Tech-Verse 2026 Keynote: Agent i, AI Platform và hành trình AX của LY Corporation

July 14, 2026

Ngày 29/6/2026, Tech-Verse 2026 - hội nghị công nghệ lớn nhất của tập đoàn LINEヤフー (LY Corporation) - đã chính thức diễn ra. Bài viết dưới đây tóm lược nội dung phần Keynote, dựa trên bài đăng chính thức của LY Corporation Tech Blog.

Video archive:

Ba chủ đề: Agent i - AI Platform - AX

Keynote năm nay xoay quanh ba chủ đề: Agent i, AI Platform và AX. Mở đầu, CTO Park Ivin trình bày về tầm nhìn "Agent i". Tiếp đó, anh Namiki Ryota (AI CBU Lead) giới thiệu về nền tảng "AI Platform" đứng phía sau Agent i. Cuối cùng, CTO Park Ivin quay lại chia sẻ về quá trình AX (AI Transformation) đang được triển khai trong nội bộ công ty và định hướng sắp tới.

Phần 1 - Agent i

AI đang tiến hóa với tốc độ rất nhanh, nhưng tỷ lệ sử dụng AI thực sự bám rễ vào đời sống hằng ngày hiện mới chỉ dừng ở khoảng 16%. LY Corporation muốn lấp đầy khoảng cách này.

Slide màn hình Agent i và Agent i for Business

LY Corporation đang sở hữu một hệ sinh thái gần như phủ kín nhu cầu đời sống: LINE - ứng dụng nhắn tin với hơn 100 triệu người dùng, Yahoo! Search, các dịch vụ thương mại điện tử, nội dung và thanh toán. Định hướng được đưa ra là agent hóa toàn bộ khối tài sản này, thông qua hai sản phẩm: Agent i dành cho người dùng phổ thông, và Agent i for Business hướng đến hơn 1 triệu tài khoản doanh nghiệp - qua đó đưa trải nghiệm AI trong đời sống hằng ngày của người dùng lên một nấc mới.

Điều Agent i hướng tới không đơn thuần là agent hóa từng tính năng riêng lẻ. Mục tiêu là liên kết nhiều agent với nhau, đọc được ý định thay vì chỉ bắt keyword, và chủ động đưa ra thứ người dùng cần trước cả khi họ đi tìm - từ đó mang lại sự tiện lợi phù hợp nhất trong mọi khoảnh khắc.

Slide màn hình và tính năng của Agent i for Business

Với khối doanh nghiệp, LY Corporation tận dụng hai thế mạnh đặc trưng: mini app và LINE Official Account. Hai dịch vụ dự kiến ra mắt gồm: chế độ AI cho Official Account - cho phép doanh nghiệp có tài khoản business tích hợp tính năng AI vào dịch vụ của mình, và Agent i Biz - nâng cấp năng lực vận hành và phân tích. Mục tiêu là tạo môi trường để mọi doanh nghiệp kết nối với LY Corporation đều có thể tăng tốc DX.

Một ví dụ được CTO đưa ra để minh họa cách các dịch vụ hiện có kết nối với nhau: trong group chat LINE, khi một người nhắn "tháng sau đi xem bóng chày cùng nhau nhé", Agent i sẽ tự tìm kiếm trên web, đề xuất các ngày có trận đấu, thu thập ngày mong muốn từ các thành viên và ghép lịch. Với những người bạn chậm trả lời, Agent i sẽ thay mặt nhắc lại và điều phối riêng từng người. Khi chốt được lịch, Agent i chia sẻ vào nhóm chat và đăng ký luôn vào lịch chung. Với tài khoản doanh nghiệp, những việc như đặt bàn nhà hàng cũng sẽ trở nên nhẹ nhàng hơn trong đời sống hằng ngày.

Phần 2 - AI Platform: "hậu trường" kỹ thuật của Agent i

Ngoài kia có rất nhiều AI framework và mã nguồn mở tiện lợi. Nhưng theo anh Namiki, nếu chỉ "wrap lại rồi đặt lên" thì không thể tạo thành một nền tảng ở cấp độ enterprise mà LY Corporation hướng tới. Phần trình bày này chia sẻ cách LY Corporation đối mặt với bài toán đó.

Bức tranh tổng thể của AI Agent Platform gồm ba lớp:

Build & Manage - lớp tạo và quản lý agent, với Agent Builder (dựng agent dễ dàng mà không cần kỹ sư chuyên về AI) và Agent Catalog (quản lý danh mục agent).
Run & Orchestrate - trái tim vận hành: chạy nhiều agent một cách an toàn và nhanh chóng, tìm ra agent phù hợp nhất trong số rất nhiều agent, truyền cho agent đó trải nghiệm quá khứ của người dùng, đồng thời kết nối agent với các công cụ - model AI tạo sinh và dữ liệu của từng dịch vụ.
Governance & Observability - nền tảng kiểm soát chất lượng và an toàn, chống đỡ cho toàn bộ hệ thống phía trên.

Phần trình bày đi sâu vào các component quan trọng nhất theo ba trục: dân chủ hóa phát triển agent, cá nhân hóa độ chính xác cao, và governance.

2.1. Dân chủ hóa phát triển agent

Để tạo ra nhiều agent một cách nhanh chóng, việc dân chủ hóa khâu phát triển là bắt buộc. LY Corporation cung cấp Agent Builder (UI-based) và nền tảng thực thi Agent Runtime: chỉ cần định nghĩa prompt, API cần kết nối và công cụ nội bộ ngay trên UI là có thể deploy một agent tự hành. Người không phải kỹ sư AI - những người gần với vận hành dịch vụ nhất - có thể dựng agent chỉ trong 1 ngày.

Điểm quan trọng: dân chủ hóa ở đây không phải là "làm cái UI ai cũng bấm được", mà là tăng tốc độ thử-sai - biến giả thuyết thành sản phẩm thật nhanh và học từ phản ứng thật của người dùng. Nhưng độ tự do càng cao thì rủi ro càng lớn: nếu để trạng thái "ai cũng tạo được, ai cũng kết nối được, ai cũng publish được" diễn ra tự nhiên, cả chất lượng lẫn bảo mật đều không giữ nổi. Vì vậy governance và scalability phải được nhúng sẵn vào Agent Builder và Runtime. Cân bằng giữa "tạo nhanh" và "vận hành an toàn" chính là bài toán đầu tiên platform phải giải. Kết quả thực tế: chỉ sau 2 tháng release, đã có hơn 100 workflow được tạo ra.

Đóng vai trò cầu nối để Agent Builder truy cập dữ liệu nội bộ là MCP Hub. Khi agent cần truy cập dữ liệu và API nội bộ sẵn có, việc quản lý đường kết nối rất dễ rơi vào hỗn loạn. LY Corporation chọn giải pháp áp dụng toàn diện chuẩn mở mới nhất - Model Context Protocol (MCP) - và xây dựng MCP Hub: gom về một mối để Agent Builder dễ sử dụng, đồng thời dễ governance.

MCP Hub có ba chức năng chính: Runtime (chạy MCP server một cách scalable), Gateway (kết nối tới MCP server đã dựng ở môi trường khác), và Catalog (trực quan hóa danh sách MCP server đã đăng ký). Bên cung cấp MCP server có thể publish lên Hub với thủ tục đơn giản; bên sử dụng không cần viết bất kỳ dòng code xác thực phức tạp nào - chỉ cần click chọn và cấp quyền trên UI của Agent Builder. Hiện đã có hơn 150 MCP server được kết nối, tất cả đều được Hub giám sát và thống nhất quản lý.

Điều LY Corporation muốn làm với MCP Hub không phải là bày các MCP server thành một hàng. Điểm mấu chốt là kiểm soát được khoảnh khắc agent gọi ra năng lực bên ngoài, ngay từ phía platform: MCP server đó cung cấp tool gì, tool đó chỉ đọc hay có thao tác ghi, agent nào - trong ngữ cảnh người dùng nào - được gọi tới scope nào. Với agent, đó chỉ là "gọi một tool"; nhưng phía sau cần đủ cả ủy quyền, kiểm tra schema, rate control, log, retry, fallback. Nói cách khác, MCP Hub vừa là catalog của MCP server, vừa là Control Plane cho Tool Calling: developer không phải bận tâm chi tiết xác thực và quản lý kết nối, trong khi platform truy vết được "ai, qua agent nào, dùng tool gì, với quyền gì". Chính lớp trừu tượng này giúp vừa kết nối tool no-code từ Agent Builder, vừa giữ được sự kiểm soát ở cấp enterprise.

Khi số agent kết nối tăng lên, câu hỏi tiếp theo là giao việc cho agent nào. Từ một câu nói của người dùng, phải lập tức tìm ra agent giỏi nhất cho việc đó - vai trò routing trung tâm này thuộc về Agent Router. Router không được phép chọn sai agent so với ý định người dùng; nhưng nếu chạy theo độ chính xác mà chậm đi thì người dùng có thể rời bỏ. Đây là bài toán đòi hỏi cân bằng cả độ chính xác lẫn tốc độ.

Với một nhóm agent nhỏ, chỉ cần đưa input của người dùng và danh sách agent cho LLM rồi hỏi "cái nào phù hợp" là chạy được. Nhưng khi số agent tăng, cách này nhanh chóng sụp đổ: latency, cost, độ dài context và độ khó của việc đánh giá đều tăng vọt cùng lúc.

Slide thiết kế pipeline nhiều tầng của Agent Router

Vì vậy Router được thiết kế thành pipeline tìm kiếm - phán định nhiều tầng thay vì một lần gọi LLM: trước tiên dùng metadata đã đăng ký trong Agent Catalog (Profile, Capability, Policy...) để lọc nhanh danh sách ứng viên - có thể kết hợp cả keyword search lẫn semantic search dựa trên embedding; sau đó dùng LLM re-rank các ứng viên đứng đầu, dựa trên phát ngôn của người dùng, ngữ cảnh hiện tại, tool khả dụng và ràng buộc policy. Tức là: sinh ứng viên thì nhẹ và nhanh, phán định cuối cùng thì dùng model mạnh về hiểu ngữ cảnh. Trong vận hành thực tế còn phải liên tục đánh giá "đã chọn đúng agent chưa". Router vì thế không phải logic phân luồng đơn thuần, mà là component lõi kết hợp search, ranking, LLM inference và online evaluation - quyết định trực tiếp chất lượng trải nghiệm AI agent.

2.2. Cá nhân hóa độ chính xác cao

Để hiện thực hóa "một tôi thứ hai", agent phải nhớ được người dùng. Nền tảng cho việc này là Long-Term Memory: lịch sử hội thoại giữa người dùng và agent được Memory Summarizer tóm tắt, nén lại, rồi lưu có cấu trúc vào Memory Bank - không phải lưu log thô, mà lưu ở dạng có thể tìm kiếm và tận dụng khi trả lời. Hiện trung bình mỗi người dùng đã tích lũy 7 memory entry, và agent dùng chúng để phản hồi cá nhân hóa hơn.

Nhưng phần khó thật sự nằm ở sau khi đã lưu. Nếu coi Long-Term Memory chỉ là "cơ chế lưu hội thoại cũ" thì sẽ nhìn sai bản chất. Giống trí nhớ con người: nhớ nguyên xi tất cả không đồng nghĩa với trải nghiệm tốt. Một lịch hẹn tạm thời, một sở thích đã cũ, một thói quen sống vẫn còn nguyên, một thông tin nhạy cảm - mỗi loại cần cách xử lý khác nhau. Để Agent i thực sự tiến gần đến "một tôi thứ hai", hệ thống phải phán định được nhớ gì, cập nhật gì, quên gì, và bảo vệ gì. Cũng không thể nhồi mọi thứ đã nhớ vào prompt: cần lấy ra đúng ký ức, đúng độ mịn, đúng thời điểm - kéo theo các thành phần kỹ thuật như tóm tắt, tìm kiếm, ranking, kiểm soát truy cập và bảo vệ dữ liệu. Điều quan trọng của Long-Term Memory không phải là lượng ký ức, mà là dùng được những ký ức có ý nghĩa một cách an toàn.

Thử thách tiếp theo sau Memory Lifecycle là Memory Aggregator. LY Corporation có rất nhiều dịch vụ và đang được người dùng tin tưởng gửi gắm nhiều dữ liệu giá trị: khu vực sinh sống, ga tàu gần nhất, lịch sử mua hàng... Memory Aggregator là cấu trúc gom các profile data này cùng Long-Term Memory tích lũy theo từng agent, theo thời gian thực, ngay khoảnh khắc người dùng phát ngôn.

LY Corporation nhìn nhận đây là bài toán Context Engineering: với LLM, chất lượng câu trả lời không chỉ do năng lực model quyết định, mà phụ thuộc rất lớn vào việc trao ngữ cảnh nào, ở độ mịn nào, theo thứ tự nào, vào đúng khoảnh khắc đó. Không thể đưa nguyên cả Long-Term Memory, thông tin profile, lịch sử dùng dịch vụ và state riêng của agent vào prompt - context window có giới hạn, thông tin thừa còn làm nhiễu phán đoán của model, và thông tin có độ nhạy cảm cao thì trước hết phải phán định có được phép đưa vào hay không. Hệ thống lấy các ký ức và thuộc tính ứng viên từ nhiều nguồn dữ liệu, rồi cân nhắc độ liên quan, độ mới, độ tin cậy, độ nhạy cảm, sự đồng ý của người dùng và mục đích của agent để quyết định Context cuối cùng được inject vào prompt. Điểm cốt lõi: không phải tăng lượng ký ức, mà là chọn đúng ký ức cần dùng - tạo ra AI "nhớ đúng thứ cần, đúng lúc cần", hướng tới mức cá nhân hóa chính xác mà chỉ LY Corporation mới làm được.

2.3. Governance

Yếu tố thứ nhất: kiểm soát chi phí. Hiện phần lớn task đang được giao cho model lớn đa dụng, nhưng khi hàng chục nghìn agent cùng chạy trên model lớn thì cả chi phí lẫn latency đều không bền vững. Giải pháp là Model Routing - và đây không đơn thuần là chuyện "việc rẻ dùng model rẻ, việc đắt dùng model đắt", mà là bài toán chọn model tại thời điểm thực thi, dựa trên độ khó của task, năng lực suy luận cần thiết, độ nhạy cảm của dữ liệu, yêu cầu latency và trần chi phí. Ví dụ: phân loại hay biến đổi định dạng thì model local nhỏ có thể đủ; lập kế hoạch phức tạp hay diễn giải ý định mơ hồ thì model lớn phù hợp hơn; còn với thông tin nhạy cảm về privacy, lựa chọn quan trọng là không đưa ra model bên ngoài mà xử lý on-device hoặc trong môi trường local. Về model local, hiện LY Corporation dùng nguyên các model Open-Weight, nhưng khi các agent chuyên ngành trong Agent i tăng lên, sẽ cần thêm nền tảng cho phép fine-tune và đánh giá model chuyên biệt cho từng agent một cách dễ dàng. Nhìn từ Agent Runtime, đây là routing các request suy luận; nhìn từ toàn platform, đây là lớp điều khiển tối ưu đồng thời chi phí, chất lượng và privacy.

Yếu tố thứ hai: kiểm soát chất lượng và policy. Trong một thế giới có hàng chục nghìn agent mọc lên, hub giữ trật tự và chất lượng cho platform là Agent Catalog. Đây không phải danh sách agent đơn thuần: agent nào được phép kết nối vào Agent i, long-term memory được chia sẻ với agent nào - tất cả được kiểm soát chặt bằng policy, kèm cả giám sát sống-chết (health monitoring) khi dịch vụ down. Agent Catalog là trái tim của platform, nơi thống nhất quản trị toàn bộ vòng đời của agent.

Yếu tố thứ ba: Guardrails - an toàn tại thời điểm thực thi. Khác với chatbot truyền thống, AI agent phán đoán thay người dùng, gọi tool và tác động lên hệ thống bên ngoài. Dịch vụ càng tiện lợi, trách nhiệm của platform càng lớn: chỉ thị bị ghi đè bởi input độc hại, thông tin cá nhân bị trộn lẫn, phản hồi hay thao tác lệch khỏi mục đích - những rủi ro này từng developer riêng lẻ không thể chặn hết. LY Corporation đã tự phát triển (nội chế) 5 Guardrails: phát hiện Prompt Injection, masking thông tin cá nhân, phát hiện nội dung độc hại, phát hiện Off-Topic, và phân loại thông tin.

Điểm quan trọng: gọi các guardrail này chỉ ở bước cuối là không đủ. Với AI agent, rủi ro phát sinh ở nhiều điểm - input của người dùng, output trung gian của Planner, tham số của Tool Calling, giá trị trả về từ tool bên ngoài, và phản hồi cuối cùng. Vì vậy guardrail không phải một bộ lọc đặt ở một chỗ, mà phải cắm vào từng bước của Agent Runtime: lúc nhận input thì phát hiện Prompt Injection và input độc hại; trước khi Tool Calling thì kiểm tra thao tác có được phép thực thi không, có chứa thông tin cá nhân/nhạy cảm không; với giá trị trả về của tool thì loại bỏ prompt bị nhiễm bẩn và thông tin cá nhân không cần thiết; và ở phản hồi cuối thì phát hiện vi phạm policy hay Off-Topic. Guardrails vừa là thiết bị an toàn bên ngoài model, vừa là cơ chế điều khiển thực thi được nhúng vào chính Agent Runtime. LY Corporation chọn tự phát triển phần này để có thể liên tục cải thiện chất lượng và độ an toàn của AI agent ở cấp platform.

Slide thông điệp chốt của phần AI Platform

Thứ thực sự vận hành Agent i không chỉ là lớp trải nghiệm AI nhìn thấy được. Phía sau là nền tảng phát triển để tạo agent thật nhanh, nền tảng memory để hiểu sâu người dùng, và nền tảng governance để có thể yên tâm giao phó - tất cả được cung cấp như một platform thống nhất, nhằm mang đến sự tiện lợi và cảm giác "WOW" chưa từng có trong trải nghiệm AI.

Phần 3 - AX: chuyển đổi AI trong nội bộ LY Corporation

Với dịch vụ mới hoặc tổ chức nhỏ, việc chuyển sang AI có thể diễn ra khá nhanh. Nhưng với một doanh nghiệp lớn mang trên mình hơn 30 năm legacy, hơn 100 dịch vụ và hệ quy định toàn cầu phức tạp, AX là một câu chuyện hoàn toàn khác - độ phức tạp mang tính cấu trúc chính là thử thách đầu tiên. Phần cuối của Keynote chia sẻ chiến lược và thực tế hiện trường của LY Corporation trước bài toán này.

Để vượt qua độ khó đó, LY Corporation đã triển khai theo cách chiến lược và tuần tự với mục tiêu rõ ràng. Trong kế hoạch thực thi AX gồm 5 giai đoạn, từ năm nay toàn công ty chính thức bước vào và tăng tốc ở giai đoạn Execution.

Trước hết là các giai đoạn Build·Enable đã triển khai: khoảng 37 dự án xuyên tổ chức quy mô lớn, chia thành 3 nhóm - (1) nhóm xây dựng AI platform và các nền tảng nội bộ, (2) nhóm tạo môi trường AI Ready, và (3) nhóm phát triển các giải pháp AI trên nền môi trường đó.

Về môi trường AI Ready, LY Corporation làm song song hai vế: hệ thống & dữ liệu, và con người sử dụng chúng. Với hệ thống và dữ liệu: API hóa các hệ thống hiện có, rồi MCP hóa hoặc agent hóa trên MCP Hub nội bộ - để toàn bộ hệ thống và dữ liệu của LY Corporation kết nối được với AI, tức là tạo môi trường mà AI trở thành hệ thần kinh của tổ chức. Trên nền đó, thông qua đào tạo, LY Corporation thúc đẩy AI-native hóa toàn bộ nhân viên, để ai cũng có thể tận dụng AI trọn vẹn.

Từ năm nay, giai đoạn này được đẩy lên phase Execution. Đến nay đã có nhiều trường hợp năng suất cá nhân tăng gấp nhiều lần nhờ AI; ở những mảng có thể áp dụng nhanh như CS, kết quả cải thiện năng suất đã đạt trên 80%. "Execution level" ở đây nghĩa là: mở rộng từ năng suất cá nhân lên năng suất của tổ chức và dịch vụ, từ áp dụng cục bộ vào từng quy trình riêng lẻ sang áp dụng cho toàn bộ quy trình. Từ bộ phận đến toàn thể, từ cá nhân đến tổ chức.

Hiện trường thứ nhất: service production. Cốt lõi của AX hóa mảng này là AI-driven development. Với dịch vụ mới, nhẹ thì AI-driven development đang được áp dụng với tốc độ nhanh - nhưng vấn đề thật không nằm ở đó. Vấn đề là áp dụng ổn định AI-driven development vào nhóm dịch vụ legacy hiện hữu với hàng chục triệu người dùng. Đây chính là nơi LY Corporation đặt trọng tâm.

Với AI-driven development trên legacy, phần quan trọng nhất không phải coding, mà là khâu lập kế hoạch và thiết kế (planning & design). Vì vậy, theo từng service domain, LY Corporation đang cấu trúc hóa các tài liệu spec hiện có sang dạng AI hiểu được, chia nhỏ các dịch vụ quy mô lớn và trực quan hóa quan hệ phụ thuộc giữa chúng - chính thức đưa khâu planning vào trạng thái AI Ready.

Kết quả AI Ready hóa legacy đang dần xuất hiện: trong 1 năm, số tài liệu thiết kế được cấu trúc hóa cho AI tăng khoảng 46 lần, và coverage của các repository đã sẵn sàng cho AI đạt khoảng 15%.

Kết quả về năng suất cũng tăng đều: trong 1 năm qua, ở các dịch vụ legacy hiện hữu, lượng code do AI sinh ra đã đạt khoảng 20% tổng thể - và với việc thúc đẩy mạnh trong năm nay, con số này sẽ được kéo lên một mức mới.

Tuy nhiên, để đo thành quả thực sự của AX thì lượng code là chưa đủ - cần hệ chỉ số chính xác và đa chiều hơn. Từ năm nay, LY Corporation lấy production lead time làm chỉ số chủ đạo, kết hợp thêm tỷ lệ sử dụng AI, chỉ số chất lượng, và DORA Metrics thành một hệ đo lường đa chiều.

Hiện trường thứ hai: 2nd Line. Legacy không chỉ tồn tại ở lớp production mà cả ở các quy trình second line như security, privacy, legal - lead time của khối này chiếm tỷ trọng đáng kể trong tổng lead time production. LY Corporation đang AX hóa mảng này bắt đầu từ AI Ready hóa: dự án trực quan hóa và tích hợp toàn bộ quy trình second line đang chạy, dự kiến mở đợt 1 vào tháng 7.

Slide rút ngắn khoảng 13% lead time toàn cục

Đợt mở đầu tiên dự kiến AX hóa khoảng 30% toàn bộ quy trình; kết quả bước đầu tại thời điểm hiện tại đã xác nhận có thể rút ngắn khoảng 13% lead time toàn cục. Các hệ thống còn lại sẽ được AX hóa theo từng giai đoạn.

Hiện trường thứ ba: hạ tầng. Tại Keynote năm ngoái, LY Corporation đã giới thiệu Flava - private cloud mới hợp nhất và tiến hóa từ hạ tầng cloud sẵn có của LINE và Yahoo!. Flava hiện đã hoàn tất mở nội bộ và đang di chuyển theo từng giai đoạn hướng tới FY30. Trên nền tảng này, năm nay LY Corporation tiến thêm một bước: xây dựng cloud interface để AI agent có thể sử dụng Flava một cách an toàn.

Việc AI agent thao tác hạ tầng không đơn giản là "ra lệnh". Nó có nghĩa là tiền đề của hệ thống thay đổi tận gốc: từ "chỉ con người thao tác trực tiếp" sang "cả con người và agent đều là người dùng". Trong bước chuyển này, điều cần lưu tâm nhất không phải là agent có thao tác cloud được hay không, mà là giao phó đến đâu thì vẫn an toàn. LY Corporation đang xây môi trường kiểm chứng triệt để quyền hạn của agent theo từng cấp độ, tiến tới mục tiêu tiếp theo: AI-native Cloud.

Cuối cùng là security. Song song với sự tiến hóa của AI, rủi ro bảo mật cũng tăng lên rất cao. LY Corporation tăng cường bảo mật toàn diện theo 3 trục:

(1) Dùng AI an toàn - Lấy thiết kế tin cậy bao gồm Guardrails và Agent permission làm nền tảng;

(2) Triển khai an toàn - Nhân sự security tham gia thiết kế cùng team ngay từ giai đoạn đầu của phát triển, đồng thời tận dụng AI để phát hiện lỗ hổng từ trước;

(3) Vận hành an toàn - Tăng cường monitoring ở cấp độ toàn cầu, chủ động đi trước với việc tái thiết kế theo hướng Zero Trust Infrastructure, và nâng cấp thể chế cross-governance để tạo môi trường an toàn hơn.

Lời kết

Khép lại Keynote, CTO Park Ivin gửi lời nhắn đến toàn thể nhân viên: giữa những thử thách mới, chắc hẳn có nhiều khoảnh khắc vừa háo hức vừa cảm nhận rõ sự khắc nghiệt - và ban lãnh đạo cũng vậy. Trong môi trường đó, LY Corporation sẽ dựa trên góc nhìn và thế mạnh riêng của mình, tận dụng tối đa AI để mang đến những dịch vụ tốt nhất; mọi người hãy cùng mang kinh nghiệm của nhau góp lại, để cùng mở ra tương lai mới.

Là một thành viên trong tập đoàn LY Corporation, Techbase Vietnam cũng đang đồng hành trên hành trình AX này.

Thông tin liên quan:

Website chính thức Tech-Verse 2026: https://tech-verse.lycorp.co.jp/2026/ja/
Bài gốc trên LY Corporation Tech Blog: https://techblog.lycorp.co.jp/ja/20260707a
LY Corporation Technology & Design: https://www.lycorp.co.jp/ja/technology-design/

Back to list