Gần đây tôi đang tìm hiểu về Pexo do Evan LiaoQ thực hiện, và tôi nghĩ dự án này đáng để bàn luận. Hiện nay, lĩnh vực video AI đã trở nên cực kỳ cạnh tranh. Kling, Veo, Seedance, Sora, Runway—mỗi khoảng thời gian, khả năng của các mô hình lại tiến thêm một bước: chất lượng hình ảnh, thời lượng, tính nhất quán của nhân vật và hiệu ứng chuyển động đều đang được cải thiện nhanh chóng. Nhưng sau khi tự mình sử dụng, bạn sẽ nhận ra một vấn đề: Càng có nhiều mô hình, không có nghĩa là việc tạo ra một video hoàn chỉnh trở nên dễ dàng hơn. Bạn vẫn phải chọn chủ đề, viết kịch bản, chia cảnh, chọn mô hình, viết prompt, tạo nhiều phiên bản, rồi mới đến công đoạn lồng tiếng, nhạc nền, phụ đề và dựng phim. Thường thì việc tạo một cảnh chỉ mất vài phút, nhưng thực sự tốn thời gian nhất lại là quá trình biến nó thành một video hoàn chỉnh—đủ tốt để đăng tải, sử dụng và làm marketing. Pexo muốn giải quyết chính điểm này. Nó không phải là một mô hình video nền tảng mới, mà là một AI Video Agent được xây dựng trên nền các mô hình hiện có. Hiểu đơn giản: Trước đây, bạn phải tự thao tác từng công cụ AI. Bây giờ, bạn chỉ cần nói với Pexo: “Tôi muốn làm một video gì đó.” Còn lại, hãy để Agent lo. Nó có thể hiểu yêu cầu của bạn, đọc trang web hoặc tài liệu nguồn, tổng hợp thông tin, tạo kịch bản, chia cảnh, rồi gọi các mô hình hình ảnh, video và âm thanh phù hợp với từng cảnh, cuối cùng kết hợp tất cả thành một video hoàn chỉnh. Vì vậy, điều thú vị thực sự của Pexo không phải là nó tích hợp bao nhiêu mô hình, mà là nó muốn thay đổi cách tương tác với video AI: Từ “Generate a clip” → thành “Make me a video”. Hai tư duy này khác nhau rất lớn. Cái trước bán “khả năng tạo ra”, cái sau bán “kết quả cuối cùng”. Ví dụ hiện tại, Pexo đã có thể trực tiếp nhập URL trang web sản phẩm, để Agent đọc thông tin sản phẩm và tự động chuyển thành video quảng bá. Đối với SaaS, thương hiệu, thương mại điện tử hay dự án Crypto, đây là một kịch bản rất thực tế. Trước đây, để làm một video giới thiệu sản phẩm, bạn có thể phải tìm người viết nội dung, thiết kế, dựng phim—hoặc thậm chí thuê cả một đội ngũ bên ngoài. Tương lai có thể chỉ cần ném vào Agent: trang web chính thức, ảnh chụp sản phẩm và vài điểm bán hàng cốt lõi—rồi chỉnh sửa qua trò chuyện liên tục. Một tính năng khác mà tôi đang quan tâm là “Mark to Fix”. Vấn đề hiện nay của video AI không còn là “có thể tạo ra hay không”, mà là: Sau khi tạo xong, làm sao để chỉnh sửa? Một cảnh có logo quá to, màu áo nhân vật sai, cần thay thế một phần nào đó, hoặc phụ đề không đúng vị trí—nếu mỗi lần sửa đều phải tạo lại toàn bộ video thì hiệu quả rất thấp. Ý tưởng của Pexo là bạn chỉ cần khoanh vùng trực tiếp trên khung hình và nói với Agent: “Thay cái này.” “Đừng động vào cái này.” “Chuyển thành phiên bản khác.” Nếu khả năng chỉnh sửa cục bộ và duy trì ngữ cảnh này được phát triển tốt, video AI mới thực sự chuyển từ “công cụ rút thẻ” sang “công cụ sản xuất”. Hơn nữa, Pexo hiện không chỉ dừng lại ở một trang web độc lập. Họ đã bắt đầu ra mắt Pexo Skills, tích hợp với các môi trường Agent như Claude Code, Codex, Cursor, Manus, OpenClaw. Tôi cho rằng bước này đáng chú ý hơn cả. Vì tương lai, chúng ta có thể sẽ không chủ động mở hàng chục trang web AI. Thay vào đó, ta chỉ cần nói với General Agent của mình: “Giúp tôi tạo một sản phẩm.” “Viết giúp tôi trang web.” “Làm giúp tôi một video ra mắt.” Sau đó, General Agent sẽ gọi Pexo—một Vertical Agent chuyên về video—để hoàn thành nhiệm vụ sản xuất video. General Agent chịu trách nhiệm hiểu toàn bộ nhiệm vụ; Pexo chịu trách nhiệm làm phần video thật chuyên nghiệp. Đây có lẽ mới là vị trí thực sự mà Pexo muốn chiếm lĩnh. Evan Liao—người sáng lập Pexo—cũng có kinh nghiệm lâu năm trong lĩnh vực video và nội dung AI, từng làm việc tại Tencent, ByteDance và Vidu—nên lộ trình của dự án này rất liền mạch. Từ Apex Context đến Pexo hiện tại, họ luôn nhấn mạnh một khái niệm: Context. Các mô hình sẽ ngày càng mạnh hơn và rẻ hơn. Nhưng điều quyết định một Agent có hữu dụng hay không có lẽ không phải là nó tích hợp bao nhiêu mô hình—mà là nó có thực sự hiểu được điều người dùng muốn diễn đạt không; có nhớ được ngữ cảnh thương hiệu và nhân vật không; có biết khi nào nên gọi mô hình nào không; và khi tạo thất bại thì tự sửa lỗi thế nào. Tôi cho rằng đây cũng chính là điểm đáng quan sát nhất trong tương lai của các Vertical Agent. Khi các mô hình nền tảng dần trở thành hàng hóa, cuộc cạnh tranh thực sự sẽ chuyển từ “mô hình nào mạnh nhất” sang “ai hiểu nhiệm vụ nhất, hiểu người dùng nhất và gần với kết quả cuối cùng nhất”. Pexo đang đánh cược vào hướng đi này. Từ AI Video Generator → sang AI Video Agent. Tôi sẽ tiếp tục theo dõi xem liệu Pexo có thể thực sự kết nối thành một hệ thống sản xuất video hoàn chỉnh: tạo → chỉnh sửa → ngữ cảnh → workflow agent hay không. @evanLiaoQ