Dữ liệu sẵn sàng cho AI là gì?
Dữ liệu sẵn sàng cho AI là dữ liệu có thể tìm thấy, đủ tin cậy cho đúng việc AI sẽ làm, có người chịu trách nhiệm, được phép sử dụng về mặt pháp lý và có thể truy ngược nguồn gốc. Không có bộ dữ liệu nào "sẵn sàng chung chung": dữ liệu đủ tốt cho một trợ lý trả lời chính sách nội bộ có thể hoàn toàn chưa đủ cho một mô hình dự báo doanh thu.
Theo Gartner, không thể làm dữ liệu sẵn sàng cho AI một cách chung chung hay chuẩn bị sẵn từ trước; mức sẵn sàng phụ thuộc vào cách dữ liệu sẽ được dùng. Gartner cũng lưu ý rằng dữ liệu "chất lượng cao" theo chuẩn báo cáo truyền thống chưa chắc đã là dữ liệu sẵn sàng cho AI, vì một số bài toán cần cả các ngoại lệ và trường hợp bất thường để phản ánh đúng thực tế.
Vì vậy, checklist dưới đây luôn bắt đầu từ câu hỏi: AI sẽ làm việc gì cụ thể?
Vì sao dữ liệu quyết định dự án AI hơn là mô hình
Mô hình ngôn ngữ lớn ngày nay rất mạnh, nhưng không biết gì về khách hàng, đơn hàng hay quy trình riêng của doanh nghiệp bạn. Mọi giá trị đặc thù đều đến từ dữ liệu bạn cung cấp: tài liệu cho trợ lý tri thức, lịch sử giao dịch cho phân tích, dữ liệu CRM cho AI Agent chăm sóc khách hàng.
Gartner dự báo đến hết năm 2026, các tổ chức sẽ từ bỏ 60% dự án AI không được hỗ trợ bởi dữ liệu sẵn sàng cho AI. Con số này là dự báo của một hãng nghiên cứu, không phải thống kê về doanh nghiệp Việt Nam, nhưng nó phản ánh đúng một bài học thực tế: khi dữ liệu có vấn đề, dự án thường dừng ở giai đoạn thử nghiệm.
Với các mô hình RAG (truy xuất rồi sinh câu trả lời), chất lượng câu trả lời gắn trực tiếp với chất lượng kho tài liệu: tài liệu cũ, trùng lặp hoặc mâu thuẫn sẽ dẫn đến câu trả lời sai dù mô hình tốt đến đâu. Xem thêm RAG là gì để hiểu cơ chế này.
6 khía cạnh của dữ liệu sẵn sàng cho AI
Checklist của EYC gom các yêu cầu thành sáu khía cạnh. Phần chất lượng dựa trên sáu chiều chất lượng dữ liệu mà Khung chất lượng dữ liệu của Chính phủ Anh áp dụng theo định nghĩa của DAMA UK; phần còn lại phản ánh các yêu cầu về quản trị, nguồn gốc và pháp lý.
1. Tính sẵn có (Availability)
Dữ liệu có tồn tại ở dạng số không, nằm ở đâu, và hệ thống AI có lấy được không mà không cần người sao chép thủ công? Dữ liệu nằm trong file cá nhân, ảnh chụp sổ tay hoặc tin nhắn rời rạc được coi là chưa sẵn có, dù về lý thuyết nó "có".
2. Chất lượng (Quality)
Chất lượng được đo theo mục đích sử dụng. Sáu chiều phổ biến:
- Đầy đủ (completeness): các bản ghi và trường quan trọng có mặt.
- Duy nhất (uniqueness): mỗi khách hàng, sản phẩm chỉ có một bản ghi.
- Nhất quán (consistency): cùng một thông tin không mâu thuẫn giữa các hệ thống.
- Kịp thời (timeliness): dữ liệu được cập nhật đủ nhanh cho việc cần dùng.
- Hợp lệ (validity): đúng định dạng và khoảng giá trị (ngày là ngày, số điện thoại đủ chữ số).
- Chính xác (accuracy): dữ liệu khớp với thực tế.
3. Chủ sở hữu (Ownership)
Mỗi nhóm dữ liệu cần một người chịu trách nhiệm về định nghĩa, chất lượng và quyết định ai được dùng. Không có chủ sở hữu thì không ai sửa lỗi, và tranh cãi "số nào đúng" sẽ không có hồi kết. Vai trò chủ sở hữu và người quản lý dữ liệu được trình bày chi tiết trong bài quản trị dữ liệu cơ bản.
4. Quyền truy cập (Access rights)
Ai, hệ thống nào được đọc, được ghi dữ liệu nào? Với AI Agent, câu hỏi này càng quan trọng vì Agent có thể thao tác trên nhiều hệ thống. Nguyên tắc an toàn là cấp quyền tối thiểu theo vai trò, bắt đầu bằng quyền chỉ đọc, và không dùng chung tài khoản quản trị.
5. Nguồn gốc dữ liệu (Lineage)
Bạn có biết dữ liệu đến từ đâu, đã qua những bước biến đổi nào và phiên bản nào đang được dùng không? Gartner liệt kê nguồn gốc (lineage) và việc quản lý phiên bản là yêu cầu của dữ liệu sẵn sàng cho AI. Khi AI trả lời sai, nguồn gốc giúp bạn tìm ra lỗi nằm ở dữ liệu hay ở mô hình.
6. Cơ sở pháp lý (Legal basis)
Nếu dữ liệu chứa thông tin cá nhân, bạn cần biết mình được xử lý nó dựa trên căn cứ nào và cho mục đích gì. Từ ngày 01/01/2026, Luật Bảo vệ dữ liệu cá nhân số 91/2025/QH15 có hiệu lực (Điều 38). Phần dưới đây tóm tắt các điểm liên quan trực tiếp đến AI.
Bảng chấm điểm mức sẵn sàng dữ liệu cho AI
Chấm từng khía cạnh từ 0 đến 3 cho đúng bộ dữ liệu phục vụ một bài toán AI cụ thể (không chấm cho "toàn bộ dữ liệu công ty"). Tổng tối đa 18 điểm. Hãy để chủ sở hữu nghiệp vụ và người phụ trách kỹ thuật cùng chấm, vì hai bên thường nhìn thấy những vấn đề khác nhau.
| Khía cạnh | Câu hỏi kiểm tra | 0 điểm khi… | 3 điểm khi… |
|---|---|---|---|
| Tính sẵn có | Dữ liệu cần cho bài toán có ở dạng số và lấy được tự động không? | Nằm trong đầu nhân viên, giấy tờ hoặc tin nhắn | Nằm trong hệ thống có API hoặc kho dữ liệu, lấy được theo lịch |
| Chất lượng | Đầy đủ, không trùng, nhất quán, cập nhật, hợp lệ, chính xác ở mức đủ cho bài toán? | Chưa từng đo; trùng lặp và mâu thuẫn phổ biến | Có quy tắc kiểm tra, có số đo theo thời gian, lỗi được sửa tại nguồn |
| Chủ sở hữu | Mỗi nhóm dữ liệu có người chịu trách nhiệm được nêu tên không? | Không ai chịu trách nhiệm | Có chủ sở hữu và người quản lý, có định nghĩa thống nhất |
| Quyền truy cập | Quyền đọc/ghi được phân theo vai trò và ghi nhật ký không? | Dùng chung tài khoản, ai cũng xem được tất cả | Phân quyền theo vai trò, quyền tối thiểu, có nhật ký truy cập |
| Nguồn gốc | Truy được nguồn, các bước biến đổi và phiên bản dữ liệu không? | Không biết số liệu từ đâu ra | Có tài liệu luồng dữ liệu và quản lý phiên bản |
| Cơ sở pháp lý | Đã xác định căn cứ xử lý và mục đích cho dữ liệu cá nhân chưa? | Chưa biết dữ liệu nào là dữ liệu cá nhân | Đã phân loại, có căn cứ xử lý cho từng mục đích, có hồ sơ theo quy định |
Đọc kết quả chấm điểm
Lưu ý: một khía cạnh bị 0 điểm, đặc biệt là cơ sở pháp lý hoặc quyền truy cập, nên được coi là điểm chặn, dù tổng điểm cao.
0–6 điểm: chưa nên đưa vào AI
Ưu tiên số hóa và gom dữ liệu về một nơi, chỉ định chủ sở hữu, xác định dữ liệu cá nhân. Có thể dùng AI cho việc không phụ thuộc dữ liệu nội bộ (soạn thảo, tóm tắt tài liệu công khai) trong lúc chuẩn bị.
7–12 điểm: thí điểm có giới hạn
Chọn một bài toán hẹp, dùng tập dữ liệu đã được làm sạch, giữ con người duyệt kết quả và chỉ cấp quyền đọc. Đo xem lỗi đến từ dữ liệu hay từ mô hình.
13–18 điểm: sẵn sàng mở rộng
Thiết lập theo dõi chất lượng dữ liệu liên tục, kiểm thử định kỳ và quy trình xử lý khi nguồn dữ liệu thay đổi. Gartner nhấn mạnh dữ liệu sẵn sàng cho AI không phải việc "làm một lần là xong" mà là một thực hành cần cải thiện liên tục.
Những vấn đề dữ liệu thường gặp ở doanh nghiệp vừa và nhỏ
Các tình huống dưới đây là mô tả chung, không dựa trên khảo sát hay khách hàng cụ thể, nhưng rất quen thuộc với nhiều đội vận hành:
- Excel tràn lan: mỗi phòng ban, thậm chí mỗi nhân viên giữ một phiên bản danh sách khách hàng hoặc bảng giá riêng; không ai chắc file nào là mới nhất.
- Hồ sơ chỉ nằm trong chat: đơn hàng, yêu cầu của khách, xác nhận giao hàng được trao đổi qua Zalo hoặc tin nhắn cá nhân và không được ghi lại vào hệ thống. Khi nhân viên nghỉ việc, lịch sử đi theo họ.
- Không có dữ liệu chủ (master data): cùng một khách hàng có nhiều tên viết khác nhau, cùng một sản phẩm có nhiều mã. AI sẽ coi đó là những thực thể khác nhau.
- Tài liệu nội bộ lỗi thời: quy trình, chính sách tồn tại nhiều phiên bản, không ghi ngày hiệu lực; một trợ lý AI có thể trích dẫn bản đã hết hiệu lực.
- Hệ thống không nói chuyện với nhau: phần mềm bán hàng, kế toán và CRM dùng mã khác nhau, phải đối chiếu thủ công.
- Không rõ dữ liệu nào là dữ liệu cá nhân: thông tin khách hàng, nhân viên trộn lẫn trong các file dùng chung, không ai biết đã thu thập dựa trên sự đồng ý nào.
Ví dụ minh họa
Một công ty phân phối muốn dùng AI Agent trả lời khách về tình trạng đơn hàng. Khi chấm điểm, tính sẵn có chỉ đạt 1 vì nhiều đơn được chốt qua chat; chủ sở hữu đạt 0 vì không ai phụ trách danh mục khách hàng. Kết luận hợp lý không phải là "chọn mô hình AI tốt hơn", mà là đưa toàn bộ đơn vào một hệ thống, chuẩn hóa mã khách hàng, rồi mới thí điểm. Đây là ví dụ giả định để minh họa cách dùng bảng điểm.
Cơ sở pháp lý: những điều khoản cần biết khi đưa dữ liệu cá nhân vào AI
Theo Luật Bảo vệ dữ liệu cá nhân số 91/2025/QH15, một số quy định liên quan trực tiếp đến việc chuẩn bị dữ liệu cho AI:
- Điều 3: dữ liệu cá nhân chỉ được thu thập, xử lý đúng phạm vi, mục đích cụ thể, rõ ràng; phải bảo đảm tính chính xác và lưu trữ trong thời gian phù hợp với mục đích.
- Điều 9: sự đồng ý phải tự nguyện, biết rõ loại dữ liệu và mục đích, thể hiện cho từng mục đích; im lặng hoặc không phản hồi không được coi là đồng ý. Dữ liệu thu thập cho mục đích bán hàng không tự động được dùng cho mục đích khác.
- Điều 19: liệt kê các trường hợp xử lý không cần sự đồng ý (ví dụ thực hiện thỏa thuận của chủ thể dữ liệu theo quy định pháp luật) và yêu cầu thiết lập cơ chế giám sát khi áp dụng.
- Điều 30: dữ liệu cá nhân trong môi trường trí tuệ nhân tạo, dữ liệu lớn, điện toán đám mây phải được xử lý đúng mục đích, trong phạm vi cần thiết; hệ thống phải có biện pháp bảo mật, xác thực và phân quyền truy cập; xử lý bằng AI phải phân loại theo mức độ rủi ro.
- Điều 38: luật có hiệu lực từ 01/01/2026; doanh nghiệp nhỏ và khởi nghiệp được lựa chọn chưa thực hiện một số nghĩa vụ (như Điều 21, 22 về đánh giá tác động) trong 5 năm, trừ một số trường hợp như kinh doanh dịch vụ xử lý dữ liệu cá nhân hoặc xử lý dữ liệu nhạy cảm.
Trong checklist, "cơ sở pháp lý" nghĩa là gì?
Tối thiểu, bạn cần: danh sách các trường dữ liệu cá nhân trong bộ dữ liệu; mục đích xử lý của từng nhóm; căn cứ xử lý (đồng ý hoặc trường hợp tại Điều 19); và quyết định có thể khử nhận dạng hoặc bỏ bớt trường không cần thiết trước khi đưa vào AI hay không. Bài Luật Bảo vệ dữ liệu cá nhân 2025 đi sâu hơn vào từng nghĩa vụ.
Việc làm được ngay (quick wins)
Không cần dự án lớn để cải thiện điểm số. Những việc sau thường làm được trong phạm vi một nhóm nhỏ:
- Lập danh mục dữ liệu một trang: nguồn nào, nằm ở đâu, ai phụ trách, có dữ liệu cá nhân không.
- Chọn một "nguồn sự thật" cho danh sách khách hàng và sản phẩm; đánh dấu các bản sao còn lại là chỉ tham khảo.
- Quy định đơn hàng, yêu cầu khách hàng phải được ghi vào hệ thống, chat chỉ để trao đổi.
- Đặt quy tắc hợp lệ tại điểm nhập liệu: định dạng ngày, mã khách hàng, trường bắt buộc.
- Gắn ngày hiệu lực và người phê duyệt cho mọi tài liệu chính sách trước khi đưa vào trợ lý AI.
- Rà soát quyền chia sẻ thư mục dùng chung; bỏ quyền "ai có đường liên kết đều xem được" với file chứa dữ liệu cá nhân.
- Chấm lại bảng điểm sau mỗi lần cải thiện để thấy tiến độ.
Khi nào cần hỗ trợ từ bên ngoài
Khi dữ liệu nằm rải rác ở nhiều hệ thống cần tích hợp, khi cần xây kho dữ liệu hoặc đường ống dữ liệu, hay khi muốn thiết kế phân quyền cho AI Agent. EYC hỗ trợ hạ tầng cloud và dữ liệu và tích hợp hệ thống; phạm vi cụ thể được xác định theo thỏa thuận trong hợp đồng.
Câu hỏi thường gặp
Dữ liệu cho AI có cần hoàn hảo không?
Không. Dữ liệu cần đủ tốt cho đúng bài toán. Khung chất lượng dữ liệu của Chính phủ Anh mô tả chất lượng là "phù hợp với mục đích"; Gartner còn lưu ý một số bài toán AI cần cả dữ liệu bất thường để phản ánh thực tế.
Doanh nghiệp nhỏ có cần làm checklist dữ liệu trước khi dùng AI không?
Có, nhưng ở quy mô nhỏ: chấm 6 khía cạnh cho đúng một bài toán, mất khoảng một buổi họp giữa người phụ trách nghiệp vụ và kỹ thuật. Nó giúp tránh đầu tư vào công cụ AI khi vấn đề thật nằm ở dữ liệu.
Dữ liệu trong Excel có dùng cho AI được không?
Được, nếu có một file chuẩn, cấu trúc cột ổn định, có người phụ trách và được cập nhật đều. Vấn đề không phải là Excel mà là nhiều bản sao mâu thuẫn và không ai chịu trách nhiệm.
Có được đưa dữ liệu khách hàng vào công cụ AI không?
Chỉ khi có căn cứ xử lý phù hợp với mục đích theo Luật Bảo vệ dữ liệu cá nhân 91/2025/QH15 (Điều 9, Điều 19), có biện pháp bảo mật và phân quyền (Điều 30), và đã cân nhắc bỏ bớt hoặc khử nhận dạng các trường không cần thiết. Bài viết mang tính thông tin, không phải tư vấn pháp lý.
Dữ liệu sẵn sàng cho AI khác gì quản trị dữ liệu?
Quản trị dữ liệu là cách tổ chức vận hành để dữ liệu được quản lý lâu dài (vai trò, quy tắc, quy trình). Mức sẵn sàng cho AI là đánh giá xem một bộ dữ liệu cụ thể đã đủ cho một bài toán AI cụ thể chưa. Quản trị tốt giúp điểm sẵn sàng cao và bền vững.
Bao lâu nên chấm lại mức sẵn sàng dữ liệu?
Mỗi khi đổi bài toán AI, đổi nguồn dữ liệu hoặc hệ thống, và định kỳ khi AI đã chạy thật. Gartner coi dữ liệu sẵn sàng cho AI là thực hành liên tục chứ không phải việc làm một lần.