Một người không biết viết mã đã tự mình đảm nhận toàn bộ chiến dịch tăng trưởng và tiếp thị của Anthropic trong suốt mười tháng

AI thực sự có thể nâng cao hiệu suất làm việc của một người đến mức độ nào?

Gần đây, một bài đăng về Anthropic đã lan truyền mạnh mẽ trên mạng xã hội. Người đăng, Ole Lehmann, cho biết toàn bộ đội ngũ tiếp thị tăng trưởng (growth marketing) của Anthropic—công ty định giá 380 tỷ USD—chỉ gồm một người duy nhất: một chuyên viên tiếp thị không có nền tảng kỹ thuật, tự mình đảm nhiệm toàn bộ các hoạt động như quảng cáo tìm kiếm trả phí, quảng cáo mạng xã hội trả phí, tối ưu hóa cửa hàng ứng dụng (ASO), tiếp thị qua email và SEO trong gần mười tháng liên tục.

Ngay sau khi bài đăng xuất hiện, nhiều bình luận nghi vấn tính xác thực của thông tin. Tuy nhiên, rất nhanh sau đó, chính nhân vật trong câu chuyện đã lên tiếng xác nhận. Austin Lau, chuyên viên tiếp thị tăng trưởng nói trên, phản hồi rằng: “Khi bài báo được viết, tôi đúng là người duy nhất phụ trách mảng tiếp thị tăng trưởng, và tôi đã đảm nhiệm vai trò này một mình trong gần mười tháng.”

Ảnh: Bài đăng liên quan (Nguồn: X)

Đầu tháng 1 năm nay, Anthropic đã công bố một nghiên cứu điển hình chính thức chi tiết mô tả cách làm việc của Austin Lau. Cùng thời điểm đó, Anthropic cũng phát hành một bản bạch thư nội bộ mang tên “Đội ngũ Anthropic sử dụng Claude Code như thế nào”, trình bày các ví dụ thực tế từ mười đội ngũ khác nhau—từ cơ sở hạ tầng dữ liệu đến phòng pháp lý—trong đó có cả đội tiếp thị tăng trưởng.

Trong bạch thư nêu rõ: Đội tiếp thị tăng trưởng tập trung vào các kênh như quảng cáo tìm kiếm trả phí, quảng cáo mạng xã hội trả phí, cửa hàng ứng dụng di động, tiếp thị qua email và SEO; đây là một “đội một người không thuộc lĩnh vực kỹ thuật”, dựa vào Claude Code để tự động hóa các tác vụ tiếp thị lặp đi lặp lại và xây dựng các quy trình làm việc tự động vốn trước đây đòi hỏi nguồn lực kỹ sư rất lớn.

(Nguồn: Anthropic)

Austin Lau không phải là một kỹ sư. Trong video minh họa điển hình do Anthropic phát hành, anh ấy chia sẻ rằng mình “chưa từng viết một dòng mã nào”, và ngay từ đầu khi tiếp xúc với Claude Code, anh thậm chí còn phải tra Google cụm từ “cách mở Terminal trên Mac”. Khi Claude Code vừa ra mắt, phản ứng đầu tiên của anh là “hoàn toàn không hiểu sản phẩm này dành cho ai”, bởi với tư cách một chuyên viên tiếp thị, anh thấy mục đích sử dụng của nó không rõ ràng.

Bước ngoặt xảy ra khi một đồng nghiệp chia sẻ trong nhóm Slack nội bộ của công ty một hướng dẫn cài đặt Claude Code dành riêng cho nhân viên không chuyên kỹ thuật. Austin tò mò cài đặt thử, và chỉ sau một tuần, anh đã xây dựng thành công hai quy trình tự động hóa hoàn toàn thay đổi cách làm việc của mình.

Quy trình thứ nhất là một plugin Figma. Khi triển khai quảng cáo mạng xã hội trả phí và tiếp thị tại các cửa hàng ứng dụng, anh cần xử lý lượng lớn tài nguyên thị giác trong Figma. Trước đây, quy trình làm việc như sau: mỗi khi cần tạo nhiều biến thể văn bản cho cùng một thiết kế, anh phải sao chép thủ công các khung trong Figma, liên tục chuyển đổi giữa Google Tài liệu và Figma để dán từng tiêu đề một. Nếu cần điều chỉnh 10 biến thể văn bản cho 5 tỷ lệ khung hình khác nhau, công việc cơ học này dễ dàng chiếm mất nửa giờ.

Ảnh: Austin Lau (Nguồn: Anthropic)

Anh mô tả điểm đau này bằng ngôn ngữ tự nhiên cho Claude Code và yêu cầu hỗ trợ viết một plugin Figma. Trong quá trình thực hiện, anh yêu cầu Claude Code tham khảo tài liệu API của Figma, vừa nghiên cứu vừa xây dựng nguyên mẫu. Phiên bản nguyên mẫu đầu tiên chưa hoàn hảo, nhưng đủ làm điểm khởi đầu; từ đó, anh liên tục điều chỉnh và cuối cùng tạo ra một plugin hoạt động hiệu quả.

(Nguồn: Anthropic)

Cách hoạt động của plugin như sau: chọn một khung ảnh tĩnh, plugin sẽ tự động nhận diện các thành phần bên trong như tiêu đề, nút kêu gọi hành động (CTA), khối mã… rồi từ danh sách văn bản đã chuẩn bị sẵn, tự động tạo hàng loạt khung Figma độc lập, mỗi khung tương ứng với một biến thể văn bản mới. Một lần xử lý hàng loạt có thể tạo tối đa 100 biến thể quảng cáo, mất khoảng nửa giây. Công việc thủ công từng tốn 30 phút giờ đây chỉ còn 30 giây.

Quy trình thứ hai là luồng tạo văn bản quảng cáo cho Google Ads. Quảng cáo tìm kiếm phản hồi (RSA – Responsive Search Ads) của Google Ads áp dụng giới hạn ký tự nghiêm ngặt: tiêu đề tối đa 30 ký tự, mô tả tối đa 90 ký tự. Trước đây, anh phải soạn nháp trong Google Bảng tính, kiểm tra thủ công số ký tự, rồi lần lượt dán từng phần nội dung vào giao diện quản trị Google Ads.

Austin tạo một lệnh tùy chỉnh dạng slash command “/rsa” trong Claude Code. Khi kích hoạt, Claude Code sẽ yêu cầu nhập dữ liệu triển khai, văn bản quảng cáo hiện có và từ khóa. Sau đó, hệ thống sẽ tra cứu chéo với “Kỹ năng Agent” mà anh đã thiết lập sẵn—bao gồm đặc trưng thương hiệu Anthropic, quy tắc đảm bảo độ chính xác sản phẩm và các thực tiễn tốt nhất cho RSA của Google Ads.

Hệ thống sử dụng hai “sub-agent” (tác tử con) phân công rõ ràng: một chuyên viết tiêu đề, một chuyên viết mô tả, mỗi tác tử làm việc trong giới hạn ký tự riêng của mình. Chất lượng đầu ra nhờ đó cao hơn đáng kể so với việc nhét cả hai nhiệm vụ vào một prompt duy nhất.

Cuối cùng, Claude Code đóng gói 15 tiêu đề và 4 mô tả thành một tệp CSV có thể tải trực tiếp lên Google Ads. Austin nhấn mạnh rằng văn bản được sinh ra chỉ là bản nháp ban đầu; anh vẫn đánh giá từng dòng một: giá trị đề xuất có rõ ràng không? giọng văn có phù hợp không? có sự khác biệt rõ rệt so với đối thủ không? Nhưng ít nhất, công việc nhàm chán là soạn nháp sơ bộ và định dạng đã được tự động hóa hoàn toàn.

Hiệu suất nâng cao từ hai quy trình này đã rất ấn tượng, nhưng hệ thống của Austin không dừng lại ở đó. Anh còn xây dựng một máy chủ MCP (Model Context Protocol) kết nối với API của Meta Ads.

Nhờ tích hợp này, anh có thể trực tiếp truy vấn hiệu suất quảng cáo, dữ liệu chi tiêu và hiệu quả của từng quảng cáo ngay trong ứng dụng Claude dành cho máy tính để bàn—không cần mở bảng điều khiển Meta Ads nữa. Các câu hỏi như “Tuần này quảng cáo nào có tỷ lệ chuyển đổi cao nhất?” hay “Tôi đang lãng phí ngân sách ở đâu?” có thể đặt trực tiếp cho Claude và nhận được câu trả lời kèm dữ liệu thời gian thực.

Quan trọng hơn cả là vòng phản hồi khép kín (closed-loop). Austin xây dựng một hệ thống ghi nhớ để lưu lại giả thuyết và kết quả thử nghiệm của từng vòng lặp quảng cáo. Khi bắt đầu một đợt tạo biến thể mới, Claude sẽ tự động truy xuất toàn bộ dữ liệu từ các thử nghiệm trước đó—biến thể văn bản nào hiệu quả, biến thể nào thất bại—để đảm bảo đợt tạo mới được xây dựng trên nền tảng dữ liệu lịch sử. Hệ thống này ngày càng “thông minh” hơn sau mỗi chu kỳ. Việc theo dõi hệ thống hóa hàng trăm quảng cáo như vậy trong các đội ngũ truyền thống thường đòi hỏi một chuyên viên phân tích dữ liệu toàn thời gian.

Theo bạch thư của Anthropic, kết quả của cách làm này là: thời gian tạo văn bản quảng cáo giảm từ 2 giờ xuống còn 15 phút; khối lượng sáng tạo tăng gấp 10 lần; số lượng và phạm vi kênh quảng cáo mà một mình anh thử nghiệm vượt xa hầu hết các đội tiếp thị đầy đủ nhân sự.

Trong bạch thư nói trên, tiếp thị tăng trưởng chỉ là một trong mười trường hợp được nêu. Đội cơ sở hạ tầng dữ liệu dùng Claude Code để chẩn đoán lỗi cụm Kubernetes, tự giải quyết trong vài phút những vấn đề trước đây phải nhờ chuyên gia mạng; thành viên đội suy luận không có nền tảng học máy dùng công cụ này để hiểu hàm mô hình và thiết lập cấu hình, rút ngắn thời gian tra cứu tài liệu từ một giờ xuống còn 10–20 phút; đội thiết kế sản phẩm trực tiếp dùng Claude Code để chỉnh sửa mã frontend—kỹ sư phát hiện ra các nhà thiết kế đang thực hiện những thay đổi quản lý trạng thái quy mô lớn “mà bạn hiếm khi thấy nhà thiết kế làm”; một thành viên đội pháp lý chỉ mất một giờ để xây dựng ứng dụng hỗ trợ dự đoán văn bản dành riêng cho người thân gặp khó khăn về ngôn ngữ, dù trước đó hoàn toàn không có kinh nghiệm lập trình.

Cách sử dụng Claude Code giữa các vị trí kỹ thuật và phi kỹ thuật khác nhau, nhưng kết luận thì thống nhất: Claude Code đang xóa nhòa ranh giới giữa “có thể làm” và “không thể làm”, trong khi ranh giới này trước đây gần như hoàn toàn do năng lực kỹ thuật quyết định.

Chính Austin Lau trong nghiên cứu điển hình đã khái quát một câu rất ý nghĩa: “Khoảng cách giữa ‘Tôi mong điều này tồn tại’ và ‘Tôi có thể tự tay tạo ra nó’ ngắn hơn nhiều so với phần lớn người nghĩ.”

Tất nhiên, cần làm rõ thêm rằng tiếp thị tăng trưởng (growth marketing) không đồng nghĩa với toàn bộ chiến lược GTM (go-to-market). Anthropic sở hữu đội ngũ thương hiệu, tiếp thị sản phẩm và truyền thông đầy đủ; Austin Lau phụ trách riêng mảng tiếp thị hiệu quả (performance marketing), tức các kênh đo lường được như quảng cáo trả phí, tối ưu hóa cửa hàng ứng dụng (ASO) và SEO.

Tháng Hai năm nay, Anthropic đã chạy quảng cáo trên chương trình Super Bowl—rõ ràng đây không phải việc một người có thể đảm nhiệm. Các tài sản văn bản và thương hiệu mà quy trình của anh dựa vào cũng ban đầu được sản xuất thông qua sự cộng tác giữa đội tiếp thị sản phẩm và đội viết nội dung; Claude chỉ đảm nhiệm phần tạo biến thể và thử nghiệm quy mô lớn trên nền tảng đó.

Gần đây, Austin Lau bổ sung thêm một số bối cảnh trên LinkedIn. Anh cho biết bài báo lan truyền rộng rãi mô tả giai đoạn Quý II năm 2025, khi anh là người duy nhất đảm nhiệm vai trò tiếp thị tăng trưởng—đến nay đã gần 8 tháng. Sau đó, đội ngũ thực tế đã được mở rộng, dù quy mô vẫn nhỏ hơn nhiều so với tưởng tượng của bên ngoài; theo lời anh, “sức mạnh chiến đấu của chúng tôi vượt xa số lượng nhân sự”.

Dẫu vậy, tín hiệu đã đủ rõ ràng. Một công ty có định giá sau vòng gọi vốn đạt 380 tỷ USD và doanh thu hàng năm 14 tỷ USD, trong giai đoạn tăng trưởng nhanh nhất, đã để một chuyên viên tiếp thị chưa từng viết dòng mã nào tự quản lý toàn bộ các kênh tăng trưởng cốt lõi trong suốt mười tháng—and hiệu quả đạt được khá tốt. Điều này đủ để chứng minh rằng khả năng khuếch đại năng lực của AI đối với lao động tri thức có thể lớn hơn nhiều so với những gì kiến trúc tổ chức và thói quen tuyển dụng hiện tại của chúng ta giả định.

Tuy nhiên, mức độ phổ biến của mô hình này hiện vẫn chưa rõ. Tiếp thị tăng trưởng vốn rất số hóa, quy trình hóa và thân thiện với API—do đó rất phù hợp để tự động hóa. Còn ở những lĩnh vực đòi hỏi nhiều hơn yếu tố phán đoán cá nhân hoặc trực giác sáng tạo, tình hình có thể hoàn toàn khác biệt.

Bạch thư của Anthropic, ở phần cuối chương về tiếp thị tăng trưởng, đưa ra ba khuyến nghị: (1) Tìm các quy trình lặp lại có sẵn API để tự động hóa; (2) Phân chia quy trình phức tạp thành nhiều tác tử con chuyên biệt, thay vì cố gắng gom tất cả vào một prompt duy nhất; (3) Trước khi bắt tay viết mã, hãy dành thời gian suy ngẫm đầy đủ về thiết kế tổng thể của quy trình làm việc ngay trên Claude. Ba khuyến nghị này về bản chất đều nhằm nhấn mạnh rằng nút thắt hiệu suất thường không nằm ở năng lực kỹ thuật, mà ở việc bạn có sẵn sàng đầu tư thời gian để phân tích kỹ lưỡng quy trình công việc của mình và giao phần có thể được máy móc đảm nhiệm cho hệ thống hay không.