ThinkingAI, công ty phát triển nền tảng AI agent, cho rằng doanh nghiệp muốn mở rộng ứng dụng AI cần xác định rõ quyền hạn, trách nhiệm và tiêu chí kiểm chứng cho từng nghiệp vụ. Theo công ty này, điều quan trọng không kém là phải tiếp tục khai thác được dữ liệu và tri thức đã tích lũy, ngay cả khi thay đổi mô hình AI.

Thông điệp trên được đưa ra tại sự kiện “ThinkingAI Summit Seoul (TAS) 2026” diễn ra ngày 20/10 tại Trung tâm Dệt may ở quận Gangnam, Seoul. Tại đây, ThinkingAI giới thiệu các trường hợp ứng dụng AI agent trong nhiều lĩnh vực như game, tài chính và giáo dục.

Với chủ đề “Agentic Growth”, công ty trình bày cách phát hiện biến động từ dữ liệu, phân tích nguyên nhân và chuyển kết quả đó thành hành động trong các bước vận hành tiếp theo, kèm theo nhiều ví dụ thực tế.

Seo Kwang-deok, Giám đốc ThinkingAI tại Hàn Quốc, cho biết doanh nghiệp đang bước vào giai đoạn con người chủ yếu đảm nhận vai trò định hướng và phê duyệt, còn AI agent trực tiếp xử lý tác vụ. Theo ông, trước khi giao thêm việc cho AI, doanh nghiệp phải xác lập rõ ý nghĩa dữ liệu, quyền hạn và trách nhiệm theo từng nghiệp vụ, đồng thời xây dựng quy trình để AI chỉ hoạt động trong phạm vi đã được phê duyệt.

Ông nhấn mạnh doanh nghiệp cần tiếp tục sử dụng được dữ liệu và tri thức nghiệp vụ đã tích lũy ngay cả khi mô hình AI thay đổi. ThinkingAI cho biết sẽ tiếp tục hỗ trợ khách hàng đưa phân tích AI vào cải tiến sản phẩm, phản hồi khách hàng và chuyển hóa thành kết quả kinh doanh cụ thể.

Tại sự kiện, ThinkingAI cũng giới thiệu cách ứng dụng “agentic engine” để hỗ trợ quy trình làm việc. Lee Seung-ju, Giám đốc kinh doanh của ThinkingAI, mô tả cấu trúc vận hành của một giải pháp, từ phân tích khách hàng, thiết kế chiến dịch, triển khai theo phê duyệt của con người đến kiểm tra kết quả.

Ông cũng nêu trường hợp Honestree, một cửa hàng trực tuyến trong lĩnh vực thực phẩm chức năng, hợp nhất dữ liệu quảng cáo, hành vi và đơn hàng theo từng khách hàng để phân loại nhóm cần tái tiếp cận và nhóm cần loại trừ. Theo Lee Seung-ju, LLM ngày càng dễ tiếp cận, nhưng con người vẫn phải thiết kế và duy trì cấu trúc làm việc để LLM có thể vận hành hiệu quả.

Trong phần chia sẻ của các doanh nghiệp tham dự, trọng tâm được đặt vào cách chuyển kết quả phân tích thành hành động cụ thể trong công việc.

Ha Gil-woo, phụ trách chiến lược sản phẩm tại Class101, cho biết thời gian rút ra insight cốt lõi đã giảm từ 3 ngày xuống 1 ngày sau khi AI tham gia phân tích thí nghiệm, tham chiếu từ đề cương, nội dung thảo luận đến cả mã nguồn.

Ông cũng giới thiệu cách diễn giải nguyên nhân khách hàng chần chừ thanh toán và liên kết kết quả đó với các bước xử lý tiếp theo. Theo Ha Gil-woo, nếu định hướng rút ra từ kết quả thí nghiệm còn mơ hồ, AI có thể khuếch đại sự mơ hồ đó theo hướng tiêu cực. Vì vậy, tiêu chí kiểm chứng ở cấp độ nhóm là yếu tố đặc biệt quan trọng.

Underdogs chia sẻ kinh nghiệm dùng AI phân tích dữ liệu tích lũy trên nền tảng để ứng phó tình trạng người dùng rời bỏ, trong bối cảnh đội phát triển chỉ có 6 người. Đồng sáng lập Kang Min-seok cho biết sau khi phân tích và kiểm chứng mối liên hệ giữa thiệt hại trong chiến đấu và việc người chơi rời đi, nhóm đã lên ý tưởng nội dung cho phép binh sĩ tử trận quay lại.

Theo ông, quá trình từ lúc người dùng bị tấn công đến khi chốt phương án cải thiện chỉ mất 3 ngày. Phần phát triển do AI agent đảm nhiệm, còn con người tập trung vào kiểm thử và đưa kết quả vào dịch vụ. Kang Min-seok nói thêm rằng khi nhân sự phụ trách rời công ty, kinh nghiệm thường biến mất theo, trong khi tại Underdogs, know-how được lưu lại dưới dạng tri thức của agent nên có thể duy trì lâu dài.

Sự kiện cũng cho thấy AI đang thay đổi cách phối hợp trong quy trình phát triển game.

Lee Seung-hyeon, Giám đốc Seed của Bluehole Studio, cho biết nhà thiết kế game có thể dùng AI để tạo trước một phiên bản có thể chơi được, sau đó cả nhóm cùng rà soát. Cách làm này giúp giảm đáng kể chênh lệch trong diễn giải khi truyền đạt ý đồ thiết kế bằng tài liệu. Theo ông, thời gian bổ sung một loại vũ khí mới đã giảm từ 20 ngày xuống còn 1 ngày nếu tính theo thời gian thực tế trôi qua. Điểm nghẽn lớn nhất hiện nay không nằm ở tốc độ tạo ra sản phẩm, mà ở thời gian cần để các bên hiểu và thống nhất với nhau.

Khi khối lượng công việc giao cho AI ngày càng tăng, yêu cầu về tiêu chuẩn kiểm chứng đầu ra cũng trở nên quan trọng hơn.

Seo Dong-jin, Trưởng nhóm nền tảng dữ liệu AI của Next Securities, cho biết khi xây dựng nền tảng dữ liệu, công ty ghi lại ý định của từng yêu cầu và lý do đưa ra lựa chọn để sử dụng cho các lần làm việc sau, đồng thời dùng cơ chế kiểm tra tự động để sàng lọc những thay đổi vi phạm quy tắc. Theo ông, vấn đề cốt lõi không phải là dùng AI nhiều đến đâu, mà là giao cho AI việc gì và con người có thể chịu trách nhiệm đến mức nào với kết quả đó.

Trong phiên thảo luận về vận hành tổ chức, Jeon Jun-young, Trưởng bộ phận Game Business TF của ONE store, và Kim Seung-gwon, CEO Joshua & Company với biệt danh “Builderjosh”, đã chia sẻ các mô hình ứng dụng AI vào công việc.

Jeon Jun-young giới thiệu cách tách riêng agent soạn thảo và agent kiểm duyệt, đồng thời đưa phản hồi phê duyệt và góp ý vào vòng công việc tiếp theo. Trong khi đó, Kim Seung-gwon cho biết doanh nghiệp của ông vận hành với 11 agent xử lý các tác vụ lặp lại trong một tổ chức chỉ có 6 người, còn các thành viên chịu trách nhiệm về lãi lỗ và thực thi theo từng mảng kinh doanh.

Kết lại, Jeon Jun-young nhấn mạnh: “Thứ được giao phó không phải là công việc, mà là tiêu chuẩn.”