Uber chuyển tác vụ AI sang mô hình rẻ hơn mà không đánh đổi chất lượng
Uber cạn ngân sách AI năm 2026 và phải thay đổi cách lập trình
AI đang giúp lập trình viên làm được nhiều việc hơn, nhưng có một vấn đề ít được nói đến: càng giao nhiều việc cho AI, hóa đơn tính toán càng tăng. Doanh nghiệp có thể tiết kiệm tiền lương và thời gian, rồi lại phải trả một khoản rất lớn cho mô hình, dữ liệu và các phiên làm việc tự động.
Uber chuyển tác vụ AI sang mô hình rẻ hơn mà không đánh đổi chất lượng
Uber đã gặp chính vấn đề này. Công ty sử dụng hết ngân sách AI năm 2026 chỉ trong những tháng đầu năm. Thay vì từ bỏ AI, Uber chọn cách kiểm soát chặt hơn cách nhân viên sử dụng các công cụ lập trình, đồng thời thiết kế lại hệ thống để mỗi yêu cầu tiêu tốn ít tài nguyên hơn.
Đây là bài học quan trọng cho doanh nghiệp Việt Nam: lợi thế không nằm ở việc sử dụng AI nhiều nhất, mà ở việc tạo ra nhiều giá trị nhất trên mỗi đồng chi phí AI.
Nhu cầu AI tăng 9,4 lần nhưng ngân sách gần như đứng yên
Theo thông tin từ Uber, số yêu cầu sử dụng tác nhân AI hằng tuần tăng 9,4 lần từ tháng 2 đến tháng 8. Tuy nhiên, kỹ sư cấp cao Uday Kiran Medisetty cho biết tổng chi tiêu AI của công ty gần như giữ nguyên kể từ tháng 4.
Để đạt được điều đó, Uber xây dựng AIFX, một lớp công cụ cài đặt và cấu hình các công cụ lập trình AI tương tác, đồng thời quản lý những thiết lập mặc định cho kỹ sư.
Điểm đáng chú ý là nhân viên không tự quyết định mọi thông số. Uber thử nghiệm các cấu hình trên từng nhóm kỹ sư, đo lường kết quả rồi chọn thiết lập phù hợp để áp dụng rộng hơn.
Nói cách khác, doanh nghiệp đang quản trị AI giống như quản trị hạ tầng máy chủ, thay vì để mỗi nhân viên sử dụng theo sở thích cá nhân.
Bốn thiết lập giúp Uber kiểm soát chi phí
Thứ nhất, Uber giới hạn ngữ cảnh làm việc ở 400.000 mã thông báo trước khi hệ thống tự động rút gọn nội dung cũ. Dù một số mô hình hỗ trợ cửa sổ ngữ cảnh lên đến một triệu mã thông báo, việc gửi quá nhiều dữ liệu trong mỗi yêu cầu vẫn làm tăng chi phí.
Khi cuộc hội thoại quá dài, hệ thống tóm tắt phần trước đó để tiếp tục công việc. Đây là cách tránh phải trả tiền nhiều lần cho những thông tin không còn cần thiết.
Thứ hai, mức độ suy luận mặc định được đặt ở trung bình thay vì cao. Suy luận sâu thường tiêu tốn nhiều mã thông báo hơn. Theo Uber, các mô hình mới gần đây hoạt động tốt hơn ở mức trung bình, thậm chí một số trường hợp còn suy giảm khi đặt mức cao. Tuy nhiên, công ty không công bố cụ thể những mô hình và nhiệm vụ dùng để so sánh.
Thứ ba, bộ nhớ đệm câu lệnh được duy trì một giờ đối với tác nhân chính và năm phút đối với tác nhân phụ. Dữ liệu đã lưu trong bộ nhớ đệm có thể được tái sử dụng với chi phí thấp hơn so với xử lý lại từ đầu. Uber điều chỉnh thời gian lưu để tăng tỷ lệ tái sử dụng, tránh phải nạp lại toàn bộ nội dung khi kỹ sư quay lại phiên làm việc.
Thứ tư, Uber không tải sẵn định nghĩa của các công cụ MCP vào ngữ cảnh ngay khi khởi động. Với hơn 100 công cụ, phần mô tả có thể chiếm 50.000–70.000 mã thông báo trước khi kỹ sư nhập câu hỏi đầu tiên. Thay vào đó, tác nhân gọi từng công cụ thông qua các lệnh riêng khi cần thiết.
Chi phí giảm 34% và 52% nhờ tối ưu toàn hệ thống
Khi giữ nguyên mô hình để cô lập tác động của các biện pháp tối ưu, Uber cho biết chi phí trên mỗi 1.000 yêu cầu giảm gần 34% so với mức đỉnh. Chi phí mỗi phiên giảm 52% so với mức cao nhất hồi tháng 6.
Một ví dụ khác cho thấy việc chọn đúng mô hình có thể tạo ra khác biệt lớn. Uber cho biết so sánh các mô hình và chọn mô hình phù hợp đã giúp giảm 90% chi phí cho mỗi lần dọn dẹp các cờ tính năng cũ.
Đây là điểm cốt lõi. Không phải nhiệm vụ nào cũng cần mô hình mạnh nhất. Một công việc đơn giản có thể giao cho mô hình rẻ hơn; chỉ những nhiệm vụ phức tạp mới cần năng lực suy luận cao.
Ngữ cảnh lớn không phải lúc nào cũng tốt
Một trong những bài học thú vị nhất đến từ T-Mobile.
Ban đầu, công ty thử đưa toàn bộ tài liệu hỗ trợ khách hàng vào một tác nhân AI với hy vọng cửa sổ ngữ cảnh lớn sẽ giúp nó trả lời đầy đủ hơn. Kết quả không như mong đợi. Quá nhiều tài liệu khiến tác nhân dễ nhầm lẫn.
T-Mobile chuyển sang sử dụng nhiều tác nhân chuyên biệt, mỗi tác nhân xử lý một nhóm câu hỏi hẹp hơn.
Ngược lại, Adobe cho biết một số nhiệm vụ tiếp thị lại cần nhiều dữ liệu lịch sử. Khi xây dựng chiến dịch lễ hội, AI có thể cần biết những chương trình khuyến mãi đã chạy trong ba năm trước. Adobe nêu ví dụ dữ liệu cho thấy miễn phí vận chuyển có thể tạo tỷ lệ chuyển đổi tốt hơn giảm giá 20% trong nhóm khách hàng trung thành.
Hai trường hợp cho thấy không có một mức ngữ cảnh tối ưu cho mọi công việc. Phải chọn đúng dữ liệu cho đúng nhiệm vụ.
Bản đồ tri thức giúp AI hiểu cấu trúc doanh nghiệp
Uber giải quyết bài toán tìm kiếm thông tin bằng một đồ thị ngữ cảnh nội bộ. Hệ thống này lưu mối liên hệ giữa dịch vụ đang vận hành, người phụ trách, tập dữ liệu, truy vấn lịch sử và các hệ thống khác.
Tác nhân AI chỉ nhận cấu trúc tổng quan ban đầu, sau đó tự tìm đến tài liệu hoặc mã nguồn cần thiết.
Đến ngày 28 tháng 10, đồ thị này có gần 200 triệu nút và cạnh, tăng mạnh so với 104 triệu thành phần được Uber công bố trong bài viết kỹ thuật tháng 8.
Trong một thử nghiệm với cùng mô hình và cùng câu lệnh, tác nhân có đồ thị ngữ cảnh tìm đúng bảng dữ liệu trong 38 giây. Khi không có đồ thị, nó mất 20 phút 9 giây và kết luận sai rằng dữ liệu không thể truy vấn.
Tuy nhiên, cách tiếp cận này không phù hợp với mọi doanh nghiệp. T-Mobile từng thử đồ thị tri thức cho tổng đài trực tiếp nhưng phải bỏ vì việc tìm kiếm quá lâu. Công ty chuyển sang bộ nhớ đệm đơn giản dựa trên những câu hỏi khách hàng thường đặt ra.
Công nghệ tốt không phải công nghệ phức tạp nhất. Nó là công nghệ phù hợp với thời gian và nhu cầu thực tế.
AI phải được đo bằng năng suất và chất lượng
Uber theo dõi số lượng tài liệu thiết kế, yêu cầu thay đổi mã và phiên bản phần mềm được triển khai để đánh giá năng suất. Đồng thời, công ty kiểm soát số sự cố trên mỗi thay đổi mã, tỷ lệ hoàn tác và thời gian đánh giá.
Với hệ thống kiểm thử tự sửa lỗi, Uber triển khai thận trọng. Ban đầu, AI gửi đề xuất sửa lỗi cho kỹ sư duyệt qua Slack. Khi một loại lỗi có tỷ lệ chấp nhận cao, hệ thống mới được phép tự áp dụng bản sửa vào yêu cầu thay đổi mã.
Cách tiếp cận này đáng chú ý hơn những tuyên bố AI có thể tự động hóa toàn bộ lập trình. Quyền tự chủ được mở rộng dựa trên bằng chứng, không phải dựa trên sự hào hứng.
Góc nhìn pháp lý và điểm yếu lớn nhất của câu chuyện Uber
Khi doanh nghiệp giao quyền truy cập mã nguồn, dữ liệu và hệ thống sản xuất cho AI, vấn đề không chỉ là chi phí. Đó còn là bảo mật, trách nhiệm khi xảy ra sự cố và quyền kiểm soát dữ liệu.
Doanh nghiệp cần lưu lại lịch sử hành động của tác nhân, giới hạn quyền truy cập theo nhiệm vụ và có cơ chế khôi phục khi AI sửa sai. Nếu một nhà cung cấp kiểm soát toàn bộ mô hình, công cụ và dữ liệu vận hành, doanh nghiệp cũng có nguy cơ phụ thuộc quá mức và chịu chi phí chuyển đổi cao.
Điểm yếu lớn nhất của bài viết gốc là chưa có số liệu chứng minh Uber đã thu được lợi nhuận tài chính ròng từ toàn bộ khoản đầu tư AI. Công ty có công bố chi phí trên yêu cầu và trên phiên làm việc giảm, nhưng chưa đưa ra phép tính tổng thể về lợi nhuận, thời gian tiết kiệm hay số tính năng được phát hành thêm nhờ AI. Đại diện Uber cũng thừa nhận họ chỉ mới bắt đầu nhìn thấy xu hướng rõ ràng ở những chỉ số cuối cùng như số tính năng triển khai.
Khảo sát của VentureBeat với 156 người trả lời cho thấy 38% tổ chức từng trì hoãn, thu hẹp hoặc hủy dự án AI vì chi phí cao hơn dự kiến. Chỉ 26% đánh giá hiệu quả bằng lợi ích tài chính có thể giải trình với bộ phận tài chính; 44% dựa vào kết quả vận hành như thời gian tiết kiệm hoặc khối lượng công việc xử lý.
Đó là khoảng trống mà mọi doanh nghiệp cần giải quyết trước khi mở rộng đầu tư.
Doanh nghiệp Việt Nam nên học gì từ Uber?
Doanh nghiệp vừa và nhỏ Việt Nam không cần xây dựng đồ thị tri thức 200 triệu nút như Uber. Phần lớn nên bắt đầu bằng việc kiểm soát bốn yếu tố: giới hạn ngữ cảnh, mức suy luận, thời gian lưu bộ nhớ đệm và số công cụ được nạp vào mỗi phiên.
Nếu doanh nghiệp vận hành website thương mại điện tử, hệ thống giao hàng hoặc phần mềm quản lý, hãy chia công việc thành nhóm nhỏ. Tác nhân chuyên xử lý đơn hàng không cần đọc toàn bộ tài liệu kế toán. Tác nhân hỗ trợ khách hàng không cần quyền sửa mã nguồn sản xuất.
Nên thử nghiệm mô hình Mỹ và Trung Quốc trên cùng một bộ nhiệm vụ, so sánh chất lượng, tốc độ, chi phí và điều kiện bảo vệ dữ liệu. Tránh lựa chọn chỉ dựa trên giá rẻ hoặc điểm đánh giá quảng bá.
Quan trọng hơn, hãy thiết lập hạn mức ngân sách, cảnh báo khi chi phí tăng bất thường và đo hiệu quả bằng kết quả kinh doanh. Một tác nhân AI xử lý được 1.000 yêu cầu nhưng trả lời sai hoặc tạo thêm việc sửa lỗi không phải là năng suất.
Uber đưa ra một bài học rất thực tế: AI càng mạnh, kỷ luật vận hành càng phải cao. Trong cuộc cạnh tranh giữa Hoa Kỳ và Trung Quốc, doanh nghiệp Việt Nam không nhất thiết phải sở hữu mô hình lớn nhất. Doanh nghiệp cần biết kết hợp nhiều mô hình, quản lý dữ liệu của mình và sử dụng đúng công cụ cho đúng việc.
Uber chuyển tác vụ AI sang mô hình rẻ hơn mà không đánh đổi chất lượng
Uber AI, chi phí AI, Claude Code, tác nhân AI, tối ưu AI, ngân sách AI, ngữ cảnh AI, đồ thị tri thức, AI lập trình, tự động hóa doanh nghiệp, mô hình AI, doanh nghiệp Việt Nam, AI Trung Quốc, AI Hoa Kỳ
Share: