Pay-i thành Ascerta, gọi 18 triệu USD để đo AI có thật sự sinh lời

Theo thông cáo ngày 30/9/2026 của Ascerta, startup Pay-i tại Bellevue, Washington đổi tên thành Ascerta và huy động 18 triệu USD trong vòng Series A do Dell Technologies Capital dẫn dắt, đưa tổng vốn công bố lên 22,9 triệu USD; công ty đồng thời tự báo cáo ROI của các sáng kiến AI ở khách hàng tăng 47%. Hitachi Ventures, BGV và Wipro Ventures tham gia vòng vốn, cùng các nhà đầu tư trước đó gồm FUSE, Tola Capital và Gaia Ventures.

Việc đổi tên đi cùng thay đổi về phạm vi sản phẩm: từ theo dõi tiền chi cho mô hình AI sang liên kết chi phí, mức sử dụng và kết quả kinh doanh. Ascerta hướng đến việc chỉ ra sáng kiến nào tạo đủ giá trị để mở rộng, sáng kiến nào cần điều chỉnh và khoản đầu tư nào nên dừng. Mức sinh lời thực tế vẫn phụ thuộc vào dữ liệu và kết quả của từng doanh nghiệp triển khai.

Vì sao Pay-i trở thành Ascerta

Pay-i ban đầu tập trung vào bài toán chi phí AI: lượt gọi mô hình, tác nhân tự động và công suất điện toán có thể tạo khoản chi khó dự báo. Khi các công cụ được đưa vào công việc thường ngày, hóa đơn chỉ còn là điểm khởi đầu. Doanh nghiệp cũng cần biết ai dùng AI, công việc nào được hoàn tất và kết quả có tương xứng với tiền bỏ ra hay không.

Trong chia sẻ của CEO David Tepper, ông ghi vòng Series A ở mức 18,1 triệu USD và tổng vốn là 23 triệu USD, cách thể hiện làm tròn khác với mức 18 triệu và 22,9 triệu USD trong thông cáo; ông viết: “We built our own metering system from scratch.” Hệ thống đo lường mà Tepper nhắc tới là nền tảng cho tham vọng theo dõi hoạt động AI sâu hơn tổng chi tiêu.

Ascerta kết nối các công cụ doanh nghiệp đã sử dụng, từ Microsoft Copilot và Amazon Bedrock AgentCore đến Salesforce Agentforce, GitHub Copilot, Claude Code và Codex. Nền tảng theo dõi hoạt động theo người dùng, nhóm và trường hợp sử dụng, rồi gắn trường hợp đó với chỉ tiêu kinh doanh dự kiến chịu tác động. Cùng một sáng kiến vì thế cần được nhận diện xuyên suốt giữa dữ liệu chi tiêu, hoạt động của công cụ và kết quả trong hệ thống của khách hàng.

Bốn lớp dữ liệu đằng sau câu hỏi AI có sinh lời

Lớp đầu tiên là chi phí: tiền cho lượt gọi mô hình, tác nhân, giấy phép và phần công suất đã đặt trước. Ascerta đặt mục tiêu gắn từng lượt gọi với trường hợp sử dụng cụ thể, tính cả phí ẩn và chiết khấu trong hợp đồng. Phân bổ đúng khoản chi là điều kiện để so sánh các sáng kiến; tổng hóa đơn của toàn công ty không cho biết tác vụ nào tiêu tốn bất thường.

Lớp thứ hai là mức sử dụng. Số giấy phép được mua hoặc số tài khoản từng đăng nhập không thể hiện công cụ được dùng trong công việc nào và với tần suất ra sao. Dữ liệu theo người, nhóm, công cụ và tác vụ giúp phân biệt một triển khai được sử dụng thường xuyên với một thử nghiệm ít người dùng. Tỷ lệ sử dụng cao vẫn chỉ cho thấy hoạt động, chưa tự thân chứng minh hiệu quả tài chính.

Lớp thứ ba là chất lượng vận hành: tác nhân có hoàn thành nhiệm vụ, phải chạy lại hoặc tạo kết quả cần con người sửa hay không. Một lượt chạy rẻ có thể thành đắt nếu thất bại nhiều lần; một lượt chạy tốn hơn có thể hợp lý khi thay được một quy trình dài. Với trợ lý lập trình, số dòng mã do AI tạo ra cũng cần đặt cạnh chất lượng đầu ra và năng suất thực tế của nhóm kỹ thuật.

Lớp cuối là kết quả kinh doanh. Chỉ tiêu có thể là thời gian hoàn thành công việc, chi phí phục vụ một yêu cầu hoặc giá trị của tính năng do AI hỗ trợ, tùy mục tiêu ban đầu của từng sáng kiến. Để tính ROI, giá trị tăng thêm và khoản tiết kiệm cần được đặt cạnh toàn bộ chi phí triển khai, vận hành và phần việc con người vẫn phải làm. Đây là khung phân tích lời hứa của Ascerta, không phải một thước đo áp dụng giống nhau cho mọi khách hàng.

Chi phí mỗi lượt chạy có thể lệch xa mức thường thấy

Theo GeekWire, David Tepper kể một khách hàng có chi phí chạy tác nhân AI thường khoảng 0,40 USD mỗi lượt nhưng một số lượt vọt lên 70 USD và lặp lại hàng trăm lần mỗi ngày; ông cũng nêu một hãng bảo hiểm toàn cầu tiết kiệm khoảng 3 triệu USD trong vài tháng đầu sau khi gom nhiều tác nhân vào phần công suất điện toán đặt trước dùng chung. Đây là các ví dụ và khoản tiết kiệm do Ascerta cung cấp, chưa có số liệu độc lập công khai để đối chiếu phương pháp tính.

Trường hợp chi phí tăng đột biến cho thấy mức trung bình có thể che giấu vấn đề vận hành: cùng một tác nhân, một nhóm lượt chạy bất thường cũng có thể làm hóa đơn phình lên. Trường hợp hãng bảo hiểm lại nằm ở cách phân bổ công suất đã cam kết, khi nhiều tác nhân chia sẻ nguồn lực thay vì mỗi tác nhân giữ một phần riêng. Cả hai phản ánh khả năng giảm lãng phí; việc AI tạo thêm lợi nhuận còn phụ thuộc vào kết quả công việc mà khoản chi ấy mang lại.

Vòng vốn dành cho việc mở rộng phép đo

Kế hoạch dùng vốn mới gồm phát triển nền tảng, mở rộng đội ngũ kỹ thuật và thương mại, đồng thời kết nối thêm các công cụ AI doanh nghiệp. Atlas tập trung vào mức sử dụng, giá trị và ROI; Forge theo dõi việc dùng trợ lý lập trình trong nhóm kỹ thuật; Convoy hướng tới phần công suất AI doanh nghiệp tự bố trí. Các sản phẩm cùng phục vụ quyết định nên duy trì hay mở rộng hoạt động nào sau khi đã tính nguồn lực tiêu thụ.

Mức cải thiện ROI được nêu khi gọi vốn chưa đi kèm đủ thông tin về mẫu khách hàng, thời gian theo dõi và mốc so sánh để áp dụng như kết quả chung cho mọi doanh nghiệp. Dữ liệu có giá trị tiếp theo sẽ là kết quả theo từng trường hợp sử dụng: chi phí được phân bổ thế nào, mức sử dụng có đi cùng chất lượng công việc hay không và chỉ tiêu kinh doanh nào thực sự thay đổi.

Đọc thêm:

• Bong bóng AI có thật không? Bốn dấu hiệu nhà đầu tư nên theo dõi
• Claude mở quyền sinh học rủi ro cao, đổi lại dữ liệu bị giữ 30 ngày
• Claude chặn 5 vụ nghi hỗ trợ vũ khí sinh học: ranh giới vẫn rất mờ