Lãnh đạo tư tưởng
Quản trị AI trong doanh nghiệp bắt đầu từ hạ tầng cơ sở dữ liệu

Điểm chính% doanh nghiệp thí điểm AI thất bại vì quản trị không được tích hợp ở lớp dữ liệu.
Xem thêm
- % doanh nghiệp thí điểm AI thất bại vì quản trị không được tích hợp ở lớp dữ liệu.
- Các tác nhân tự động yêu cầu kiểm soát lớp dữ liệu vì các ghi không được quản trị có thể lan truyền qua các hệ thống.
- Quản trị ưu tiên hạ tầng ở cấp cơ sở dữ liệu thu hẹp khoảng cách giữa thí điểm và sản xuất.
Doanh nghiệp thử nghiệm AI nhanh hơn bao giờ hết, nhưng con đường đưa vào vận hành thực tế vẫn chậm chạp một cách dai dẳng. Các nhóm khởi động dự án thí điểm, kiểm thử mô hình và cho thấy kết quả hứa hẹn chỉ trong vài tuần, đôi khi vài ngày. Thế nhưng khi đến lúc triển khai các hệ thống ấy trên quy mô lớn, tiến độ thường đình trệ. Lo ngại bảo mật xuất hiện, yêu cầu tuân thủ siết chặt và các câu hỏi về quản trị ngày càng nhiều.
Báo cáo của MIT The GenAI Divide: State of AI in Business 2025 nhận thấy rằng 95% dự án thí điểm AI trong doanh nghiệp không tạo ra tác động kinh doanh đo lường được. Chỉ 5% đi vào vận hành thực tế và mang lại lợi ích tài chính thực sự. Nghiên cứu bao gồm hơn 300 trường hợp triển khai AI và 150 cuộc phỏng vấn lãnh đạo. Kết luận của nghiên cứu là rào cản chính không nằm ở năng lực mô hình, mà ở việc tích hợp thiếu sót với hệ thống doanh nghiệp. Phần lớn tổ chức coi đó là vấn đề chính sách cần giải quyết ở cấp lãnh đạo. Tôi cho rằng quản trị AI là thách thức ở cấp hệ thống, và bắt đầu từ lớp dữ liệu.
Vì sao dự án AI đình trệ ở giai đoạn thí điểm
Nhiều sáng kiến AI thất bại vì môi trường dùng để phát triển nguyên mẫu về căn bản không phù hợp với thực tế triển khai trong doanh nghiệp. Nhà phát triển được khuyến khích làm nhanh, dùng công cụ linh hoạt, tập dữ liệu được quản trị lỏng lẻo và hạ tầng tự phục vụ để chứng minh giá trị sớm nhất. Điều này lý tưởng cho thử nghiệm, nhưng không thể áp dụng nguyên trạng cho môi trường vận hành đòi hỏi khả năng kiểm toán, kiểm soát truy cập nghiêm ngặt, tuân thủ quy định và khả năng chống chịu trong hoạt động.
Vì vậy, quản trị thường chỉ được đưa vào sau khi việc chứng minh tính khả thi thành công. Lúc ấy, lớp lẽ ra phải hỗ trợ triển khai lại trở thành ràng buộc. Các nhóm phải điều chỉnh mô hình bảo mật sau đó, thiết kế lại luồng dữ liệu và sửa các giả định tuân thủ vốn phải là nền tảng ngay từ đầu.
Khoảng cách vì thế ngày càng lớn giữa những gì AI thể hiện được trong môi trường kiểm soát và những gì doanh nghiệp có thể đưa vào vận hành an toàn, đáng tin cậy.
Trong khi đó, hệ thống công nghệ AI hiện đại phát triển theo hướng ưu tiên tốc độ và khả năng tiếp cận, thường đánh đổi bằng sự kiểm soát. Nền tảng thuận tiện cho nhà phát triển giúp triển khai thí điểm dễ dàng, nhưng có thể che khuất nơi dữ liệu nằm, cách dữ liệu được dùng và người có quyền truy cập.
Điều này tạo ra rủi ro thực sự về hoạt động và quy định, gồm vô tình làm lộ dữ liệu, ranh giới dữ liệu không rõ giữa các môi trường và thiếu khả năng kiểm toán hành vi hệ thống. Những vấn đề ấy bộc lộ trực tiếp khi đánh giá mức sẵn sàng vận hành và tuân thủ. Khảo sát doanh nghiệp nhất quán cho thấy vấn đề chất lượng dữ liệu và quản trị thuộc nhóm nguyên nhân hàng đầu khiến dự án AI thất bại, được nêu trong 60–70% trường hợp. Sự phụ thuộc ngày càng lớn vào hạ tầng bên thứ ba và dịch vụ cơ sở dữ liệu được quản lý làm vấn đề nặng thêm. Chúng có thể tiếp tục phân mảnh quyền sở hữu dữ liệu và khiến việc đáp ứng quy định phức tạp hơn. Trong nhiều trường hợp, tổ chức mặc định nền tảng đã lo quản trị, nhưng trên thực tế trách nhiệm phân bố ở nhiều lớp công nghệ.
Kết quả là một nghịch lý. Công cụ đẩy nhanh thử nghiệm AI thường cũng chính là công cụ gây trở ngại khi chuyển sang vận hành thực tế.
Cơ sở dữ liệu mới là lớp quản trị thực sự
Để giải quyết sự lệch pha này, cần suy nghĩ lại nơi quản trị thực sự diễn ra.
Quản trị thường được xem là chức năng xây dựng chính sách, do nhóm pháp lý, tuân thủ hoặc lãnh đạo xác định và thực thi qua tài liệu cùng quy trình xem xét. Những cơ chế này cần thiết, nhưng tự chúng chưa đủ. Quản trị chỉ thực sự có ý nghĩa khi được thực thi ở cấp hệ thống.
Trên thực tế, việc thực thi diễn ra nơi dữ liệu được lưu trữ, truy cập và biến đổi. Vì thế, cơ sở dữ liệu cùng hạ tầng dữ liệu xung quanh trở thành lớp quản trị quan trọng nhất trong hệ thống công nghệ AI.
Cơ sở dữ liệu hiện đại không phải kho lưu trữ thụ động. Chúng xác định quyền truy cập, thực thi yêu cầu về vị trí địa lý lưu trữ dữ liệu, quản lý mã hóa và kiểm soát khóa, đồng thời tạo nhật ký kiểm toán cần cho tuân thủ và giám sát bảo mật. Vai trò điểm kiểm soát mà qua đó AI tương tác với dữ liệu doanh nghiệp cũng ngày càng lớn.
Điều này quan trọng vì AI kế thừa mức độ quản trị của hạ tầng dữ liệu mà nó phụ thuộc. Nếu lớp cơ sở dữ liệu bên dưới thiếu cấu trúc, biện pháp kiểm soát hoặc khả năng nhìn rõ hoạt động, điểm yếu sẽ truyền trực tiếp vào AI được xây trên đó. Không chính sách nào ở lớp ứng dụng phía sau có thể bù đắp hoàn toàn một nền tảng dữ liệu không được quản trị.
Từ đó dẫn đến chuyển đổi kiến trúc rộng hơn: quản trị phải được tích hợp vào hạ tầng ngay từ đầu, không phải thêm vào sau triển khai. Phát triển AI bắt đầu từ hạ tầng nghĩa là thiết kế hệ thống có quản trị như thuộc tính sẵn có, thay vì ràng buộc bên ngoài. Truy cập dữ liệu đi qua giao diện được kiểm soát. Truy vấn và tương tác hệ thống được ghi nhật ký theo mặc định. Quy tắc tuân thủ, như hạn chế truy cập, chính sách lưu giữ và yêu cầu về vị trí lưu trữ, được thực thi ở cấp hệ thống thay vì giám sát thủ công hoặc xác minh sau sự việc.
Điều này đòi hỏi các mẫu kiến trúc như lớp trung gian truy vấn an toàn, kiểm soát truy cập theo chính sách và khả năng quan sát tập trung trong môi trường dữ liệu phân tán. Những cơ chế ấy bảo đảm quản trị được thực thi liên tục, thay vì chỉ kiểm tra định kỳ.
Khác biệt giữa quản trị chủ động và quản trị phản ứng là căn bản. Cách tiếp cận phản ứng cố sửa vấn đề sau khi hệ thống đã được xây dựng và triển khai. Cách tiếp cận chủ động ngăn vấn đề phát sinh bằng cách tích hợp kiểm soát trực tiếp vào kiến trúc.
Trong môi trường AI, khác biệt này quyết định hệ thống có thể mở rộng hay đình trệ.
Khi tác nhân tham gia
Tác nhân tự chủ làm thay đổi điều kiện quản trị theo những cách mà phần lớn tổ chức chưa sẵn sàng. Tác nhân không chỉ đọc dữ liệu. Nó còn ghi dữ liệu và kích hoạt hành động trên nhiều hệ thống, thực hiện cả hai mà không có con người trong quá trình ra quyết định.
Điều này thay đổi hoàn toàn cách sai sót diễn ra. Truy vấn được quản trị kém trả về đáp án sai. Tác nhân được quản trị kém sau đó hành động theo đáp án ấy: cập nhật bản ghi, kích hoạt quy trình tiếp theo và lan truyền quyết định giữa các hệ thống trước khi ai đó nhận ra có lỗi.
Vì vậy, cơ chế bảo vệ không thể chỉ nằm ở lớp ứng dụng. Tác nhân hoạt động trên nhiều hệ thống luôn tìm ra con đường ít cản trở nhất. Kiểm soát phải được thực thi ở lớp dữ liệu, nơi mọi thao tác đọc và ghi đều qua cơ chế trung gian và được ghi nhật ký, bất kể điều gì kích hoạt nó.
Gartner dự báo rằng hơn 40% dự án AI dựa trên tác nhân sẽ bị trì hoãn hoặc hủy bỏ do vấn đề quản trị và độ tin cậy. Tôi thấy con số này thấp, vì nó giả định tổ chức xác định đúng quản trị là nguyên nhân thay vì đổ lỗi cho mô hình hoặc công cụ. Nguyên nhân gốc rễ thường vô hình cho đến khi gây tốn kém.
Từ thử nghiệm đến AI sẵn sàng vận hành thực tế
Tổ chức đưa AI từ thử nghiệm vào vận hành thành công thường có điểm chung là sớm đồng bộ môi trường phát triển và vận hành.
Thay vì để hệ thống thử nghiệm xa rời các ràng buộc vận hành, họ thiết kế cả hai môi trường theo nguyên tắc nhất quán về quản trị, bảo mật và truy cập dữ liệu. Điều này giảm trở ngại về sau khi mô hình chuyển từ nguyên mẫu sang khối lượng công việc vận hành thực tế.
Việc đồng bộ ngày càng quan trọng vì phần lớn doanh nghiệp vẫn thiếu hạ tầng AI trưởng thành đáp ứng tiêu chuẩn vận hành thực tế. Vẫn tồn tại thiếu sót dai dẳng về truy cập dữ liệu an toàn, giám sát, khả năng quan sát và thực thi tuân thủ. Đây không phải vấn đề riêng lẻ, mà là thách thức cấu trúc xuất hiện khi AI mở rộng từ thí điểm sang quy trình có vai trò thiết yếu với hoạt động.
Một sự lệch pha lớn khác giữa nguyên mẫu và vận hành xuất hiện khi ứng dụng cùng cơ sở dữ liệu vận hành phải được đặt tại hạ tầng nội bộ hoặc trong tài khoản đám mây được quản lý chặt, nhưng nguyên mẫu lại được phát triển trên nền tảng cơ sở dữ liệu đám mây.
Trong tổ chức trưởng thành, khối lượng công việc AI được xử lý nghiêm ngặt như các hệ thống khác chịu sự điều chỉnh của quy định. Điều đó nghĩa là ghi nhật ký nhất quán, kiểm soát truy cập nghiêm ngặt, giám sát liên tục và cơ cấu trách nhiệm rõ ràng giữa các nhóm. Cũng cần phối hợp chặt chẽ hơn giữa kỹ thuật dữ liệu, kỹ thuật nền tảng, bảo mật và tuân thủ ngay từ đầu, không phải bổ sung sau.
Lợi ích không dừng ở giảm rủi ro. Tổ chức còn có chu kỳ triển khai nhanh hơn, ít sự cố vận hành hơn và niềm tin nội bộ lớn hơn vào AI. Trong bối cảnh này, mở rộng AI phụ thuộc ít hơn vào đổi mới mô hình và nhiều hơn vào độ trưởng thành của hạ tầng.
Quản trị là yêu cầu bắt buộc về kiến trúc
Cuối cùng, thảo luận về quản trị AI cần vượt khỏi chính sách để đi vào kiến trúc.
Quản trị thường được xem là chức năng giám sát, nhưng trên thực tế được thực thi qua hệ thống quyết định cách dữ liệu được truy cập và sử dụng. Cơ sở dữ liệu không chỉ là lớp lưu trữ, mà là điểm kiểm soát bảo mật, tuân thủ và tính toàn vẹn hoạt động trong toàn bộ hệ thống công nghệ AI.
Khi AI tích hợp sâu hơn vào quy trình doanh nghiệp, tầm quan trọng của điểm kiểm soát này tăng rõ rệt. Mọi tương tác giữa mô hình và dữ liệu doanh nghiệp đều trở thành sự kiện thuộc phạm vi quản trị, dù tổ chức có chủ ý thiết kế như vậy hay không.
Bằng cách ưu tiên quản trị bắt đầu từ hạ tầng, trước hết ở lớp cơ sở dữ liệu, doanh nghiệp có thể xóa bỏ khoảng cách giữa thí điểm và vận hành thực tế. Nhờ đó, AI chuyển từ thử nghiệm riêng lẻ thành năng lực bền vững, có thể mở rộng và tích hợp trong toàn tổ chức.












