Một ý tưởng lớn
Không mô hình nào sửa được một cái nền vốn chưa bao giờ sẵn sàng cho AI — nhưng bản thân dữ liệu hoàn hảo cũng không bảo đảm điều gì. Mức sẵn sàng là điều kiện cần, không phải điều kiện đủ.
Tôi đã nói với anh/chị rằng chuỗi bài này đã khép lại ở số về danh mục. Nó chưa — câu hỏi lớn nhất vọng ra từ số đó lại đúng là câu tôi chưa trả lời: làm thế nào anh/chị thực sự chấm được tính khả thi của một tình huống sử dụng trước khi cấp vốn cho nó? Số tuần này là câu trả lời, và nó bắt đầu từ bên dưới mô hình, không phải từ bên trong mô hình.
Không mô hình nào sửa được một cái nền vốn chưa bao giờ sẵn sàng cho AI — và bản thân việc làm sạch dữ liệu, một mình nó, cũng không bảo đảm có lợi ích. RAND phát hiện hơn 80% các dự án AI thất bại, ở mức gần gấp đôi tỷ lệ thất bại của các dự án IT không dùng AI. Sáng kiến NANDA của MIT, một cách độc lập, phát hiện 95% các pilot AI tạo sinh ở doanh nghiệp không mang lại lợi ích đo được nào. Hai nghiên cứu riêng biệt đo hai thứ khác nhau — không nên trộn cái này vào cái kia — và cả hai đều truy nguyên nguyên nhân thất bại về nền tảng dữ liệu và mô hình vận hành, không phải về chất lượng mô hình. Đó là sự thật phũ phàng thứ nhất. Sự thật thứ hai cắt theo hướng ngược lại: dữ liệu hoàn hảo, tự nó, không bảo đảm điều gì.
Góc nhìn · Hai cái bẫy, một lối cụt
Phần lớn ngân hàng thất bại ở đây theo một trong hai hướng. Nhóm thứ nhất cấp vốn cho mô hình trước khi đọc bản đồ — các pilot nằm trên những hệ thống nguồn mà ở đó không ai nêu tên được bản ghi có thẩm quyền, mà ở đó trạng thái đồng ý không chứng minh được khi bị yêu cầu. Mô hình thừa hưởng vấn đề, che giấu nó, rồi khuếch đại nó lên. Nhóm thứ hai chỉnh quá đà, tuyên bố rằng toàn bộ hệ dữ liệu phải được làm sạch trước, và điều đó trở thành cái lý do hoàn hảo để trì hoãn.
Quyết định xử lý theo thỏa thuận 400 triệu USD của Citigroup năm 2020, cộng thêm khoản phạt 136 triệu USD năm 2024, truy về một cái nền đã vỡ và một bộ máy quản trị yếu — không mô hình nào sửa được điều đó. Apple Card, do Goldman Sachs thẩm định, nằm trên dữ liệu dồi dào và vững về mặt thống kê, và cuối cùng đã được kết luận là không thiên lệch về mặt pháp lý — mà vẫn thất bại, ở khả năng giải thích. Dữ liệu hoàn hảo, nhưng không được quản trị, thì vẫn thất bại.
Mức sẵn sàng là điều kiện cần, chưa bao giờ là điều kiện đủ. Câu trả lời không phải "làm sạch mọi thứ trước đã" — mà là Dual-Track: các chuẩn tối thiểu cho toàn hàng đặt một lần, các data product riêng cho từng tình huống sử dụng dựng để dùng lâu.
Khung tư duy của tuần · Bản đồ Mức sẵn sàng Dữ liệu 5 lớp
Nền tảng, Truy cập, Ngữ nghĩa, Quản trị, Kích hoạt — đọc từ dưới lên. Mô hình nằm trên cả năm lớp, là thứ nhẹ nhất trên tầng kiến trúc. Mỗi lớp trả lời đúng một câu hỏi, đó là Phép đọc Mức sẵn sàng:
- Nền tảng — nó có đúng?
- Truy cập — chúng ta lấy được nó kịp lúc?
- Ngữ nghĩa — mọi người có đồng ý nó nghĩa là gì?
- Quản trị — chúng ta có được phép dùng nó về mặt pháp lý?
- Kích hoạt — một mô hình dùng được cái này một cách an toàn?
Với bất kỳ tình huống sử dụng cụ thể nào, chỉ một hoặc hai lớp thực sự đang chặn. Đó là toàn bộ cái lợi của bản đồ: anh/chị chỉnh lớp đang chặn, không phải cả hệ thống.
Phép đọc Mức sẵn sàng chạy theo 5 bước — chấm mỗi lớp, tìm lớp đang chặn, chạy Dual-Track, nuôi tình huống sử dụng mà không dừng lại để hiện đại hóa toàn bộ, và khép lại bằng lớp con người đỡ năm lớp kỹ thuật lên: một người chủ dữ liệu có tên, một diễn đàn về rủi ro, một cầu dao.
Toàn bộ bản đồ, với đủ năm lớp và Phép đọc Mức sẵn sàng được vẽ ra, nằm trong thư viện Frameworks.
Tình huống ứng dụng · Một ngân hàng, hai lớp đang chặn
Một copilot cho chuyên viên quan hệ khách hàng bị chặn mạnh nhất ở Ngữ nghĩa và Kích hoạt — dữ liệu theo lô là đủ, còn chất lượng truy xuất thì không. Một cỗ máy chống gian lận và phòng chống rửa tiền, trong cùng ngân hàng đó, lại bị chặn mạnh nhất ở Nền tảng và Truy cập — độ trễ dưới một giây là điều không thể thương lượng.
Hãy cấp vốn cho cả hai theo cùng một mệnh lệnh "làm sạch mọi thứ trước đã" và anh/chị sẽ nhận phần tệ nhất của cả hai: anh/chị bỏ đói cỗ máy chống gian lận đúng phần truy cập mà nó cần, trong khi xây thừa cho cái copilot một pipeline mà nó chưa bao giờ đòi. Cùng một ngân hàng, cùng một ngân sách, hai lớp đang chặn khác nhau — và chỉ bản đồ mới phân biệt được chúng.
Lưu ý rủi ro
Luật AI 134/2025 của Việt Nam có hiệu lực từ ngày 01/3/2026, với thời gian gia hạn cho ngành tài chính tới 01/9/2027; Nghị định 13/2023, Nghị định 53/2022 và Thông tư 64/2024 của NHNN cùng nâng đúng tiêu chuẩn đó lên. Nếu coi là một chỉ số nội bộ, Quản trị là tùy chọn. Nếu coi là một nghĩa vụ pháp lý có mốc thời hạn, nó không tùy chọn nữa. Hãy dựng dấu vết giải thích sẵn sàng cho kiểm toán trước khi dựng mô hình, chứ không phải sau khi bị kiểm toán.
Hãy đọc cái lớp đó trước khi cấp vốn cho mô hình.
Video mới nhất
Bản briefing của tuần này — Your Data Isn't AI-Ready — đi qua năm lớp và Phép đọc Mức sẵn sàng mà anh/chị có thể chạy ngay thứ Hai: chấm mỗi lớp cho một tình huống sử dụng đã được cấp vốn, nêu tên lớp đang chặn, và chỉ chỉnh đúng lớp đó theo Dual-Track trong lúc tình huống sử dụng vẫn tiếp tục chạy. Rồi thêm lớp con người — một người chủ có tên, một diễn đàn về rủi ro, một cầu dao — bởi năm lớp kỹ thuật không tự đỡ lấy mình.
Xem: youtu.be/uEYYlT2e3ZI
Bản phân tích chuyên sâu đầy đủ — hai cái bẫy, đủ năm lớp, Phép đọc Mức sẵn sàng và chương trình Dual-Track — nằm trong bài The AI-Ready Bank: Bản đồ Mức sẵn sàng Dữ liệu 5 lớp.
Playbook năm trang miễn phí trong thư viện Frameworks biến nó thành một bảng chấm điểm cho chính các tình huống sử dụng của anh/chị.
Hãy trả lời và cho tôi biết lớp nào đang chặn tình huống sử dụng AI mà anh/chị đang cấp vốn ngay lúc này — phần lớn các đội nêu tên Nền tảng theo phản xạ, rồi phát hiện ra hóa ra là Ngữ nghĩa hoặc Quản trị. Tôi đọc mọi phản hồi. Hãy chuyển tiếp thư này cho một lãnh đạo ngân hàng đang sắp cấp vốn cho một mô hình đặt trên một cái nền chưa ai đọc.
Thư này được chuyển tiếp đến anh/chị? Đăng ký The AI Architect Letter — miễn phí, vào mỗi thứ Bảy.
Minh Tran · AI Business Architect · LinkedIn · Workshop & tư vấn: aibusinessarchitect.ai