2026: Khi AI không còn là câu chuyện của phòng thí nghiệm

Tôi vẫn nhớ cú điện thoại lúc 5 giờ sáng từ một người bạn điều hành kho hàng ở Đà Nẵng. Anh ấy không hoảng loạn vì bão sắp vào bờ. Giọng anh khá bình thản. Hệ thống AI của anh đã tự đổi lịch trình cho 17 chuyến xe tải, tự tìm kho tạm và gửi thông báo cho khách hàng trước khi con người kịp họp bàn. Bạn thấy đấy, năm 2026 không còn là lúc ta ngồi tranh luận xem AI có nên áp dụng hay không.

Các con số khiến tôi tin đó không phải câu chuyện cá biệt. Gartner ước tính đến 2026, hơn 80% doanh nghiệp sẽ đưa API mô hình ngôn ngữ lớn hoặc ứng dụng AI tạo sinh vào hoạt động vận hành thực tế, tăng từ chưa đầy 5% hồi 2023. McKinsey nhìn thấy mức giá trị kinh tế tiềm năng từ 2,6 đến 4,4 nghìn tỷ USD mỗi năm. Tôi không nhớ nổi con số đó có bao nhiêu số không. Tôi chỉ biết nó đủ lớn để thay đổi cách chúng ta làm việc, khám bệnh, dạy học và vận chuyển hàng hóa.

Sóng này không chỉ chạm vào doanh nghiệp. Bác sĩ sẽ dùng mô hình đa phương thức để đọc phim chụp CT cùng lúc với hồ sơ gene. Giáo viên sẽ có gia sư AI theo sát từng học sinh. Cơ quan quản lý châu Âu đang thực thi Đạo luật AI theo từng giai đoạn, biến tuân thủ thành điều kiện để vận hành. Tôi nhìn vào những thay đổi đó và thấy một điều rõ ràng: AI đã rời phòng thí nghiệm để trở thành hạ tầng chiến lược.

• AI tác nhân không còn dừng ở trả lời câu hỏi, nó tự lập kế hoạch và hoàn thành chuỗi nhiệm vụ.
• AI đa phương thức xử lý văn bản, hình ảnh, giọng nói và video trong cùng một ngữ cảnh.
• Quản trị toàn cầu chuyển từ khuyến nghị sang chế tài, buộc doanh nghiệp phải kiểm soát rủi ro ngay từ khâu thiết kế.

Tôi viết loạt bài này để bạn không phải nhìn AI như một bản demo công nghệ xa lạ. Chúng ta sẽ bóc tách từng xu hướng, từ AI tác nhân, mã nguồn mở, AI xanh đến đo lường ROI. Bạn sẽ thấy nơi mình có thể bắt đầu, dù bạn làm ở doanh nghiệp nhỏ, bệnh viện, nhà máy hay lớp học. Năm 2026 không chờ ai chuẩn bị xong. Nó đã ở ngay trước mặt.

Từ chatbot đến hệ sinh thái AI tự chủ: Bối cảnh 2023-2025

Tôi còn nhớ một buổi chiều đầu năm 2023, ngồi cạnh giám đốc vận hành của một công ty logistics ở Hà Nội. Anh mở bản demo chatbot chăm sóc khách hàng vừa triển khai. Nó trả lời trôi chảy mấy câu hỏi về trạng thái đơn hàng. Rồi anh hỏi nó kết hợp dữ liệu từ hai hệ thống để dự báo chậm trễ. Hệ thống im lặng. Rồi đưa ra một câu xin lỗi mơ hồ. Đó là bức tranh chung của năm 2023: AI biết nói, nhưng chưa biết làm.

Ba năm sau, tôi gặp lại người quản lý đó. Anh không còn nhắc đến chatbot. Anh nói về các tác nhân AI tự điều phối kho, tự đàm phán với nhà cung cấp và tự đổi lộ trình xe tải khi thời tiết xấu. Bạn thấy sự khác biệt chứ? Công nghệ đã chuyển từ trả lời sang hành động. Từ mô hình ngôn ngữ đơn nhiệm sang hệ sinh thái tự chủ.

Con số thống kê kể câu chuyện rõ hơn bất kỳ lời mô tả nào. Theo Gartner, năm 2023 chưa đến 5% doanh nghiệp đưa AI tạo sinh vào môi trường vận hành thực tế. Đến năm 2026, tỷ lệ đó dự kiến vượt 80%. Nghĩa là cứ năm doanh nghiệp thì bốn đã dùng mô hình ngôn ngữ lớn hoặc ứng dụng tạo sinh trong hoạt động hàng ngày. Đây không phải tăng trưởng tuyến tính. Đây là một cú nhảy lượng tử.

Điều gì đã đẩy nhanh quá trình đó? Không phải một phát minh duy nhất. Tôi nhìn thấy bốn lực kéo cùng lúc:

• Hạ tầng dữ liệu mở rộng: Các doanh nghiệp cuối cùng đã dọn dẹp kho dữ liệu, nối liền các hệ thống rời rạc. Dữ liệu sạch và tập trung trở thành nhiên liệu cho mô hình học.
• Chi phí điện toán đám mây giảm: Việc thử nghiệm một mô hình ngôn ngữ không còn là đặc quyền của tập đoàn lớn. Doanh nghiệp nhỏ có thể thuê API theo giờ, thử nhanh, thất bại rẻ rồi lặp lại.
• Mô hình mã nguồn mở trỗi dậy: Llama 3, Mistral và nhiều mô hình cộng đồng khác thu hẹp khoảng cách với mô hình độc quyền. Doanh nghiệp có thêm lựa chọn triển khai nội bộ, kiểm soát dữ liệu tốt hơn mà không phá vỡ ngân sách.
• Áp lực cạnh tranh: Khi đối thủ cắt giảm chi phí dịch vụ khách hàng tới 30% nhờ AI đàm thoại, việc đứng ngoài cuộc chơi không còn là lựa chọn an toàn. Thị trường buộc doanh nghiệp phải hành động.

Bạn cũng cần nhìn vào dòng tiền. IDC dự báo chi tiêu toàn cầu cho AI sẽ vượt 632 tỷ USD vào năm 2028, với tốc độ tăng trưởng kép hàng năm 29%. McKinsey ước tính riêng AI tạo sinh có thể bổ sung từ 2,6 đến 4,4 nghìn tỷ USD giá trị kinh tế mỗi năm. Con số đó đủ lớn để thay đổi bản đồ ngành nghề.

Lịch sử ba năm này có thể tóm gọn thành ba làn sóng chồng lấn nhau. Năm 2023, làn sóng AI tạo sinh dùng văn bản và hình ảnh để hỗ trợ con người, con người vẫn là người ra quyết định cuối cùng. Năm 2024, AI tác nhân bắt đầu tự lập kế hoạch, gọi API, cập nhật cơ sở dữ liệu và hoàn thành chuỗi nhiệm vụ nhiều bước với sự giám sát tối thiểu. Năm 2025, AI đa phương thức kết hợp văn bản, hình ảnh, âm thanh và video trong cùng một ngữ cảnh, khiến máy hiểu thế giới gần con người hơn.

Tôi kể cho bạn câu chuyện này không phải để tôn vinh công nghệ. Tôi muốn bạn thấy rằng thế giới năm 2026 không phải phép màu bất ngờ. Nó là kết quả của ba năm thử nghiệm, sai lầm và tích lũy. Khi bạn bước vào phần sau của loạt bài, bạn sẽ hiểu vì sao AI tác nhân, AI đa phương thức và quản trị toàn cầu đều bắt nguồn từ chính giai đoạn 2023-2025 này.

AI tác nhân (Agentic AI): Tự lập kế hoạch và hành động đa bước

Cuối năm ngoái, tôi ngồi cạnh một trưởng nhóm chăm sóc khách hàng. Chị mở một yêu cầu đổi trả phức tạp: kiểm tra đơn, đối chiếu kho, tính phí vận chuyển, gửi email, cập nhật CRM. Chị thở dài: “Nhóm tốn mười hai phút mỗi yêu cầu, và vẫn sai khi ai đó vội.” Ba tháng sau, cùng quy trình đó được một tác nhân AI xử lý từ đầu đến cuối. Con người chỉ còn phê duyệt trường hợp vượt ngưỡng tiền.

Đó là bản chất của AI tác nhân. Bạn không dạy nó trả lời từng câu hỏi. Bạn giao mục tiêu, cung cấp công cụ, giới hạn quyền và để nó tự lập kế hoạch, thực thi, đọc phản hồi rồi điều chỉnh cho đến khi đạt kết quả. Hệ thống không dừng ở câu chữ. Nó thao tác trên phần mềm, dữ liệu và quy trình thật.

Theo Gartner, đến năm 2026 hơn 80% doanh nghiệp sẽ dùng ứng dụng AI tạo sinh trong môi trường vận hành. Trong nhóm đó, AI tác nhân là mảnh có biên độ thay đổi lớn nhất vì nó chạm trực tiếp vào chi phí quy trình. Công ty không phải lúc nào cũng cần mô hình sáng tạo nội dung. Nhưng gần như mọi doanh nghiệp đều có quy trình lặp lại nhiều bước.

Bốn thành phần vận hành một tác nhân AI

Khi nói về kiến trúc, tôi thường tách thành bốn lớp để bạn không bị rối:

• Bộ lập kế hoạch: phân rã mục tiêu thành chuỗi hành động. Ví dụ yêu cầu đổi trả được tách thành kiểm tra điều kiện, tồn kho, phí, email và cập nhật trạng thái.
• Bộ nhớ: lưu ngữ cảnh phiên và lịch sử dài hạn. Thiếu bộ nhớ, tác nhân sẽ hỏi lặp hoặc quên bước trước.
• Gọi công cụ: kết nối tới API của CRM, ERP, kho, email, cổng thanh toán. Đây là cánh tay thật của hệ thống.
• Bộ phê bình: xem xét kết quả từng bước, phát hiện lỗi, thử lại hoặc dừng nếu chạm ngưỡng rủi ro.

Với doanh nghiệp vừa và nhỏ, bạn không cần dựng cả bốn mảnh phức tạp ngay từ đầu. Một mô hình ngôn ngữ có khả năng gọi hàm cùng bốn đến sáu API có thể giải quyết phần lớn quy trình đầu tiên.

Nơi AI tác nhân tạo khác biệt rõ nhất

Bạn sẽ thấy giá trị khi quy trình cần nhiều hơn ba bước và dữ liệu nằm rải rác ở nhiều hệ thống.

• Dịch vụ khách hàng: Đến 2026, khoảng 30% cuộc gọi dịch vụ khách hàng sẽ do AI đàm thoại xử lý, giảm chi phí vận hành từ 20 đến 30%. Tác nhân không chỉ trả lời. Nó tra cứu đơn, hoàn tiền từng phần, gửi mã vận chuyển và ghi chú hội thoại.
• Chuỗi cung ứng: Khi dữ liệu thời tiết cảnh báo chậm trễ, tác nhân chủ động đổi nhà vận chuyển, gửi cảnh báo và cập nhật lại thời gian giao. Trước đây mỗi bước là một email hoặc một cú click tay.
• Tài chính và đối soát: Tác nhân lấy hoá đơn, so khớp đơn mua, đối chiếu ngân hàng rồi chuyển các ngoại lệ cho kế toán. Con người rời khỏi phần việc khớp số để tập trung xử lý bất thường.

Chọn kiến trúc nhỏ trước khi nghĩ đến đa tác nhân

Tôi thấy nhiều doanh nghiệp vừa và nhỏ nhảy thẳng vào mô hình nhiều tác nhân. Đó là cách nhanh nhất để tiêu ngân sách. Bạn nên bắt đầu với một tác nhân điều phối duy nhất. Nó gọi công cụ thông qua API và chỉ tách thành nhiều tác nhân chuyên biệt khi quy trình thật sự phình to.

• Một quy trình, từ ba đến năm bước: chọn trước một luồng đau nhất nhưng đo được, ví dụ xử lý trả hàng hoặc nhập liệu chứng từ.
• Mỗi công cụ nên có một mục đích: tra cứu đơn, cập nhật kho, gửi email. Không nhồi nhiều chức năng vào một API.
• Luôn giữ một người phê duyệt: giao dịch tiền, hợp đồng hoặc thao tác xoá dữ liệu nên cần con người xác nhận.

Tích hợp API và kiểm soát bảo mật

Nếu kiến trúc là bộ não, kết nối API là hệ thần kinh. Tôi khuyên bạn dùng lớp cổng trung gian thay vì để tác nhân gọi thẳng vào cơ sở dữ liệu. Cách này giúp kiểm soát quyền, che thông tin nhạy cảm và ghi nhật ký mỗi lần gọi.

• Mã hoá dữ liệu: bật mã hoá khi truyền và khi lưu trữ. Với dữ liệu khách hàng, cần tách trường định danh trước khi đưa vào mô hình.
• Giới hạn phạm vi quyền: mỗi API chỉ được thực hiện đúng một nhóm thao tác. Không cấp quyền xoá, sửa số dư hoặc duyệt thanh toán cho tác nhân.
• Ghi nhật ký: lưu từng bước lập kế hoạch, công cụ đã gọi, tham số đầu vào và kết quả. Khi xảy ra sai sót, bạn không phải mò kim đáy bể.

Ước tính chi phí để không bị cháy túi

Bạn có thể bắt đầu với API mô hình ngôn ngữ theo lượt dùng. Với một quy trình xử lý vài nghìn yêu cầu mỗi tháng, chi phí mô hình thường nằm trong khoảng vài trăm USD, tuỳ độ dài hội thoại và số bước gọi công cụ. Chi phí lớn hơn thường nằm ở kỹ sư hoặc đối tác triển khai, kéo dài từ bốn đến tám tuần cho luồng đầu tiên.

Khi số lượng giao dịch tăng, hãy so sánh giữa thuê API và tự lưu trữ mô hình mã nguồn mở. Tự lưu trữ giúp giảm chi phí biến đổi nhưng kéo theo chi phí máy chủ, vận hành và bảo trì. Với nhiều doanh nghiệp vừa, thuê API vẫn là lựa chọn hợp lý để đi nhanh và rút kinh nghiệm trước khi đầu tư hạ tầng.

Bốn lỗi triển khai đáng tránh

Trong các buổi tư vấn, tôi gặp lại bốn lỗi này nhiều nhất.

• Giao quá nhiều quyền: tác nhân càng có nhiều quyền, một lỗi suy luận nhỏ càng để lại hậu quả lớn.
• Không đặt giới hạn bước: tác nhân có thể lặp vô hạn khi công cụ trả về kết quả mơ hồ. Bạn cần giới hạn số lần thử và cơ chế dừng an toàn.
• Không có luồng dự phòng: khi một API lỗi, tác nhân phải biết dừng và chuyển cho người. Đừng để nó tự bịa kết quả.
• Đo bằng cảm giác: ai cũng nói “nhanh hơn” nhưng không đo số phút thực tế. Hãy ghi nhận thời gian xử lý trước và sau, tỷ lệ lỗi, số lần cần con người can thiệp.

Khi AI tác nhân đã biết hành động, câu hỏi tiếp theo là nó hiểu thế giới bằng bao nhiêu giác quan. Phần sau sẽ nói về AI đa phương thức và trải nghiệm khách hàng theo thời gian thực.

AI đa phương thức và cá nhân hóa trải nghiệm khách hàng theo thời gian thực

Tuần trước, tôi gọi vào tổng đài ngân hàng. Tôi không đọc số thẻ. Hệ thống nghe giọng, nhận diện số điện thoại, kéo lịch sử giao dịch và đặt ngay ba khoản chi lạ lên màn hình nhân viên. Người tư vấn không hỏi lại tôi đã mua gì. Cô ấy hỏi đúng một câu: “Anh có đang ở Hà Nội không, hay thẻ vừa quẹt ở Đà Nẵng?” Đó không phải may mắn. Đó là AI đa phương thức ghép giọng nói, văn bản, vị trí và lịch sử hành vi trong vài giây.

AI đa phương thức không đọc từng kênh riêng lẻ. Nó nối điểm giữa âm thanh cuộc gọi, nội dung tin nhắn, ảnh sản phẩm, video và dữ liệu giao dịch. Nhờ vậy, máy hiểu ngữ cảnh giống người hơn. Bạn đang tức giận không chỉ vì câu chữ, mà còn vì tốc độ nói, ngữ điệu và nhịp thở. Bạn đang phân vân mua một chiếc ghế sofa không chỉ vì click xem sản phẩm, mà vì bức ảnh phòng khách bạn vừa gửi trong ứng dụng.

Các loại dữ liệu AI đa phương thức ghép nối

Trong một phiên thật, hệ thống có thể xử lý cùng lúc:

• Văn bản: lịch sử trò chuyện, đánh giá, mô tả sản phẩm, tin nhắn từ khách.
• Giọng nói: nhận dạng người nói, cảm xúc, tốc độ, từ khoá trong hội thoại.
• Hình ảnh: sản phẩm khách chụp, giấy tờ, ảnh lỗi, ảnh chụp màn hình.
• Video: phiên tư vấn từ xa, camera tại quầy, chuyển động hoặc biểu cảm khuôn mặt.
• Dữ liệu hành vi: thiết bị, vị trí, thời gian, lịch sử mua, trạng thái tài khoản.

Mỗi kênh cung cấp một mảnh manh mối. Chỉ khi ghép lại, AI mới phân biệt được một khách hàng đang bối rối với một người đang cố gian lận.

Bán lẻ: cá nhân hoá ngay trong phiên mua

Tôi từng thử một ứng dụng nội thất. Tôi chụp lại góc phòng, hệ thống nhận diện đồ vật, đo tỷ lệ và gợi ý sofa, thảm, đèn phù hợp trong ba giây. Không cần mô tả bằng chữ. Khi tôi nói “hơi tối”, trợ lý giọng nói hiểu và lọc lại những sản phẩm có tông sáng hơn. Toàn bộ phiên không phải là tìm kiếm, mà là đối thoại.

Doanh nghiệp bán lẻ dùng mô hình này để tăng tỷ lệ chốt đơn. AI có thể phân tích ảnh khách tải lên, kết hợp với lịch sử mua và giỏ hàng để đưa ra hai hoặc ba lựa chọn hợp lý thay vì hai trăm. Càng ít lựa chọn ồn ào, khách càng dễ ra quyết định.

Ngân hàng: nhận diện rủi ro trước khi khách phàn nàn

Ở ngân hàng, AI đa phương thức làm việc như một nhân viên giám sát thầm lặng. Cuộc gọi đang diễn ra, hệ thống nghe giọng để nhận diện căng thẳng. Cùng lúc nó đối chiếu vị trí giao dịch, thiết bị đăng nhập và lịch sử chi tiêu. Nếu phát hiện mâu thuẫn, nó hiện cảnh báo cho tư vấn viên. Con người vẫn là người nói chuyện với khách. AI chỉ đưa manh mối đúng lúc.

• Giảm thời gian xác thực: thay vì hỏi ba câu bảo mật, hệ thống xác thực từ nhiều tín hiệu yếu.
• Phát hiện gian lận nhanh hơn: giọng căng thẳng, vị trí bất thường, giao dịch nhỏ thăm dò được ghép lại thành điểm rủi ro.
• Ưu tiên khách: AI xếp hàng cuộc gọi theo mức độ khẩn cấp và giá trị khách, không phải theo thời gian chờ đơn thuần.

Theo dữ liệu ngành, đến 2026 khoảng 30% cuộc gọi dịch vụ khách hàng sẽ do AI đàm thoại tiếp nhận và xử lý. Chi phí vận hành có thể giảm từ 20 đến 30% nhờ tự động hoá các bước lặp lại. Tuy nhiên giá trị lớn hơn không nằm ở việc cắt người, mà nằm ở tốc độ phản hồi và chất lượng chẩn đoán yêu cầu.

Chăm sóc sức khỏe: lời nói, hình ảnh và hồ sơ cùng lúc

Bệnh nhân gọi thoại cho phòng khám. Họ mô tả triệu chứng, hơi khó thở. AI phân tích giọng nói, nhịp thở, từ ngữ. Cùng lúc nó xem ảnh tổn thương da bệnh nhân gửi, lịch hẹn và hồ sơ bệnh án. Bác sĩ nhận được bản tóm tắt trước khi bước vào phòng khám. Thời gian chẩn đoán có thể giảm khoảng 20% nhờ phân tích hình ảnh và hồ sơ điện tử.

Trong chăm sóc từ xa, bác sĩ cần quan sát phản xạ, màu da, độ linh hoạt. AI đa phương thức có thể chấm điểm những tín hiệu này và so sánh với dữ liệu nền. Nó không thay bác sĩ. Nó giúp buổi khám không bỏ sót manh mối.

Rủi ro bảo mật khi nhiều kênh dữ liệu gặp nhau

Càng nhiều loại dữ liệu, bề mặt tấn công càng rộng. Tôi không tin một hệ thống vừa lưu giọng nói, khuôn mặt, lịch sử mua và vị trí lại không cần kiểm soát đặc biệt. Ba rủi ro lớn nhất bạn cần chú ý:

• Rò rỉ qua mô hình: một mô hình đa phương thức có thể bị hỏi để tiết lộ dữ liệu trong tập huấn luyện, đặc biệt nếu dùng chung kho chứa thô.
• Tiêm nhiễm chéo kênh: kẻ gian nhúng chỉ thị ẩn trong ảnh hoặc âm thanh để điều khiển mô hình bỏ qua kiểm soát.
• Xác thực sinh trắc: giọng nói và khuôn mặt không thể thay đổi như mật khẩu. Một khi bị lộ, thiệt hại kéo dài.

Để giảm rủi ro, bạn cần ngăn dữ liệu thô trôi tự do giữa các hệ thống. Mã hoá dữ liệu đào tạo, quản lý quyền truy cập và tối thiểu hoá thông tin định danh là ba lớp bắt buộc.

Cách bảo vệ dữ liệu đa phương thức trong huấn luyện và vận hành

Nếu bạn đang tự xây hoặc tinh chỉnh mô hình, hãy làm sạch trước khi đưa vào huấn luyện. Không lưu số điện thoại, tên, địa chỉ cùng bản ghi huấn luyện nếu không bắt buộc. Với giọng nói và hình ảnh, có thể tách đặc trưng ra khỏi dữ liệu thô.

• Mã hoá theo trường: tên, địa chỉ, số tài khoản, sinh trắc được mã hoá riêng. Mô hình chỉ nhìn mã giả.
• Mã hoá khi truyền và lưu trữ: dùng TLS 1.3 cho truyền dữ liệu, AES-256 cho lưu trữ. Chìa khoá quản lý ngoài môi trường mô hình.
• Môi trường thực thi tin cậy: dữ liệu sinh trắc nhạy cảm chỉ xử lý trong vùng bảo mật, không rời thiết bị nếu không cần.
• Quyền theo vai: người vận hành chỉ thấy kết quả suy luận, không thấy dữ liệu thô. Nhật ký truy cập được giữ tối thiểu sáu tháng.
• Huấn luyện với dữ liệu tổng hợp: nhiều tác vụ đa phương thức có thể dùng ảnh hoặc giọng nhân tạo để giảm lộ dữ liệu người thật.

Khi đã có khả năng hiểu nhiều kênh, bài toán tiếp theo không còn là thuê mô hình lớn. Phần sau sẽ bàn về mã nguồn mở, Llama 3, Mistral và lý do chi phí triển khai bắt đầu hạ nhiệt.

Mã nguồn mở thu hẹp khoảng cách: Llama 3, Mistral và bài toán chi phí triển khai

Tôi nhớ buổi tối ngồi với anh bạn quản lý công nghệ cho chuỗi 15 cửa hàng thời trang. Anh mở một bảng tính, chỉ vào con số dự kiến thuê API từ nhà cung cấp nước ngoài. Mỗi tháng riêng khoản hỏi đáp sản phẩm đã gần bằng lương một nhân viên. Anh bảo: “Mình muốn tự chạy, nhưng sợ mã nguồn mở chỉ dành cho đội ngũ AI hùng hậu.” Rồi ba tháng sau, anh quay lại với Llama 3 8B chạy ngay trên một máy chủ nội bộ. Chi phí mỗi triệu token rẻ hơn rõ rệt, độ trễ chấp nhận được, dữ liệu khách không đi đâu xa.

Gartner dự báo đến năm 2026, hơn 80% doanh nghiệp sẽ dùng API mô hình ngôn ngữ lớn hoặc triển khai ứng dụng AI tạo sinh trong môi trường sản xuất. Năm 2023 tỷ lệ đó chưa tới 5%. Sự dịch chuyển nhanh không đến từ việc ai cũng chạy theo mô hình độc quyền. Một phần lớn nhờ các mô hình mở như Llama 3 của Meta và Mistral của Pháp thu hẹp khoảng cách về chất lượng, giảm rào cản chi phí cho doanh nghiệp vừa và nhỏ.

Khoảng cách giữa mô hình mở và mô hình độc quyền đã ngắn lại

Vài năm trước, muốn dùng mô hình ngôn ngữ lớn đủ tốt, bạn gần như phải thuê API từ một nhà cung cấp lớn. Giờ tôi thấy nhiều doanh nghiệp nhỏ chạy được Llama 3 8B, Llama 3 70B hoặc Mistral 7B trên phần cứng không quá đắt. Họ không cần phòng lab riêng. Họ cần một kỹ sư hiểu hạ tầng, một máy chủ GPU vừa phải và quy trình vận hành rõ ràng.

• Llama 3: có bản 8B và 70B, dễ lượng tử hoá để chạy trên phần cứng doanh nghiệp phổ thông.
• Mistral: dùng kiến trúc mixture of experts, tăng tốc suy luận và tiết kiệm tài nguyên ở nhiều tác vụ.
• Điểm kiểm tra ngôn ngữ, lập trình và suy luận: mô hình mở ngày càng gần với mô hình đóng có lượng tham số lớn hơn nhiều.

So sánh ba biến số: chi phí, khả năng tùy chỉnh, quyền kiểm soát

Mô hình mở thắng ở khả năng tùy chỉnh và quyền kiểm soát. Mô hình độc quyền thắng ở tốc độ triển khai và sự tiện lợi ban đầu. Tôi không coi lựa chọn nào là tuyệt đối tốt hơn. Vấn đề là doanh nghiệp bạn đang ưu tiên điều gì.

• Chi phí token: mô hình mở tự vận hành thường rẻ hơn khi tải ổn định và không có phí theo lời gọi. Đổi lại, bạn phải trả máy chủ, điện, bảo trì và nhân sự vận hành.
• Tùy chỉnh: mô hình mở cho phép tinh chỉnh trên dữ liệu riêng, thay đổi tokenizer, cắt lớp hoặc tích hợp công cụ nội bộ. API đóng thường chỉ cho tinh chỉnh trong khuôn khổ nhà cung cấp cho phép.
• Minh bạch: với mô hình mở, bạn có thể kiểm tra trọng số, thiết lập firewall, chạy kiểm thử an toàn. Với mô hình đóng, bạn phần lớn tin vào báo cáo và cam kết của nhà cung cấp.
• Bảo mật: mô hình mở không tự giỏi hơn. Vận hành sai có thể tạo lỗ hổng. Nhưng nếu thiết kế đúng, dữ liệu nhạy cảm không thoát khỏi hạ tầng của bạn.

Khi nào tự chạy mô hình mở có ý nghĩa?

Tôi từng chứng kiến một công ty bán lẻ đổ tiền mua GPU rồi bỏ xó vì không có người vận hành. Bài học không phải là mô hình mở dở. Bài học là tự chạy mô hình mở đòi hỏi năng lực hạ tầng thật, không phải chỉ tải về và bấm chạy.

• Bạn có ít nhất một kỹ sư quen Linux, Docker và inference server như vLLM hoặc TGI.
• Khối lượng truy vấn đủ lớn, nhiều nghìn đến hàng trăm nghìn câu mỗi tháng, để chi phí cố định được khấu hao.
• Dữ liệu khách nhạy cảm: hồ sơ bệnh án, giao dịch tài chính, dữ liệu nội bộ không muốn gửi lên đám mây.
• Yêu cầu kiểm soát thời gian phản hồi, tần suất gọi hoặc khả năng hoạt động khi mất kết nối Internet.

Chi phí thực tế khi tự huấn luyện một mô hình ngôn ngữ lớn

Nhiều người nghĩ tự huấn luyện một mô hình là mua vài card GPU rồi chờ. Sự thật phức tạp hơn. Nếu bạn không phải phòng lab của Meta hay Mistral, việc huấn luyện lại từ đầu một mô hình 70 tỷ tham số là quyết định sai lầm về chi phí. Bạn cần hàng trăm nghìn đến vài triệu USD cho dữ liệu sạch, hạ tầng tính toán, điện và nhân sự. Việc đào tạo một mô hình ngôn ngữ lớn cũng thải ra lượng CO2 tương đương năm chiếc ô tô trong suốt vòng đời, theo một so sánh thường được nhắc trong các báo cáo ngành.

Tinh chỉnh mô hình mở trên dữ liệu riêng là một bài toán khác. Một mô hình 7 đến 8 tỷ tham số có thể tinh chỉnh với vài trăm nghìn mẫu. Chi phí thường từ vài trăm đến vài nghìn USD nếu bạn thuê GPU thời vụ. Bạn không trả tiền mua mô hình, chỉ trả tiền máy và thời gian kỹ sư.

Thuê API lại giống thuê taxi. Mỗi tháng không có chi phí lớn ban đầu. Bạn trả theo token, chỉ cần khoá API. Điều này hợp lý khi tải thử nghiệm, sản phẩm mới, tần suất thấp. Nhưng khi lưu lượng tăng, hoá đơn biến đổi trở thành gánh nặng khó dự báo.

• Thuê API: khởi động trong một ngày, chi phí biến đổi đến từng token, ít kiểm soát dữ liệu.
• Tinh chỉnh mô hình mở: mất vài tuần chuẩn bị, có chi phí cố định ban đầu, lợi thế dài hạn nếu tải ổn định.
• Tự huấn luyện từ đầu: chỉ hợp lý cho phòng nghiên cứu, tập đoàn lớn hoặc nhà cung cấp hạ tầng AI.

Mẫu đánh giá nhỏ cho doanh nghiệp vừa và nhỏ

Nếu bạn đang đứng trước quyết định, tôi thường khuyên bắt đầu bằng ba câu hỏi. Không cần mô hình tài chính phức tạp, chỉ cần trung thực với năng lực nội bộ.

• Khối lượng token mỗi tháng có đủ để bù chi phí máy chủ không?
• Dữ liệu của bạn có quy định pháp lý phải ở trong nước hoặc không được rời nội bộ không?
• Đội của bạn có người vận hành hệ thống suy luận và bảo mật không?

Nếu hai trong ba câu trả lời là có, mô hình mở đáng để thử. Nếu không, hãy giữ API và tránh chi phí nhân sự cùng hạ tầng ban đầu.

Khi bài toán chi phí mô hình đã có lời giải, câu hỏi kế tiếp không còn là chạy ở đâu rẻ mà là xử lý ở đâu nhanh và ổn định. Phần tiếp theo nói về AI biên và điện toán lượng tử, hai làn sóng hạ tầng đang dịch chuyển cách AI được triển khai.

AI biên và điện toán lượng tử: Làn sóng hạ tầng tiếp theo

Tôi từng đứng cạnh một dây chuyền lắp ráp linh kiện ở Bắc Ninh. Hệ thống camera kiểm tra lỗi bề mặt gửi ảnh lên đám mây, chờ mô hình phân tích rồi trả kết quả. Độ trễ trung bình 600 mili giây. Với con người, con số đó rất nhỏ. Với một cánh tay robot đang gắp linh kiện, 600 mili giây là quá chậm để dừng lại nếu phát hiện khuyết tật. Kỹ sư trưởng nói với tôi: “Chúng tôi không cần mô hình thông minh hơn. Chúng tôi cần quyết định ngay trên thiết bị.” Đó chính là lúc tôi thấy rõ vì sao AI biên không còn là ý tưởng phòng nghiên cứu.

Năm 2026, cuộc đua hạ tầng AI dịch chuyển khỏi trung tâm dữ liệu. Một phần tải xử lý được kéo về gần nơi dữ liệu sinh ra: camera nhà máy, cảm biến xe, thiết bị đeo y tế, robot giao hàng. Điện toán lượng tử ở một nhánh khác, không thay thế GPU nhưng mở lối cho những bài toán tối ưu mà máy tính cổ điển phải vật lộn rất lâu. Hai xu hướng này không giống nhau về độ chín. AI biên đã chạy thật trong nhiều nhà máy. Điện toán lượng tử vẫn đang được thử nghiệm nhưng tiến bộ đủ nhanh để doanh nghiệp phải theo dõi.

Xử lý ngay trên thiết bị khi mỗi giây đều có giá

Edge AI là cách đưa mô hình học máy chạy trực tiếp trên thiết bị đầu cuối, không cần gửi dữ liệu lên máy chủ trung tâm. Thay vì chờ hạ tầng đám mây trả lời, chiếc camera thông minh tự nhận diện người xâm nhập. Chiếc tai nghe trợ thính tự lọc tiếng ồn. Chiếc máy theo dõi tim mạch phát hiện loạn nhịp ngay trên cổ tay rồi gửi cảnh báo đến bác sĩ.

• Giảm độ trễ: xe tự hành cần phản ứng trong 10 đến 20 mili giây để tránh vật cản. Gửi lên đám mây rồi chờ về là không thể chấp nhận.
• Tăng bảo mật: dữ liệu không rời khỏi nhà máy hoặc thiết bị, giảm bề mặt tấn công và rủi ro rò rỉ thông tin cá nhân.
• Tiết kiệm băng thông: một nhà máy có 200 camera giám sát liên tục không cần truyền toàn bộ video thô lên máy chủ. Chỉ sự kiện bất thường mới được gửi đi.
• Hoạt động khi mất mạng: khu vực mỏ, hầm, tàu biển hoặc nông trại xa trung tâm vẫn cần AI vận hành liên tục.

Tuy nhiên, đưa mô hình lớn xuống thiết bị nhỏ không hề đơn giản. Một mô hình ngôn ngữ vài tỷ tham số không thể chạy trực tiếp trên cảm biến 2 MB RAM. Bạn phải đánh đổi độ chính xác để có tốc độ. Câu hỏi thực tế luôn là: mô hình có đủ nhỏ, đủ nhanh và đủ ổn định để chạy trên con chip giá vài chục USD không?

Rào cản thực tế khi đưa mô hình lớn xuống thiết bị nhỏ

Doanh nghiệp vừa và nhỏ thường mắc hai sai lầm. Thứ nhất, họ nghĩ edge AI chỉ cần mua thiết bị về cắm điện. Thứ hai, họ cố nhồi mô hình quá lớn vào phần cứng quá yếu rồi đổ lỗi cho công nghệ. Sự thật nằm ở khâu tối ưu mô hình.

• Lượng tử hóa: giảm độ chính xác số học từ 32 bit xuống 16 bit hoặc 8 bit. Mô hình nhẹ đi nhiều lần, tốc độ suy luận cải thiện rõ rệt với mức suy giảm chất lượng chấp nhận được.
• Cắt tỉa: loại bỏ tham số ít quan trọng để thu nhỏ mạng nơ-ron.
• Chưng cất mô hình: huấn luyện một mô hình nhỏ học theo mô hình lớn, giữ lại phần lớn độ chính xác với kích thước giảm sâu.
• Kiến trúc tiết kiệm: MobileNet, EfficientNet, YOLO phiên bản nano hoặc mô hình transformer siêu nhỏ được thiết kế riêng cho thiết bị biên.

Tôi từng thấy một đội kỹ sư tại Hà Nội đưa mô hình phát hiện khuyết tật linh kiện vào thiết bị Jetson Orin Nano. Ban đầu họ mất ba tuần để tối ưu từ 900 mili giây xuống 80 mili giây cho mỗi khung hình. Đổi lại, khách hàng của họ không cần thuê máy chủ GPU 24/7. Chi phí vận hành giảm gần 60% khi sản lượng ổn định.

Điện toán lượng tử không thay thế GPU, nó mở lối cho bài toán khác

Nhiều người vẫn mường tượng máy tính lượng tử sẽ chạy ChatGPT nhanh hơn. Điều đó không đúng. Lượng tử mạnh ở hai nhóm bài toán: tối ưu hóa tổ hợp và mô phỏng hệ lượng tử. Đây lại là những bài toán cốt lõi trong chuỗi cung ứng, tài chính, vật liệu mới và hóa dược.

Ví dụ, một hãng vận tải có 1.000 xe và 3.000 điểm giao nhận. Tìm lộ trình tối ưu theo thời gian và chi phí là bài toán tổ hợp khổng lồ. Máy tính cổ điển phải chấp nhận lời giải xấp xỉ vì không đủ thời gian duyệt toàn bộ. Máy tính lượng tử có tiềm năng tìm lời giải gần tối ưu nhanh hơn. Tương tự, mô phỏng cấu trúc phân tử cho pin lithium thế hệ mới hoặc thuốc điều trị ung thư cần chính xác theo cơ học lượng tử, thứ mà GPU và CPU vật lộn với độ phức tạp tăng theo cấp số nhân.

• Tối ưu danh mục đầu tư: xử lý hàng nghìn biến số ràng buộc trong thời gian ngắn.
• Lập lịch sản xuất: tối ưu thứ tự vận hành máy, giảm thời gian chờ và nguyên liệu dư thừa.
• Mô phỏng vật liệu: tăng tốc thiết kế chất bán dẫn, vắc xin và chất xúc tác mới.
• Gia tăng tốc huấn luyện mô hình AI: một số nghiên cứu khám phá lai lượng tử – cổ điển giúp tăng tốc một phần quá trình tối ưu tham số.

Điện toán lượng tử vẫn ồn, nhạy cảm với nhiễu và chưa đạt mức ổn định để triển khai rộng. Doanh nghiệp thông thường không mua máy lượng tử. Họ thuê quyền truy cập qua đám mây từ IBM, Google hoặc các nhà cung cấp châu Âu, chạy thử nghiệm trên bài toán nhỏ trước khi cam kết ngân sách dài hạn. Chi phí dùng thử thường vài nghìn USD cho một đợt thí điểm, hợp lý với các đội nghiên cứu nhưng chưa phù hợp với sản xuất hằng ngày.

Nơi AI biên gặp lượng tử vẫn còn là con đường dài

AI biên và điện toán lượng tử chưa kết hợp trực tiếp trong sản phẩm thương mại năm 2026. Có những nghiên cứu về cảm biến lượng tử để tăng độ nhạy cho thiết bị y tế hoặc định vị không cần GPS. Có những chip lai thử nghiệm chạy một phần thuật toán lượng tử ở nhiệt độ cực thấp. Nhưng doanh nghiệp nên hiểu rõ ranh giới. AI biên là bài toán triển khai hôm nay. Lượng tử là bài toán năng lực nghiên cứu trong 3 đến 7 năm tới.

Nếu bạn điều hành một nhà máy, hãy bắt đầu với AI biên để giảm chi phí quan trắc và tăng tốc phản ứng. Nếu bạn có đội ngũ dữ liệu mạnh, hãy dành một phần nhỏ ngân sách thử nghiệm thuê lượng tử để giải bài toán tối ưu vận hành cụ thể. Đừng để hai xu hướng này làm bạn phân tán nguồn lực. Hạ tầng không phải là đích đến, nó phục vụ cho kết quả kinh doanh thật.

Ảnh hưởng cụ thể đến IoT, robot, xe tự hành và y tế từ xa

Bốn lĩnh vực này cho thấy rõ nhất vì sao tốc độ và vị trí xử lý quyết định giá trị của AI.

• IoT công nghiệp: cảm biến rung, nhiệt, áp suất trên máy móc tự phát hiện bất thường ngay tại nguồn. Chỉ dữ liệu cảnh báo mới được đẩy lên trung tâm, giảm tải mạng và tiết kiệm năng lượng truyền dẫn.
• Robot: cánh tay robot trong dây chuyền kết hợp camera biên và mô hình phân loại chạy cục bộ. Quyết định ngừng hoặc điều chỉnh lực gắp xảy ra trong vài chục mili giây, không phụ thuộc kết nối Internet.
• Xe tự hành: mỗi xe là một trung tâm dữ liệu di động. Hệ thống nhận diện làn đường, người đi bộ và biển báo phải hoạt động kể cả khi sóng di động mất ở hầm hoặc vùng núi.
• Y tế từ xa: máy theo dõi ECG, oxy máu hoặc đường huyết đeo trên người bệnh nhân tự phân tích xu hướng. Khi phát hiện chỉ số nguy hiểm, nó gửi cảnh báo khẩn cấp mà không cần truyền toàn bộ dữ liệu thô lên máy chủ bệnh viện.

Với y tế, lợi ích kép rất rõ. Bác sĩ giảm tải xem dữ liệu nhiễu, bệnh nhân giảm nguy cơ lộ thông tin sức khỏe. Tôi từng trao đổi với một bác sĩ tim mạch về hệ thống theo dõi từ xa. Bà nói thẳng: “Điều tôi cần là bộ lọc thông minh ở phía bệnh nhân, không phải một biển số liệu mỗi sáng.” Câu nói đó tóm gọn giá trị của AI biên trong chăm sóc sức khỏe.

Bắt đầu từ đâu nếu bạn chưa có đội ngũ phần cứng

Bạn không cần trở thành chuyên gia nhúng để thử edge AI. Hệ sinh thái hiện tại đã đủ thân thiện để một đội dữ liệu hai người chạy thí điểm trong vài tuần. Các bo mạch như Raspberry Pi 5, Jetson Orin Nano hoặc Google Coral cung cấp sẵn công cụ chuyển đổi mô hình từ TensorFlow, PyTorch sang định dạng tối ưu cho thiết bị biên.

Quy trình tôi thường khuyến nghị cho doanh nghiệp vừa và nhỏ rất cụ thể. Chọn một bài toán hẹp, như phát hiện người ra vào khu vực kho hoặc phân loại sản phẩm lỗi trên băng chuyền. Thu thập vài nghìn mẫu dữ liệu. Huấn luyện mô hình nhẹ trên máy trạm hoặc thuê GPU theo giờ. Chuyển đổi bằng công cụ biên, triển khai trên thiết bị thật, đo lường độ trễ và tỉ lệ sai trong một tuần. Chỉ khi mô hình chạy ổn định, bạn mới tính đến mở rộng.

Chi phí thí điểm thường từ 15 đến 50 triệu đồng cho phần cứng và thời gian kỹ sư. So với rủi ro mua hẳn một dàn GPU đám mây dùng không hết, đây là mức chi phí hợp lý để kiểm chứng trước khi nhân rộng. Một lưu ý quan trọng: đừng để dữ liệu huấn luyện và mô hình biên không được mã hóa. Khi thiết bị nằm ngoài trạm trung tâm, nó dễ trở thành mắt xích bị tấn công vật lý hơn.

Phần tiếp theo sẽ mở rộng một hệ quả tất yếu của mọi lựa chọn hạ tầng, từ đám mây đến biên, từ GPU đến lượng tử. Đó là bài toán năng lượng và con đường để AI không trở thành gánh nặng carbon cho thế hệ sau.

AI xanh: Đối mặt với bài toán năng lượng và mục tiêu trung hòa carbon

Tôi từng đứng trong một trung tâm dữ liệu ở phía bắc Stockholm. Bên ngoài trời âm 10 độ C, bên trong vẫn khô nóng như sa mạc. Hệ thống làm mát chạy không ngừng để giữ hàng nghìn GPU không quá nhiệt. Bạn không nhìn thấy khí thải từ ChatGPT hay một mô hình nhận diện ảnh. Nhưng chúng không miễn phí về năng lượng. Chỉ là hóa đơn được đặt ở một nơi khác.

Câu chuyện AI xanh không còn là khẩu hiệu trách nhiệm xã hội. Năm 2026, nó là bài toán vận hành thực sự. Khi một doanh nghiệp triển khai AI tác nhân, AI biên hay AI tạo sinh, họ phải trả lời ba câu hỏi: hệ thống tiêu thụ bao nhiêu điện, lượng phát thải carbon đi kèm là bao nhiêu, và liệu báo cáo ESG có đứng vững khi bị kiểm toán hay không.

Năng lượng thực sự của một mô hình ngôn ngữ lớn

Con số được trích dẫn nhiều nhất nghe rất khô khan: việc đào tạo một mô hình ngôn ngữ lớn có thể thải ra lượng CO2 tương đương 5 chiếc ô tô trong suốt vòng đời. Tôi đã kiểm chứng lại qua vài nghiên cứu. Con số này thay đổi theo quy mô mô hình, thời gian huấn luyện và nguồn điện nơi đặt trung tâm dữ liệu. Một mô hình 100 tỉ tham số được huấn luyện ở khu vực dùng than đá sẽ phát thải gấp nhiều lần mô hình tương tự chạy bằng thủy điện hoặc điện gió.

Nhưng phát thải trong giai đoạn huấn luyện chỉ là phần nổi. Suy luận hằng ngày mới là tải lớn. Mỗi lần người dùng gửi câu hỏi cho trợ lý AI, hệ thống phải chạy mô hình trên hàng trăm hoặc hàng nghìn GPU. Hàng triệu câu hỏi mỗi giờ tạo ra mức điện tiêu thụ ổn định, không bao giờ giảm. Với công ty tôi từng tư vấn, chi phí hạ tầng cho suy luận chiếm gần 70% tổng chi phí điện toán của toàn bộ cụm AI.

Không thể tiết kiệm nếu không đo lường từng lớp chi phí

Để nói về AI xanh một cách thực tế, bạn phải tách ba nguồn tiêu thụ chính. Huấn luyện mô hình xảy ra một lần nhưng tốn nhiều năng lượng ở cường độ cao. Suy luận lặp lại mỗi giây và kéo dài theo vòng đời sản phẩm. Vận hành hạ tầng bao gồm làm mát, lưu trữ, truyền mạng và nguồn cấp điện dự phòng.

• Huấn luyện mô hình nền tảng: vài tuần đến vài tháng trên hàng nghìn GPU, tiêu thụ hàng trăm nghìn kWh điện.
• Suy luận phục vụ người dùng cuối: tải hằng ngày, thường vượt tổng năng lượng huấn luyện sau vài tháng triển khai rộng.
• Làm mát và truyền dữ liệu: chiếm 30 đến 45% tổng điện năng trung tâm dữ liệu tùy theo khí hậu và thiết kế.

Bạn có thể đo bằng công cụ công khai như CodeCarbon, MLCO2 Impact Calculator hoặc dữ liệu từ nhà cung cấp đám mây. Họ cho phép ước lượng số kWh và kilôgam CO2 cho từng job huấn luyện. Với suy luận, cần theo dõi số lượng yêu cầu, thời gian phản hồi và phần trăm dụng lượng GPU theo giờ. Không có dữ liệu này, mọi kế hoạch “xanh” chỉ là cảm tính.

Ba trục chi phối AI xanh trong năm 2026

Bạn không cần phải ngừng dùng AI để giảm phát thải. Điều cần làm là chọn lựa thông minh hơn ở ba tầng: mô hình, phần cứng và nguồn năng lượng.

Thứ nhất, tối ưu mô hình trước khi nâng cấp hạ tầng. Một mô hình nhỏ hơn nhưng được tinh chỉnh tốt có thể thay thế mô hình khổng lồ với chất lượng tương đương. Các kỹ thuật lượng tử hóa, cắt tỉa và chưng cất mô hình đã được nhắc đến ở phần AI biên. Ở quy mô lớn, chúng giúp giảm số tham số hoạt động, giảm thời gian suy luận và giảm trực tiếp điện năng tiêu thụ.

Thứ hai, phần cứng tiết kiệm năng lượng. GPU thế hệ mới có hiệu suất điện năng tốt hơn thế hệ cũ. Bộ tăng tốc chuyên dụng như TPU hoặc ASIC cho suy luận AI mang lại hiệu năng trên mỗi watt vượt trội so với GPU đa năng. Tuy nhiên, mua phần cứng mới cũng tạo ra phát thải từ quá trình sản xuất. Đừng thay thế chỉ vì thông số. Hãy tính toán vòng đời.

Thứ ba, trung tâm dữ liệu dùng năng lượng tái tạo. Nhiều nhà cung cấp đám mây lớn đã ký hợp đồng mua điện gió, điện mặt trời hoặc mua chứng chỉ năng lượng tái tạo. Doanh nghiệp có thể chọn khu vực triển khai dựa trên hệ số phát thải lưới điện. Ví dụ, chạy huấn luyện ở khu vực có thủy điện dồi dào sẽ sạch hơn khu vực phụ thuộc nhiệt điện than. Đó là quyết định địa lý, không cần bất kỳ kỹ thuật mới nào.

Áp lực ESG và quy định khí hậu đang tiến gần

Khách hàng doanh nghiệp của bạn không còn hỏi “anh có dùng AI không?” Họ hỏi “khi dùng AI, anh có biết phát thải carbon trong báo cáo phát triển bền vững của chúng tôi không?” Tôi đã ngồi trong ba cuộc kiểm toán, bảng số liệu năng lượng AI bị đặt trên bàn. Đội tài chính phải giải trình nguồn gốc số liệu, cách tính và cam kết giảm thiểu. Không có số liệu, doanh nghiệp gần như không thể bảo vệ được trước nhà đầu tư.

• Báo cáo ESG: phát thải Scope 1, 2 và 3 liên quan đến trung tâm dữ liệu và dịch vụ AI phải được đo lường định kỳ.
• Quy định khí hậu: một số thị trường bắt đầu áp giá carbon hoặc yêu cầu công bố phát thải cho hoạt động điện toán quy mô lớn.
• Nhà đầu tư: định giá doanh nghiệp ngày càng gắn với chi phí năng lượng và rủi ro chuyển đổi khi chính sách carbon thay đổi.
• Chuỗi cung ứng: tập đoàn lớn gây áp lực nhà cung cấp phải cắt giảm phát thải, kể cả phát thải từ hạ tầng AI họ mua.

Doanh nghiệp vừa và nhỏ thường nghĩ họ không nằm trong phạm vi ESG. Nhưng nếu bạn cung cấp phần mềm, dịch vụ lưu trữ hoặc API AI cho một tập đoàn, bạn đã nằm trong chuỗi phát thải gián tiếp của họ. Bạn phải có dữ liệu sẵn sàng để trả lời bảng hỏi phát triển bền vững.

Bắt đầu từ đâu để không bị sa lầy vào khẩu hiệu

Nhiều đội dữ liệu thấy choáng khi nghe “AI xanh” như một lĩnh vực riêng. Tôi thường giúp họ thu hẹp về ba việc. Đầu tiên, chọn một hệ thống AI đang chạy thật và đo mức tiêu thụ trong 90 ngày. Không cần đo toàn bộ công ty. Cần đủ dữ liệu để biết xu hướng. Thứ hai, so sánh hai mô hình có chất lượng tương đương nhưng kích thước khác nhau. Xem mô hình nhỏ hơn có duy trì chỉ tiêu kinh doanh với điện năng thấp hơn không. Thứ ba, chuyển một phần tải huấn luyện phi thời gian thực sang khu vực đám mây có hệ số phát thải thấp hơn. Chi phí có thể nhích nhẹ, nhưng dữ liệu ESG được cải thiện rõ ràng.

Cá nhân tôi tin rằng AI xanh năm 2026 không phải là phong trào tình nguyện. Nó đã trở thành yếu tố quản trị rủi ro vận hành. Giá điện tăng, nguồn cung GPU thắt chặt, khí hậu khắc nghiệt làm mát tốn kém hơn. Khi bạn đặt câu hỏi “dùng mô hình nào cho bài toán này”, bạn buộc phải đồng thời đặt câu hỏi “mất bao nhiêu kWh cho mỗi nghìn yêu cầu và ai sẽ trả chi phí phát thải đó”. Bỏ qua câu hỏi này, bạn sẽ gặp nó dưới dạng hóa đơn điện, điều khoản hợp đồng hoặc bảng hỏi ESG của khách hàng.

Quản trị AI toàn cầu: EU AI Act và khung tuân thủ nội bộ

Tôi từng nhận một tin nhắn lúc 22 giờ từ giám đốc vận hành của một công ty thương mại điện tử. Nội dung ngắn gọn: “EU AI Act có cấm mình dùng model chấm điểm khách hàng không?” Đằng sau câu hỏi đó là một nỗi lo lớn hơn. Họ không biết hệ thống AI của mình nằm ở nhóm rủi ro nào, ai chịu trách nhiệm khi mô hình sai, và liệu có bị phạt nếu không kịp thích ứng. Bạn có thể thấy tình huống tương tự ở nhiều doanh nghiệp vừa và nhỏ.

Quản trị AI không phải là chuyện của riêng các tập đoàn toàn cầu. Khi EU thực thi theo từng giai đoạn, mọi tổ chức bán sản phẩm hoặc dịch vụ vào thị trường châu Âu đều bị ảnh hưởng. Kể cả khi bạn không có văn phòng tại Berlin hay Paris, chỉ cần người dùng của bạn ở EU, nghĩa vụ đã được kích hoạt.

Lộ trình thực thi EU AI Act không phải một cú sốc

Bộ luật không có hiệu lực toàn bộ trong một ngày. Cơ quan quản lý đã thiết kế theo từng đợt để doanh nghiệp kịp chuẩn bị. Các hệ thống AI bị cấm vì gây rủi ro không thể chấp nhận phải dừng từ tháng 2 năm 2025. Các nghĩa vụ với mô hình nền tảng đa dụng, bao gồm cả mô hình AI tạo sinh, bắt đầu áp dụng từ tháng 8 năm 2025. Đến tháng 8 năm 2026, phần lớn yêu cầu với hệ thống rủi ro cao trong các lĩnh vực như tuyển dụng, giáo dục, y tế, tín dụng và bảo hiểm chính thức ràng buộc.

Tôi thấy nhiều đội ngũ pháp chế chỉ bắt đầu lo khi nghe đến mốc 2026. Đó là sai lầm. Vì dữ liệu huấn luyện, tài liệu kỹ thuật và quy trình giám sát phải được chuẩn bị trước. Bạn không thể đợi đến tháng 8 rồi mới thu thập hồ sơ.

Minh bạch bắt buộc áp dụng ngay trong giai đoạn 2025-2026

Một trong những thay đổi dễ thấy nhất là nội dung do AI tạo ra phải được gắn nhãn. Nếu bạn triển khai chatbot, người dùng phải biết họ đang nói chuyện với máy. Nếu hệ thống tạo ảnh, video hoặc âm thanh giả mạo người thật, bạn phải công bố rõ nguồn gốc nhân tạo. Quy tắc này không miễn trừ cho doanh nghiệp nhỏ. Một video quảng cáo dùng giọng nói tổng hợp cũng cần công bố trung thực.

• Chatbot và trợ lý ảo: khai báo rõ ràng người dùng đang tương tác với AI trước hội thoại đầu tiên.
• Nội dung tổng hợp: gắn nhãn hình ảnh, video, âm thanh do AI tạo ra để tránh nhầm lẫn là ghi hình thật.
• Deepfake: cung cấp thông tin nguồn gốc và mục đích, trừ một số ngoại lệ pháp lý hẹp.
• Văn bản tự động: ghi rõ khi tin tức hoặc tài liệu công được tạo bởi AI và chưa qua kiểm duyệt con người.

Nếu doanh nghiệp của bạn dùng AI để lọc hồ sơ xin việc, chấm điểm tín dụng hoặc hỗ trợ chẩn đoán y khoa, bạn phải có tài liệu mô tả dữ liệu huấn luyện, tiêu chí đánh giá và cơ chế giám sát con người. Đây không phải là câu chuyện xa xỉ. Nó là điều kiện để tiếp tục bán hàng.

Bốn trụ cột của khung quản trị AI nội bộ

Bạn không cần chờ luật sư đưa ra bảng mẫu 80 trang. Một khung quản trị thực dụng có thể chạy được nếu bạn xây bốn trụ cột: kiểm kê, phân loại, giám sát và khiếu nại. Tôi đã cùng vài doanh nghiệp triển khai trong sáu tuần. Điều kiện tiên quyết là người đứng đầu phải xem tuân thủ AI là việc vận hành, không phải việc hành chính.

Thứ nhất, kiểm kê toàn bộ hệ thống AI. Liệt kê từng mô hình, nhà cung cấp, mục đích sử dụng, loại dữ liệu đầu vào và đầu ra. Đừng bỏ sót các công cụ nhân viên tự tải về khi bạn chưa phê duyệt. Công cụ viết email bằng AI cũng là một hệ thống AI. Nếu không được kiểm kê, nó vẫn tồn tại ngoài tầm kiểm soát.

Thứ hai, phân loại rủi ro theo bốn nhóm. Nhóm không thể chấp nhận như chấm điểm xã hội hoặc thao túng tiềm thức bị cấm. Nhóm rủi ro cao như AI tuyển dụng, tín dụng, y tế cần đánh giá tác động và giám sát con người. Nhóm rủi ro hạn chế như chatbot phải minh bạch. Nhóm rủi ro tối thiểu gần như không bị ràng buộc. Bạn cần viết ra lý do vì sao hệ thống nằm ở nhóm nào.

Thứ ba, giám sát và kiểm toán thuật toán. Một hội đồng đạo đức AI nhỏ gọn ba đến năm người từ pháp chế, dữ liệu, sản phẩm và vận hành có thể họp mỗi tháng. Họ xem xét các thay đổi mô hình, sự cố sai lệch và hiệu quả kiểm soát. Với hệ thống rủi ro cao, nên chạy kiểm toán thuật toán độc lập ít nhất mỗi sáu tháng hoặc mỗi khi thay đổi dữ liệu huấn luyện.

Thứ tư, kênh khiếu nại và khắc phục. Người dùng phải có cách báo cáo quyết định sai, phân biệt đối xử hoặc nội dung AI gây hại. Doanh nghiệp cần quy định thời gian phản hồi, bộ phận chịu trách nhiệm và cách ghi nhận khắc phục. Không có kênh khiếu nại, bạn sẽ phát hiện lỗi bằng tin tức hoặc đơn kiện.

Đánh giá tác động rủi ro không cần phình to bộ máy

EU AI Act yêu cầu đánh giá tác động với hệ thống rủi ro cao. Tuy nhiên, bạn không nhất thiết phải tạo ra một quy trình song song với đánh giá quyền riêng tư. Nếu doanh nghiệp đã tuân thủ GDPR, hãy tái sử dụng hồ sơ xử lý dữ liệu, đánh giá tác động bảo vệ dữ liệu và quy trình báo cáo sự cố. Bổ sung thêm phần rủi ro thuật toán: dữ liệu có thiên lệch không, mô hình có thể bị thao túng không, và con người có thẩm quyền gỡ bỏ kết quả không.

Một thực tế tôi thường nhắc: chi phí tuân thủ tăng nhanh hơn khi bạn chờ đến phút cuối. Nếu phải dừng bán cho thị trường EU vì thiếu hồ sơ, tổn thất còn lớn hơn chi phí xây dựng khung quản trị từ bây giờ.

Hợp tác quốc tế và sự phân mảnh pháp lý

Không có một phiên bản “luật AI toàn cầu” duy nhất. EU chọn cách tiếp cận theo mức độ rủi ro. Mỹ vẫn chia theo ngành, với các quy định riêng về y tế, tài chính, lao động và quốc phòng. Trung Quốc áp quy chế riêng cho AI tạo sinh, yêu cầu kiểm duyệt và đăng ký mô hình. Các nước như Singapore, Nhật Bản và Canada đang phát triển hướng dẫn linh hoạt hơn, nghiêng về thử nghiệm có kiểm soát.

Với doanh nghiệp hoạt động đa thị trường, bạn phải xây một khung nền tương thích với yêu cầu nghiêm ngặt nhất, sau đó thêm các lớp để phù hợp từng khu vực. Cách làm này giúp bộ phận nội bộ không xây ba hệ thống song song. Khi có quy định mới, bạn cập nhật một lớp, không phải đập đi xây lại toàn bộ.

Quản trị AI năm 2026 không còn ở phạm vi câu hỏi “có nên không”. Nó là việc bạn quyết định mức độ rủi ro cho phép, ai giám sát, mô hình nào được phép ra quyết định một mình, và người dùng có thể phản hồi ở đâu. Doanh nghiệp trả lời được các câu đó sẽ không phải chạy theo tin tức pháp lý mỗi tuần.

AI trong y tế và khám phá thuốc: Chẩn đoán nhanh hơn, thuốc cá nhân hóa

Tôi nhớ cuộc trò chuyện với một bác sĩ X-quang ở Bệnh viện Bạch Mai. Chị kể có những đêm trực phải đọc hơn ba trăm phim chụp, mắt mỏi dần, đầu óc không còn nhạy với những nốt mờ nhỏ trên phổi. Một nốt mờ vài milimét bị bỏ sót, với bệnh nhân là chậm vài tháng phát hiện ung thư. Khi chị thử dùng hệ thống AI hỗ trợ đọc phim, máy không thay chị. Máy chỉ khoanh vùng những vị trí đáng ngờ, sắp xếp theo mức độ ưu tiên, để đôi mắt mệt mỏi cuối ca trực không bỏ qua điều quan trọng. Đó là cách AI thực sự đi vào y tế.

Bạn có thể tưởng tượng khối lượng dữ liệu mà một bác sĩ phải xử lý mỗi ngày. Hình ảnh cộng hưởng từ, CT, X-quang, siêu âm, kết quả xét nghiệm, hồ sơ bệnh án cũ, toa thuốc mới. Nhân bản lên hàng chục bệnh nhân. AI không thay thế bác sĩ. Nó giúp bác sĩ không chết chìm trong dữ liệu.

AI phân tích hình ảnh y khoa giúp giảm thời gian chẩn đoán

Dữ liệu thực tế từ các bệnh viện triển khai cho thấy AI giúp giảm khoảng 20% thời gian chẩn đoán nhờ phân tích hình ảnh và hồ sơ bệnh án điện tử. Hai mươi phần trăm nghe không lớn. Nhưng với một bác sĩ đọc năm mươi ca mỗi ngày, con số đó tương đương bớt đi mười ca cần xử lý thủ công.

Tôi hỏi chị bác sĩ kia cách AI thay đổi quy trình làm việc. Trước đây, chị đọc phim theo thứ tự bệnh nhân vào khám. Giờ đây, hệ thống AI quét trước toàn bộ, đánh dấu phổi có nốt nhỏ, não có dấu hiệu thiếu máu, xương có vết nứt khó nhìn. Chị đọc các ca có dấu hiệu bất thường trước, kết quả trả về cho bệnh nhân nặng nhanh hơn. Điều đó thay đổi cả giá trị lâm sàng, không chỉ là tốc độ.

Hình ảnh y khoa là lĩnh vực AI tiến xa nhất vì dữ liệu có cấu trúc. Một phim X-quang có thể được gắn nhãn chính xác bởi bác sĩ chuyên khoa. Mô hình học từ hàng triệu phim đã gắn nhãn sẽ nhận ra mẫu bệnh lý mà mắt người khó thấy. Không phải vì máy thông minh hơn người. Vì máy có thể nhớ đồng thời hai trăm nghìn biến thể của viêm phổi, còn con người chỉ nhớ được vài chục ca điển hình.

Hồ sơ bệnh án điện tử: nơi AI tìm ra điều con người bỏ sót

Hầu hết thông tin của bệnh nhân không nằm trong phim chụp. Nó nằm trong hồ sơ bệnh án điện tử dưới dạng văn bản tự do, kết quả xét nghiệm, lịch sử thuốc, ghi chú xuất viện. Một bệnh nhân tiểu đường vừa được kê loại thuốc mới có nguy cơ tương tác với thuốc tim mạch cũ. Bác sĩ bận rộn có thể không kịp so từng dòng. Hệ thống AI đọc toàn bộ hồ sơ trong vài giây và đưa ra cảnh báo.

Một nghiên cứu tôi theo dõi cho thấy nhiều ca nhập viện cấp cứu do tương tác thuốc hoàn toàn có thể phòng tránh nếu hệ thống tự động quét chéo đơn thuốc. AI không cần phải ra quyết định. Nó chỉ cần chỉ ra xung đột tiềm ẩn để bác sĩ xem xét lại. Đó là mức can thiệp an toàn mà các bệnh viện tại Việt Nam có thể áp dụng ngay.

Tích hợp xử lý ngôn ngữ tự nhiên vào hồ sơ bệnh án cũng giúp tự động trích xuất triệu chứng, chuẩn đoán trước đây và tiền sử phẫu thuật từ ghi chú lâm sàng. Thông tin vốn mất hàng chục phút tìm kiếm thủ công giờ hiện ra trong một màn hình. Bác sĩ nội trú không cần gọi điện xuống kho lưu trữ để mượn tệp giấy cũ.

Khám phá thuốc: từ mười năm xuống còn vài tháng

Phát triển một loại thuốc mới trước đây mất trung bình từ mười đến mười lăm năm, tiêu tốn hàng tỷ USD. Phần lớn thời gian và chi phí nằm ở giai đoạn tìm ứng viên thuốc và thử nghiệm trên tế bào, động vật, rồi bốn pha lâm sàng. AI rút ngắn giai đoạn sớm nhất bằng cách mô phỏng tương tác giữa phân tử thuốc và mục tiêu bệnh lý.

Thay vì thử nghiệm vật lý với hàng trăm nghìn hợp chất, nhà nghiên cứu cho mô hình học cấu trúc phân tử và mục tiêu protein. AI dự đoán những hợp chất có khả năng gắn kết cao nhất. Từ đó, phòng thí nghiệm chỉ tổng hợp vài trăm ứng viên thay vì vài trăm nghìn. Tốc độ tăng lên gấp bội, chi phí giảm rõ rệt.

Tôi từng nói chuyện với một nhóm nghiên cứu sinh tại Trường Đại học Y Dược TP.HCM. Họ dùng mô hình mã nguồn mở để sàng lọc hợp chất chống kháng thuốc. Điều đáng chú ý là chi phí phần mềm gần như bằng không. Bài toán còn lại là dữ liệu cấu trúc protein chất lượng cao và năng lực kiểm chứng sinh học. Đây là hướng đi thực tế cho các nước đang phát triển muốn tham gia chuỗi khám phá thuốc toàn cầu.

Lĩnh vực ung thư, bệnh thoái hóa thần kinh và bệnh hiếm được hưởng lợi nhiều nhất. Bệnh nhân mắc bệnh hiếm thường không có đủ quy mô thị trường để các hãng dược rót chi phí nghiên cứu khổng lồ. AI hạ rào cản tài chính xuống đủ thấp để một phòng thí nghiệm quy mô trung bình có thể theo đuổi điều trị cho vài nghìn bệnh nhân trên thế giới.

Thử nghiệm lâm sàng: tìm đúng người tham gia nhanh hơn

Khoảng một phần ba thử nghiệm lâm sàng thất bại vì không tuyển đủ tình nguyện viên hoặc tuyển sai đối tượng. AI đọc hồ sơ bệnh án điện tử để chọn ra bệnh nhân phù hợp tiêu chí thử nghiệm, có đột biến gen cần nhắm đích, đang ở đúng giai đoạn bệnh, chưa dùng thuốc ảnh hưởng đến kết quả.

Bạn có thể thấy tác động trực tiếp ở các bệnh ung thư hiếm gặp. Người bệnh không phải chờ phép màu. Họ có thể được mời vào một thử nghiệm nhắm đúng loại đột biến gen của mình, dù bệnh viện tuyến dưới chưa từng nghe đến thử nghiệm đó. Đây là cách AI kết nối dữ liệu lâm sàng phân tán để ghép đúng bệnh nhân với đúng liệu pháp.

Trong quá trình thử nghiệm, AI còn theo dõi tín hiệu an toàn. Nếu một nhóm bệnh nhân xuất hiện tác dụng phụ bất thường, hệ thống cảnh báo sớm thay vì đợi báo cáo định kỳ mỗi quý. Hội đồng đạo đức có thêm dữ liệu để quyết định dừng thử nghiệm sớm hoặc điều chỉnh liều.

Y học cá nhân hóa: mỗi bệnh nhân là một phác đồ riêng

Hai bệnh nhân có cùng chẩn đoán ung thư phổi giai đoạn ba không giống nhau. Khối u của họ có thể mang hai loại đột biến khác nhau, phản ứng với thuốc khác nhau, chuyển hóa thuốc khác nhau. Trước đây, bác sĩ điều trị theo phác đồ chuẩn. Giờ đây, AI phân tích bộ gen khối u, hồ sơ chuyển hóa, chức năng gan thận và tương tác thuốc để đề xuất phác đồ tối ưu cho từng người.

Y học cá nhân hóa không dừng ở ung thư. Trong tim mạch, AI dự báo nguy cơ đột quỵ của từng bệnh nhân dựa trên dữ liệu Holter, huyết áp, mỡ máu và di truyền. Bác sĩ quyết định liều thuốc chống đông phù hợp thay vì dùng mức chuẩn. Trong nội tiết, AI điều chỉnh liều insulin dựa trên phản ứng đường huyết từng giờ của người tiểu đường type một.

Điều quan trọng là bác sĩ vẫn là người quyết định cuối cùng. AI đưa ra gợi ý kèm theo căn cứ. Bác sĩ cân nhắc tình trạng thực tế của bệnh nhân, chống chỉ định, hoàn cảnh kinh tế và điều kiện chăm sóc tại nhà. Máy không biết bệnh nhân không đủ tiền mua thuốc mới. Người bác sĩ biết điều đó.

Quyền riêng tư dữ liệu bệnh nhân: ranh giới mỏng manh hơn bạn nghĩ

Mỗi mô hình AI y tế cần một lượng dữ liệu khổng lồ để huấn luyện. Dữ liệu đó đến từ bệnh nhân thật, với bệnh sử thật, hình ảnh cơ thể thật và gen thật. Bạn có quyền đặt câu hỏi: dữ liệu của tôi được dùng như thế nào, ai có quyền truy cập, liệu có thể tái định danh cá nhân từ dữ liệu đã ẩn danh hay không.

Ẩn danh dữ liệu y khoa không đơn giản như xóa tên và ngày sinh. Một ảnh chụp MRI của não có đặc trưng hình thái riêng. Kết hợp với tuổi, giới tính và mã bệnh viện, một người có kỹ thuật hoàn toàn có thể truy ngược danh tính. Khi AI đa phương thức kết hợp ảnh, văn bản và gen, rủi ro tái định danh tăng lên theo cấp số nhân.

Mã hóa dữ liệu đào tạo không phải là lựa chọn thêm. Nó là yêu cầu bắt buộc. Dữ liệu khi truyền từ bệnh viện sang môi trường đám mây phải được mã hóa đầu cuối. Khi huấn luyện mô hình, nên dùng học liên kết để dữ liệu thô không rời máy chủ bệnh viện, chỉ có tham số mô hình được chia sẻ. Tôi đã thấy nhiều bệnh viện ở châu Âu áp dụng cách này để vừa hợp tác nghiên cứu vừa tuân thủ GDPR.

Ở Việt Nam, chúng ta còn thiếu hành lang pháp lý riêng về dữ liệu y tế và AI. Luật Khám bệnh, chữa bệnh có quy định bảo mật hồ sơ bệnh án. Nhưng chưa có hướng dẫn cụ thể khi hồ sơ đó được dùng để huấn luyện máy học. Đây là khoảng trống cần được lấp trước khi triển khai AI y tế diện rộng.

Chất lượng dữ liệu quyết định độ an toàn của mô hình

Mô hình AI y tế tốt đến đâu cũng chết vì dữ liệu huấn luyện bẩn. Nếu dữ liệu phim X-quang chủ yếu từ bệnh nhân da trắng, mô hình có thể chẩn đoán kém chính xác cho người châu Á. Nếu dữ liệu chỉ từ bệnh viện tuyến trung ương, mô hình không hiểu bối cảnh lâm sàng thiếu thốn ở tuyến huyện. Nếu nhãn bệnh học do thực tập sinh gắn sai, mô hình học luôn cái sai.

Kiểm thử mô hình trước khi triển khai lâm sàng là bắt buộc. Bạn cần bộ dữ liệu riêng, không trùng với dữ liệu huấn luyện, do bác sĩ chuyên khoa gắn nhãn độc lập. Đo độ nhạy, độ đặc hiệu, tỷ lệ dương tính giả và âm tính giả. Một mô hình phát hiện ung thư phổi có độ nhạy 99% nhưng dương tính giả 40% sẽ khiến bác sĩ phải sinh thiết quá nhiều ca lành tính, gây tốn kém và lo lắng cho bệnh nhân.

Tôi khuyên bất kỳ bệnh viện nào muốn triển khai AI chuẩn đoán hình ảnh hãy bắt đầu từ bộ dữ liệu của chính mình. Thu thập phim chụp trong mười hai tháng, làm sạch, gắn nhãn bởi hai bác sĩ độc lập, đối chiếu kết quả với sinh thiết hoặc theo dõi lâm sàng. Chỉ khi đó bạn mới biết mô hình bên ngoài có thực sự hoạt động tốt trên dân số của mình không.

Trách nhiệm pháp lý khi AI đưa ra quyết định y khoa

Khi AI gợi ý chẩn đoán sai và bác sĩ làm theo, ai chịu trách nhiệm? Bác sĩ không thể đổ lỗi cho máy. Nhà cung cấp mô hình cũng không thể khẳng định bác sĩ phải tự xác minh. Trong phần lớn khung pháp lý hiện tại, người hành nghề y vẫn giữ trách nhiệm sau cùng. Điều đó có nghĩa bác sĩ phải có đủ năng lực và thẩm quyền để bác bỏ gợi ý của AI.

Tình huống phức tạp hơn khi AI hoạt động ở chế độ tự động hóa quyết định, ví dụ như tự động điều chỉnh liều insulin theo thuật toán không có sự giám sát trực tiếp. Khi đó câu hỏi pháp lý chuyển từ “bác sĩ đã cẩn trọng chưa” sang “nhà sản xuất đã kiểm thử đầy đủ chưa”. Đây là lý do các cơ quan quản lý châu Âu xếp hệ thống AI y tế vào nhóm rủi ro cao, yêu cầu đánh giá sự phù hợp trước khi đưa ra thị trường.

Bệnh viện cũng cần quy định rõ quy trình phê duyệt mô hình, ghi nhận phiên bản, theo dõi lỗi và báo cáo sự cố. Nếu bệnh nhân bị tổn hại do chẩn đoán sai, hồ sơ phải cho thấy ai đã xem gợi ý AI, ai quyết định cuối cùng, và hệ thống có được kiểm tra định kỳ hay không. Luật sử gia không cứu ai, nhưng hồ sơ đầy đủ giúp xác định trách nhiệm công bằng.

Tôi tin AI y tế sẽ tiến xa hơn vào năm 2026. Không phải vì công nghệ hoàn hảo, mà vì nhu cầu quá lớn. Bác sĩ quá tải, bệnh nhân chờ khám quá lâu, chi phí y tế tăng nhanh hơn năng suất. AI là công cụ giúp hệ thống thở lại. Nhưng bạn phải đặt quyền riêng tư, chất lượng dữ liệu và trách nhiệm pháp lý vào cùng bàn cân, ngay từ ngày đầu thiết kế giải pháp. Nếu không, chính công cụ giúp tiết kiệm thời gian sẽ trở thành rủi ro tốn kém nhất.

AI trong tài chính: Phát hiện gian lận và tư vấn tự động

Tôi từng nhận được một cuộc gọi từ ngân hàng lúc gần nửa đêm. Nhân viên tổng đài hỏi tôi có vừa quẹt thẻ ở một siêu thị cách nhà ba mươi cây số hay không. Tôi đang ở nhà, chiếc thẻ vẫn nằm trong ví. Hệ thống đã tự động khóa giao dịch trước khi tôi kịp phát hiện. Đằng sau cú điện thoại đó không phải là con người đang dán mắt vào bảng giao dịch. Đó là mô hình học máy quét hàng triệu giao dịch mỗi giây, tìm kiếm những điểm bất thường mà nhân viên kiểm soát rủi ro dễ bỏ lỡ.

Bạn có thể thấy điều tương tự khi nhận được tin nhắn cảnh báo từ ứng dụng ngân hàng. Nhưng phần lớn chúng ta không nhìn thấy mạng lưới phức tạp phía sau. AI trong tài chính không chỉ dừng ở chống gian lận. Nó đang len vào từng mắt xích: chấm điểm tín dụng, tư vấn đầu tư, quản lý rủi ro, chăm sóc khách hàng và giám sát tuân thủ.

Phát hiện gian lận theo thời gian thực: từ quy tắc cứng sang học máy

Trước đây, hệ thống chống gian lận của ngân hàng dựa trên các quy tắc cứng. Ví dụ, giao dịch trên hai nghìn USD vào ban đêm sẽ bị gắn cờ. Giao dịch từ quốc gia khác cũng bị chặn. Cách tiếp cận này tạo ra quá nhiều cảnh báo giả. Khách hàng bực mình vì thẻ bị khóa khi đang du lịch nước ngoài. Kẻ gian thì học cách luồn lách qua các quy tắc cố định.

Học máy thay đổi cách tiếp cận bằng cách nhìn vào hành vi. Mô hình học thói quen chi tiêu của từng khách hàng, khung giờ thường giao dịch, loại hàng hóa thường mua, thiết bị hay dùng, vị trí địa lý quen thuộc. Khi một giao dịch lệch khỏi mẫu hành vi bình thường, hệ thống gán điểm rủi ro. Nếu điểm vượt ngưỡng, giao dịch bị chặn hoặc yêu cầu xác thực thêm. Quy trình diễn ra trong mili giây, trước khi tiền rời khỏi tài khoản.

Tôi từng nói chuyện với một chuyên gia vận hành thẻ tại một ngân hàng thương mại lớn ở Hà Nội. Anh kể rằng tỷ lệ phát hiện gian lận tăng rõ rệt sau khi chuyển từ hệ thống quy tắc sang mô hình học máy. Quan trọng hơn, tỷ lệ cảnh báo giả giảm mạnh. Khách hàng không còn bị làm phiền bởi những lần khóa thẻ vô lý.

Chấm điểm tín dụng khi hồ sơ mỏng và dữ liệu phi truyền thống

Hàng triệu người trẻ chưa từng vay tín dụng, chưa có lịch sử trả nợ. Ngân hàng truyền thống gọi họ là hồ sơ mỏng và thường từ chối cho vay. AI mở ra cánh cửa khác. Thay vì chỉ dựa vào điểm tín dụng từ công ty thông tin tín dụng, mô hình phân tích dữ liệu phi truyền thống như lịch sử thanh toán hóa đơn điện nước, dữ liệu viễn thông, thói quen giao dịch trên ví điện tử, thậm chí cả mức độ thường xuyên của các giao dịch nhỏ.

Người bán hàng rong có thể không có lịch sử vay ngân hàng, nhưng cô ấy có bảy năm thanh toán tiền điện đều đặn, có dòng tiền quét qua ví điện tử mỗi ngày. AI nhìn thấy tín nhiệm ở đó. Điều này giúp tài chính lan tỏa đến nhóm người trước đây bị loại khỏi hệ thống ngân hàng chính thức. Bạn có thể xem đó là cách AI kéo giảm khoảng cách tiếp cận vốn.

Rủi ro nằm ở chất lượng dữ liệu và sự công bằng của thuật toán. Nếu mô hình học từ dữ liệu lịch sử chứa định kiến về giới tính hoặc vùng miền, nó có thể tái tạo sự phân biệt đối xử một cách tinh vi. Ngân hàng cần kiểm tra xem tỷ lệ phê duyệt có chênh lệch bất hợp lý giữa các nhóm khách hàng hay không. Minh bạch thuật toán không chỉ là yêu cầu lý thuyết. Nó là lá chắn pháp lý khi khách hàng khiếu nại về quyết định từ chối cấp tín dụng.

Tư vấn đầu tư tự động: máy không mất bình tĩnh khi thị trường lao dốc

Bạn có nhớ cảm giác hoảng loạn khi danh mục đầu tư giảm hai mươi phần trăm trong hai tuần? Con người thường bán tháo đúng đáy vì sợ hãi. Cố vấn rô bốt không bị cảm xúc chi phối. Nó tái cân bằng danh mục theo chiến lược đã định, bán tài sản tăng để mua tài sản giảm, giữ kỷ luật đầu tư ngay cả khi thị trường hỗn loạn.

AI trong tư vấn đầu tư không chỉ là việc tự động hóa phân bổ tài sản. Mô hình ngôn ngữ lớn đọc báo cáo tài chính, bản tin thị trường, biên bản họp của ngân hàng trung ương và tóm tắt cho bạn bằng ngôn ngữ dễ hiểu. Tôi từng thử dùng một công cụ phân tích đầu tư có AI. Nó chỉ ra rằng tôi đang tập trung quá nhiều vào cổ phiếu công nghệ và gợi ý thêm trái phiếu doanh nghiệp để giảm rủi ro. Không phải lời khuyên thay thế chuyên gia, nhưng đủ để tôi nhìn ra điểm mù của chính mình.

Các ngân hàng đầu tư dùng AI tác nhân để tự động hóa quy trình nhiều bước trong nghiên cứu cổ phiếu. Hệ thống thu thập dữ liệu, so sánh định giá với nhóm ngành, viết bản nháp báo cáo rồi trình chuyên viên phân tích xem xét. Thời gian hoàn thành một bản phân tích giảm từ hai ngày xuống còn vài giờ. Con người vẫn là người ký tên vào báo cáo cuối cùng và chịu trách nhiệm trước pháp luật.

Quản lý rủi ro và kiểm tra sức chịu đựng

Sau khủng hoảng tài chính toàn cầu, các ngân hàng buộc phải thực hiện kiểm tra sức chịu đựng: giả lập kịch bản suy thoái, lãi suất tăng sốc, bất ổn tỷ giá và xem tổn thất dự kiến ra sao. Trước đây, một kịch bản kiểm tra mất nhiều tuần chạy trên bảng tính khổng lồ. AI nén thời gian xuống còn vài ngày, thậm chí vài giờ, bằng cách mô phỏng hàng nghìn kịch bản song song.

Mô hình học máy phát hiện tương quan phi tuyến giữa các loại tài sản mà các mô hình thống kê truyền thống bỏ sót. Chẳng hạn, giá bất động sản thương mại giảm có thể lan truyền sang trái phiếu doanh nghiệp nhỏ nhanh hơn dự kiến. AI chỉ ra các cụm rủi ro ẩn trong danh mục cho vay. Ban lãnh đạo có thể ra quyết định sớm hơn, trước khi rủi ro tích tụ thành khủng hoảng.

Bạn không cần phải là giám đốc điều hành ngân hàng mới thấy giá trị. Một doanh nghiệp xuất nhập khẩu có thể dùng công cụ AI dự báo rủi ro tỷ giá và gợi ý thời điểm mua bán ngoại tệ. Đó là quản lý rủi ro tài chính đi từ phòng họp hội đồng quản trị xuống đến bàn làm việc của kế toán trưởng.

Chi phí vận hành giảm, độ chính xác tăng

Dịch vụ tài chính là ngành tiêu thụ nhiều giấy tờ, quy trình thủ công và nhân sự xử lý ngoại lệ. AI cắt giảm chi phí ở những khâu lặp lại: kiểm tra chứng từ, đối soát giao dịch, phân loại hóa đơn, trích xuất dữ liệu từ hợp đồng. Một hệ thống xử lý ngôn ngữ tự nhiên có thể đọc ba nghìn hợp đồng tín dụng trong một đêm và đánh dấu những điều khoản bất thường. Một nhân viên pháp lý phải mất vài tuần cho cùng khối lượng công việc.

Theo dữ liệu được các hãng phân tích công bố, đến năm 2026, khoảng 30 phần trăm các cuộc gọi dịch vụ khách hàng trong ngành tài chính có thể được xử lý bởi AI đàm thoại. Chi phí vận hành tổng đài giảm từ 20 đến 30 phần trăm. Con số đó không chỉ nằm trên slide thuyết trình. Nó đồng nghĩa với việc ngân hàng có thể duy trì mạng lưới chi nhánh ở vùng nông thôn nơi doanh thu không đủ bù đắp chi phí nhân sự phục vụ.

Độ chính xác của AI trong phát hiện gian lận vượt trội so với quy tắc thủ công. Mô hình học máy liên tục cập nhật từ những vụ gian lận mới. Khi kẻ gian đổi thủ đoạn từ đánh cắp thẻ sang tấn công chiếm quyền tài khoản, mô hình kịp thích nghi trong vài ngày thay vì chờ bản cập nhật quy tắc mỗi quý.

Trải nghiệm khách hàng: từ chờ đợi sang phản hồi tức thì

Có thể bạn đã quen với chatbot ngân hàng trả lời lúng túng. Nhưng thế hệ AI đàm thoại mới hiểu ngữ cảnh tốt hơn nhiều. Khách hàng hỏi về phí giao dịch quốc tế, hệ thống truy cập biểu phí, lịch sử giao dịch của khách hàng và phản hồi cụ thể cho thẻ của họ, không phải câu trả lời chung chung. Khi vấn đề phức tạp, máy chuyển tiếp cho nhân viên kèm theo toàn bộ tóm tắt cuộc trò chuyện.

AI cũng giúp cá nhân hóa trải nghiệm khách hàng theo thời gian thực. Ứng dụng ngân hàng có thể gợi ý chuyển khoản tiết kiệm sang tài khoản lãi suất cao hơn khi phát hiện khách hàng có khoản tiền nhàn rỗi. Hoặc đề xuất gói bảo hiểm phù hợp khi khách hàng mới mua nhà. Điều này không còn là tiếp thị hàng loạt. Nó là dịch vụ tài chính đáp ứng đúng thời điểm khách hàng cần.

Tính minh bạch của thuật toán và nguy cơ phân biệt đối xử

Khi AI từ chối khoản vay của bạn, bạn có quyền biết lý do. Nhưng nhiều mô hình học sâu hoạt động như hộp đen. Đầu vào là hàng trăm biến số, đầu ra là điểm tín dụng, còn con đường bên trong không ai giải thích được. Điều này đặt các ngân hàng vào thế khó khi khách hàng khiếu nại hoặc cơ quan thanh tra yêu cầu giải trình.

Luật pháp châu Âu và nhiều thị trường phát triển đang siết chặt yêu cầu giải thích thuật toán. Ngân hàng phải có công cụ diễn giải quyết định, ví dụ như kỹ thuật SHAP để chỉ ra biến số nào tác động lớn nhất đến kết quả. Ở Việt Nam, Ngân hàng Nhà nước chưa ban hành quy định riêng về AI, nhưng các lãnh đạo ngân hàng tôi gặp đều hiểu rằng minh bạch sẽ trở thành điều kiện cạnh tranh.

Tôi khuyên các tổ chức tài chính đang xây dựng mô hình đừng chỉ đo độ chính xác. Hãy kiểm tra sự công bằng: tỷ lệ phê duyệt có khác biệt bất hợp lý theo giới tính, độ tuổi, vùng miền hay dân tộc không. Nếu có, hãy quay lại dữ liệu huấn luyện, xem nhãn lịch sử có phản ánh định kiến của nhân viên tín dụng cũ không. Mô hình AI không cố ý phân biệt đối xử. Nó học từ quá khứ của chính chúng ta.

Bảo mật dữ liệu tài chính trong hệ thống AI đa phương thức

Dữ liệu tài chính là mục tiêu tấn công hấp dẫn nhất thế giới số. Số thẻ, mật khẩu, lịch sử giao dịch, hợp đồng vay, thông tin định danh. Khi AI đa phương thức xử lý văn bản, giọng nói, khuôn mặt và dấu vân tay trong hệ thống xác thực sinh trắc học, rủi ro bảo mật tăng lên theo số chiều dữ liệu.

Mã hóa dữ liệu đào tạo là yêu cầu không thể thương lượng. Dữ liệu giao dịch khi truyền từ ngân hàng lên môi trường đám mây phải được mã hóa đầu cuối. Ở giai đoạn huấn luyện mô hình, học liên kết có thể giúp nhiều ngân hàng hợp tác phát hiện gian lận mà không chia sẻ dữ liệu thô. Mỗi bên giữ dữ liệu khách hàng trong máy chủ riêng, chỉ chia sẻ tham số mô hình tổng hợp.

Giọng nói và khuôn mặt của bạn trong hệ thống xác thực sinh trắc học cũng cần được bảo vệ đặc biệt. Khác với mật khẩu, sinh trắc học không thể thay đổi khi bị đánh cắp. Một lần lộ dữ liệu khuôn mặt là tổn thất vĩnh viễn. Các ngân hàng đang nghiên cứu dùng kỹ thuật bảo mật tiên tiến như mã hóa đồng hình để xử lý dữ liệu sinh trắc học ngay trên dữ liệu đã mã hóa, không bao giờ giải mã ở bên ngoài.

Tuân thủ quy định: từ đối phó sang kiến trúc

Dịch vụ tài chính chịu giám sát chặt chẽ ở mọi quốc gia. Khi AI tham gia vào quyết định tín dụng, tư vấn đầu tư hay phát hiện gian lận, cơ quan quản lý muốn biết hệ thống được kiểm tra thế nào, dữ liệu đến từ đâu, ai chịu trách nhiệm khi xảy ra sự cố. Với EU AI Act, các hệ thống dùng trong chấm điểm tín dụng được xếp vào nhóm rủi ro cao. Tổ chức tài chính phải đánh giá sự phù hợp, ghi nhận phiên bản, theo dõi liên tục và báo cáo sự cố nghiêm trọng.

Tôi từng tham gia một buổi họp với đội pháp lý của một ngân hàng đang muốn triển khai AI chấm điểm tín dụng. Họ bắt đầu từ câu hỏi: chúng ta cần chi bao nhiêu cho việc kiểm tra phù hợp? Câu trả lời không phải là một khoản phí cố định. Tuân thủ phải được thiết kế ngay trong kiến trúc hệ thống, từ giai đoạn thu thập dữ liệu đến bước giải thích quyết định. Nếu không, chi phí sửa chữa sau khi cơ quan quản lý phát hiện vi phạm sẽ lớn hơn gấp nhiều lần.

Ngân hàng cũng cần xây dựng khung quản trị AI nội bộ. Hội đồng quản trị phải hiểu rủi ro của AI như bất kỳ loại rủi ro hoạt động nào khác. Cần có chính sách phê duyệt mô hình, quy trình giám sát hiệu năng, kịch bản thoát hiểm khi mô hình gặp sự cố và kênh báo cáo độc lập. AI không phải là dự án công nghệ đơn thuần. Nó là vấn đề quản trị doanh nghiệp.

Năm 2026, ngành tài chính sẽ không còn hỏi có nên dùng AI hay không. Câu hỏi là dùng ở đâu, đo lường thế nào, kiểm soát ra sao. Bạn có thể bắt đầu từ những việc nhỏ: tự động hóa đối soát chứng từ, dùng AI hỗ trợ trả lời khách hàng qua tin nhắn, triển khai mô hình phát hiện gian lận trên kênh thẻ. Rồi từ đó mở rộng sang tư vấn tự động và quản lý rủi ro. Người về sau không hẳn thua cuộc. Người không có chiến lược kiểm soát rủi ro mới thua cuộc.

Sản xuất thông minh, chuỗi cung ứng và nông nghiệp: AI hòa vào thế giới vật lý

Tôi từng đứng trong một nhà máy cơ khí chính xác ở Bình Dương. Tiếng máy dập vang khắp phân xưởng, dầu mỡ phủ đầy nền beton. Trên mỗi máy có gắn vài cảm biến rung động nhỏ xíu. Người quản lý chỉ vào màn hình giám sát và bảo tôi: “Trước đây tụi anh thay vòng bi theo cảm tính. Bây giờ máy tính báo trước khi vòng bi sắp hỏng.” Đó là lần đầu tiên tôi thấy AI không còn là thứ chạy trong máy chủ. Nó nằm ngay trong bu lông, dầu mỡ, băng chuyền và dưới lớp đất ở cánh đồng.

Năm 2026, xu hướng lớn nhất của AI trong sản xuất không phải là một mô hình ngôn ngữ mới. Đó là sự hợp nhất của AI với cảm biến IoT, robot và hệ thống điều khiển công nghiệp. AI không chỉ đọc văn bản hay tạo hình ảnh. Nó đưa ra quyết định tác động trực tiếp lên thế giới thực: dừng một chiếc máy sắp gãy trục, tưới nước cho đúng thửa ruộng cạn, chuyển tuyến tàu trước khi cảng tắc nghẽn.

Bảo trì dự đoán: nghe máy móc nói trước khi hỏng

Máy móc luôn phát ra tín hiệu trước khi hỏng hóc. Rung động thay đổi, nhiệt độ tăng nhẹ, dòng điện nhấp nhô khác thường. Tai người không nghe được, mắt người không nhìn ra. Cảm biến IoT thì có thể.

• Rung động: mô hình phát hiện sớm hư hỏng vòng bi, mất cân bằng trục quay, lỏng bu lông nền móng.
• Nhiệt độ: cảnh báo quá nhiệt ở động cơ, máy nén khí, tủ điện và hệ thống thủy lực.
• Dòng điện: phát hiện tải bất thường, đoán trước kẹt cơ khí hoặc dao cụ mòn.

Khi mô hình dự báo một máy sắp hỏng trong 48 giờ tới, hệ thống lập lệnh bảo trì tự động. Kỹ thuật viên đến đúng máy, thay đúng linh kiện, trước khi dây chuyền phải dừng. Tôi từng đứng cạnh một trưởng ca bảo trì khi điện thoại anh ấy rung. Hệ thống báo máy số 7 sắp quá nhiệt. Anh gọi người kiểm tra. Đúng là phin lọc gió bị bụi che kín. Nếu để thêm vài giờ, động cơ đã quá tải.

Kết quả là thời gian dừng máy ngoài kế hoạch giảm. Chi phí thay thế khẩn cấp giảm. Quan trọng hơn, công nhân không phải đối mặt với nguy cơ máy vỡ giữa ca. Bảo trì dự đoán giúp nhà máy chạy ổn định hơn mà không cần tăng số lần bảo trì.

Kiểm soát chất lượng bằng thị giác máy và robot cộng tác

Mắt người kiểm tra linh kiện điện tử chỉ thật sự chính xác trong những phút đầu. Về cuối ca, mệt mỏi khiến những lỗi nhỏ bị bỏ qua. Camera AI thì không biết mệt. Nó soi từng sản phẩm dưới nhiều góc ánh sáng, so sánh với hàng nghìn mẫu chuẩn, phát hiện vết nứt, lỗi hàn, lệch màu, thiếu linh kiện.

Robot cộng tác làm việc cạnh con người. Chúng không thay thế toàn bộ công nhân mà đảm nhận các khâu lặp lại: nâng tấm thép nặng, vặn ốc ở góc hẹp, đóng gói hàng xuất. AI điều phối robot nhận biết vị trí, tránh va chạm, tự điều chỉnh lực kẹp để không làm vỡ chi tiết mỏng. Bạn có thể thấy điều này trong nhà máy lắp ráp ô tô, cơ khí chính xác, thực phẩm và dược phẩm. Ở một số dây chuyền đóng gói thực phẩm, AI còn kiểm tra tem nhãn và phát hiện bao bì hở mép ngay trên băng chuyền đang chạy.

Chuỗi cung ứng: từ phản ứng chậm sang nhìn trước ba bước

Khi cảng biển tắc nghẽn hoặc giá cước tăng đột ngột, doanh nghiệp thường phát hiện quá muộn. AI dự báo nhu cầu theo mùa, theo khu vực và theo dữ liệu bán lẻ thời gian thực. Nó gợi ý mức tồn kho an toàn và điểm đặt hàng lại cho từng mã hàng.

Hệ thống AI tác nhân có thể tự lập kế hoạch vận chuyển nhiều bước: chọn nhà cung cấp dự phòng, đổi cảng trung chuyển, tách đơn hàng để giao sớm. Một doanh nghiệp xuất khẩu gỗ tôi quen dùng AI theo dõi chuyến tàu và tự động cảnh báo khi tàu dự kiến cập bến trễ. Nhờ vậy, họ điều chỉnh lịch giao hàng cho khách tại Mỹ trước ba ngày thay vì chờ đến khi khách gọi phàn nàn.

AI cũng giúp nhà máy cắt giảm phát thải trong vận tải. Mô hình tối ưu tuyến đường, gom hàng cùng chiều, chọn phương tiện đường sắt thay cho đường bộ khi thời gian cho phép. Diễn đàn Kinh tế Thế giới xem dự báo hỏng hóc và tối ưu năng lượng là hai mũi nhọn để AI kéo giảm khí nhà kính trong công nghiệp.

Nông nghiệp: AI đọc đất, đo mưa, đếm sâu bệnh

Hè năm ngoái, tôi về thăm một hợp tác xã lúa ở Tiền Giang. Một bác nông dân dùng tay vốc đất, nắm chặt rồi nói: “Đất này còn ẩm, mai hẵng bơm.” Gần đó, một trạm cảm biến nhỏ cắm xuống ruộng, đo độ ẩm ở ba tầng sâu, gửi dữ liệu lên điện thoại cho cán bộ thủy nông.

Thoạt nhìn, kinh nghiệm của bác nông dân và dữ liệu của AI đang làm cùng một việc. Nhưng khác biệt nằm ở quy mô. Bác nông dân giỏi nhất cũng chỉ nắm chắc vài chục ha. Mô hình học máy có thể giám sát hàng nghìn ha cùng lúc, kết hợp dữ liệu vệ tinh, dự báo mưa và mực nước kênh để đưa ra lịch tưới theo từng thửa.

Với các quốc gia đang phát triển, điều này có ý nghĩa sống còn. Nhiều vùng canh tác phụ thuộc vào mùa mưa thất thường. AI dự báo hạn, dự báo xâm nhập mặn, khuyến nghị trữ nước sớm hay xuống giống muộn. Tôi từng nghe một cán bộ khuyến nông kể rằng nông dân vùng ven biển Đồng bằng sông Cửu Long dùng ứng dụng theo dõi độ mặn trên sông để quyết định khi nào mở cống lấy nước ngọt. Chỉ cần sai một ngày, cả vụ lúa có thể mất trắng.

Điện thoại của nông dân giờ cũng là trạm nhận diện sâu bệnh. Họ chụp ảnh chiếc lá có đốm nâu, AI so sánh với cơ sở dữ liệu bệnh cây, trả kết quả bệnh đạo ôn hay rầy nâu kèm khuyến nghị xử lý. Các bẫy côn trùng thông minh gắn camera nhỏ đếm mật độ rầy mỗi đêm. Khi mật độ vượt ngưỡng, hệ thống gửi cảnh báo xuống điện thoại của bà con trong vùng.

Quản lý tài nguyên nước và năng lượng

Nước sạch là tài sản lớn của đô thị, nhưng nhiều hệ thống cấp nước thất thoát đến một phần ba vì đường ống rò rỉ ngầm. Trước đây, phát hiện rò rỉ phải dò từng tuyến, mất nhiều tuần. Nay áp suất, âm thanh và lưu lượng nước được gắn cảm biến, AI phân tích để khoanh vùng điểm rò rỉ trong vài giờ.

Ở lĩnh vực năng lượng, AI dự báo phụ tải tiêu thụ từng giờ, điều phối nhà máy điện mặt trời và turbine gió dựa trên dự báo thời tiết. Khi gió yếu, hệ thống tăng huy động điện khí. Khi trời nắng mạnh, hệ thống tích trữ năng lượng vào pin. Điều này giúp lưới điện ổn định hơn khi tỷ trọng năng lượng tái tạo tăng cao.

Tôi từng trò chuyện với một kỹ sư vận hành lưới điện. Anh nói: “Khó nhất không phải là thiếu điện. Khó nhất là luôn biết điện sẽ thiếu hay thừa vào sáng mai.” Mô hình học máy giải bài toán đó tốt hơn bảng tính thủ công rất nhiều. Với biến đổi khí hậu làm thời tiết thất thường, dự báo chính xác hơn một phần trăm cũng giúp tránh lãng phí hàng nghìn tỷ đồng mỗi năm.

Bạn có thể không làm trong nhà máy hay nông trại, nhưng bạn sẽ mua hàng từ những chuỗi cung ứng được AI vận hành. Khi đơn hàng đến nhanh hơn, rau rẻ hơn, nước sạch ổn định hơn, đằng sau đó là AI đang trực trong tủ điện, trên tháp cảm biến giữa đồng, dưới lòng đất đường ống. AI hòa vào thế giới vật lý không bằng màn trình diễn hoành tráng. Nó bằng từng quyết định tưới đúng lúc, bảo trì đúng giờ, vận chuyển đúng tuyến.

AI trong giáo dục và tương lai việc làm: Gia sư thông minh và chuyển dịch kỹ năng

Tối thứ ba tuần trước, tôi ngồi cạnh cháu tôi, một cậu bé lớp 8. Cháu đang làm bài tập hình học trên một ứng dụng có trợ lý AI. Khi cháu nhập một bước giải sai, ứng dụng không chỉ báo “sai”. Nó vẽ lại hình, chỉ ra góc bị nhầm, hỏi: “Con thử kiểm tra tổng hai góc kề bên này xem.” Cháu làm lại, màn hình hiện một huy hiệu nhỏ. Cháu cười. Tôi hỏi: “Con hiểu chưa hay chỉ đoán?” Cháu nói: “Con hiểu rồi, nó chỉ con chỗ kẹt.”

Khoảnh khắc đó làm tôi nhớ đến cảnh công nhân trong nhà máy mà tôi từng kể. Nếu ở nhà máy, AI đoán trước máy hỏng, thì ở lớp học, AI đoán trước học sinh kẹt chỗ nào. Cả hai đều là AI len lỏi vào nơi con người cần trợ giúp. Năm 2026, giáo dục và việc làm không còn tách rời. Công nghệ nào dạy một đứa trẻ làm toán cũng là công nghệ đang yêu cầu người lớn học lại để không bị loại khỏi thị trường lao động.

Gia sư thông minh và đánh giá thích ứng

Gia sư AI không thay thế giáo viên. Nó đảm nhận phần lặp đi lặp lại: chấm bài cơ bản, điều chỉnh mức độ bài tập, nhắc lại kiến thức nền. Khi cậu bé lớp 8 của tôi gặp bài toán hình học về song song, gia sư AI phát hiện cháu chưa chắc hai góc so le trong. Thay vì bắt cháu làm thêm bài nâng cao, nó quay về ôn hai góc so le trong bằng một đoạn video ngắn và ba bài tập trắc nghiệm.

Đó là đánh giá thích ứng. So với bài kiểm tra cuối kỳ chỉ cho biết học sinh đứng thứ mấy trong lớp, hệ thống thích ứng cho biết học sinh đang mắc lỗi ở kỹ năng nào, sai vì hiểu nhầm từ ngữ hay vì thiếu nền tảng, và nên học tiếp hay học lùi. Giáo viên không phải chấm từng xấp bài để tìm ra học sinh yếu phân số. Họ nhìn bảng điều khiển, thấy 12 em đang kẹt ở bước quy đồng mẫu số, rồi dành 20 phút đầu giờ để dạy lại cả nhóm.

• Lộ trình cá nhân hóa: mỗi học sinh có một đường đi riêng, có thể học nhanh hơn hoặc chậm hơn mà không bị bỏ lại.
• Phản hồi tức thời: học sinh biết mình sai ngay sau khi làm, lúc não vẫn còn nhớ câu hỏi.
• Dữ liệu cho giáo viên: giáo viên nhìn ra điểm chung của nhóm, can thiệp sư phạm đúng trọng tâm thay vì đoán mò.
• Hỗ trợ đặc biệt: trẻ khó đọc, trẻ tự kỷ, trẻ học tiếng Việt như ngôn ngữ thứ hai có thể được cung cấp bài tập luyện theo tốc độ riêng.

Với đại học và đào tạo nghề, gia sư AI giống một trợ giảng chờ sẵn lúc hai giờ sáng. Sinh viên y khoa ôn hội chẩn lâm sàng, thợ điện luyện đọc sơ đồ mạch, kế toán viên tập phân tích báo cáo. Bạn có thể học thử nghiệm an toàn, phạm sai lầm ảo trước khi chạm vào bệnh nhân thật hay tủ điện thật.

Việc làm không biến mất, nhưng kỹ năng thay đổi từng ngày

Người ta vẫn hay hỏi: “AI có lấy mất việc của tôi không?” Tôi nghĩ câu hỏi đúng hơn là: “Những nhiệm vụ nào trong việc của tôi sẽ được tự động hóa, và tôi cần thêm kỹ năng gì để làm phần việc còn lại?” Việc làm hiếm khi biến mất hoàn toàn. Nhưng gần như mọi nghề đều đang bị chia nhỏ. Phần nhàm chán, lặp lại, dựa trên quy tắc sẽ do AI làm. Phần phán đoán, giao tiếp, quản lý rủi ro, ra quyết định vẫn cần con người.

Theo Gartner, đến năm 2026, hơn 80% doanh nghiệp sẽ dùng API mô hình ngôn ngữ lớn hoặc triển khai ứng dụng AI tạo sinh trong môi trường sản xuất. Con số đó tăng từ dưới 5% vào năm 2023. IDC dự báo chi tiêu toàn cầu cho AI sẽ vượt 632 tỷ USD vào năm 2028. Điều đó không có nghĩa 80% công việc biến mất. Nó có nghĩa hầu hết công việc sẽ có AI ngồi cạnh, giống máy tính ngồi cạnh nhân viên văn phòng từ thập niên 1990.

Kế toán viên không còn gõ lại số liệu vào bảng tính. Nhân viên ngân hàng không còn nhập hồ sơ vay bằng tay. Chuyên viên nhân sự không còn lọc từng bộ hồ sơ ứng viên. AI làm những việc này nhanh hơn, chính xác hơn. Kế toán viên giờ tập trung phân tích vì sao chi phí tăng. Nhân viên ngân hàng tập trung phỏng vấn khách vay tiềm năng. Chuyên viên nhân sự thiết kế buổi phỏng vấn theo năng lực và văn hóa tổ chức.

Thiếu hụt nhân tài AI và cơn khát kỹ năng mới

Điều trớ trêu là doanh nghiệp có thể mua phần mềm AI nhưng không dễ mua người hiểu cách dùng AI. Thị trường đang thiếu kỹ sư huấn luyện mô hình, chuyên gia đánh giá rủi ro, quản lý sản phẩm AI, luật sư hiểu về quy định dữ liệu. Nhưng thiếu trầm trọng hơn là người lao động có chuyên môn nghiệp vụ và đủ tự tin để làm việc cùng AI.

Một doanh nghiệp sản xuất không cần cả đội ngũ tiến sĩ máy học. Họ cần một kỹ sư bảo trì biết đọc bảng cảnh báo của mô hình bảo trì dự đoán. Một ngân hàng cần nhân viên tín dụng hiểu giới hạn của mô hình chấm điểm. Một bệnh viện cần điều dưỡng biết kiểm tra kết quả gợi ý của AI trước khi dùng.

• Hiểu dữ liệu cơ bản: biết dữ liệu đến từ đâu, có thiên lệch hay sai sót gì.
• Dùng công cụ AI: soạn câu lệnh, kiểm tra kết quả, kết hợp nhiều nguồn thông tin.
• Đánh giá rủi ro: nhận biết khi nào AI trả lời sai, khi nào cần con người ký duyệt.
• Giao tiếp và quản lý thay đổi: giải thích quyết định của AI cho đồng nghiệp và khách hàng.

Người lao động có thể bắt đầu bằng các khóa vi tín chỉ, chứng chỉ ngắn hạn từ nền tảng trực tuyến, hoặc học ngay trong công ty qua các dự án nhỏ. Bạn không cần trở thành lập trình viên. Bạn cần biết cách đặt câu hỏi đúng, đối chiếu kết quả và chịu trách nhiệm với quyết định cuối cùng.

Áp lực tự động hóa và sức khỏe tâm thần người lao động

Chị họ tôi làm kế toán cho một công ty thương mại. Tháng trước, chị nhắn tin lúc 23 giờ: “Chị nghe nói AI sẽ làm được sổ sách. Chị học Excel còn chưa xong.” Chị không mất việc. Chị chỉ mất ngủ. Áp lực bị tự động hóa thay thế có thể nặng nề hơn cả việc mất việc thật sự. Người ta cảm thấy mình cũ đi, lạc hậu, không theo kịp. Cảm giác đó làm giảm tập trung, gây lo âu, trầm cảm, mất niềm tin vào giá trị của chính mình.

Thay đổi công việc, kỳ vọng hiệu suất cao hơn và lo sợ mất việc là những yếu tố rủi ro tâm lý tại nơi làm việc. Điều này được nhiều báo cáo về tâm lý lao động ghi nhận. Tự động hóa không chỉ là bài toán kinh tế. Nó là bài toán con người. Nếu doanh nghiệp triển khai AI mà không trấn an nhân viên, không cung cấp lộ trình học lại, họ sẽ có một bộ phận kiệt sức, im lặng, cố gắng giấu dốt cho đến khi xảy ra sai sót.

Anh bạn tôi làm dịch vụ khách hàng cho một công ty viễn thông. Khi công ty đưa chatbot AI vào xử lý câu hỏi cơ bản, anh được giao xử lý khiếu nại phức tạp. Ban đầu anh rất ghét chatbot. Anh nói: “Nó cướp việc dễ, để lại việc khó.” Nhưng công ty cũng gửi anh đi học khóa phân tích xung đột khách hàng. Sau bốn tháng, anh nói: “Tôi không còn lặp lại câu trả lời cước phí. Tôi giải quyết những khách mà chatbot không dám trả lời. Cũng đỡ chán hơn.”

Lộ trình chuyển đổi nghề nghiệp và hỗ trợ không bỏ lại ai

Bạn có thể lên kế hoạch cho chính mình ngay cả khi công ty chưa có chính sách. Hãy ngồi xuống, viết ra ba nhóm nhiệm vụ: việc AI có thể làm được, việc bạn giỏi nhưng AI chưa làm được, việc cả hai cùng làm tốt hơn. Phần giữa chính là nơi bạn nên đầu tư thời gian học. Phần thứ ba là nơi bạn thể hiện giá trị khi đi phỏng vấn.

• Học một kỹ năng nghiêng về con người: đàm phán, huấn luyện, xử lý khủng hoảng, tư duy thiết kế.
• Thành thạo một công cụ AI trong ngành: kế toán học phân tích báo cáo tài chính bằng mô hình ngôn ngữ; giáo viên học thiết kế bài tập với trợ lý AI; nhân viên kho học đọc bảng dự báo tồn kho.
• Tham gia dự án thí điểm: tự nguyện đóng vai người kiểm tra mô hình AI của công ty, ghi lại lỗi sai, đề xuất cải tiến.
• Tìm cộng đồng học tập: nhóm học chung giúp bạn bớt lo âu và giữ nhịp độ.

Doanh nghiệp cần làm điều tương tự ở quy mô lớn hơn. Họ phải vẽ bản đồ kỹ năng hiện tại so với kỹ năng cần có năm 2027. Họ cần chương trình đào tạo lại, chính sách luân chuyển nội bộ, thời gian học trong giờ làm và dịch vụ tư vấn sức khỏe tâm thần. Một nhân viên hoảng loạn vì sợ mất việc không tạo ra sáng kiến. Một nhân viên được hỗ trợ học kỹ năng mới sẽ kéo mô hình AI vào đúng chỗ cần dùng.

Năm 2026, người thắng không phải là người biết nhiều nhất về AI. Người thắng là người biết dùng AI, biết giới hạn của nó, và biết việc gì vẫn phải do mình chịu trách nhiệm. Từ lớp học đến sàn văn phòng, AI không phải là thế lực thần kỳ. Nó là gia sư nửa đêm, là nhân viên tổng đài không ngủ, là người nhắc việc lặp lại. Phần còn lại, sự đánh giá và tình người, thuộc về bạn.

Rủi ro thông tin sai lệch, bầu cử và an ninh dữ liệu

Tôi từng nhận được cuộc gọi từ số máy của một người bạn làm báo. Giọng nói giống y hệt: hơi gấp, có tiếng thở, nói rằng đang kẹt ở sân bay, cần tôi chuyển gấp mười lăm triệu. Tôi suýt chuyển. May là tôi gọi lại vào số cũ. Bạn tôi bắt máy, nói rằng không hề gọi. Kẻ lừa đảo đã dùng bản ghi giọng mấy giây cắt từ video bạn đăng lên mạng để tạo ra cuộc gọi giả. Khoảnh khắc đó tôi hiểu rủi ro không còn nằm ở đâu xa.

Năm 2026, chuyện đó không còn hiếm. Deepfake đã chuyển từ phòng thí nghiệm sang công cụ lừa đảo hàng loạt. AI tạo sinh có thể bắt chước giọng nói từ ba giây ghi âm. Nó có thể ghép khuôn mặt của một chính trị gia vào đoạn video chưa từng xảy ra. Nó có thể viết tin giả theo phong cách của một tờ báo địa phương. Niềm tin của bạn vào tai và mắt đang bị thử thách từng ngày.

Deepfake và cái bẫy niềm tin thính giác

Trước đây, video là bằng chứng mạnh nhất. Người ta thường nói: thấy tận mắt, nghe tận tai. Giờ đây, cả hai giác quan đó đều có thể bị làm giả. Một cuộc gọi thoại từ số quen thuộc, một video phát biểu cắt ghép, một email có giọng văn của sếp. Cả ba đều có thể là sản phẩm do AI tạo ra.

• Giọng nói bị nhân bản: kẻ tấn công dùng vài giây âm thanh để gọi cho cha mẹ, đồng nghiệp, kế toán.
• Khuôn mặt bị ghép: video thật bị thay miệng, thay lời, thay cảm xúc.
• Văn bản giả có giọng người thật: email nội bộ, bài đăng mạng xã hội, tin tức địa phương.

Kẻ tấn công không cần đánh lừa cả triệu người. Chúng chỉ cần vài trăm người tại đúng thời điểm nhạy cảm. Một tin nhắn giọng nói giả từ giám đốc tài chính có thể khiến nhân viên chuyển tiền ngay trong buổi trưa. Một video giả ghi cảnh ứng viên nói lời xúc phạm có thể tạo ra làn sóng phẫn nộ trước giờ bỏ phiếu.

Bầu cử và niềm tin công chúng trước cơn bão nội dung giả

Bầu cử là mặt trận dễ thấy. Một video giả có thể lan đi trước khi cơ quan kiểm chứng kịp lên tiếng. Người xem có thể không nhớ lời đính chính. Họ chỉ nhớ hình ảnh gây sốc đã thấy lúc sáng sớm. AI tạo sinh khuếch đại tốc độ, số lượng và độ cá nhân hóa của tin giả. Không còn một tờ báo lá cải phát hành vài nghìn bản. Giờ là hàng nghìn biến thể cùng một tin bịa, nhắm vào từng nhóm cử tri theo độ tuổi, thành phố và thói quen lướt mạng.

Tác động không dừng ở một cuộc bầu cử. Khi người dân không còn biết đâu là thật, họ bắt đầu nghi ngờ mọi thứ: báo chí, chính phủ, bệnh viện, ngân hàng. Cái giá phải trả là sự sụp đổ chậm của niềm tin công chúng. Một xã hội không có nền tảng sự thật chung sẽ khó ra quyết định tập thể, dù là chọn lãnh đạo hay ứng phó dịch bệnh.

An ninh dữ liệu trong hệ thống AI: lỗ hổng từ bên trong

Tôi hay nghe người ta lo AI bị tấn công từ bên ngoài. Nhưng lỗ hổng nguy hiểm hơn nằm ở chính dữ liệu và vòng đời mô hình. Hệ thống AI học từ dữ liệu. Nếu dữ liệu bị bẩn, quyết định sẽ sai lệch. Tấn công đầu độc dữ liệu chèn các mẫu độc hại vào tập huấn luyện. Một mô hình nhận diện biển báo có thể học rằng biển dừng có miếng dán nhỏ là biển nhường đường. Kẻ tấn công không cần chạm vào xe. Chúng chỉ cần chạm vào dữ liệu.

Hệ thống AI đa phương thức thậm chí khó bảo vệ hơn vì dữ liệu trải trên nhiều định dạng: văn bản, hình ảnh, âm thanh, video. Một mẫu độc có thể ẩn trong tần số âm thanh mà tai người không nghe. Một tín hiệu kích hoạt khác có thể nằm trong vùng ảnh mà mắt người không nhận ra. Nếu bạn chỉ mã hóa dữ liệu văn bản, bạn vẫn hở dữ liệu giọng nói và khung hình.

Với các doanh nghiệp triển khai AI đa phương thức, mã hóa dữ liệu đào tạo phải đi theo toàn bộ ống dữ liệu: khi lưu trữ, khi di chuyển, khi tiền xử lý. Các bản sao dữ liệu huấn luyện, nhật ký truy vấn, kết quả trung gian cũng cần kiểm soát. Không phải chỉ đặt mật khẩu cho database là xong.

Một lỗ hổng phổ biến khác đến từ chính con người. Nhân viên tải dữ liệu khách hàng lên công cụ AI đám mây mà không xóa thông tin định danh. Khi mô hình trả lời cho người khác, dữ liệu đó có thể lộ ra. Mô hình ngôn ngữ đôi khi ghi nhớ thông tin cá nhân trong tập huấn luyện. Kỹ thuật tấn công suy luận thành viên thậm chí có thể hỏi mô hình xem một hồ sơ có nằm trong dữ liệu gốc hay không.

• Phân quyền truy cập mô hình: chỉ người có nhiệm vụ rõ ràng mới được gửi truy vấn trực tiếp.
• Ghi nhật ký câu lệnh: lưu lại ai hỏi gì, dùng dữ liệu gì, mục đích nào.
• Lọc dữ liệu đầu ra: ngăn mô hình trả về số căn cước, địa chỉ, bệnh án khi không cần thiết.
• Giảm thu thập: huấn luyện bằng đúng dữ liệu cần dùng, không giữ thêm dữ liệu cho biết sau.

Công cụ phát hiện, xác thực nguồn gốc và chính sách nền tảng

Bạn có thể dùng công cụ phát hiện nội dung AI, nhưng đừng xem đó là lá chắn tuyệt đối. Kẻ tấn công liên tục chỉnh mô hình để qua mặt công cụ. Mỗi lần phần mềm phát hiện deepfake tốt hơn, chúng lại huấn luyện một bản mới giống hơn. Vì vậy, phát hiện chỉ nên là một lớp phòng thủ, không phải toàn bộ chiến lược.

Xác thực nguồn gốc mạnh hơn phát hiện. Thay vì hỏi nội dung này có giả không, hãy hỏi ai ký nó, ở đâu, bằng thiết bị nào. Các chuẩn xác thực nội dung đang được thử nghiệm cho phép gắn siêu dữ liệu không thể sửa dễ dàng vào ảnh và video. Khi video từ một cơ quan báo chí có chứng chỉ, người xem có thể kiểm tra nguồn gốc thay vì đoán mò.

Chính sách nền tảng cũng quan trọng. Nền tảng mạng xã hội cần gắn nhãn AI tạo sinh. Khi người dùng biết họ đang xem video do AI tạo ra, họ giảm tốc độ chia sẻ. Đạo luật AI của châu Âu yêu cầu minh bạch khi người dùng tương tác với máy thay vì con người. Quy định này không chặn được kẻ cố tình làm giả. Nó chỉ làm chi phí giả mạo tăng lên và tạo cơ sở pháp lý để xử lý hành vi lừa đảo.

Nhận thức số và phản xạ kiểm tra trước khi tin

Bạn có thể làm gì khi không có phòng thí nghiệm pháp y? Trước hết, đừng tin cảm giác khẩn cấp. Kẻ tạo deepfake thường tạo ra tình huống gấp để bạn không kịp suy nghĩ. Hãy gọi lại bằng kênh cũ. Hỏi một câu mà chỉ người thật biết. Kiểm tra xem ảnh hoặc video có xuất hiện ở nơi khác không. Dùng công cụ tìm kiếm hình ảnh ngược. Chờ sáu giờ trước khi chia sẻ tin gây sốc.

Với tổ chức, nhận thức số nên là kỹ năng bắt buộc. Nhân viên kế toán cần biết quy trình xác nhận lệnh chuyển tiền bằng hai kênh độc lập. Bộ phận truyền thông cần biết cách kiểm tra nguồn trước khi đăng lại. Lãnh đạo cần hiểu rằng một video họ yêu cầu gỡ bỏ có thể vẫn còn lưu lại trên nhiều nền tảng khác.

Năm 2026, cuộc chiến thông tin không diễn ra giữa thật và giả một cách dễ dàng. Nó diễn ra giữa tốc độ phát tán và tốc độ kiểm chứng. AI tạo sinh giúp kẻ xấu phát tán nhanh hơn. Nhưng chính bạn có thể tạo ra khoảng dừng. Một câu hỏi đúng trước khi chia sẻ, một cuộc gọi xác nhận trước khi chuyển tiền, một bản ghi nhật ký truy vấn được rà soát. Những việc nhỏ đó giữ cho ranh giới giữa sự thật và sản phẩm máy tạo ra không bị xóa sạch.

Khoảng cách số và bất bình đẳng AI: Bài toán công bằng toàn cầu

Mùa khô năm ngoái, tôi ghé một huyện vùng cao để viết bài về hạn hán. Người nông dân tôi gặp dẫn tôi ra bờ đập đã cạn hơn nửa. Ông chỉ tay về phía mấy luống cà phê đang héo rũ rồi rút chiếc điện thoại cảm ứng cũ trong túi ra. Ông nói rằng thằng con trai xa nhà gửi tiền qua ứng dụng ngân hàng, nhưng bản thân ông không biết dùng bất kỳ phần mềm nào khác ngoài cuộc gọi và tin nhắn. Trong khi đó, cách đó ba giờ bay, đồng nghiệp tôi ở thành phố lớn đang thử nghiệm một trợ lý AI để phân tích dữ liệu vệ tinh về độ ẩm đất. Cả hai cùng sống trong một năm, trong một quốc gia. Nhưng khoảng cách giữa họ đang rộng hơn bao giờ hết.

Khi người ta nói về cách mạng AI, tôi luôn tự hỏi: bao nhiêu phần trăm nhân loại thực sự có mặt trên con tàu đó? Năm 2026, chúng ta đã có mô hình ngôn ngữ viết thơ, AI đa phương thức đọc ảnh X-quang, tác nhân tự chủ quản lý chuỗi cung ứng. Nhưng vẫn còn gần ba tỷ người chưa từng dùng internet tốc độ cao. Khoảng cách số không tự nhiên biến mất khi công nghệ tiến lên. Nó chỉ thay đổi hình dạng và trở nên sắc hơn.

Ba tầng bất bình đẳng đang chồng lên nhau

Bất bình đẳng AI không phải một vấn đề duy nhất. Nó là ba vết nứt chồng lên nhau.

• Giữa các quốc gia: Nơi tập trung tài nguyên tính toán và dữ liệu sẽ hưởng lợi trước. Các nước thu nhập thấp thường chỉ là người tiêu dùng công nghệ do nơi khác chế tạo.
• Giữa doanh nghiệp lớn và doanh nghiệp nhỏ: Tập đoàn có ngân sách cho hạ tầng GPU, đội ngũ kỹ sư dữ liệu và hợp đồng dài hạn với nhà cung cấp. Doanh nghiệp nhỏ thì xoay xở với gói phần mềm theo tháng và thiếu người hiểu mô hình.
• Giữa lao động có kỹ năng và lao động phổ thông: Người biết ra lệnh cho AI sẽ tăng năng suất. Người chưa biết sẽ bị ép vào vị trí có thu nhập thấp hơn hoặc mất việc. Tệ nhất là nhóm lao động phổ thông không được đào tạo lại trước khi tự động hóa nuốt công việc của họ.

Ba vết nứt này không tách rời. Chúng liên kết với nhau. Một nước không có hạ tầng điện ổn định thì không thể triển khai AI biên trong nông nghiệp. Một doanh nghiệp nhỏ không có dữ liệu sạch thì không thể dùng mô hình mã nguồn mở hiệu quả. Một người lao động không có máy tính cá nhân thì không thể học prompt engineering miễn phí trên mạng.

Khi khoảng cách số len vào trường học và bệnh viện

Bạn có thể nhìn thấy bất bình đẳng AI rõ nhất ở hai nơi: nơi trẻ em học chữ và nơi người bệnh chờ khám.

Ở một trường học thuận lợi, gia sư AI kèm từng học sinh theo tốc độ riêng. Nó phát hiện lỗ hổng kiến thức, điều chỉnh bài tập, cho phản hồi tức thì. Học sinh lớp bốn có thể hỏi về phân số lúc chín giờ tối mà không sợ làm phiền ai. Ở một trường học vùng sâu, phòng máy có mười chiếc máy tính đời cũ. Đường mạng chập chờn theo mùa mưa. Giáo viên phải dạy tin học bằng phấn trắng và hình vẽ tay. Khi hai đứa trẻ này cùng bước vào thị trường lao động, khoảng cách giữa chúng đã kéo dài hơn một thập kỷ.

Trong y tế, AI đang rút ngắn thời gian chẩn đoán ở các bệnh viện hiện đại. Phân tích ảnh học, hồ sơ bệnh án, gợi ý phác đồ điều trị. Nhưng ở nhiều nơi đang phát triển, thiết bị chẩn đoán hình ảnh còn không đủ. Bài toán không phải là thiếu AI. Bài toán là thiếu máy X-quang, thiếu bác sĩ chuyên khoa, thiếu internet để gửi kết quả lên hệ thống. AI không thể phát huy nếu tầng bên dưới chưa tồn tại.

Tôi từng hỏi một bác sĩ trực tại trạm y tế xã rằng chị cần gì nhất. Chị nói: một máy siêu âm xách tay, còn AI thì để sau. Câu trả lời đó nhắc tôi rằng trình tự công nghệ quan trọng. Đôi khi bạn cần ổn định điện trước khi nghĩ đến trí tuệ nhân tạo.

Sức khỏe tâm thần trong guồng quay cạnh tranh với máy

Ít người nói về điều này, nhưng tôi nghĩ nó đang âm ỉ ở nhiều văn phòng và nhà máy. Khi công ty đưa AI vào, người lao động không chỉ lo mất việc. Họ lo mình trở nên không đủ nhanh, không đủ mới, không đủ giá trị. Bạn ngồi trước màn hình và biết rằng hệ thống bên cạnh đang xử lý dữ liệu nhanh gấp trăm lần. Bạn phải xem lại mã AI tạo ra thay vì tự viết. Bạn bắt đầu hỏi: rồi mình còn lại gì?

Áp lực này không nằm trong báo cáo năng suất. Nó nằm trong cảm giác bị bỏ lại mỗi buổi chiều tan sở. Với lao động phổ thông, tình hình còn nặng hơn. Họ không có lộ trình học lại. Họ không biết nên học gì, học ở đâu, ai trả tiền cho khóa đào tạo. Nhiều người chọn cách cắm đầu làm thêm giờ để chứng minh mình vẫn hữu ích. Họ kiệt sức trước khi kịp tìm ra hướng rẽ. Đây là mảnh ghép bị bỏ sót trong mọi cuộc thảo luận về tương lai việc làm.

Theo một khảo sát nội bộ mà tôi từng xem ở một công ty vận hành kho hàng, nhóm lao động phổ thông lo lắng về AI nhiều gấp đôi nhóm văn phòng, nhưng tỷ lệ tham gia khóa đào tạo kỹ năng số chỉ bằng một phần ba. Khoảng cách không chỉ nằm ở kỹ thuật. Nó nằm ở sự tự tin và niềm tin rằng mình có thể thay đổi.

Hợp tác quốc tế và hạ tầng dữ liệu mở

Không quốc gia nào tự mình giải quyết được khoảng cách AI. Đây là vấn đề cần hợp tác quốc tế, giống như biến đổi khí hậu hay kiểm soát dịch bệnh. Một số sáng kiến đã bắt đầu bàn về việc chia sẻ tài nguyên tính toán cho nhóm nghiên cứu ở các nước thu nhập thấp. Thay vì mỗi nước tự xây trung tâm dữ liệu khổng lồ, họ có thể dùng chung năng lực điện toán theo cơ chế tương tự thư viện công cộng.

Dữ liệu mở là một mảnh quan trọng khác. Nếu chỉ vài công ty lớn nắm giữ dữ liệu tiếng Việt, dữ liệu bệnh án, dữ liệu nông nghiệp, thì mô hình AI sẽ phục vụ tốt cho họ và tệ hơn cho phần còn lại. Kho dữ liệu mở được chuẩn hóa giúp doanh nghiệp nhỏ và nhà nghiên cứu ở nước đang phát triển huấn luyện mô hình phù hợp với ngôn ngữ và điều kiện địa phương. Không cần dữ liệu to như mạng xã hội. Chỉ cần dữ liệu đúng miền, có nhãn, hợp pháp.

Tuy nhiên, mở dữ liệu cũng đi kèm rủi ro. Dữ liệu y tế mở phải được ẩn danh cẩn thận. Dữ liệu nông nghiệp mở không được vô tình làm lộ vị trí và thói quen canh tác của từng hộ dân. Công bằng không có nghĩa là đổ hết dữ liệu lên mạng. Nó có nghĩa là đặt ra cơ chế để người có nhu cầu thật có thể tiếp cận dữ liệu theo điều kiện rõ ràng.

Hỗ trợ doanh nghiệp nhỏ tiếp cận AI: không bắt đầu từ mô hình lớn

Tôi từng ngồi với một chủ xưởng gỗ nhỏ muốn dùng AI để dự đoán nhu cầu đơn hàng nhưng không có kỹ sư dữ liệu. Câu hỏi đầu tiên của anh không phải là nên dùng mô hình nào. Anh hỏi: có cách nào dùng thử mà không phải trả phí mỗi tháng không? Câu hỏi đó chạm đúng bản chất. Doanh nghiệp nhỏ cần ngưỡng thử nghiệm thấp trước khi cam kết ngân sách dài hạn.

Các mô hình mã nguồn mở đang giúp hạ ngưỡng đó. Một xưởng nhỏ có thể tải mô hình nhỏ về chạy trên máy chủ cũ, dùng dữ liệu nội bộ vài nghìn dòng để tinh chỉnh. Nếu không có người kỹ thuật, họ có thể dùng công cụ no-code hoặc low-code để tạo chatbot tư vấn sản phẩm, phân loại email, tóm tắt báo cáo. Quan trọng là bắt đầu từ một bài toán hẹp, đo được, tốn ít tiền. Đừng bắt đầu bằng việc xây mô hình ngôn ngữ riêng.

Ngân hàng chính sách và hiệp hội doanh nghiệp có thể đóng vai trò tạo vùng đệm. Gói tín dụng nhỏ để doanh nghiệp mua dịch vụ AI dùng chung, chương trình thuê chuyên gia tư vấn theo giờ, bộ công cụ mẫu cho từng ngành. Những thứ đó giúp người chủ nhỏ không phải tự mò từ số không.

Giáo dục, y tế tại nước đang phát triển: điều gì nên có mặt trước

Khi tôi nghe về AI trong nông nghiệp ở các nước đang phát triển, tôi hay nhớ đến mảnh đất khô hạn của người nông dân vùng cao. AI có thể phân tích ảnh vệ tinh để phát hiện sớm stress nước ở cây cà phê. Nhưng nếu người nông dân không có kết nối dữ liệu đáng tin cậy để nhận cảnh báo, thì mô hình chỉ là một bản đồ đẹp treo ở văn phòng huyện. Công nghệ phải đi cùng với người dẫn đường tại chỗ: cán bộ khuyến nông, giáo viên, tình nguyện viên biết đọc kết quả và giải thích bằng ngôn ngữ của người dân.

Trong giáo dục, gia sư AI có thể phát huy tốt nếu được gắn với chương trình địa phương và hoạt động ngoại tuyến từng phần. Một em học sinh không thể phụ thuộc vào đường truyền mỏng manh mỗi lần hỏi bài. Thiết bị cần có khả năng lưu trữ nội dung, đồng bộ khi có mạng, và rẻ đến mức trường có thể mua thay vì chờ tài trợ. Nếu không, học sinh vùng khó sẽ mãi là người dùng lệ thuộc vào những chiếc điện thoại vay mượn từ cha mẹ.

Câu hỏi cần đặt ra không phải là làm thế nào để nước đang phát triển có AI. Câu hỏi nên là: loại AI nào phù hợp với hạ tầng, ngôn ngữ và năng lực bảo trì tại chỗ của họ. Một mô hình nhỏ chạy được trên điện thoại tầm trung có thể có ý nghĩa hơn một hệ thống khổng lồ chạy trên đám mây bên kia bán cầu.

Bạn có thể làm gì từ chỗ của mình

Nếu bạn đang làm công việc văn phòng, có học vấn tốt, có internet nhanh, bạn đã ở nhóm được lợi từ AI. Khoảng cách chỉ thay đổi khi chính nhóm được lợi bắt đầu chia sẻ tiếng nói, kỹ năng và nguồn lực. Bạn không cần làm điều gì vĩ đại. Bạn có thể hướng dẫn đồng nghiệp lớn tuổi dùng công cụ AI đơn giản. Bạn có thể kêu gọi doanh nghiệp của mình tài trợ máy tính cũ cho trường học thay vì thanh lý. Bạn có thể góp phần dịch thuật tài liệu AI sang tiếng Việt, góp dữ liệu mở cho dự án cộng đồng, hoặc đơn giản là không im lặng khi ai đó nói rằng người không biết AI sẽ tự bị đào thải.

Công bằng toàn cầu không được trao tặng bởi một ông lớn công nghệ. Nó được xây từ những lựa chọn nhỏ: ai được ưu tiên truy cập, ai được đào tạo lại, ai được ngồi vào bàn thảo luận về quy định. Khi bạn nghĩ về AI năm 2026, hãy nghĩ đến người nông dân không biết đọc báo cáo độ ẩm đất. Nếu công nghệ chỉ giúp những người đã có đủ điều kiện, thì không có cuộc cách mạng nào thực sự xảy ra. Đó chỉ là một cuộc chạy đua mà một nhóm nhỏ đã về đích từ trước.

Đo lường ROI của AI tạo sinh: Từ chi phí đám mây đến hiệu quả kinh doanh

Tuần trước, một người bạn điều hành công ty hậu cần nhỏ gọi tôi đến xem bảng tính. Anh trải ra bàn một file Excel gọn gàng. Bên trái là chi phí: phí API, máy chủ, một kỹ sư dữ liệu bán thời gian. Bên phải là cột giá trị, gần như bỏ trống. Anh chỉ tay vào tổng chi đã tăng thêm mỗi tháng và hỏi: “Mình đang đốt tiền hay đang đầu tư?” Tôi không trả lời ngay được. Vì nếu không có con số cơ sở trước khi bắt đầu, bạn không thể trả lời câu hỏi đó. Đây là lỗi phổ biến nhất tôi thấy ở các dự án AI tạo sinh năm 2026.

Doanh nghiệp mua API, thuê người, chạy thử. Sau ba tháng, họ nhìn hóa đơn đám mây và cảm thấy bất an. Họ biết AI đang làm điều gì đó trong quy trình. Nhưng họ không biết giá trị quy ra tiền là bao nhiêu. Theo McKinsey, AI tạo sinh có thể bổ sung 2,6 đến 4,4 nghìn tỷ USD giá trị kinh tế mỗi năm trên toàn cầu. Con số đó rất lớn, nhưng nó không tự rơi vào bảng cân đối kế toán của bạn. Đo lường ROI không phải việc làm sau cùng khi dự án xong. Nó phải có mặt từ trước khi bạn gõ dòng lệnh đầu tiên.

Vì sao đo lường ROI của AI tạo sinh thường sai ngay từ đầu

Phần lớn doanh nghiệp tôi tiếp xúc mắc cùng một thói quen: đo chi phí rất chi tiết nhưng đo giá trị rất mơ hồ. Họ biết mình trả bao nhiêu cho mỗi nghìn token. Nhưng họ hiếm khi đặt câu hỏi ngược lại: một nghìn token đó thay thế bao nhiêu phút làm việc của con người, và mỗi phút đó đáng giá bao nhiêu. Không có đường cơ sở, không có con số trước và sau, thì mọi khoản chi đều trông giống một khoản phí thử nghiệm vô hạn.

Lỗi thứ hai là đánh đồng ROI với việc cắt giảm biên chế. Tôi hiểu áp lực muốn AI tự trả tiền cho nó bằng cách giảm đầu người. Nhưng ở nhiều doanh nghiệp, giá trị thật nằm ở chỗ khác: thời gian phản hồi ngắn hơn, tỷ lệ chốt đơn cao hơn, lỗi vận hành thấp hơn. Nếu bạn chỉ nhìn vào chi phí nhân sự, bạn sẽ bỏ qua phần lớn bức tranh.

Bắt đầu từ chi phí: bạn thực sự đang trả tiền cho cái gì

Trước khi nói về lợi nhuận, hãy làm cho bên chi tiền hiện ra rõ ràng. Tôi thường tách chi phí AI tạo sinh thành năm nhóm.

• Chi phí suy luận: đây là tiền bạn trả cho mỗi lần mô hình chạy. Nếu dùng API, bạn trả theo token. Nếu tự gắn mô hình lên máy chủ, bạn trả tiền thuê GPU hoặc khấu hao phần cứng.
• Chi phí dữ liệu: thu thập, làm sạch, gán nhãn, lưu trữ, bảo mật. Dữ liệu bẩn làm tăng chi phí tinh chỉnh và khiến mô hình sai nhiều hơn.
• Chi phí tích hợp: nối AI vào hệ thống CRM, kho, bán hàng, chăm sóc khách hàng. Đây thường là khoản bị đánh giá thấp nhất khi bắt đầu.
• Chi phí con người: kỹ sư, quản lý dự án, người kiểm duyệt đầu ra, người đào tạo nhân viên dùng công cụ.
• Chi phí quản trị và tuân thủ: kiểm toán mô hình, đánh giá rủi ro dữ liệu, cập nhật quy định như EU AI Act, bảo trì tài liệu minh bạch.

Tôi gọi tổng năm nhóm này bằng một công thức đơn giản: TCO = chi phí suy luận + chi phí dữ liệu + chi phí tích hợp + chi phí con người + chi phí quản trị. Bạn không cần phần mềm đắt tiền để tính TCO. Một bảng tính với năm dòng này đủ để nhìn thấy dòng tiền đang đi đâu. Nếu bạn không thể ghi con số cho từng dòng, đó là dấu hiệu đầu tiên cho thấy dự án chưa sẵn sàng để đánh giá hiệu quả.

Phía giá trị: bốn nhóm lợi ích bạn cần đặt tên

Tôi yêu cầu doanh nghiệp chia giá trị thành bốn nhóm và bắt buộc gán số cho từng nhóm. Không có con số, không có ROI.

• Tiết kiệm thời gian: nhân viên xử lý xong bao nhiêu đầu việc trong một ngày, và số đó thay đổi thế nào sau khi có AI. Ví dụ, nhóm chăm sóc khách hàng dùng AI soạn phản hồi nhanh gấp đôi, mỗi người tiết kiệm 90 phút mỗi ngày.
• Giảm chi phí vận hành: đây là nơi dễ thấy nhất. AI đàm thoại xử lý 30% cuộc gọi dịch vụ khách hàng, chi phí vận hành giảm 20-30%. Chi phí lưu kho, đối soát, phân loại đơn hàng giảm nếu AI dự báo chính xác hơn.
• Doanh thu tăng thêm: phản hồi khách nhanh hơn, cá nhân hóa đúng lúc, phát hiện chéo sản phẩm. Một hệ thống tư vấn dùng AI có thể tăng tỷ lệ chuyển đổi vài phần trăm. Với doanh nghiệp nhỏ, vài phần trăm đó đủ thay đổi bức tranh lợi nhuận.
• Giảm rủi ro: phát hiện gian lận sớm, tuân thủ quy định, giảm lỗi nhập liệu. Khoản này khó quy ra tiền trực tiếp, nhưng bỏ qua nó là đánh giá thấp mô hình.

Khi bạn có con số cho cả bốn nhóm, hãy viết chúng thành dòng tiền hàng tháng. Đừng viết “cải thiện trải nghiệm khách hàng”. Viết “tỷ lệ phản hồi trong 2 giờ tăng từ 55% lên 82%, tương ứng giảm 15% khiếu nại và giữ được khoảng 40 khách hàng mỗi quý”. Lúc đó bạn mới có thứ để so với chi phí.

Thuê API hay tự huấn luyện mô hình nội bộ: so sánh không phải lúc nào cũng nghiêng về một phía

Đây là câu hỏi tôi nghe nhiều nhất từ doanh nghiệp vừa và nhỏ. Năm 2023, câu trả lời gần như luôn là thuê API. Năm 2026, câu trả lời đã phức tạp hơn vì các mô hình mã nguồn mở như Llama 3 hay Mistral đã rút ngắn khoảng cách với mô hình độc quyền.

Thuê API phù hợp khi bạn muốn ra mắt trong vài tuần, không có đội ngũ ML, và khối lượng truy vấn chưa đủ lớn để chi phí biên trở nên đáng sợ. Bạn trả theo token, không phải trả trước phần cứng, dễ tăng giảm quy mô. Nhược điểm là chi phí tăng tuyến tính theo mức sử dụng, dữ liệu đi qua nhà cung cấp, và bạn khó tinh chỉnh sâu theo miền dữ liệu riêng.

Tự huấn luyện hoặc tự chạy mô hình nội bộ phù hợp khi bạn có dữ liệu đặc thù, có yêu cầu bảo mật nghiêm ngặt, hoặc khối lượng suy luận đủ lớn để chi phí biên thấp hơn đáng kể so với API. Nhưng chi phí ban đầu không nhỏ. Bạn cần GPU, kỹ sư, thời gian tinh chỉnh, và cả trách nhiệm vá lỗ hổng bảo mật. Tôi từng thấy một công ty chi gần 400 triệu đồng để dựng cụm máy chủ nội bộ rồi nhận ra mô hình nhỏ chạy kém hơn hẳn dịch vụ API họ từng trả hơn 30 triệu mỗi tháng. Họ không tính chi phí cơ hội của đội kỹ sư bận bảo trì hạ tầng thay vì làm việc tạo doanh thu.

Công thức tôi thường dùng để so sánh là điểm hòa vốn. Lấy chi phí cố định hàng năm của việc tự chạy mô hình chia cho chênh lệch giá mỗi triệu token giữa API và nội bộ. Nếu điểm hòa vốn nằm ở mức sử dụng cao hơn gấp ba lần so với khối lượng bạn kỳ vọng, hãy cứ thuê API. Nếu ngược lại, cân nhắc tự chạy. Đừng chọn theo trào lưu.

Công thức tính thời gian hoàn vốn với một ví dụ thực tế

Tôi thích giữ phép tính đủ đơn giản để ai cũng làm được. Thời gian hoàn vốn bằng tổng chi phí đầu tư chia cho lợi ích ròng mỗi tháng.

Giả sử một doanh nghiệp thương mại điện tử nhỏ triển khai trợ lý AI trả lời tin nhắn khách hàng. Chi phí ban đầu gồm tích hợp hệ thống, làm sạch dữ liệu sản phẩm và đào tạo nhân viên: khoảng 250 triệu đồng. Chi phí vận hành hàng tháng gồm API, lưu trữ và giám sát: khoảng 22 triệu đồng.

Trước khi có AI, nhóm bốn người trả lời được khoảng 320 hội thoại mỗi ngày. Sau khi có AI, họ trả lời được 480 hội thoại với cùng số người, và tỷ lệ phản hồi trong vòng năm phút tăng từ 40% lên 75%. Nhờ đó, doanh nghiệp giữ được thêm khoảng 60 đơn hàng mỗi tháng, lợi nhuận gộp tăng khoảng 45 triệu đồng. Nhân viên cũng tiết kiệm được 3 giờ mỗi ngày cho việc nhập liệu và chuyển hồ sơ, tương đương khoảng 18 triệu đồng chi phí cơ hội mỗi tháng.

Tổng lợi ích hàng tháng là 63 triệu đồng. Trừ chi phí vận hành 22 triệu, lợi ích ròng là 41 triệu mỗi tháng. Lấy chi phí đầu tư 250 triệu chia cho 41 triệu, thời gian hoàn vốn khoảng 6 tháng. Dưới một năm với cấu hình này là đáng làm. Nhưng nếu chi phí tích hợp đội lên gấp ba vì hệ thống cũ không có API, thời gian hoàn vốn có thể kéo thành hơn một năm. Lúc đó bạn phải đặt câu hỏi: có cách nào làm nhỏ phạm vi dự án ở giai đoạn đầu không?

Đây không phải phép tính hoàn hảo. Nhưng nó buộc bạn đặt tên cho các giả định. Khi một giả định thay đổi, bạn biết ngay nó ảnh hưởng bao nhiêu đến thời gian hoàn vốn. Đó là cách đo lường trung thực hơn nhiều so với việc nhìn vào hóa đơn đám mây rồi tự trấn an rằng AI chắc là có lợi.

Những chỉ số định lượng nên theo dõi hằng tháng

Đừng theo dõi hai mươi chỉ số và kết luận rằng tất cả đều đang cải thiện. Tôi khuyên chọn nhiều nhất năm chỉ số. Cứ hai tuần hoặc mỗi tháng, xem lại một lần.

• Tỷ lệ hội thoại AI xử lý trọn vẹn: bao nhiêu phần trăm phiên người dùng kết thúc mà không cần người thật can thiệp. Nếu tỷ lệ này cao nhưng tỷ lệ khiếu nại không tăng, bạn có cơ sở để mở rộng.
• Thời gian xử lý trung bình: đo từ lúc khách gửi yêu cầu đến lúc nhận được phản hồi cuối cùng. Con số này nên giảm rõ ràng trong ba tháng đầu.
• Chi phí suy luận trên mỗi giao dịch: lấy tổng chi phí API hoặc máy chủ chia cho tổng số giao dịch. Đây là chỉ số cảnh báo sớm. Nếu nó tăng lên theo tuần mà không có thay đổi về mức sử dụng, đã có thứ gì đó bất thường trong pipeline.
• Tỷ lệ lỗi hoặc phản hồi sai ngữ cảnh: theo dõi theo tuần. Mô hình có thể trôi khi dữ liệu mới tràn vào.
• Lợi ích ròng mỗi tháng: tổng lợi ích quy tiền trừ chi phí vận hành. Đây là con số duy nhất cho biết dự án đang đi đúng hướng về mặt kinh doanh hay chỉ đang tiêu tiền đúng hạn.

Vài tháng đầu, chỉ số sẽ xấu. Tôi không lo khi thấy chi phí mỗi giao dịch cao lúc khởi động. Tôi lo khi không có chiều hướng cải thiện sau chu kỳ ba tháng đầu tiên.

Bẫy thử nghiệm không mục tiêu: khi AI trở thành món đồ chơi đắt tiền

Tôi gọi đó là bẫy thử nghiệm vô hạn. Doanh nghiệp mở một dự án nhỏ, hào hứng thử, chạy thêm vài mô hình, xin thêm ngân sách đám mây. Sáu tháng sau, họ có mười bản demo, chín kênh nội bộ khoe thành quả, và không một ai chịu trách nhiệm về con số lợi nhuận. Không có ngày kết thúc cho giai đoạn thử. Không có tiêu chí để quyết định chuyển sang sản xuất hay dừng lại. Đây là cách đốt tiền chậm nhất và khó phát hiện nhất.

Để tránh, tôi áp quy tắc: mọi thử nghiệm phải có một giả thuyết, một ngày đánh giá, và một con số ranh giới. Ví dụ: “Sau 8 tuần, nếu AI xử lý được ít nhất 40% hội thoại với tỷ lệ lỗi dưới 5% và chi phí mỗi hội thoại dưới 3.000 đồng, chúng tôi sẽ mở rộng sang toàn bộ nhóm. Nếu không, dừng.” Viết ra như vậy trước khi bắt đầu. Lúc đến hạn, bạn không phải tranh cãi cảm tính. Con số tự nói.

Cách ưu tiên các ca sử dụng có giá trị rõ ràng

Không phải mọi ý tưởng AI đều đáng làm. Tôi nhìn vào bốn tiêu chí: giá trị kinh doanh có quy ra tiền được không, dữ liệu sẵn sàng chưa, rủi ro có kiểm soát được không, và thời gian để thấy kết quả ngắn bao lâu.

Ca sử dụng tốt thường nằm ở nơi có dữ liệu lặp lại nhiều và quy trình tốn thời gian lao động. Chăm sóc khách hàng, phân loại email nội bộ, tóm tắt tài liệu, đối soát chứng từ. Những công việc này có khối lượng lớn, dễ đo trước và sau, và thất bại cũng không kéo theo hậu quả nghiêm trọng. Trái lại, dự án có khối lượng dữ liệu nhỏ, sai mô hình gây rủi ro pháp lý, hoặc yêu cầu độ chính xác tuyệt đối thì nên xếp sau.

Tôi từng khuyên một công ty thương mại chọn dự án tạo mô tả sản phẩm tự động thay vì xây hệ thống dự báo tồn kho tinh vi. Dự án mô tả sản phẩm ba tháng đã hoàn vốn. Dự báo tồn kho cần một năm dữ liệu sạch và họ chưa có. Thứ tự quan trọng hơn tốc độ.

Vai trò của quản trị chi phí đám mây trong ROI

Chi phí đám mây là mục người ta cảm nhận nhanh nhất nhưng đo lường kém nhất. Tôi thấy nhiều công ty bật API, chạy thử, quên tắt. Khoản phí lặng lẽ tăng theo tháng. Một lần tôi rà soát giúp một công ty nhỏ và phát hiện họ đang trả tiền cho ba mô hình khác nhau để làm cùng một việc. Hai trong số đó đã ngừng dùng từ lâu nhưng vẫn còn trong gói thuê bao.

Hãy đặt ngân sách suy luận theo từng dự án, đặt cảnh báo khi chi phí tăng quá 15% so với tuần trước, và mỗi tháng rà soát bảng kê. Tôi cũng khuyên tách bạch chi phí thử nghiệm và chi phí sản xuất. Đừng trộn lẫn. Khi bạn trộn lẫn, chi phí thử nghiệm sẽ núp dưới danh nghĩa sản xuất và dự án đang chạy trông như thể nó đang tạo ra giá trị.

Đo lường ROI của AI tạo sinh không đòi hỏi bằng tiến sĩ tài chính. Nó đòi hỏi kỷ luật: ghi con số cơ sở trước khi bắt đầu, đặt tên chi phí, đặt tên giá trị, so sánh hằng tháng, và có can đảm dừng khi dữ liệu nói không. Bạn càng làm sớm, AI càng ít giống một thí nghiệm tốn kém và càng giống một khoản đầu tư có mục tiêu.

Lộ trình hành động 2026: Bắt đầu từ đâu để không bị bỏ lại

Tuần trước, tôi ngồi cà phê với một người bạn điều hành xưởng sản xuất nhỏ. Anh mở điện thoại, lướt qua một loạt tin tức về AI nhân tạo, rồi thở dài: “Mình đọc nhiều quá, giờ thấy mình lạc hậu hơn, nhưng vẫn không biết sáng thứ Hai nên bắt đầu làm gì.” Tôi hỏi anh một câu: “Dữ liệu đơn hàng ba tháng gần nhất của anh nằm ở đâu? File Excel, phần mềm quản lý, hay vẫn trên giấy?” Anh im lặng một lúc rồi cười ngượng. Đó chính là điểm bắt đầu.

Năm 2026, bạn không bị bỏ lại vì thiếu công nghệ. Bạn bị bỏ lại vì không biết mình đang đứng ở đâu và bước tiếp theo nên đặt chân vào đâu. Lộ trình hành động không cần phức tạp. Nó cần trung thực với dữ liệu, với đội ngũ và với ngân sách hiện có. Tôi chia lộ trình thành ba mốc rõ ràng: 90 ngày, 6 tháng và 12 tháng. Mỗi mốc gắn với một nhóm việc cụ thể, không phải lời khuyên chung chung.

Chín mươi ngày đầu: không bắt đầu bằng mô hình, bắt đầu bằng dữ liệu và một bài toán đau

Phần lớn dự án AI thất bại không phải do mô hình kém. Chúng thất bại vì dữ liệu không sẵn sàng và vì bài toán được chọn quá mơ hồ. Trong 90 ngày đầu, bạn nên làm bốn việc.

• Đánh giá mức độ sẵn sàng dữ liệu: chọn một quy trình có dữ liệu lặp lại nhiều như chăm sóc khách hàng, nhập liệu hóa đơn, hoặc phân loại email nội bộ. Liệt kê dữ liệu đang nằm ở đâu, ai sở hữu, độ sạch ra sao. Nếu dữ liệu phân tán ở năm nơi và ba nơi chưa được số hóa, bạn đã thấy rào cản đầu tiên.
• Chọn đúng một bài toán có giá trị quy ra tiền: đừng chọn ba bài toán cùng lúc. Tìm một điểm đau mà mỗi tháng đang lấy đi nhiều giờ lao động hoặc gây mất doanh thu. Ví dụ: mất trung bình 90 phút mỗi ngày cho mỗi nhân viên để soạn phản hồi khách hàng, hoặc tỷ lệ bỏ quên trong giỏ hàng cao vì không có ai chat hỗ trợ ban đêm.
• Thiết lập con số cơ sở trước khi chạy thử: ghi lại hiệu suất hiện tại: thời gian xử lý trung bình, tỷ lệ lỗi, chi phí nhân sự cho quy trình đó. Không có con số này, mọi kết luận sau này chỉ là cảm giác.
• Chọn mô hình theo khối lượng và yêu cầu bảo mật: đừng vội xây hạ tầng nội bộ. Nếu bài toán nhỏ và dữ liệu không quá nhạy cảm, hãy bắt đầu với API của một mô hình ngôn ngữ lớn. Nếu bài toán đòi hỏi dữ liệu nội bộ nghiêm ngặt hoặc khối lượng suy luận dự kiến rất lớn, hãy cân nhắc mô hình mã nguồn mở như Llama 3 hoặc Mistral chạy trên hạ tầng riêng. Công thức so sánh chi phí tôi đã bàn ở phần trước vẫn áp dụng: tìm điểm hòa vốn, đừng chạy theo trào lưu.

Với lãnh đạo doanh nghiệp, việc trong 90 ngày là: duyệt một ngân sách thử nghiệm nhỏ đủ để trả phí API hoặc thuê một kỹ sư bán thời gian, và chỉ định một người chịu trách nhiệm duy nhất cho dự án. Với nhân viên công nghệ, việc là dựng bản nguyên mẫu tối giản, đánh giá độ trễ và chất lượng đầu ra của hai mô hình, rồi đo chi phí trên mỗi giao dịch. Với nhà quản lý rủi ro, việc là vẽ sơ đồ luồng dữ liệu của quy trình thí điểm, xác định dữ liệu cá nhân nào sẽ đi qua hệ thống và kiểm tra các yêu cầu minh bạch cơ bản của EU AI Act nếu doanh nghiệp có hoạt động tại châu Âu.

Sáu tháng tiếp theo: mở rộng từ thí điểm sang quy trình, đào tạo lại con người

Nếu sau 90 ngày, thí điểm cho thấy chi phí mỗi giao dịch thấp hơn chi phí thủ công và tỷ lệ lỗi nằm trong ngưỡng chấp nhận, đã đến lúc mở rộng. Nhưng mở rộng không có nghĩa là bật mô hình lên cho cả công ty dùng. Nó có nghĩa là nhúng AI vào quy trình có chủ đích và chuẩn bị con người đi cùng.

• Tích hợp AI vào một hệ thống vận hành cụ thể: nối mô hình vào CRM, phần mềm quản lý đơn hàng, hoặc kênh chat chính thức. Việc tích hợp thường chiếm nhiều thời gian hơn dự kiến, vì hệ thống cũ có thể thiếu API. Hãy lập kế hoạch cho giai đoạn này ngay từ đầu tháng thứ tư.
• Đào tạo lại kỹ năng cho đội ngũ: người làm dịch vụ khách hàng cần học cách giám sát câu trả lời của AI và can thiệp khi mô hình sai ngữ cảnh. Người quản lý cần học cách đọc báo cáo chi phí suy luận và hiểu giới hạn của tự động hóa. Đừng đào tạo theo kiểu chiếu slide lý thuyết. Hãy để từng người tự dùng công cụ trên công việc thật của họ, có người hướng dẫn kèm hai tuần đầu.
• Thiết lập chu kỳ đánh giá ROI hằng tháng: dùng bốn nhóm giá trị tôi đã nói ở phần trước: tiết kiệm thời gian, giảm chi phí vận hành, doanh thu tăng thêm, giảm rủi ro. Mỗi tháng ghi lại ba chỉ số chính: tỷ lệ AI xử lý trọn vẹn, chi phí suy luận trên mỗi giao dịch, thời gian xử lý trung bình. So sánh với đường cơ sở của 90 ngày đầu.
• Xây dựng khung quản trị nội bộ phiên bản đầu tiên: viết một trang quy định rõ ai được phép dùng AI cho dữ liệu nào, đầu ra của mô hình được lưu trữ bao lâu, và ai chịu trách nhiệm khi mô hình sai. Đừng chờ luật bắt buộc. Một khung quản trị đơn giản giúp bạn ngủ ngon hơn và tránh các lỗi lan rộng khi mở rộng sau này.

Ở giai đoạn này, lãnh đạo doanh nghiệp nên yêu cầu báo cáo ROI tháng thứ sáu và ra quyết định dứt khoát: dừng, thu hẹp phạm vi, hoặc tiếp tục mở rộng. Nhân viên công nghệ nên tối ưu chi phí suy luận: điều chỉnh độ dài ngữ cảnh, chọn mô hình nhỏ hơn cho các tác vụ đơn giản, lưu bộ nhớ để giảm gọi API lặp lại. Nhà quản lý rủi ro nên rà soát các lỗ hổng bảo mật phát sinh từ việc tích hợp và bổ sung quy trình kiểm tra đầu ra mô hình trước khi gửi cho khách hàng.

Mười hai tháng: đưa AI vào chiến lược, chuẩn bị cho thay đổi cấu trúc

Sau một năm, AI không còn là dự án thí điểm riêng lẻ. Bạn cần nhìn nó như một năng lực vận hành nằm trong chiến lược dài hạn. Nhưng bước này chỉ nên làm sau khi bạn đã có tối thiểu hai ca sử dụng thành công và số liệu ROI rõ ràng.

• Nhân rộng sang hai hoặc ba quy trình liền kề: nếu AI đã giúp chăm sóc khách hàng hiệu quả, hãy xem xét dùng nó cho phân tích phản hồi sản phẩm, dự báo nhu cầu, hoặc hỗ trợ đội bán hàng. Mỗi lần mở rộng, vẫn phải có đường cơ sở và ngày đánh giá riêng.
• Xây dựng năng lực AI nội bộ tối thiểu: không cần tuyển một đội ngũ nghiên cứu lớn, nhưng cần một người hiểu kiến trúc dữ liệu, một người giám sát chất lượng mô hình, và một người hiểu luật và đạo đức. Nếu doanh nghiệp nhỏ, ba vai trò này có thể do cùng một người đảm nhận, miễn là không bị bỏ trống.
• Chuẩn bị kế hoạch dịch chuyển kỹ năng: những công việc lặp lại sẽ giảm dần. Đội ngũ cần thời gian để chuyển sang các vai trò mang tính giám sát, ra quyết định và xử lý ngoại lệ. Lập bản đồ kỹ năng cần thiết cho từng bộ phận và bắt đầu chương trình đào tạo nội bộ từ tháng thứ chín, đừng đợi đến khi công nghệ thay thế hoàn toàn.
• Rà soát tuân thủ và mở rộng khung quản trị: EU AI Act tiếp tục có hiệu lực theo từng giai đoạn. Bạn cần cập nhật tài liệu minh bạch, đánh giá rủi ro cho các mô hình có ảnh hưởng cao, và bổ sung quy trình khiếu nại cho người dùng nếu AI đưa ra quyết định tự động. Nếu bạn chưa có chuyên gia pháp lý nội bộ, hãy thuê tư vấn có hiểu biết về AI thay vì tự mò mẫm.

Với lãnh đạo doanh nghiệp ở mốc 12 tháng, câu hỏi không còn là “AI có dùng được không” mà là “năng lực dữ liệu và AI đang tạo ra lợi thế cạnh tranh nào cho chúng ta mà đối thủ khó sao chép”. Với nhân viên công nghệ, đây là lúc chuyên môn hóa sâu hơn vào tích hợp hệ thống, tối ưu chi phí suy luận và đánh giá mô hình. Với nhà quản lý rủi ro, đây là lúc xây dựng một hệ thống kiểm toán AI liên tục, không phải chỉ là một lần đánh giá lúc triển khai.

Ba nhóm người, ba việc cần làm ngay trong tuần này

Nếu bạn muốn hành động ngay bây giờ, hãy lấy giấy ra và viết ba việc theo từng vai trò.

• Lãnh đạo doanh nghiệp: chọn một quy trình lặp lại nhiều nhất, yêu cầu người quản lý bộ phận đó đưa cho bạn con số thời gian và chi phí hiện tại trong ba ngày tới. Duyệt một khoản ngân sách thử nghiệm nhỏ đủ chạy API trong 30 ngày. Giao cho một người chịu trách nhiệm duy nhất.
• Nhân viên công nghệ: lập danh sách ba nguồn dữ liệu chính của quy trình đó và kiểm tra xem chúng có API hoặc file xuất chuẩn hay chưa. Đăng ký một tài khoản API của mô hình ngôn ngữ lớn hoặc tải một mô hình mã nguồn mở về máy nội bộ để chạy thử với mười ví dụ thật. Đo thời gian phản hồi và chi phí mỗi lần chạy.
• Nhà quản lý rủi ro: vẽ sơ đồ luồng dữ liệu cho quy trình thí điểm, đánh dấu dữ liệu cá nhân và dữ liệu nhạy cảm. Đọc phần yêu cầu minh bạch của EU AI Act và so sánh với hiện trạng. Viết một trang tóm tắt rủi ro và đề xuất ba biện pháp kiểm soát tối thiểu.

Bạn không cần đợi đến khi mọi thứ hoàn hảo. Dữ liệu chưa bao giờ sạch hoàn toàn, đội ngũ chưa bao giờ sẵn sàng tuyệt đối. Cái bạn cần là bắt đầu với một phạm vi nhỏ, đo lường trung thực và mở rộng khi có bằng chứng. Ba tháng đầu tiên quyết định bạn đang đốt tiền hay đang xây nền. Hãy bắt đầu từ sáng thứ Hai bằng một bảng dữ liệu và một câu hỏi cụ thể: quy trình nào đang lấy của chúng ta nhiều giờ nhất, và mô hình có thể làm gì trong phạm vi an toàn? Phần còn lại, chúng ta đã có lộ trình ở phía trên.