Tuần trước có người hỏi tôi câu này ở một meetup. Rồi lại được hỏi trong standup của team. Rồi một client mang nó ra trong buổi strategy session. Ai cũng đang hỏi cùng một câu:
“Xu thế AI nào chúng ta cần chú ý? Cần làm gì để không bị bỏ lại phía sau?”
Tôi đã suy nghĩ về câu hỏi này khá lâu. Đây là câu trả lời thật của tôi — không phải phiên bản slide hội nghị, mà là thứ tôi sẽ nói với một đồng nghiệp thân thiết khi ngồi cà phê.
Trước Hết: Lọc Tín Hiệu Khỏi Nhiễu
Bức tranh AI năm 2026 đang chìm trong dự đoán. Gartner dự báo 40% ứng dụng doanh nghiệp sẽ tích hợp AI agent vào cuối năm 2026. McKinsey nói 62% tổ chức đang thử nghiệm agent. Lượng câu hỏi về multi-agent system trên nền tảng Gartner tăng 1.445% từ Q1 2024 đến Q2 2025.
Những con số này có thật. Nhưng cũng có nhiễu: Gartner cảnh báo hơn 40% dự án agentic AI sẽ bị huỷ vào 2027 do không rõ giá trị kinh doanh và chi phí vượt mức. Trong hàng nghìn công ty tự nhận cung cấp “AI agent,” chỉ khoảng 130 thực sự có khả năng agentic thật sự. Phần còn lại đang “agent washing” — đổi nhãn chatbot và rule-based automation thành AI agent.
Kỹ năng đầu tiên bạn cần là khả năng phán đoán. Không phải mọi xu thế đều đáng để tâm. Đây là những gì tôi nghĩ thực sự quan trọng.
4 Xu Thế Xứng Đáng Được Chú Ý Thật Sự
1. Agentic AI đang tốt nghiệp từ lab ra sản xuất
Sự chuyển dịch từ “AI là một tính năng” sang “AI là một nhân viên” là thật và đang tăng tốc. Chúng ta đã qua giai đoạn demo. Các công ty đang triển khai agent không chỉ trả lời câu hỏi mà còn lên kế hoạch, thực thi tác vụ nhiều bước, gọi công cụ, ra quyết định, và vòng lại để kiểm tra công việc của chính mình.
Từ khoá là tự chủ. Không phải AI giúp bạn viết email. Mà là AI theo dõi pipeline sales, xác định deal có nguy cơ bị mất, tự gửi draft follow-up, cập nhật CRM, và báo cáo team — mà không cần bạn khởi tạo từng bước.
Đây không phải khoa học viễn tưởng. Đây là thứ hệ thống agent sản xuất trông như thế nào vào 2026. Các team đang tạo ra giá trị thực hiểu một điều quan trọng: agent cần guardrails, không chỉ capabilities.
2. Model nhỏ hơn sẽ chiếm thị phần lớn hơn model khổng lồ
Sự ám ảnh với “model to nhất thắng” đang phai. Gartner dự báo đến 2027, small language model (SLM) đặc thù sẽ được triển khai gấp 3 lần volume so với LLM đa năng.
Tại sao? Vì một model 7B tham số được fine-tune trên transcript customer support của bạn sẽ đánh bại các model GPT-class trên task cụ thể của bạn — với chi phí inference thấp hơn 10 lần, chạy on-device, không có data nào rời khỏi server của bạn. Với enterprise có yêu cầu bảo mật dữ liệu nghiêm ngặt hoặc ràng buộc về latency, SLM không phải là lựa chọn thứ hai. Đó là công cụ đúng.
Thị trường SLM được dự báo tăng từ 0,93 tỷ USD năm 2025 lên 5,45 tỷ USD vào 2032 (CAGR 28,7%).
Điều này có nghĩa gì với bạn: Câu trả lời cho “chúng ta nên dùng AI model nào?” không còn là “cái lớn nhất, thông minh nhất.” Mà là “model nhỏ nhất có thể làm tốt đúng công việc cụ thể này.”
3. Làn sóng thi tuyển cấp thấp đang co lại thật sự
Vị trí software engineering cấp thấp đã giảm 73% tuyển dụng trong năm qua (Ravio, 2025). Đây không phải vì AI thay thế developer junior. Mà vì một senior developer dùng AI tool giờ tạo ra output bằng cả team 3-5 người trước đây. Bài toán headcount thay đổi rồi.
Điều này đang lan lên cấp mid-level. Kỹ sư mid-level làm công việc được định nghĩa rõ ràng — implement feature từ spec, viết boilerplate, port code — cũng đang chịu áp lực.
Nhưng có một sắc thái: BLS dự báo 17% tăng trưởng việc làm cho software developer đến 2033, ngay cả khi tính đến AI. Nghề không biến mất. Nghề đang thay đổi. Câu hỏi là bạn đang làm phiên bản nào của nghề đó.
4. Multimodal + Physical AI đang đến — nhưng đây là làn sóng 3-5 năm nữa
Gartner dự báo 80% ứng dụng enterprise sẽ multimodal vào 2030. IBM đang rõ ràng đặt cờ robotics và physical AI là biên giới tiếp theo sau khi language model gặp giới hạn scaling. Agent tích hợp vision + language + action có thể cảm nhận và vận hành trong thế giới thực không phải lý thuyết nữa.
Nhưng hãy thành thật về timeline. Physical AI là câu chuyện 2028-2030, không phải 2026. Tập trung vào những gì có thể triển khai ngay: multimodal understanding (text + image + document) trong sản phẩm customer-facing và nội bộ là rất thật và đang bị tận dụng chưa đủ ngay hôm nay.
Điều Này Có Nghĩa Gì Với Technical Lead
Tôi đã dành nhiều thời gian suy nghĩ về cách điều này thay đổi vai trò của chính mình. Đây là những gì tôi đúc kết.
Mô tả công việc mới của bạn: AI system designer
Bạn không còn là tác giả code chủ yếu nữa. Bạn là AI system designer — người quyết định task nào đi đến model nào, agent được orchestrate thế nào, guardrails được đặt ở đâu, và chuyện gì xảy ra khi mọi thứ đổ vỡ.
Điều này đòi hỏi:
1. Phán đoán kiến trúc về chi phí AI Như tôi đã viết về LLM tax: kỹ sư thành công là người biết khi nào KHÔNG dùng LLM. Static analysis cho câu hỏi code có cấu trúc. Regex cho pattern matching. Thuật toán cho sorting. Dành LLM cho thứ nó thực sự giỏi: semantic understanding, suy luận trong điều kiện mơ hồ, và generation. Mỗi token bạn tiết kiệm là tiền để tài trợ cho use case phức tạp thực sự cần đến nó.
2. Biết về model landscape — không chỉ một vendor Opus cho reasoning sâu. Sonnet cho hầu hết task production. Haiku cho call tần suất cao, độ phức tạp thấp. Open source SLM (Qwen, Llama, Mistral) cho workload on-premise hoặc nhạy cảm về privacy. Multi-model routing là một engineering discipline thật sự rồi. Bạn cần biết các tradeoff.
3. Observability và evals cho AI system Bạn cần biết cách đo xem AI system của mình có đang làm điều bạn nghĩ nó đang làm không. LLM-as-judge pattern, golden dataset eval, latency + cost dashboard, hallucination detection — đây là engineering fundamental rồi. Nếu bạn đang ship AI feature mà không có eval, bạn đang bay mù.
4. Security và trust boundaries Prompt injection là attack surface thật. Agent permission cần chặt chẽ như bất kỳ API authorization nào. Agent có thể đọc gì? Viết gì? Xoá gì? Ai có thể override nó? Đây là quyết định kỹ thuật, không phải afterthought.
Kỹ năng cần xây dựng ngay
Theo thứ tự ưu tiên:
- Agentic system design — cách thiết kế agent workflow đáng tin cậy với retry, fallback, và điểm escalation cho con người
- Evaluation methodology — cách xây dựng benchmark dataset và đo chất lượng model cho domain cụ thể của bạn
- Infrastructure cost modeling — cách ước tính, dự báo, và quản trị chi tiêu AI infrastructure
- Prompt engineering + fine-tuning — không phải như trò vui, mà như một engineering discipline production
Điều Này Có Nghĩa Gì Với Product Lead
Vai trò PM đang được viết lại. Phiên bản nhiều meeting, viết PRD, quản lý Jira của công việc đang được tự động hoá. Thứ tồn tại — và thứ bạn cần tập trung vào — khác đi.
Bạn sở hữu ranh giới giữa con người và AI
Quyết định sản phẩm khó nhất trong ba năm tới không phải “có nên thêm AI vào tính năng này không?” Mà là: chính xác ở đâu thì phán đoán con người kết thúc và AI tự chủ bắt đầu?
- Agent chỉ nên draft email, hay gửi luôn?
- Recommendation chỉ nên hiển thị cho user, hay tự động thực hiện?
- Ai review output của agent, và trong trường hợp nào nó tự override?
Đây không phải quyết định kỹ thuật. Đây là quyết định sản phẩm và thiết kế đòi hỏi sự đồng cảm sâu với user, suy luận đạo đức, và phán đoán kinh doanh. Đây là lãnh thổ của bạn.
Feature-first thinking đã chết. Capability-first là mô hình mới.
Playbook PM cũ: xác định pain của user, define feature, viết spec, ship, đo lường.
Playbook mới: xác định pain, hỏi khả năng gì một AI agent có thể phát triển để giải quyết nó, thiết kế mô hình cộng tác giữa con người và agent, xác định “tốt đủ” trông như thế nào cho hoạt động tự chủ, xây dựng eval, rồi mới ship.
Chú ý điều đã thay đổi: bạn đang thiết kế một hành vi, không phải một tính năng. Agent học. Nó cải thiện. Sản phẩm không bao giờ “xong” theo cách feature tĩnh thường là xong. Điều này đòi hỏi mối quan hệ khác với engineering team và định nghĩa khác về “done.”
Bạn cần prototype, không chỉ viết spec
Thế giới cũ: viết spec, đưa cho engineering, chờ ba tuần có prototype.
Thế giới mới: bạn phải có khả năng ghép một LLM call, một RAG pipeline, và một UI cơ bản trong một buổi chiều — không phải để viết production code, mà để validate xem ý tưởng có khả thi không trước khi tốn thời gian engineering. Cursor, Claude artifacts, và no-code AI builder làm điều này có thể. Nếu bạn không đang tự prototype AI feature hypothesis của mình, bạn đang chậm hơn cần thiết.
3 kỹ năng Product Lead cần ngay
- RAG architecture literacy — hiểu cách retrieval-augmented generation hoạt động đủ để đặt câu hỏi đúng và phát hiện implementation kém
- AI evaluation design — có khả năng viết test plan cho AI feature, bao gồm “tốt” trông như thế nào và cách đo degradation theo thời gian
- Agent UX pattern — hiểu cách thiết kế cho progressive autonomy: show -> recommend -> auto-act with override -> fully autonomous. Biết khi nào mỗi mode phù hợp
Sự Thay Đổi Mental Model Quan Trọng Nhất
Cả Technical Lead và Product Lead đều cần nội tâm hoá một sự thay đổi nằm bên dưới tất cả những điều trên:
Chúng ta đang chuyển từ thế giới nơi phần mềm làm những gì được nói, sang thế giới nơi phần mềm ra quyết định.
Điều này thay đổi mọi thứ về trách nhiệm của bạn. Khi hệ thống tất định tạo ra output sai, bạn debug logic. Khi AI agent đưa ra quyết định tệ, bạn cần hiểu: đây là vấn đề dữ liệu training? Vấn đề thiết kế prompt? Khoảng trống trong eval? Hallucination? Mục tiêu không align?
Câu trả lời đòi hỏi một kiểu tư duy khác. Không chỉ “code có hoạt động không?” mà “hệ thống có đang hành xử như mục tiêu trên toàn bộ phân phối input không?”
Đây là sự thích nghi thật sự. Không phải học một công cụ mới. Không phải lấy một chứng chỉ. Mà là phát triển khả năng phán đoán để thiết kế, đánh giá, và quản trị các hệ thống mang tính xác suất, không tất định.
Lộ Trình Thực Tế Cho 6 Tháng Tới
Nếu tôi bắt đầu từ đầu hôm nay, đây là những gì tôi sẽ làm:
Tháng 1-2: Bắt tay vào làm Ship một AI feature thật. Không phải demo. Thứ gì đó trong production với người dùng thật. Học toàn bộ chu kỳ: prompt -> eval -> deploy -> monitor -> iterate. Dùng model rẻ nhất có thể làm được.
Tháng 3-4: Đi sâu vào agent Xây dựng một agentic workflow — dù nhỏ. Một pipeline nhận trigger, gọi nhiều tool, ra quyết định, và tạo output. Hiểu nó thất bại ở đâu và cách làm nó đáng tin cậy.
Tháng 5-6: Xây dựng governance muscle Thiết lập cost dashboard cho AI usage của bạn. Tạo eval harness cho AI feature quan trọng nhất. Viết một-trang AI decision framework cho team: cái gì cần LLM, cái gì không, và cách quyết định.
Các team đang đi trước 12 tháng hiện tại không di chuyển nhanh hơn vì họ có công cụ tốt hơn. Họ di chuyển nhanh hơn vì họ coi AI là infrastructure cần được kỹ thuật hoá đúng cách — không phải phép màu để áp dụng tự do.
Câu Trả Lời Thành Thật Cho “Tôi Nên Làm Gì?”
Hãy ngừng chờ AI ổn định trước khi đầu tư vào nó. Điều đó sẽ không xảy ra. Bức tranh sẽ tiếp tục thay đổi. Lợi thế thuộc về người phát triển khả năng phán đoán tốt nhanh hơn — phán đoán về những gì AI có thể và không thể làm đáng tin cậy, những gì đáng chi, và cách thiết kế hệ thống giữ con người kiểm soát những quyết định quan trọng.
Khả năng phán đoán đó chỉ đến từ việc xây dựng thứ gì đó, phá vỡ nó, và học từ cả hai.
Bắt đầu đi. Giữ tư duy phê phán. Tiếp tục học.
Tài liệu tham khảo
- Xu thế AI và tech sẽ định hình 2026 | IBM — Dự báo IBM về agentic AI, SLM, và physical AI cho 2026
- Báo cáo xu thế AI agent 2026 | Google Cloud — Phân tích Google Cloud về mức độ áp dụng AI agent trong doanh nghiệp
- 7 xu thế Agentic AI cần theo dõi trong 2026 | MachineLearningMastery — Phân tích toàn diện về multi-agent system và orchestration pattern
- 10 xu thế AI và machine learning cần theo dõi trong 2026 | TechTarget — Xu thế ML doanh nghiệp bao gồm SLM, multimodal, và governance
- Xu thế thị trường Agentic AI 2025-2026 | Svitla — Mức tăng 1.445% lượng câu hỏi multi-agent của Gartner và định cỡ thị trường
- Xu thế AI 2026: Tác động doanh nghiệp hậu hype | Instinctools — Phân tích “agent washing” và rủi ro 40% dự án bị huỷ
- Tác động AI đến việc làm software engineering 2026 | AIToolRanked — Phân tích job posting: tăng 40% yêu cầu AI tool, giảm 73% tuyển cấp thấp
- Developer phần mềm là tiên phong trong cách AI định nghĩa lại công việc | WEF — World Economic Forum về vai trò developer trong kỷ nguyên AI
- Triển vọng tương lai của software engineering 2026 | Lemon.io — 65% developer kỳ vọng vai trò được tái định nghĩa; dự báo tăng trưởng 17% của BLS
- Tương lai của software engineering với AI | Pragmatic Engineer — Phân tích của Gergely Orosz về cách vai trò kỹ thuật đang phân tách
- Kỹ năng AI thiết yếu cho Product Manager 2026 | Amoeboids — Technical fluency trong 78% job posting PM; kỹ năng RAG và agent design
- Lộ trình AI Product Manager 2026 | NextByRahul — Lộ trình kỹ năng: agentic AI, MCP, systems thinking, prototyping
- Cách AI đang thay đổi vai trò PM | SkipLevel — Sự chuyển dịch từ feature-first sang capability-first trong tư duy sản phẩm
- 7 sự nghiệp AI-proof tồn tại đến 2026 và xa hơn | FinalRoundAI — Phân tích WEF: tăng trưởng 15-25% trong các vai trò đòi hỏi phán đoán con người đến 2030
- AI sẽ ảnh hưởng đến việc làm 2026-2030 như thế nào | Nexford — McKinsey: 57% giờ làm ở Mỹ có thể được tự động hoá, 60% nghề có phần tự động hoá một phần