Tôi không nghiên cứu chuyên sâu về Consumer Digital Twin hay hành vi người tiêu dùng, nên những chia sẻ dưới đây chủ yếu từ góc nhìn ứng dụng AI. Trong bối cảnh GenAI đang giúp doanh nghiệp tạo ra nội dung, ý tưởng và nhiều phương án mới với tốc độ chưa từng có, kết quả thử nghiệm của nhóm gợi cho tôi một câu hỏi: liệu CDT có thể trở thành một mắt xích giúp doanh nghiệp sàng lọc những gì GenAI tạo ra trước khi đưa vào thử nghiệm với người tiêu dùng và thị trường thực tế?

Những kết quả ban đầu đáng chú ý

Theo bài chia sẻ của chị Kim Hạnh, từ đầu năm 2026, HVNCLC đã hợp tác với nhóm chuyên gia từ University of South Florida và University of Miami để thử nghiệm Consumer Digital Twin. Mô hình được xây dựng từ dữ liệu khảo sát người tiêu dùng thực tế, kết hợp với các thang đo tâm lý được sử dụng trong nghiên cứu hành vi người tiêu dùng.

Một thử nghiệm được thực hiện với 334 người tiêu dùng tại TP.HCM, phân tầng thành 24 nhóm theo giới tính, độ tuổi và thu nhập. Mỗi người hoàn thành 19 bộ thang đo tâm lý như Big Five, Regulatory Focus, Spendthrift–Tightwad, Consumer Skepticism Toward Advertising và Need for Cognition, sau đó đánh giá quảng cáo Facebook thuộc 11 ngành hàng theo 3 tiêu chí: mức độ hấp dẫn, ý định mua và độ tin cậy của thông điệp. Tổng cộng hơn 12.000 lượt đánh giá đã được thu thập để huấn luyện và kiểm chứng mô hình.

Khi so sánh phản ứng của bản sao số với người tiêu dùng thật, nhóm báo cáo hệ số tương quan Pearson đạt 0,64, trong đó kết quả vẫn được duy trì đối với câu hỏi về ý định mua sau khi xem quảng cáo. Đây mới là kết quả pilot và cần tiếp tục được kiểm chứng với quy mô lớn hơn cũng như qua các thử nghiệm thực tế. Tuy vậy, kết quả ban đầu cho thấy một khả năng đáng quan tâm: sử dụng bản sao số để mô phỏng phản ứng của các nhóm người tiêu dùng trước nhiều phương án, qua đó sàng lọc một số phương án để tiếp tục kiểm chứng với người thật.

Khi GenAI làm cho việc tạo ra phương án trở nên quá dễ

Kết quả này có một liên hệ khá rõ với khảo sát về ứng dụng AI trong doanh nghiệp Việt Nam mà chúng tôi đang thực hiện. Khảo sát tìm hiểu doanh nghiệp đang ứng dụng AI ở đâu, triển khai đến mức độ nào, và AI đang tạo ra những giá trị gì cho hoạt động, cũng như định hướng phát triển. Các doanh nghiệp tham gia sẽ nhận được báo cáo kết quả để có thêm cơ sở đối chiếu cách tiếp cận và mức độ ứng dụng AI của mình với bức tranh chung của thị trường. Khảo sát vẫn đang tiếp tục và chúng tôi rất mong có thêm sự tham gia, chia sẻ từ các doanh nghiệp đang ứng dụng AI ở bất kỳ mức độ nào.

Những kết quả ban đầu của khảo sát cho thấy GenAI đã được doanh nghiệp sử dụng khá rộng rãi trong nhiều loại công việc. Khả năng tạo nội dung, tổng hợp thông tin, phát triển ý tưởng và xây dựng các phương án mới là những ứng dụng phổ biến. Một nhóm marketing trước đây có thể phát triển vài concept cho một chiến dịch, thì với GenAI, họ có thể tạo ra hàng chục thông điệp, cách định vị hoặc phương án sản phẩm trong cùng một khoảng thời gian.

Việc tạo ra nhiều phương án với chi phí thấp hơn cũng dẫn đến một vấn đề khác: chi phí và thời gian để xác định phương án nào thực sự tốt không giảm theo tốc độ tương ứng. Nếu doanh nghiệp có thể tạo 50 phương án thay vì 5 nhưng vẫn phải consumer test hoặc A/B test từng phương án, lợi thế về tốc độ mà GenAI mang lại sẽ bị hạn chế đáng kể. Khi đó, khả năng thử nghiệm và lựa chọn có thể trở thành bottleneck mới trong quá trình chuyển hóa năng lực sáng tạo của GenAI thành giá trị kinh doanh.

Mắt xích giữa GenAI và thị trường?

Tôi cho rằng đây là một vị trí phù hợp để thử nghiệm Consumer Digital Twin. CDT có thể được đặt như một lớp mô phỏng giữa quá trình tạo phương án bằng GenAI và quá trình kiểm chứng với người tiêu dùng thật, theo một vòng tương đối đơn giản: GenAI tạo nhiều phương án → CDT hỗ trợ sàng lọc → lựa chọn các phương án tiềm năng → thử nghiệm với người tiêu dùng thật → triển khai trên thị trường → sử dụng kết quả thực tế để tiếp tục kiểm chứng và cải thiện mô hình.

Ví dụ, thay vì phát triển 5 thông điệp quảng cáo rồi mang cả 5 đi consumer test, doanh nghiệp có thể sử dụng GenAI để tạo ra 30–50 phương án. CDT mô phỏng phản ứng của các nhóm người tiêu dùng khác nhau để giúp chọn ra một số phương án đáng thử, sau đó doanh nghiệp vẫn kiểm chứng chúng bằng consumer test hoặc A/B testing trước khi đầu tư ở quy mô lớn hơn. Cách tiếp cận tương tự có thể được thử nghiệm với concept sản phẩm hoặc với cách định vị.

Với vai trò này, CDT không cần phải dự đoán hoàn hảo hành vi của người tiêu dùng hay thay thế cho nghiên cứu thị trường. Giá trị thực tế sẽ nằm ở việc mô hình có đủ tốt để thu hẹp không gian thử nghiệm và nâng cao chất lượng của những phương án được đưa sang bước kiểm chứng tiếp theo hay không. Vì vậy, kết quả thực tế của những thử nghiệm sau bước sàng lọc bằng CDT cũng quan trọng không kém việc tiếp tục cải thiện độ chính xác của chính mô hình.

Từ độ chính xác của mô hình đến hiệu quả của cả quy trình

Theo tôi, hướng tiếp cận này cũng mở ra một cơ hội nghiên cứu khác cho nhóm TS. Nick Nguyễn. Bên cạnh câu hỏi Digital Twin mô phỏng người tiêu dùng chính xác đến đâu, nhóm có thể kiểm chứng liệu việc kết hợp GenAI, Consumer Digital Twin và thử nghiệm thực tế có giúp doanh nghiệp lựa chọn được những phương án tốt hơn và rút ngắn quá trình từ ý tưởng đến thị trường hay không.

Cách kiểm chứng có thể khá trực tiếp. Nếu CDT xếp hạng một số concept quảng cáo cao hơn các concept khác, doanh nghiệp có thể đưa các phương án này vào A/B testing và so sánh với kết quả thực tế. Sau nhiều thử nghiệm, nhóm có thể đánh giá liệu CDT có thực sự làm tăng khả năng lựa chọn đúng phương án hay không, đồng thời sử dụng dữ liệu kết quả để tiếp tục kiểm chứng và cải thiện mô hình. Nếu làm được như vậy, nghiên cứu sẽ đi thêm một bước từ việc chứng minh khả năng mô phỏng của CDT sang đánh giá giá trị của nó khi được đưa vào một quy trình thực tế của doanh nghiệp.

Việt Nam có thể là một “living lab”

HVNCLC có một lợi thế khá đặc biệt để thực hiện những thử nghiệm như vậy. Hiệp hội đã tích lũy nguồn dữ liệu từ các chương trình khảo sát người tiêu dùng trong nhiều năm, đồng thời có mạng lưới doanh nghiệp hàng tiêu dùng Việt Nam, trong đó có nhiều doanh nghiệp quy mô vừa và lớn với sản phẩm, thương hiệu và các hoạt động marketing đang diễn ra trên thị trường. Sự kết hợp này tạo điều kiện để nhóm nghiên cứu không chỉ phát triển mô hình từ dữ liệu người tiêu dùng mà còn có thể kiểm chứng trên các bài toán thực tế.

Nhóm nghiên cứu có thể cùng doanh nghiệp lựa chọn một bài toán cụ thể, sử dụng GenAI để tạo các phương án, dùng CDT hỗ trợ sàng lọc rồi kiểm chứng bằng consumer test, A/B testing hoặc kết quả kinh doanh thực tế. Dữ liệu thu được từ các thử nghiệm được sử dụng trong các vòng kiểm chứng và cải thiện tiếp theo. Nếu xây dựng được quá trình này trên nhiều doanh nghiệp và nhiều bài toán, Việt Nam có thể trở thành một “living lab” khá thú vị cho hướng nghiên cứu về Consumer Digital Twin.

Ở các thị trường phát triển, các nhóm nghiên cứu có thể tiếp cận nguồn lực và công nghệ lớn hơn, nhưng việc xây dựng quan hệ với doanh nghiệp, tiếp cận các bài toán thực tế và thu nhận dữ liệu kết quả qua nhiều vòng thử nghiệm thường đòi hỏi nhiều thời gian. Mạng lưới doanh nghiệp cùng nguồn dữ liệu người tiêu dùng mà HVNCLC đã xây dựng trong nhiều năm có thể là một lợi thế đáng khai thác, giúp rút ngắn khoảng cách giữa nghiên cứu và thử nghiệm trong môi trường kinh doanh thực tế.

Từ sử dụng GenAI đến tạo ra giá trị với GenAI

Khi GenAI ngày càng dễ tiếp cận, khả năng tạo ra nội dung và ý tưởng sẽ dần trở thành một năng lực phổ biến. Thách thức với doanh nghiệp sẽ dịch chuyển nhiều hơn sang những bước tiếp theo: lựa chọn phương án nào, kiểm chứng như thế nào và tổ chức quy trình ra sao để những gì AI tạo ra có thể dẫn đến kết quả kinh doanh.

Nếu có thể kết nối GenAI → Consumer Digital Twin → thử nghiệm thực tế → dữ liệu kết quả → cải thiện mô hình thành một vòng học hỏi liên tục, CDT có thể trở thành một mắt xích hữu ích trong quá trình đó. Những kết quả pilot hiện nay vẫn cần được tiếp tục kiểm chứng, nhưng việc có sẵn dữ liệu người tiêu dùng và khả năng kết nối với các bài toán thực tế của doanh nghiệp tạo ra một cơ hội tốt để nhóm nghiên cứu thực hiện các bước kiểm chứng tiếp theo ngay tại Việt Nam.

Đây cũng là một trong những câu hỏi chúng tôi muốn tiếp tục tìm hiểu qua khảo sát về ứng dụng AI trong doanh nghiệp Việt Nam: khi việc sử dụng GenAI ngày càng phổ biến, điều gì giúp một số doanh nghiệp đi xa hơn việc chỉ sử dụng công cụ và thực sự chuyển năng lực mới của AI thành giá trị kinh doanh?

Tháng 1 năm nay, một công ty fintech tại Việt Nam deploy AI email assistant cho team customer success. AI tự draft email dựa trên ticket history và gửi sau khi agent approve. Hệ thống chạy tốt 3 tuần.

Tuần thứ 4, AI “hallucinate” — nó tổng hợp sai thông tin từ 2 tickets khác nhau, tạo ra email với số dư tài khoản sai, và gửi cho 2,000 khách hàng trước khi ai phát hiện. Agent đã approve vì email “trông đúng” — cùng format, cùng tone, chỉ sai một con số.

Kết quả: 3 ngày xử lý khủng hoảng, 47 complaints chính thức, 1 bài báo tiêu cực, và CEO gọi CTO vào phòng họp.

Vấn đề không phải AI — vấn đề là không có governance framework. Không có quy trình validation cho AI output chứa dữ liệu nhạy cảm. Không có approval workflow cho mass communication. Không có monitoring cho anomaly detection.

AI mà không có governance giống như xe hơi không có phanh — chạy nhanh lắm, cho đến khi gặp khúc cua.

Tại sao CIO phải own AI Governance

Nhiều doanh nghiệp đang để AI governance “rơi” giữa các phòng ban: - IT nói: “Chúng tôi chỉ cung cấp infrastructure” - Legal nói: “Chúng tôi review hợp đồng vendor, không review model” - Business nói: “Chúng tôi chỉ là user” - Data team nói: “Chúng tôi train model, governance là việc khác”

Kết quả: Không ai own. Không ai chịu trách nhiệm.

CIO phải own AI Governance vì: 1. CIO hiểu cả technology lẫn business context 2. CIO có authority cross-functional (IT + Data + Security) 3. CIO report cho CEO — đủ level để enforce policy 4. AI risk cuối cùng là technology risk — thuộc domain CIO

Điều này không có nghĩa CIO làm một mình. CIO là orchestrator — kéo Legal, Security, Data, Business vào cùng framework.

AI Governance Framework cho doanh nghiệp Việt Nam

Tôi không recommend copy nguyên EU AI Act hay NIST AI Framework — quá nặng cho đa số doanh nghiệp VN. Thay vào đó, đây là framework pragmatic, phù hợp với thực tế Việt Nam, chia thành 4 trụ cột:

Trụ cột 1: AI Use Case Classification

Không phải mọi AI use case cần cùng mức governance. Classify trước, govern sau.

Tier 1 — Low Risk (Self-service) - Internal productivity tools (code assistant, writing assistant) - Data analysis cho internal reports - Automation không liên quan đến customer data - Governance: Guideline chung, self-serve, quarterly review

Tier 2 — Medium Risk (Review required) - Customer-facing content generation (với human review) - Internal decision support (hiring screening, budget recommendation) - Data processing có PII nhưng không direct customer impact - Governance: Manager approval, monthly audit, incident reporting

Tier 3 — High Risk (Committee approval) - Automated decisions ảnh hưởng khách hàng (credit scoring, pricing) - Mass communication với AI-generated content - AI xử lý dữ liệu tài chính, y tế, pháp lý - Governance: AI Committee review, bias testing, continuous monitoring, quarterly external audit

Tier 4 — Prohibited (Không được deploy) - AI tự quyết định sa thải/tuyển dụng không có human override - Deepfake hoặc synthetic media impersonation - AI surveillance vượt quá mức cần thiết - Bất kỳ use case nào vi phạm Luật An ninh mạng VN hoặc Nghị định 13/2023

Trụ cột 2: Data Privacy & Security

Data Residency

Câu hỏi đầu tiên mọi CIO phải trả lời: Data đi đâu?

• SaaS AI (ChatGPT, Claude, Gemini): Data gửi lên cloud provider → Nằm ở đâu? Có được dùng để train model không?

• API-based AI: Data transit qua internet → Encrypted? Retained bao lâu?

• Self-hosted AI: Data stays on-premise → Nhưng model updates từ đâu?

Checklist cho mỗi AI vendor: - [ ] Data processing agreement (DPA) đã ký? - [ ] Data retention policy rõ ràng? (Bao lâu vendor giữ data?) - [ ] Opt-out khỏi model training? (Quan trọng với OpenAI, Google) - [ ] Data encryption in-transit và at-rest? - [ ] Incident response SLA nếu data breach? - [ ] Compliance với Luật An ninh mạng Việt Nam (Điều 26 — localization)?

PII Masking

Trước khi gửi data cho AI service:

Nguyên bản: “Nguyễn Văn A, SĐT 0912345678, CMND 123456789,
dư nợ 500 triệu VND”

Sau masking: “Customer [MASKED_001], SĐT [MASKED_PHONE],
ID [MASKED_ID], dư nợ [AMOUNT] VND”

Nguyên tắc: AI không cần biết PII để xử lý. Mask trước, process sau, map lại sau.

Vendor Assessment

Mỗi AI vendor mới phải qua assessment checklist: - Security certifications (SOC 2, ISO 27001) - Data processing location - Sub-processor list - Breach notification timeline - Business continuity plan - Exit/migration plan (tránh vendor lock-in)

Trụ cột 3: Responsible AI

Bias Detection

AI có thể amplify bias trong training data. Đặc biệt quan trọng cho: - Recruitment AI: Bias giới tính, tuổi, trường đại học - Credit scoring: Bias vùng miền, nghề nghiệp - Customer service routing: Bias ngôn ngữ (tiếng Việt miền Bắc vs miền Nam)

Cách kiểm tra: 1. Test với diverse input sets (nam/nữ, các vùng miền, các độ tuổi) 2. So sánh output distribution — có skew bất thường không? 3. Document findings và mitigation actions 4. Re-test quarterly

Output Monitoring

Không phải deploy rồi quên. Mỗi AI system cần: - Confidence threshold: AI chỉ auto-execute khi confidence > X% (vd: 95%) - Fallback to human: Dưới threshold → chuyển cho người review - Anomaly detection: Alert khi output pattern thay đổi bất thường - Feedback loop: User có thể flag “AI output sai” → vào review queue

Human Escalation Paths

Mọi AI system phải có “escape hatch”: - Customer gặp chatbot có thể request human agent bất kỳ lúc nào - AI recommendation có thể bị override bởi human decision maker - Automated process có kill switch — một người có quyền dừng ngay lập tức

Trụ cột 4: Accountability & Documentation

AI Registry

Maintain danh sách TẤT CẢ AI systems đang chạy:

Bạn sẽ ngạc nhiên: Hầu hết doanh nghiệp không biết mình đang chạy bao nhiêu AI system. Marketing dùng Jasper AI, Sales dùng ChatGPT, Dev dùng Copilot — không ai track tổng thể. AI Registry là bước đầu tiên.

Incident Response

Khi AI system gây ra vấn đề: 1. Phát hiện (< 1 giờ): Monitoring alert hoặc user report 2. Contain (< 4 giờ): Tạm dừng AI system, chuyển sang manual 3. Investigate (< 24 giờ): Root cause — AI bug? Data issue? Prompt drift? 4. Fix (< 48 giờ): Patch, re-test, re-deploy 5. Post-mortem (< 1 tuần): Document lessons learned, update governance framework 6. Communication (Throughout): Stakeholder updates, customer notification nếu cần

Audit Trail

Mọi AI decision cần được log: - Input gì? - AI output gì? - Human approve hay override? - Kết quả cuối cùng?

Đây không chỉ cho compliance — đây là goldmine để improve AI performance over time.

Template: AI Usage Policy (Customizable)

Đây là template mà CIO có thể customize cho doanh nghiệp mình:

1. Scope

“Policy này áp dụng cho tất cả nhân viên [Company Name] khi sử dụng AI tools, bao gồm nhưng không giới hạn: ChatGPT, Claude, Copilot, Gemini, và mọi AI-powered features trong software đang sử dụng.”

2. Permitted Uses

• AI tools được phép sử dụng cho: [liệt kê cụ thể]

• Ví dụ: Drafting internal documents, code generation, data analysis, brainstorming

3. Prohibited Uses

• KHÔNG được nhập customer PII vào AI tools chưa được approved

• KHÔNG được dùng AI output trực tiếp cho customer communication mà không có human review

• KHÔNG được dùng AI để tạo content impersonate người khác

• KHÔNG được share company confidential information với public AI tools

4. Approved Tools List

• [Tool A] — approved cho [use case], Tier [X]

• [Tool B] — approved cho [use case], Tier [Y]

• Mọi tool ngoài danh sách cần được IT Security review trước khi sử dụng

5. Data Classification

• Public data: Có thể dùng với mọi AI tool

• Internal data: Chỉ dùng với approved enterprise AI tools

• Confidential data: Chỉ dùng với self-hosted/approved AI với DPA

• Restricted data (PII, financial): Phải qua masking trước khi dùng AI

6. Accountability

• Người sử dụng AI chịu trách nhiệm về output

• AI-generated content phải được đánh dấu nếu dùng cho external communication

• Incidents phải được report qua [channel] trong vòng [X giờ]

7. Review Cycle

• Policy được review quarterly

• AI Registry được update monthly

• Training mandatory cho new hires trong 30 ngày đầu

Roadmap: Xây AI Governance trong 90 ngày

Ngày 1-30: Foundation

• Tuần 1-2: AI audit — liệt kê TẤT CẢ AI tools đang được sử dụng (sẽ nhiều hơn bạn nghĩ)

• Tuần 3: Classify use cases theo 4 Tiers

• Tuần 4: Draft AI Usage Policy v1.0, circulate cho Legal và Security review

Ngày 31-60: Implementation

• Tuần 5: Thành lập AI Governance Committee (CIO + Legal + Security + Data Lead + 1 Business Lead)

• Tuần 6: Finalize policy, leadership sign-off

• Tuần 7: Deploy monitoring cho Tier 3 (High Risk) systems trước

• Tuần 8: Company-wide training — 2 giờ, mandatory cho tất cả team leads

Ngày 61-90: Operationalize

• Tuần 9-10: Roll out policy company-wide, collect feedback

• Tuần 11: First monthly audit cycle

• Tuần 12: Review, adjust, publish lessons learned

Sau 90 ngày:

• Quarterly review cycle

• Annual external audit cho Tier 3 systems

• Continuous improvement dựa trên incidents và industry developments

Bối cảnh pháp lý Việt Nam mà CIO cần biết

Hiện hành

• Luật An ninh mạng 2018 (Điều 26): Yêu cầu lưu trữ dữ liệu tại Việt Nam cho một số loại dịch vụ

• Nghị định 13/2023/NĐ-CP: Bảo vệ dữ liệu cá nhân — AI xử lý PII phải comply

• Nghị định 147/2024/NĐ-CP: Quản lý cung cấp dịch vụ Internet — applicable cho AI services

• Luật Giao dịch điện tử 2023: Automated electronic transactions có thể áp dụng cho AI-driven decisions

Đang phát triển

• Bộ TT&TT đang xây dựng guidelines cho AI development và deployment

• Vietnam đã tham gia ASEAN Guide on AI Governance

• Xu hướng: Sẽ siết hơn, không lỏng hơn — nên chuẩn bị sớm

Khuyến nghị

• Không chờ luật mới — build governance framework bây giờ, adjust khi luật ban hành

• Document mọi AI decision — tạo audit trail sẵn

• Engage với Bộ TT&TT, CIO VN community để stay informed

• Consider Privacy Impact Assessment cho mỗi High Risk AI deployment

Kết luận: Governance không phải roadblock — Governance là enabler

Nhiều team sẽ phản đối: “Governance làm chậm innovation!”

Thực tế ngược lại. Khi có governance framework rõ ràng: - Team biết được phép làm gì → Move faster cho Tier 1-2 use cases mà không cần hỏi permission - Leadership tin tưởng deploy AI → Approve budget nhanh hơn khi có risk framework - Incidents xử lý nhanh hơn → Có playbook sẵn thay vì scramble - Compliance sẵn sàng → Khi quy định mới ra, chỉ cần adjust thay vì build from scratch

AI Governance không phải về “kiểm soát” — mà về “tự tin scale.”

Không có framework, bạn deploy 1-2 AI tools rồi sợ không dám scale. Có framework, bạn tự tin deploy 20 AI use cases vì biết mỗi cái đều có guardrails.

Bài tiếp theo: “Xây AI Platform hay mua SaaS? — Quyết định $1M mà nhiều CIO đang sai”

📩 Subscribe CIO Vietnam trên Substack để nhận bài tiếp theo.

📥 Download: AI Usage Policy Template — Bản Word có thể customize cho doanh nghiệp bạn. [Link trong bio]

English Summary: This article provides a pragmatic AI Governance framework tailored for Vietnamese enterprises. It covers four pillars: Use Case Classification (4 risk tiers), Data Privacy & Security (with Vietnam-specific legal context), Responsible AI (bias detection, output monitoring), and Accountability (AI Registry, incident response). Includes a customizable AI Usage Policy template and a 90-day implementation roadmap. Key argument: governance enables faster AI adoption by giving teams clear boundaries, not slower innovation.

— Frank Luong, AI Chapter Lead, CIO Vietnam

Khoảng cách giữa AI pilot và AI value chủ yếu không nằm ở năng lực của mô hình. Nó nằm ở việc doanh nghiệp có chọn đúng vấn đề, thiết kế lại đúng workflow, xác định rõ người sở hữu outcome và đưa cơ chế kiểm soát vào vận hành ngay từ đầu hay không.

Các case study từ Lloyds Banking Group và National Australia Bank cho thấy một nguyên tắc xuyên suốt:

AI chỉ tạo ra giá trị khi được tích hợp vào một workflow có mục tiêu kinh doanh, dữ liệu, trách nhiệm và cơ chế kiểm soát rõ ràng.

1. Điểm nghẽn thường không phải thiếu AI, mà là quy trình không thể mở rộng

Trước khi ứng dụng AI, Lloyds Banking Group vận hành với hơn 100 biến thể quy trình, nhiều bước chuyển giao qua email, phân luồng công việc thủ công và sự tách biệt giữa front office và back office.

Riêng quy trình tài trợ tài sản có 12 bước xử lý, hơn 70 câu hỏi kiểm tra, khả năng quan sát dữ liệu hạn chế và nhiều thao tác lặp lại. Với các khiếu nại thương mại phức tạp, một hồ sơ có thể mất hơn hai giờ để đánh giá và tới hai tuần để giải quyết do phải đi qua nhiều bộ phận.

Đây cũng là tình trạng phổ biến trong nhiều doanh nghiệp:

• Giao diện đã được số hóa, nhưng các công việc vẫn được thực hiện thủ công.

• Email tiếp tục đóng vai trò là công cụ điều phối.

• Nhân sự sao chép dữ liệu giữa nhiều hệ thống.

• Cùng một nghiệp vụ nhưng được thực hiện theo nhiều cách khác nhau.

• Handoff làm mất thời gian, thông tin và trách nhiệm.

• Dữ liệu tồn tại nhưng chưa tạo được visibility xuyên suốt quy trình.

Trong bối cảnh đó, đưa GenAI vào một quy trình chưa được chuẩn hóa có thể giúp một hệ thống phức tạp chạy nhanh hơn, nhưng chưa chắc tạo ra outcome rõ ràng hơn.

Vì vậy, câu hỏi đầu tiên không nên là:

“Chúng ta có thể dùng AI ở đâu?”

Mà phải là:

“Workflow nào đang cản trở tăng trưởng, làm tăng chi phí, kéo dài cycle time hoặc tạo ra rủi ro?”

Business friction mới là điểm khởi đầu cho quá trình chuyển đổi sang AI.

2. Giá trị đến từ việc chọn đúng loại trí tuệ cho đúng nhiệm vụ

Một điểm đáng chú ý trong case Lloyds là ngân hàng không cố gắng sử dụng GenAI cho tất cả các tác vụ.

Sau quá trình đánh giá capability, Lloyds lựa chọn:

• GenAI cho tóm tắt và trích xuất dữ liệu.

• GenAI có thể tạo nội dung nhưng phải có control hoặc human oversight.

• Machine Learning tiếp tục được sử dụng cho classification vì phù hợp và ổn định hơn.

• Knowledge và coaching được tích hợp vào hệ thống quản trị tri thức của doanh nghiệp.

Đây là một kỷ luật triển khai quan trọng:

Không chọn công nghệ theo mức độ mới. Chọn theo mức độ phù hợp với nhiệm vụ, độ chính xác cần thiết, hậu quả của sai lệch và chi phí vận hành.

Sau khi tái thiết kế workflow, tự động hóa giao tiếp và đưa GenAI vào trích xuất dữ liệu, Lloyd’s ghi nhận hơn 5.000 hồ sơ được tạo, 83% hồ sơ được tự động index, hơn 500 giờ thao tác thủ công được tiết kiệm và độ chính xác trong trích xuất dữ liệu đạt 99%. Với quy trình khiếu nại, thời gian đánh giá, tóm tắt và tạo phản hồi giảm khoảng 1,5 giờ cho mỗi trường hợp.

Điểm cần lưu ý là các kết quả này không đến từ một mô hình AI riêng lẻ.

Nó đến từ sự kết hợp của bốn yếu tố:

Workflow được thiết kế lại + tự động hóa + AI phù hợp + KPI vận hành.

Đây cũng là điểm phân biệt giữa một AI use case có khả năng mở rộng và một bản demo gây ấn tượng nhưng khó triển khai vào production.

3. Cá nhân hóa không phải giao tiếp nhiều hơn, mà là ra quyết định liên quan hơn

National Australia Bank đối diện một bài toán khác: làm thế nào để duy trì quan hệ mang tính cá nhân với khoảng 10 triệu khách hàng cá nhân và doanh nghiệp có nhu cầu rất khác nhau.

Cách tiếp cận marketing theo lô không còn đủ khả năng duy trì tính relevant trên các kênh digital, inbound, outbound và tương tác trực tiếp.

NAB triển khai chương trình hai năm để xây dựng một “customer brain” tập trung, sử dụng dữ liệu và mô hình quyết định nhằm xác định hành động phù hợp tiếp theo cho từng khách hàng.

Thay vì chỉ tạo thêm nội dung, ngân hàng xây dựng năng lực quyết định:

• Khách hàng nào cần được tiếp cận?

• Nhu cầu nào có khả năng xuất hiện tiếp theo?

• Hành động nào phù hợp nhất vào thời điểm hiện tại?

• Trên kênh nào?

• Khi nào nên không gửi thêm thông điệp?

• Khi nào cần chuyển sang nhân sự tư vấn?

Nền tảng Next Best Action được mở rộng trên nhiều kênh và phục vụ hàng trăm triệu cuộc hội thoại. Kết quả được chia sẻ gồm mức độ tương tác của khách hàng tăng 40% và khoảng 2.000 adaptive models được đưa vào vận hành.

Điểm chuyển dịch quan trọng nằm ở đây:
Từ campaign sang continuous decisioning.
Từ phân khúc tĩnh sang tín hiệu theo ngữ cảnh.
Từ product push sang customer need.
Từ tối ưu từng kênh sang điều phối xuyên kênh.

Đối với những doanh nghiệp có lượng khách hàng lớn, AI tạo nội dung chỉ là lớp vỏ bên ngoài. Decisioning mới là lớp trực tiếp chuyển dữ liệu thành tăng trưởng.

4. Use case có ROI cao nhất thường cũng có rủi ro lớn nhất

Trong ngân hàng, những use case hấp dẫn nhất thường nằm tại các khu vực đồng thời có ba đặc tính:

• Được quản lý chặt chẽ.

• Tác động trực tiếp đến khách hàng.

• Có nhiều biến thể theo từng sản phẩm, từng đơn vị hoặc từng khu vực.

Một quyết định sai trong credit, complaints, customer communication hoặc compliance không chỉ làm giảm hiệu quả mà còn gây ra nhiều hệ lụy khác. Nó có thể tạo ra rủi ro về pháp lý, uy tín và niềm tin.

Vì vậy, governance không thể được bổ sung sau khi giải pháp đã hoàn tất.

Mô hình được trình bày trong tài liệu tách rõ hai lớp:

Control Plane xác định policy, tiêu chuẩn rủi ro, quyền riêng tư, trách nhiệm và tuân thủ.

Execution Plane đưa các chính sách đó vào workflow, dữ liệu và runtime để kiểm soát việc thực thi nhất quán trong từng giao dịch.

Sự khác biệt nằm ở khả năng thực thi:

• Policy yêu cầu bảo vệ dữ liệu nhạy cảm; control thực hiện masking trước khi dữ liệu được gửi tới mô hình.

• Policy yêu cầu nội dung phải được kiểm duyệt; workflow bắt buộc phải có human review.

• Policy yêu cầu khả năng truy vết; hệ thống ghi lại model, prompt, dữ liệu, quyết định và người phê duyệt.

Governance chỉ có giá trị khi được chuyển thành hành vi của toàn hệ thống.

Với Agentic AI, yêu cầu này càng chặt chẽ hơn. Khi agent được trao quyền thực hiện nhiều bước trong workflow, doanh nghiệp phải xác định rõ:

• Agent được phép thực hiện những hành động nào?

• Dữ liệu nào được truy cập?

• Khi nào cần xin phê duyệt?

• Ai sở hữu KPI?

• Ai chịu trách nhiệm khi có sai lệch?

• Có audit trail và cơ chế dừng không?

Agentic AI không đơn giản hóa operating model. Nó đòi hỏi một operating model rõ ràng hơn.

5. CIO cần thay đổi cách đặt bài toán AI

Từ các case study trên, có thể thấy nhiều chương trình AI thất bại không phải vì công nghệ không đủ tốt, mà vì doanh nghiệp bắt đầu sai từ điểm đó.

Bắt đầu từ model, điều này thường dẫn tới câu hỏi: AI có thể làm gì?

Bắt đầu từ workflow buộc tổ chức phải trả lời những câu hỏi khó hơn:

• Điểm nghẽn nào đang tạo ra tổn thất thực sự?

• Baseline hiện tại là gì?

• Outcome nào business sẵn sàng chịu trách nhiệm?

• Tác vụ nào cần GenAI, tác vụ nào phù hợp hơn với Machine Learning, rule-based automation hoặc con người?

• Control nào cần được thực thi trong hệ thống?

• Điều kiện nào cho phép pilot được scale?

Đây không chỉ là trách nhiệm của CIO.

Business owner phải sở hữu outcome. Risk và compliance phải tham gia ngay từ đầu. Data team phải bảo đảm dữ liệu có thể được sử dụng. Team công nghệ chịu trách nhiệm về việc tích hợp, vận hành và khả năng mở rộng.

Vai trò của CIO là kết nối các thành phần đó thành một hệ thống triển khai thống nhất.

Khoảng cách giữa AI experimentation và AI value realization không thể được giải quyết bằng cách mua thêm một mô hình.

Nó được giải quyết bằng một hệ thống triển khai có kỷ luật:

Chọn đúng pain point.
Thiết kế lại workflow.
Sử dụng đúng loại AI.
Đưa governance vào kiến trúc.
Đo kết quả.
Sau đó mới scale.

Case Lloyds cho thấy AI có thể tạo ra hiệu quả vận hành rõ ràng khi được đặt trong một workflow đã được tái cấu trúc.

Case NAB cho thấy AI có thể tạo ra tăng trưởng khi doanh nghiệp chuyển từ tiếp cận đại trà sang ra quyết định theo ngữ cảnh.

Bài học chung dành cho CIO và lãnh đạo doanh nghiệp là:

AI không tạo ra giá trị chỉ vì nó thông minh. AI tạo giá trị khi doanh nghiệp biết chính xác outcome nào cần cải thiện, trong workflow nào, do ai sở hữu và theo cơ chế kiểm soát nào.

Bước đầu tiên không phải là chọn một mô hình mới.

Hãy chọn một workflow có cycle time dài, nhiều handoff và baseline rõ ràng. Đó là nơi AI có cơ hội tạo ra giá trị thực sự cho lần đầu tiên.

Nội dung được tổng hợp từ tài liệu “Turning AI into Growth: From Experiments to Measurable Banking Outcomes” do Pegasystems chia sẻ, kết hợp với các góc nhìn và thảo luận thực tiễn từ các thành viên CIO Vietnam tham gia chương trình Executive Dialogue tháng 7/2026

Thủy Đặng
Managing Director | CIO Vietnam

Agents đang đần trở thành chuẩn mực mới của doanh nghiệp

Trong vòng hai năm trở lại đây, AI trong doanh nghiệp đã chuyển từ vai trò hỗ trợ (AI Assistant) sang các tác nhân tự chủ (AI Agents) với khả năng lập kế hoạch, ra quyết định và trực tiếp thực thi tác vụ trên các hệ thống nghiệp vụ. Thay vì chỉ phản hồi theo yêu cầu như các mô hình GenAI truyền thống, Agentic AI có thể chủ động phối hợp nhiều công cụ, truy cập dữ liệu và hoàn thành các quy trình nghiệp vụ với mức độ tự chủ ngày càng cao. Chính sự chuyển dịch này mở ra tiềm năng lớn cho chuyển đổi số, đồng thời đặt ra những yêu cầu hoàn toàn mới về quản trị, an toàn và trách nhiệm của các hệ thống AI.

Những dự báo mới nhất cho thấy Agentic AI đã vượt qua xu hướng thử nghiệm để triển khai thực tế. Gartner ước tính đến cuối năm 2026, khoảng 40% ứng dụng doanh nghiệp sẽ tích hợp các AI Agents chuyên biệt, tăng mạnh so với mức dưới 5% của năm 2025. Xa hơn, đến năm 2028, khoảng 33% phần mềm doanh nghiệp sẽ sở hữu năng lực Agentic AI, đồng thời ít nhất 15% các quyết định công việc hằng ngày sẽ được thực hiện một cách tự chủ (autonomous). Ở quy mô doanh nghiệp lớn, Gartner cũng dự báo mỗi tổ chức thuộc Fortune 500 có thể vận hành tới hơn 150.000 AI Agents, tăng đột biến so với chỉ trong 1 năm trước.

Sự gia tăng nhanh chóng của AI Agents kéo theo một thay đổi căn bản về quản trị danh tính (Identity). Mỗi agent không chỉ đại diện cho một con người mà có thể tự vận hành thông qua một hoặc nhiều danh tính phi con người (gọi là NHI, Non-Human Identity). bao gồm Service Account, API key, OAuth token, hay digital certs. Ví dụ một agent chăm sóc khách hàng có thể cần đồng thời nhiều NHI để truy cập CRM, ERP, DWH, email và các dịch vụ AI khác. Vì vậy, số lượng NHI đang tăng nhanh hơn rất nhiều so với danh tính của người dùng. Theo Entro Security (H1/2025), môi trường cloud-native hiện ghi nhận tỷ lệ khoảng 144 NHI cho mỗi danh tính người dùng; CyberArk công bố mức khoảng 82:1, trong khi nhiều nghiên cứu khác cho thấy tỷ lệ phổ biến dao động từ 40 - 50:1. Chỉ trong một năm, tổng số NHI đã tăng khoảng 44%.

Điều này cho thấy AI Agents đang dần trở thành một thành phần tác nghiệp mặc định của doanh nghiệp hiện đại. Chúng không chỉ hỗ trợ con người mà còn phối hợp với nhau trong các mô hình đa agent để xử lý những quy trình ngày càng phức tạp, đồng thời truy cập trực tiếp vào các hệ thống trọng yếu của doanh nghiệp. Khi mỗi agent trở thành một chủ thể có khả năng hành động và được trao quyền truy cập, danh tính không còn đơn thuần là một cơ chế xác thực mà cần được xem xét như là một module dùng để kiểm soát của toàn bộ hệ sinh thái Agentic AI, khái niệm này được gọi là Agentic Control Plan.

Như vậy để đảm bảo doanh nghiệp triển khai Agentic AI thành công, chúng ta cần xây dựng cơ chế quản trị lực lượng lao động số này. Cảnh báo của Gartner rằng hơn 40% dự án Agentic AI có thể gặp nhiều khó khăn trong năm 2027 chủ yếu do thiếu năng lực quản trị và kiểm soát rủi ro của AI, cho thấy nền tảng danh tính (Agentic AI Identity) cần được xem là điều kiện tiên quyết, thay vì một thành phần được bổ sung sau khi hệ thống đã đi vào vận hành.

Quản trị định danh phi con người (NHI)

NHI đang trở thành điểm tấn công trọng yếu

Sự phát triển nhanh của Agentic AI khiến NHI trở thành mục tiêu hấp dẫn nhất đối với tội phạm mạng. Không giống tài khoản người dùng, NHI thường tồn tại dưới dạng API key, OAuth token, Service Account… được sử dụng để giao tiếp giữa các hệ thống. Khi những danh tính này bị chiếm đoạt, kẻ tấn công có thể truy cập trực tiếp vào tài nguyên doanh nghiệp mà không cần vượt qua các cơ chế bảo vệ dành cho người dùng. Điểm đáng lo ngại là NHI thường không có MFA, ít được thay đổi định kỳ, dễ bị cấp quyền vượt mức và nhiều trường hợp không còn chủ sở hữu rõ ràng. Chính những đặc điểm này khiến chúng trở thành mắt xích yếu trong kiến trúc bảo mật hiện đại.

Các thống kê gần đây phản ánh rõ xu hướng này. Sophos ghi nhận 71% doanh nghiệp đã gặp sự cố liên quan đến identity trong năm 2025; trong đó khoảng 41% xuất phát từ NHI và 67% các vụ ransomware bắt đầu từ việc đánh cắp hoặc lạm dụng identity. IBM cũng cho biết 97% các tổ chức từng xảy ra sự cố liên quan đến AI chưa triển khai đầy đủ cơ chế kiểm soát dịch danh truy cập cho các AI Agents. GitGuardian phát hiện 28,65 triệu secret bị công khai trên GitHub trong năm 2025, tăng 34% so với năm trước, trong khi các thông tin xác thực liên quan đến AI tăng tới 81,5%. Điểm chung của các sự cố này không nằm ở bản thân nền tảng Agentic AI, mà ở việc các NHI chưa được quản trị đầy đủ trong toàn bộ vòng đời của chúng.

IAM truyền thống chưa đáp ứng yêu cầu của Agentic AI

Các nền tảng IAM truyền thống được xây dựng với giả định rằng đối tượng truy cập là con người: có tài khoản ổn định, đăng nhập theo phiên, sử dụng MFA và được rà soát quyền định kỳ. Agentic AI lại vận hành theo một mô hình hoàn toàn khác. Chúng có thể được tạo và hủy trong thời gian rất ngắn, hoạt động liên tục ở tốc độ máy, sử dụng credential động và thường xuyên phối hợp với nhiều agent khác.

Theo Forrester, hiện các giải pháp IAM chưa được thiết kế chuyên biệt cho Agentic AI. Trong khi đó, phần lớn AI Agents hiện vẫn sử dụng thông tin xác thực tĩnh hoặc dùng chung; nhiều tổ chức chưa xác định rõ chủ sở hữu của Agentic AI Identity và có xu hướng cấp quyền cho AI cao hơn mức cần thiết. Điều này cho thấy vấn đề không nằm ở việc IAM sai, mà thiết kế ban đầu của IAM không còn phù hợp với mô hình vận hành của Agentic AI.

Một số yếu điểm khi tích hợp Agentic AI

Trong thực tế triển khai, có một số kịch bản thiết kế phổ biến tồn tại khoảng trống vấn đề bảo mật ảnh hưởng trực tiếp đến khả năng compliance & audit và mở rộng Agentic AI ở quy mô doanh nghiệp.

Nền tảng Agentic AI Control Plane

Nền tảng Agentic AI Control Plane - nền tảng quản trị cho kỷ nguyên Agentic AI

Để khai thác Agentic AI ở quy mô doanh nghiệp, việc bổ sung các cơ chế kiểm soát rời rạc vào từng ứng dụng là chưa đủ. Cách tiếp cận phù hợp hơn là xây dựng một nền tảng quản trị danh tính và điều khiển tập trung, nơi mọi AI Agent được cấp danh tính, ủy quyền, giám sát và bảo vệ theo cùng một nguyên tắc, độc lập với logic nghiệp vụ của ứng dụng gọi là Agentic AI Control Plane. Thực ra Control Plane này không chỉ có quản lý NHI mà còn bao gồm các modules khác như AI Governance, Agent Orchestrator…, ở góc độ tổng quan nền tảng này giúp doanh nghiệp chuẩn hóa việc quản trị AI Agent, đồng thời giảm đáng kể sự phụ thuộc vào từng nền tảng hoặc framework cụ thể.

Cấu phần quản lý NHI trong Control Plane có tên gọi Agent Identity Plane, bao gồm các trụ cột cơ bản sau tạo thành nền tảng cho toàn bộ hệ sinh thái Agentic AI.

Trụ cột 1 – Danh tính duy nhất: Trong phương thức truyền thống, các bản sao của một agent dùng chung một danh tính nên không thể biết bản sao nào đã hành động, khiến việc kiểm toán và quy trách nhiệm bất khả thi. Control Plane khắc phục bằng cách cấp cho mỗi bản sao một danh tính ký số riêng theo chuẩn OIDC, hiệu lực ngắn hạn và secret key động, để mọi quyết định đều gắn với đúng bản sao.

Trụ cột 2 – Khả năng truy vết: Trong phương thức truyền thống, danh tính mất dần qua mỗi lần chuyển giao, dẫn tới giả mạo và mất dấu vết kiếm soát. Control Plane khắc phục bằng chuỗi ủy quyền xác minh được sử dụng token-exchange để cấp ký số cho từng agent, giữ nguyên chủ thể người dùng, quyền tối thiểu và mọi hành động đều truy vết được.

Trụ cột 3 – Bảo vệ thời gian thực: trong phương thức truyền thống, mọi mối đe dọa đi thẳng vào agent và đầu ra độc hại không dược kiểm soát hoặc chặn lại. Control Plane khắc phục bằng thực thi ở tầng nền tảng: tiền kiểm chặn prompt độc hại, hậu kiểm che PII và vi phạm chính sách trước khi phản hồi mà không cần đổi mã.

Trụ cột 4 – Quan sát: Trong phương thức truyền thông, agent như hộp đen: suy luận vô hình, vi phạm vì không có dấu vết tra soát. Control Plane khắc phục bằng quan sát toàn trình, truy vết mọi quyết định và lệnh gọi tool, cảnh báo bất thường theo thời gian thực, và nhật ký kiểm soát gắn với danh tính agent.

Lộ trình triển khai Agentic AI Identity Plane

Hướng tiếp cận xây dựng mô hình quản lý danh tính riêng cho AI Agents hiện đang dần trở thành đồng thuận của nhiều hãng khác nhau như Microsoft, IBM hay các hướng dẫn của NIST/CISA cũng như nhiều nhà cung cấp nền tảng Agentic AI khác. Việc triển khai Agentic AI Identity nên được thực hiện theo từng giai đoạn thay vì thay đổi toàn bộ hệ thống trong một lần. Mỗi cấp độ trưởng thành bổ sung thêm một năng lực quản trị nhưng vẫn kế thừa đầy đủ nền tảng của cấp trước.

Giải pháp IBM Agentic Control Plane

IBM Agentic Identity Plane trong IBM Agentic Control Plane là kiến trúc quản trị NHI toàn diện, kết hợp sức mạnh của nền tảng IBM watsonx và IBM Security để quản lý vòng đời danh tính của AI Agent từ khám phá, cấp phát, xác thực, bảo vệ khóa mật mã đến giám sát và tuân thủ. Khác với các giải pháp chỉ tập trung vào quản lý secret hoặc IAM truyền thống, IBM cung cấp một Control Plane thống nhất kết nối IBM Verify, Guardium Cryptography Manager, Instana, OpenPages và IBM watsonx, giúp doanh nghiệp xây dựng môi trường Agentic AI an toàn, có khả năng mở rộng, đáp ứng các yêu cầu Zero Trust, AI Governance và Compliance trong toàn bộ vòng đời của AI Agents.

Kết luận

Phân tích cho thấy phần lớn rủi ro của Agentic AI không bắt nguồn từ LLM mà xuất phát từ việc các NHI chưa được quản trị đúng mức. Khi AI Agent sử dụng tài khoản dùng chung, credential tĩnh hoặc quyền truy cập vượt quá nhu cầu thực tế, chúng có thể trở thành điểm yếu của toàn bộ hệ thống. Vì vậy, quản trị danh tính cần được xem là nền tảng của kiến trúc Agentic AI thay vì chỉ là một thành phần của hạ tầng bảo mật. Như vậy, trong kỷ nguyên Agentic AI, lợi thế cạnh tranh sẽ không được quyết định bởi số lượng AI Agents mà doanh nghiệp sở hữu, mà bởi khả năng quản trị chúng một cách an toàn, minh bạch và có trách nhiệm. Những tổ chức đầu tư sớm vào nền tảng Agentic AI Identity sẽ có khả năng mở rộng quy mô triển khai nhanh hơn, đáp ứng tốt hơn các yêu cầu về quản trị dữ liệu, an ninh mạng và tuân thủ pháp lý, đồng thời tạo nền tảng vững chắc cho thế hệ ứng dụng AI tiếp theo.

Tác giả: Nguyễn Tuấn Khang, Data & AI Leader, IBM ASEAN

Google giờ đây có thể phá vỡ mật mã đường cong elliptic đang bảo vệ Bitcoin trong khoảng chín phút — chỉ dùng số qubit ít hơn 20 lần so với những gì giới chuyên gia từng cho là khả thi cách đây năm tháng.
Tin Tức
Ngày 1/7/2026, Microsoft công bố đẩy sớm thời hạn chuyển đổi sang mật mã hậu lượng tử (PQC) thêm bốn năm — từ 2033 xuống còn 2029. Giám đốc Công nghệ Azure, Mark Russinovich, phát biểu thẳng thắn: “đường chân trời rủi ro đã dịch chuyển.” Nguyên nhân trực tiếp là công bố hồi tháng 3/2026 của Google về mạch thuật toán Shor cải tiến, có thể giải ECDLP-256 chỉ với dưới 1.400 qubit logic và khoảng 70–90 triệu cổng Toffoli.

Nhưng đây là điều phần lớn các tiêu đề đã bỏ lỡ: đây không phải lời cảnh báo cho tương lai. Đây là sự thừa nhận rằng các cuộc tấn công “thu thập ngay, giải mã sau” đã có gây tác hại kinh tế ngay từ hôm nay.

Các tác nhân nhà nước không cần một máy tính lượng tử hoạt động được ngay trong năm 2026. Họ chỉ cần dữ liệu mã hóa bị đánh cắp hôm nay và kiên nhẫn chờ đến 2029–2031 — đúng thời điểm sắc lệnh hành pháp về lượng tử của Nhà Trắng yêu cầu các cơ quan liên bang hoàn tất chuyển đổi các hệ thống giá trị cao. Microsoft không hành động trước vì thận trọng. Họ hành động vì khoảng cách giữa “lý thuyết” và “thực tiễn” vừa thu hẹp lại 20 lần.

Tại Sao Điều Này Quan Trọng
Chúng ta đã từng chứng kiến kịch bản này. Điện toán đám mây từng có vẻ là lựa chọn không bắt buộc vào năm 2010, cho đến khi những người tiên phong xây dựng được cả một thập kỷ lợi thế cộng dồn trước khi đối thủ kịp lập ngân sách chuyển đổi. Di động từng bị xem là một món đồ chơi vào năm 2007, cho đến khi không còn như vậy nữa. Chúng ta đang ở đúng điểm bước ngoặt đó.

SPECTERAI Bản Tin An Ninh Lượng Tử · Số ra ngày 6/7/2026

Tính Cấp Bách Kép
1. CƠ HỘI
Các tổ chức đang tái xây dựng hạ tầng mật mã ngay từ bây giờ — tính linh hoạt mật mã, xoay vòng khóa, áp dụng TLS 1.3 — sẽ tung ra sản phẩm an toàn lượng tử vào năm 2029, trong khi đối thủ vẫn còn đang rà soát hiện trạng.
2. RỦI RO
Mỗi byte dữ liệu được mã hóa theo chuẩn hiện nay và bị đánh cắp ngay hôm nay đều mang một hạn sử dụng. NIST đã hoàn thiện ML-KEM và ML-DSA vào năm 2024. Thời hạn liên bang hiện đặt ở mốc 31/12/2030 cho hệ thống giá trị cao — một chiếc đồng hồ đếm ngược ngắn hơn cả những gì phần cứng vừa thiết lập lại.

Ai Sẽ Thắng Cuộc
Những tổ chức chiến thắng sẽ là những tổ chức xem năm 2026 là năm họ kiểm kê toàn bộ chứng chỉ, khóa và thuật toán mình đang sở hữu — Những tổ chức bắt đầu cho việc chuyển đổi hậu lượng tử.

Gửi mọi lãnh đạo CNTT đang đọc bản tin này:
Bạn có biết có bao nhiêu hệ thống trong tổ chức của mình vẫn phụ thuộc vào RSA hoặc ECC mà chưa có kế hoạch chuyển đổi sau năm 2029?

TS. Peter Huynh - Chủ tịch khu vực APAC

Nguồn tham chiếu: Vietnam Enterprise Workforce Capability Readiness Report 2026 – Talentnet Academy; LinkedIn AI-Fluent Nation; Mercer Workforce Capability Insights.

Trong năm 2026, câu hỏi về AI trong doanh nghiệp không còn là: “Có nên ứng dụng AI hay không?”

Câu hỏi đúng hơn là:

Doanh nghiệp có đủ năng lực tổ chức để biến AI thành tăng trưởng, năng suất và hiệu quả vận hành hay chưa?

Theo Vietnam Enterprise Workforce Capability Readiness Report 2026 của Talentnet Academy, báo cáo benchmark 161 doanh nghiệp tại Việt Nam, các tổ chức đang chịu đồng thời nhiều áp lực chiến lược:

· 71.4% doanh nghiệp ưu tiên tăng trưởng doanh thu và mở rộng kinh doanh.

· 50.9% chịu áp lực cải thiện năng suất.

· 31.1% ưu tiên triển khai AI vào vận hành.

· Điểm năng lực ứng dụng AI thực tế chỉ đạt 57.8/100.

· Chỉ khoảng 3.1% doanh nghiệp được xem là future-ready về AI capability.

Những con số này phản ánh một khoảng cách đáng chú ý: doanh nghiệp đã nhận ra tầm quan trọng của AI, nhưng năng lực biến AI thành kết quả thực tế vẫn còn hạn chế.

Khoảng cách không nằm ở công nghệ, mà ở adoption

Nhiều doanh nghiệp hiện đã có AI tools, license, chương trình đào tạo AI và các nhóm thử nghiệm use case. Nhưng điều đó chưa đồng nghĩa với AI adoption.

Có ba cấp độ rất khác nhau:

AI usage là có người dùng công cụ.
AI adoption là công việc thật sự thay đổi.
AI value capture là doanh nghiệp đo được giá trị từ sự thay đổi đó.

Phần lớn doanh nghiệp vẫn đang ở tầng usage: nhân viên dùng AI để viết nhanh hơn, tóm tắt nhanh hơn, tìm ý tưởng nhanh hơn. Nhưng AI chưa đi sâu vào quy trình, KPI, cách phối hợp, ra quyết định và vận hành hằng ngày.

Vì vậy, thách thức lớn nhất không phải là “mua công cụ AI nào”, mà là “thiết kế cách tổ chức sử dụng AI như một năng lực vận hành mới”.

Execution gap: chiến lược có, nhưng thực thi chưa tới

Một insight quan trọng của báo cáo là khoảng trống thực thi. Doanh nghiệp không thiếu tham vọng tăng trưởng, cũng không thiếu nhận thức về AI. Nhưng khi chuyển từ chiến lược sang hành động, nhiều sáng kiến bị kẹt lại.

Báo cáo cho thấy 67.7% doanh nghiệp xem middle managers là nhóm cần ưu tiên phát triển năng lực. Đồng thời, 75.8% tổ chức sẵn sàng đầu tư vào phát triển năng lực lãnh đạo và quản lý.

Điều này rất đáng chú ý.

AI không chỉ được triển khai bởi CIO, CDO, CTO hay Transformation Office. AI chỉ tạo ra giá trị khi đi vào công việc hằng ngày của các phòng ban. Và người chuyển hóa chiến lược thành hành động chính là middle managers, process owners, IT managers, product owners và business unit leaders.

Nếu nhóm này chưa hiểu AI, chưa biết thiết kế lại workflow, chưa biết đo hiệu quả và chưa biết dẫn dắt thay đổi, AI sẽ chỉ dừng ở mức thử nghiệm.

Từ AI activity đến AI impact

Doanh nghiệp có thể có rất nhiều hoạt động liên quan đến AI: workshop, training, pilot, chatbot, license, automation initiative. Nhưng số lượng hoạt động không đồng nghĩa với tác động.

Một tổ chức có thể “rất bận rộn với AI” nhưng vẫn chưa tạo ra năng suất mới, tốc độ mới hoặc chất lượng quyết định tốt hơn.

Điểm khác biệt nằm ở khả năng trả lời 5 câu hỏi:

1. AI đang giải quyết bài toán kinh doanh nào?

2. Use case nào có giá trị thật, không chỉ hấp dẫn về mặt trình diễn?

3. Dữ liệu, hệ thống và quyền truy cập đã đủ sẵn sàng chưa?

4. Ai chịu trách nhiệm đưa AI vào workflow hằng ngày?

5. Giá trị AI sẽ được đo bằng productivity, cycle time, quality, cost hay revenue impact?

Nếu không trả lời được các câu hỏi này, doanh nghiệp sẽ dễ rơi vào tình trạng “AI activity nhiều, AI impact ít”.

Điều cần quan sát trong 12–24 tháng tới

Cuộc đua AI trong doanh nghiệp sẽ không chỉ được quyết định bởi ai dùng công nghệ sớm hơn. Nó sẽ được quyết định bởi ai hấp thụ AI tốt hơn.

Những doanh nghiệp có khả năng chọn đúng use case, quản trị dữ liệu tốt, thiết kế governance phù hợp, trang bị middle managers đúng cách và đo lường được giá trị sẽ có lợi thế rõ ràng hơn.

Ngược lại, những doanh nghiệp triển khai AI theo phong trào sẽ sớm gặp giới hạn: công cụ có nhưng dữ liệu không sẵn sàng, nhân viên có dùng nhưng workflow không đổi, lãnh đạo có kỳ vọng nhưng value capture không rõ.

AI sẽ không tự động làm doanh nghiệp thông minh hơn. AI sẽ phơi bày rất rõ doanh nghiệp nào có năng lực tổ chức tốt, và doanh nghiệp nào vẫn đang vận hành bằng dữ liệu rời rạc, quy trình phức tạp, ownership mơ hồ và execution yếu.

Câu hỏi không còn là doanh nghiệp đã dùng AI chưa.

Câu hỏi là:

AI đã thật sự thay đổi cách tổ chức vận hành, ra quyết định và đo lường giá trị chưa?

Trong kỷ nguyên AI, lợi thế cạnh tranh không chỉ thuộc về doanh nghiệp dùng công nghệ sớm nhất. Nó thuộc về doanh nghiệp có khả năng học nhanh hơn, tổ chức tốt hơn và thực thi nhất quán hơn.

Tổng hợp: Ms. Thủy Đặng - Managing Director| CIO Vietnam

Cuộc Dịch Chuyển Cấu Trúc Trong Kỹ Nghệ Phần Mềm

Trong vài năm trở lại đây, ngành công nghiệp phần mềm vận hành quanh một mục tiêu cốt lõi: Tối ưu hóa tối đa chi phí sản xuất mã nguồn (Code Generation). Hành trình tiến hóa từ viết code thủ công (Manual Coding), Low-code, No-code, cho đến làn sóng Vibe Coding hiện tại là minh chứng rõ nét cho xu hướng này. Ở kỷ nguyên Vibe Coding, kỹ sư phần mềm chuyển từ việc gõ dòng lệnh sang việc mô tả ý định (Intent) bằng ngôn ngữ tự nhiên, nhường toàn bộ công đoạn thực thi cú pháp cho AI.

Để nhìn nhận Vibe Coding như một sự thay đổi cấu trúc mang tính chiến lược chứ không đơn thuần là trào lưu nhất thời, chúng ta cần phân rã bản chất của quy trình phát triển phần mềm thành 3 giai đoạn lõi:

● Define (Xác định bài toán): Thấu hiểu và định hình yêu cầu hệ thống.

● Translate (Sinh mã): Chuyển dịch yêu cầu thành mã nguồn máy tính có thể thực thi.

● Verify (Kiểm chứng): Xác thực tính đúng đắn, an toàn và hiệu năng của mã nguồn.

Lịch sử ngành phần mềm bản chất là chuỗi nỗ lực giảm thiểu chi phí của bước Translate và Vibe Coding chính là cuộc cách mạng giúp đẩy chi phí của giai đoạn này về mức tiệm cận zero.

Nghịch Lý Tái Phân Bổ Chi Phí & Tốc Độ Thực Thi

Sự chênh lệch về hiệu suất giữa con người và máy móc trong việc tạo mã (Code Generation) đã đạt đến khoảng cách không tưởng:

● Human Baseline: Một lập trình viên xuất sắc có thể viết khoảng 1.000 dòng code/giờ (tương đương 10.000 dòng/ngày nếu làm việc cường độ cao liên tục). Để cấu thành một hệ thống 1 triệu dòng code, họ cần từ 3 đến 4 tháng.

● LLM Baseline (Trung bình): Một mô hình ngôn ngữ lớn (LLM) thông thường sinh mã với tốc độ ~100 tokens/giây (~10 dòng/giây), hoàn thành 1 triệu dòng code trong 28 giờ.

● Nền tảng hạ tầng phần cứng cloud (như Groq/Cerebras): Với các chip chuyên dụng tối ưu cho Inference, tốc độ vượt ngưỡng 1.000 tokens/giây, rút ngắn thời gian tạo 1 triệu dòng code xuống chỉ còn 2 đến 3 giờ.

Tuy nhiên, sai lầm chiến lược lớn nhất của các nhà quản lý là lầm tưởng AI sẽ xóa bỏ chi phí phát triển phần mềm. Thực tế, AI đang tái phân bổ cấu trúc chi phí này:

Bảng cấu trúc chi phí

Hệ Quả Chiến Lược: Sự Lên Ngôi Của “Thẩm Phán” Mã Nguồn

Khi bước Translate bị phổ thông hóa, giá trị thặng dư dồn toàn bộ về bước đầu của vòng đời: Define và Verify. Quyền lực dịch chuyển tuyệt đối từ Lập trình viên sang Người đánh giá kết quả. Các kỹ sư cấp cao (Senior/Architect) không còn đóng vai trò “thợ xây” gõ gạch, họ trở thành những “thẩm phán” tối cao hệ thống và đội ngũ Junior sẽ bị lu mờ bởi AI

Sự chuyển dịch này kéo theo ba hệ quả tất yếu:

● Nghịch lý Jevons (Jevons Paradox): Khi chi phí tạo ra một dòng code rẻ hơn, các tổ chức không code ít đi mà sẽ có xu hướng tạo ra lượng mã nguồn khổng lồ. Tổng lượng phần mềm bùng nổ kéo theo độ phức tạp hệ thống và chi phí bảo trì tăng theo cấp số nhân.

● Sự lu mờ các năng lực coding: Kỹ năng “biết viết code” không còn là bộ lọc thể hiện tư duy logic có kỷ luật. Khi bất kỳ ai cũng có thể triển khai một ứng dụng dễ dàng, tiêu chí đánh giá năng lực nhân sự buộc phải thay đổi: Tổ chức cần những người ra đề giỏi (Define) và chấm bài xuất sắc (Verify).

● Sự xuất hiện của các vai trò chiến lược mới: Nghề nghiệp trọng yếu mới không chỉ dừng lại ở Review Code, mà tiến hóa thành Review hành vi hệ thống. Những kỹ sư chuyên “dọn rác kỹ thuật” (Refactoring, tối ưu hóa Technical Debt, cô lập code thừa) sẽ trở thành nhân sự cốt lõi của doanh nghiệp.

Thách Thức Thực Thi & Rủi Ro Hệ Thống

Ranh giới thành bại của Vibe Coding nằm ở sự chênh lệch năng lực giữa giai đoạn Define và Verify.

● Vùng an toàn: Vibe Coding hoạt động xuất sắc khi bài toán có phạm vi rõ ràng, dễ định nghĩa (Define dễ) và dễ kiểm chứng (Verify dễ). Ví dụ: Dựng Prototype nhanh, thiết lập Slack bot, xây dựng Data Pipeline cơ bản, tự động hóa báo cáo, hoặc sinh Boilerplate/Scaffolding theo các Pattern sẵn có. Việc này giải phóng Business Analyst tự xây dựng Dashboard thay vì phải xếp hàng chờ đợi Ticket từ phòng IT từ 1–2 tuần.

● Vùng nguy hiểm: Tuy nhiện khi hệ thống đạt đến độ phức tạp cao, nơi con người không còn đủ khả năng hoặc thời gian để Verify xem Output đúng hay sai. Các hệ thống phân tán có thể chạy hoàn hảo ở môi trường local nhưng vỡ hoàn toàn khi scale-up ; mã nguồn trông có vẻ tối ưu nhưng ẩn chứa lỗ hổng bảo mật nghiêm trọng ; code “chạy được” rất khác với code “chạy nhanh và an toàn”. Đặc biệt là các hệ thống Legacy, nơi toàn bộ Context nằm trong đầu chuyên gia chứ không nằm trong Prompt.

Đối với một tổ chức công nghệ, Vibe Coding mang lại những rủi ro vận hành rất cụ thể:

1. Shadow IT diện rộng: BA và các phòng ban nghiệp vụ tự ý phát triển ứng dụng bỏ qua sự kiểm soát của phòng IT.

2. Phát sinh thêm nợ kỹ thuật (Technical Debt): Hệ thống vận hành được nhưng không một ai trong tổ chức hiểu cấu trúc bên trong và không ai chịu trách nhiệm giải trình (Accountability).

3. Sự bế tắc của Lập trình viên Junior: Nhóm Junior bị kẹt ở giữa AI và Senior, giá trị chuyên môn bị che mờ do AI làm quá tốt bước thực thi cơ bản.

Giải pháp kỹ thuật bắt buộc: Mặt trận chính yếu bắt buộc phải chuyển sang Bảo mật và Giám sát hệ thống (Observability). Khi tốc độ sinh mã vượt quá khả năng đọc hiểu của con người, quy trình kiểm duyệt thủ công chính thức phá sản. Xây dựng Pipeline “AI review AI” trong quy trình CI/CD không còn là một tính năng “nên có” mà là lớp phòng thủ duy nhất còn hoạt động

Một số công cụ vibe coding phổ biến

Thay vì đánh giá công cụ dựa trên tính năng sinh code đơn thuần, các chuyên gia công nghệ cần nhìn nhận dưới lăng kính Agentic Platform, ai sở hữu Coding Agent mạnh nhất và sở hữu hạ tầng “Agent-Interface” (giao tiếp giữa các Agent) sẽ chiếm lĩnh thị trường.

OpenAI Codex: Chiến lược “General Agent” độc quyền

Vận hành trên nền tảng GPT-5.5 (phát hành ngày 23/4/2026), Codex đã tiến hóa thành một hệ sinh thái Agent thống nhất từ CLI, IDE, Cloud đến khả năng Computer-use (điều khiển máy tính qua thị giác máy tính). Với ~4 triệu dev hoạt động hàng tuần, đạt 82,7% trên Terminal-Bench 2.0 và 58,6% trên SWE-Bench Pro, OpenAI đang muốn biến Codex thành một Agent tri thức tổng hợp vượt ra ngoài phạm vi lập trình thuần túy.

Claude Code: Đặt cửa “Harness” và Giao thức MCP

Trái ngược với OpenAI, Anthropic với Claude Code (chạy trên Claude Opus 4.8) tiếp cận theo triết lý “Terminal-first”. Khả năng tự động quét toàn bộ Codebase (Agentic Search), thực hiện Dynamic Workflows để kích hoạt hàng trăm Sub-agent song song giúp công cụ này xử lý được các đợt Migration quy mô hàng trăm ngàn dòng lệnh. Thực tế chứng minh Stripe đã dùng để thực hiện cuộc dịch chuyển 10.000 dòng code từ Scala sang Java chỉ trong 4 ngày (tương đương 10 tuần làm việc của một Dev). Vũ khí chiến lược của Anthropic là MCP, giao thức kết nối Agent với công cụ. Anthropic không định vị mình là Agent mạnh nhất, họ muốn định vị mình là Ngôn ngữ giao tiếp tiêu chuẩn giữa các Agent.

GitHub Copilot: Sức mạnh phân phối và Tích hợp Microsoft

Copilot (gia nhập thị trường từ 2021) duy trì vị thế dẫn đầu nhờ tính sẵn có và hệ sinh thái phân phối khổng lồ của Microsoft. Chế độ Agent Mode (đã GA vào tháng 3/2026 trên VS Code và JetBrains) cho phép giao việc thông qua Issue, tự động lập kế hoạch, sửa mã nguồn trên nhánh (Branch) và tự động mở Pull Request. Lợi thế lớn nhất của Copilot là không khóa cứng mô hình (cho phép đổi sang các Agent bên thứ ba như Claude hay Codex) và sở hữu tích hợp dọc hoàn hảo (Repo -> CI/CD -> Azure -> Enterprise Governance).

IBM Bob: Lời giải cho bài toán Enterprise Legacy & Sovereignty

IBM Bob (Project Bob) là một thực thể đặc thù khi tự Fork một bản VS Code hoàn chỉnh thành một IDE “AI-native” để kiểm soát tối đa môi trường phát triển. Bob áp dụng chiến lược Đa mô hình linh hoạt (Granite, Claude, Mistral, Llama) dựa trên bài toán tối ưu chi phí. Bob tập trung giải quyết phân khúc thị trường enterprise giá trị cao: Hiện đại hóa các hệ thống cũ (Legacy Modernization) như RPG, COBOL trên IBM i hoặc Java cũ. Minh chứng thực tế từ 6.000 lập trình viên nội bộ IBM (tăng 45% năng suất) và Blue Pearl (hiện đại hóa nền tảng Java cũ trong 3 ngày thay vì hơn 1 tháng) khẳng định vị thế của Bob trong các bài toán bảo mật và lưu trú dữ liệu đám mây nội bộ (On-premise/Private Cloud Sovereignty).

Bảng đối sánh kỹ thuật các Agentic Platforms

Khuyến Nghị Cho Nhà Quản Lý Công Nghệ

Mặt trận cạnh tranh công nghệ đã chính thức dịch chuyển từ tầng tương tác người-máy (Human-Interface) sang tầng tương tác giữa các hệ Agent với nhau (Agent-Interface). Mô hình sinh code ngày càng mạnh, lớp IDE bên ngoài sẽ ngày càng mỏng đi. Đứng trước sự dịch chuyển này, các nhà quản lý công nghệ cần thực thi ngay các hành động chiến lược sau:

1. Dừng việc scale-up nhân sự viết code thuần túy: không đổ tiền vào việc tuyển dụng ồ ạt lập trình viên chỉ để giải quyết bước Translate.

2. Tái cấu trúc năng lực cốt lõi của đội ngũ: Tập trung đầu tư và đào tạo kỹ sư chuyên sâu vào năng lực Define (Problem Framing, Product Thinking, System Architecture) và năng lực Verify (Automated Testing, AI-driven Code Review Pipeline, Continuous Security Audit).

3. Hướng tới bài toán Application Modernization ở quy mô Enterprise, nơi yêu cầu cao về bảo mật, quản trị, tuân thủ và chuyển đổi hệ thống trọng yếu, thay vì chỉ tập trung vào việc sinh mã nguồn cho từng lập trình viên.

4. Nền tảng phải có khả năng điều phối và tối ưu nhiều mô hình AI cho từng tác vụ chuyên biệt, từ sinh mã nguồn, sinh tài liệu, phân tích kiến trúc đến hiện đại hóa và refactor các hệ thống phức tạp như COBOL, IBM i (AS/400) và các ứng dụng doanh nghiệp quy mô lớn.

5. Xây dựng hạ tầng “Agent-Ready”: Thiết kế hệ thống theo mô hình API-first hoặc đảm bảo tính tương thích với các giao thức mở như MCP. Kiến trúc tương lai sẽ là Agent điều phối Agent (Agentic Orchestration), con người chỉ giữ vai trò đặt mục tiêu và giám sát kết quả (Guardrail Monitoring).

Kết luận từ Chuyên gia: Code rẻ đi không đồng nghĩa với việc phát triển phần mềm trở nên dễ dàng hơn. Nó chỉ khẳng định rằng nút thắt của quy trình đã dịch chuyển trong quy trình phát triển phần mềm. Nhà lãnh đạo công nghệ nào nhận diện và tái định hình tổ chức theo cấu trúc mới này sớm nhất, người đó sẽ chiến thắng.

Tài liệu phân tích chuyên sâu được tổng hợp dựa trên dữ liệu nghiên cứu nội bộ và cập nhật thị trường tính đến tháng 6/2026. Khuyến nghị kiểm chứng thực tế cấu trúc API/Pricing từ các nhà cung cấp trước khi đưa vào kiến trúc Production hệ thống.

Tác giả:
Nguyễn Tuấn Khang, Data & AI Leader, IBM ASEAN
Mai Sơn, Chief Product Officer, Nano Technologies Vietnam

Trong hai năm qua, AI đã đi từ một công nghệ thử nghiệm trở thành một năng lực chiến lược của doanh nghiệp.

Nếu trước đây doanh nghiệp chủ yếu sử dụng AI để dự báo, phân tích dữ liệu hay tự động hóa một số tác vụ, thì ngày nay AI đã bước sang một giai đoạn mới: không chỉ hỗ trợ con người đưa ra quyết định mà còn có khả năng tạo nội dung, thực hiện hành động và tham gia trực tiếp vào quy trình vận hành.

Sự chuyển dịch từ Predictive AI sang Generative AI, và hiện nay là Agentic AI đang mở ra những cơ hội chưa từng có cho doanh nghiệp. Tuy nhiên, cùng với khả năng đổi mới ngày càng mạnh mẽ là những câu hỏi ngày càng khó trả lời hơn:

• Ai chịu trách nhiệm cho quyết định của AI?

• Doanh nghiệp có thể giải thích kết quả do AI tạo ra hay không?

• Dữ liệu nào đang được sử dụng để huấn luyện và vận hành AI?

• Làm thế nào để đảm bảo AI tuân thủ các quy định pháp lý ngày càng chặt chẽ?

Đó là lý do AI Governance đang nhanh chóng trở thành một trong những ưu tiên hàng đầu của các CIO và lãnh đạo công nghệ.

AI có thể thu hút sự chú ý, nhưng niềm tin mới tạo ra sự chấp nhận

Một trong những thông điệp đáng chú ý là:

Intelligence gets attention. Trust earns adoption.

Nói cách khác, khả năng thông minh của AI có thể khiến doanh nghiệp hào hứng triển khai. Nhưng để AI thực sự được đưa vào các quy trình quan trọng và được người dùng tin tưởng sử dụng lâu dài, doanh nghiệp cần xây dựng được niềm tin.

Niềm tin đó không đến từ các mô hình AI mạnh hơn, mà đến từ khả năng quản trị tốt hơn.

Khi AI bắt đầu tham gia vào các quyết định liên quan đến khách hàng, tài chính, nhân sự hay vận hành, doanh nghiệp cần đảm bảo rằng mọi quyết định đều có thể được giải thích, theo dõi và kiểm soát.

Đây chính là nền tảng của Trusted AI.

Ba yếu tố cốt lõi để xây dựng Trusted AI

Theo các khung thực hành quốc tế, có ba yếu tố quan trọng quyết định mức độ tin cậy của hệ thống AI.

1. Transparency – Minh bạch

Doanh nghiệp cần hiểu rõ dữ liệu đến từ đâu, được xử lý như thế nào và mô hình AI được xây dựng dựa trên những nguồn thông tin nào.

Khả năng truy xuất nguồn gốc dữ liệu (data lineage) và nguồn gốc mô hình (model provenance) ngày càng trở nên quan trọng khi AI được ứng dụng ở quy mô lớn.

Nếu không thể trả lời câu hỏi “AI đã đưa ra kết quả này dựa trên dữ liệu nào?”, doanh nghiệp sẽ rất khó xây dựng niềm tin với người dùng và cơ quan quản lý.

2. Explainability – Khả năng giải thích

Một mô hình AI tạo ra kết quả tốt là chưa đủ.

Doanh nghiệp cần có khả năng giải thích vì sao AI đưa ra một khuyến nghị hoặc quyết định cụ thể.

Đây là yếu tố đặc biệt quan trọng trong các lĩnh vực như tài chính, bảo hiểm, y tế hoặc khu vực công, nơi tính minh bạch và trách nhiệm giải trình là yêu cầu bắt buộc.

3. Accountability – Trách nhiệm giải trình

AI Governance không thể chỉ là trách nhiệm của đội ngũ kỹ thuật.

Doanh nghiệp cần xác định rõ ai là người sở hữu rủi ro, ai chịu trách nhiệm phê duyệt và ai giám sát quá trình vận hành AI.

Sự bảo trợ từ lãnh đạo cấp cao là điều kiện tiên quyết để AI Governance được triển khai hiệu quả trên toàn tổ chức.

AI Governance không còn là lựa chọn

Một thay đổi đáng chú ý trong năm 2026 là sự xuất hiện ngày càng rõ ràng của các khung pháp lý liên quan đến AI.

Tại Việt Nam, Luật AI 134/2025 đã chính thức có hiệu lực từ tháng 3/2026, thiết lập những yêu cầu về minh bạch, giải thích và trách nhiệm đối với các hệ thống AI theo từng cấp độ rủi ro. Song song đó là Luật Dữ liệu và các quy định về bảo vệ dữ liệu cá nhân, tạo nên nền tảng pháp lý mới cho nền kinh tế số.

Điều này cho thấy một xu hướng rõ ràng:

Doanh nghiệp không còn chỉ triển khai AI để tăng năng suất.

Doanh nghiệp cần triển khai AI theo cách có thể kiểm soát, kiểm toán và chứng minh được mức độ tuân thủ.

AI Governance vì vậy đang chuyển từ một chủ đề công nghệ sang một năng lực quản trị doanh nghiệp.

Từ Data Governance đến AI Governance

Một sai lầm phổ biến là xem AI Governance như một lớp quản lý nằm trên các mô hình AI.

Thực tế, AI Governance chỉ hiệu quả khi được xây dựng trên nền tảng Data Governance vững chắc.

Nếu dữ liệu không được quản trị tốt, không đảm bảo chất lượng, không có cơ chế phân quyền và kiểm soát, thì mọi sáng kiến AI đều tiềm ẩn rủi ro.

Đây là lý do nhiều tổ chức đang chuyển sang mô hình Data Product, nơi mỗi đơn vị nghiệp vụ chịu trách nhiệm sở hữu, quản lý và chia sẻ dữ liệu như một tài sản chiến lược của doanh nghiệp.

Khi dữ liệu trở nên đáng tin cậy hơn, AI mới có thể tạo ra những kết quả đáng tin cậy hơn.

Agentic AI sẽ khiến bài toán quản trị trở nên cấp thiết hơn

Nếu Generative AI tạo nội dung, thì Agentic AI có thể thực hiện hành động.

Các AI Agent trong tương lai có thể tự động truy cập hệ thống, xử lý quy trình nghiệp vụ, phối hợp với nhiều ứng dụng và đưa ra quyết định theo mục tiêu được giao.

Điều này giúp doanh nghiệp tăng tốc năng suất ở quy mô chưa từng có.

Tuy nhiên, nó cũng đặt ra những câu hỏi mới:

• Agent được phép làm gì?

• Agent có quyền truy cập dữ liệu nào?

• Làm thế nào để theo dõi và kiểm soát hành động của Agent?

• Điều gì xảy ra nếu Agent đưa ra quyết định sai?

Khi AI chuyển từ “trả lời” sang “hành động”, AI Governance sẽ không còn là một lớp kiểm soát bổ sung mà trở thành nền tảng để đổi mới một cách an toàn.

Vai trò mới của CIO trong kỷ nguyên AI

Trong giai đoạn đầu của chuyển đổi số, CIO thường tập trung vào hạ tầng, hệ thống và dữ liệu.

Trong giai đoạn AI hiện nay, vai trò đó đang mở rộng. CIO không chỉ là người triển khai công nghệ mà còn là người kiến tạo niềm tin. Điều đó đòi hỏi khả năng cân bằng giữa đổi mới và quản trị, giữa tốc độ và kiểm soát, giữa cơ hội kinh doanh và trách nhiệm xã hội.

Những tổ chức thành công trong thập kỷ tới sẽ không phải là những tổ chức triển khai AI nhanh nhất. Đó sẽ là những tổ chức xây dựng được nền tảng dữ liệu đáng tin cậy, quy trình quản trị rõ ràng và văn hóa sử dụng AI có trách nhiệm. Bởi cuối cùng, AI có thể thúc đẩy đổi mới. Nhưng chính niềm tin mới quyết định quy mô của sự đổi mới đó.

Thảo luận về AI cùng lãnh đạo công nghệ

AI-driven Enterprise không bắt đầu từ AI Tools — mà từ Operating Model

Trong 18 tháng qua, hầu như doanh nghiệp nào cũng đã bắt đầu hành trình AI của mình.

Có nơi triển khai Copilot cho hàng nghìn nhân viên. Có nơi xây dựng chatbot nội bộ, AI Assistant hay AI Analytics Platform. Thậm chí nhiều doanh nghiệp đã thành lập AI Lab và triển khai hàng chục dự án thử nghiệm cùng lúc.

Tuy nhiên, sau giai đoạn hứng khởi ban đầu, một câu hỏi đang xuất hiện ngày càng nhiều trong các cuộc họp điều hành:

“Chúng ta đã đầu tư rất nhiều cho AI. Nhưng tại sao tổ chức vẫn chưa thay đổi đáng kể?”

Theo quan sát của tôi, nguyên nhân nằm ở một hiểu lầm phổ biến: nhiều doanh nghiệp đang triển khai AI như một công cụ công nghệ, trong khi AI thực chất là một cuộc chuyển đổi về mô hình vận hành.

AI Transformation không phải là Technology Upgrade.

Đó là Operating Model Transformation.

Khi AI Pilot thành công nhưng doanh nghiệp không thay đổi

Tôi từng chứng kiến một ngân hàng triển khai AI Assistant cho Contact Center.

Kết quả ban đầu rất tích cực. Nhân viên có thể tra cứu chính sách sản phẩm nhanh hơn, thời gian xử lý cuộc gọi giảm và chất lượng phản hồi khách hàng được cải thiện đáng kể.

Tuy nhiên, khi mở rộng sang các khối nghiệp vụ khác như tín dụng, vận hành hay chăm sóc khách hàng đa kênh, những vấn đề mới bắt đầu xuất hiện.

Mỗi đơn vị xây dựng một bộ tri thức riêng. Mỗi nhóm sử dụng AI theo một cách khác nhau. Bộ phận quản lý rủi ro không có khả năng theo dõi hoặc đánh giá chất lượng câu trả lời được tạo ra bởi AI. Trong khi đó, các đơn vị kinh doanh lại cho rằng đây là trách nhiệm của IT.

Kết quả là sau một năm, doanh nghiệp có hàng chục use case AI nhưng không có một mô hình vận hành thống nhất để quản lý, đo lường và mở rộng.

Điều ngân hàng thiếu không phải là AI capability.

Điều họ thiếu là AI Operating Model.

Một câu chuyện tương tự cũng đang diễn ra trong ngành bán lẻ.

Một nhà bán lẻ lớn triển khai AI cho nhiều bài toán khác nhau như dự báo nhu cầu, tối ưu tồn kho, tạo nội dung marketing và hỗ trợ chăm sóc khách hàng.

Từng use case đều mang lại giá trị riêng.

Tuy nhiên, khi nhìn ở cấp độ doanh nghiệp, hiệu quả tổng thể không tăng tương ứng với mức đầu tư.

Lý do là các bộ phận vẫn vận hành như những “ốc đảo” độc lập. Dữ liệu không được chia sẻ xuyên suốt. KPI giữa khối vận hành, marketing và chuỗi cung ứng chưa được đồng bộ. Các quyết định quan trọng vẫn dựa chủ yếu vào kinh nghiệm thay vì insight được tạo ra từ AI.

AI giúp từng phòng ban làm việc tốt hơn.

Nhưng nó chưa giúp doanh nghiệp vận hành tốt hơn.

Đó là khác biệt giữa việc sử dụng AI và trở thành một AI-driven enterprise.

Sai lầm lớn nhất của nhiều doanh nghiệp hiện nay

Sai lầm lớn nhất không phải lựa chọn sai mô hình AI.

Sai lầm lớn nhất là giao AI cho IT.

Trong phần lớn các chương trình chuyển đổi số trước đây, CIO thường đóng vai trò người triển khai công nghệ. Nhưng với AI, CIO không thể chỉ là người triển khai.

CIO phải trở thành người điều phối sự thay đổi giữa Business, Operations, Risk và Technology.

Nếu AI chỉ thuộc về IT, doanh nghiệp sẽ có nhiều PoC.

Nếu AI trở thành ưu tiên chung của business leadership, doanh nghiệp mới có cơ hội tạo ra transformation ở quy mô lớn.

Đây là lý do nhiều tổ chức tiên phong hiện nay đang chuyển từ mô hình “AI Project” sang “AI Program” và xa hơn là “AI Operating Model”.

AI-driven Enterprise thực sự cần thay đổi điều gì?

Qua nhiều chương trình chuyển đổi AI, tôi nhận thấy các doanh nghiệp thành công thường thay đổi đồng thời bốn yếu tố.

1. Con người

AI Transformation trước hết là Workforce Transformation.

Doanh nghiệp cần chuẩn bị cho một mô hình làm việc mới, nơi con người và AI cùng tham gia tạo ra kết quả. Điều này đòi hỏi nâng cấp kỹ năng AI cho lực lượng lao động, thiết kế các vai trò mới và thay đổi cách đánh giá hiệu suất.

Trong tương lai gần, AI sẽ trở thành một năng lực nền tảng giống như Internet hay Office ngày nay.

2. Quy trình

Phần lớn doanh nghiệp đang cố gắng gắn AI vào quy trình cũ.

Trong khi những tổ chức đi đầu lại thiết kế lại quy trình với giả định rằng AI luôn hiện diện.

Câu hỏi không còn là “AI hỗ trợ được gì?” mà là “Quy trình nào nên được thiết kế lại để tận dụng AI ngay từ đầu?”

3. Nền tảng và Kiến trúc

Một vài dự án AI thành công không đồng nghĩa với khả năng mở rộng trên toàn doanh nghiệp.

Để scale, doanh nghiệp cần nền tảng chung bao gồm governance, security, evaluation framework, data layer và các thành phần AI có thể tái sử dụng.

Enterprise AI không chỉ cần thông minh.

Nó cần đáng tin cậy, có thể kiểm soát và có thể mở rộng.

4. AI phải nằm trong Business Team

Những tổ chức triển khai AI thành công thường đưa AI Practitioner vào trực tiếp Product Team, Operation Team hoặc Customer Journey Team.

AI chỉ thực sự tạo ra tác động khi trở thành một phần của công việc hằng ngày, thay vì một dự án đặc biệt nằm bên ngoài tổ chức.

CIO cần thay đổi vai trò như thế nào?

Trong kỷ nguyên trước, CIO chủ yếu chịu trách nhiệm về hạ tầng, hệ thống và tính ổn định của công nghệ.

Trong kỷ nguyên AI, CIO cần trở thành người thiết kế Operating Model mới cho doanh nghiệp.

Điều đó có nghĩa là CIO phải dẫn dắt đồng thời ba cuộc chuyển đổi:

• Chuyển đổi công nghệ

• Chuyển đổi cách thức vận hành

• Chuyển đổi năng lực lực lượng lao động

Quan trọng hơn, ownership của AI Transformation phải là trách nhiệm chung giữa Business, Operations, Technology và Risk/Compliance.

Nếu AI chỉ thuộc về IT, doanh nghiệp sẽ có nhiều PoC nhưng rất ít tác động kinh doanh thực sự.

Ba việc CIO nên làm trong 90 ngày tới

Thứ nhất, xác định các workflow có giá trị cao nhất để chuyển sang mô hình AI-first thay vì bắt đầu bằng công nghệ.

Thứ hai, thiết lập governance ngay từ đầu, bao gồm quality gate, accountability model và cơ chế kiểm soát rủi ro.

Thứ ba, đưa năng lực AI vào trực tiếp các đơn vị kinh doanh thay vì giữ hoàn toàn trong các nhóm chuyên trách.

Kết luận

Trong vài năm tới, thị trường sẽ không còn phân biệt doanh nghiệp nào “có AI”.

Thị trường sẽ phân biệt doanh nghiệp nào đã tái thiết kế được mô hình vận hành xung quanh AI và doanh nghiệp nào chỉ đang gắn AI lên mô hình cũ.

Lợi thế cạnh tranh sẽ không đến từ việc sở hữu mô hình AI mạnh nhất.

Nó sẽ đến từ khả năng thay đổi tổ chức nhanh hơn đối thủ.

Những doanh nghiệp chiến thắng trong kỷ nguyên AI sẽ không phải là những doanh nghiệp có công nghệ tốt nhất, mà là những doanh nghiệp tái thiết kế được chính mình nhanh nhất quanh AI.

Series: AI cho Doanh nghiệp | CIO Việt Nam | 2026

Tác giả: Mr. Thang Ho, FPT Smart Cloud – FPT Corporation

Vice Director of AI Product Division

Director of AI Conversation

“Demo rất đẹp, nhưng CFO hỏi ROI thì tôi không trả lời được”

Một CTO ở TP.HCM kể với tôi câu chuyện này trong buổi coffee chat tháng trước. Anh ấy đã demo chatbot AI cho board — chatbot trả lời mượt, xử lý tiếng Việt tốt, board members gật gù. Ngân sách được duyệt là $150K cho năm đầu tiên.

Sáu tháng sau, CFO hỏi: “ROI ở đâu?”
CTO ngập ngừng: “User satisfaction tăng… chatbot xử lý được 40% queries…”
CFO: “Tôi hỏi ROI. Bao nhiêu tiền tiết kiệm? Bao nhiêu revenue tăng? $150K đó mang lại gì cho P&L?”

Im lặng.

Đây không phải là câu chuyện hiếm. Đây là câu chuyện PHỔ BIẾN NHẤT mà tôi từng nghe từ các Tech Leaders tại Việt Nam. AI demo thì dễ, AI deliver ROI thì khó. Và nếu bạn không nói được ngôn ngữ của CFO, ngân sách AI năm sau sẽ bị cắt.

Framework đo ROI cho AI: 3 loại giá trị

Trước khi bàn về con số, hãy thống nhất framework. ROI của AI không chỉ là “tiết kiệm tiền”. Có 3 loại giá trị cần đo riêng:

1. Cost Avoidance (Tránh chi phí)

Định nghĩa: Công việc trước đây cần người/thời gian, giờ AI làm được → không cần tuyển thêm hoặc giảm outsource.

Cách đo:
Cost Avoidance = (Số giờ AI xử lý/tháng) × (Chi phí/giờ của nhân sự tương đương)
Ví dụ thực tế: - AI xử lý 500 customer support tickets/tháng × trung bình 15 phút/ticket = 125 giờ/tháng - Chi phí Agent: ~80,000 VND/giờ (fully loaded) - Cost Avoidance: 10,000,000 VND/tháng = 120,000,000 VND/năm (~$4,800/năm)

Lưu ý quan trọng: Cost Avoidance ≠ Cost Reduction. Bạn có thể không giảm headcount — nhưng bạn KHÔNG CẦN tuyển thêm 2 người mà đáng lẽ phải tuyển. Đó là tiết kiệm thực.

2. Revenue Enhancement (Tăng doanh thu)

Định nghĩa: AI giúp tạo ra doanh thu mới hoặc tăng doanh thu hiện có.

Cách đo:
Revenue Enhancement = Doanh thu mới quy cho AI-driven initiatives
Ví dụ thực tế: - AI-powered recommendation engine tăng cross-sell conversion 15% - Trước: cross-sell revenue = 500 triệu VND/tháng - Sau: 575 triệu VND/tháng - Revenue Enhancement: 75 triệu VND/tháng = 900 triệu VND/năm (~$36,000/năm)

3. Speed-to-Market (Tốc độ ra thị trường)

Định nghĩa: AI giúp deliver sản phẩm/tính năng nhanh hơn → capture market opportunity sớm hơn.

Cách đo:
Speed-to-Market Value = (Số tuần tiết kiệm) × (Revenue/tuần khi feature live)
Ví dụ thực tế: - Feature trước đây cần 8 tuần development, với AI coding giảm còn 5 tuần - 3 tuần ra thị trường sớm hơn × 50 triệu VND revenue/tuần = 150 triệu VND - Đây là giá trị “invisible” mà nhiều CTO quên không đo

Tổng ROI

Total AI ROI = Cost Avoidance + Revenue Enhancement + Speed-to-Market Value
Total AI Cost = Licenses + Infrastructure + Integration + Training + Maintenance
Net ROI = (Total AI ROI - Total AI Cost) / Total AI Cost × 100%

Những “Hidden Costs” không ai nói khi demo

Đây là phần mà vendor không đề cập, và nhiều CTO chỉ phát hiện sau khi đã commit budget.

1. Data Cleaning & Preparation (20-40% tổng effort)

Mọi AI project đều bắt đầu từ data. Và data trong doanh nghiệp Việt Nam thường ở trạng thái: - Nằm rải rác trên 5-10 hệ thống khác nhau - Format không thống nhất (tên khách hàng viết 3 kiểu khác nhau) - Thiếu historical data hoặc data bị ô nhiễm - PII chưa được classify

Chi phí ẩn: 2-3 data engineers × 2-4 tháng = $15,000-$40,000 chỉ để chuẩn bị dữ liệu. Và đây là chi phí RECURRING vì dữ liệu cần được duy trì liên tục.

2. Prompt Engineering & Fine-tuning (Ongoing)

“Cài ChatGPT API xong là chạy” — Không phải vậy.

• Prompt engineering cho use case cụ thể: 2-4 tuần iteration
• Testing edge cases: Tiếng Việt có dấu, không dấu, viết tắt, tiếng lóng
• Fine-tuning nếu cần: Data labeling, training, evaluation
• Prompt drift: AI model updates có thể break prompts đang chạy tốt

Chi phí ẩn: 1 engineer × ongoing = $2,000-$5,000/tháng

3. Model Drift & Monitoring

AI không phải “deploy xong quên”. Model performance degradation là thực: - Input data thay đổi theo thời gian (data drift) - Business rules thay đổi mà model chưa được update - AI vendor thay đổi model version (GPT-4 → GPT-4o → behavior changes)

Chi phí ẩn: Monitoring tools + engineer time = $1,000-$3,000/tháng

4. Security & Compliance Review

Với AI xử lý customer data: - Data privacy assessment - Penetration testing cho AI endpoints - Compliance documentation (đặc biệt nếu doanh nghiệp trong fintech, healthcare) - Regular security audits

Chi phí ẩn: $5,000-$20,000/năm tùy ngành

5. Change Management & Training

Khi roll out AI tool cho team: - Training sessions (minimum 2-3 ngày cho mỗi team) - Productivity dip 2-3 tuần đầu - Internal documentation và best practices - Champion program: train 2-3 “AI champions” per team

Chi phí ẩn: Opportunity cost ~ $5,000-$15,000 tính theo lost productivity + training time

Tổng Hidden Costs thực tế

Reality check: Nếu vendor quote bạn $50,000 cho AI solution, true cost Year 1 có thể là $111,000–$221,000. Năm 2 trở đi: $96,000–$176,000.

Bảng tính ROI cho 3 use cases phổ biến tại Việt Nam

Use Case 1: Customer Service AI (Chatbot + Agent Assist

Insight: Customer Service AI thường KHÔNG có ROI dương trong năm đầu. Nếu ai nói bạn sẽ có ROI ngay lập tức, hãy cẩn trọng. Break-even hợp lý là 12-24 tháng.

Use Case 2: Document Processing (Invoice, Contract, Report extraction)

Insight: Document Processing có ROI tốt hơn chatbot vì giá trị “error reduction” rất lớn — mỗi invoice sai có thể tốn hàng chục triệu VND.

Use Case 3: AI Code Assistant (Developer Productivity)

Insight: AI Code Assistant là use case có ROI tốt nhất hiện nay. Chi phí thấp ($20/dev/tháng), giá trị cao, ramp-up nhanh. Nếu bạn chưa biết bắt đầu AI từ đâu — bắt đầu từ đây.

Sai lầm phổ biến: $200K cho chatbot khi $20K cho workflow automation đã đủ

Tôi gọi đây là “Chatbot Syndrome” — xu hướng mặc định rằng mọi dự án AI đều là chatbot.

Khách hàng than phiền về việc xử lý chậm? → “Xây chatbot!” Internal process rối? → “Xây chatbot!” Data quá nhiều? → “Xây chatbot!”

Thực tế, nhiều vấn đề có thể giải quyết bằng workflow automation đơn giản với AI component nhỏ:

Rule of thumb: Trước khi xây chatbot, hãy hỏi: “Vấn đề này có thực sự cần interactive conversation không, hay chỉ cần automated processing?”Trong 80% trường hợp, câu trả lời là “automated processing”. Chatbot chỉ thực sự cần khi: - Khách hàng cần hỏi đáp real-time - Vấn đề có nhiều branching paths cần clarification - User experience quan trọng hơn efficiency

Template: AI Business Case cho CFO

Khi trình bày AI project cho CFO, đây là structure mà tôi recommend:

Slide 1: Problem Statement (1 phút)

• Vấn đề business cụ thể (không nói “digital transformation”)
• Impact hiện tại bằng số: “$X/tháng đang mất vì process Y”

Slide 2: Proposed Solution (2 phút)

• AI làm gì, ở đâu trong workflow
• Mô hình Human-in-the-Loop hay AI-in-the-Loop
• Technology stack (ngắn gọn)

Slide 3: Full Cost Breakdown (2 phút)

• License + Infrastructure
• Integration + Setup
• Hidden costs (list đầy đủ — CFO sẽ tôn trọng bạn hơn khi bạn transparent)
• Year 1 vs Year 2+ costs

Slide 4: Value Projection (2 phút)

• Cost Avoidance: $X
• Revenue Enhancement: $Y
• Speed-to-Market:
• Assumptions rõ ràng (CFO ghét “magic numbers”)

Slide 5: ROI Timeline (1 phút)

• Break-even point
• Year 1 vs Year 2 vs Year 3 net value
• Comparison: “Nếu không làm, chi phí cơ hội là…”

Slide 6: Risk Mitigation (1 phút)

• Top 3 risks và mitigation plan
• Pilot scope (nhỏ, measured, có exit criteria)
• Go/No-go checkpoints

Pro tip: CFO không quan tâm đến công nghệ AI. CFO care về: “Bao nhiêu tiền ra, bao nhiêu tiền vào, bao lâu, rủi ro gì.” Nói ngôn ngữ đó.

Kết luận: Đo ROI không khó — khó là dám đo thật

Lý do nhiều CTO tránh đo ROI: sợ con số không đẹp.

Nhưng đây là sự thật mà tôi muốn chia sẻ: Không phải mọi AI project đều cần ROI dương trong Year 1. Có những đầu tư dài hạn — xây AI capabilities, training team, accumulate data — mà value chỉ materialize vào Year 2-3.

Điều quan trọng là bạn BIẾT con số thực sự. Biết rằng Year 1 sẽ lỗ 40% nhưng Year 2 lãi 38% — đó là quyết định được thông tin. Không biết gì và hy vọng “AI sẽ tốt thôi” — đó là đánh bạc.

CIO/CTO giỏi không phải là người luôn chọn đúng project. Đó là người biết kill project sai sớm và double down vào project đúng. ROI measurement cho bạn khả năng đó.

Series: AI cho Doanh nghiệp | CIO Vietnam | 2026

Tác giả: Mr. Frank Luong, AI Chapter Lead, CIO Vietnam

“AI sẽ thay thế bao nhiêu người trong team tôi?”

Tôi đã nghe câu hỏi này ở gần như mọi buổi họp board, mọi coffee chat với các CIO, CTO tại Việt Nam trong 12 tháng qua. Và mỗi lần nghe, tôi đều trả lời giống nhau:

Đó là câu hỏi sai.

Câu hỏi đúng phải là: “AI sẽ thay đổi cách team tôi làm việc như thế nào, và tôi cần chuẩn bị gì để team tận dụng được điều đó?”. Sự khác biệt giữa hai câu hỏi này không chỉ là ngữ nghĩa — nó quyết định bạn sẽ xây dựng một tổ chức đổi mới hay một tổ chức sợ hãi.

Thực tế: AI giỏi làm tasks, không giỏi làm jobs

Hãy nghĩ về công việc hàng ngày của một Software Engineer trong team bạn. Một ngày điển hình gồm đọc requirements và clarify với PM (20%), viết code (30%), review code của đồng nghiệp (15%), debug và troubleshoot (15%), họp standup, retro, planning (10%), và viết documentation (10%).

AI có thể hỗ trợ mạnh ở viết code, review code, debug, và documentation. Nhưng AI không thể thay thế việc hiểu business context, negotiate requirements với PM, hay mentor junior developer trong code review.

Kết quả: AI không thay thế Software Engineer — AI biến Software Engineer thành một phiên bản mạnh hơn của chính họ. Thay vì viết boilerplate code 2 tiếng, họ dùng 15 phút với AI, rồi dành 1 tiếng 45 phút cho system design và problem-solving — những việc tạo ra giá trị thực sự.

Hai mô hình: Human-in-the-Loop vs AI-in-the-Loop

Khi tích hợp AI vào workflow doanh nghiệp, có hai mô hình cơ bản mà mọi Tech Leader cần hiểu.

Mô hình 1: Human-in-the-Loop (Con người kiểm soát)

AI thực hiện → Con người review → Con người quyết định → Triển khai

Mô hình này thường được sử dụng khi các quyết định có impact cao, như deploy to production, approve budget, hoặc nội dung giao tiếp trực tiếp với khách hàng. Nó cũng phổ biến trong các domain có quy định chặt như tài chính, y tế, pháp lý, hoặc trong giai đoạn đầu khi team chưa tin tưởng AI output.

Một số ví dụ thực tế: AI draft code, engineer review và approve trước khi merge vào codebase; AI phân tích security logs, analyst review findings rồi quyết định response; hoặc AI soạn email cho khách hàng và account manager review trước khi gửi đi.

Mô hình 2: AI-in-the-Loop (AI hỗ trợ nền)

Con người làm việc → AI gợi ý realtime → Con người chọn lọc → Tiếp tục

Mô hình này phù hợp với các tasks lặp lại và rủi ro thấp như autocomplete, suggestion, formatting; trong những trường hợp cần tốc độ và flow không bị gián đoạn; hoặc khi team đã quen với AI và biết khi nào cần override.

Ví dụ, developer đang code và nhận autocomplete từ AI để accept hoặc bỏ qua; PM đang viết spec và được AI gợi ý thêm edge cases; hoặc designer đang làm wireframe và nhận các layout alternatives để chọn phương án tốt nhất.

Nguyên tắc chọn mô hình

Human-in-the-Loop thường được dùng khi rủi ro nếu sai là cao, tần suất task thấp đến trung bình, cần yếu tố sáng tạo, hoặc có compliance requirement. Trong những trường hợp này, speed thường chỉ ở mức trung bình.

Ngược lại, AI-in-the-Loop phù hợp với tasks có rủi ro thấp, tần suất cao, ít cần sáng tạo, và không bắt buộc compliance requirement. Trong những tình huống này, tốc độ thường là ưu tiên cao.

Thực tế phũ phàng: Hầu hết doanh nghiệp VN đang dùng Human-in-the-Loop cho mọi thứ — kể cả những task rủi ro thấp. Điều này giết chết productivity gain mà AI mang lại. Hãy mạnh dạn chuyển low-risk tasks sang AI-in-the-Loop.

3 vai trò đang thay đổi nhanh nhất nhờ AI

Từ quan sát thực tế tại các doanh nghiệp tech Việt Nam, ba vai trò sau đang biến đổi rõ rệt nhất.

1. QA Engineer → AI-Augmented Quality Engineer

Trước đây, QA Engineer viết test cases thủ công, execute regression test, và log bugs chi tiết.

Bây giờ, AI generate test cases từ requirements (coverage tăng 3–5x), identify regression areas dựa trên code changes (smart test selection), và analyze test results để cluster failures theo root cause. Nhờ đó, QA Engineer có thể focus vào exploratory testing, edge case thinking, và test strategy.

Kết quả: Một QA Engineer với AI tools có test coverage tương đương 2–3 QA Engineers làm manual. Nhưng quan trọng hơn — chất lượng test cases tốt hơn vì human focus vào creative testing thay vì repetitive execution.

2. Data Analyst → AI-Augmented Insight Generator

Trước đây, Data Analyst extract data bằng SQL, tạo charts trong Excel/Tableau, và viết reports hàng tuần.

Bây giờ, AI viết SQL queries từ natural language (”show me revenue by region last quarter”), tự detect anomalies và highlight trends trong data, và generate narrative reports từ data để analyst review và add business context. Analyst vì vậy có thể focus vào hai câu hỏi: “So what?” và “What should we do about it?”

Kết quả: Report cycle từ 3–5 ngày giảm còn vài giờ. Analyst không còn là “data puller” mà trở thành “insight advisor” — giá trị cao hơn rất nhiều.

3. Project Coordinator → AI-Augmented Program Orchestrator

Trước đây, Project Coordinator update Jira tickets, chase status updates, tổng hợp weekly reports, và schedule meetings.

Bây giờ, AI auto-summarize Jira/project status từ ticket data, draft weekly reports và highlight risks/blockers, đồng thời suggest resource re-allocation khi detect schedule conflicts. Nhờ đó, coordinator có thể focus vào stakeholder management, risk mitigation, và cross-team alignment.

Kết quả: Coordinator quản lý được 2–3x số projects, và chất lượng coordination tốt hơn vì có thời gian cho proactive problem-solving thay vì reactive status tracking.

Case pattern: Team 8 người, output của team 15 người

Tôi muốn chia sẻ một pattern mà tôi thấy lặp lại ở nhiều engineering teams đã tích hợp AI thành công. Không phải một company cụ thể, mà là composite pattern từ nhiều teams.

Setup ban đầu gồm một engineering team 8 người (1 Tech Lead, 2 Senior, 3 Mid, 2 Junior), với sprint velocity khoảng 40 story points mỗi 2 tuần và khả năng delivery khoảng 3–4 features mỗi tháng.

Sau 3 tháng tích hợp AI workflow, nhiều thay đổi cụ thể xuất hiện. Mỗi developer dùng AI coding assistant giúp giảm 60–70% boilerplate code và giảm 40% time-to-first-commit. AI thực hiện pre-review trước khi human review, giúp reviewer tập trung vào architecture và logic, khiến review cycle giảm từ 1 ngày xuống còn 2–3 giờ. AI cũng generate API docs, README, và changelog từ code changes, giúp documentation không còn bị bỏ quên. Trong testing, AI generate unit tests giúp test coverage tăng từ 45% lên 78% mà không tốn thêm effort đáng kể. Đồng thời, AI analyze error logs và suggest root causes, giúp mean time to resolution giảm 30%.

Sau 3 tháng, sprint velocity tăng lên khoảng 65–70 story points mỗi 2 tuần, delivery tăng lên 6–7 features mỗi tháng, không tuyển thêm người, và bug rate giảm 25%.

Điều quan trọng là nhiều thứ không thay đổi: team vẫn 8 người, salary giữ nguyên (chưa tăng — nhưng nên tăng, đọc tiếp), meeting structure giữ nguyên, và không ai bị cho nghỉ việc.

Để đạt được kết quả này, team phải trải qua một giai đoạn chuyển đổi. Trong 3 tuần đầu là training và experimentation — velocity DROP 20% (đừng panic). Tuần 4–8 team bắt đầu quen, velocity recover và vượt baseline. Tuần 9–12 AI trở thành “natural” trong workflow và gains ổn định. Chi phí bổ sung khoảng $50–100/người/tháng cho AI tools như GitHub Copilot hoặc Claude Pro. Đồng thời, team đặt ra một quy tắc mới: AI-generated code vẫn phải qua review, và người viết AI prompt chịu trách nhiệm về output.

Lời khuyên cho CIO/CTO: 5 bước bắt đầu

Bước 1: Audit task composition. Map ra từng vai trò trong team và xác định họ dành bao nhiêu % thời gian cho từng loại task, sau đó đánh dấu những tasks mà AI có thể hỗ trợ. Trong nhiều trường hợp, 40–60% tasks có thể được AI augment.

Bước 2: Chọn 1 team pilot, không phải cả công ty. Đừng roll out AI cho 200 người cùng lúc. Chọn 1 team 5–10 người, motivated, có Tech Lead mạnh, và để họ experiment trong 6–8 tuần.

Bước 3: Đo đúng metrics. Đừng chỉ đo “tốc độ”. Hãy đo velocity, quality (bug rate), developer satisfaction, và time-to-value. AI mà tăng speed nhưng tăng bugs thì là net negative.

Bước 4: Chia sẻ learnings. Khi pilot team có kết quả, hãy để chính team đó chia sẻ cho teams khác. Peer influence mạnh hơn top-down mandate 10 lần.

Bước 5: Update compensation model. Nếu team 8 người deliver output của 15 người, họ xứng đáng được trả thêm. AI savings nên được share lại với người tạo ra savings đó. Đây không phải altruism — đây là retention strategy.

Kết luận: Cuộc chơi không phải “người vs máy”

Câu chuyện “AI thay thế con người” sẽ không xảy ra theo cách mà báo chí mô tả. Điều thực sự xảy ra:

Người biết dùng AI sẽ thay thế người không biết dùng AI.

Và CIO/CTO — vai trò của chúng ta không phải là chọn giữa người và máy. Vai trò của chúng ta là tạo ra môi trường để team có thể làm việc cùng AI hiệu quả nhất.

Team bạn không cần ít người hơn. Team bạn cần mỗi người mạnh hơn.

Series: AI cho Doanh nghiệp | CIO Vietnam | 2026

Tác giả: Mr. Frank Luong, AI Chapter Lead, CIO Vietnam

Giai đoạn lên ngân sách CNTT hàng năm của các doanh nghiệp thường kéo dài khoảng 1 quý với rất nhiều vòng được rà soát giữa các bộ phận từ CNTT tới Nghiệp vụ và Tài chính, dự án nào cũng được giải trình là ưu tiên với các mô hình kinh doanh (Business Case) và kết quả giả định đạt được sau khi đầu tư. Một cảnh khá quen thuộc trong các cuộc họp ngân sách là CIO trình bày một danh sách dự án đầy đủ các hạng mục về Cloud, Data, Business Transformation hay gần đây nhất là AI Usecases trong chiến lược chuyển đổi số, Ban điều hành và nhất là CFO nhìn vào con số đầu tư công nghệ và phản xạ quen thuộc là hỏi:

“Có cách nào giảm chi phí IT năm nay không?” hoặc một câu hỏi what-if “Nếu bỏ cái này thì sao?”

Và rồi CNTT lại về ra soát lại kế hoạch với nhiều kịch bản khác nhau để trả lời đủ các khía cạnh của câu hỏi what-if của CFO đặt ra. Trong nhiều năm, cách phối hợp này vẫn đang “chạy đúng kế hoạch dù chậm và bán thủ công”.

Thực tế nhiệm vụ của CFO đại diện cho Ban điều hành là đảm bảo ngân sách đầu tư cho công nghệ cần được kiểm soát chặt chẽ với một số kịch bản kinh doanh khác nhau, trong khi đó CIO vai trò duy trì hệ thống vận hành ổn định và phát triển thêm các dịch vụ hỗ trợ các bộ phận nghiệp vụ.

Tuy nhiên, trong kỷ nguyên Data và AI, cách hợp tác này đang thay đổi nhanh chóng. Công nghệ không còn chỉ là chi phí mà trở thành nguồn tạo ra giá trị chiến lược và cần được các bộ phận nghiệp vụ, đặc biệt là CFO, có sự đồng hành từ sớm với CIO nhằm thúc đẩy chiến lược chuyển đổi số một cách đồng bộ. Đây chính là xu hướng tiếp cận về AI Planning (AI Planning Analytics)

Xu hướng: Từ lập báo cáo số liệu sang lập kế hoạch tài chính với AI Planning

Trong nhiều thập kỷ, Excel là công cụ trung tâm của bộ phận tài chính. Nhờ tính linh hoạt và khả năng xử lý dữ liệu nhanh chóng, spreadsheet đã trở thành nền tảng cho hầu hết các quy trình lập ngân sách và dự báo.Tuy nhiên khi quy mô doanh nghiệp tăng lên, hệ thống lập kế hoạch dựa trên spreadsheet bắt đầu bộc lộ nhiều giới hạn. Dữ liệu thường nằm rải rác ở nhiều file khác nhau, việc kiểm soát phiên bản trở nên phức tạp và chỉ cần một lỗi công thức nhỏ cũng có thể dẫn đến sai lệch lớn trong báo cáo.

Một quy trình lập kế hoạch truyền thống thường diễn ra theo chu kỳ sau:

Trong bối cảnh kinh doanh hiện nay, quy trình này không còn đủ nhanh và bộc lộ mốt số thách thức chính sau trong quá trình nâng cao chất lượng lập kế hoạch tài chính:

• Phụ thuộc quá nhiều vào spreadsheet

Excel mang lại sự linh hoạt, nhưng khi dữ liệu và số lượng phòng ban tăng lên, các vấn đề bắt đầu xuất hiện như dữ liệu phân tán ở nhiều file, khó kiểm soát nguồn dữ liệu và dễ xảy ra sai lệch công thức. Đặc biệt khi tổ chức có hàng trăm bộ phận nghiệp vụ, việc hợp nhất dữ liệu planning bằng spreadsheet trở nên cực kỳ phức tạp.

• Khả năng dự báo (forecasting) kém linh hoạt

Trong môi trường kinh doanh biến động, CFO cần trả lời những câu hỏi như “Nếu lãi suất tăng 2% thì ảnh hưởng thế nào tới dòng tiền?”, hay “Nếu doanh thu giảm 10% ở một khu vực thì lợi nhuận toàn công ty ra sao?”. Các mô hình dữ báo truyền thống thường dựa vào dữ liệu lịch sử và khó phản ứng nhanh trước các biến động này.

• Finance bị mắc kẹt trong công việc thủ công

Một nghịch lý phổ biến là nhiều đội ngũ tài chính vẫn dành phần lớn thời gian cho kiểm tra và tổng hợp số liệu và lập báo cáo thống kê… thay vì tập trung vào phân tích chiến lược và hỗ trợ quyết định kinh doanh. Trong khi đó, xu hướng mới yêu cầu CFO trở thành nhà lãnh đạo chiến lược và người thúc đẩy chuyển đổi số trong doanh nghiệp.

Do đó, nhiều tổ chức đang chuyển sang hướng tiếp cận AI Planning với một số mục tiêu chiến lược như cần cập nhật dữ liệu theo thời gian thực, tự động tạo forecast hay mô phỏng nhiều kịch bản kinh doanh.

AI đóng vai trò quan trọng trong chiến lược chuyển đổi này, cụ thể các thuật toán AI/ML có thể phân tích dữ liệu ở mức độ chi tiết và phát hiện các xu hướng mà phương pháp truyền thống khó nhận ra. Ngoài ra, việc sử dụng AI hiện đại như GenAI còn có thể giải thích biến động ngân sách và dự báo để hỗ trợ các cuộc họp giải trình ngân sách với Ban lãnh đạo. Với hướng tiếp cận đó, mảng kế hoạch tài chính có những điểm khác biệt cơ bản sau:

Hướng tiếp cận AI Planning

Sự xuất hiện của AI Planning đang thay đổi cách doanh nghiệp lập kế hoạch tài chính. Bằng cách kết hợp Enterprise Data, giải pháp lập kế hoạch và các mô hình AI, tổ chức có thể chuyển từ mô hình báo cáo quá khứ sang dự báo tương lai. Điều này giúp bộ phận tài chính trở thành đối tác chiến lược trong việc ra quyết định kinh doanh. Để giải quyết các thách thức này, nhiều tổ chức đang triển khai các nền tảng Enterprise Planning tích hợp AI. Một kiến trúc điển hình của AI Planning có thể được minh họa như sau:

Từ hiệu quả vận hành đến lợi thế chiến lược nhiều tổ chức đã triển khai AI Planning ghi nhận những cải thiện đáng kể trong quá trình nâng cao hiệu quả vận hành. Thực tế, AI có thể tự động hóa nhiều quy trình tài chính như dự báo, chuẩn bị dữ liệu, phân tích chênh lệch (variance analysis)… điều này giúp tăng năng suất của đội ngũ FP&A và rút ngắn chu kỳ lập kế hoạch cho doanh nghiệp.

Mô hình tương tác giữa CFO-CIO

Trong mô hình mới này, sự hợp tác giữa CFO và CIO đóng vai trò then chốt. CFO định nghĩa các mục tiêu kinh doanh và mô hình tài chính, trong khi CIO xây dựng nền tảng dữ liệu và AI để các mô hình đó có thể vận hành. Khi hai vai trò này phối hợp hiệu quả, planning không còn là một quy trình tài chính đơn thuần mà trở thành hệ thống dữ liệu hỗ trợ mọi quyết định của doanh nghiệp. Trong nhiều doanh nghiệp tiên phong, hai vai trò này đang cùng dẫn dắt các chương trình chuyển đổi dữ liệu với một số đặc thù sau:

Khi hai vai trò này phối hợp hiệu quả, planning không còn là một quy trình lập kế hoạch tài chính đơn thuần, nó trở thành nền tảng dữ liệu hỗ trợ mọi quyết định kinh doanh.

Case Study: Rinnai hiện đại hóa hoạch định tài chính với IBM Planning Analytics

Rinnai Australia, tập đoàn sản xuất và phân phối đã trải qua giai đoạn tăng trưởng nhanh thông qua chiến lược M&A, do đó bộ phận tài chính của công ty phải xử lý nhiều hệ thống phân tích khác nhau cùng các quy trình báo cáo thủ công dựa trên spreadsheet, khiến việc lập ngân sách và phân tích dữ liệu trở nên chậm và thiếu linh hoạt. Để hiện đại hóa nền tảng tài chính, Rinnai triển khai IBM Planning Analytics, hệ thống mới cung cấp một nền tảng dữ liệu thống nhất cho việc lập báo cáo, phân tích lợi nhuận sản phẩm và kế hoạch về nhu cầu, đồng thời tích hợp các quy trình ngân sách với bán hàng, nhân sự và kế hoạch đầu tư. Kết quả, Rinnai tiết kiệm khoảng 40 giờ làm việc mỗi tuần, giảm 50% phụ thuộc vào spreadsheet và hướng tới giảm 10% tồn kho thông qua việc hoạnh định nhu cầu tối ưu. CFO của Rinnai, Matt Thomas, nhận xét “IBM Planning Analytics giúp chúng tôi có một nguồn dữ liệu duy nhất và đáng tin cậy để ra quyết định nhanh hơn.” (https://www.ibm.com/case-studies/rinnai)

Bài học và tiêu chí thành công

Từ các triển khai thực tế, các yếu tố quyết định thành công trong việc triển khai hướng tiếp cận AI Planning như sau

• Dữ liệu là nền tảng

AI chỉ hiệu quả khi dữ liệu sạch, đầy đủ và nhất quán, nếu dữ liệu phân tán hoặc không đáng tin cậy, AI sẽ không thể tạo ra insight có giá trị.

• Kết nối hoạch định chiến lược với hoạt động kinh doanh

Planning không thể tồn tại độc lập trong finance. Nó cần kết nối với các chỉ số kinh doanh chính như doanh thu, chi phí vận hành, nguồn nhân lực.

• Nâng cao năng lực của đội ngũ FP&A

AI không thay thế con người, mà giúp họ làm việc hiệu quả hơn. do đó việc đào tạo đội ngũ tài chính để sử dụng AI và Analytics là yếu tố quan trọng trong quá trình chuyển đổi trong lịch vực tài chính

• Sử dụng giải pháp AI Planning hiện đại như IBM Planning Analytics

IBM Planning Analytics là một trong những nền tảng lập kế hoạch được nhiều tổ chức sử dụng. IBM Planning Analytics kết hợp mô hình dữ liệu đa chiều thông qua việc tích hợp kế hoạch giữa nhiều bộ phận như tài chính, bán hàng và chuỗi cung ứng. Giải pháp hỗ trợ các tính năng thiết yếu như forecasting và mô phỏng các kịch bản what-if giúp doanh nghiệp đánh giá tác động của các quyết định kinh doanh trong thời gian rất ngắn. Ngoài ra, các tính năng GenAI mới như AI Assistant còn cho phép người dùng tương tác với dữ liệu hoạch định bằng ngôn ngữ tự nhiên, giúp việc phân tích và ra quyết định trở nên trực quan hơn.

Kết luận - AI Planning bước tiến tất yếu của tài chính hiện đại

Excel sẽ không biến mất trong một sớm một chiều, tuy nhiên nó không còn đủ hiệu quả để đáp ứng nhu cầu quản trị tài chính trong kỷ nguyên Data và AI. Sự kết hợp giữa Data & AI trên nền tảng AI planning hiện đại đang mở ra một cách tiếp cận hoàn toàn mới cho chiến lược hoạch định tài chính nhanh hơn, dự báo chính xác hơn và từ đó ra quyết định tốt hơn dựa trên dữ liệu.

Trong kỷ nguyên Data & AI, cuộc họp ngân sách sẽ tìm cách trả lời câu hỏi “Chúng ta có thể tận dụng Dữ liệu và AI để ra quyết định tốt hơn như thế nào?” Bởi trong tương lai, tài chính không chỉ là nơi quản lý chi phí mà sẽ trở thành bộ não dự báo và định hướng chiến lược của doanh nghiệp. Những tổ chức bắt đầu hành trình AI Planning sớm sẽ có lợi thế lớn trong việc thích ứng với thị trường và thúc đẩy tăng trưởng bền vững. Như vậy trong kỷ nguyên chuyển đổi số với thế mạnh AI, tài chính không chỉ là nơi quản lý chi phí mà trở thành bộ não dự báo và định hướng chiến lược của doanh nghiệp.

Tác giả: Mr. Nguyễn Tuấn Khang (PhD) - Data & AI Leader - IBM Asean.

Subscribe now

Với sức mạnh của Gemini AI, các CIO và nhà lãnh đạo công nghệ có thể hiện đại hóa hạ tầng website, biến nó thành vũ khí cạnh tranh sắc bén với các Use cases thực tế:

1. AI Shopping Assistant 24/7 – Hơn cả một Chatbot

· Trợ lý ảo thấu hiểu ngữ cảnh, tư vấn sản phẩm chuyên sâu như một chuyên gia sales thực thụ.

· Thay thế nhân viên chốt đơn, giải đáp thắc mắc về giá, tồn kho và chính sách đổi trả tức thì.

· Impact: Giảm tải áp lực cho Call Center & đội ngũ CSKH, tăng tốc độ phản hồi.

2. Cá nhân hóa trải nghiệm – Hyper-Personalization

· Tự động hiển thị landing page, banner và nội dung riêng biệt cho từng phân khúc khách hàng (Segmentation).

· Gợi ý sản phẩm dựa trên hành vi duyệt web (Behavior) và lịch sử mua hàng.

· Đặc biệt: Hỗ trợ “Đồng sáng tạo” (Co-creation) trong các ngành đặc thù (Nội thất, Quà tặng, Thời trang...) giúp khách hàng hình dung sản phẩm cuối cùng.

· Impact: Tăng Conversion Rate & giá trị trung bình đơn hàng (AOV).

3. Smart Search & Recommendation

· Tìm kiếm bằng ngôn ngữ tự nhiên (NLP) – hiểu ý định người mua thay vì chỉ bắt từ khóa.

· Đề xuất sản phẩm bổ trợ (Cross-sell/Up-sell) theo thời gian thực.

4. AI-generated Content – Tốc độ & Quy mô

· Tự động tạo mô tả sản phẩm, nội dung khuyến mãi hấp dẫn.

· Đồng bộ hóa nội dung đa kênh (Omni-channel: Website, Mobile, Social).

· Impact: Rút ngắn tối đa Time-to-market cho các chiến dịch mới.

5. Data-Driven Decision Making

· Phân tích hành trình khách hàng (Customer Journey) chi tiết trên site.

· Đề xuất cải thiện UX/UI, vị trí nút CTA dựa trên dữ liệu thực tế.

· Hỗ trợ CIO ra quyết định chính xác, tránh cảm tính.

💡 GIÁ TRỊ CỐT LÕI CHO CIO & LÃNH ĐẠO DOANH NGHIỆP RETAIL:

1. Tăng Customer Engagement & Conversion Rate.

2. Tối ưu chi phí vận hành (OpEx) thông qua tự động hóa.

3. Biến Website thành AI-powered Digital Storefront.

4. Sẵn sàng hạ tầng cho chiến lược Omni-channel & Personalization quy mô lớn.

💬 GÓC NHÌN CIO VIETNAM COMMUNITY: Đâu là “nút thắt” lớn nhất anh/chị đang gặp phải khi triển khai AI cho hệ thống Retail?

Dữ liệu khách hàng bị phân mảnh (Data Silos)? Khó khăn khi tích hợp với các hệ thống Legacy (ERP, CRM, OMS)? Hay bài toán về Bảo mật dữ liệu & Governance?

Cùng thảo luận và chia sẻ kinh nghiệm bên dưới để thúc đẩy làn sóng Retail Website Innovation! 👇

Leave a comment

Credit: SoftwareOne Vietnam

Nhưng vấn đề lớn nhất không nằm ở những con số tài chính, mà nằm ở một bộ máy già cỗi, quan liêu vốn chỉ giỏi cải tiến quy trình nhưng chưa bao giờ được xem là người dẫn đầu về công nghệ. Câu chuyện của Tata Steel không đơn thuần là việc mua sắm phần mềm, mà là một cuộc hành trình tái định nghĩa sức mạnh của dữ liệu để giải quyết bài toán cốt tử: Làm sao để một doanh nghiệp truyền thống, nặng nề có thể phản ứng linh hoạt và dẫn đầu về hiệu suất trong một kỷ nguyên số đầy biến động?

Từ “Xây Đường” Đến “Dạy Lãnh Đạo Học Chơi”

CEO Narendran hiểu rằng công nghệ sẽ thất bại nếu lãnh đạo không biết cách sử dụng nó. Thay vì đổ tiền vào những ứng dụng hào nhoáng, ông bắt đầu từ việc thay đổi con người và hạ tầng căn bản. Một khảo sát năm 2015 cho thấy các quản lý cấp cao phần lớn là những người “mới nhập môn” về kỹ thuật số và thường có tâm lý kháng cự. Để phá vỡ rào cản này, Tata Steel đã triển khai mô hình “Cố vấn ngược” đầy táo bạo: những nhân viên trẻ dưới 30 tuổi trực tiếp đào tạo kỹ năng số cho các lãnh đạo kỳ cựu.

Song song đó, Tata Steel thực hiện bước đi “xây đường trước khi sắm xe” bằng cách nâng mức đầu tư công nghệ từ 0,3% lên mức tối thiểu 1% doanh thu. CIO Jayanta Banerjee đã tập trung vào những thứ căn bản nhất nhưng thiết yếu: phủ sóng Wi-Fi toàn bộ hầm mỏ, tăng cường an ninh mạng và xây dựng nền tảng dữ liệu đồng nhất. Ông thậm chí đã chuyển đến làm việc trực tiếp tại Jamshedpur để đảm bảo rằng mọi giải pháp công nghệ đều phải xuất phát từ sự thấu hiểu sâu sắc bối cảnh kinh doanh và “nỗi đau” thực tế của người vận hành.

Cuộc Đại Phẫu Hai Giai Đoạn: Inside-Out và Outside-In

Khi tư duy đã thông, công nghệ bắt đầu len lỏi vào từng ngóc ngách của quy trình vận hành qua hai giai đoạn chiến lược rõ rệt. Ở giai đoạn đầu, họ tập trung “thông minh hóa” bên trong nhà máy với triết lý “Assisted AI” (AI hỗ trợ). Thay vì thay thế con người, Tata Steel sử dụng AI để phân tích 400–500 thông số phức tạp nhằm kiểm soát chất lượng, dự báo hỏng hóc thiết bị và tối ưu hóa hiệu suất lò cao. Ngay cả sự an toàn của công nhân cũng được số hóa qua các thiết bị đeo thông minh giúp giám sát các chỉ số sinh tồn tại các khu vực nguy hiểm.

Giai đoạn tiếp theo là sự bứt phá ra thị trường bên ngoài với nền tảng thương mại điện tử Aashiyana. Đây là bước ngoặt giúp Tata Steel trực tiếp chạm đến khách hàng cá nhân, minh bạch hóa một thị trường vốn phụ thuộc nhiều vào các trung gian. Một người dân bình thường giờ đây có thể đặt mua thép trực tuyến với cam kết giao hàng trong 72 giờ. Với Aashiyana, Tata Steel không còn chỉ là một đơn vị sản xuất thép đơn thuần, mà đã bắt đầu học cách “làm chủ thị trường” và sở hữu toàn bộ hành trình trải nghiệm của khách hàng.

Kỳ Tích Số Và Những Con Số Biết Nói

Đến năm tài chính 2022, những nỗ lực kiên trì này đã kết tinh thành một diện mạo tài chính hoàn toàn mới. Doanh thu của tập đoàn đạt mức 2,4 nghìn tỷ INR (~32 tỷ USD). Biên lợi nhuận EBITDA nhảy vọt từ mức 9% vào năm 2013 lên con số ấn tượng 26%. Quan trọng nhất, hệ số nợ trên vốn chủ sở hữu đã giảm mạnh từ 1,8 xuống chỉ còn 0,5, đưa Tata Steel trở thành một trong những công ty thép có sức khỏe tài chính tốt nhất khu vực.

Hành trình lột xác của Tata Steel là minh chứng đắt giá cho thấy chuyển đổi số không phải là một “phép màu” đến từ các dòng code, mà là kết quả của một chiến lược quản trị bền bỉ và thực dụng. Khi T.V. Narendran chọn công nghệ làm đòn bẩy, ông không chỉ nhắm tới việc tối ưu hóa máy móc, mà mục tiêu cao nhất là giải phóng sức mạnh của con người thông qua dữ liệu. Từ việc đào tạo lại tư duy cho các lãnh đạo kỳ cựu đến việc xây dựng những nền tảng thương mại điện tử như Aashiyana để trực tiếp kết nối với người tiêu dùng, Tata Steel đã chứng minh rằng: Ngay cả những ngành công nghiệp nặng nề nhất cũng có thể trở nên linh hoạt và đầy sức sống nếu biết cách gắn chặt công nghệ vào bài toán kinh doanh thực tế.

Sự thành công này để lại những bài học xương máu cho bất kỳ doanh nghiệp nào đang loay hoay trong cuộc đua số:

• Công nghệ phải đi đôi với kỷ luật tài chính: Mọi dự án số hóa tại Tata Steel đều phải chứng minh được giá trị kinh tế trực tiếp, gắn chặt với mục tiêu Shikhar25 nhằm đạt biên lợi nhuận EBITDA 25% bất kể biến động thị trường.

• Chuyển đổi số bắt đầu từ chuyển đổi văn hóa: Việc áp dụng mô hình “Cố vấn ngược” và triết lý “Assisted AI” (AI hỗ trợ) giúp giảm thiểu sự kháng cự từ đội ngũ, biến công nghệ thành người đồng hành thay vì kẻ thay thế con người.

• Xây “đường” trước khi mua “xe”: Đầu tư bài bản vào hạ tầng mạng, an ninh mạng và dữ liệu tập trung là nền móng bắt buộc trước khi triển khai những thuật toán AI phức tạp.

• Từ tối ưu hóa nội bộ đến làm chủ hệ sinh thái: Đừng chỉ dừng lại ở việc làm ra sản phẩm tốt hơn, hãy sử dụng dữ liệu để tạo ra những mô hình kinh doanh mới, biến doanh nghiệp từ người bán hàng thành người “kiến tạo thị trường”.

Credit: Bài viết dựa trên tài liệu “Key Learnings of Tata Steel Case Study of Digital Transformation” (Harvard Business Review Case No. 323-053), biên soạn bởi Giáo sư M. D. Agrawal cho chương trình đào tạo CTO tại IIT Bombay.

AI chính là câu chuyện trung tâm của năm 2025.

AI đứng đầu chương trình nghị sự công nghệ của các CIO, các nhà cung cấp liên tục tung ra sản phẩm và tính năng mới, và đội ngũ CNTT cùng lao động tri thức đã bước vào giai đoạn tích hợp AI trực tiếp vào quy trình làm việc hằng ngày.

Tác động của AI đối với việc làm CNTT và cách thức thực hiện công việc xuất hiện trong 6/10 bài viết hàng đầu. Đặc biệt, việc ứng dụng AI trong phát triển phần mềm thu hút sự quan tâm lớn khi các coding assistant trở nên phổ biến và khái niệm “vibe coding” bắt đầu đi vào ngôn ngữ thường ngày của giới công nghệ.

Tuy nhiên, song song với những câu chuyện về AI đang cách mạng hóa CNTT, vẫn tồn tại những thách thức lớn:

• Thiếu hụt nhân sự có kỹ năng phù hợp

• AI có xu hướng tạo ra kết quả sai nhưng nghe rất hợp lý

• Khó tạo ra giá trị kinh doanh thực sự từ các dự án AI

Dưới đây là Top 10 câu chuyện AI của năm 2025, theo thứ tự ngược:

10. AI đánh dấu điểm bẻ gãy trong vai trò lãnh đạo công nghệ cấp cao

Sự trỗi dậy của AI đang tạo ra điểm ngoặt mang tính cấu trúc đối với vai trò lãnh đạo công nghệ. Những CIO sẵn sàng đón nhận thay đổi sẽ đối mặt với trách nhiệm chiến lược lớn hơn và cơ hội phát triển sự nghiệp ở tầm cao mới.

9. Sự nghiệp CNTT tương lai là sự kết hợp giữa con người và AI

Các lãnh đạo và chuyên gia phân tích đều cho rằng sự nghiệp CNTT thành công sẽ là sự kết hợp giữa kỹ năng con người và AI.

Các báo cáo ban đầu cho thấy AI đang:

• Định hình lại thị trường lao động CNTT

• Có dấu hiệu thay thế các vị trí CNTT cấp junior

Cùng với niềm tin của nhiều lãnh đạo rằng quy mô lực lượng CNTT có thể thu hẹp trong những năm tới, triển vọng dài hạn của nghề CNTT đang trở nên bất định hơn bao giờ hết.

8. Ưu tiên số 1 của CIO năm 2025: đưa AI từ thử nghiệm sang tạo giá trị thực

Để không bị tụt lại, CIO phải liên tục đánh giá và điều chỉnh chiến lược kinh doanh lẫn công nghệ để thích ứng với tốc độ thay đổi nhanh của công nghệ, mô hình kinh doanh và bối cảnh kinh tế.

Trọng tâm hàng đầu năm 2025: chuyển AI từ thử nghiệm sang tạo ra giá trị thực tế cho doanh nghiệp.

7. Thời kỳ “kỳ lạ” của phát triển phần mềm

AI-driven coding assistant đã làm rung chuyển thị trường IDE vốn trì trệ trong nhiều năm.

Tuy nhiên, nghịch lý là chính sự đổi mới của GenAI lại có nguy cơ làm chậm đổi mới trong phần mềm khi các coding assistant ngày càng đề xuất những đoạn mã mang tính chuẩn hóa và lặp lại.

6. Accenture và nền tảng Agentic AI cho vận hành CNTT quy mô lớn

Một trong những thách thức lớn của vận hành CNTT tại các tập đoàn tư vấn toàn cầu như Accenture là quản lý danh mục công nghệ rất lớn và đa dạng để duy trì “digital core”.

Việc vận hành lõi số này đòi hỏi kỹ năng chuyên sâu ngày càng khan hiếm khi mọi ngành đều cạnh tranh trong cùng một nguồn nhân lực hạn chế.

Câu trả lời của Accenture là Accenture Advanced Technology Agent (AATA) — một nền tảng tích hợp dựa trên agentic AI, đóng vai trò trung gian giữa:

• Lực lượng lao động con người

• Và các nền tảng công nghệ

Giải pháp này đã giúp Accenture giành CIO 100 Award 2025 về IT Excellence.

5. Chi tiêu công nghệ doanh nghiệp toàn cầu tiếp tục tăng

Theo dự báo của Forrester, chi tiêu công nghệ doanh nghiệp toàn cầu sẽ tăng 5,6% trong năm 2025, đạt 4,9 nghìn tỷ USD.

Các ưu tiên đầu tư chính:

• An ninh mạng

• Điện toán đám mây

• Generative AI

• Chuyển đổi số

4. AI agent sẽ viết code tốt hơn con người

Trong tương lai gần, AI agent sẽ viết code sạch hơn, tối ưu hơn con người, tương tự như cách compiler hiện nay viết assembly tốt hơn lập trình viên.

3. AI là kỹ năng mang lại mức tăng lương cao nhất

AI đứng đầu danh sách các kỹ năng tăng thu nhập mạnh nhất, mang lại cho chuyên gia công nghệ mức lương cao hơn gần 18% so với các kỹ năng CNTT khác.

2. LLM luôn có thể tạo ra kết quả sai — ngay cả với dữ liệu hoàn hảo

Trong một nghiên cứu mang tính bước ngoặt, các nhà nghiên cứu tại OpenAI chỉ ra rằng các mô hình ngôn ngữ lớn luôn có khả năng tạo ra kết quả nghe có vẻ hợp lý nhưng sai, ngay cả khi dữ liệu đầu vào hoàn hảo.

Nguyên nhân đến từ giới hạn thống kê và tính toán mang tính nền tảng, không thể loại bỏ hoàn toàn.

1. Khi GenAI đi vào doanh nghiệp: từ ứng biến sang kỹ nghệ hóa

Khi GenAI được triển khai rộng rãi trong doanh nghiệp, ứng biến (improvisation) đang dần nhường chỗ cho kỹ nghệ hóa (engineering).

Câu hỏi lớn đặt ra: liệu doanh nghiệp có thể xây dựng được guardrails đủ vững để biến những prompt thông minh thành hệ thống đáng tin cậy, có thể vận hành lâu dài?

Tổng kết cho CIO & IT Leaders

Năm 2025 cho thấy rõ một điều: AI không còn là câu chuyện thử nghiệm, mà là bài toán kiến trúc, vận hành và giá trị.

Bước sang 2026, lợi thế sẽ thuộc về những CIO:

• Hiểu rõ giới hạn của AI

• Đầu tư đúng vào năng lực con người

• Và biết cách chuyển AI từ “trình diễn” sang “hệ thống tạo giá trị bền vững”

Tổng hợp: Thuỷ Đặng (Manging Director - CIO Vietnam)

Theo Diễn đàn Kinh tế Thế giới, 45% lãnh đạo an ninh mạng lo ngại về khả năng gián đoạn hoạt động doanh nghiệp, trong khi 71% doanh nghiệp nhỏ cho rằng họ không đủ năng lực bảo vệ hoạt động của mình hiệu quả.

Vì sao?

Phần lớn tổ chức vẫn đang chơi trò “đập chuột rủi ro” — một trò chơi không hồi kết và gần như không thể thắng. Khi lượng thông tin ngày càng nhiều — từ hạ tầng lõi, quản lý lỗ hổng, ứng dụng web, cloud, đến hệ thống AI — nhiều tổ chức gặp khó khăn xây dựng bức tranh tổng thể về rủi ro ở cấp độ doanh nghiệp. Không có bức tranh này, việc xác định ưu tiên xử lý rủi ro càng khó khăn hơn.

Hiểu rủi ro trong đúng bối cảnh

Doanh nghiệp của bạn có biết:

• Những tài sản nào là tài sản sống còn?

• Mức độ rủi ro mà tổ chức đang đối mặt?

• Doanh nghiệp chấp nhận rủi ro ở mức nào?

• Ngưỡng rủi ro nào có thể chấp nhận được?

Khi trả lời được các câu hỏi này, doanh nghiệp có thể tính toán tác động tài chính tiềm ẩn và xác suất bị khai tháccủa từng vấn đề an ninh.

Value at Risk (Giá trị rủi ro) là bài toán định lượng rủi ro an ninh mạng, cho biết doanh nghiệp có thể mất bao nhiêu tiền nếu xảy ra sự cố an toàn thông tin. Diễn giải các sự cố tiềm ẩn dưới góc nhìn tác động kinh doanh — cụ thể là bằng tiền sẽ đơn giản hóa quá trình ra quyết định trong việc:

• Ưu tiên vá lỗi

• Triển khai biện pháp giảm thiểu

• Chuyển giao rủi ro thông qua bảo hiểm an ninh mạng

Xây dựng Trung tâm Vận hành Rủi ro (ROC)

Dù khái niệm rõ ràng, nhiều doanh nghiệp vẫn gặp khó khăn khi triển khai định lượng rủi ro an ninh mạng. Đây chính là lúc Risk Operations Center (ROC) phát huy vai trò.

ROC đóng vai trò như hệ thần kinh trung ương của chương trình quản trị rủi ro, cho phép chủ động phòng vệ an ninh và nâng cao chất lượng ra quyết định. ROC cung cấp điểm điều phối tập trung, nơi dữ liệu từ:

• Danh mục tài sản CNTT toàn doanh nghiệp

• Cảnh báo an ninh

• Nguồn dữ liệu bên thứ ba

được phân tích kết hợp giữa threat intelligence và bối cảnh kinh doanh.

Từ đó, doanh nghiệp có:

• Cái nhìn đơn giản, theo thời gian thực về rủi ro đang tồn tại

• Khả năng đánh giá xác suất rủi ro chuyển thành sự cố

• Ước lượng chi phí và tổn thất tài chính tương ứng

Những thông tin này giúp đơn giản hóa việc phân loại và ưu tiên rủi ro, đồng thời giúp ban lãnh đạo dễ hiểu và ra quyết định hơn.

ROC giúp doanh nghiệp đo lường, truyền đạt và giảm thiểu rủi ro an ninh mạng hiệu quả hơn

• Đo lường: Xác định rõ tài sản sống còn, mức độ phơi nhiễm rủi ro và giá trị tổn thất tiềm ẩn nếu xảy ra tấn công.

• Truyền đạt: Giải thích rủi ro an ninh mạng với C-suite và Hội đồng Quản trị bằng ngôn ngữ kinh doanh — tiền và tác động tài chính.

• Giảm thiểu: Ưu tiên hành động giảm rủi ro thông qua vá lỗi, biện pháp kiểm soát, hoặc chuyển giao rủi ro cho bảo hiểm an ninh mạng.

ROC và Value at Risk: Từ CNTT đến Hội đồng Quản trị

Triển khai ROC xoay quanh Value at Risk đòi hỏi phối hợp chặt chẽ với bộ phận tài chính và tuân thủ, nhằm thống nhất về mức độ tác động của rủi ro và cách diễn giải chúng trước Hội đồng Quản trị. Đồng thời, ROC làm rõ:

• Doanh nghiệp có thể thực hiện hành động nào để giảm rủi ro

• Khoản đầu tư nào cần thiết và vì sao

Khi tập trung vào tác động tài chính, bộ phận CNTT và an ninh mạng có thể nói cùng ngôn ngữ với lãnh đạo doanh nghiệp, từ đó giảm thiểu nguy cơ gián đoạn hoạt động và nâng cao khả năng ra quyết định chiến lược.

Tổng hợp: Thủy Đặng Nguồn cio.com Bài viết

Trong một gia đình, khi một cậu bé chỉ biết tiêu tiền của cha mẹ, cậu ấy là người phụ thuộc.
Nhưng rồi sẽ đến lúc cậu mong muốn kiếm tiền, tự lập và giúp đỡ lại gia đình mình.

Câu trả lời rất đơn giản:

• Hãy học tập.

• Hãy lớn lên.

• Hãy trưởng thành – để trở thành một người đàn ông thực thụ.

Trong thế giới Công nghệ thông tin (IT) cũng vậy.

Trong nhiều năm, bộ phận CNTT thường được xem là “Cost Center” – nơi tiêu tiền để duy trì hạ tầng, xử lý sự cố và đảm bảo uptime.
Nhưng trong kỷ nguyên AI, Cloud và Digital Experience, vai trò của IT đã thay đổi sâu sắc.

Từ một đơn vị hỗ trợ kỹ thuật, IT đang trở thành “Value Creator” – nền tảng chiến lược giúp doanh nghiệp tăng tốc, sáng tạo và kiến tạo giá trị kinh doanh thực sự.

Theo Gartner IT Score for Infrastructure & Operations Maturity Model, hành trình này được mô tả qua 5 cấp độ trưởng thành – từ Reactive IT đến Business Partner IT.

“COST CENTER” – KHI IT CHỈ DỪNG Ở VẬN HÀNH

Ở cấp độ ban đầu, IT tập trung vào việc giữ hệ thống hoạt động ổn định, giảm downtime, bảo trì hạ tầng, phần mềm, bảo mật và sao lưu dữ liệu.
Hiệu quả chủ yếu được đo bằng các chỉ số kỹ thuật như số lượng ticket, SLA hay phần trăm downtime giảm được.

IT đóng vai “người giữ đèn sáng” – cần thiết, nhưng chưa được xem là đối tác chiến lược.

“VALUE CREATOR” – KHI IT GẮN VỚI HIỆU QUẢ KINH DOANH

Khi mọi hoạt động IT liên kết trực tiếp với Business Outcomes, vai trò của IT thay đổi hoàn toàn.
IT không chỉ giảm lỗi mà còn thúc đẩy tăng trưởng, không chỉ hỗ trợ mà còn tạo lợi thế cạnh tranh.

IT được xem là Value Creator khi mọi sáng kiến đều gắn với giá trị kinh doanh cụ thể – năng suất, trải nghiệm khách hàng, doanh thu và ROI rõ ràng.

Ví dụ:

• Chatbot AI xử lý 40% ticket nội bộ → tiết kiệm nhân sự, tăng tốc phản hồi.

• AIOps phát hiện lỗi sớm → giảm 50% downtime, bảo vệ doanh thu online.

• ITOM tối ưu tài nguyên cloud → giảm 20% chi phí vận hành.

IT không còn “chống cháy” – mà tạo ra giá trị đo được.

NĂM CẤP ĐỘ TRƯỞNG THÀNH THEO GARTNER

Level 1 – Reactive IT (Người chữa cháy)
IT vận hành thủ công, thiếu quy trình, không có CMDB hay SLA.
Mọi việc chỉ bắt đầu khi sự cố xảy ra.
Tư duy: “Miễn là hệ thống chạy.”

Level 2 – Efficient IT (Vận hành ổn định)
IT bắt đầu áp dụng ITIL hoặc ISO 20000, có Service Desk, SLA và báo cáo định kỳ.
Dịch vụ được chuẩn hóa, nhưng chưa gắn với giá trị kinh doanh.
Tư duy: “Làm đúng, làm nhanh, làm ổn định.”

Level 3 – Proactive IT (Chủ động và phòng ngừa)
IT chuyển từ phản ứng sang chủ động.
Áp dụng ITOM, Automation, AIOps để giám sát, cảnh báo sớm và tự động khắc phục.
Tư duy: “Phòng ngừa tốt hơn khắc phục.”

Level 4 – Service-Aligned IT (Gắn kết với giá trị dịch vụ)
IT bắt đầu đo lường CSAT, XLA và Business Outcomes thay vì chỉ SLA.
ITSM và ITOM được tích hợp thành Service Intelligence Platform, phân tích ngữ cảnh và giá trị kinh doanh.
Tư duy: “Đo lường và cải thiện giá trị dịch vụ.”

Level 5 – Business Partner IT (Đối tác chiến lược)
IT trở thành một phần của chiến lược doanh nghiệp, vận hành theo Value Stream.
Mọi sáng kiến đều có ROI rõ ràng, IT chủ động đề xuất đổi mới, dẫn dắt các chương trình AI, Cloud, Data.
Tư duy: “IT đồng kiến tạo giá trị với doanh nghiệp.”

YẾU TỐ THEN CHỐT GIÚP IT TRỞ THÀNH VALUE CREATOR

Dữ liệu – Data-driven IT
Hợp nhất ITSM, ITOM, CMDB và AIOps để phân tích, đo lường tác động của IT đến kết quả kinh doanh.
IT biết rõ một sự cố ảnh hưởng bao nhiêu người dùng, bao nhiêu doanh thu bị tác động, và xử lý trong bao lâu.

Trải nghiệm người dùng – Experience Management (XLA)
IT không chỉ đảm bảo uptime mà còn tối ưu trải nghiệm cảm nhận của người dùng.
Một hệ thống “chạy” nhưng chậm – vẫn là mất giá trị.

Tự động hóa & AI – Automation & AIOps
Automation giúp giảm thao tác, rút ngắn MTTR.
AI dự đoán sự cố, tìm nguyên nhân gốc và tự khắc phục – giúp IT chuyển từ bị động → chủ động → thông minh.

Liên kết kinh doanh – Business Alignment & Governance
IT phải nói ngôn ngữ của giá trị: ROI, năng suất, rủi ro, trải nghiệm khách hàng.
Khi KPI của IT gắn liền với KPI doanh nghiệp, IT chính thức trở thành đối tác chiến lược.

ITSM, ITOM VÀ AIOPS – BA TRỤ CỘT CỦA SERVICE INTELLIGENCE PLATFORM

• ITSM giúp IT chuẩn hóa quy trình và nâng cao trải nghiệm người dùng.

• ITOM giúp giám sát, tự động hóa và tối ưu hạ tầng.

• AIOps phân tích, học hỏi và dự đoán sự cố.

Ba trụ cột này hợp nhất thành Service Intelligence Platform – nơi IT phản ứng nhanh, học hỏi liên tục và tối ưu không ngừng.

MINH HỌA THỰC TẾ

Một ngân hàng triển khai kết hợp ITSM + ITOM + AIOps:

• ITOM giám sát hạ tầng cloud & on-prem theo thời gian thực.

• AIOps phát hiện lỗi CPU, tự động scale tài nguyên và tạo ticket ITSM.

• Người dùng không hề nhận ra sự cố đã được xử lý.

Kết quả:

• Downtime giảm 45%

• Năng suất IT tăng 30%

• Chi phí cloud giảm 20%

• Trải nghiệm khách hàng cải thiện rõ rệt

Đó chính là bước nhảy từ “vận hành” sang “kiến tạo giá trị.”

Khi IT chỉ đo chi phí, nó là Cost Center.
Khi IT đo và chứng minh được giá trị kinh doanh, nó trở thành Value Creator.

Theo Gartner IT I&O Maturity Model, hành trình trưởng thành này đi từ
Reactive → Efficient → Proactive → Service-Aligned → Business Partner.

Ở cấp độ cao nhất, IT trở thành Service Intelligence Platform – nơi dữ liệu, công nghệ và con người hòa quyện để kiến tạo giá trị kinh doanh bền vững.

IT không chỉ là “người giữ hệ thống chạy” – mà là nền tảng chiến lược cho tăng trưởng doanh nghiệp.

*Theo Gartner IT Score for Infrastructure & Operations Maturity Model, ITIL 4 Foundation & High Velocity IT

Leave a comment