Khoảng ba năm trước, hầu như khóa học AI nào dành cho doanh nghiệp cũng bắt đầu và kết thúc bằng một chủ đề thời thượng: Prompt Engineering. Người ta hào hứng truyền tay nhau những cấu trúc câu lệnh “thần thánh”, học cách bắt AI đặt vai, cung cấp hàng trang ngữ cảnh, đưa ví dụ (few-shot), và viết những câu lệnh dài dằng dặc như một bản đặc tả kỹ thuật phần mềm. Khi ấy, trong mắt số đông, làm chủ AI đồng nghĩa với việc biết cách “nói chuyện” sao cho khéo với chatbot.
Nhưng cuộc chơi đang xoay chuyển rất nhanh. Qua các chương trình đào tạo và tư vấn thực tế mà tôi trực tiếp triển khai tại các tập đoàn lớn trong ngành viễn thông, điện lực, dầu khí và ngân hàng, một sự chuyển dịch âm thầm nhưng quyết liệt đang diễn ra: Tôi gần như không còn dạy prompt engineering như một chuyên đề độc lập nữa.
Không phải vì nó vô dụng, mà vì prompt engineering đã lùi lại phía sau để trở thành một năng lực nền tảng bắt buộc phải có — giống như kỹ năng tìm kiếm Google, sử dụng bảng tính Excel hay thiết kế slide PowerPoint của thập kỷ trước. Doanh nghiệp ngày nay không còn hào hứng đi tìm một câu prompt “vi diệu”. Điều họ trăn trở là làm sao đưa AI vào quy trình vận hành thực tế (workflow): AI lấy dữ liệu từ đâu, thực hiện những bước nào, kết nối với hệ thống cốt lõi nào, ai kiểm soát kết quả, khi nào cần phê duyệt (Human-in-the-loop) và làm sao đo lường được hiệu quả kinh tế (ROI)?
Xu hướng này cũng được khắc họa rất rõ nét tại AI Engineer World’s Fair 2026. Nếu ba năm trước, tâm điểm thảo luận là prompt engineering, AutoGPT hay các mô hình tự chủ sơ khai, thì năm nay, những từ khóa thống trị hội nghị là coding agent, harness, context, evaluation, workflow, loop và việc tích hợp hệ thống sản xuất thực tế.
Dưới đây là 5 xu hướng lớn phản ánh sự dịch chuyển từ “công cụ cá nhân” sang “năng lực vận hành tổ chức” mà mọi nhà lãnh đạo và kỹ sư công nghệ cần thấu suốt trong năm 2026.
1. Từ mô hình (Model) đến hệ thống bao quanh agent (Harness)
Một mô hình ngôn ngữ lớn (LLM) dù mạnh mẽ đến đâu cũng mới chỉ là cái động cơ. Để cái động cơ ấy biến thành một cỗ máy có thể vận hành trơn tru và an toàn trong doanh nghiệp, chúng ta cần một hệ thống bao quanh nó: bao gồm workflow, dữ liệu cấu trúc, bộ nhớ dài hạn, phân quyền truy cập, công cụ kết nối, cơ chế kiểm tra lỗi, nhật ký hoạt động (logging) và quan trọng nhất là các điểm dừng kiểm soát của con người.
Toàn bộ hệ thống hạ tầng và môi trường bao quanh mô hình này được giới công nghệ gọi là Harness (bộ yên cương/khung đỡ).
Harness quản lý cách thức một AI Agent nhận nhiệm vụ, truy vấn ngữ cảnh chính xác, gọi API sử dụng công cụ, lưu trữ trạng thái phiên làm việc, tự đánh giá kết quả và tự động sửa sai trước khi bàn giao. Những công cụ như Claude Code, Codex, Gemini CLI, Cursor hay Warp đang tạo ra giá trị to lớn không chỉ nhờ mô hình nền tảng mạnh, mà bởi chúng đã xây dựng được một “harness” tuyệt vời giúp mô hình làm việc có kỷ luật, hạn chế tối đa sự ảo tưởng (hallucination).
Lời khuyên cho doanh nghiệp: Câu hỏi quan trọng của bạn không còn là “GPT, Claude hay Gemini mạnh hơn?”. Câu hỏi đáng đầu tư nguồn lực hơn là: “Hệ thống harness nào có thể đưa mô hình vào quy trình nghiệp vụ thật, kết nối với nguồn dữ liệu thật và vận hành an toàn trong giới hạn rủi ro chấp nhận được của tổ chức?”
2. Từ câu lệnh (Prompt) đến quy trình (Workflow) và vòng lặp (Loop)
Một prompt thường chỉ khởi đầu cho một lần thực hiện tác vụ đơn lẻ (ad-hoc task). Trái lại, workflow định nghĩa cả một chuỗi công việc liên kết chặt chẽ. Và Loop (Vòng lặp) bổ sung cho chuỗi công việc đó khả năng quan sát kết quả đầu ra, nhận phản hồi, điều chỉnh hành vi và thực hiện lại cho đến khi đạt tiêu chuẩn chất lượng, hoặc chủ động chuyển giao cho con người xử lý khi gặp ca khó.
Nếu agent chỉ làm nhiệm vụ tóm tắt một văn bản hay soạn một email đơn giản, một prompt hay là đủ. Nhưng khi doanh nghiệp muốn AI tham gia xử lý hồ sơ tín dụng, phân loại và xử lý sự cố mạng viễn thông, kiểm tra tính pháp lý của hợp đồng thương mại, hay tạo và tự động kiểm thử phần mềm, chúng ta bắt buộc phải thiết kế một hệ thống vòng lặp hoàn chỉnh.
Trong hệ thống đó, AI Agent đảm nhận phần thực thi bên trong (inner loop — nơi agent viết code, chạy thử, đọc lỗi và sửa lỗi), trong khi con người giữ vai trò kiểm soát ở vòng ngoài (outer loop — đặt mục tiêu, thiết lập tiêu chuẩn, giám sát tín hiệu bất thường và phê duyệt tại các điểm rủi ro nhạy cảm).
Như Addy Osmani (Google) đã nhận định tại hội nghị: Agent có thể tự chủ hơn rất nhiều trong inner loop, nhưng việc thiết lập và vận hành outer loop vẫn hoàn toàn là công việc kỹ thuật và trách nhiệm của con người.
Điều này phản ánh một nguyên tắc cốt lõi tôi thường nhấn mạnh khi tư vấn cho các doanh nghiệp: Đừng bắt đầu bằng câu hỏi “AI có thể làm được gì?”. Hãy bắt đầu bằng việc vẽ lại quy trình hiện tại. Bước nào đang nghẽn? Bước nào lặp đi lặp lại? Bước nào đòi hỏi phán đoán của chuyên gia? Dữ liệu nguồn nằm ở đâu? Ai chịu trách nhiệm phê duyệt và hậu quả sẽ ra sao nếu AI đưa ra kết quả sai lệch?
3. Sự lên ngôi của Forward Deployed Engineer (FDE) thế chỗ cho Prompt Engineer
Sự dịch chuyển từ prompt sang workflow kéo theo sự thay đổi về nhu cầu nhân sự. Vai trò “Prompt Engineer” (Kỹ sư câu lệnh) từng được tung hô với mức lương trên trời đang nhanh chóng thoái trào. Thay vào đó, một vai trò mới, thực tế và quan trọng hơn nhiều đang trỗi dậy mạnh mẽ: Forward Deployed Engineer (FDE) - Kỹ sư Triển khai Thực địa.
FDE là những kỹ sư làm việc trực tiếp tại “chiến trường” — tức là đi sâu vào phòng ban của doanh nghiệp — để biến năng lực thô của AI thành một hệ thống tích hợp thực tế.
Một FDE xuất sắc phải là người song kiến: họ hiểu sâu về công nghệ (API, mô hình, kiến trúc dữ liệu) nhưng cũng phải am tường quy trình nghiệp vụ của tổ chức. Họ cần ngồi cùng người dùng cuối để hiểu nỗi đau của họ, xử lý các bài toán về phân quyền dữ liệu, thiết kế cơ chế Human-in-the-loop (con người kiểm soát) và chứng minh được chỉ số ROI đủ rõ ràng để doanh nghiệp tiếp tục vận hành hệ thống sau khi đội triển khai rút đi.
Khoảng cách giữa một Prompt Engineer và một Forward Deployed Engineer chính là khoảng cách giữa việc “làm cho một chatbot trả lời hay hơn” với việc “làm cho cả một quy trình vận hành hiệu quả hơn”.
4. Coding Agent và mô hình “Nhà máy phần mềm”
Năm 2023, AI hỗ trợ lập trình (như Github Copilot) chủ yếu đóng vai trò như một tính năng autocomplete nâng cấp — lập trình viên viết code và AI đoán dòng tiếp theo. Đến năm 2026, các Coding Agent đã tiến hóa vượt bậc. Chúng có thể nhận một yêu cầu nghiệp vụ khái quát, tự đọc hiểu toàn bộ codebase hiện tại, tự chỉnh sửa đồng thời nhiều file liên quan, chạy các lệnh kiểm thử (test suite), phân tích log lỗi và liên tục lặp lại quá trình sửa lỗi trước khi trình kết quả sạch cho kỹ sư phê duyệt.
Sự xuất hiện của coding agent đang định nghĩa lại giao diện và bản chất của nghề lập trình. Kỹ sư phần mềm ngày nay dành ít thời gian hơn cho việc gõ từng dòng code cụ thể. Thay vào đó, họ tập trung vào:
Định nghĩa rõ ràng bài toán và phạm vi thiết kế.
Thiết kế kiến trúc hệ thống và luồng dữ liệu.
Phân chia nhiệm vụ cho các agent chuyên biệt.
Thiết lập môi trường kiểm thử (test harness) chuẩn mực.
Đánh giá chất lượng và quản trị rủi ro hệ thống.
Một số chuyên gia gọi mô hình này là Software Factory (Nhà máy sản xuất phần mềm). Tuy nhiên, tôi thích hình ảnh Dàn nhạc giao hưởng hơn. Các AI Agent giống như những nhạc công điêu luyện: họ có thể chơi nhạc rất nhanh, không biết mệt mỏi và xử lý các đoạn kỹ thuật khó cực kỳ chính xác. Nhưng người kỹ sư công nghệ bắt buộc phải là Nhạc trưởng — giữ nhịp, chỉ huy sự phối hợp và biết lúc nào cả dàn nhạc đang chơi rất nhanh... nhưng đi lệch tông nhạc chiến lược.
5. Skills trở thành tài sản tri thức số của doanh nghiệp
Một xu hướng vô cùng thú vị trong quản trị tri thức năm 2026 là Agent Skills (Kỹ năng của Agent). Skill có thể được định nghĩa một cách đơn giản là các tệp tài liệu Markdown, nhưng bên trong chứa đựng toàn bộ workflow chi tiết, các quy tắc nghiệp vụ, tiêu chuẩn chất lượng và tích lũy kinh nghiệm thực tế mà một chuyên gia lâu năm thường sử dụng để hoàn thành công việc.
Trước đây, kinh nghiệm xử lý một sự cố mạng phức tạp, quy trình đánh giá rủi ro hồ sơ tín dụng, cách thẩm định một thiết kế kỹ thuật hay phương pháp lập báo cáo tài chính... thường nằm trong đầu của một vài nhân sự kỳ cựu. Khi họ rời đi, tri thức đó cũng biến mất.
Giờ đây, thông qua việc đóng gói thành các “Skill” chuẩn hóa, tri thức đó được số hóa thành tài sản của tổ chức. Hệ thống harness sẽ nạp các Skill này để hướng dẫn các AI Agent thực thi công việc một cách nhất quán và có kỷ luật.
Tuy nhiên, cần lưu ý: Skill không phải là thứ viết một lần rồi dùng mãi mãi. Khi mô hình thay đổi, nghiệp vụ doanh nghiệp cập nhật, các file Skill này cũng phải được bảo trì, đánh giá chất lượng (skill evaluation) và làm mới liên tục. Nếu không, sự “tự chủ thiếu cấu trúc” của agent sẽ tạo ra một lượng rác hệ thống khổng lồ cho doanh nghiệp.
Kết luận: Kỷ nguyên mới của Chuyển đổi AI (AI Transformation)
Thời kỳ của những “câu prompt thần thánh” đang chính thức khép lại. Giá trị thực tế của AI trong doanh nghiệp đang dịch chuyển mạnh mẽ:
Từ Prompt (Câu lệnh) sang Context (Ngữ cảnh dữ liệu).
Từ Tác vụ đơn lẻ (Task) sang Quy trình tổng thể (Workflow).
Từ Mô hình đơn độc sang Hệ thống bao quanh (Harness).
Từ Câu trả lời đẹp mắt sang Kết quả có thể kiểm chứng và đo lường.
Từ Công cụ năng suất cá nhân sang Năng lực vận hành tổ chức.
Nhiều doanh nghiệp hiện tại đã trang bị tài khoản AI cho nhân viên, và một bộ phận nhân sự đã sử dụng khá thành thạo. Nhưng ở quy mô tổ chức, họ vẫn đang loay hoay vì thiếu một quy trình (workflow) chuẩn, thiếu dữ liệu được làm sạch và tổ chức tốt (context), thiếu cơ chế kiểm định chất lượng tự động và đặc biệt là thiếu những con người chịu trách nhiệm thiết kế, giám sát hệ thống AI.
Chặng đường tiếp theo của hành trình AI Transformation sẽ không được quyết định bởi việc nhân viên của ai viết prompt hay hơn. Nó sẽ được định đoạt bởi tổ chức nào thiết kế được những quy trình vận hành thông minh — nơi con người và các AI Agent phối hợp với nhau một cách đáng tin cậy, có kiểm soát và mang lại giá trị thực tế đo lường được.