Nội dung
- Đường đến người dùng của model AI mới không còn đi qua riêng cửa sổ chat
- Plugin, nhân vật AI và mức dùng API đang đổi việc tiếp cận model
- Chi phí phân phối model AI mới nằm ở lượt chạy và điểm kiểm soát
- Dự báo RL còn chưa đủ chắc để khóa ngân sách model AI mới
- Người dùng Việt cần đặt model AI mới vào đúng đường dữ liệu và điểm duyệt
- Ghi chi phí và bằng chứng đầu ra trước khi mở rộng model AI mới
- Nguồn tham khảo
Model AI mới đang được đưa tới người dùng qua agent, plugin và nhân vật có câu chuyện, thay vì chỉ nằm trong cửa sổ chat. Với marketer Việt Nam, thay đổi này làm chi phí tiếp cận phụ thuộc vào thời lượng máy chạy, khả năng giữ người dùng và mức độ tin cậy của đầu ra.
Điểm chính
- Kênh phân phối của AI chuyển từ câu trả lời đơn lẻ sang hệ sinh thái có plugin, nội dung và nhân vật.
- Agent kéo theo lượng token và chi phí compute cao hơn chatbot thông thường.
- Niềm tin, khả năng kiểm chứng danh tính và lịch sử đầu ra trở thành điều kiện để nội dung AI được chia sẻ.
- Marketer cần đo chi phí trên mỗi lượt hoàn thành việc, không chỉ số lần gọi model.
Đường đến người dùng của model AI mới không còn đi qua riêng cửa sổ chat
Sáu diễn biến trong dữ liệu cho thấy model AI mới đang cạnh tranh ở hai mặt: năng lực xử lý bên trong và đường đưa năng lực đó tới người dùng. Phân tích về reinforcement learning cho thấy tỷ trọng RL trong quá trình phát triển model tăng từ 4% lên 24% trong giai đoạn 2024Q1–2025Q3; trong khi đó, ứng dụng agent Harness của DeepSeek tạo ra lượng sử dụng lớn qua API và hệ plugin. Hai hướng này gặp nhau ở một điểm: giá trị của model chỉ xuất hiện khi người dùng đưa nó vào công việc lặp lại.
Ở đầu còn lại, Grokia được xây như một nhân vật AI có gương mặt, giọng nói, âm nhạc và thế giới hư cấu riêng. Một phân tích khác dùng Grok để kiểm tra một tài khoản có dấu hiệu không có danh tính thật. Các ví dụ này cho thấy kênh phân phối AI không chỉ là nơi đặt công cụ; đó còn là nơi hình thành thói quen, sự gắn bó và niềm tin.
Plugin, nhân vật AI và mức dùng API đang đổi việc tiếp cận model
Khối cập nhật dưới đây chỉ giữ những thứ có mô tả cụ thể trong dữ liệu nguồn và có thể liên hệ trực tiếp với công việc marketing.
DeepSeek Harness: 1,54 triệu người dùng kéo marketing vào hệ plugin
Harness là ứng dụng agent mã nguồn mở của DeepSeek. Dữ liệu được trích dẫn từ Bloomberg cho biết ứng dụng đạt 1,54 triệu người dùng hằng ngày trong chưa đầy ba tháng; con số này chỉ tính người dùng API chính thức. Người dùng tiêu thụ khoảng 92 nghìn tỷ token mỗi ngày và đã tạo khoảng 35.000 plugin. Với đội marketing, điều đó mở ra một kênh phân phối mới: nội dung, công cụ tính toán, tra cứu hoặc chăm sóc khách hàng có thể được đóng gói thành plugin thay vì chỉ xuất hiện trên website. Nguồn: Rohan Paul dẫn dữ liệu Bloomberg.
Grokia: nhân vật AI biến nội dung thành kênh theo dõi
Grokia được mô tả là một AI personality sống trong bối cảnh thuộc địa trên sao Hỏa, có nhận diện hình ảnh, giọng nói, âm nhạc, website và cốt truyện riêng. Cách xây này đưa model vào một sản phẩm nội dung có tính liên tục. Marketer không chỉ tạo một video rồi chờ lượt xem; họ có thể xây nhân vật để người dùng quay lại theo dõi, miễn là phải công khai phần hư cấu và quyền sử dụng tài sản sáng tạo. Nguồn: Grokia.
RL và benchmark: đội marketing phải tách năng lực model khỏi hiệu suất nhân sự
Phân tích về RL cho rằng tốc độ cải thiện benchmark có thể liên quan đến việc tăng tỷ trọng RL trong huấn luyện. Tuy nhiên, tốc độ benchmark tăng khoảng 1,4 lần không đồng nghĩa kỹ sư làm việc nhanh hơn 1,4 lần; một báo cáo METR được dẫn lại cho rằng năng suất kỹ sư có thể tăng khoảng 12 lần trong khi tiến bộ chung bị giới hạn bởi compute và Amdahl’s law. Khi chọn công cụ, marketing cần tách điểm benchmark khỏi thời gian duyệt, chi phí vận hành và số đầu việc hoàn thành. Nguồn: Peter Wildeford.
Chi phí phân phối model AI mới nằm ở lượt chạy và điểm kiểm soát
Token cho agent: thời lượng tự chạy quyết định giá tiếp cận
Harness cho thấy agent có thể tiêu thụ khoảng 92 nghìn tỷ token mỗi ngày, tương đương khoảng 60 triệu token cho mỗi người dùng theo dữ liệu được trích dẫn. Đây là khác biệt quan trọng so với chatbot chỉ trả lời một câu hỏi. RL và benchmark cũng nhắc rằng năng lực model không tự chuyển thành hiệu quả công việc nếu compute trở thành nút thắt. Vì vậy, một chiến dịch dùng agent phải tính cả số bước máy tự thực hiện, số lần gọi tool, tỷ lệ chạy lỗi và thời gian con người kiểm tra.
Danh tính và cốt truyện: niềm tin quyết định nội dung có được truyền đi
Grokia cho thấy một nhân vật AI có thể tạo lý do để người dùng quay lại, còn trường hợp tài khoản Leah Delarah Cain cho thấy hình ảnh AI và việc thiếu dấu vết bên ngoài có thể làm phát sinh nghi vấn về danh tính. Hai nguồn cùng chỉ về một cơ chế phân phối: nội dung có thể được nhìn thấy nhanh, nhưng chỉ được tin và chia sẻ lâu dài khi người xem hiểu ai đứng sau, đâu là phần hư cấu và dữ liệu nào dùng để tạo ra nó. Với thương hiệu, provenance, nhãn AI và trang giới thiệu rõ ràng không phải phần trang trí; chúng là điểm giảm rủi ro khi nội dung đi qua cộng đồng.
Dự báo RL còn chưa đủ chắc để khóa ngân sách model AI mới
Benchmark có chậm lại nếu tỷ trọng RL đứng yên?
Đây là dự đoán cá nhân trong phân tích của Peter Wildeford, không phải cam kết từ phòng lab hay kết quả đã được xác nhận. Lập luận là tỷ trọng RL đã tiến tới khoảng 50%, 53% và 55% trong ba quý liên tiếp, nên tăng trưởng benchmark có thể chậm lại vào khoảng giữa năm 2027 nếu không có yếu tố khác thay thế.
Điều dùng được: đội marketing không nên dùng dự báo này để khóa ngân sách dài hạn. Hãy lập hai kịch bản: model cải thiện chậm và model tiếp tục tăng tốc. Mỗi kịch bản cần có ngưỡng chi phí trên một đầu việc hoàn thành, tỷ lệ người duyệt và mức doanh thu tối thiểu.
Người dùng Việt cần đặt model AI mới vào đúng đường dữ liệu và điểm duyệt
Thị trường Việt Nam có thể hưởng lợi từ plugin và nhân vật AI, nhưng không nên bắt đầu bằng việc mua thêm công cụ. Nhiều đội marketing đang làm nội dung đa kênh, chăm sóc khách hàng và tạo báo cáo từ dữ liệu tiếng Việt; các công việc này cần quyền truy cập rõ, kho dữ liệu được phép dùng và người chịu trách nhiệm duyệt đầu ra.
Với agent, nên thử một việc hẹp như phân loại lead, tạo bản nháp brief hoặc kiểm tra lỗi UTM. Với nhân vật AI, cần ghi rõ đây là nhân vật hư cấu, giữ lịch sử phiên bản nội dung và kiểm tra quyền dùng hình ảnh, giọng nói, âm nhạc. Nếu plugin được mở cho cộng đồng, hãy đo tỷ lệ cài đặt, tỷ lệ dùng lại và số phiên cần con người can thiệp.
Ghi chi phí và bằng chứng đầu ra trước khi mở rộng model AI mới
- Đo chi phí theo một đầu việc hoàn thành, gồm token, API, tool và thời gian kiểm duyệt.
- Chọn một plugin hoặc agent cho quy trình hẹp; đặt giới hạn số bước máy được tự làm trước khi chạy thử.
- Gắn nhãn AI, lưu phiên bản prompt và nguồn dữ liệu cho mọi nhân vật hoặc nội dung có khả năng lan truyền.
- Đối chiếu benchmark với CTR, tỷ lệ hoàn thành việc, số lỗi và doanh thu trước khi tăng ngân sách.
Xem thêm phân tích & hướng dẫn marketing tại https://marketing365.vn.
Theo dõi thêm các bài phân tích từ Marketing365 để cập nhật xu hướng marketing mới nhất.
Đọc thêm các bài cùng chuyên mục Động thái AI.
Nguồn tham khảo
- Megan Basham phân tích dấu hiệu tài khoản Leah Delarah Cain có thể không phải danh tính thật
- Peter Wildeford phân tích vai trò của RL trong tốc độ cải thiện benchmark
- Grokia giới thiệu AI personality và hệ nội dung riêng
- Rohan Paul dẫn dữ liệu Bloomberg về DeepSeek Harness
