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 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 $150K cho năm đầu.

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 trên P&L?”

Im lặng.

Đây không phải câu chuyện hiếm. Đây là câu chuyện PHỔ BIẾN NHẤT mà tôi 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, budget AI năm sau sẽ bị cắt.

Framework đo ROI cho AI: 3 loại giá trị

Trước khi bàn 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 tại.

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 bằng 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 data. Và đây là chi phí RECURRING vì data cần được maintain liên tục.

2. Prompt Engineering & Fine-tuning (Ongoing)

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

• 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 năm đầu. Nếu ai nói bạn ROI ngay lập tức, hãy nghi ngờ. 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 tại. Chi phí thấp ($20/dev/tháng), value 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 mọi AI project thành chatbot.

Khách hàng than phiền 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?”

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: $Z

• 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 care về AI technology. 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 Year 1. Có những đầu tư dài hạn — xây AI capabilities, training team, accumulate data — mà value chỉ materialize Year 2-3.

Điều quan trọng là bạn BIẾT con số thật. Biết rằng Year 1 sẽ lỗ 40% nhưng Year 2 lãi 38% — đó là informed decision. Không biết gì và hy vọng “AI sẽ tốt thôi” — đó là gambling.

CIO/CTO giỏi không phải người luôn chọn đúng project. Đó là người biết kill project sai sớm và double down 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