LLM tiếng Việt và bài toán dữ liệu của doanh nghiệp Việt

Trong vòng chưa đầy hai tháng, hai tập đoàn công nghệ lớn của Việt Nam lần lượt công bố các mô hình ngôn ngữ lớn (LLM) tự phát triển: Viettel giới thiệu mô hình tiếng Việt VT-Super-120B-A12B với 120 tỷ tham số vào đầu tháng 6, còn Vingroup công bố mô hình lên tới 420 tỷ tham số cùng kho ngữ liệu tiếng Việt hơn 350 tỷ token tại Hội nghị toàn quốc sơ kết Nghị quyết 57-NQ/TW đầu tháng 7. Làn sóng trí tuệ nhân tạo 'Make in Vietnam' đang chuyển từ tuyên ngôn sang hành động thực chất. Song phía sau những con số tham số ấn tượng là một bài toán mà phần lớn doanh nghiệp Việt chưa giải quyết được: dữ liệu nội bộ còn phân tán, chưa sẵn sàng để AI khai thác.

Hai mô hình, một tham vọng chủ quyền

VT-Super-120B-A12B được xây dựng trên kiến trúc mở NVIDIA Nemotron 3 Super, do đội ngũ kỹ sư trong nước trực tiếp huấn luyện qua ba giai đoạn: tiếp tục tiền huấn luyện trên kho dữ liệu tiếng Việt quy mô lớn, tinh chỉnh có giám sát để cải thiện khả năng suy luận, và học tăng cường để nâng cao độ chính xác khi xử lý nghiệp vụ. Điểm đáng chú ý về mặt kỹ thuật là mô hình hạn chế được hiện tượng 'quên kiến thức cũ' — tức tăng cường năng lực tiếng Việt mà không làm suy giảm hiệu năng tiếng Anh của mô hình gốc, một vấn đề nhiều dự án AI địa phương thường gặp.

Ở quy mô lớn hơn, mô hình 420 tỷ tham số dự kiến được triển khai trên siêu ứng dụng V-App thông qua đơn vị công nghệ lõi VinSmart Future — nơi quy tụ gần 4.000 chuyên gia và nhân sự công nghệ. Điểm khác biệt trong chiến lược này là không định vị AI như một sản phẩm độc lập, mà coi đây là lớp hạ tầng phục vụ toàn bộ hệ sinh thái — từ sản xuất, logistics đến y tế và tài chính.

Cả hai hướng đi đều chia sẻ chung một nhận thức: cuộc cạnh tranh AI không chỉ nằm ở số tham số, mà ở khả năng làm chủ mô hình, dữ liệu và năng lực tính toán. Quốc gia hay doanh nghiệp nào làm chủ được ba yếu tố này sẽ có lợi thế trong các chuỗi giá trị công nghệ mới đang hình thành.

Vì sao dữ liệu nội địa quyết định tất cả

Tiếng Việt có hơn 100 triệu người sử dụng nhưng vẫn là ngôn ngữ 'thấp tài nguyên' đối với AI toàn cầu — phần lớn các mô hình quốc tế được huấn luyện chủ yếu trên dữ liệu tiếng Anh. Điều này có nghĩa là khi áp dụng các LLM nước ngoài vào môi trường văn phòng Việt Nam — nơi có đặc thù riêng về văn bản hành chính, quy trình nghiệp vụ, hội thoại kinh doanh và hệ thống pháp lý — chất lượng đầu ra thường không đáp ứng được yêu cầu thực tế.

Trong phát triển AI, dữ liệu được ví như nhiên liệu: không có nguồn dữ liệu đủ lớn, đủ sạch, được chuẩn hóa và có cơ chế chia sẻ an toàn, rất khó xây dựng các mô hình đủ sức cạnh tranh. Điểm nghẽn hiện nay là dữ liệu của Việt Nam vẫn nằm rải rác ở nhiều bộ, ngành, địa phương và doanh nghiệp, mỗi nơi thu thập, lưu trữ và quản trị theo một cách khác nhau, thiếu tiêu chuẩn thống nhất và cơ chế chia sẻ.

Giới chuyên gia trong nước nhấn mạnh dữ liệu và năng lực tính toán cần được coi là hạ tầng quốc gia để Việt Nam làm chủ trí tuệ nhân tạo.

Khoảng cách giữa ý định và thực thi ở doanh nghiệp

Thực trạng dữ liệu trong doanh nghiệp Việt phản ánh một nghịch lý: phần lớn đã tiếp cận AI ở mức độ nào đó, nhưng đa số mới dừng ở những ứng dụng cơ bản như tạo văn bản hoặc tự động hóa đơn giản, chưa tích hợp AI vào quy trình kinh doanh lõi. Một trong những nguyên nhân cốt lõi nằm ở chất lượng và cách tổ chức dữ liệu.

Đa phần doanh nghiệp vừa và nhỏ vẫn lưu trữ tài liệu rải rác dưới dạng file Word, PDF không có cấu trúc, bảng Excel phân tán, hoặc thông tin nằm trong các cuộc trao đổi nội bộ chưa được ghi lại. Hệ quả là khi muốn áp dụng AI — dù là mô hình nội địa hay ngoại nhập — các tổ chức này không có 'nhiên liệu' để vận hành hệ thống.

• Tri thức vận hành chỉ tồn tại trong đầu nhân viên, chưa được số hóa và cấu trúc hóa
• Tài liệu nội bộ thiếu chuẩn hóa: nhiều phiên bản, nhiều định dạng, không có metadata
• Dữ liệu khách hàng, giao dịch và quy trình nằm rải rác ở nhiều hệ thống rời rạc
• Khi nhân sự nghỉ việc, tri thức chuyên môn thất thoát gần như hoàn toàn

RAG và kho tri thức nội bộ: chìa khóa để AI hiểu doanh nghiệp

Đây là lý do kỹ thuật RAG (sinh ngôn ngữ tăng cường bằng truy xuất) đang nổi lên như phương pháp triển khai AI doanh nghiệp được ưa chuộng. Thay vì chỉ dựa vào kiến thức mà mô hình đã học trong quá trình huấn luyện, RAG cho phép hệ thống tra cứu tài liệu thực tế của tổ chức — chính sách nội bộ, hợp đồng, quy trình, dữ liệu sản phẩm — rồi kết hợp với năng lực suy luận của mô hình ngôn ngữ để đưa ra câu trả lời có nguồn gốc, có thể kiểm chứng.

Ưu điểm của RAG trong bối cảnh doanh nghiệp Việt là không phải huấn luyện lại mô hình khi thông tin thay đổi, dữ liệu nội bộ không nhất thiết phải gửi ra môi trường đám mây của bên thứ ba, và các câu trả lời đều có thể trích dẫn nguồn để người dùng kiểm tra. Khi kết hợp với một LLM tiếng Việt có khả năng xử lý ngữ cảnh dài, hệ thống có thể xử lý các văn bản hành chính nhiều tầng thông tin — một đặc thù không thể bỏ qua trong môi trường doanh nghiệp và cơ quan nhà nước tại Việt Nam.

Hạ tầng dữ liệu: điểm nghẽn cần tháo gỡ

Tại Hội nghị toàn quốc sơ kết Nghị quyết 57-NQ/TW, nhiều nhóm giải pháp chiến lược đã được đề xuất, trong đó nổi bật là xây dựng hạ tầng dữ liệu AI quốc gia, hình thành các mô hình 'Data Trust' trong những lĩnh vực trọng điểm như y tế, tài chính và giáo dục, cùng với đầu tư hạ tầng siêu tính toán dùng chung để giảm gánh nặng chi phí GPU cho doanh nghiệp vừa và nhỏ và các trường đại học.

Một hướng đi được nhiều chuyên gia đồng thuận là mô hình kết hợp đầu tư công và nguồn lực tư nhân: Nhà nước tập trung vào tiêu chuẩn dữ liệu, bảo mật và điều phối, trong khi năng lực tính toán được khai thác theo mô hình dùng chung. Việt Nam cũng có một lợi thế cạnh tranh chưa được khai thác đúng mức — tiếng Việt cùng đặc thù văn hóa, pháp lý và dữ liệu thực tế là mảnh đất mà các mô hình AI quốc tế chưa phục vụ tốt, tạo cơ hội cho những giải pháp 'Make in Vietnam'.

Luật Bảo vệ dữ liệu cá nhân đã có hiệu lực cũng đang thúc đẩy doanh nghiệp xây dựng quản trị dữ liệu bài bản hơn. Đây không chỉ là yêu cầu kỹ thuật mà còn là nghĩa vụ pháp lý, buộc các tổ chức phải nhìn nhận dữ liệu như một tài sản cần được phân loại, bảo vệ và kiểm soát truy cập chặt chẽ.

Doanh nghiệp nên bắt đầu từ đâu?

Trong khi các tập đoàn lớn chạy đua phát triển mô hình nền tảng, hầu hết doanh nghiệp vừa và nhỏ đứng trước câu hỏi thực tế hơn: làm thế nào để tận dụng làn sóng LLM nội địa? Câu trả lời không bắt đầu từ công nghệ, mà bắt đầu từ dữ liệu và quy trình số hóa tri thức.

• Kiểm kê tri thức nội bộ: xác định loại tài liệu có giá trị nhất (quy trình vận hành, chính sách nhân sự, dữ liệu sản phẩm, hợp đồng mẫu) và ưu tiên số hóa, chuẩn hóa định dạng
• Xây dựng kho tri thức có cấu trúc: tổ chức tài liệu theo danh mục rõ ràng, phân loại theo mức độ nhạy cảm và quyền truy cập trước khi đưa vào hệ thống AI
• Thí điểm RAG ở quy mô nhỏ: bắt đầu từ một quy trình giá trị cao như hỏi đáp nội bộ hoặc hỗ trợ soạn thảo hợp đồng, đo lường chất lượng trước khi mở rộng
• Ưu tiên LLM hỗ trợ tiếng Việt tốt: đánh giá khả năng xử lý văn bản hành chính và pháp lý tiếng Việt, thay vì chỉ nhìn vào số tham số
• Xây dựng quản trị dữ liệu song song: tuân thủ pháp luật về bảo vệ dữ liệu cá nhân là nền tảng để triển khai AI an toàn, bền vững

Cuộc đua LLM tiếng Việt đang mở ra một cơ hội hiếm có: lần đầu tiên doanh nghiệp trong nước có thể lựa chọn hạ tầng AI được xây dựng với hiểu biết sâu về ngôn ngữ, văn hóa và đặc thù vận hành bản địa. Song để nắm bắt cơ hội đó, điều kiện tiên quyết vẫn là dữ liệu — không phải 'càng nhiều càng tốt', mà là dữ liệu sạch, có cấu trúc và có quản trị. Những doanh nghiệp đặt nền móng dữ liệu ngay hôm nay sẽ là nhóm hưởng lợi đầu tiên khi LLM tiếng Việt đi vào vận hành đại trà.