AGENTIC AI KHÔNG THẤT BẠI VÌ MODEL. NÚT THẮT NẰM Ở DỮ LIỆU.
Doanh nghiệp chỉ có thể trao quyền hành động cho AI khi dữ liệu đủ tin cậy để tạo ra kết quả kinh doanh
Khi một AI agent đưa ra khuyến nghị sai, phản ứng đầu tiên của doanh nghiệp thường là xem lại mô hình, prompt hoặc công cụ đang sử dụng.
Nhưng trong nhiều trường hợp, agent vẫn hoạt động đúng như được thiết kế. Vấn đề nằm ở dữ liệu được cung cấp cho nó.
Một agent có thể:
· Đề xuất sản phẩm đã ngừng kinh doanh;
· Nhận diện một khách hàng thành nhiều hồ sơ khác nhau;
· Chuyển tiếp những trường hợp không cần escalation;
· Đưa ra con số khác với báo cáo quản trị;
· Sử dụng dữ liệu mà người dùng không có quyền truy cập.
Hệ quả không chỉ là một câu trả lời thiếu chính xác.
Doanh nghiệp có thể mất niềm tin của khách hàng, tăng chi phí xử lý lại, kéo dài thời gian ra quyết định, tạo ra rủi ro tuân thủ và không thể mở rộng automation như kỳ vọng.
Đây là vấn đề chủ sở hữu dữ liệu: doanh nghiệp chưa xác định rõ đâu là dữ liệu chính thức, ai chịu trách nhiệm, định nghĩa nào được sử dụng, và hệ thống nào có quyền cung cấp “sự thật” cho AI.
Khi AI mới đóng vai trò copilot, con người vẫn có thể kiểm tra và chỉnh sửa kết quả. Nhưng khi tiến tới Agentic AI, nơi AI thực hiện nhiều bước công việc và kích hoạt hành động, sai lệch dữ liệu sẽ trở thành vấn đề vận hành.
Ở quy mô 100 tương tác mỗi ngày, con người có thể bù đắp bằng kinh nghiệm. Ở quy mô 100.000 tương tác, lỗi có thể lan rộng và trở thành rủi ro đối với hệ thống.
Vì vậy, càng trao nhiều quyền hành động cho AI, doanh nghiệp càng phải chứng minh rằng dữ liệu agent sử dụng là đúng, mới, có nguồn gốc, có owner và được phép truy cập.
Bắt đầu từ business outcome, không bắt đầu từ data platform
Một chương trình Agentic AI không nên bắt đầu bằng câu hỏi:
Doanh nghiệp cần xây nền tảng dữ liệu nào?
Nó nên bắt đầu bằng ba câu hỏi business:
· Outcome nào cần được cải thiện?
· Workflow nào đang cản trở outcome đó?
· AI có thể tham gia vào bước nào mà vẫn kiểm soát được rủi ro?
Sau đó, CIO và đội ngũ dữ liệu mới xác định:
· Dữ liệu nào cần thiết;
· Nguồn nào được công nhận là chính thức;
· Chất lượng nào được chấp nhận;
· Ai chịu trách nhiệm;
· Agent được phép hành động đến đâu.
Chuỗi logic phải được thiết kế theo hướng:
Business outcome → workflow → dữ liệu → Trust Layer → agent action → KPI cải thiện.
Nếu bắt đầu từ nền tảng mà chưa có workflow và KPI rõ ràng, doanh nghiệp có thể xây dựng được một hệ thống kỹ thuật tốt nhưng chưa chắc tạo ra giá trị.
Nếu bắt đầu từ use case mà bỏ qua data readiness, pilot có thể chạy được nhưng không thể mở rộng một cách an toàn.
Nền tảng dữ liệu là 20% đứng sau giá trị Agentic AI
Quy tắc 10–20–70 cung cấp một cách nhìn thực tế về chuyển đổi AI:
· 10% thuộc về model và thuật toán;
· 20% thuộc về dữ liệu và nền tảng công nghệ;
· 70% thuộc về con người, quy trình và mô hình vận hành.
Phần lớn giá trị được tạo ra ở 70%:
· Thiết kế lại workflow;
· Phân bổ lại năng lực;
· Xác định decision rights;
· Thay đổi cách con người làm việc;
· Tổ chức human oversight;
· Đo lường outcome.
Model thuộc top 10% ngày càng dễ tiếp cận và có thể được thuê trên thị trường. Vì vậy, mô hình khó trở thành lợi thế lâu dài.
Nhưng 70% cũng không thể vận hành nếu thiếu 20%.
Agent không thể hỗ trợ workflow một cách nhất quán nếu dữ liệu thiếu owner. Nó không thể đưa ra quyết định đáng tin cậy khi các phòng ban sử dụng những định nghĩa KPI khác nhau. Nó cũng không thể hành động an toàn khi doanh nghiệp không biết dữ liệu nhạy cảm đang nằm ở đâu và ai được quyền sử dụng.
Nền tảng dữ liệu vì thế không chỉ là nơi lưu trữ và báo cáo. Trong Agentic Enterprise, nó phải trở thành Trust Layer — lớp xác lập sự tin cậy để AI có thể truy xuất, phân tích và hành động trong phạm vi được kiểm soát.
Từ năng lực dữ liệu đến giá trị business
Mỗi năng lực dữ liệu cần được kết nối với một giá trị vận hành cụ thể.
Khi được thiết kế đúng, Trust Layer không chỉ cải thiện chất lượng dữ liệu. Nó giúp doanh nghiệp giảm rework, tăng tốc độ xử lý, cải thiện trải nghiệm khách hàng và mở rộng automation mà không làm mất kiểm soát.
Có dữ liệu không đồng nghĩa dữ liệu đã sẵn sàng cho AI
Nhiều doanh nghiệp đã có data warehouse, data lake, hệ thống BI và các kho dữ liệu phục vụ báo cáo.
Nhưng dữ liệu được lưu trữ chưa chắc đã đủ điều kiện để agent sử dụng.
Qua kinh nghiệm triển khai, eCloudvalley nhận thấy có 5 khoảng trống phổ biến.
1. Không có data ownership
Doanh nghiệp chưa chỉ định Data Owner hoặc Data Steward cho các tập dữ liệu quan trọng.
Khi dữ liệu sai, IT có thể sửa hệ thống nhưng không thể tự quyết định định nghĩa nghiệp vụ nào là đúng.
2. Không có catalog và lineage
Tổ chức không biết dữ liệu đầy đủ nằm ở đâu, được tạo ra từ nguồn nào và đã đi qua những bước xử lý nào.
Khi agent đưa ra kết quả sai, đội ngũ không thể nhanh chóng xác định lỗi xuất phát từ nguồn dữ liệu, logic chuyển đổi hoặc cách sử dụng.
3. Không có data contract và quality gate
Hệ thống nguồn có thể thay đổi cấu trúc mà không cần thông báo trước. Quy trình phía sau chỉ phát hiện vấn đề sau khi báo cáo hoặc ứng dụng đã bị sai.
Nếu không có Quality Gate, dữ liệu không đạt chuẩn vẫn có thể đi thẳng vào workflow của agent.
4. Không có semantic layer được chứng nhận
Các phòng ban có thể dùng những định nghĩa khác nhau cho cùng một chỉ số như khách hàng hoạt động, doanh thu, lợi nhuận hoặc tỷ lệ chuyển đổi.
Agent không thể tự quyết định định nghĩa nào là chính thức.
5. Không phân loại và bảo vệ dữ liệu nhạy cảm
Doanh nghiệp chưa biết đầy đủ dữ liệu cá nhân đang nằm ở đâu, ai được quyền truy cập và thông tin nào cần được che giấu trước khi đưa vào AI.
Đây vừa là vấn đề bảo mật, vừa là rủi ro tuân thủ và trách nhiệm pháp lý.
Mỗi khoảng trống trên đều là một lý do khiến agent chưa thể hành động độc lập. Và phần lớn trong số đó là khoảng trống về quản trị và ownership, không phải là lỗi của mô hình.
Mười hai trụ cột của một nền tảng dữ liệu sẵn sàng cho AI
Theo mô hình và kinh nghiệm thực chiến được eCloudvalley sử dụng, một AI-Ready Data Platform cần được phát triển trên 12 trụ cột:
1. Data Quality;
2. Catalog và Metadata;
3. Semantic Layer và Business Glossary;
4. Data Lineage;
5. Freshness và Observability;
6. Access Control và Security;
7. Data Contracts;
8. Feature Readiness;
9. Vector-Ready Documents;
10. Enterprise Knowledge Base;
11. Policy-Aware AI và Human-in-the-loop;
12. AI Governance.
Mười hai trụ cột này có thể được chia thành bốn lớp.
Dữ liệu có owner và định nghĩa
Doanh nghiệp phải biết ai chịu trách nhiệm, dữ liệu mang ý nghĩa gì và chỉ số nào được công nhận là chính thức.
Dữ liệu có thể truy vết và kiểm chứng
Mỗi nguồn dữ liệu cần có catalog, lineage, quality rule và cơ chế theo dõi độ mới.
Dữ liệu được bảo vệ theo chính sách
Quyền truy cập, phân loại dữ liệu nhạy cảm, masking, mã hóa và row-level security phải được thiết kế trước khi agent tiếp cận dữ liệu.
Dữ liệu có thể phục vụ AI và agent
Tài liệu cần được chuẩn hóa để có thể tìm kiếm vector. Knowledge base phải dựa trên các nguồn đã được kiểm chứng. Agent phải hiểu chính sách nào áp dụng, hành động nào cần phê duyệt và khi nào cần dừng.
Một nền tảng chỉ thực sự sẵn sàng cho Agentic AI khi cả 4 lớp vận hành cùng nhau.
Business Process Owner và Data Owner phải cùng tồn tại
Một Agentic AI initiative không thể chỉ có Data Owner.
Doanh nghiệp cần ít nhất 3 nhóm trách nhiệm được phân định rõ ràng.
Business Process Owner
Chịu trách nhiệm cho outcome của workflow:
· Xác định KPI;
· Quyết định AI tham gia vào bước nào;
· Phê duyệt thay đổi quy trình;
· Theo dõi adoption;
· Quyết định tiếp tục, điều chỉnh hoặc dừng các sáng kiến.
Data Owner
Chịu trách nhiệm cho độ tin cậy của dữ liệu:
· Định nghĩa dữ liệu;
· Chất lượng;
· Quyền sử dụng;
· Data contract;
· Cách xử lý khi dữ liệu không đạt chuẩn.
CIO, CDO và các chức năng kiểm soát
Chịu trách nhiệm kết nối nền tảng, dữ liệu và governance:
· Thiết kế kiến trúc;
· Tổ chức identity và access control;
· Thiết lập guardrails;
· Bảo đảm auditability;
· Chuẩn hóa pattern để tái sử dụng;
· Phối hợp với Security, Risk và Compliance.
Business xác định outcome và sở hữu workflow. Data Owner bảo đảm đầu vào là đáng tin cậy. CIO thiết kế nền tảng và cơ chế kiểm soát để AI có thể vận hành an toàn.
Thiếu một trong ba lớp trách nhiệm, initiative dễ trở thành một dự án kỹ thuật tốt nhưng không cải thiện được kết quả kinh doanh.
Dây an toàn không được bỏ qua, kể cả trong pilot hai tuần
Doanh nghiệp không cần chờ hoàn thiện toàn bộ nền tảng mới bắt đầu thử nghiệm AI.
Tuy nhiên, triển khai nhanh không đồng nghĩa với việc bỏ qua kiểm soát tối thiểu.
Mỗi agent cần có năm “dây an toàn”:
· Danh tính riêng và quyền được ủy quyền, không sử dụng tài khoản super-user;
· Dữ liệu cá nhân được phân loại và che từ nguồn;
· Human-in-the-loop đối với hành động khó đảo ngược;
· Audit log để truy vết hoạt động;
· Kill switch để dừng agent khi phát hiện rủi ro.
Đây là điều kiện để doanh nghiệp vừa học nhanh, vừa không tạo ra nợ governance khó xử lý về sau.
Case thực tế: từ data warehouse đến nguồn dữ liệu đủ tin cậy cho agent
Trong một dự án eCloudValley đang triển khai cho doanh nghiệp chứng khoán, dữ liệu tài khoản khách hàng, danh mục chứng khoán, giao dịch và thanh toán đã được tập trung vào kho dữ liệu (data warehouse). BI và báo cáo cũng đang vận hành trên nền tảng dữ liệu này.
Về mặt kỹ thuật, dữ liệu đã được lưu trữ.
Nhưng mục tiêu business không chỉ là có thêm báo cáo. Doanh nghiệp cần một góc nhìn thống nhất về khách hàng để:
· Rút ngắn thời gian tra cứu;
· Giảm đối soát thủ công;
· Hỗ trợ phản hồi và tư vấn nhất quán hơn;
· Giảm rủi ro sử dụng sai dữ liệu;
· Tạo nền tảng cho agent đầu tiên.
Khoảng trống nằm ở chỗ một số nhóm dữ liệu chưa có owner rõ ràng. Catalog và lineage chưa đầy đủ. Chưa có data contract để kiểm soát các thay đổi. Dữ liệu cá nhân chưa được phân loại và bảo vệ một cách đồng nhất.
Điều đó có nghĩa là doanh nghiệp có thể dùng dữ liệu cho báo cáo, nhưng chưa thể hoàn toàn tin tưởng để agent hỗ trợ các workflow liên quan trực tiếp đến khách hàng.
Hướng xử lý không phải là thay thế toàn bộ data warehouse.
eCloudvalley xây dựng thêm một Trust Layer theo các chuẩn DAMA-DMBOK và DCAM, với mục tiêu tạo ra một nguồn thông tin thống nhất cho domain khách hàng và tài khoản chứng khoán.
Trong phạm vi 90 ngày và một domain ưu tiên, dự án tập trung vào ba kết quả nền tảng:
· 100% bảng dữ liệu trọng yếu có owner;
· 100% bảng trọng yếu có column-level lineage;
· 100% dữ liệu cá nhân được phân loại, được masking và được kiểm soát truy cập theo từng dòng.
Song song với đó, các KPI business cần được theo dõi gồm:
· Thời gian tra cứu thông tin khách hàng;
· Tỷ lệ hồ sơ trùng lặp;
· Số bước đối soát thủ công;
· Thời gian xử lý yêu cầu;
· Mức độ nhất quán giữa dữ liệu báo cáo và dữ liệu phục vụ tư vấn;
· Số trường hợp truy cập sai quyền.
Điểm đáng chú ý là doanh nghiệp không cố giải quyết toàn bộ data estate cùng một lúc.
Họ chọn một domain, một outcome, một nhóm bảng dữ liệu quan trọng và một use case agent đủ rõ ràng. Từ đó, những pattern hiệu quả được chuẩn hóa và mở rộng sang các domain khác.
CIO nên bắt đầu từ đâu?
CIO có thể bắt đầu bằng sáu câu hỏi:
1. Business outcome nào cần được cải thiện?
2. Workflow nào đang cản trở outcome đó?
3. Ai là Business Process Owner chịu trách nhiệm về KPI?
4. Dữ liệu nào là đầu vào quan trọng và ai là Data Owner?
5. Agent được phép sử dụng dữ liệu nào, thực hiện hành động gì?
6. Kết quả nào sẽ chứng minh initiative đủ điều kiện để mở rộng?
Không cần bắt đầu từ toàn bộ doanh nghiệp.
Một domain có giá trị, một workflow có owner, một nhóm dữ liệu trọng yếu và một bộ KPI rõ ràng có thể tạo ra bằng chứng ban đầu.
Lợi thế của Agentic Enterprise bắt đầu từ ownership
Sau nhiều dự án, có một bài học ngày càng rõ:
Doanh nghiệp giành được lợi thế từ Agentic AI không nhất thiết là doanh nghiệp sở hữu model mạnh nhất.
Model có thể được thuê. Công cụ có thể được mua. Năng lực xử lý có thể được mở rộng lên đám mây.
Điều khó sao chép hơn là khả năng xác định:
· Outcome nào đáng để theo đuổi;
· Workflow nào cần được thiết kế lại;
· Dữ liệu nào là chính thức;
· Ai chịu trách nhiệm;
· Agent được trao quyền đến đâu;
· Hành động nào cần con người kiểm soát;
· Kết quả nào chứng minh giá trị.
Đó là nền móng để AI chuyển từ hỗ trợ con người sang tham gia vận hành doanh nghiệp.
Business xác định giá trị cần tạo ra. CIO xây dựng nền tảng và cơ chế kiểm soát. Data Owner bảo đảm tính tin cậy của dữ liệu đầu vào. Process Owner chịu trách nhiệm về kết quả cuối cùng.
Muốn xây dựng Agentic Enterprise, doanh nghiệp không chỉ cần nhiều dữ liệu hơn.
Doanh nghiệp cần dữ liệu có owner, workflow có người chịu trách nhiệm và một cơ chế đủ tin cậy để AI hành động.
Biên tập và phát triển nội dung
Ms Thủy Đặng
Managing Director| CIO Vietnam
Bài viết được phát triển từ phần chia sẻ của eCloudvalley Vietnam tại chương trình AI FOR CIO 2026 – Agent-Ready Data Platform: The Data Foundation That Takes AI from Copilot to the Agentic Enterprise.
Từ kinh nghiệm đồng hành cùng hơn 5.000 doanh nghiệp tại APAC, eCloudvalley cung cấp những góc nhìn thực tiễn giúp thành viên tham khảo khi chuẩn bị nền tảng dữ liệu và mở rộng các sáng kiến Cloud, Data & AI trong doanh nghiệp.
Trao đổi cùng eCloudvalley Vietnam
Email: info.vn@ecloudvalley.com