Các startup AI theo chiều dọc tìm cách tồn tại giữa sự thống trị của các mô hình tổng quát

Trí tuệ nhân tạo bắt đầu tăng trưởng phi tuyến tính, logic cốt lõi của các doanh nghiệp AI đang được viết lại.

Tác giả bài viết, nguồn: GeekPark

90%, đây là xác suất mà các nhà đầu tư đưa ra về khả năng thất bại của các công ty khởi nghiệp AI vào năm 2026.

Tháng 4, nền tảng đánh giá mô hình AI là Yupp, từng nhận khoản tài trợ hạt giống 33 triệu USD do a16z dẫn đầu, đột ngột thông báo đóng cửa. Từng được sự hậu thuẫn của nhiều nhân vật lớn trong thung lũng Silicon như Jeff Dean, nhà khoa học trưởng của Google, và Biz Stone, đồng sáng lập Twitter, nền tảng này chỉ sau chưa đầy một năm đã thu hút 1,3 triệu người dùng, nhưng đột ngột bị người sáng lập dừng lại. Dù trên sổ sách vẫn còn khá nhiều vốn, nhưng người sáng lập đã không còn hy vọng. “Chỉ trong năm qua, bối cảnh năng lực của các mô hình AI đã thay đổi lớn lao; tương lai không còn chỉ là mô hình, mà là hệ thống Agent.” – Người sáng lập Yupp, Pankaj Gupta, viết trong bài đăng chia tay.

Cùng giai đoạn này, công ty hình ảnh AI NeuroPixel đã đóng cửa do khả năng của các mô hình lớn như Google NanoBanana Pro tăng vọt, người sáng lập NeuroPixel đã dùng một từ để mô tả sự thất bại này: outgunned — «bị đánh cho không còn khả năng phản kháng chỉ trong một đêm».

Trong bối cảnh mô hình cơ sở được nâng cấp thông minh theo từng bước, ranh giới của khả năng AI đang không ngừng mở rộng: ban đầu, hộp hội thoại đã thay thế công cụ tìm kiếm, khiến người dùng không còn cần lật trang để tìm kết quả; sau đó, Agent bắt đầu thay thế phần mềm — một tác nhân thông minh có thể gọi công cụ và phân chia nhiệm vụ có thể thực hiện những việc trước đây cần cả một bộ menu và ứng dụng. Khi AI có thể trực tiếp viết mã, gọi giao diện và thực thi trên terminal, ranh giới của hệ thống phần mềm truyền thống cũng đang được định nghĩa lại.

Đối với các sản phẩm trưởng, họ cần cân nhắc việc định nghĩa lại hình thái sản phẩm và cách thức tương tác. Còn đối với các nhà sáng lập, vấn đề sinh tử đã đặt ra trước mắt:

Khi trí thông minh của các mô hình cơ sở ngày càng mạnh mẽ, tôi nên khởi nghiệp như thế nào? Những việc tôi đang làm, làm sao để không bị lần cập nhật mô hình tiếp theo nuốt chửng?

Thạch Nhất, người sáng lập FlashLabs, đã sống trong câu hỏi này suốt năm qua. Anh ấy đã đưa ra một loạt quyết định mà người ngoài nhìn vào cho là rất phi truyền thống: đảo ngược lộ trình sản phẩm, chủ động thu nhỏ đội ngũ, từ bỏ các chỉ số thương mại ngắn hạn, thậm chí còn thay đổi tên công ty. Chúng tôi đã trò chuyện với anh ấy về cách các startup AI chuyên ngành trước đây có thể tồn tại trong thời đại tiến hóa của các mô hình phổ quát.

Sự cấp bách không phải đến hôm nay mới xuất hiện trước mắt các nhà sáng lập. Ngay từ cuối năm 2024, Shi Yi đã nhận ra rằng tốc độ tiến hóa trí tuệ của các mô hình tổng quát quá nhanh.

Điều đầu tiên khiến anh ấy cảm thấy bất thường là sự sụp đổ của công ty AI unicorns Jasper. Công ty từng được coi là tiêu chuẩn trong lĩnh vực ứng dụng AI, đã vươn lên mức định giá 1,5 tỷ USD trong vòng 18 tháng, nhưng doanh thu lại giảm một nửa sau khi các khả năng gốc của GPT được mở ra. “ARR của Jasper giảm trực tiếp một nửa,” Thạch Nhất nhớ lại, “những công ty từng làm NLP sẽ bị các mô hình lớn nuốt chửng khi khả năng của chúng không ngừng tăng lên.”

Phán đoán này giống như một cái gai cắm sâu trong tim anh, khiến anh luôn cảm thấy bất an. Lúc đó, công ty của anh còn có tên là FlashIntel và vẫn đang kinh doanh mô hình To B SaaS tương đối truyền thống. Theo logic truyền thống của To B SaaS, chỉ cần bạn tích lũy đủ dữ liệu ngành trong một phân khúc đủ nhỏ, xây dựng rào cản công nghệ một cách hợp lệ và an toàn, thì nhất định sẽ có không gian thị trường để tồn tại, nhưng giờ đây tất cả những điều đó đã không còn hiệu lực nữa.

“Việc tôi làm có cũng sẽ gặp phải vấn đề tương tự không?” Câu hỏi này bắt đầu lặp lại liên tục trong suy nghĩ của anh. Không lâu sau, anh nhận ra rằng công việc của mình về bản chất không khác gì của Jasper, và hệ thống sản phẩm trước đây đều được xây dựng dựa trên giả định rằng mô hình không thể mạnh hơn các mô hình chuyên biệt. Một khi trí tuệ của mô hình nền tảng vượt qua một ngưỡng giới hạn, tất cả các lớp nâng cao và tối ưu hóa về ngữ cảnh được xây dựng trên các sản phẩm chuyên biệt đều có thể mất hết lợi thế chỉ trong một đêm.

Sau khi có kết luận, anh ấy trực tiếp đưa vấn đề then chốt này lên hàng đầu trong chiến lược công ty, buộc đội ngũ phải đưa ra quyết định: công ty phải chuyển hoàn toàn từ SaaS sang AI Native.

Sự điều chỉnh này không thể thực hiện trong một sớm một chiều. Câu hỏi đầu tiên anh ấy đặt ra là: Một công ty AI thế hệ tiếp theo thực sự cần cấu trúc tổ chức như thế nào?

Anh ấy cho rằng hiện nay, khi vận hành công ty, không nên nữa việc theo đuổi số lượng nhân sự và sự phân công chi tiết. “Ở thời đại AI, người càng nhiều thì lại càng dùng AI kém, vì phân công càng chi tiết, mỗi người càng phụ thuộc vào phần việc của mình.” Anh bắt đầu chủ động thu nhỏ quy mô đội ngũ, chuyển tiêu chí tuyển người từ “xem kinh nghiệm, xem dự án” hoàn toàn sang “xem tư duy, xem năng lực toàn diện”. Phương pháp kiểm tra ứng viên của anh cũng thay đổi: không còn xem hồ sơ hay kinh nghiệm quá khứ, mà trực tiếp giao nhiệm vụ cho ứng viên, xem liệu một người có thể dùng AI để tự xử lý toàn bộ frontend và backend hay không. “Người làm được thì chắc chắn sẽ không dùng công cụ AI kém.”

Ngay sau đó, anh ấy điều chỉnh mức độ ưu tiên nguồn lực trong công ty. Khi hầu hết các startup vẫn đang tập trung vào tốc độ ra mắt sản phẩm và xác minh thương mại hóa, anh ấy chọn cách phân bổ phần lớn nguồn lực vào nghiên cứu前沿, thậm chí còn đổi tên công ty thành FlashLabs.

“Trước đây, logic của internet là ưu tiên sản phẩm hoặc vận hành, nhưng bây giờ làm AI, phải ưu tiên nghiên cứu.” Anh yêu cầu bản thân và đội ngũ đọc các bài báo khoa học, hiểu rõ các nguyên lý cơ bản nhất, “Chỉ khi gần với nguyên lý cơ bản nhất, bạn mới có thể biết được AI trong tương lai còn có thể làm được gì nữa và có thể thay thế những gì.”

Cuộc chuyển đổi này cũng mang đến giai đoạn “đau đớn” nội bộ, không phải tất cả thành viên trong đội ngũ đều có thể hiểu được sự điều chỉnh cấu trúc lớn này. Khi anh ấy nói với đội ngũ: “Hãy tạm gác việc thương mại hóa lại, hãy làm những điều thú vị trước”, một số người trong công ty rất hào hứng, nhưng cũng có người chọn rời đi. Tuy nhiên, anh ấy kiên trì rằng trong thời đại AI, việc loại bỏ bớt mới quan trọng hơn: “Nếu bạn không đồng tình, thì chỉ có thể loại bỏ.”

Nhưng quan trọng hơn là, những nhà sáng lập như thế nào mới có thể tồn tại trong thời đại AI?

Câu trả lời của Thạch Nhất được chia làm hai vế: vế đầu hướng đến thực tế, “Ít nhất cũng huy động được tiền, bạn không chết, hoặc túi đủ sâu để liên tục bơm vốn.” Vế sau mới là điều anh ấy thực sự muốn nói, “Bạn có khả năng suy nghĩ sâu sắc hơn AI không?”

“Tại sao mô hình lớn có thể làm được ngày càng nhiều việc? Vì bản chất của mọi khoa học tự nhiên là toán học, và mô hình có thể viết mã, hiểu toán học. Khi phân tích sâu theo chuỗi này, năng lực duy nhất mà con người thực sự khan hiếm là suy nghĩ sâu sắc hơn AI trong một lĩnh vực cụ thể,” Thạch Nhất phân tích. “Nhiều người chưa có nhận thức đầy đủ về AI. Bạn xem có bao nhiêu nhà sáng lập thực sự tự viết mã và sử dụng công cụ AI mỗi ngày? Khả năng viết mã trong tương lai sẽ trở thành hàng hóa thông thường, ai cũng làm được. Nhưng liệu bạn có thể thông minh hơn AI không? Đó mới là lợi thế cạnh tranh.”

Từ khi nhận thức được khủng hoảng, đưa ra quyết định đến chi trả giá tiền để tái cấu trúc tổ chức, Thạch Nhất đã dành một năm để hoàn thành một cuộc “tự lặp lại”. Anh không chờ mô hình cập nhật để cho biết kết quả cuối cùng, mà chọn cách tìm kiếm trước vị trí có thể xuất hiện câu trả lời đúng đắn. Còn việc vị trí đó có đứng đúng hay không, đó là một vấn đề khác, nhưng ít nhất hiện tại, anh vẫn chưa muốn rời khỏi bàn bài của AI.

Việc điều chỉnh cơ cấu tổ chức chỉ là bước đầu tiên trên con đường sinh tồn của doanh nghiệp. Điều thực sự khiến Shi Yi cần quyết tâm thay đổi là lộ trình sản phẩm.

Anh ấy ban đầu muốn xây dựng một hệ thống hợp tác đa tác nhân, theo nguyên lý “càng nhiều người thì sức mạnh càng lớn”, có thể mô phỏng cấu trúc tổ chức của công ty con người để xây dựng một hệ thống đa tác nhân: một số chịu trách nhiệm tìm kiếm, một số chịu trách nhiệm suy luận logic, một số chịu trách nhiệm tổng hợp kết quả.

Nhưng kết quả thực nghiệm khiến Thạch Nhất liên tục lắc đầu: “Quá chậm, quá giật, sản phẩm đầu ra thậm chí còn kém hơn một Agent đơn lẻ.” Theo anh, việc truyền lệnh giữa các Agent giống như một trò chơi truyền âm chất lượng kém, mỗi lần trung gian thêm một lớp, thông tin lại bị hao hụt một chút. “Tôi thà chọn một thiên tài có IQ 150 và đầy đủ trang bị thần thánh, chứ không muốn một đống người bình thường IQ 110, cầm công cụ thiếu thốn lại còn phải bàn bạc lẫn nhau.” Thạch Nhất thẳng thắn nói trong cuộc phỏng vấn.

Cuối cùng, anh ấy loại bỏ tất cả các sub-agent được định sẵn và quyết định xây dựng một single agent đủ mạnh để thay thế sự hợp tác của cụm thông qua thực thi song song đa luồng.

Đây cũng là bản mẫu đầu tiên của Super Agent, sản phẩm mới nhất từ FlashLabs, đẩy trí thông minh của một mô hình duy nhất đến giới hạn và trang bị công cụ đến mức tối đa. Super Agent chủ yếu sử dụng tự động hóa thông minh để thống nhất hệ thống doanh thu của người dùng, từ phát triển khách hàng tiềm năng đến khi giao dịch hoàn tất, AI Agent tham gia vào mọi khâu.

Tại buổi phỏng vấn của Geek Park, Shi Yi đã giao cho Super Agent một nhiệm vụ truy vấn thông tin: “Tìm kiếm nền tảng của các nhà sáng lập tất cả các doanh nghiệp AI tại Trung Quốc đã huy động vốn trong vòng sáu tháng qua và xuất ra bảng biểu”. Sau đó, Super Agent đồng thời khởi động hàng chục luồng tác vụ để tiến hành tìm kiếm, thu thập dữ liệu, viết mã và làm sạch dữ liệu, và chỉ trong 2-3 phút đã thu được kết quả, bảng biểu bao gồm tên nhà sáng lập, số tiền huy động vốn và thông tin liên hệ công khai.

Nếu việc từ bỏ đa Agent là phép trừ ở cấp độ kiến trúc, thì việc từ bỏ địa phương hóa là sự lựa chọn ngược lại trong logic triển khai.

Khi OpenClaw tạo ra làn sóng "Agent tại chỗ" trong cộng đồng phát triển, Shi Yi lại kiên định đặt Super Agent lên đám mây. “Một hệ thống như OpenClaw nếu chạy trong nội bộ doanh nghiệp, giống như một con ngựa thành Troy, bạn rất dễ bị xâm nhập thông qua nó.” Anh cho rằng ở giai đoạn hiện tại, bất kỳ công ty nào dám triển khai quy mô lớn OpenClaw trong nội bộ đều đang mở cửa đón chào các hacker trên toàn thế giới.

Theo anh ấy, lợi thế của OpenClaw nằm ở khả năng tiềm tàng thể hiện tính chủ động trên nền tảng cá nhân. Ví dụ, với OpenClaw, khi AI yêu cầu người dùng 2.000 đô la để đổi card đồ họa, người dùng nói “tự đi kiếm tiền đi”, AI sẽ lập tức đi dự đoán thị trường và nghiên cứu chiến lược định lượng. “Ai mà không thích nhân viên chủ động?” Thạch hỏi lại. Khi tính chủ động này trở thành một phần của sản phẩm cấp doanh nghiệp, tốc độ thay thế nhân viên con người sẽ vượt xa kỳ vọng. “Trước đây, trong cuộc cách mạng công nghiệp, khi xe ngựa chuyển thành ô tô, bạn phải mua ô tô, học bằng lái, cải tạo đường sá — vẫn tốn rất nhiều thời gian. Lần này thì khác, chỉ cần triển khai theo mô hình托管, một cái ‘bốp’, công việc của hàng chục nhân viên đã biến mất.” Anh còn dự đoán rằng trong năm nay, công việc của dân văn phòng sẽ bị AI thay thế một cách đáng kể.

Về những khó khăn trong thực thi tự động, cụ thể là làm thế nào để đảm bảo an toàn cho các ứng dụng doanh nghiệp, giải pháp của FlashLabs là xây dựng một hệ thống quyền sandbox tương tự macOS, triển khai trên đám mây và cấp quyền từng bước. Điều này có nghĩa là Agent ban đầu chỉ có quyền tối thiểu cần thiết để hoàn thành nhiệm vụ, và chỉ khi độ ổn định và an toàn được xác minh nhiều lần, phạm vi quyền của Agent mới được mở rộng dần.

Anh ấy lấy Windows và Mac làm ví dụ: “Trên Windows, cài một phần mềm có thể nhận quyền truy cập rất cao, cài đặt lặng lẽ, gắn kèm trình duyệt, khiến bạn thậm chí không thể gỡ bỏ. Trong khi đó, tất cả các chương trình trên Mac đều được cô lập trong sandbox, vì vậy bạn chẳng bao giờ cần cài phần mềm diệt virus.” Shi Yi tin rằng cuộc cạnh tranh của các Agent cấp doanh nghiệp cuối cùng sẽ mở rộng từ khả năng gọi mô hình sang khả năng thiết kế môi trường; ai có thể cung cấp cho Agent một môi trường vận hành an toàn, kiểm soát được và có thể kiểm toán, người đó mới khiến khách hàng thực sự dám sử dụng.

Nhưng nếu mô hình lại có bước nhảy vọt tiếp theo, những điều chỉnh hiện tại còn ý nghĩa không? Nếu GPT-6 hoặc Claude tích hợp khả năng phân tách nhiệm vụ và gọi công cụ mạnh mẽ hơn, liệu mọi thứ FlashLabs đang làm hôm nay có lại bị nuốt chửng không?

Trước câu hỏi này, Thạch Nhất không né tránh, suy nghĩ của anh được chia thành hai khía cạnh.

Anh ấy đầu tiên tổng hợp rào cản doanh nghiệp của các công ty chuyên ngành thành bốn cấp độ: Nhận thức (Perception), Lập kế hoạch (Planning), Học hỏi lặp lại (Recursive Learning), Quản trị (Governance).

Trên thị trường các công ty mô hình lớn hiện có 5 công ty, và thứ hạng SOTA thay đổi mỗi ba tháng. Bạn có thể tích hợp tất cả các mô hình thông qua lớp điều phối và gọi đến mô hình phù hợp nhất cho từng bối cảnh khác nhau. Nhưng các công ty chỉ sở hữu một mô hình duy nhất chỉ có thể sử dụng chính mô hình của mình; khi mô hình nền tảng của bạn không phải là mô hình thông minh nhất, khả năng cạnh tranh của sản phẩm bạn sẽ bị giảm trực tiếp. Theo Shi Yi, khi các mô hình lớn phổ quát nhanh chóng bao phủ hai lớp đầu tiên, rào cản thực sự chỉ còn lại hai lớp sau cùng, và lợi thế cạnh tranh cuối cùng nằm ở lớp điều phối (Orchestration Layer).

Anh ấy cho rằng, khi nhiều Agent hợp tác trong hệ thống doanh nghiệp, chúng có thể tự thỏa thuận với nhau ở những nơi con người không thể thấy, từ đó tránh các quy tắc quyền hạn đã được thiết lập trước. Rào cản thực sự của các công ty chuyên ngành nằm ở khả năng thiết kế môi trường vận hành vừa mở vừa kiểm soát được cho các bối cảnh cụ thể.

Về việc phán đoán này có đúng hay không, anh ấy thừa nhận mình cũng không có 100% sự chắc chắn. “AI thay đổi quá nhanh, bạn thực sự không biết tương lai sẽ ra sao.” Nhưng anh ấy tin chắc một điều: chỉ cần các doanh nghiệp chuyên ngành nắm vững hai lá bài là sắp xếp AI và quản trị AI, đồng thời giải quyết tốt các vấn đề về thiết kế môi trường, ít nhất họ sẽ không bị loại ngay khỏi bàn chơi trong đợt nâng cấp mô hình tiếp theo.

Sau khi đã biết cách xây dựng sản phẩm có tính cạnh tranh, bước tiếp theo là làm thế nào để khách hàng công nhận.

Hiện tại, Flashlabs có hai sản phẩm thương mại hóa chính: Super Agent tính phí theo lượng token sử dụng, với bảng giá công khai trên trang web; thứ hai, họ mở nguồn mô hình giọng nói Chroma của mình, nhưng thu phí cho các nền tảng và dịch vụ dựa trên mô hình đó. Thực tế, hai phương án này đều là những con đường thương mại hóa phổ biến hiện nay: sử dụng mã nguồn mở để xây dựng niềm tin công nghệ và thu hồi giá trị thương mại thông qua nền tảng và dịch vụ.

Hiện tại, các công ty tài chính - thuế của Nhật Bản đang thay thế nhân viên chăm sóc khách hàng thật bằng mô hình giọng nói Chroma của FlashLabs, hiện đang thử nghiệm với quy mô bằng 1/10 nhân sự, trong đó AI và nhân viên thật cùng trực tuyến và liên tục so sánh điểm số hiệu suất của cả hai. Phương pháp xác minh rất đơn giản: ai có độ chính xác cao hơn và hiệu suất xử lý tốt hơn, dữ liệu sẽ nói lên tất cả.

“Sử dụng âm thanh có giới hạn tương đương với thị giác”, khi toàn ngành đang tập trung vào đa mô态 và hiểu video, Shi Yi lại cùng đội ngũ của mình tập trung phát triển mô hình âm thanh thời gian thực Chroma, giảm độ trễ đầu đến cuối xuống còn 135 miligiây.

Trước khi mô hình ngôn ngữ lớn ra đời, đã có OCR, NLP và nhiều mô hình nhỏ ghép lại với nhau. Hiện tại, âm thanh đang ở trạng thái tương tự như trước khi mô hình ngôn ngữ lớn ra đời—có ASR, TTS và các mô-đun được ghép nối, mỗi khâu đều đang thực hiện tối ưu cục bộ. Kiến trúc cũ này sớm muộn sẽ bị một mô hình âm thanh end-to-end thay thế hoàn toàn. Ông cho rằng, thay vì chờ người khác làm, tốt hơn hết nên tự mình trở thành người thay thế đó.

Thạch Nhất cho rằng giọng nói là hình thức giao tiếp tự nhiên nhất giữa con người với con người, và trong tương lai cũng sẽ là giao diện tương tác cốt lõi nhất giữa con người và AI. “Dải thông tin truyền tải qua giọng nói lớn hơn nhiều so với văn bản, tôi nói một câu là bạn đã hiểu ngay.”

Anh ấy thậm chí còn cho rằng mô hình âm thanh đóng vai trò then chốt trong việc thúc đẩy ngành trí tuệ nhúng. Lớp đầu tiên là mô hình âm thanh thời gian thực, chịu trách nhiệm phản hồi tức thì với độ trễ thấp và trí thông minh cảm xúc cao—hỏi thời tiết, hỏi có nên mặc thêm áo không, lớp này xử lý trực tiếp; lớp thứ hai là mô hình lớn xử lý suy luận sâu; lớp thứ ba là mô hình thế giới, hiểu các quy luật vật lý. “Giới hạn sử dụng của âm thanh nằm ở cùng cấp độ với thị giác.” Đây là một trong những phán đoán dài hạn mà anh ấy tin tưởng nhất hiện nay.

Thạch Nhất cũng cho rằng mô hình thương mại hóa AI hiện tại chỉ là hình thái chuyển tiếp. Vì tất cả các agent hiện nay về bản chất đều là phản hồi bị động — bạn bảo nó làm gì, nó mới làm vậy, giống như một công cụ thực thi chờ lệnh, vẫn tương tự chatbot, do đó mô hình kinh doanh vẫn dựa trên việc trả phí theo lượng token tiêu thụ, dùng bao nhiêu trả bấy nhiêu.

Nhưng khi agent bắt đầu cung cấp dịch vụ chủ động — tức là khi bạn thông báo cho nó biết KPI là gì, OKR là gì, nó tự tìm việc làm, tự lập kế hoạch và cuối cùng giao kết quả có thể đo lường được — lúc này, nó không còn được đánh giá như một công cụ, mà như một nhân viên. Rõ ràng, công ty không tính lương dựa trên số chữ nhân viên gõ hay số email họ gửi đi; bạn nhìn vào những mục tiêu họ đã hoàn thành.

Vì vậy, anh ấy cho rằng khi bước vào thời đại agentic, logic thanh toán thương mại cũng nên chuyển sang mô hình trả phí theo hiệu quả, theo KPI. Khi sự chuyển đổi này thực sự xảy ra, toàn bộ hệ thống định giá, cách thức bán hàng và mối quan hệ khách hàng của các sản phẩm agent sẽ được viết lại hoàn toàn.

Việc khám phá mô hình kinh doanh mới đã bắt đầu diễn ra sâu trong ngành công nghiệp. Crosby, một công ty luật sư AI vừa huy động được 60 triệu USD trong vòng tài trợ B, giao cho mỗi tác nhân phụ trách một khâu khác nhau trong việc xem xét hợp đồng, chẳng hạn như trích xuất thông tin bối cảnh, đề xuất sửa đổi, tạo ghi chú, sau đó luật sư sẽ kiểm tra kết quả công việc của AI, xử lý các chi tiết bị bỏ sót và đảm bảo độ chính xác. Mô hình kinh doanh của nó tính phí theo số lượng hợp đồng đã được kiểm toán, từ 250 đến 1.000 USD mỗi hợp đồng, tùy theo số trang, khoảng 10 đến 50 USD mỗi trang.

Tuy nhiên, điều kiện tiên quyết để tiến hóa sang mô hình thương mại hóa tiếp theo là các tác nhân chủ động có thể ổn định mang lại những kết quả có thể đo lường được. “Hiện tại chúng ta vẫn chưa đến bước đó.”

Từ FlashIntel đến FlashLabs, Thạch Nhất đã hoàn thành một sự điều chỉnh tổ chức và định hướng rõ ràng trong vòng một năm. Những hành động như cắt giảm nhân sự, phá bỏ kiến trúc sản phẩm cũ, tạm thời làm chậm việc theo đuổi thương mại hóa, nhìn từ bên ngoài đều giống như liên tục loại bỏ bớt.

Nhưng trong bối cảnh thực tế của ngành AI với sự phát triển nhanh chóng, điều này giống như một công ty khởi nghiệp tự điều chỉnh trong giai đoạn biến động mạnh mẽ. Khả năng của mô hình có thể tiến bộ đột phá sau mỗi vài tháng, và không ai có thể dự đoán chính xác tương lai. Đối với Thạch Nhất và FlashLabs, trọng tâm hiện tại không phải là chiếm lĩnh bao nhiêu thị phần, mà là đảm bảo các lựa chọn công nghệ và logic kinh doanh của họ không bị loại bỏ dễ dàng bởi làn sóng tiếp theo.

Ngành vẫn đang khám phá hình thái thực sự của Agent, các mô hình thanh toán, ranh giới bảo mật và hình thức tương tác cuối cùng vẫn chưa được định hình. Lựa chọn của FlashLabs có thể không phải là giải pháp tối ưu, nhưng đại diện cho con đường sinh tồn thực tế của các công ty AI chuyên sâu: dưới áp lực của các mô hình lớn ngày càng thâm nhập sâu hơn, hãy trước tiên tìm vị trí vững chắc, sau đó chờ đợi ngành thực sự trưởng thành.