Công việc văn phòng có thể tạo làn sóng token tiếp theo: Điều kiện để Astra chuyển thành lợi nhuận cổ phiếu Hàn Quốc

GPT-6 Astra được giới thiệu ngày 3 tháng 9, cùng các sản phẩm tài chính và phân tích dữ liệu công bố ngày 10 tháng 9, cho thấy câu hỏi cạnh tranh của AI đang thay đổi. Trọng tâm chuyển từ chất lượng một câu trả lời sang khả năng theo đuổi nhiệm vụ được giao cho đến khi hoàn thành. Sản phẩm tài chính của OpenAI kết nối dữ liệu, nguồn tham chiếu và mẫu tài liệu doanh nghiệp; sản phẩm dữ liệu kết nối thông tin nội bộ với quyền truy cập.¹²³

Sự thay đổi này có thể đưa mức sử dụng chuyên sâu vốn gắn với lập trình viên sang nhiều công việc văn phòng hơn. Tuy nhiên, ra mắt sản phẩm không chứng minh nhu cầu token đã bùng nổ. Nhân số nhân viên văn phòng với mức tiêu thụ của một lập trình viên cũng không tạo ra dự báo thị trường đáng tin cậy.

Luận điểm đầu tư có điều kiện: thao tác máy tính tốt hơn và thực hiện nhiệm vụ dài đáng tin cậy hơn có thể giảm can thiệp của con người, qua đó tăng số công việc thực sự được giao cho AI. Nhà đầu tư cổ phiếu Hàn Quốc phải xác định doanh nghiệp nào chuyển được nhu cầu đó thành sản lượng và giá bộ nhớ, đơn hàng thiết bị điện hoặc lợi nhuận phần mềm định kỳ.

Lập trình đã có môi trường để thực thi và kiểm chứng

Phát triển phần mềm có kho mã để đọc, công cụ để chạy và bài kiểm tra để đối chiếu kết quả. Hệ thống có thể sửa chương trình, xem lỗi rồi thử lại. Điều này không có nghĩa mọi kết quả phần mềm đều dễ xác minh. Cách diễn giải hẹp hơn là việc nối thực thi với đánh giá thường dễ tổ chức trong phát triển phần mềm hơn trong quy trình văn phòng phân mảnh.

Một nghiên cứu công bố tháng 4 năm 2026 về tác nhân lập trình ghi nhận mức tiêu thụ token khác biệt lớn giữa mô hình và đường thực thi, kể cả khi lặp lại cùng một nhiệm vụ. Chi tiêu nhiều hơn không luôn cải thiện độ chính xác. Đây là lý do bổ sung để không ngoại suy máy móc mức sử dụng của lập trình viên.⁴

Công việc văn phòng có các trở ngại khác. Cam kết trong email, trạng thái khách hàng, phép tính Excel và quy định nội bộ có thể nằm ở những hệ thống riêng. Câu trả lời đúng không bù được việc cập nhật hồ sơ sai. Quyền truy cập và phê duyệt phải được nối vào quy trình trước khi một câu trả lời trở thành công việc hoàn tất.

Vì vậy, “văn phòng sau lập trình” không có nghĩa thị trường trước phải kết thúc rồi thị trường sau mới mở. Hai nhóm đã chồng lấn. Giả thuyết là cường độ sử dụng lặp lại ở vị trí không chuyên phát triển phần mềm có thể trở thành nguồn tăng trưởng tiếp theo.

Thao tác máy tính mở rộng phạm vi; khả năng duy trì nhiệm vụ thay đổi hiệu quả kinh tế

Sử dụng máy tính là đọc màn hình, bấm nút và nhập thông tin. Thực hiện nhiệm vụ dài là giữ mục tiêu và bằng chứng qua nhiều bước, phục hồi sau lỗi và kiểm tra kết quả. Khả năng thứ nhất mở rộng các quy trình có thể tiếp cận; khả năng thứ hai giảm nhu cầu giám sát liên tục.

Hai khả năng hỗ trợ lẫn nhau. Bấm chính xác vẫn chưa đủ nếu tác nhân quên mục tiêu ở bước thứ mười. Suy nghĩ lâu cũng chưa đủ nếu người dùng phải chuyển từng kết quả vào hệ thống vận hành doanh nghiệp. Đây là cách diễn giải kinh tế, không phải tính chất toán học đã được chứng minh của kiến trúc mô hình.

Nguồn: OpenAI. OSWorld dùng tập con ngoại tuyến v2026.08.08. Cấu hình và môi trường công cụ có thể khác sản xuất thực tế; cải tiến môi trường thực thi cũng ảnh hưởng kết quả.¹

Độ tin cậy từng bước tăng nhẹ có thể làm nhiều nhiệm vụ trở nên khả thi để giao phó. Trong ví dụ giả định cần thành công cả 50 bước độc lập, xác suất 98% mỗi bước cho tổng xác suất 0,98 mũ 50, khoảng 36,4%. Với 99,5%, tổng đạt khoảng 77,8%. Lỗi thực tế có tương quan, đồng thời còn có điểm kiểm tra, thử lại và phục hồi. Đây chỉ là minh họa hiệu ứng tích lũy, không phải ước tính tỷ lệ thành công thực tế của Astra.

Doanh nghiệp cũng không nên triển khai mọi thứ bằng thao tác màn hình. Khi có giao diện lập trình ổn định, hay API, thường nên ưu tiên sử dụng; thao tác trực quan có thể bù những đoạn chưa kết nối được. Cơ hội nằm ở việc nối quy trình mà không phải thay toàn bộ hệ thống cũ.

Năng lực mô hình đang được kết hợp với dữ liệu và hạ tầng vận hành

ChatGPT Financial Services, công bố ngày 10 tháng 9, tìm cách nối dữ liệu tài chính và tài liệu với mẫu biểu và kiểm soát doanh nghiệp. Sản phẩm phân tích dữ liệu nối dữ liệu được cấp phép với bối cảnh kinh doanh. Cả hai cho thấy mô hình tốt là chưa đủ: quyền truy cập và kiểm chứng phải đi cùng.²³

Bản beta công khai của Agents API cung cấp hạ tầng quản lý ngữ cảnh, thực thi công cụ và phối hợp nhiều tác nhân. Nếu doanh nghiệp không phải tự xây lại hạ tầng chạy bền vững, chi phí chuyển tiến bộ mô hình thành quy trình có trả tiền có thể giảm. Có thể xác nhận việc công bố và các tính năng mô tả; tổng chi tiêu của khách hàng và lợi ích đầu tư vẫn là câu hỏi riêng.⁵

Cơ hội ban đầu có lẽ không phải thay thế không giám sát mọi vị trí văn phòng. So sánh tài liệu, chuẩn bị bán hàng, báo cáo định kỳ và đối chiếu chi phí là các nhiệm vụ có ranh giới và dễ kiểm tra hơn. Thanh toán, hợp đồng có tính ràng buộc và quyết định nhân sự cần giữ phê duyệt phù hợp của con người vì tổn thất do lỗi cao hơn.

Một chỉ dẫn ngắn có thể tạo chuỗi tính toán dài

“So sánh ba nhà cung cấp và chuẩn bị tài liệu họp” chỉ là một câu. Nhưng để thực hiện, hệ thống phải tìm email và báo giá, chuẩn hóa điều kiện thương mại, lập bảng, kiểm tra số liệu và nguồn rồi áp dụng mẫu tài liệu. Nếu thiếu thông tin, một phần quy trình cần chạy lại.

Kết quả cuối có thể ngắn dù mô hình được gọi nhiều lần. Tài liệu truy xuất, kết quả công cụ, kiểm tra giữa chừng và sửa đổi đều tiêu thụ token. Token là đơn vị đầu vào và đầu ra của mô hình, không phải số câu hỏi hay số câu văn.

Anthropic cho biết tháng 6 năm 2025 rằng trong dữ liệu hệ thống nghiên cứu của chính họ, tác nhân thường dùng khoảng bốn lần token so với trò chuyện, còn hệ thống nhiều tác nhân khoảng mười lăm lần. Đó không phải hệ số chung cho mọi công việc doanh nghiệp. Dù vậy, nó cung cấp bằng chứng cho cơ chế khiến hội thoại trở thành thực thi có cường độ sử dụng lớn hơn.⁶

Cơ hội bền vững không phải làm cùng việc lâu hơn một cách kém hiệu quả. Đó là thực hiện những việc trước đây bị bỏ qua vì chi phí chuẩn bị quá cao: thêm đề xuất riêng cho khách hàng, đối chiếu tồn kho thường xuyên hơn hoặc nghiên cứu đối thủ rộng hơn. Vòng lặp thử lại không tạo giá trị không chứng minh được khả năng chi trả lâu dài.

Tần suất giao việc quan trọng hơn tổng số nhân viên

Token hằng tháng = số nhân viên phù hợp × tỷ lệ dùng thực tế × số nhiệm vụ giao mỗi người mỗi ngày × ngày làm việc × token tích lũy mỗi nhiệm vụ.

Token tích lũy mỗi nhiệm vụ bao gồm mọi đầu vào, đầu ra, lần thử lại và kiểm tra, kể cả các cuộc gọi từ tác nhân bổ sung. Nhân thêm số tác nhân hoặc hệ số thử lại một lần nữa sẽ đếm trùng.

Phân tích độ nhạy dưới đây giữ nguyên tổ chức có 1.000 nhân viên và 22 ngày làm việc một tháng. Đây là giả định, không phải số đo ở khách hàng hay dự báo cho năm 2027.

Mức cơ sở là 1.000 × 20% × 10 × 22 × 2.000 = 88.000.000 token. Giao việc thường xuyên là 1.000 × 50% × 3 × 22 × 40.000 = 1.320.000.000. Các dòng là trạng thái thay thế, không phải các phần tăng thêm để cộng tất cả vào cơ sở. Một cuộc trò chuyện và một nhiệm vụ hoàn thành cũng không tạo đầu ra tương đương.

Mức 15 lần kết hợp số người dùng thực tế tăng 2,5 lần và token hằng ngày mỗi người tăng sáu lần, từ 20.000 lên 120.000. Nó không đòi hỏi số nhân viên tăng mười lăm lần. Ngược lại, nếu người dùng chỉ làm một bản tóm tắt mỗi ngày, mức mở rộng sẽ thấp hơn nhiều.

Dân số lao động không chuyên lập trình lớn hơn không đủ chứng minh khi nào nhu cầu của họ vượt lập trình. Tỷ lệ dùng, tần suất và token mỗi nhiệm vụ đều phải đủ cao. Phân loại cũng phải tránh đếm hai lần mã do người dùng kinh doanh tạo ra và tài liệu do lập trình viên chuẩn bị.

Ví dụ 0,56 USD cho thấy ngưỡng kinh tế của mỗi nhiệm vụ

Giá API công khai của Astra Standard là 10 USD cho một triệu token đầu vào và 50 USD cho một triệu token đầu ra. Giả sử một nhiệm vụ không dùng bộ nhớ đệm tiêu thụ 36.000 token đầu vào và 4.000 token đầu ra.¹

Chi phí mô hình = 36.000 / 1.000.000 × 10 USD + 4.000 / 1.000.000 × 50 USD = 0,56 USD.

Con số 4.000 là tổng đầu ra bị tính phí trên tất cả cuộc gọi, không phải độ dài báo cáo cuối. Nếu token suy luận được tính vào đầu ra, cũng phải cộng vào. Bộ nhớ đệm, điều phối sang mô hình rẻ hơn và phí công cụ làm thay đổi hóa đơn thực tế.

Trạng thái thường xuyên tạo 500 người × 3 nhiệm vụ × 22 ngày = 33.000 nhiệm vụ mỗi tháng. Theo đơn giá giả định này, hóa đơn mô hình là 18.480 USD mỗi tháng, hay 36,96 USD cho mỗi người dùng thực tế. Chưa bao gồm trình duyệt, bản quyền dữ liệu, tích hợp, bảo mật, đào tạo và xử lý sự cố.

Giá trị ròng của giao việc = tiết kiệm lao động đã thực hiện hoặc giá trị kinh doanh tăng thêm − mô hình và công cụ − kiểm tra và làm lại của con người − tổn thất do lỗi − chi phí vận hành và tích hợp phân bổ.

Giả sử một nhiệm vụ ít rủi ro, có đầu ra tương đương, do người thực hiện mất 30 phút với giá trị thời gian 50 USD mỗi giờ. Chi phí ban đầu là 25 USD. Nếu AI cần năm phút kiểm tra và 20% nhiệm vụ thất bại phải làm lại từ đầu, thời gian làm lại kỳ vọng thêm sáu phút. Chi phí con người khoảng 9,17 USD; cộng mô hình là 9,73 USD. Còn khoảng 15,27 USD để trang trải chi phí khác và lỗi. Tỷ lệ thành công 80% chỉ là giả định, không được suy ra từ điểm đánh giá.

Nếu kiểm tra mất 25 phút, chi phí kỳ vọng tăng lên 26,39 USD. Suy luận rẻ không cứu được quy trình. Thời gian tiết kiệm cũng không tự động làm giảm tiền lương chi ra; phải được hiện thực hóa qua bố trí lại nhân lực, tăng sản lượng hoặc tránh tuyển thêm.

Vì vậy, chỉ tiêu quyết định không phải tác nhân chạy được bao lâu, mà là mỗi nhiệm vụ hoàn tất còn cần bao nhiêu phút can thiệp của con người.

Token, hóa đơn, tính toán và bộ nhớ là các đại lượng khác nhau

Đổi mức token tăng 15 lần thành nhu cầu bán dẫn tăng 15 lần là bỏ qua nhiều bước chuyển đổi.

Giữ nguyên cơ cấu công việc để minh họa, token tăng 15 lần trong khi tính toán mỗi token giảm 80% tạo nhu cầu tính toán gấp ba. Nếu giảm 95%, nhu cầu còn 0,75 lần. Phép tính là 15 × 0,20 và 15 × 0,05. Đây là độ nhạy, không phải dự báo tốc độ tiến bộ kỹ thuật.

Chi phí giảm có thể làm sử dụng tăng mà tổng chi tiêu không tăng. Khi các yếu tố khác giữ nguyên, lượng sử dụng phải tăng đủ để bù giá đơn vị giảm. Cần xem cả công việc mới trở nên khả thi và việc giảm lượng tính toán cho nhiệm vụ vốn đã được thực hiện.

Chạy đồng thời cũng là vấn đề riêng. Cùng lượng sử dụng một ngày nhưng tập trung vào đầu giờ làm có thể cần nhiều công suất hơn. Ngược lại, gom việc chấp nhận độ trễ chạy ban đêm có thể nâng hiệu suất sử dụng và trì hoãn xây mới. Nhân số tác nhân với 24 giờ không tự tạo nhu cầu.

Luận điểm bộ nhớ phải bao phủ nhiều tầng, không chỉ HBM

AI giữ trọng số mô hình và các kết quả trung gian từ ngữ cảnh trước đó. Trạng thái chú ý có thể dùng lại thường gọi là bộ nhớ đệm KV. Công việc dài và nhiều người dùng đồng thời có thể làm vị trí lưu và tốc độ truy xuất quan trọng hơn.

Nhưng không phải tất cả phải ở mãi trong bộ nhớ băng thông cao đắt tiền, hay HBM. Các công bố STX và CMX của NVIDIA tháng 3 năm 2026 mô tả một tầng lưu ngữ cảnh bổ sung. Mục tiêu vừa mở rộng ngữ cảnh truy cập được, vừa sử dụng GPU hiện có hiệu quả hơn. Chỉ số hiệu năng của nhà cung cấp phụ thuộc cấu hình, không phải mức cải thiện đo được của toàn ngành.⁷

HyMCache, nộp lần đầu tháng 7 và sửa tháng 8 với tên A CXL Memory Rack for Multi-Turn LLM Serving, nghiên cứu kết hợp DRAM và SSD để giữ trạng thái tái sử dụng. Một so sánh chấp nhận giảm một phần hiệu năng để dùng ít DRAM hơn đáng kể. Đây là nghiên cứu, không phải chứng cứ triển khai thương mại quy mô lớn, nhưng phản bác cách ngoại suy tỷ lệ một-một từ token sang một sản phẩm bộ nhớ.⁸

Giả thuyết hữu ích không phải chọn giữa HBM biến mất hoặc chắc chắn bùng nổ. Cần theo dõi cách HBM nhanh, DRAM máy chủ và SSD doanh nghiệp dung lượng cao chia nhiệm vụ, cùng khả năng giữ lại lợi nhuận của nhà cung cấp. Token cũng không tương đương tài liệu lưu trữ: đọc lại cùng tệp làm tăng token logic mà không nhất thiết tăng dữ liệu nguồn được giữ.

Bốn cơ chế lợi nhuận khác nhau trên thị trường Hàn Quốc

Bảng này sắp xếp hướng nghiên cứu theo mức liên quan kinh doanh, không phải thứ hạng mua đã điều chỉnh theo giá cổ phiếu hiện tại.

SK hynix: nhìn ngoài HBM nhưng không bỏ qua chu kỳ

Danh mục giới thiệu ngày 26 tháng 8 của SK hynix gồm HBM, DRAM máy chủ và SSD doanh nghiệp. Điều này tạo nhiều con đường tham gia khi phân tầng bộ nhớ rõ hơn. Trưng bày sản phẩm không có nghĩa tất cả đóng góp doanh thu cùng thời điểm và cùng quy mô.⁹

Nhà đầu tư nên theo dõi lượng và giá từng sản phẩm thay vì tổng doanh thu được gắn nhãn AI. HBM tăng không mô tả toàn bộ kết quả nếu giá DRAM máy chủ hay NAND suy yếu. Dòng tiền hoạt động cần được xem sau chi đầu tư và nhu cầu vốn lưu động.

Đây là đối tượng nghiên cứu trực tiếp, nhưng tiếp xúc trực tiếp không đồng nghĩa định giá rẻ. Ngành thuận lợi vẫn có thể mang lại lợi suất thấp khi ưu thế cung ứng đã phản ánh đầy đủ trong kỳ vọng.

Samsung Electronics: phạm vi rộng đi cùng yếu tố bù trừ

Trong kết quả quý hai công bố ngày 30 tháng 7, Samsung liên hệ triển vọng AI tác nhân nửa cuối năm với DRAM máy chủ, SSD doanh nghiệp và HBM. Điều đó cho thấy nhà cung cấp cũng đặt giả thuyết nhu cầu tương tự. Tuy nhiên, đây vẫn là triển vọng của ban lãnh đạo, không phải xác nhận độc lập về cung cầu tương lai.¹⁰

Danh mục bộ nhớ rộng tạo nhiều kênh, nhưng lợi nhuận cổ đông phụ thuộc sản xuất có lãi sau khi được khách hàng chấp thuận, tỷ lệ đạt và cơ cấu sản phẩm. Các mảng bán dẫn khác và hàng tiêu dùng cũng tác động kết quả hợp nhất.

Vì vậy, không nên cộng ngay việc Astra ra mắt vào dự báo lợi nhuận. Phải xác định nhu cầu vượt phần chi tiêu AI đã giả định, rồi xem nó đổi sản lượng, giá hay biên lợi nhuận. Một câu chuyện mới mô tả lại đơn cũ không phải lợi nhuận tăng thêm.

LS ELECTRIC: đầu tư vào xây dựng và đơn hàng, không phải phí trên token

Ngày 24 tháng 8, LS ELECTRIC công bố mở rộng hợp đồng thiết bị điện cho trung tâm dữ liệu AI tại Bắc Mỹ, đưa tổng giá trị sửa đổi lên khoảng 230,9 tỷ won. Đây là tổng hợp đồng sau thay đổi, không phải toàn bộ đơn mới để cộng thêm vào hợp đồng trước. Mối liên hệ kinh doanh với trung tâm dữ liệu được xác nhận, nhưng hợp đồng có trước Astra nên không thể quy cho Astra.¹¹

Nếu suy luận văn phòng chỉ nâng mức sử dụng hạ tầng có sẵn, đơn thiết bị điện mới có thể chưa tăng ngay. Nhu cầu bền vững phải thành dự án được cấp vốn và có khả năng kết nối điện. Chi phí vốn cao và chậm xây dựng có thể cùng tồn tại với triển vọng cầu dài hạn tích cực.

Cần kiểm tra đơn mới, chuyển đơn tồn thành doanh thu, lợi nhuận dự án và thu tiền. Định giá doanh nghiệp như thể thu tiền mỗi lần xử lý token sẽ bỏ qua độ trễ và rủi ro thực hiện.

Samsung SDS: trách nhiệm vận hành quan trọng hơn bán lại mô hình

Samsung SDS mô tả FabriX là nền tảng nối nhiều mô hình với hệ thống doanh nghiệp, hỗ trợ tạo, vận hành và quản trị tác nhân. Brity Copilot đưa AI vào email và cuộc họp. Dữ liệu, quyền truy cập và trách nhiệm vận hành tạo mức liên quan hợp lý với công việc văn phòng.¹²¹³

Tuy nhiên, nhà cung cấp mô hình tiên tiến cũng mở rộng trực tiếp sản phẩm doanh nghiệp và kết nối dữ liệu. Một cửa sổ trò chuyện hoặc quyền dùng mô hình bán lại có thể chịu sức ép giá. Lợi thế bền hơn có thể đến từ xử lý ngoại lệ của hệ thống cũ, quyền hạn, nhật ký kiểm toán và sự cố, gắn với hợp đồng gia hạn.²⁵

Dùng trả phí tăng không bảo đảm lợi nhuận tăng nếu chi phí mô hình và nhân công tích hợp tăng nhanh hơn. Cần hợp đồng lặp lại với khách hàng bên ngoài, giữ chân sau triển khai và biên lợi nhuận sau phí suy luận. Tài liệu sản phẩm được kiểm tra chưa đủ chứng minh biên lợi nhuận riêng của hoạt động AI.

Đúng về ngành vẫn có thể thua lỗ với cổ phiếu

Hệ số giá cổ phiếu = hệ số lợi nhuận mỗi cổ phiếu × hệ số định giá.

Nếu lợi nhuận mỗi cổ phiếu tăng 30% nhưng P/E giảm từ 20 xuống 15 lần, giá còn 1,30 × 15 / 20 = 0,975 lần, tức giảm 2,5%. Đây là số minh họa, không phải định giá hiện tại của doanh nghiệp nào, với giả định cùng định nghĩa và kỳ lợi nhuận.

Không nên nhân bốn lợi nhuận quý đỉnh của bộ nhớ rồi coi là lâu dài. Phải bình thường hóa giá, cung mới, khấu hao, đầu tư và dòng tiền. Giá trị hợp đồng thiết bị không phải lợi nhuận tức thời; doanh thu phần mềm phải được nhìn sau chi phí bán lại.

Bài viết này không phải báo cáo định giá từng mã đã kiểm tra toàn bộ giá trong ngày và dự báo đồng thuận. Không đặt mục tiêu giá hay mức mua chưa xác minh. Quyết định mua đòi hỏi tính ngược tăng trưởng đã phản ánh trong giá trị doanh nghiệp, rồi xem đơn mới và mức sử dụng lặp lại có vượt kỳ vọng đó không.

Nhà cung cấp bộ nhớ đáng nghiên cứu sớm vì tạo mức tiếp xúc với nhiều mô hình mà không phải chọn một ứng dụng văn phòng thắng cuộc. Nhưng đa dạng hóa giữa mô hình không đa dạng hóa chu kỳ bộ nhớ. Nắm cả hai nhà sản xuất lớn Hàn Quốc vẫn giữ rủi ro chung về đầu tư AI và giá bộ nhớ.

Từ quý bốn năm 2026, theo dõi sử dụng lặp lại và can thiệp con người

Quý bốn năm 2026 và quý một năm 2027 là cửa sổ quan sát, không phải lịch áp dụng được bảo đảm.

Nếu qua hai quý vẫn chưa chứng minh dùng lặp lại ngoài lập trình và hiệu quả đơn vị, cần lùi nhận định thời điểm làn sóng cầu tiếp theo. Nếu áp dụng tăng nhưng hiệu suất bù yêu cầu phần cứng, có thể giữ luận điểm phần mềm và giảm mức tác động bán dẫn. Sự cố an ninh làm thu hẹp quyền truy cập hoặc lệ thuộc kéo dài vào cứu trợ của con người cũng là phản chứng quan trọng.

Astra có thể mở rộng thị trường công việc hoàn thành hơn là câu trả lời dài. Cơ sở mua cổ phiếu Hàn Quốc xuất hiện khi khả năng đó tạo chi tiêu định kỳ và dòng tiền vượt kỳ vọng đã nằm trong giá.

Thông tin kiểm tra đến ngày 11 tháng 9 năm 2026. Tuyên bố sản phẩm và doanh nghiệp được phân biệt với kiểm chứng độc lập trong vận hành thực tế. Kịch bản token, chi phí và giá cổ phiếu là giả định của tác giả, không phải tư vấn cá nhân.

Nguồn