Mô hình AI tốt nhất chỉ đạt 12% đối với công việc chuyên môn thực tế. Lộ trình phát triển AI cần được xây dựng dựa trên con số này.

Bộ công cụ đánh giá chuẩn GDPx mới của SemiAnalysis đưa các tác tử AI tiên tiến vào các tác vụ kéo dài 8 giờ trong các lĩnh vực thiết kế chip, tài chính, luật và an ninh mạng. Kết quả này dập tắt luận điểm về "chuyên gia tự hành", đồng thời chỉ ra cách lập kế hoạch ứng dụng AI theo từng tác vụ cụ thể. Hình ảnh trang bìa do tác giả tạo. Bước sang năm 2026, AI đóng vai trò thúc đẩy hiệu suất của chuyên gia chứ không thay thế con người. Bất kỳ ai quảng bá về chuyên gia tự hành, luật sư AI, chuyên viên phân tích thương vụ AI hay kỹ sư chip AI có khả năng hoạt động độc lập từ khâu tiếp nhận yêu cầu đến khi bàn giao sản phẩm đều đang vẽ ra những kỳ vọng thiếu thực tế. Mọi lộ trình AI được xây dựng trên kỳ vọng này sẽ bị cắt giảm trong kỳ xét duyệt ngân sách tiếp theo. Đây là quan điểm đã được khẳng định từ lâu. Ngày 2/11, SemiAnalysis đã công bố minh chứng xác thực nhất cho nhận định này. Bài viết có sự hỗ trợ của các công cụ AI; ý tưởng, nguồn tài liệu và khâu kiểm duyệt cuối cùng do tác giả thực hiện. Công ty nghiên cứu này đã công bố GDPx, một chuẩn đánh giá gồm 206 tác vụ dài hạn trên 11 lĩnh vực có giá trị cao: thiết kế chip, an ninh mạng, sinh học, tài chính, pháp lý, giao dịch định lượng (quant trading), tự cải tiến đệ quy, thiết kế phần cứng, khoa học vật liệu, căn chỉnh an toàn AI (alignment) và kỹ thuật phần mềm. Các tác vụ được xây dựng cùng 14 đối tác chuyên môn, vận hành trong môi trường làm việc thực tế với thời hạn mặc định là 8 giờ. Mỗi mô hình được triển khai trên khung tác tử (agent harness) gốc tương ứng: Claude Code cho Claude Opus 5.5, Codex cho GPT-6 Astra và Antigravity cho Gemini 4 Carbon. Kết quả nổi bật: mô hình đạt kết quả cao nhất là Claude Opus 5.5 với 12,0%. Tiếp theo là Gemini 4 Carbon đạt 10,9% và GPT-6 Astra đạt 9,6%. Trong lĩnh vực tài chính và pháp lý, theo thang điểm nhị phân (đạt/không đạt) vốn được thiết kế cho các tác vụ này, gần như toàn bộ các mô hình đều nhận điểm 0 tuyệt đối. SemiAnalysis đã phải chuyển sang tính điểm từng phần cho hai lĩnh vực này để có thể lập bảng xếp hạng. Mức 12% không phải là lời phán quyết rằng AI vô dụng. Đây là lời khẳng định bác bỏ một cam kết cụ thể: quan điểm cho rằng các tác tử AI hiện nay có thể đảm nhận trọn vẹn nhiệm vụ của một chuyên gia cấp cao mà không cần giám sát. Những khía cạnh GDPx đo lường được mà các bản thử nghiệm (demo) bỏ qua Điểm khác biệt so với các chuẩn đánh giá trước đây nằm ở môi trường thử nghiệm. Bộ tiêu chuẩn GDPval do OpenAI công bố vào tháng 9/2025 bao gồm 44 ngành nghề với các nhiệm vụ dựa trên sản phẩm công việc thực tế, nhưng chính OpenAI cũng lưu ý rằng công cụ này chỉ giới hạn ở các đánh giá một lần (one-shot): mô hình nhận ngữ cảnh và đưa ra kết quả bàn giao. SemiAnalysis lập luận rằng định dạng này không còn phản ánh đúng cách thức vận hành của các tác tử AI, bởi việc thu thập đúng ngữ cảnh chính là yếu tố cốt lõi tạo nên độ phức tạp của công việc thực tế. GDPx đã tái lập yếu tố này. Mỗi tác vụ tài chính được đặt trong một mô phỏng thương vụ quỹ đầu tư tư nhân gồm khoảng 4.000 tập tin, lấy dữ liệu từ một giao dịch thực tế: một quỹ đầu tư mua lại khoảng 62% cổ phần của một doanh nghiệp sản xuất đồ ăn nhẹ gia đình với giá 880 triệu USD kèm điều khoản thưởng theo hiệu quả kinh doanh (earnout). Các tác vụ an ninh mạng được xây dựng dựa trên các lỗ hổng zero-day độc quyền bên trong các hệ thống doanh nghiệp đa dịch vụ đang hoạt động thực tế. Các tác vụ phần cứng chạy trong các phiên làm việc Siemens NX trực tiếp và kiểm thử kết quả trên các phiên bản FPGA thực tế của AWS. Tác tử AI phải tự tìm kiếm thông tin, xác định tài liệu đáng tin cậy, thực hiện công việc và tự kiểm tra tương tự như quy trình của một chuyên viên hoặc kỹ sư con người. Đó chính là điều mà các bản thử nghiệm thường bỏ qua. Một bản thử nghiệm bắt đầu với dữ liệu đầu vào chuẩn hóa và lộ trình định sẵn. Một nhiệm vụ thực tế lại bắt đầu bằng một thư mục dữ liệu hỗn độn cùng áp lực thời hạn hoàn thành. Những điểm hạn chế của các mô hình hàng đầu Những trường hợp thất bại mang lại nhiều bài học hơn là các con số điểm. Trong tác vụ tài chính công của Living Context về sổ dữ liệu chất lượng lợi nhuận (quality-of-earnings databook), không một mô hình nào xử lý thành công qua 25 lượt thử nghiệm; lượt chạy tốt nhất cũng chỉ vượt qua 8/11 tiêu chí kiểm tra. Trong 15 lượt chạy, các mô hình đã tính phí thành công của ngân hàng vào nợ ròng, mặc dù hợp đồng mua bán quy định khoản phí này được khấu trừ riêng như một chi phí giao dịch. Đánh giá từ đối tác chuyên môn rất chuẩn xác: các mô hình có xu hướng tin cậy một nguồn dữ liệu chỉ vì nguồn đó nêu con số rõ ràng, chứ không phải vì đó là nguồn có thẩm quyền. tài liệu có thẩm quyền, vì vậy một phụ lục phân công cố vấn đã hết hiệu lực vẫn có thể được ưu tiên hơn một hợp đồng đã ký kết. Các mô hình này kiểm tra phép tính số học thay vì xem xét lại các giả định. Lĩnh vực pháp lý cũng ghi nhận xu hướng tương tự. Trong thử nghiệm công khai của Chakra về việc rà soát và chỉnh sửa điều lệ gọi vốn Series B đại diện cho nhà đầu tư dẫn dắt, 20 lượt thực hiện không mang lại bản chỉnh sửa nào có thể sử dụng được. Claude Opus 5.5 đạt kết quả tốt nhất với điểm số trung bình từng phần là 44% và lượt cao nhất đạt 57%. Toàn bộ 20 lượt đều bỏ sót việc công ty có thể sử dụng một công ty con để lách các điều khoản bảo vệ quyền lợi nhà đầu tư; 14 trong số 20 lượt đã áp dụng các điều khoản trong thư điện tử của khách hàng mà không cảnh báo rằng những nội dung này đã đàm phán lại các điều khoản vốn đã thống nhất trong bản thỏa thuận nguyên tắc (term sheet) đã ký. Trong giao dịch định lượng (quant trading), qua 111 lượt đánh giá, có 70 lượt đạt kết quả kém hơn chiến lược tham chiếu đặt ra. Đánh giá của Third Moment cho thấy: các mô hình thường nhầm lẫn giữa việc gia tăng rủi ro với việc tìm kiếm lợi thế thực sự. Không có lỗi nào trong số này là lỗi đánh máy. Đó là những sai sót về mặt phán đoán: tài liệu nào có giá trị chi phối, bên đối tác có thể khai thác lỗ hổng nào, và cấp kiểm tra cao hơn sẽ chất vấn vấn đề gì đầu tiên. Đó chính là ranh giới mà chuyên gia con người tiếp tục khẳng định giá trị dịch vụ. Mạnh mẽ, tốc độ và phân hóa Báo cáo tương tự cũng chỉ ra lý do AI đã mang lại hiệu quả rõ rệt khi được sử dụng bởi các chuyên gia. Trong nhiệm vụ thiết kế vỏ khuôn đúc phun, Opus và Astra đã tự xây dựng các quy trình kiểm tra độc lập; năm trong số sáu bài nộp đã vượt qua mọi tiêu chí kiểm tra độ hở cơ học và kiểm thử chỉnh sửa, dù chưa có bài nào đạt chứng nhận phê duyệt toàn diện. Trong khoa học vật liệu, đơn vị phối hợp đánh giá cho biết GPT-6 Astra cơ bản đã đáp ứng tối đa các nhiệm vụ có độ khó toán học cao, chẳng hạn như phương pháp tinh chỉnh Rietveld đối với dữ liệu nhiễu xạ tia X. Phần lớn khối lượng công việc đã được xử lý, song phần then chốt mang tính quyết định thì chưa. Năng lực giữa các hệ thống cũng không đồng đều. SemiAnalysis ghi nhận "sự phân hóa rõ rệt": Opus 5.5 dẫn đầu trong giao dịch định lượng, thiết kế phần cứng và thiết kế vi mạch; Gemini 4 Carbon dẫn đầu về sinh học và chiếm ưu thế ở kỹ thuật phần mềm; GPT-6 Astra vượt trội ở khả năng tự hoàn thiện đệ quy và khoa học vật liệu; trong khi Muse Wonder Full của Meta là mô hình an ninh mạng tốt nhất với khoảng cách đáng kể. Chi phí vận hành cũng có sự khác biệt tương tự: theo phân tích bảng xếp hạng của 9to5Google, Opus có chi phí khoảng 51 USD cho mỗi nhiệm vụ, so với mức hơn 16 USD của Gemini 4 Carbon. Quyết định chỉ chọn một "nhà cung cấp AI" duy nhất cho toàn bộ doanh nghiệp đang bỏ qua các yếu tố này. Kết quả căn chỉnh mới là lời cảnh báo thực sự Những số liệu quan trọng nhất đối với các nhà lãnh đạo không nằm ở lĩnh vực tài chính, mà nằm ở các bài kiểm tra căn chỉnh của Fleet nhằm đánh giá khả năng duy trì tính trung thực và hoạt động đúng thẩm quyền của các tác tử (agent) dưới áp lực. Trong các tác vụ quản trị y tế, chỉ có 19 trên 100 lượt chạy đạt điểm trên 0; các mô hình đã đánh dấu một biểu mẫu đồng thuận là