Trong cuộc trao đổi với báo Nhân Dân, ông Trần Văn Viển — chuyên gia về Agentic AI, Founder startup Filum — phân tích sự khác biệt căn bản giữa AI agent và các mô hình AI trước đây: khả năng tự ra quyết định, thực thi end-to-end và đóng vai trò như một "lực lượng lao động" mới trong doanh nghiệp.<blockquote>"Nguyên tắc mới của thị trường là: Con người làm đúng việc — chọn được mục tiêu, còn AI làm việc đúng — đồng nghĩa thực thi nhanh và chính xác."</blockquote><h2>LLM nội địa — vấn đề chủ quyền quốc gia</h2>Bài viết đặt vấn đề pháp lý khi AI agent tự ra quyết định, đồng thời nhấn mạnh sự cần thiết phải phát triển mô hình ngôn ngữ lớn nội địa tại Việt Nam — không chỉ là câu chuyện công nghệ, mà còn là bài toán bảo vệ chủ quyền số trong kỷ nguyên AI tác tử.<h2>Kỹ năng cho thế hệ AI-native</h2>Ông Viển cũng đề xuất các kỹ năng cốt lõi mà người trẻ cần rèn luyện để thích nghi với môi trường nơi AI agent trở thành đồng nghiệp thường trực — từ tư duy đặt mục tiêu, khả năng phối hợp với agent, đến năng lực phán đoán đạo đức trước những quyết định tự động hoá.

Founder Filum Trần Văn Viển trao đổi với báo Nhân Dân về sự trỗi dậy của AI agent, vai trò của LLM nội địa với chủ quyền quốc gia, và những kỹ năng mới mà thế hệ trẻ Việt Nam cần rèn luyện trong thời đại Agentic AI.

medium_hero.webp

small_hero.webp

thumbnail_hero.webp

hero.webp

nhandan-wordmark.svg

Mô hình ngôn ngữ lớn nội địa là vấn đề chủ quyền quốc gia!

Kỹ năng viết câu lệnh (Prompt Engineering) từng được xem là chìa khóa vạn năng để làm chủ trí tuệ nhân tạo (AI). Tuy nhiên, thực tế vận hành tại các doanh nghiệp cho thấy kỹ năng này đang mất dần vị thế trước sự trỗi dậy của thiết kế môi trường thông tin (Context Engineering).Ông Oscar Lopez Alegre, Chủ tịch Hiệp hội Doanh nghiệp Tây Ban Nha và CEO Nextway Technology, khẳng định: “Tuy mới vài năm trước prompt engineering còn rất 'hot' nhưng nay đang trở nên lỗi thời”. Việc con người cố gắng học cách đặt câu lệnh thông minh không còn là yếu tố tiên quyết khi các hệ thống AI đang chuyển dịch sang mô hình tự vận hành.<h2>Từ thực thi sang điều phối</h2>Trong môi trường quản trị mới, giá trị của nhân viên con người dịch chuyển từ thực thi sang điều phối. Người dẫn dắt tập trung vào lý do tại sao một thứ cần được xây dựng và xây dựng cho ai, thay vì sa đà vào các kỹ thuật câu lệnh đơn thuần. Trí tuệ nhân sinh được ưu tiên ở khả năng tổng hợp ngữ cảnh chiến lược từ nhiều bộ phận khác nhau trong tổ chức — đây là lĩnh vực con người vẫn mang lại giá trị cao hơn AI.Khi Prompt Engineering lùi bước, Context Engineering nổi lên thành từ khóa sống còn từ đầu năm nay. Ông Nguyễn Tiến Huy, CEO Pencil Group, định nghĩa đây là việc “thiết kế lại toàn bộ môi trường thông tin”. Thay vì chỉ đưa ra một câu lệnh đơn lẻ, doanh nghiệp phải xây dựng một hệ thống tri thức toàn diện để AI có thể hiểu và hành động đúng.<h2>Nghịch lý Agentic AI: hiệu quả 90% nhưng đắt gấp 15 lần</h2>Viển Trần, nhà sáng lập kiêm CEO FilumAI, chỉ ra một nghịch lý: mặc dù Agentic AI hiệu quả hơn 90% so với các AI Agent đơn lẻ, nhưng nó tiêu tốn tài nguyên gấp 15 lần. Đây là rào cản lớn khiến nhiều dự án khó đạt được điểm hòa vốn về mặt kinh tế.<blockquote>“Ai sẽ dọn dẹp hậu quả nếu AI làm sai? Chắc chắn vẫn phải là con người chịu trách nhiệm.” — Viển Trần, CEO FilumAI</blockquote>Doanh nghiệp cần đào tạo đội ngũ nhân sự biết cách giám sát và hiệu chỉnh kết quả từ AI thay vì tin tưởng tuyệt đối vào máy móc.<h2>Dữ liệu chưa “sống”, tri thức nằm trong đầu nhân viên</h2>Mặc kỳ vọng vào AI rất lớn, thực trạng dữ liệu tại các doanh nghiệp đang bộc lộ nhiều điểm yếu. Ông Nguyễn Tiến Huy nhận định nền tảng dữ liệu hiện nay chưa “sống”, chưa sạch và thiếu hụt các chính sách quản lý rõ ràng. Sự chia sẻ minh bạch về thông tin giữa các nhân sự và các tầng cấp bậc trong doanh nghiệp Việt Nam vẫn là một bài toán chưa có lời giải.Ông Đỗ Huy Hoàng, Giám đốc Trung tâm Giải pháp Quản lý và Vận hành BĐS tại TNTech, dẫn chứng rằng 60% tri thức tài sản hiện vẫn nằm trong đầu của nhân viên — một dấu hiệu cho thấy doanh nghiệp chưa thực sự sẵn sàng cho kỷ nguyên Context Engineering.

Đọc bài gốc trên Diễn đàn Doanh nghiệp

Viển Trần — nhà sáng lập kiêm CEO FilumAI — chỉ ra nghịch lý: Agentic AI hiệu quả hơn 90% so với AI Agent đơn lẻ, nhưng tiêu tốn tài nguyên gấp 15 lần. Doanh nghiệp cần thiết kế lại môi trường thông tin để AI thực thi hiệu quả nhiệm vụ chiến lược.

large_vien.webp

medium_vien.webp

small_vien.webp

thumbnail_vien.webp

vien.webp

large_dddn.png

medium_dddn.png

small_dddn.png

thumbnail_dddn.png

dddn.png

Kỷ nguyên Context Engineering thay thế Prompt Engineering

<h2>Scaling a complex platform without a DevOps team</h2>Filum was founded to help Asian enterprises — from retailers to banks — transform fragmented customer data into actionable business intelligence to ultimately build deep customer loyalty.In the early stages, the team managed data pipelines using manual Python scripts and spreadsheets. As the startup onboarded large retailers such as ZUS Coffee and GS25, data volumes surged. The manual approach failed to scale: the team found themselves trapped managing hundreds of integrations across different client tools instead of building the intelligence engine they promised.Lacking specialized DevOps engineers in-house, Filum sought to adopt a fully-managed solution. It selected Google Cloud for its serverless architecture, specifically adopting BigQuery to handle schema-less data ingestion without complex provisioning or ongoing administration.<blockquote>"We didn't have a specialized DevOps engineer in-house. We chose Google Cloud so we wouldn't have to worry about that and still benefit from DevOps while focusing entirely on developing our product." — Hiep Nguyen, Co-founder and CTO, Filum</blockquote><h2>Building a "Zero-Ops" AI engine</h2>To eliminate the need for infrastructure management, Filum adopted a fully serverless stack. By leveraging Cloud Run functions and Cloud Run, the team treats each of the hundreds of client integrations as a standalone function that auto-scales instantly. This setup allows the platform to handle high-velocity data in real time without manual oversight.In practice, when a consumer contacts a retailer such as ZUS Coffee from social media, the platform orchestrates the interaction seamlessly:<ul><li>Incoming messages enter Pub/Sub, which queues the traffic to prevent data loss during sales rushes.</li><li>Dataflow pipelines stream raw information directly into BigQuery, creating a unified view of the customer journey.</li><li>Build with Gemini 3 analyzes unstructured interactions — call logs or chat transcripts — to extract sentiment and generate summaries, which are visualized in Looker Studio.</li></ul><h2>Delivering stability and lower costs to clients</h2>The shift to serverless has fundamentally changed Filum's operating model. By automating infrastructure management, the company now manages hundreds of integrations with a team of two engineers — a workload that would typically require ten staff members.<blockquote>"The serverless architecture allows each integration to be auto-managed. We have zero monitoring or maintenance time, compared to an estimated four hours per week previously." — Hiep Nguyen, Co-founder and CTO, Filum</blockquote>With lower operational overhead, Filum can now offer custom integrations at a reduced cost, passing the value on to its clients. This operational stability also guarantees uptime for critical retail clients, contributing to exceptionally low churn rates.Looking ahead to 2026, Filum is adopting an AI-first product strategy. The team plans to integrate Vertex AI into internal workflows, empowering every department — from design to engineering — to accelerate development. With Google Cloud acting as an incubator that provides early access to technology and strategic guidance, Filum is well-positioned to release a product overhaul in 2026, bridging the gap between raw data and actionable business intelligence.Industries: Technology, Startup &nbsp;·&nbsp; Location: Vietnam &nbsp;·&nbsp; Products: BigQuery, Cloud Run, Cloud Run functions, Dataflow, Pub/Sub, Looker Studio, Gemini, Vertex AI

Google Cloud customer story on Filum.ai — how a 2-engineer team manages 100+ integrations with zero DevOps overhead via Cloud Run, BigQuery, Pub/Sub, Dataflow, and Gemini, cutting infrastructure maintenance to zero and passing cost savings to retail clients.

medium_img1-workflow.webp

small_img1-workflow.webp

thumbnail_img1-workflow.webp

img1-workflow.webp

thumbnail_Google-Cloud-Logo-1-1-1-1.webp

Google-Cloud-Logo-1-1-1-1.webp

Filum on Google Cloud: transforming fragmented data into actionable insights for Asian enterprises

Thiết kế một phiếu khảo sát đủ tinh tế để khách hàng chịu trả lời thật là việc mất thời gian. Bộ mẫu này rút ngắn đoạn đó: câu hỏi đã soạn sẵn theo ngành, chỉ việc chọn và dùng.<h2>Trong tài liệu có gì</h2><ul><li>Câu hỏi đo CSAT, NPS và CES — ba chỉ số cốt lõi của trải nghiệm khách hàng</li><li>Bộ riêng cho ngành ăn uống (F&#x26;B)</li><li>Bộ riêng cho ngành quản trị nhà hàng – khách sạn (Hospitality)</li><li>Bộ riêng cho ngành y tế</li><li>Bộ riêng cho ngành giáo dục</li><li>Bộ riêng cho ngành hàng bán lẻ</li></ul>Dành cho người sắp chạy khảo sát và không muốn viết lại bộ câu hỏi từ đầu.

Bộ câu hỏi khảo sát mẫu chia theo từng ngành hàng, đo ba chỉ số CX cốt lõi trên nhiều điểm chạm. Chọn ngành, chọn điểm chạm, lấy câu hỏi — không phải viết lại từ đầu.

Template - Bộ câu hỏi gõ cửa trái tim khách hàng.pdf

Bộ câu hỏi "gõ cửa" trái tim khách hàng

action.png

Group 41619.svg

Thiết lập và quản lý các AI agent đượcsử dụng trên toàn bộ nền tảng.

journey.webp

Group 42670.svg

Giao tiếp chính xác, liền mạch để mang giá trị tức thì cho khách hàng với Gen AI

contact center.webp

Group 43400.svg

Tập trung và xử lý toàn bộ phản hồi khách hàngnhanh chóng, thuận tiện

ticket.webp

Group 41742.svg

Tự động phân luồng và xử lý phản hồi tiêu cực để chăm sóc khách hàng trơn tru

auto.webp

Group 41746.svg

Next-generation Customer Service with AI Agent

listen.png

icon.svg

Thiết kế, quản trị  phân tích đánh giá chuyên sâu theo từng điểm chạm, thời gian, khu vực,...

cx rep.webp

Group 41108.svg

Khảo sát tự động và chuyên sâu với 3 chỉ số quốc tế: CSAT, NPS, CES

survey.webp

Group 25.svg

Thu thập đánh giá đa kênh, tập trung ở một nơi và xử lý nhanh chóng

text.png

Group 41104.svg

Hợp nhất hội thoại khách hàng đa kênh, kết hợp phân tích và xử lí tức thời

chat.webp

Group 41105.svg

Thu thập tiếng nói khách hàng mọi lúc mọi nơi

Capture the Voice of Customers anytime, anywhere

insight.png

Group 41679.svg

Tự động phân tích chủ đề và sắc thái cảm xúc thời gian thực từ dữ liệu nhiều nguồn 

customerr 360.webp

Group 41655.svg

Phân tích dữ liệu định tính, giúp ra quyết định thông minh hơn dựa trên dữ liệu thực tế trong “chớp mắt" với Gen AI

camopaign.webp

Group 41686.svg

Giảm thời gian nghe thoại, tự động nắm bắt phản hồi qua phân tích cuộc gọi với Gen AI

segments - ft 3.webp

Group 41684.svg

Phân tích và tổng hợp hội thoại thông minh trong thời gian thực với Gen AI

Group 41683.svg

Xây dựng hồ sơ trải nghiệm và kích hoạt hànhđộng giúp nâng cao giá trị vòng đời khách hàng

Group 42678.svg

Phân tích và thấu hiểu khách hàng sâu sắc

Bộ câu hỏi "gõ cửa" trái tim khách hàng

Trong tài liệu có gì

Solution Package

Solutions

Compare

Resources