Ngày 10/08, hai tin tức AI đáng chú ý bao gồm: Anthropic thông báo Claude Code Auto Mode sẽ thành mặc định từ ngày 14/8, và Rippling ra mắt AI Spend Console giúp doanh nghiệp đo ROI chi tiêu AI đến cấp độ từng nhân viên. Hai thay đổi trả lời hai câu hỏi mà bất kỳ nhóm triển khai AI nào cũng đang đặt ra: liệu trợ lý AI coding có đủ tin cậy để tự vận hành không, và tiền đổ vào các công cụ AI đang tạo ra giá trị gì?
1. Anthropic bật Auto Mode mặc định cho Claude Code: AI phát hiện hành động nguy hiểm tốt hơn người dùng
Từ ngày 14/8, Claude Code trên các gói Pro, Max và Team sẽ mặc định chạy Auto Mode. Trước đây, trợ lý coding này thường dừng lại để chờ người dùng xác nhận trước mỗi bước thực thi lệnh. Auto Mode thay đổi cơ chế này: một bộ phân loại sẽ tự đánh giá mức độ rủi ro của từng hành động và chỉ yêu cầu xác nhận khi hành động có khả năng gây hại hoặc không thể hoàn tác.
Theo nghiên cứu của Anthropic với 1.053 người dùng trả phí, Auto Mode phát hiện 89% các hành động nguy hiểm, trong khi người dùng chỉ phát hiện được 13,6%. Nghiên cứu cũng cho thấy người dùng chấp thuận tới 97% các yêu cầu xác nhận quyền trong Claude Code. Điều này cho thấy trong thực tế, việc yêu cầu con người phê duyệt từng bước có thể không mang lại mức độ giám sát như kỳ vọng: khi phải xử lý quá nhiều yêu cầu, người dùng dễ bấm “approve” theo phản xạ thay vì thực sự kiểm tra từng hành động.
Đây là một ví dụ cho thấy mô hình “con người kiểm tra từng bước” có thể tạo ra cảm giác an toàn nhiều hơn là an toàn thực chất, đặc biệt khi số lượng yêu cầu phê duyệt tăng cao. Thay vì kiểm tra mọi hành động, hệ thống chuyển sang tự động đánh giá rủi ro và chỉ đưa những trường hợp đáng ngờ cho con người xem xét.
Với các nhóm đang sử dụng Claude Code trên gói Pro, Max hoặc Team, Auto Mode sẽ được bật mặc định từ ngày 14/8. Nếu quy trình nội bộ hiện yêu cầu xem xét thủ công ở từng bước, các nhóm nên kiểm tra lại cấu hình và quy trình phê duyệt trước thời điểm này.
Nguồn: TechCrunch
Ghi chú thuật ngữ
- Auto Mode: Chế độ Claude Code tự đánh giá từng hành động, chỉ yêu cầu xác nhận của người dùng khi phát hiện nguy cơ gây hại hoặc không thể hoàn tác.
2. Rippling AI Spend Console: khi một kỹ sư tiêu 50.000 USD tiền token trong một tháng
Rippling — công ty phần mềm quản lý nhân sự — vừa ra mắt AI Spend Console, công cụ theo dõi chi phí AI theo từng nhân viên, nhóm và vai trò, đồng thời đối chiếu mức chi tiêu với kết quả công việc thực tế.
Câu chuyện bắt đầu từ đầu năm 2026, khi chi phí token AI của Rippling tăng khoảng 80% mỗi tháng và tiến gần mức 40% tổng ngân sách R&D. Nếu đà tăng tiếp diễn, khoản chi này có thể tương đương tới 90% ngân sách nhân sự R&D vào năm sau. Phân tích sâu hơn cho thấy 10–15% nhân viên đang chiếm tới 60% tổng chi phí AI. Trường hợp cực đoan nhất là một kỹ sư đã tiêu tới 50.000 USD tiền token trong một tháng.
Thay vì chỉ đặt hạn mức chi tiêu, AI Spend Console được xây dựng để trả lời một câu hỏi khó hơn: khoản tiền đó có thực sự tạo ra giá trị hay không? Công cụ kết nối dữ liệu chi phí với các chỉ số về kết quả công việc, chẳng hạn số dòng code và pull request được tạo ra, hay tần suất code bị yêu cầu chỉnh sửa trong quá trình review. Dữ liệu được phân tích theo từng cá nhân, nhóm và vai trò. Với đội ngũ chăm sóc khách hàng, thước đo được chuyển sang số lượng khách hàng được hỗ trợ onboarding thành công.
Sau khi triển khai, Rippling sử dụng 600 tỷ token trong tháng 7/2026, gần bằng mức đỉnh 605 tỷ token của tháng 4. Tuy nhiên, chi phí chỉ còn 37% so với tháng 4. Một phần kết quả đến từ việc định tuyến các tác vụ sang những model có chi phí thấp hơn, trong đó có GLM 5.2 của Z.ai — được Rippling cho biết rẻ hơn 85% so với các model frontier nhưng vẫn cho kết quả gần tương đương trong phần lớn tác vụ nội bộ.
Điểm đáng chú ý không chỉ nằm ở khoản tiền tiết kiệm được. Rippling đang thử một cách tiếp cận mà nhiều doanh nghiệp vẫn chưa thực hiện: đo ROI của AI dựa trên kết quả công việc cụ thể, thay vì chỉ theo dõi số token đã sử dụng.
Khi chi phí AI bắt đầu chiếm một phần đáng kể trong ngân sách doanh nghiệp, câu hỏi không còn đơn giản là “ai đang dùng nhiều AI nhất?”, mà là “ai đang tạo ra nhiều giá trị nhất từ khoản chi đó?” Với các đội ngũ phụ trách lựa chọn và quản lý AI tooling, đây có thể trở thành bước tiếp theo cần thiết khi việc sử dụng AI chuyển từ thử nghiệm sang vận hành ở quy mô lớn.
Nguồn: TechCrunch
Ghi chú thuật ngữ
- Token: Đơn vị xử lý của mô hình ngôn ngữ, tương đương khoảng 0,75 từ tiếng Anh. Chi phí dùng API AI thường tính theo số token tiêu thụ.
- Pull request (PR): Yêu cầu tích hợp code mới vào nhánh chính trong quy trình phát triển phần mềm, thường dùng làm chỉ số đo năng suất kỹ thuật.
- GLM 5.2: Mô hình ngôn ngữ do Z.ai (Trung Quốc) phát triển, đang được nhiều công ty công nghệ ưa chuộng cho các tác vụ lập trình nhờ giá rẻ hơn đáng kể so với các model frontier thương mại.
Bài viết của đội ngũ ZTO Labs, chuyên đào tạo và nghiên cứu AI tại Việt Nam.
