Tuần này, tôi đọc một bài đăng trên LinkedIn gợi lại cảm giác “đã từng thấy”. Duda Bardavid, một nhà sáng lập không chuyên về kỹ thuật, được Techstars hỗ trợ và tốt nghiệp MIT, đã viết về việc chuyển đổi từ Lovable sang Claude Code. Cô ấy không muốn trở thành nhà phát triển mà bởi vì sự trừu tượng đã đạt đến giới hạn.
Lovable là điểm khởi đầu của cô ấy trong việc xây dựng với AI. Nó cho cô ấy thấy cách các câu lệnh dịch thành các quyết định sản phẩm. Đó là một bước đệm tuyệt vời. Nhưng khi cô ấy chuyển sang VS Code + Claude Code, mọi thứ đã thay đổi. Cô ấy có thể thấy cấu trúc sản phẩm của mình thực sự được xây dựng như thế nào. Cô ấy có thể gỡ lỗi các nguyên nhân gốc rễ thay vì tạo lại các tính năng và suy nghĩ theo hệ thống.
Vài tuần trước, tôi thấy Gokul Rajaram, cựu giám đốc điều hành tại Square và DoorDash, một trong những nhà đầu tư thiên thần được kính trọng nhất ở Thung lũng Silicon, đăng một cảnh báo trực tiếp cho các nhà sáng lập AI theo chiều dọc. Ông gọi đó là “Thách thức AI theo chiều dọc”.
Quy tắc mọi người đều đồng ý
Hãy bắt đầu với những kiến thức đã được thiết lập. Bởi vì nó thực sự mạnh mẽ.
Quy tắc rất đơn giản: tìm một thị trường ngách, trở thành công cụ tốt nhất cho thị trường ngách đó. Đây có lẽ là lời khuyên khởi nghiệp được lặp lại nhiều nhất trong thập kỷ qua.
Peter Thiel đã xây dựng toàn bộ triết lý xoay quanh nó. Trong cuốn sách “Zero to One”, lời khuyên của ông rất rõ ràng: bắt đầu bằng cách thống trị một thị trường ngách nhỏ, cụ thể. PayPal bắt đầu với việc thanh toán cho người bán trên eBay. Facebook bắt đầu với sinh viên Harvard. Amazon bắt đầu với sách. Một khi bạn sở hữu thị trường ngách, hãy mở rộng theo hình tròn đồng tâm.
Paul Graham cũng lặp lại điều tương tự tại Y Combinator. Trong bài luận nổi tiếng “Do Things That Don’t Scale”, ông sử dụng phép ẩn dụ về ngọn lửa: giữ ngọn lửa được kiểm soát lúc đầu để nó thực sự nóng trước khi thêm nhiều khúc gỗ hơn. Facebook chỉ ở Harvard cho đến khi đạt được khối lượng tới hạn. Sau đó, nó lan rộng.
Và đây không chỉ là kiến thức từ những năm 2010. Hiện tại, vào năm 2026, các quỹ đầu tư mạo hiểm lớn đang tăng cường đầu tư vào AI theo chiều dọc.
Bessemer Venture Partners lập luận rằng các công ty AI theo chiều dọc đang đạt mức tăng trưởng khoảng 400% so với cùng kỳ năm trước. Luận điểm của họ: AI theo chiều dọc tạo ra thị trường lớn hơn AI theo chiều ngang, bởi vì nó có thể định giá theo giá trị được cung cấp, không phải theo từng chỗ ngồi.
Scale Venture Partners đi xa hơn – những “khó khăn” của thị trường theo chiều dọc (các ràng buộc pháp lý, dữ liệu chuyên biệt theo từng lĩnh vực, các đối thủ cạnh tranh lâu đời) trở thành những rào cản có thể khai thác trong kỷ nguyên AI. NFX gọi đó là “sự theo chiều dọc hóa của mọi thứ”. Và Andreessen Horowitz hiện đang tích cực tìm kiếm các startup AI ưu tiên theo chiều dọc.
Vì vậy, những khoản tiền thông minh nói rằng: đi sâu, không đi rộng. Chuyên môn về lĩnh vực sẽ chiến thắng. Thị trường ngách là rào cản.
Tôi nghe tất cả những điều này. Tôi đọc tất cả. Và sau đó tôi nhìn vào những gì thực sự đang xảy ra với người dùng, và tôi nghĩ: liệu có thể họ đang nhìn nhầm người dùng không?
Bài học cay đắng
Năm 2019, người tiên phong về học tăng cường Rich Sutton đã viết một bài luận có tên “Bài học cay đắng” đã làm rung chuyển cộng đồng nghiên cứu AI. Lập luận của ông rất đơn giản và tàn khốc: các phương pháp chung tận dụng sức mạnh tính toán luôn chiến thắng các phương pháp cố gắng mã hóa kiến thức chuyên môn của con người. Các nhà nghiên cứu cờ vua đã dành hàng thập kỷ để mã hóa các chiến lược của đại kiện tướng vào các công cụ của họ. Sau đó, tìm kiếm bằng cách vét cạn đã đánh bại Kasparov. Các nhà nghiên cứu nhận dạng giọng nói đã tự tay tạo ra các quy tắc ngôn ngữ trong nhiều năm. Sau đó, các mô hình thống kê được đào tạo trên âm thanh thô đã vượt trội hơn tất cả. Các chuyên gia thị giác máy tính đã xây dựng các thuật toán phát hiện cạnh tinh vi. Sau đó, các mạng thần kinh tích chập – không biết gì về “cạnh” – đã đè bẹp chúng.
Bài học này “cay đắng” bởi vì nó có nghĩa là tất cả kiến thức chuyên môn khó khăn đó trở thành một gánh nặng.
Kiến thức chuyên biệt không chỉ ngừng giúp ích – nó còn thực sự cản trở phương pháp chung mở rộng hơn nữa.
Sau đó, bằng chứng ở cấp độ sản phẩm đã xuất hiện.
Năm 2023, Bloomberg đã chi ước tính 10 triệu đô la để xây dựng BloombergGPT – một mô hình ngôn ngữ 50 tỷ tham số được đào tạo trên 363 tỷ token dữ liệu tài chính độc quyền. Các báo cáo thu nhập, phân tích thị trường, hồ sơ công ty, thông tin liên lạc nội bộ. Dữ liệu mà không đối thủ nào có thể truy cập. Một nước đi AI theo chiều dọc tối thượng.
Sau đó, các nhà nghiên cứu tại Đại học Queen’s đã thử nghiệm GPT-4 với nó. GPT-4 – một mô hình đa năng không được đào tạo về tài chính – đã vượt trội hơn BloombergGPT trong hầu hết các tác vụ tài chính. Phân tích cảm xúc, phân loại tiêu đề, lý luận tài chính. Như Ethan Mollick đã nói: Bloomberg đã chi hơn 10 triệu đô la để đào tạo một AI chuyên biệt trên dữ liệu của riêng họ, chỉ để thấy rằng một mô hình chung đã đánh bại nó trong hầu hết các tác vụ tài chính.
Bài học cay đắng của nghiên cứu AI đang trở thành bài học cay đắng của các sản phẩm AI. Quyền truy cập chung đánh bại các mẫu chuyên biệt. Không phải ngay lập tức – công cụ chuyên biệt thường chiến thắng vào Ngày 1. Nhưng độ dốc chỉ đi theo một hướng.
Gió đang đổi chiều
Bài đăng trên LinkedIn của Gokul Rajaram được gửi trực tiếp đến các nhà sáng lập AI theo chiều dọc. Và nó không hề nhẹ nhàng. Cái nhìn sâu sắc chính của ông không phải về vị trí hiện tại của các tác nhân chung. Mà là về độ dốc. Nếu một tác nhân đa năng tốt bằng 30% tác nhân theo chiều dọc của bạn vào Ngày 1, nhưng 50% vào Ngày 60, và 70% vào Ngày 120 – bạn cần đánh giá lại chiến lược sản phẩm của mình. Điều quan trọng là tốc độ cải thiện, không phải chất lượng ban đầu.
Điều đó đã gây ấn tượng với tôi. Bởi vì đó chính xác là những gì tôi đang chứng kiến xảy ra trong thời gian thực.
Sau đó vào tháng 12, Meta đã mua lại Manus với giá hơn 2 tỷ đô la. Manus là một tác nhân AI đa năng. Không được đào tạo trên bất kỳ lĩnh vực cụ thể nào. Không có mô hình độc quyền – nó điều phối các mô hình hiện có. Nó xử lý nghiên cứu thị trường, lập trình, phân tích dữ liệu. Nó đạt 100 triệu đô la ARR trong tám tháng. Hai tỷ đô la cho một lớp thực thi đa năng. Không phải một nước đi theo chiều dọc. Không phải một rào cản lĩnh vực. Mà là sự điều phối.
Grant Thornton Stax đã công bố một phân tích chỉ vài tuần trước làm sáng tỏ hơn những gì đang xảy ra. Họ lập luận rằng AI đang tạo ra một sự phân chia cấu trúc giữa hai loại công ty. Họ thực sự chỉ ra 6 khía cạnh cần chú ý: Phạm vi quy trình làm việc, Khả năng thay thế đầu ra, Dữ liệu độc quyền, Cảnh quan cạnh tranh, Độ bền giá, Độ co giãn của Tổng thị trường có thể tiếp cận (TAM).
Một số trong số này vẫn ủng hộ các công ty theo chiều dọc. Nhưng một số lại ủng hộ các công ty theo chiều ngang.
Mary Meeker tại Bond Capital đã thẳng thừng trong Báo cáo Xu hướng AI năm 2025 của mình: kỷ nguyên của các giải pháp điểm SaaS đang đến gần hồi kết.
Satya Nadella vẫn gọi AI là một “sự thay đổi nền tảng kiến tạo” – ngang tầm với internet, di động và đám mây. Không phải là công cụ chuyên dụng theo từng lĩnh vực. Mà là các tác nhân. Các tác nhân tổng quát. Kết nối mọi thứ.
Xu hướng này rất khó bỏ qua. Các nhà đầu tư thông minh nhất nói rằng “hãy tập trung vào một lĩnh vực cụ thể”. Nhưng những thương vụ mua lại lớn nhất, những sản phẩm phát triển nhanh nhất và những khoản đầu tư vào nền tảng từ các công ty lớn nhất thế giới đều đang hướng đến việc ứng dụng trí tuệ nhân tạo (AI) cho mục đích chung.
Những gì tôi thực sự đang thấy
Đây là quan điểm của tôi. Không phải với tư cách một nhà phân tích. Mà là một người sáng lập đang chứng kiến điều này xảy ra trong chính sản phẩm của mình.
Tại Desktop Commander, chúng tôi cung cấp cho AI quyền truy cập thực sự vào máy tính cục bộ của bạn — các tập tin, thiết bị đầu cuối và quy trình làm việc của bạn. Chúng tôi có hơn 40.000 người dùng hàng tháng trên MCP miễn phí và số lượng người dùng trên ứng dụng Desktop đang tăng lên. Và mô hình mà tôi liên tục thấy không hề hợp lý theo mô hình SaaS truyền thống.
Các nhà sáng lập không chuyên về kỹ thuật hầu như luôn đi theo con đường giống nhau:
Ngày 1: “Sắp xếp thư mục Tải xuống của tôi”
Ngày 3: Xuất trang web Lovable để tự lưu trữ hoặc chuyển đổi sang WordPress
Tuần 2: Vận hành toàn bộ hệ thống bản tin — nghiên cứu tài liệu → soạn thảo bài đăng blog → định dạng và xuất bản lên WordPress → gửi email. Tất cả trong cùng một cuộc trò chuyện và cùng một ngữ cảnh chia sẻ.
Mô hình này luôn giống nhau — họ bắt đầu đơn giản, nhanh chóng tìm ra ý tưởng đột phá, tìm thấy các mảnh ghép khác phù hợp và các trường hợp sử dụng thực tế dần xuất hiện.
Không ai chỉ đi một làn đường. Không ai chỉ sử dụng nó cho một mục đích duy nhất.
Công cụ không định nghĩa công việc. Chính con người mới là người định nghĩa. Trí tuệ nhân tạo chỉ cần có quyền truy cập.
Đây chính xác là những gì Duda đã mô tả. Lovable giống như bánh xe phụ tập đi, còn Claude Code chính là chiếc xe đạp. Phần bình luận trên bài đăng của cô ấy đầy rẫy những người cùng chung hoàn cảnh. Một người nói rằng họ đã chuyển sang dùng Claude Code và Replit và “một thế giới tươi sáng hoàn toàn mới đã hiện ra”.
Không chỉ là sự thay đổi từ “Đáng yêu thích” sang “VS Code”. Mà là “Trí tuệ nhân tạo trong môi trường thử nghiệm” sang “Trí tuệ nhân tạo có quyền truy cập vào máy tính thực của bạn”. Các tập tin của bạn, cửa sổ dòng lệnh của bạn, cấu trúc thư mục lộn xộn năm 2019 của bạn.
Phép so sánh với Google
Tôi cứ quay lại với một sự so sánh giải thích tại sao chiến lược tiếp cận theo chiều dọc lại không hiệu quả đối với loại người dùng này.
Trước khi có Google, bạn lưu các trang web cụ thể vào mục đánh dấu. Một mục đánh dấu cho tin tức, một mục đánh dấu cho thời tiết, một mục đánh dấu cho thể thao. Mỗi mục đều được coi là “công cụ tốt nhất cho lĩnh vực đó”.
Rồi Google xuất hiện. Và với Google, bạn… tìm kiếm các trang web.
Lớp tìm kiếm đa năng đã thay thế các trang web tìm kiếm chuyên biệt — không phải bằng cách giỏi hơn ở bất kỳ khía cạnh nào, mà bằng cách đủ tốt ở mọi khía cạnh và hiểu rõ ngữ cảnh của bạn.
Điều tương tự cũng đang xảy ra với các công cụ AI. Trước khi có các trợ lý ảo, bạn đã sử dụng các ứng dụng cụ thể — Lovable để tạo mẫu thử nghiệm, Notion để soạn thảo tài liệu, Zapier để tự động hóa. Mỗi ứng dụng đều xuất sắc trong lĩnh vực chuyên biệt của mình.
Với các trợ lý AI, mọi người muốn một công cụ có thể phát triển cùng họ. Không phải vì nó giỏi hơn chuyên gia trong từng nhiệm vụ — mà vì nó hiểu các tệp tin, thói quen và quy trình làm việc của họ.
Đó là lý do tại sao các công cụ chuyên dụng luôn thua kém các công cụ tổng quát. Các mẫu dựng sẵn không thể hiểu được ngữ cảnh của bạn.
Một trí tuệ nhân tạo có quyền truy cập thực sự vào máy của bạn sẽ tìm ra điều đó — và phát triển từ một chiếc găng tay mới không vừa vặn thành một chiếc găng tay vừa khít như lớp da thứ hai.
Vậy ai đúng?
Tôi nghĩ cả hai phía đều có phần đúng. Nhưng họ đang nói về những đối tượng người dùng khác nhau. Các nhà đầu tư mạo hiểm ủng hộ AI chuyên ngành là đúng đắn — đối với những ngành mà dữ liệu và quy định là rào cản cạnh tranh. Y tế, pháp luật, bảo hiểm, tài chính. Những lĩnh vực này có các yêu cầu tuân thủ và dữ liệu đào tạo độc quyền mà các công cụ thông thường không thể sao chép. Harvey không chỉ giành chiến thắng trong lĩnh vực AI pháp lý nhờ công nghệ. Họ đã giành chiến thắng nhờ sự tích hợp sâu rộng với các công ty luật và các khách hàng như Allen & Overy.
Nhưng đối với những người làm việc trí thức? Đối với những người sáng lập, nhà phát triển độc lập, chuyên gia tư vấn? Tình hình lại khác. Những người này không cần một công cụ am hiểu các quy định bảo hiểm. Họ cần một công cụ hiểu rõ hồ sơ của họ và phát triển cùng với quy trình làm việc của họ.
Tôi không biết liệu điều này có nghĩa là mô hình SaaS chuyên ngành đang chết dần hay không. Tôi nghi ngờ nó có nghĩa là nó đang chuyển đổi. Những mô hình chuyên ngành tồn tại được sẽ là những mô hình có lợi thế cạnh tranh thực sự về dữ liệu và các rào cản pháp lý. Còn những mô hình không có những lợi thế đó? Giờ đây chúng chỉ còn là các tính năng.
Và câu hỏi mà tôi cứ mãi trăn trở là lập luận về độ dốc của Gokul. Nếu bạn đang xây dựng một công cụ AI chuyên biệt, và những người dùng giỏi nhất của bạn cứ liên tục rời bỏ công cụ – điều gì sẽ xảy ra khi tác nhân đa năng đạt đến 90% người dùng?
Vì độ dốc chỉ có một hướng. Và người dùng không phải chờ đợi.
Tham khảo: medium.com
Ví dụ
PraisonAI
PraisonAI — Tự động hóa và giải quyết các thách thức phức tạp với các nhóm tác nhân AI lập kế hoạch, nghiên cứu, lập trình và cung cấp kết quả cho Telegram, Discord và WhatsApp — hoạt động 24/7. Một khung đa tác nhân sẵn sàng cho sản xuất, ít mã lập trình, với các chức năng chuyển giao, kiểm soát, bộ nhớ, RAG và hơn 100 nhà cung cấp LLM, được xây dựng dựa trên sự đơn giản, khả năng tùy chỉnh và sự hợp tác hiệu quả giữa con người và tác nhân.
Bài viết liên quan: