Phần mềm nào sẽ bị AI loại bỏ?

Từ đầu năm 2026, đợt điều chỉnh trong lĩnh vực phần mềm khác biệt khá nhiều so với các đợt chỉnh sửa trước dựa trên “suy giảm nhu cầu / lãi suất tăng”: thị trường dường như đang bàn luận về giá trị cuối cùng — liệu các công ty này còn giữ được lợi nhuận trong vòng mười năm tới hay không, và liệu “hàng rào cạnh tranh” có bị AI “đại lý (agentic)” tái phân chia hay không.

Theo tin từ đài Gió Đầu Tư, nhà phân tích Gabriela Borges của Bộ Nghiên cứu Đầu tư Toàn cầu của Goldman Sachs trong báo cáo ngày 16 đã thẳng thắn viết: “Thị trường đang đặt câu hỏi về hàng rào cạnh tranh và mô hình kinh doanh của phần mềm.” Cô phân tích từng điểm tiêu cực phổ biến nhất của nhà đầu tư, xếp hạng rủi ro từ 1 đến 5, và phân biệt ảnh hưởng đến phần mềm ứng dụng hẹp hay lan rộng ra hạ tầng / lớp an ninh, thậm chí liên quan đến ROI của chi tiêu vốn của các nhà cung cấp đám mây.

Điều thú vị là Goldman không xem “hệ thống phần mềm cấp hệ thống bị AI hoàn toàn thay thế” là rủi ro chính (đánh giá 1). Thay vào đó, có hai hướng lo ngại sắc nét hơn: một là giá trị chuyển dịch từ lớp ghi chép hệ thống (System of Record, SoR) sang “hệ điều hành / lớp phối hợp đại lý” (đánh giá 4), hai là tốc độ tiến bộ công nghệ khiến kết quả cuối cùng khó định giá (đánh giá 5) — tức là khó tìm được “sàn” định giá.

Trong bối cảnh không chắc chắn này, báo cáo đưa ra các tín hiệu rõ ràng: thứ nhất, xem xét hai loại tín hiệu — thứ nhất, các công ty phần mềm có thể chứng minh “kinh nghiệm ngành” thực sự mang lại kết quả đại lý chất lượng cao hơn; thứ hai, khả năng của báo cáo tài chính và các yếu tố cơ bản có thể ổn định hoặc thậm chí cải thiện.

Đợt điều chỉnh phần mềm này, thị trường tập trung vào “tranh luận về giá trị cuối cùng”

Chẩn đoán của Goldman Sachs là: đợt giảm giá từ đầu năm 2026 này chuyển từ “đường cong tăng trưởng ngắn hạn” sang “hàng rào cạnh tranh có bị AI làm mỏng đi hay không”. Chủ đề chính chủ yếu là phần mềm ứng dụng, nhưng cũng bắt đầu lan sang hạ tầng / lớp an ninh, và liên quan đến đầu tư chi tiêu của các nhà cung cấp đám mây.

Vì vậy, cách viết của báo cáo giống như “phân tích luận đề”: xếp hạng rủi ro của bảy luận điểm thị trường gấu từ “người rơm” đến “bằng chứng thép”, đưa ra các điểm số rủi ro, cố gắng trả lời cùng một câu hỏi — còn gì có thể duy trì giá trị cuối cùng.

SoR có thể không bị “xô bàn” quá nhiều, nhưng “giá trị chuyển dịch ra ngoài” lại nguy hiểm hơn

• A: Rủi ro “SoR bị thay thế” rất thấp (đánh giá 1)

Luận điểm gấu đầu tiên là “rip and replace”: các đối thủ mới dùng AI để làm lại lớp ghi chép hệ thống, khiến các hệ thống nền tảng như ERP/CRM/HR trở nên lỗi thời. Goldman Sachs đánh giá rủi ro này thấp, lý do rất rõ ràng: AI dạng sinh ra (generative AI) giống như động cơ phân tích và tạo nội dung hơn là động cơ giao dịch; AI doanh nghiệp cần lượng lớn dữ liệu có cấu trúc, có thể truy xuất nguồn gốc, và SoR chính là nơi chứa đựng và quản lý dữ liệu đó.

Báo cáo cũng thừa nhận rủi ro thay thế thực sự không phải là không có: nếu ai đó xây dựng lại một kiến trúc hiện đại, mở rộng, chi phí sở hữu tổng thấp hơn ở lớp SoR, thì có thể gây ảnh hưởng đến quá trình chuyển đổi. Ví dụ trong nâng cấp đám mây SAP S/4HANA: chuyển đổi quy mô lớn thường mất 18–36 tháng, chi phí cao, thời gian dài, đã tạo ra không gian cho các “thay thế rẻ hơn, nhanh hơn”.

Các “động thái phòng thủ” của Goldman Sachs cũng tập trung vào kiến trúc: SoR cần chuyển từ “sổ cái thụ động” sang “hệ lý luận (system of reason)”, từ “được hỗ trợ bởi AI (có phần mở rộng)” sang “bản địa AI (built-in)”. Một số tín hiệu như Salesforce trong việc tái nền tảng năm 2024, hoặc Workday chuyển từ hệ đóng sang mở, được đề cập.

Một biến số quan trọng khác là giới hạn dữ liệu của doanh nghiệp. Nếu doanh nghiệp tiếp tục “khoanh vùng” lợi thế dữ liệu trong các ứng dụng hiện tại (ví dụ Salesforce điều chỉnh điều khoản API Slack tháng 5/2025, hạn chế huấn luyện LLM và xuất dữ liệu hàng loạt), thì SoR sẽ ổn định hơn về mặt nền tảng, nhưng lợi nhuận từ lớp này có thể bị lấy đi bởi các lớp mới.

• B: Giá trị chuyển dịch từ SoR sang “hệ điều hành / lớp phối hợp đại lý” (đánh giá 4)

Goldman Sachs cho rằng rủi ro thực tế hơn không phải SoR biến mất, mà là SoR trở thành “nền tảng dữ liệu tuân thủ”, tập trung vào khả năng suy luận, gọi API, tự động thực thi quy trình trong lớp phối hợp. Các đại lý có thể đọc/ghi, đối soát giữa nhiều SoR, người dùng không cần truy cập trực tiếp vào giao diện hệ thống cũ nữa, hàng rào cạnh tranh dựa vào UI, quy trình, thói quen người dùng sẽ bị yếu đi.

Báo cáo dùng hình ảnh “ai đứng trên ai” để mô tả thế giới này: Sierra nằm trên Salesforce, Anthropic Cowork nằm trên Microsoft, ngân sách gia tăng có khả năng bị lấy đi nhiều hơn bởi các lớp trên. Goldman Sachs cũng cảnh báo, lý do thị trường đặc biệt nhạy cảm với xu hướng này là trong chu kỳ lãi suất thấp 2020–2021, các công ty ứng dụng mở rộng tài chính/đầu tư có hàng rào cạnh tranh yếu hơn, dễ bị “phi trung gian hóa” hơn.

Cơ hội dành cho các nhà cung cấp truyền thống là “kinh nghiệm lĩnh vực + ngữ cảnh”. Báo cáo trích dẫn lời của một số công ty để làm rõ “tại sao ngữ cảnh lại đáng giá”:

• Microsoft nhấn mạnh việc giữ trong cùng hệ sinh thái giúp giảm độ trễ, đảm bảo cập nhật dữ liệu và cung cấp nhiều ngữ cảnh hơn cho LLM, đồng thời việc di chuyển dữ liệu quy mô lớn thường bị đánh giá thấp về mặt chi phí và rủi ro “đứt đoạn”;
• HubSpot cho rằng điểm yếu chính của AI doanh nghiệp là “thiếu ngữ cảnh”, trong khi lớp ghi chép hệ thống có thể tổng hợp lịch sử khách hàng và thông tin hợp tác, giảm thiểu việc “dạy AI” lặp lại;
• Datadog trong ngày phân tích 2/12 trình bày: SLM huấn luyện bằng dữ liệu nội bộ cho độ chính xác cao hơn, chi phí thấp hơn, nhấn mạnh “kinh nghiệm lĩnh vực” có thể chuyển thành sự khác biệt trong mô hình và kết quả.

Phần mềm chuyên ngành ngắn hạn có khả năng chống đỡ tốt hơn, nhưng “dễ dùng đủ dùng” có thể thay đổi quyền định giá (đánh giá 2)

Luận điểm gấu thứ ba là “platform ngang xâm lấn dọc”: các nền tảng ngang dùng AI để khách tự xây dựng quy trình ngành, từ đó xói mòn quyền định giá của phần mềm dọc. Goldman Sachs đánh giá rủi ro 2, cho rằng các rào cản của phần mềm dọc vẫn còn: dữ liệu đặc thù ngành, tính tích hợp sâu vào quy trình tạo thành SoR, uy tín lâu dài, và các quy định chặt chẽ trong ngành.

Báo cáo lấy ví dụ quy mô dữ liệu của Guidewire: trong số khách hàng của họ, khoảng 7750 tỷ USD phí bảo hiểm tài sản và tai nạn (P&C Insurance DWP) được quản lý bằng ít nhất một sản phẩm của Guidewire, và dữ liệu lịch sử tích lũy chính là rào cản khó sao chép của đối thủ. Goldman Sachs cũng nhấn mạnh “thời gian của khách hàng”: phần mềm dọc tích hợp sâu, khách hàng thường mất nhiều năm mới chuyển đổi, chứ không phải tháng.

Tuy nhiên, rủi ro này không chỉ dừng lại ở đó. Báo cáo cũng liệt kê các tác động mới từ AI ngang: hợp tác của Palantir với AIG, Anthropic trong các ví dụ bảo hiểm; hoặc Intuit ra mắt GenOS, giúp người dùng dễ dàng lập trình quy trình ngành trong các phần mềm kế toán ngang như Quickbooks. Câu hỏi then chốt là: khi AI của nền tảng ngang chỉ “đủ dùng”, chứ không “rõ ràng tốt hơn”, liệu chúng có vẫn hút khách vì dễ tích hợp, ít phân mảnh hơn — điều này trực tiếp ảnh hưởng đến quyền định giá phần mềm dọc dài hạn.

Chi phí mã giảm sẽ thúc đẩy cạnh tranh, nhưng viết ra sản phẩm chưa chắc đã thành lập công ty (đánh giá 2)

Luận điểm gấu thứ tư là “giá mã giảm”. Goldman Sachs thừa nhận công cụ mã hóa AI sẽ giảm rào cản phát triển, thu hút nhiều người mới tham gia, nhưng rủi ro vẫn là 2, vì: kỹ thuật phần mềm không chỉ là viết mã, mà còn là thiết kế, xử lý lỗi, nhận diện rủi ro, kiểm duyệt; công cụ nâng cao hiệu quả không đồng nghĩa với việc mất đi các vị trí phát triển.

Báo cáo còn cung cấp dữ liệu “con người vẫn trong vòng lặp”: nghiên cứu của Faros với 10.000 nhà phát triển cho thấy nhóm dùng AI hoàn thành nhiệm vụ nhiều hơn 21%, gộp pull request nhiều hơn 98%, nhưng thời gian review pull request tăng 91%. Hiệu quả tăng sẽ đẩy bottleneck sang các bước mới, đặc biệt trong giao hàng doanh nghiệp, an toàn, bảo trì, tích hợp, quy trình, xây dựng hệ sinh thái và GTM vẫn là các công việc nặng.

“Tương lai là tùy chỉnh” sẽ lấy đi một phần ngân sách, Palantir biến tùy chỉnh thành nền tảng (đánh giá 3)

Luận điểm gấu thứ năm là “doanh nghiệp thích tự xây dựng hơn”. Kết luận của Goldman Sachs là: giảm chi phí mã không phải lúc nào cũng thay đổi toàn bộ chiến lược build vs buy, nhưng doanh nghiệp sẽ chuyển ngân sách sang tự xây dựng trong một số trường hợp, rủi ro 3. Lý do chính là chi phí bảo trì và trách nhiệm sẽ tích lũy theo thời gian — ngay cả khi hiệu quả đại lý giúp giảm chi phí bảo trì, các nhà cung cấp chuyên nghiệp cũng sẽ giảm chi phí bảo trì theo, và “điểm biên giá trị / chi phí” vẫn thường nằm ở phía nhà cung cấp.

Báo cáo cho rằng khả năng bị tự xây chiếm ưu thế hơn là các phần nằm giữa SoR truyền thống, cần phối hợp nhiều phòng ban, và các phần mềm đóng gói kết nối kém trước đây.

Palantir được xem như hình mẫu của tùy chỉnh: hợp tác xây dựng AI sản xuất cùng khách hàng, nhấn mạnh ROI có thể đo lường được. Báo cáo đưa ra số liệu tăng trưởng của họ: doanh thu thương mại Mỹ của Palantir năm 2025 tăng 109%, dự kiến năm 2026 sẽ tăng tốc lên hơn 115%. Đồng thời, Palantir dựa vào kỹ sư triển khai tuyến đầu (FDE) để dịch ý định khách hàng thành hệ thống vận hành, rồi chuyển đổi các giải pháp đặc thù thành khả năng tái sử dụng; trong bối cảnh còn tranh luận “phần mềm hay dịch vụ”, công ty vẫn duy trì tỷ lệ lợi nhuận gộp khoảng 85%.

Goldman Sachs cũng cảnh báo, làn sóng tự xây dựng của doanh nghiệp có thể sắp đạt “đỉnh cục bộ”: các nhà cung cấp SaaS đang bổ sung khả năng AI, các quy trình quản lý dữ liệu và an toàn (như A2A, MCP) đang tiến triển, và các nhóm IT cũng đang nâng cao năng lực. ServiceNow đã công khai nói rằng họ đang lấy lại ngân sách từng chảy vào “tự xây dựng”.

“Thuế LLM” sẽ làm giảm lợi nhuận gộp: trong 12–24 tháng ngắn hạn là khả thi hơn, còn về lâu dài vẫn là quyền định giá (đánh giá 3)

Luận điểm gấu thứ sáu là cấu trúc lợi nhuận bị thay đổi. Goldman Sachs dự đoán ngành sẽ trải qua 12–24 tháng áp lực lợi nhuận nhẹ nhàng: các nhà cung cấp có thể phải gánh chi phí suy luận GPU và phí API mô hình của bên thứ ba để thúc đẩy adoption. Bởi AI biến “mức độ sử dụng” thành chi phí trực tiếp (tiêu thụ token, độ phức tạp của mô hình, tần suất truy vấn đều tính phí), SaaS chuyển từ đòn bẩy chi phí cố định sang mô hình “định giá theo tiêu dùng”.

Báo cáo trích dẫn quan sát của Bessemer: một số công ty AI nguyên sinh đạt từ 0 lên 100 triệu USD ARR có lợi nhuận khoảng 25%, nhiều công ty còn âm; các công ty trưởng thành hơn cũng có lợi nhuận khoảng 60%, vẫn thấp hơn các SaaS truyền thống.

Tuy nhiên, Goldman Sachs không xem đó là sự sụp đổ vĩnh viễn: báo cáo dẫn dữ liệu của Epoch AI, chi phí suy luận LLM giảm từ 9 lần đến 900 lần mỗi năm; giá để đạt hiệu suất gần GPT-4 của MMLU giảm khoảng 40 lần mỗi năm. Khả năng lợi nhuận dài hạn có thể hồi phục vẫn phụ thuộc vào “quyền định giá = khác biệt hóa”. Báo cáo cũng nhấn mạnh lợi thế cấu trúc của Microsoft: tích hợp dọc, cộng tác với OpenAI, giúp họ có thể thu lợi nhiều hơn trong chuỗi giá trị, giảm thất thoát “thuế LLM” của bên thứ ba.

Điều khó định giá nhất là tốc độ công nghệ: sự không chắc chắn này chính là áp lực lên định giá (đánh giá 5)

Luận điểm gấu thứ bảy được Goldman Sachs đánh giá là rủi ro cao nhất: quá trình phát triển công nghệ quá nhanh, kết quả cuối cùng khó dự đoán. Báo cáo liệt kê các cập nhật gần đây — Anthropic (Cowork, Opus 4.6, plugin ngành), OpenAI (Frontier, OpenClaw), Google DeepMind (Deep Think), Meta (Avocado). Trích dẫn quan điểm của Bridgewater trong whitepaper tháng 11/2025: quy luật mở rộng pretraining vẫn còn hiệu lực; đồng thời liệt kê các cập nhật mô hình gần đây và điểm chuẩn (như GPQA Diamond với nhiều mô hình >90%).

Báo cáo dùng hai “điểm ngoặt của băng dính” để minh họa tính không thể dự đoán: ChatGPT đưa khả năng vào giao diện dễ dùng, giúp phổ cập rộng rãi; Cowork đẩy khả năng ra giao diện GUI trên desktop, khiến người dùng phi kỹ thuật bắt đầu thử nghiệm. Đưa xa hơn, các mô hình tự quản lý như OpenClaw được mô tả trong cuộc đối thoại với CEO Cloudflare Matthew Prince là: trong vòng ba năm tới, có thể bắt kịp tốc độ lan truyền của ChatGPT trong ba năm qua, còn hạn chế chính trong doanh nghiệp là an toàn.

Sự không chắc chắn này cũng có thể tạo ra TAM mới. Báo cáo trích dẫn ví dụ của nhóm MAI của Microsoft: MAI-DxO trong các thử thách lâm sàng của Tạp chí Y học New England đạt tỷ lệ thành công 85%, và ước tính TAM dựa trên việc nhập dữ liệu ban đầu vào ChatGPT là từ 50 đến 100 tỷ USD mỗi năm (kịch bản cao là 150–200 tỷ USD). Nhưng điểm của Goldman Sachs không phải “đặt cược vào kết quả cuối cùng nào”, mà là thừa nhận: chính sự không biết này khiến giá trị cuối cùng khó định hình hơn, và độ không chắc chắn cao thường đi kèm với hệ số định giá thấp hơn.

Các tín hiệu để “ổn định” mà họ xem xét là: chứng cứ về thực thi kinh nghiệm lĩnh vực, và khả năng duy trì hoặc cải thiện các yếu tố cơ bản

Goldman Sachs rút gọn các tín hiệu ổn định có thể quan sát được thành hai điểm: Thứ nhất, các công ty phần mềm doanh nghiệp có thể chứng minh bằng sản phẩm và ví dụ rằng, kinh nghiệm lĩnh vực thực sự mang lại kết quả đại lý chất lượng cao hơn; thứ hai, khả năng của báo cáo tài chính có thể ổn định hoặc cải thiện, đặc biệt qua các mùa báo cáo. Trước đó, họ thiên về “hàng rào bảo vệ kiến trúc” — hàng rào không chỉ nằm ở giao diện và quy trình làm việc, mà còn mở rộng đến các cấu trúc công nghệ và nền tảng thấp hơn.

Các nội dung này trích từ đài Gió Đầu Tư.

Để có các phân tích chi tiết hơn, bao gồm cập nhật theo thời gian thực, nghiên cứu hàng đầu, vui lòng tham gia【**Đài Gió Đầu Tư▪Thành viên hàng năm**】

![](https://img-cdn.gateio.im/social/moments-405e5113af-27450a9e61-8b7abd-d8d215)

Lưu ý rủi ro và điều khoản miễn trừ trách nhiệm

Thị trường có rủi ro, đầu tư thận trọng. Bài viết này không phải là khuyến nghị đầu tư cá nhân, cũng chưa xem xét các mục tiêu, tình hình tài chính hoặc nhu cầu đặc thù của từng người dùng. Người dùng cần tự chịu trách nhiệm khi xem xét các ý kiến, quan điểm hoặc kết luận trong bài viết này phù hợp với tình hình của mình.