Khi AI bắt đầu tự giải quyết những bài toán phức tạp

2025-09-24

Tóm tắt cho CEO/CIO

• Năng lực AI hiện đại không dừng ở việc trả lời câu hỏi thông thường. Theo AI Index Report 2026 của Stanford HAI, các mô hình frontier đã cải thiện 30% chỉ trong một năm trên Humanity’s Last Exam — bộ 2.500 câu hỏi trải rộng toán học và khoa học tự nhiên ở trình độ chuyên gia.
• Trong lĩnh vực lập trình, tỷ lệ giải quyết thành công của agent trên SWE-bench Verified tăng từ 60% lên gần 100% chỉ trong một năm. Trong lĩnh vực toán học, một mô hình của Google DeepMind đã đạt chuẩn huy chương vàng tại kỳ thi Olympic Toán học Quốc tế (IMO) năm 2025.
• Nhưng cùng báo cáo này cũng đưa ra một quan sát cân bằng quan trọng: các AI agent hiện vẫn thất bại ở khoảng một phần ba số lần thử trên các benchmark có cấu trúc trong môi trường doanh nghiệp thực tế. Các nhà nghiên cứu Stanford HAI gọi hiện tượng này là “jagged frontier” (đường biên gồ ghề).
• Bài học cho doanh nghiệp: năng lực đạt được trên benchmark không đồng nghĩa với độ tin cậy khi triển khai vào vận hành thực tế. Đây chính là khoảng cách mà một control layer cần lấp đầy — không phải để hạn chế năng lực AI, mà để quản lý sự không đồng đều của năng lực đó.

Có một cách nhìn phổ biến nhưng đã lỗi thời về AI: nó giỏi trả lời những câu hỏi thông thường, nhưng vẫn “chỉ là một chatbot thông minh” khi đối mặt với các bài toán thực sự khó. Cách nhìn này không còn chính xác. Trong một số lĩnh vực cụ thể — lập trình, toán học, suy luận khoa học — AI hiện đại đang đạt được những kết quả mà cách đây vài năm vẫn được coi là giới hạn riêng của con người.

Bài này nhìn vào năng lực thực tế của frontier AI — dựa trên các benchmark được công bố công khai, có phương pháp đo lường rõ ràng — và quan trọng không kém, nhìn vào giới hạn thực sự của những năng lực đó khi áp dụng vào môi trường doanh nghiệp.

Năng lực AI đang ở đâu thực sự

Claim: Trên một loạt benchmark đo năng lực suy luận và giải quyết vấn đề, các mô hình AI frontier đã có bước tiến rõ rệt chỉ trong khoảng một năm gần đây.

AI Index Report 2026 của Stanford HAI — báo cáo thường niên lần thứ chín, một trong những nguồn dữ liệu độc lập được trích dẫn rộng rãi nhất về năng lực AI — ghi nhận một loạt cải thiện đáng chú ý:

• Trên Humanity’s Last Exam (HLE), bộ 2.500 câu hỏi trải rộng toán học, khoa học tự nhiên và nhiều lĩnh vực khác ở trình độ chuyên gia, các mô hình frontier cải thiện 30% chỉ trong một năm.
• Trên MMLU-Pro — bộ 12.000 câu hỏi được con người kiểm chứng, đo khả năng suy luận nhiều bước qua hơn chục lĩnh vực — các mô hình dẫn đầu đạt trên 87%.
• Trên GAIA, benchmark đo năng lực của các trợ lý AI tổng quát, độ chính xác tăng từ khoảng 20% lên 74,5%.
• Trên WebArena, đo khả năng agent thực hiện tác vụ trên môi trường web thực tế, tỷ lệ thành công tăng từ 15% (2023) lên 74,3% (đầu 2026).

Đây không phải sự cải thiện tuyến tính chậm rãi — đây là những bước nhảy về năng lực trong khoảng thời gian rất ngắn, trên các benchmark được thiết kế bởi các nhóm nghiên cứu độc lập, không phải số liệu tự công bố bởi các công ty phát triển mô hình.

Các lĩnh vực AI đạt kết quả đáng chú ý

Ba lĩnh vực cụ thể đáng chú ý nhất:

Lập trình. Trên SWE-bench Verified — bộ đánh giá khả năng của AI trong việc giải quyết các vấn đề GitHub thực tế, đã được con người kiểm chứng — tỷ lệ thành công của agent tăng từ 60% lên gần 100% chỉ trong một năm. Đây là một benchmark đo trực tiếp khả năng xử lý mã nguồn thực tế, không phải bài toán lập trình lý thuyết.

Toán học. Năm 2025, một mô hình của Google DeepMind (Gemini với chế độ Deep Think) đạt chuẩn huy chương vàng tại kỳ thi Olympic Toán học Quốc tế (IMO) — một kỳ thi mà đề bài đòi hỏi khả năng chứng minh toán học sáng tạo, không chỉ tính toán.

Suy luận khoa học. OpenAI, khi công bố benchmark “FrontierScience” (tháng 12/2025), ghi nhận rằng các mô hình năng lực cao nhất đang bắt đầu tăng tốc thực sự các quy trình nghiên cứu khoa học thật, không chỉ giải bài tập.

Điểm chung của ba lĩnh vực này: chúng đều là những nhiệm vụ có tiêu chí đúng/sai rõ ràng, có thể đo lường khách quan — khác với những nhiệm vụ đòi hỏi phán đoán mơ hồ hoặc quan hệ con người, nơi AI vẫn còn hạn chế đáng kể.

→ Liên quan: AI đã vượt khỏi chatbot — từ assistant đến agentic

Từ năng lực cá nhân đến tác động tổ chức

Đây là phần dễ bị bỏ qua nhất khi các con số benchmark ấn tượng lan truyền trên truyền thông.

Chính AI Index Report 2026 đưa ra lời cảnh báo cân bằng: dù năng lực trên benchmark tăng vọt, AI agent hiện vẫn thất bại khoảng một phần ba số lần thử trên các benchmark có cấu trúc khi được nhúng vào quy trình vận hành doanh nghiệp thực tế. Các nhà nghiên cứu Stanford HAI gọi khoảng cách này là “jagged frontier” (đường biên gồ ghề): AI có thể đạt huy chương vàng Olympic Toán học, nhưng vẫn có thể không đọc đúng giờ trên một chiếc đồng hồ.

Sự khác biệt nằm ở bản chất của nhiệm vụ. Một bài toán Olympic có đề bài rõ ràng, tiêu chí đúng/sai xác định, và không phụ thuộc vào ngữ cảnh tổ chức cụ thể. Một quy trình vận hành doanh nghiệp thực tế thường mơ hồ hơn nhiều: dữ liệu không hoàn chỉnh, yêu cầu thay đổi giữa chừng, và thành công được đánh giá không chỉ bằng một đáp số mà bằng việc có phù hợp với hàng loạt ràng buộc thực tế hay không.

Một mô hình đạt hiệu suất ấn tượng trên benchmark không tự động đảm bảo độ tin cậy tương ứng khi triển khai vào một quy trình doanh nghiệp cụ thể. Đây chính xác là lý do vì sao năng lực (capability) và độ tin cậy vận hành (operational reliability) cần được đánh giá tách biệt.

→ Liên quan: Agentic AI khác AI Assistant như thế nào?

Hàm ý cho doanh nghiệp

Từ những phân tích trên, có ba hàm ý thực tế cho doanh nghiệp đang cân nhắc ứng dụng AI ở mức năng lực cao hơn:

1. Đánh giá năng lực AI theo đúng loại nhiệm vụ, không theo con số benchmark chung chung. Một mô hình xuất sắc trên benchmark toán học không tự động đáng tin cậy hơn cho một nhiệm vụ đòi hỏi phán đoán trong bối cảnh tổ chức mơ hồ. Cần đánh giá năng lực AI trên loại nhiệm vụ cụ thể mà doanh nghiệp định giao.

2. Kỳ vọng thất bại có cấu trúc, không phải thất bại ngẫu nhiên. “Jagged frontier” gợi ý rằng thất bại của AI thường tập trung ở những loại nhiệm vụ cụ thể — thường là những nhiệm vụ cần ngữ cảnh tổ chức, phán đoán mơ hồ, hoặc độ chính xác tuyệt đối ở chi tiết nhỏ. Xác định trước những “điểm mù” này giúp thiết kế các điểm kiểm soát đúng chỗ.

3. Năng lực tăng nhanh không có nghĩa control layer trở nên ít cần thiết hơn — ngược lại. Khi AI càng có khả năng xử lý những nhiệm vụ phức tạp hơn, phạm vi hành động mà nó có thể được giao càng lớn hơn — và hậu quả của một lần thất bại cũng lớn hơn tương ứng.

Bài viết này là một phần trong chuỗi OKELAS AI Control.

Bài liên quan:

• AI đã vượt khỏi chatbot — từ assistant đến agentic
• Agentic AI khác AI Assistant như thế nào?
• AI được phép làm đến đâu? Tại sao doanh nghiệp cần một control layer

→ AI Readiness Assessment