Phân tích về System One Model và sự dịch chuyển của AI Agent vào đời sống thực tiễn

Trong thời gian gần đây, cộng đồng AI chứng kiến sự xuất hiện của những hướng tiếp cận mới, trong đó nổi bật là các mô hình được thiết kế không nhằm sinh ra văn bản dài, lập luận phức tạp hay hội thoại tự nhiên, mà tập trung vào việc đưa ra các quyết định có cấu trúc. Những mô hình này nhận tình huống đầu vào và trả về kết quả dạng phân loại, chấm điểm, định tuyến hoặc xác nhận mức độ tin cậy, để hệ thống phía sau có thể hành động ngay. Đây không phải là sự phủ nhận vai trò của các mô hình ngôn ngữ lớn, mà là dấu hiệu cho thấy cách chúng ta phân công công việc cho AI đang bắt đầu thay đổi.

1. System One và System Two: Khung phân tích từ khoa học nhận thức

Để hiểu rõ hơn về hướng tiếp cận mới này, cần trở lại khung lý thuyết kinh điển của nhà tâm lý học Daniel Kahneman về hai hệ thống tư duy của con người.

• System 1 (Tư duy hệ thống 1): Nhanh, tự động, trực giác, ít tốn năng lượng. Đây là kiểu phản ứng gần như tức thì trước các tình huống quen thuộc: nhận diện khuôn mặt, phán đoán nguy hiểm sơ bộ, đưa ra quyết định thường ngày mà không cần suy nghĩ sâu.
• System 2 (Tư duy hệ thống 2): Chậm, có chủ đích, đòi hỏi nỗ lực nhận thức cao. Đây là kiểu tư duy phân tích, lập luận nhiều bước, giải quyết vấn đề mới hoặc phức tạp.

Trong nhiều năm qua, các mô hình ngôn ngữ lớn (LLM) chủ yếu được phát triển và định vị theo hướng mô phỏng System 2: khả năng lập luận dài, tổng hợp thông tin, sinh nội dung, giải thích và hội thoại. Chính vì thế, khi đưa LLM vào quy trình doanh nghiệp, người ta thường kỳ vọng nó đảm nhận cả những quyết định nhỏ, hẹp và lặp lại – vốn gần với đặc tính của System 1 hơn.

Sự xuất hiện của các mô hình được gọi là System One Model đặt ra một cách tiếp cận khác. Thay vì cố gắng dùng một mô hình mang đặc tính System 2 để giải quyết mọi việc, người ta bắt đầu thiết kế những mô hình chuyên biệt cho lớp quyết định nhanh, có cấu trúc, ít cần sinh ngôn ngữ. Đây là sự phân công lại vai trò của AI theo đúng bản chất của từng loại tác vụ.

2. Từ “LLM everywhere” đến phân công đúng việc

Trong giai đoạn trước, khi các mô hình ngôn ngữ lớn trở nên phổ biến, nhiều tổ chức có xu hướng đưa LLM vào hầu hết các mắt xích của quy trình. Một ví dụ điển hình là bài toán hỗ trợ vận hành công nghệ thông tin: ticket từ người dùng đi vào hệ thống, cần được phân loại để chuyển đến nhóm phụ trách mạng, nhóm phần mềm, nhóm an ninh, hoặc đưa sang người xử lý nếu chưa đủ cơ sở để quyết định tự động.

Cách triển khai phổ biến lúc bấy giờ là lấy nội dung ticket, bổ sung ngữ cảnh, gọi một mô hình ngôn ngữ lớn, yêu cầu phân loại và trả về định dạng có cấu trúc, sau đó để công cụ điều phối quy trình đọc kết quả và rẽ nhánh. Cách làm này dễ hiểu, dễ triển khai và mang lại kết quả quan sát được ngay. Nó phản ánh tư duy “LLM everywhere” – lấy mô hình vạn năng để giải quyết cả những quyết định hẹp, lặp lại.

Tuy nhiên, khi nhìn lại dưới góc độ System One – System Two, câu hỏi đặt ra là: liệu mọi quyết định nhỏ trong quy trình có nhất thiết phải sử dụng một mô hình mang đặc tính System 2 không? Trong nhiều trường hợp, thứ hệ thống thực sự cần chỉ là một phán đoán có cấu trúc đủ tin cậy để biết phải đi đường nào – đúng với đặc thù của System 1.

3. Lớp quyết định hẹp nhưng có mật độ cao trong doanh nghiệp

Thực tế vận hành doanh nghiệp cho thấy tồn tại một lớp công việc khá lớn mang đặc điểm: lặp lại, phạm vi hẹp, cần tốc độ và tính nhất quán cao. Đó có thể là việc phân loại ticket hỗ trợ, định tuyến lead bán hàng, phát hiện giao dịch bất thường ở mức sơ bộ, hoặc xác định hồ sơ nào cần con người xem lại. Những tác vụ này không đòi hỏi năng lực sinh nội dung hay lập luận đa bước phức tạp, mà cần khả năng đưa ra quyết định có kiểm soát, kèm theo mức độ tin cậy để hệ thống biết khi nào nên dừng và chuyển cho con người.

Việc xuất hiện các mô hình System One gợi mở một cách tiếp cận khác. Thay vì mặc định gọi mô hình mạnh nhất cho mọi mắt xích, tổ chức có thể bắt đầu đặt câu hỏi ngược lại: tác vụ này thực sự cần loại hình trí tuệ nào? Có những phần code và quy tắc truyền thống vẫn hiệu quả hơn. Có những phần chỉ cần mô hình quyết định hẹp (System One). Có những phần mới thực sự cần đến năng lực lập luận của mô hình frontier (System Two). Và luôn có những điểm mà máy nên dừng lại để con người chịu trách nhiệm cuối cùng.

4. AI Agent đang đi vào đời sống vận hành

Sự dịch chuyển này gắn trực tiếp với quá trình AI Agent thâm nhập vào các quy trình thực tế. AI Agent không còn chỉ được hiểu như chatbot trả lời câu hỏi hoặc công cụ sinh nội dung. Trong môi trường doanh nghiệp và hành chính, Agent ngày càng đảm nhận vai trò thực thi các quyết định nhỏ, lặp lại, có kiểm soát trong chuỗi quy trình.

Khi các quyết định đó được tách bạch về mặt công cụ – đâu cần mô hình sinh (System Two), đâu cần mô hình quyết định (System One), đâu cần con người – thì khả năng triển khai Agent một cách bền vững và kiểm soát được rủi ro sẽ tăng lên rõ rệt. Một Agent hiệu quả không phải là Agent gọi mô hình mạnh nhất ở mọi bước, mà là Agent biết phân bổ đúng loại năng lực cho đúng loại việc.

5. Kết luận

Sau giai đoạn Generative AI lan tỏa mạnh mẽ, cộng đồng đang bắt đầu nhận ra một bài học mang tính điều chỉnh: không phải tác vụ AI nào cũng cần một cỗ máy vạn năng biết sinh ra câu chữ. Có những lớp công việc chỉ cần quyết định hẹp nhưng chính xác và lặp lại được – đúng với đặc tính của System One.

Việc nhận diện và phân công đúng loại hình trí tuệ cho từng lớp công việc sẽ là một trong những yếu tố quan trọng để AI Agent thực sự đi vào đời sống vận hành của tổ chức, thay vì dừng lại ở mức độ thử nghiệm hay trình diễn. Đây là sự trưởng thành của tư duy ứng dụng AI: từ chỗ chạy theo năng lực tổng quát, tiến tới chỗ biết dùng đúng công cụ cho đúng việc.

ICDT sẽ tiếp tục theo dõi và phân tích các hướng tiếp cận mới này trong quá trình đồng hành cùng cơ quan nhà nước và doanh nghiệp trong việc đưa AI vào các quy trình thực tiễn một cách hiệu quả, kiểm soát được và tạo ra giá trị cụ thể.

Viện Sáng tạo và Chuyển đổi số (ICDT)