Gemini 4 Argon trong Google Antigravity: Từ AI hỗ trợ đến tác nhân thực thi công việc

33

14/10/2026 – (AIHanhChinhCong.vn) – Việc Google Antigravity tích hợp Gemini 4 Argon cho thấy AI đang chuyển từ vai trò “trợ lý trả lời” sang “tác nhân thực thi”, có khả năng lập kế hoạch, sử dụng công cụ, kiểm tra kết quả và xử lý quy trình nhiều bước. Đây không chỉ là câu chuyện của ngành phần mềm. Đối với khu vực hành chính công, bước tiến này gợi mở một mô hình mới để hiện đại hóa quy trình nghiệp vụ, đồng thời đặt ra yêu cầu cao hơn về dữ liệu, kiểm soát truy cập và trách nhiệm giải trình.

Bài viết gốc do nhóm Google Antigravity công bố ngày 13/10/2026 tập trung vào các kết quả triển khai nội bộ tại Google. Những số liệu này chưa phải bằng chứng độc lập về hiệu quả trong khu vực công. Tuy nhiên, chúng cung cấp các tình huống có giá trị để cơ quan nhà nước tham khảo khi thiết kế, thử nghiệm và đánh giá AI tác nhân trong môi trường có yêu cầu cao về an toàn, minh bạch và tuân thủ.

Gemini 4 Argon và Google Antigravity khác gì một chatbot thông thường?

Chatbot truyền thống chủ yếu tiếp nhận câu hỏi và tạo phản hồi. Trong khi đó, Google Antigravity được xây dựng theo định hướng “agent-first”, tức lấy tác nhân AI làm trung tâm. Tác nhân có thể phân rã mục tiêu thành nhiệm vụ, đọc tài liệu, gọi công cụ, làm việc với kho mã, kiểm tra đầu ra và ghi lại bằng chứng của quá trình thực hiện.

Gemini 4 Argon là mô hình đa phương thức có khả năng tiếp nhận văn bản, hình ảnh, âm thanh và video. Model Card của Google DeepMind mô tả đây là mô hình Transformer hỗn hợp chuyên gia thưa, được định hướng cho những quy trình phức tạp trong kỹ thuật phần mềm, tài chính, pháp lý và phòng thủ an ninh mạng. Tổng cửa sổ ngữ cảnh đầu vào và đầu ra có thể đạt tới một triệu token, nhưng khả năng kỹ thuật này không đồng nghĩa rằng mọi đầu ra đều chính xác hoặc có thể sử dụng mà không cần kiểm tra.

Điểm đáng chú ý nằm ở sự kết hợp giữa năng lực suy luận của mô hình và môi trường thực thi. Nếu mô hình là “bộ não”, thì Antigravity cung cấp không gian làm việc, công cụ, quyền truy cập và cơ chế theo dõi. Chính sự kết hợp này giúp AI chuyển từ tạo nội dung sang tham gia trực tiếp vào quy trình nghiệp vụ.

Mô hình AI tác nhân có thể hỗ trợ xử lý quy trình nhiều bước, nhưng quyết định hành chính vẫn cần được giám sát và chịu trách nhiệm bởi con người.

Những kết quả Google công bố cho thấy điều gì?

Theo bài viết của nhóm Google Antigravity, hơn 100.000 người dùng trong Alphabet sử dụng Argon trên phiên bản Antigravity nội bộ mỗi tháng. Trong một giai đoạn bốn tuần, lượng mã do tác nhân đóng góp tăng 35%, trong khi số lần phải hoàn tác sau khi gửi mã giảm 30%. Đây là số liệu do nhà cung cấp tự công bố, vì vậy cần được hiểu trong phạm vi môi trường nội bộ của doanh nghiệp, không nên suy rộng trực tiếp sang cơ quan nhà nước.

Các ví dụ cụ thể cho thấy năng lực của hệ thống không chỉ nằm ở việc viết mã. Trong một hàng đợi gồm 134 báo lỗi tồn đọng, tác nhân đã đối chiếu lịch sử thay đổi, kiểm tra việc triển khai và xem xét dữ liệu vận hành. Kết quả được công bố là 97 lỗi cũ hoặc trùng lặp được đóng với bằng chứng kèm theo, tương đương giảm 72,4% hàng đợi.

Ở một tình huống khác, Argon được sử dụng để phân loại phiếu hỗ trợ, truy nguyên nguyên nhân qua mã và nhật ký, đề xuất cách xử lý và soạn phản hồi để con người phê duyệt. Google cho biết quy trình này tiết kiệm khoảng hai đến ba giờ trong mỗi ca trực. Điểm quan trọng đối với hành chính công không nằm ở con số tiết kiệm, mà ở cấu trúc vận hành: AI thực hiện khâu thu thập và phân tích, còn con người giữ quyền phê duyệt.

Google cũng công bố một trường hợp về đối soát tài chính, theo dõi ngân sách, trích xuất hợp đồng và tạo báo cáo điều hành trên 80 quy trình. Trong bảy ngày làm việc, 15,5 giờ chỉ đạo của con người tạo ra lượng đầu ra đã được xác thực tương đương khoảng 335 giờ lao động. Số liệu này cần được xem là kết quả trường hợp do Google báo cáo, không phải mức năng suất có thể mặc nhiên áp dụng cho mọi tổ chức.

Từ ví dụ công nghệ đến bài toán hành chính công

Giá trị lớn nhất của AI tác nhân đối với hành chính công không phải là tạo văn bản nhanh hơn. Giá trị thực sự nằm ở khả năng kết nối các bước vốn đang rời rạc: tiếp nhận hồ sơ, kiểm tra thành phần, tra cứu quy định, đối chiếu dữ liệu, phát hiện điểm bất thường, dự thảo kết quả và chuyển cán bộ có thẩm quyền phê duyệt.

Có thể hình dung một số nhóm ứng dụng ưu tiên như sau:

1. Hỗ trợ kiểm tra hồ sơ hành chính: AI đọc biểu mẫu và tài liệu đính kèm, xác định giấy tờ còn thiếu, đối chiếu tiêu chí và tạo danh sách vấn đề để cán bộ kiểm tra.
2. Phân loại phản ánh, kiến nghị: Tác nhân nhóm nội dung theo lĩnh vực, địa bàn và mức độ khẩn cấp; tìm vụ việc tương tự; đề xuất đơn vị xử lý và dự thảo phản hồi.
3. Rà soát văn bản và quy trình: AI phát hiện tham chiếu đã hết hiệu lực, thuật ngữ không thống nhất, mâu thuẫn giữa biểu mẫu và quy định hoặc bước xử lý đang bị trùng lặp.
4. Hỗ trợ giám sát ngân sách, mua sắm công: Tác nhân đối chiếu hợp đồng, tiến độ, hóa đơn và dữ liệu nghiệm thu nhằm chỉ ra giao dịch cần kiểm tra sâu.
5. Hỗ trợ vận hành hệ thống số: AI phân tích nhật ký, ưu tiên sự cố, truy nguyên nguyên nhân và đề xuất phương án khắc phục để bộ phận kỹ thuật phê duyệt.

Danh sách trên không có nghĩa là giao toàn bộ quy trình cho AI. Những quyết định ảnh hưởng đến quyền, nghĩa vụ hoặc khả năng tiếp cận dịch vụ công của người dân phải có cán bộ chịu trách nhiệm. AI nên được định vị là lớp hỗ trợ phân tích và thực thi có kiểm soát, thay vì một chủ thể tự ban hành quyết định hành chính.

Ma trận áp dụng AI tác nhân theo mức độ rủi ro

Cơ quan nhà nước không nên triển khai mọi trường hợp sử dụng theo cùng một cơ chế. Quyền tự chủ của tác nhân phải tỷ lệ nghịch với mức độ ảnh hưởng của đầu ra.

Ma trận này giúp tránh hai cực đoan: hoặc cấm AI vì lo ngại rủi ro, hoặc trao quyền quá rộng chỉ vì công nghệ thể hiện tốt trong thử nghiệm. Cách tiếp cận phù hợp là tăng dần quyền thực thi dựa trên bằng chứng, khả năng giám sát và mức độ trưởng thành của tổ chức.

Năm điều kiện để triển khai trong cơ quan nhà nước

Bắt đầu từ quy trình, không bắt đầu từ mô hình

Một mô hình mạnh không thể khắc phục quy trình chưa rõ trách nhiệm hoặc dữ liệu chưa được chuẩn hóa. Trước khi lựa chọn nền tảng, cơ quan cần xác định đầu vào, đầu ra, thẩm quyền, điểm phê duyệt, ngoại lệ và bằng chứng phải lưu tại từng bước.

Thử nghiệm ban đầu nên chọn quy trình có khối lượng lớn, cấu trúc tương đối rõ, rủi ro thấp và kết quả có thể đo lường. Ví dụ phù hợp là phân loại văn bản đến, kiểm tra thành phần hồ sơ hoặc tổng hợp báo cáo nội bộ.

Thiết lập vùng dữ liệu và quyền truy cập tối thiểu

Tác nhân càng có nhiều công cụ thì khả năng tạo giá trị càng cao, nhưng phạm vi thiệt hại khi xảy ra lỗi cũng lớn hơn. Mỗi tác nhân chỉ nên được cấp quyền đúng với nhiệm vụ, trong thời hạn cần thiết và trên đúng nguồn dữ liệu đã phê duyệt.

Dữ liệu cá nhân, bí mật nhà nước, hồ sơ tài chính và tài liệu thanh tra cần được phân loại trước khi kết nối. Nhật ký phải phản ánh tác nhân đã truy cập dữ liệu nào, sử dụng công cụ gì, thay đổi nội dung nào và ai đã phê duyệt.

Duy trì cơ chế con người giám sát thực chất

“Có con người trong quy trình” không nên chỉ là một nút bấm xác nhận. Người phê duyệt phải nhận được đủ nguồn, lập luận, thay đổi và cảnh báo để có thể bác bỏ đề xuất của AI.

Đối với nghiệp vụ quan trọng, cơ quan cần quy định rõ trường hợp tác nhân phải dừng, chuyển cấp hoặc yêu cầu cán bộ xử lý. Đây là nền tảng của trách nhiệm giải trình và cũng là cách hạn chế sự phụ thuộc máy móc vào đầu ra AI.

Đo chất lượng bằng hiệu quả công vụ

Số lượng văn bản hoặc thời gian xử lý chưa đủ để đánh giá thành công. Bộ chỉ số cần bao gồm độ chính xác, tỷ lệ phải làm lại, số sự cố dữ liệu, khả năng giải thích, mức độ hài lòng của cán bộ và người dân, cùng tỷ lệ quyết định được con người sửa đổi.

Một thử nghiệm chỉ nên mở rộng khi hiệu quả đã được chứng minh trên dữ liệu thực, trong nhiều tình huống và với nhóm người dùng khác nhau. Kết quả do nhà cung cấp công bố là dữ liệu tham khảo, không thay thế đánh giá độc lập của cơ quan sử dụng.

Xây dựng năng lực AI cho đội ngũ công chức

OECD nhấn mạnh rằng khu vực công cần phát triển lực lượng lao động sẵn sàng với AI, không chỉ bằng cách tuyển chuyên gia kỹ thuật mà còn thông qua đào tạo lãnh đạo, cán bộ nghiệp vụ và đội ngũ dữ liệu. Năng lực cần thiết bao gồm đặt yêu cầu, kiểm chứng đầu ra, nhận diện rủi ro và chịu trách nhiệm đối với quyết định có AI hỗ trợ.

Đây là lý do chuyển đổi số không thể giao riêng cho bộ phận công nghệ thông tin. Mỗi quy trình AI tác nhân cần sự tham gia của chuyên gia nghiệp vụ, pháp chế, an toàn thông tin, dữ liệu, kiểm toán và người trực tiếp phục vụ công dân.

Lộ trình thí điểm 90 ngày cho một cơ quan hành chính

Trong 30 ngày đầu, cơ quan nên lập bản đồ một quy trình cụ thể, đo đường cơ sở và xác định dữ liệu được phép sử dụng. Mục tiêu của giai đoạn này là làm rõ tác nhân được làm gì, không được làm gì và khi nào phải chuyển cho con người.

Từ ngày 31 đến ngày 60, nhóm triển khai xây dựng nguyên mẫu trong môi trường cô lập. Tác nhân chỉ xử lý dữ liệu đã khử định danh hoặc dữ liệu thử nghiệm. Mọi hành động phải được ghi nhật ký và chưa được phép tự gửi kết quả ra bên ngoài.

Từ ngày 61 đến ngày 90, cơ quan vận hành song song AI và quy trình hiện tại trên một tập hồ sơ giới hạn. Kết quả được so sánh theo độ chính xác, thời gian, tỷ lệ sửa đổi và sự cố. Hội đồng đánh giá chỉ quyết định mở rộng khi có bằng chứng rõ ràng rằng lợi ích cao hơn rủi ro và cơ chế xử lý sai sót đã hoạt động.

Các cơ quan, địa phương hoặc đơn vị sự nghiệp cần xây dựng bộ tiêu chí, quy trình thí điểm và nội dung đào tạo AI tác nhân phù hợp với nghiệp vụ có thể trao đổi cùng TS. Nguyễn Trung Hòa và AIHanhChinhCong.vn. Mục tiêu không phải chạy theo một sản phẩm, mà là thiết kế mô hình ứng dụng AI an toàn, đo lường được và tạo ra giá trị công thực chất.

Những giới hạn không nên bỏ qua

Các ví dụ nổi bật trong bài viết gốc chủ yếu do Google tự công bố trong môi trường nội bộ của doanh nghiệp. Bài viết không cung cấp đầy đủ thiết kế thử nghiệm, chi phí tổng thể, tỷ lệ nhiệm vụ thất bại, khối lượng kiểm tra của con người hoặc khả năng tái lập tại tổ chức khác. Vì vậy, các con số 35%, 30% hay 335 giờ không nên được sử dụng làm cam kết hiệu quả cho dự án hành chính công.

Khả năng xử lý ngữ cảnh dài cũng không loại bỏ hiện tượng tạo thông tin sai, hiểu sai quy định hoặc hành động vượt ngoài ý định. Khi tác nhân được kết nối với thư điện tử, kho tài liệu, cơ sở dữ liệu hoặc công cụ triển khai, một lỗi suy luận có thể chuyển thành hành động thực tế. Quản trị quyền và giám sát vì thế quan trọng không kém chất lượng mô hình.

Gemini 4 Argon trong Google Antigravity phản ánh một chuyển dịch đáng chú ý: AI không chỉ tạo câu trả lời mà đang hướng tới thực hiện trọn vẹn những quy trình dài, phức tạp và có nhiều công cụ. Đối với hành chính công, cơ hội lớn nhất là giảm công việc lặp lại, tăng khả năng truy vết và hỗ trợ cán bộ xử lý hồ sơ nhất quán hơn.

Tuy nhiên, cơ quan nhà nước không nên bắt đầu bằng câu hỏi “mô hình nào mạnh nhất”. Câu hỏi đúng hơn là: quy trình nào cần cải thiện, dữ liệu nào được phép sử dụng, ai chịu trách nhiệm, tác nhân được trao quyền đến đâu và kết quả được kiểm chứng bằng cách nào. Công nghệ chỉ tạo ra giá trị công khi nó được đặt trong một kiến trúc quản trị đáng tin cậy.

TS. Nguyễn Trung Hòa