# AI Agent là gì và doanh nghiệp nên giao việc nào cho AI Agent

> Doanh nghiệp nào cũng nghe nói phải làm AI, nhưng khi ngồi xuống họp thì câu hỏi thật là áp vào việc nào để ra kết quả, và dự án thử nghiệm nào sẽ không tốn

URL: https://mona.software/ai-agent-la-gi/
Ngày đăng: 2026-10-05T15:03:26+07:00
Cập nhật: 2026-10-05T15:49:57+07:00
Tác giả: monamedia

Doanh nghiệp nào cũng nghe nói phải làm AI, nhưng khi ngồi xuống họp thì câu hỏi thật là áp vào việc nào để ra kết quả, và dự án thử nghiệm nào sẽ không tốn tiền vô ích. **AI Agent là gì?** Đó là một chương trình dùng mô hình ngôn ngữ để tự quyết bước tiếp theo, tự gọi công cụ như cơ sở dữ liệu, API, email, rồi lặp lại cho đến khi xong việc. Việc nào hợp để giao cho nó? Việc lặp lại mỗi ngày, có đầu vào rõ, có kết quả máy kiểm được, và sai thì sửa được. Bài này đi qua định nghĩa gốc của Anthropic, bảng so sánh với chatbot và quy trình tự động, năm tiêu chí chọn việc, hai số liệu của Gartner và cách thử một AI Agent trên dữ liệu thật trước khi bỏ tiền xây. Nguồn tra ngày 05/10/2026.

## AI Agent khác chatbot và quy trình tự động thế nào

Anthropic, công ty tạo ra Claude, phân biệt hai loại hệ thống trong bài kỹ thuật [Building effective agents](https://www.anthropic.com/engineering/building-effective-agents). Workflow là hệ thống mà mô hình và công cụ được điều phối theo những đường code viết sẵn. Agent là hệ thống mà mô hình tự điều khiển quy trình và cách dùng công cụ của chính nó. Nói theo ngôn ngữ doanh nghiệp, workflow giống một dây chuyền đã vạch sẵn từng trạm, còn agent nhận mục tiêu rồi tự chọn trạm nào đi trước, trạm nào bỏ qua.

![So sánh chatbot, quy trình tự động và AI Agent tự chọn công cụ](https://mona.software/wp-content/uploads/2026/10/so-sanh-chatbot-quy-trinh-tu-dong-ai-agent-mona.webp)

Chatbot trả lời một câu, quy trình tự động chạy đúng các bước định sẵn, còn AI Agent tự chọn công cụ và quay lại kiểm kết quả.

Một chatbot trả lời câu hỏi và dừng ở đó. Một quy trình tự động kiểu RPA chạy đúng kịch bản, lệch một ô nhập liệu là hỏng. Agent nằm ở giữa và xa hơn: nó đọc tình huống, chọn công cụ, xem kết quả, rồi quyết định bước kế tiếp. Bảng dưới đặt ba loại cạnh nhau để thấy chỗ dùng của từng loại.

| Loại hệ thống | Ai quyết bước tiếp theo | Chạm vào hệ thống khác | Hợp với việc | Rủi ro chính |
| --- | --- | --- | --- | --- |
| Chatbot hỏi đáp | Không có bước tiếp, chỉ trả lời | Thường chỉ đọc tài liệu | Trả lời câu hỏi lặp từ kho tri thức | Trả lời sai hoặc bịa |
| Quy trình tự động (workflow, RPA) | Code viết sẵn | Có, theo kịch bản cố định | Việc có các bước không đổi | Gãy khi dữ liệu hoặc giao diện đổi |
| AI Agent | Mô hình ngôn ngữ, trong giới hạn quyền được cấp | Có, chọn công cụ theo tình huống | Việc nhiều biến thể, đầu vào không đồng đều | Làm sai hành động có hậu quả nếu cấp quyền rộng |

Anthropic khuyên bắt đầu bằng giải pháp đơn giản nhất và chỉ thêm độ phức tạp khi cần, vì agent đổi tốc độ và chi phí lấy chất lượng. Câu này đáng đọc kỹ trước khi ký một dự án agent: nếu việc có thể viết thành workflow cố định thì workflow rẻ hơn, nhanh hơn và dễ kiểm hơn, đồng thời không phụ thuộc vào việc mô hình đoán đúng bước kế tiếp. Bài [Agentic AI là gì](https://mona.software/agentic-ai-la-gi/) của MONA đi sâu hơn vào sáu lớp kỹ thuật của một hệ agent, còn bài này tập trung vào chuyện chọn việc.

## Một AI Agent gồm những phần nào

Dù viết bằng thư viện nào, agent nào cũng có năm phần. Mô hình ngôn ngữ làm bộ não suy luận. Bộ công cụ là các hàm agent được phép gọi, ví dụ tra đơn hàng, tạo phiếu, gửi thông báo. Ngữ cảnh gồm hướng dẫn, dữ liệu vừa đọc và lịch sử các bước đã làm. Vòng lặp cho agent gọi công cụ, đọc kết quả, quyết định tiếp cho đến khi đạt điều kiện dừng. Cuối cùng là lớp quyền và ghi log, nơi hệ thống quy định agent được chạm vào đâu và lưu lại mọi lần chạm. Phần thứ năm hay bị bỏ quên khi làm thử, và cũng là phần quyết định agent có vào được môi trường thật hay không. Một agent chạy ổn trong bản demo mà không có giới hạn quyền, không có log, sẽ không qua được cuộc họp với bộ phận bảo mật.

![Sơ đồ augmented LLM của Anthropic nối truy xuất, công cụ và bộ nhớ](https://mona.software/wp-content/uploads/2026/10/anthropic-augmented-llm-truy-xuat-cong-cu-bo-nho-mona.webp)

Khối nền của một agent theo Anthropic: mô hình ngôn ngữ nối với truy xuất dữ liệu, công cụ và bộ nhớ. Nguồn: bài Building effective agents, chụp ngày 05/10/2026.

![Màn hình thống kê trong phần mềm MONA làm cho The IELTS Workshop](https://mona.software/wp-content/themes/monatheme/home-v2/assets/img/cs/ielts-thongke.webp)

Phần mềm cho việc này

Quy trình đang chạy mà phần mềm có sẵn không làm được?

MONA khảo sát nghiệp vụ trước dòng code đầu tiên.

[Viết phần mềm theo yêu cầu](https://mona.software/viet-phan-mem-theo-yeu-cau/)[Xem case study](https://mona.software/#case-study)

## Việc nào hợp để giao cho AI Agent

Năm tiêu chí dưới đây giúp lọc danh sách việc của một phòng ban trước khi nghĩ tới công nghệ.

1. **Việc lặp lại đều đặn.** Mỗi ngày hoặc mỗi tuần có hàng chục tới hàng nghìn ca giống nhau về loại, khác nhau về chi tiết. Việc mỗi năm chạy ba lần không bù được chi phí xây.
2. **Đầu vào có thể đọc bằng máy.** Email, PDF, bảng tính, bản ghi trong CRM, giao dịch ngân hàng. Việc phụ thuộc vào cuộc nói chuyện miệng không có dữ liệu để agent làm.
3. **Kết quả kiểm được bằng quy tắc.** Số tiền khớp hay không, trường bắt buộc đủ hay thiếu, mã đơn có tồn tại hay không. Anthropic chỉ ra rằng coding agent làm tốt vì kiểm thử tự động xác nhận được đúng sai, và cùng logic đó áp cho mọi việc có phép kiểm rõ.
4. **Sai thì sửa được.** Nhập nhầm một dòng báo cáo sửa lại trong một phút, còn chuyển nhầm tiền hay xoá nhầm dữ liệu khách thì không đảo ngược được.
5. **Hệ thống đích có API hoặc giao diện ổn định.** Agent cần một cửa vào có tài liệu, có xác thực, có giới hạn tần suất.

Áp năm tiêu chí vào các việc hay gặp ở doanh nghiệp vừa và nhỏ, ta được bảng sau. Đây là ví dụ minh hoạ cách chấm, mỗi doanh nghiệp tự chấm lại theo dữ liệu của mình.

| Việc | Lặp | Đầu vào máy đọc được | Kiểm được bằng quy tắc | Sai sửa được | Kết luận |
| --- | --- | --- | --- | --- | --- |
| Đối soát giao dịch chuyển khoản với đơn hàng | Hàng ngày | Có, webhook và sao kê | Có, khớp số tiền và nội dung | Có, tạo bản ghi chênh lệch | Hợp |
| Phân loại và gán phiếu hỗ trợ theo nhóm | Hàng ngày | Có, nội dung phiếu | Một phần, theo danh mục | Có, đổi nhóm sau | Hợp |
| Rà hợp đồng theo danh sách điều khoản cần có | Hàng tuần | Có, file hợp đồng | Có, theo checklist | Có, chưa ký thì chưa có hậu quả | Hợp, xem [AI Agent pháp chế](https://mona.software/ai-agent-phap-che-soan-hop-dong/) |
| Tổng hợp báo cáo tuần từ CRM và bảng tính | Hàng tuần | Có | Có, đối chiếu số gốc | Có | Hợp |
| Chuyển tiền cho nhà cung cấp | Hàng ngày | Có | Có | Không | Chỉ chạy sau bước xác nhận bắt buộc của hệ thống |
| Quyết định chiết khấu lớn cho một khách | Thỉnh thoảng | Một phần | Không | Khó | Chưa hợp |

## Gartner dự báo gì về AI Agent trong ứng dụng doanh nghiệp

Ngày 26/08/2025, Gartner dự báo trong [thông cáo](https://www.gartner.com/en/newsroom/press-releases/2025-08-26-gartner-predicts-40-percent-of-enterprise-apps-will-feature-task-specific-ai-agents-by-2026-up-from-less-than-5-percent-in-2025) rằng 40% ứng dụng doanh nghiệp sẽ tích hợp agent chuyên một nhiệm vụ vào cuối năm 2026, tăng từ dưới 5% của năm 2025. Hiểu đơn giản, phần mềm CRM, kế toán, quản lý dự án doanh nghiệp đang dùng sẽ lần lượt có agent đi kèm. Hai tháng trước đó, ngày 25/06/2025, cũng Gartner nêu trong [một thông cáo khác](https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027) rằng hơn 40% dự án agentic AI sẽ bị huỷ trước cuối năm 2027, vì chi phí tăng, giá trị kinh doanh chưa rõ hoặc kiểm soát rủi ro không đủ. Thông cáo cũng nói về “agent washing”, tức nhà cung cấp gắn nhãn agent lên chatbot hoặc RPA có sẵn, và ước tính chỉ khoảng 130 trong hàng nghìn nhà cung cấp agentic AI là thật. Ghép hai con số lại, thị trường đang mở rộng nhanh còn tỉ lệ dự án chết cũng cao. Ba lý do huỷ mà Gartner nêu (chi phí, giá trị, rủi ro) trùng với ba câu hỏi nên trả lời trước khi bắt đầu: một ca xử lý tốn bao nhiêu, đo kết quả bằng chỉ số nào, agent được chạm vào đâu.

## Cách thử một AI Agent trên dữ liệu thật trước khi xây

Trước khi viết dòng code nào, mô tả việc thành một phiếu một trang. Phiếu trả lời năm câu hỏi: đầu vào là gì, đầu ra là gì, công cụ nào được gọi, quyền tới đâu, khi nào dừng và chuyển cho người xử lý. Quy trình thử gồm 5 bước: viết phiếu, gom ca thật, chạy agent, đo kết quả, rồi quyết định xây hay đổi việc. Ví dụ minh hoạ cho việc đối soát chuyển khoản:

```
agent: doi-soat-chuyen-khoan
dau_vao: giao dich ngan hang moi (so tien, noi dung, thoi gian, ma giao dich)
dau_ra: ban ghi khop don | ban ghi chenh lech kem ly do
cong_cu:
  - tim_don_hang(ma_don)        # chi doc
  - danh_dau_da_thanh_toan(ma_don, ma_giao_dich)   # ghi, can ma giao dich chua tung dung
  - tao_ban_ghi_chenh_lech(ly_do)
quyen: khong xoa, khong hoan tien, khong sua so tien
dung_va_chuyen_xu_ly_khi: so tien lech, noi dung khong tim ra ma don, giao dich trung
gioi_han: 200 giao dich moi lan chay
```

Sau đó gom 30 đến 50 ca thật trong quá khứ, gồm cả ca khó, rồi chạy agent trên từng ca và ghi ba chỉ số: tỉ lệ ra đúng kết quả, chi phí mỗi ca, số ca agent dừng lại và chuyển xử lý. Nếu tỉ lệ đúng thấp hơn mức doanh nghiệp chấp nhận thì sửa phiếu hoặc đổi việc, chưa cần xây. Cách làm này rẻ vì chỉ dùng dữ liệu cũ và một ngày công, đồng thời cho ra con số thật để so với chi phí xây.

![AI Agent chạy thử trên bản sao dữ liệu, dữ liệu gốc khoá riêng](https://mona.software/wp-content/uploads/2026/10/thu-ai-agent-tren-ban-sao-du-lieu-mona.webp)

Chạy thử trên bản sao các ca cũ, dữ liệu gốc không bị đụng tới, rồi so kết quả agent với kết quả đúng từng ca.

## Cấp quyền cho agent theo ba nguyên nhân OWASP chỉ ra

Tổ chức OWASP xếp lỗi cấp quá nhiều quyền cho hệ thống dùng mô hình ngôn ngữ vào danh sách rủi ro chính, mục [LLM06:2025 Excessive Agency](https://genai.owasp.org/llmrisk/llm062025-excessive-agency/). OWASP chỉ ra ba nguyên nhân gốc và cách giảm cho từng nguyên nhân, đủ dùng như danh sách kiểm khi thiết kế phiếu agent ở trên.

| Nguyên nhân | Biểu hiện | Cách giảm theo OWASP |
| --- | --- | --- |
| Quá nhiều chức năng | Công cụ đọc email nhưng còn kèm hàm gửi và xoá | Chỉ gắn những hàm việc đó cần, tránh công cụ mở như chạy lệnh shell |
| Quá nhiều quyền | Kết nối cơ sở dữ liệu có quyền UPDATE và DELETE trong khi việc chỉ cần SELECT | Chạy theo quyền của đúng người dùng, mỗi lệnh gọi xuống hệ thống phía sau đều được kiểm |
| Quá nhiều tự chủ | Hành động có hậu quả lớn chạy mà không có bước xác nhận | Đặt bước xác nhận cho hành động có tác động cao |

Một agent có phiếu mô tả chặt như vậy dễ đưa vào kiểm tra bảo mật hơn nhiều so với agent được cấp một khoá API toàn quyền. Phần giữ an toàn nằm ở thiết kế quyền và log, không nằm ở việc dặn mô hình “đừng làm bậy” trong lời nhắc. Lời nhắc có thể bị người dùng hoặc nội dung đọc vào ghi đè, còn quyền cấp ở tầng hệ thống thì mô hình không vượt qua được. Mỗi công cụ thêm vào phiếu nên đi kèm một dòng giải thích vì sao việc này cần nó. Dòng nào không giải thích được thì bỏ công cụ đó ra.

![Giới hạn chức năng, quyền và mức tự quyết của AI Agent](https://mona.software/wp-content/uploads/2026/10/gioi-han-chuc-nang-quyen-tu-quyet-ai-agent-mona.webp)

Ba chỗ cần vặn nhỏ theo OWASP: số chức năng agent có, quyền trên từng hệ thống, và việc nào agent được tự làm mà không dừng lại.

## Từ phiếu một trang tới AI Agent chạy trong hệ thống doanh nghiệp

Khi phiếu đã qua phép thử trên dữ liệu cũ, bước tiếp theo là nối agent vào phần mềm đang dùng và đặt nó vào môi trường có theo dõi. MONA viết AI Agent theo quy trình riêng của từng doanh nghiệp, từ khảo sát việc lặp đến vận hành, trang [viết AI Agent cho doanh nghiệp](https://mona.software/viet-ai-agent-theo-yeu-cau/) mô tả quy trình đó. Agent cần nơi chạy và nơi lưu dữ liệu: [MONA Cloud](https://monacloud.vn) cho phép đưa ứng dụng lên chạy bằng một dòng lệnh, thanh toán bằng VND có VAT, còn [MONA Base](https://monabase.vn) cung cấp Postgres, Auth, Storage và pgvector trên hạ tầng đặt tại Việt Nam. Nếu agent cần nhận biết tiền vào tài khoản, bài [webhook thanh toán](https://mona.software/webhook-thanh-toan-la-gi-cach-tich-hop/) giải thích luồng sự kiện mà ví dụ đối soát ở trên dựa vào, và [MONA Pay](https://monapay.vn) báo có chuyển khoản tới website, Telegram, Zalo và email ngay khi khách chuyển tiền. Các công nghệ MONA tự xây được liệt kê ở trang [công nghệ](https://mona.software/cong-nghe/), và [bảng giá](https://mona.software/bang-gia/) cập nhật theo từng nhóm sản phẩm. Doanh nghiệp đã có danh sách việc lặp và muốn biết việc nào qua được năm tiêu chí, gọi hotline 1900 636 648 và gửi phiếu một trang theo mẫu ở trên, MONA đọc rồi trả lời việc nào nên làm workflow, việc nào cần agent.

![Trang dịch vụ viết AI Agent cho doanh nghiệp của MONA Software](https://mona.software/wp-content/uploads/2026/10/mona-viet-ai-agent-cho-doanh-nghiep-mona.webp)

Trang viết AI Agent cho quy trình riêng của doanh nghiệp trên mona.software, chụp ngày 05/10/2026.

## Hỏi đáp

### AI Agent có thay được chatbot chăm sóc khách hàng không?

Hai loại phục vụ mục đích khác nhau. Chatbot trả lời câu hỏi từ kho tri thức, agent thực hiện thao tác trên hệ thống như tra đơn, tạo phiếu, cập nhật trạng thái. Khách hàng nhắn hỏi tình trạng đơn thì cần một chatbot có quyền tra cứu, ranh giới giữa hai loại mờ dần khi chatbot được gắn công cụ. Trang [chatbot chăm sóc khách hàng đa kênh](https://mona.software/chatbot-cham-soc-khach-hang/) mô tả phần này.

### Làm AI Agent có cần dữ liệu sạch từ trước không?

Cần đủ dùng cho đúng việc đang thử, chưa cần sạch toàn công ty. Phép thử 30 đến 50 ca thật cho biết dữ liệu hiện tại đã đủ chưa. Nếu agent sai nhiều vì thiếu trường hoặc nhập lộn xộn, phần việc đầu tiên là chuẩn hoá nguồn dữ liệu đó. Làm bước này trước cũng giúp mọi phần mềm khác của doanh nghiệp, không riêng agent.

### AI Agent chạy trên AI của nhà cung cấp bên ngoài hay tự dựng AI riêng?

Hai hướng đều có chỗ dùng, tuỳ dữ liệu có được gửi ra ngoài hay không. MONA đã tổng hợp so sánh trong bài nghiên cứu [AI local hay tài khoản AI cho doanh nghiệp](https://mona.software/nghien-cuu/ai-local-hay-tai-khoan-ai/), đọc trước khi chọn.

### Một AI Agent tốn bao nhiêu chi phí để chạy?

Chi phí gồm tiền gọi mô hình theo số ca, hạ tầng chạy agent và công bảo trì. Con số cụ thể phụ thuộc mô hình chọn và số ca mỗi tháng, nên cách đúng là đo chi phí mỗi ca trong phép thử trên dữ liệu cũ rồi nhân với khối lượng dự kiến. Các nhà cung cấp mô hình thường niêm yết giá theo mỗi 1 triệu token, nên số token trung bình của một ca là con số cần đo. Bảng giá dịch vụ của MONA nằm ở trang [bảng giá](https://mona.software/bang-gia/).

### Làm sao biết nhà cung cấp đang bán AI Agent thật hay chatbot đổi tên?

Hỏi ba điều: agent chọn công cụ theo tình huống hay chạy theo kịch bản cố định, nó gọi được những hệ thống nào và với quyền gì, log mỗi lần chạy lưu ở đâu. Gartner gọi việc dán nhãn agent lên sản phẩm cũ là agent washing, và ba câu hỏi trên lọc được phần lớn trường hợp đó.

## Đọc thêm

- [MCP server là gì và cách cho AI Agent dùng phần mềm nội bộ an toàn](https://mona.software/mcp-server-la-gi/)
- [Từ vibe coding lên hệ thống chạy thật: việc phải làm trước khi mở cho khách](https://mona.software/vibe-coding-len-he-thong-chay-that/)

## Câu hỏi thường gặp

### AI Agent có thay được chatbot chăm sóc khách hàng không?

Hai loại phục vụ mục đích khác nhau. Chatbot trả lời câu hỏi từ kho tri thức, agent thực hiện thao tác trên hệ thống như tra đơn, tạo phiếu, cập nhật trạng thái. Khách hàng nhắn hỏi tình trạng đơn thì cần một chatbot có quyền tra cứu, ranh giới giữa hai loại mờ dần khi chatbot được gắn công cụ. Trang chatbot chăm sóc khách hàng đa kênh mô tả phần này.

### Làm AI Agent có cần dữ liệu sạch từ trước không?

Cần đủ dùng cho đúng việc đang thử, chưa cần sạch toàn công ty. Phép thử 30 đến 50 ca thật cho biết dữ liệu hiện tại đã đủ chưa. Nếu agent sai nhiều vì thiếu trường hoặc nhập lộn xộn, phần việc đầu tiên là chuẩn hoá nguồn dữ liệu đó. Làm bước này trước cũng giúp mọi phần mềm khác của doanh nghiệp, không riêng agent.

### AI Agent chạy trên AI của nhà cung cấp bên ngoài hay tự dựng AI riêng?

Hai hướng đều có chỗ dùng, tuỳ dữ liệu có được gửi ra ngoài hay không. MONA đã tổng hợp so sánh trong bài nghiên cứu AI local hay tài khoản AI cho doanh nghiệp, đọc trước khi chọn.

### Một AI Agent tốn bao nhiêu chi phí để chạy?

Chi phí gồm tiền gọi mô hình theo số ca, hạ tầng chạy agent và công bảo trì. Con số cụ thể phụ thuộc mô hình chọn và số ca mỗi tháng, nên cách đúng là đo chi phí mỗi ca trong phép thử trên dữ liệu cũ rồi nhân với khối lượng dự kiến. Các nhà cung cấp mô hình thường niêm yết giá theo mỗi 1 triệu token, nên số token trung bình của một ca là con số cần đo. Bảng giá dịch vụ của MONA nằm ở trang bảng giá.

### Làm sao biết nhà cung cấp đang bán AI Agent thật hay chatbot đổi tên?

Hỏi ba điều: agent chọn công cụ theo tình huống hay chạy theo kịch bản cố định, nó gọi được những hệ thống nào và với quyền gì, log mỗi lần chạy lưu ở đâu. Gartner gọi việc dán nhãn agent lên sản phẩm cũ là agent washing, và ba câu hỏi trên lọc được phần lớn trường hợp đó.