• Ba tầng Sol / Terra / Luna cùng lên GA ngày 9/7/2026.
• Sol nhắm tác vụ agentic dài hơi: coding, cybersecurity, sinh học.
• Terra ngang GPT-5.5 nhưng giá bằng một nửa.
• Luna dẫn Terminal-Bench 84,3% ở nhóm coding thường ngày.
• Preview từ 26/6, giới hạn cho đối tác được chính phủ duyệt.

Điểm cần nhớ không phải benchmark, mà là cấu trúc giá. OpenAI đang chia thị trường làm ba lát: Sol cho việc khó, Terra cho việc thường, Luna cho việc nhiều. Doanh nghiệp Việt hay mắc lỗi mặc định gọi model mạnh nhất cho mọi request rồi choáng với hóa đơn cuối tháng. Thiết kế đúng là router: phân loại tác vụ trước, gọi Luna cho phần lớn lưu lượng, chỉ đẩy lên Sol khi thật sự cần lập luận dài. Chênh lệch 5 lần giá input và 5 lần giá output là khoản tiền thật, không phải con số marketing. Chuyện GPT-5.6 phải qua cổng duyệt 12 ngày cũng đáng theo dõi: nếu thành thông lệ, lịch ra mắt model sẽ phụ thuộc vào lịch của cơ quan nhà nước, và các đội build sản phẩm phải tính đến độ trễ đó khi hứa hẹn với khách. Với team nhỏ, lời khuyên thẳng: đừng vội migrate toàn bộ, hãy đo lại chi phí mỗi tác vụ trước rồi mới đổi.

• ChatGPT Work chạy tác vụ nhiều giờ, tạo spreadsheet, slide, web app.
• Kết nối Slack, Teams, Google Drive, SharePoint, email, CRM.
• App desktop hợp nhất, miễn phí trên Mac và Windows.
• Desktop có trình duyệt tích hợp và Computer Use.
• Mở trước cho Pro, Enterprise, Edu; Plus và Business theo sau.

Đây là bước dịch chuyển đáng chú ý nhất về sản phẩm trong tuần. Codex bị gộp vào ChatGPT không phải để tiện marketing, mà vì phần lớn công việc thật không nằm gọn trong repo: nó nằm rải rác giữa file, mail, CRM và bảng tính. Với doanh nghiệp Việt, giá trị đến từ chỗ agent chạm được vào dữ liệu nội bộ qua plugin — và đó cũng là chỗ rủi ro. Kết nối SharePoint và CRM cho một agent chạy hàng giờ nghĩa là bạn vừa mở một bề mặt tấn công mới, đúng kiểu GitLost trong tuần này. Khuyến nghị thẳng: bật cho một phòng ban trước, giới hạn quyền đọc, ghi log mọi hành động của agent, đừng cho quyền ghi vào hệ thống nguồn ngay lần đầu. Còn về giá trị kinh doanh, hãy đo bằng một chỉ số duy nhất: số giờ người thật sự tiết kiệm được mỗi tuần, không phải số prompt.

• Giá 2 USD input, 6 USD output mỗi triệu token.
• Xếp thứ tư Intelligence Index với 54 điểm.
• AutomationBench-AA 51,4%, trên Fable 5 (48,6%) và Opus 4.8 (48,5%).
• Tỷ lệ ảo giác cao hơn nhóm dẫn đầu, cần lớp kiểm chứng.
• Chưa mở tại EU tới giữa tháng 7 vì vướng tuân thủ.

Grok 4.5 là ví dụ sạch của chiến lược "đủ tốt, rẻ hơn nhiều". Nó không thắng bảng, nhưng với agent chạy hàng triệu token mỗi ngày thì chênh lệch giá quyết định việc dự án sống hay chết. Cảnh báo quan trọng: tỷ lệ ảo giác cao hơn, và model tự tin cả khi sai — nghĩa là bạn phải trả lại phần tiết kiệm được cho lớp validation. Đừng dùng nó ở khâu ra quyết định cuối trong tài chính hay pháp lý. Chỗ nó tỏa sáng là tiền xử lý, phân loại, sinh code nháp, quét log — những việc mà lỗi rẻ và có thể kiểm tra tự động. Có một tranh cãi khác đáng để tâm: benchmark CursorBench bị nghi nhiễm dữ liệu huấn luyện. Quy tắc của mình vẫn thế: benchmark của nhà sản xuất chỉ để tham khảo, hãy dựng bộ test riêng bằng chính dữ liệu công ty bạn rồi mới kết luận.

• Mốc mới: 17/07/2026, trễ khoảng sáu tuần so với mục tiêu tháng 6.
• DeepMind bỏ base model 2.5 Pro, làm lại kiến trúc từ đầu.
• Lý do: trần hiệu năng ở toán nhiều bước và sinh cảnh SVG.
• Đồn đoán cửa sổ ngữ cảnh 2 triệu token, chưa có model card chính thức.

Việc bỏ base model đang có để xây lại là quyết định tốn kém, và nó nói lên một điều: DeepMind tin rằng vá tiếp cũng không vượt được trần. Ở góc kỹ thuật, đó là sự trung thực đáng khen. Ở góc kinh doanh, đó là sáu tuần thị phần trao cho đối thủ đúng lúc GPT-5.6 và Grok 4.5 cùng lên kệ. Bài học thực dụng cho các đội đang xây sản phẩm: đừng khóa kiến trúc vào một model chưa ra. Hãy viết lớp trừu tượng cho provider ngay từ đầu, giữ bộ eval nội bộ độc lập với nhà cung cấp, và coi mọi lịch ra mắt được công bố là ước lượng chứ không phải cam kết. Còn với thông số 2 triệu token đang lan truyền: chưa có model card, chưa có giá, chưa có benchmark chính thức — chưa nên đưa vào slide bán hàng.

• Tên mã cũ là Mango, sản phẩm thứ hai của Meta Superintelligence Labs.
• Miễn phí trong app Meta AI, Instagram Stories và WhatsApp.
• Dùng Muse Spark để lập luận prompt, tìm ngữ cảnh trước khi vẽ.
• Xếp hạng hai ở text-to-image và chỉnh sửa, sau GPT Image 2.
• Cho phép chỉnh ảnh tài khoản Instagram công khai, bật mặc định.

Về kỹ thuật, điểm mới là Muse Spark: model suy luận về prompt và tìm ngữ cảnh web trước khi sinh ảnh, thay vì vẽ thẳng. Đó là hướng đúng — chất lượng ảnh giờ phụ thuộc vào hiểu ý nhiều hơn vào bộ khuếch tán. Nhưng phần đáng nói lại nằm ở lớp con người. Bật mặc định tính năng cho người lạ chỉnh ảnh của bạn là kiểu thiết kế coi sự đồng ý là mặc định thay vì lựa chọn. Với hơn ba tỷ người dùng, đó không phải chi tiết nhỏ. Nếu bạn làm sản phẩm có yếu tố sinh ảnh từ dữ liệu người dùng ở Việt Nam, hãy học ngược lại: mặc định tắt, hỏi trước, ghi rõ ai được dùng ảnh của ai. Nghị định 237/2026 đã yêu cầu gắn nhãn nội dung do AI tạo trong báo chí; xu hướng pháp lý rõ ràng đang đi về phía minh bạch.

• Ra mắt desktop từ tháng 1, nay lên web và mobile dạng beta.
• Tác vụ chạy nền, tiếp tục khi người dùng đóng máy.
• 33,4% lưu lượng là vận hành quy trình kinh doanh.
• Lập trình phần mềm chỉ chiếm 8,7% lượt dùng.
• Mở trước cho gói Max, triển khai dần các gói trả phí khác.

Đây là tin mình thấy quan trọng nhất về mặt thị trường, dù nó ít ồn ào hơn GPT-5.6. Cuộc chiến coding agent đang tràn ra khỏi phòng kỹ thuật, và số liệu chứng minh: hai phần ba công việc giao cho agent là gộp báo cáo, dựng checklist onboarding, đối soát bảng tính. Đó chính xác là loại việc mà các đội tài chính và nhân sự ở doanh nghiệp Việt đang làm thủ công mỗi tháng. Cơ hội rất rõ, nhưng đừng vội mừng. Agent chạy nền hàng giờ nghĩa là bạn phải trả lời được ba câu: nó đọc dữ liệu nào, nó ghi vào đâu, ai duyệt trước khi kết quả đi ra ngoài. Không có ba câu trả lời đó thì bạn không triển khai agent, bạn đang triển khai rủi ro. Bắt đầu bằng tác vụ chỉ-đọc và có kết quả kiểm tra được, ví dụ đối soát số liệu giữa hai nguồn, rồi mới mở dần quyền.

• Cảnh báo áp dụng cho phiên bản 2.1.91 đến 2.1.196.
• Cáo buộc: gửi vị trí và định danh người dùng mà không xin phép.
• Anthropic: đó là cơ chế thử nghiệm chống lạm dụng.
• Công cụ này vốn không được cấp phép sử dụng ở Trung Quốc.

Tách phần địa chính trị ra, vẫn còn một bài học kỹ thuật thật. Công cụ agent chạy trên máy dev có quyền đọc mã nguồn, biến môi trường và lịch sử shell. Bất kỳ telemetry nào từ lớp đó cũng cần được công bố rõ ràng và tắt được. Đó là tiêu chuẩn nên áp cho mọi công cụ, không riêng công cụ nào. Ở phía doanh nghiệp, hành động cụ thể trong tuần này rất đơn giản: kiểm kê xem đội dev đang cài những CLI agent nào, phiên bản bao nhiêu, chạy với quyền gì, có chặn được egress không. Đa số công ty không trả lời nổi câu hỏi đó, và đấy mới là lỗ hổng thật. Còn cáo buộc "backdoor" thì nên đọc với sự thận trọng: cùng một hành vi kỹ thuật có thể được gọi là chống gian lận hoặc gọi là do thám, tùy người kể chuyện.

• Hiệu lực từ 08/07/2026 cho mọi tầng thuê bao.
• Giá 10 USD input và 50 USD output mỗi triệu token.
• Chấm dứt phần dung lượng được bao trong gói hằng tuần.
• Người dùng nặng phải chuyển sang dự toán theo token.

Con số 50 USD cho một triệu token output là mức đắt nhất thị trường hiện tại, và nó nói lên hai điều. Thứ nhất, model đầu bảng thật sự tốn kém để chạy, không phải phòng lab nào cũng bù lỗ mãi được. Thứ hai, thời kỳ trợ giá cho người dùng cá nhân đang khép lại. Nếu bạn đang xây workflow phụ thuộc hoàn toàn vào một model đầu bảng, tuần này là lời nhắc nên đo lại. Trong thực tế làm dự án, phần lớn bước trong một pipeline agent không cần model mạnh nhất: bóc tách văn bản, phân loại, tóm tắt trung gian đều chạy tốt trên model rẻ. Chỉ giữ model đắt cho bước lập luận cuối. Làm đúng việc này thường cắt được 60 đến 80% hóa đơn mà chất lượng gần như không đổi.

• Tấn công không cần xác thực, chỉ cần một issue công khai.
• Cần ba điều kiện: trigger công khai, agent có quyền đọc chéo repo, đường xuất công khai.
• Từ "additionally" giúp vượt qua guardrail hiện có.
• Ảnh hưởng tổ chức có cả repo public lẫn private cùng org.
• Khuyến nghị: tách nội dung người dùng khỏi ngữ cảnh chỉ dẫn.

Bài học ở đây không mới nhưng vẫn bị bỏ qua khắp nơi: mọi nội dung do người ngoài kiểm soát phải bị coi là dữ liệu, không bao giờ là chỉ dẫn. Agent đọc issue, đọc email, đọc trang web — tất cả đều là kênh injection. Và guardrail dạng "dặn model đừng làm thế" thì không phải kiểm soát bảo mật, nó chỉ là gợi ý. Kiểm soát thật nằm ở lớp quyền: agent chỉ được đọc đúng repo cần, chỉ được ghi ra nơi đã duyệt, mọi hành động có log và có người xem lại. Ba điều kiện của GitLost đều là điều kiện cấu hình, nghĩa là chúng ta gây ra chúng. Với các đội đang bật GitHub Agentic Workflows ở Việt Nam: rà lại quyền cross-repo ngay trong tuần này, và cấm agent post ra không gian công khai theo mặc định.

• Hiệu lực 06/07/2026 cho mọi lần chạy Workspace Agent.
• Tính theo token input, token cache và token output.
• Cache được tính giá riêng, khuyến khích tái dùng ngữ cảnh.
• Chi phí tăng theo độ dài phiên agent, không theo số lượt gọi.

Chi tiết dễ bỏ qua nhưng quan trọng nhất là token cache được tính riêng. Nghĩa là kiến trúc prompt của bạn giờ ảnh hưởng trực tiếp tới hóa đơn. Đặt phần tĩnh — system prompt, tài liệu tham chiếu, schema — lên đầu và giữ nguyên giữa các lượt, phần động ở cuối, thì cache hit tăng và tiền giảm. Đây là context engineering ở dạng thực dụng nhất: không phải mẹo prompt, mà là thiết kế bố cục ngữ cảnh. Với agent chạy nhiều giờ trên hàng nghìn file, khác biệt giữa thiết kế tốt và thiết kế cẩu thả có thể là vài lần chi phí. Trước khi than model đắt, hãy đo tỷ lệ cache hit của mình đã.

• Bài trending số 1 trên Hugging Face ngày 07/07/2026.
• Chỉ ra RL post-training dễ mất ổn định và sụp đổ.
• Đề xuất lấy monotonic inference policy làm mục tiêu thật.
• Ảnh hưởng trực tiếp tới cách các lab tinh chỉnh model.

Với người làm ứng dụng, đừng bỏ qua bài này chỉ vì nó nghe hàn lâm. Nó giải thích một hiện tượng ai fine-tune model cũng gặp: chạy thêm vài trăm bước RL thì điểm training đẹp lên nhưng chất lượng lúc suy luận lại tệ đi, đôi khi sụp hẳn. Nếu mục tiêu tối ưu trong lúc huấn luyện không đồng biến với hành vi lúc suy luận, bạn đang leo sai ngọn núi. Bài học thực dụng: luôn giữ một bộ eval độc lập đo hành vi lúc suy luận, chấm bằng dữ liệu thật của bạn, và tin nó hơn đường cong reward. Đây cũng là lý do mình khuyên các đội nhỏ đừng nhảy vào RLHF sớm — với hầu hết bài toán doanh nghiệp, dữ liệu tốt cộng với RAG và context engineering cho hiệu quả cao hơn nhiều lần trên mỗi đồng bỏ ra.

• Runtime suy luận cho model embodied AI, chạy được đa nền tảng.
• Nhắm vào phần cứng robot không đồng nhất.
• Giảm công viết lại pipeline cho từng loại robot.
• Cùng nhóm trending với OrbitQuant về lượng tử hóa diffusion.

Lịch sử LLM cho thấy khoảnh khắc bùng nổ không đến từ model mạnh hơn, mà từ lúc llama.cpp làm cho việc chạy model trên máy thường trở nên tầm thường. Robot đang chờ khoảnh khắc đó. Nếu một runtime chung thật sự chín, ngành sản xuất Việt Nam sẽ hưởng lợi sớm hơn nhiều người nghĩ: cùng một model điều khiển có thể chuyển giữa cánh tay robot của các hãng khác nhau mà không phải thuê lại đội tích hợp. Tất nhiên còn xa, và bài báo mới chỉ là bài báo. Nhưng nếu bạn đang làm tự động hóa nhà máy, đây là hướng đáng đặt một người theo dõi.

• Diffusion trong không gian pixel thay vì latent.
• Gộp hai bài toán tái dựng và sinh cảnh 3D.
• Nhắm khắc phục mất chi tiết do nén latent.
• Liên quan trực tiếp tới hướng world model đang nóng.

Điểm hay của hướng này là nó thừa nhận một sự thật khó chịu: nén về latent làm mất thông tin, và mọi thứ ta dựng lại sau đó đều mang theo cái mất mát ấy. Làm thẳng trong pixel thì tốn compute hơn nhiều, đổi lại chi tiết trung thực hơn. Đây là đánh đổi kinh điển giữa chi phí và độ trung thực, và câu trả lời phụ thuộc vào việc bạn dùng cảnh 3D để làm gì. Cho game hay quảng cáo, latent là đủ. Cho đo đạc, kiểm định, mô phỏng robot — nơi sai số hình học có hậu quả thật — thì hướng pixel đáng theo. Với người làm dữ liệu, đây là lời nhắc quen thuộc: mỗi lần bạn nén dữ liệu để chạy nhanh hơn, hãy biết rõ mình vừa vứt đi cái gì.

• Đăng ngày 06/07/2026 trong mục publications của DeepMind.
• Nối tiếp bài "From AGI to ASI" hồi tháng 6.
• Cùng loạt với nghiên cứu về chính trị của ý thức AI.
• Không kèm sản phẩm, không tuyên bố mốc thời gian AGI.

Đọc loạt bài này cùng nhau thì thấy một chủ ý: DeepMind muốn giữ vai người đặt khung cho cuộc thảo luận, trong lúc Gemini 3.5 Pro trễ hẹn lần hai. Đó không nhất thiết là chuyện xấu — ai đó cần suy nghĩ về câu hỏi lợi ích toàn cầu khi phần còn lại của ngành đang chạy đua giá token. Nhưng phải phân biệt: bài định hướng không phải kết quả kỹ thuật, và không nên đọc nó như bằng chứng về năng lực. Với người Việt làm chính sách hoặc đào tạo, giá trị của loại tài liệu này nằm ở chỗ nó cung cấp từ vựng chung để tranh luận, đúng lúc Liên Hợp Quốc vừa khai mạc đối thoại toàn cầu về quản trị AI cũng trong tuần này.

• Hơn 33.000 upvote, hơn 2.200 bình luận trên r/technology.
• Chuyển từ bài về nhà sang thi trực tiếp, điểm giảm khoảng một nửa.
• Nối tiếp vụ gian lận AI hàng loạt ở Brown cuối tháng 6.
• Tranh cãi: lỗi ở sinh viên hay ở thiết kế đánh giá.

Mình dạy nhiều nên nhìn tin này bằng con mắt khác. Điểm rơi 50% không chứng minh sinh viên dốt đi; nó chứng minh bài kiểm tra cũ đo sai thứ cần đo. Khi công cụ thay đổi, thước đo phải đổi theo. Cấm AI trong lớp là phản ứng dễ nhất và vô dụng nhất — ra khỏi cổng trường thì cả thế giới dùng AI. Cách làm đúng, mình đã áp dụng với các lớp data: chấm quá trình chứ không chỉ chấm sản phẩm, bắt học viên bảo vệ bài bằng miệng, ra đề gắn với dữ liệu thật của chính họ nên AI không giải hộ trọn gói được. Nói thẳng: nếu một bài tập bị AI làm xong trong ba mươi giây thì bài tập đó lẽ ra không nên tồn tại. Vấn đề nằm ở thiết kế đánh giá, không nằm ở công cụ.

• Hơn 32.000 upvote, gần 1.700 bình luận trên r/technology.
• Trùng tuần Fable 5 bỏ phần bao gói và chuyển sang credit.
• Workspace Agent chuyển tính tiền theo token từ 06/07.
• Chủ đề nối tiếp làn sóng sa thải nhân danh AI đầu năm.

Đây là hệ quả trực tiếp của một sai lầm phổ biến: coi AI là chi phí phần mềm cố định, trong khi nó là chi phí biến đổi theo lưu lượng, giống điện và cloud. Sa thải người rồi thay bằng agent chạy nền hàng giờ nghĩa là bạn đổi một khoản lương cố định lấy một khoản hóa đơn tăng theo mức dùng, cộng thêm chi phí kiểm chứng đầu ra. Theo mình, cách tiếp cận đúng gồm ba bước, đúng thứ tự. Một, đo chi phí mỗi tác vụ trước khi mở rộng, không ước lượng bằng cảm giác. Hai, thiết kế router model để phần lớn lưu lượng chạy trên tầng rẻ. Ba, chỉ tính tiết kiệm nhân sự sau khi quy trình đã chạy ổn định ba tháng. Ai làm ngược lại thì sang quý sau sẽ có mặt trong một bài Reddit tương tự.

• Hơn 54.000 upvote, hơn 2.100 bình luận — cao nhất tuần.
• Mục tiêu chính là dây đồng và thiết bị thi công.
• Phản ánh quy mô đầu tư hạ tầng AI đang bùng nổ.
• Đặt ra bài toán an ninh công trường cho các dự án lớn.

Nghe như tin vặt, nhưng nó là chỉ báo tốt về pha hiện tại của chu kỳ. Khi giá đồng trên công trường đủ hấp dẫn để hình thành hoạt động trộm cắp có tổ chức, nghĩa là khối lượng xây dựng đã vượt xa khả năng bảo vệ. Việt Nam đang thu hút hơn bảy tỷ đô la cam kết đầu tư data center AI — bài học rất cụ thể: chi phí an ninh công trường, bảo hiểm thiết bị và chuỗi cung ứng cáp đồng phải nằm trong dự toán ngay từ đầu, không phải phát sinh giữa chừng. Ở tầng vĩ mô hơn, tin này nhắc rằng phần "vật lý" của AI mới là phần đắt và khó: điện, đất, đồng, người vận hành. Model chỉ là phần nổi.

• Phát biểu tại town hall nội bộ ngày 02/07/2026.
• 8.000 người bị cắt, khoảng 7.000 người chuyển sang đội AI.
• Cắt thêm 1.400 vị trí ở bang Washington từ 22/07.
• Capex 2026 cam kết 125–145 tỷ USD, gấp đôi năm 2025.

Câu nói của Zuckerberg đáng giá hơn mọi bài phân tích, vì nó đến từ người có đủ dữ liệu nhất và không có động cơ nói xấu chính mình. Bốn tháng, hàng chục tỷ đô, hàng nghìn kỹ sư được điều chuyển, mà tiến độ agent không như kỳ vọng. Điều đó không có nghĩa AI thất bại; nó có nghĩa tiền và người không mua được tốc độ đột phá. Với doanh nghiệp Việt, đây là liều thuốc giải hype rất đúng lúc: nếu Meta với ngân sách đó còn chưa "tăng tốc", thì kỳ vọng chuyển đổi AI xong trong một quý ở công ty vài trăm người là ảo tưởng. Cách làm bền là chọn một quy trình đau nhất, đo baseline, tự động hóa từng phần, giữ người giỏi ở lại để giám sát. Sa thải trước rồi mong AI lấp chỗ trống là đặt cược, không phải chiến lược.

• 688 điểm và 468 bình luận trên Hacker News.
• GLM-5.2 trên Z.ai: 1,40 USD input và 4,40 USD output mỗi triệu token.
• Bên thứ ba host còn rẻ hơn: 0,73–1,05 input, 2,29–3,30 output.
• Luận điểm dựa trên biên gộp suy luận ~90%, con số còn tranh cãi.
• Endpoint tương thích khiến chi phí chuyển đổi gần như bằng không.

Đây là bài đáng đọc nhất tuần, và cũng là bài dễ bị đọc sai nhất. Alderson không nói model đóng sẽ chết; ông nói phần lợi nhuận béo bở của việc bán token sắp bốc hơi. Hai chuyện rất khác nhau. Điểm yếu của lập luận nằm ở con số 90% biên gộp — có nguồn ước tính chỉ 70–80%, và chênh lệch đó thay đổi kết luận đáng kể. Nhưng phần không thể phản bác là chi phí chuyển đổi: khi Z.ai và Fireworks cùng cung cấp endpoint tương thích, đổi provider chỉ là đổi base URL. Đó là điều mà bất kỳ ai đang khóa kiến trúc vào một nhà cung cấp cần suy nghĩ. Theo mình, hành động thực dụng không phải là chuyển hết sang model mở, mà là bảo đảm bạn có thể chuyển bất cứ lúc nào: một lớp trừu tượng provider, một bộ eval nội bộ, và dữ liệu nằm trong tay bạn. Đòn bẩy đàm phán đến từ khả năng rời đi, không đến từ lòng trung thành.

• Sắc lệnh 14409 ký ngày 02/06/2026, khung tự nguyện.
• Chính phủ có tối đa 30 ngày review trước phát hành.
• Vai trò là cảnh báo và đánh dấu, không có quyền chặn.
• Đàm phán với ba lab lớn: OpenAI, Google, Anthropic.
• GPT-5.6 chờ 12 ngày, ra công chúng ngày 09/07.

Từ "tự nguyện" ở đây cần dấu ngoặc kép. Khi cơ quan an ninh mạng quốc gia đề nghị bạn giới hạn phát hành, rất ít công ty nói không. Đây là bước đi thông minh về mặt chính sách: đạt được hiệu quả của quy định mà không phải qua quốc hội. Với thị trường quốc tế, hệ quả cụ thể là độ trễ. Model mới sẽ đến tay dev ngoài Mỹ chậm hơn, và các đối tác được duyệt trước có lợi thế thời gian. Với doanh nghiệp Việt, bài học đơn giản: đừng xây roadmap sản phẩm bám vào ngày ra mắt của một model nước ngoài. Còn về dài hạn, mình quan tâm câu hỏi này: nếu Mỹ dựng cổng, Trung Quốc dựng luật riêng, và EU có AI Act, thì một startup Việt phải tuân thủ mấy bộ quy tắc cùng lúc để bán ra toàn cầu?

• 1 tỷ USD, đóng đợt đầu, định giá 11 tỷ USD post-money.
• General Atlantic dẫn dắt; có Intel Capital, BlackRock, QIA.
• JPMorganChase chọn làm đối tác hạ tầng suy luận on-premise.
• Chỉ năm tháng sau vòng gọi vốn lớn trước đó.

Chi tiết đắt giá nhất không phải con số 11 tỷ, mà là chữ "on-premises" trong thỏa thuận với JPMorganChase. Một ngân hàng lớn quyết định chạy suy luận trong trung tâm dữ liệu của chính mình nghĩa là ràng buộc dữ liệu và tuân thủ đã thắng sự tiện lợi của cloud. Ngành tài chính và y tế Việt Nam sẽ đi theo hướng đó, không phải vì thích tự vận hành mà vì luật bắt. Đây cũng là cơ hội cho nhóm làm hạ tầng dữ liệu nội địa: khi suy luận chạy tại chỗ, bạn cần lakehouse tại chỗ, catalog tại chỗ, vector index tại chỗ. Về phía NVIDIA, một tỷ đô rót vào đối thủ chưa lay chuyển được thế độc quyền, nhưng nó cho thấy nhà đầu tư tin rằng thị trường suy luận sẽ tách khỏi thị trường huấn luyện — và đó là chỗ có thể cạnh tranh.

• 510 tỷ USD vốn đầu tư startup toàn cầu nửa đầu 2026.
• Quý hai: 16 vòng tỷ đô, tổng 108,6 tỷ USD.
• Nhóm này chiếm 53% vốn của cả quý.
• Gần 40 startup AI thành unicorn trong sáu tháng.
• Định giá trải từ 1 tỷ tới 41 tỷ USD.

Con số 53% là thứ đáng lo hơn con số 510 tỷ. Khi hơn nửa vốn của một quý dồn vào mười sáu cái tên, thị trường không còn phân tán rủi ro nữa. Nó là một cược lớn rằng vài công ty sẽ chiếm phần lớn giá trị của cả làn sóng. Lịch sử công nghệ nói điều đó có thể đúng — và cũng nói rằng khi sai thì hậu quả lan rộng. Với startup AI Việt, hàm ý rất thực tế: đừng cố cạnh tranh ở tầng model hay hạ tầng, đó là sân chơi của người có hàng tỷ đô. Chỗ còn cửa là tầng ứng dụng gắn với dữ liệu và quy trình bản địa, nơi hiểu nghiệp vụ quan trọng hơn số GPU. Doanh thu từ khách hàng thật hiện đang có giá hơn định giá đẹp, và đó là tin tốt cho những đội xây chậm mà chắc.

• Phiên đầu tiên ngày 06–07/07/2026 tại Palexpo, Geneva.
• Toàn bộ 193 quốc gia thành viên tham dự.
• Tổng thư ký cảnh báo về vũ khí tự động và nguy cơ thảm khốc.
• Nối tiếp bằng ITU AI for Good Summit 07–10/07.
• Phiên thứ hai tại New York, tháng 5/2027.

Dễ chê những diễn đàn kiểu này là nói suông, và phần lớn thì đúng thế. Nhưng có một chức năng thật: nó tạo ra chỗ ngồi cho các nước không sản xuất model. Việt Nam nằm trong nhóm đó, và tiếng nói ở đây quyết định các chuẩn dữ liệu, chuẩn ghi nhãn, chuẩn trách nhiệm mà chúng ta sẽ phải tuân theo mười năm tới. Đáng chú ý là nó diễn ra đúng tuần Nhà Trắng dựng cổng review model và Bắc Kinh siết luật AI đồng hành: ba mô hình quản trị rất khác nhau đang định hình cùng lúc. Cách tiếp cận thực dụng cho doanh nghiệp là giả định rằng minh bạch sẽ thành bắt buộc — ghi nhãn nội dung AI, lưu vết dữ liệu huấn luyện, giữ log agent — và chuẩn bị từ bây giờ thay vì chạy theo sau.

• Anthropic: run-rate vượt 30 tỷ USD; OpenAI: khoảng 24–25 tỷ USD.
• 85% doanh thu Anthropic từ doanh nghiệp và developer.
• 85% doanh thu OpenAI từ thuê bao tiêu dùng ChatGPT.
• Epoch AI từng dự báo mốc này rơi vào giữa 2026 — nó đến sớm hơn.

Đây là tin ít ồn ào nhưng nói nhiều nhất về hướng đi của ngành. Doanh thu doanh nghiệp bền hơn, ít nhạy giá hơn, và gắn với hợp đồng nhiều năm. Nó cũng lý giải vì sao cùng tuần này OpenAI tung ChatGPT Work và app desktop hợp nhất: họ biết mình phải bước vào sân doanh nghiệp. Ngược lại, Anthropic phải đối mặt rủi ro của mô hình B2B thuần: tập trung khách hàng, chu kỳ bán dài, và áp lực giá từ model mở như GLM-5.2. Với người làm nghề ở Việt Nam, hàm ý rất cụ thể: các nhà cung cấp sẽ ngày càng thiết kế sản phẩm quanh nhu cầu doanh nghiệp — quản trị, phân quyền, log, tuân thủ. Nếu bạn xây năng lực về governance dữ liệu và triển khai AI trong tổ chức, nhu cầu đang chạy về phía bạn chứ không phải phía người viết prompt hay.

• Doubao tắt agent từ 15/07; Qwen đã tắt agent người dùng tạo từ 10/07.
• Luật do Cục Quản lý không gian mạng và bốn bộ ban hành tháng 4/2026.
• Chỉ nhắm agent "bầu bạn", không nhắm agent làm việc.
• Doubao mở cửa sổ lấy dữ liệu tới 15/10/2026.
• Qwen xóa vĩnh viễn cấu hình và lịch sử, chưa có lộ trình di chuyển.

Chi tiết quan trọng nhất là ranh giới mà Bắc Kinh vạch ra: họ không cấm agent, họ cấm agent đóng vai người bạn thân. Đó là một phân biệt tinh tế hơn nhiều so với cách phương Tây tranh luận. Với sản phẩm, hệ quả tàn nhẫn: hàng trăm triệu người dùng mất cấu hình và lịch sử hội thoại chỉ sau vài ngày thông báo. Bài học cho bất kỳ ai xây trên nền tảng của người khác — và đó là hầu hết chúng ta — là dữ liệu người dùng phải có đường xuất, luôn luôn. Nếu công ty bạn đang xây trợ lý AI cho khách hàng Việt, hãy trả lời trước câu này: ngày mai quy định thay đổi, khách của bạn lấy lại dữ liệu của họ bằng cách nào? Không trả lời được thì bạn chưa có sản phẩm, bạn có một sự phụ thuộc.