Scale AI là công ty nào và tại sao việc đổi CEO lại quan trọng?
Nếu bạn từng làm trong ngành AI, đặc biệt là mảng data labeling, chắc chắn biết Scale AI. Công ty do Alexandr Wang sáng lập năm 2016 từng là “xưởng gán nhãn dữ liệu” lớn nhất thế giới, cung cấp nguyên liệu huấn luyện cho OpenAI, Meta, Google và cả Bộ Quốc phòng Mỹ.
Việc Scale AI vừa bổ nhiệm Francis deSouza, cựu COO kiêm President of Security Products tại Google Cloud, làm CEO mới từ 10/8 không chỉ là một đụng chuyển nhân sự. Mình xem đây là tín hiệu rõ ràng nhất rằng kỷ nguyên data labeling thuần túy đang khép lại, và cuộc đua thật sự đã chuyển sang enterprise AI.
Francis deSouza mang lại gì cho Scale AI?
deSouza không phải người mới trong ngành. Trước Google Cloud, ông từng là CEO của Illumina, công ty giải trình tự gen hàng đầu thế giới. Profile của ông mang lại cho Scale AI hai thứ công ty đang khát: tầm nhìn enterprise và mạng lưới quan hệ chính phủ liên bang Mỹ.
Theo Joe Osborne, người phát ngôn của Scale AI, công ty đang chuyển trọng tâm từ data labeling sang “xây dựng ứng dụng AI cho doanh nghiệp và chính phủ”. Dự kiến doanh thu 2026 vượt 1 tỷ USD, con số mà ngoài OpenAI và Anthropic, rất ít công ty AI đạt được.
Data labeling có thực sự chết?
Không hẳn chết, nhưng biên lợi nhuận thì mỏng đi từng ngày. Khi chính AI tự động hóa quy trình gán nhãn, giá trị của lao động thủ công bị giảm xuống. Mình so sánh hai mô hình cho bạn thấy rõ:
Data labeling truyền thống: con người gán nhãn thủ công, biên lợi nhuận 10-15%, cạnh tranh về giá. Enterprise AI applications: sản phẩm AI bán cho doanh nghiệp, biên lợi nhuận 40-60%, cạnh tranh về chất lượng. Scale AI chọn hướng đi nào là rõ ràng rồi.
Tại sao Alexandr Wang lại rời bỏ công ty mình sáng lập?
Tháng 6/2025, Alexandr Wang rời Scale AI để gia nhập Meta với vai trò lãnh đạo AI. Đây không chỉ là việc mất người sáng lập. Nó phản ánh cuộc chiến nhân tài AI năm 2026: Meta, Google, Microsoft, Amazon đang “hút” nhân tài từ startup với những gói thù lao mà startup không thể cạnh tranh.
Trường hợp tương tự: Lilian Weng, đồng sáng lập Thinking Machines Lab của Mira Murati, vừa quay lại OpenAI chỉ vài tuần sau khi Thinking Machines ra mắt model đầu tiên Inkling. Startup AI đang gặp khó khăn giữ người trước lời mời từ big tech.
Người Việt làm AI cần thay đổi gì?
Nếu bạn đang kiếm tiền từ data labeling qua Remotasks, Outlier hay Appen, mình khuyên hãy bắt đầu đa dạng hóa ngay. Pivoting của Scale AI cho thấy xu hướng không thể đảo ngược: công việc gán nhãn đơn giản sẽ bị tự động hóa trong 1-2 năm tới.
Thay vào đó, hãy tập trung vào các kỹ năng có biên giá trị cao hơn. AI evaluation (đánh giá chất lượng mô hình) trả 15-40 USD/giờ. Prompt engineering cho doanh nghiệp trả 30-80 USD/giờ. AI consulting cho SMB có thể mang lại 5.000-15.000 USD mỗi dự án. Đây là những dịch vụ mà công ty sẵn sàng trả tiền và không dễ bị thay thế.
Thị trường AI services toàn cầu dự kiến đạt 500 tỷ USD vào 2027. Chỉ cần nắm 0.001% thị phần, đó đã là 500.000 USD doanh thu mỗi năm. So với data labeling, đây là con số thuộc về một giải đấu khác.
Scale AI có thể trở thành công ty AI lớn tiếp theo không?
Mình nghĩ có, nhưng theo một cách khác. Scale AI sẽ không cạnh tranh trực tiếp với OpenAI hay Anthropic trong mảng foundation model. Thay vào đó, họ sẽ chơi ở tầng AI infrastructure services, cung cấp nền tảng đánh giá, huấn luyện và triển khai AI cho doanh nghiệp và chính phủ.
Đây là thị trường mà AMD-Anthropic vừa đầu tư 5 tỷ USD, Microsoft đang xây dựng với MAI Models, và Google đang phát triển qua Vertex AI. Scale AI có lợi thế:first-mover trong data infrastructure, nhưng cuộc chơi sẽ khốc liệt.
Câu hỏi thường gặp
Scale AI còn nhận việc data labeling không?
Có, nhưng không còn là sản phẩm trọng tâm. Data labeling giờ là hạ tầng nền, còn sản phẩm chiến lược là ứng dụng AI doanh nghiệp và chính phủ.
Francis deSouza có kinh nghiệm gì về AI?
Ông từng là CEO Illumina (genomics), sau đó giữ vai trò COO và President of Security Products tại Google Cloud. Profile thiên về enterprise hơn là kỹ thuật AI thuần túy, phù hợp với định hướng mới của Scale AI.
Người Việt còn cơ hội kiếm tiền từ data labeling không?
Vẫn có, nhưng cửa đang hẹp lại. Các nền tảng ngày càng yêu cầu kỹ năng chuyên môn cao hơn như đánh giá chất lượng mô hình, RLHF feedback, hoặc domain expertise. Data labeling cơ bản sẽ dần biến mất trong 1-2 năm.
