Từ một lần tôi thấy chiếc điện thoại Doubao thử nghiệm tự động đặt đồ ăn trên Meituan qua mô phỏng màn hình. Nó mất 12 giây, dừng lại ở bước xác nhận mã OTP vì giao diện thay đổi. Đó là câu chuyện của năm 2024.
Đầu năm 2025, Doubao Phone chính thức tuyên bố loại bỏ hoàn toàn cơ chế RPA dựa trên GUI (simulated click) và chuyển sang giao diện API chuẩn hóa mang tên MCP (Model Context Protocol). Một bước ngoặt kỹ thuật tưởng chừng chỉ là nâng cấp, nhưng ẩn sau đó là cả một trận chiến sinh tử về quyền kiểm soát dữ liệu, cạnh tranh hệ sinh thái và tầm nhìn về AI Agent phi tập trung.
Bối cảnh: Tại sao phải đau đớn từ bỏ ‘mô phỏng’? Mô phỏng click (GUI-based RPA) từng là giải pháp duy nhất để AI tương tác với các ứng dụng không có API công khai. Cơ chế này giống như một người máy nhìn vào màn hình, xác định nút bấm bằng thị giác máy tính, rồi giả lập thao tác chạm. Nhưng nó mang ba tử huyệt: (1) độ chính xác phụ thuộc vào giao diện UI – chỉ cần WeChat thay đổi màu sắc là toàn bộ pipeline sập; (2) vi phạm chính sách bảo mật của các siêu ứng dụng – Alipay, Taobao, WeChat đều chặn hành vi này vì coi là tấn công automation; (3) không thể lấy dữ liệu có cấu trúc, dẫn đến hiệu suất AI kém.
Doubao Phone đã thử nghiệm suốt 2 năm, nhưng cuối cùng phải chấp nhận sự thật: muốn AI Agent hoạt động ở cấp độ cao (gọi dịch vụ, đặt vé, chuyển tiền), cần sự hợp tác từ phía ứng dụng. Và MCP ra đời.
Core: MCP – Cầu nối hay rào cản mới? Về mặt kỹ thuật, MCP là giao thức dựa trên JSON-RPC cho phép AI Agent gửi ý định (intent) tới ứng dụng đích thông qua một lớp API trung gian. Khác với mô phỏng, MCP yêu cầu ứng dụng chủ động mở cổng và định nghĩa trước các hành động cho phép.
Lợi ích rõ ràng: bảo mật tốt hơn (không đọc màn hình), tuân thủ GDPR/PIPL, độ trễ thấp, và đặc biệt – có thể kiểm toán toàn bộ lịch sử gọi lệnh. Đây là mơ ước của bất kỳ ai từng lo lắng về AI đọc trộm dữ liệu cá nhân.
Nhưng góc khuất: để Doubao có thể gọi đơn hàng trên Taobao, Taobao phải đồng ý mở một API mới. API đó sẽ cho phép Doubao biết sản phẩm nào đang được xem, thậm chí thay người dùng đặt hàng. Taobao (thuộc Alibaba) và Doubao (thuộc ByteDance) là đối thủ cạnh tranh trực tiếp. Tại sao Alibaba phải trao chìa khóa cho đối thủ?
Hiện tại, ByteDance đang trong quá trình đàm phán với các siêu ứng dụng. Kết quả chưa rõ. Nếu thành công, Doubao Phone trở thành ‘cửa ngõ AI’ duy nhất vào hệ sinh thái Trung Quốc. Nếu thất bại, nó chỉ là một chiếc điện thoại thông minh thông thường, bởi không thể làm gì ngoài các ứng dụng nội bộ ByteDance.
Góc nhìn phản trực giác: Càng mở, càng đóng Cộng đồng Web3 thường tung hô các giao thức mở. Nhưng MCP của Doubao không phải giao thức mở theo nghĩa đó. Nó là một lớp trung gian có chọn lọc, do ByteDance kiểm soát việc ai được kết nối. Thực chất, đây là một ‘walled garden’ mới dưới lớp vỏ kỹ thuật hiện đại.
Tôi nhìn thấy một sự tương đồng với các giải pháp Layer2: hứa hẹn phi tập trung, nhưng sequencer vẫn là một node tập trung. MCP hứa hẹn kết nối mọi ứng dụng, nhưng quyền quyết định API nào được mở lại nằm trong tay các tập đoàn công nghệ lớn. Nó không giải quyết vấn đề tương tác giữa các AI Agent một cách phi tập trung; nó chỉ là một thỏa thuận thương mại song phương.
Hãy tưởng tượng bạn là một startup muốn cho AI Agent của mình truy cập vào dữ liệu thị trường chứng khoán. Với MCP, bạn phải xin phép Doubao, Doubao lại phải xin phép sàn giao dịch. Đường dài gấp đôi so với mô hình đơn giản mở API trực tiếp.
Takeaway: Bài học cho Web3 và AI Agent Ngành của chúng ta đang chạy đua để tạo ra những AI Agent có thể tự động hóa mọi thứ. Nhưng câu chuyện của Doubao Phone cho thấy: thách thức không nằm ở thuật toán hay phần cứng, mà nằm ở quyền kiểm soát dữ liệu. Các ứng dụng phi tập trung (dApps) có lợi thế vốn có: smart contract có thể được gọi trực tiếp bởi AI mà không cần xin phép, miễn là có đủ token. DeFi đã chứng minh điều đó: Uniswap không cần API, chỉ cần một giao dịch.
Liệu MCP có trở thành tiêu chuẩn cho AI Agent trên Web2, hay cuối cùng chúng ta sẽ thấy một thế hệ AI Agent chỉ hoạt động trong thế giới on-chain? Tôi nghiêng về điều thứ hai. Bởi vì ‘mở’ thực sự không thể đến từ một thỏa thuận thương mại – nó phải đến từ giao thức không cần tin cậy.
Cho đến khi đó, tôi sẽ giữ chiếc Doubao Phone trong ngăn kéo, chờ xem liệu ByteDance có thể thuyết phục được WeChat hay không. Còn bạn, hãy cân nhắc: bạn muốn AI Agent của mình phụ thuộc vào lòng hảo tâm của Big Tech, hay vào một hợp đồng thông minh không thể thay đổi?