Mình thuộc dạng người mở spreadsheet ra là thấy an toàn. Số có hàng, hàng có cột, cột có đơn vị. Yên tâm. Nên khi lần đầu mở dashboard quản lý AI agent của công ty và thấy từng hành động trí óc được dán giá sạch sẽ, mình gật gù rất khoái: agent soạn email nội bộ, 0.003 đô. Agent tóm tắt biên bản họp, 0.02 đô. Agent viết báo cáo phân tích thị trường 15 trang, 0.45 đô. Agent đề xuất chiến lược mở rộng kênh phân phối, 1.20 đô.
Khoái được khoảng ba giây thì giật mình. Cái cảm giác này quen lắm. Nó giống y chang cảm giác đi chợ Bến Thành, đứng mặc cả từng mớ rau, từng con cá. Cô bán cá hét giá, mình trả giá, cuối cùng chốt một con số ai cũng thấy tạm ổn.
Nhưng đây là bên trong công ty. Và “cô bán cá” là con AI.
Coase sẽ giật mình
Năm 1937, nhà kinh tế học Ronald Coase đặt một câu hỏi nghe thì ngây ngô nhưng nặng ký: nếu thị trường hiệu quả đến vậy, vì sao lại tồn tại cái gọi là “doanh nghiệp”? Sao không để mọi người tự ký hợp đồng với nhau từng việc một, mua bán ngoài chợ?
Câu trả lời của ông gói trong một từ: chi phí giao dịch. Ra ngoài chợ mua từng thứ một thì phải tìm người bán, mặc cả giá, ký hợp đồng, rồi canh xem người ta có giao đúng không. Mệt. Tốn. Nên người ta lập doanh nghiệp, gom nhân viên vào dưới một mái nhà, dùng quyền điều hành thay cho cơ chế giá. Bạn không mặc cả lại giá với nhân viên mỗi lần giao việc. Bạn bảo làm, họ làm. Doanh nghiệp, về bản chất, là nơi dập tắt cơ chế giá.
Quay lại cái dashboard sáng thứ Hai. Token pricing đang làm điều ngược lại. Nó cấy cơ chế giá vào chính phần việc trí óc bên trong doanh nghiệp, ở mức chi tiết cực mịn: mỗi hành động agentic đều có mức giá gắn kèm. Đây là nghịch lý đẹp nhất mà mình gặp gần đây: doanh nghiệp được phát minh ra để thoát chi phí giao dịch của thị trường, thì nay thị trường đang được bơm ngược vào bên trong doanh nghiệp qua việc đo đếm token.
Thị trường đã vào nhà.
Giá đó mua gì?
Đây là chỗ cần dừng lại. Cái giá token đang định giá chính xác phần sản xuất, tức phần tạo ra kết quả (output). Agent viết báo cáo, bạn trả token. Agent soạn chiến lược, bạn trả token. Phần “làm” được đo đếm rõ ràng, sòng phẳng.
Nhưng nó không định giá tính đúng đắn của kết quả đó.
Lấy ví dụ thực tế. Bạn dùng một agent viết code, kiểu Devin hay Cursor. Agent nhận yêu cầu, chạy vèo vèo, commit code lên. Chi phí token cho việc tạo ra đống code đó rõ ràng: một lệnh sửa lỗi đơn giản tốn tầm 5 đô, một migration phức tạp giữa nhiều file có thể lên 50, 60 đô. Rẻ và nhanh.
Nhưng ai kiểm? Theo dữ liệu thực tế từ các đội phát triển phần mềm năm 2026, hơn 14% code do AI tạo ra chứa lỗ hổng bảo mật. Tỷ lệ ảo giác (hallucination, tức AI bịa ra thứ không tồn tại) của các model hàng đầu vẫn khoảng 1 tới 8%, tùy tác vụ. Nghĩa là cứ 100 lần agent “làm”, có từ 1 tới 14 lần kết quả sai hoặc nguy hiểm mà bạn không biết nếu không kiểm.
Phần “làm” có giá. Phần “kiểm xem có đúng không” thì chưa ai tính.
Và còn một phần nữa hoàn toàn trống: ai chịu trách nhiệm khi cái sai đó gây hậu quả? Agent không chịu. Nhà cung cấp AI cũng không, điều khoản sử dụng nào cũng ghi rõ: “không đảm bảo độ chính xác.” Cái giá token đang phủ phần làm, nhưng để trống hai phần còn lại: phần kiểm nghiệm và phần chịu trách nhiệm.
Nó là một cái giá khuyết.
Ba dòng, ba tốc độ
Hình dung một bảng tính có ba dòng mục chi phí. Mỗi dòng giảm giá theo thời gian, nhưng tốc độ giảm rất khác nhau.
Dòng 1: Chi phí sản xuất. Đây là phần token pricing đo đếm được, và nó đang sụp giá cực nhanh. Giữa năm 2026, GPT-4o Mini của OpenAI tính 0.15 đô cho mỗi triệu token đầu vào, tức khoảng 750 trang sách với giá bằng một phần tư ly cà phê máy. Hai năm trước, cùng năng lực đó đắt gấp hàng chục lần. Chi phí làm ra một kết quả trí óc đang rơi tự do.
Dòng 2: Chi phí kiểm nghiệm. Để biết kết quả đó có đúng không, người ta đang thử dùng chính AI để chấm AI, một kỹ thuật gọi là “LLM chấm LLM” (LLM-as-judge). Nghe thì hay, nhưng bản thân cái máy chấm cũng mang tính xác suất: nó thiên vị câu trả lời dài hơn, thiên vị câu trả lời nằm ở vị trí đầu tiên, và đôi khi chấm đúng bài này nhưng chấm sai bài kia dù cùng chất lượng. Các nghiên cứu gần đây cho thấy độ tin cậy của LLM-as-judge đôi khi chỉ ngang tung đồng xu. Kiểm nghiệm tự động giảm giá, nhưng chậm hơn sản xuất, vì nó chỉ đẩy câu hỏi “ai kiểm?” lên một tầng chứ không xóa được câu hỏi đó.
Dòng 3: Chi phí chịu trách nhiệm. Dòng này gần như bất động. Khi một agent tài chính đề xuất sai và công ty mất tiền, ai ký tên vào báo cáo? Khi một agent y tế gợi ý sai liều thuốc, ai ra tòa? Bạn không thể ủy trách nhiệm pháp lý cho một quá trình ngẫu nhiên. Đây là điểm cuối thuộc về con người, và nó không rẻ đi theo thời gian.
Ba dòng, ba tốc độ giảm khác nhau. Cái bảng tính đó lệch đi mỗi ngày.
Doanh nghiệp co về đâu?
Nếu chỉ nhìn dòng đầu tiên, sẽ có người kết luận: token rẻ dần, mọi thứ sẽ bung hết ra ngoài thị trường, doanh nghiệp sẽ co lại thành một cái vỏ mỏng. Đây là cách đọc Coase kiểu “ngây thơ.”
Nhưng ràng buộc quyết định đã dịch chỗ.
Nhà kinh tế học Oliver Williamson (Nobel Kinh tế 2009) từng bổ sung cho Coase bằng một trục quan trọng: tính chuyên biệt của tài sản (asset specificity). Tài sản càng chuyên dụng cho một mối quan hệ cụ thể thì càng nên giữ trong nội bộ, vì ra ngoài thị trường dễ bị ép giá. Trục đó vẫn đúng. Nhưng agentic AI thêm vào một trục nữa: mức độ dễ hay khó kiểm nghiệm.
Nguyên tắc mới trở thành: cái gì đo được bằng token và kiểm nghiệm rẻ thì đẩy ra ngoài (mua trên thị trường). Cái gì kiểm nghiệm đắt, hoặc trách nhiệm không thể ủy thác, thì giữ lại bên trong.
Ví dụ cụ thể: một chuỗi bán lẻ hoàn toàn có thể thuê agent bên ngoài viết mô tả sản phẩm trên website. Kiểm dễ, sai thì sửa, hậu quả thấp. Đẩy ra ngoài. Nhưng agent phân tích dữ liệu khách hàng để đề xuất thay đổi chiến lược giá? Kiểm khó (cần hiểu ngữ cảnh thị trường, đối thủ, tâm lý nội bộ), hậu quả sai lớn (mất thị phần, mất lòng tin), trách nhiệm không ủy được (CEO phải ký tên). Giữ trong nhà.
Doanh nghiệp không co hay nở một cách thuần túy. Nó tái phân loại: phần ngoài bơm ra theo giá token, phần trong neo lại theo chi phí kiểm nghiệm và trách nhiệm.
Và có một cái sàn quan trọng: vì chi phí chịu trách nhiệm khác 0 và không giảm, nó neo đường biên doanh nghiệp lại. Dù token có rẻ đến mấy, doanh nghiệp không sụp về con số 0. Luôn có một cái lõi mà firm phải giữ: nơi trú ngụ của việc kiểm nghiệm và chịu trách nhiệm.
Năm 1983, nhà nghiên cứu tâm lý học kỹ thuật Lisanne Bainbridge viết một bài báo nổi tiếng có tựa “Nghịch lý của Tự động hóa” (Ironies of Automation). Bà chỉ ra: càng tự động hóa, phần việc còn lại của con người càng khó càng hiểm hóc, mà lúc đó con người lại càng mất khả năng làm tốt phần đó vì kỹ năng mai một, bị đẩy ra ngoài vòng lặp. Bốn mươi ba năm sau, nghịch lý đó đang lặp lại: agent làm càng nhiều, con người giám sát càng khó, nhưng con người vẫn là người duy nhất có thể ký tên chịu trách nhiệm.
Đây cũng là lý do câu quy tắc “agent không bao giờ được giữ vai Accountable” (người chịu trách nhiệm cuối cùng phải là con người, không phải máy) nghe có vẻ như một lựa chọn quản trị, nhưng thực ra là một sàn kinh tế. Nó định nghĩa ranh giới dưới cùng của doanh nghiệp: dù bạn tự động hóa hết mức nào, phần chịu trách nhiệm vẫn ở lại, và nó cần một tổ chức để chứa.
Hai ô trống
Quay lại cái dashboard sáng thứ Hai. Mình ngồi nhìn, vẫn khoái như lần đầu. Mọi dòng mục đều có giá rõ ràng: 0.003 đô, 0.02 đô, 0.45 đô, 1.20 đô. Số có hàng, hàng có cột. Dân spreadsheet mà, nhìn thế là sướng.
Rồi mình cuộn xuống cuối bảng.
“Kiểm nghiệm: ______”
“Trách nhiệm: ______”
Hai ô trống. Trống nguyên. Giống y cái cảm giác đi chợ Bến Thành mua con cá, mặc cả xong xuôi sòng phẳng, xách về tới nhà mới nhận ra: ai sẽ đánh vảy, ai sẽ nấu, và ai chịu nếu cả nhà ngộ độc?
Cô bán cá không chịu đâu. Con AI cũng vậy.