Mở đầu — vì sao bài này quan trọng
Bạn có ý tưởng sản phẩm AI xuất sắc, có prototype chạy được, thậm chí có vài khách hàng đầu tiên. Nhưng rồi bạn chững lại — không phải vì công nghệ, mà vì bạn không biết nên tuyển ai tiếp theo, tuyển vào lúc nào, và mỗi người sẽ làm gì. Đây là điểm chết của rất nhiều startup AI tại Việt Nam và Đông Nam Á: sản phẩm ổn, nhưng đội ngũ được xây sai thứ tự.
Xây đội cho một startup AI khác biệt căn bản so với một startup phần mềm truyền thống. Ở startup SaaS thông thường, bạn có thể tuyển kỹ sư backend và frontend rồi cứ thế ship. Với sản phẩm AI, bạn phải cân bằng ba lực kéo cùng lúc: năng lực kỹ thuật AI (làm cho model hoạt động), hiểu biết ngành (biết vấn đề nào đáng giải), và khả năng vận hành sản phẩm (biến model thành trải nghiệm người dùng thật). Tuyển lệch một trong ba, bạn hoặc có công nghệ không ai cần, hoặc có nhu cầu thị trường nhưng không đủ sức xây.
Bài này tập trung hoàn toàn vào con người và lộ trình xây đội — ai là founder lý tưởng, tuyển người thứ 3 đến người thứ 20 theo trình tự nào, mỗi giai đoạn cần vai trò gì. Chúng ta sẽ không đi sâu vào văn hóa đội ngũ (Bài 50), cũng không bàn về gọi vốn (Bài 47) hay lộ trình sự nghiệp cá nhân (Bài 56). Ở đây, câu hỏi trung tâm là: với nguồn lực hữu hạn, bạn phân bổ headcount như thế nào để đi từ 0 đến product-market fit rồi mở rộng?
Khái niệm cốt lõi
Nguyên tắc: tuyển theo giai đoạn, không tuyển theo mong muốn
Sai lầm phổ biến nhất là tuyển theo "danh sách trong mơ" — thấy công ty lớn có ML engineer, MLOps, data scientist, product designer nên nghĩ mình cũng cần đủ. Thực tế, mỗi giai đoạn của startup có một "nút thắt cổ chai" khác nhau, và bạn chỉ nên tuyển để mở đúng nút thắt đó.
Chúng ta chia lộ trình thành ba giai đoạn:
- Pre-PMF (2–5 người): mục tiêu duy nhất là tìm product-market fit. Đội siêu gọn, ai cũng làm nhiều vai.
- Post-PMF / Scaling sớm (6–20 người): đã có tín hiệu thị trường, giờ cần chuyên môn hóa để chạy nhanh và ổn định.
- Scaling (20+ người): đã bàn kỹ ở Bài 46 và Bài 55 chỉ điểm qua; trọng tâm là xây các "hàng dọc" chức năng.
Giai đoạn Pre-PMF: bộ đôi founder và người thứ 3
Ở lõi của mọi startup AI thành công là một bộ đôi founder bổ trợ nhau:
Technical founder — AI engineer kiêm builder. Đây là người có thể tự tay dựng RAG pipeline, gọi API foundation model, fine-tune khi cần, và quan trọng nhất là ship được sản phẩm chạy thật. Lưu ý: ở giai đoạn này bạn không cần một PhD nghiên cứu deep learning. Bạn cần một kỹ sư "full-stack AI" — người ghép được model vào một web app hoàn chỉnh, xử lý được cả prompt engineering lẫn deploy. Ưu tiên tốc độ và khả năng làm ra thứ dùng được hơn là độ sâu học thuật.
Domain / business founder — chuyên gia ngành. Đây là người hiểu vấn đề của khách hàng đến mức có thể ngồi cạnh họ và biết chỗ nào đau nhất. Trong sản phẩm AI, giá trị không nằm ở việc "có AI" mà ở việc AI giải đúng bài toán có tiền. Founder này mang lại: quan hệ khách hàng đầu tiên, khả năng bán hàng, và trực giác về việc tính năng nào đáng xây. Với startup AI cho ngành pháp lý, y tế, hay tài chính tại Việt Nam, founder ngành gần như bắt buộc vì đây là những lĩnh vực đầy quy định và tri thức chuyên biệt.
Người thứ 3 nên là ai? Đây là quyết định định mệnh. Câu trả lời phụ thuộc vào việc nút thắt của bạn nằm ở đâu:
- Nếu technical founder đang bị quá tải và không kịp ship, tuyển thêm một founding engineer (thường là full-stack thiên về sản phẩm) để tăng gấp đôi năng lực xây.
- Nếu sản phẩm chạy được nhưng chưa ai dùng, người thứ 3 có thể là một người thiên về go-to-market / growth để đẩy phân phối.
- Trong đa số trường hợp startup AI giai đoạn rất sớm, người thứ 3 là founding engineer, vì tốc độ lặp sản phẩm là thứ quyết định bạn tìm được PMF nhanh hay chậm.
Giai đoạn Post-PMF: bắt đầu chuyên môn hóa
Khi đã có tín hiệu PMF (khách hàng trả tiền, giữ chân tốt, nhu cầu vượt cung), nút thắt chuyển từ "tìm cái gì đáng xây" sang "xây nhanh, ổn định và mở rộng được". Đây là lúc các vai trò tách ra:
- AI/ML engineer chuyên sâu: người lo phần "trái tim AI" — cải thiện chất lượng model, xây eval framework, tối ưu latency và chi phí. Đây là lúc bạn cần chiều sâu, không chỉ chiều rộng.
- Product engineer / full-stack: người biến năng lực AI thành trải nghiệm mượt. Trong sản phẩm AI, phần frontend streaming, xử lý trạng thái loading, feedback loop... chiếm rất nhiều công sức.
- Product Manager (PM): khi đội vượt 8–10 người, cần một người sở hữu roadmap, ưu tiên tính năng, và làm cầu nối giữa khách hàng với kỹ sư. PM cho sản phẩm AI cần hiểu bản chất bất định của model (xem Bài 29).
- Data / applied AI: người sở hữu "data flywheel" — thu thập, dán nhãn, phân tích dữ liệu sử dụng để làm model tốt lên (Bài 28).
- Designer: vai trò dễ bị bỏ quên nhưng cực kỳ giá trị với sản phẩm AI vì UX pattern (conversational, copilot) là điểm khác biệt cạnh tranh.
Tình huống thực tế
Ví dụ 1: Startup legal AI tại TP.HCM — sức mạnh của founder ngành
Một startup giả định tên LuatGPT làm trợ lý AI cho luật sư và phòng pháp chế doanh nghiệp. Hai founder: một là cựu kỹ sư backend từng làm ở một công ty fintech (technical), một là luật sư 8 năm kinh nghiệm tại một hãng luật lớn (domain). Trong 6 tháng đầu, họ chỉ có 2 người và một founding engineer bán thời gian.
Điều làm họ khác biệt: founder luật sư biết chính xác 3 tác vụ tốn thời gian nhất của luật sư Việt Nam — rà soát hợp đồng, tra cứu văn bản pháp luật, và soạn thảo văn bản mẫu. Thay vì xây một "chatbot pháp lý" chung chung, họ đánh thẳng vào rà soát hợp đồng, tính phí 3 triệu đồng/tháng/người dùng. Trong 4 tháng, họ đạt 40 khách trả tiền.
Chỉ khi doanh thu định kỳ chạm khoảng 120 triệu đồng/tháng, họ mới tuyển người thứ 4 và thứ 5: một AI engineer chuyên xây eval và guardrail (vì sai sót pháp lý là không thể chấp nhận), và một customer success để giữ chân khách.
Bài học: trong ngành nặng tri thức, founder domain là lợi thế không thể thuê ngoài ở giai đoạn đầu. Và họ tuyển chuyên môn AI sâu chỉ khi chất lượng trở thành nút thắt — không phải ngay từ đầu.
Ví dụ 2: Startup B2C content AI — tuyển sai thứ tự
Một startup giả định VietWrite làm công cụ AI viết nội dung marketing tiếng Việt. Hai technical co-founder giỏi ML, nhưng cả hai đều thiên kỹ thuật, không ai mạnh về thị trường. Sai lầm của họ: trong 8 người đầu tiên, có tới 6 kỹ sư (2 founder + 4 engineer), 1 designer, 0 người làm growth hay bán hàng.
Kết quả sau 9 tháng: sản phẩm cực kỳ tinh vi, chất lượng output tốt, nhưng chỉ có vài trăm người dùng free và gần như không ai trả tiền. Họ đã tối ưu latency, fine-tune model, xây cả tính năng brand voice — nhưng không ai biết bán, không ai chạy được kênh phân phối, không ai làm onboarding.
Khi nhận ra vấn đề, họ phải "chữa cháy" bằng cách tuyển một growth lead và một content marketer, đồng thời để một founder chuyển hẳn sang làm go-to-market. Trong 3 tháng sau đó, người dùng trả phí tăng từ gần 0 lên hơn 800.
Bài học: đội quá thiên kỹ thuật là căn bệnh kinh điển của startup AI. Với sản phẩm B2C, phân phối và onboarding quan trọng ngang công nghệ. Nút thắt của bạn có thể không nằm ở model, mà ở việc không ai dùng nó.
Ví dụ 3: Startup AI agent B2B — chuyên môn hóa đúng lúc
Một công ty giả định tại Singapore, FlowAgent, xây AI agent tự động hóa quy trình cho doanh nghiệp SME khu vực Đông Nam Á. Họ đi rất kỷ luật về headcount. Giai đoạn Pre-PMF chỉ 4 người: 1 technical founder, 1 business founder (từng làm sales enterprise), 2 founding engineer. Họ đạt PMF với 5 khách hàng doanh nghiệp trả 2.000–5.000 USD/tháng.
Khi bước sang scaling, họ tuyển theo đúng nút thắt phát hiện được: đầu tiên là một AI engineer chuyên về evaluation và reliability (vì agent chạy tự động, một lỗi có thể gây thiệt hại thật cho khách), sau đó là một PM để quản roadmap khi số yêu cầu tính năng bùng nổ, rồi mới đến solutions engineer để triển khai cho từng khách enterprise. Đội 15 người của họ có tỷ lệ khá cân: khoảng 60% kỹ thuật, 40% còn lại chia cho sản phẩm, bán hàng và vận hành.
Bài học: với B2B/enterprise, độ tin cậy là tính năng, nên AI engineer chuyên eval/reliability thường là hire chuyên môn đầu tiên sau PMF. Và solutions/forward-deployed engineer là vai trò đặc trưng khi bán cho doanh nghiệp lớn.
Hướng dẫn từng bước
Đây là lộ trình thực dụng để xây đội startup AI từ 0 đến khoảng 20 người:
Bước 1 — Chốt bộ đôi founder bổ trợ. Trước khi tuyển bất kỳ ai, đảm bảo bạn có đủ hai trục: năng lực xây AI (technical) và hiểu ngành/thị trường (domain hoặc business). Nếu bạn chỉ có một trong hai, ưu tiên số một là tìm co-founder bù đắp phần còn thiếu, không phải tuyển nhân viên.
Bước 2 — Xác định nút thắt hiện tại của bạn. Đặt câu hỏi trung thực: điều gì đang cản bạn tiến nhanh nhất? Không ship kịp? → tuyển engineer. Không ai dùng? → tuyển/chuyển sang growth. Chất lượng model kém? → tuyển AI engineer sâu. Chỉ mở nút thắt đang có, không mở nút thắt tưởng tượng.
Bước 3 — Người thứ 3–5 phải là "generalist đa năng". Ở dưới 5 người, mỗi hire phải làm được nhiều việc. Tránh chuyên gia hẹp. Một founding engineer lý tưởng vừa viết được backend, vừa dựng được frontend, vừa hiểu AI.
Bước 4 — Chỉ chuyên môn hóa sau khi có tín hiệu PMF. Khi khách hàng trả tiền và giữ chân tốt, mới bắt đầu tách vai: AI engineer sâu, product engineer, PM, data, designer. Tuyển theo thứ tự nút thắt, không theo checklist.
Bước 5 — Vẽ "roadmap headcount" 12 tháng. Lập bảng đơn giản: mỗi vai trò, tuyển ở mốc doanh thu/người dùng nào, và mở nút thắt gì. Điều này giúp bạn không tuyển bốc đồng và giữ được runway.
Bước 6 — Cân đối tỷ lệ kỹ thuật / phi kỹ thuật. Theo dõi tỷ lệ đội. Nếu bạn quá 70% kỹ sư mà tăng trưởng doanh thu chậm, gần như chắc chắn nút thắt của bạn là phân phối, không phải công nghệ.
Bước 7 — Chuẩn bị cho scaling (20+). Khi vượt 20 người, bắt đầu tổ chức thành các "hàng dọc" (product pod, platform/infra, GTM) với người dẫn dắt riêng. Chi tiết ở Bài 46.
Lỗi thường gặp & mẹo
Lỗi 1 — Đội quá thiên kỹ thuật. Như ví dụ VietWrite, tuyển toàn kỹ sư và quên phân phối. Mẹo: mỗi lần định tuyển engineer thứ N, tự hỏi "nút thắt thật của tôi có phải là năng lực xây không?".
Lỗi 2 — Tuyển PhD nghiên cứu quá sớm. Nhiều founder nghĩ "làm AI thì phải có PhD". Ở Pre-PMF, bạn cần builder ship nhanh, không cần nhà nghiên cứu. Mẹo: chỉ tuyển chiều sâu nghiên cứu khi bạn thật sự cần train/fine-tune model riêng làm moat (Bài 48).
Lỗi 3 — Tuyển PM/designer trước khi founder buông được vai đó. Tuyển sớm gây thừa tầng quản lý khi đội còn nhỏ. Mẹo: founder nên tự làm PM/design đến khoảng 8–10 người.
Lỗi 4 — Bỏ qua vai trò eval/reliability trong sản phẩm high-stakes. Với legal, y tế, tài chính, agent tự động — sai sót là chí mạng. Mẹo: trong các ngành này, AI engineer chuyên eval và guardrail nên là hire chuyên môn đầu tiên sau PMF.
Lỗi 5 — Tuyển quá nhanh khi vừa gọi được vốn. Vốn về không có nghĩa nút thắt đã đổi. Tuyển ồ ạt làm loãng văn hóa và đốt runway. Mẹo: tăng headcount bám theo tín hiệu thị trường thật, không bám theo số dư tài khoản.
Mẹo tuyển tại Việt Nam: thị trường nhân sự AI sâu tại Việt Nam còn mỏng và cạnh tranh với VinAI, FPT.AI (Bài 37). Founding engineer giỏi thường tìm được từ mạng lưới cá nhân và cộng đồng dev, không phải từ tin tuyển dụng. Với vai trò AI sâu, hãy sẵn sàng cân nhắc remote khu vực Đông Nam Á.
Bài tập thực hành
- Chẩn đoán nút thắt. Viết ra một câu duy nhất: nút thắt lớn nhất đang cản startup (hoặc ý tưởng) của bạn tiến nhanh là gì? Rồi xác định hire tiếp theo mở đúng nút thắt đó.
- Vẽ roadmap headcount. Lập bảng cho 12 tháng tới với các cột: số thứ tự hire, vai trò, mốc kích hoạt (doanh thu/người dùng), nút thắt được mở. Điền cho ít nhất 6 hire đầu tiên.
- Kiểm tra tỷ lệ đội. Với đội hiện tại (hoặc dự kiến) ở mốc 10 người, tính tỷ lệ kỹ thuật / phi kỹ thuật. Nó phù hợp với việc bạn làm B2C hay B2B, high-stakes hay không? Giải thích trong 3–4 câu.
- Kịch bản người thứ 3. Giả sử bạn là bộ đôi founder (1 technical + 1 domain) của một startup AI y tế. Người thứ 3 bạn tuyển là ai và vì sao? Lập luận dựa trên nút thắt.
Tóm tắt
Xây đội startup AI là bài toán phân bổ nguồn lực theo giai đoạn, không phải điền vào một checklist vai trò. Ba điểm cốt lõi cần nhớ:
- Nền móng là bộ đôi founder bổ trợ: technical founder (AI builder ship được) và domain/business founder (hiểu ngành, bán được). Thiếu một trục, sản phẩm AI của bạn sẽ lệch.
- Tuyển theo nút thắt, theo giai đoạn: Pre-PMF (2–5 người) cần generalist đa năng để tìm PMF nhanh; Post-PMF (6–20 người) mới chuyên môn hóa thành AI engineer sâu, product engineer, PM, data, designer — theo đúng thứ tự nút thắt xuất hiện.
- Cảnh giác với đội quá thiên kỹ thuật: phân phối, onboarding và bán hàng quan trọng ngang công nghệ, đặc biệt với B2C; còn với sản phẩm high-stakes, eval/reliability là hire chuyên môn cần đến sớm.