AI ứng dụng kinh doanh: từ khái niệm công nghệ đến công cụ giải quyết điểm nghẽn
AI ứng dụng kinh doanh là cách doanh nghiệp dùng trí tuệ nhân tạo để xử lý dữ liệu, tự động hóa quy trình và hỗ trợ ra quyết định, với mục tiêu trực tiếp là giải những điểm nghẽn hiện tại thay vì chạy theo các mô hình mới chỉ để thử nghiệm công nghệ. Thay vì xem AI như “công nghệ tương lai”, các chuyên gia đang coi nó là một lớp năng lực gắn chặt với bài toán cụ thể: dữ liệu phi cấu trúc, hệ thống legacy, quy trình nhiều thao tác thủ công hay những khối dữ liệu lớn chưa được chuyển hóa thành insight phục vụ quyết định. Nếu không bắt đầu từ vấn đề kinh doanh, mọi dự án AI đều có nguy cơ trở thành một bản demo ấn tượng nhưng vô dụng với người dùng cuối.
Chính vì vậy, cách tiếp cận AI-First được TS. Nguyễn Như Khoa – chuyên gia tư vấn Trí tuệ nhân tạo tại FPT Digital – diễn giải rất khác với trào lưu “đưa AI vào mọi thứ” đang thịnh hành. Với anh, câu hỏi đầu tiên không phải là chọn mô hình nào, mà là: “Điểm nghẽn thực sự của doanh nghiệp là gì và AI có phải cách tốt nhất để giải quyết nó không?”. Cách đặt vấn đề này buộc doanh nghiệp phải nhìn lại quy trình, dữ liệu và hệ thống trước khi nghĩ đến việc mua thêm một công cụ AI. Khi đó, AI không còn là món đồ trang trí cho chiến lược chuyển đổi số doanh nghiệp, mà là một thành phần gắn với KPI, chi phí và trải nghiệm người dùng.
Hành trình của TS. Nguyễn Như Khoa: đưa AI ra khỏi phòng lab
Câu chuyện của TS. Nguyễn Như Khoa cho thấy khoảng cách giữa phòng lab và đời sống doanh nghiệp lớn đến mức nào – và có thể được thu hẹp ra sao. Tốt nghiệp Tiến sĩ chuyên ngành Xử lý ngôn ngữ tự nhiên tại Đại học La Rochelle, Pháp, anh có hơn 8 năm gắn bó với AI, dữ liệu và các bài toán khai thác nguồn thông tin lớn như tin tức, truyền thông, mạng xã hội. Nhưng thay vì tiếp tục tích lũy thêm các công trình khoa học, Khoa chọn quay về Việt Nam, gia nhập FPT Digital từ nửa cuối năm 2024 với một mục tiêu rất rõ: “Tôi luôn muốn những nghiên cứu đó không chỉ dừng ở bài báo hay phòng lab mà thực sự được đưa vào giải quyết các bài toán của doanh nghiệp”.
Ở FPT, Khoa không đi tìm những bài toán có sẵn đáp án, mà lao vào những vùng xám: dữ liệu phi cấu trúc, hệ thống legacy, quy trình nhiều thao tác thủ công, những kho dữ liệu lớn chưa được chuyển hóa thành insight phục vụ quyết định. Anh không chạy theo mọi mô hình mới hay những benchmark ấn tượng, mà quan tâm đến cách con người đang sử dụng công nghệ và khả năng chuyển hóa nó thành giá trị thực tế. Theo anh, theo kịp AI mới chỉ là điều kiện cần; bài toán khó hơn là biến tốc độ ấy thành lợi ích cụ thể cho doanh nghiệp. Đó là một quan điểm đi ngược lại tâm lý “mua mô hình lớn nhất” nhưng lại phù hợp với thực tế ngân sách, năng lực dữ liệu và văn hóa vận hành của phần lớn doanh nghiệp Việt.
Suy luận bầy đàn: khi nhiều mô hình AI cùng lập luận để tăng độ chính xác
Nếu Khoa đại diện cho nỗ lực đưa AI vào bài toán kinh doanh, thì câu chuyện của Ivan Nikitin và Fortytwo cho thấy một hướng đi kỹ thuật để biến AI thành giải pháp AI thực tiễn hơn: suy luận bầy đàn. Ivan Nikitin là Tổng giám đốc kiêm đồng sáng lập Fortytwo, nơi ông đang phát triển công nghệ suy luận bầy đàn, kết hợp nhiều mô hình AI để cùng lập luận và đánh giá công việc của nhau. Tầm nhìn của họ rất rõ: nhiều mô hình, hoặc nhiều phiên bản của cùng một mô hình, cùng tham gia lập luận và đánh giá công việc của các mô hình khác, để cả hệ thống đạt độ chính xác cao hơn bất kỳ thành viên nào. Điểm khác biệt then chốt là suy luận bầy đàn được tích hợp trực tiếp vào công cụ suy luận Fortytwo Engine thông qua cơ chế Swarm Decoder.
Swarm Decoder không hoạt động theo kiểu “chạy nhiều mô hình rồi chọn câu trả lời tốt nhất”, mà cho phép một số mô hình có trọng số mở cùng định hướng một tiến trình lập luận duy nhất và kiểm tra lẫn nhau trong khi câu trả lời được tạo ra. Mục tiêu là phát hiện những giả định thiếu vững chắc ngay trong quá trình tạo sinh, giảm sai sót, tránh việc phải quay lại và cắt bỏ lượng nội dung tạo ra không cần thiết. Lợi ích về hiệu quả xuất hiện khi việc kiểm tra giúp ngăn chặn được nhiều công việc hơn mức nó làm phát sinh, khiến độ trễ không tăng mà ngược lại: quá trình chạy đi theo một lộ trình trực tiếp hơn, Engine hoàn thành tác vụ nhanh hơn so với khi chỉ dùng riêng mô hình đó, đồng thời sử dụng tổng số token ít hơn. Đây là một minh chứng rõ ràng rằng suy luận bầy đàn không chỉ là ý tưởng học thuật, mà là một cách giải quyết rất thực cho bài toán chi phí và độ tin cậy trong AI ứng dụng kinh doanh.
| Thông số thử nghiệm Qwen 3.8 27B | Chạy độc lập | Chạy qua Fortytwo Engine |
|---|---|---|
| Số tác vụ DeepSWE thực hiện | 450 lượt chạy | 450 lượt chạy |
| Token trung bình mỗi lượt | 16,3 triệu token | 12,3 triệu token |
| Tổng số token | 7,4 tỷ token | 5,6 tỷ token (ít hơn 24,7%) |
| Tỷ lệ tác vụ giải được | 42,2% | 47,8% |
Chuyển đổi số doanh nghiệp: AI là chất xúc tác, không phải chiếc đũa thần
Nhìn từ hai câu chuyện, điều dễ thấy là AI không thể tự mình cứu một doanh nghiệp nếu mọi thứ xung quanh vẫn vận hành theo tư duy cũ. Khi các hệ thống AI chuyển mạnh từ “trả lời theo yêu cầu” sang “hành động”, có thể tự lập kế hoạch, sử dụng dữ liệu và công cụ, thực hiện trọn vẹn những quy trình công việc nhỏ dưới sự giám sát của con người, doanh nghiệp sẽ không chỉ cần mua thêm một công cụ AI, mà phải chuẩn hóa quy trình, kết nối dữ liệu, số hóa hệ thống và xây dựng cơ chế quản trị phù hợp. Nói cách khác, chuyển đổi số doanh nghiệp là điều kiện để AI phát huy tác dụng; còn AI là chất xúc tác giúp những thay đổi đó diễn ra nhanh hơn, đo lường được và ít phụ thuộc vào cảm tính.
Ở đây, suy luận bầy đàn là một ví dụ cho thấy chiến lược kỹ thuật có thể hỗ trợ chiến lược kinh doanh như thế nào. Trong các thử nghiệm với Qwen 3.8 27B, Fortytwo cho biết đã dùng ít hơn 24,7% số token trong 450 lượt chạy DeepSWE, đồng thời cải thiện kết quả trên sáu bộ chuẩn đánh giá. Đây là một câu nói đáng trích dẫn: "Khi chạy độc lập, mô hình dùng trung bình 16,3 triệu token mỗi lần chạy, tổng cộng 7,4 tỷ token; khi chạy qua Engine, cùng mô hình đó dùng trung bình 12,3 triệu token mỗi lần chạy, tổng cộng 5,6 tỷ token, ít hơn 24,7%, đồng thời giải được nhiều tác vụ hơn: 47,8% so với 42,2%". Những con số này không chỉ đẹp trên slide, mà có ý nghĩa trực tiếp với doanh nghiệp: giảm chi phí tính toán, tăng tỷ lệ hoàn thành tác vụ, từ đó nâng hiệu suất hoạt động của các quy trình được AI hỗ trợ.
Kết luận: Muốn AI tạo giá trị, hãy bắt đầu từ bài toán nhỏ và tư duy bầy đàn
Điểm chung giữa hành trình của TS. Nguyễn Như Khoa và hướng đi của Ivan Nikitin là một thái độ tỉnh táo với AI: không thần thánh hóa công nghệ, không phủ nhận rủi ro, nhưng kiên trì tìm cách biến nó thành giá trị thực. Khoa nhấn mạnh rằng AI-First không có nghĩa là đưa AI vào mọi thứ, mà là chủ động tìm xem AI có thể giúp con người làm việc tốt hơn ở đâu, bắt đầu từ một bài toán đủ nhỏ để thử nghiệm, đo lường rồi mới nhân rộng. Nikitin thì chứng minh rằng nhiều mô hình còn hạn chế, nếu được kết hợp trong một hệ thống suy luận bầy đàn được thiết kế tốt, có thể tạo ra năng lực lớn hơn hẳn từng mô hình riêng lẻ.
Với doanh nghiệp đang ở giữa hành trình chuyển đổi số, thông điệp rất rõ: hãy dừng việc săn đuổi mô hình “khủng” và tập trung vào hai câu hỏi. Thứ nhất, đâu là điểm nghẽn cụ thể mà AI có thể giải quyết hôm nay – một quy trình, một loại dữ liệu, một nhóm nghiệp vụ. Thứ hai, làm sao để xây dựng hệ thống AI như một “bầy đàn” biết tự kiểm tra, tự đánh giá, giảm sai sót và tối ưu chi phí suy luận. Khi trả lời được hai câu hỏi này, AI sẽ không còn là một slide trong chiến lược, mà trở thành một năng lực vận hành mới – đủ thực tiễn để được nhân viên chấp nhận, đủ hiệu quả để được lãnh đạo tiếp tục đầu tư.
