Mở đầu — vì sao bài này quan trọng
Trong suốt khóa học này, chúng ta đã đi qua rất nhiều mô hình, kiến trúc và case study đến từ Mỹ — Cursor, Perplexity, Harvey. Đó là những sản phẩm xuất sắc, nhưng chúng sinh ra trong một hệ sinh thái rất khác: vốn dồi dào, hạ tầng GPU sẵn có, thị trường nói tiếng Anh. Nếu bạn đang xây sản phẩm AI tại Việt Nam, bạn cần một tấm gương gần hơn — những người đã đi trước trên chính mảnh đất này, đối mặt với chính những ràng buộc mà bạn sắp gặp: dữ liệu tiếng Việt khan hiếm, khách hàng doanh nghiệp còn dè dặt, và bài toán "làm sao kiếm ra tiền từ AI" chưa bao giờ dễ.
Hai cái tên tiêu biểu nhất là VinAI (thuộc Vingroup) và FPT.AI (thuộc FPT). Đây không phải bài học lịch sử. Mục tiêu của tôi là mổ xẻ hai công ty này như hai mô hình kinh doanh AI khác nhau: một bên đi từ nghiên cứu (research-first), một bên đi từ nền tảng dịch vụ (platform-first). Hiểu được vì sao mỗi bên chọn con đường của mình, bạn sẽ rút ra được những nguyên tắc trực tiếp áp dụng cho sản phẩm AI của chính bạn — dù bạn là một startup ba người hay một team trong doanh nghiệp lớn.
Khái niệm cốt lõi
VinAI — mô hình research-first
VinAI Research được thành lập năm 2019, là công ty con của tập đoàn Vingroup. Điểm đặc biệt ngay từ đầu là VinAI được dẫn dắt bởi Giáo sư Bùi Hải Hưng, một nhà nghiên cứu từng làm việc tại Google DeepMind. Định vị ban đầu của VinAI là một viện nghiên cứu AI đẳng cấp quốc tế đặt tại Việt Nam, chứ không phải một công ty bán phần mềm.
Cách tiếp cận này gọi là research-first: bạn xây năng lực nghiên cứu lõi trước, công bố paper tại các hội nghị hàng đầu (NeurIPS, CVPR, ICML), thu hút nhân tài giỏi, rồi từ đó chưng cất ra sản phẩm. VinAI nổi bật ở các mảng computer vision (thị giác máy tính), xử lý ngôn ngữ tự nhiên tiếng Việt, và về sau là các mô hình sinh (generative).
Một đóng góp cực kỳ thực tế của VinAI cho cộng đồng là PhoBERT — mô hình ngôn ngữ tiếng Việt được huấn luyện sẵn (pretrained), phát hành mã nguồn mở. Nếu bạn từng xây một hệ thống phân loại văn bản hay phân tích cảm xúc tiếng Việt, khả năng cao bạn đã dùng PhoBERT hoặc một biến thể của nó. Đây là ví dụ điển hình về việc research-first tạo ra "tài sản công cộng" nâng cả hệ sinh thái lên.
Sản phẩm thương mại của VinAI thường gắn với hệ sinh thái Vingroup: hệ thống camera AI giám sát an toàn (Smart Cabin/ViNMOS trên xe VinFast), giải pháp nhận diện khuôn mặt, hỗ trợ người lái (driver monitoring). Nghĩa là VinAI có một "khách hàng nội bộ" khổng lồ — chính các công ty trong tập đoàn — để thử nghiệm và triển khai công nghệ ở quy mô lớn. Đây vừa là lợi thế (thị trường sẵn có) vừa là ràng buộc (định hướng sản phẩm bị chi phối bởi nhu cầu của tập đoàn mẹ).
FPT.AI — mô hình platform-first
FPT.AI đi con đường ngược lại. Đây là nền tảng AI của tập đoàn FPT, định vị là bộ công cụ AI dạng dịch vụ (AI-as-a-Service) cho doanh nghiệp. Thay vì hỏi "chúng ta có thể nghiên cứu ra công nghệ đột phá nào?", FPT.AI hỏi "doanh nghiệp Việt cần AI để giải quyết việc gì hàng ngày, và ta đóng gói nó thành API/sản phẩm bán được thế nào?".
Danh mục sản phẩm của FPT.AI rất "hướng nghiệp vụ":
- FPT.AI Chat / Conversational AI: nền tảng xây chatbot và tổng đài ảo cho ngân hàng, viễn thông, bảo hiểm.
- FPT.AI Reader / eKYC: trích xuất thông tin từ giấy tờ (CMND/CCCD, hộ chiếu), định danh khách hàng điện tử — cực kỳ quan trọng cho ngành tài chính.
- FPT.AI Speech: chuyển giọng nói thành văn bản (STT) và văn bản thành giọng nói (TTS) tiếng Việt, với giọng đọc tự nhiên dùng cho callbot.
- Voicebot/Callbot: gọi điện tự động để nhắc nợ, chăm sóc khách hàng, khảo sát.
Hai triết lý, hai đường kiếm tiền
Điểm cốt lõi bạn cần nắm: cùng là "công ty AI" nhưng bản chất kinh doanh hoàn toàn khác nhau.
VinAI kiếm giá trị qua năng lực nghiên cứu và tích hợp sâu vào phần cứng/hệ sinh thái (xe, camera, thiết bị). Rào cản cạnh tranh (moat) của họ là tài năng nghiên cứu và dữ liệu độc quyền từ Vingroup.
FPT.AI kiếm tiền qua phân phối và tích hợp nghiệp vụ: họ có sẵn quan hệ với hàng nghìn doanh nghiệp qua mảng System Integration của FPT, có đội triển khai, có hiểu biết quy trình ngành. Moat của họ là kênh phân phối và độ tin cậy khi triển khai ở quy mô doanh nghiệp.
Bài học đầu tiên: khi định vị sản phẩm AI, bạn phải chọn moat của mình sẽ đến từ công nghệ hay từ phân phối. Rất ít startup nhỏ thắng được cả hai cùng lúc.
Tình huống thực tế
Ví dụ 1 — Một ngân hàng số muốn onboarding khách trong 3 phút
Giả sử một ngân hàng số như "TNEX-style neobank" đặt mục tiêu: khách tải app, chụp CCCD, chụp selfie, và mở tài khoản xong trong dưới 3 phút mà không cần ra chi nhánh. Đây chính xác là bài toán FPT.AI giải với eKYC + Reader.
Diễn giải: FPT.AI cung cấp API nhận dạng giấy tờ (OCR trích xuất số CCCD, tên, ngày sinh) kết hợp so khớp khuôn mặt (face matching) và kiểm tra "liveness" (đảm bảo là người thật đang quay video, không phải ảnh in). Ngân hàng gọi API, nhận về JSON có độ tin cậy từng trường, rồi tự quyết định luồng: tự động duyệt nếu điểm tin cậy cao, chuyển nhân viên xem tay nếu điểm thấp. Chi phí tính theo số lần gọi API, ví dụ vài trăm đến vài nghìn đồng mỗi hồ sơ.
Bài học rút ra: giá trị lớn nhất không nằm ở "AI thông minh cỡ nào", mà ở việc đóng gói AI vừa khít vào một quy trình nghiệp vụ có tiền thật. eKYC bán được vì nó cắt trực tiếp chi phí vận hành chi nhánh và tăng tỷ lệ chuyển đổi. Khi bạn xây sản phẩm AI, hãy tìm điểm mà AI gắn với một con số tài chính đo được — đó là chỗ khách hàng sẵn sàng trả tiền.
Ví dụ 2 — PhoBERT cứu một startup nhỏ khỏi đốt tiền
Hình dung một startup thương mại điện tử 5 người ở TP.HCM muốn tự động phân loại 50.000 review sản phẩm tiếng Việt mỗi ngày thành tích cực/tiêu cực/trung tính để cảnh báo sớm hàng lỗi. Năm 2020, nếu họ phải tự huấn luyện một mô hình ngôn ngữ tiếng Việt từ đầu, chi phí tính bằng hàng tỷ đồng và nhiều tháng.
Diễn giải: nhờ VinAI phát hành PhoBERT mã nguồn mở, startup này chỉ cần fine-tune (tinh chỉnh) mô hình có sẵn trên vài nghìn review đã gán nhãn thủ công. Một kỹ sư làm trong hai tuần, chi phí GPU vài triệu đồng, đạt độ chính xác trên 90%. Không cần đội nghiên cứu.
Bài học rút ra: hệ sinh thái mở của các "ông lớn" như VinAI chính là đòn bẩy cho startup nhỏ. Trước khi nghĩ đến việc tự huấn luyện mô hình, hãy hỏi: đã có mô hình tiếng Việt mã nguồn mở nào giải được 80% bài toán chưa? Trong đa số trường hợp, câu trả lời là có — và bạn nên đứng trên vai người khổng lồ thay vì xây lại từ móng.
Ví dụ 3 — Callbot nhắc nợ và bài toán "AI đủ tốt" chứ không cần "AI hoàn hảo"
Một công ty tài chính tiêu dùng có 200.000 khoản vay nhỏ, mỗi tháng cần gọi nhắc hàng chục nghìn khách đến hạn. Thuê tổng đài viên gọi tay tốn kém và không kịp. Họ triển khai voicebot của FPT.AI: bot gọi bằng giọng tiếng Việt tự nhiên, đọc kịch bản nhắc nợ, nhận diện câu trả lời đơn giản ("tôi sẽ trả", "chưa có tiền", "gọi lại sau") và chuyển máy cho người thật khi tình huống phức tạp.
Diễn giải: voicebot không cần thông minh như con người. Nó chỉ cần xử lý được 70% cuộc gọi "dễ" và biết khi nào nên nhường lại cho nhân viên. Kết quả: một bot xử lý được lượng cuộc gọi tương đương hàng chục nhân viên, chi phí mỗi cuộc gọi giảm mạnh, và nhân viên thật được dồn vào các ca khó cần thuyết phục.
Bài học rút ra: thiết kế sản phẩm AND biết giới hạn của AI là một kỹ năng sản phẩm, không phải kỹ năng kỹ thuật. Sản phẩm AI Việt Nam thành công thường là sản phẩm "đủ tốt cho phần việc lặp lại nhất", chừa lại phần khó cho con người — chứ không phải sản phẩm cố thay thế 100%.
Hướng dẫn từng bước
Nếu bạn muốn học từ VinAI và FPT.AI để định hình sản phẩm AI của mình, đây là quy trình tôi khuyên:
- Xác định bạn đang ở "lớp" nào. Có ba lớp trong hệ sinh thái: lớp mô hình lõi (như PhoBERT của VinAI), lớp nền tảng/API (như FPT.AI), và lớp ứng dụng cuối (chatbot, callbot cho một ngành cụ thể). Đa số startup nên bắt đầu ở lớp ứng dụng cuối — nơi gần tiền nhất và ít cần vốn nghiên cứu nhất.
- Chọn moat: công nghệ hay phân phối. Hỏi thẳng: lợi thế bền vững của bạn đến từ đâu? Nếu bạn có quan hệ khách hàng doanh nghiệp mạnh, hãy đi theo mô hình FPT.AI (platform + tích hợp nghiệp vụ). Nếu bạn có nhân tài nghiên cứu và dữ liệu độc quyền, mới nên nghĩ đến mô hình VinAI.
- Tìm bài toán gắn với con số tài chính. Học từ eKYC: chọn một quy trình mà AI cắt được chi phí hoặc tăng doanh thu đo đếm được. "Tự động hóa 60% cuộc gọi chăm sóc khách hàng" bán dễ hơn "trợ lý AI thông minh".
- Tận dụng tài sản mở tiếng Việt trước. Trước khi tự huấn luyện, khảo sát PhoBERT, các mô hình open source tiếng Việt, và API của FPT.AI. Xây MVP trên nền có sẵn, chỉ tự làm phần thực sự khác biệt.
- Thiết kế cơ chế "chuyển giao cho con người" (human handoff) ngay từ đầu. Học từ callbot: định nghĩa rõ ngưỡng độ tin cậy để AI tự quyết, và khi nào phải chuyển người thật. Đây là điều quyết định sản phẩm có được tin dùng ở môi trường doanh nghiệp hay không.
- Chuẩn bị cho yêu cầu tuân thủ dữ liệu. Cả hai công ty đều xử lý dữ liệu cá nhân nhạy cảm (khuôn mặt, giấy tờ, giọng nói). Ngay từ giai đoạn thiết kế, hãy cân nhắc Nghị định 13 về bảo vệ dữ liệu cá nhân — điều mà chúng ta sẽ đào sâu ở các bài về compliance.
Lỗi thường gặp & mẹo
Lỗi 1 — Bắt chước VinAI khi bạn không có tiền của Vingroup. Nhiều founder trẻ mê "làm research", muốn huấn luyện mô hình nền tảng riêng. Nhưng research-first chỉ khả thi khi bạn có vốn dài hạn và một khách hàng nội bộ khổng lồ. Với startup thường, đây là con đường đốt tiền nhanh nhất. Mẹo: hãy là người dùng mô hình nền tảng thông minh, đừng vội làm người xây nó.
Lỗi 2 — Nghĩ rằng công nghệ tốt hơn sẽ tự thắng. FPT.AI không nhất thiết có mô hình NLP giỏi nhất thế giới, nhưng họ có kênh phân phối và đội triển khai. Ở thị trường B2B Việt Nam, niềm tin và khả năng triển khai thường thắng chỉ số benchmark. Mẹo: đầu tư vào case study, tài liệu tích hợp, và support cũng nhiều như vào mô hình.
Lỗi 3 — Bỏ qua đặc thù tiếng Việt. Một sai lầm phổ biến là dùng thẳng mô hình đa ngôn ngữ của nước ngoài rồi ngạc nhiên khi nó hiểu sai tiếng Việt có dấu, từ địa phương, hay cách viết tắt trên mạng. VinAI làm PhoBELL/PhoBERT chính vì tiếng Việt cần xử lý riêng (tách từ, thanh điệu). Mẹo: luôn có một tập kiểm thử tiếng Việt thực tế, lấy từ dữ liệu người dùng thật, không chỉ dựa vào demo tiếng Anh.
Lỗi 4 — Không định nghĩa ngưỡng tin cậy và fallback. Sản phẩm AI thất bại thảm hại nhất là khi nó "tự tin sai". Mẹo: mọi output của AI trong sản phẩm doanh nghiệp nên đi kèm điểm tin cậy, và có luồng xử lý khi điểm thấp — hoặc chuyển người, hoặc yêu cầu người dùng xác nhận.
Mẹo tổng quát: hãy đọc trang sản phẩm của FPT.AI như đọc một danh mục nhu cầu thị trường Việt Nam. Mỗi API họ bán (eKYC, OCR, callbot) là bằng chứng có người trả tiền cho bài toán đó. Đó là bản đồ nhu cầu miễn phí cho bạn.
Bài tập thực hành
- Phân loại hai mô hình. Chọn ba công ty AI Việt Nam bất kỳ (ngoài VinAI và FPT.AI — ví dụ Zalo AI, VNG, một startup bạn biết). Với mỗi công ty, xác định họ nghiêng về research-first hay platform-first, và moat của họ đến từ công nghệ hay phân phối. Viết một đoạn ngắn lý giải.
- Bản đồ nhu cầu từ FPT.AI. Vào trang sản phẩm FPT.AI, liệt kê tất cả sản phẩm/API họ đang bán. Với mỗi sản phẩm, ghi lại: nó phục vụ ngành nào, thay thế công việc nào của con người, và tính phí theo cách nào (thuê bao hay theo lượng dùng). Bạn sẽ có một danh sách các bài toán AI đã được thị trường Việt xác nhận.
- Thiết kế một MVP kiểu platform-first. Chọn một bài toán nghiệp vụ nhỏ ở Việt Nam (ví dụ: tự động đọc hóa đơn để nhập liệu kế toán). Phác thảo trên một trang: input/output của API, cách gắn với con số tài chính của khách, ngưỡng tin cậy và cơ chế chuyển giao cho con người, và bạn sẽ tận dụng mô hình mở nào (như PhoBERT) để không phải xây từ đầu.
Tóm tắt
VinAI và FPT.AI là hai tấm gương phản chiếu hai con đường xây sản phẩm AI tại Việt Nam. VinAI đại diện cho mô hình research-first: đầu tư vào năng lực nghiên cứu lõi, tạo tài sản như PhoBERT, tích hợp sâu vào hệ sinh thái phần cứng của Vingroup, với moat đến từ tài năng và dữ liệu độc quyền. FPT.AI đại diện cho mô hình platform-first: đóng gói AI thành API và giải pháp nghiệp vụ (eKYC, OCR, callbot, voicebot), bán cho doanh nghiệp với moat đến từ kênh phân phối và năng lực triển khai.
Ba điều cần khắc cốt: (1) "công ty AI" không có nghĩa duy nhất — hãy chọn rõ moat của bạn đến từ công nghệ hay phân phối; (2) sản phẩm AI Việt Nam thắng khi gắn với một con số tài chính đo được và biết chừa phần khó cho con người; (3) hãy đứng trên vai các tài sản mở tiếng Việt trước khi nghĩ đến việc tự xây mô hình nền tảng. Với đa số chúng ta — startup nhỏ và team sản phẩm — con đường của FPT.AI ở lớp ứng dụng thực tế hơn nhiều so với con đường research-first của VinAI. Nhưng hiểu cả hai giúp bạn biết mình đang chơi ván cờ nào và với những quân cờ gì.