọi AI agent là bài stress test cuối cùng cho các hệ thống của chúng ta. Chúng làm lộ ra điểm yếu và sự thiếu nhất quán, rồi tạo ra động lực để sửa chúng.

## 8. Connect: con người từng là cây cầu giữa các hệ thống

Sam tóm lại hai bước trước: thông tin đã trở nên truy cập được, phần mềm đã trở nên vận hành được (operable). Bây giờ, các hệ thống cần được kết nối với nhau. AI agent đã bắt đầu phá bỏ những bức tường và đẩy nhanh sự chuyển dịch sang kết nối liền mạch giữa các hệ thống.

Trước đây, hầu hết ứng dụng sống trong thế giới riêng của chúng, mỗi cái một giao diện riêng, một cách xác thực (authentication) riêng, quy ước riêng, cách tích hợp riêng, cái gì cũng riêng. Con người chính là cây cầu nối giữa các hệ thống rời rạc đó: hoặc tự làm việc bằng tay, hoặc viết những hệ thống phức tạp để làm thay.

Ý Sam ở phần Connect: trước đây con người là cây cầu giữa các ứng dụng rời rạc; với các pattern giao tiếp chung, các ứng dụng tham gia vào một quy trình nối liền từ đầu tới cuối.

## 9. MCP, A2A và interoperability mặc định

Nhưng AI đã giúp chúng ta hình dung ra một tương lai tốt hơn. Những ý tưởng như [MCP](https://modelcontextprotocol.io/) (Model Context Protocol) và [A2A](https://a2a-protocol.org/) (Agent2Agent) đã giúp thiết lập các pattern chung và chuẩn hoá cách giao tiếp với công cụ bên ngoài, với hệ thống khác và với các agent khác. Chúng mở toang tầng hệ thống (systems layer), cho phép kết nối xuyên hệ thống ngay từ mặc định, và chuyển dần sang interoperability (khả năng tương tác giữa các hệ thống).

Ví dụ Sam đưa ra: một workflow chăm sóc khách hàng (customer support) trước đây buộc nhân viên phải chuyển qua lại giữa ba ứng dụng, giờ có thể chạy như một quy trình duy nhất được kết nối liền mạch.

![Chữ integration bên trái; bên phải dưới chữ Connect là một hình người nối với ba vòng tròn, và dòng AI mũi tên tới MCP, A2A](https://homus.dev/photos/XzL_vtYAO-4-0543.jpg)

Phần Connect: một hình người ở giữa với mũi tên tới ba hệ thống đã được nối với nhau, bên dưới là "AI → MCP, A2A". Bên trái, Sam vừa viết chữ "integration".

Tích hợp (integration) không còn nên là rào cản để thành công. Nó đang trở thành một điều được mặc nhiên kỳ vọng, chứ không còn là một nỗ lực. Thứ trước đây bị nhốt trong một ứng dụng duy nhất giờ có thể tham gia vào các workflow end-to-end trải qua nhiều ứng dụng. Chúng ta có thể di chuyển dữ liệu, hành động và insight tự do hơn bao giờ hết.

Agent không chỉ cách mạng hoá từng hệ thống riêng lẻ của bạn. Chúng đã đẩy nhanh việc hình thành cả một hệ sinh thái số được kết nối, cho phép các team hưởng lợi từ interoperability, standardization và giao tiếp giữa các hệ thống.

## 10. People: dân chủ hoá công nghệ

Tác động của AI không dừng ở dữ liệu và hệ thống. Nó tác động trực tiếp lên từng người chúng ta.

Trước đây, muốn khai thác giá trị từ công nghệ, người ta cần được đào tạo bài bản, cần chứng chỉ, hoặc phải đi học. Điều đó có nghĩa là nhiều hệ thống mạnh mẽ trên thực tế chỉ dành cho chuyên gia, những người hiểu sâu cách dùng chúng. Nhưng LLM và agent đã nhanh chóng thay đổi điều đó. Thay vì phải học từng giao diện hay từng framework, với agent và các agentic coding IDE, người ta chỉ cần mô tả thứ mình muốn rồi giao phần chi tiết triển khai (implementation details) cho AI.

![Dưới chữ People, Sam vẽ một chiếc mũ tốt nghiệp với mũi tên chỉ tới hai hình người](https://homus.dev/photos/XzL_vtYAO-4-0703.jpg)

Phần People: chiếc mũ tốt nghiệp tượng trưng cho đào tạo, chứng chỉ, trường lớp, với mũi tên chỉ sang những người bình thường mà giờ cũng dùng được công nghệ.

Sự dân chủ hoá công nghệ này hạ thấp rào cản gia nhập và cho phép đổi mới phát triển mạnh. "Hãy nghĩ xem điều đó tuyệt đến mức nào", Sam nói. Đổi mới không còn giới hạn ở những người hiểu công nghệ. Giờ nó có thể đến từ những người hiểu vấn đề: từ một chuyên gia y tế, tới một người vận hành chuỗi cung ứng, tới một chủ doanh nghiệp nhỏ, hay thậm chí một người làm thử nghiệm ở nhà cho vui. Agent cho phép mọi người xây dựng giải pháp bằng AI và những ứng dụng mạnh mẽ khác theo cách chưa từng có.

![Sam vẽ thêm ống nghe, các khối hàng nối nhau, ký hiệu đô la và một cửa hàng nhỏ, có chữ AI và dấu ngoặc nhọn bên trái](https://homus.dev/photos/XzL_vtYAO-4-0743.jpg)

Sam vẽ thêm từng ví dụ: ống nghe cho người làm y tế, các khối hàng nối nhau cho chuỗi cung ứng, ký hiệu đô la và cửa hàng nhỏ cho chủ doanh nghiệp nhỏ. Dấu ngoặc nhọn với chữ "AI" gom tất cả lại: những người này giờ đều xây được giải pháp với AI.

## 11. Dân chủ hoá chuyên môn và digital literacy

Nhưng chưa dừng ở đó. Agent còn dẫn tới một sự dân chủ hoá chuyên môn (democratization of expertise), khơi lên một làn sóng digital literacy chưa từng thấy. Những người chưa bao giờ đụng vào một dòng code giờ có thể bàn về agent, về prompting, về năng lực của AI trong các cuộc trò chuyện hằng ngày.

Và đó không chỉ là giáo dục về AI. Việc học nói chung đã trở nên tương tác hơn và dễ tiếp cận hơn. Mọi người có thể tìm hiểu một chủ đề bằng cách hỏi đáp như trò chuyện, và nhận được câu trả lời được nghiên cứu kỹ cho cả những câu hỏi rất ngách, tổng hợp từ nhiều nguồn khác nhau.

Ý Sam: AI agent giúp công nghệ "gặp bạn ở giữa đường", tự thích nghi với mục tiêu, trải nghiệm và cách học của bạn, thay vì bắt bạn phải đi hết quãng đường tới nó.

AI agent đã giúp công nghệ gặp bạn ở giữa đường (meet you halfway), thích nghi theo mục tiêu, trải nghiệm và sở thích học tập của bạn. Theo Sam, tác động này làm cho không chỉ máy móc mà cả con người cũng trở nên có năng lực hơn.

## 12. Think: từ "how" sang "why"

Lĩnh vực cuối cùng, và cũng tinh tế nhất, mà LLM hiện đại và agent sẽ để lại tác động lâu dài là thay đổi cách chúng ta suy nghĩ. Sam nói rõ: không phải vì AI thay thế việc suy nghĩ. Điều đó không bao giờ nên xảy ra.

Thứ AI thay đổi là cách chúng ta tương tác với công nghệ và thiết kế công nghệ. Trước đây, ta nghĩ theo kiểu implementation: "làm cái này như thế nào?". Với sự trỗi dậy của các agentic coding IDE mạnh mẽ, việc implement trở nên nhanh và ai cũng làm được, nên sự chú ý được đẩy lên tầng cao hơn. Thay vì tập trung vào "how", ta tập trung vào "why".

![Dưới chữ Think, chữ HOW bị gạch ngang và chữ WHY bên cạnh](https://homus.dev/photos/XzL_vtYAO-4-0903.jpg)

Phần Think: Sam gạch chữ "HOW" và viết "WHY" bên cạnh, tóm gọn sự chuyển dịch từ nghĩ về cách làm sang nghĩ về lý do làm.

Tư duy theo kết quả (outcome-based thinking) và giải quyết vấn đề ở tầng cao hơn ngày càng có giá trị: xác định mục tiêu, đặt câu hỏi, và nhận ra đâu là những vấn đề đáng giải. Khi việc implement công nghệ trở nên phổ biến với tất cả mọi người, lợi thế cạnh tranh đang dịch chuyển sang việc biết thứ gì đáng để xây ngay từ đầu.

## 13. Thứ còn lại lâu dài là hệ sinh thái quanh agent

Khi người ta nói về cuộc cách mạng AI, phần lớn câu chuyện xoay quanh chính các agent. Sam thấy điều đó thú vị, nhưng chị không nghĩ đó là tác động lâu dài của thời điểm này. Không phải những agent chúng ta xây, mà là những thứ xung quanh mà chúng đã đẩy ta phải cải thiện:

- mở và tổ chức lại data layer;

- hiện đại hoá hệ thống;

- interoperability giữa các ứng dụng;

- hạ thấp rào cản tiếp cận công nghệ;

- và thay đổi cách mọi người học, làm việc và giải quyết vấn đề.

![Một vòng tròn lớn ghi AI Agents với mũi tên tới database, màn hình, mạng lưới nút và chiếc hộp ghi Tech](https://homus.dev/photos/XzL_vtYAO-4-0943.jpg)

Hình tổng kết: vòng tròn "AI Agents" ở giữa, với mũi tên chỉ ra bốn thứ quanh nó: database (dữ liệu), màn hình (hệ thống), mạng lưới các nút (kết nối) và chiếc hộp "Tech" (công nghệ đến tay mọi người).

Không lợi ích nào trong số đó đòi hỏi agent phải ở lại mãi mãi. Những nền móng đang được xây hôm nay có giá trị lâu dài, bất kể điều gì xảy ra tiếp theo. Sam kết thúc: ngay cả khi AI agent không phải là cuộc cách mạng, chúng có thể được nhớ đến như chất xúc tác đã châm ngòi cho một cuộc cách mạng. Chị cảm ơn người xem.

## Nguồn và liên kết

- Tên gốc: AI Agents Aren't the Revolution. They're the Catalyst!
- Sự kiện: [YouTube](https://homus.dev/events/youtube)
- Video gốc: [https://www.youtube.com/watch?v=XzL_vtYAO-4](https://www.youtube.com/watch?v=XzL_vtYAO-4)

- Kênh YouTube IBM Technology (Sam Anthony): [youtube.com/channel/UCKWaEZ-_VweaEx1j62do_vQ](https://www.youtube.com/channel/UCKWaEZ-_VweaEx1j62do_vQ)

- Model Context Protocol (MCP), chuẩn mở để ứng dụng AI kết nối với công cụ và hệ thống bên ngoài: [modelcontextprotocol.io](https://modelcontextprotocol.io/)

- Agent2Agent (A2A) Protocol, chuẩn mở cho interoperability giữa các AI agent: [a2a-protocol.org](https://a2a-protocol.org/) · repo [github.com/a2aproject/A2A](https://github.com/a2aproject/A2A)

Nguồn: https://homus.dev/talks/ai-agents-arent-the-revolution-theyre-the-catalyst · cập nhật 2026-10-18