Menlo Ventures: doanh nghiệp chi ước tính 177 tỷ USD dùng AI trong một năm, agent ngốn 80% token trên OpenRouter

Tiền AI doanh nghiệp tăng 5,4 lần, nhưng số doanh nghiệp chịu trả tiền cho AI chỉ nhích từ 55% lên 65%, và khoảng lệch là điểm đáng tiền trong báo cáo của Menlo Ventures, công bố ngày 3/11/2026. Tăng trưởng đến từ khách cũ chi nhiều hơn, còn người tiêu thụ AI nhiều nhất là agent. Mình bóc con số ước tính 177 tỷ USD từng lớp, để anh em team nhỏ biết nên đặt cược vào đâu.

Quick Info: Menlo Ventures ước tính doanh nghiệp chi 177 tỷ USD (chính xác 176,8 tỷ USD) để DÙNG AI tới tháng 9/2026, tăng 5,4 lần từ 33 tỷ USD một năm trước. Agent chiếm 80% token trên OpenRouter. Ba lab Anthropic, OpenAI, Google chiếm 69% tiền dùng AI. Coding và chatbot chiếm 76% thị trường app. Con số 177 tỷ USD là ước tính bottom-up của Menlo, chưa qua kiểm toán, và chỉ đo tiền chi ra, chưa đo lợi nhuận thu về.

Ước tính 177 tỷ USD là tiền doanh nghiệp chi ra để dùng AI trong một năm, chưa phải tiền lời

Trước khi bàn tiền chảy về đâu, mình gỡ trước một hiểu lầm, vì con số ước tính 177 tỷ USD này rất dễ bị đọc thành doanh thu hay lợi nhuận.

Tiền dùng AI (deployment) đạt ước tính 176,8 tỷ USD, tăng 5,4 lần trong một năm

Menlo ước tính deployment spend tới tháng 9/2026 đạt 176,8 tỷ USD, gấp 5,4 lần mức 33 tỷ USD một năm trước, đi qua chuỗi 1,7 tỷ USD năm 2023, 8,5 tỷ USD năm 2024, rồi 33 tỷ USD, tức là thêm hơn 140 tỷ USD chi tiêu mới chỉ trong một năm, và Tim Tully tóm tắt trong thông cáo rằng chi tiêu AI doanh nghiệp tăng hơn 5 lần, từ 33 tỷ USD lên ước tính 177 tỷ USD.

1,70 USD cho mỗi 1 USD training là doanh thu triển khai theo mô hình Menlo, chưa phải lợi nhuận

Tiền dùng AI, theo ước tính của Menlo, đạt 176,8 tỷ USD, tăng 5,4 lần, trong khi tiền xây AI, tức development, đạt 102,5 tỷ USD, tăng 5,3 lần.

Cứ mỗi 1 USD chi cho training thì doanh nghiệp chi 1,70 USD để đưa AI vào vận hành, deployment bằng khoảng 1,7 lần development theo mô hình của Menlo, và con số này đo tiền chi ra, chưa đo lợi nhuận hay tỷ suất sinh lời.

Menlo cộng sổ từ dưới lên, nhưng khảo sát chỉ bao phủ doanh nghiệp Mỹ

Menlo cộng các dollar totals này từ dưới lên theo mô hình bottom-up, gom survey, hồ sơ công khai và báo cáo bên thứ ba rồi quy ra dạng annualized run rate, số liệu năm trước cũng được phân loại lại theo taxonomy năm nay, trong đó vendor data labeling như Mercor chuyển từ deployment sang development. Chỗ mọi người cần giữ nghi ngờ nằm ở phạm vi khảo sát, vì đây là khảo sát doanh nghiệp Mỹ, do Morning Consult thực hiện từ 8 đến 26/9/2026 với gần 400 nhà quản lý chịu trách nhiệm hơn 4 tỷ USD chi tiêu AI, và khảo sát này chưa có mẫu Việt Nam, giá Việt Nam hay dữ liệu về team nhỏ và freelancer.

Tiền tăng 5,4 lần nhưng số doanh nghiệp mua AI chỉ nhích từ 55% lên 65%

Nhìn con số tăng trưởng thì anh em dễ tưởng một làn sóng người mới ùa vào, nhưng dữ liệu adoption lại kể một câu chuyện khác hẳn.

Khách cũ chi thêm, người mua mới chỉ thêm 10 điểm phần trăm

Tỷ lệ doanh nghiệp trả tiền cho AI chỉ tăng từ 55% lên 65%, tức chỉ thêm 10 điểm phần trăm trong một năm, trong khi tổng deployment spend mà Menlo ước tính tăng 5,4 lần, nên động lực chính là khách cũ mở rộng chi tiêu, còn 35% doanh nghiệp trong khảo sát vẫn chưa trả tiền cho AI.

Trung bình 4,7 lần, trung vị chỉ 2,2 lần, nhóm power user kéo cả thị trường lên

Chi tiêu trung bình đạt 4,7 lần mức năm trước so với kế hoạch 1,9 lần, tức khoảng 2,5 lần ngân sách, nhưng trung vị chỉ 2,2 lần so với kỳ vọng 1,8 lần, và khoảng cách này phản ánh hiện tượng “fat head”, một nhóm nhỏ power user chiếm phần lớn chi tiêu và tăng trưởng nhanh hơn hẳn phần còn lại, nên doanh nghiệp thường chỉ ở mức trung vị 2,2 lần, còn vượt ngân sách 2,5 lần là chuyện phổ biến trong khảo sát.

Spend tăng theo khối lượng việc agent làm được, không theo headcount

Menlo giải thích agent làm việc độc lập, song song và tiếp tục chạy sau khi con người rời đi, nên chi tiêu tăng theo khối lượng việc chứ không theo headcount, và Derek Xiao diễn đạt đúng ý này rằng khi AI tự làm được việc thì chi tiêu doanh nghiệp không còn bị giới hạn bởi số nhân viên dùng nó mà bởi lượng việc nó làm được, thành ra mô hình seat-based cũ không còn đo đúng chi phí.

Agent ngốn 80% token trên OpenRouter nhưng con số này chỉ đo một kênh quan sát

Nếu phần trước giải thích vì sao tiền tăng nhanh hơn số người mua, thì phần này mình chỉ ra ai đang thực sự tiêu thụ AI, và câu trả lời là agent chạy việc thay con người.

Opus 4.5 làm agent traffic tăng gấp 3 trong một tuần rồi vượt human đầu tháng 2 năm 2026

Tháng 11/2025 Anthropic ra mắt Opus 4.5, lần đầu model chuyển từ trả lời theo turn hội thoại sang thực thi multi-step task với ít giám sát, agent traffic trên OpenRouter tăng gấp 3 trong tuần sau launch, và cùng tháng đó Google đưa Gemini 3 Pro lên frontier.

Tới đầu tháng 2/2026 agent traffic vượt human traffic trên OpenRouter sau launch Opus 4.6 và GPT-5.3-Codex, rồi từ mốc đó agent tăng 37 lần trong khi human chỉ tăng 5 lần, và nửa cuối 2026 OpenAI ra mắt GPT-5.6 tháng 7/2026 rồi GPT-6 tháng 9/2026.

Agent chiếm 130,9 nghìn tỷ token mỗi tuần trên OpenRouter, gấp khoảng 7 lần lượng token do con người tạo ra

Trên OpenRouter, agent chiếm 80% token, khoảng 130,9 nghìn tỷ token mỗi tuần, gấp khoảng 7 lần lượng token do con người tạo ra trên cùng kênh này, với các key hỗn hợp đã loại ra khỏi phép so sánh. Agent rẻ hơn vẻ ngoài, anh em ạ, nhờ cache read, vốn có thể chiếm từ 95% trở lên token của agent, Opus 5.5 tính 0,20 USD cho mỗi triệu token cache read so với 4 USD input tươi và 20 USD output, nên với mix 3% fresh input cộng 2% output thì một agent session tốn khoảng 0,70 USD cho mỗi triệu token.

OpenRouter chỉ là một kênh quan sát nghiêng về developer và startup

Giới hạn lớn nhất của con số 80% trên OpenRouter nằm ở chính nguồn đo của nó, vì OpenRouter xử lý từ 160 nghìn tỷ token mỗi tuần trở lên nhưng người dùng của nó nghiêng về developer cá nhân và startup hơn enterprise buyer trong khảo sát, Menlo cũng chỉ dùng nó làm “một kênh quan sát” cho một phần thị trường, với dữ liệu token từ 1/9/2025 tới 28/9/2026, nên anh em tạm đừng suy ra toàn thị trường từ kênh này.

Tiền dồn về ba lab lớn nhất khi Anthropic lên 55% còn Google tụt xuống 9%

Tiền không chia đều cho mọi hãng đâu mọi người, nó dồn về đúng ba cái tên có model mạnh nhất ở từng thời điểm, và vị trí của mỗi hãng đổi theo từng đợt release lớn.

69% là tiền dùng AI, 86% chỉ là tiền gọi API model, hai con số không đo chung một thứ

Hai con số anh em hay trộn lẫn nhất là 69% và 86%, mà chúng đo hai thứ khác nhau. Anthropic, OpenAI và Google chiếm 122,7 tỷ USD, tức 69% deployment dollars mà Menlo ước tính, tăng từ 50% năm trước, với chi tiêu của nhóm này tăng 7,5 lần so với năm trước so với 3,3 lần của phần còn lại. Còn Anthropic cộng OpenAI chiếm 86% enterprise LLM API spend, tăng từ 67%, và đây là mẫu số khác, chỉ tính tiền gọi API model. Menlo tự dự báo concentration sẽ giảm dần khi capability trưởng thành, và anh em đọc câu này như một dự báo về tương lai, chưa phải sự thật đã xảy ra.

Anthropic và OpenAI đi lên nhờ model frontier còn Google tụt vì flagship hụt hơi

Trong enterprise LLM API spend, Anthropic đi từ 40% lên 55% nhờ dòng Opus, mạnh ở long-horizon task và coding, còn OpenAI đi từ 27% lên 31% nhờ GPT-5.6 tháng 7/2026 và GPT-6 tháng 9/2026.

Google thì đi ngược lại, từ 21% tụt xuống 9%, vì flagship không theo kịp đối thủ sau khi Gemini 3 Pro lên frontier tháng 11/2025, và vì API spend của Google nghiêng về Flash rẻ, tức tiền chảy vào model giá thấp nên share tính theo dollar tụt nhanh hơn share tính theo lượng dùng, còn nhóm near-frontier cộng lại vẫn chưa tới 5% LLM API spend, gồm xAI Grok 4.7, Kimi K3, DeepSeek V4 và GLM-5.3.

Người mua đang “trade up” lên model frontier đắt hơn

Frontier model tăng token share từ 18% lên 42% và spend share từ 35% lên 63% từ quý 3/2025 sang quý 3/2026, trong khi model phổ biến chuyển từ Claude Sonnet 4.5 giá 3 USD input và 15 USD output cho mỗi triệu token cùng GPT-5 giá 1,25 USD và 10 USD, sang Claude Opus 5.5 giá 4 USD và 20 USD cùng GPT-6 Astra giá 10 USD và 60 USD, và người mua chấp nhận trả đắt hơn, vì agent cần model làm việc dài hơi có kiểm chứng.

Coding và chatbot hút 76% thị trường app, mã nguồn mở thắng token nhưng thua tiền

Câu hỏi còn lại là tiền đi vào việc gì, và mình thấy bức tranh rõ hơn, tiền dồn về đúng chỗ agent làm việc tốt nhất, còn chỗ agent chưa làm được thì tăng chậm hẳn.

Coding 34,0 tỷ USD và chatbot 25,0 tỷ USD chiếm 76% thị trường app 77,3 tỷ USD

App market mà Menlo ước tính đạt 77,3 tỷ USD, từ 19 tỷ USD năm trước, trong đó coding 34,0 tỷ USD tăng 7,7 lần và enterprise chatbot 25,0 tỷ USD tăng 3,0 lần, cộng lại chiếm 76%. First-party app của lab tổng 40,0 tỷ USD, gồm Claude Code và Codex 24,0 tỷ USD chiếm 70% coding spend, enterprise Claude, ChatGPT, Gemini 15,5 tỷ USD chiếm 62% chatbot và productivity spend, phần coding còn lại tăng 2,9 lần lên 10,1 tỷ USD, dẫn đầu bởi Cursor, Cognition, Factory và Lovable. Các thành phần làm tròn nên cộng lại có thể lệch nhẹ so với tổng mà Menlo công bố.

Ba điều kiện Menlo nêu để agent thành công là môi trường để agent hành động, context đầy đủ, và kết quả kiểm chứng được, nơi thiếu điều kiện thì tăng chậm, HR tăng 2,5 lần lên 0,9 tỷ USD, marketing tăng 1,8 lần lên 1,2 tỷ USD, trong khi customer success có playbook rõ ràng tăng 4,3 lần lên 2,7 tỷ USD. Vertical AI đạt 10,1 tỷ USD từ 3,5 tỷ USD, tăng 2,9 lần, healthcare 3,7 tỷ USD tăng 2,5 lần, chiếm 37% vertical spend và là vertical lớn nhất, legal 1,8 tỷ USD tăng 2,8 lần, horizontal ngoài coding và chatbot cộng lại 8,8 tỷ USD tăng 3,0 lần.

Mã nguồn mở tăng token lên 19% nhưng tụt tiền xuống 4% trong khi Trung Quốc chiếm 89% spend mã nguồn mở

Token share mã nguồn mở tăng từ 11% lên 19% từ tháng 9/2025 sang tháng 9/2026 nhưng spend share lại giảm từ 6% xuống 4%, vì giá token trung bình giảm 3,3 lần xuống 0,13 USD cho mỗi triệu token trong khi giá blended của closed model chỉ giảm 24% xuống 0,70 USD cho mỗi triệu token, và volume mã nguồn mở tăng 22,5 lần lên ước tính 2,9 quadrillion token mỗi tháng. Model Trung Quốc chiếm 89% open-source spend, gồm Kimi 61%, DeepSeek 15%, GLM 11% và Qwen 3%, còn Llama của Meta là model phương Tây phổ biến nhất với 7%, và các thành phần làm tròn nên cộng lại có thể lệch nhẹ so với tổng mà Menlo công bố.

Post-training mới có 10% builder làm, agent infra thì tăng rất nhanh

Post-training vẫn còn sớm, adoption trong AI builder chỉ tăng từ 6% năm 2025 lên 10% năm 2026, và trong số builder có post-train thì 91% dùng đối tác ngoài, gồm infra provider 50%, expert-data và eval platform 41%, specialist 30%, với ví dụ Cursor xây Composer 2 trên Kimi K2.5. Cái khó Menlo nêu là model chuyên biệt cần cập nhật liên tục theo frontier thay đổi vài tháng một lần, trong khi đa số app company thiếu expertise để train hiệu quả.

Agent infra tăng rất nhanh, 74% builder dùng agent cho workflow và task, 32% dùng nhiều agent cùng lúc, code sandbox tăng từ 11% lên 40%, search từ 5% lên 30%, browser infra từ 4% lên 14%, và database vẫn là hệ thống agent chạm nhiều nhất với 91% AI app nhưng chuyển sang dạng ephemeral theo task. AI-native chiếm 77% app spend và 90% infra spend, coding 96% AI-native, incumbent dẫn IT 91%, data science 88%, HR 68%, và enterprise code activity tăng 5 lần theo năm không tính vibe coding.

Chi ước tính 177 tỷ USD vẫn chưa chứng minh AI đang sinh lời

Headline đã đủ đẹp, nhưng chính chỗ đẹp nhất lại là chỗ mình muốn anh em dừng lại lâu nhất, vì báo cáo này đo tiền chi ra, còn tiền thu về thì báo cáo chưa đo, và phía phản biện đã chỉ thẳng vào khoảng trống đó.

Deep View và Paktechstan cùng chỉ ra Menlo đo spend và chưa đo returns

The Deep View đăng phản biện ngày 3/11/2026 với tiêu đề “AI’s $177B boom still needs to prove its worth”, và luận điểm trung tâm của họ là báo cáo đo spend triển khai, còn returns và giá trị thực thu về thì báo cáo chưa đo, đồng thời đặt câu hỏi “how long will this last?” trước cam kết hạ tầng của các lab. Paktechstan của Hamza Faisal đồng thuận ở mục riêng “What the numbers do not prove”, rằng dollar totals là ước tính theo mô hình, chưa qua kiểm toán, và báo cáo đo spending, còn chuyện 176,8 tỷ USD mà Menlo ước tính có sinh productivity hay profit không thì báo cáo chưa chứng minh. Luận điểm spend khác returns đứng vững về mặt logic phương pháp, vì Menlo không công bố returns.

SaaS tăng trưởng chậm từ 13% xuống 11%, chưa phải là chết

Số liệu Gartner dưới đây mình lấy qua newsletter của Deep View, anh em đọc riêng số này với số Menlo, vì nó thuộc bối cảnh rộng hơn về ROI, với 81% CIO tăng AI spend nhưng 44% CEO khó chứng minh financial returns, chỉ 13% CIO báo cáo significant hoặc transformational value và 11% CFO thấy clear returns. Về phía Menlo, ngân sách mới tài trợ 55% incremental AI spend, 22% lấy từ ngân sách phần mềm hiện có, trong đó 13% vẫn ở lại incumbent chuyển license sang AI như Microsoft Office sang Copilot, chỉ 9% tương đương 12,6 tỷ USD chuyển sang AI-native vendor, tạo headwind khoảng 2 điểm cho thị trường SaaS ứng dụng từ 600 tỷ USD trở lên, tăng trưởng từ +13% xuống +11%, và Menlo tìm thấy ít bằng chứng doanh nghiệp thay core system.

Menlo đầu tư vào Anthropic và OpenRouter, xung đột lợi ích này phải đọc kèm số liệu

Menlo Ventures là nhà đầu tư vào Anthropic và OpenRouter, báo cáo đánh dấu sao cho công ty portfolio, gồm Anthropic, OpenRouter, Fireworks, Modal, Mercor, Legora, Lovable, Factory, OpenEvidence, Eve và các tên khác. Annualized run rate nghĩa là quy đổi chi tiêu quan sát được ra tốc độ cả năm, còn bottom-up nghĩa là cộng từ dưới lên từ survey và hồ sơ công khai, và tổng này là ước tính của Menlo, chưa qua kiểm toán. Ý kiến bổ sung từ Enrique Dans trên Medium ngày 2/11/2026 là ý kiến riêng của tác giả, anh em đọc riêng với dữ kiện Menlo, cảnh báo về “circular financing”.

Team nhỏ ở Việt Nam nên học cách agent làm việc, nhưng đừng bê nguyên số liệu Mỹ về

Sau khi đã thấy tiền chảy về đâu và phía còn lại nói gì, phần này mình viết cho anh em team nhỏ ở Việt Nam với ngân sách khác hẳn enterprise Mỹ.

Team nhỏ nên đặt cược vào workflow agent có kết quả kiểm chứng được

Từ dữ liệu Mỹ, mình gợi ý anh em team nhỏ ưu tiên agent và coding workflow có kết quả kiểm chứng được, thay vì chatbot chung chung, vì đó là nơi tiền dồn về và agent thành công khi đủ ba điều kiện mình vừa nhắc ở phần coding và chatbot. Chris Abraham bổ sung rằng người mua AI visibility ngày càng là machine làm task, đọc nguồn và trích dẫn thứ kiểm chứng được, nên trang chỉ viết cho human skim sẽ bỏ lỡ customer tiêu thụ đa số token, và phải giữ bước phê duyệt của con người ở chỗ agent có thể chi tiêu, gửi hoặc thay đổi thứ quan trọng. Góc làm nghề từ dev.to cũng khớp, tiền đã chuyển từ pilot sang production, cost control cho agentic traffic quan trọng hơn chat interface, và vendor diversification, prompt caching cùng model routing đã thành quyết định tài chính, nên về chọn model, đừng chọn chỉ vì “phe thắng”, mà chọn theo capability cho việc cụ thể và giữ cửa đổi model, vì Menlo tự dự báo concentration sẽ giảm dần.

Kiểm soát bill agent và dùng mã nguồn mở qua inference provider trước khi tự train

Ngân sách agent, mình nghĩ, phải tính theo khối lượng việc, đặt cap và theo dõi bill hàng tháng, vì vượt ngân sách 2,5 lần là phổ biến trong khảo sát Mỹ, và góc CMO của Agile Brand Guide cũng nhắc chuyển line item từ seat sang consumption. Nhìn lại phần agent trên OpenRouter, prompt caching, model routing và approval gate cho agent chi tiêu là quyết định tài chính, tác động thẳng tới hoá đơn hàng tháng. Mã nguồn mở là đường rẻ, 19% token nhưng chỉ 4% spend, nhưng post-training không dễ, chỉ 10% builder làm và 91% trong số đó cần đối tác, nên team nhỏ nên dùng model mở qua inference provider như Fireworks hay Modal trước khi nghĩ tới tự train, với checklist agent infra gồm code sandbox từ 11% lên 40%, search từ 5% lên 30%, browser infra từ 4% lên 14%.

Quy mô, thị phần và giá Mỹ chưa áp dụng thẳng cho Việt Nam

Quy mô ước tính 177 tỷ USD, thị phần 55%, 31% và 9%, giá model, tỷ lệ adoption 65% đều là dữ liệu doanh nghiệp Mỹ, không có mẫu Việt Nam, giá Việt Nam, hay dữ liệu về team nhỏ hay freelancer, hệ quả là thị trường Việt Nam cần số liệu riêng, lựa chọn tool ở Việt Nam cần kiểm chứng giá và khả năng truy cập thực tế trước, và ngân sách team nhỏ cần mức tăng riêng chứ chưa có mức 5,4 lần làm dự báo. Vì vậy, anh em đọc con số này như một ảnh chụp có góc nhìn của nhà đầu tư, với mẫu khảo sát là doanh nghiệp Mỹ.

Kết luận

Tiền đang chảy mạnh vào agent và ba lab lớn nhất, nhưng tiền chảy mạnh chưa chứng minh tiền sinh lời, nên mình nghĩ team nhỏ nên học cách agent làm việc và cách kiểm soát hoá đơn của nó. Tiền chạy theo capability và theo khối lượng việc agent làm được, với ba con số neo, 177 tỷ USD là ước tính bottom-up dạng annualized run rate của Menlo, 80% token chỉ đo trên OpenRouter, và 1,70 USD là doanh thu triển khai theo mô hình của Menlo, con số này đo tiền chi ra, chưa đo lợi nhuận thu về. Hàm ý cho anh em ở Việt Nam gọn lại thành bốn việc, ưu tiên workflow có kiểm chứng, đặt cap và approval gate cho agent, dùng mã nguồn mở qua inference provider trước khi tự train, và giữ cửa đổi model. Anh em đang chạy agent cho việc gì, hoá đơn có vượt ngân sách không, và model nào đáng tiền nhất với việc của mình, chia sẻ trải nghiệm thật dưới phần bình luận.

Nguồn tham khảo

• Báo cáo 2026 State of Enterprise AI của Menlo Ventures: https://menlovc.com/perspective/2026-the-state-of-enterprise-ai/
• Thông cáo báo chí của Menlo Ventures trên GlobeNewswire: https://www.globenewswire.com/news-release/2026/11/03/3394279/0/en/menlo-ventures-2026-state-of-enterprise-ai-report-enterprise-ai-spending-hits-177b-up-5-4x-in-one-year-as-agents-take-over.html
• The Deep View, “AI’s $177B boom still needs to prove its worth”: https://www.thedeepview.com/articles/ai-s-usd177b-boom-still-needs-to-prove-its-worth
• Derrington Collaborative AI, briefing về báo cáo Menlo: https://www.derringtoncollaborativeai.com/briefing/menlo-enterprise-ai-spending-177b
• dev.to, góc làm nghề về chi tiêu AI doanh nghiệp: https://dev.to/delimitter/enterprise-ai-spend-hits-177b-as-agents-become-the-biggest-consumers-of-model-tokens-2ie1
• Paktechstan, phân tích báo cáo Menlo: https://paktechstan.com/enterprise-ai-spending-hits-176-8-billion-as-agents-take-over-menlo-ventures-finds
• Chris Abraham, “AI roundup: the customers are machines now”: https://chrisabraham.net/2026/11/ai-roundup-the-customers-are-machines-now.html
• Agile Brand Guide, tin AI ngày 4/11/2026: https://agilebrandguide.com/yesterdays-marketing-technology-ai-news-november-4-2026/
• The Deep View, newsletter về value gap của Gartner: https://www.thedeepview.com/newsletter/gartner-exposes-ai-s-growing-value-gap
• Enrique Dans, “The AI investment boom: follow the money, not the hype”: https://medium.com/enrique-dans/the-ai-investment-boom-follow-the-money-not-the-hype-1a390c62415a