Từ GenAI toàn cầu đến ứng dụng trong doanh nghiệp Việt Nam: Cơ hội, thách thức và con đường đi tới

17:53, 16/09/2025

Trí tuệ nhân tạo tạo sinh (Generative AI – GenAI) không còn là khái niệm xa vời, mà đã trở thành một hiện tượng công nghệ lan rộng, định hình lại cách con người sáng tạo, làm việc và kinh doanh. Chỉ trong vòng hai năm, từ khi ChatGPT ra mắt cuối năm 2022, thế giới đã chứng kiến làn sóng bùng nổ các mô hình ngôn ngữ lớn (Large Language Models – LLMs) cùng những ứng dụng đa dạng: viết văn bản, dịch thuật, lập trình, thiết kế, chăm sóc khách hàng, phân tích dữ liệu, thậm chí cả sáng tác nghệ thuật. Theo báo cáo của McKinsey năm 2024, GenAI có thể đóng góp tới 4.400 tỷ USD cho kinh tế toàn cầu mỗi năm. Tuy nhiên, để tạo ra một hệ thống GenAI quy mô lớn như OpenAI, Google DeepMind hay Anthropic, cần đến hạ tầng tính toán khổng lồ, nguồn dữ liệu hàng tỷ tỷ từ, cùng đội ngũ kỹ sư và nhà nghiên cứu hàng đầu.

Chi phí xây dựng GenAI của các BigTech.

Cốt lõi của một hệ thống GenAI là sự kết hợp bốn yếu tố then chốt: hạ tầng phần cứng, dữ liệu, mô hình và ứng dụng. Phần cứng ở đây không chỉ là GPU hay TPU chuyên dụng mà còn là trung tâm dữ liệu (Data Center) có khả năng vận hành ổn định hàng chục megawatt điện mỗi giờ. OpenAI, đơn cử, huấn luyện GPT-4 trên hạ tầng của Microsoft Azure, tiêu tốn hàng chục nghìn GPU Nvidia A100. Theo ước tính của EpochAI, chi phí đào tạo một mô hình LLM hàng đầu có thể vượt 100 triệu USD. Bên cạnh đó là nhu cầu năng lượng khổng lồ: một báo cáo của International Energy Agency (IEA) công bố tháng 1/2024 dự báo đến năm 2026, các trung tâm dữ liệu toàn cầu – chủ yếu phục vụ AI – sẽ tiêu thụ khoảng 1.000 TWh điện mỗi năm, tương đương toàn bộ nhu cầu điện của Nhật Bản.

Nhưng chỉ phần cứng thôi là chưa đủ. GenAI cần dữ liệu – và dữ liệu càng đa dạng, càng phong phú thì mô hình càng thông minh. ChatGPT hay Gemini được đào tạo trên hàng trăm tỷ từ, thu thập từ internet, sách báo, mã nguồn. Một doanh nghiệp riêng lẻ gần như không thể sở hữu được kho dữ liệu khổng lồ như vậy. Ngay cả khi có, bài toán làm sạch, gắn nhãn, bảo mật và tuân thủ pháp lý (như GDPR của châu Âu hay các quy định bảo vệ dữ liệu tại Việt Nam) vẫn vô cùng phức tạp.

Kế đến là mô hình. Việc phát triển và tinh chỉnh LLM đòi hỏi đội ngũ chuyên gia hàng đầu về học sâu (deep learning), ngôn ngữ học tính toán, toán tối ưu và bảo mật. Số lượng nhân sự có thể tham gia xây dựng mô hình ở quy mô OpenAI hay Google chỉ đếm trên đầu ngón tay, với hàng nghìn nhà nghiên cứu. Chi phí vận hành mỗi ngày cũng lên tới hàng triệu USD, vì phải duy trì máy chủ, làm mới dữ liệu, tối ưu hóa thuật toán.

Cuối cùng là lớp ứng dụng. Đây mới là phần mà doanh nghiệp và tổ chức có thể thực sự khai thác. Nếu coi hạ tầng và mô hình là “điện”, thì API GenAI giống như “ổ cắm điện”. Doanh nghiệp chỉ cần kết nối là có thể sử dụng sức mạnh AI để viết báo cáo, trả lời khách hàng, phân tích dữ liệu, tạo báo cáo kinh doanh hoặc gợi ý chiến lược. Đây cũng là lý do vì sao các tập đoàn công nghệ chọn cung cấp mô hình qua API thay vì bán trọn gói. Google Maps là một ví dụ điển hình: thay vì mỗi công ty phải tự xây dựng hệ thống bản đồ số, họ chỉ cần gọi API Google Maps để dùng. Với GenAI cũng vậy: sử dụng API từ OpenAI, Google, Microsoft hay FPT AI giúp doanh nghiệp tận dụng công nghệ mà không phải gánh chi phí phát triển khổng lồ.

Nền tảng xây dựng lên GenAI.

Nếu nhìn vào quy mô triển khai, có thể chia thành ba cấp độ. Ở cấp độ toàn cầu, những gã khổng lồ như OpenAI, Google Gemini, Anthropic, Baidu hay xAI của Elon Musk sở hữu hạ tầng hàng chục nghìn GPU, trung tâm dữ liệu tiêu thụ hàng trăm megawatt điện. Đây là “các nhà máy điện hạt nhân” của AI, sản xuất mô hình nền tảng cho cả thế giới. Ở cấp độ trung bình, các tập đoàn ngành dọc như ngân hàng, viễn thông, y tế hoặc giáo dục có thể phát triển GenAI chuyên biệt, thường theo hướng fine-tune (tinh chỉnh) trên dữ liệu ngành. Ví dụ, một ngân hàng có thể xây dựng trợ lý ảo nội bộ, phân tích hợp đồng và dự báo rủi ro tín dụng dựa trên mô hình ngôn ngữ đã được huấn luyện sẵn. Ở cấp độ doanh nghiệp thông thường, giải pháp khả thi nhất là sử dụng API từ các nhà cung cấp, đồng thời chuẩn bị hạ tầng nội bộ gồm dữ liệu doanh nghiệp, ứng dụng tích hợp và cơ chế quản trị. Đây chính là best practice hiện nay: thay vì tự xây dựng mô hình từ đầu, doanh nghiệp tập trung vào quản trị dữ liệu, tích hợp AI vào quy trình và đào tạo nhân sự sử dụng.

Thực tế cho thấy, một doanh nghiệp khó có thể tự xây dựng GenAI của riêng mình. Lý do trước hết là chi phí: huấn luyện một mô hình như GPT-3 đã tốn khoảng 12 triệu USD (theo ước tính của AI21 Labs), còn GPT-4 thì có thể gấp hàng chục lần. Thứ hai là dữ liệu: một công ty đơn lẻ không thể sở hữu kho dữ liệu đa dạng như internet toàn cầu. Thứ ba là nhân lực: số kỹ sư đủ trình độ để phát triển LLM tại Việt Nam hiện rất ít, trong khi cạnh tranh toàn cầu khốc liệt. Và cuối cùng là năng lượng: không một doanh nghiệp vừa và nhỏ nào có thể duy trì trung tâm dữ liệu 30 MW chỉ để phục vụ AI. Do đó, phương án tối ưu cho đa số doanh nghiệp là sử dụng API GenAI có sẵn, kết hợp với dữ liệu riêng để tạo nên các ứng dụng phù hợp.

MCP và API thực hiện AI cho doanh nghiệp.

Việt Nam không đứng ngoài làn sóng này. FPT đã công bố chiến lược đầu tư vào AI và GenAI, với hệ sinh thái FPT.AI, FPT Smart Cloud và các sản phẩm trợ lý ảo, tổng đài thông minh, phân tích dữ liệu lớn. Tập đoàn CMC thì tập trung phát triển nền tảng CMC GPT, với tham vọng trở thành nhà cung cấp GenAI cho doanh nghiệp trong nước. Viettel, trong khi đó, đã khai trương Trung tâm dữ liệu Hòa Lạc năm 2024 với công suất 30 MW, trở thành trung tâm dữ liệu lớn nhất Việt Nam, sẵn sàng cho triển khai các mô hình AI và dịch vụ cloud. Trung tâm này có diện tích hơn 21.000 m², chứa 2.400 rack và 60.000 máy chủ, với cam kết sử dụng năng lượng tái tạo để đáp ứng khoảng 30% nhu cầu điện. Đây là minh chứng rõ nét rằng hạ tầng năng lượng và tính toán là điều kiện tiên quyết cho GenAI.

Trong lĩnh vực tài chính - ngân hàng, các ứng dụng AI đã bắt đầu thâm nhập sâu hơn. VietinBank đã thử nghiệm AI trong tự động hóa báo cáo nội bộ và phân tích dữ liệu tài chính. Vietcombank triển khai chatbot và trợ lý ảo để hỗ trợ khách hàng, đồng thời áp dụng AI vào phát hiện giao dịch bất thường. Techcombank cũng tích hợp AI trong phân tích hành vi khách hàng và tối ưu hóa sản phẩm tài chính. Tổng cục Thuế thì đang hợp tác với Microsoft để đưa AI vào trợ lý ảo hỗ trợ người nộp thuế, phân tích rủi ro hóa đơn và cải thiện hiệu quả quản lý. Dù chưa đạt đến quy mô GenAI đầy đủ, những bước đi này cho thấy AI đã dần trở thành công cụ thiết yếu trong quản trị và vận hành của các tổ chức lớn tại Việt Nam.

Nvidia và FPT chi 200 triệu USD mở nhà máy AI.

Nhưng GenAI không chỉ là câu chuyện hạ tầng hay dữ liệu. Nó còn là câu chuyện về ứng dụng thực tiễn và quản trị thay đổi trong doanh nghiệp. Một công ty phân phối có thể dùng GenAI để tự động tạo báo cáo bán hàng hàng ngày, tiết kiệm hàng trăm giờ nhập liệu. Một công ty xây dựng có thể dùng AI để phân tích hợp đồng, dự báo tiến độ và rủi ro. Một ngân hàng có thể triển khai AI trong thẩm định tín dụng, giúp rút ngắn thời gian xử lý hồ sơ từ vài ngày xuống vài giờ. Một cơ quan thuế có thể dùng AI để phân tích hàng triệu hóa đơn, phát hiện gian lận nhanh hơn con người. Tất cả những điều này đều khả thi khi doanh nghiệp kết nối với API GenAI, đưa dữ liệu nội bộ vào, và xây dựng ứng dụng tùy chỉnh.

Điều quan trọng là doanh nghiệp phải có chiến lược AI rõ ràng. Thay vì chạy theo phong trào, cần xác định AI phục vụ mục tiêu gì: tiết kiệm chi phí, nâng cao năng suất, hay mở ra sản phẩm dịch vụ mới. Song song đó, quản trị dữ liệu cần được ưu tiên: dữ liệu phải sạch, chuẩn hóa, có phân quyền truy cập, và đảm bảo an toàn. Nhân sự cũng phải được đào tạo, từ cấp lãnh đạo đến nhân viên, để hiểu cách AI hoạt động và giới hạn của nó. Không ít doanh nghiệp coi AI như “cây đũa thần”, nhưng nếu không có dữ liệu tốt và quy trình đúng, thì kết quả sẽ không như kỳ vọng.

Một điểm đáng chú ý là năng lượng. Nếu thế giới đang lo ngại AI tiêu thụ điện khổng lồ, thì Việt Nam càng cần tính toán kỹ. Theo IEA, mỗi truy vấn ChatGPT có thể tiêu tốn lượng điện gấp 10 lần một truy vấn Google Search. Nếu một doanh nghiệp triển khai GenAI nội bộ cho hàng nghìn nhân viên, lượng điện năng cần thiết cho GPU có thể vượt quá khả năng trung tâm dữ liệu hiện tại. Đây cũng là lý do các tập đoàn như Viettel, FPT hay CMC phải đầu tư mạnh vào hạ tầng và trung tâm dữ liệu, đồng thời chú trọng công nghệ xanh để giảm chi phí vận hành.

DC của Viettel khai trương 2024 - Tiêu thụ 30MW điện.

So sánh dễ hiểu nhất là hình ảnh API Google Maps. Không ai trong số hàng triệu doanh nghiệp toàn cầu tự xây dựng hệ thống bản đồ riêng, vì chi phí khổng lồ và phức tạp. Thay vào đó, họ dùng API Google Maps để nhúng vào ứng dụng. Với GenAI cũng vậy: doanh nghiệp không cần tự xây dựng LLM, mà chỉ cần dùng API, rồi tùy chỉnh trên dữ liệu riêng. Đây chính là cách tối ưu để tận dụng công nghệ trong khi vẫn kiểm soát chi phí và rủi ro.

Trong bối cảnh này, khuyến nghị cho doanh nghiệp Việt Nam là: hãy bắt đầu từ nhỏ nhưng chắc chắn. Đầu tiên, tập trung xây dựng kho dữ liệu nội bộ chất lượng. Thứ hai, thử nghiệm các ứng dụng AI qua API sẵn có, từ việc tạo báo cáo, hỗ trợ khách hàng, phân tích dữ liệu. Thứ ba, đào tạo nhân sự để hiểu cách sử dụng AI một cách an toàn và hiệu quả. Thứ tư, từng bước tích hợp AI vào quy trình cốt lõi, nhưng luôn có kiểm soát và đo lường. Và cuối cùng, hợp tác với các nhà cung cấp hạ tầng lớn trong nước như FPT, CMC, Viettel để tận dụng hạ tầng và dịch vụ sẵn có.

AI thay đổi diện mạo ngân hàng tương lai.

GenAI là một bước tiến lớn của nhân loại, nhưng cũng đặt ra những thách thức về chi phí, năng lượng, dữ liệu và quản trị. Doanh nghiệp Việt Nam không cần trở thành OpenAI hay Google, mà chỉ cần biết cách sử dụng đúng, giống như cách chúng ta dùng điện, internet hay bản đồ số. Khi đó, AI không còn là điều xa vời, mà trở thành công cụ hàng ngày, giúp doanh nghiệp tăng năng suất, giảm chi phí và mở ra cơ hội kinh doanh mới. Con đường đi tới là rõ ràng: hãy để các tập đoàn lớn lo phần mô hình và hạ tầng, còn doanh nghiệp tập trung vào dữ liệu và ứng dụng. Đó mới là chiến lược khôn ngoan và bền vững cho kỷ nguyên trí tuệ nhân tạo.

Tài liệu tham khảo