5 cấp độ tự chủ của AI Agent: một khung tư duy để thiết kế mức độ can thiệp của con người

Khi các sản phẩm agent như OpenAI Operator, Cognition’s Devin hay Google Deep Research liên tục ra mắt, “tự chủ” (autonomy) thường được nhắc tới như một cột mốc năng lực — agent càng thông minh thì càng nên được trao càng nhiều quyền tự quyết. Bài luận “Levels of Autonomy for AI Agents” của K. J. Kevin Feng, David W. McDonald và Amy X. Zhang (Đại học Washington, công bố trong chuỗi tiểu luận “AI and Democratic Freedoms” của Viện Tu chính án thứ Nhất Knight) phản bác quan điểm này: mức độ tự chủ của một agent không nhất thiết phải song hành với năng lực của nó, mà là một quyết định thiết kế mà nhà phát triển có thể lựa chọn độc lập.

Vì sao cần tách bạch “năng lực” và “tự chủ”

Nhóm tác giả phân biệt rõ hai khái niệm dễ bị nhầm lẫn:

• Agency (năng lực hành động) — khả năng hình thành và thực hiện một ý định, phụ thuộc vào tập công cụ mà agent có quyền truy cập (ví dụ chỉ gọi được máy tính bỏ túi, hay có thể duyệt web, chạy code, thao tác giao diện).
• Autonomy (tự chủ) — mức độ agent được thiết kế để hoạt động mà không cần sự tham gia của người dùng.

Hai khái niệm này độc lập với nhau: một agent có thể có agency cao (truy cập nhiều công cụ mạnh) nhưng tự chủ thấp nếu nó buộc phải xin ý kiến người dùng trước mỗi hành động; ngược lại, một agent chạy nền liên tục xử lý khối lượng lớn tác vụ mà không có giám sát vẫn có thể tự chủ cao dù công cụ nó dùng khá hạn chế. Chính vì tách bạch được hai trục này, nhóm tác giả lập luận rằng tự chủ nên được xem là một tham số cấu hình mà nhà phát triển chủ động lựa chọn dựa trên use case và trải nghiệm người dùng mong muốn — không phải một hệ quả tự động khi mô hình ngày càng giỏi hơn.

Khung 5 cấp độ, lấy vai trò người dùng làm trung tâm

Điểm khác biệt cốt lõi so với các khung phân loại tự chủ khác (vốn thường neo vào năng lực hoàn thành tác vụ) là cách tiếp cận lấy người dùng làm trung tâm: mỗi cấp độ được định nghĩa bởi câu hỏi “vai trò của người dùng là gì khi tương tác với agent?” — áp dụng được cho cả tương tác người-agent lẫn hệ thống đa agent (nơi “người dùng” của một agent có thể là một agent khác).

L1 — Operator (Người vận hành)

Người dùng nắm quyền chỉ đạo và ra quyết định xuyên suốt; agent đóng vai trò hỗ trợ theo yêu cầu, giống ẩn dụ “copilot” (Microsoft Copilot là ví dụ điển hình). Agent không tự lên kế hoạch dài hạn, không đưa ra quyết định mang tính chủ quan thay người dùng, và nếu có đề xuất hành động thì cũng chỉ thực thi sau khi được duyệt. Phù hợp nhất với các quy trình có mức độ rủi ro/chuyên môn cao, hoặc khi người dùng đang trong quá trình học/rèn kỹ năng và muốn tự mình làm chủ workflow.

L2 — Collaborator (Cộng tác viên)

Người dùng và agent cùng lên kế hoạch, phân công và thực thi song song — đây là cấp độ có tần suất giao tiếp qua lại nhiều nhất. Người dùng có thể chỉnh sửa trực tiếp kết quả của agent, và quan trọng là có thể giành lại quyền kiểm soát bất cứ lúc nào nếu thấy agent đi chệch hướng hoặc “ảo giác”. OpenAI Operator được xếp vào cấp độ này.

L3 — Consultant (Cố vấn)

Agent chủ động lập kế hoạch và thực thi phần lớn công việc trong một khung thời gian dài hơn; người dùng chuyển từ vai trò cộng tác trực tiếp sang cung cấp phản hồi, ưu tiên và chuyên môn khi được hỏi ý kiến. Khác với L2, người dùng không có cơ chế trực tiếp “giành quyền” — chỉ có thể yêu cầu thay đổi gián tiếp qua tin nhắn. Google Deep Research và Replit Agent là ví dụ.

L4 — Approver (Người phê duyệt)

Vai trò người dùng trở nên thụ động hơn hẳn: agent chỉ chủ động liên hệ khi gặp bế tắc không tự giải quyết được — cần thông tin xác thực (API key, mật khẩu) hoặc cần chữ ký duyệt cho một hành động có hệ quả đáng kể. Người dùng có thể định sẵn những điều kiện nào cần xin duyệt trước khi agent bắt đầu làm việc. Devin và Manus được xếp vào nhóm này.

L5 — Observer (Người quan sát)

Cấp độ tự chủ cao nhất: agent tự lập kế hoạch và thực thi toàn bộ tác vụ, không có cơ chế nào để người dùng can thiệp vào tiến trình ngoài việc theo dõi qua nhật ký hoạt động. Công cụ kiểm soát duy nhất là nút tắt khẩn cấp (emergency off-switch). Nhóm tác giả lưu ý L5 phù hợp nhất khi tác vụ quá phức tạp để người dùng có thể can thiệp hữu ích, hoặc khi agent hoạt động trong môi trường sandbox cách ly hoàn toàn khỏi thế giới thực.

Điều quan trọng nhóm tác giả nhấn mạnh: cấp độ cao hơn không đồng nghĩa “tốt hơn”. Mỗi cấp độ có đánh đổi riêng về hiệu quả, khả năng giải trình (accountability), chi phí giám sát, và giá trị của việc con người tự tay thực hiện một phần công việc (ví dụ để rèn kỹ năng). Lựa chọn cấp độ phù hợp phụ thuộc vào bản chất tác vụ, mức độ rủi ro, và trải nghiệm mà nhà phát triển muốn mang lại — không phải một thang điểm để agent “leo” lên cao nhất có thể.

Ứng dụng: Autonomy Certificate — chứng chỉ tự chủ cho agent

Từ khung 5 cấp độ, nhóm tác giả đề xuất một cơ chế quản trị mới: autonomy certificate — một văn bản số do một tổ chức thứ ba (cơ quan nhà nước, tổ chức phi lợi nhuận, hoặc doanh nghiệp) cấp cho nhà phát triển agent, xác nhận mức tự chủ tối đa mà agent được phép vận hành, gắn với một tập cấu hình kỹ thuật (mô hình, prompt, công cụ) và môi trường triển khai cụ thể.

Quy trình được đề xuất tương tự khái niệm “safety case” đã có trong lĩnh vực an toàn AI: nhà phát triển nộp một “autonomy case” — bằng chứng có luận cứ rằng agent hành xử đúng ở một mức tự chủ nhất định và không cao hơn — cùng với một bản triển khai thử nghiệm riêng tư cho tổ chức cấp chứng chỉ đánh giá. Nếu đạt yêu cầu, chứng chỉ ở mức tương ứng được cấp; nếu không, nhà phát triển cần cập nhật lại agent hoặc hồ sơ.

Giá trị thực tiễn của cơ chế này nằm ở ba điểm:

• Đánh giá rủi ro có mục tiêu hơn. Thay vì dùng ngưỡng nhị phân “hoàn thành/không hoàn thành” một tác vụ nhiều bước như nhiều khung an toàn hiện nay (bao gồm Responsible Scaling Policy của Anthropic hay Frontier Safety Framework của DeepMind), có thể đánh giá theo mức độ tự chủ cụ thể — một agent L5 tự tạo ra doanh thu hoàn toàn tự động khác về bản chất rủi ro so với một agent L4 chỉ cần một cú duyệt đơn giản để làm điều tương tự, dù kết quả cuối cùng như nhau.
• Thiết kế hệ thống đa agent hiệu quả hơn. Biết trước mức tự chủ của từng agent giúp dự đoán agent nào phối hợp tốt với agent nào — một hệ thống toàn agent L1 sẽ “đứng chờ” lẫn nhau vì không ai chủ động, còn một hệ thống toàn agent L5 có thể khó điều khiển, khó debug do giao tiếp quá thưa.
• Chứng chỉ cần được làm mới khi cấu hình kỹ thuật hoặc môi trường vận hành của agent thay đổi, vì những thay đổi này có thể làm lệch hành vi tương tác đã được chứng nhận trước đó.

Đánh giá tự chủ: assisted evaluation

Một câu hỏi mở quan trọng còn lại: làm sao đo được agent đang vận hành ở mức tự chủ nào? Các benchmark năng lực hiện tại (OSWorld, TheAgentCompany, DiscoveryWorld…) chỉ đo được độ chính xác hoàn thành tác vụ, không đo được mức độ can thiệp của người dùng cần thiết để đạt độ chính xác đó.

Nhóm tác giả đề xuất assisted evaluation: thay vì để agent làm việc một mình, một “standby user” (có thể là người thật hoặc agent khác đóng vai người dùng) sẽ hỗ trợ khi được agent yêu cầu. Quy trình gợi ý gồm ba bước — chạy agent hoàn toàn độc lập trước (nếu đạt ngưỡng thành công T thì xếp L5); nếu chưa đạt, tăng dần mức độ hỗ trợ của người dùng qua các vòng tiếp theo (L4 rồi L3…) cho tới khi agent đạt ngưỡng T; cuối cùng, phân tích nhật ký mức độ tham gia của người dùng ở vòng thành công để xác định cấp độ tự chủ tương ứng. Cách tiếp cận này cho phép đo tự chủ như một thuộc tính tách biệt nhưng song hành với năng lực, đúng với tinh thần cốt lõi của toàn bộ khung lý thuyết.

Vì sao khung này đáng chú ý

Đóng góp lớn nhất của bài luận không nằm ở việc đưa ra thêm một cách chia bậc — thị trường vốn đã quen với các thang bậc kiểu SAE Level 0-5 cho xe tự lái — mà ở việc định nghĩa lại chính biến số cần chia bậc: thay vì đo “agent làm được gì”, khung này đo “người dùng còn phải làm gì”. Cách đóng khung này biến tự chủ từ một chỉ số năng lực mặc nhiên tăng theo thời gian, thành một tham số thiết kế mà nhà phát triển sản phẩm AI hoàn toàn có thể chủ động điều chỉnh xuống thấp — kể cả với mô hình rất mạnh — khi bài toán đòi hỏi độ tin cậy, khả năng giải trình, hoặc việc giữ con người tham gia vào vòng lặp quan trọng hơn tốc độ tự động hoá.