GPT-6 Astra: Khi ChatGPT bắt đầu tiến gần hơn tới một người làm việc thực sự

Ngày 3/9/2026, OpenAI giới thiệu GPT-6 Astra. Như thường lệ, điều đầu tiên nhiều người quan tâm sẽ là: model mới thông minh hơn bao nhiêu, code tốt hơn thế nào, benchmark tăng được mấy điểm.

Nhưng lần này, tôi nghĩ có một câu hỏi đáng quan tâm hơn: ChatGPT còn là một công cụ để chúng ta hỏi từng câu một, hay đang dần trở thành một hệ thống có thể nhận cả một công việc và tự đi qua nhiều bước để hoàn thành nó?

Đó mới là phần khiến GPT-6 Astra đáng chú ý.

OpenAI định vị Astra cho những công việc phức tạp từ đầu đến cuối, nơi model phải vừa suy luận, vừa tìm kiếm thông tin, viết code, sử dụng trình duyệt, làm việc với công cụ và cuối cùng tạo ra một kết quả có thể dùng được. Kết quả đó không nhất thiết chỉ là một đoạn văn. Nó có thể là tài liệu, spreadsheet, presentation hoặc một chuỗi công việc đã được xử lý tương đối hoàn chỉnh.

Nếu nhìn lại cách chúng ta dùng ChatGPT vài năm qua, phần lớn vẫn là làm việc theo từng mẩu nhỏ. Hỏi một câu, nhận một câu trả lời. Nhờ viết một đoạn code, sau đó tự chạy. Yêu cầu phân tích dữ liệu, rồi copy kết quả sang Excel. Nhờ tóm tắt tài liệu, sau đó tự ghép thành báo cáo.

A.I giúp rất nhiều, nhưng người dùng vẫn là người đứng giữa nối tất cả các bước lại với nhau.

Astra đang cho thấy OpenAI muốn giảm bớt phần việc đó.

Giả sử một công ty muốn nghiên cứu thị trường đào tạo A.I tại Việt Nam. Với cách làm quen thuộc, một nhân viên có thể phải tìm đối thủ, vào từng website, ghi lại giá, phân loại dịch vụ, so sánh positioning, đưa dữ liệu vào bảng tính, viết nhận xét rồi làm slide trình bày.

Với một hệ thống agent mạnh hơn, yêu cầu có thể được đưa ra ở cấp độ cao hơn: nghiên cứu thị trường, tổng hợp dữ liệu, phân tích đối thủ và chuẩn bị presentation cho cuộc họp.

Khác biệt nằm ở chỗ đó.

Người dùng không nhất thiết phải chỉ cho A.I từng cú click. Họ nói rõ mục tiêu, còn hệ thống tự tìm cách đi qua các bước trung gian.

Đây cũng là cách dễ hiểu nhất để nói về Agentic A.I.

Một chatbot chủ yếu phản hồi. Một agent có thể nhận mục tiêu, lập kế hoạch, sử dụng công cụ và tiếp tục hành động cho tới khi tạo ra kết quả nào đó.

Khả năng sử dụng máy tính và trình duyệt vì thế trở thành một phần rất quan trọng. Nếu A.I chỉ biết mô tả cách một website hoạt động, nó vẫn chỉ là một hệ thống tư vấn. Khi nó có thể mở trang, đọc thông tin, tương tác với ứng dụng và đưa dữ liệu đó vào một workflow lớn hơn, vai trò của nó bắt đầu khác đi.

Điều này đặc biệt rõ trong những công việc vốn có nhiều thao tác lặp lại.

Một người làm marketing có thể cần khảo sát hàng chục website đối thủ. Một analyst cần tổng hợp dữ liệu từ nhiều nguồn. Một developer phải đọc code cũ, sửa lỗi rồi chạy test. Một researcher phải tìm bài báo, đọc, đối chiếu và lập bảng literature review.

Trước đây, ChatGPT thường hỗ trợ một phần trong các công việc đó. Astra được thiết kế để nối nhiều phần lại với nhau.

Một điểm khác cũng rất thực tế là đầu ra.

Trong doanh nghiệp, người ta hiếm khi cần “một câu trả lời hay”. Thứ cần giao cho sếp hoặc khách hàng thường là một file hoàn chỉnh.

Một báo cáo.

Một spreadsheet có số liệu.

Một slide deck.

Một tài liệu được trình bày theo đúng format.

Đây là lý do khả năng tạo documents, spreadsheets và presentations đáng quan tâm hơn nhiều so với việc model có thể viết thêm vài đoạn văn trôi chảy.

Nếu một manager nói: “Phân tích doanh thu quý III, tìm khu vực tăng trưởng tốt nhất và chuẩn bị slide cho cuộc họp”, thì kết quả hữu ích nhất không phải một bài phân tích dài trên màn hình chat. Kết quả hữu ích hơn là dữ liệu đã được xử lý, nhận xét đã được kiểm tra và deck đã gần sẵn sàng để trình bày.

Astra cũng được thiết kế để chịu được việc người dùng thay đổi yêu cầu giữa chừng. Đây là chuyện rất bình thường trong công việc nhưng lại khá khó đối với các hệ thống A.I trước đây.

Đang phân tích dữ liệu, sếp nói bỏ nhóm khách hàng thử nghiệm ra.

Đang làm report, phát hiện cần chia thêm theo khu vực.

Đang nghiên cứu, thấy một hướng khác quan trọng hơn nên muốn đào sâu vào đó.

Công việc thực tế không diễn ra theo một prompt hoàn hảo được viết ngay từ đầu. Nó thay đổi liên tục. Vì thế, một agent thực sự hữu ích phải có khả năng giữ bối cảnh và đổi hướng khi cần, thay vì mỗi lần có yêu cầu mới lại bắt đầu gần như từ số 0.

Context window lớn của Astra cũng nên được nhìn theo cách này.

Nghe “hơn một triệu token” thì rất ấn tượng, nhưng giá trị không chỉ nằm ở chuyện model đọc được một file cực dài. Quan trọng hơn là nó có thể giữ nhiều phần khác nhau của một dự án trong cùng một không gian làm việc.

Trong một dự án phần mềm, đó có thể là requirements, source code, bug report, test log và documentation. Trong một dự án kinh doanh, đó có thể là báo cáo tài chính, dữ liệu bán hàng, kế hoạch kinh doanh, nghiên cứu thị trường và các tài liệu nội bộ liên quan.

A.I càng nhìn được nhiều phần của bài toán cùng lúc, khả năng nó làm việc nhất quán càng cao.

Coding cũng là một ví dụ thú vị.

Trong vài năm qua, chúng ta thường khoe A.I bằng cách yêu cầu nó viết một function Python hoặc dựng một website từ prompt. Nhưng công việc của một software engineer ngoài đời phức tạp hơn nhiều. Phần khó thường nằm ở việc đọc code người khác, hiểu cấu trúc hệ thống, tìm nguyên nhân lỗi, sửa nhiều file liên quan, chạy test rồi tiếp tục xử lý khi test thất bại.

Khi A.I có thể tham gia vào cả chuỗi đó, câu hỏi “nó viết code tốt không?” bắt đầu trở nên hơi hẹp.

Câu hỏi thực tế hơn là: một developer có thể giao cho A.I bao nhiêu phần của một task trước khi phải tự nhảy vào?

Research cũng tương tự.

Tìm vài đường link chưa phải là nghiên cứu. Một quá trình nghiên cứu tử tế phải xem nguồn nào đáng tin, thông tin nào mâu thuẫn, dữ liệu nào đã cũ, chỗ nào cần kiểm chứng thêm và cuối cùng mới đi tới kết luận.

Nếu browsing, reasoning và tool use được ghép vào cùng một workflow, A.I có thể làm được nhiều hơn việc “Google hộ tôi”.

Đây là phần có thể ảnh hưởng khá mạnh tới những nghề như analyst, consultant, researcher, manager hay bất cứ ai làm công việc xử lý thông tin.

Có một chi tiết kỹ thuật khác ít được nói tới nhưng cũng đáng để ý: Astra có thể làm việc theo kiểu bất đồng bộ với công cụ. Nói đơn giản, nếu một tool đang chạy và chưa trả kết quả, hệ thống có thể tiếp tục xử lý những phần khác thay vì ngồi chờ.

Con người vẫn làm vậy mỗi ngày. Đang đợi hệ thống export báo cáo thì tranh thủ chuẩn bị slide. Đang chờ dữ liệu từ bộ phận khác thì xử lý phần mình đã có.

Khi A.I bắt đầu biết tổ chức công việc theo kiểu đó, nó không chỉ nhanh hơn. Nó cũng giống một người đang làm việc hơn.

Tất nhiên, đây cũng là lúc vấn đề trở nên nhạy cảm hơn.

Một chatbot trả lời sai có thể khiến chúng ta hiểu sai một thông tin. Một agent làm sai có thể gây hậu quả lớn hơn, vì nó đã được trao quyền thực hiện hành động.

Nếu A.I chỉ viết nhầm một câu, ta có thể sửa lại.

Nếu A.I gửi nhầm email, chỉnh nhầm dữ liệu, thao tác sai trên hệ thống hoặc đưa một quyết định sai đi quá xa trong workflow, hậu quả không còn nằm trên màn hình chat nữa.

Vì vậy, khi nói về Agentic A.I trong doanh nghiệp, tôi nghĩ câu chuyện về quyền hạn và kiểm soát sẽ ngày càng quan trọng.

A.I được xem dữ liệu nào?

Được tự làm việc gì?

Tác vụ nào cần con người duyệt?

Hành động nào phải ghi log?

Nếu hệ thống đi sai hướng thì ai phát hiện?

Những câu hỏi này có thể nghe ít hấp dẫn hơn benchmark, nhưng lại là phần doanh nghiệp thực sự phải giải quyết nếu muốn đưa agent vào công việc hằng ngày.

Có lẽ điều thú vị nhất với Astra nằm ở một thay đổi khác: cách con người giao việc cho A.I.

Trong giai đoạn đầu của ChatGPT, ai cũng nói về prompt engineering. Chúng ta học cách viết prompt dài hơn, rõ hơn, thêm role, context, constraints và output format.

Những kỹ năng đó vẫn hữu ích. Nhưng khi agent đủ mạnh để tự xử lý nhiều bước, người dùng có lẽ không cần mô tả từng thao tác chi tiết như trước.

Thay vào đó, chúng ta phải học một kỹ năng khác: giao việc.

Mục tiêu chính xác là gì? Kết quả cuối cùng phải đạt tiêu chuẩn nào? A.I được sử dụng những nguồn dữ liệu nào? Được phép tự quyết đến đâu? Điểm nào cần con người kiểm tra?

Đó không còn đơn thuần là prompt engineering nữa.

Nó gần với workflow design và management hơn.

Và đây cũng là chỗ doanh nghiệp dễ hiểu sai về A.I nhất.

Mua một tài khoản ChatGPT cho nhân viên chưa có nghĩa là đã chuyển đổi bằng A.I. Dạy mọi người vài công thức prompt cũng chưa chắc tạo ra thay đổi lớn.

Lợi ích đáng kể thường chỉ xuất hiện khi doanh nghiệp nhìn lại cả quy trình và hỏi: bước nào đang tiêu tốn nhiều thời gian, bước nào có tính lặp lại, bước nào A.I có thể xử lý, bước nào con người nhất định phải giữ quyền quyết định?

Nếu trước đây một manager dành phần lớn thời gian để tìm dữ liệu, tổng hợp Excel, viết report và làm slide, thì mục tiêu hợp lý không phải là để A.I “thay manager”.

Mục tiêu là giảm phần việc cơ học để người đó có thêm thời gian cho những thứ đáng ra manager phải làm: suy nghĩ, đánh giá, nói chuyện với con người và ra quyết định.

Đó là lý do tôi thấy GPT-6 Astra đáng quan tâm hơn một lần nâng cấp model thông thường.

Không phải vì nó nhất thiết sẽ thay đổi mọi thứ ngay lập tức.

Mà vì nó cho thấy rất rõ hướng mà A.I đang đi: từ một công cụ trả lời sang một hệ thống ngày càng có khả năng nhận việc, sử dụng công cụ và tạo ra kết quả.

Vài năm trước, người ta hỏi: “A.I có thể viết được không?”

Sau đó là: “A.I có thể suy luận tốt đến đâu?”

Có lẽ câu hỏi sắp tới sẽ thực tế hơn nhiều:

A.I có thể tự hoàn thành được bao nhiêu phần trong công việc của chúng ta?

Với doanh nghiệp, câu hỏi đó quan trọng hơn rất nhiều so với việc GPT-6 hơn GPT-5 vài điểm benchmark.

ainao.vn | A.I không chỉ để biết. A.I phải tạo ra năng suất.