Mở rộng AI không đồng nghĩa với việc mỗi lần đều phải xây dựng lại nền tảng dữ liệu

Mùa lập kế hoạch năm 2027 sắp đến với các doanh nghiệp, và các khoản đầu tư vào AI một lần nữa trở thành chủ đề hàng đầu trong các cuộc thảo luận của ban lãnh đạo cấp cao. Khảo sát gần đây của Akeneo với các nhà hoạch định quyết định công nghệ thông tin cho thấy 93% cho biết AI giúp tăng năng suất, nhưng 43% nói rằng AI cũng khiến họ phải đảm nhận thêm trách nhiệm mới.

Những phát hiện này cho thấy cần phải chuẩn bị rất nhiều để đưa các dự án AI vào thực tiễn. Đặc biệt, việc chuẩn bị dữ liệu chiếm một phần đáng kể trong khối lượng công việc đó. Trong số các lãnh đạo công nghệ thông tin được Akeneo khảo sát, 36% cho biết tổ chức của họ dành hơn một nửa tổng công sức cho một dự án AI để chuẩn bị dữ liệu. Thêm 53% cho biết họ dành từ 26% đến 50% công sức của dự án AI cho việc chuẩn bị dữ liệu. Dù công đoạn chuẩn bị này là cần thiết, cơ hội nằm ở việc bảo đảm công việc đã thực hiện cho một lần triển khai AI có thể được tái sử dụng để hỗ trợ lần tiếp theo.

AI có thể loại bỏ công việc ở một bộ phận trong doanh nghiệp, đồng thời tạo ra một loạt nhiệm vụ khác cho các nhóm công nghệ thông tin khi họ chuẩn bị dữ liệu và tái tạo ngữ cảnh cho mỗi lần triển khai mới. Cơ hội hiện nay là làm sao để có thể tái sử dụng nhiều hơn những công việc đó, nhờ vậy mỗi lần triển khai đều kế thừa lần trước thay vì bắt đầu lại từ đầu.

Ngữ cảnh do con người cung cấp là trọng tâm của AI

Con người vẫn giữ vai trò trung tâm trong mọi thử nghiệm và triển khai AI. Các nhóm công nghệ thông tin tham gia xuyên suốt vòng đời của công nghệ mới, từ tìm hiểu nhu cầu kinh doanh và đánh giá giải pháp đến triển khai, đào tạo, xây dựng quy trình và bảo đảm an ninh liên tục. Theo thời gian, các nhóm có thể không ghi lại những trường hợp ngoại lệ và quy tắc bất thành văn mà họ gặp phải, trong đó có những trường hợp cùng một thuật ngữ được định nghĩa khác nhau giữa các hệ thống. Ngữ cảnh đó thường trở thành tri thức nội bộ chỉ một số thành viên trong nhóm nắm giữ, thay vì thông tin mà toàn tổ chức có thể tin cậy để truy cập.

Công việc này có thể kéo dài cho đến khi người biết câu trả lời không còn sẵn sàng hỗ trợ. Khi nhân viên chuyển sang vai trò khác, rời khỏi tổ chức hoặc đơn giản là không có mặt lúc vấn đề phát sinh, ngữ cảnh sẽ mất đi. Ghi lại tri thức đó theo một cấu trúc có thể truy cập bằng phương tiện số giúp nhiều người khác ngoài cá nhân nắm giữ tri thức ấy cũng có thể sử dụng. Cách làm này còn giúp từng nhóm duy trì quyền làm chủ chuyên môn của mình, đồng thời bảo đảm tri thức có thể được truy cập và tái sử dụng trên toàn tổ chức, thay vì phải tìm lại từ đầu mỗi khi triển khai mới.

Dữ liệu tốt chưa hẳn đã sẵn sàng cho AI

Ta dễ cho rằng tất cả những vấn đề này chỉ là một vấn đề khác về chất lượng dữ liệu, nhưng nghiên cứu của Akeneo cho thấy vấn đề phức tạp hơn. 92% lãnh đạo công nghệ thông tin đánh giá dữ liệu sản phẩm và dữ liệu vận hành mà hệ thống AI của họ sử dụng là tốt hoặc xuất sắc. Mặc dù đại đa số dành hơn một phần tư tổng công sức của dự án AI để chuẩn bị dữ liệu.

Dữ liệu tốt không bảo đảm rằng dữ liệu đã sẵn sàng cho AI, nhất là vì điều được xem là “tốt” có thể phụ thuộc vào đối tượng hoặc hệ thống sử dụng dữ liệu đó. Mô hình và tác nhân AI cần nhiều hơn là thông tin chính xác. Chúng cần hiểu dữ liệu đến từ đâu, liên quan thế nào đến những thông tin khác, nguồn nào được ưu tiên và có thể sử dụng dữ liệu trong những điều kiện nào. Những quy tắc này dễ bị bỏ qua vì thường chỉ được ngầm hiểu trong cách làm việc của các nhóm giàu kinh nghiệm.

Nghiên cứu gần đây của McKinsey về mức độ sẵn sàng của dữ liệu cho AI cũng nhấn mạnh vai trò tương tự của ngữ cảnh. Không phải thông tin nào cũng có giá trị đối với mô hình hoặc tác nhân AI. Nhưng khi thông tin có giá trị, ngữ cảnh của nó phải có thể được truyền tải. Khi thông tin rời khỏi nguồn ban đầu, nguồn gốc và mối liên hệ của nó với dữ liệu xung quanh phải vẫn rõ ràng để ý nghĩa không bị mất đi.

Đây là lúc kiến trúc đằng sau AI bắt đầu quan trọng không kém gì bản thân mô hình. Khác với phần mềm truyền thống, mô hình ngôn ngữ lớn (LLM) thường có thể xử lý dữ liệu phân mảnh và các hệ thống không kết nối với nhau, ngay cả khi thông tin được cấu trúc hoặc gắn nhãn theo những cách khác nhau giữa các nguồn. Chúng có thể nhận diện những mối liên hệ chưa từng được xác định rõ ràng trước đó. Thách thức lớn hơn là dữ liệu hoàn toàn không tồn tại. Khi mô hình và tác nhân AI hoạt động trên nhiều hệ thống, trước hết thông tin và ngữ cảnh mà chúng cần phải tồn tại và có thể truy cập được.

Nghiên cứu năm 2026 của PwC về khoảng cách trong triển khai AI cho thấy tích hợp vẫn là lý do hàng đầu khiến các khoản đầu tư công nghệ không đạt kỳ vọng. Việc kết nối một mạng lưới rộng lớn gồm dữ liệu phi cấu trúc cần có thời gian, thường làm chậm các dự án trước khi chúng được triển khai đầy đủ.

Công việc cần thiết để giải quyết những vấn đề đó trong một lần triển khai có thể giúp lần triển khai tiếp theo trở nên dễ dàng hơn.

Xây dựng hạ tầng AI có thể tái sử dụng

Trong một dự án AI, phần lớn công đoạn chuẩn bị đó có thể diễn ra ở hậu trường. Các nhóm công nghệ thông tin khắc phục những điểm không nhất quán, chuẩn bị thông tin mà ứng dụng cần và tích hợp ứng dụng với các hệ thống khác để đưa dự án vào vận hành thực tế.

Vấn đề nảy sinh khi công việc đó chỉ giải quyết nhu cầu trước mắt. Chuẩn bị dữ liệu luôn là một phần của quá trình triển khai AI, nhưng phần lớn công sức bỏ ra nên được tận dụng cho những lần sau. Nếu một nhóm phát hiện cùng một trường dữ liệu hoặc thuật ngữ có ý nghĩa khác nhau giữa hai hệ thống, việc giải quyết sự mơ hồ đó nên tạo ra một định nghĩa để các ứng dụng trong tương lai có thể tái sử dụng. Nếu nhóm xác định được nên tin cậy nguồn nào khi các hệ thống đưa ra thông tin không nhất quán, quyết định đó nên tiếp tục được áp dụng trong các lần triển khai sau.

Nguyên tắc tương tự cũng áp dụng cho các hoạt động tích hợp. Thay vì tạo một lối kết nối mới đến sản phẩm và thông tin cho mỗi mô hình hoặc tác nhân, các tổ chức nên thiết lập những phương thức nhất quán để các hệ thống AI tìm kiếm và sử dụng thông tin đáng tin cậy.

Lần triển khai đầu tiên vẫn có thể đòi hỏi nhiều công sức, bởi các nhóm phải làm rõ những định nghĩa, mối quan hệ và trường hợp ngoại lệ vốn trước đây chỉ tồn tại trong kinh nghiệm của mọi người. Nỗ lực đó có thể tiếp tục phát huy tác dụng khi tri thức tổ chức ngày càng trở thành một phần trong hạ tầng của tổ chức. Các đợt triển khai tiếp theo có thể hưởng lợi từ công việc này; mức độ hưởng lợi tùy thuộc vào mức độ tương đồng giữa dữ liệu và các trường hợp sử dụng của chúng.

Điều này ngày càng quan trọng khi AI không chỉ tạo ra câu trả lời mà còn bắt đầu thực hiện hành động trên các hệ thống doanh nghiệp. Sáng kiến Tiêu chuẩn Tác nhân AI của NIST nhấn mạnh tầm quan trọng của việc các tác nhân có thể tương tác an toàn với dữ liệu nội bộ và các hệ thống bên ngoài. Khi đảm nhận thêm trách nhiệm và tương tác với nhiều hệ thống, mô hình hơn, các tổ chức cần bảo đảm thiết lập đúng ngữ cảnh và cơ chế kiểm soát cho từng trường hợp sử dụng mà không phải bắt đầu lại hoàn toàn.

Quản trị phải trở thành một phần của môi trường

Hạ tầng có thể tái sử dụng cũng đòi hỏi cơ chế quản trị có thể tái sử dụng. Khảo sát tháng 9 năm 2026 của EY về rủi ro và quản trị AI cho thấy 91% lãnh đạo cấp cao về AI cho biết tổ chức của họ đang thí điểm hoặc triển khai AI tác nhân, nhưng 49% số người trả lời thuộc các tổ chức sử dụng tác nhân cho biết khuôn khổ quản trị hiện hành của tổ chức họ chưa được cập nhật cụ thể để đáp ứng các yêu cầu và rủi ro của AI tác nhân.

Khi AI đảm nhận nhiều trách nhiệm hơn trong một quy trình kinh doanh, các quy tắc chi phối quy trình đó phải trở thành một phần của môi trường vận hành AI. Tác nhân có thể tự truy cập một số thông tin, trong khi ở những khâu khác của quy trình, cần có người xem xét hoặc phê duyệt trước khi tác nhân có thể tiếp tục. Những quyết định đó không thể chỉ nằm trong một tài liệu chính sách hoặc trong hiểu biết của ai đó về cách quy trình đáng lẽ phải vận hành.

Các quyết định về quản trị cần vượt ra ngoài phạm vi đánh giá nội bộ và được đưa vào các hệ thống mà AI vận hành. Các chính sách, quyền hạn và điểm cần phê duyệt định hướng hoạt động của hệ thống phải được xác định ngay trong quá trình triển khai. Nếu những biện pháp kiểm soát đó không được tích hợp vào hệ thống, các nhóm sẽ buộc phải diễn giải lại chính sách và quyền hạn mỗi khi triển khai một trường hợp sử dụng AI mới.

Chuẩn bị cho làn sóng AI tiếp theo

Khi các doanh nghiệp đưa ngân sách AI ngày càng tăng vào sử dụng trong năm 2027, các nhóm CNTT sẽ chịu trách nhiệm quản lý ngày càng nhiều mô hình, hoạt động tích hợp và hệ thống. Thách thức lớn hơn sẽ là liệu các tổ chức có xây dựng được hạ tầng đủ khả năng hỗ trợ những gì sắp tới hay không.

Nếu các nhóm vẫn phải làm rõ những định nghĩa cũ, xây dựng lại những kết nối cũ và diễn giải lại những quy tắc cũ, AI có thể đang mở rộng nhanh hơn hạ tầng cần thiết để hỗ trợ nó.

Điều đó mở ra một cách nhìn khác về mức độ sẵn sàng cho AI. Không nên chỉ đo lường tiến độ bằng số lượng mô hình hoặc tác nhân được đưa vào vận hành thực tế, mà còn phải xem mỗi lần triển khai có giúp doanh nghiệp chuẩn bị tốt hơn cho lần tiếp theo hay không.

AI đã giúp đẩy nhanh các công việc riêng lẻ. Bước tiến tiếp theo về năng suất sẽ đến từ việc giúp những công việc làm nền tảng cho các hệ thống đó dễ dàng được tái sử dụng hơn. AI ngày càng được tích hợp sâu hơn vào các quy trình kinh doanh, khiến nhiều hệ thống hơn cần dựa vào cùng một nền tảng dữ liệu. Xây dựng nền tảng đó ngay từ bây giờ sẽ quyết định mức độ dễ dàng mà các tổ chức có thể đưa thế hệ AI tiếp theo vào sử dụng.