Áp dụng AI trong doanh nghiệp: Điểm nghẽn là 'Dữ liệu đáng tin cậy', chứ không phải mô hình, đang cản trở sự mở rộng hoạt động.

Người ta đã chỉ ra rằng nút thắt cổ chai trong việc ứng dụng AI nằm ở "dữ liệu", chứ không phải "mô hình". Phân tích cho thấy rằng trong khi các công ty đã xác nhận tiềm năng của AI tạo sinh và AI tác nhân, lý do lớn nhất khiến chúng không đạt được kết quả trong môi trường làm việc thực tế là do thiếu cơ sở dữ liệu đáng tin cậy.

Chris Powell, Giám đốc Marketing (CMO) của Qlik Technologies, phát biểu tại sự kiện 'Qlik Connect 2026' gần đây rằng mặc dù nhiều công ty đã vượt qua giai đoạn thử nghiệm AI, họ vẫn đang gặp khó khăn trong việc mở rộng quy mô để vận hành toàn diện. Ông nhấn mạnh rằng cốt lõi của vấn đề nằm ở 'dữ liệu mà AI có thể tin tưởng và sử dụng', chứ không phải hiệu suất của chính các mô hình AI.

Powell giải thích: “Vấn đề hiện nay không phải là liệu AI có hoạt động hiệu quả hay không, mà là liệu dữ liệu có phù hợp với AI hay không”, đồng thời nói thêm: “Ai cũng có thể thấy tiềm năng của AI trong một bản demo, nhưng việc triển khai kết quả một cách đáng tin cậy trong thế giới thực lại là một thách thức hoàn toàn khác.”

Tuyên bố này phù hợp với kết quả khảo sát của Quick và Enterprise Technology Research. Theo khảo sát, chất lượng dữ liệu, khả năng truy cập dữ liệu và quản trị dữ liệu được xác định là những trở ngại lớn nhất để triển khai thành công trí tuệ nhân tạo tác nhân (agentic AI) trong hoạt động thực tế. Điều này ngụ ý rằng mặc dù các công ty rất sẵn lòng đầu tư vào AI, nhưng "rào cản thực tế" ngăn cản nó mang lại lợi nhuận như mong đợi chính là cơ sở hạ tầng dữ liệu.

'Điểm tin cậy' và nguồn gốc dữ liệu là yếu tố then chốt.

Powell tin rằng ba trụ cột là cần thiết để các công ty đưa AI vào giai đoạn sản xuất. Thứ nhất, dữ liệu phải đáng tin cậy; thứ hai, bối cảnh độc đáo chứa đựng trong dữ liệu đó phải được hiểu rõ; và thứ ba, phải có một cấu trúc có khả năng phản ứng linh hoạt với những thay đổi công nghệ.

Cụ thể, ông chỉ ra rằng các yếu tố như 'nguồn gốc' của dữ liệu, 'lịch sử thay đổi', 'quyền truy cập' và 'vị trí lưu trữ' rất quan trọng. Điều này có nghĩa là không chỉ nên xem xét liệu dữ liệu có tồn tại hay không, mà còn phải theo dõi được nguồn gốc của nó, ai đã xử lý nó và nó đã thay đổi như thế nào theo thời gian. Để giải quyết vấn đề này, Quick đề xuất một hệ thống 'điểm tin cậy' cho AI. Đây là một cơ chế đánh giá xem dữ liệu cụ thể có đủ độ tin cậy để được đưa vào Mô hình Ngôn ngữ Quy mô Lớn (LLM) hay không.

Cách tiếp cận này đặc biệt quan trọng trong các ngành như tài chính, hậu cần và chăm sóc sức khỏe, nơi ngay cả những lỗi nhỏ cũng có thể dẫn đến chi phí đáng kể. Điều này là do nếu độ tin cậy của dữ liệu không được đảm bảo, khả năng AI đưa ra quyết định sai sẽ tăng lên theo tỷ lệ thuận.

Khả năng mở rộng quy mô phụ thuộc vào phán đoán của con người và việc kiểm soát chi phí.

Powell dẫn chứng "chuyên môn của con người" và "cấu trúc chi phí" là những điều kiện khác để mở rộng AI. Lấy ví dụ về United Parcel Service (UPS), ông giải thích rằng các công ty thiết kế rõ ràng mức độ mà các tác nhân có thể đưa ra quyết định tự chủ và khi nào chuyển giao quyền quyết định cho con người sẽ tiến gần hơn đến hoạt động quy mô lớn.

Điều này có thể được hiểu là trí tuệ nhân tạo tác nhân (agentic AI) thể hiện hiệu quả cao hơn ở dạng tích hợp kiến thức chuyên môn và hệ thống điều khiển của con người, hơn là một cấu trúc tự động xử lý tất cả các quyết định. Cuối cùng, việc áp dụng AI không chỉ đơn thuần là cuộc cạnh tranh giữa các công nghệ tự động hóa, mà còn là vấn đề làm thế nào để phản ánh chuyên môn của con người trong hệ thống.

Chi phí cũng là một biến số không thể trì hoãn. Powell cảnh báo rằng rất khó để tạo ra một cấu trúc có khả năng mở rộng trừ khi các cơ chế kiểm soát chi phí được tích hợp ngay từ giai đoạn đầu thiết kế hệ thống AI. Ông giải thích rằng ngay cả khi hiệu suất có vẻ tốt trên bề mặt, nếu chi phí vận hành tăng nhanh, tính bền vững sẽ giảm và quá trình cuối cùng có thể quay trở lại giai đoạn mà bộ phận tài chính cân nhắc lợi tức đầu tư (ROI).

Tóm lại, phân tích cho thấy rằng sự thành công của một công ty trong lĩnh vực AI phụ thuộc nhiều hơn vào "nền tảng dữ liệu đáng tin cậy", "thiết kế vận hành kết hợp phán đoán của con người" và "cấu trúc chi phí bền vững" hơn là vào việc sở hữu các mô hình vượt trội. Khi cạnh tranh về AI ngày càng gay gắt, sự chú ý của thị trường đang chuyển từ các cuộc trình diễn kỹ thuật sang khả năng tạo ra các cấu trúc có thể lặp lại và sinh lời trong các tình huống thực tế.