Từ Tự Động Hóa Đến Nhận Thức: Sự Tiến Hóa của AI Tự Chủ

Trong nhiều thập kỷ, tự động hoá doanh nghiệp đã tuân theo một logic quen thuộc: xác định quy trình, mã hoá các bước và để phần mềm thực thi chúng một cách nhất quán. Các script tự động hoá các lệnh, runbook ghi lại các thủ tục, orchestration (điều phối) kết nối các nhiệm vụ qua các hệ thống, và AIOps đưa học máy vào khối lượng ngày càng tăng của dữ liệu vận hành. Mỗi bước tiến đã làm cho tự động hoá trở nên mạnh mẽ hơn, nhưng con người vẫn thực hiện phần lớn quyết định. Họ xác định quy trình; phần mềm thực hiện nó.

Agentic AI thay đổi mối quan hệ đó. Thay vì bắt đầu với một bộ hướng dẫn cố định, một tác nhân có thể bắt đầu với một mục tiêu và tìm cách thực hiện nó trong phạm vi đã định. Điều này đòi hỏi hơn việc chỉ tạo ra câu trả lời. Hệ thống phải giải thích mục tiêu, tập hợp ngữ cảnh liên quan, đánh giá bằng chứng, sử dụng bộ nhớ, lựa chọn giữa các công cụ hoặc tự động hoá, và điều chỉnh khi điều kiện thay đổi. Anthropic đưa ra một sự phân biệt tương tự giữa các quy trình làm việc, nơi các mô hình và công cụ tuân theo các đường mã định trước, và các tác nhân, nơi mô hình có thể tự động chỉ đạo quá trình và việc sử dụng công cụ của mình.

Từ Thực Thi Định Lượng Đến Quyết Định Thích Ứng

Không có gì trong số này làm cho tự động hoá truyền thống trở nên lỗi thời. Trên thực tế, tự động hoá định lượng vẫn là giải pháp phù hợp khi con đường từ một điều kiện đã biết tới hành động được hiểu rõ. Nếu một dịch vụ không vượt qua kiểm tra sức khỏe, hãy khởi động lại nó. Nếu một yêu cầu đáp ứng các tiêu chí cụ thể, chuyển nó tới hàng đợi thích hợp. Nếu một giao diện vượt qua ngưỡng, mở một ticket và chạy chẩn đoán. Đó chính là những loại hành động lặp lại mà tự động hoá thực hiện tốt.

AIOps mở rộng mô hình đó bằng cách giúp các tổ chức giải thích những gì đang xảy ra trước khi một quy trình tự động được kích hoạt: tương quan các sự kiện, xác định bất thường, giảm nhiễu và thêm ngữ cảnh. AI tự chủ tiến một bước tiếp theo bằng cách đưa ra phán đoán giữa tín hiệu và hành động. Câu hỏi không còn chỉ là “Quy trình làm việc nào sẽ được kích hoạt bởi điều kiện này?” mà trở thành “Với mục tiêu và bằng chứng hiện có, bước tiếp theo tốt nhất là gì?”

Hãy xem xét một dịch vụ đang suy giảm. Một tác nhân có thể cần kiểm tra telemetry, topology, các thay đổi gần đây, ticket, dữ liệu cấu hình, các sự cố lịch sử và ảnh hưởng kinh doanh trước khi quyết định hành động. Trong một trường hợp, bằng chứng có thể chỉ ra một biện pháp khắc phục quen thuộc, và trong trường hợp khác, tác nhân có thể cần thu thập thêm thông tin hoặc chạy một chẩn đoán chỉ đọc. Khi tiềm năng ảnh hưởng lớn hoặc bằng chứng chưa chắc chắn, quyết định đúng có thể là đưa con người vào. Khả năng điều chỉnh lộ trình dựa trên những gì hệ thống khám phá là sự chuyển đổi có ý nghĩa.

Ngữ Cảnh và Bộ Nhớ Thay Đổi Chất Lượng của Quyết Định

Khả năng hành động mà không có ngữ cảnh không hữu ích lắm. Cùng một triệu chứng có thể mang ý nghĩa hoàn toàn khác nhau tùy thuộc vào topology, hoạt động bảo trì, các thay đổi gần đây, phụ thuộc hoặc ảnh hưởng tới khách hàng. Các nhà vận hành có kinh nghiệm hiểu điều này một cách tự nhiên; họ hiếm khi đưa ra quyết định quan trọng chỉ dựa trên một tín hiệu riêng lẻ. Họ tổng hợp một bức tranh, tách biệt quan sát khỏi suy luận, và quyết định mức độ tin cậy mà bằng chứng xứng đáng.

Bộ nhớ thêm một chiều kích khác. Google Cloud xác định bộ nhớ là thành phần cốt lõi của kiến trúc AI tự chủ vì nó giúp các tác nhân duy trì ngữ cảnh và sử dụng thông tin từ các tương tác trước. Trong vận hành, cơ hội rộng hơn việc chỉ truy xuất một ticket cũ. Bộ nhớ vận hành hữu ích có thể lưu giữ những gì đã xảy ra khi các điều kiện tương tự xuất hiện, giả thuyết nào được chứng minh đúng, biện pháp khắc phục nào đã được thử, liệu nó có thành công hay đã được hoàn tác, và những gì các nhà vận hành học được sau đó. Khi kinh nghiệm đó đã được xác thực, nó có thể trở thành bằng chứng cho quyết định tiếp theo thay vì kiến thức biến mất vào báo cáo sau sự cố hoặc chỉ tồn tại trong đầu chuyên gia.

Có một sự tương đồng thú vị trong khoa học nhận thức. Nghiên cứu về việc giảm tải nhận thức xem xét cách con người sử dụng công cụ và hành động bên ngoài để giảm yêu cầu tinh thần của một nhiệm vụ, trong khi nghiên cứu về việc sử dụng công cụ đã chỉ ra rằng việc tương tác lặp lại với các công cụ có thể thay đổi cách con người đại diện cho khả năng thực tế và khả năng hành động của mình. Phép ẩn dụ với AI doanh nghiệp không nên được hiểu một cách đen trắng, nhưng ý tưởng nền tảng là hữu ích: công cụ không chỉ tiết kiệm thời gian. Theo thời gian, chúng có thể thay đổi cách chúng ta tiếp cận một vấn đề. Nghiên cứu nổi tiếng về các tài xế taxi London và chuyên môn định vị cung cấp một lời nhắc khác rằng kinh nghiệm kéo dài có thể hình thành chính nhận thức. Đối với các doanh nghiệp, câu hỏi thiết kế do đó không chỉ là mức độ công việc mà một tác nhân có thể tiếp quản, mà là liệu hệ thống con người‑tác nhân có trở nên tốt hơn trong việc hiểu và hành động trước sự phức tạp hay không.

Các Tác Nhân Nên Điều Phối Tự Động Hóa, Không Thay Thế Nó

Đây cũng là lý do tôi không xem AI tự chủ là sự từ chối tự động hoá. Ở giai đoạn đầu sự nghiệp, tôi đã dành nhiều năm xây dựng tự động hoá vận hành, và một bài học luôn ở lại với tôi: chỉ thực thi không đủ. Tự động hoá phải giành được sự tin tưởng. Các nhà vận hành cần chắc chắn rằng hành động đúng đang được áp dụng cho tình huống đúng, với quyền hạn phù hợp và đủ bằng chứng để hiểu lý do.

Một kiến trúc AI tự chủ thực tiễn dựa trên khoản đầu tư đó. Các script, quy trình làm việc, API, nền tảng điều phối và công cụ chuyên ngành hiện có trở thành các khả năng mà tác nhân có thể gọi khi phù hợp. Nếu bằng chứng ủng hộ một biện pháp khắc phục đã biết, tác nhân có thể sử dụng tự động hoá đã được chứng minh thay vì tự nghĩ ra một hành động mới. Nếu bằng chứng chưa đầy đủ, nó có thể tiếp tục điều tra. Giá trị đến từ việc kết hợp thực thi đáng tin cậy với quyết định thích ứng hơn về thời điểm và cách thức thực thi nên diễn ra.

Tự Chủ Nhiều Hơn Khiến Quản Trị Quan Trọng Hơn

Ngay khi phần mềm có thể lựa chọn giữa các hành động; quản trị không còn là thứ có thể thêm vào sau này. Một tác nhân doanh nghiệp cần hiểu không chỉ những gì nó có thể thực hiện về mặt kỹ thuật, mà còn những gì nó được ủy quyền thực hiện trong môi trường cụ thể, ở mức độ rủi ro nhất định, và dưới danh tính hoặc vai trò cụ thể. Khung Quản Lý Rủi Ro AI của NIST phản ánh quan điểm rộng hơn này về quản trị, tổ chức quản lý rủi ro AI xoay quanh việc quản lý, lập bản đồ, đo lường và kiểm soát, với quản trị hoạt động xuyên suốt các chức năng khác.

Trong thực tiễn, điều này có nghĩa là một tác nhân phải có khả năng hiển thị bằng chứng đằng sau một đề xuất, làm rõ hệ thống và dữ liệu nào đã được sử dụng, tiết lộ mức độ không chắc chắn, tôn trọng yêu cầu phê duyệt và để lại dấu vết kiểm toán về những gì đã xảy ra. Khả năng đảo ngược cũng quan trọng. Một chẩn đoán chỉ đọc và một thay đổi cấu hình sản xuất không nên có cùng mức ngưỡng tự chủ.

Do đó, giám sát của con người trở nên chính xác hơn thay vì chỉ biến mất. Cùng một tác nhân có thể tự động thu thập bằng chứng, đề xuất biện pháp khắc phục, yêu cầu phê duyệt trước một hành động có rủi ro cao, và sau đó xác minh liệu hành động đã được phê duyệt có thực sự hiệu quả hay không. Mục tiêu không phải là tuyên bố con người luôn “có” hoặc “không” trong vòng lặp. Mà là đặt phán đoán của con người vào những điểm mà nó mang lại giá trị cao nhất.

Lợi Thế Thực Sự Nằm Ở Những Gì Xảy Ra Sau Khi Hành Động Được Thực Hiện

Có lẽ sự khác biệt quan trọng nhất xuất hiện sau khi một hành động được thực hiện. Tự động hoá truyền thống thường chỉ hỏi liệu quy trình làm việc đã thực thi thành công hay chưa. Một hệ thống nhận thức nên đặt ra một câu hỏi khó hơn: hành động đã tạo ra kết quả mong muốn chưa, và chúng ta nên học được gì từ những gì đã xảy ra?

Điều này thay đổi giá trị của vòng phản hồi. Một biện pháp khắc phục thành công có thể củng cố bằng chứng cho một tình huống tương tự trong tương lai. Một giả thuyết thất bại nên làm cho hệ thống ít có khả năng lặp lại cùng một lập luận. Một sửa chữa của nhà vận hành có thể cải thiện đề xuất tiếp theo, trong khi việc hoàn tác có thể cho thấy mức độ tin cậy đã vượt quá những gì bằng chứng hiện có cho phép. Theo thời gian, tài sản quan trọng không chỉ là một thư viện tự động hoá lớn hơn. Mà là mối quan hệ tích lũy giữa các tình huống, bằng chứng, quyết định, hành động và kết quả.

Theo cách nhìn này, sự tiến hóa của tự động hoá doanh nghiệp ít liên quan đến việc thay thế một thế hệ công nghệ bằng thế hệ khác hơn là việc bổ sung các khả năng mới quanh những gì đã hoạt động. Các script mã hoá các hành động, runbook ghi lại các thủ tục, orchestration kết nối chúng, và AIOps giúp giải thích các tín hiệu vận hành ngày càng phức tạp. AI tự chủ bổ sung khả năng theo đuổi mục tiêu, suy luận qua ngữ cảnh và bằng chứng, dựa vào bộ nhớ, lựa chọn giữa các khả năng sẵn có, hành động trong phạm vi được quản trị và học hỏi từ kết quả.

Điểm cuối không nên là tự chủ không giới hạn. Nó nên là tự chủ có trách nhiệm: các hệ thống có thể nhận biết khi nào cần hành động, khi nào cần điều tra, khi nào cần xin phép và khi nào cần dừng lại. Đó là sự chuyển đổi từ tự động hoá sang nhận thức — không phải máy móc thay thế hoạt động của con người, mà là các doanh nghiệp phát triển cách tiếp cận tốt hơn để nhận thức, quyết định, hành động và học hỏi.