Khám phá 3 bài học triển khai AI trong khu vực công: xây dựng nền tảng dữ liệu vững chắc, mở rộng AI toàn tổ chức và tối ưu giá trị từ AI.
Trong bối cảnh chuyển đổi số, AI đang mở ra hướng tiếp cận mới cho hoạt động quản lý nhà nước, từ tự động hóa quy trình xử lý hồ sơ đến hỗ trợ cán bộ phân tích thông tin và đưa ra quyết định.
Tuy nhiên, để hiện thực hóa tiềm năng này, các cơ quan cần vượt qua những thách thức không chỉ trong triển khai mà còn ở khả năng mở rộng AI trên quy mô toàn tổ chức.
Hãy cùng SIFT khám phá chiến lược ứng dụng AI hiệu quả trong khu vực công tại Việt Nam.
AI không thể giải quyết những vấn đề vốn có trong hạ tầng dữ liệu. Ngược lại, AI thường làm những vấn đề đó bộc lộ rõ hơn.
Khi University of Florida bắt đầu thử nghiệm AI, trường phát hiện chỉ 10 – 15% dữ liệu được chuẩn hóa về mặt ngữ nghĩa. Điều này khiến các insight tạo ra từ dữ liệu không đầy đủ và thiếu độ tin cậy.
Để giải quyết vấn đề, nhóm đã xây dựng một quy trình sử dụng NaviGator AI cùng các thành phần trong Snowflake để tự động tạo định nghĩa dữ liệu bằng ngôn ngữ tự nhiên trên quy mô lớn. Nếu thực hiện thủ công, nhóm ước tính công việc này sẽ mất tới 83 tuần. (Dựa trên phân tích nội bộ của University of Florida, tính đến tháng 6/2026.)
James Martinez, Data Engineering Manager tại University of Florida, chia sẻ:
“Giờ đây, khi đã xây dựng được lớp ngữ nghĩa nền tảng, chúng tôi phát triển Navigator Insights – một giải pháp phân tích hội thoại trên Snowflake, sử dụng MCP server và khai thác khả năng của Cortex Analyst cùng Search.”
Nhờ đó, nhóm có thể đặt câu hỏi bằng ngôn ngữ tự nhiên và khám phá các xu hướng dữ liệu có tác động trực tiếp đến sinh viên của trường.
Sẵn sàng cho AI trước hết phải bắt đầu từ dữ liệu. Quản trị dữ liệu, bảo mật và khả năng kết nối giữa các hệ thống không phải là những việc có thể để sau. Đây là những thành phần cốt lõi cần được xây dựng ngay từ đầu nếu tổ chức muốn AI thực sự tạo ra giá trị.
Phần lớn các tổ chức không thiếu những dự án thử nghiệm AI. Điều họ thiếu là những ứng dụng AI có thể mở rộng và tạo giá trị trên toàn tổ chức.
Alan Sim, Ph.D. về dịch tễ học tại Drexel University và Chief Data and Analytics Officer tại Leidos – công ty cung cấp dịch vụ quốc phòng và chính phủ với các ứng dụng AI trong an ninh mạng, phúc lợi cựu chiến binh và logistics, cho rằng thách thức nằm ở việc chuyển từ những giải pháp AI đơn lẻ sang năng lực AI ở cấp độ toàn doanh nghiệp.
Vấn đề không còn nằm ở việc có thể xây dựng AI hay không, mà là làm thế nào để tạo được sự đồng thuận trong toàn tổ chức và gắn AI với những ưu tiên chiến lược của lãnh đạo.
Trước lượng yêu cầu ngày càng lớn về các dự án thử nghiệm và công cụ AI mới, Sim thay đổi cách tiếp cận: thay vì hỏi các nhóm “Bạn muốn công cụ nào?”, ông hỏi “Bạn đang muốn giải quyết vấn đề gì?”
Ông chia sẻ:
“Đôi khi, câu hỏi chỉ đơn giản là: ‘Bạn có chắc mình cần một AI agent không? Có thể bạn chỉ cần tự động hóa. Hoặc đây là một bài toán tái thiết kế quy trình.”
Theo Sim, chính việc lựa chọn đúng giải pháp cho đúng vấn đề là yếu tố phân biệt giữa một AI pilot và một hệ thống AI thực sự được đưa vào sử dụng, có khả năng tạo ra giá trị.
Joe Larson, VP of OpenAI for Government, cũng nhấn mạnh điều này từ góc độ mô hình AI. Theo ông, giá trị lớn hơn sẽ đến từ việc kết hợp các mô hình AI tiên tiến với hạ tầng dữ liệu của chính phủ để xây dựng những giải pháp toàn diện và được thiết kế bài bản.
Triển khai mô hình mới chỉ là điểm bắt đầu. Giá trị thực sự đến khi AI được kết nối với dữ liệu, quy trình và hệ thống quản trị của tổ chức để có thể vận hành ở quy mô lớn.
Nhiều dự án AI thất bại vì không được gắn với những kết quả cụ thể mà tổ chức cần đạt được. Đối với khu vực công – nơi thành công được đánh giá bằng tác động thực tế thay vì doanh thu, điều này càng trở nên quan trọng.
Stephen Moon, Field CTO phụ trách khu vực công của Snowflake, đặt vấn đề:
“Trong khu vực công, tất cả đều xoay quanh sứ mệnh. Những sáng kiến AI này có thực sự giúp chúng ta đạt được mục tiêu của mình hay không?”
Tại General Dynamics Mission Systems, hệ thống xử lý báo giá phải tiếp nhận hàng nghìn tệp PDF từ các nhà cung cấp, với định dạng, bố cục và thuật ngữ khác nhau.
Ban đầu, nhóm thử sử dụng phương pháp huấn luyện mô hình để xử lý những khác biệt này nhưng không thành công. Sau đó, họ chuyển sang zero-shot prompting với Snowflake Cortex AI và nâng độ chính xác từ 50% lên 85% trong lần đưa vào vận hành gần đây. (Dựa trên phân tích nội bộ của General Dynamics Mission Systems, tính đến tháng 6/2026.)
Tuy nhiên, thành công của dự án không được đánh giá đơn thuần bằng hiệu suất của mô hình. Giá trị được đo bằng tốc độ xử lý, độ chính xác và chi phí tiết kiệm được trong một quy trình có ảnh hưởng trực tiếp đến việc hoàn thành mục tiêu của tổ chức.
Từ General Dynamics, Leidos, OpenAI for Government đến University of Florida đều cho thấy một điểm chung:
Những tổ chức tạo ra giá trị thực tế từ AI không vội vàng mở rộng các thử nghiệm. Họ xây dựng nền tảng đúng trước, sau đó mới từng bước mở rộng AI.
Họ tập trung vào:
Công nghệ AI đã sẵn sàng. Câu hỏi quan trọng hơn là: dữ liệu, hệ thống quản trị và tổ chức của bạn đã sẵn sàng để AI tạo ra giá trị ở quy mô lớn hay chưa?
SIFT Analytics Group là đối tác Snowflake được chứng nhận tại khu vực APAC, với hơn 25 năm kinh nghiệm triển khai các giải pháp dữ liệu cho doanh nghiệp tại Đông Nam Á. Đội ngũ chuyên gia SIFT đã hỗ trợ hàng trăm tổ chức từ ngân hàng, bảo hiểm đến sản xuất và bán lẻ tại Việt Nam xây dựng nền tảng dữ liệu sẵn sàng cho AI.
Nếu doanh nghiệp của bạn đang cân nhắc ứng dụng Snowflake, SIFT cung cấp:
Trao đổi trực tiếp cùng chuyên gia
Khám phá những thông điệp mới nhất của chúng tôi
