Trong khi cuộc cách mạng AI hứa hẹn mang lại năng suất chưa từng có, các doanh nghiệp lớn lại vấp phải một rào cản khổng lồ: họ không thể tích hợp các mô hình phức tạp vào các môi trường cũ kỹ và lộn xộn. Một startup mới mang tên June đang cố gắng giải quyết cuộc khủng hoảng triển khai này bằng cách sử dụng AI để tự động hóa các quy trình mà hiện nay đang đòi hỏi cả một đội ngũ tư vấn đắt đỏ.
Nghịch lý của việc triển khai AI
Khi các mô hình AI ngày càng trở nên mạnh mẽ hơn, nhu cầu về các dịch vụ chuyên gia thủ công thực tế lại tăng lên. Các công ty đang phải thuê các "Kỹ sư triển khai tại chỗ" (Forward-Deployed Engineers - FDEs)—những đội ngũ được đưa vào sâu bên trong tổ chức để kết nối thủ công giữa các mô hình AI thô và cơ sở hạ tầng doanh nghiệp hiện có.
Efrat Rapoport, một cựu giám đốc điều hành tại Salesforce, cho biết việc thuê thêm nhiều người để quản lý sự phức tạp là điều không thể duy trì lâu dài. Cách tiếp cận thủ công đó tạo ra một nút thắt cổ chai, ngăn cản ngay cả những LLM mạnh mẽ nhất mang lại giá trị thực tế cho các công ty trong danh sách Fortune 500.
Giải quyết sự hỗn loạn của dữ liệu cũ
Trở ngại lớn nhất không nằm ở trí thông minh của mô hình; mà nằm ở "sự hỗn loạn bên dưới". Các tập đoàn lớn vận hành trên một tập hợp chắp vá các nền tảng—Salesforce, ServiceNow, Databricks, Workday—vốn đầy rẫy nợ kỹ thuật, các trường dữ liệu trùng lặp và các quy trình làm việc không nhất quán.
Nền tảng của June quét các hệ thống của công ty, tìm hiểu các quy trình riêng biệt của họ và tự động tạo ra một lộ trình triển khai từng bước. Thay vì cần các kiến trúc sư con người để lập bản đồ tích hợp, June xác định chính xác các nút thắt, nhắc nhở người dùng làm sạch dữ liệu trùng lặp hoặc kết nối các nguồn, sau đó tự động xây dựng việc tích hợp.
Vượt xa khỏi "hộp đen" tư vấn
June thay thế mô hình thủ công tốn kém và nhiều rào cản bằng một công cụ tự phục vụ. Đối với CMG, một đơn vị cho vay thế chấp lớn tại Hoa Kỳ, sự khác biệt mang tính chuyển đổi. Sau khi phải vật lộn với Claude Code và Salesforce thông qua các hình thức tư vấn truyền thống, June đã cho phép đội ngũ của họ xác định các điểm triển khai và tiến hành mà không gặp phải những rào cản kéo dài hàng tuần.
Bằng cách tự động hóa "các công việc nền tảng"—làm sạch dữ liệu, lập bản đồ, tối ưu hóa quy trình làm việc—June cho phép các công ty chuyển đổi từ việc thử nghiệm "vibe-coding" sang các hoạt động vận hành dựa trên agent có khả năng mở rộng mà không cần một đội ngũ kỹ sư chuyên trách đông đảo.
Tại sao điều này lại quan trọng đối với bối cảnh AI
Làn sóng AI tiếp theo sẽ được đánh giá không phải bằng số lượng tham số, mà bằng việc ai có thể đan xen các mô hình vào bộ máy kinh tế hiện có. Nếu June thành công, ngành công nghiệp này có thể chuyển dịch từ mô hình thâm dụng dịch vụ sang mô hình định hướng phần mềm, hạ thấp rào cản tự động hóa doanh nghiệp và đẩy nhanh kỷ nguyên "Agentic Workflow".
Các điểm chính cần lưu ý
- Tự động hóa tích hợp: June quét và lập bản đồ các hệ thống cũ phức tạp, sau đó cung cấp một lộ trình tự động để khắc phục tình trạng phân mảnh dữ liệu và nợ kỹ thuật.
- Giảm thiểu chi phí nhân sự: Nền tảng này thay thế các Kỹ sư triển khai tại chỗ đắt đỏ bằng một mô hình triển khai tự phục vụ, "triển khai chỉ bằng một cú nhấp chuột".
- Được hỗ trợ bởi các tên tuổi lớn: Được xây dựng bởi đội ngũ đứng sau Bonobo AI, June đã huy động được 20 triệu USD trong vòng pre-seed do Time Ventures của Marc Benioff dẫn đầu.
June vừa công bố một nền tảng hỗ trợ bởi AI giúp tự động tích hợp các mô hình ngôn ngữ lớn (LLMs) vào các hệ thống doanh nghiệp cũ, với tuyên bố loại bỏ nhu cầu về các đội ngũ kỹ sư triển khai tại chỗ tốn kém.
Nút thắt cổ chai trong việc tích hợp
Các doanh nghiệp đã dành cả năm qua để mua các LLM ngày càng mạnh mẽ hơn, nhưng hầu hết vẫn vấp phải trở ngại đầu tiên: kết nối các mô hình đó vào một tập hợp chắp vá các ứng dụng on-prem và đám mây. Giải pháp điển hình là thuê một đội ngũ FDE—những chuyên gia tư vấn được đưa vào bên trong công ty để lập bản đồ luồng dữ liệu thủ công và viết mã kết nối (glue code).
Efrat Rapoport gọi cách tiếp cận đó là "không thể duy trì lâu dài". Việc tăng thêm nhân sự không giúp loại bỏ các trường dữ liệu trùng lặp, các bảng dữ liệu lỗi thời và các quy trình làm việc bị cô lập; nó chỉ trì hoãn nút thắt cổ chai không thể tránh khỏi. Nghịch lý ở chỗ: khi các mô hình AI trở nên mạnh mẽ hơn, nhu cầu về các dịch vụ triển khai thủ công lại tăng lên chứ không giảm đi.
Cách nền tảng của June hoạt động
June đã thay đổi cuộc chơi. Thay vì cử các kỹ sư đến kiểm tra môi trường của khách hàng, nền tảng này triển khai AI của riêng mình để quét ngăn xếp công nghệ hiện có—Salesforce, ServiceNow, Databricks, Workday hoặc một hệ thống ERP tùy chỉnh. Quá trình quét tạo ra một bản đồ chi tiết về các lược đồ dữ liệu (data schemas), các điểm cuối API (API endpoints) và các trình kích hoạt quy trình làm việc (workflow triggers). Từ bản đồ đó, June tự động xác định:
- Các trường dữ liệu dư thừa hoặc mồ côi gây cản trở việc huấn luyện mô hình
- Các hợp đồng API không khớp có thể gây ra lỗi trong quá trình thực thi (runtime errors)
- Các lỗ hổng trong quy trình làm việc mà một agent điều khiển bởi LLM có thể tạo ra giá trị gia tăng
Sau đó, nền tảng sẽ tạo ra một kế hoạch khắc phục, yêu cầu người dùng phê duyệt các hành động dọn dẹp như loại bỏ các bảng trùng lặp hoặc thiết lập các đường ống dữ liệu (data pipelines) bảo mật. Sau khi được phê duyệt, chính công cụ AI đó sẽ thực hiện các thay đổi, xây dựng các bộ kết nối (connectors) và triển khai LLM dưới dạng một dịch vụ được quản lý (managed service).
Trong thực tế, quy trình làm việc này thay thế một dự án tư vấn kéo dài nhiều tuần bằng trải nghiệm "xây dựng chỉ với một cú nhấp chuột" (build-on-click). Các đội ngũ nội bộ có thể lặp lại các bước tích hợp mà không cần chờ đợi các kỹ sư bên ngoài.
Một trường hợp thử nghiệm thực tế
CMG, một đơn vị cho vay thế chấp lớn tại Hoa Kỳ, đã gặp khó khăn trong việc kết nối Claude Code—một công cụ AI hội thoại—với hệ thống Salesforce của mình. Việc tư vấn kiến trúc truyền thống đã buộc công ty phải tham gia vào một loạt các cuộc họp qua lại, mỗi cuộc họp lại làm chậm tiến độ thêm nhiều tuần. Sau khi chuyển sang nền tảng của June, nhân viên của CMG đã xác định chính xác các điểm tích hợp, chạy quy trình dọn dẹp tự động và triển khai LLM chỉ trong vài ngày thay vì vài tuần. Kết quả là: một tác nhân (agent) hoạt động hiệu quả, có thể trả lời các truy vấn thẩm định mà không cần đến đội ngũ FDE bên ngoài.
Những rủi ro tiềm ẩn
Cách tiếp cận này giả định rằng AI có thể hiểu một cách đáng tin cậy các chính sách quản trị dữ liệu, các ràng buộc bảo mật và các yêu cầu quy định của một công ty. Một bộ kết nối bị cấu hình sai có thể làm lộ thông tin nhạy cảm của khách hàng hoặc gây ra các lỗi dây chuyền (downstream failures). Các nhà phê bình cảnh báo rằng việc tích hợp hoàn toàn tự động vẫn có thể cần đến sự giám sát của con người để đảm bảo an toàn, đặc biệt là trong các lĩnh vực bị kiểm soát chặt chẽ như tài chính hoặc y tế.
Những tác động lan tỏa trong ngành
June được thành lập bởi đội ngũ đã xây dựng Bonobo AI và đã huy động được 20 triệu USD vốn hạt giống (pre-seed) do Time Ventures của Marc Benioff dẫn đầu. Sự hỗ trợ này cho thấy niềm tin của các nhà đầu tư rằng làn sóng giá trị AI tiếp theo sẽ đến từ các phần mềm giúp giảm bớt rào cản triển khai, chứ không phải từ việc tăng kích thước mô hình.
Quan điểm đối lập: yếu tố con người
Tự động hóa không xóa bỏ mọi sự phức tạp. Các hệ thống cũ (legacy systems) thường chứa các tùy chỉnh không được ghi chép lại, và một số điểm tích hợp liên quan đến mã nguồn cũ mà không thể viết lại nếu không muốn rủi ro về tính ổn định. Nền tảng của June có thể đẩy nhanh giai đoạn "thiết lập hạ tầng" (plumbing), nhưng các doanh nghiệp vẫn sẽ cần các chuyên gia trong lĩnh vực để xác nhận rằng các bản sửa lỗi tự động phù hợp với các quy tắc kinh doanh và các yêu cầu tuân thủ.
Những điều cần theo dõi tiếp theo
- Chỉ số áp dụng: Tỷ lệ rời bỏ sớm và tốc độ các công ty mới chuyển từ giai đoạn thử nghiệm sang vận hành thực tế sẽ cho thấy liệu tự động hóa có thực sự thay thế được các kỹ sư con người hay không.
- Phản ứng của cơ quan quản lý: Khi AI được tích hợp sâu vào các chức năng kinh doanh cốt lõi, các cơ quan quản lý có thể ban hành các hướng dẫn về tích hợp tự động, đặc biệt là liên quan đến quyền riêng tư dữ liệu.
- Bối cảnh cạnh tranh: Các startup khác và các nhà cung cấp lâu đời đang chạy đua để đóng gói các công cụ triển khai AI cùng với các nền tảng đám mây của họ. Cách June tạo sự khác biệt cho công cụ quét và khắc phục của mình sẽ là yếu tố then chốt.
- Sự minh bạch về giá cả: Việc so sánh chi phí nền tảng với phí tư vấn truyền thống sẽ quyết định sức hấp dẫn của nó đối với các Giám đốc Tài chính (CFO) luôn chú trọng đến chi phí.
Tuyên bố của June về việc tự động hóa thế giới triển khai AI doanh nghiệp đầy rắc rối và nặng nề với các hệ thống cũ là một tuyên bố táo bạo, và những kết quả ban đầu tại CMG cho thấy công nghệ này có thể rút ngắn công việc từ nhiều tuần xuống còn vài ngày. Liệu mô hình này có thể xử lý nhất quán các trường hợp ngoại lệ (edge cases) — thứ vốn giúp các công ty tư vấn duy trì hoạt động — hay không sẽ quyết định liệu thị trường tích hợp AI có thực sự chuyển dịch từ thâm dụng nhân lực sang thâm dụng phần mềm hay không. Vài quý tới sẽ cho biết liệu "xây dựng chỉ với một cú nhấp chuột" có trở thành tiêu chuẩn mới để biến các LLM thành các tác nhân tạo ra doanh thu hay không.