# Microsoft đưa agent OpenClaw vào công ty bạn: năm thói quen để dùng tốt

[Nate B Jones](https://homus.dev/speakers/nate-b-jones) · [AI News & Strategy Daily | Nate B Jones](https://homus.dev/orgs/ai-news-strategy-daily-nate-b-jones)

> Theo video đăng ngày 02/10/2026, Copilot Autopilot đưa agent nền OpenClaw vào Outlook, Teams, Excel; Nate nêu năm thói quen để lấy việc thật từ AI công ty cho phép.

Topics: Agents, Workflow, Context Engineering, Model Routing

Canonical: https://homus.dev/talks/openclaw-was-too-dangerous-to-install-7-months-later-microsoft-is-bringing-it-to-your-company

## 1. Từ agent "quá nguy hiểm để cài" tới phần mềm doanh nghiệp

Nate mở đầu bằng một cột mốc anh đã nói tới hồi tháng 2/2026: tuần mà OpenClaw "làm vỡ mọi thứ". Theo lời kể của anh trong video đăng ngày 02/10/2026, khi đó một cơn hoảng loạn về bảo mật lan ra khắp ngành, tới mọi đội IT doanh nghiệp mà anh từng nói chuyện, và Satya Nadella, CEO của Microsoft, đã so sánh nó với một con virus.

Vậy mà bảy tháng sau, cũng theo Nate (video đăng ngày 02/10/2026), Microsoft lại đang bán chính thứ đó cho công ty bạn đang làm. Đó là bản chất của Autopilot, anh nói: Microsoft lấy cái agent từng bị coi là quá nguy hiểm để cài, gắn cho nó một danh tính (identity) mà phòng IT của bạn có thể audit, và biến nó thành phần mềm doanh nghiệp đi kèm hợp đồng hỗ trợ.

![Thẻ Microsoft Security: Not Appropriate For A Standard Personal Or Enterprise Workstation, kèm bài Running OpenClaw safely ngày 19/2/2026](https://homus.dev/photos/avN5R3OhxYs-0003.jpg)

Thẻ bên trái màn hình trích Microsoft Security: OpenClaw "Not Appropriate For A Standard Personal Or Enterprise Workstation" (không phù hợp cho một máy trạm cá nhân hay doanh nghiệp thông thường), kèm ảnh chụp bài blog "Running OpenClaw safely: identity, isolation, and runtime risk" đề ngày 19/02/2026 (trên màn hình trong video đăng ngày 02/10/2026).

Theo Nate, đây là chuyện lớn vì nó sẽ tới tay nhiều người đi làm hơn hẳn, hơn rất nhiều, so với bất cứ thứ gì OpenAI hay Anthropic ra mắt trong năm nay (nhận định của anh trong video đăng ngày 02/10/2026). Không phải vì nó tốt hơn, mà vì nó có mặt ở khắp nơi: trong Excel, trong Outlook, trong Teams, những chỗ bạn vốn đã làm việc hằng ngày.

## 2. Từ trả lời câu hỏi sang giữ một assignment

Vì vậy, theo Nate (video đăng ngày 02/10/2026), AI mà bạn được dùng sắp bắt đầu làm một kiểu việc khác. Không còn là trả lời câu hỏi của bạn nữa, mà là giữ một assignment (một nhiệm vụ được giao) trong lúc bạn đi làm việc khác. Nate nói điều quyết định nó có ý nghĩa hay không là bạn làm gì với nó. Và phần đó, anh nhấn mạnh hai lần, không tự nhiên mà có.

Anh hứa sẽ cho người xem thấy công cụ này, tức Autopilot, làm được gì, cùng năm điều sẽ quyết định bạn rơi vào phía nào trên "bản đồ sử dụng AI" (AI usage map).

Với ai không dùng Copilot, như rất nhiều người cũng không dùng, hoặc ai đang dùng các model AI khác và định nghĩ "thôi, chán, bài này bỏ qua", Nate khuyên đừng vội. Theo anh (video đăng ngày 02/10/2026), những takeaway anh sắp đưa ra hóa ra áp dụng được cho mọi cách bạn làm việc với model AI; chúng chỉ đặc biệt hợp với Copilot mà thôi. "Bạn cũng sẽ học được điều gì đó, tôi hứa", anh nói, rồi mời người xem ở lại "và cùng vui một chút".

## 3. 450 triệu seat: AI mà công ty cho phép bạn dùng

Con số đầu tiên Nate đưa ra: theo video đăng ngày 02/10/2026, Microsoft đã báo cáo hơn 450 triệu seat Microsoft 365 thương mại trả phí vào tháng 1/2026. Đó là cách nói hoa mỹ rằng họ chạm tới khoảng nửa tỉ người. Chủ doanh nghiệp trả tiền cho các tài khoản đó, phòng IT quản trị chúng. Ai cũng biết điều này: email, cuộc họp, bảng tính, tài liệu công ty của chúng ta đều nằm trong Microsoft.

![Thẻ Microsoft 365: 450M+ Paid Microsoft 365 Commercial Seats, ngày 28/1/2026](https://homus.dev/photos/avN5R3OhxYs-0218.jpg)

Thẻ "Microsoft 365" ghi "450M+ Paid Microsoft 365 Commercial Seats", nguồn "Microsoft · January 28, 2026" (trên màn hình trong video đăng ngày 02/10/2026): quy mô chỗ làm việc trả phí mà Nate dùng để so với lượng người dùng doanh nghiệp của OpenAI.

So với con số của OpenAI hồi tháng 2/2026, theo Nate là hơn 9 triệu người dùng doanh nghiệp trả phí. 9 triệu, không phải nửa tỉ. Dấu chân trả phí tại nơi làm việc của Microsoft lấn át hoàn toàn tập người dùng doanh nghiệp đó (so sánh của Nate, video đăng ngày 02/10/2026).

Anh thừa nhận 450 triệu seat ấy chưa phải tất cả đều trả tiền cho AI, và Autopilot vẫn đang ở giai đoạn preview (tính đến video đăng ngày 02/10/2026). Nhưng Microsoft đã có sẵn những mối quan hệ tại nơi làm việc để qua đó bán toàn bộ phần AI này.

Và ở hết công ty này tới công ty khác mà Nate trò chuyện, Microsoft chính là AI mà bạn được phép dùng (video đăng ngày 02/10/2026). Không ai nói ra trong khoảng nửa tỉ người đó có bao nhiêu người ở chỗ làm chỉ được dùng Copilot hay Autopilot. Nhưng anh nói với rất nhiều người đang xem video, đây là thực tế, vì anh nghe chính họ kể lại: khi ngồi nói chuyện trực tiếp, hay trong phần bình luận, câu anh nghe là "tôi có Copilot, tôi không được dùng mấy thứ xịn kia ở công ty". Theo Nate, agent mà công ty bạn phê duyệt quan trọng với ngày làm việc của bạn hơn rất, rất nhiều so với model mà mọi người đang tranh cãi trên mạng.

## 4. Không siêu thông minh, và tương lai hình chữ K

Nate nói thẳng: anh đã dùng thử Autopilot, và thành thật mà nói, nó không siêu thông minh (đánh giá của anh trong video đăng ngày 02/10/2026). Anh không định giả vờ là nó thông minh. Giá trị không đến từ trí thông minh, và đó chính là điểm mấu chốt. Giá trị đến từ dữ liệu nó dùng được, và từ việc bạn biết dùng AI giỏi tới đâu.

Đó là chỗ anh cho rằng tương lai sẽ có hình chữ K: những người có cùng công cụ lại nhận về những kết quả rất khác nhau. Chữ K có hai nhánh, một nhánh đi lên và một nhánh đi xuống. Nate muốn người xem nằm ở nhánh đi lên, nhánh của những người ngày càng làm được nhiều hơn.

Hình chữ K như Nate mô tả (cũng là hình trên màn hình khi anh chuyển sang ví dụ renewal, với dòng "Same Tools. Different Results."): cùng một bộ công cụ, nhánh trên ngày càng làm được nhiều hơn, nhánh dưới vẫn chỉ có "cùng công cụ".

## 5. Ví dụ renewal: một buổi sáng chỉ để điều phối

Giả sử bạn chịu trách nhiệm cho một đợt gia hạn hợp đồng (renewal) của khách hàng vào tháng tới. Khách gửi email hỏi vấn đề tuần trước đã được giải quyết chưa. Rồi tới cuộc trò chuyện của team, rồi tới biên bản họp nơi ai đó đã đưa ra một cam kết. Bạn lục qua tất cả những thứ đó, mất bao lâu thì có trời mới biết. Bạn nhắn cho người phụ trách, chờ họ cập nhật, rồi tự ráp lại một bản briefing, tất cả đều bằng dữ liệu nội bộ.

![Slide A Morning Of Coordination với bốn bước Ticket + Teams, Meeting Notes, Message Owner, Wait + Briefing](https://homus.dev/photos/avN5R3OhxYs-0423.jpg)

Slide "A Morning Of Coordination" vẽ buổi sáng đó thành bốn bước nối nhau: Ticket + Teams, Meeting Notes, Message Owner, Wait + Briefing.

Tới lúc đó bạn vẫn chưa ra quyết định renewal nào. Thay vào đó, bạn đã tiêu cả buổi sáng để giúp mọi người sẵn sàng cho một cuộc trò chuyện dựa trên dữ liệu riêng của công ty.

Copilot dĩ nhiên đã hữu ích với từng mảnh của công việc đó: nó tóm tắt được một luồng thư, hay giúp viết câu trả lời. Theo Nate (video đăng ngày 02/10/2026), người ta dùng nó cho việc ấy suốt. Nhưng bạn vẫn là người phải nhớ cái gì cần kiểm tra, vẫn là người đi tìm phần thông tin còn thiếu, vẫn là người chủ động giữ cho mọi thứ chạy tiếp.

Giờ hãy hình dung một agent có một assignment liên tục: giúp giữ đợt renewal đó đi đúng hướng. Nó đối chiếu những diễn biến mới với cam kết đã đưa ra cho khách. Nó chuẩn bị bước tiếp theo, và nó follow up ở những chỗ bạn đã cho phép nó làm vậy. Về bản chất, theo cách Nate mô tả Autopilot (video đăng ngày 02/10/2026), bạn đang giao bớt một phần trách nhiệm mà trước đây bạn phải tự gánh trên vai trong khoảng giữa các prompt.

## 6. Takeaway 1: nói cho AI biết thế nào là tốt

Đây là điều đầu tiên Nate làm với khả năng đó: giao cho AI, giao cho Autopilot, một việc cụ thể nhắm vào thứ bạn quan tâm, và nói cho nó biết thế nào là tốt (what good looks like). Anh nói mình đã "gõ cái trống này" lâu lắm rồi: bạn phải nói cho AI biết thế nào là tốt.

Theo Nate (video đăng ngày 02/10/2026), bạn có thể bắt đầu ngay với Copilot mà bạn đang có. Có thể bạn chưa có Autopilot, có thể phòng IT chưa bật nó. Không sao: hãy chọn phần việc kế tiếp mà bạn thực sự chịu trách nhiệm.

Ví dụ, nhờ nó xác định những cam kết với khách hàng chưa được giải quyết. Nhờ nó cho bạn thấy, nói cho bạn biết, những gì cần xảy ra trước cuộc trò chuyện renewal. Rồi bạn nhìn vào thứ nó đưa ra. Dữ liệu nó gom và tổng hợp có giúp bạn hành động không? Copilot có phân biệt được một lời hứa ai đó đã đưa ra với một điều khách chỉ yêu cầu không? Và bản briefing Copilot soạn có đủ tốt để bạn yên tâm mang vào một cuộc họp không?

![Slide Define The Assignment: Summarize All (Vague) Vs Commitments, Evidence + Owner (Specific)](https://homus.dev/photos/avN5R3OhxYs-0643.jpg)

Slide "Define The Assignment" thuộc Takeaway 1/5 "Define What Good Looks Like": bên trái là yêu cầu mơ hồ (Vague) "Summarize All", bên phải là yêu cầu cụ thể (Specific) "Commitments" kèm "Evidence + Owner".

Nate kể anh đã dùng Copilot và thấy nó giống một tỉ lệ đánh trúng (batting average): theo trải nghiệm của anh (video đăng ngày 02/10/2026), khoảng 50 tới 60% số lần là được, 40 tới 50% số lần là không. Nếu bạn có sẵn một bản briefing tốt từ trước, con số đó tăng lên. Hãy cho nó xem ví dụ và giải thích điều gì làm ví dụ đó hữu ích. Nói cho model biết bạn thích gì. Làm vậy là bạn đang cho nó một cách để tự đánh giá xem nó đã hoàn thành assignment hay chưa.

Trong trường hợp này, anh nói, đây thực sự không phải chuyện trí thông minh. Đây là chuyện cách chúng ta dùng model, và đó là toàn bộ ý của video. Nhờ Copilot "tóm tắt mọi thứ" thì toàn bộ tiêu chuẩn, tức điều bạn nghĩ là một bản tóm tắt tốt, gần như không được nói ra. Vậy mà hết lần này tới lần khác, khi nhìn qua vai ai đó đang dùng Copilot, Nate thấy đó đúng là kiểu prompt họ đang gõ vào.

## 7. Model cần thông tin, và vị thế dữ liệu của Microsoft

Theo Nate (video đăng ngày 02/10/2026), Copilot cần thông tin để làm việc của nó. Không có cách nào khác; mọi model đều cần điều đó. Lấy ví dụ ticket support: một ticket có thể là chuyện thường ngày, cũng có thể chính là điều kiện để khách đồng ý gia hạn. Là một người làm product, Nate nói anh đã thấy cả hai. Một agent nhìn thấy ticket nhưng bỏ sót cam kết ngầm nằm đâu đó trong dữ liệu có thể đưa cho bạn một bản briefing đọc rất trơn tru mà lại trượt mất toàn bộ trọng tâm.

Theo Nate, đây là chỗ vị thế dữ liệu của Microsoft thực sự quan trọng về lâu dài. Thông báo về Work IQ của Microsoft, theo lời anh (video đăng ngày 02/10/2026), mô tả một đợt renewal mà hồ sơ sales trông rất khỏe mạnh, nhưng thông tin dịch vụ và thư từ với khách lại lộ ra cả loạt đèn vàng, đèn đỏ đang nhấp nháy. Vậy là họ cũng đang nghĩ về chuyện này.

Nate lưu ý màn demo đó bắt đầu bằng việc một người đặt câu hỏi. Nó là bằng chứng về bối cảnh business mà Microsoft muốn chúng ta kết nối vào; họ muốn chúng ta nghĩ theo hướng đó. Nhưng theo Nate (video đăng ngày 02/10/2026), nó không thực sự là màn trình diễn Autopilot tự mình phát hiện ra vấn đề.

Cơ hội mà Microsoft đang cố bán ở đây, theo Nate (video đăng ngày 02/10/2026), là họ có thể lấy sự hiểu biết nằm bên trong business của bạn và biến nó thành thứ dùng lại được, hữu ích được. Họ có thể thu hồi giá trị từ dữ liệu mà nếu không thì sẽ chỉ nằm im. Công ty bạn đã có sẵn hồ sơ khách hàng, quyền truy cập, người phụ trách được giao, và những quyết định được ghi lại trong các cuộc họp. Nếu agent dùng được những mối quan hệ đó, bạn sẽ bớt thời gian dựng lại toàn bộ business của mình cho nó hiểu.

Nate gọi đó là một lợi thế nghiêm túc, thật sự, ngay cả khi bản thân model không phải model thông minh nhất. Thay vì lo nó thông minh tới đâu, hãy lo xem nó được truy cập dữ liệu gì. Đó là câu chuyện của Microsoft, theo cách Nate kể (video đăng ngày 02/10/2026).

## 8. Takeaway 2: đưa đúng thông tin và kiểm bằng chứng

Takeaway thứ hai trong năm: đặt đúng thông tin trước mặt model, và kiểm tra xem nó có thực sự dùng thông tin đó không. Với đợt renewal, hãy đưa nó account plan đang dùng (current account plan), đưa nó cam kết với khách hàng, đưa nó phần dịch vụ liên quan. Bạn hiểu ý rồi đấy: đưa nó mọi thông tin nó cần. Và nói cho nó biết nguồn nào được ưu tiên khi các tài liệu mâu thuẫn nhau.

Phần lớn mọi người không làm điều này, Nate nói. Đây là mẹo dùng được bất kể bạn dùng AI nào, với mọi model AI.

![Slide Give It The Right Context với ba dòng Source Materials, Source Priority, Linked Evidence Check Dates](https://homus.dev/photos/avN5R3OhxYs-0823.jpg)

Slide "Give It The Right Context" (Takeaway 2/5) gói lại ba việc: Context, đưa "Source Materials"; Which Wins?, quy định "Source Priority"; Verify, đòi "Linked Evidence" và "Check Dates".

Nếu bộ công cụ của bạn có Copilot Notebooks, chẳng hạn, bạn có thể gom tài liệu tham chiếu của project và chỉ dẫn vào ngay đó, theo cách Copilot truy cập rất dễ (theo Nate, video đăng ngày 02/10/2026). Điều đó rất có ích, vì bạn không phải dựng lại context mỗi lần bằng cách nhét tất cả vào prompt. Anh xem đây là một bước hay, tương đương với project files trong các công cụ AI khác. Trên màn hình lúc đó là thẻ "Copilot Notebooks: Project References And Instructions In One Place" với trang hướng dẫn "Get started with Microsoft Copilot Notebooks" của Microsoft Support.

Sau đó, hãy nhờ Copilot gắn link bằng chứng cho những nhận định quan trọng. Nhờ nó dựng về cơ bản một "cây bằng chứng" (evidence tree). Mở các link đó ra. Nếu nó nói vấn đề đã được giải quyết, nguồn có nói vậy không? Nó đang nhìn bản cập nhật tuần này hay kế hoạch của tháng trước?

Bạn có bắt được lỗi đó không? Theo Nate (video đăng ngày 02/10/2026), đó không chỉ là chuyện của Copilot; các model khác cũng gặp khó với thời gian. Khi câu trả lời yếu, hãy kiểm tra xem công cụ đã có những thông tin gì trước khi kết luận rằng model không làm được. Anh nói không thể nhấn mạnh điều này đủ. Nó đúng với ChatGPT, đúng với Claude, đúng với Copilot.

Có thể công ty bạn chưa kết nối hệ thống liên quan, hoặc tài khoản của bạn chưa có quyền đọc nó. Có những lý do kinh doanh chính đáng khiến chuyện đó chưa xảy ra, nhưng vấn đề thường nằm ở quyền truy cập thông tin. Biết cái gì đang thiếu cho bạn một thứ cụ thể để sửa, một thứ cụ thể để nêu với phòng IT.

## 9. Delegate mà không cần mở terminal: Scout chạy trên OpenClaw

Đó cũng là lý do, theo Nate (video đăng ngày 02/10/2026), đợt ra mắt này đáng được chú ý cả bởi những người chưa từng mở một cửa sổ terminal. Cursor, Claude Code, Codex đã làm cho việc giao việc (delegate) cho AI trở nên rất quen thuộc với những ai có nền tảng lập trình. Bản thân anh đã làm việc trong Claude Code và Codex nhiều tháng liền.

Theo Nate (video đăng ngày 02/10/2026), Microsoft đang mang cách làm việc đó vào chính những ứng dụng mà phần còn lại của công ty vốn đã dùng. Bạn không nên phải trở thành kỹ sư mới có thể nhờ một agent tham gia vào việc bạn cần, chẳng hạn một buổi review tài khoản khách hàng.

Và mối liên hệ với OpenClaw mà anh nhắc ở đầu video là theo nghĩa đen. Microsoft mô tả Scout, tên gọi trước đây của Autopilot, là được "powered by OpenClaw open-source technology", tức chạy bằng công nghệ mã nguồn mở của OpenClaw (theo Nate trong video đăng ngày 02/10/2026, và bài blog của Microsoft ngày 02/06/2026 hiện trên màn hình).

![Thẻ Scout / Autopilot: Powered by OpenClaw open-source technology, kèm bài Introducing Microsoft Scout ngày 2/6/2026](https://homus.dev/photos/avN5R3OhxYs-1023.jpg)

Thẻ "Scout / Autopilot" trích câu "Powered by OpenClaw open-source technology", kèm ảnh chụp bài "Introducing Microsoft Scout: Your always-on personal agent" ngày 02/06/2026 và sơ đồ nhỏ Autopilot → OpenClaw (trên màn hình trong video đăng ngày 02/10/2026).

## 10. Microsoft bán niềm tin và sức mạnh phân phối

Nate tóm lại: Microsoft đang kiếm tiền từ niềm tin vào chính Microsoft (nhận định trong video đăng ngày 02/10/2026). Bên mua có thể đưa một agent vào công ty thông qua một nhà cung cấp mà họ đã quen hợp đồng, quen dịch vụ hỗ trợ, quen các công cụ quản trị. Điều đó không bảo đảm sản phẩm sẽ chạy hoàn hảo mọi lúc. Nó chỉ cho Microsoft một điểm xuất phát dễ hơn rất, rất nhiều so với một nhà cung cấp mới tới xin quyền truy cập toàn bộ thông tin công ty bạn.

Nếu bạn còn nghi ngờ, anh nói, hãy nhìn đồ thị mức độ chấp nhận của Slack so với Teams. Theo Nate (video đăng ngày 02/10/2026), đó chính là "cái đồ thị" để hiểu sức mạnh của phân phối ở quy mô lớn.

Theo video đăng ngày 02/10/2026, Microsoft đã báo cáo hơn 30 triệu seat Microsoft 365 Copilot trả phí vào tháng 7/2026, và Nate chắc là con số đó đã tăng kể từ đó. Như vậy, theo anh, Microsoft đã có một mảng AI trả phí rất đáng kể từ một thứ mà nhiều người trong chúng ta không coi là đỉnh cao công nghệ (state-of-the-art), và họ có trước mặt một tập khách hàng nơi làm việc lớn hơn bất kỳ đối thủ nào để bán thêm. Họ chỉ cần nhấc máy gọi cho khách hàng hiện có cả ngày để kiếm tiền.

Kỳ vọng của Nate (video đăng ngày 02/10/2026), thẳng thắn mà nói, là AI sẽ vẫn mang "hình dạng Microsoft" ở rất nhiều doanh nghiệp, trừ khi một đối thủ đưa cho các công ty đó một lý do thật sự thuyết phục để thay đổi. Họ sẽ đưa AI vào khi đã hài lòng về bảo mật, về quyền truy cập và kiểm soát, và họ sẽ tin Microsoft. Theo anh, Microsoft không cần thắng mọi phép so sánh model để giữ mối quan hệ đó. Họ chỉ cần làm sản phẩm đủ hữu ích và đủ dễ quản lý để công ty tiếp tục mở rộng những gì cho phép nhân viên làm với nó.

## 11. Takeaway 3: làm cho một assignment tốt lặp lại được

Điều đó dẫn tới takeaway thứ ba, và Nate nhắc lại nó dùng được cho mọi người, không chỉ người dùng Copilot hay Autopilot: một khi assignment đã chạy tốt, hãy chắc là bạn có thể cho nó lặp lại.

Một bản briefing renewal hữu ích mỗi sáng là một cách làm việc với AI khác hẳn so với việc phải nhớ ra để nhờ nó làm mỗi khi bạn đang căng thẳng. Hãy bắt đầu bằng việc có được một kết quả mà bạn thực sự sẽ dùng. Rồi quyết định điều gì sẽ khiến agent chạy lại: trigger ở đây là gì, và nó chịu trách nhiệm những gì trong khoảng giữa các lần bạn kiểm tra.

Theo Nate, thông báo về Autopilot của Microsoft mô tả một agent có danh tính, có bộ nhớ, có máy tính và không gian làm việc riêng, tức giống hệt cách dựng của OpenClaw. Và khi nói về những gì nó làm, phần lớn là kiểu chuyển động lặp đi lặp lại này, nên anh mới nhắc tới. Ví dụ supplier review (rà soát nhà cung cấp) trải dài từ khâu chuẩn bị, qua các cuộc họp, tới các lần follow up. Đó là hướng đi của công ty này: một assignment cứ tiếp diễn, và bạn có thể để mắt tới nó trong lúc đang lo một việc khác (theo video đăng ngày 02/10/2026).

![Thẻ Supplier Review: Prep / Meetings / Follow-Ups, trích thông báo Autopilot của Microsoft ngày 25/9/2026](https://homus.dev/photos/avN5R3OhxYs-1243.jpg)

Thẻ "Supplier Review: Prep / Meetings / Follow-Ups" trích thông báo của Microsoft ngày 25/09/2026 (trên màn hình trong video đăng ngày 02/10/2026). Đoạn chữ trên ảnh chụp viết rằng Autopilot, trước đây tên là Scout, có thể dựng và quản lý cả một quy trình supplier review, và sống trong tenant của công ty với danh tính, bộ nhớ, máy tính và không gian làm việc riêng.

## 12. Giao việc định kỳ và soi lần chạy kế tiếp

Theo video đăng ngày 02/10/2026, Autopilot đang ở giai đoạn private preview mở rộng, nghĩa là nó sẽ không được tung ra cho nửa tỉ người chỉ sau một đêm, và chúng ta không nên trông đợi điều đó. Nên nếu bạn chưa có Autopilot, Nate gợi ý dùng scheduled prompts của Copilot, một cách có từ trước để lặp lại công việc hữu ích, ở những chỗ giấy phép và thiết lập của công ty bạn cho phép.

Vì sao anh nói vậy? Theo Nate (video đăng ngày 02/10/2026), rõ ràng bạn có thể lặp lại tác vụ trong Codex, có thể lặp lại trong Claude. Lý do anh nhắc tới Copilot là vì, một lần nữa, quyền truy cập dữ liệu mới là thứ quan trọng. Nếu bạn chỉ lấy được dữ liệu trong Copilot thì đó là cách để làm.

Nhưng anh cũng lưu ý: một bản briefing theo lịch không giống với cảm giác "autopilot" thực thụ, tức một agent độc lập theo đuổi một trách nhiệm. Nate nói anh không biết khi nào Microsoft sẵn sàng tung nó ra cho tất cả mọi người, nhưng theo anh (video đăng ngày 02/10/2026) nó đang tới, và bạn phải sẵn sàng.

Quay lại câu chuyện renewal, bạn có thể chỉ định Copilot (theo Nate, video đăng ngày 02/10/2026) phải kiểm tra những account nào, kiểm tra bao lâu một lần, thế nào thì được tính là một thay đổi đáng kể (material change), và khi nào thì nó phải gọi bạn vào. Hãy nói rõ nó được liên hệ với ai đó, hay chỉ được soạn bản nháp. Theo Nate, phần lớn mọi người chọn cách thứ hai, và thường đó là cách khôn ngoan để bắt đầu.

![Slide bốn bước Which Accounts, How Often, Material Change, Bring You In](https://homus.dev/photos/avN5R3OhxYs-1343.jpg)

Slide của Takeaway 3/5 "Make It Repeat" liệt kê bốn điều cần định nghĩa cho một assignment định kỳ: Which Accounts, How Often, Material Change, Bring You In.

Rồi hãy xem lần chạy kế tiếp của bản báo cáo định kỳ đó. Nó có thực sự nhận ra điều gì đã thay đổi không? Hay nó lại tạo ra thêm một bản tóm tắt những gì bạn đã biết? Đó là một kiểu thất bại phổ biến, Nate nói. Lặp lại một assignment yếu chỉ cho bạn thêm nhiều kết quả yếu để đọc.

## 13. Lập luận mạnh nhất chống lại Microsoft: model tự thiết kế lại công việc

Theo Nate (video đăng ngày 02/10/2026), Microsoft có một lợi thế khổng lồ ở chỗ công việc vốn đã diễn ra ở đâu. Nhưng Microsoft không một mình một sân. Lập luận mạnh nhất chống lại giả định "Microsoft sẽ thắng" đến từ việc nhìn thật nghiêm túc vào chính tốc độ cải thiện của model.

Hãy nghĩ về quy trình renewal đó. Một số bước tồn tại chỉ vì con người cần ra quyết định. Những bước khác tồn tại vì ai đó phải chép thông tin vào một bản báo cáo, chờ ai đó đọc nó, tổ chức một cuộc họp, giải thích điều gì đã thay đổi. Một model đủ mạnh có thể tìm ra, và theo Nate (video đăng ngày 02/10/2026) nhiều khả năng sẽ tìm ra, một cách tốt hơn, hiệu quả hơn để chuẩn bị cho đợt renewal. Nó có thể đối chiếu hồ sơ liên tục. Nó có thể chuẩn bị quyết định ngay khi các điều kiện liên quan thay đổi.

Có lẽ bạn không cần bản báo cáo hằng tuần, hay cuộc họp sinh ra chỉ để giải thích bản báo cáo đó. Chúng không còn liên quan; chúng tồn tại để phối hợp giữa người với người. Khi đó, theo Nate (video đăng ngày 02/10/2026), trí thông minh đang bắt đầu thay đổi chính quy trình mà bạn định tự động hóa.

Theo Nate (video đăng ngày 02/10/2026), đó là lập luận mạnh nhất cho việc một lab như Anthropic mở rộng sâu vào doanh nghiệp mãi về sau: khi model tốt lên, chúng có thể tự tìm ra những cách làm công việc doanh nghiệp hiệu quả hơn so với các quy trình mà công ty đã mã hóa sẵn. Anh nói phần viết của Anthropic về managed agents đưa ra đúng một ví dụ như vậy, và họ nói về chuyện này rất nhiều: bộ máy hỗ trợ, hay harness, được dựng quanh giới hạn của một model cũ sẽ trở nên không cần thiết với một model tốt hơn.

Nate nói rõ (video đăng ngày 02/10/2026) điều đó tự nó không có nghĩa là Claude có thể thiết kế lại đúng đắn bất kỳ công ty nào; anh không định nói vậy. Nhưng nó cho bạn một lý do để hỏi: bao nhiêu phần trong các workflow hôm nay sẽ còn cần thiết về lâu dài?

![Thẻ Claude In Office: Excel, PowerPoint, Word, kèm ảnh bài Agents for financial services của Anthropic](https://homus.dev/photos/avN5R3OhxYs-1543.jpg)

Thẻ "Claude In Office: Excel · PowerPoint · Word" với ảnh bài "Agents for financial services" của Anthropic, minh họa cho việc Claude đã có mặt bên trong các ứng dụng Office (theo video đăng ngày 02/10/2026).

Đây là lý do việc Claude đi vào Excel và PowerPoint bắt đầu có ý nghĩa. Theo Nate (video đăng ngày 02/10/2026), Claude có add-in cho cả hai ứng dụng đó, và cả Word. Trong thế giới đó, một công ty có thể giữ nguyên tài liệu Microsoft của mình trong khi nhân viên ngày càng trao cho Claude giá trị, trao cho Claude assignment để làm.

Microsoft rốt cuộc vẫn giữ dữ liệu và các ứng dụng, nhưng một công ty khác lại trở thành nơi chúng ta bắt đầu mỗi khi muốn có việc được làm. Nate nói (video đăng ngày 02/10/2026) Microsoft có thể cạnh tranh bằng cách nâng cấp model, và họ đã làm vậy, cũng như nâng cấp các ứng dụng và workflow, nên họ cũng đang cạnh tranh. Nhưng thực chất, cuộc cạnh tranh ở đây không phải về chuyện ai dùng Excel. Nó là về ai hiểu công việc đủ rõ để chúng ta cứ quay lại giao việc cho họ.

## 14. Bài thử "ít quy trình hơn" và chi phí token

Nate biến điều đó thành một bài thử hữu ích cho chính các assignment của bạn. Một khi agent đã làm ra được bản briefing bạn yêu cầu trong ví dụ, hãy hỏi xem có cách nào tốt hơn để xong việc với ít quy trình hơn không. Bắt nó giải thích một thay đổi được đề xuất sẽ bỏ đi những gì, nó sẽ cần thông tin gì, và bạn sẽ kiểm tra kết quả bằng cách nào.

Bài thử của Nate (slide "Can It Be Done With Less Process?"): bắt đầu từ quy trình hiện có, hỏi từng bước có cần không, rồi thử một phiên bản ít quy trình hơn, kèm ba câu hỏi bắt agent trả lời.

Bạn có thể phát hiện ra mình đã dạy AI tái tạo một bản báo cáo chẳng ai cần, hay lặp lại những bước bạn tưởng là cần mà AI thì không cần. Theo Nate, đó là một kết quả thú vị hơn nhiều so với việc viết báo cáo nhanh hơn, và nó có đòn bẩy lớn hơn nhiều về lâu dài.

Anh nói thêm rằng bên dưới tất cả những điều này không chỉ là chuyện làm việc hiệu quả hơn. Chi phí AI của các công ty chạy xuyên suốt câu chuyện. Nếu agent cứ liên tục kiểm tra, chuẩn bị và follow up, các công ty cần biết họ đang tiêu token vào việc gì.

Theo video đăng ngày 02/10/2026, tính năng Auto của Microsoft là một router chọn model dựa trên độ chính xác, tốc độ và chi phí, còn các sản phẩm agent chạy lâu hơn thì về cơ bản tính tiền theo mức sử dụng (usage-based billing), tức kiểu tính theo việc chúng chạy bao lâu. Có những cách sắp xếp khác nhau, nhưng theo Nate, kinh tế học của công việc lặp lại đang được gói vào sản phẩm AI của Microsoft. Trên màn hình lúc đó là thẻ "Auto: Accuracy · Speed · Cost" trích mục "Managing AI spend" trong thông báo của Microsoft, với dòng nguồn "Usage-based billing for agentic work".

## 15. Auto router và câu hỏi "what is this?"

Trong tình huống này, Nate thấy nảy ra vài căng thẳng thú vị. Một model rẻ hơn là hữu ích khi nó xử lý assignment một cách đáng tin cậy. Nhưng phần khó, phần mà ngay cả model frontier cũng phải tự hỏi, là biết khi nào nó làm được. Theo Nate (video đăng ngày 02/10/2026), đó là việc của một router: chọn model nào xử lý công việc, và làm đúng.

Theo Nate (video đăng ngày 02/10/2026), trong cuộc phỏng vấn ra mắt với Deirdre Bosa, Nadella đã mô tả các router có khả năng học (learned routers) và việc chọn model dựa trên mức độ khó của tác vụ; trên màn hình là thẻ "Nadella On Routing" với câu "Hard model for hard tasks", đề ngày 25/09/2026. Và chúng ta cần tự hỏi hệ thống cần những thông tin gì để đưa ra lựa chọn đó cho đúng.

Anh lấy một ví dụ. Giả sử bạn gõ: "what is this?" (cái này là gì?). Có thể bạn đang chỉ vào một lỗi cú pháp hiển nhiên, không cần tới một model thông minh, hay một lỗi rõ ràng trong một email. Hoặc bạn có thể đang ở giờ thứ ba của một bài toán code khó khủng khiếp và gõ đúng câu "what is this?", với một ý hoàn toàn khác. Với router, các chữ y hệt nhau. Nếu router chỉ nhìn thấy mấy chữ đó, nó không có thông tin để phân biệt hai công việc.

![Slide The Same Words. Two Different Jobs: Obvious Typo, Cheap Model, Routine Vs Hard Code, Smart Model, Complex](https://homus.dev/photos/avN5R3OhxYs-1803.jpg)

Slide "The Same Words. Two Different Jobs." đặt hai việc cạnh nhau: "Obvious Typo" (Routine, Cheap Model) và "Hard Code" (Complex, Smart Model). Cùng một câu hỏi, nhưng cần hai model rất khác nhau.

Nate lưu ý Microsoft chưa công bố toàn bộ các đầu vào mà hệ thống router của họ dùng (tính đến video đăng ngày 02/10/2026). Nên điều anh mô tả thực chất là hình dạng của bài toán mà bất kỳ router nào cũng phải giải mới đúng được.

Trong tình huống này, có thể bạn không nhất thiết cần cả cuộc hội thoại mỗi lần, vì như vậy sẽ rất đắt. Nhưng ít nhất bạn cần phần context ảnh hưởng tới quyết định được chuyển vào đúng chỗ. Bạn cần assignment gốc. Bạn cần những lần thất bại trước đó, hậu quả nếu mắc lỗi. Có thể cả lựa chọn hay yêu cầu rõ ràng của bạn muốn dùng thêm reasoning. Các công ty có thể làm trước một phần việc này bằng cách đánh giá các workflow quen thuộc, bằng cách gán model cho từng bước của chúng, vân vân. Và một hệ thống cũng có thể học từ hành vi và các lần sửa của bạn.

Nhưng điều trớ trêu, theo Nate (video đăng ngày 02/10/2026), là khi dùng một auto router, bạn có thể đốt nhiều token để tìm ra tất cả những điều đó hơn là nếu gửi thẳng cho một model thông minh ngay từ đầu. Những bài toán mới và khó thực tế có thể cần reasoning đáng kể chỉ để hiểu xem chúng là gì.

Đây là chỗ các công cụ khác phải vào cuộc. Nate nhắc tới Jev, thứ anh đã nói tới gần đây: theo anh (video đăng ngày 02/10/2026), Jev đưa ra các phán đoán có cấu trúc (structured judgments) rất hiệu quả từ context được cung cấp. Đó có thể là một lối đi ở đây. Với anh nó hợp lý, ít nhất cho những quyết định có phạm vi rõ mà bạn có thể bắt đầu thử. Và người ta chắc chắn đã dùng Jev cho bài toán model routing. Đây là một mảng mới nổi, nhưng là một giải pháp khả dĩ.

## 16. Takeaway 4: reasoning tương xứng với độ khó

Dù bạn có dùng Jev hay không, hay dùng giải pháp router mà Microsoft đưa ra, Nate nói (video đăng ngày 02/10/2026) bạn phải định nghĩa đúng các loại công việc để tránh bị đẩy sang model kém hơn. Anh đưa thêm một ví dụ, vì đây là chuyện anh rất tâm huyết: sửa lại một email xếp lịch và quyết định trả lời thế nào về một hợp đồng của khách hàng đều cho ra một email. Gọi cả hai là "viết email" không chứng minh được rằng một model rẻ xử lý được cả hai bài toán ấy. Trên màn hình, hai việc này hiện thành "Scheduling" (Routine, Preparation) đối với "Termination" (High Stakes, Interpretation).

Vậy takeaway ở đây là bạn phải tìm cách cho mức reasoning tương xứng với độ khó của công việc. Đó là takeaway số bốn: tách phần chuẩn bị thường ngày khỏi phần diễn giải có hệ quả. Nếu thiết lập của bạn cho phép chọn một model mạnh hơn hoặc một chế độ reasoning, bạn phải dùng nó một cách có chủ đích cho phần khó. Nói cho nó biết bạn đã thử gì và vì sao đáp án hiển nhiên không ổn. Một câu follow up ngắn không được phép xóa đi sự thật rằng bạn đang làm một bài toán thực sự khó.

Takeaway 4 như Nate mô tả: hai việc cùng cho ra một email nhưng khác hẳn về độ khó, nên phần chuẩn bị thường ngày và phần diễn giải có hệ quả cần được tách ra và giao cho mức reasoning khác nhau.

Đây là một kỹ năng mới với con người chúng ta, Nate nói, và anh nhấn mạnh vì nó không trực giác chút nào; chúng ta chưa từng được luyện cho việc này. Nếu bạn không chọn được model, bạn vẫn có thể làm cho tác vụ rõ ràng hơn ít nhiều. Bạn có thể chia nó thành các bước. Bạn có thể chỉ ra chỗ hệ thống cứ thất bại mãi. Đừng gửi đi gửi lại cùng một yêu cầu và hy vọng câu trả lời thứ năm sẽ tốt hơn. "Tôi hứa với bạn là không đâu", anh nói. Anh thấy người ta làm vậy rồi bỏ cuộc trong bực bội. Bạn phải tập trung vào việc đưa cho công cụ những thông tin làm thay đổi khả năng nó làm đúng việc.

Và hãy tính cả thời gian bạn bỏ ra để sửa kết quả. Điều đó quan trọng. Bạn nên biết mình đang đổ bao nhiêu thời gian vào đây, ít nhất để có thể nói cho phòng IT biết vấn đề là gì và nhờ họ sửa. Nếu một model rẻ bỏ sót cam kết với khách và bạn phải làm lại bản briefing, thì hóa đơn model thấp mà phòng IT nhận được không phản ánh cái giá của những gì vừa xảy ra. Nate nói anh nghe rất nhiều câu chuyện kiểu đó. Theo anh (video đăng ngày 02/10/2026), một model đắt hơn có thể giúp bạn tiết kiệm tiền bằng cách bỏ bớt công việc. Một model đơn giản hơn có thể hoàn toàn đủ cho một việc thường ngày đã được thử kỹ, nhưng bạn sẽ phải giỏi routing hơn để biết được điều đó một cách nhất quán. Trên màn hình, thẻ "The Real Cost" tóm ý này thành "Model Bill Down, Repair Time Up".

Tóm lại, theo Nate (video đăng ngày 02/10/2026), routing giải được trong nhiều bối cảnh khác nhau, nhưng điều đó không có nghĩa là các trường hợp biên của routing không quan trọng cực kỳ và rất khó giải. Cả hai phía, Microsoft và các lab, đều có lợi khi công việc AI hữu ích mở rộng, nhưng họ đang thực sự cạnh tranh nhau để giành mối quan hệ với khách hàng, ngay cả khi họ vẫn làm ăn với nhau.

## 17. Meta bước vào cuộc đua doanh nghiệp

"Chúng ta có một võ sĩ mới trên võ đài", Nate nói. Theo video đăng ngày 02/10/2026, trong lúc anh đang nghĩ về câu chuyện này thì Meta công bố Meta Enterprise Platform, đưa Muse, Meta Business Agent và các công cụ cho developer của họ vào một cú đẩy rộng hơn vào doanh nghiệp. Việc này nối tiếp Muse, agent cá nhân có thể tiếp tục làm các assignment, thứ anh đã nói tới trên kênh.

![Ảnh bài Launching Meta Enterprise Platform ngày 28/9/2026 với lời của Mark Zuckerberg](https://homus.dev/photos/avN5R3OhxYs-2143.jpg)

Ảnh chụp bài "Launching Meta Enterprise Platform" đề ngày 28/09/2026, mở đầu bằng lời của nhà sáng lập kiêm CEO Mark Zuckerberg; đoạn cuối nêu những thứ Meta sẽ đưa tới doanh nghiệp trước tiên: Muse agent, Meta Business Agent, Muse API, Muse Code (trên màn hình trong video đăng ngày 02/10/2026).

Nate gọi đó là một chuyện rất lớn. Theo anh (video đăng ngày 02/10/2026), Zuckerberg đang dựa thẳng vào đà của việc có một ứng dụng được tải nhiều nhất để đi tìm khách hàng doanh nghiệp một cách công khai; trên màn hình là thẻ ghi Muse là "No. 1 U.S. App Store App Since September 18", nguồn TechCrunch ngày 25/09/2026. Anh nói chưa biết chuyện đó sẽ đi tới đâu, nhưng có một mối liên hệ cụ thể với doanh nghiệp nhỏ ở đây.

Theo Nate (video đăng ngày 02/10/2026), hồi tháng 8/2026 Meta đã công bố các công cụ kết nối thông tin doanh nghiệp trên Facebook và Instagram, các chiến dịch quảng cáo và Google Workspace lại với nhau. Mục tiêu là họ có thể dùng AI để giúp soạn tài liệu kinh doanh, giúp chạy các tác vụ định kỳ. Điều đó cho Meta một cách để bắt đầu từ những việc mà khách hàng doanh nghiệp của họ, thường là SMB, vốn đã quan tâm: hiểu khách hàng, đánh giá chiến dịch, quyết định làm gì tiếp theo.

Cách Nate đọc vấn đề: Meta thấy cơ hội biến các mối quan hệ kinh doanh sẵn có thành một vai trò rộng hơn nhiều. Microsoft đã có mối quan hệ xoay quanh việc vận hành nơi làm việc của bạn. Meta có mối quan hệ xoay quanh việc tiếp cận khách hàng của bạn. Hai việc đó gặp nhau, và va vào nhau, ngay bên trong một doanh nghiệp; trên màn hình, slide "The Customer Relationship" đặt "Your Workplace" của Microsoft đối diện "Your Customers" của Meta. Theo anh, Meta là kẻ thách thức ở đây, nhưng là một kẻ thách thức có kho dữ liệu khổng lồ, có công việc lặp lại, có phân phối, và có một đội AI rất giỏi để xây tiếp (nhận định trong video đăng ngày 02/10/2026).

Vậy nên, theo Nate (video đăng ngày 02/10/2026), cuộc đua doanh nghiệp đang lớn lên ở mọi nơi bạn nhìn. Nó đang lớn hơn chuyện OpenAI đấu với Anthropic. Và với bạn, câu hỏi là bạn học được gì để làm với những công cụ bạn đang dùng.

## 18. Takeaway 5: cải thiện lần chạy sau, và năm bài học

Đây là vấn đề Nate thấy ở hết doanh nghiệp này tới doanh nghiệp khác. Một nhóm nhỏ, cứ gọi là 5%, tìm ra cách lấy được công việc hữu ích từ AI. Anh nói đó là con số thật mà anh đã nghe đi nghe lại nhiều lần, không phải nói cho có (theo Nate, video đăng ngày 02/10/2026). Họ thử nhiều thứ. Họ học xem công cụ cần gì. Họ khởi động được một vòng tự cải thiện, rồi cứ thế mà chạy, cứ thế lớn lên mãi. Rất nhiều người khác có cùng quyền truy cập nhưng chỉ nhận về một phần nhỏ giá trị. Anh đã nói nó không phải siêu trí tuệ, nhưng nó không cần phải là siêu trí tuệ.

Với rất nhiều người đang làm trong bối cảnh doanh nghiệp, điều Nate muốn nói là: nếu bạn đang chờ một sản phẩm hoàn hảo, bạn đang trì hoãn chính việc học sẽ làm cho sản phẩm kế tiếp hữu ích hơn với bạn.

Nên takeaway thứ năm, có lẽ là quan trọng nhất: hãy nghĩ một cách ám ảnh về cách bạn làm tốt hơn ở lần dùng AI tiếp theo. Quay lại câu chuyện của chúng ta, khi bản briefing renewal bỏ sót một cam kết, hãy tìm ra vì sao. Có phải nguồn bị thiếu? Có phải chỉ dẫn của bạn không rõ? Hãy tò mò. Có phải model đã thấy bằng chứng nhưng không hiểu nó? Mỗi nguyên nhân cần một cách sửa khác nhau, và việc tò mò để tìm ra chúng là của bạn. Trên màn hình, ba nguyên nhân hiện thành "Missing Source" (Add Data), "Unclear Request" (Fix Instructions) và "Model Misread".

Thay đổi chỉ dẫn, thêm dữ liệu, thay đổi cách bạn xử lý reasoning, lưu lại các lần sửa để những lần chạy sau dùng tới và tốt hơn. Kiểm tra xem nó có giúp không. Cái gì chạy được thì chia sẻ với đồng nghiệp. Lúc đó bạn có nhiều hơn một người đang khám phá điều gì làm cho AI đáng tin cậy trong team của mình. Bạn đã khởi động một vòng lặp, và đó chính là mục tiêu.

Bạn cũng đã học được một thứ dùng được cho assignment tiếp theo, dù công ty bạn ở lại với Microsoft hay phê duyệt một công cụ khác. Khả năng đặc tả công việc, cung cấp context và đánh giá kết quả là kỹ năng mà tất cả chúng ta sẽ cần, ở mọi công việc, "tôi không quan tâm là việc gì", Nate nói. Và nó đi theo bạn. Đó là tương lai hình chữ K mà anh đang nói tới.

Rồi Nate nhắc lại năm takeaway liền một mạch:

- Định nghĩa thế nào là tốt. Chọn một assignment thật, giải thích điều gì làm kết quả dùng được.

- Cung cấp context và dữ liệu liên quan cho model. Theo Nate (video đăng ngày 02/10/2026), đây là lý do Microsoft ở vị thế tốt. Chỉ nó tới đúng nguồn, kiểm bằng chứng.

- Làm cho một assignment tốt có thể lặp lại: đặt lịch, đặt trách nhiệm, đặt giới hạn, soi lần chạy tiếp theo.

- Cho reasoning tương xứng với độ khó. Đây là chỗ bài toán auto routing xuất hiện, nhưng thực chất bạn muốn trao cho việc khó context và năng lực mà nó cần.

- Cải thiện lần chạy sau. Sửa nguyên nhân của chỗ hỏng, lưu cái chạy được và chia sẻ nó. Bảo đảm bạn đang ở trong một vòng học.

![Thẻ Five Takeaways liệt kê năm takeaway của video](https://homus.dev/photos/avN5R3OhxYs-2543.jpg)

Thẻ "Five Takeaways" xếp năm bài học theo thứ tự: Define What Good Looks Like, Give It The Right Context, Make It Repeat, Match Reasoning To Difficulty, Improve The Next Run.

Theo Nate (video đăng ngày 02/10/2026), Microsoft đang đưa OpenClaw vào môi trường làm việc, và một lượng rất lớn chúng ta sắp trải nghiệm điều này lần đầu. Nếu Microsoft là AI mà công ty bạn cho phép, đây là cơ hội để bạn bắt đầu giao đi nhiều việc hữu ích hơn. Anh nói mình tâm huyết với chuyện này vì tất cả chúng ta đều xứng đáng học kỹ năng đó. Hãy chọn một assignment trong tuần này và đẩy nó tới cùng với AI đang có trước mặt bạn. Hãy ở nhánh đi lên của chữ K.

Đừng kẹt trong suy nghĩ "AI tệ vì tôi chỉ có Copilot". Không, hãy coi đó là chuyện kỹ năng (a skill issue). Theo Nate (video đăng ngày 02/10/2026), bạn có thể dùng nó để đi tới những chỗ có lẽ bạn chưa từng nghĩ là khả thi, nếu bạn biết ghép dữ liệu và context lại với nhau một cách hợp lý. Anh kết video bằng lời mời người xem kể trong phần bình luận những use case thú vị nhất của họ với Copilot và trải nghiệm của họ với Autopilot.

## Nguồn và liên kết

- Tên gốc: OpenClaw Was Too Dangerous To Install. 7 Months Later Microsoft Is Bringing It To Your Company.
- Sự kiện: [YouTube](https://homus.dev/events/youtube)
- Video gốc: [https://www.youtube.com/watch?v=avN5R3OhxYs](https://www.youtube.com/watch?v=avN5R3OhxYs)

- Kênh YouTube AI News & Strategy Daily | Nate B Jones (Nate B Jones): [youtube.com/channel/UC0C-17n9iuUQPylguM1d-lQ](https://www.youtube.com/channel/UC0C-17n9iuUQPylguM1d-lQ)

- Microsoft Security Blog, "Running OpenClaw safely: identity, isolation, and runtime risk" (19/02/2026, đọc ngày 22/10/2026): [microsoft.com/en-us/security/blog](https://www.microsoft.com/en-us/security/blog/2026/02/19/running-openclaw-safely-identity-isolation-runtime-risk/)

- Microsoft, "Introducing Microsoft Scout: Your always-on personal agent" (02/06/2026, đọc ngày 22/10/2026; bài viết Scout "is powered by OpenClaw open-source technology"): [microsoft.com/en-us/copilot/blog](https://www.microsoft.com/en-us/copilot/blog/2026/06/02/introducing-microsoft-scout-your-always-on-personal-agent/)

- Microsoft, "Introducing the new Copilot with Home, Code and Autopilot" (25/09/2026, đọc ngày 22/10/2026; ví dụ supplier review, Auto và usage-based billing): [blogs.microsoft.com](https://blogs.microsoft.com/blog/2026/09/25/introducing-the-new-copilot-with-home-code-and-autopilot/)

- OpenClaw trên GitHub (đọc ngày 22/10/2026): [github.com/openclaw/openclaw](https://github.com/openclaw/openclaw)

- Claude for Microsoft 365 của Anthropic (đọc ngày 22/10/2026; trang ghi Claude làm việc bên trong Excel, PowerPoint, Word và Outlook): [claude.com/claude-in-excel](https://claude.com/claude-in-excel)

- Meta, "Launching Meta Enterprise Platform" (28/09/2026, đọc ngày 22/10/2026): [about.fb.com/news](https://about.fb.com/news/2026/09/launching-meta-enterprise-platform/)

Nguồn: https://homus.dev/talks/openclaw-was-too-dangerous-to-install-7-months-later-microsoft-is-bringing-it-to-your-company · cập nhật 2026-10-22