MCP là gì? Vì sao cả ngành AI đang đua nhau tích hợp

Chuẩn kết nối MCP (Model Context Protocol) do Anthropic phát triển đã lan rộng đến mức các nhà sản xuất thiết bị sức khỏe và đồng hồ thể thao thông minh buộc phải nhanh chóng nhập cuộc. Đúng như kỳ vọng từ cộng đồng công nghệ, Strava đã tung ra trình kết nối MCP chính thức đầu tiên cho giới chạy bộ và đạp xe. Chỉ chưa đầy một tháng sau, COROS cũng công bố bản thử nghiệm MCP beta để tối ưu khả năng tương tác với AI. Trong khi đó, dù ông lớn Garmin chưa chính thức đưa ra câu trả lời, làn sóng giải pháp MCP do cộng đồng lập trình viên tự phát triển đã chứng minh việc các thương hiệu tích hợp AI hai chiều chỉ còn là vấn đề thời gian.MCP là gì và vì sao thiết bị tập luyện đang chạy đua tích hợpMCP (Model Context Protocol) là một giao thức mở cho phép các mô hình ngôn ngữ lớn (LLM) như Claude, ChatGPT hay Gemini truy cập trực tiếp vào nguồn dữ liệu và công cụ bên ngoài theo thời gian thực. Thay vì chỉ đưa ra lời khuyên chung chung dựa trên văn bản nhập vào, AI có thể đọc hiểu toàn bộ lịch sử vận động của từng cá nhân.Đối với người tập luyện thể thao, thay vì phải mở ứng dụng, tự lọc biểu đồ nhịp tim và so sánh chỉ số thủ công, bạn chỉ cần hỏi thẳng AI: "Tuần này training load của tôi tăng hay giảm so với tuần trước?" hoặc "Tốc độ chạy bài Easy Run của tôi đã tối ưu cho việc phục hồi chưa?". AI sẽ đưa ra phản hồi chính xác bám sát số liệu cá nhân, giống như bạn đang đồng hành cùng một huấn luyện viên thể lực chuyên nghiệp 24/7.Strava MCP: Tiên phong mở rộng hệ sinh thái và siết chặt APICuộc đua MCP trong mảng thiết bị đeo bắt đầu bùng nổ từ ngày 1/6/2026 khi Strava ra mắt MCP chỉ đọc chính thức dành cho người dùng đăng ký trả phí. Thông qua cơ chế xác thực OAuth an toàn, các mô hình AI có thể truy xuất dữ liệu hoạt động, bản đồ GPS, độ dốc và biểu đồ công suất (power meters).Nhờ hỗ trợ chuẩn kết nối MCP mở, Strava MCP tương thích hoàn hảo với các công cụ hàng đầu từ Anthropic như Claude Cowork và Claude Code. Đáng chú ý, cùng thời điểm ra mắt MCP, Strava cũng tiến hành siết chặt chính sách API đối với các bên thứ ba: áp dụng mức phí hàng tháng và đặt giới hạn 90 ngày cho một số endpoint, nhằm ngăn chặn các công ty AI khai thác dữ liệu người dùng Strava mà không đóng góp doanh thu.MCP của Strava hiện vận hành hoàn toàn ở chế độ Read-Only (Chỉ đọc) để đảm bảo an toàn thông tin. Điều này nghĩa là AI có thể phân tích số liệu nhưng không thể chỉnh sửa, xóa hay tự ý tạo buổi tập mới trong tài khoản của bạn.Coros MCP beta: Kết nối nhanh nhưng dữ liệu còn hạn chếKhông chịu đứng ngoài cuộc chơi, COROS đã phát hành MCP chính thức (bản Beta) từ tháng 5/2026, hỗ trợ kết nối trực tiếp tài khoản COROS với Claude và ChatGPT. Quy trình thiết lập khá dễ dàng: người dùng chỉ cần sao chép liên kết MCP theo từng khu vực (dạng https://mcp.coros.com/mcp), dán vào phần Connector của Claude hoặc Developer Mode trên ChatGPT và hoàn tất xác thực.Mặc dù giúp kết nối dữ liệu nhanh chóng, Coros MCP hiện tại vẫn bộc lộ một số hạn chế nhất định:Độ chi tiết dữ liệu: Chỉ trả về số liệu tổng hợp theo từng buổi tập (workout summary), chưa hỗ trợ dữ liệu chi tiết theo từng lap (hiệp) hay thời gian thực theo từng giây.Quyền hạn: Hoạt động hoàn toàn ở chế độ Read-Only, không thể khởi tạo bài tập hay đẩy giáo án vào đồng hồ.Nền tảng hỗ trợ: Người dùng ChatGPT cần có tài khoản trả phí mới có thể sử dụng MCP. Trong khi đó, Gemini trên giao diện Web chưa hỗ trợ connector MCP tùy chỉnh, bắt buộc người dùng phải thao tác qua Gemini CLI trong terminal.Garmin garmin_mcp: Giải pháp cộng đồng với 110 tools mạnh mẽGarmin – hãng sở hữu thị phần đồng hồ thể thao lớn nhất hiện nay – vẫn chưa phát hành bất kỳ trình kết nối MCP chính thức nào. Tuy nhiên, khoảng trống này đã nhanh chóng được lấp đầy bởi cộng đồng mã nguồn mở với dự án garmin_mcp do lập trình viên Taxuspt phát triển trên GitHub.Dự án garmin_mcp trên GitHub đã đạt hơn 1.000 stars và 324 forks nhờ tích hợp hơn 110 công cụ (tools), bao phủ gần 90% thư viện python-garminconnect. Với garmin_mcp, người dùng có thể thực hiện những yêu cầu phân tích chuyên sâu mà cả Strava lẫn COROS chưa hỗ trợ:Yêu cầu Claude phân tích phân bổ vùng công suất (power zones) của bài đạp xe gần nhất.So sánh biến thiên các chỉ số thể lực nâng cao như CTL (Chronic Training Load), ATL (Acute Training Load) và TSB (Training Stress Balance) trong 6 tuần gần nhất.Tự động khởi tạo bài tập chạy biến tốc (walk-run interval) và đồng bộ trực tiếp lịch tập vào đồng hồ Garmin Connect – tính năng ghi dữ liệu vượt trội so với các bản MCP chỉ đọc.Vì garmin_mcp là dự án do cộng đồng phát triển, người dùng phải xác thực email và mật khẩu tài khoản Garmin Connect thông qua thư viện bên thứ ba. Bạn nên cân nhắc kỹ về vấn đề an toàn thông tin trước khi cung cấp thông tin đăng nhập cá nhân.Thực tế cho thấy vào tháng 3/2026, Garmin đã bất ngờ thay đổi phương thức xác thực API khiến hai thư viện phổ biến là garth và python-garminconnect bị gián đoạn hoạt động, trong đó garth bị ngừng phát triển. Điều này phản ánh rủi ro lớn nhất của các giải pháp MCP không chính thức: chúng phụ thuộc hoàn toàn vào các endpoint chưa công khai và có thể bị lỗi bất kỳ lúc nào nếu Garmin thay đổi hệ thống.So sánh nhanh ba hướng kết nối của Strava, Coros và GarminDưới đây là bảng tổng hợp giúp bạn có cái nhìn tổng quan về các phương án kết nối MCP hiện nay:Strava MCP (Chính thức): Chế độ Read-Only | Đăng ký trả phí | Dữ liệu hoạt động, GPS, công suất | Bảo mật OAuth cao | Không có dữ liệu giấc ngủ, HRV hay phục hồi.Coros MCP (Chính thức Beta): Chế độ Read-Only | Tài khoản AI trả phí | Dữ liệu tổng hợp buổi tập | Dễ thiết lập qua URL | Chưa có dữ liệu chia từng hiệp (lap) hay từng giây.Garmin garmin_mcp (Cộng đồng): Đọc & Ghi (Read & Write) | Mã nguồn mở | 110+ tools, phân tích CTL/ATL/TSB, tạo giáo án | Tính năng mạnh nhất | Nguy cơ gãy API và rủi ro mật khẩu tài khoản.Hướng dẫn thiết lập MCP phù hợp cho thiết bị bạn đang cóNếu bạn đang sử dụng Strava hoặc Coros, việc trải nghiệm vô cùng đơn giản: chỉ cần truy cập phần Tùy chỉnh Trình kết nối trên Claude.ai (hoặc bật Developer Mode trên ChatGPT), dán liên kết MCP chính thức và tiến hành xác thực tài khoản.Đối với người dùng Garmin muốn trải nghiệm sức mạnh AI ngay lập tức, lựa chọn tối ưu nhất là cài đặt extension garmin-mcp.dxt của Taxuspt trên Claude Desktop. Bạn chỉ cần xác thực một lần duy nhất bằng lệnh garmin-mcp-auth để lưu mã OAuth Token bảo mật, sau đó thoải mái trò chuyện với AI mà không cần nhập lại mật khẩu cho các lần sử dụng tiếp theo. Đây chắc chắn là giải pháp chuyển tiếp tuyệt vời trong khi chờ đợi Garmin chính thức công bố chuẩn MCP của riêng mình.

Một AI agent có thể lập kế hoạch rất tốt nhưng vẫn không thể cập nhật Notion, đọc issue GitHub hay lấy báo cáo từ Google Drive nếu không có đường kết nối phù hợp. Khi kết hợp Hermes Agent với MCP, người dùng có thể biến một cuộc trò chuyện thành workflow thực tế, đồng thời kiểm soát rõ công cụ và quyền mà agent được phép sử dụng. Nếu bạn chưa quen với khả năng ghi nhớ và tự tạo skill của Hermes, bài Hermes Agent là gì? sẽ cung cấp phần nền tảng cần thiết. Trong bài này, trọng tâm là cách MCP mở rộng Hermes ra ngoài terminal để làm việc với dữ liệu và dịch vụ đang được sử dụng hằng ngày. MCP bổ sung điều gì cho Hermes Agent? MCP là một chuẩn kết nối giữa ứng dụng AI và server cung cấp công cụ hoặc dữ liệu. Có thể hình dung MCP như một lớp chuyển đổi: Hermes vẫn là agent chịu trách nhiệm hiểu mục tiêu và quyết định bước tiếp theo, còn từng MCP server cung cấp các thao tác cụ thể như tìm trang Notion, đọc pull request, tạo issue hoặc truy vấn tệp. Theo tài liệu MCP của Hermes Agent, Hermes hỗ trợ cả server chạy cục bộ qua stdio và server từ xa qua HTTP. Khi khởi động hoặc tải lại cấu hình, Hermes tự khám phá công cụ mà server cung cấp rồi đăng ký chúng vào hệ thống tool thông thường. Vì vậy, người dùng không cần viết một công cụ Hermes riêng cho mọi dịch vụ đã có MCP server phù hợp. Điểm quan trọng là MCP không tự động làm workflow an toàn. Mỗi server có thể cung cấp nhiều công cụ đọc, ghi, tạo và xóa dữ liệu. Hermes cho phép lọc theo từng server, nên người dùng có thể chỉ bật nhóm thao tác cần thiết thay vì đưa toàn bộ quyền cho model. Cách kết nối MCP mà không mở quá nhiều quyền Bản cài Hermes tiêu chuẩn đã bao gồm hỗ trợ MCP. Người dùng có thể mở trình chọn bằng lệnh hermes mcp, xem danh mục bằng hermes mcp catalog và kiểm tra một kết nối bằng hermes mcp test. Danh mục tích hợp của Hermes được Nous Research xem xét trước khi đưa vào repository, nhưng chính tài liệu cũng khuyến nghị đọc manifest, nguồn mã và lệnh cài đặt trước khi sử dụng. Với server ngoài danh mục, người dùng có thể thêm kết nối HTTP hoặc một lệnh stdio vào config.yaml. Sau khi hoàn tất OAuth hoặc cấu hình biến môi trường cần thiết, hãy tải lại MCP và yêu cầu Hermes liệt kê các công cụ đang có. Đây là bước kiểm tra đơn giản để phát hiện server chưa kết nối hoặc công cụ bị lọc nhầm. Bắt đầu bằng quyền đọc Cách thiết lập an toàn nhất là kết nối một server, chỉ bật công cụ đọc và thử trên dữ liệu không nhạy cảm. Khi kết quả ổn định, bạn mới thêm quyền tạo hoặc cập nhật. Quyền xóa, thay đổi chia sẻ và gửi nội dung ra ngoài nên cần bước phê duyệt của con người. Notion chỉ cần quyền tìm kiếm và đọc trang trong giai đoạn đầu. GitHub có thể giới hạn ở đọc repository, issue và pull request. Google Drive nên giới hạn thư mục, tài khoản và phạm vi OAuth cần thiết. Ba workflow thực tế với Notion, GitHub và Google Drive Biến tài liệu Notion thành trung tâm tri thức Notion MCP chính thức cho phép agent tìm kiếm, đọc và cập nhật nội dung trong workspace theo quyền của tài khoản đã xác thực. Một workflow hữu ích là để Hermes thu thập ghi chú họp, tìm các quyết định liên quan rồi tạo bản tổng hợp vào trang dự án. Người dùng có thể yêu cầu Hermes chỉ tạo bản nháp, sau đó kiểm tra trước khi cập nhật trạng thái hoặc giao việc. Notion MCP dùng OAuth theo người dùng, vì vậy không phù hợp với mọi tác vụ chạy hoàn toàn không có người giám sát. Nếu muốn chạy tự động theo lịch, hãy kiểm tra cách server duy trì phiên xác thực và tránh thiết kế workflow phụ thuộc vào thao tác mà OAuth không hỗ trợ ở chế độ headless. Đồng bộ công việc phát triển qua GitHub GitHub MCP Server do GitHub cung cấp và duy trì, cho phép công cụ AI làm việc với dữ liệu phát triển phần mềm theo quyền tài khoản. Hermes có thể đọc issue mới, đối chiếu với thay đổi trong repository và soạn báo cáo tiến độ. Ở bước tiếp theo, agent có thể chuẩn bị nội dung issue hoặc release note nhưng chờ người phụ trách xác nhận trước khi ghi. Workflow này hiệu quả hơn khi tiêu chí được mô tả rõ. Chẳng hạn, Hermes chỉ tổng hợp pull request đã merge trong bảy ngày, nhóm theo nhãn và liên kết từng thay đổi với issue liên quan. Kết quả có thể được chuyển tiếp sang Notion thông qua MCP thứ hai để tạo báo cáo tuần. Tổng hợp tệp và báo cáo từ Google Drive Với một MCP server tương thích Google Workspace, Hermes có thể tìm tệp trong Drive, đọc nội dung được cấp quyền và đưa dữ liệu vào quy trình tổng hợp. Ví dụ, agent tìm báo cáo bán hàng trong một thư mục cố định, trích các chỉ số cần thiết rồi tạo bản tóm tắt để lưu vào Notion hoặc đính kèm vào issue GitHub. Google đã tập hợp các dự án MCP chính thức tại repository Google MCP, trong đó có hướng tích hợp Google Workspace. Tuy nhiên, Drive từng có nhiều server cộng đồng với mức bảo trì khác nhau. Vì vậy, hãy kiểm tra nguồn, lịch sử cập nhật và phạm vi OAuth của server cụ thể thay vì cài theo tên gọi. Ghép nhiều MCP server thành một workflow có kiểm soát Một workflow hoàn chỉnh có thể bắt đầu từ GitHub, dùng Drive làm nguồn dữ liệu và kết thúc ở Notion. Hermes đọc issue được gắn nhãn báo cáo, tìm bảng tính tương ứng trong Drive, tạo phần tóm tắt rồi cập nhật trang dự án. Mỗi bước sử dụng một nhóm công cụ MCP khác nhau, còn Hermes giữ vai trò lập kế hoạch và chuyển kết quả giữa các bước. Không nên bật thực thi song song chỉ vì server hỗ trợ. Tài liệu Hermes cho phép khai báo khả năng gọi tool song song, nhưng cảnh báo rằng các thao tác cùng đọc và ghi trạng thái có thể tạo xung đột. Các bước chỉ đọc độc lập có thể chạy đồng thời, trong khi cập nhật Notion, tạo issue hoặc thay đổi tệp nên diễn ra tuần tự. Lưu ý: MCP server là phần mềm có thể chạy lệnh và nhận thông tin xác thực. Chỉ cài server từ nguồn đáng tin, không đặt token trong prompt, lọc bỏ công cụ nguy hiểm và luôn giữ bước phê duyệt cho hành động xóa, chia sẻ hoặc xuất bản dữ liệu. Nên bắt đầu workflow đầu tiên như thế nào? Đừng kết nối Notion, GitHub và Google Drive trong cùng ngày rồi giao ngay một quy trình quan trọng. Hãy chọn một đầu vào, một đầu ra và một tiêu chí hoàn thành dễ kiểm tra. Ví dụ đầu tiên có thể là đọc các issue GitHub đã đóng rồi tạo bản nháp báo cáo trong Notion, không có quyền xóa hoặc xuất bản. Sau vài lần chạy ổn định, bạn có thể biến quy trình thành skill để Hermes tái sử dụng và thêm lịch chạy tự động. Giá trị thực của MCP không nằm ở số lượng server đã kết nối, mà ở việc Hermes có thể hoàn thành một workflow lặp lại với phạm vi quyền nhỏ, kết quả dễ kiểm tra và đường đi dữ liệu rõ ràng.

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.

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.