Quản lý AI Không Phải Là Vấn Đề Của Ban Điều Hành. Đó Là Vấn Đề Của Cơ Sở Dữ Liệu.

Tốc độ thí nghiệm AI trong các doanh nghiệp chưa bao giờ nhanh như hiện nay, nhưng con đường đến sản xuất vẫn còn chậm chạp. Các đội đang xây dựng các dự án thí điểm, thử nghiệm các mô hình và chứng minh kết quả đầy hứa hẹn trong vài tuần, đôi khi chỉ trong vài ngày. Nhưng khi đến thời điểm triển khai các hệ thống đó trên quy mô lớn, tiến độ thường bị chậm lại. Các vấn đề về bảo mật xuất hiện, các yêu cầu tuân thủ trở nên nghiêm ngặt hơn và các câu hỏi về quản lý tăng lên.

MIT’s The GenAI Divide: State of AI in Business 2025 đã phát hiện ra rằng 95% các dự án thí điểm AI của doanh nghiệp không mang lại tác động kinh doanh có thể đo lường. Chỉ 5% đạt đến sản xuất và tạo ra lợi nhuận tài chính thực sự. Nghiên cứu bao gồm hơn 300 lần triển khai AI và 150 cuộc phỏng vấn điều hành và kết luận cho biết rào cản chính không phải là khả năng của mô hình. Đó là sự tích hợp doanh nghiệp bị lỗi. Hầu hết các tổ chức coi đó là một vấn đề chính sách cần được giải quyết ở cấp điều hành. Tôi sẽ lập luận rằng quản lý AI là một thách thức về hệ thống và nó bắt đầu từ lớp dữ liệu.

Tại Sao Các Dự Án AI Đình Trệ Ở Giai Đoạn Thí Điểm

Nhiều sáng kiến AI thất bại vì môi trường được sử dụng để tạo nguyên mẫu của chúng cơ bản không phù hợp với thực tế của việc triển khai doanh nghiệp. Các nhà phát triển được khuyến khích di chuyển nhanh, tận dụng các công cụ linh hoạt, các tập dữ liệu được quản lý lỏng lẻo và cơ sở hạ tầng tự phục vụ để chứng minh giá trị càng nhanh càng tốt. Điều này lý tưởng cho thí nghiệm – nhưng nó không chuyển thành các môi trường sản xuất đòi hỏi khả năng kiểm toán, kiểm soát truy cập nghiêm ngặt, tuân thủ quy định và khả năng phục hồi hoạt động.

Kết quả là, quản lý thường được giới thiệu chỉ sau khi một概念 thành công. Tại thời điểm đó, những gì nên là một lớp cho phép trở thành một hạn chế – buộc các đội phải sửa đổi các mô hình bảo mật, tái thiết kế các luồng dữ liệu và tái làm việc các giả định về tuân thủ mà lẽ ra phải là nền tảng từ đầu.

Điều này tạo ra một khoảng cách ngày càng tăng giữa những gì các hệ thống AI có thể chứng minh trong các môi trường được kiểm soát và những gì các doanh nghiệp có thể triển khai một cách an toàn và đáng tin cậy trong sản xuất.

Đồng thời, ngăn xếp AI hiện đại đã phát triển để ưu tiên tốc độ và khả năng tiếp cận, thường với chi phí của kiểm soát. Các nền tảng thân thiện với nhà phát triển khiến việc thí điểm trở nên dễ dàng, nhưng chúng có thể che giấu nơi dữ liệu sống, cách nó được sử dụng và ai có quyền truy cập vào nó.

Điều này giới thiệu các rủi ro hoạt động và quy định thực sự, bao gồm việc暴露 dữ liệu vô tình, ranh giới dữ liệu không rõ ràng giữa các môi trường và khả năng kiểm toán không đủ của hành vi hệ thống. Các vấn đề này xuất hiện trực tiếp trong các đánh giá sẵn sàng sản xuất và đánh giá tuân thủ. Các cuộc khảo sát doanh nghiệp nhất quán cho thấy các vấn đề về chất lượng dữ liệu và quản lý là một trong những nguyên nhân hàng đầu của các dự án AI thất bại, được trích dẫn trong 60-70% trường hợp. Vấn đề này được khuếch đại bởi sự phụ thuộc ngày càng tăng vào cơ sở hạ tầng của bên thứ ba và các dịch vụ cơ sở dữ liệu được quản lý, điều này có thể làm phân mảnh quyền sở hữu dữ liệu và phức tạp hóa sự tuân thủ quy định. Trong nhiều trường hợp, các tổ chức cho rằng quản lý được xử lý ngầm bởi các nền tảng, khi thực tế trách nhiệm được phân phối trên nhiều lớp của ngăn xếp.

Kết quả là một nghịch cảnh. Các công cụ tăng tốc thí nghiệm AI thường là những công cụ cùng giới thiệu ma sát tại thời điểm sản xuất.

Cơ Sở Dữ Liệu Là Lớp Quản Lý Thực Sự

Để giải quyết sự không phù hợp này, cần phải suy nghĩ lại nơi quản lý thực sự xảy ra.

Quản lý thường được định vị như một chức năng chính sách, được định nghĩa bởi các nhóm pháp lý, tuân thủ hoặc điều hành và được thực thi thông qua tài liệu và các quy trình xem xét. Mặc dù điều này là cần thiết, nhưng các cơ chế này là không đủ trên riêng chúng. Quản lý chỉ trở nên có ý nghĩa khi nó được thực thi ở cấp độ hệ thống.

Trên thực tế, việc thực thi đó xảy ra ở nơi dữ liệu được lưu trữ, truy cập và biến đổi. Điều này làm cho cơ sở dữ liệu và cơ sở hạ tầng dữ liệu xung quanh trở thành lớp quản lý quan trọng nhất trong ngăn xếp AI.

Các cơ sở dữ liệu hiện đại không phải là các kho lưu trữ bị động. Chúng định nghĩa các quyền truy cập, thực thi các yêu cầu về nơi cư trú của dữ liệu, quản lý mã hóa và kiểm soát khóa, và tạo ra các nhật ký kiểm toán cần thiết cho giám sát bảo mật và tuân thủ. Ngày càng nhiều, chúng cũng đóng vai trò là điểm kiểm soát mà qua đó các hệ thống AI tương tác với dữ liệu doanh nghiệp.

Điều này quan trọng vì các hệ thống AI kế thừa tư thế quản lý của cơ sở hạ tầng dữ liệu mà chúng phụ thuộc vào. Nếu lớp cơ sở dữ liệu cơ bản thiếu cấu trúc, kiểm soát hoặc khả năng hiển thị, những điểm yếu đó sẽ truyền trực tiếp vào các hệ thống AI được xây dựng trên nó. Không có chính sách cấp ứng dụng nào có thể bù đắp đầy đủ cho một nền tảng dữ liệu không được quản lý.

Điều này dẫn đến một sự thay đổi kiến trúc rộng lớn hơn: quản lý phải được nhúng vào cơ sở hạ tầng từ đầu, không phải là một lớp được thêm vào sau khi triển khai. Một cách tiếp cận cơ sở hạ tầng trước cho AI có nghĩa là thiết kế các hệ thống mà quản lý là một thuộc tính được xây dựng sẵn chứ không phải là một hạn chế bên ngoài. Truy cập dữ liệu được trung gian bởi các giao diện được kiểm soát. Các truy vấn và tương tác hệ thống được ghi nhật ký theo mặc định. Các quy tắc tuân thủ, chẳng hạn như các hạn chế truy cập, chính sách lưu giữ và yêu cầu về nơi cư trú, được thực thi ở cấp độ hệ thống chứ không phải thông qua giám sát thủ công hoặc xác nhận sau.

Điều này đòi hỏi các mẫu kiến trúc như các lớp trung gian truy vấn an toàn, kiểm soát truy cập dựa trên chính sách và khả năng quan sát tập trung trên các môi trường dữ liệu phân tán. Các cơ chế này đảm bảo rằng quản lý được thực thi liên tục chứ không phải được kiểm tra định kỳ.

Sự khác biệt giữa quản lý chủ động và phản ứng là cơ bản. Các phương pháp phản ứng cố gắng sửa chữa các vấn đề sau khi các hệ thống được xây dựng và triển khai. Các phương pháp chủ động ngăn chặn các vấn đề đó xảy ra từ đầu bằng cách nhúng các kiểm soát trực tiếp vào kiến trúc hệ thống.

Trong các môi trường AI, sự khác biệt này quyết định liệu các hệ thống có thể mở rộng hay bị đình trệ.

Khi Các Đại Diện Nhập Cảnh

Các đại diện tự động thay đổi phương trình quản lý theo cách mà hầu hết các tổ chức không sẵn sàng. Một đại diện không chỉ đọc dữ liệu. Nó viết nó, kích hoạt các hành động trên các hệ thống và thực hiện cả hai mà không có một người trong vòng lặp.

Điều đó thay đổi hoàn toàn chế độ thất bại. Một truy vấn không được quản lý tốt trả về một câu trả lời sai. Một đại diện không được quản lý tốt sau đó hành động trên câu trả lời sai đó, cập nhật hồ sơ, kích hoạt các luồng công việc hạ nguồn, truyền bá quyết định trên các hệ thống trước khi ai đó nhận ra điều gì đó đã đi sai.

Điều này là lý do tại sao các rào cản không thể sống ở lớp ứng dụng. Một đại diện hoạt động trên nhiều hệ thống sẽ luôn tìm thấy con đường ít kháng cự nhất. Kiểm soát phải được thực thi ở lớp dữ liệu, nơi mọi đọc và viết được trung gian và ghi nhật ký bất kể điều gì kích hoạt nó.

Gartner dự đoán hơn 40% dự án AI đại diện sẽ bị chậm lại hoặc hủy bỏ về các vấn đề quản lý và độ tin cậy. Con số đó có vẻ thấp, vì nó giả định các tổ chức chính xác xác định quản lý là nguyên nhân, chứ không phải là do mô hình hoặc công cụ. Nguyên nhân gốc rễ thường không thể thấy được cho đến khi nó trở nên tốn kém.

Từ Thí Nghiệm Đến AI Sẵn Sàng Sản Xuất

Các tổ chức thành công trong việc di chuyển AI từ thí nghiệm đến sản xuất thường chia sẻ đặc điểm chung là căn chỉnh các môi trường phát triển và sản xuất của họ sớm.

Thay vì cho phép các hệ thống thí nghiệm trôi dạt khỏi các hạn chế sản xuất, họ thiết kế cả hai môi trường với các nguyên tắc quản lý, bảo mật và truy cập dữ liệu nhất quán. Điều này giảm thiểu ma sát sau này trong chu kỳ sống khi các mô hình chuyển từ nguyên mẫu sang các khối lượng công việc sản xuất.

Sự căn chỉnh này ngày càng quan trọng vì hầu hết các doanh nghiệp vẫn thiếu cơ sở hạ tầng AI sản xuất trưởng thành. Các khoảng trống dai dẳng vẫn còn trong truy cập dữ liệu an toàn, giám sát, khả năng quan sát và thực thi tuân thủ. Những khoảng trống này không bị cô lập – chúng là các thách thức cấu trúc xuất hiện khi AI được mở rộng vượt ra ngoài các môi trường thí điểm vào các luồng công việc quan trọng.

Một sự không phù hợp khác giữa nguyên mẫu và sản xuất xảy ra khi các ứng dụng và cơ sở dữ liệu sản xuất cần được lưu trữ tại chỗ hoặc trong các tài khoản đám mây được quản lý chặt chẽ, nhưng các nguyên mẫu đã được phát triển trên các nền tảng cơ sở dữ liệu dựa trên đám mây.

Trong các tổ chức trưởng thành, các khối lượng công việc AI được đối xử với cùng mức độ nghiêm khắc như các hệ thống được quản lý khác. Điều đó có nghĩa là ghi nhật ký nhất quán, kiểm soát truy cập nghiêm ngặt, giám sát liên tục và các cấu trúc trách nhiệm rõ ràng trên các đội. Điều này cũng đòi hỏi sự căn chỉnh chặt chẽ hơn giữa các chức năng kỹ sư dữ liệu, kỹ sư nền tảng, bảo mật và tuân thủ từ đầu, không phải là một suy nghĩ sau.

Lợi ích của cách tiếp cận này vượt ra ngoài việc giảm rủi ro. Các tổ chức cũng trải qua các chu kỳ triển khai nhanh hơn, ít thất bại sản xuất và sự tự tin nội bộ lớn hơn trong các hệ thống AI. Trong bối cảnh này, việc mở rộng AI ít liên quan đến đổi mới mô hình và nhiều hơn về sự trưởng thành của cơ sở hạ tầng.

Quản Lý Là Một Yêu Cầu Kiến Trúc

Cuối cùng, cuộc trò chuyện xung quanh quản lý AI cần phải di chuyển vượt ra ngoài các chính sách và vào kiến trúc.

Quản lý thường được đối xử như một chức năng giám sát, nhưng trên thực tế, nó được thực thi thông qua các hệ thống định nghĩa cách dữ liệu được truy cập và sử dụng. Cơ sở dữ liệu không chỉ là một lớp lưu trữ, mà là điểm kiểm soát cho bảo mật, tuân thủ và tính toàn vẹn hoạt động trên toàn bộ ngăn xếp AI.

Khi AI trở nên sâu sắc hơn trong các luồng công việc doanh nghiệp, tầm quan trọng của điểm kiểm soát này tăng lên đáng kể. Mỗi tương tác giữa một mô hình và dữ liệu doanh nghiệp trở thành một sự kiện được quản lý, cho dù các tổ chức có thiết kế rõ ràng cho nó hay không.

Bằng cách ưu tiên quản lý cơ sở hạ tầng trước, bắt đầu từ lớp cơ sở dữ liệu, các doanh nghiệp có thể đóng khoảng cách giữa thí điểm và sản xuất. Bằng cách này, họ chuyển AI từ thí nghiệm cô lập thành một khả năng bền vững, có thể mở rộng được nhúng trên toàn tổ chức.