Chọn bài toán cho startup AI: vì sao 'lớp vỏ mô hình' dễ chết và đâu là khoảng trống bền

Đăng ngày 23/10/2026

Tóm tắt và điều cần nhớ

Bài này trả lời một câu hỏi hẹp: khi sản phẩm dựa trên mô hình AI do bên khác huấn luyện, nên chọn bài toán nào và đứng ở lớp nào để mỗi lần mô hình nâng cấp làm sản phẩm mạnh lên thay vì thành tính năng miễn phí của người khác.

• Lớp vỏ mỏng (sản phẩm chỉ gọi mô hình qua API rồi thêm giao diện) dễ chết vì mọi đối thủ nhận cùng bản nâng cấp và chủ mô hình có thể tự làm đúng tính năng đó.
• Bằng chứng về nơi giá trị tích tụ còn mỏng và mâu thuẫn: a16z năm 2023 thấy hạ tầng hưởng phần lớn dòng tiền, còn các đối tác YC kỳ vọng tác tử theo ngành sẽ lớn nhất.
• Bài toán đáng chọn hẹp, lặp nhiều, đo được, tốn kém khi làm tay và nằm trong vùng mô hình làm tốt; ngoài vùng đó, AI có thể làm lời giải tệ hơn.
• Hào lũy đến sau và phải xây có chủ đích: tích hợp vào quy trình của khách, hiểu sâu một ngành, giấy phép, niềm tin. Dữ liệu riêng không tự động thành lợi thế bền.

Bối cảnh: nỗi lo bị mô hình nuốt và câu hỏi của bài

Trong một tập Lightcone của Y Combinator (YC) năm 2025, Jared Friedman kể rằng nhiều sinh viên giỏi hỏi liệu các công ty tác tử AI mới nổi có hào lũy (moat) nào không, hay chỉ là lớp bọc quanh ChatGPT mà ai cũng sao chép được. Ông cùng nhóm trả lời rằng hào lũy có thật, nhưng thường đến sau khi đã có thứ đáng bảo vệ.[1]

Phía dưới các sản phẩm ấy là lớp mô hình, một cuộc chơi của vốn rất lớn. AI Index 2026 của Viện HAI, Stanford ghi đầu tư doanh nghiệp toàn cầu vào AI đạt kỷ lục 581,69 tỷ USD năm 2025; theo chú giải biểu đồ, OpenAI và Anthropic chi cho tính toán lần lượt khoảng 16,3 tỷ và 6,8 tỷ USD trong năm 2025.[2] Startup giai đoạn đầu hiếm khi đánh trực diện ở lớp đó,[3] nên câu hỏi thực tế là đứng ở đâu phía trên nó.

Năm 2023, Michael Seibel và Dalton Caldwell của YC nhận xét rằng các phòng thí nghiệm như OpenAI nhắm tới AGI chứ không phải CRM hay công cụ tìm kiếm chạy bằng AI, nhưng Seibel lo OpenAI sẽ làm đủ tốt những ý tưởng dễ làm nhất.[4] Bài này hỏi hẹp hơn: điều kiện nào khiến bản nâng cấp mô hình kế tiếp có lợi cho bạn.

Bốn lớp của hệ thống và bốn kiểu bài toán

Startups.com chia startup AI thành ba nhóm: phòng thí nghiệm mô hình nền (foundation model), hạ tầng AI và ứng dụng AI, mỗi nhóm có kinh tế vốn và hào lũy khác nhau; mẫu thất bại là nhận nhóm này nhưng hành xử như nhóm khác, chẳng hạn ứng dụng giả làm hạ tầng.[3] Bài này thêm lớp hạ tầng tính toán nên có bốn lớp, từ dưới lên: hạ tầng tính toán (chip, đám mây), mô hình nền, công cụ cho nhà phát triển (điều phối, đánh giá, quan sát) và ứng dụng.

Ở lớp ứng dụng và công cụ, bài chia bốn kiểu bài toán. Lớp vỏ mỏng gửi câu lệnh tới mô hình rồi trả kết quả qua giao diện, không có dữ liệu riêng và không nằm trong quy trình của khách. Quy trình làm việc (workflow) gắn vào chuỗi bước đã có người làm, với quyền truy cập, phê duyệt và tích hợp. Tác tử theo ngành (vertical agent) nhận trọn một loại công việc, như xác minh khách hàng hay xét khoản vay, và chịu trách nhiệm về kết quả.[1] Hạ tầng phục vụ chính người xây AI, như nơi chạy phần mềm nhỏ do tác tử tạo ra.[5]

Vì sao lớp vỏ mỏng dễ chết

Cơ chế đầu tiên là nâng cấp miễn phí cho mọi bên. Theo mục từ về wrapper của Startups.com, khi mô hình tốt lên thì đối thủ nhận cùng bản nâng cấp mà không tốn gì, ai cũng ra được bản cạnh tranh trong một cuối tuần, và khi chi phí suy luận (inference) giảm thì đối thủ ép được giá.[6] Năng lực đến từ mô hình vì thế là mặt bằng chung, không phải thứ bạn sở hữu.

Cơ chế thứ hai là kinh tế đơn vị. Trong bài đăng tháng 1/2023, Bornstein, Appenzeller và Casado của quỹ a16z ước tính công ty ứng dụng chi khoảng 20-40% doanh thu cho suy luận và tinh chỉnh theo từng khách; biên lợi nhuận gộp có nơi tới 90% nhưng thường 50-60%, và nhiều ứng dụng khó khác biệt vì dùng mô hình nền tương tự nhau.[7] Đó là quan sát định tính năm 2023; giá suy luận nay có thể đã khác.

Cơ chế thứ ba là khách không trả tiền cho bản trình diễn. Các đối tác YC kể về DataCurve, lúc đầu làm Uncle GPT, một ý tưởng hackathon kiểu ChatGPT wrapper: demo ấn tượng nhưng không có khách sẵn lòng trả tiền. Công ty chỉ có đà khi chuyển sang công cụ dữ liệu cho mô hình ngôn ngữ lớn, bài toán một nhà sáng lập từng gặp khi thực tập tại Cohere.[8]

Cần công bằng với lớp vỏ mỏng. Startups.com mô tả một phổ từ wrapper mỏng đến dày, nơi phần dày là tích hợp, dữ liệu và thương hiệu.[6] Seibel và Caldwell hỏi lại những người chê: bản bọc quanh OpenAI là đích đến hay điểm xuất phát, và nhắc rằng Dropbox từng bị coi là lớp mỏng trên S3.[4] Theo Varun của Windsurf, ở giai đoạn đầu hào lũy duy nhất là tốc độ.[1] Vì vậy câu hỏi đúng, theo Startups.com, là bạn có gì ngoài mô hình nền, tức giá trị nào còn lại khi mô hình bên dưới được thay bằng mô hình tốt hơn và rẻ hơn.[6]

Giá trị tích tụ ở đâu: bằng chứng và tranh luận

Bài a16z năm 2023 còn nhận định nhà cung cấp hạ tầng là bên thắng lớn nhất tính đến lúc đó, nhà cung cấp mô hình chưa đạt quy mô thương mại lớn, còn công ty ứng dụng tăng doanh thu nhanh nhưng khó giữ chân và khác biệt hoá. Các tác giả chưa thấy khả năng phòng thủ cấu trúc ở lớp nào ngoài hào lũy truyền thống của công ty đã có, và cho rằng ứng dụng tích hợp dọc có lợi thế khác biệt hoá.[7]

Các đối tác YC đi hướng ngược lại, bằng phép loại suy với SaaS. Trong một tập Lightcone năm 2024, Jared Friedman chia các công ty tỷ đô thời đám mây và di động làm ba nhóm: ý tưởng tiêu dùng hiển nhiên như thư, lịch, tài liệu, nơi theo ông công ty đã có thu gần hết giá trị; ý tưởng không hiển nhiên như Uber hay Airbnb, nơi công ty lớn né rủi ro; và SaaS doanh nghiệp, nơi mỗi ngành cần một đội hiểu sâu một miền. Với AI, nhóm cho rằng trợ lý đa dụng thuộc công ty lớn, còn tác tử theo ngành là chỗ của startup.[9]

Hai phía khác nhau về chất lượng bằng chứng, và cả hai đều là nhà đầu tư. Bài a16z dựa trên trò chuyện với hàng chục nhà sáng lập đầu 2023. Lập luận của YC dựa trên danh mục của chính họ cùng một phép loại suy lịch sử, hợp lý nhưng chưa được kiểm chứng. Trang AI Index đã đọc cho biết tiền chảy vào rất nhiều, không cho biết ai có lãi.[2]

Nền tảng thường nuốt phần nào, và điều kiện sống sót

Bằng chứng học thuật mà bài tìm được về việc bị nền tảng nuốt đến từ thương mại điện tử, không phải AI. Feng Zhu và Qihong Liu (Strategic Management Journal, 2018) theo dõi 163.853 sản phẩm trên Amazon năm 2013-2014 và thấy Amazon tự vào bán 4.852 sản phẩm, khoảng 3%.[10] Amazon hay chọn không gian đã thành công, doanh số cao, đánh giá tốt, và ít vào nơi bên bán phải nỗ lực nhiều để tăng trưởng; sau khi Amazon vào, bên bán bị ảnh hưởng nản theo đuổi tăng trưởng, còn người mua được lợi.

Ánh xạ sang AI cần thận trọng vì mẫu là chợ trực tuyến 2013-2014. Dù vậy, nỗi lo của các đối tác YC có cùng hình dạng: bị phòng thí nghiệm lớn nuốt khi họ quyết định sản phẩm đáng giá và muốn sở hữu nó. Cursor và Windsurf, theo nhóm, chỉ phải tính chuyện phòng thủ trước Claude Code sau khi đã chứng minh viết mã là ứng dụng đáng giá và lớn lên.[1]

Các nguồn YC nêu bốn lý do công ty lớn khó hoặc ít muốn vào, mỗi lý do là một điều kiện sống sót cần kiểm tra. Một, theo Seibel và Caldwell năm 2023, AGI là mục tiêu thứ nhất, thứ hai và thứ ba của các phòng thí nghiệm, nên việc dùng công cụ sẵn có để cải thiện đời sống và doanh nghiệp chưa nằm trong danh sách, nhận định có thể đổi theo thời gian.[4] Hai, công ty lớn bị ràng buộc pháp lý và thương hiệu, theo Alexandre LeBrun của AMI Labs.[11] Ba, ngành đòi hiểu sâu một miền như quy định bảng lương, nơi Jared Friedman cho rằng ở công ty lớn không ai đủ kiên nhẫn.[9] Bốn, phần 5-10% cuối để hệ chạy ổn định là việc nhọc nhằn, khó khiến đội ở phòng thí nghiệm hào hứng.[1]

Hai điều kiện nữa thuộc cấu trúc thị trường. Harshil Mathur của Razorpay kể rằng ở lĩnh vực có cấp phép như thanh toán, công ty mất gần một năm sau khi vào YC mới có giao dịch thật đầu tiên, nhưng rào cản ấy cũng chặn đối thủ đến sau.[12] Với phần mềm bán theo ghế, tác tử làm tốt đồng nghĩa số ghế giảm; các đối tác YC coi đó là điểm yếu của bên cũ, còn startup tính theo công việc hoàn thành có lợi thế định vị đối nghịch (counter-positioning).[1]

Quy tắc chọn bài toán: hẹp, lặp nhiều, đo được, đắt khi làm tay

Tiêu chí đầu tiên là hẹp. Alexandre LeBrun tự nhận sai lầm là từng làm chatbot cho mọi người về mọi việc, điều một đội nhỏ rất khó biến thành giá trị. Ông khuyên chọn một bài toán cực hẹp cho một ngành hoặc một nhóm khách, kèm tầm nhìn dài hạn.[11] Ví dụ YC kể cùng hướng: hậu cần bảo hiểm cho phòng nha, giấy tờ cuối ca của cảnh sát.[8]

Tiêu chí thứ hai và thứ ba là lặp lại nhiều và đo được. Erik Brynjolfsson, Danielle Li và Lindsey Raymond (NBER, 2023) theo dõi việc đưa trợ lý hội thoại AI sinh văn bản cho 5.179 nhân viên hỗ trợ khách. Năng suất, đo bằng số vụ giải quyết mỗi giờ, tăng 14% trung bình và 34% với người mới hoặc kỹ năng thấp, còn tác động tối thiểu với người giỏi.[13]

Tiêu chí thứ tư là tốn kém khi làm tay, vì chỉ khi đủ đắt thì việc thay thế mới trả nổi chi phí kiểm tra và sai sót. Tiêu chí thứ năm là nằm trong vùng mô hình làm tốt. Dell'Acqua và đồng tác giả (Harvard Business School, 2023) giao cho 758 nhân viên tri thức của BCG những nhiệm vụ trong và ngoài ranh giới năng lực của AI. Trong ranh giới, người dùng AI làm nhiều hơn 12,2% số nhiệm vụ và nhanh hơn 25,1%; ở một nhiệm vụ quản lý phức tạp ngoài ranh giới, xác suất đưa ra lời giải đúng của họ thấp hơn 19% so với nhóm không dùng AI.[14]

Độ chính xác nối hai tiêu chí cuối. Các đối tác YC cho rằng bản 80% làm được với 20% công sức, còn mức 99% cần gấp 10 đến 100 lần.[1] Hagiu và Wright (Oxera Agenda, 2021) nêu lý do kinh tế: ở lĩnh vực nhiều ca biên, giá trị của việc học theo dữ liệu có thể rất nhỏ cho tới khi độ chính xác gần 100%.[15] Vì vậy nên ưu tiên việc có lỗi rẻ để phát hiện, hoặc người kiểm tra rẻ hơn nhiều so với làm lại.

Hai trục tần suất và chi phí làm tay cho ra bốn vùng. Lặp nhiều và đắt là nơi nên thử trước; hiếm nhưng đắt hợp với dự án hoặc dịch vụ hơn là sản phẩm; lặp nhiều nhưng rẻ dễ thành tính năng đi kèm vì khách ít chịu trả thêm; hiếm và rẻ nên bỏ qua. Hình 3 chỉ minh hoạ khái niệm.

Cách áp dụng từng bước

Phần này gom các mục trên thành một phễu sàng lọc do bài tự đề xuất, không phải khung của nguồn nào (Hình 4). Ba phép thử vị thế ở bước 4 đến 6 dựa trên các lập luận ở trên và câu hỏi Jordan Fisher nêu tại AI Startup School năm 2025: mô hình sắp tới làm được gì, và bên mua có tự dựng được không.[16]

• Bước 1: Mô tả bài toán trong một câu: ai làm việc gì, mỗi tuần mấy lần, mất bao lâu, sai thì thiệt gì.
• Bước 2: Chấm năm tiêu chí ở mục trên; loại ứng viên trượt từ hai tiêu chí (ngưỡng do bài đặt, bạn chỉnh được).
• Bước 3: Lấy khoảng 30 ca thật gần đây, chạy thử bằng mô hình hiện có và ghi ca đúng, ca sai để biết bài toán nằm trong hay ngoài ranh giới năng lực.
• Bước 4: Phép thử nâng cấp. Nếu mô hình nền tốt gấp đôi và rẻ một nửa, sản phẩm của bạn mạnh lên hay mọi đối thủ cũng được lợi như bạn?
• Bước 5: Phép thử nền tảng. Bài toán có nằm trong ưu tiên của chủ mô hình hay nền tảng chứa khách không, và có phần việc nhọc, vướng quy định hoặc quá dị biệt khiến họ ngại làm không?
• Bước 6: Phép thử khách tự dựng. Một đội nhỏ của khách, với công cụ lập trình bằng tác tử, có dựng được bản đủ dùng cho riêng họ không?[5]
• Bước 7: Nếu sản phẩm thay hẳn một phần lao động, thử tính giá theo kết quả công việc, rồi chạy hai đến bốn tuần với một khách và thước đo đặt trước.

Góc nhìn AI: điều đổi và điều không đổi khi chọn bài toán

AI đổi ba điều ở chủ đề này. Thứ nhất, dựng phần mềm rẻ đi: Pete Koomen viết trong Requests for Startups mùa Thu 2026 rằng phần mềm nhỏ cho một vài người dùng nay rất dễ dựng bằng tác tử,[5] và Jordan Fisher năm 2025 coi việc doanh nghiệp tự dựng thay vì mua là câu hỏi mở.[16] Thứ hai, Harshil Mathur cho rằng AI nén các hào lũy về dựng sản phẩm, còn lại là biết nên dựng gì và tốc độ.[12] Thứ ba, giá có thể gắn với công việc hoàn thành thay vì số ghế, buộc sản phẩm phải làm xong việc thật.[1]

Điều không đổi gồm phân phối, niềm tin và giới hạn của dữ liệu riêng. Năm 2024, Diana Hu của YC nhận xét rằng ai có phân phối tốt và sản phẩm đủ tốt thường thắng, và mỗi thế hệ mô hình mới làm startup xây trên nó thông minh hơn mặc định; nhóm cũng cảnh báo rủi ro lớn nếu chỉ một hãng giữ mô hình vượt trội, vì startup phụ thuộc thiện chí của hãng ấy.[17] Jordan Fisher coi niềm tin là chủ đề xuyên suốt khi AI nhận thêm trách nhiệm.[16] Dữ liệu riêng cũng không tự thành lợi thế: Hagiu và Wright cho rằng giá trị học thêm có thể giảm sau một lượng dữ liệu vừa phải, và đối thủ có thể bắt chước cải tiến hoặc tìm nguồn dữ liệu thay thế.[15]

Bằng chứng ở đây có ngày và giới hạn. Hai nghiên cứu năng suất ở mục trước được công bố năm 2023 với công cụ AI thời đó, trên những nhiệm vụ cụ thể; ranh giới năng lực đã dịch chuyển kể từ đó, nên bước 3 phải chạy lại với mô hình hiện có thay vì tin kết quả cũ.[13][14]

Bằng chứng và ví dụ tại Việt Nam

Theo báo cáo năm 2026 của VPCA, NIC và BCG về đầu tư cho công nghệ và đổi mới sáng tạo ở Việt Nam, được VnEconomy thuật lại ngày 02/07/2026, vốn đầu tư mạo hiểm chảy vào Việt Nam trong năm 2025 là 509 triệu USD, qua 103 thương vụ, ít hơn 118 thương vụ năm 2024. Vốn vào startup AI tăng 13 lần trong hai năm 2023-2025, từ 10 lên 130 triệu USD, và số thương vụ AI tăng từ 12 lên 23; bài báo nêu AI Hay và LEXengine là hai startup ứng dụng theo ngành.[18] Số liệu chưa cho biết startup nào có lãi.

Tạp chí Kinh tế - Tài chính Online (17/05/2026) dẫn TS. Lê Thu Trang của RMIT Việt Nam mô tả chuỗi giá trị AI ba tầng: hạ tầng tính toán, mô hình nền và ứng dụng. Bài báo cũng nhận định, không gán cho ai, rằng lợi thế nằm ở việc hiểu khách sâu hơn, dữ liệu riêng và gắn vào quy trình vận hành chứ không ở việc có AI.[19] Cả hai nguồn là báo chí thuật lại, nên cần đối chiếu nguồn gốc.

Sai lầm thường gặp và giới hạn của bằng chứng

Ba sai lầm lặp lại trong các nguồn đã đọc, và cả ba đều kiểm tra được từ giai đoạn ý tưởng, trước khi tốn nhiều tháng xây sản phẩm. Hãy đối chiếu kỹ từng cái với bài toán bạn đang cân nhắc.

• Chọn bài toán quá rộng, như trợ lý làm mọi việc cho mọi người, với một đội nhỏ.[11]
• Nhầm bản trình diễn với sản phẩm: bản 80% đến nhanh, còn mức 99% tốn gấp 10 đến 100 lần công sức.[1]
• Trượt thành công ty dịch vụ khi cử kỹ sư tới từng khách; Bob McGrew khuyên chỉ làm vậy khi mỗi khách cần một sản phẩm hơi khác.[20]

Bằng chứng của bài có giới hạn. Nguồn về nơi giá trị tích tụ chủ yếu là ý kiến của nhà đầu tư và người thực hành. Nghiên cứu về nền tảng lấy từ thương mại điện tử 2013-2014. Ví dụ của YC thiên về công ty sống sót. Khung năm tiêu chí và ba phép thử là tổng hợp của bài, chưa có kiểm chứng độc lập.

Kế hoạch thử nghiệm trong hai đến bốn tuần

Kế hoạch này dành cho nhóm nhỏ muốn kiểm tra một bài toán đã qua phễu, với một khách và một quy trình. Hãy viết điều kiện dừng ngay từ đầu, để thử nghiệm không kéo dài chỉ vì đã trót bỏ công.

• Tuần 1: Ngồi với khách, ghi quy trình, thời gian và chi phí mỗi lần làm tay, rồi chọn khoảng 30 ca mẫu.
• Tuần 2: Dựng bản đơn giản nhất xử lý các ca mẫu, có người duyệt kết quả, ghi mọi ca sai và nguyên nhân.
• Tuần 3: Chạy với dữ liệu thật của khách, so thời gian, tỷ lệ đúng và chi phí với cách làm tay.
• Tuần 4: Hỏi khách có chịu trả tiền theo kết quả không, rồi quyết định tiếp hoặc dừng theo ngưỡng đã viết.

Kết luận

Chọn bài toán cho startup AI là chọn nơi mỗi bản nâng cấp mô hình làm sản phẩm mạnh lên thay vì đưa nó ra trước đối thủ. Bằng chứng hiện có đủ để đặt đúng câu hỏi, chưa đủ để khẳng định lớp nào sẽ thắng. Hãy bắt đầu hẹp, đo được, và chỉ làm dày sản phẩm khi đã có khách thật chịu trả tiền.

Nguồn và phương pháp

Bài là tổng hợp và phân tích có hỗ trợ AI, diễn đạt lại bằng lời riêng, không phải bản dịch. Các nguồn chính gồm thư viện Y Combinator và trang Requests for Startups, mục từ của Startups.com, bài của a16z năm 2023, nghiên cứu của Zhu và Liu, của Dell'Acqua cùng đồng tác giả, của Brynjolfsson và đồng tác giả, của Hagiu và Wright, AI Index 2026 của Stanford HAI cùng hai bài báo Việt Nam; tất cả được mở và đọc vào ngày 23/10/2026. Điều chưa kiểm chứng: số liệu AI Index đọc từ chú giải biểu đồ, số liệu Việt Nam do báo chí thuật lại, và các lời của người nói trong video YC lấy từ bản ghi tự động. Bạn nên đọc nguồn gốc trước khi dựa vào bài.