Vì sao công ty bạn không cần model AI đắt nhất

Task saturation, evals và dữ liệu chi tiêu của Ramp: vì sao doanh nghiệp dùng nhiều token hơn mà hoá đơn AI đi ngang (video đăng ngày 15/11/2026).

Đã duyệt độc lập · cập nhật 15/11/2026 · 20 min

1. Gấp năm lần token, hoá đơn vẫn vậy

Nate B Jones mở đầu bằng một tình huống giả định (video đăng ngày 15/11/2026): hãy tưởng tượng tháng tới công ty bạn dùng số AI token gấp năm lần, nhưng chi tiêu đúng bằng số tiền cũ. Bạn đã tìm ra nhiều việc hơn hẳn để giao cho AI. Bạn yêu AI. Bạn đang chuyển nhiều việc hơn sang các model rẻ hơn. Bạn nhận được nhiều giá trị hơn. Còn bên làm model thì không thu thêm được đồng doanh thu nào từ bạn.

Theo anh (video đăng ngày 15/11/2026), đó là một phiên bản của cuộc cách mạng AI mà chúng ta cần bắt đầu xem xét nghiêm túc. Các khách hàng enterprise đang nói với anh rằng họ không còn cần lời khuyên về việc nên dùng model nào nữa. Với công việc của họ, các model có thể thay thế cho nhau.

Nate B Jones ngồi trước kệ sách, bên trái là thẻ 5× The Tokens, Same Bill
Thẻ "AI Economics" bên cạnh Nate ghi "5× The Tokens, Same Bill", dòng dưới cùng ghi "Imagine · Illustrative": đây là tình huống giả định để minh hoạ (thẻ trong video đăng ngày 15/11/2026).

2. Model tuyệt vời mà bạn không cần

Theo lời Nate (video đăng ngày 15/11/2026), các khách hàng enterprise đó sẽ chọn một model tương đối rẻ rồi kiểm tra xem nó có đủ tốt không. Nói thẳng ra, anh cho rằng họ đúng. Nhưng hãy nghĩ xem chuyện gì xảy ra với quyền định giá (pricing power) của bên làm model khi khách hàng có thể chứng minh rằng mình không cần bản nâng cấp.

Anh nói (video đăng ngày 15/11/2026): bạn có thể nhìn vào một frontier model hôm nay và nói "model này tuyệt vời". Anh nói rõ là anh đã thử các model đó và chúng đúng là tuyệt vời. Rồi bạn có thể nói tiếp: "nhưng tôi không cần nó".

Slide Both Can Be True với hai ô Fantastic và Not Needed
Slide "Both Can Be True": ô trái "Fantastic, This model is fantastic ✓", ô phải "Not Needed, I don't need it ✓" (slide trong video đăng ngày 15/11/2026).

Theo anh (video đăng ngày 15/11/2026), anh nghĩ hai kết luận đó đặt cạnh nhau giải thích một điều rất quan trọng về hướng đi của nền kinh tế AI. Anh nói mình cứ quay lại với ý này: những người trong cộng đồng của anh có thể bỏ ra, và đã từng bỏ ra, hàng trăm đô chi phí API cho frontier model, xem kết quả, rồi tự hỏi liệu có đáng làm tất cả những việc đó không. Và chuyện đó đã xảy ra nhiều lần.

Anh lấy một tài liệu chiến lược làm ví dụ (video đăng ngày 15/11/2026). Đó là loại việc mà lẽ ra bạn phải muốn khả năng suy luận tốt nhất, đúng không? Vậy mà model có thể rất ấn tượng nhưng lại không cải thiện một quyết định cụ thể đủ nhiều để bù cho hoá đơn đó.

Theo Nate (video đăng ngày 15/11/2026), nếu một model rẻ hơn cho bạn thứ bạn cần trong workflow của mình, bạn có mọi lý do để dùng nó. Và điều đó không có nghĩa là bạn hết hứng thú với AI. Bạn chỉ vừa tìm ra loại AI nào mình sẵn lòng trả tiền.

3. Task saturation và evals

Nate nói anh nghĩ task saturation là một lý do lớn khiến AI đang tách làm đôi lúc này (theo video đăng ngày 15/11/2026). Anh định nghĩa task saturation: một vài model đã làm được một việc cụ thể đủ tốt, đến mức mua thêm trí tuệ với giá cao hơn chỉ thêm được rất ít hoặc không thêm được gì cho kết quả. Các model có thể tiếp tục giỏi lên. Nhưng công việc bạn giao cho chúng thật ra không cần sự cải thiện đó, đúng không?

Slide Task Saturation với hai dòng đánh số
Slide "Task Saturation": 1 "Several Models Already Do The Job", 2 "More Intelligence Adds Little Or Nothing" (slide trong video đăng ngày 15/11/2026).

Theo Nate (video đăng ngày 15/11/2026), những cuộc trò chuyện anh tham gia với khách hàng enterprise đã thay đổi trong vài tháng qua. Việc nhờ ai đó phân tích model nào dùng cho việc nào ngày càng giống một cuộc trò chuyện của năm 2025 hoặc đầu năm 2026. Anh nói giờ anh không còn ở trong những cuộc trò chuyện đó. Các khách hàng sẽ chọn một model tương đối rẻ, dùng evals để biết đó có phải lựa chọn đúng không, và lặp dần tới model rẻ nhất hiện có mà vẫn qua được evals của mình. Anh cho rằng đó hoàn toàn là quyết định đúng.

Anh định nghĩa (video đăng ngày 15/11/2026): evals là những bài kiểm tra trên đúng công việc bạn thật sự cần làm, được chấm theo một chuẩn cho kết quả chấp nhận được. Anh nói anh rất thích nghe điều đó từ khách hàng, vì nó cho thấy các lãnh đạo doanh nghiệp đang bắt đầu hiểu AI vận hành thế nào. Họ đã hiểu rằng mình có thể kiểm tra kết quả, thay vì coi model mới nhất là một bản nâng cấp bắt buộc.

Theo Nate (video đăng ngày 15/11/2026), điều đó cho bộ phận mua sắm (procurement) một thứ mạnh hơn nhiều so với linh cảm rằng model đắt tiền là không cần thiết. Nếu một model khác qua được các bài kiểm tra cho công việc bạn đang mua, bạn có rất nhiều bằng chứng rằng nó là một lựa chọn thay thế khả thi, đủ tốt để chuyển xuống. Các model không cần thông minh ngang nhau trong mọi tình huống có thể có. Tất cả những gì chúng phải làm là đáp ứng yêu cầu cụ thể của bạn, và thế là đủ để thay đổi bên nào nắm quyền định giá trong đàm phán ngày nay.

Chọn một modeltương đối rẻ Chạy evals trêncông việc thật Lặp tới model rẻ nhấtvẫn qua evals lặp lại
Hình 3.1Cách các khách hàng enterprise chọn model theo lời Nate (video đăng ngày 15/11/2026): chọn một model tương đối rẻ, dùng evals kiểm tra, rồi lặp tới model rẻ nhất vẫn qua evals.

Anh nhấn mạnh (video đăng ngày 15/11/2026): các doanh nghiệp hoàn toàn quan tâm tới AI, đừng hiểu khác đi. Họ đang áp dụng AI, đang triển khai AI, đang tìm thêm chỗ để dùng nó. Cuộc đua để AI "ring the cash register" đã bắt đầu. Nhưng khi họ chuyển nhiều việc hơn sang các model rẻ hơn, lượng token tiêu thụ có thể tăng rất, rất mạnh mà chi tiêu cho token không tăng tương ứng. Khách hàng đưa được nhiều trí tuệ hơn vào doanh nghiệp, còn bên làm model nhận được ít doanh thu thêm hơn nhiều so với những gì biểu đồ mức sử dụng có thể khiến bạn kỳ vọng.

Nate nói (video đăng ngày 15/11/2026) đó không chỉ là ý của riêng anh, mà phản ánh những con số tiền thật mà Ramp theo dõi. Và đó là sự tách đôi anh muốn xem xét: trí tuệ tiếp tục tăng, cách doanh nghiệp dùng trí tuệ tiếp tục tiến lên, và một câu hỏi khó hơn nhiều là các bên làm model có thể thu phí được bao nhiêu phần lợi ích từ tất cả giá trị đó.

Theo anh (video đăng ngày 15/11/2026), nếu bạn điều hành một doanh nghiệp, điều này thay đổi cách bạn nên nghĩ về chi tiêu AI của chính mình. Nếu bạn đang xây hoặc đầu tư vào một công ty AI, nó thay đổi những gì bạn nên coi là bằng chứng cho thấy doanh nghiệp đó đang chạy được. Và dữ liệu ủng hộ điều này: bạn có thể thấy nó trong dữ liệu chi tiêu.

4. Dữ liệu chi tiêu AI của Ramp

Theo báo cáo tháng 10 của Ramp mà Nate trích (video đăng ngày 15/11/2026), Ramp mô tả hai tháng gần như không tăng trưởng chi tiêu cho token trong tháng 8 và tháng 9, dù lượng AI token vẫn tiếp tục tăng qua từng tháng. Anh giải thích token chỉ là những đơn vị thông tin mà model xử lý, và ngày càng nhiều hoạt động như vậy diễn ra mà số tiền chi ra không tăng tương ứng. Mọi người đang nhận được nhiều giá trị hơn trên mỗi token.

Nate bên thẻ Aug-Sep ~0% trích báo cáo của Ramp
Thẻ "Aug-Sep: ~0%", "Token-Spend Growth", nguồn "Ramp · October 2026", trích đoạn báo cáo: "It's clear this effect is not seasonal. Token volumes, for example, rose over the same period. It's token spend that led to these declines. And this slowdown has been unusually stubborn. Because of August and September, we've recorded two straight months of virtually no growth in token spend." (thẻ trong video đăng ngày 15/11/2026).

Nate nói đã có một báo cáo còn mới hơn (video đăng ngày 15/11/2026). Theo bản cập nhật ngày 11/11 của Ramp mà anh trích, chi tiêu AI chỉ tăng vỏn vẹn 1,65% trong tháng 10, về cơ bản là đi ngang. Tỷ lệ áp dụng đạt 56,8% số doanh nghiệp trong mẫu của Ramp; anh nói con số này thấp tới mức khiến anh bất ngờ, nhưng vẫn hợp lý. Trang Ramp AI Index (đọc ngày 15/11/2026) ghi: tháng 10/2026, tỷ lệ áp dụng AI đạt 56,8% doanh nghiệp Mỹ trên Ramp, tăng 1,0 điểm phần trăm so với tháng 9.

Nhưng về căn bản, theo Nate (video đăng ngày 15/11/2026), chi tiêu đã không đi tới đâu cả. Tăng trưởng chi tiêu về cơ bản đi ngang ba tháng liền, ngay cả khi token vẫn tăng, ngay cả khi doanh nghiệp dùng AI ngày càng, ngày càng nhiều hơn. Anh nghĩ đó là câu hỏi trung tâm của năm 2027: chuyện gì xảy ra khi mọi người bắt đầu dựa nhiều vào AI, dùng AI nhiều hơn, nhưng thấy rằng model không phải yếu tố quyết định giá trị?

5. Phép tính khi chuyển sang model rẻ hơn

Nate dùng vài mức giá mẫu để cho thấy quyết định này lớn cỡ nào ở các phòng procurement lúc này (theo video đăng ngày 15/11/2026). Giả sử một doanh nghiệp tiêu thụ một lượng token rất nhỏ, một tỷ token, với giá trung bình 5 đô mỗi triệu token. Hoá đơn là 5.000 đô. Doanh nghiệp đó chuyển phần lớn việc thường ngày sang các model rẻ hơn, kéo giá trung bình xuống 1 đô mỗi triệu token. Trong thế giới đó, nó có thể tiêu thụ 5 tỷ token với cùng số tiền, cùng 5.000 đô. Vậy là lượng token tiêu thụ có thể tăng gấp năm mà chi tiêu không tăng chút nào, thậm chí còn giảm.

Slide 5× The Tokens. Same Bill. với ba ô 1B Tokens, $5 / Million, $5,000
Slide "5× The Tokens. Same Bill.": "1B Tokens", "$5 / Million", "$5,000", dòng dưới ghi "Illustrative Prices", tức giá minh hoạ (slide trong video đăng ngày 15/11/2026).

Theo anh (video đăng ngày 15/11/2026), 4 tỷ token thêm ra đó đang được dùng để tạo kết quả kinh doanh, nhưng không mang thêm doanh thu về cho nhà cung cấp. Bạn cũng có thể giữ toàn bộ khoản chi đó ở cùng một công ty model bằng cách chuyển sang một model rẻ hơn. Bạn thậm chí không cần đổi quan hệ với nhà cung cấp. Bạn chỉ việc đi xuống theo dải model khi bạn chạy evals và hiểu mình thật sự cần gì về mặt trí tuệ. Vì thế giữ được khách hàng cũng không có nghĩa là giữ được cùng mức doanh thu trên mỗi token. Và một công ty chỉ bán lựa chọn đắt tiền sẽ chịu thiệt.

Nate nói may cho tất cả chúng ta là các lab không chỉ bán lựa chọn đắt tiền (theo video đăng ngày 15/11/2026). Tất cả các lab đều đầu tư vào việc cung cấp một dải model với nhiều mức giá, để mọi người làm việc hiệu quả. Theo anh, rốt cuộc đây là task saturation đang biến thành chính sách procurement và mua sắm, đúng không?

Theo anh (video đăng ngày 15/11/2026), cách làm dựa trên evals mà anh đang nghe từ khách hàng, đang mô tả, và mà các nhà cung cấp thường đề nghị khách hàng dùng, cho khách hàng một cách để kiểm tra rằng model rẻ hơn đáp ứng mọi yêu cầu của mình, và để kiểm tra lựa chọn kế tiếp khi nó xuất hiện là tốt hơn hay kém hơn. Khi cộng tất cả lại, mức giá trung bình bạn trả cho mỗi token sẽ giảm xuống.

6. Chiết khấu và hợp đồng enterprise

Theo Nate (video đăng ngày 15/11/2026), báo cáo tháng 10 của Ramp cũng mô tả các khách hàng đàm phán hợp đồng enterprise từ vị thế rất có lợi, dựa trên lời kể của những doanh nghiệp đã ký hoặc đã xem xét các hợp đồng đó. Nói cách khác, theo anh, xét theo các câu chuyện thực tế thì điều này cũng khớp. Anh nói đó không chỉ là ý của riêng anh.

Chiết khấu là một phần của bức tranh, và theo anh (video đăng ngày 15/11/2026) đó là một con đường khác để lợi ích tới được tay người mua, ngay cả khi procurement không đổi nhà cung cấp. Procurement có thể nói: "Nhìn này, chúng tôi có evals cho thấy cái này không quan trọng", rồi đàm phán hạ giá, ngay cả khi công ty vẫn giữ cùng nhà cung cấp. Điều đó cho phép các lab giữ khách hàng trên sổ sách, dù bên dưới họ đang phải chiết khấu.

Người mua giữ lợi ích Chuyển xuống model rẻ hơn(có thể cùng nhà cung cấp) Chiết khấu: đàm phán giávới cùng nhà cung cấp
Hình 6.1Hai con đường Nate nêu để lợi ích tới tay người mua (video đăng ngày 15/11/2026): chuyển sang model rẻ hơn, và đàm phán chiết khấu dựa trên evals mà vẫn giữ nhà cung cấp cũ.

Theo Nate (video đăng ngày 15/11/2026), đây là lý do làn sóng áp dụng AI của doanh nghiệp năm 2027 quan trọng tới vậy với các bên làm model. Bạn cần biết những người dùng mới thật sự sẵn lòng đầu tư vào đâu và sẵn lòng trả giá cao cho cái gì.

7. Customer support, coding và model routing

Theo báo cáo mới nhất của Ramp mà Nate trích (video đăng ngày 15/11/2026), customer success và support là một nguồn chi tiêu đang tăng. Anh nghĩ đó là một chỉ báo trễ. Anh nói các team đó đi từ dưới 1% chi tiêu đã phân loại vào tháng 6 lên 13% vào tháng 10; thẻ trong video ghi 0.8% → 13.3%.

Nate bên thẻ 0.8% → 13.3% với biểu đồ chi tiêu AI theo phòng ban của Ramp
Thẻ "0.8% → 13.3%", "Customer Success + Support, Share Of Classified AI Spend · Jun → Oct", nguồn "Ramp · November 2026", kèm biểu đồ của Ramp có tiêu đề "Customer support and exec teams drive new AI spend, but engineering still dominates" (thẻ trong video đăng ngày 15/11/2026).

Nhưng theo Nate (video đăng ngày 15/11/2026), điều con số đó thật sự nói với anh là những use case này đang trở nên làm được ở quy mô enterprise, vì chúng là kiểu "lift and shift": dễ hiểu, đã có best practice. Nên phạm vi hoạt động kinh doanh rộng hơn, và những doanh nghiệp hơi đi sau mũi nhọn công nghệ cũng thấy tự tin theo đuổi các use case đó.

Anh đưa ví dụ một bộ phận support trả lời một câu hỏi thường gặp (video đăng ngày 15/11/2026). Khách hàng muốn một câu trả lời chính xác, thật nhanh. Doanh nghiệp muốn giải quyết vấn đề một cách đáng tin cậy với chi phí chấp nhận được. Theo anh, model mạnh nhất có thể giúp với những ca thật sự khó, còn một model rẻ hơn xử lý gần như toàn bộ khối lượng còn lại một cách hoàn toàn ổn. Tất cả những gì bạn phải làm là cho một router chạy được để làm việc đó, và router giờ đã phổ biến (tính đến 11/2026, theo Nate).

Slide Route The Work với hai luồng qua Router
Slide "Route The Work": "Routine Questions → Router → Cheaper Model" và "Difficult Cases → Router → Most Capable Model" (slide trong video đăng ngày 15/11/2026).

Theo Nate (video đăng ngày 15/11/2026), điều này cũng áp dụng cho coding. Một lãnh đạo có thể lo rằng một developer đang chi quá tay cho một frontier model. Anh nói đây không phải giả định: các lãnh đạo nói với anh là họ lo chuyện đó, và anh thấy các biểu đồ. Một developer thì có thể lo rằng công ty đang bắt mình dùng một model kém năng lực hơn. Anh nói các developer cũng than phiền với anh về chuyện đó.

Theo anh (video đăng ngày 15/11/2026), bạn có thể mất rất nhiều thời gian tranh cãi xem model nào thông minh hơn mà không trả lời được liệu model nào trong hai cái đáp ứng yêu cầu của công việc trước mặt, trừ khi bạn dùng evals, đúng không? Một eval hữu ích đưa bằng chứng vào cuộc trò chuyện đó. Model có thật sự tạo ra thay đổi đúng không? Nó có chạy được trong codebase không? Sẽ cần bao nhiêu công con người review và sửa?

Nếu một model rẻ hơn đạt chuẩn với tổng chi phí thấp hơn, theo Nate (video đăng ngày 15/11/2026) doanh nghiệp có mọi lý do để dùng nó và bảo developer dùng nó. Anh nói anh đang thấy điều đó diễn ra theo thời gian thực. Nếu nó trượt, việc trượt cho bạn biết vì sao lựa chọn đắt nhất có thể đáng tiền. Hoặc nó cho bạn biết bạn có thể lặp hai hay ba lần để đạt kết quả cần thiết với một model rẻ hơn, mà vẫn rẻ hơn lựa chọn đắt nhất; anh nói đó là một điều nữa anh thấy.

Theo Nate (video đăng ngày 15/11/2026), đây là điều anh thấy đáng mừng trong các cuộc trò chuyện với khách hàng. Các lãnh đạo đang ngày càng tinh tường hơn. Họ đang học cách đưa ra phán đoán đó từ chính công việc của mình. Họ có thể cho một model mới chạy qua cùng bài đánh giá, thay vì chờ ai đó bảo model đó hợp với việc gì. Và khi một vài model cùng qua một eval, nhà cung cấp sẽ phải cạnh tranh để giành một khối việc mà khách hàng biết mình có thể chuyển đi trong chớp mắt.

8. Thị trường premium cho frontier model

Nate nói điều này không có nghĩa là không có thị trường premium (theo video đăng ngày 15/11/2026). Theo báo cáo tháng 11 của Ramp mà anh trích, frontier model chiếm gần 70% chi tiêu, và tỷ trọng của chúng thậm chí còn tăng nhẹ trong tháng 10. Thẻ trong video ghi con số là 69,5%, tăng từ 67,7%.

Nate bên thẻ 69.5% Frontier Models' Share Of Spend
Thẻ "69.5%", "Frontier Models' Share Of Spend, October · Up From 67.7%", nguồn "Ramp · November 2026", trích đoạn: "One area of reprieve: frontier models' share of spend is up slightly. Opus, Fable, Sol, and Astra took 69.5% of spend in October, up from 67.7%." (thẻ trong video đăng ngày 15/11/2026).

Theo Nate (video đăng ngày 15/11/2026), như vậy có những việc không chỉ đòi hỏi nhiều trí tuệ hơn mà còn biện minh được cho nó đủ để người ta sẵn lòng chi. Nhưng task saturation đang áp dụng cho ngày càng, ngày càng nhiều công việc trong doanh nghiệp, nơi một model rẻ hơn đã đáp ứng yêu cầu. Vì thế, dù model đắt tiền chiếm một phần lớn trong phần chia của đồng đô, điều đó không có nghĩa chúng chiếm một phần lớn trong phần chia của công việc.

Và tất nhiên, theo anh (video đăng ngày 15/11/2026), giá thấp hơn có thể tạo ra những thị trường mới khổng lồ. Một việc quá đắt ở mức một đô có thể đáng làm ở mức 10 xu. Bên làm model có thể bán nhiều hơn rất, rất nhiều thứ đó. Một năng lực mới có thể khiến một dịch vụ hoàn toàn mới trở nên khả thi. Anh nói có những lý do tốt để anh kỳ vọng nhu cầu AI token tổng thể sẽ tiếp tục bùng nổ trong năm 2027, và anh không thấy dấu hiệu chậm lại nào ở đó.

Nhưng câu hỏi thương mại, theo Nate (video đăng ngày 15/11/2026), là khách hàng sẽ trả bao nhiêu. Nếu chi phí của chính nhà cung cấp giảm nhanh hơn giá bán, thì có lẽ biên lợi nhuận có thể tốt lên. Nếu các workload hữu ích mới tăng đủ nhanh, thì có thể giá thấp hơn cũng ổn, vì bạn thấy doanh thu tăng nhanh khi mọi người mở rộng mức sử dụng. Anh nói đó là nhiều phần trong câu chuyện mà ta đang nghe các lab nói công khai lúc này.

Chi phí nhà cung cấpgiảm nhanh hơn giá bángiảm thì có lẽ biênlợi nhuận tốt lên
Hình 8.1Một trong hai khả năng Nate nêu (video đăng ngày 15/11/2026): nếu chi phí của nhà cung cấp giảm nhanh hơn giá bán, thì có lẽ biên lợi nhuận có thể tốt lên.

Nhưng câu hỏi anh đặt ra (video đăng ngày 15/11/2026) là: nếu ta đã có ba tháng liền chi tiêu về cơ bản đi ngang, liệu ta có đang bước vào một trạng thái bình thường mới? Anh nói rõ không phải một thế giới mà chi tiêu không bao giờ tăng; anh không nói vậy, và anh nghĩ chi tiêu cho AI sẽ tăng. Mà có thể là một thế giới nơi giá trị trong chuỗi giá trị đang dồn về một chỗ khác. Có thể các model không còn thấy giá trị dồn về mình như những gì chúng thấy trong nửa đầu năm.

9. Chi tiêu đi ngang có ý nghĩa gì với các lab

Nate nói anh không đọc một tháng chi tiêu thấp như bằng chứng rằng các lab không thể xây doanh nghiệp tốt (theo video đăng ngày 15/11/2026). Anh chỉ nói rằng trí tuệ tốt hơn và việc áp dụng rộng hơn, tự chúng, là chưa đủ, nhất là nếu bạn đang cố chứng minh một bài toán tài chính. Nghiên cứu, phát triển model, hạ tầng vẫn sẽ phải được trả tiền. Theo anh, khoảng cách giữa thành công kỹ thuật và lợi nhuận thương mại sẽ cần được chú ý nhiều hơn rất nhiều.

Theo Nate (video đăng ngày 15/11/2026), điều đó thay đổi cách anh nghĩ về K-shaped split, sự tách đôi hình chữ K. Bên trong một lab, AI tốt hơn có ứng dụng ngay lập tức vào việc xây thế hệ kế tiếp; anh nói điều đó hoàn toàn hợp lý. Bên trong một doanh nghiệp bình thường, rất nhiều công việc đã nằm gọn trong phạm vi năng lực của các model hiện có. Vậy nên tiến bộ ở mũi nhọn sẽ tiếp tục, nhưng theo anh quyết định mua cho những việc đó sẽ trở nên nhạy cảm với giá hơn nhiều trong năm 2027.

Slide The K-Shaped Split với chữ K và hai nhánh
Slide "The K-Shaped Split": nhánh trên "Labs: Better AI Builds The Next Model", nhánh dưới "Ordinary Business: Work Fits Existing Models", dòng dưới ghi "Concept Diagram · Illustration, Not Data" (slide trong video đăng ngày 15/11/2026).

Theo anh (video đăng ngày 15/11/2026), đó là sức ép kinh tế mà task saturation tạo ra. Nhà cung cấp trí tuệ có thể cải thiện trí tuệ đó rất nhiều. Khách hàng sẽ nhìn vào công việc của mình và hỏi liệu sự cải thiện đó có phải thứ họ cần mua ở mức giá ấy không. Và ngày càng nhiều người đặt câu hỏi đó. Theo Nate, điều đó giải thích ba tháng gần nhất với dữ liệu chi tiêu về cơ bản đi ngang của Ramp.

Anh nói các giới hạn về data center thêm một lớp phức tạp nữa (video đăng ngày 15/11/2026). Compute có thể rất khó cung cấp, trong khi một số việc cụ thể lại trở nên rẻ hơn nhiều để hoàn thành. Vậy tổng nhu cầu và hiệu quả trên mỗi việc đều sẽ tốt lên; anh nghĩ chúng sẽ tiếp tục tốt lên. Nhưng theo anh, bạn không thể dùng tình trạng thiếu năng lực tính toán làm bằng chứng rằng mọi nhà cung cấp AI sẽ ngay lập tức giữ được quyền định giá, cũng như bạn không nên giả định mọi workload sẽ ngay lập tức trở nên rẻ theo một lịch tự động nào đó. Anh nói chúng ta không biết điều đó, vì chúng ta phải eval nó.

10. Vì sao khách hàng của bạn cũng sẽ đòi phần tiết kiệm từ AI

Theo Nate (video đăng ngày 15/11/2026), nếu bạn là một lãnh đạo đang mua AI, đây là một cơ hội. Bạn có thể có những công cụ mạnh hơn trong khi kỷ luật hơn nhiều về những gì mình trả tiền. Và bạn cũng có thể đầu tư cao hơn trong stack, vào cách những token đó mang tiền về cho bạn; anh nói đó là một mảng anh thấy được đầu tư mạnh trong năm 2027.

Nhưng anh nói bạn cũng nên chờ đợi khách hàng của chính mình áp dụng đúng lập luận đó với bạn (video đăng ngày 15/11/2026). Theo Nate, Infosys đã mô tả sức ép đó trong buổi báo cáo kết quả kinh doanh tháng 10 của chính họ. Doanh thu AI của Infosys tăng rất, rất nhanh, trong khi khách hàng đòi các lợi ích năng suất từ AI cũng phải được chuyển vào giá, vì họ khôn ngoan. Anh nói biên lợi nhuận hoạt động tổng thể của Infosys giữ quanh mức 21%.

Nate bên thẻ 21% về biên lợi nhuận hoạt động của Infosys
Thẻ "21%", "Operating Margin · Stable", "AI Revenue: 10.5% Of Total", "+29% Sequentially", nguồn "Infosys · Q2 FY27" (thẻ trong video đăng ngày 15/11/2026).

Theo anh (video đăng ngày 15/11/2026), đây là một ví dụ hữu ích vì nó cho thấy các cuộc đàm phán đang diễn ra cả ở bên ngoài các lab. Bạn có thể dùng AI để cải thiện việc giao dịch vụ, và khách hàng của bạn sẽ hỏi giờ dịch vụ nên rẻ đi bao nhiêu. Vậy là một nhà cung cấp có thể áp dụng AI thành công mà vẫn phải đấu tranh để giữ lợi ích tài chính. Anh nói đây là chuyện xảy ra khi token trở nên rẻ hơn rất nhiều chỉ trong vài năm.

Nate đưa một ví dụ minh hoạ (video đăng ngày 15/11/2026): giả sử bạn tính 10.000 đô cho một dịch vụ tốn 6.000 đô để giao; bạn có 4.000 đô lợi nhuận gộp, ổn. Rồi AI kéo chi phí giao dịch vụ xuống 4.000 đô, tính cả phần việc con người còn lại và hoá đơn AI định kỳ. Trong một thời gian, bạn có thể giữ được khoản 2.000 đô biên lợi nhuận thêm ra đó. Bạn có thể vẫn tính được 10.000 đô, nhưng sẽ có sức ép về giá, đặc biệt nếu một đối thủ có thể giao cùng kết quả với giá thấp hơn và bạn phải theo giá đó.

Slide The $10K Service với ba ô Price, Cost, Gross Margin
Slide "The $10K Service": "Price $10K", "Cost $6K", "Gross Margin $4K", dòng dưới ghi "Illustrative", tức con số minh hoạ (slide trong video đăng ngày 15/11/2026).

Nói thẳng ra, theo Nate (video đăng ngày 15/11/2026), đó là một sức ép kinh tế lành mạnh. Đó là sức ép buộc bạn chứng minh mình mang lại giá trị phi thường nếu bạn đang dùng AI. Và theo anh, giá trị nằm trên lớp AI là nơi có những thị trường nghìn tỷ đô kế tiếp. Đó là cách đi từ trí tuệ như một đầu vào tới chỗ "chúng tôi mang lại giá trị phi thường cho khách hàng, thứ mà chúng tôi có quyền định giá". Anh nói đó là câu hỏi mà các lãnh đạo doanh nghiệp, không chỉ ở các lab mà tất cả chúng ta, cần phải đặt ra.

11. Thứ gì còn giá trị sau model kế tiếp

Với các doanh nghiệp đang dùng AI lúc này, Nate nói anh sẽ đặc biệt chú ý tới những gì vẫn còn hữu ích sau lần nâng cấp kế tiếp (theo video đăng ngày 15/11/2026). Một hệ thống phức tạp được xây để khắc phục điểm yếu của một model có thể thật sự trở nên không cần thiết. Anh nói năm nay anh đã thấy nhiều ví dụ về chuyện đó, khi những harness phức tạp phải được đơn giản hoá. Công việc đó vẫn có thể đáng làm nếu nó hoàn vốn tương đối nhanh, nhưng theo anh bạn nên thực tế về việc mình kỳ vọng hưởng lợi bao lâu từ những giải pháp cụ thể mình đầu tư trong thế giới này.

Theo Nate (video đăng ngày 15/11/2026), những khoản đầu tư khác có thể trở nên hữu ích và hiệu quả hơn nhiều với một model tốt hơn. Anh lấy ví dụ: sắp xếp thông tin khách hàng, kết nối các hệ thống, hoặc xây một cách đáng tin cậy để đánh giá xem kết quả có đúng không. Nếu những khoản đầu tư đó giúp bạn tận dụng các thế hệ model kế tiếp nhanh và hiệu quả hơn, bạn có một kiểu lợi nhuận ổn định hơn nhiều.

Có thể thành không cần thiết Hệ thống phức tạp xây để khắc phục điểm yếu của model Vẫn có thể đáng làm nếu hoàn vốn tương đối nhanh Hữu ích hơn với model tốt hơn Sắp xếp thông tin khách hàng Kết nối các hệ thống Một cách đáng tin cậy để đánh giá kết quả có đúng không
Hình 11.1Hai loại đầu tư Nate so sánh (video đăng ngày 15/11/2026): hệ thống được xây để khắc phục điểm yếu của model có thể trở nên không cần thiết, còn thông tin khách hàng, kết nối hệ thống và cách đánh giá kết quả có thể hữu ích hơn nhiều với model tốt hơn.

Theo anh (video đăng ngày 15/11/2026), vì vậy các lãnh đạo doanh nghiệp cần nghĩ một chút theo kiểu cờ vua 3D, để hiểu cái gì sẽ cho lợi nhuận ổn định trong một thế giới mà model ngày càng tốt hơn nhưng không nhất thiết có thêm quyền định giá.

12. Những gì Nate muốn có trước khi mua AI

Nate nói đây là những gì anh muốn có trước mặt nếu anh đang xem xét một quyết định chi tiêu AI trong quý 4/2026 hoặc quý 1/2027 (theo video đăng ngày 15/11/2026). Hiển nhiên anh muốn thấy bằng chứng rằng model đáp ứng yêu cầu của anh, rằng bài toán kinh tế của việc dùng nó là ổn, rằng evals phản ánh những việc được giao thật chứ không chỉ những việc giả, bao gồm cả các edge case khó, và rằng chuẩn cho một kết quả thành công được đặt ra như một baseline từ trước, chứ không phải được chọn lọc riêng cho model này.

Slide The Buying Checklist với bốn dòng đánh số
Slide "The Buying Checklist": 1 "Meets My Requirements", 2 "The Economics Work", 3 "Evals On Real Assignments + Edge Cases", 4 "A Baseline, Not Cherry-Picked" (slide trong video đăng ngày 15/11/2026).

Theo Nate (video đăng ngày 15/11/2026), anh chắc chắn sẽ tính đủ toàn bộ chi phí, đúng không? Chi phí review, chi phí sửa, chi phí thay đổi harness nếu cần. Anh không muốn chỉ đo một thứ. Một bài test rẻ và một model rẻ chỉ qua được nếu nó qua được trên tất cả các chiều đó.

Dù vậy, theo anh (video đăng ngày 15/11/2026), anh nghĩ các team procurement đang bắt đầu làm phép tính đó nhiều hơn khi họ đưa ra lựa chọn. Và họ đang bắt đầu nhận ra khi nào giữa các model là một cuộc đua sát nút, khi nào là một cuộc đua rõ ràng hơn, có một model đang thắng. Anh nói lặp đi lặp lại, điều anh thấy là trong nhiều trường hợp, thị trường model rẻ hơn trở nên rất đông đúc ở cùng một mức trí tuệ tương đương. Vậy là họ có rất nhiều lựa chọn về nơi muốn phân bổ chi tiêu. Điều đó cho họ quyền lực.

Theo Nate (video đăng ngày 15/11/2026), anh ngày càng nghĩ quyền lực đó sẽ được đầu tư vào việc mở rộng quy mô. Trong năm 2027, mọi người sẽ nghĩ nhiều hơn về ý nghĩa của việc đưa AI tới những người không phải người dùng sớm; về việc mở rộng công cụ cho những người đó; về cách bắt đầu xây những harness ổn định mà bạn phát triển và bảo trì theo thời gian; về cách xây những auto router thông minh hơn; và về cách chọn workflow nào, đặt trí tuệ ở đâu trên các workflow khác nhau đó để tối đa hoá giá trị.

Đưa AI tới những ngườikhông phải người dùng sớm Công cụ cho họ vàharness ổn định, được bảo trì Auto routerthông minh hơn Chọn workflow và đặt trí tuệở đâu để tối đa hoá giá trị
Hình 12.1Những điều Nate cho rằng mọi người sẽ nghĩ tới nhiều hơn khi mở rộng AI trong năm 2027 (theo video đăng ngày 15/11/2026).

Cuối cùng, theo Nate (video đăng ngày 15/11/2026), mọi người đã hỏi điều này rồi, nhưng các team procurement sẽ tiếp tục hỏi: cái gì còn tồn tại khi model kế tiếp xuất hiện? Hiểu biết về khách hàng, những hệ thống đang chạy được, và khả năng đánh giá chất lượng có thay đổi không khi ta có một model tốt hơn? Kế hoạch có dựa vào việc độ khó kỹ thuật vẫn khó, trong khi ta đã thấy độ khó kỹ thuật dễ dần đi suốt hai năm?

Anh nói chúng ta đang bắt đầu quen với ý tưởng rằng model ngày càng thông minh hơn và điều đó đang thay đổi cách ta mua (video đăng ngày 15/11/2026). Rốt cuộc, theo anh, ta sẽ phải quen với việc nhìn thấy hai điều có vẻ mâu thuẫn cùng lúc: một cuộc cách mạng AI tiếp tục lan rộng rất, rất nhanh, và một thị trường khắt khe hơn nhiều với các công ty bán trí tuệ. Khách hàng đang khôn ngoan hơn. Khách hàng đang giỏi hơn trong việc chứng minh cái gì là đủ tốt cho công việc của họ. Anh nói anh rất thích điều đó. Khi nhiều model hơn vượt qua chuẩn đó, người mua sẽ có ngày càng nhiều lựa chọn hơn và ít lý do hơn để trả tiền cho trí tuệ họ không cần.

Theo Nate (video đăng ngày 15/11/2026), điều đó có thể thúc đẩy mức sử dụng tăng trưởng đáng kinh ngạc mà hoá đơn không tăng tương ứng. Vì vậy nếu bạn đang nghĩ nên phân bổ chi tiêu AI vào đâu, anh khuyên bạn nghĩ về: công việc hữu ích nào sẽ thật sự trở nên khả thi hôm nay và ngày mai khi model lớn dần lên, khách hàng của bạn sẽ trả tiền cho cái gì, cái gì vẫn còn giá trị khi model tốt hơn, bạn có bao nhiêu model, và evals của bạn tốt tới đâu.

Nguồn và liên kết 5 nguồn

  1. Tên gốc: Why Your Company Doesn't Need the Most Expensive AI Model
  2. Sự kiện: YouTube
  3. Video gốc: https://www.youtube.com/watch?v=JlHqTyW8rtA youtube.com
  4. Kênh YouTube AI News & Strategy Daily | Nate B Jones (Nate B Jones): youtube.com/channel/UC0C-17n9iuUQPylguM1d-lQ youtube.com
  5. Ramp AI Index: trang ghi tháng 10/2026 tỷ lệ áp dụng AI đạt 56,8% doanh nghiệp Mỹ trên Ramp, tăng 1,0 điểm phần trăm so với tháng 9 (đọc ngày 15/11/2026): ramp.com/data/ai-index ramp.com