Các tác nhân AI có thể thực hiện công việc. Nhưng các doanh nghiệp có thể vận hành chúng không?

Các tác nhân AI đang ngày càng xuất sắc trong việc hoàn thành nhiệm vụ. Khi cho một tác nhân mục tiêu, quyền truy cập vào các công cụ phù hợp, đủ ngữ cảnh và quy trình làm việc được xác định rõ, nó có thể nghiên cứu thông tin, phân tích tài liệu, đưa ra quyết định, cập nhật hệ thống và phối hợp với các tác nhân khác.

Đó là phần hấp dẫn của AI tác nhân. Đó cũng là phần chúng ta thường thấy trong các bản demo.

Các hoạt động doanh nghiệp trông khác nhau. Một đơn vay thay đổi giữa chừng trong quá trình thẩm định. Khách hàng cung cấp thông tin mới sau khi xác minh đã hoàn tất. Hai hệ thống không đồng ý về cùng một tài khoản. Một phê duyệt hợp lệ hôm qua có thể không còn hợp lệ hôm nay. Một tác nhân tóm tắt một trường hợp trước khi chuyển cho tác nhân khác, và một chi tiết tưởng như nhỏ nhặt lại biến mất trong quá trình này.

Con đường suôn sẻ có thể chiếm 80% những gì một tác nhân cần thực hiện. Các doanh nghiệp lại hoạt động trong 20% còn lại.

Khung 80/20 không phải là một thống kê ngành. Đó là cách mô tả nơi mà độ phức tạp vận hành thường ẩn náu. Phần khó khăn của các hoạt động doanh nghiệp thường không phải là các trường hợp bình thường, mà là những ngoại lệ, chuyển giao, phụ thuộc, ngữ cảnh thay đổi và các quyết định mà tổ chức vẫn chịu trách nhiệm về kết quả.

Khi AI chuyển từ việc trả lời câu hỏi sang thực hiện hành động, độ phức tạp vận hành này trở nên quan trọng hơn rất nhiều. Các doanh nghiệp sẽ cần suy nghĩ vượt ra ngoài cách các tác nhân được xây dựng và bắt đầu cân nhắc cách chúng được vận hành.

Đó là nơi Agentic Operations bắt đầu.

Từ việc tạo câu trả lời đến thực hiện hành động

Làn sóng đầu tiên của Generative AI doanh nghiệp chủ yếu liên quan đến thông tin. Các mô hình tóm tắt tài liệu, tạo báo cáo, trả lời câu hỏi, tìm kiếm kiến thức doanh nghiệp và giúp nhân viên hoàn thành các nhiệm vụ hiện có nhanh hơn.

Các tác nhân giới thiệu một điều gì đó căn bản khác biệt. Chúng có thể thực hiện các hành động làm thay đổi trạng thái của một quy trình kinh doanh. Một tác nhân có thể phê duyệt hoặc từ chối một việc, cập nhật hệ thống ghi chép, gửi thông tin liên lạc cho khách hàng, kích hoạt một quy trình làm việc khác, gọi một tác nhân khác, hoặc đưa ra quyết định quyết định những gì sẽ xảy ra tiếp theo.

OpenAI mô tả các tác nhân trong hướng dẫn thực tiễn của mình như những hệ thống thực hiện độc lập các nhiệm vụ thay mặt người dùng, sử dụng mô hình để quản lý thực thi quy trình và công cụ để tương tác với các hệ thống bên ngoài. Hậu quả vận hành của một câu trả lời sai hoàn toàn khác so với hậu quả của một hành động sai.

Câu hỏi doanh nghiệp do đó thay đổi. Không còn đủ chỉ hỏi liệu một mô hình có tạo ra câu trả lời tốt hay một tác nhân có hoàn thành nhiệm vụ được giao một cách thành công hay không. Các doanh nghiệp ngày càng cần biết liệu một hành động có nên xảy ra ngay từ đầu hay không, dựa trên ngữ cảnh kinh doanh, chính sách, thẩm quyền và mọi thứ đã xảy ra trước đó trong quy trình.

Hình 1: Generative AI tạo ra một đầu ra. Agentic AI thay đổi trạng thái kinh doanh.

Khi AI có thể thay đổi trạng thái kinh doanh và ảnh hưởng đến các quyết định tiếp theo, độ tin cậy không còn chỉ đo lường ở mức mô hình nữa.

Một tác nhân có thể thành công trong khi quy trình kinh doanh thất bại

Hãy xem xét một quy trình thẩm định khoản vay dựa trên AI. Một tác nhân trích xuất tài liệu đơn đăng ký, một tác nhân khác xác minh thu nhập, một tác nhân khác nữa đánh giá thông tin tín dụng, và một tác nhân sau này tóm tắt trường hợp trước khi một tác nhân thẩm định đưa ra hoặc đề xuất quyết định.

Mỗi tác nhân có một trách nhiệm được xác định rõ ràng, và mỗi tác nhân có thể thực hiện trách nhiệm đó một cách chính xác. Tác nhân tài liệu có thể trích xuất thông tin đúng. Tác nhân xác minh thu nhập có thể hoàn thành nhiệm vụ của mình thành công. Tác nhân tóm tắt có thể tạo ra bản tóm tắt chính xác của thông tin có sẵn. Tác nhân thẩm định có thể tuân thủ đúng hướng dẫn của mình.

Quyết định kinh doanh cuối cùng vẫn có thể là sai.

Hãy tưởng tượng thông tin thu nhập cập nhật đến sau khi xác minh ban đầu. Tài liệu mới được xử lý, nhưng tầm quan trọng của nó giảm đi khi trường hợp được tóm tắt cho bước tiếp theo. Tác nhân thẩm định cuối cùng nhận được một bản tóm tắt hợp lý, nhưng không phải toàn bộ ngữ cảnh kinh doanh đã tồn tại trong suốt quy trình.

Không có gì nhất thiết phải sập. Không có API nào thất bại. Không có tác nhân cá nhân nào nhất thiết phải ảo tưởng. Mỗi thành phần có thể báo cáo thực thi thành công trong khi quy trình kinh doanh lại đạt được kết quả sai.

Anthropic thảo luận về một thách thức liên quan trong hướng dẫn của họ về việc xây dựng các tác nhân hiệu quả, lưu ý rằng các hệ thống tự động có thể gặp lỗi tích lũy khi chúng thực hiện nhiều bước hơn. Vấn đề trở nên rộng hơn so với độ chính xác của mô hình vì trạng thái, ngữ cảnh, quyết định và giả định di chuyển qua quy trình làm việc.

Điều này tạo ra một sự phân biệt quan trọng giữa độ tin cậy của tác nhân và độ tin cậy của quy trình kinh doanh. Doanh nghiệp cuối cùng không trải nghiệm một tác nhân riêng lẻ. Nó trải nghiệm kết quả do toàn bộ quy trình tạo ra.

Hình 2: Thành công cục bộ không đảm bảo thành công kinh doanh

Đây là một trong những thay đổi quan trọng được giới thiệu bởi Agentic AI. Một quy trình làm việc có thể thất bại ngay cả khi mọi thành phần đều có vẻ khỏe mạnh khi được kiểm tra riêng lẻ.

Khả năng không đồng nghĩa với Thẩm quyền

Phần lớn stack agent hiện tại một cách dễ hiểu đang tập trung vào khả năng. Các nhóm muốn biết liệu một agent có thể suy luận, chọn công cụ phù hợp, hoàn thành nhiệm vụ, khôi phục sau lỗi, và hoạt động với độ chính xác và độ trễ chấp nhận được hay không.

Doanh nghiệp có một yêu cầu khác: thẩm quyền.

Giả sử một agent thẩm định có khả năng phê duyệt một khoản vay. Điều đó không có nghĩa là nó nên phê duyệt mọi khoản vay mà nó có thể đánh giá. Thẩm quyền của nó có thể phụ thuộc vào số tiền vay, danh mục rủi ro, loại khách hàng, bằng chứng có sẵn, mức độ tin cậy, các quyết định trước đó, hoặc liệu đơn đăng ký có thay đổi sau một đánh giá trước đó hay không.

Điều này tạo ra một ranh giới giữa những gì một agent có thể làm và những gì một agent được phép làm.

OpenAI khuyến nghị đánh giá rủi ro liên quan đến các công cụ agent và thêm các biện pháp bảo vệ hoặc can thiệp của con người đối với các hành động nhạy cảm và không thể đảo ngược. Microsoft áp dụng cách tiếp cận tương tự trong hướng dẫn của mình về các quy trình kinh doanh cốt lõi do agent vận hành, trong đó các agent có thể đưa ra các quyết định thường xuyên trong giới hạn đã định trong khi quyền quyết định xác định hành động nào có thể được thực hiện độc lập và hành động nào cần sự phê duyệt của con người.

Khi khả năng của agent cải thiện, sự phân biệt này trở nên quan trọng hơn, không phải ít hơn. Các agent có khả năng cao hơn có thể thực hiện các hành động có hậu quả lớn hơn. Do đó, doanh nghiệp cần các cách rõ ràng hơn để xác định và thực thi các ranh giới trong đó những hành động đó được phép thực hiện.

Câu hỏi chuyển từ Agent có thể thực hiện việc này không? sang Trong những điều kiện nào agent nên được phép thực hiện việc này?

Chính sách kinh doanh phải tiến gần hơn tới thực thi

Doanh nghiệp đã có các cơ chế rộng rãi để kiểm soát các quy trình do con người vận hành. Họ sử dụng SOP, ma trận phê duyệt, chính sách tuân thủ, ngưỡng rủi ro, đào tạo, phân tách nhiệm vụ, kiểm toán và quy trình leo thang. Hầu hết các cơ chế này được thiết kế dựa trên một giả định đơn giản: một người đọc quy tắc, hiểu tình huống, và áp dụng quy tắc trong khi thực hiện công việc.

Các agent thay đổi giả định đó.

Xem xét một chính sách yêu cầu phê duyệt thứ hai cho các giao dịch vượt quá một ngưỡng nhất định. Khi một con người thực hiện nhiệm vụ, chính sách có thể tồn tại trong một tài liệu được hỗ trợ bởi đào tạo và kiểm soát quy trình làm việc. Khi một agent có thể thực thi hàng trăm hoặc hàng nghìn hành động nhanh chóng, sự tồn tại của tài liệu chính sách đó không tự động ngăn chặn một hành động vi phạm nó.

Ở đâu đó giữa chính sách bằng văn bản và hành động kinh doanh, chính sách cần trở nên vận hành được.

Điều này không có nghĩa là mọi chính sách đều phải trở thành mã định đoạt. Một số kiểm soát sẽ là định đoạt, một số sẽ yêu cầu diễn giải ngữ nghĩa, một số sẽ phụ thuộc vào rủi ro hoặc độ tin cậy, và những thứ khác sẽ tiếp tục cần phán đoán của con người. Thay đổi kiến trúc lớn hơn là chính sách kinh doanh bắt đầu tiến gần hơn tới đường thực thi.

AWS nêu rõ điểm này đặc biệt trong bối cảnh Agentic AI trong dịch vụ tài chính, bao gồm nhu cầu xác thực dựa trên chính sách đối với các hành động của agent và các dấu vết kiểm toán quanh các hoạt động có hậu quả.

Trong lịch sử, các tổ chức có thể xác định nhiều yêu cầu quản trị trước khi thực thi và sau đó xác minh tuân thủ thông qua kiểm toán và đánh giá. Khi các hệ thống tự động hoạt động liên tục và với tốc độ máy, một số kiểm soát cần hoạt động trong khi quy trình đang chạy.

Con người trong vòng lặp là cần thiết, nhưng không phải là mô hình vận hành

Phản ứng phổ biến nhất đối với sự không chắc chắn trong quy trình AI là đưa con người vào vòng lặp. Điều này hợp lý, đặc biệt đối với các quyết định có hậu quả, nhưng trở nên gây vấn đề khi việc xem xét của con người được coi là câu trả lời cho mọi ngoại lệ.

Hãy tưởng tượng một hoạt động agentic xử lý hàng nghìn hoặc hàng triệu quyết định. Nếu mọi tình huống bất thường, kết quả độ tin cậy thấp, sự mơ hồ về chính sách, hoặc ngoại lệ đều được chuyển tới một người, tổ chức đã không loại bỏ nút thắt vận hành. Nó chỉ đơn giản chuyển nút thắt sang một hàng đợi xem xét. Theo thời gian, điều này cũng có thể tạo ra một vấn đề khác: khi con người được yêu cầu phê duyệt quá nhiều quyết định thường xuyên, việc giám sát của con người tự nó có thể trở nên kém ý nghĩa.

Con người vẫn thiết yếu, nhưng vai trò của họ cần thay đổi. Thay vì xem xét mọi quyết định, họ nên tập trung vào những tình huống thực sự cần phán đoán, nơi thẩm quyền của một agent đã đạt tới, hoặc khi hệ thống gặp một điều kiện mà không nên tự giải quyết.

Do đó, một mô hình vận hành có khả năng mở rộng không thể chỉ dựa vào việc chấm điểm rủi ro và đánh giá của con người. Trước khi một hành động của tác nhân trở thành hành động kinh doanh, hệ thống cần xem xét bối cảnh kinh doanh hiện tại, các chính sách liên quan, quyền hạn của tác nhân, và những gì đã xảy ra trong quy trình làm việc. Kết quả có thể là tiếp tục, yêu cầu bằng chứng bổ sung, tạm dừng hành động, hoặc nâng cấp quyết định lên con người.

Hình 3: Đánh giá của con người trở thành một kết quả của kiểm soát thời gian chạy

Điều này thay đổi vai trò của giám sát con người. Con người không còn được chèn vào mọi bước không chắc chắn theo mặc định. Can thiệp của con người trở thành một kết quả có thể khi bối cảnh kinh doanh, chính sách, quyền hạn hoặc hậu quả của một hành động đòi hỏi phán đoán.

Sự phân biệt này quan trọng đối với quy mô doanh nghiệp. Một số hành động nên được thực hiện tự động vì chúng rõ ràng nằm trong phạm vi chính sách và quyền hạn. Một số khác nên tạm dừng vì thiếu bằng chứng cần thiết hoặc trạng thái kinh doanh đã thay đổi. Các hành động còn lại nên được nâng cấp vì quyết định đã vượt qua ranh giới mà tổ chức cố ý dành cho con người.

Mục tiêu không phải là loại bỏ con người khỏi vòng lặp. Đó là đặt con người vào vòng lặp phù hợp, trong khi cho phép các quyết định thường xuyên diễn ra trong các ranh giới được xác định rõ ràng. Khi các hệ thống tác nhân mở rộng, chất lượng giám sát con người có thể phụ thuộc ít hơn vào số lượng quyết định mà con người xem xét và nhiều hơn vào việc hệ thống vận hành có thể xác định những quyết định mà phán đoán của con người thực sự quan trọng hay không.

Khả năng quan sát là cần thiết, nhưng chỉ nhìn thấy không đồng nghĩa với việc kiểm soát

Ngành công nghiệp đã đạt được tiến bộ đáng kể trong khả năng quan sát AI. Các nhóm có thể kiểm tra các lời nhắc, phản hồi của mô hình, dấu vết, các cuộc gọi công cụ, độ trễ, việc sử dụng token, và ngày càng cả toàn bộ hành trình mà một tác nhân đã theo dõi trước khi tạo ra kết quả.

Sự hiện diện này là thiết yếu. Hướng dẫn của OpenAI về an toàn và đánh giá cho các tác nhân cũng nhấn mạnh các kỹ thuật như đánh giá và chấm điểm dấu vết để hiểu hành vi của tác nhân.

Nhưng chỉ có khả năng quan sát không giải quyết được vấn đề vận hành.

Hãy tưởng tượng phát hiện rằng một tác nhân thẩm định đã vi phạm chính sách phê duyệt 2.700 lần trong tuần qua. Điều đó sẽ biểu thị khả năng quan sát xuất sắc nhưng vận hành tồi tệ.

Đối với các quy trình kinh doanh có hậu quả, doanh nghiệp cuối cùng cần khả năng không chỉ hiểu hành vi của tác nhân mà còn phản hồi khi quy trình đang diễn ra.

Hình 4: Vòng lặp kiểm soát vận hành

Khả năng quan sát trả lời điều mà tác nhân đã thực hiện. Các hoạt động tác nhân cũng cần trả lời liệu tác nhân có nên tiếp tục.

Sự phân biệt đó trở nên đặc biệt quan trọng khi một hành động tốn kém, có hậu quả, khó đảo ngược, hoặc có khả năng ảnh hưởng đến nhiều quyết định hạ lưu.

Các thất bại khó nhất có thể xảy ra giữa các tác nhân

Có một thách thức khác trở nên rõ ràng khi doanh nghiệp chuyển sang quy trình làm việc đa tác nhân và kéo dài hơn. Nhiều chính sách kinh doanh không chỉ áp dụng cho một hành động duy nhất.

Xem xét một chính sách giới hạn tổng mức phơi bày tài chính qua một chuỗi quyết định. Mỗi giao dịch riêng lẻ có thể dưới ngưỡng cho phép trong khi tổng mức phơi bày vượt qua nó. Khi xem từng hành động một cách độc lập sẽ không thấy vi phạm.

Vấn đề tương tự cũng có thể xuất hiện với quyền hạn. Một tác nhân có thể được ủy quyền thu thập thông tin nhưng không được đưa ra quyết định cuối cùng. Sau một vài lần chuyển giao, một tác nhân hạ lưu có thể nhận được thông tin mà không giữ lại các hạn chế quyền hạn gắn với nhiệm vụ ban đầu. Mỗi bước riêng lẻ có thể trông hợp lý trong khi chuỗi lại vi phạm quy trình kinh doanh dự định.

Ngữ cảnh tạo ra một vấn đề tương tự. Thông tin quan trọng trong giai đoạn đầu của quy trình có thể được tóm tắt, chuyển đổi hoặc bỏ qua sau vài bước. Tác nhân hạ lưu không thể suy luận về thông tin mà nó không còn, ngay cả khi lập luận của nó đúng.

Những thất bại này cho thấy đơn vị độ tin cậy cần được mở rộng.

Chúng tôi sẽ tiếp tục đánh giá các mô hình bằng cách hỏi liệu phản hồi của chúng có đúng không. Chúng tôi sẽ đánh giá các tác nhân bằng cách hỏi liệu chúng đã hoàn thành nhiệm vụ một cách chính xác hay chưa. Nhưng ở mức quy trình làm việc, câu hỏi trở thành liệu thông tin, quyền hạn và chính sách có tồn tại xuyên suốt chuỗi hành động hay không. Ở mức doanh nghiệp, câu hỏi là liệu kết quả cuối cùng có vừa đúng vừa được phép hay không.

Điều này cũng phù hợp với quan điểm vòng đời rộng hơn trong Khung Quản lý Rủi ro AI của NIST, vốn nhấn mạnh việc đo lường và quản lý rủi ro AI liên tục thay vì coi việc đánh giá là hoạt động một lần trước khi triển khai.

Đây là Nơi Các Hoạt Động Tác Nhân Bắt Đầu

Quản trị AI, đánh giá mô hình, LLMOps, khả năng quan sát, bảo mật và AI có trách nhiệm đã giải quyết các phần quan trọng của việc vận hành hệ thống AI. Hoạt động Agentic không thay thế các lĩnh vực này. Nó giải quyết lớp vận hành trở nên quan trọng khi các hệ thống tự động và bán tự động bắt đầu tham gia trực tiếp vào quy trình kinh doanh.

Hoạt động Agentic là lĩnh vực vận hành các hệ thống AI tự động và bán tự động trong các quy trình kinh doanh thực tế, bao gồm cách quản lý quyền hạn, ngữ cảnh, quyết định, ngoại lệ, can thiệp của con người và trách nhiệm trong quá trình thực thi.

Sự khác biệt này quan trọng vì đối tượng được quản lý không còn chỉ là một mô hình. Đó là một quy trình kinh doanh liên tục, trong đó phần mềm có thể tự độc lập đưa ra quyết định và thực hiện hành động.

Trong thực tế, điều này tạo ra một bộ câu hỏi vận hành khác. Một tác nhân được ủy quyền làm gì? Ngữ cảnh kinh doanh nào phải tồn tại xuyên suốt một quy trình làm việc dài hạn? Điều gì xảy ra khi bằng chứng mới làm mất hiệu lực một quyết định trước đó? Tổ chức có thể phát hiện khi các hành động chấp nhận riêng lẻ cộng lại vi phạm chính sách như thế nào? Khi nào một tác nhân nên tiếp tục, tạm dừng, dừng lại hoặc nâng cấp? Vài tháng sau, tổ chức có thể tái tạo lý do tại sao một quyết định cụ thể được đưa ra không?

Cũng có câu hỏi về quyền sở hữu. Khi một tác nhân thực hiện đúng nhiệm vụ kỹ thuật nhưng kết quả kinh doanh lại sai, ai chịu trách nhiệm về thất bại? Giao việc thực thi cho một tác nhân không đồng nghĩa với việc giao trách nhiệm cho tổ chức vận hành nó.

Các tác nhân có thể thực hiện công việc. Doanh nghiệp vẫn sở hữu kết quả.

Mục tiêu là Tự động Hóa Kiểm soát

Tương lai của AI Agentic đôi khi được mô tả là một quá trình tiến tới tự động hoàn toàn, nơi con người dần biến mất khỏi các quy trình kinh doanh. Đối với hầu hết các doanh nghiệp, đó có lẽ là mục tiêu sai.

Mục tiêu hữu ích hơn là controlled autonomy.

Nhiều quy trình hỗ trợ AI hiện nay tuân theo mô hình một tác nhân đề xuất hành động và một người đưa ra quyết định cuối cùng. Khi độ tin cậy tăng lên, một số quy trình sẽ cho phép các tác nhân đưa ra quyết định trong phạm vi quyền hạn đã định trong khi hệ thống xung quanh giám sát việc thực thi và con người xử lý các ngoại lệ. Các quy trình trưởng thành, rủi ro thấp có thể cuối cùng cho phép các tác nhân quyết định và hành động độc lập trong khi các quyết định có hậu quả vẫn được giám sát và ghi lại.

Hình 5 : Mức độ tự động tăng lên

Ranh giới phù hợp sẽ khác nhau tùy theo quy trình. Một ngân hàng có thể cho phép tự động hoá đáng kể trong việc phân loại tài liệu trong khi yêu cầu kiểm soát chặt chẽ đối với các quyết định tín dụng. Một công ty bảo hiểm có thể tự động hoá các yêu cầu thường xuyên trong khi nâng cấp các bằng chứng kết hợp bất thường. Một tổ chức y tế có thể cho phép các tác nhân thu thập và tóm tắt thông tin trong khi giữ lại các quyết định quan trọng cho con người.

Câu hỏi quan trọng do đó không chỉ là tác nhân có thể trở nên tự động bao nhiêu. Mà là mức độ tự động mà một tổ chức có thể vận hành một cách có trách nhiệm.

Điều này cũng thay đổi vai trò của các kiểm soát. Kiểm soát không nhất thiết là cơ chế để giảm tự động hoá. Khi được thực hiện tốt, chúng cho phép một tổ chức mở rộng tự động hoá với độ tin cậy cao hơn.

Việc Vận hành Các Tác Nhân Có Thể Khó Hơn So Với Việc Xây Dựng Chúng

Các mô hình sẽ tiếp tục cải thiện. Việc sử dụng công cụ sẽ được nâng cao. Các khung tác nhân sẽ được cải tiến. Khả năng suy luận sẽ tiến bộ, và nhiều vấn đề hiện nay có vẻ khó sẽ cuối cùng trở thành thói quen.

Tuy nhiên, các mô hình tốt hơn không loại bỏ các chính sách kinh doanh, thay đổi ngữ cảnh, ngoại lệ, ranh giới tổ chức, hay trách nhiệm. Ở một số khía cạnh, các tác nhân tốt hơn làm cho những vấn đề này trở nên quan trọng hơn. Một hệ thống không thể hành động một cách tự động có quyền hạn vận hành hạn chế. Một hệ thống có khả năng thực hiện hàng ngàn quyết định kinh doanh tạo ra một trách nhiệm hoàn toàn khác.

Đây là lý do tại sao giai đoạn tiếp theo của AI doanh nghiệp có thể không được quyết định bởi tổ chức nào triển khai nhiều tác nhân nhất. Nó có thể được quyết định bởi những tổ chức học cách vận hành chúng.

80% đầu tiên cho thấy tác nhân có thể hoạt động. 20% còn lại quyết định liệu doanh nghiệp có thể tin tưởng nó với công việc kinh doanh hay không.

Khi các tác nhân trở nên mạnh mẽ hơn, câu hỏi doanh nghiệp định nghĩa có thể chuyển từ what can our agents do sang một vấn đề khó hơn:

Chúng ta sẵn sàng để cho chúng làm gì, dưới những điều kiện nào, và chúng ta sẽ biết khi những điều kiện đó thay đổi như thế nào?

Đó là nơi Hoạt động Agentic bắt đầu.