Một CEO nông nghiệp Việt Nam và hành trình biến AI từ công cụ hỏi-đáp thành lớp vận hành cho cả một tập đoàn.
“Một CEO nông nghiệp Việt Nam và hành trình biến AI từ công cụ hỏi-đáp thành lớp vận hành cho cả một tập đoàn.”

Có một dạng người dùng AI mà các báo cáo công nghệ ít khi nhắc tới: không phải kỹ sư, không ở Silicon Valley, không làm trong ngành phần mềm.
Họ điều hành doanh nghiệp thật, trong những ngành cũ kỹ nhất — và lặng lẽ dùng AI để vận hành toàn bộ guồng máy đó.
Trần Thành Khôi Nguyên là một người như vậy. Anh là CEO của Saha Group — một hệ thống vật tư nông nghiệp Việt Nam với nhiều thương hiệu. Anh không viết code. Anh là no-code power user.
Trong khoảng một năm, Nguyên đã biến Claude từ một công cụ hỏi-đáp thành lớp vận hành cho cả một tập đoàn đa công ty.
Góc nhìn
“Không chờ ngành chuyển mình. Anh tự dựng cây cầu giữa một công nghệ mới nhất và một ngành nghề lâu đời nhất — ngay trong doanh nghiệp của mình.”
Nông nghiệp Việt Nam có hàng triệu nông dân và hàng nghìn đại lý vật tư. Đây là quốc gia xuất khẩu cà phê lớn thứ hai thế giới, nằm trong nhóm dẫn đầu về lúa gạo, hồ tiêu, điều. Nhưng mức độ ứng dụng AI trong ngành gần như bằng không.
Tự thẩm định quy trình kiểm toán mã nguồn mở 5 lớp: WHO, HISTORY, CODE, DEPS, NETWORK
Báo cáo tài chính tự động hằng tuần cho hai công ty (SATAKA & SAHARI): 7 phần, 19 chỉ số KPI
Hệ thống RAG dùng Supabase pgvector với embedding tiếng Việt cho tra cứu danh mục thuốc BVTV
INPUT + ACTION + OUTPUT + CONTEXT
Anh chủ động yêu cầu AI đóng vai đối thủ — chẳng hạn một nhà đầu tư mạo hiểm khó tính — để công kích chính mô hình kinh doanh của mình trước khi mang ra bàn với người thật.
Anh hiểu rõ AI "dễ bịa" và phòng thủ ngay từ đầu. Đã nhiều lần anh tự bắt AI sửa lỗi: bác một văn bản pháp luật không có thật, ghim lại đúng căn cứ; chỉnh một quy trình kỹ thuật sai.
Khi một nghiệp vụ đủ quan trọng và lặp lại, anh biến nó thành quy trình cố định cho máy tự chạy, thay vì làm lại từ đầu mỗi lần.
Góc nhìn
“Điều phân biệt Nguyên với người dùng thông thường không nằm ở việc anh hỏi gì, mà ở cách anh làm việc với máy — và phương pháp đó gần như giống hệt nhau dù anh dùng công cụ AI nào.”
Không phải lời nói. Tất cả những hệ thống sau đều là công việc thật, có thật trong lịch sử sử dụng — vận hành mỗi ngày.
Tự thẩm định quy trình kiểm toán mã nguồn mở 5 lớp: WHO, HISTORY, CODE, DEPS, NETWORK
Báo cáo tài chính tự động hằng tuần cho hai công ty (SATAKA & SAHARI): 7 phần, 19 chỉ số KPI
Phân tích công nợ đại lý theo nguyên tắc FIFO, kiểm tra quá hạn, phân loại rủi ro, tự soạn tin nhắn nhắc nợ
Hệ thống RAG dùng Supabase pgvector với embedding tiếng Việt cho tra cứu danh mục thuốc BVTV
Hơn 8 bộ kỹ năng (skills) tùy chỉnh cho SAHA, mỗi bộ có từ khóa kích hoạt riêng
10 dự án Cowork chạy song song — vận hành CEO, dữ liệu tài chính, marketing, kênh Zalo
Lớp vận hành chính — kết nối mọi hệ thống qua MCP
ChatGPT
Phản biện chiến lược
Gemini
Tri thức Google
Manus
Tác vụ phức tạp
DeepSeek / Grok
Nghiên cứu & verify
Hệ thống kết nối
Để hình dung cách anh ra lệnh, đây là một phần lệnh master dùng cho báo cáo tài chính tuần — nguyên văn, rút gọn:
Kiểm tra MCP server này theo 5 lớp:
1. WHO: Ai là tác giả? Có uy tín không?
2. HISTORY: Lịch sử commit có gì bất thường?
3. CODE: Đọc toàn bộ source — có backdoor/data leak?
4. DEPS: Dependencies có sạch không?
5. NETWORK: Có gọi API lạ ra ngoài không?
Cho điểm 1-10 mỗi lớp. Dưới 7 = KHÔNG DÙNG.Bạn là trợ lý phân tích tài chính hàng tuần cho hệ thống SAHA (SATAKA & SAHARI) — ngành vật tư nông nghiệp.
MỤC TIÊU: Tạo báo cáo tổng hợp tuần hoàn chỉnh dạng file Word gồm 7 phần...
QUY TẮC BẮT BUỘC: Thuật ngữ 100% tiếng Việt...
KHÔNG tóm tắt, KHÔNG cắt bớt bằng...
Sau mỗi nhận định → phải có '→ GIẢI PHÁP:' in đậm kèm hành động cụ thể.Góc nhìn
“Đặc điểm dễ thấy: lệnh rõ vai trò, rõ output, rõ ràng buộc — và luôn đòi hỏi hành động cụ thể chứ không dừng ở mô tả.”
Đọc toàn bộ hành trình của Nguyên với Claude AI qua flipbook tương tác.
Tìm hiểu thêm về giải pháp nông nghiệp công nghệ cao của chúng tôi.