AI tại Việt Nam: dữ liệu, năng lực và cơ hội startup

Đăng ngày 23/10/2026

Tóm tắt

• Cơ hội cho startup nằm trong một quy trình có người dùng, dữ liệu và người trả tiền cụ thể.
• Việt Nam đã có chiến lược AI ban hành tháng 8/2026 cùng khung luật đang áp dụng; cần tách định hướng khỏi kết quả đã đạt.
• PhoBERT và PhoGPT là những đóng góp có nguồn, nhưng không đại diện cho mọi mô hình tiếng Việt hoặc mọi năng lực hiện nay.
• Chỉ số sẵn sàng của chính phủ và chỉ số đổi mới sáng tạo không phải phép đo nhu cầu mua của từng doanh nghiệp.
• Lựa chọn mô hình phải đi cùng bộ kiểm tiếng Việt, quyền dữ liệu, chi phí vận hành và khả năng xử lý khi sai.

Một startup có thể làm bản trình diễn trả lời tiếng Việt khá trôi chảy trong một buổi chiều. Nhưng để nhân viên thực sự dùng trong việc hằng ngày, đội còn phải xử lý tài liệu cũ, từ viết tắt nội bộ, quyền truy cập, dữ liệu thiếu và những câu hỏi không nên tự trả lời. Khoảng cách từ bản trình diễn đến công việc hoàn tất là nơi cần khảo sát cơ hội.

Bài này đặt những nguồn công khai về chính sách, nghiên cứu và sản phẩm cạnh các câu hỏi thiết kế kinh doanh. Nó không lập bảng xếp hạng các doanh nghiệp AI, không ước lượng thị phần và không coi số liệu về một hệ sinh thái là doanh thu mà startup chắc chắn có thể lấy được. Các khung thử dưới đây là đề xuất của tác giả.

AI tại Việt Nam: chính sách cần được đọc theo phiên bản

Quyết định 1671/QĐ-TTg ngày 28/8/2026 phê duyệt Chiến lược quốc gia về trí tuệ nhân tạo đến năm 2030, tầm nhìn đến năm 2045. Phần quan điểm nhấn mạnh nhân lực, hạ tầng, dữ liệu và việc xây năng lực AI trong thiết kế, tổ chức, vận hành.[1] Bài dẫn định hướng trong văn bản, không trình bày các mục tiêu tương lai như năng lực đã hoàn thành của nền kinh tế.

Văn bản luật 134/2025/QH15 về trí tuệ nhân tạo bắt đầu áp dụng từ tháng 3/2026, với những nội dung về phân loại, minh bạch và trách nhiệm liên quan tới hệ thống.[2] Vì thế, không nên mô tả bối cảnh tại Việt Nam chỉ bằng chiến lược năm 2021 hoặc nói khung luật còn hoàn toàn ở tương lai. Phạm vi áp dụng cụ thể vẫn cần hồ sơ sản phẩm và các hướng dẫn liên quan.

Vận dụng của tác giả là tách ba câu hỏi khi đọc chính sách: Nhà nước định hướng điều gì, đã có văn bản nào điều chỉnh hoạt động, và startup đang có khả năng thực hiện phần nào? Một định hướng hỗ trợ nghiên cứu không tự tạo quyền dùng dữ liệu của doanh nghiệp khác. Một mục tiêu hạ tầng cũng không đồng nghĩa đội có thể đặt ngay tài nguyên tính toán ở điều kiện mình muốn.

Người sáng lập nên giữ danh sách nguồn chính thức cùng ngày kiểm, rồi nối chúng với quyết định vận hành. Ví dụ giả định, trước khi thử trợ lý đọc hồ sơ, đội cần xác định quyền dữ liệu và cách người dùng kiểm lại đầu ra. Tính năng phù hợp với định hướng chuyển đổi chưa đủ để kết luận đã đáp ứng các nghĩa vụ. Cách đọc theo phiên bản giúp giảm việc lấy một kế hoạch cũ làm căn cứ cho quyết định hiện tại.

PhoBERT cho thấy giá trị của nghiên cứu theo ngôn ngữ

Bài PhoBERT của Dat Quoc Nguyen và Anh Tuan Nguyen công bố tại Findings of EMNLP năm 2020 giới thiệu các mô hình tiền huấn luyện đơn ngữ cho tiếng Việt. Tóm tắt nêu những nhiệm vụ được đánh giá như gán nhãn từ loại, phân tích phụ thuộc, nhận diện thực thể và suy luận ngôn ngữ.[3] Kết quả trong phạm vi nghiên cứu lúc đó không phải chứng nhận mô hình phù hợp mọi ứng dụng hiện nay.

Với startup, một bài học phương pháp là định nghĩa nhiệm vụ trước khi chọn công cụ. Tách tên sản phẩm, tìm thực thể trong văn bản, phân loại yêu cầu và sinh câu trả lời dài là những việc khác nhau. Nếu chỉ hỏi mô hình nào nổi tiếng nhất, đội có thể mua năng lực không cần hoặc bỏ qua một giải pháp đơn giản hơn.

Khi dùng kết quả học thuật làm nền, hãy ghi bộ dữ liệu, phiên bản và điều kiện mà kết quả thuộc về. Sau đó tạo tập kiểm sát tài liệu của khách. Một câu viết đúng ngữ pháp chưa cho thấy hệ thống nhận ra đúng mã hàng hoặc ngày hiệu lực. Người có chuyên môn ngành cần tham gia xác định lỗi nào chấp nhận được trong thử nghiệm và lỗi nào phải chặn.

PhoGPT mở thêm lựa chọn nhưng cũng công bố giới hạn

Kho PhoGPT của VinAIResearch mô tả một dòng mô hình tạo sinh tiếng Việt và biến thể hội thoại, kèm tài liệu kỹ thuật có năm 2023. Phần giới hạn nêu khả năng sinh thông tin sai, nội dung thiên lệch và hạn chế ở một số loại nhiệm vụ.[4] Bài dùng mô tả của bên phát hành để xác nhận phạm vi được công bố; không coi tuyên bố hiệu năng là phép thử độc lập của tác giả.

Điều này gợi một cách đọc mô hình mở: xem tài liệu năng lực cùng giới hạn, giấy phép và điều kiện chạy. Tải được trọng số chưa đồng nghĩa đã có dịch vụ ổn định. Nhóm còn phải chuẩn bị môi trường, kiểm đầu ra và tổ chức cập nhật khi thay phiên bản hoặc thay cách xử lý tài liệu.

Cũng cần tránh lẫn nghiên cứu với sở hữu hiện tại của mọi hoạt động doanh nghiệp có cùng tên. Bài này không xác nhận các thay đổi cơ cấu công ty, không lập danh sách tất cả mô hình mới và không gọi PhoGPT là lựa chọn tốt nhất năm 2026. Nó là một trường hợp có nguồn để bàn về việc chuyển tài sản nghiên cứu thành một phương án có thể kiểm trong sản phẩm.

Chỉ số quốc tế trả lời những câu hỏi khác nhau

Oxford Insights giải thích Government AI Readiness Index 2025 xoay quanh khả năng chính phủ khai thác AI vì lợi ích công; bản năm này có điều chỉnh phương pháp và phạm vi so với trước.[5] Chỉ số ấy không đo trực tiếp chất lượng của từng startup, và bài không đưa thứ hạng Việt Nam khi chưa đối chiếu được dữ liệu gốc đầy đủ theo đúng kỳ.

Kết quả GII 2026 của WIPO ghi Việt Nam ở vị trí 43. Trang báo cáo đồng thời nhắc các so sánh theo năm phải chú ý thay đổi mô hình và mức sẵn có của dữ liệu.[6] Đây là bối cảnh đổi mới sáng tạo rộng, không phải bảng xếp hạng riêng năng lực AI hoặc bằng chứng khách hàng trong một ngành đang tăng chi tiêu.

Cách dùng thực tế là lấy chỉ số làm điểm khởi đầu cho câu hỏi. Nếu quan tâm nhân lực, cần kiểm khả năng tuyển đúng vai trò và chi phí thực tế. Nếu quan tâm dữ liệu, cần biết có nguồn nào dùng được và ai giữ quyền. Một vị trí quốc gia thuận lợi không tự tháo gỡ trở ngại của một nhóm nhỏ, cũng không thay cuộc phỏng vấn người sẽ mua sản phẩm.

Sản phẩm trong nước cho thấy phần nào đã có lựa chọn

Tài liệu FPT.AI mô tả quy trình thiết kế, kết nối kênh, cập nhật dữ liệu và chuyển cho tư vấn viên hỗ trợ. Phần hướng dẫn cũng nhắc người quản trị cần tiếp tục theo dõi và bổ sung dữ liệu.[7] Nguồn này hướng dẫn cách dùng sản phẩm do nhà cung cấp mô tả, chưa phải kết quả đo của tác giả về tỷ lệ tự động hóa hay hiệu quả tài chính tại khách hàng.

Trang tính năng VNPT Smartbot giới thiệu hỏi đáp văn bản, khởi tạo trợ lý, kết nối tư vấn viên và tích hợp qua API hoặc các kênh giao tiếp.[8] Những mô tả này đủ cho thấy có lựa chọn nền tảng trong nước để khảo sát. Chúng không chứng minh mọi tính năng sẽ đạt cùng chất lượng ở mọi giọng nói, lĩnh vực hay bộ tài liệu.

Tác giả đề xuất dùng danh mục nhà cung cấp như một phần của bài toán tự xây hay tích hợp. Đội nên kiểm một quy trình của khách bằng đầu vào phù hợp, so chất lượng và nghĩa vụ vận hành. Việc một nền tảng đã có chức năng hội thoại không làm mất toàn bộ cơ hội; cơ hội có thể nằm ở dữ liệu, cách triển khai và trách nhiệm phục vụ một nghiệp vụ mà nền tảng chưa giải quyết trọn.

Tiếng Việt cần một bộ kiểm sát công việc

Một tập kiểm hữu ích nên có nhiều cách diễn đạt của cùng một yêu cầu: đầy đủ dấu, thiếu dấu, câu ngắn, từ địa phương và tên riêng của ngành. Nhưng không nên tự bịa một danh sách rồi coi nó đại diện cho người dùng. Hãy xin quyền dùng ví dụ phù hợp, ẩn hoặc thay thông tin cần bảo vệ và giữ lại nguồn gốc của quyết định gán nhãn.

Với một trợ lý tra cứu giả định, tác giả đề xuất chia câu hỏi thành nhóm có câu trả lời trong tài liệu, nhóm mơ hồ và nhóm không đủ nguồn. Chấm cả việc trả lời đúng, chỉ đúng căn cứ và biết dừng khi thiếu. Nếu chỉ tính những câu hệ thống chịu trả lời, đội sẽ bỏ qua phần người dùng bị từ chối hoặc nhận câu hỏi ngược không cần thiết.

Đầu ra cũng cần người đánh giá đúng chuyên môn. Nhân viên kinh doanh có thể kiểm ngôn ngữ dễ hiểu, nhưng người phụ trách hợp đồng mới xác định được cách diễn giải có giữ đúng điều kiện không. Khi hai người đánh giá khác nhau, lưu lý do trước khi kết luận lỗi ở mô hình. Có thể chính hướng dẫn nội bộ đang chưa nhất quán và cần được sửa trước.

Dữ liệu địa phương không chỉ là nhiều tài liệu hơn

Trong một doanh nghiệp giả định, cùng tên khách có thể được viết khác nhau ở bảng tính, hóa đơn và sổ hỗ trợ. Một quy trình tìm kiếm cần biết nguồn nào có giá trị cho mục đích nào. Thêm tất cả tệp vào kho chưa giải quyết được chuyện một bản hướng dẫn đã hết hiệu lực nhưng vẫn có nội dung giống bản mới.

Tác giả đề xuất bắt đầu bằng danh mục dữ liệu: chủ sở hữu, mục đích được phép, ngày cập nhật, phạm vi người đọc và cách xử lý khi có yêu cầu sửa. Với dữ liệu địa phương, yếu tố tạo khác biệt có thể là khả năng cập nhật đúng và giải thích nguồn, chứ không phải tuyên bố sở hữu một kho khổng lồ.

Điều quan trọng nữa là thiết kế quyền theo công việc. Một nhân viên được phép xem chính sách chung chưa chắc được xem toàn bộ hợp đồng khách. Khi hệ thống đưa đoạn trích ra ngoài, cần kiểm nó không vượt phạm vi đầu vào mà người dùng được xem. Đây là một yêu cầu thiết kế của tình huống minh họa, không phải khẳng định các nền tảng nêu trong bài đã hoặc chưa xử lý vấn đề này.

Mô hình mở và dịch vụ bên ngoài có cấu trúc chi phí khác nhau

Trong cuộc thảo luận về kinh tế của mô hình mở trên YC, Jeffrey Morgan nói về chi phí, khả năng kiểm soát và tùy biến như những lý do doanh nghiệp xem xét mô hình mở.[9] Đây là quan sát và luận điểm trong phỏng vấn YC. Bài không dùng số người dùng, mức tăng token hay một ví dụ khách hàng trong cuộc trò chuyện làm thống kê đại diện toàn thị trường.

Đối với một đội tại Việt Nam, tác giả đề xuất tính tổng chi phí của một công việc hoàn tất. Phí gọi mô hình chỉ là một phần. Cần tính cả tài nguyên chạy, chuẩn bị dữ liệu, giám sát, hỗ trợ và phần con người sửa lỗi. Tự chạy có thể đổi cách kiểm soát dữ liệu nhưng cũng chuyển thêm trách nhiệm vận hành về phía đội.

Nên so hai phương án trên cùng tập kiểm và điều kiện phục vụ, sau đó ghi rõ phần chưa đo. Nếu nhà cung cấp đổi giá hoặc phiên bản, đội có thể tính lại từ hồ sơ cũ. Không nên hứa chắc phương án mở luôn rẻ hơn, hoặc dịch vụ bên ngoài luôn chất lượng hơn. Câu trả lời phụ thuộc tải, chất lượng cần đạt và năng lực thật của nhóm đang xây sản phẩm.

Đi ra quốc tế không xóa bài toán hiểu khách

Trong cuộc thảo luận YC về cơ hội xây công ty AI từ Ấn Độ, các diễn giả bày tỏ niềm tin vào khả năng người xây sản phẩm ở Ấn Độ phục vụ thị trường toàn cầu.[10] Đây là quan điểm tại một chương trình khởi nghiệp, không phải dự báo đã kiểm chứng cho Ấn Độ hay kết luận tự động áp dụng được cho Việt Nam.

Gợi ý vận dụng của tác giả là tách nơi xây đội với nơi giải quyết vấn đề. Một nhóm hiểu sâu quy trình xuất khẩu có thể khảo sát người mua ở nhiều nước; một nhóm hiểu văn bản trong nước có thể bắt đầu ở phạm vi địa phương. Cả hai vẫn phải có đường tiếp cận khách, điều kiện hỗ trợ và hiểu những khác biệt trong cách làm việc.

Đừng coi công cụ dịch tốt là đã có khả năng bán toàn cầu. Hợp đồng, lịch làm việc, chuẩn chất lượng và kỳ vọng chịu trách nhiệm có thể khác. Có thể bắt đầu bằng một nhiệm vụ hẹp mà đội quan sát được tới lúc hoàn tất, thay vì nhận trọn quy trình mà chưa có người hỗ trợ hoặc dữ liệu phù hợp ở thị trường mới.

Nhân lực và hạ tầng cần được tính như phần của sản phẩm

Một đội triển khai ứng dụng không nhất thiết phải tự huấn luyện mô hình nền. Nhưng họ cần đủ năng lực để hiểu dữ liệu, kiểm kết quả và xử lý hệ thống khi hỏng. Người hiểu nghiệp vụ, người vận hành và người phát triển có thể giữ các phần khác nhau; trách nhiệm giữa họ phải được mô tả để không ai mặc định việc kiểm cuối thuộc người khác.

Tác giả đề xuất viết yêu cầu tuyển dụng từ những công việc còn thiếu. Nếu chưa có bộ kiểm, thêm tài nguyên tính toán chưa giải quyết được điểm nghẽn. Nếu lỗi chủ yếu do tài liệu cũ, đổi sang mô hình lớn hơn có thể làm chi phí tăng mà vẫn giữ nguyên nguyên nhân. Hãy nhìn đường đi của một nhiệm vụ lỗi trước khi kết luận cần thêm một vai trò hoặc một cụm máy.

Cũng cần thử điều kiện phục vụ thực: thời gian đáp ứng, mạng không ổn định, tải tăng và khả năng quay về cách làm trước. Một hệ thống nhanh trong phòng thử có thể cần tổ chức hỗ trợ khác khi nhân viên làm việc tại nhiều địa điểm. Những kiểm này dựa trên phạm vi khách đã chọn, không dùng làm nhận xét chung về chất lượng hạ tầng toàn quốc.

Quản trị giúp cơ hội nhỏ trở thành dịch vụ có thể tin

Hướng dẫn ASEAN về quản trị và đạo đức AI năm 2024 được trình bày là hướng dẫn thực hành; tài liệu nêu việc áp dụng tự nguyện và không thay quyền, nghĩa vụ theo pháp luật của thành viên.[11] Bài dùng phạm vi đó để phân biệt hướng dẫn khu vực với một giấy phép chung cho mọi cách dùng AI ở Đông Nam Á.

NIST giới thiệu khung quản trị rủi ro tự nguyện cho thiết kế, phát triển, sử dụng và đánh giá hệ thống.[12] Từ hai nguồn, tác giả đề xuất giữ một sổ theo dõi nhỏ gắn với sản phẩm: mục đích, dữ liệu, các lỗi quan trọng, người kiểm và cách cập nhật. Không có khung nào tự thay thế kết quả kiểm tại khách hoặc nghĩa vụ áp dụng ở Việt Nam.

Khả năng nhận biết giới hạn có thể giúp đội giữ cam kết rõ hơn. Khi chưa đủ nguồn, trợ lý nên nói thiếu căn cứ; khi chưa được phép thực hiện, không tự làm thay. Khi thay mô hình, kiểm lại những nhiệm vụ khách phụ thuộc. Đây là phần dịch vụ thường ít nổi bật trong bản trình diễn, nhưng người mua cần biết ai chịu trách nhiệm khi công cụ không hoàn tất công việc.

Chọn một khoảng trống có thể chứng minh

Để bắt đầu, tác giả gợi ý đội viết một mô tả cụ thể: ai đang mất thời gian ở bước nào, hiện giải quyết bằng gì, dữ liệu có quyền dùng không và ai có ngân sách. Sau đó viết kết quả có thể quan sát. “Giúp doanh nghiệp dùng AI” quá rộng; “giúp nhân viên tìm đúng hướng dẫn còn hiệu lực trước khi xử lý yêu cầu” đã rõ hơn để lập thử nghiệm.

Một khoảng trống đáng làm có thể nằm ở nối dữ liệu, thiết kế giao tiếp hoặc theo dõi kết quả, thay vì một năng lực mô hình hoàn toàn mới. Tuy nhiên, đó mới là giả thuyết cần kiểm. Đội phải biết khách có muốn thay quy trình, sẵn sàng cung cấp đầu vào phù hợp và chấp nhận cách triển khai hay không. Không thể suy ra nhu cầu mua chỉ từ một lỗi kỹ thuật nhìn thấy.

Sau thử nghiệm, giữ cả kết quả thuận và không thuận. Nếu lợi ích thấp hơn công sức chuẩn bị, thu hẹp hoặc đổi vấn đề. Nếu có kết quả, kiểm xem đội phục vụ khách thứ hai với cùng mức trách nhiệm được không. Cơ hội AI tại Việt Nam trở nên cụ thể khi một nhu cầu lặp lại được nối với dữ liệu hợp lệ, giải pháp kiểm được và mô hình phục vụ có thể duy trì.

Nguồn và phương pháp

Bài tổng hợp bằng tiếng Việt này không phải bản dịch. Ngày truy cập: 24/10/2026. Nguồn nghiên cứu gồm tóm tắt PhoBERT, kho phát hành PhoGPT, giới thiệu phương pháp Oxford Insights, phần kết quả WIPO và các tài liệu quản trị ở phạm vi nêu trong bài. Nguồn chính sách dùng quyết định năm 2026 và Luật AI; tư liệu Y Combinator được xem là quan điểm hoặc kinh nghiệm, còn tài liệu nhà cung cấp được dùng cho mô tả tính năng.

AI hỗ trợ tìm nguồn, cấu trúc và soạn bài. Phần chưa kiểm chứng gồm một phép đo thị phần, số nhân lực hoặc tài nguyên tính toán của cả Việt Nam, các thay đổi sở hữu doanh nghiệp, hiệu năng sản phẩm và danh mục mọi mô hình mới. Sơ đồ và tình huống là minh họa của tác giả, không phải dữ liệu khảo sát hay khuyến nghị chọn một nhà cung cấp cụ thể.