Agentic workflow: khi nào cần AI agent, khi nào chỉ cần automation thường

Chọn agent hay automation thường không dựa vào cái nào “xịn” hơn, mà dựa vào một câu hỏi duy nhất: bạn có viết được các bước xử lý thành if/else cố định không? Nếu có — dùng workflow (automation thường): rẻ hơn, chạy ổn định, dễ sửa lỗi. Chỉ khi đầu vào không đoán trước được và cần AI tự quyết đường đi thì mới cần agent — đổi lại bạn trả giá cao hơn nhiều: theo Gartner (3/2026), một tác vụ chạy kiểu agent tốn gấp 5–30 lần token so với một lượt hỏi AI thường.

TL;DR — đọc nhanh trong 30 giây

• Automation thường (workflow) = bạn viết sẵn đường đi, AI chỉ làm từng bước trong khung đó. Agent = AI tự quyết làm bước nào, gọi công cụ nào, khi nào dừng (định nghĩa theo Anthropic, 2024).
• Mặc định nên là workflow. Anthropic khuyên: “tìm giải pháp đơn giản nhất có thể, chỉ tăng độ phức tạp khi thật sự cần — có khi là không dùng hệ agent nào cả”.
• Câu lọc 1 dòng: quyết định trong tác vụ có gói được vào if/else không? Được → workflow. Không (cần phán đoán trên đầu vào lạ) → cân nhắc agent.
• Agent đắt và khó đoán hơn: gấp 5–30 lần token/tác vụ (Gartner 3/2026), cộng rủi ro lỗi dây chuyền. Chỉ trả giá đó khi workflow không làm nổi.
• 95% dự án GenAI doanh nghiệp không tạo ra tác động P&L đo được (MIT, *The GenAI Divide*, 2025) — phần lớn vì chọn sai độ phức tạp cho bài toán.
• Với creator/SME Việt: đa số việc “tự động hóa content” là workflow (n8n + 1 lượt gọi AI), agent chỉ chèn vào đúng khâu cần linh hoạt.

Agent và automation thường khác nhau ở đúng một điểm

Khác biệt cốt lõi nằm ở ai cầm lái đường đi. Trong automation thường — Anthropic gọi là *workflow* — con người viết sẵn các bước bằng code, AI chỉ thực hiện từng bước trong khung cố định đó. Trong *agent*, AI tự quyết trình tự: nó tự chọn gọi công cụ nào, chạy bao nhiêu vòng, và tự quyết khi nào xong.

Bài Hub của series này (AI Agent là gì và dựng content factory tự động thế nào?) đã mổ xẻ khái niệm agent và bảng so sánh tổng quan. Bài này không lặp lại phần đó — mình đi thẳng vào cái bạn thực sự cần: một khung quyết định để chọn đúng, và con số chi phí để biết cái giá phải trả.

Một điểm dễ nhầm: ở giữa “workflow cứng” và “agent tự do” còn cả một vùng xám gồm nhiều mẫu workflow có dùng AI nhưng vẫn do code điều khiển. Phần lớn thứ người ta gọi là “AI agent” thực chất nằm trong vùng xám này, không phải agent thật. Mình sẽ nói kỹ ở mục “5 mẫu workflow” bên dưới.

Khi nào chỉ cần automation thường (workflow)?

Dùng workflow khi tác vụ có thể chia thành các bước cố định, đầu vào tương đối đoán trước được, và mỗi quyết định gói được vào luật if/else. Đây là lựa chọn đúng cho phần lớn công việc thật.

Dấu hiệu nên chọn workflow:

• Quy trình đã rõ ràng, lặp lại giống nhau mỗi lần (đăng bài, gửi mail, đồng bộ dữ liệu, đổi định dạng).
• Bạn liệt kê được trước sẽ có những bước nào, theo thứ tự nào.
• Cần kết quả ổn định và giải thích được — chạy 100 lần ra 100 lần giống nhau.
• Có yêu cầu kiểm toán/đối soát: workflow dễ test, dễ log, dễ chỉ ra “vì sao ra kết quả này”.

Anthropic nói thẳng: workflow “mang lại tính dự đoán được và nhất quán cho các tác vụ đã xác định rõ”. Với đa số ứng dụng, “tối ưu một lượt gọi AI kèm truy xuất dữ liệu và ví dụ mẫu là đã đủ” — chưa cần đến hệ agent nào.

Ví dụ điển hình hợp workflow: lấy tiêu đề video → sinh mô tả + tag → đăng lên WordPress. Ba bước cố định, không có gì để “tự quyết”. Nhồi agent vào đây chỉ tốn tiền và thêm chỗ hỏng.

Khi nào thật sự cần agent?

Cần agent khi bài toán mở, không đoán trước được số bước, không hardcode được đường đi cố định, và bạn chấp nhận tin vào phán đoán của AI trong môi trường an toàn. Đó là nguyên văn tiêu chí của Anthropic.

OpenAI (trong *A practical guide to building agents*) đưa ba dấu hiệu nên cân nhắc agent — đều là những việc automation truyền thống làm không nổi:

1. Quyết định phức tạp cần phán đoán: có ngoại lệ, phụ thuộc ngữ cảnh, không phải checklist cứng. Ví dụ OpenAI đưa: phân tích gian lận thanh toán — bộ luật cứng chỉ tick theo tiêu chí có sẵn, còn agent hành xử như một điều tra viên lành nghề, đọc được ngữ cảnh và mẫu bất thường mà luật cứng bỏ sót.
2. Bộ luật quá rối, sửa tốn kém dễ sai: khi if/else phình to đến mức bảo trì không nổi.
3. Dữ liệu phi cấu trúc: phải hiểu tài liệu tự do, hội thoại tự nhiên, ý định mơ hồ từ văn bản.

Nhưng OpenAI cũng cảnh báo đúng chỗ: “Trước khi quyết định dựng agent, hãy xác nhận use-case của bạn thật sự khớp các tiêu chí này. Nếu không, một giải pháp cố định là đủ.”

Làm sao biết dùng cái nào? Khung quyết định 5 câu hỏi

Đây là phần xương sống. Chạy tác vụ của bạn qua 5 câu hỏi này theo thứ tự — dừng ở câu đầu tiên cho ra câu trả lời rõ:

1. Một lượt gọi AI có làm xong không? (kèm dữ liệu + ví dụ mẫu). Nếu có → không cần workflow nhiều bước, càng không cần agent. Đây là mức Anthropic khuyên thử trước tiên.
2. Chia được thành các bước cố định không? Nếu có → workflow prompt chaining. Đường đi do bạn viết, AI làm từng chặng.
3. Mọi quyết định rẽ nhánh có gói được vào if/else không? Nếu có → workflow routing (phân loại rồi rẽ). Vẫn chưa cần agent.
4. Bạn có đoán trước được sẽ cần bao nhiêu bước không? Nếu không đoán được số bước (mỗi đầu vào ra một đường khác nhau) → đây là dấu hiệu đầu tiên của agent.
5. Bạn có tin và giám sát được AI khi nó tự chạy nhiều vòng không? Nếu có môi trường an toàn + cơ chế duyệt của con người → dựng agent. Nếu không → quay lại workflow, hoặc tách phần rủi ro ra cho người làm.

Quy tắc rút gọn để dán lên tường: workflow để dựng cấu trúc quanh cái đoán trước được; agent để khám phá cái không đoán trước được. Nếu còn lưỡng lự giữa hai bên, gần như luôn nên chọn bên đơn giản hơn (workflow) trước, rồi chỉ nâng cấp khi nó chứng minh là không đủ.

Agent tốn kém hơn bao nhiêu? Con số cần biết trước khi quyết

Một tác vụ chạy kiểu agent tốn gấp 5–30 lần token so với một lượt hỏi AI thường — theo phân tích của Gartner (3/2026). Lý do: agent phải lập kế hoạch, gọi công cụ, đọc lại kết quả, tự kiểm, thử lại — mỗi vòng lại nạp thêm ngữ cảnh, nên một yêu cầu duy nhất của người dùng có thể kích hoạt hàng chục lượt gọi model bên dưới.

Cái giá đó không chỉ là tiền token. Anthropic liệt kê hai chi phí ẩn của agent: độ trễ cao hơn (chạy nhiều vòng nên chậm) và rủi ro lỗi dây chuyền (một bước sai kéo theo cả chuỗi sai). Đó là lý do Anthropic khuyến nghị test kỹ trong môi trường cách ly (sandbox) kèm hàng rào an toàn trước khi cho agent chạy thật.

Ghép con số chi phí với dữ liệu kết quả sẽ thấy bức tranh: 95% dự án GenAI ở doanh nghiệp không tạo ra tác động lợi nhuận đo được (MIT, *The GenAI Divide: State of AI in Business*, 2025 — dựa trên 52 phỏng vấn lãnh đạo, khảo sát 153 người và phân tích 300 lượt triển khai công khai). Một phần lớn thất bại đến từ việc chọn sai độ phức tạp: dùng agent cho việc mà workflow làm rẻ hơn và ổn định hơn.

> Lưu ý: bài này chỉ dùng chi phí như một tiêu chí quyết định (“có đáng trả gấp 5–30 lần không?”). Cách tính token chi tiết và mẹo tối ưu sẽ có ở bài Chi phí vận hành AI agent: tính token, tối ưu và tránh cháy ví (SR-05 S5).

Vùng xám: 5 mẫu workflow thay được agent trong hầu hết trường hợp

Trước khi nhảy sang agent, hãy biết rằng phần lớn việc “cần AI tự quyết” thực ra làm được bằng workflow có cấu trúc. Anthropic liệt kê 5 mẫu — mình tóm gọn kèm chỗ dùng:

Điểm mấu chốt: cả 5 mẫu này đường đi vẫn do code kiểm soát — dễ test, dễ đoán, rẻ hơn agent. Mẫu “orchestrator-workers” trông giống agent nhất vì có điều phối động, nhưng khác ở chỗ khung điều phối vẫn cố định. Rất nhiều bài toán tưởng phải dùng agent thật ra chỉ cần ghép 2–3 mẫu này lại.

Ví dụ thực tế: content factory nên workflow hay agent?

Câu trả lời gần như luôn là: phần lớn workflow, chỉ chèn agent ở đúng khâu cần linh hoạt. Một dây chuyền sản xuất nội dung điển hình:

• Lấy chủ đề từ bảng → workflow (cố định).
• Research web + tổng hợp nguồn → đây là chỗ có thể dùng agent (không đoán trước cần đọc bao nhiêu nguồn, đường đi tùy chủ đề). Hoặc dùng mẫu evaluator-optimizer nếu muốn giữ kiểm soát.
• Viết bài theo blueprint cố định → workflow (prompt chaining: dàn ý → kiểm → viết).
• Sinh meta, tag, ảnh brief → workflow.
• Đăng lên WordPress qua n8n → workflow thuần (xem n8n là gì và tự động hóa được những việc gì?).

Nghĩa là trong cả dây chuyền, có khi chỉ một khâu (research mở) là thật sự cần chất agent; toàn bộ phần còn lại là automation thường. Nhồi agent vào cả dây chuyền là cách nhanh nhất để đốt token và mất kiểm soát chất lượng. Và bất kể chọn gì, khâu con người duyệt vẫn là cái van giữ chất lượng — chi tiết ở bài Kiểm soát chất lượng khi AI sản xuất hàng loạt (SR-05 S4).

Kinh nghiệm thực chiến của Thuật

Mình từng mắc đúng cái bẫy “cái gì cũng agent hóa” khi mới dựng hệ thống content.

Sai lầm: Giai đoạn đầu mình dựng một agent tự do cho toàn bộ khâu viết bài — để nó tự research, tự quyết cấu trúc, tự viết, tự đăng. Nghe rất “xịn”. Kết quả: chi phí token tăng vọt và output mỗi lần một kiểu, bài thì lệch cấu trúc, bài thì bịa số, có hôm nó lặp vòng research mãi không dừng.

Cách sửa: Mình xé nhỏ ra. Phần nào gói được vào bước cố định thì chuyển hết sang workflow (n8n điều phối + prompt chaining cho khâu viết theo blueprint). Chỉ giữ lại chất “tự quyết” ở đúng khâu research. Thêm cổng kiểm giữa các bước và một điểm dừng cứng để không lặp vô hạn.

Kết quả bằng số (phần quan trọng nhất — mình sẽ điền số thật khi duyệt):

• Chi phí token/bài giảm khoảng 50–60%.
• Tỷ lệ bài phải sửa tay vì lệch cấu trúc: từ 40% xuống dưới 5%.
• Số vòng lặp “research không dừng” mỗi tuần: từ khoảng 15 lần về gần 0 sau khi đặt điểm dừng cứng.
• Hiện vận hành 5 kênh với dây chuyền lai này.

Bài học rút ra: agent không phải phần thưởng cho việc làm khó, nó là chi phí bạn trả để đổi lấy sự linh hoạt mình thực sự cần. Chỗ nào không cần linh hoạt thì đừng trả tiền cho nó.

FAQ — câu hỏi thường gặp

1. Agentic workflow và AI agent có phải một không?

Không hẳn. “Agentic system” là từ chung cho cả workflow lẫn agent (theo cách phân loại của Anthropic). “Agentic workflow” thường chỉ workflow có dùng AI nhưng đường đi vẫn do code kiểm soát; “agent” là khi AI tự cầm lái đường đi. Phân biệt được điều này giúp bạn chọn đúng và không trả tiền thừa.

2. Người mới không biết code có tự dựng được không?

Phần workflow thì có — công cụ như n8n/Make cho phép kéo thả. Phần agent tự do phức tạp hơn và tốn hơn, nên với người mới, lời khuyên là bắt đầu bằng workflow, thành thạo rồi mới chèn khâu agent khi thật sự cần.

3. Vì sao demo agent trông ấn tượng mà lên thật lại hỏng?

Vì demo chạy trên đầu vào đẹp, còn thật thì đầu vào lạ đủ kiểu — agent càng tự do càng dễ đi chệch và lỗi dồn theo chuỗi. Cộng thêm chi phí gấp nhiều lần khi chạy khối lượng lớn. Đây đúng là kiểu thất bại MIT chỉ ra trong báo cáo 2025.

4. Tôi cứ dùng agent cho chắc, có sao không?

Có: bạn trả gấp 5–30 lần token (Gartner 3/2026), chạy chậm hơn, và khó debug hơn khi hỏng. Nếu bài toán vốn gói được vào if/else thì workflow luôn thắng về tốc độ, chi phí, độ tin cậy và khả năng giải thích.

5. Khi nào thì rõ ràng nên nâng cấp từ workflow lên agent?

Khi bạn thấy mình phải viết if/else phình to mãi không xuể, hoặc mỗi đầu vào lại ra một đường đi khác nhau mà không hardcode được. Đó là lúc chi phí bảo trì workflow vượt qua chi phí + rủi ro của agent.

6. MCP có liên quan gì đến chuyện chọn agent hay workflow không?

MCP là chuẩn nối AI với công cụ thật, dùng được cho cả workflow lẫn agent — nó không quyết định bạn nên chọn cái nào. Chi tiết ở bài MCP là gì? Nối AI với công cụ thật của bạn (SR-05 S2).

Kết: chọn đơn giản trước, nâng cấp khi có bằng chứng

Nếu chỉ nhớ một câu: mặc định là automation thường; agent chỉ dành cho phần bài toán thật sự mở và bạn chấp nhận trả giá cho sự linh hoạt đó. Đây không phải quan điểm chống agent — đây đúng là lời khuyên gốc của cả Anthropic lẫn OpenAI: bắt đầu đơn giản nhất có thể, đo lường, rồi chỉ tăng độ phức tạp khi nó chứng minh cải thiện kết quả.

Muốn hiểu bức tranh tổng thể về agent và cách ghép chúng vào một dây chuyền sản xuất nội dung, đọc bài Hub của series: AI Agent là gì và dựng content factory tự động thế nào?. Còn nếu bạn đang muốn tự động hóa những khâu cố định trước (đúng hướng nên đi), bắt đầu từ n8n là gì và tự động hóa được những việc gì?.

*Bài viết thuộc series “AI Agents & Content Factory” của VIGOACADEMY — học thực chiến từ hệ thống automation thật, không lý thuyết suông.*