Thử nghiệm tất cả các tác tử AI hàng đầu trong một ngày: Đánh giá lựa chọn tối ưu nhất

Reece Rogers Chuyên mục Thiết bị Ngày 27/10/2026, 5 giờ 30 phút Thử nghiệm các AI agent lớn trong một ngày và đánh giá sản phẩm tối ưu nhất Đánh giá và xếp hạng sáu AI agent—từ Muse của Meta đến Claude Duet của Anthropic—theo mức độ hoàn thành các tác vụ cơ bản. Hình minh họa: Jacqui VanLiew; Getty Images CommentLoader Lưu bài viếtLưu bài viết này CommentLoader Lưu bài viếtLưu bài viết này Năm ngoái, tại văn phòng tạp chí WIRED, người viết đã liên tục phản ánh với các đồng nghiệp về sự kém hiệu quả của các AI agent (tác tử AI). Các công cụ này khi đó gần như không thể hoàn thành tốt bất kỳ nhiệm vụ nào. Với tư cách là phóng viên theo dõi mảng phần mềm, người viết đã tham dự nhiều cuộc họp, nơi các chuyên viên công nghệ trình diễn cách thức AI agent mới của họ sẽ cách mạng hóa đời sống thường nhật và tự động hóa các tác vụ tẻ nhạt. Tuy nhiên, vấn đề cốt lõi là không có công cụ nào trong số các "agent" đó thực sự hoạt động hiệu quả. Đến nay, các AI agent hoạt động liên tục đang phát triển bùng nổ, khi các tập đoàn công nghệ lớn chạy đua ra mắt phiên bản riêng nhằm thu hút nhóm người dùng tiên phong. Nguyên nhân căn bản giúp các trợ lý cá nhân này lan tỏa rộng rãi trong đời sống xã hội, vượt ra khỏi cộng đồng công nghệ tại Thung lũng Silicon, là khả năng vận hành thực tế đã đạt hiệu quả cao hơn, ít nhất là đáng tin cậy hơn so với năm trước. Dù vẫn còn những sai sót, các AI agent đã thể hiện sự tiến bộ rõ rệt trong việc theo dõi, xử lý tác vụ cũng như điều khiển trình duyệt. Các công cụ này đã có bước phát triển vượt bậc. Người dùng có thể gặp khó khăn trong việc xác định điểm khởi đầu và lựa chọn AI agent phù hợp nhất với nhu cầu tự động hóa. Do đó, người viết đã dành một ngày để thử nghiệm toàn bộ các AI agent chủ chốt nhằm đánh giá ưu điểm và hạn chế của từng sản phẩm. Tối thứ Tư tuần trước, sáu AI agent hoạt động liên tục đã được cài đặt trên thiết bị iPhone gồm: Muse của Meta, Dots của OpenAI, Instinct, Claude Duet của Anthropic, Gemini Spark của Google và Grok Bot của xAI. Mỗi AI agent có sự khác biệt nhất định về chi phí và tính năng. Muse được cung cấp miễn phí và liên tục dẫn đầu bảng xếp hạng lượt tải ứng dụng trên điện thoại thông minh kể từ khi ra mắt vào tháng 9. Instinct cũng là công cụ miễn phí, nhưng yêu cầu mã mời từ người dùng khác; hệ thống vận hành thông qua tin nhắn văn bản thay vì một ứng dụng độc lập. Dots của OpenAI yêu cầu mức phí thuê bao 100 USD/tháng—đắt nhất trong số các sản phẩm được thử nghiệm—và được tích hợp bên trong ChatGPT. Gemini Spark của Google là phiên bản thử nghiệm (beta) nằm trong ứng dụng Gemini, có giá 20 USD/tháng. Grok Bot của xAI có mức phí 30 USD/tháng và hoạt động trên ứng dụng riêng. Cuối cùng, Claude Duet của Anthropic có giá 20 USD/tháng và là sản phẩm mới nhất—được phát hành dưới dạng bản xem trước phục vụ nghiên cứu theo danh sách chờ ngay trước thời điểm tiến hành thử nghiệm. OpenClaw không nằm trong danh sách đánh giá này. Dù tác tử AI này đã khởi xướng phần lớn làn sóng đổi mới sáng tạo vào đầu năm nay, quy trình cài đặt vẫn quá phức tạp đối với người dùng phổ thông. Công cụ này có thể sẽ xuất hiện trong các bảng xếp hạng tương lai, cùng với các sản phẩm quy mô nhỏ hơn như Hermes của Nous Research và Poke. Bản chất của tác tử AI Đối với người chưa từng sử dụng tác tử AI, công cụ này tương tự như việc gửi tin nhắn cho một trợ lý kỹ thuật số để hoàn thành các tác vụ: rà soát thư điện tử để tìm các thông điệp quan trọng bị bỏ sót, theo dõi giá vé máy bay ưu đãi cho kỳ nghỉ và hỗ trợ đưa ra quyết định mua sắm hằng ngày. So với trải nghiệm tương tác luân phiên của chatbot, các công cụ này mang tính chủ động hơn và sẽ phát tín hiệu nhắc nhở trước khi nhận thấy cơ hội hỗ trợ. Toàn bộ tin nhắn trao đổi với các tác tử thường được lưu trữ trong một luồng duy nhất tương tự như cuộc trò chuyện nhóm. Các tác tử AI hoàn thành nhiều tác vụ bằng cách điều khiển một trình duyệt ảo, về bản chất hoạt động như một máy tính riêng biệt để truy cập internet. Tiêu chí đánh giá Hoạt động thử nghiệm phần mềm AI dưới góc độ người dùng phổ thông đã được tiến hành trong vài năm qua. Năm bài kiểm tra cơ bản đã được thiết kế để áp dụng cho từng tác tử trong vòng 24 giờ nhằm đánh giá tính chủ động, khả năng tuân thủ chỉ dẫn và năng lực duyệt web. Mỗi lượt thử nghiệm được chấm điểm theo thang từ 1 đến 5, sau đó tổng hợp kết quả để xác định công cụ dẫn đầu cũng như công cụ gây trở ngại nhiều nhất. Đây không phải là sự bảo chứng cho bất kỳ tác tử AI nào. Các phần mềm này vẫn đang ở giai đoạn sơ khai và tiềm ẩn nhiều lo ngại về quyền riêng tư cũng như an toàn thông tin. Những tác tử này hoạt động hiệu quả nhất khi được kết nối với dữ liệu cá nhân như thư điện tử và lịch trình, nhưng đòi hỏi mức độ tin cậy nhất định khiến một số người dùng e ngại. Đơn cử, một người dùng mạng xã hội X cho biết gần đây đã kết nối tác tử AI với tài khoản ngân hàng và ứng dụng Slack tại nơi làm việc, sau đó rơi vào tình huống khó xử khi công cụ này công khai số dư tài khoản cho các đồng nghiệp cùng thấy. Ngoài ra, các bài thử nghiệm này chỉ phản ánh một phần nhỏ năng lực của công cụ. Mọi tác tử đều sẽ cải thiện theo thời gian khi tiếp nhận thêm dữ liệu về người dùng và phương thức thực hiện tác vụ. Quá trình kiểm nghiệm chỉ chia sẻ Google Calendar và Gmail cá nhân, chưa cấp quyền truy cập toàn diện đối với tất cả dữ liệu. Bản tin buổi sáng Vào các sáng thứ năm hằng tuần, ban biên tập mục Gear của tạp chí WIRED họp để thảo luận về kế hoạch đưa tin và đề xuất ý tưởng cho tuần kế tiếp. Do đó, mục tiêu đặt ra là kiểm tra xem tác tử AI nào tổng hợp bản tin công nghệ tốt nhất và có thể sử dụng thông tin đó để tạo ra tiêu đề hấp dẫn. Các công ty thường quảng bá rằng những công cụ này rất hữu ích trong việc biên soạn hồ sơ tin tức buổi sáng nhằm cập nhật các sự kiện quan trọng và tin nóng. Mỗi tác tử AI được cung cấp một câu lệnh (prompt) chi tiết về các lĩnh vực phụ trách đưa tin tại WIRED, cùng với ngữ cảnh sử dụng đề xuất bài viết này. Dù có yêu cầu dành 30 phút nghiên cứu sâu trước khi phản hồi, chỉ có Muse của Meta và Dots của OpenAI duy trì tìm kiếm trong phần lớn thời gian được chỉ định. Các tác tử AI còn lại đều đưa ra đề xuất ngay lập tức hoặc gửi tiêu đề chỉ sau vài phút tìm kiếm. Dù không phải là sai sót lớn, kết quả này cho thấy trong trường hợp này, Muse và Dots tuân thủ chỉ dẫn tốt hơn—một chức năng then chốt của tác tử AI. Nội dung của sáu đề xuất bài viết do AI tạo ra lại là một vấn đề hoàn toàn khác. Đúng như dự đoán, các đề xuất này không thực sự nhận được đánh giá tích cực trong cuộc họp ban biên tập. Các đồng nghiệp bắt đầu tỏ dấu hiệu mất tập trung khi từng tiêu đề và phần mô tả được đọc lên. Gemini Spark đưa ra góc tiếp cận tốt nhất khi so sánh việc Walmart tạo điều kiện cho các đại lý bên thứ ba sử dụng nền tảng mua sắm của doanh nghiệp này, trong khi Amazon gần đây đã cung cấp Muse