Tóm tắt. Bài viết trình bày một cái nhìn hệ thống về trí tuệ nhân tạo (AI) hiện đại, từ nền tảng khái niệm, các giai đoạn phát triển lịch sử, đến sự chuyển dịch từ mô hình học máy truyền thống sang AI tạo sinh và AI tác tử (Agentic AI). Đồng thời, bài viết phân tích các thách thức then chốt (ảo giác thông tin, hộp đen, thiên vị thuật toán, rủi ro dữ liệu) và tác động tới thị trường lao động, đồng thời đề xuất khung mức tự chủ và phân loại dữ liệu nhằm hỗ trợ việc triển khai AI an toàn, có kiểm soát trong tổ chức. Cuối cùng, một số hướng ứng dụng thực tiễn và khuyến nghị quản trị được nêu nhằm định hướng xây dựng năng lực sử dụng AI bền vững.

1. Từ trí tuệ tự nhiên đến trí tuệ nhân tạo

Trí tuệ nhân tạo hướng tới việc trang bị cho hệ thống máy tính những năng lực trí tuệ đặc trưng của con người, bao gồm nhận thức, suy luận, học hỏi, giải quyết vấn đề và sáng tạo. Mục tiêu cốt lõi không phải thay thế con người, mà mở rộng và tăng cường năng lực trí tuệ của chúng ta trong các ngữ cảnh công việc và ra quyết định phức tạp.

Các năng lực nền tảng mà AI hướng tới có thể được khái quát như sau:

• Nhận thức: thị giác máy tính, xử lý ngôn ngữ tự nhiên, cảm biến đa phương thức.
• Suy luận: logic hình thức, suy diễn, quy nạp và suy luận xác suất.
• Học hỏi: học từ dữ liệu và từ trải nghiệm thông qua các thuật toán học máy.
• Giải quyết vấn đề: lập kế hoạch, tối ưu hóa và ra quyết định trong không gian tìm kiếm phức tạp.
• Sáng tạo: khả năng tạo sinh nội dung và ý tưởng mới vượt ra ngoài dữ liệu huấn luyện thuần túy.
• Tri thức: biểu diễn, lưu trữ và sử dụng tri thức một cách có cấu trúc.

2. Ba giai đoạn phát triển của trí tuệ nhân tạo

Lịch sử phát triển của AI có thể được khái quát thành ba giai đoạn chính, phản ánh sự chuyển dịch về phương pháp luận và nền tảng kỹ thuật.

2.1. Giai đoạn 1 (1956 – cuối thập niên 1980): AI dựa trên logic và hệ chuyên gia

Giai đoạn này gắn với sự ra đời của khái niệm “Artificial Intelligence” (John McCarthy, 1956) và sự thống trị của tiếp cận dựa trên logic toán học. Các ngôn ngữ như LISP và PROLOG, cùng hệ chuyên gia, chiếm vị trí trung tâm. Cách tiếp cận chủ đạo là suy diễn từ tri thức được chuyên gia mã hóa dưới dạng quy tắc. Ưu điểm là tính giải thích cao; hạn chế lớn là khó mở rộng khi tri thức trở nên phức tạp và biến động.

2.2. Giai đoạn 2 (thập niên 1990 – 2010): Học máy thống kê và học sâu

Sự chuyển dịch sang học máy thống kê, khai phá dữ liệu và sau đó là học sâu (Deep Learning) đánh dấu giai đoạn “data-driven AI”. Các kiến trúc CNN, RNN và các kỹ thuật học biểu diễn cho phép hệ thống tự rút trích đặc trưng từ dữ liệu lớn. AI bắt đầu vượt trội trong nhận dạng mẫu, xử lý ảnh và một số nhiệm vụ ngôn ngữ, đồng thời đặt nền tảng cho kỷ nguyên mô hình lớn sau này.

2.3. Giai đoạn 3 (2012 – nay): AI tạo sinh và AI tác tử

Sự bùng nổ của kiến trúc Transformer, mô hình ngôn ngữ lớn (LLM) và các hệ thống tạo sinh (Generative AI) mở ra khả năng tạo nội dung đa dạng ở quy mô chưa từng có. Giai đoạn này cũng chứng kiến sự chuyển dịch từ mô hình “trả lời” sang mô hình “hành động” thông qua khái niệm tác tử AI (AI Agent) và AI tác tử có quản trị (Agentic AI).

3. Từ suy diễn đến quy nạp

Hai phương pháp luận nền tảng định hình sự phát triển của AI:

Suy diễn (Deduction): Từ tri thức chuyên gia rút ra kết luận cụ thể. Ví dụ điển hình là hệ chuyên gia y tế, trong đó các quy tắc do bác sĩ xây dựng được sử dụng để đề xuất phương án điều trị theo triệu chứng. Cách tiếp cận này có ưu điểm logic rõ ràng và dễ giải thích, nhưng gặp khó khăn khi tri thức phức tạp hoặc thay đổi nhanh.

Quy nạp (Induction): Từ dữ liệu lớn tìm ra quy luật chung. Ví dụ: hệ thống học máy được huấn luyện trên hàng loạt bệnh án điện tử để hỗ trợ phát hiện bệnh. Cách tiếp cận này mở rộng tốt với dữ liệu lớn, nhưng phụ thuộc mạnh vào chất lượng dữ liệu huấn luyện và thường mang tính “hộp đen”, gây khó khăn cho việc giải thích quyết định.

4. Từ học máy đến AI tác tử: mô hình năm lớp

Sự phát triển của AI hiện đại có thể được hình dung như năm lớp lồng nhau. Mỗi lớp bao trùm lớp bên trong và chỉ bổ sung một nhóm năng lực mới, đồng thời kế thừa rủi ro của các lớp trước:

1. Học máy (Machine Learning) – nền tảng: học có giám sát, không giám sát, tăng cường; biểu diễn tri thức; suy luận và đánh giá mô hình.
2. Học sâu (Deep Learning) – bổ sung khả năng học biểu diễn: CNN, RNN/LSTM, Transformer, tiền huấn luyện, tinh chỉnh và mô hình ngôn ngữ lớn (LLM).
3. AI tạo sinh (Generative AI) – bổ sung khả năng tạo sinh: văn bản, hình ảnh, âm thanh, mã nguồn, đa phương thức, RAG, tóm tắt và cá nhân hóa.
4. Tác tử AI (AI Agent) – bổ sung khả năng hành động: lập kế hoạch, gọi công cụ, bộ nhớ, quản lý ngữ cảnh, tự phản tỉnh và sửa lỗi. Điểm khác biệt then chốt so với trợ lý hội thoại là tác tử được phép hành động – mở tệp, chạy mã, gọi API và ghi kết quả ra ngoài hệ thống.
5. AI tác tử (Agentic AI) – bổ sung khả năng tự vận hành có quản trị: chuỗi mục tiêu dài hạn, phối hợp nhiều tác tử, rào chắn an toàn (guardrails), quan sát – truy vết và quản lý rủi ro. Đây là bước chuyển từ “làm một việc” sang “tự vận hành trong phạm vi được kiểm soát”.

5. AI tạo sinh và khả năng hiện tại của các mô hình

Generative AI bao gồm các mô hình được huấn luyện trên tập dữ liệu quy mô lớn nhằm học cách mô phỏng và tạo ra dữ liệu mới: văn bản, hình ảnh, âm thanh, video, mã nguồn và nhiều thể thức khác. Các hướng ứng dụng nổi bật hiện nay gồm sinh và xử lý văn bản (LLM), tạo và chỉnh sửa hình ảnh, hỗ trợ lập trình, cũng như các mô hình đa phương thức kết hợp nhiều kênh thông tin.

Theo Stanford AI Index và các bảng xếp hạng độc lập, nhiều mô hình lớn hiện nay đã đạt hoặc vượt mức hiệu suất của con người trên các bộ kiểm thử chuẩn về ngôn ngữ, lập luận, toán học và lập trình. Khả năng đa phương thức, lập luận nhiều bước và gọi công cụ đang tiến bộ với chu kỳ cải tiến ngắn, khiến năng lực tổng thể tăng nhanh qua từng thế hệ mô hình.

6. Thách thức then chốt khi sử dụng AI

6.1. Ảo giác thông tin (Hallucination)

Các mô hình tạo sinh không “hiểu” văn bản theo nghĩa nhận thức của con người. Chúng dự đoán token tiếp theo dựa trên phân phối xác suất học được từ dữ liệu huấn luyện. Do đó, mô hình có thể và thường tạo ra nội dung không chính xác, bịa đặt nguồn hoặc đưa ra kết luận sai. UNESCO khuyến nghị nhà nghiên cứu, giáo viên và người học cần duy trì thái độ phản biện đối với mọi nội dung do AI sinh ra. Đặc biệt, người học trẻ nếu thiếu kiến thức nền dễ chấp nhận kết quả hời hợt hoặc có hại.

6.2. Hệ thống hộp đen

Nhiều hệ thống AI thương mại được vận hành như “hộp đen”: người sử dụng chỉ quan sát được đầu vào và đầu ra, trong khi quá trình nội tại khó nắm bắt. Bốn nguyên nhân chính gồm: (i) nhà cung cấp không công khai vì lý do thương mại; (ii) mô hình quá phức tạp để giải thích đầy đủ; (iii) kết quả mang tính xác suất; và (iv) không gian tương tác lớn tạo ra các trường hợp khó dự đoán trước. Khi mua sắm hệ thống phục vụ nhiệm vụ quan trọng, tổ chức cần yêu cầu tài liệu về dữ liệu huấn luyện, hiệu suất, giới hạn, kiểm thử, giám sát và phân định trách nhiệm. Không nên chấp nhận lý do “bí mật thương mại” để bỏ qua các yêu cầu tối thiểu về an toàn và khả năng giải trình.

6.3. Thiên vị thuật toán

Nghiên cứu của MIT đã chỉ ra rằng nhiều hệ thống nhận dạng khuôn mặt của các nhà cung cấp hàng đầu thể hiện thiên vị theo chủng tộc và giới tính. Nguyên nhân thường bắt nguồn từ dữ liệu huấn luyện mất cân bằng hoặc nhãn mang thiên vị lịch sử. Hệ quả có thể bao gồm quyết định sai lệch với nhóm yếu thế, rủi ro pháp lý và làm trầm trọng thêm bất bình đẳng hiện có. Do đó, việc kiểm tra và giảm thiểu bias cần được xem là yêu cầu bắt buộc trước khi triển khai.

6.4. Rủi ro dữ liệu và quyền riêng tư

Dữ liệu người dùng cung cấp cho các công cụ AI thương mại có thể được lưu trữ và sử dụng để cải thiện mô hình ở các phiên bản sau. Nguyên tắc quan trọng là không đưa dữ liệu mật, dữ liệu chưa công bố hoặc thông tin cá nhân nhạy cảm lên các hệ thống thương mại khi chưa được phép. Tổ chức nên ưu tiên ẩn danh, tổng hợp dữ liệu và sử dụng các hệ thống đã được phê duyệt nội bộ.

6.5. Tác động tới thị trường lao động

Một quy luật thực tiễn đang được quan sát rộng rãi: công việc càng gắn với giấy tờ, văn bản và quy trình chuẩn hóa thì càng dễ bị AI hỗ trợ hoặc thay thế một phần; công việc càng gắn với tương tác người – người, lãnh đạo, đàm phán và sáng tạo trong ngữ cảnh phức tạp thì càng khó bị thay thế hoàn toàn. AI đang tái cấu trúc bản chất công việc nhiều hơn là xóa sổ nghề nghiệp. Người lao động và tổ chức làm chủ được công cụ AI sẽ nắm lợi thế cạnh tranh rõ rệt.

7. Khung mức tự chủ và phân loại dữ liệu

7.1. Các mức tự chủ của AI

Việc xác định mức tự chủ phù hợp là điều kiện tiên quyết để triển khai AI an toàn:

• Mức 0: Con người thực hiện toàn bộ.
• Mức 1: AI đưa ra gợi ý, con người quyết định (mức phù hợp mặc định với hầu hết công việc hành chính và hồ sơ công dân).
• Mức 2: AI thực hiện, con người giám sát.
• Mức 3 trở lên: AI tự vận hành trong phạm vi xác định – chỉ nên áp dụng khi có khung kiểm soát, rào chắn an toàn và cơ chế truy vết rõ ràng.

7.2. Bốn mức dữ liệu

Việc phân loại dữ liệu trước khi sử dụng AI cần được thể chế hóa thành quy định nội bộ ngắn gọn:

• Mức A (Công khai / không nhạy cảm): có thể sử dụng AI thương mại.
• Mức B (Nội bộ, chưa công bố): cần kiểm soát chặt; đây là mức dễ bị bỏ qua nhất trong thực tế.
• Mức C (Hạn chế / mật): chỉ sử dụng trên hệ thống đã được phê duyệt.
• Mức D (Tuyệt mật / dữ liệu cá nhân nhạy cảm): không đưa lên các công cụ AI thương mại.

8. Hướng ứng dụng thực tiễn trong công việc

Một số hướng ứng dụng đang được triển khai rộng rãi và mang lại hiệu quả cao khi được kiểm soát đúng mức:

• Soạn thảo và tóm tắt: hỗ trợ soạn bài phát biểu, báo cáo, tóm tắt tài liệu dài và chuẩn bị câu hỏi chất vấn.
• Tổng hợp thông tin: gom và phân nhóm phản ánh của người dân, báo chí theo chủ đề; phát hiện các nhóm vấn đề tăng đột biến.
• Tự động hóa công việc lặp lại: đóng gói thành kỹ năng (skill) và thiết lập kế hoạch thực hiện định kỳ.
• Hỏi đáp trên tài liệu: các công cụ như NotebookLM (Google) cho phép tải tài liệu lên và thực hiện hỏi đáp, tóm tắt dựa trên nội dung đã cung cấp. Đây là giải pháp tiện lợi cho cá nhân hoặc nhóm nhỏ trên hạ tầng Google. Khi yêu cầu bảo mật cao hoặc dữ liệu thuộc mức C/D, tổ chức nên ưu tiên các giải pháp chạy cục bộ.
• Tác tử làm việc trên hồ sơ: rà soát hồ sơ trước khi trình ký, thao tác trực tiếp trên thư mục làm việc cục bộ.
• Mô hình chạy cục bộ: khi yêu cầu bảo mật cao, ưu tiên các giải pháp on-premise (Ollama, vLLM kết hợp giao diện Open WebUI, AnythingLLM hoặc tương đương) trên hạ tầng do đơn vị tự kiểm soát, thay vì đưa tài liệu lên các nền tảng đám mây công cộng.

9. Kết luận và khuyến nghị

Trí tuệ nhân tạo đang chuyển từ công cụ trả lời sang hệ thống có khả năng hành động và từng bước tự vận hành. Trong bối cảnh đó, tổ chức cần tiếp cận AI một cách có hệ thống, vừa khai thác tiềm năng vừa kiểm soát rủi ro. Các khuyến nghị chính bao gồm:

1. AI là công cụ tăng cường, không thay thế tư duy phản biện và trách nhiệm của con người. Mọi kết quả quan trọng cần được kiểm chứng.
2. Phân loại dữ liệu trước khi sử dụng AI và thể chế hóa thành quy định nội bộ ngắn gọn, dễ thực thi.
3. Lựa chọn mức tự chủ phù hợp với tính chất công việc; ưu tiên mức 1–2 đối với hầu hết hoạt động hành chính và quyết định quan trọng.
4. Xây dựng năng lực sử dụng AI trong tổ chức, bao gồm kỹ năng đặt câu hỏi hiệu quả, nhận diện bias, vận hành tác tử an toàn và sử dụng mô hình cục bộ khi cần.
5. Quản trị rủi ro ngay từ giai đoạn lựa chọn và mua sắm hệ thống: yêu cầu đầy đủ tài liệu về dữ liệu, hiệu suất, giới hạn và phân định trách nhiệm.

Tổ chức nào sớm hình thành năng lực sử dụng AI có kiểm soát, có phân loại dữ liệu rõ ràng và duy trì tư duy phản biện sẽ nắm vị thế chủ động trong giai đoạn chuyển đổi số tiếp theo.

Viện Sáng tạo và Chuyển đổi số (ICDT)

Đồng hành cùng tổ chức trong nghiên cứu, đào tạo và triển khai trí tuệ nhân tạo an toàn, hiệu quả và phù hợp với điều kiện thực tiễn.

Thạc sĩ Phạm Trung Thành