Tự xây mô hình kinh doanh AI: pháp lý, đạo đức và lộ trình triển khai (Phần 3/3)

Đăng ngày 23/10/2026

Tóm tắt và điều cần nhớ

Đây là phần cuối của chuỗi 3 phần về mô hình kinh doanh trí tuệ nhân tạo (AI). Hai phần trước bàn các cách thu tiền và điều kiện sinh lời; phần này bàn pháp lý, đạo đức, xu hướng và cách tự dựng mô hình từ vấn đề của khách.

• Mô hình AI đứng vững khi có đủ: khách trả tiền cho vấn đề cụ thể, dữ liệu dùng đúng quyền, con người giám sát kết quả.
• Luật Trí tuệ nhân tạo của Việt Nam hiệu lực từ 1/3/2026[1]; Đạo luật AI của EU áp dụng rộng từ 2/8/2026[2].
• Dựng theo thứ tự: đề xuất giá trị, đội ngũ, dữ liệu, triển khai, rồi chọn cách thu tiền.
• Doanh thu định kỳ chưa chắc an toàn khi một đối tác lớn đổi kế hoạch[3].
• Bắt đầu từ bài toán hẹp, thử 2–4 tuần, đo bằng chỉ số đặt trước.

Bối cảnh: sau khi chọn cách thu tiền

Chọn được cách thu tiền mới là nửa đầu. Nửa sau là biến ý tưởng thành hệ thống chạy ổn định, qua được kiểm tra của luật và đủ đáng tin để khách giao việc quan trọng. Tài liệu nguồn viết khoảng năm 2022 nên chưa phản ánh văn bản mới; bài đối chiếu lại với quy định và trường hợp thực tế đến tháng 10/2026.

Ba văn bản khiến việc này gấp hơn vì đều có hiệu lực hoặc áp dụng rộng trong năm 2026: Luật Bảo vệ dữ liệu cá nhân[4], Luật Trí tuệ nhân tạo[1] của Việt Nam và Đạo luật AI của EU[2]. Câu hỏi của khách về độ chính xác, quyền dùng dữ liệu và người chịu trách nhiệm nên được trả lời ngay trong hồ sơ bán hàng, không chờ đến khi có sự cố.

Khái niệm cốt lõi và thuật ngữ

• AI đáng tin cậy (trustworthy AI): hợp pháp, an toàn, công bằng, minh bạch và có người chịu trách nhiệm.
• Giải thích được (explainability): nói được vì sao mô hình ra kết quả đó.
• Thiên lệch thuật toán (algorithmic bias): kết quả kém công bằng với một nhóm do dữ liệu hoặc thiết kế.
• Giám sát của con người (human oversight): người được xem, sửa hoặc bác kết quả trước khi nó có hiệu lực.
• Đánh giá tác động (impact assessment): rà soát trước triển khai xem ai được lợi, ai chịu thiệt.
• Thử nghiệm có kiểm soát (regulatory sandbox): thử giải pháp trong phạm vi, thời hạn giới hạn dưới sự theo dõi của cơ quan quản lý.
• Thử nghiệm khái niệm (proof of concept, PoC): bản thử nhỏ chứng minh lời hứa giá trị trước khi đầu tư lớn.

Rủi ro pháp lý và cách giữ tuân thủ

Một sản phẩm AI thường chịu ba lớp quy định chồng nhau. Lớp thứ nhất là luật dữ liệu và quyền riêng tư, như GDPR, CCPA và Luật Bảo vệ dữ liệu cá nhân của Việt Nam, nơi chủ thể có quyền đồng ý, rút lại sự đồng ý và yêu cầu bên kiểm soát thực hiện kịp thời[4]. Lớp thứ hai là quy định riêng cho AI. Lớp thứ ba là quy định theo ngành như tài chính, y tế.

Ở lớp thứ hai, Quốc hội thông qua Luật Trí tuệ nhân tạo ngày 10/12/2025, hiệu lực từ 1/3/2026. Luật chia hệ thống AI thành ba mức rủi ro (cao, trung bình, thấp) theo tác động tới quyền con người và an toàn, lĩnh vực sử dụng, quy mô ảnh hưởng[1]. Theo VnEconomy, nhóm rủi ro cao gồm tài chính, y tế, tư pháp, lao động, giáo dục, với yêu cầu giám sát của con người trong quyết định quan trọng; luật còn nêu sandbox, AI Voucher và Quỹ Phát triển AI quốc gia[5].

Đạo luật AI của EU phân tầng cụ thể hơn: rủi ro không chấp nhận được (bị cấm, như chấm điểm xã hội), rủi ro cao (như việc làm, giáo dục, chấm điểm tín dụng), rủi ro về minh bạch và rủi ro tối thiểu. Luật có hiệu lực từ 1/8/2024; nghĩa vụ cho hệ thống rủi ro cao được lùi tới 2/12/2027 và 2/8/2028 sau gói điều chỉnh có hiệu lực ngày 27/7/2026[2].

Vi phạm gây ba loại thiệt hại: tiền phạt, mất uy tín và gián đoạn khi sản phẩm bị yêu cầu dừng hoặc sửa. Bốn việc giữ chi phí tuân thủ thấp: theo dõi thay đổi pháp lý từng thị trường; lập sổ hệ thống AI kèm mức rủi ro và nguồn dữ liệu; đưa nguyên tắc đạo đức vào hợp đồng; kiểm tra định kỳ bởi người ngoài dự án. Vì chủ thể có thể rút lại sự đồng ý, hãy ghi căn cứ của từng tập dữ liệu để còn gỡ ra khi cần.

Đạo đức thành quy trình vận hành

Đạo đức chỉ có tác dụng khi thành cơ chế kiểm tra được. Bốn cơ chế cơ bản: kết quả giải thích được khi quyết định ảnh hưởng quyền lợi người dùng; công bằng, tức đo kết quả theo từng nhóm khách bằng dữ liệu đại diện; riêng tư, tức thu thập vừa đủ và kiểm soát truy cập; trách nhiệm, tức mỗi hệ thống có một người đứng tên. Một bài báo tháng 9/2025 về ngân hàng lưu ý nhiều mô hình vẫn là hộp đen, khó giải thích vì sao từ chối khoản vay[6].

Cơ chế tiếp theo là giữ con người ở vị trí quyết định: người dùng và nhân viên được xem lại, sửa hoặc bác kết quả của AI, và quyền này dùng được trong thực tế. Trước khi triển khai, làm đánh giá tác động xã hội: ai được lợi, ai chịu thiệt, công việc nào thay đổi. Tổ chức lớn lập uỷ ban đạo đức; doanh nghiệp nhỏ có thể giao một người quyền dừng dự án và họp rà soát mỗi quý.

Niềm tin công chúng đến từ việc nói rõ AI làm gì và không làm gì, dùng AI vào việc có ích, và đối xử công bằng với người lao động. Với nỗi lo mất việc, hướng bền hơn là dùng AI bổ trợ thay vì thay thế, đào tạo lại kỹ năng và tạo vai trò mới như người kiểm tra kết quả. Tham gia chuẩn ngành và lắng nghe cơ quan quản lý cũng giúp bạn biết trước hướng đi của luật.

Xu hướng: ba dịch chuyển và một rủi ro dài hạn

Dịch chuyển thứ nhất: AI đi từ dự báo sang ra quyết định và tự động hoá, như đánh giá rủi ro, dự báo nhu cầu và tồn kho, cá nhân hoá, robot phần mềm (RPA), trợ lý ảo, tối ưu chuỗi cung ứng. Lợi thế thuộc về ai gắn AI vào một quy trình có chỉ số đo được.

Dịch chuyển thứ hai: dữ liệu thành tài sản chiến lược, năng lực AI được bán như dịch vụ (AI as a Service) giúp khách ra sản phẩm nhanh hơn, và mô hình người cùng máy (trí tuệ tăng cường, augmented intelligence) thành mặc định ở lĩnh vực nhạy cảm: AI đề xuất, người chịu trách nhiệm quyết định cuối.

Dịch chuyển thứ ba: các công ty khởi nghiệp hẹp và nhanh, đưa xử lý ngôn ngữ tự nhiên, thị giác máy tính, phân tích dự đoán vào y tế, tài chính, bán lẻ qua vòng phát triển ngắn và quan hệ đối tác chặt. Tại Việt Nam, Drylab AI do ba nhà sáng lập người Việt lập năm 2025 chọn riêng nghiên cứu khoa học sự sống, gọi 3 triệu USD vốn hạt giống và cho biết đã có khách trả phí ở Mỹ, châu Âu, châu Á[7].

Rủi ro dài hạn là máy tính lượng tử: tài liệu nguồn cho rằng nó có thể tăng tốc tối ưu hoá, mô phỏng, phân tích dữ liệu nhưng còn vướng phần cứng, và có thể làm yếu một số cách mã hoá hiện nay. Với phần lớn doanh nghiệp, đây là mục theo dõi về an toàn dữ liệu, chưa phải kế hoạch kinh doanh.

Đề xuất giá trị và đội ngũ

Mô hình bắt đầu từ nỗi đau của khách, không phải từ công nghệ. Trước khi viết dòng mã nào, hãy nghiên cứu thị trường, phỏng vấn hoặc khảo sát khách mục tiêu để nghe họ mô tả khó khăn bằng lời của họ, và phân tích đối thủ để tìm khoảng trống. Sau đó phát biểu giá trị bằng kết quả khách đo được (giờ làm, tỷ lệ lỗi, chi phí), rồi mới nói AI góp phần thế nào.

Lời hứa cần bằng chứng theo ba lớp: câu chuyện khách hàng có số liệu, bản thử khái niệm hoặc dự án thí điểm để khách tự trải nghiệm, và bảng tính hoàn vốn (ROI) cho từng khách. Nên nêu cả giới hạn, như độ chính xác bao nhiêu và phần nào cần người kiểm tra; lời hứa có điều kiện thường đáng tin hơn lời hứa tuyệt đối.

Về đội ngũ, năm vai trò quen thuộc là chiến lược gia AI, nhà khoa học dữ liệu, kỹ sư AI, chuyên gia ngành và người thiết kế trải nghiệm (hình 3). Doanh nghiệp nhỏ chưa cần đủ năm người; vai trò khó thuê ngoài nhất là chuyên gia ngành, người hiểu quy trình và khách đủ sâu để biết kết quả nào là đúng. Các vai trò còn lại có thể mượn từ đối tác hoặc trường đại học trong giai đoạn thử.

Cách làm việc cũng quan trọng: nhóm liên ngành, lãnh đạo đặt mục tiêu rõ, vòng làm việc ngắn kiểu Scrum hoặc Kanban, học liên tục. Giữ người giỏi cần lương và quyền chọn cổ phần cạnh tranh, dự án có tác động thật, cơ hội học và văn hoá linh hoạt.

Dữ liệu và vòng đời mô hình

Dữ liệu vào theo bốn đường: nội bộ (hồ sơ khách, nhật ký giao dịch), bên ngoài (bộ dữ liệu công khai, nhà cung cấp), hợp tác với đối tác có dữ liệu bổ sung, và dữ liệu tổng hợp khi dữ liệu thật khan hiếm. Nên bắt đầu từ dữ liệu nội bộ vì bạn biết nguồn gốc và quyền sử dụng; mỗi nguồn ngoài cần kiểm tra giấy phép và căn cứ pháp lý trước khi huấn luyện.

Chất lượng quyết định chất lượng mô hình: làm sạch lỗi và giá trị thiếu, gán nhãn nhất quán, đối chiếu với nguồn ngoài, kiểm tra thiên lệch theo nhóm. Quản trị đi kèm gồm phân quyền truy cập theo vai trò, lưu trữ mở rộng được, quản lý phiên bản, ghi nguồn gốc dữ liệu (data lineage) và quy định thời hạn giữ.

Chọn thuật toán theo bốn câu hỏi: loại bài toán (học có giám sát, không giám sát hay tăng cường), đặc điểm dữ liệu, hiệu năng và chi phí, mức cần giải thích được. Chia dữ liệu thành tập huấn luyện, kiểm định, kiểm tra; chọn chỉ số theo chi phí của sai lầm, vì bỏ sót khách rủi ro và từ chối nhầm khách tốt tốn kém khác nhau.

Khi vận hành, cần hạ tầng đủ tải, theo dõi độ chính xác, thời gian phản hồi và tài nguyên, cập nhật khi dữ liệu thực tế đổi, và vòng phản hồi đưa ý kiến người dùng thành dữ liệu mới. Mỗi lần cập nhật nên kèm một lượt rà soát đạo đức ngắn.

Cách thu tiền và bốn thách thức quen thuộc

Thuê bao (subscription) hợp với sản phẩm dùng thường xuyên: chia gói cơ bản, tiêu chuẩn, cao cấp theo tính năng, mức hỗ trợ và quyền dùng năng lực AI nâng cao; cho dùng thử để khách tự thấy giá trị; chăm sóc khách vì khách gia hạn khi dùng được việc. Điều kiện sống còn: chi phí tính toán mỗi khách thấp hơn giá gói họ chọn.

Cấp phép và nhãn trắng (white-label) hợp với công nghệ đã chứng minh ở nhiều ngành. Cần bảo hộ sở hữu trí tuệ (bằng sáng chế, bản quyền, bí mật kinh doanh) kèm tư vấn pháp lý; thiết kế phí linh hoạt: trả một lần, chia doanh thu hoặc tính theo mức dùng. Nhãn trắng mở rộng độ phủ nhưng bạn nhường thương hiệu và quan hệ khách cuối.

Kiếm tiền từ dữ liệu có bốn dạng: sản phẩm dữ liệu đã tổng hợp và ẩn danh, thông tin phân tích bán theo thuê bao, hợp tác dữ liệu với đối tác, và sàn dữ liệu. Luật Bảo vệ dữ liệu cá nhân cấm mua bán dữ liệu cá nhân, trừ trường hợp luật khác có quy định[8], nên cần luật sư xác nhận trước khi biến dữ liệu thành sản phẩm.

Bốn thách thức lặp lại ở hầu hết dự án: dữ liệu thiếu hoặc kém, ràng buộc pháp lý và đạo đức, thiếu nhân lực, cạnh tranh. Cách đáp: theo dõi chất lượng dữ liệu liên tục, có khung đạo đức kèm tư vấn pháp lý, hợp tác với trường để tìm người, chọn một ngách để thành người giỏi nhất, kết hợp liên minh bổ trợ.

Cách áp dụng từng bước

• Bước 1: chọn một quy trình hẹp có chi phí đo được; phỏng vấn ít nhất năm khách hoặc người dùng nội bộ để xác nhận nỗi đau.
• Bước 2: kiểm kê dữ liệu: có gì, của ai, dùng theo căn cứ nào, chất lượng ra sao.
• Bước 3: phân loại mức rủi ro, nêu nhóm có thể bị ảnh hưởng, chỉ định người chịu trách nhiệm.
• Bước 4: dựng bản thử nhỏ có người kiểm tra, đo bằng chỉ số đặt trước.
• Bước 5: chọn cách thu tiền khớp với cách khách dùng và chi phí vận hành.
• Bước 6: triển khai theo giai đoạn, theo dõi độ chính xác và phản hồi, rà soát đạo đức mỗi lần cập nhật.

Ví dụ quốc tế: Upstart và Ocado

Năm 2017, Cục Bảo vệ Tài chính Người tiêu dùng Mỹ (CFPB) cấp cho Upstart, công ty cho vay dùng học máy và dữ liệu thay thế, một thư không xử lý (no-action letter), với điều kiện có kế hoạch quản lý rủi ro mô hình, đánh giá tác động thực tế và gửi CFPB số liệu so sánh. Báo cáo tháng 8/2019, số liệu do Upstart cung cấp và CFPB không tự kiểm lại, cho thấy mô hình duyệt nhiều hơn 27% hồ sơ với lãi suất trung bình thấp hơn 16%, không có chênh lệch cần phân tích thêm với các nhóm được bảo vệ[9]. Bài học: ở ngành bị quản lý, bằng chứng về công bằng là một phần của sản phẩm.

Ocado (Anh) cung cấp nền tảng kho tự động cho các chuỗi bán lẻ thực phẩm. Năm tài chính kết thúc 30/11/2025, mảng Technology Solutions phục vụ 13 đối tác, thu 561,2 triệu bảng, tăng 13,0%; riêng phí công suất định kỳ là 444,2 triệu bảng, thường gắn chỉ số giá và số mô-đun đang chạy. Kroger quyết định đóng ba trung tâm xử lý đơn (thông báo 18/11/2025); Ocado nhận 261 triệu bảng sau cuối năm, chủ yếu thay phí công suất tương lai[3]. Bài học: doanh thu định kỳ cần điều khoản bồi hoàn và không nên dồn vào vài khách.

Tình huống áp dụng tại Việt Nam

Ngân hàng cho thấy cả cơ hội lẫn vướng mắc. Theo Tạp chí Thị trường Tài chính Tiền tệ, MB từ năm 2024 dùng AI kết hợp dữ liệu lớn để chấm điểm tín dụng cá nhân, trong khi mô hình hộp đen vẫn khó giải thích lý do từ chối vay[6]. Nghị định 94/2025/NĐ-CP (hiệu lực 1/7/2025) lập cơ chế thử nghiệm có kiểm soát cho chấm điểm tín dụng, Open API và cho vay ngang hàng, tối đa 2 năm[10]. Đến tháng 6/2026 chưa tổ chức nào được cấp giấy chứng nhận vì mô hình mới, chưa có tiền lệ[11]; Nghị định 382/2026/NĐ-CP (6/10/2026) sửa đổi để tinh giản hồ sơ[12].

GreenNode, đơn vị làm sản phẩm xử lý hồ sơ GreenNode IDP, biến giới hạn thành điểm bán: công bố độ chính xác ở cấp trường thông tin khoảng 99% với chữ in và 94% với chữ viết tay tiếng Việt, nói thẳng rằng trong 100 trường có 5 đến 6 trường cần người kiểm tra, và hệ thống chuyển các trường kém tin cậy cho người xác minh. Sản phẩm có thể chạy trên hạ tầng của khách hoặc đám mây đặt tại Việt Nam. Các kết quả, như hơn 2.000 ngày công tiết kiệm ở một ngân hàng không nêu tên, do doanh nghiệp tự công bố[13].

Ở bán lẻ và phân phối, lãnh đạo Thiên Long, Cholimex Food và đại diện Viettel Solutions chỉ ra điểm nghẽn: dữ liệu rải ở nhiều hệ thống, thiếu chuẩn hoá nên dự báo và gợi ý đặt hàng khó chính xác; nhiều nơi mua công nghệ trước khi xác định bài toán. Lời khuyên là bắt đầu từ tình huống hẹp có chỉ số thành công rõ rồi mới mở rộng; Cholimex Food dùng Viettel DMS từ 2018[14]. Bài báo có phần quảng bá sản phẩm Viettel.

Sai lầm, giới hạn và khi không nên dùng

• Chọn công nghệ trước rồi mới tìm bài toán.
• Coi tuân thủ là thủ tục cuối, trong khi sửa sau khi huấn luyện tốn hơn thiết kế đúng từ đầu.
• Hứa độ chính xác tuyệt đối thay vì nêu giới hạn và cách kiểm tra.
• Dồn doanh thu vào một đối tác lớn mà không có điều khoản bồi hoàn.
• Dùng dữ liệu không rõ quyền, rồi không gỡ được khi bị yêu cầu.

Giới hạn của bài: tài liệu nguồn từ năm 2022, năm trường hợp ngành trong đó chưa kiểm chứng nên không dùng; kết quả của GreenNode và Drylab là lời doanh nghiệp; quy định đổi nhanh và bài không phải tư vấn pháp lý. Không nên tự xây khi thiếu dữ liệu riêng, khách chưa sẵn sàng trả tiền, hoặc công cụ có sẵn đã đủ dùng.

Kế hoạch 2–4 tuần và câu hỏi tự kiểm

• Tuần 1: chọn bài toán, phỏng vấn năm khách, đo chi phí hiện tại làm chuẩn so sánh.
• Tuần 2: kiểm kê dữ liệu và căn cứ pháp lý, phân loại mức rủi ro, chỉ định người chịu trách nhiệm.
• Tuần 3: chạy bản thử với người kiểm tra, ghi độ chính xác và lỗi theo nhóm khách.
• Tuần 4: so với chỉ số đặt trước rồi quyết định mở rộng, chỉnh hoặc dừng.

Câu hỏi tự kiểm: nếu khách chiếm phần lớn doanh thu rút đi, mô hình còn đứng được không? Khi cơ quan quản lý hoặc khách hỏi vì sao hệ thống ra kết quả này, bạn trả lời bằng tài liệu nào? Nhóm khách nào có thể bị đối xử kém hơn, và bạn đo điều đó ra sao?

Kết luận

Xây một doanh nghiệp AI là xây một chuỗi liền mạch: vấn đề khách chịu trả tiền, dữ liệu đúng quyền, mô hình có người giám sát, cách thu tiền không phụ thuộc quá mức vào một đối tác, và hồ sơ tuân thủ đủ để trả lời mọi câu hỏi. Đây là phần cuối của chuỗi; khi cần chọn cách thu tiền, hãy đọc lại phần 2, và khi cần nền tảng khái niệm, quay lại phần 1.

Nguồn và phương pháp

Bài là tổng hợp và phân tích có hỗ trợ AI, diễn đạt lại bằng lời riêng, không phải bản dịch. Phần khung kiến thức dựa trên tài liệu 'AI Business Models' (Daniel Pereira, bản quyền 2022), phần cuối (trang 135 đến 200 của bản PDF), được sắp xếp lại theo câu hỏi của người đọc; năm trường hợp ngành trong tài liệu không được dùng vì chưa kiểm chứng, còn các bước, danh mục kiểm tra và nhận định so sánh là phân tích của bài.

Số liệu và sự kiện thực tế lấy từ các nguồn web đánh số trong bài, truy cập ngày 20/10/2026. Điều chưa kiểm chứng: kết quả của GreenNode IDP và Drylab AI do doanh nghiệp tự công bố; số liệu Upstart do công ty cung cấp cho CFPB; chi tiết về sandbox, AI Voucher và quỹ phát triển trong Luật Trí tuệ nhân tạo theo VnEconomy, cần đối chiếu văn bản gốc; nhận định về máy tính lượng tử lấy từ tài liệu nguồn. Bài không phải tư vấn pháp lý; nên đọc tài liệu gốc để có đầy đủ chi tiết.