topic: ai_foundations title: "Nền tảng AI cho lãnh đạo: AI là gì, làm được & không làm được gì" tags: [ai-foundations, generative-ai, ai-concepts, ai-risks, ai-landscape] status: draft sources: [src-01] volatility: durable

Nền tảng AI cho lãnh đạo: AI là gì, làm được & không làm được gì

Khái niệm cốt lõi

AI trong kinh doanh hôm nay = Generative AI (AI tạo sinh). Khi người ta nói "AI" trong công việc, gần như luôn ám chỉ thế hệ AI tạo sinh hiện tại chứ không phải robot biết suy nghĩ. Cần phân biệt rõ ba loại:

• Generative AI (AI tạo sinh): tạo và phân tích văn bản, hình ảnh, âm thanh, video dựa trên dữ liệu nó đã học. Đây là thứ ta đang dùng. Nó chỉ kết hợp/biến đổi trong phạm vi đã được huấn luyện — không "nghĩ" ngoài đó.
• General AI (AI tổng quát): AI biết tư duy, hành động, học hỏi như con người — kiểu Jarvis trong Iron Man. Chưa tồn tại. Đừng nhầm với generative AI.
• Narrow AI (AI hẹp): AI cho một việc cụ thể như lọc email spam, phát hiện gian lận thẻ. Đã có từ lâu, đang chạy âm thầm trong nhiều phần mềm bạn dùng.

Các thuật ngữ một CEO cần đọc hiểu (không cần làm được):

• LLM (Large Language Model — mô hình ngôn ngữ lớn): "bộ não" đứng sau ChatGPT, Claude, Gemini. Bạn sẽ không bao giờ tự xây LLM (tốn hàng triệu USD). Bạn chỉ dùng qua giao diện chat.
• Prompt engineering (kỹ thuật ra lệnh): cách viết yêu cầu cho AI. Viết lệnh khác nhau cho ra chất lượng khác hẳn nhau — đây là kỹ năng nghề nghiệp bắt buộc, không còn là trò đùa.
• RAG (Retrieval-Augmented Generation — sinh nội dung có truy xuất tri thức): nối LLM với kho tri thức nội bộ của doanh nghiệp, để AI trả lời chính xác hơn mà không phải nạp lại bối cảnh mỗi lần. Ví như hỏi một nhân viên kỳ cựu thay vì nhân viên mới. Hầu hết doanh nghiệp chỉ chạm tới RAG qua Microsoft Copilot, Notion AI, hoặc Gemini trên Google Workspace — chứ không tự dựng.
• AI agent (tác tử AI): dùng AI trong một quy trình để làm việc mà con người thường làm (tiếp nhận đầu vào → ra quyết định đơn giản → hành động → tạo đầu ra). Lưu ý: agent thay một việc, không thay nguyên một vai trò người.
• Fine-tuning (tinh chỉnh mô hình): huấn luyện thêm cho một mô hình có sẵn — việc kỹ thuật, chỉ cần khi tự xây mô hình. Nhiều người dùng sai từ này để chỉ việc "viết prompt tốt hơn".
• AI tools / AI wrappers (công cụ/lớp vỏ AI): phần lớn app "AI" trên thị trường chỉ là giao diện + prompt riêng bọc quanh ChatGPT/Claude. Công cụ ảnh/video/giọng nói (Midjourney, ElevenLabs, Sora...) thì dùng mô hình riêng của họ.
• AI functions trong app sẵn có: nút "AI" trong Notion, Asana, Salesforce, Zoom... — đa số do các software công ty gắn vội để theo kịp đối thủ; mức hữu ích còn tùy.
• Automation / workflow tools (công cụ tự động hóa): Zapier, Make.com — không phải AI, nhưng là cách nối AI với các app hiện có để dữ liệu tự chảy thay vì copy-paste thủ công.

AI là một công cụ công nghệ kinh doanh — như máy đánh chữ, máy tính, internet, smartphone, điện toán đám mây trước đó. Mỗi làn sóng đều: tăng năng suất, biến thành kỹ năng tuyển dụng bắt buộc, và doanh nghiệp chống đối thì tụt lại sau đối thủ. AI là làn sóng tiếp theo — và lan nhanh hơn các làn sóng trước.

Framework / mô hình

1) Phổ tiến hóa công nghệ kinh doanh (bài học cho AI):

Quy luật lặp lại: ai sớm thích nghi vượt lên, ai chống đối tụt hậu — và khoảng cách năng suất giữa nhóm dùng AI và nhóm không dùng sẽ ngày càng rộng.

2) Ba cấp độ tiếp cận AI (yếu tố quyết định bạn làm được gì):

• Cấp 1 — Không cần kỹ thuật: dùng ChatGPT/Claude, AI functions trong app, AI tools. Bao phủ rất nhiều ca dùng (marketing, tóm tắt họp, phân tích dữ liệu, soạn SOP, rà hợp đồng...). Hạn chế: phụ thuộc tính năng "có sẵn" của app, nhiều copy-paste thủ công. Chi phí: như phần mềm thường, ~20–200 USD/người/tháng.
• Cấp 2 — Hơi kỹ thuật: có người biết tự động hóa quy trình (Zapier/Make). Dữ liệu tự chảy giữa các hệ thống. Lưu ý: nhét AI vào automation không cho AI khả năng mới — chỉ nạp dữ liệu/bối cảnh tự động nhiều hơn. Chi phí: cấp 1 + phí công cụ tích hợp + phí API.
• Cấp 3 — Kỹ thuật: có đội dev nội bộ/đối tác. Tự xây agent, app, RAG. Gần như làm được mọi thứ. Chi phí: "trời là giới hạn".

Nếu không có đội kỹ thuật, bạn sẽ vận hành ở cấp 1–2 — và như thế là quá đủ để vượt phần lớn đối thủ chưa nghĩ tới AI.

3) Bản đồ "người chơi" trong hệ sinh thái AI:

• Bạn (lãnh đạo doanh nghiệp): quan tâm AI tạo giá trị ở đâu, ứng phó thay đổi thế nào.
• Dân kỹ thuật/dev & nhà tư vấn tích hợp: hiểu AI làm được/không làm được; nhưng cẩn thận người thổi phồng AI vì họ đang bán hàng.
• Công ty xây mô hình AI (OpenAI, Anthropic, Google, Midjourney...): dẫn dắt ngành; bạn chủ yếu chỉ dùng sản phẩm cuối của họ.
• Nhà cung cấp đám mây (AWS, Google Cloud, Azure): hạ tầng chạy AI.
• Công ty "wrapper" (lớp vỏ AI): hô hào nhiều nhất; nhiều công ty sẽ biến mất/sáp nhập. Phải tự đánh giá đâu là giá trị thật.
• Software truyền thống (Microsoft, Adobe, Salesforce): gắn AI function vào sản phẩm có sẵn.
• Nhân viên của bạn: cũng là người dùng cuối, nhưng kèm nỗi lo AI ảnh hưởng tới công việc của họ.

4) Giới hạn & rủi ro AI (khung phải nhớ):

Giới hạn chất lượng đầu ra: - Ảo giác (hallucination): AI bịa số liệu, dẫn nguồn không có thật → luôn kiểm tra lại số liệu. - Hiểu sai bối cảnh: không cho bối cảnh thì ra kết quả lệch → khắc phục bằng prompt tốt. - Rác vào → rác ra (garbage in, garbage out): dữ liệu đầu vào kém thì đầu ra kém. - Tự tin thái quá: nói sai như đúng rồi → thách thức câu trả lời, kiểm tra phép tính. - Thiếu nhất quán: cùng câu hỏi, hai lần trả lời khác nhau → đối chiếu.

Giới hạn kỹ thuật: - Cửa sổ ngữ cảnh (context window) có hạn: hội thoại dài thì AI quên đoạn đầu ("hiệu ứng lạc lối") → mở cửa sổ chat mới. - Mốc tri thức (knowledge cutoff) & nhạy thời gian: không biết sự kiện sau ngày huấn luyện → cấp ngày hôm nay, đừng hỏi việc mới hơn mốc.

Rủi ro kinh doanh thật sự cần để ý: - Đầu vào bị dùng làm dữ liệu huấn luyện: phải dùng gói doanh nghiệp (business plan) để loại trừ điều này — đặc biệt khi nhập dữ liệu khách hàng (kiểm tra luật bảo vệ dữ liệu tại VN/jurisdiction của bạn). - Yêu cầu pháp lý/công bố: một số nơi có thể buộc tiết lộ việc dùng AI (vd với khách hàng, trong tuyển dụng). - Phụ thuộc nhà cung cấp (vendor dependency): quy trình lệ thuộc một công cụ → khó đổi nếu họ tăng giá/đóng cửa. Đổi ChatGPT↔Claude thì dễ; đổi giải pháp custom của một vendor thì khó.

Nguyên tắc vàng xử lý mọi giới hạn: luôn để con người rà soát đầu ra của AI trước khi dùng.

Cách áp dụng (checklist)

• [ ] Xác định doanh nghiệp đang ở cấp tiếp cận nào (1/2/3) để biết thực tế làm được gì.
• [ ] Lập "từ điển AI nội bộ" ngắn để cả công ty nói chung một ngôn ngữ (LLM, RAG, agent, prompt...).
• [ ] Khi vendor/nhân viên giới thiệu giải pháp AI: hỏi đây là wrapper, mô hình riêng, hay AI function trong app sẵn có?
• [ ] Bật chế độ gói doanh nghiệp cho mọi công cụ AI có nhập dữ liệu nhạy cảm.
• [ ] Đặt quy tắc bắt buộc: mọi đầu ra AI phải qua người kiểm tra trước khi gửi ra ngoài.
• [ ] Khi có demo AI "thần kỳ" trên mạng: tự hỏi nó cần cấp kỹ thuật nào để làm được trong DN mình.
• [ ] Phân biệt rạch ròi generative AI vs general AI trong mọi cuộc bàn chiến lược.

Ví dụ (bản địa hoá VN)

Một công ty thương mại điện tử ở TP.HCM trước đây cần đội marketing 5 người (viết content, thiết kế, chỉnh ảnh, chạy ads, xử lý kỹ thuật web). Với AI tạo sinh, 1–2 người có prompt tốt và SOP rõ có thể tạo ra khối lượng và chất lượng tương đương: AI hỗ trợ từ viết bài, dựng ảnh, đến gợi ý xử lý lỗi server. Dù trả lương gấp đôi cho 2 người giỏi cộng phí công cụ AI, tổng chi vẫn rẻ hơn nuôi 5 người. Đây chính là "AI đổi kinh tế vận hành doanh nghiệp": việc trước cần chuyên gia nay generalist + AI làm được, đội nhỏ hơn nhưng cạnh tranh được với công ty lớn.

Anti-ví dụ: một chủ doanh nghiệp bảo "AI tự đọc hết tin nhắn nhóm Zalo/Slack rồi tự tạo task, giao việc, tóm tắt" — đây là kỳ vọng nhầm AI tạo sinh là AI tổng quát. Generative AI không tự làm chuỗi đó; phải có người cấu hình app, viết prompt, cấp bối cảnh, xử lý lỗi.

Cạm bẫy / anti-pattern

• Nhầm generative AI với general AI → kỳ vọng AI "đọc được suy nghĩ", làm mọi thứ tự động. Thực tế phải mô tả rất cụ thể mới ra kết quả mong muốn.
• Tin demo trên mạng = sản phẩm dùng được ngay: demo được biên tập cho đẹp, và thường cần năng lực kỹ thuật nội bộ mới chạm tới.
• Tin lời người thổi phồng AI đang muốn bán app/dịch vụ tư vấn.
• Dùng gói cá nhân thay vì gói doanh nghiệp khi nhập dữ liệu khách → rủi ro pháp lý và lộ dữ liệu.
• Không kiểm tra lại đầu ra (số liệu, phép tính) → dính ảo giác và sự tự tin thái quá của AI.
• Để hội thoại quá dài rồi than AI "lú" — thay vì mở chat mới.
• Sợ AI một cách cực đoan (kiểu Skynet) hoặc hào hứng cực đoan (mua mọi subscription) — cả hai đều sai. AI chỉ là công cụ công nghệ.

Câu hỏi tự kiểm

• Tôi có giải thích được khác biệt giữa generative AI, general AI, narrow AI cho đội ngũ của mình không?
• Doanh nghiệp tôi đang ở cấp tiếp cận AI nào, và điều đó giới hạn/cho phép tôi làm gì?
• Ba câu hỏi lớn nhất của tôi về AI là gì, và đâu là rủi ro tôi thật sự cần đề phòng (không phải rủi ro do truyền thông thổi phồng)?
• Tôi đã có quy tắc "người rà soát mọi đầu ra AI" và quy tắc dữ liệu nào được/không được nhập vào AI chưa?