Lỗ hổng nghiêm trọng khiến người dùng ChatGPT Atlas có thể bị đánh cắp dữ liệu với mã độc

Tự động hóa báo cáo Excel và Google Sheets không còn là đặc quyền của các kỹ sư lập trình. Với sự phát triển vượt bậc của các mô hình AI như GPT thì bây giờ nhân viên văn phòng giờ đây có thể tự tạo ra các công cụ tự động hóa công việc chỉ bằng các câu lệnh đơn giản với Codex, giải phóng hàng giờ đồng hồ làm việc lặp đi lặp lại mỗi ngày. Vì sao công thức Excel và VBA không còn đủ Với những báo cáo lặp lại mỗi tuần hay các hàm tự động kết nối với mail, slack, zalo.., các phương pháp truyền thống như viết hàm Excel lồng nhau hay ghi macro VBA (Visual Basic for Applications) đòi hỏi kiến thức kỹ thuật nhất định và rất dễ vỡ khi cấu trúc file nguồn thay đổi dù chỉ một cột. Đây chính là khoảng trống mà OpenAI Codex lấp vào: bạn mô tả chính xác việc cần làm bằng ngôn ngữ tự nhiên, Codex sinh ra mã Python hoặc Google Apps Script hoàn chỉnh để thực thi trong vài giây. Codex không phải một sản phẩm duy nhất Điểm dễ gây nhầm lẫn là Codex hiện có thể sử dụng theo rất nhiều cách CLI chạy trong terminal, extension tích hợp trong các IDE như VS Code, Codex Web chạy trên cloud tại https://chatgpt.com/codex/cloud giành cho những lập trình viên và ai biết về code ngoài ra còn có ứng dụng desktop cho cả macOS lẫn Windows. Với dân văn phòng không rành dòng lệnh, cách dễ bắt đầu nhất là tải Codex desktop app về máy, ứng dụng cho phép quản lý nhiều agent cùng lúc ngay trên giao diện, không cần mở Terminal hay tự cấu hình API key, chỉ cần đăng nhập bằng tài khoản ChatGPT sẵn có. Một prompt mẫu sẽ như thế nào Bạn chỉ cần cung cấp cho Codex một câu prompt chi tiết như sau: "Hãy viết đoạn mã Python đọc tệp Excel 'sales_raw.xlsx', lọc ra các đơn hàng có trạng thái 'Completed', tính tổng doanh thu theo từng chi nhánh và xuất kết quả ra tệp 'bao_cao_doanh_thu.xlsx' với hàng tiêu đề được tô màu xanh dương đậm." Codex sẽ lập tức viết ra đoạn mã chuẩn mực, bạn chỉ việc chạy script và nhận về kết quả báo cáo hoàn hảo. Tự động hóa báo cáo Excel cục bộ với Python và Codex Với file Excel lưu trên máy, sự kết hợp giữa Codex và hai thư viện Python phổ biến là pandas cùng openpyxl đem lại tốc độ xử lý vượt trội. Pandas xử lý hàng trăm nghìn dòng dữ liệu chỉ trong vài giây, trong khi openpyxl đảm nhận việc định dạng ô tính, tô màu tiêu đề và chèn công thức đúng như ví dụ ở trên đã minh họa. Tự động hóa Google Sheets trên đám mây Khi công ty làm việc trên Google Sheets thay vì file Excel offline, thư viện Python gspread hoặc Google Apps Script là lựa chọn phù hợp hơn. Codex có thể viết mã kết nối trực tiếp với Google Sheets API thông qua Service Account (file JSON xác thực) để đọc và ghi dữ liệu liên tục mà không cần mở trình duyệt. Một luồng công việc mẫu Tự động kéo dữ liệu mới từ Google Form về bảng tính Tự động phân loại phản hồi khách hàng theo mức độ ưu tiên Tự động gửi email tổng hợp cho ban giám đốc vào 17:00 mỗi ngày Toàn bộ luồng này chạy nền, không cần ai chạm tay vào bàn phím sau khi đã thiết lập một lần. Quy trình 4 bước triển khai cho người không biết code Bước 1 - Chuẩn hóa dữ liệu đầu vào: đảm bảo file Excel hoặc Google Sheets có hàng tiêu đề rõ ràng, không merge ô tùy tiện. Bước 2 - Viết prompt rõ ràng cho Codex: nêu cụ thể tên file, tên cột dữ liệu, bước lọc/tính toán và định dạng đầu ra mong muốn. Bước 3 - Chạy thử và dán lỗi để AI tự sửa: nếu script báo lỗi, copy toàn bộ thông báo lỗi (traceback) dán lại cho Codex để nó tự chỉnh sửa. Bước 4 - Lập lịch chạy tự động: dùng Windows Task Scheduler (Windows) hoặc Cron job (macOS/Linux) để script tự chạy theo mốc giờ cố định. Rủi ro cần lường trước khi giao báo cáo cho AI Codex thông minh nhưng không miễn phí hoàn tuy nhiên các thao tác đơn giản với excel hoặc google sheets không làm mất quá nhiều quota cho nên nếu sử dụng ít thì hoàn toàn có thể dùng gói miễn phí còn nếu cần các tác vụ nặng hơn thì có thể cân nhắc mua gói Plus và Pro không nên chọn gói Go vì Codex làm việc ở gói này không khác gói miễn phí là bao. Tuyệt đối không dán mật khẩu hệ thống, dữ liệu tài chính hay thông tin khách hàng thật vào ô chat của công cụ AI công cộng. Khi nhờ Codex viết code, hãy thay bằng dữ liệu giả lập (dummy data) có cùng cấu trúc. Với các xác thực quan trọng như số tiền hay công thức tính thuế, đừng tin tuyệt đối vào code Codex sinh ra ngay từ lần đầu. Hãy đối soát kết quả trong 1-2 lần chạy đầu tiên để chắc chắn logic khớp với yêu cầu nghiệp vụ thực tế của công ty bạn. Tự động hóa báo cáo bằng Codex không biến bạn thành lập trình viên, và cũng không nên được xem là vậy. Giá trị thực sự nằm ở việc bạn hiểu rõ dữ liệu và quy trình của mình đủ để mô tả chính xác cho AI bởi phần viết code, Codex đã lo. Nếu công ty bạn có báo cáo lặp lại mỗi tuần, việc đáng làm ngay là chọn một báo cáo đơn giản nhất, thử viết prompt theo mẫu ở trên và chạy thử trong chính buổi làm việc hôm nay.

Tháng 3/2026, SDK của Model Context Protocol (MCP) chạm mốc 97 triệu lượt tải mỗi tháng, tăng gấp 970 lần chỉ sau 18 tháng ra mắt. OpenAI, Google DeepMind, Microsoft, AWS đều đã lần lượt tích hợp MCP vào sản phẩm của mình, và đến tháng 12/2025, chính Anthropic quyết định trao MCP cho Linux Foundation quản lý để nó trở thành chuẩn chung của cả ngành. Đây không còn là một dự án nội bộ của Anthropic mà là hạ tầng mà gần như toàn bộ ngành AI đang xây dựng dựa trên đó. MCP là gì? Model Context Protocol (MCP) là một giao thức mở do Anthropic công bố vào tháng 11/2024, giúp các AI model kết nối với dữ liệu và công cụ bên ngoài như Gmail, GitHub, Notion, database nội bộ, theo một chuẩn chung duy nhất thay vì mỗi bên tự viết tích hợp riêng. Cách dễ hình dung nhất là so sánh MCP với cổng USB-C. Trước khi có USB-C, mỗi thiết bị dùng một loại cổng sạc riêng và bạn phải mang theo cả đống dây cáp khác nhau cực kì rối rắm rồi USB-C xuất hiện giúp mọi thiết bị chỉ cần duy nhất một loại cổng có thể cắm vào bất kỳ đâu. MCP làm điều tương tự cho AI mang đến sự tiện lợi khi có thể kết nối với bất kỳ công cụ, nền tảng hay nguồn dữ liệu nào hỗ trợ chuẩn này, không cần code riêng cho từng cặp model và công cụ hay nền tảng. MCP hoạt động như thế nào? Kiến trúc host-client-server MCP không chỉ có hai lớp client-server đơn giản như mọi người vẫn nghĩ mà thực chất chia làm ba vai trò rõ ràng: Host: ứng dụng AI mà bạn dùng trực tiếp, ví dụ Claude Desktop, Claude Code, hay một IDE có tích hợp AI. Host giống như bộ não đóng vai trò điều phối trung tâm, quản lý quyền truy cập và chính sách bảo mật cho toàn bộ phiên làm việc. Client: thành phần do host khởi tạo, mỗi client kết nối với đúng một server và xử lý giao tiếp hai chiều giữa host và server đó. Server: là máy chủ kết nối trực tiếp với công cụ, nền tảng gốc (như Google Drive, Slack, Email, Calendar, Database). Server đóng vai trò bóc tách và cung cấp khả năng thực thi cho AI. Khi bạn kết nối 3 MCP server trong Claude Desktop, thực chất Host đang quản lý 3 client riêng biệt, mỗi client nói chuyện với đúng một server. Ba thành phần chính: tools, resources, prompts Tools: các hàm mà AI có thể gọi để thực hiện hành động, ví dụ send_email, create_issue, search_database. Resources: dữ liệu mà AI có thể đọc bổ sung ngữ cảnh cho LLM, đó có thể là file hoặc bản ghi hoặc nội dung một trang Notion hay cơ sở dữ liệu. Prompts: các câu lệnh dựng sẵn mà server cung cấp để hướng dẫn AI dùng tool đúng cách cho một tác vụ cụ thể hoặc có thể giúp người dùng kích hoạt nhanh hơn. Một ví dụ cụ thể Giả sử bạn hỏi Claude "email nào gần đây nhắc đến hợp đồng ABC?". Claude Desktop (Host) khởi tạo client kết nối tới MCP server của Gmail. Server này gọi Gmail API để tìm email liên quan, sau đó trả kết quả về theo format MCP chuẩn. Claude đọc kết quả đó và trả lời bạn bằng ngôn ngữ tự nhiên. Với quy trình nhiều bước hơn, ví dụ tóm tắt một video YouTube rồi lưu bản tóm tắt vào Google Drive, Claude sẽ lần lượt gọi hai MCP server khác nhau trong cùng một tác vụ, hoàn toàn không cần bạn tự chuyển đổi qua lại giữa các công cụ. MCP không tự nó tạo ra sự thông minh, thực chất nó chỉ là một lớp kết nối chuẩn hóa. Chất lượng câu trả lời vẫn phụ thuộc vào model đứng sau và vào cách MCP server đó thực hiện công cụ của mình. MCP khác gì so với API hay plugin truyền thống? Trước khi có MCP, nếu bạn muốn 5 AI model khác nhau (Claude, GPT, Gemini, Llama, Mistral) đều kết nối được với 5 dịch vụ (Gmail, Slack, GitHub, Notion, Jira), về lý thuyết bạn cần viết tới 25 bộ tích hợp riêng biệt, mỗi cặp model-dịch vụ một kiểu. Đây gọi là bài toán N×M. MCP giải quyết bài toán này bằng cách chuẩn hóa giao thức ở giữa, ở đây chúng ta chỉ cần viết một MCP server duy nhất và mọi AI model hỗ trợ MCP đều dùng được ngay. Số lượng tích hợp cần thiết giảm từ N×M xuống còn N+M. Plugin truyền thống: mỗi nền tảng AI có hệ plugin riêng (ví dụ GPT Actions, Claude tool use tự viết), không dùng chéo được giữa các nền tảng. API truyền thống: developer phải tự đọc tài liệu, tự viết code riêng gọi API, tự xử lý authentication cho từng dịch vụ tất nhiên giao tiếp thường chỉ một chiều theo yêu cầu-phản hồi cố định. MCP: đã là một chuẩn chung, tức là chỉ cần viết một lần có thể dùng được trên toàn bộ hệ sinh thái AI hỗ trợ MCP, đồng thời hỗ trợ giao tiếp hai chiều liên tục, tức AI vừa có thể kéo dữ liệu về (đọc lịch làm việc) vừa đẩy hành động ra (tạo sự kiện mới) trong cùng một phiên làm việc. Khi nào API truyền thống vẫn tốt hơn MCP? MCP linh hoạt không có nghĩa nó luôn là lựa chọn hàng đầu. Với những hệ thống cần độ chính xác tuyệt đối và hành vi có thể dự đoán trước, ví dụ nghiệp vụ ngân hàng như kiểm tra số dư hay chuyển khoản, API truyền thống với luồng xử lý cố định, được kiểm soát chặt từng bước vẫn là lựa chọn an toàn hơn. MCP phù hợp nhất khi bạn cần AI tự quyết định gọi tool nào, theo thứ tự nào, dựa trên ngữ cảnh hội thoại, chứ không phải cho các giao dịch đòi hỏi quy trình cứng và kiểm soát rủi ro nghiêm ngặt. Vì sao cả ngành AI đang đua nhau làm MCP? Tốc độ áp dụng MCP là điều hiếm thấy với một chuẩn công nghệ mới. Tháng 3/2025, OpenAI chính thức hỗ trợ MCP trong Agents SDK và ChatGPT desktop, dù đây là đối thủ trực tiếp của Anthropic. Giữa năm 2025, Google DeepMind tích hợp MCP vào Gemini API. Microsoft đưa MCP support vào VS Code Copilot đạt bản GA vào tháng 7/2025. Bước ngoặt lớn nhất diễn ra ngày 9/12/2025, khi Anthropic trao MCP cho Agentic AI Foundation (AAIF) thuộc Linux Foundation quản lý. OpenAI, Block cùng đứng ra làm đồng sáng lập, còn AWS, Google, Microsoft, Cloudflare, Bloomberg tham gia với vai trò thành viên platinum. Đây là tín hiệu rõ ràng nhất rằng MCP không còn là sân nhà của Anthropic nữa mà trở thành hạ tầng chung mà cả các đối thủ cạnh tranh cũng muốn cùng xây dựng thay vì tự làm bản riêng. Ngay cả các doanh nghiệp phần cứng cũng không đứng ngoài cuộc chơi và cũng đã tham gia mở cổng MCP cho các thiết bị của mình. Ví dụ như các hãng đồng hồ thông minh, máy đo nhịp tim. Đến tháng 7/2026, MCP tung ra bản cập nhật spec lớn nhất từ trước tới giờ (2026-07-28), với protocol core chuyển sang stateless, thêm Extensions framework và cơ chế authorization theo chuẩn OAuth/OpenID Connect, giải quyết những rào cản cuối cùng khiến doanh nghiệp lớn còn e ngại khi triển khai production. Tính đến năm 2026, hơn 10.000 MCP server công khai đang chạy thực tế, và 28% doanh nghiệp Fortune 500 đã triển khai MCP server của riêng mình. Một chỉ dấu đáng chú ý: OpenAI đã khai tử Assistants API độc quyền của chính mình để chuyển hẳn sang MCP, với deadline ngừng hỗ trợ vào giữa 2026. Khi đối thủ cạnh tranh trực tiếp chọn bỏ chuẩn riêng để dùng chuẩn mở của Anthropic, đó là bằng chứng thị trường rõ ràng hơn bất kỳ tuyên bố nào. Ứng dụng thực tế: dùng MCP với Claude như thế nào? Với người dùng Claude.ai hoặc Claude Desktop, kết nối MCP server không đòi hỏi biết code. Vào Settings → Extensions, bạn sẽ thấy danh sách MCP server có sẵn (Google Drive, Notion, Slack, GitHub, Asana...) hoặc có thể thêm server tùy chỉnh bằng URL. Sau khi kết nối, Claude tự động biết khi nào cần gọi tool nào dựa trên câu hỏi của bạn. Một vài use case cụ thể mà mình dùng hàng ngày cho công việc biên tập 4AIVN: Claude + Google Drive MCP: hỏi trực tiếp "tìm file outline bài về Gemini 3.7 tuần trước" thay vì tự mở Drive tìm thủ công. Claude + GitHub MCP: kiểm tra pull request, đọc issue mà không cần rời khỏi cửa sổ chat. Claude + Notion MCP: cập nhật database content calendar ngay trong lúc đang trao đổi ý tưởng bài viết. Mỗi MCP server bạn kết nối đều được cấp quyền đọc/ghi vào dữ liệu thật của bạn. Trước khi bật một server lạ, kiểm tra kỹ nó do ai phát triển và nó xin quyền truy cập những gì, đặc biệt với server không nằm trong danh sách chính thức. MCP chắc chắn sẽ còn phát triển hơn nữa Điều đáng chú ý nhất về MCP không phải bản thân giao thức, mà tốc độ nó đang trở thành tiêu chuẩn ngầm định khi người dùng chọn công cụ AI. Giống cách người mua laptop giờ mặc định hỏi "có cổng USB-C không", trong 1-2 năm tới, câu hỏi “công cụ này có MCP server không" nhiều khả năng sẽ trở thành tiêu chí đánh giá bất kỳ SaaS hay thiết bị nào, không riêng gì phần mềm AI. Đây không còn là cuộc chơi riêng của OpenAI, Google hay Anthropic, mà đã lan tới cả các nào muốn tích hợp AI, doanh nghiệp nào chưa có MCP, dù sản phẩm tốt đến đâu, cũng đang tự đặt mình vào thế bất lợi khi người dùng ngày càng quen với việc hỏi thẳng AI thay vì tự mở app tra cứu. Phần này đối với các công ty vừa và nhỏ, kể cả ở Việt Nam, đây thực ra là cơ hội nhiều hơn là áp lực. Viết một MCP server không đòi hỏi hạ tầng khổng lồ như tự build một AI model, chỉ cần bọc lớp API sẵn có theo đúng chuẩn MCP là đủ để sản phẩm "nói chuyện" được với Claude, ChatGPT hay bất kỳ AI client nào hỗ trợ giao thức này. Ai làm trước, người đó có lợi thế trong giai đoạn người dùng vẫn còn đang hình thành thói quen.

Chỉ hai tuần sau khi Kimi K3 ra mắt, OpenAI cắt giá API GPT-5.6 Luna tới 80%. Đây không phải là bằng chứng OpenAI phản ứng trực tiếp với Kimi K3, nhưng là dấu hiệu rõ ràng cho thấy cuộc đua AI năm 2026 đang dịch chuyển từ "ai thông minh hơn" sang "ai rẻ hơn với hiệu năng tương đương". OpenAI cắt giá API mạnh tay, Luna giảm tới 80% Từ ngày 30/7, OpenAI điều chỉnh giá API cho dòng GPT-5.6. GPT-5.6 Luna, phiên bản nhanh và có giá thấp nhất trong ba tier, giảm 80%, còn 0,20 USD cho mỗi triệu token input và 1,20 USD cho mỗi triệu token output. Terra, phiên bản cân bằng cho công việc hằng ngày, giảm 20%, còn 2 USD/12 USD cho mỗi triệu token input/output. GPT-5.6 Sol, flagship của dòng này, giữ nguyên giá nhưng có thêm Fast mode thay cho Priority Processing. Theo OpenAI, Fast mode xử lý nhanh hơn tối đa 2,5 lần so với Standard với giá gấp đôi, trong khi năng lực model không thay đổi. Mức giá mới cũng được phản ánh vào cách tính credit trên ChatGPT Work và Codex. Người dùng Terra hoặc Luna qua các gói này sẽ tiêu tốn ít credit hơn cho cùng một khối lượng công việc, dù giá gói thuê bao không đổi. Bạn có thể xem chi tiết giá mới tại thông báo chính thức của OpenAI. Có phải OpenAI đang chịu áp lực từ Kimi K3? OpenAI không nhắc trực tiếp đến Kimi K3 trong thông báo, vì vậy không thể khẳng định đợt giảm giá là phản ứng với riêng model này. Tuy nhiên, thời điểm của hai sự kiện khiến nhận định đó có cơ sở để bàn luận. Ngày 16/7, Moonshot AI ra mắt Kimi K3, một model open-weight có cửa sổ ngữ cảnh 1 triệu token. Chỉ trong vài ngày, Kimi K3 gây chú ý trong cộng đồng developer vì giá API cạnh tranh và hiệu năng cao hơn nhiều kỳ vọng dành cho một model có trọng số mở. Kimi K3 tiệm cận GPT-5.6 Sol ở đâu? Trên một số bảng benchmark, Kimi K3 tiệm cận GPT-5.6 Sol bản max; khoảng cách tổng thể vẫn còn, nhưng nhỏ hơn đáng kể so với kỳ vọng trước đây về một model open-weight. Kimi K3 còn dẫn đầu ở một vài thước đo cụ thể như FrontierSWE, BrowseComp và Frontend Code Arena, trong khi giá API ở mức 3 USD/15 USD cho mỗi triệu token input/output, thấp hơn Sol. Sol vẫn có lợi thế ở nhiều benchmark tổng hợp và có chế độ Ultra multi-agent đạt 91,9% trên Terminal-Bench 2.1. Dù vậy, việc một model open-weight áp sát flagship đóng của OpenAI với mức giá thấp hơn đã tạo ra áp lực cạnh tranh thực sự, nhất là với doanh nghiệp và developer nhạy cảm với chi phí vận hành dài hạn. Bạn có thể so sánh các model trên bảng xếp hạng 4AIVN. Việc liên hệ đợt giảm giá với Kimi K3 là nhận định dựa trên thời điểm và bối cảnh thị trường, không phải xác nhận chính thức từ OpenAI. Bức tranh giá AI toàn ngành đang thay đổi Kimi K3 không phải là áp lực duy nhất. DeepSeek tiếp tục theo đuổi chiến lược giá thấp: DeepSeek V4 Flash được niêm yết ở mức 0,14 USD/0,28 USD mỗi triệu token, còn DeepSeek V4 Pro ở mức 0,435 USD/0,87 USD; cả hai đều đi kèm cửa sổ ngữ cảnh 1 triệu token. Ngay cả sau khi giảm 80%, GPT-5.6 Luna ở mức 0,20 USD/1,20 USD vẫn đắt hơn DeepSeek V4 Flash ở đầu ra, dù khoảng cách đã thu hẹp đáng kể. Đợt điều chỉnh của OpenAI vì thế phù hợp với một xu hướng lớn hơn, không chỉ là phản ứng đơn lẻ trước Kimi K3. Các lab Trung Quốc liên tục kéo giá xuống trong khi vẫn giữ hiệu năng cạnh tranh, buộc các công ty Mỹ phải tối ưu chiến lược định giá nhanh hơn trước. Người dùng được lợi gì? Với người dùng ChatGPT không sử dụng API, tác động trực tiếp gần như không có vì giá thuê bao không đổi. Nhưng với đội ngũ đang xây dựng ứng dụng, chatbot hoặc agent tự động dựa trên GPT-5.6 API, đây là một thay đổi đáng kể. Các công cụ như Hermes Agent, vốn cho phép chọn GPT-5.6 Sol, Terra hoặc Luna làm model nền, có thể giảm chi phí vận hành rõ rệt khi dùng đúng tier cho từng loại việc. Luna phù hợp với tác vụ lặp lại, khối lượng lớn và không cần suy luận phức tạp.Terra là lựa chọn cân bằng cho công việc hằng ngày và trợ lý đa năng.Sol vẫn phù hợp nhất khi độ chính xác và năng lực suy luận cao là ưu tiên. Góc nhìn 4AIVN Khoảng cách hiệu năng giữa những model hàng đầu đang thu hẹp nhanh hơn khoảng cách giá. Khi một model open-weight như Kimi K3 có thể áp sát model đóng đầu bảng, các công ty lớn phải cân nhắc giữa bảo vệ biên lợi nhuận và giữ chân khách hàng doanh nghiệp. Động thái của OpenAI cho thấy hãng chọn cải thiện hiệu năng trên mỗi USD, ít nhất với Luna và Terra. Nếu đang vận hành ứng dụng hoặc agent trên GPT-5.6 API, đây là lúc nên phân bổ lại tác vụ giữa Sol, Terra và Luna thay vì dùng một model duy nhất cho mọi việc. Chênh lệch giá giữa ba tier giờ đủ lớn để lựa chọn model theo từng tác vụ trở thành quyết định tối ưu chi phí thực sự, không chỉ là lựa chọn kỹ thuật.

Mỗi tuần có hơn 300 triệu người dùng ChatGPT để hỏi về sức khỏe, từ đọc kết quả xét nghiệm đến chuẩn bị câu hỏi cho bác sĩ. Vấn đề là hơn 70% các cuộc trò chuyện đó lại xảy ra ngoài không gian Health riêng biệt mà OpenAI xây dựng cho mục đích này. Đó chính là lý do OpenAI vừa mở rộng Health trong ChatGPT ra toàn bộ người dùng đủ điều kiện tại Mỹ, cho phép kết nối Apple Health và hồ sơ y tế để AI dùng dữ liệu cá nhân ngay trong mọi cuộc trò chuyện, không chỉ trong một tab riêng. ChatGPT Health không phải tính năng hoàn toàn mới OpenAI lần đầu giới thiệu ChatGPT Health vào ngày 7/1/2026, dưới dạng thử nghiệm giới hạn theo danh sách chờ cho một nhóm nhỏ người dùng. Ở giai đoạn đó, các cuộc trò chuyện về sức khỏe buộc phải diễn ra trong một không gian Health tách biệt, và việc phải chuyển qua lại giữa các tab tạo ra rào cản đủ lớn khiến phần lớn người dùng vẫn hỏi sức khỏe ngay trong khung chat thông thường thay vì mở Health. Đợt triển khai ngày 23/7 vừa qua thực tế là bản mở rộng toàn diện, không phải lần ra mắt đầu tiên. OpenAI đưa Health đến tất cả người dùng Mỹ đủ điều kiện trên các gói Free, Go, Plus và Pro, đồng thời bỏ luôn rào cản không gian riêng: một khi đã cấp quyền, ChatGPT có thể dùng dữ liệu sức khỏe đã kết nối ở bất kỳ đâu trong ứng dụng, kể cả khi người dùng chỉ đang hỏi về thực đơn hay lịch tập. ChatGPT Health ra mắt với những khả năng nào? Người dùng có thể kết nối Apple Health cùng hồ sơ y tế từ các hệ thống bệnh viện được hỗ trợ, One Medical hoặc Function Health. Khi được cấp quyền, ChatGPT có thể dùng dữ liệu liên quan để so sánh kết quả xét nghiệm mới với những lần trước, tóm tắt thay đổi kể từ buổi khám gần nhất hoặc tìm mối liên hệ giữa giấc ngủ, vận động và thói quen hằng ngày. Mục tiêu là giảm việc người dùng phải liên tục thu thập, tải lên và giải thích lại cùng một thông tin cho AI mỗi lần trò chuyện. Dữ liệu sức khỏe được đưa vào cuộc trò chuyện như thế nào? Health vẫn là nơi người dùng kết nối và quản lý dữ liệu, xem xu hướng gần đây, duyệt hồ sơ đã đồng bộ và quay lại các cuộc trò chuyện sức khỏe trước đó. Nhưng khác với bản thử nghiệm ban đầu, sau khi đồng bộ, thông tin phù hợp có thể được dùng trong những cuộc trò chuyện thông thường nếu người dùng cho phép, thay vì bắt buộc phải mở không gian riêng. Gõ @Health vào câu hỏi cũng là cách yêu cầu ChatGPT chủ động đưa ngữ cảnh sức khỏe vào phản hồi. ChatGPT có thể sử dụng những dữ liệu nào? Dữ liệu có thể bao gồm thuốc đang dùng, kết quả xét nghiệm, lần khám gần đây, giấc ngủ, mức vận động và bài tập. Nếu ứng dụng thiết bị đeo hoặc dinh dưỡng chia sẻ dữ liệu với Apple Health, ChatGPT có thể sử dụng phần dữ liệu được chuyển tiếp khi người dùng cấp quyền, dù OpenAI lưu ý một số chỉ số độc quyền của bên thứ ba có thể không được chuyển sang. Người dùng vẫn quyết định thời điểm cấp quyền Mặc định, ChatGPT sẽ hỏi trước khi dùng hồ sơ y tế hoặc Apple Health để cá nhân hóa câu trả lời. Người dùng có thể cho phép một lần, luôn cho phép hoặc thay đổi thiết lập sau đó, và có thể ngắt kết nối bất kỳ lúc nào trong Health > Accounts. Quyền riêng tư là phần quan trọng nhất, nhưng không tuyệt đối Theo công bố chính thức của OpenAI, hồ sơ y tế, dữ liệu Apple Health và các cuộc trò chuyện sử dụng những dữ liệu này không được dùng để huấn luyện mô hình nền tảng hoặc nhắm mục tiêu quảng cáo, bất kể thiết lập huấn luyện thông thường của tài khoản. Dữ liệu kết nối được bảo vệ bằng các lớp mã hóa bổ sung bên cạnh mã hóa khi lưu trữ và truyền tải. Khi ngắt kết nối một nguồn dữ liệu, thông tin đồng bộ từ nguồn đó sẽ bị xóa khỏi hệ thống của OpenAI trong vòng 30 ngày, nhưng thông tin đã xuất hiện trong lịch sử trò chuyện vẫn tồn tại cho đến khi người dùng tự xóa cuộc trò chuyện tương ứng. Điều ít được nói đến hơn là một khi dữ liệu y tế rời khỏi hệ thống của bệnh viện hay phòng khám để vào ChatGPT, nó không còn nằm dưới sự bảo vệ của HIPAA, đạo luật bảo mật y tế của Mỹ. Toàn bộ cam kết về bảo mật và không dùng để huấn luyện mô hình hiện chỉ dựa trên điều khoản dịch vụ tự nguyện của OpenAI, không phải nghĩa vụ pháp lý bắt buộc như với hồ sơ y tế trong hệ thống bệnh viện truyền thống. Dữ liệu sức khỏe có thể thiếu hoặc lỗi thời, chẳng hạn một loại thuốc vẫn còn trong hồ sơ dù người dùng đã ngừng sử dụng. Hãy kiểm tra thông tin quan trọng với nguồn gốc ban đầu và chuyên gia y tế, đồng thời cân nhắc kỹ trước khi kết nối những dữ liệu thực sự nhạy cảm. GPT-5.6 Sol được dùng cho câu hỏi sức khỏe phức tạp OpenAI cho biết GPT-5.5 Instant mang khả năng trả lời câu hỏi sức khỏe đến người dùng miễn phí, còn GPT-5.6 Sol là lựa chọn mạnh nhất của hãng cho các câu hỏi cần suy luận qua nhiều chi tiết, dành cho người dùng trả phí. Các tình huống được nhắc đến gồm giải thích ghi chú buổi khám bằng ngôn ngữ dễ hiểu, theo dõi biến động xét nghiệm và chuẩn bị câu hỏi cho lần tái khám. OpenAI làm việc với hơn 260 bác sĩ tại 60 quốc gia để xây dựng tình huống và tiêu chí đánh giá, với hơn 600.000 lượt chấm điểm đầu ra mô hình trên 30 lĩnh vực sức khỏe khác nhau. Các tiêu chí gồm độ chính xác, an toàn, giao tiếp, nhận biết ngữ cảnh, mức độ đầy đủ và khả năng chuyển người dùng đến hỗ trợ chuyên môn khi cần. Tuy vậy, công ty vẫn cảnh báo ChatGPT có thể đưa ra thông tin sai lệch, đây vẫn đang là điểm yếu chung của các mô hình AI trong lĩnh vực đòi hỏi độ chính xác tuyệt đối. ChatGPT Health hữu ích nhưng hoàn toàn không thay thế được bác sĩ Lợi ích rõ nhất của Health là gom dữ liệu vốn nằm rải rác trong cổng bệnh nhân, ứng dụng và thiết bị đeo thành ngữ cảnh có thể đặt câu hỏi. Điều này có thể giúp người dùng hiểu lịch sử sức khỏe, chuẩn bị tốt hơn cho cuộc hẹn và trao đổi rõ ràng hơn với bác sĩ. Rủi ro cũng lớn hơn một cuộc trò chuyện thông thường vì câu trả lời liên quan trực tiếp đến dữ liệu nhạy cảm và quyết định sức khỏe. Người dùng không nên tự thay đổi thuốc, trì hoãn cấp cứu hoặc đưa ra quyết định điều trị chỉ dựa trên phản hồi của AI, mà vẫn cần tuân theo chỉ dẫn của bác sĩ thực sự. Người dùng ngoài nước Mỹ nên nhìn nhận tính năng này thế nào? Cả hai đợt triển khai của ChatGPT Health, từ bản thử nghiệm tháng 1 đến bản mở rộng tháng 7, đến nay vẫn giới hạn trong nước Mỹ. Riêng phần kết nối hồ sơ y tế từ hệ thống bệnh viện luôn chỉ dành cho Mỹ ngay từ đầu, còn EU, Anh và Thụy Sĩ bị loại khỏi cả hai đợt vì các quy định bảo mật dữ liệu nghiêm ngặt hơn và khả năng tính năng này bị xếp vào nhóm rủi ro cao theo EU AI Act. OpenAI chưa công bố bất kỳ mốc thời gian nào cho việc mở rộng ra ngoài nước Mỹ, bao gồm cả các thị trường châu Á như Việt Nam. Với người dùng ChatGPT ở các khu vực chưa có Health, có vài điều đáng lưu ý. Trước hết, việc chưa kết nối được hồ sơ y tế không có nghĩa là không thể hỏi ChatGPT về sức khỏe, chỉ là câu trả lời sẽ dựa trên thông tin người dùng tự mô tả thay vì dữ liệu đồng bộ tự động. Kế đến, ngay cả khi tính năng này chưa khả dụng, người dùng vẫn nên thận trọng khi dán nguyên văn kết quả xét nghiệm hay hồ sơ bệnh án vào khung chat thông thường, vì mức bảo vệ dữ liệu sẽ khác so với khi dùng qua không gian Health có mã hóa bổ sung. Cuối cùng, giá trị thực sự của Health khi đến các thị trường khác sẽ phụ thuộc vào việc có bao nhiêu hệ thống y tế địa phương hỗ trợ kết nối, vì phần hồ sơ bệnh viện tại Mỹ khó áp dụng trực tiếp cho hạ tầng y tế của từng nước. Đây là một bước tiến đáng chú ý trong việc cá nhân hóa ChatGPT, nhưng thành công thực tế sẽ được quyết định bởi chất lượng dữ liệu, quyền kiểm soát của người dùng và cách AI biết dừng lại đúng lúc để chuyển giao cho chuyên gia y tế thay vì tự đưa ra kết luận.