Tiếng Việt: What Are AI Agents

Thứ Hai đầu sprint, bạn nhận được yêu cầu từ CEO: "Trước cuộc họp chiều thứ Năm, cho anh biết đối thủ X vừa ra tính năng gì mới, khách hàng mình đang phàn nàn nhiều nhất về điều gì trong 3 tháng qua, và đề xuất top 3 hướng cải tiến cho quý tới." Theo cách làm truyền thống, đây là một task tốn ít nhất 2-3 ngày: bạn phải tự lên web đối thủ xem changelog, đọc lại hàng trăm support ticket trên Zendesk, lọc review trên App Store/Google Play, rồi ngồi tổng hợp thành một slide Notion hay Confluence. Với một AI agent (tác nhân AI) được thiết lập đúng cách, cùng một task đó có thể rút xuống còn vài giờ — không phải vì AI "biết trước" câu trả lời, mà vì nó có thể tự mình đi tìm dữ liệu, đọc, tổng hợp, và chỉ quay lại hỏi bạn khi cần quyết định mang tính phán đoán nghiệp vụ.

Đây chính là điểm khác biệt cốt lõi mà bài học này muốn làm rõ: AI agent không chỉ là "ChatGPT nhưng xịn hơn". Nó là một lớp năng lực hoàn toàn mới — khả năng tự lên kế hoạch, tự dùng công cụ (tool), tự kiểm tra kết quả, và lặp lại quy trình đó cho đến khi đạt mục tiêu — và nó đang thay đổi cách một PM, PO, hay BA làm việc hàng ngày nhanh hơn bất kỳ làn sóng công nghệ nào trước đây. Bài này sẽ giúp bạn hiểu đúng bản chất AI agent bằng ngôn ngữ phi kỹ thuật, phân biệt nó với các công cụ AI khác bạn đã quen dùng, và quan trọng nhất — biết chính xác nó làm được gì và chưa làm được gì cho công việc product của bạn ngay hôm nay.

AI Agent Là Gì? Từ LLM, Tool Use, Đến Vòng Lặp Tự Hành

Để hiểu AI agent, trước tiên bạn cần hiểu ba lớp khái niệm xếp chồng lên nhau: LLM (Large Language Model — mô hình ngôn ngữ lớn), tool use (khả năng dùng công cụ), và autonomous loop (vòng lặp tự hành). Đây không phải ba công nghệ tách biệt, mà là ba tầng năng lực được xây trên nhau, và một AI agent thực sự chỉ xuất hiện khi có đủ cả ba tầng.

Tầng 1: LLM — Bộ Não Ngôn Ngữ Nhưng Không Có Tay Chân

LLM như GPT, Claude, Gemini về bản chất là một hệ thống được huấn luyện để dự đoán từ tiếp theo hợp lý nhất dựa trên toàn bộ văn bản nó đã đọc. Khi bạn hỏi ChatGPT "Sprint tuần này có bao nhiêu bug open?", nó không thể trả lời chính xác — vì nó không có "tay chân" để tự đi vào Jira của bạn mà xem. Nó chỉ có thể trả lời dựa trên những gì bạn gõ vào ô chat (gọi là context window — cửa sổ ngữ cảnh, tức là lượng văn bản mô hình có thể "nhìn thấy" cùng lúc). Nếu bạn không paste dữ liệu Jira vào, nó sẽ hoặc từ chối trả lời, hoặc tệ hơn — bịa ra một con số nghe có vẻ hợp lý (hiện tượng này gọi là hallucination — ảo giác AI, khi mô hình tạo ra thông tin sai nhưng trình bày như thật).

Đây chính là giới hạn của một LLM "trần" (plain LLM): nó là một bộ não cực kỳ giỏi ngôn ngữ và suy luận, nhưng bị nhốt trong một hộp — chỉ biết những gì bạn đưa vào, và chỉ trả lời bằng văn bản, không tự làm được gì khác ngoài viết chữ ra màn hình.

Tầng 2: Tool Use — Khi AI Được Trao Tay Chân

Tool use (sử dụng công cụ, còn gọi là function calling) là bước đột phá thay đổi cuộc chơi. Thay vì chỉ trả lời bằng chữ, LLM giờ được kết nối với các công cụ thực — truy vấn Jira API, đọc file Google Sheet, tìm kiếm trên web, chạy một câu SQL vào database, gửi email. Khi bạn hỏi "Sprint tuần này có bao nhiêu bug open?", một AI có tool use sẽ tự quyết định: "để trả lời câu này, mình cần gọi Jira API với query cụ thể", tự viết ra lệnh gọi đó, nhận kết quả trả về, rồi diễn giải kết quả thành câu trả lời tiếng Việt cho bạn.

Analogy dễ hình dung nhất cho PM: tool use giống như sự khác biệt giữa hỏi một chuyên gia tư vấn ngồi trong phòng kín (chỉ trả lời dựa trên trí nhớ) và hỏi một trợ lý có quyền truy cập vào máy tính công ty, có thể tự mở Excel, tự vào hệ thống CRM để tra cứu số liệu thật trước khi trả lời bạn.

Tầng 3: Autonomous Loop — Vòng Lặp Quan Sát, Lên Kế Hoạch, Hành Động

Đây là tầng biến một hệ thống "có tool use" thành một AI agent thực sự. Một agent không chỉ gọi một tool rồi dừng — nó vận hành theo một vòng lặp lặp đi lặp lại: quan sát (observe) tình huống hiện tại → lên kế hoạch (plan) bước tiếp theo → hành động (act) bằng cách gọi một tool → quan sát kết quả trả về → đánh giá xem đã đạt mục tiêu chưa, nếu chưa thì lặp lại từ đầu với kế hoạch mới, cho đến khi mục tiêu hoàn thành hoặc agent cần dừng lại hỏi ý kiến con người (human-in-the-loop — con người tham gia vào vòng lặp, tức là điểm agent chủ động dừng để xin xác nhận hoặc quyết định từ bạn trước khi đi tiếp).

Ví dụ cụ thể với task "phân tích đối thủ X vừa ra tính năng gì": một agent thực sự sẽ tự quyết định trình tự — trước tiên search Google tìm changelog hoặc blog release của đối thủ, đọc kết quả, nhận thấy thông tin chưa đủ chi tiết nên tiếp tục search thêm "tên tính năng + review", đọc thêm vài bài đánh giá, rồi mới tổng hợp thành bản tóm tắt. Toàn bộ chuỗi 4-5 bước "search → đọc → nhận ra thiếu → search tiếp → tổng hợp" này agent tự quyết định lấy, không cần bạn gõ từng lệnh một.

Orchestration: Ai Điều Phối Nhiều Agent, Nhiều Tool Cùng Lúc

Với các task phức tạp hơn, một agent đơn lẻ có thể không đủ — bạn cần orchestration (điều phối), tức là một agent "chỉ huy" giao việc cho các sub-agent hoặc gọi nhiều tool theo trình tự phối hợp, ví dụ một agent chuyên research thị trường làm việc song song với một agent chuyên đọc support ticket, rồi một agent thứ ba tổng hợp kết quả của cả hai thành một báo cáo. Đây là khái niệm bạn sẽ gặp nhiều hơn ở các module sau của khóa học, nhưng cần biết ngay từ đầu: agent không nhất thiết phải là một hộp đen đơn lẻ, mà có thể là cả một hệ thống nhiều "nhân viên AI" phối hợp với nhau.

Các Bước Thực Hành

1. Mở một công cụ agent thực tế (Claude với chế độ Projects + kết nối tool, ChatGPT với Custom GPT có Actions, hoặc một AI agent tool chuyên biệt như Claude Code, Cursor Agent). Thử giao một task nhiều bước, ví dụ "tìm 3 bài báo mới nhất về xu hướng fintech Việt Nam năm 2026 và tóm tắt".
2. Quan sát kỹ log/quá trình xử lý mà công cụ hiển thị (thường có nút "xem quá trình suy nghĩ" hoặc "xem các bước đã thực hiện"). Ghi lại bao nhiêu bước nó tự thực hiện trước khi trả lời bạn.
3. So sánh với việc bạn tự hỏi ChatGPT phiên bản chat thường (không có tool use) câu hỏi tương tự — quan sát nó có tự tìm kiếm hay chỉ trả lời dựa trên kiến thức huấn luyện cũ (có thể lỗi thời).
4. Thử một task cố ý mơ hồ hoặc thiếu thông tin (ví dụ không nói rõ "fintech" là mảng nào) và xem agent có tự hỏi lại bạn để làm rõ (human-in-the-loop) hay tự đoán và làm luôn — đây là tín hiệu quan trọng để đánh giá độ "an toàn" của agent đó cho công việc thật.

Ví Dụ Prompt

Bạn là một AI agent hỗ trợ Product Manager nghiên cứu thị trường.
Mục tiêu: tìm hiểu 3 tính năng mới nhất mà đối thủ [TÊN ĐỐI THỦ] vừa
ra mắt trong 2 tháng gần đây, liên quan đến mảng [MẢNG SẢN PHẨM].

Hãy thực hiện theo quy trình:
1. Tìm kiếm thông tin từ nhiều nguồn (trang changelog/blog chính thức
   của đối thủ, bài báo công nghệ, review người dùng trên mạng xã hội
   hoặc app store).
2. Với mỗi tính năng tìm được, xác định: tên tính năng, ngày ra mắt
   (nếu có), vấn đề nó giải quyết cho người dùng, và phản hồi ban đầu
   từ thị trường (tích cực/tiêu cực/chưa rõ).
3. Nếu không tìm đủ 3 tính năng đáng tin cậy, hãy nói rõ bạn chỉ tìm
   được bao nhiêu, không tự bịa thêm thông tin để đủ số lượng.
4. Trình bày kết quả dưới dạng bảng: Tính Năng | Ngày Ra Mắt | Vấn Đề
   Giải Quyết | Phản Hồi Thị Trường | Nguồn Tham Khảo.

Nếu thông tin nào không chắc chắn hoặc chỉ suy đoán, hãy đánh dấu rõ
"[chưa xác nhận]" thay vì trình bày như sự thật.

Trả lời bằng tiếng Việt, giữ nguyên các thuật ngữ tiếng Anh chuyên
ngành (feature, changelog, v.v.).

Mẹo: Khi mới làm quen với agent, luôn bật chế độ hiển thị "quá trình xử lý" (reasoning trace/tool calls) nếu công cụ có, thay vì chỉ nhìn kết quả cuối. Việc này giúp bạn phát hiện sớm khi agent đang tự suy diễn sai hướng — dừng lại sửa giữa chừng bao giờ cũng rẻ hơn phát hiện sai sau khi đã nhận báo cáo hoàn chỉnh.

AI Agent Khác ChatGPT, Copilot, Và Tự Động Hoá Đơn Giản Như Thế Nào?

Rất nhiều PM/PO/BA hiện nay đã dùng AI hàng ngày — hỏi ChatGPT viết email, dùng Notion AI gợi ý câu chữ, dùng Jira automation rule để tự chuyển trạng thái ticket. Vấn đề là bốn thứ này hoàn toàn khác nhau về bản chất, và nhầm lẫn giữa chúng khiến nhiều người đánh giá sai khả năng thực sự của agent — hoặc quá kỳ vọng, hoặc bỏ lỡ cơ hội áp dụng đúng chỗ.

Bốn Cấp Độ Trợ Giúp AI, Cùng Một Bài Toán

Hãy lấy một bài toán cụ thể mọi PM đều quen thuộc: "phân tích feedback khách hàng từ 200 support ticket để tìm ra 3 pain point lớn nhất", và chạy nó qua cả bốn cách tiếp cận để thấy rõ khác biệt.

Single-turn chat (chat một lượt, kiểu ChatGPT cơ bản): Bạn phải tự copy nội dung 200 ticket (nếu dung lượng vừa với context window), gõ một câu hỏi, nhận một câu trả lời. Nếu 200 ticket quá dài để paste hết, bạn phải tự chia nhỏ, tự chạy nhiều lần, rồi tự tổng hợp kết quả của từng lần lại — toàn bộ phần "chia việc, tổng hợp" là việc của bạn, AI chỉ xử lý phần văn bản bạn đưa vào mỗi lượt.

Copilot (trợ lý gợi ý trong công cụ đang dùng): Ví dụ Notion AI, Jira AI, hay GitHub Copilot cho code. Copilot hoạt động trong ngữ cảnh bạn đang làm việc — bạn đang gõ trong Notion, nó gợi ý câu tiếp theo; bạn đang xem một ticket Jira, nó gợi ý tóm tắt. Nhưng copilot về cơ bản vẫn là phản ứng theo từng thao tác đơn lẻ của bạn, không tự đi thu thập 200 ticket, không tự quyết định trình tự phân tích — nó hỗ trợ bạn làm nhanh hơn công việc bạn đang chủ động làm, chứ không tự chủ động thay bạn thực hiện cả quy trình.

Tự động hoá đơn giản/RPA (Robotic Process Automation) kiểu Zapier: Đây là các luật if-then cố định được thiết lập sẵn — "nếu ticket có tag 'bug' thì tự động gán cho team Backend", "nếu ticket mới tạo quá 48 giờ chưa phản hồi thì gửi Slack nhắc". RPA rất đáng tin cậy cho việc lặp lại y hệt mỗi lần, nhưng nó không "hiểu" nội dung ticket, không thể tự thích ứng khi gặp tình huống ngoài kịch bản đã lập trình sẵn, và hoàn toàn không có khả năng suy luận ngôn ngữ tự nhiên để tìm ra "pain point" — một khái niệm đòi hỏi đọc hiểu và tổng hợp ngữ nghĩa, không phải luật cố định.

AI agent thực sự: Bạn giao một mục tiêu — "phân tích 200 support ticket này (kèm đường link hoặc kết nối trực tiếp tới Zendesk/Intercom), tìm 3 pain point lớn nhất, kèm bằng chứng trích dẫn". Agent tự quyết định: đọc hết 200 ticket bằng cách tự chia batch nếu cần, tự phân loại nội dung theo chủ đề, tự đối chiếu tần suất xuất hiện, tự nhận ra nếu có ticket trùng lặp hay spam cần loại bỏ, và chỉ quay lại hỏi bạn nếu gặp tình huống mơ hồ (ví dụ 2 pain point có tần suất gần bằng nhau, cần bạn quyết định ưu tiên cái nào). Toàn bộ trình tự "đọc → phân loại → tổng hợp → tự kiểm tra lại" do agent tự vận hành, bạn chỉ cần review kết quả cuối và các điểm nó chủ động hỏi lại.

Bảng So Sánh Nhanh

Các Bước Thực Hành

1. Chọn một task bạn đang làm thủ công (ví dụ: tổng hợp feedback từ một kênh khảo sát khách hàng gần đây).
2. Thử chạy task đó qua chat một lượt trước — paste dữ liệu, hỏi trực tiếp, ghi lại thời gian và chất lượng kết quả.
3. Thử chạy lại cùng task đó với một agent có tool use (ví dụ Claude với khả năng đọc file đính kèm nhiều và tự phân tích theo nhiều bước, hoặc một custom agent tool nội bộ công ty bạn nếu có).
4. So sánh: thời gian bạn phải can thiệp thủ công (chia dữ liệu, ghép kết quả) ở mỗi cách, và độ chính xác/đầy đủ của kết quả cuối.
5. Ghi chú lại: những loại task nào của bạn thực sự cần agent (nhiều bước, nhiều nguồn, cần tự thích ứng), và những loại task nào chat một lượt hoặc copilot đã đủ dùng — không phải việc gì cũng cần "trâu bò" dùng agent.

Ví Dụ Prompt

Bạn là một AI agent hỗ trợ phân tích customer feedback cho Product
Manager. Dưới đây là dữ liệu feedback từ [SỐ LƯỢNG] ticket/khảo sát
(hoặc mô tả cách kết nối tới nguồn dữ liệu, ví dụ Zendesk export CSV).

[PASTE DỮ LIỆU HOẶC MÔ TẢ NGUỒN DỮ LIỆU]

Hãy thực hiện theo quy trình:
1. Nếu dữ liệu quá dài để xử lý trong một lượt, tự chia thành các
   batch hợp lý (ví dụ 50 ticket/batch), xử lý từng batch, rồi tổng
   hợp kết quả — không bỏ sót phần nào.
2. Phân loại feedback theo chủ đề (ví dụ: hiệu năng, giao diện, tính
   năng thiếu, giá cả, hỗ trợ khách hàng).
3. Xác định top 3 pain point có tần suất xuất hiện cao nhất, kèm số
   lượng ticket đề cập và 2-3 trích dẫn nguyên văn tiêu biểu cho mỗi
   pain point.
4. Nếu có pain point tần suất gần bằng nhau (trong khoảng 10%), nêu rõ
   để tôi tự quyết định thứ tự ưu tiên, không tự chọn thay tôi.
5. Xuất kết quả dưới dạng bảng: Pain Point | Số Lượng Đề Cập | % Tổng
   Feedback | Trích Dẫn Tiêu Biểu | Mức Độ Nghiêm Trọng Đề Xuất.

Trả lời bằng tiếng Việt, giữ nguyên thuật ngữ tiếng Anh (pain point,
ticket, v.v.).

Mẹo: Đừng dùng "búa tạ" agent cho những việc chat một lượt đã giải quyết tốt (ví dụ viết lại một câu mô tả user story cho rõ hơn) — agent phù hợp nhất cho các task có nhiều bước, nhiều nguồn dữ liệu, hoặc cần tự thích ứng giữa chừng. Việc chọn sai công cụ (dùng agent phức tạp cho việc đơn giản) chỉ khiến bạn tốn thêm thời gian setup và khó kiểm soát hơn, không nhanh hơn.

Vì Sao PM, PO, BA Nên Quan Tâm Đến AI Agent — Không Chỉ AI Nói Chung?

Nhiều người làm product đã quen dùng ChatGPT để viết email, tóm tắt tài liệu, hay brainstorm ý tưởng — và nghĩ vậy là "đã dùng AI cho công việc rồi". Nhưng năng lực agentic (mang tính tự hành) mở ra một tầng giá trị hoàn toàn khác, tấn công đúng vào những phần công việc PM/PO/BA tốn nhiều thời gian nhất nhưng ít giá trị chiến lược nhất.

Research Nhiều Bước — Việc PM Tốn Thời Gian Nhất Nhưng Ít Ai Thích Làm

Market research (nghiên cứu thị trường) và competitive analysis (phân tích đối thủ) đúng nghĩa không bao giờ là một câu hỏi — nó luôn là một chuỗi nhiều bước: tìm danh sách đối thủ liên quan, đọc changelog/blog của từng đối thủ, tìm review người dùng, tìm báo cáo ngành, đối chiếu số liệu, rồi tổng hợp thành insight có thể hành động. Một PM làm việc này thủ công thường mất 1-2 ngày cho một bản research tử tế, và vì tốn thời gian, nhiều PM chọn cách bỏ qua hoặc làm hời hợt — dẫn đến quyết định roadmap dựa trên cảm tính hơn là dữ liệu thị trường thực.

Một agent có thể tự chạy toàn bộ chuỗi bước này, để lại cho bạn phần quan trọng nhất: đọc bản tổng hợp, đặt câu hỏi phản biện, và quyết định insight nào đáng tin để đưa vào quyết định sản phẩm.

Tổng Hợp Dữ Liệu Phi Cấu Trúc Ở Quy Mô Lớn

User interview (phỏng vấn người dùng), support ticket, review app store, dữ liệu analytics — đây đều là những nguồn dữ liệu phi cấu trúc (unstructured data) khổng lồ mà PM/PO/BA phải đọc hiểu để ra quyết định, nhưng con người có giới hạn về thời gian đọc. Đọc kỹ 20 bản ghi phỏng vấn 45 phút mỗi bản là việc gần như bất khả thi trong một sprint bận rộn — kết quả là nhiều team chỉ đọc lướt vài bản "đại diện" rồi suy diễn cho cả tập dữ liệu, một cách làm dễ dẫn đến sai lệch (bias) nghiêm trọng.

Agent có thể đọc hết toàn bộ tập dữ liệu — không mệt, không bỏ sót — và tổng hợp theo đúng câu hỏi nghiên cứu bạn đặt ra, miễn là bạn hướng dẫn nó tìm đúng loại tín hiệu (ví dụ tần suất một chủ đề xuất hiện, ngữ cảnh đi kèm, mức độ cảm xúc tiêu cực/tích cực).

Soạn Thảo Tài Liệu Cần Gom Thông Tin Từ Nhiều Hệ Thống

Viết một PRD (Product Requirements Document) hay user story chất lượng không chỉ là viết văn hay — nó đòi hỏi gom thông tin từ nhiều nơi: ticket cũ liên quan trên Jira, quyết định thiết kế trên Figma, số liệu liên quan trên dashboard analytics, ghi chú từ cuộc họp stakeholder trên Confluence. Một agent được kết nối (hoặc được cung cấp) các nguồn này có thể tự đi thu thập, đối chiếu, rồi tạo bản nháp PRD/user story đã có đủ ngữ cảnh liên quan — thay vì bạn phải mở 5 tab trình duyệt, tự copy-paste từng phần vào một tài liệu Google Doc trống.

Giải Phóng Thời Gian Cho Công Việc Có Giá Trị Chiến Lược Thật Sự

Đây là lý do quan trọng nhất, và cũng dễ bị đánh giá thấp nhất: công việc thực sự tạo ra giá trị của một PM/PO/BA giỏi — đàm phán ưu tiên với stakeholder, đưa ra phán đoán về hướng đi chiến lược, xây dựng lòng tin với team — không nằm ở việc đọc 200 ticket hay tổng hợp bảng so sánh đối thủ. Những việc đó là "chi phí vận hành" cần thiết nhưng không phải nơi bạn tạo ra khác biệt. Khi agent đảm nhận phần thu thập và tổng hợp thông tin, thời gian được giải phóng ra không phải để bạn "rảnh hơn" mà để bạn dành nhiều thời gian hơn cho đúng những việc chỉ con người mới làm tốt: thuyết phục, đàm phán, ra quyết định trong điều kiện không chắc chắn.

Các Bước Thực Hành

1. Liệt kê ra giấy tất cả các task bạn làm trong một tuần điển hình, chia thành hai cột: "Task cần phán đoán/đàm phán con người" và "Task chủ yếu là thu thập + tổng hợp thông tin".
2. Ước lượng số giờ mỗi tuần bạn dành cho cột thứ hai — con số này thường gây bất ngờ (nhiều PM phát hiện ra 40-50% thời gian rơi vào đây).
3. Chọn 1-2 task ở cột thứ hai có tần suất lặp lại cao nhất (ví dụ: research đối thủ hàng tháng, tổng hợp feedback hàng tuần) để thử nghiệm giao cho agent trước.
4. Sau 2-3 tuần thử nghiệm, đo lại thời gian bạn thực sự tiết kiệm được, và dùng thời gian đó cho một hoạt động chiến lược cụ thể (ví dụ: thêm một buổi 1-1 với stakeholder quan trọng, hoặc dành thời gian suy nghĩ sâu về roadmap quý tới).

Ví Dụ Prompt

Bạn là một AI agent hỗ trợ Product Manager tổng hợp thông tin đa
nguồn để chuẩn bị một buổi họp roadmap quý tới.

Mục tiêu: tổng hợp thông tin từ 3 nguồn sau để trả lời câu hỏi
"Chúng ta nên ưu tiên đầu tư vào đâu trong quý tới?":
1. Dữ liệu feedback khách hàng gần đây: [PASTE HOẶC MÔ TẢ NGUỒN]
2. Dữ liệu sử dụng tính năng hiện tại (analytics): [PASTE HOẶC MÔ TẢ]
3. Thông tin về động thái đối thủ gần đây: [PASTE HOẶC MÔ TẢ]

Hãy thực hiện:
1. Tổng hợp riêng insight chính từ mỗi nguồn (tối đa 5 điểm/nguồn).
2. Tìm các điểm giao thoa — nơi cả 3 nguồn cùng chỉ về một hướng (đây
   là tín hiệu ưu tiên mạnh nhất).
3. Nêu rõ các điểm mâu thuẫn giữa các nguồn (ví dụ feedback muốn A
   nhưng dữ liệu sử dụng cho thấy tính năng hiện tại ít ai dùng B).
4. Đề xuất 3 hướng đầu tư ưu tiên cho quý tới, mỗi hướng kèm bằng
   chứng cụ thể từ các nguồn trên, không đưa ra đề xuất thiếu căn cứ.
5. Liệt kê rõ những câu hỏi/thông tin còn thiếu mà tôi (PM) cần tự
   xác nhận thêm trước khi chốt quyết định.

Trả lời bằng tiếng Việt, giữ nguyên thuật ngữ tiếng Anh (roadmap,
feature, insight, v.v.).

Mẹo: Khi mới bắt đầu áp dụng agent, đừng chọn task quan trọng nhất, rủi ro cao nhất để thử nghiệm đầu tiên. Hãy chọn một task lặp lại, ít rủi ro nếu sai (ví dụ tổng hợp feedback nội bộ trước khi dùng cho báo cáo external), để bạn học cách viết prompt tốt và học cách review kết quả agent trước khi tin tưởng giao việc quan trọng hơn.

AI Agent Hiện Tại Làm Được Gì Cho Công Việc Product — Và Chưa Làm Được Gì?

Phần này quan trọng nhất của cả bài học, vì cường điệu hoá khả năng AI agent (dù theo hướng quá lạc quan hay quá bi quan) đều dẫn đến quyết định sai lầm trong công việc thật. Hãy nhìn thẳng vào bức tranh hiện tại, không tô hồng cũng không phủ nhận.

Những Gì AI Agent Làm Tốt Ngay Hôm Nay

Soạn thảo nháp từ ý tưởng thô kèm ngữ cảnh: Cho agent một ý tưởng tính năng ngắn gọn kèm đủ ngữ cảnh (đối tượng người dùng, mục tiêu kinh doanh, ràng buộc kỹ thuật đã biết), nó có thể tạo ra bản nháp user story, acceptance criteria, hay các phần của PRD ở chất lượng "đủ tốt để bắt đầu chỉnh sửa" — tiết kiệm cho bạn phần khó nhất là đối mặt với trang giấy trắng.

Tóm tắt nghiên cứu người dùng ở quy mô lớn: Đọc hàng chục bản ghi phỏng vấn, hàng trăm ticket, và trích xuất pattern/chủ đề lặp lại — việc mà con người làm được nhưng chậm và dễ bỏ sót ở quy mô lớn.

Tạo bản nháp phân tích đối thủ: Tự tìm kiếm, đọc, tổng hợp thông tin công khai về đối thủ thành báo cáo có cấu trúc — nhanh hơn nhiều so với con người tự làm, dù chất lượng phụ thuộc nhiều vào việc bạn kiểm tra lại nguồn.

Truy vấn dữ liệu bằng ngôn ngữ tự nhiên qua tool kết nối: Nếu agent được kết nối đúng cách với công cụ phân tích dữ liệu hoặc database sản phẩm, bạn có thể hỏi "tuần này bao nhiêu người dùng active dùng tính năng X" bằng tiếng Việt thường, thay vì tự viết SQL hay tự vào dashboard tìm.

Những Gì AI Agent Chưa Làm Tốt, Và Có Thể Sẽ Không Bao Giờ Thay Thế Hoàn Toàn

Thiếu phán đoán nghiệp vụ thật và bối cảnh chính trị nội bộ: Agent không biết CEO công ty bạn vừa hứa gì với một khách hàng lớn trong bữa tối tuần trước, không biết team Backend đang có mâu thuẫn nội bộ ảnh hưởng đến tốc độ giao việc, không biết "luật bất thành văn" rằng đề xuất nào đụng đến module của một kỹ sư senior cụ thể sẽ luôn bị phản đối trừ khi trình bày theo một cách nhất định. Đây là loại ngữ cảnh không viết thành văn bản, sống trong đầu và trong quan hệ con người — AI agent không có cách nào tiếp cận được.

Có thể bịa dữ liệu/sự thật (hallucination): Dù đã cải thiện nhiều, AI vẫn có thể tự tin trình bày một con số, một trích dẫn, hay một sự kiện không có thật, đặc biệt khi ngữ cảnh cung cấp không đầy đủ hoặc câu hỏi mơ hồ. Với công việc product — nơi một con số sai trong bản báo cáo trình lên ban lãnh đạo có thể gây hậu quả nghiêm trọng — việc luôn xác minh lại nguồn số liệu agent đưa ra là bắt buộc, không phải tùy chọn.

Không thể thay thế đàm phán và phán đoán ưu tiên: Agent có thể tổng hợp dữ liệu để hỗ trợ quyết định ưu tiên roadmap, nhưng nó không thể ngồi vào bàn đàm phán với Sales để thuyết phục họ chấp nhận một tính năng bị hoãn, không thể đọc được ngôn ngữ cơ thể của một stakeholder đang không hài lòng nhưng chưa nói ra. Ưu tiên hoá cuối cùng luôn là quyết định con người, có tính đến yếu tố quan hệ và niềm tin mà không có trong bất kỳ dữ liệu nào.

Rủi ro bảo mật và quyền riêng tư dữ liệu khách hàng: Khi cho agent quyền truy cập dữ liệu khách hàng nhạy cảm (thông tin cá nhân, dữ liệu tài chính, nội dung hỗ trợ chứa thông tin định danh), bạn phải cân nhắc kỹ agent đó chạy trên hạ tầng nào, dữ liệu có bị dùng để huấn luyện lại mô hình không, và có tuân thủ các quy định bảo vệ dữ liệu (như Nghị định về bảo vệ dữ liệu cá nhân tại Việt Nam, hay GDPR nếu công ty có khách hàng châu Âu) hay không. Đây không phải rào cản kỹ thuật mà là rào cản tuân thủ (compliance) cần review cùng team pháp lý/bảo mật trước khi triển khai rộng.

Vẫn cần con người review mọi output quan trọng: Nguyên tắc bao trùm cho mọi mục trên: agent tăng tốc độ tạo ra bản nháp, nhưng trách nhiệm cuối cùng về tính chính xác, phù hợp ngữ cảnh, và quyết định cuối vẫn thuộc về bạn — người làm product. AI agent là công cụ khuếch đại năng lực (augmentation), không phải sự thay thế (replacement) vai trò PM/PO/BA.

Các Bước Thực Hành

1. Trước khi giao bất kỳ task nào cho agent, tự hỏi: "Nếu kết quả này sai, hậu quả nghiêm trọng đến đâu?" — với task hậu quả cao (số liệu trình ban lãnh đạo, cam kết với khách hàng lớn), luôn dành thời gian xác minh độc lập trước khi dùng.
2. Xây một checklist review riêng cho các loại output agent tạo ra thường xuyên (PRD draft, research summary, competitive analysis) — checklist nên có mục kiểm tra nguồn số liệu, mục kiểm tra tính nhất quán với ngữ cảnh nội bộ mà agent không thể biết.
3. Với bất kỳ agent nào được kết nối tới dữ liệu khách hàng, chủ động hỏi team bảo mật/pháp lý về chính sách xử lý dữ liệu trước khi triển khai, đừng để việc này "trôi" cho đến khi có sự cố.
4. Định kỳ (mỗi tháng) ghi lại các trường hợp agent trả lời sai hoặc gây hiểu lầm bạn đã phát hiện được — đây là dữ liệu quý để tinh chỉnh cách bạn viết prompt và mức độ tin tưởng phù hợp cho từng loại task.

Ví Dụ Prompt

Bạn là một AI agent hỗ trợ Product Manager soạn thảo bản tóm tắt
nghiên cứu người dùng. Trước khi bắt đầu, hãy tuân thủ nghiêm ngặt
các nguyên tắc sau:

1. CHỈ sử dụng thông tin có trong dữ liệu tôi cung cấp bên dưới.
   KHÔNG tự suy diễn hay bổ sung thông tin không có trong dữ liệu,
   kể cả khi có vẻ hợp lý.
2. Với mỗi nhận định/insight đưa ra, PHẢI trích dẫn rõ nguồn cụ thể
   (ví dụ: "theo phỏng vấn #3, phút 12:30" hoặc "ticket #4521").
3. Nếu dữ liệu không đủ để kết luận chắc chắn về một điểm nào đó, hãy
   ghi rõ "chưa đủ dữ liệu để kết luận" thay vì đưa ra phỏng đoán.
4. Ở cuối bản tóm tắt, liệt kê rõ những giả định (assumption) bạn đã
   phải đưa ra trong quá trình phân tích, để tôi tự xác minh lại.

Dữ liệu nghiên cứu:
[PASTE DỮ LIỆU PHỎNG VẤN/TICKET/KHẢO SÁT]

Hãy tóm tắt theo cấu trúc: Insight Chính | Bằng Chứng/Trích Dẫn |
Mức Độ Tin Cậy (Cao/Trung/Thấp dựa trên số lượng nguồn xác nhận) |
Hành Động Đề Xuất.

Trả lời bằng tiếng Việt, giữ nguyên thuật ngữ tiếng Anh (insight,
assumption, v.v.).

Mẹo: Xây thói quen luôn hỏi agent "bạn lấy thông tin này từ đâu, và bạn có chắc không?" trước khi dùng bất kỳ số liệu quan trọng nào trong tài liệu chính thức — một agent được thiết kế tốt sẽ trung thực trả lời "tôi không chắc" hoặc chỉ ra nguồn cụ thể, và phản ứng của nó với câu hỏi này là tín hiệu tốt để bạn đánh giá độ tin cậy tổng thể của công cụ đang dùng.

Những Điểm Chính Cần Nhớ

• AI agent là một hệ thống xây trên ba tầng: LLM (bộ não ngôn ngữ), tool use (khả năng dùng công cụ thật), và autonomous loop (vòng lặp tự quan sát — lên kế hoạch — hành động — lặp lại) — thiếu bất kỳ tầng nào thì đó chưa phải một agent thực sự, chỉ là chat hoặc trợ lý gợi ý.
• Phân biệt rõ bốn cấp độ trợ giúp AI: chat một lượt (bạn điều khiển từng bước), copilot (gợi ý trong ngữ cảnh đang làm), RPA/automation (luật cố định, không hiểu ngôn ngữ), và agent (tự quyết định trình tự, tự thích ứng) — chọn đúng công cụ cho đúng loại task, đừng dùng "búa tạ" cho việc đơn giản.
• Năng lực agentic đặc biệt giá trị cho PM/PO/BA ở 4 nhóm việc: research nhiều bước (thị trường, đối thủ), tổng hợp dữ liệu phi cấu trúc quy mô lớn (interview, ticket, review), soạn thảo tài liệu cần gom thông tin từ nhiều hệ thống (PRD, user story), và giải phóng thời gian cho công việc chiến lược đòi hỏi phán đoán và đàm phán con người.
• Human-in-the-loop (con người tham gia vào vòng lặp) là thiết kế bắt buộc, không phải tùy chọn — agent nên chủ động dừng lại hỏi khi gặp tình huống mơ hồ hoặc cần quyết định mang tính phán đoán nghiệp vụ, thay vì tự đoán và đi tiếp.
• Agent hiện tại làm tốt: soạn nháp từ ý tưởng thô, tóm tắt nghiên cứu quy mô lớn, tạo bản nháp phân tích đối thủ, truy vấn dữ liệu bằng ngôn ngữ tự nhiên qua tool kết nối.
• Agent chưa làm tốt và khó thay thế: phán đoán nghiệp vụ gắn với bối cảnh chính trị/quan hệ nội bộ không viết thành văn bản, khả năng hallucination (bịa số liệu/sự kiện) vẫn tồn tại, không thể thay thế đàm phán và quyết định ưu tiên cuối cùng, và luôn có rủi ro bảo mật/quyền riêng tư khi kết nối dữ liệu khách hàng nhạy cảm.
• Nguyên tắc bao trùm: AI agent là công cụ khuếch đại năng lực (augmentation) của PM/PO/BA, không phải sự thay thế (replacement) — trách nhiệm cuối cùng về tính chính xác và quyết định luôn thuộc về con người.
• Khi bắt đầu áp dụng agent vào công việc, hãy chọn task lặp lại, ít rủi ro nếu sai để thử nghiệm trước, xây checklist review cho từng loại output, và luôn xác minh độc lập số liệu quan trọng trước khi đưa vào tài liệu chính thức.
• Trước khi kết nối agent với dữ liệu khách hàng nhạy cảm, luôn review cùng team bảo mật/pháp lý về chính sách xử lý dữ liệu và tuân thủ quy định bảo vệ dữ liệu cá nhân liên quan.