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 14/8 và 15/8 tại Trung tâm Hội nghị Thiskyhall Sala (TP.HCM). Sự kiện có sự đồng hành của Amazon Web Services Việt Nam với vai trò nhà tài trợ bạch kim cùng Renova Cloud với vai trò nhà tài trợ bạc, quy tụ chuyên gia, doanh nghiệp, cộng đồng công nghệ cùng trao đổi về xu hướng trong tài sản số và AI.
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 sử dụng AI trong quy trình nội bộ để phát triển sản phẩm blockchain. Qua triển khai, doanh nghiệp nhận thấy việc sở hữu mô hình ngôn ngữ lớn và đưa thông tin doanh nghiệp vào mô hình là chưa đủ.
 |
| Bà Tâm Phạm, Phó chủ tịch Phụ trách sản phẩm Hydra X, chia sẻ tại Conviction 2026. |
Trong giai đoạn thử nghiệm, doanh nghiệp có thể cung cấp lượng dữ liệu tương đối nhỏ, đặt câu hỏi và đánh giá kết quả. Tuy nhiên, khi đi vào vận hành thực tế, dữ liệu thường nằm rải rác trên nhiều hệ thống và AI phải tiếp cận, hiểu đúng theo từng bối cảnh. Thách thức vì vậy chuyển sang hạ tầng dữ liệu: Dữ liệu nằm ở đâu, kết nối thế nào và làm sao để AI phân tích, suy luận đúng mục tiêu doanh nghiệp.
Đồng quan điểm, ông Hoàng Trung Hiếu, Giám đốc Kiến trúc Giải pháp AWS Việt Nam, cho rằng khác biệt giữa thử nghiệm và vận hành chính thức nằm ở quy mô, độ phức tạp cùng yêu cầu về sự ổn định, mở rộng, an toàn, chi phí, quản trị. Dữ liệu từ hệ thống khách hàng, nguồn lực, kế toán hay tài chính nếu không được kết nối và quản lý phù hợp sẽ hạn chế khả năng AI đưa ra kết quả chính xác.
Khi AI trực tiếp thực hiện công việc
Bài toán dữ liệu càng quan trọng khi AI tự hành được ứng dụng vào hoạt động doanh nghiệp. Khác với AI chủ yếu hỗ trợ tìm kiếm, phân tích hoặc tạo nội dung, AI tự hành có thể trực tiếp thực hiện nhiệm vụ, xử lý tác vụ lặp lại và tham gia vào quy trình vận hành. Theo ông Trung Hiếu, AI tự hành có thể được xem như một dạng “nhân viên”. Song, với nhiệm vụ quan trọng, con người vẫn cần 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. |
Dữ liệu đầu vào trở thành trụ cột để AI ra quyết định và hoàn thành công việc. Doanh nghiệp cần biết AI lấy dữ liệu từ đâu, dữ liệu có đáng tin cậy hay không và một thay đổi trong dữ liệu có thể ảnh hưởng đến bộ phận nào. Vì vậy, khả năng theo dõi toàn bộ hệ thống ngày càng quan trọng.
Không chỉ phát hiện lỗi, mà phải hiểu nguyên nhân
Theo các chuyên gia, giám sát giúp doanh nghiệp nhận biết hệ thống gặp vấn đề, còn khả năng quan sát toàn diện giúp xác định vấn đề bắt nguồn từ đâu và ảnh hưởng đến thành phần nào. Với AI, khi chất lượng mô hình suy giảm, doanh nghiệp không chỉ cần biết kết quả kém chính xác, mà còn phải phát hiện thay đổi, cảnh báo và có đủ thông tin để xử lý trước khi ảnh hưởng đến người dùng.
Vì vậy, khả năng quan sát không nên được xem là lớp công nghệ bên ngoài hệ thống AI, mà phải trở thành một phần năng lực vận hành. Khi AI tự hành được trao quyền tiếp cận dữ liệu và thực hiện tác vụ, doanh nghiệp cần theo dõi xuyên suốt từ nơi dữ liệu được tạo ra, cách dữ liệu được xử lý đến cách dữ liệu được sử dụng để ra quyết định.
 |
| Chất lượng của AI phụ thuộc vào dữ liệu nguồn. |
Xây dựng 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 phù hợp. Khi AI chuyển từ công cụ trả lời sang tác nhân trực tiếp thực hiện công việc, dữ liệu không chỉ là nguyên liệu đầu vào, mà trở thành một phần của quá trình vận hành. Doanh nghiệp không chỉ cần AI hiểu dữ liệu, mà còn phải nhìn thấy dữ liệu đang đi đâu, thay đổi thế nào và tác động ra sao đến toàn bộ hệ thống.
