Không phải mô hình, mà là quản trị dữ liệu và suy luận
Quản trị dữ liệu AI trong bối cảnh enterprise là tập hợp các chính sách, cấu trúc hạ tầng và quyết định vận hành nhằm kiểm soát cách dữ liệu được thu thập, chuẩn hóa, diễn giải và sử dụng tại tầng suy luận, để đảm bảo hệ thống AI đưa ra khuyến nghị đáng tin cậy, có thể kiểm toán và không bị khóa chặt vào logic độc quyền của nhà cung cấp. Ở tầng này, câu hỏi không còn là mô hình có chạy được hay không, mà là tổ chức có thể tin vào những gì hệ thống đang làm đến mức nào.
Nhiều CIO vẫn tin rằng thất bại dự án enterprise AI đến từ việc chọn sai mô hình hay cloud, trong khi thực tế điểm gãy nằm ở tầng suy luận và quản trị dữ liệu. Một báo cáo cho thấy 95% sáng kiến AI tạo sinh không mang lại tác động P&L đáng kể, còn một thống kê khác chỉ ra 95% dự án enterprise AI không mang lại gì. Đây không phải trùng hợp; đó là dấu hiệu của một lỗ hổng kiến trúc: doanh nghiệp đang để người khác định nghĩa dữ liệu của mình có nghĩa gì, rồi ngạc nhiên khi AI không đi theo chiến lược của họ.
Agentic AI và cái bẫy dữ liệu “tạm được”
Agentic AI khác hẳn lớp AI tạo sinh chỉ tóm tắt tài liệu hay trả lời câu hỏi. Nó được giao mục tiêu, tự tách mục tiêu thành các bước, gọi dữ liệu từ nhiều hệ thống, rồi thực hiện hành động trong vận hành. Trong các ngành tài sản nặng, các đội hiện phải nhảy qua hàng loạt hệ thống, bảng tính và email chỉ để ra một quyết định vận hành; Agentic AI hứa hẹn cắt ma sát này, nhưng cái giá phải trả là độ nhạy với chất lượng dữ liệu tăng vọt.
Điểm khác biệt quan trọng: AI tạo sinh có thể “sống chung” với dữ liệu kém, bởi hậu quả thường dừng ở một câu trả lời kém tiện dụng. Agentic AI thì không. Trong tiện ích, vận tải, khai thác, viễn thông và sản xuất, một agent chỉ tốt bằng dữ liệu tài sản tin cậy mà nó sử dụng. Dữ liệu thiếu, lỗi thời hoặc không nhất quán không làm hệ thống dừng lại; nó làm hệ thống thất bại một cách tự tin, đề xuất bảo trì trên sai tài sản, bỏ qua phụ thuộc, đánh giá thấp rủi ro hoặc ưu tiên sai việc cần làm. Nói cách khác, dữ liệu không tốt trở thành mắt xích yếu nhất trong chuỗi giá trị AI: nó không mở rộng trí tuệ, nó mở rộng rủi ro vận hành.
Tầng suy luận: nơi doanh nghiệp mất quyền quản trị dữ liệu AI
Từ góc nhìn kiến trúc, quản trị dữ liệu AI không dừng ở kho dữ liệu hay vector store; nút cổ chai nằm ở tầng suy luận – lớp quyết định chạy mô hình ở đâu, agent nào xử lý tác vụ, tuyến giữa các mô hình và ghi nhận chứng cứ nào. Đây là “control surface” quyết định doanh nghiệp giữ được hay mất quyền quản trị có ý nghĩa đối với AI, hay vô hình chung nhượng nó cho vendor.
Keith Townsend đã học bài học này bằng trải nghiệm đau đớn: ông chuyển một hệ thống AI production từ Google Cloud sang hạ tầng on‑prem NVIDIA DGX Spark để đo chi phí rời nền tảng. Dữ liệu được di chuyển xong trong một buổi chiều, nhưng phần “judgment” mất hàng tuần để dựng lại. Embedding, logic truy xuất, quan hệ ngữ nghĩa – toàn bộ tầng suy luận không hề “portable”. Tất cả thứ nằm dưới tầng này có thể mang đi; còn lớp quyết định ý nghĩa dữ liệu thì bị khóa chặt bởi vendor. Nếu tổ chức không biết ai nắm quyền quyết định tại tầng suy luận, họ không có chiến lược AI của mình; họ đang vận hành chiến lược của người khác.
Từ quản trị trên giấy đến điều khiển thực trong hệ thống
Một sai lầm phổ biến của CTO là biến quản trị dữ liệu AI thành bộ tài liệu chính sách trừu tượng, trong khi tầng suy luận – nơi chính sách phải được “compile” thành hành vi hệ thống – lại nằm trong tay vendor. Khung quản lý rủi ro AI của một cơ quan chuẩn hóa cung cấp cấu trúc để đưa yếu tố tin cậy vào toàn bộ vòng đời hệ thống AI, thay vì xử lý hậu kiểm sau triển khai. Nhưng nếu policy, escalation, bằng chứng và quyền quyết định nằm trong code đóng của nền tảng, khung nào cũng chỉ là lý thuyết.
Trong thực tế vận hành, thiếu quản trị dữ liệu AI nội bộ dẫn tới những quyết định vật lý không an toàn. Một agent ưu tiên bảo trì dựa trên bản ghi lỗi thời có thể tạo việc không cần thiết ở một khu vực, đồng thời bỏ qua rủi ro lớn hơn ở nơi khác. Khi mô hình quan hệ tài sản sai – thiết bị nào kết nối với thiết bị nào, cần cách ly gì trước khi làm việc – khuyến nghị của AI có thể trở nên nguy hiểm. Đó là lý do, ít nhất ban đầu, mục tiêu nên là AI hỗ trợ quyết định chứ không tự ra quyết định, và AI phải vận hành trong quy trình quản trị hiện có, không đi vòng qua chúng.
Lộ trình cho CTO: dữ liệu tài sản tin cậy trước, agentic sau
Nếu 95% sáng kiến AI tạo sinh chưa tạo ra tác động P&L và 95% dự án enterprise AI “không mang lại gì”, thì câu trả lời không thể là thêm công cụ mới. Chiến lược hợp lý cho CTO là xoay trục sang dữ liệu tài sản tin cậy và kiến trúc quản trị rõ ràng. Một nền tảng quản lý tài sản doanh nghiệp mạnh cung cấp cho agent dữ liệu vận hành đủ chính xác, cập nhật và được quản lý tốt để AI thực sự hỗ trợ người ra quyết định – dù dữ liệu hiếm khi hoàn hảo.
Thay vì mở một chương trình “làm sạch dữ liệu” vô tận, hãy chọn một use case cụ thể như lập kế hoạch bảo trì hỗ trợ AI, rồi đặt các câu hỏi dữ liệu nhắm mục tiêu: bảng nào, trường nào, quy tắc nào phải đáng tin trước khi giao việc cho agent. Tự chủ của AI nên tăng dần theo mức độ hiểu và kiểm soát rủi ro: chỉ khi kết quả đã rõ, có thể kiểm toán, doanh nghiệp mới nên trao thêm quyền quyết định cho agent. Đó không phải là con đường hào nhoáng nhất, nhưng là con đường duy nhất để enterprise AI trở thành tài sản, thay vì một khoản chi tốn kém cho vendor.
