Dữ liệu quyết định hiệu quả khi doanh nghiệp đưa AI vào vận hành

Đây là một trong những vấn đề được đặt ra tại Conviction 2026 – Diễn đàn Kinh tế Tài sản số và AI Việt Nam, diễn ra ngày 14–15/8 tại Trung tâm Hội nghị Thiskyhall Sala, TP. Hồ Chí Minh. Sự kiện có sự đồng hành của Amazon Web Services Việt Nam với vai trò Nhà tài trợ Bạch kim và Renova Cloud dưới vai trò Nhà tài trợ Bạc. Chương trình quy tụ các chuyên gia, doanh nghiệp và cộng đồng công nghệ để trao đổi về những xu hướng mới trong tài sản số và trí tuệ nhân tạo.

Điểm nghẽn của trí tuệ nhân tạo

Tại phiên thảo luận, bà Tâm Phạm, Phó Chủ tịch phụ trách sản phẩm Hydra X, cho biết doanh nghiệp đang sử dụng AI như một phần trong quy trình nội bộ để phát triển sản phẩm blockchain. Qua quá trình triển khai, doanh nghiệp nhận thấy việc sở hữu một mô hình ngôn ngữ lớn có năng lực cao và đưa thông tin của doanh nghiệp vào mô hình chưa đủ để AI có thể hoạt động hiệu quả.

Theo bà Tâm, trong giai đoạn thử nghiệm, doanh nghiệp thường cung cấp một lượng thông tin nhất định, đặt câu hỏi và đánh giá kết quả mà AI đưa ra. Với dữ liệu có quy mô nhỏ và tương đối chuẩn hóa, cách tiếp cận này có thể nhanh chóng cho thấy khả năng của mô hình.

Tuy nhiên, khi AI được đưa vào vận hành thực tế, bài toán thay đổi đáng kể. Dữ liệu của doanh nghiệp thường nằm rải rác trên nhiều hệ thống khác nhau, trong khi AI cần có khả năng tiếp cận và hiểu đúng những dữ liệu này trong từng bối cảnh cụ thể.

Bà Tâm Phạm, Phó Chủ tịch phụ trách sản phẩm Hydra X chia sẻ tại Conviction 2026.

Do đó, thách thức không còn đơn thuần nằm ở bản thân mô hình AI mà chuyển sang bài toán xây dựng hạ tầng dữ liệu: dữ liệu đang nằm ở đâu, làm thế nào để kết nối các nguồn dữ liệu và làm sao để AI có thể hiểu, phân tích, suy luận trên những dữ liệu đó theo đúng mục tiêu của doanh nghiệp.

Đồng quan điểm, ông Hoàng Trung Hiếu, Giám đốc Kiến trúc Giải pháp, AWS Việt Nam, cho rằng sự khác biệt giữa giai đoạn thử nghiệm và vận hành chính thức nằm ở quy mô và mức độ phức tạp của toàn bộ hệ thống.

Ở giai đoạn thử nghiệm, doanh nghiệp có thể nhanh chóng xây dựng một mô hình trên tập dữ liệu tương đối nhỏ. Nhưng khi trở thành sản phẩm thực tế, hệ thống phải đồng thời đáp ứng các yêu cầu về tính ổn định, khả năng mở rộng, an toàn, kiểm soát chi phí và quản trị.

Điều này khiến dữ liệu trở thành một trong những yếu tố trung tâm của quá trình triển khai AI. Dữ liệu doanh nghiệp có thể đến từ nhiều nguồn như hệ thống quản trị khách hàng, quản trị nguồn lực, kế toán hay tài chính. Nếu những nguồn dữ liệu này không được kết nối và quản lý phù hợp, khả năng AI đưa ra kết quả chính xác và phù hợp với bối cảnh doanh nghiệp cũng bị hạn chế.

Khi AI bắt đầu trực tiếp thực hiện công việc

Bài toán dữ liệu càng trở nên quan trọng khi các hệ thống AI tự hành bắt đầu được ứng dụng vào hoạt động doanh nghiệp. Khác với những ứng dụng AI chủ yếu hỗ trợ con người tìm kiếm thông tin, phân tích hoặc tạo nội dung, AI tự hành có thể tiến thêm một bước khi trực tiếp thực hiện những công việc được giao, xử lý các tác vụ lặp lại và tham gia vào quy trình vận hành.

Theo ông Trung Hiếu, AI tự hành hiện có thể được xem như một dạng “nhân viên” trong nhiều doanh nghiệp. Tuy nhiên, với những nhiệm vụ quan trọng, con người vẫn cần tham gia kiểm soát quá trình AI thực hiện công việc.

Dữ liệu đầu vào là một trong những trụ cột chính để AI ra quyết định và hoàn thành công việc.

Khi đó, dữ liệu không còn đơn thuần là thông tin đầu vào để AI tạo ra một câu trả lời. Dữ liệu trở thành một phần của quá trình ra quyết định và thực hiện công việc.

Doanh nghiệp vì vậy cần biết AI đang sử dụng dữ liệu từ đâu, dữ liệu có đáng tin cậy hay không, đồng thời phải xác định được một thay đổi trong dữ liệu có thể ảnh hưởng đến những bộ phận nào của hệ thống. Đây cũng là lúc yêu cầu về khả năng theo dõi toàn bộ hệ thống trở nên quan trọng hơn.

Không chỉ phát hiện lỗi, mà phải hiểu nguyên nhân

Theo các chuyên gia, nếu việc giám sát hệ thống giúp doanh nghiệp nhận biết một hệ thống đang gặp vấn đề, khả năng quan sát toàn diện còn giúp xác định vấn đề bắt nguồn từ đâu và đang ảnh hưởng đến những thành phần nào.

Với các hệ thống AI, yêu cầu này càng rõ ràng. Khi chất lượng của một mô hình bắt đầu suy giảm, doanh nghiệp không chỉ cần biết kết quả không còn chính xác như trước mà còn phải phát hiện sự thay đổi, đưa ra cảnh báo và có đủ thông tin để tìm phương án xử lý trước khi vấn đề ảnh hưởng đến người dùng.

Vì vậy, khả năng quan sát không nên được xem như một lớp công nghệ nằm bên ngoài hệ thống AI. Khi AI ngày càng tham gia sâu vào hoạt động doanh nghiệp, đây trở thành một phần trong năng lực vận hành của chính hệ thống.

Chất lượng của AI phụ thuộc vào dữ liệu nguồn.

Đặc biệt, khi AI tự hành được trao quyền tiếp cận dữ liệu và thực hiện các tác vụ, doanh nghiệp cần có khả năng theo dõi xuyên suốt quá trình từ nơi dữ liệu được tạo ra, cách dữ liệu được xử lý cho đến cách dữ liệu được sử dụng để đưa ra quyết định.

Từ góc nhìn này, việc xây dựng một mô hình AI tốt chỉ là một phần của bài toán. Để AI thực sự tạo ra giá trị trong môi trường doanh nghiệp, hệ thống phía sau cần bảo đảm dữ liệu được kết nối, quản lý và theo dõi một cách phù hợp.

Như ông Hiếu nhận định, khi AI chuyển từ một công cụ trả lời sang một tác nhân trực tiếp thực hiện công việc, dữ liệu không còn chỉ là nguyên liệu đầu vào mà trở thành một phần của quá trình vận hành. Doanh nghiệp vì vậy không chỉ cần AI hiểu dữ liệu mà còn phải nhìn thấy dữ liệu đang đi đâu, thay đổi như thế nào và tác động ra sao đến toàn bộ hệ thống.