Khoảng cách 22% — Vì sao doanh nghiệp Việt khó đưa AI vào production

Theo Cisco/IDC AI Readiness Index 2025 (dẫn từ DTSVN trên cafef.vn), chỉ 22 phần trăm doanh nghiệp Việt Nam được đánh giá là "sẵn sàng triển khai AI ở quy mô lớn". Phần lớn doanh nghiệp còn lại vẫn dừng ở chatbot, OCR, eKYC, dự báo cơ bản — đây là "AI bề mặt" (surface AI), không phải AI thực thi (production AI). Câu hỏi quan trọng: 78 phần trăm còn lại đang vướng ở đâu?

Trong nhiều cuộc khảo sát, hơn 60 phần trăm lãnh đạo CxO cho biết sẽ tăng chi tiêu AI, an ninh mạng, ERP và CRM trong năm 2026 (theo các báo cáo dẫn từ EY Vietnam). Khoảng 50 phần trăm CIO Việt Nam đã chuyển từ vai trò "hỗ trợ kỹ thuật" sang "lãnh đạo chiến lược". Vấn đề không nằm ở ngân sách hay nhận thức — vấn đề nằm ở năm lớp foundation thường bị bỏ qua khi chuyển từ thử nghiệm sang sản xuất.

AI bề mặt và AI vận hành — phân biệt

AI bề mặt là proof-of-concept (PoC), demo cho ban lãnh đạo, hoặc ứng dụng pilot phục vụ một use case đơn lẻ. Đặc điểm: model chạy được, có demo đẹp, không có monitoring, không có retraining, không tích hợp với hệ thống nghiệp vụ. AI vận hành là khi model serve traffic thật từ khách hàng hoặc nhân viên, có audit trail, có dashboard performance, có cơ chế phát hiện model drift và retraining tự động. Khoảng cách giữa hai trạng thái này thường lớn hơn dự đoán.

Năm rào cản thực sự

Rào cản 1 — Dữ liệu phân mảnh, không có governance

Đây là rào cản phổ biến nhất. Dữ liệu doanh nghiệp nằm rải rác trong ERP, CRM, ticketing, file Excel của các phòng ban, hệ thống chuyên ngành. Không có data lake hoặc data platform tập trung. Không có data quality framework, không có data dictionary. Khi data scientist bắt đầu dự án AI, 60 đến 80 phần trăm thời gian dành cho data wrangling — chứ không phải modeling.

Rào cản 2 — Thiếu AI talent và quản lý thay đổi

AI engineer và ML engineer ở Việt Nam khan hiếm, chi phí tuyển dụng cao và khó giữ chân. Nhưng đây mới là một nửa vấn đề. Nửa còn lại là quản lý thay đổi — nhân viên không tin tưởng output của AI, lãnh đạo không cam kết đủ để vượt qua giai đoạn đầu khó khăn. Một mô hình AI tốt nhưng nhân viên ngại dùng sẽ thất bại y như mô hình kém.

Rào cản 3 — Chưa có MLOps và model lifecycle

Mô hình được train một lần rồi để đó. Không có versioning. Không có monitoring performance trong production. Không có cơ chế phát hiện data drift hoặc concept drift. Khi model bắt đầu suy giảm chất lượng (điều chắc chắn xảy ra), không ai biết — chỉ đến khi business KPI thấp xuống mới nhận ra.

Rào cản 4 — Hạ tầng chưa quyết định được on-prem hay cloud

Cloud thì lo chi phí surprise sau vài tháng workload AI chạy thật. On-premise thì lo phải đầu tư GPU server đắt và vận hành phức tạp. Không quyết định được dẫn đến trì hoãn — workload pilot chạy trên cloud cá nhân của data scientist, không scale được lên production. Cách giải quyết là kiến trúc hybrid có chủ ý — tham khảo phân tích trong bài Repatriation 2026 và Hybrid Cloud trong cùng chuyên mục.

Rào cản 5 — Lo ngại compliance

Nghị định 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân đã có hiệu lực; Luật AI Việt Nam dự kiến áp dụng tháng 3 năm 2026 (theo Mstar Corp). Doanh nghiệp lo personal data trong training set, audit trail cho AI decisions, due diligence cho vendor AI. Lo ngại này là chính đáng — nhưng nó không phải là lý do để không triển khai. Đó là lý do để triển khai có kế hoạch compliance từ đầu, không phải bolt-on sau khi go-live.

Production-Ready AI Checklist

Trước khi đầu tư mô hình AI mới, kiểm tra năm lớp foundation:

1. Data foundation: có data lake hoặc data warehouse tập trung; có data governance framework; data quality được đo lường định kỳ.
2. Model lifecycle: có MLOps pipeline (Kubeflow, MLflow, Weights and Biases); model versioning rõ ràng; CI/CD cho model deployment.
3. Infrastructure: kiến trúc hybrid được quyết định rõ; data residency control cho dữ liệu nhạy cảm; GPU capacity planning có kế hoạch.
4. Talent: đội ngũ ba lớp — data scientist, ML engineer, MLOps engineer; quản lý thay đổi có chương trình rõ ràng.
5. Compliance: framework tuân thủ Nghị định 13 và Luật AI có sẵn; audit trail cho AI decisions; vendor due diligence cho mọi công cụ AI bên thứ ba.

Lời kết

Con số 22 phần trăm không phải là tin xấu — đó là cơ hội. 78 phần trăm doanh nghiệp Việt còn lại đều cần ai đó giúp họ qua khoảng cách này, và đa số khoảng cách không phải là công nghệ mà là foundation. Đây là vai trò cốt lõi của system integrator hiện đại: không bán model mà bán năng lực đưa AI vào vận hành ổn định, an toàn, có ROI đo được trong điều kiện kinh doanh thực tế.