Mở đầu — vì sao bài này quan trọng
Chúc mừng bạn đã đi đến bài cuối cùng của khóa học. Suốt 59 bài qua, chúng ta đã đi từ những khái niệm nền tảng — phân biệt AI/ML/LLM, RAG, prompt engineering — cho đến những chủ đề khó như guardrails, token economics, agent memory, và các case study lớn của ngành. Bạn đã có đủ "bộ đồ nghề" để bắt đầu làm AI Product Manager thực thụ.
Nhưng có một sự thật khắc nghiệt mà tôi muốn nói thẳng: phần lớn kiến thức kỹ thuật cụ thể trong khóa học này sẽ lỗi thời nhanh hơn bạn tưởng. Model mới ra mỗi vài tháng. Giá token rớt 10 lần mỗi năm. Công cụ bạn học hôm nay có thể bị thay thế sau 18 tháng. Vậy thì điều gì còn lại? Đó chính là khả năng đọc xu hướng và chuẩn bị sản phẩm cho tương lai thay vì chỉ chạy theo hiện tại.
Bài 60 không dạy thêm một kỹ thuật nào nữa. Thay vào đó, nó giúp bạn lùi lại một bước, nhìn toàn cảnh: trong giai đoạn 2026–2030, AI Product sẽ tiến hóa theo những hướng nào, và một PM giỏi cần đặt cược vào đâu để không bị bỏ lại. Đây là bài "tổng kết và định hướng" — thứ sẽ quyết định bạn là người dẫn dắt hay người chạy theo trong 5 năm tới.
Khái niệm cốt lõi
Xu hướng 1: Model nhỏ hơn nhưng mạnh hơn — "small but capable"
Đây là xu hướng quan trọng nhất với một PM, vì nó thay đổi cả kinh tế lẫn kiến trúc sản phẩm. Nếu năm 2023 bạn cần một model 70B tham số để có chất lượng "đủ dùng", thì đến 2026–2027, một model chỉ 1–10B tham số đã làm được điều tương tự cho phần lớn tác vụ thực tế.
Lý do nằm ở ba lực cùng đẩy: kỹ thuật distillation (chưng cất kiến thức từ model lớn sang model nhỏ), dữ liệu huấn luyện chất lượng cao hơn thay vì chỉ nhiều hơn, và các kỹ thuật lượng tử hóa (quantization) cho phép nén model mà gần như không mất chất lượng. Hệ quả với sản phẩm rất cụ thể:
- Inference rẻ và nhanh ở khắp nơi. Khi model 7B chạy được tốt, chi phí mỗi request giảm mạnh, độ trễ (latency) giảm xuống vài trăm mili-giây. Những tính năng trước đây "không khả thi về mặt chi phí" bỗng trở nên hợp lý.
- On-device trở thành mặc định, không còn là ngoại lệ. Model nhỏ chạy thẳng trên điện thoại, laptop, thậm chí thiết bị IoT. Điều này lật ngược nhiều giả định về privacy, offline-first, và cấu trúc chi phí.
Xu hướng 2: AI dịch chuyển từ "tính năng" sang "tác nhân"
Giai đoạn 2023–2025, AI chủ yếu là một tính năng được "gắn thêm" (bolt-on): nút "tóm tắt bằng AI", ô chat hỏi đáp. Giai đoạn 2026–2030, trọng tâm dịch chuyển sang agentic systems — hệ thống tự thực hiện chuỗi nhiều bước, gọi công cụ, ra quyết định trung gian thay con người. Vai trò của PM cũng đổi: bạn không chỉ thiết kế "câu trả lời", mà thiết kế quy trình ủy quyền — agent được phép làm gì, ở đâu cần con người duyệt, và làm sao thu hồi quyền khi nó làm sai.
Xu hướng 3: Chi phí intelligence tiệm cận zero, nhưng trust trở thành nút thắt
Khi giá token rớt và model nhỏ phổ cập, lợi thế cạnh tranh không còn nằm ở "có dùng AI hay không" — ai cũng dùng được. Lợi thế chuyển sang những thứ khó sao chép: dữ liệu độc quyền, vòng lặp phản hồi (feedback loop), và đặc biệt là niềm tin của người dùng. Sản phẩm nào kiểm soát hallucination tốt hơn, minh bạch hơn, bảo vệ dữ liệu tốt hơn sẽ thắng — chứ không phải sản phẩm dùng model "xịn" nhất.
Xu hướng 4: Đa phương thức (multimodal) trở thành tiêu chuẩn giao diện
Đến 2027–2028, việc một sản phẩm hiểu được cả văn bản, hình ảnh, giọng nói và video trong cùng một luồng sẽ là kỳ vọng mặc định của người dùng, không phải điểm khác biệt. Giao diện hội thoại bằng giọng nói (voice-first) sẽ phổ biến ở các thị trường mới nổi như Việt Nam, nơi nhiều người dùng quen nói hơn gõ.
Xu hướng 5: Bản địa hóa và chủ quyền dữ liệu (data sovereignty)
Các quy định về dữ liệu ngày càng siết. Việt Nam đã có Nghị định 13/2023 về bảo vệ dữ liệu cá nhân. Xu hướng "AI chủ quyền" — model và dữ liệu nằm trong biên giới quốc gia — sẽ là yêu cầu bắt buộc với nhiều ngành (ngân hàng, y tế, công). Cộng với sự trưởng thành của các model tiếng Việt, đây là cơ hội lớn cho sản phẩm nội địa.
Tình huống thực tế
Ví dụ 1: Một fintech Việt chuyển từ API cloud sang model on-device
Hãy hình dung "MoMi Pay", một ví điện tử giả định có 8 triệu người dùng tại Việt Nam. Năm 2025, họ ra mắt trợ lý AI phân loại giao dịch, gọi API của một nhà cung cấp lớn ở nước ngoài. Mỗi tháng họ xử lý khoảng 200 triệu request phân loại, mỗi request tốn khoảng 0,0008 USD — tổng cộng hơn 160.000 USD/tháng, tức gần 2 triệu USD/năm chỉ riêng phí inference. Tệ hơn, mỗi giao dịch của người dùng phải gửi ra server nước ngoài, gây lo ngại về tuân thủ Nghị định 13.
Đầu 2027, đội AI của MoMi Pay fine-tune một model 3B chuyên cho tác vụ phân loại giao dịch tiếng Việt, lượng tử hóa xuống 4-bit và đẩy chạy thẳng trong app. Kết quả: phí inference từ 2 triệu USD/năm giảm còn gần như bằng 0 (chỉ còn chi phí huấn luyện một lần và bảo trì), độ trễ giảm từ 600ms xuống 80ms, và dữ liệu giao dịch không rời khỏi thiết bị — giải quyết luôn bài toán tuân thủ.
Bài học: Xu hướng model nhỏ + on-device không chỉ là chuyện kỹ thuật, nó thay đổi trực tiếp P&L và rủi ro pháp lý của sản phẩm. PM cần chủ động đặt câu hỏi "tác vụ này có thể chuyển on-device không?" như một phần của roadmap, chứ không đợi đội kỹ thuật đề xuất.
Ví dụ 2: Notion và bài học "AI là nền tảng, không phải nút bấm"
Quay lại một case thật mà chúng ta đã nhắc trong khóa: Notion. Ban đầu Notion AI là một tính năng riêng lẻ — bạn gõ "/ai" để tóm tắt hay viết tiếp. Nhưng theo thời gian, hướng đi của họ là biến AI thành lớp nền chạy ngầm khắp sản phẩm: tìm kiếm thông minh trên toàn workspace, tự động điền database, agent trả lời câu hỏi dựa trên toàn bộ tài liệu của công ty.
Điểm đáng học là cách họ chuyển từ "feature" sang "agent": thay vì người dùng phải biết gõ đúng lệnh, hệ thống chủ động hiểu ngữ cảnh và thực hiện chuỗi hành động. Đây chính là minh họa sống động cho xu hướng số 2 — và nó cho thấy giá trị lâu dài không nằm ở model, mà ở chỗ Notion sở hữu dữ liệu workspace của hàng triệu doanh nghiệp, thứ không đối thủ nào sao chép được.
Bài học: Khi trí tuệ trở nên rẻ và phổ cập, hãy tự hỏi: tài sản độc quyền của sản phẩm mình là gì? Nếu chỉ là "chúng tôi có gọi GPT", bạn không có moat. Dữ liệu, feedback loop và niềm tin mới là thứ trụ lại.
Ví dụ 3: Một startup giáo dục Đông Nam Á thua vì chạy theo model thay vì người dùng
"EduSpark" (giả định), một startup edtech ở khu vực, năm 2024 dồn toàn lực để luôn dùng model lớn nhất, mới nhất. Mỗi khi có model mới ra, họ nâng cấp ngay, tốn vài tuần kỹ thuật mỗi lần. Trong khi đó, đối thủ "HọcCùng" chỉ dùng một model trung bình ổn định, nhưng đầu tư vào việc thu thập dữ liệu lỗi sai thực tế của học sinh Việt và xây vòng lặp cải thiện liên tục.
Sau hai năm, EduSpark có model "xịn" nhưng sản phẩm vẫn trả lời chung chung, không hiểu ngữ cảnh học sinh địa phương. HọcCùng tuy dùng model "thường" nhưng câu trả lời sát thực tế, được học sinh tin tưởng, giữ chân tốt hơn hẳn. EduSpark cạn vốn vào 2026.
Bài học: Cuộc đua "model mới nhất" là cái bẫy. Trong tương lai khi model đều đủ tốt, người thắng là người hiểu người dùng sâu nhất và xây được vòng phản hồi tốt nhất — đúng tinh thần Discovery và Metrics mà chúng ta học ở các bài đầu.
Hướng dẫn từng bước
Đây là khung 6 bước để bạn biến những xu hướng trên thành hành động cụ thể trong công việc PM của mình.
- Lập "bản đồ giả định công nghệ" của sản phẩm. Liệt kê mọi quyết định đang dựa trên giả định "AI đắt", "AI chậm", "AI phải chạy trên cloud". Đánh dấu những giả định sẽ sai trong 2 năm tới. Đây là danh sách cơ hội của bạn.
- Rà soát từng tác vụ AI theo trục "có thể on-device hóa?". Với mỗi tính năng AI, hỏi: nếu inference gần như miễn phí và chạy trên thiết bị, sản phẩm sẽ khác đi thế nào? Tác vụ nào nhạy cảm về dữ liệu nên ưu tiên chuyển on-device trước.
- Định vị tài sản độc quyền (moat) của bạn. Viết ra một câu trả lời rõ ràng: khi mọi đối thủ đều dùng được cùng model như bạn, điều gì khiến sản phẩm bạn vẫn hơn? Nếu chưa có câu trả lời, đó là ưu tiên chiến lược số một.
- Thiết kế trust như một tính năng có thể đo lường. Đặt mục tiêu cụ thể cho tỷ lệ hallucination, độ minh bạch (citations, confidence), và quyền kiểm soát dữ liệu của người dùng. Đưa chúng vào metrics framework thật, không để chung chung.
- Chuẩn bị cho agentic. Phác thảo một quy trình trong sản phẩm mà agent có thể tự thực hiện nhiều bước. Xác định rõ điểm cần human-in-the-loop và cơ chế thu hồi quyền khi agent sai.
- Xây thói quen học liên tục. Đặt lịch hằng tháng đọc model release, theo dõi giá token, thử model tiếng Việt mới. Tương lai thuộc về PM cập nhật nhanh, không phải PM biết nhiều một lần rồi dừng.
Lỗi thường gặp & mẹo
Lỗi 1: Đóng băng kiến trúc theo giá và năng lực model hôm nay. Nhiều đội thiết kế hệ thống chấp nhận latency cao hoặc chi phí lớn vì nghĩ "AI vốn vậy". Mẹo: luôn thiết kế lớp trừu tượng cho phép thay model dễ dàng (model routing), để khi model rẻ/nhanh hơn ra mắt, bạn nâng cấp trong vài ngày thay vì vài tháng.
Lỗi 2: Nhầm "dùng model lớn nhất" với "có lợi thế cạnh tranh". Model là hàng hóa phổ thông (commodity). Mẹo: dồn nguồn lực vào dữ liệu độc quyền và feedback loop — đó mới là thứ đối thủ không mua được.
Lỗi 3: Bỏ qua trust cho đến khi khủng hoảng nổ ra. Đợi đến khi báo chí đưa tin sản phẩm "bịa đặt" mới lo guardrails là quá muộn. Mẹo: coi trust là yêu cầu sản phẩm ngay từ ngày đầu, không phải bản vá.
Lỗi 4: Dự đoán tương lai quá xa và quá chắc. Đừng đặt cược cả công ty vào một kịch bản 5 năm. Mẹo: ra quyết định "không hối tiếc" (no-regret) — những hành động đúng dù tương lai diễn ra theo hướng nào, như đầu tư vào hiểu người dùng và dữ liệu sạch.
Mẹo vàng: Tự hỏi mỗi quý: "Nếu chi phí intelligence bằng 0 vào năm sau, sản phẩm của tôi nên trông như thế nào?" Câu hỏi này thường lộ ra cơ hội lớn mà đối thủ chưa nhìn ra.
Bài tập thực hành
- Audit giả định công nghệ. Chọn một sản phẩm AI bạn đang làm hoặc quen thuộc. Liệt kê 5 quyết định thiết kế đang dựa trên giả định "AI đắt/chậm/phải ở cloud". Với mỗi cái, mô tả sản phẩm sẽ thay đổi ra sao nếu giả định đó sai trong 18 tháng tới.
- Thiết kế phương án on-device. Chọn một tính năng AI cụ thể. Viết một đề xuất ngắn (1 trang) về việc chuyển nó sang chạy on-device với model nhỏ: lợi ích về chi phí, latency, privacy, và những đánh đổi cần cân nhắc.
- Tuyên ngôn moat. Viết đúng 3 câu trả lời cho: "Khi mọi đối thủ dùng cùng model như chúng tôi, điều gì khiến sản phẩm chúng tôi vẫn thắng?" Nếu cả 3 đều liên quan đến model, hãy viết lại cho đến khi có ít nhất 2 câu về dữ liệu, feedback loop hoặc trust.
- Roadmap 2026–2030. Phác thảo một roadmap 5 năm gồm 3 cột mốc lớn, mỗi cột mốc bám vào một xu hướng đã học (model nhỏ, agentic, multimodal, data sovereignty). Ghi rõ với mỗi cột mốc: giả định cần đúng để nó khả thi.
Tóm tắt
Bài cuối này không thêm kỹ thuật, mà cho bạn la bàn để định hướng trong 5 năm tới. Bốn điều cốt lõi cần khắc ghi:
- Model sẽ nhỏ hơn nhưng mạnh hơn. Model 1–10B sẽ sánh ngang model 70B hôm nay; inference rẻ và nhanh khắp nơi; on-device trở thành mặc định. Điều này thay đổi cả chi phí lẫn kiến trúc sản phẩm — hãy chủ động đón đầu.
- AI dịch chuyển từ tính năng sang tác nhân. Vai trò PM mở rộng sang thiết kế quy trình ủy quyền và kiểm soát agent.
- Khi intelligence rẻ đi, moat nằm ở dữ liệu, feedback loop và trust — không nằm ở việc dùng model nào.
- Tài sản bền vững nhất của bạn là khả năng học liên tục và hiểu người dùng sâu sắc. Đó là thứ không bao giờ lỗi thời.