Tại Sao Các Dự Án Trí Tuệ Nhân Tạo Agentic Ngừng Vại Khi Tăng Tốc, Và Những Điều Doanh Nghiệp Phải Sửa Đầu Tiên

Trí tuệ nhân tạo Agentic đang trở thành một yếu tố quan trọng của tất cả các doanh nghiệp. Các doanh nghiệp đang tích hợp các dự án thí điểm vào hoạt động của họ, môi trường demo đang gây ấn tượng với lãnh đạo và các bản đồ đường đang được viết lại xung quanh các quy trình tự động hóa trí tuệ nhân tạo.

Tuy nhiên, đối với nhiều dự án này, điều gì đó bị hỏng giữa môi trường demo được kiểm soát và triển khai sản xuất. Dự án bị đình trệ, thời gian triển khai kéo dài từ vài tháng đến vài năm và các nhóm chịu trách nhiệm về việc giao hàng phải giải thích tại sao tác nhân đã hoạt động hoàn hảo trong quá trình thử nghiệm lại hành xử không thể đoán trước trong thế giới thực.

Trong hầu hết các trường hợp, câu trả lời không phải là mô hình bản thân, mà là tài sản dữ liệu, lớp điều phối, khuôn khổ quản trị và cơ sở hạ tầng cũ mà hầu hết các doanh nghiệp không bao giờ hiện đại hóa trước khi quyết định xây dựng các tác nhân thông minh trên đó. Cho đến khi những nền tảng này được giải quyết, trí tuệ nhân tạo Agentic sẽ tiếp tục tạo ra các demo gây ấn tượng và các triển khai gây thất vọng.

Môi Trường Thí Điểm Là Một Cái Bẫy

Hầu hết các doanh nghiệp đánh giá các mô hình. Ít hơn đánh giá hành vi của tác nhân từ đầu đến cuối. Một mô hình có thể rất chính xác và tác nhân được xây dựng trên đó vẫn có thể thất bại nghiêm trọng. Điều này là vì các tác nhân liên kết các cuộc gọi công cụ theo trình tự và một bước sai dẫn đến một câu trả lời sai mà bước tiếp theo coi là đầu vào chính xác, làm tăng lỗi theo chiều dọc trước khi ai đó nhận thấy.

Môi trường thí điểm được thiết kế để che giấu điều này. Đầu vào được kiểm soát, phạm vi hẹp và có người theo dõi đầu ra. Không có điều kiện nào tồn tại trong sản xuất. Tác nhân đã ghi điểm cao trong thử nghiệm hiện đang xử lý các hướng dẫn không rõ ràng, gặp lỗi quyền và đưa ra quyết định tuần tự trên dữ liệu mà nó chưa từng được thử nghiệm. Nhóm đã xây dựng nó đang phát hiện ra rằng các khuôn khổ đánh giá được thiết kế cho hiệu suất mô hình không cho biết liệu tác nhân đã được tăng cấp đúng cách, xử lý các trường hợp ngoại lệ một cách tinh tế hay biết khi nào nên ngừng.

Theo báo cáo State of AI 2025 của McKinsey, 88% các tổ chức hiện đang sử dụng trí tuệ nhân tạo trong ít nhất một chức năng kinh doanh, nhưng chỉ khoảng một phần ba đã thành công trong việc mở rộng quy mô nó trên toàn doanh nghiệp. Khoảng cách giữa việc áp dụng và mở rộng quy mô bắt đầu từ cách các doanh nghiệp định hướng và đánh giá các dự án thí điểm của họ. Các nhóm thành công trong việc mở rộng quy mô là những nhóm coi phân tích chế độ thất bại như một yêu cầu thiết kế. Trước khi triển khai, họ xây dựng một danh mục về cách tác nhân được dự kiến sẽ thất bại và phản ứng khi nó xảy ra. Điều đó nghe có vẻ rõ ràng. Rất ít doanh nghiệp thực sự làm điều đó.

Dữ Liệu Rác, Tác Nhân Rác

Các doanh nghiệp tiếp tục hỏi tại sao các tác nhân của họ không hoạt động tốt trong sản xuất. Câu trả lời gần như luôn luôn trở lại với dữ liệu. Tài sản dữ liệu không bao giờ sẵn sàng. Các nguồn được phân mảnh trên hàng chục hệ thống được xây dựng tại các thời điểm khác nhau cho các mục đích khác nhau. Các định nghĩa không nhất quán trên các đơn vị kinh doanh. Không có lớp ngữ nghĩa. Không có nguồn gốc duy nhất của sự thật. Chỉ có những năm nợ dữ liệu tích lũy mà không ai ưu tiên vì các hệ thống cũ đang hoạt động đủ tốt.

Nợ đó không biến mất khi bạn xây dựng một tác nhân trên đó. Nó trở thành thực tế hoạt động của tác nhân. Một tác nhân điều hướng các nguồn dữ liệu phân mảnh không phải là lý luận trên một hình ảnh nhất quán của kinh doanh. Nó đang làm tốt nhất có thể với bất cứ điều gì nó có thể tìm thấy, điều hòa các mâu thuẫn trên đường bay và tạo ra đầu ra trông có vẻ hợp lý cho đến khi ai đó biết về kinh doanh nhìn kỹ. Tác nhân không bị hỏng. Dữ liệu mà nó được giao đã bị hỏng trước khi dự án bắt đầu.

Sự trôi dạt dữ liệu và sự trôi dạt khái niệm làm cho điều này tồi tệ hơn theo thời gian. Khi phân phối đầu vào thực tế thay đổi từ những gì mô hình được đào tạo, tác nhân không ném một lỗi. Nó tiếp tục chạy và bắt đầu tạo ra đầu ra sai, tự tin và với quy mô lớn. Không có MLOps hoặc AIOps đường ống được xây dựng vào lớp điều phối tác nhân, không có cơ chế nào để bắt điều này trước khi thiệt hại tích lũy. Tác nhân đã hoạt động tốt tại thời điểm ra mắt im lặng suy giảm trong vài tuần trước khi ai đó kết nối chất lượng đầu ra với một vấn đề dữ liệu đã có từ đầu.

Tái hiện đại hóa dữ liệu và hiện đại hóa trí tuệ nhân tạo thường được coi là các luồng công việc song song, được sắp xếp độc lập và được tài trợ riêng biệt. Chúng không song song. Bạn không thể xây dựng một tác nhân đáng tin cậy trên một kiến trúc dữ liệu bị hỏng trước khi dự án bắt đầu. Thứ tự quan trọng vô cùng và việc bỏ qua lớp dữ liệu để di chuyển nhanh hơn trên lớp trí tuệ nhân tạo là một trong những sai lầm phổ biến và tốn kém nhất mà các doanh nghiệp mắc phải.

Một bảng điều khiển sai sẽ đưa cho ai đó một con số sai. Một hành động tác nhân sai có thể kích hoạt một quy trình hạ lưu trước khi ai đó nhận thấy, phê duyệt một hóa đơn không nên được phê duyệt, định tuyến một lá cờ tuân thủ không chính xác hoặc điều chỉnh giá ngoài phạm vi dự định. Các hệ thống tác nhân cần có khả năng quan sát được thiết kế riêng, không phải là các bảng điều khiển tái chế từ giám sát ứng dụng chung.

Lợi Thế Của Một Nền Tảng Dữ Liệu Thống Nhất

Các doanh nghiệp đã chuyển sang một nền tảng dữ liệu thống nhất trước khi bắt đầu chương trình trí tuệ nhân tạo Agentic của họ đang mở rộng quy mô nhanh hơn những doanh nghiệp không làm như vậy. Khi Lakehouse, kho dữ liệu, mô hình ngữ nghĩa và đường ống đều sống trong một môi trường, như trong Microsoft Fabric, các tác nhân có một bề mặt nhất quán để truy vấn. Điều đó loại bỏ một lớp thất bại hoàn toàn đến từ các tác nhân nhảy giữa các hệ thống với các lược đồ khác nhau, các chu kỳ làm mới khác nhau và các định nghĩa khác nhau của cùng một chỉ số kinh doanh.

Đây là lý do tại sao các nền tảng mà các doanh nghiệp chọn để thống nhất dữ liệu quan trọng rất nhiều đối với các kết quả trí tuệ nhân tạo Agentic của họ. Cách tiếp cận thống nhất của Microsoft Fabric mang lại Lakehouse, kho dữ liệu, mô hình ngữ nghĩa và đường ống trong một môi trường, mang lại cho các doanh nghiệp tập trung vào Microsoft một lợi thế cấu trúc khi chuyển từ thí điểm sang sử dụng thực tế.

Databricks cung cấp cùng một nguyên tắc thông qua kiến trúc Lakehouse và Unity Catalog, mang lại cho các nhóm dữ liệu và trí tuệ nhân tạo một lớp quản trị thống nhất trên dữ liệu có cấu trúc và không có cấu trúc với tích hợp MLflow để theo dõi hành vi mô hình trong sản xuất. Snowflake tiếp cận thông qua Cortex AI và sự kết hợp chặt chẽ giữa đám mây dữ liệu và suy luận trí tuệ nhân tạo, cho phép các doanh nghiệp chạy các khối lượng công việc tác nhân trực tiếp chống lại dữ liệu trực tiếp được quản lý mà không có độ trễ và rủi ro nhất quán đến từ việc di chuyển dữ liệu giữa các hệ thống.

Mỗi nền tảng này đại diện cho một con đường khác nhau đến cùng một kết quả. Một lớp dữ liệu nhất quán, có thể quan sát được và đáng tin cậy đủ để hỗ trợ việc ra quyết định của tác nhân với quy mô. Lựa chọn đúng tùy thuộc vào ngăn xếp hiện có của doanh nghiệp. Điều không tùy chọn là thực hiện lựa chọn đó và cam kết với nó trước khi xây dựng lớp tác nhân trên đó. Điều gì phân biệt các nhóm đang đạt tiến bộ với những nhóm vẫn còn mắc kẹt trong các dự án thí điểm không phải là nền tảng nào họ đã chọn. Đó là họ đã sửa lớp dữ liệu trước.

Quản Trị Trước, Không Phải Sau

Quản trị được xây dựng sau khi sự việc đã xảy ra không phải là quản trị. Khi một tác nhân có thẩm quyền quyết định hạ lưu và các rào cản được thêm vào sáu tháng sau khi triển khai, doanh nghiệp đã tích lũy sáu tháng quyết định không được kiểm toán. Hồ sơ kiểm toán cần được thiết kế trước khi tác nhân đi vào hoạt động, không phải được trang bị lại sau khi sự cố đầu tiên.

Nguyên tắc tương tự áp dụng cho bảo mật trí tuệ nhân tạo, kiểm soát truy cập dựa trên vai trò và phạm vi quyền. Một tác nhân không có quyền được định nghĩa đúng có thể truy cập dữ liệu mà nó không nên, thực hiện các hành động ngoài ranh giới dự định hoặc trở thành bề mặt tấn công tích cực. Những rủi ro này cần được giải quyết trong giai đoạn phát triển, không phải được phát hiện trong quá trình xem xét triển khai.

Nếu quản trị không được nhúng trước khi các đường ống đào tạo được xây dựng, dữ liệu không chính xác hoặc đối lập có thể tham gia vào quá trình đào tạo mà không bị phát hiện. Một mô hình được đào tạo trên dữ liệu bị tổn thương hoạt động tốt trên các điểm chuẩn nhưng trôi dạt trong sản xuất, chính xác là loại thất bại im lặng nguy hiểm nhất khi các quyết định của tác nhân mang lại hậu quả kinh doanh thực sự.

Đạo luật Trí tuệ Nhân tạo của EU và các khuôn khổ quy định ngày càng tăng xung quanh trách nhiệm giải trình của trí tuệ nhân tạo đang khiến điều này trở nên khó bị bỏ qua và các doanh nghiệp chưa xây dựng quản trị vào kiến trúc tác nhân của họ đang tích lũy sự phơi nhiễm tuân thủ mà sẽ tốn kém hơn nhiều để giải quyết sau này.

Từ Dự Án Thí Điểm Đến Sản Xuất: Điều Thật Sự Cần Thiết

Các doanh nghiệp đang đóng khoảng cách sản xuất là những doanh nghiệp sửa lớp dữ liệu trước khi xây dựng lớp tác nhân. Họ nhúng quản trị vào thiết kế, không phải sau khi thiệt hại đã được thực hiện. Họ xây dựng khả năng quan sát vào kiến trúc điều phối và chạy quản lý thay đổi song song với giao hàng kỹ thuật. Họ coi phân tích chế độ thất bại như một yêu cầu thiết kế quan trọng.

Nghiên cứu trí tuệ nhân tạo doanh nghiệp của Deloitte cho thấy quyền truy cập của người lao động vào trí tuệ nhân tạo đã tăng 50% vào năm 2025 và tỷ lệ các công ty chạy hơn 40% dự án trí tuệ nhân tạo của họ trong sản xuất đầy đủ sẽ tăng gấp đôi trong sáu tháng tới. Các doanh nghiệp đang thắng hiện tại không phải là những doanh nghiệp có mô hình tiên tiến nhất. Họ là những doanh nghiệp đã xây dựng cơ sở hạ tầng hoạt động để chạy trí tuệ nhân tạo một cách đáng tin cậy và đã làm như vậy trước khi xây dựng các tác nhân.

Mỗi doanh nghiệp vẫn đang chạy các dự án thí điểm rời rạc nên tập trung vào việc đảm bảo rằng khoản đầu tư vào các mô hình và giao diện là tương xứng với khoản đầu tư vào sự sẵn sàng dữ liệu và kiến trúc quản trị sẽ quyết định liệu các tác nhân đó có bao giờ thoát khỏi môi trường demo hay không. Đây là nơi nhiều doanh nghiệp thất bại.

Cho đến khi điều đó thay đổi, nhiều dự án trí tuệ nhân tạo Agentic mà các công ty đã đổ nguồn lực vào và hy vọng sẽ mang lại kết quả sẽ chết trên cây.