Phần mềm không chết mà đang tiến hóa

• Khi việc tạo mã bằng AI trở nên rẻ hơn, hào lũy kiểu "chúng tôi xây tính năng trước" bị phá vỡ, và những phần mềm chỉ chồng chất thật nhiều tính năng đang bị định giá lại theo thời gian thực (repriced)
• Giờ đây, năng lực phòng thủ không đến từ tốc độ ra tính năng mà từ quy trình làm việc độ chính xác cao, dữ liệu độc quyền, hệ thống hồ sơ sâu; tiêu chuẩn để được công nhận là một "doanh nghiệp thực thụ" cũng cao hơn
• Những tuyên bố kiểu "cuối tuần tôi vibe coding một CRM bằng Claude" đã bỏ qua khác biệt giữa tạo mã và vận hành dịch vụ mission-critical; doanh nghiệp mua niềm tin (trust) chứ không mua mã
• Agent không thay thế ứng dụng mà được lồng vào bên trong các ứng dụng theo chiều dọc; ứng dụng sở hữu mô hình dữ liệu, quyền hạn và audit trail vẫn sẽ là chủ thể bán hàng và gia hạn
• Gần đây, 285 tỷ USD vốn hóa thị trường của phần mềm legacy đã bốc hơi, làm dấy lên luận điệu về cái chết của SaaS, nhưng nhu cầu AI vẫn vượt cung trong một thị trường dựa trên doanh thu thực tế

---

Tranh luận về bong bóng đang đặt sai câu hỏi

• Nhìn toàn bộ AI thì đây không phải bong bóng. Nhu cầu vẫn liên tục vượt cung, và một số công ty trong danh mục thậm chí không thể nhận hết khách hàng vì thiếu tài nguyên tính toán
  • Nhu cầu này không chỉ gắn với số lượng người dùng mà còn gắn với hàng chục tỷ USD doanh thu thực tế; bong bóng không xuất hiện theo kiểu như vậy
• Tuy vậy, có một nơi đáng nghi là bong bóng: lĩnh vực robot hình người đang hút vốn vào các định giá giai đoạn muộn
  • Có thể thấy các màn nhào lộn ngược hay nhảy múa, nhưng vẫn chưa có robot nào làm được công việc có giá trị kinh tế thực sự
  • LLM hoạt động được nhờ kho ngữ liệu huấn luyện là internet mở, còn robotics thì không có một kho dữ liệu tương đương,
    nên vẫn là một bài toán nghiên cứu với nguồn dữ liệu huấn luyện chưa rõ ràng (mà tiến độ nghiên cứu thì không khớp với tiến độ đầu tư mạo hiểm)
• Nói cách khác, câu trả lời cho câu hỏi "bong bóng AI" là khác nhau theo từng lĩnh vực; ngay cả với phần mềm (SaaS), cũng không nên vội kết luận là "đã chết" mà phải xem xét từng lập luận

4 luận điểm về cái chết của phần mềm (xếp từ tệ nhất đến tốt nhất)

• #4: Ai cũng sẽ tự vibe coding phần mềm của mình

  • Lập luận kiểu "tại sao phải trả tiền cho Salesforce khi cuối tuần có thể tự vibe coding CRM bằng Claude"
  • Tạo ra codebase và vận hành dịch vụ mission-critical là hai việc hoàn toàn khác nhau
    • Nếu người đã vibe code rời đi thì sẽ phát sinh vấn đề bảo trì codebase
    • Tạo mã không giải quyết được các vấn đề tuân thủ SOC2, kiểm soát hallucination
    • Cũng không giải quyết được bài toán tích hợp cơ sở dữ liệu SQL viết từ năm 1998, hay trách nhiệm uptime khi dashboard sập lúc 4 giờ sáng
  • Doanh nghiệp mua niềm tin chứ không mua mã; AI khiến tính tương đương của mã trở nên dễ đạt hơn, nhưng tính tương đương của niềm tin vẫn rất khó

• #3: Các agent như Claude và ChatGPT sẽ nuốt chửng ứng dụng doanh nghiệp

  • Đây là lập luận tốt hơn vibe coding, nhưng vẫn khó tin trong các quy trình làm việc mà chi phí sai sót rất lớn
  • Hệ thống LLM mang tính phi định tính (non-deterministic) và dễ bị hallucination
    • Bug phần mềm thông thường có thể tái hiện, nhưng lỗi của agent giống như một bài kiểm thử bất ổn: vượt qua 98% thời gian rồi thất bại đúng vào thời điểm quyết định
  • Chúng phù hợp với các tác vụ rủi ro thấp như soạn email nháp, tóm tắt tài liệu, viết nội dung marketing
    • Nhưng nếu agent bỏ sót trường bắt buộc hoặc ghi sai giá trị hợp đồng khiến mất một thương vụ 6 chữ số, thì sẽ lại cần một hệ thống ép buộc quy tắc
  • Các đội xây workflow thuần agent rồi cũng sẽ phải dựng lại lớp xác minh, bước phê duyệt, rollback và audit log
    • Cộng tất cả những thứ đó lại thì rốt cuộc cũng là tái xây dựng một ứng dụng SaaS quanh agent
    • Kết quả là, thay vì thay thế ứng dụng, họ lồng agent vào bên trong ứng dụng theo chiều dọc
    • Mô hình dữ liệu, quyền hạn, audit trail và quan hệ khách hàng vẫn do ứng dụng sở hữu; thứ được bán, hỗ trợ và gia hạn chính là lớp bao đó
  • Khi độ tin cậy của mô hình được cải thiện thì câu chuyện sẽ hấp dẫn hơn, nhưng hiện chưa tới giai đoạn đó

• #2: Sự biến mất của mô hình giá theo số ghế sẽ làm mô hình SaaS sụp đổ

  • SaaS truyền thống gồm ba lớp: dữ liệu, logic nghiệp vụ và UI; giờ đang có thêm lớp thứ tư là lớp agentic (agentic layer)
    • Nếu trước đây bán 50 ghế cho con người mà nay chỉ cần hai agent xử lý không cần UI, thì rõ ràng sẽ xuất hiện vấn đề về quyền định giá
  • Nếu agent làm được nhiều việc hơn và khách hàng nhận được nhiều giá trị hơn, đây không phải vấn đề sống còn mà là bài toán giá và đóng gói
    • Nhà cung cấp biết thiết kế giá theo giá trị nhận được (price to value) bằng token, theo kết quả hoặc mô hình sử dụng lai sẽ sống sót
    • Nhà cung cấp cố chấp bám vào giá theo ghế sẽ sụp đổ khi khách hàng tự động hóa các ghế đó
  • Mô hình giá thuần theo kết quả khó áp dụng gọn gàng cho mọi danh mục, nên trong vài năm tới mô hình lai (mức sử dụng + kết quả) nhiều khả năng sẽ chiếm ưu thế (được nêu rõ trong nguyên văn)

• #1: Mã rẻ hơn khiến hào lũy tính năng sụp đổ

  • Đây là lập luận đáng được xem trọng nhất
  • Hào lũy của SAP, ServiceNow và Salesforce trong nhiều thập kỷ là lực lượng kỹ sư tích lũy
    • Mọi tính năng, tích hợp và báo cáo đều được hấp thụ vào các codebase mà startup rất khó đuổi kịp, nhưng AI đang rút ngắn mạnh mẽ mốc thời gian đó
  • Nếu sản phẩm của bạn chỉ là một lớp workflow thuần túy và lập luận phòng thủ chỉ là "chúng tôi làm trước", thì bạn đang ở trong vùng nguy hiểm
    • Business intelligence, tạo nội dung sáng tạo hiện là những mảng có hào lũy nông nhất, và LLM lại đặc biệt giỏi đúng các công việc đó

Vậy giờ hào lũy nằm ở đâu

• Ba yếu tố phòng thủ

  • Quy trình làm việc độ chính xác cao với ngân sách lỗi gần bằng 0: hạ tầng tài chính, y tế, tuân thủ quy định...
    • Vibe coding không chịu nổi audit HIPAA hay sai lệch đối soát; chính chi phí của lỗi trở thành hào lũy
  • Vòng lặp phản hồi dữ liệu độc quyền: cải thiện có ý nghĩa theo cách khách hàng sử dụng và đối thủ không thể sao chép chỉ với cùng một foundation model
    • Tài sản ở đây là dữ liệu, không phải mô hình
  • Hệ thống hồ sơ sâu (systems of record): được nhúng vào vận hành legacy, sở hữu nguồn chân lý và tạo ra chi phí chuyển đổi cao
    • Các công ty này không nên né AI mà phải chủ động đón nhận nó, vì lớp agent còn làm giá trị dữ liệu tăng cao hơn

Hiện trạng AI stack: nơi nên đầu tư và nơi không nên đầu tư

• Câu nói "đầu tư vào AI" giờ không còn khác biệt hơn mấy so với câu "đầu tư vào phần mềm" năm 2012
• Có bốn lớp tồn tại, và chúng không phải các đích phân bổ vốn giống nhau

• 1. Phần cứng

  • Tính toán vẫn là ràng buộc then chốt (binding constraint) của chu kỳ này
  • Các công ty như Neolabs đang chờ những đơn đặt hàng (PO) vốn lẽ ra phải được xử lý từ nhiều tháng trước
  • Nhu cầu là có thật nhưng nguồn cung bị nghẽn, và bên thắng chủ yếu là các công ty niêm yết hoặc đã có quy mô lớn — đầu tư seed không làm thay đổi kết quả

• 2. Mô hình

  • Frontier model không phải một thương vụ venture mà là một cuộc chơi thâm dụng vốn (capex)
  • Chi phí huấn luyện nghiêm túc lớn tới mức ngang GDP của một quốc gia nhỏ, và OpenAI, Anthropic, Google đã ở trong cuộc chơi đó
  • Một startup mô hình theo hướng đối đầu trực diện đang chọn sai trận chiến
  • Chỉ có một số rất ít công ty như Sciforium theo đuổi kiến trúc mới, cách huấn luyện/suy luận mới, cách đóng khung vấn đề mới mới đáng đầu tư
    • Nếu đó là cách tiếp cận đánh vòng sườn (outflanking) khiến các ông lớn hiện tại chỉ có thể làm theo bằng cách tự ăn mòn cốt lõi của mình, thì mới đáng quan tâm

• 3. Hạ tầng

  • Đây là nơi AI phá vỡ các giả định SaaS cũ theo cách thú vị
  • SaaS truyền thống thiên về đọc nhiều (read-heavy): lưu một hàng rồi đọc lại hàng triệu lần
    • Khối lượng công việc AI thì đảo ngược điều đó: pipeline huấn luyện, bộ nhớ agent, vector store, evaluation harness đều thiên về ghi và cập nhật (write-heavy) và vận hành trên những kiểu dữ liệu mà hệ thống legacy chưa từng được thiết kế cho
  • Đầu tư đang được thực hiện tích cực ở cả hai phía
    • Chính lớp dữ liệu: PlanetScale, Greybeam — tái xây dựng các primitive cơ sở dữ liệu OLTP và OLAP cho đúng kiểu workload này
    • Lớp tạo dữ liệu: Preference Model, Moody Pines, Terac — sau khi giải quyết bài toán compute, nút thắt thực sự là nguồn cung dữ liệu đã được làm sạch, cấu trúc hóa và gắn nhãn

• 4. Ứng dụng

  • Đây là nơi phần lớn vốn đang đổ vào, cũng là lớp nơi giá trị chạm tới người mua thực tế
  • AI đang mở ra surface area khổng lồ cho những workflow trước đây không thể động tới như mã hóa y tế, tối ưu vận tải hàng hóa, rà soát pháp lý, sales motion, vận hành lâm sàng
  • Cạnh tranh gay gắt và áp lực giá là có thật, nhưng đó cũng là đặc tính của một lớp có nhu cầu lớn
  • Người chiến thắng sẽ là những bên kết hợp workflow AI-native với một trong ba yếu tố: môi trường đòi hỏi độ chính xác cao, vòng lặp dữ liệu độc quyền hoặc hệ thống hồ sơ sâu

Dành cho những người đang khởi nghiệp trong thị trường này

• Phần cứng và mô hình gần như đã đóng cửa với người mới nếu không có lợi thế cấu trúc
• Hạ tầng thì đang mở toang nếu bạn thực sự hiểu rằng "workload AI không phải workload SaaS chỉ gắn thêm chatbot"
• Ứng dụng là nơi có khối lượng cơ hội lớn nhất và cũng là nơi chuẩn mực cơ bản tăng nhanh nhất

• Khuyến nghị cho giai đoạn seed và series A

  • Hãy ngừng lấy "ra mắt nhanh" làm hào lũy — giờ đó chỉ là yêu cầu tối thiểu
  • Hãy cho thấy dữ liệu mà chỉ bạn mới tích lũy được, thứ không ai khác có thể có
  • Hãy nhấn mạnh workflow mà chỉ bạn mới hấp thụ được, thứ khách hàng không thể dễ dàng rút ra
  • Hãy pitch độ chính xác mà hệ thống của bạn mang lại trong những môi trường mà sai sót dẫn tới tổn thất lớn
  • Nếu bạn là một tính năng nằm giữa hai ứng dụng lớn, hãy ý thức rằng mình đang ở trong vùng chết (dead zone)
• Phần mềm không chết, nhưng phần mềm tiện ích cồng kềnh đang bị định giá lại theo thời gian thực (repriced); thứ sẽ thay thế nó khó hơn rất nhiều so với một dự án cuối tuần dựng trên model API — chuẩn mực của một doanh nghiệp thực thụ đang tăng lên