Microsoft đã công bố một hệ thống AI lấy tác nhân làm trung tâm (agent-centric AI stack) tại sự kiện Cloud and AI Innovation Day ở Bengaluru, ra mắt những gì họ gọi là Microsoft IQ, Fabric IQ, một lớp Ontology và quản trị Agent 365. Bước đi này chuyển dịch trọng tâm từ các chatbot độc lập sang các "tác nhân" (agents) tự trị có khả năng hoạt động xuyên suốt các dịch vụ đám mây của công ty, buộc các doanh nghiệp phải tư duy lại cách họ xây dựng, vận hành và kiểm soát AI.

Tại sao sự chuyển dịch này lại quan trọng vào lúc này

Hầu hết các doanh nghiệp đều bị khựng lại giữa giai đoạn thử nghiệm (proof-of-concept) và triển khai thực tế. Nút thắt không nằm ở các mô hình; mà nằm ở "hệ thống hạ tầng" (plumbing) — bao gồm quản trị, định danh và khả năng quan sát (observability) để giữ cho một tác nhân luôn đáng tin cậy và tuân thủ quy định. Hệ thống mới của Microsoft lấp đầy khoảng trống hạ tầng đó, cung cấp một lớp trí tuệ có thể tái sử dụng, có thể đặt trên bất kỳ nền tảng dữ liệu và bất kỳ mô hình ngôn ngữ lớn (LLM) nào.

Các thành phần cốt lõi mà Microsoft đã giới thiệu

  • Microsoft IQ – một lớp trí tuệ nằm trong tenant của khách hàng, cho phép họ kiểm soát trực tiếp các câu lệnh (prompts), bộ nhớ và chính sách.
  • Fabric IQ – khả năng tương tự được tích hợp sẵn vào giải pháp data-fabric của Microsoft, giúp phân tích và AI chia sẻ một ngữ cảnh chung.
  • Ontology – một mô hình sống, có thể đọc được bằng máy về các quy trình, thực thể và mối quan hệ của doanh nghiệp, cho phép các tác nhân hiểu được "ai làm việc gì" mà không cần phải lập trình cứng các quy tắc.
  • Agent 365 – một khung quản trị gắn định danh, quyền truy cập dựa trên vai trò và nhật ký kiểm tra (audit trails) vào mọi tác nhân AI, cho phép tác nhân được đối xử như một nhân viên trong các hệ thống nhân sự hoặc bảo mật.

Cùng với nhau, những mảnh ghép này biến một "chatbot" thành một "đồng nghiệp kỹ thuật số" có khả năng truy xuất dữ liệu, kích hoạt quy trình làm việc và đưa ra quyết định trong phạm vi tổ chức.

Những bài học dành cho những người thực hành ngay hôm nay

  1. Xác định mô tả công việc của tác nhân – Hãy coi mỗi trợ lý AI như một vai trò với các kỹ năng, hướng dẫn rõ ràng và một định danh duy nhất. Khi một tác nhân hoạt động sai lệch, trước tiên hãy kiểm tra các trách nhiệm đã được xác định của nó, chứ không chỉ là câu lệnh đã kích hoạt nó.
  2. Biến mô hình thành thành phần có thể thay thế – Bằng cách tách rời LLM khỏi cơ sở hạ tầng xung quanh, một công ty có thể thay thế GPT bằng Claude, Llama hoặc bất kỳ mô hình nào trong tương lai mà không cần xây dựng lại toàn bộ hệ thống. Khoản đầu tư sẽ nằm ở lớp điều phối (orchestration layer), chứ không phải ở bản thân mô hình.
  3. Bao bọc, đừng phá bỏ – Các hệ thống cũ có thể kết nối với AI thông qua các bộ chuyển đổi (adapters). Kotak Mahindra đã chứng minh điều này bằng cách xếp lớp Azure Voice Live lên trên hệ thống điện thoại hiện có của họ, chứng minh rằng không cần phải đại tu toàn bộ hệ thống.
  4. Coi việc tinh chỉnh là một quá trình liên tục – Fine-tuning đòi hỏi một vòng lặp bao gồm chuẩn bị dữ liệu, huấn luyện, đánh giá và giám sát hiệu suất. Nếu không có một quy trình đánh giá (evaluation pipeline), mọi nỗ lực tinh chỉnh đều là mù quáng.
  5. Bắt đầu với dữ liệu sạch – Một người tham gia đã tiết lộ rằng một phần tư các báo cáo của họ chưa bao giờ được sử dụng. Việc đưa dữ liệu hỗn độn vào một tác nhân chỉ làm tự động hóa sự hỗn độn đó. Các sáng kiến về chất lượng dữ liệu và hợp lý hóa báo cáo nên được thực hiện trước khi triển khai AI trên quy mô lớn.

Các ý tưởng cụ thể cho hệ thống doanh nghiệp

  • Xây dựng một bảng điều khiển quan sát thống nhất để theo dõi chi phí liên quan đến AI, độ trễ và tình trạng sức khỏe của các luồng dữ liệu (pipelines).
  • Sử dụng các giao thức MCP để mở các kho dữ liệu nội bộ cho các tác nhân, giữ cho việc di chuyển dữ liệu luôn an toàn và có thể kiểm chứng.
  • Tạo các mô hình ngữ nghĩa để chuyển đổi các truy vấn quản lý chi phí thành ngôn ngữ tự nhiên, cho phép các nhóm tài chính hỏi "Chi phí đám mây của chúng ta trong quý trước là bao nhiêu?" và nhận được câu trả lời ngay lập tức.
  • Triển khai thí điểm GitHub Copilot trong các nhóm phát triển để tự động hóa việc đánh giá mã nguồn, đo lường cả mức độ tăng tốc độ và việc giảm thiểu lỗi.