AI Ngày Càng Rẻ, Nhưng Doanh Nghiệp Có Thể Phải Trả Nhiều Hơn: Bài Toán Chi Phí Khó Lường Của Kỷ Nguyên AI Agent

Nếu bạn từng sử dụng phiên bản miễn phí của ChatGPT, Claude hay Gemini để viết một bài phát biểu, lên kế hoạch cho kỳ nghỉ, giải thích một vấn đề khó hoặc hỗ trợ công việc hàng ngày, có lẽ bạn đang nhận được một món hời đáng kinh ngạc. Đằng sau những câu trả lời tưởng như chỉ xuất hiện sau vài giây là hàng trăm tỷ USD được các tập đoàn công nghệ đầu tư vào việc xây dựng và vận hành các mô hình ngôn ngữ lớn (Large Language Models – LLMs), nền tảng công nghệ đứng sau nhiều dịch vụ AI phổ biến hiện nay. Microsoft, Google, Anthropic và nhiều công ty công nghệ khác đã đổ những khoản vốn khổng lồ vào trung tâm dữ liệu, chip AI, điện năng, nghiên cứu mô hình và hạ tầng điện toán để đưa AI tạo sinh đến tay hàng trăm triệu người dùng. Với người tiêu dùng, việc có thể sử dụng những hệ thống AI mạnh mẽ này miễn phí hoặc với mức phí thuê bao tương đối thấp rõ ràng là một món hời. Nhưng đối với các công ty đứng phía sau, bài toán lại hoàn toàn khác. Họ phải tìm cách thu hồi những khoản đầu tư khổng lồ đó. Vì vậy, bên cạnh các phiên bản miễn phí, các hãng công nghệ đang đẩy mạnh những gói AI trả phí với nhiều tính năng nâng cao, đặc biệt dành cho lập trình, phân tích dữ liệu, nghiên cứu, tự động hóa công việc và các ứng dụng doanh nghiệp. Cùng lúc đó, một ngành công nghiệp mới cũng đang hình thành: các công ty bên thứ ba xây dựng những sản phẩm dựa trên AI agent — những hệ thống sử dụng LLM làm "bộ não" và được thiết kế để tự động thực hiện những nhiệm vụ cụ thể thay cho con người. Tuy nhiên, khi AI chuyển từ việc "trả lời câu hỏi" sang "tự mình làm việc", một vấn đề ngày càng trở nên khó giải quyết: Tính giá dịch vụ AI như thế nào? Đây có thể trở thành một trong những bài toán kinh tế lớn nhất của ngành công nghệ trong vài năm tới.

AI miễn phí hôm nay, nhưng chi phí ngày mai vẫn là một dấu hỏi lớn. Simon Gooch, người làm việc tại Saviynt, một công ty chuyên về quản lý danh tính đang tích hợp AI agent vào các dịch vụ của mình, cho rằng việc cam kết một mức giá cố định cho khách hàng trong 12 tháng, hai năm hay ba năm tới ngày càng trở nên khó khăn. Lý do rất đơn giản: nền kinh tế của AI đang thay đổi quá nhanh. Các công ty không biết chính xác chi phí vận hành một hệ thống AI sẽ là bao nhiêu trong tương lai. Họ cũng không biết khách hàng sẽ sử dụng AI ở mức độ nào, AI sẽ cần bao nhiêu tài nguyên tính toán và những mô hình mới sẽ thay đổi cấu trúc chi phí ra sao. Tất cả đều liên quan đến một đơn vị nhỏ nhưng cực kỳ quan trọng trong thế giới AI: token. Khi người dùng đặt một câu hỏi cho ChatGPT, Claude hoặc một mô hình ngôn ngữ khác, câu hỏi đó không được hệ thống xử lý đơn giản như một câu văn thông thường. Nội dung được chia nhỏ thành những đơn vị dữ liệu gọi là token để mô hình có thể phân tích và xử lý. Câu trả lời của AI cũng được tạo ra dưới dạng token trước khi được chuyển đổi thành văn bản, mã lập trình hoặc các lệnh để thực hiện một quy trình tự động. Vấn đề nằm ở chỗ: không ai có thể dự đoán hoàn toàn chính xác lượng token mà một hệ thống AI sẽ sử dụng. Một thay đổi nhỏ trong câu lệnh có thể dẫn đến một câu trả lời hoàn toàn khác. Cùng một yêu cầu đôi khi cũng có thể tạo ra những kết quả khác nhau. Các mô hình AI khác nhau lại có cách xử lý khác nhau và tiêu thụ lượng tài nguyên khác nhau. Khi doanh nghiệp bắt đầu sử dụng nhiều AI agent cùng lúc, vấn đề càng trở nên phức tạp. Một agent có thể phân tích yêu cầu. Một agent khác tìm kiếm thông tin. Agent thứ ba viết mã. Agent thứ tư kiểm tra lỗi. Một hệ thống khác lại đánh giá kết quả và yêu cầu AI thực hiện lại nếu cần. Mỗi bước đều có thể tiêu thụ thêm token. Kết quả là một nhiệm vụ tưởng chừng đơn giản có thể tạo ra một chuỗi hoạt động AI kéo dài hàng chục hoặc hàng trăm bước. Và chi phí bắt đầu tăng theo cách mà doanh nghiệp rất khó dự đoán. Giá mỗi token giảm mạnh, nhưng lượng token sử dụng lại bùng nổ. Đây chính là nghịch lý lớn của nền kinh tế AI hiện nay. Theo các phân tích được Goldman Sachs dẫn lại, chi phí của từng token hoặc đơn vị tín dụng dùng để thanh toán cho việc xử lý AI đã giảm mạnh trong những năm gần đây. Nhưng đồng thời, lượng token được người tiêu dùng và doanh nghiệp sử dụng lại tăng với tốc độ chóng mặt. Goldman Sachs dự báo lượng token tiêu thụ có thể tăng khoảng 24 lần trong giai đoạn từ năm 2026 đến 2030, đạt tới 120 triệu tỷ token mỗi tháng khi các doanh nghiệp chuyển từ việc sử dụng AI như một công cụ hỗ trợ sang triển khai các AI agent có khả năng tự thực hiện nhiệm vụ. Nói cách khác, mỗi token có thể ngày càng rẻ, nhưng số lượng token được tiêu thụ có thể tăng nhanh hơn rất nhiều. Điều này giống như việc giá điện cho một thiết bị giảm xuống nhưng doanh nghiệp lại bắt đầu sử dụng hàng nghìn thiết bị mới hoạt động 24 giờ mỗi ngày. Chi phí trên mỗi đơn vị thấp hơn không đồng nghĩa với tổng hóa đơn thấp hơn. Đây là điều mà nhiều doanh nghiệp có thể chỉ nhận ra sau khi hóa đơn AI xuất hiện.

Doanh nghiệp có thể không biết mình đang "đốt" bao nhiêu token. Một trong những vấn đề lớn nhất là nhiều công ty chưa có khả năng theo dõi chính xác lượng token mà nhân viên đang sử dụng. Khi AI mới được đưa vào thử nghiệm, nhân viên thường được khuyến khích sử dụng càng nhiều càng tốt để tìm ra những ứng dụng tiềm năng. Một lập trình viên có thể dùng AI để viết mã. Sau đó, họ dùng AI để kiểm tra mã. Rồi lại dùng AI để sửa lỗi. Tiếp theo, AI được sử dụng để viết bài kiểm thử, kiểm tra bảo mật và tài liệu hóa. Nếu doanh nghiệp xây dựng thêm các hệ thống AI agent, mỗi tác vụ lại có thể kích hoạt thêm nhiều tác vụ khác. Từ một yêu cầu ban đầu, hệ thống có thể tự động tạo ra hàng chục hoặc hàng trăm lời gọi đến mô hình AI. Will Venters, Phó Giáo sư về Đổi mới kỹ thuật số và Hệ thống thông tin tại London School of Economics, cho rằng các doanh nghiệp có thể dễ dàng bị bất ngờ khi thử nghiệm hoặc triển khai AI nội bộ. Theo ông, việc quản lý chi phí trở nên khó khăn vì đầu ra của AI mang tính không xác định hoàn toàn, đồng nghĩa với việc giá trị và chi phí tạo ra từ mỗi lần sử dụng cũng khó dự đoán. Một công ty có thể nghĩ rằng họ đang trả tiền cho một công cụ AI đơn giản, nhưng thực tế phía sau có thể là hàng nghìn hoặc hàng triệu lượt xử lý nhỏ diễn ra tự động. Ngay cả những tập đoàn lớn cũng có thể gặp vấn đề. Khi AI được triển khai rộng rãi, những câu chuyện về việc doanh nghiệp sử dụng quá mức ngân sách AI bắt đầu xuất hiện. Một số báo cáo cho biết Microsoft đã phải hạn chế việc sử dụng một số công cụ lập trình của bên thứ ba trong nội bộ, trong khi Uber được cho là đã tiêu thụ ngân sách token dành cho công cụ lập trình AI trong vài tháng, dù ngân sách ban đầu được dự kiến cho cả năm. Những trường hợp này cho thấy một vấn đề quan trọng: AI có thể khiến việc mở rộng quy mô sử dụng trở nên quá dễ dàng. Để tuyển thêm 100 lập trình viên, một công ty phải đăng tin tuyển dụng, phỏng vấn, thương lượng lương, ký hợp đồng và đào tạo. Nhưng để triển khai thêm hàng trăm AI agent, đôi khi chỉ cần vài cú nhấp chuột. Sự khác biệt này khiến tốc độ mở rộng của AI có thể vượt xa khả năng kiểm soát chi phí truyền thống của doanh nghiệp. Venters cho rằng các công ty có thể dễ dàng tăng số lượng AI agent vì việc này đơn giản hơn nhiều so với việc mở rộng đội ngũ nhân sự. Nhưng chính sự dễ dàng đó lại tạo ra một rủi ro mới: doanh nghiệp có thể vô tình mở rộng mức tiêu thụ AI trước khi kịp hiểu rõ chi phí thực tế.

Doanh nghiệp nhỏ đang tìm cách "lách" bài toán chi phí. Một số công ty nhỏ đang sử dụng những cách khác để kiểm soát chi phí. Oliver King-Smith, nhà sáng lập công ty phần mềm kỹ thuật smartR AI, cho biết các doanh nghiệp nhỏ đôi khi có thể sử dụng những tài khoản cá nhân trả phí cố định để tránh phải đối mặt với mô hình tính phí theo mức sử dụng. Cách làm này có thể giúp doanh nghiệp nhỏ tiết kiệm tiền trong ngắn hạn. Nhưng theo King-Smith, mô hình này khó có thể tồn tại mãi mãi. Các công ty AI lớn hiện có thể chấp nhận việc một số người dùng trả mức phí cố định thấp hơn đáng kể so với chi phí thực tế mà họ tiêu thụ. Nhưng khi các nền tảng AI phải chịu áp lực từ cổ đông để chứng minh lợi nhuận, họ có thể bắt đầu siết chặt những tài khoản có mức sử dụng quá cao. Điều đó có nghĩa là thời kỳ "AI giá rẻ không giới hạn" có thể không kéo dài mãi mãi. Khi thị trường chuyển từ giai đoạn tăng trưởng bằng mọi giá sang giai đoạn tập trung vào lợi nhuận, các công ty AI có thể sẽ phải tính phí sát hơn với mức sử dụng thực tế. Prompt tốt hơn có thể giúp doanh nghiệp giảm hóa đơn AI. Một trong những cách đơn giản nhất để kiểm soát chi phí là cải thiện cách con người giao tiếp với AI. Rob Steele, Giám đốc tài chính tại công ty phần mềm kế toán iplicit của Anh, cho rằng doanh nghiệp cần đưa ra những yêu cầu chính xác hơn cho AI. Ông đưa ra một ví dụ khá dễ hiểu: bạn sẽ không nhờ một người trong gia đình đi mua hàng tuần mà không đưa cho họ bất kỳ hướng dẫn nào về những thứ cần mua. Tương tự, doanh nghiệp không nên đưa ra những câu lệnh mơ hồ rồi để AI tự suy đoán quá nhiều. Một prompt rõ ràng, cụ thể có thể giúp giảm số lần AI phải xử lý lại yêu cầu, giảm số lượng token tiêu thụ và hạn chế việc AI thực hiện những tác vụ không cần thiết. Điều này có thể trở thành một kỹ năng kinh doanh quan trọng trong tương lai: không chỉ biết cách sử dụng AI, mà còn biết cách sử dụng AI một cách tiết kiệm. Khi AI được tích hợp vào sản phẩm, chi phí có thể phình to. Bài toán trở nên khó hơn rất nhiều khi một công ty không chỉ sử dụng AI nội bộ mà còn tích hợp AI trực tiếp vào sản phẩm bán cho khách hàng. Hãy tưởng tượng một công ty phát triển một phần mềm có 10.000 khách hàng. Nếu mỗi khách hàng sử dụng AI 100 lần mỗi ngày, tổng số lượt xử lý có thể lên tới hàng triệu lượt mỗi ngày. Nhưng chi phí không chỉ đến từ chức năng chính. Doanh nghiệp có thể cần AI để viết mã, kiểm thử phần mềm, phát hiện lỗ hổng bảo mật, giám sát hệ thống và thiết lập các "hàng rào an toàn" nhằm ngăn AI đưa ra những quyết định không phù hợp. Khi đó, chi phí AI có thể tăng theo cấp số nhân. Đặc biệt, với các hệ thống AI agent, một tác vụ có thể kích hoạt một chuỗi hành động liên tiếp. Nếu không có cơ chế kiểm soát, doanh nghiệp có thể không biết chính xác bao nhiêu token đang được tiêu thụ cho mỗi khách hàng. Và khi sản phẩm được triển khai cho hàng nghìn hoặc hàng triệu người dùng, một khoản chi phí nhỏ trên mỗi giao dịch có thể nhanh chóng trở thành một con số khổng lồ. AI càng thông minh, bài toán tính giá càng khó. Một nghịch lý khác là chi phí AI không chỉ tăng vì người dùng sử dụng nhiều hơn. AI càng thông minh, các hệ thống càng có khả năng thực hiện những nhiệm vụ phức tạp hơn. Một chatbot đơn giản có thể chỉ cần vài lượt xử lý để trả lời một câu hỏi. Nhưng một AI agent có thể tự nghiên cứu, phân tích, lập kế hoạch, viết mã, kiểm tra kết quả và sửa lỗi. Nó sử dụng nhiều tài nguyên hơn, nhưng đồng thời cũng có thể tạo ra giá trị lớn hơn. Will Venters cho rằng AI không giống một chiếc máy tính đơn giản, nơi sử dụng nhiều hơn chỉ đồng nghĩa với chi phí cao hơn. Với AI, việc cung cấp thêm tài nguyên có thể tạo ra kết quả tốt hơn. Đây chính là lý do mô hình tính giá truyền thống trở nên khó áp dụng. Nếu doanh nghiệp tính phí theo số lượng token, khách hàng có thể không thích vì chi phí biến động. Nếu tính phí cố định, doanh nghiệp có thể phải gánh rủi ro khi khách hàng sử dụng quá nhiều. Nếu tính phí theo kết quả, việc xác định giá trị của từng kết quả lại không hề đơn giản. Ai sẽ trả tiền cho AI? Đây có thể là câu hỏi quan trọng nhất trong toàn bộ nền kinh tế AI. Bill Peterson, Giám đốc cấp cao về tiếp thị sản phẩm tại Sumo Logic, cho biết ngành công nghệ vẫn chưa thực sự tìm ra câu trả lời. Sumo Logic đang thử nghiệm những dịch vụ bảo mật dựa trên AI agent và phải thảo luận với khách hàng doanh nghiệp về cách tính phí. Một lựa chọn là tăng giá sản phẩm trên diện rộng. Một lựa chọn khác là tính phí dựa trên kết quả đạt được. Hoặc doanh nghiệp có thể bán các gói dịch vụ, chẳng hạn như một số lượng sự cố nhất định được xử lý bởi AI. Nhưng tất cả các mô hình này đều có điểm yếu. Nếu tính phí theo số lượng sử dụng, khách hàng khó lập ngân sách. Nếu tính phí cố định, nhà cung cấp có thể phải chịu rủi ro chi phí. Nếu tính phí theo kết quả, việc đo lường kết quả có thể gây tranh cãi. Và trên hết, tất cả những mô hình này đều có thể bị đảo lộn nếu các nhà cung cấp LLM lớn thay đổi chính sách giá. Bill Peterson nhận xét rằng việc chuyển sang mô hình giá biến động là điều khách hàng không thích, bởi doanh nghiệp cần một cấu trúc chi phí ổn định để lập ngân sách dài hạn. Nhưng trong thế giới AI, giá có thể thay đổi chỉ sau vài tháng. Cuộc chiến tiếp theo của AI có thể không phải là ai thông minh nhất, mà là ai kiểm soát chi phí tốt nhất Trong những năm đầu của kỷ nguyên AI tạo sinh, câu hỏi lớn nhất là: Mô hình nào thông minh nhất? Nhưng khi AI bước vào giai đoạn triển khai quy mô lớn, một câu hỏi khác đang dần trở nên quan trọng hơn: Mô hình nào mang lại giá trị cao nhất với chi phí thấp nhất và dễ dự đoán nhất? Đối với người dùng cá nhân, một vài đô la cho gói AI cao cấp có thể vẫn là một món hời nếu nó giúp tiết kiệm hàng giờ làm việc. Nhưng đối với doanh nghiệp, đặc biệt là những công ty xây dựng sản phẩm AI phục vụ hàng nghìn hoặc hàng triệu khách hàng, bài toán hoàn toàn khác. Một hệ thống AI có thể rất thông minh, nhưng nếu doanh nghiệp không biết mỗi khách hàng thực sự tiêu tốn bao nhiêu chi phí, họ sẽ rất khó xác định giá bán và lợi nhuận. Đây là lý do các công ty công nghệ đang phải tìm kiếm những mô hình kinh doanh mới cho thời đại AI agent. Có thể trong tương lai, khách hàng sẽ không chỉ trả tiền cho phần mềm. Họ có thể trả tiền cho số lượng tác vụ AI được hoàn thành, số kết quả đạt được, số vấn đề được giải quyết hoặc thậm chí là giá trị kinh doanh mà AI tạo ra. Một điều chắc chắn là kỷ nguyên AI miễn phí hoặc giá cực rẻ đang tạo ra một nghịch lý lớn. Giá của mỗi đơn vị AI đang giảm nhanh, nhưng nhu cầu sử dụng AI lại tăng nhanh hơn. Khi AI agent trở nên phổ biến và bắt đầu tự động hóa ngày càng nhiều công việc, lượng token tiêu thụ có thể tăng với tốc độ chưa từng có. Và khi đó, cuộc tranh luận về AI sẽ không còn chỉ xoay quanh việc "AI có thể làm được gì". Các doanh nghiệp sẽ phải trả lời một câu hỏi khó hơn nhiều: AI đang tạo ra bao nhiêu giá trị — và chúng ta thực sự phải trả bao nhiêu để có được giá trị đó? Đó có thể là bài toán quyết định sự thành bại của làn sóng AI tiếp theo.