Kỹ sư AI, Nhà khoa học ứng dụng, Kỹ sư triển khai: Giải mã các vai trò mới thời hậu LLM

Sự bùng nổ của các mô hình ngôn ngữ lớn (LLM) đang định hình lại mạnh mẽ thị trường lao động công nghệ. Bên cạnh những chức danh quen thuộc như Data Scientist hay Machine Learning Engineer, hàng loạt vai trò mới đang xuất hiện tại các công ty AI hàng đầu thế giới. Điều này đặt ra câu hỏi: đâu là sự khác biệt thực sự giữa các vị trí này, và người làm công nghệ tại Việt Nam nên chuẩn bị gì để không bị bỏ lại phía sau?

Vì sao các chức danh cũ không còn đủ?

Trước đây, một Data Scientist thường đảm nhiệm toàn bộ vòng đời của một bài toán dữ liệu: thu thập, làm sạch, phân tích, xây dựng mô hình và đôi khi cả triển khai. Nhưng khi LLM trở thành nền tảng cốt lõi, công việc bị chia nhỏ và chuyên môn hóa đến mức các chức danh truyền thống không còn mô tả đúng bản chất công việc.

Các mô hình ngôn ngữ lớn đòi hỏi kỹ năng ở nhiều tầng khác nhau: từ tinh chỉnh (fine-tuning), kỹ thuật prompt, đánh giá chất lượng đầu ra, cho đến tích hợp trực tiếp vào sản phẩm phục vụ khách hàng. Mỗi tầng đòi hỏi một bộ kỹ năng và tư duy riêng, thúc đẩy sự ra đời của những vai trò mới.

Kỹ sư AI (AI Engineer) — Người xây dựng sản phẩm từ mô hình

Kỹ sư AI là vai trò được nhắc đến nhiều nhất, đôi khi còn gọi là Kỹ sư AI ứng dụng. Khác với nhà nghiên cứu, họ không tập trung phát minh kiến trúc mô hình mới mà dùng các mô hình có sẵn để giải quyết bài toán thực tế.

Công việc điển hình của một Kỹ sư AI bao gồm:

• Thiết kế và tối ưu pipeline RAG (truy xuất tăng cường) để mô hình trả lời dựa trên dữ liệu riêng của doanh nghiệp
• Xây dựng hệ thống đánh giá (evaluation) để đo chất lượng đầu ra của mô hình
• Tối ưu chi phí và độ trễ khi gọi API tới các nhà cung cấp như OpenAI, Anthropic hay Google
• Tích hợp mô hình vào backend, API và giao diện người dùng

Kỹ sư AI không cần đào tạo lại mô hình từ đầu, nhưng phải hiểu rõ điểm mạnh và giới hạn của từng mô hình để chọn đúng công cụ cho đúng bài toán.

Với thị trường Việt Nam, đây có thể xem là vai trò có nhu cầu tuyển dụng tăng nhanh nhất, đặc biệt tại các công ty outsourcing và startup đang xây dựng sản phẩm AI.

Nhà khoa học ứng dụng (Applied Scientist) — Lai giữa nghiên cứu và kỹ thuật

Nhà khoa học ứng dụng nằm ở giao điểm giữa nghiên cứu hàn lâm và kỹ thuật sản phẩm. Họ có nền tảng toán học và học máy vững chắc, nhưng động lực chính là đưa nghiên cứu vào ứng dụng thực tiễn.

Vai trò này thường xuất hiện tại các tập đoàn lớn như Google, Microsoft, Amazon — nơi có đủ nguồn lực tính toán để thử nghiệm những ý tưởng mới. Công việc bao gồm:

• Tinh chỉnh mô hình nền tảng (foundation model) cho miền dữ liệu chuyên biệt
• Nghiên cứu các phương pháp mới như tinh chỉnh hiệu quả tham số, học tăng cường từ phản hồi con người (RLHF)
• Đo lường, phân tích và công bố kết quả thực nghiệm

Điểm khác biệt cốt lõi: một Nhà khoa học ứng dụng chịu trách nhiệm về câu hỏi nghiên cứu, trong khi Kỹ sư AI chịu trách nhiệm về sản phẩm chạy được.

Kỹ sư triển khai (Forward Deployed Engineer) — Cầu nối tới khách hàng

Forward Deployed Engineer (FDE) là chức danh từng được Palantir phổ biến và giờ đây lan rộng trong làn sóng AI. Đây là kỹ sư được đưa trực tiếp đến làm việc tại địa điểm khách hàng, vừa lập trình vừa đóng vai trò cố vấn giải pháp.

Vai trò này đặc biệt phù hợp với các doanh nghiệp bán phần mềm AI cho tổ chức (B2B), nơi mỗi khách hàng có dữ liệu, quy trình và yêu cầu riêng. Một FDE có thể trong cùng một tuần phải:

• Làm việc với ban lãnh đạo khách hàng để làm rõ bài toán kinh doanh
• Tùy chỉnh mô hình hoặc hệ thống truy xuất theo dữ liệu nội bộ
• Viết mã triển khai tại chỗ và đào tạo đội ngũ khách hàng sử dụng

FDE đòi hỏi sự kết hợp hiếm có giữa kỹ năng kỹ thuật và kỹ năng giao tiếp, thuyết phục. Đây là vai trò đang được săn đón với mức lương cao do nguồn cung nhân lực hạn chế.

Điều này có ý nghĩa gì với nhân lực công nghệ Việt Nam?

Làn sóng chức danh mới mang lại cả cơ hội lẫn thách thức:

• Cơ hội: Các công ty AI toàn cầu đang mở rộng tuyển dụng từ xa, và kỹ năng LLM có tính chuyển đổi cao giữa các thị trường
• Thách thức: Chương trình đào tạo đại học trong nước chưa theo kịp tốc độ thay đổi, đòi hỏi người học phải tự cập nhật qua khóa học trực tuyến và dự án thực tế
• Lời khuyên: Thay vì chạy theo chức danh, hãy tập trung xây dựng năng lực cốt lõi — hiểu sâu về đánh giá mô hình, kỹ năng xây dựng hệ thống RAG và khả năng biến yêu cầu kinh doanh thành giải pháp kỹ thuật

Sự phân hóa chức danh này thực chất phản ánh quá trình trưởng thành của ngành AI. Khi công nghệ chín muồi hơn, các vai trò sẽ tiếp tục chuyên môn hóa. Với người làm công nghệ, việc hiểu rõ mình đang đứng ở đâu trong chuỗi giá trị — nghiên cứu, xây dựng sản phẩm hay triển khai cho khách hàng — sẽ là lợi thế quan trọng để định hướng phát triển sự nghiệp trong giai đoạn tiếp theo.