Trong nhiều năm, Business Intelligence (BI) chủ yếu được nhắc đến như công cụ giúp doanh nghiệp tổng hợp báo cáo, theo dõi chỉ số và hiểu những gì đã xảy ra. Tuy nhiên, tại hội thảo “Data-Driven Finance & Business Intelligence Conference 2026”, TS. Hoàng Việt Hà – Viện trưởng Viện Đại học Quốc tế FPT, Giám đốc Asia University Program nhấn mạnh, sự phát triển của AI đang khiến vai trò của BI mở rộng nhanh hơn.
Quá trình này có thể nhìn theo một chuỗi: ghi nhận thông tin, hiểu dữ liệu, dự báo, đề xuất và hành động. Khi BI tiến dần về phía sau của chuỗi, hệ thống không chỉ trả lời “điều gì đã xảy ra” mà còn hỗ trợ xác định “điều gì có khả năng xảy ra tiếp theo” và “nên làm gì”.
Theo TS. Hà, giá trị của BI vì thế không nằm ở việc tổ chức sở hữu bao nhiêu dữ liệu, mà ở khả năng chuyển dữ liệu thành thông tin có ích cho quyết định. Đồng thời, càng tiến gần đến khâu hành động, yêu cầu về chất lượng dữ liệu, khả năng kiểm chứng và trách nhiệm của con người càng trở nên quan trọng.
5 cấp độ BI: Khi dữ liệu tiến dần tới hành động
Trong mô hình CASAN được TS. Hoàng Việt Hà phân tích, mức độ trưởng thành của BI và AI có thể nhìn qua 5 cấp độ: Curious, Augmented, Standard, Automatic và Native. Mỗi cấp độ không chỉ thể hiện AI làm được nhiều hơn, mà còn phản ánh cách dữ liệu được sử dụng sâu hơn trong hoạt động của tổ chức.
Ở cấp đầu tiên, Curious, dữ liệu chủ yếu được thu thập và tổng hợp để giúp con người hiểu tình hình. AI mới được thử nghiệm trong từng tác vụ riêng lẻ, còn phần lớn việc phân tích và quyết định vẫn do con người trực tiếp thực hiện.
Sang Augmented, AI bắt đầu hỗ trợ phân tích và lý giải dữ liệu. Hệ thống không chỉ cho biết một chỉ số tăng hay giảm mà có thể giúp so sánh, nhận diện mẫu và tìm những yếu tố liên quan đến kết quả.
Đến Standard, dữ liệu từ nhiều nguồn được chuẩn hóa và tích hợp tốt hơn. Đây là nền tảng để BI tiến sang khả năng dự báo, xây dựng kịch bản và hỗ trợ tổ chức nhìn trước những diễn biến có thể xảy ra thay vì chỉ nhìn lại quá khứ.
Ở cấp Automatic, AI có thể đi xa hơn việc dự báo để đưa ra khuyến nghị và tự thực hiện một số hành động trong giới hạn được xác định trước. Con người không còn phải trực tiếp xử lý từng tác vụ, nhưng vẫn cần thiết lập phạm vi hoạt động và theo dõi những trường hợp ngoại lệ.
Cấp cao nhất, Native, là khi AI trở thành một phần sâu trong cách tổ chức vận hành và ra quyết định. BI khi đó không còn là công cụ riêng của một bộ phận mà có thể kết nối dữ liệu, dự báo và hành động ở quy mô rộng hơn, đồng thời thích ứng dựa trên kết quả thực tế.
Điểm đáng chú ý là mức độ trưởng thành không được quyết định đơn thuần bởi việc tổ chức đã sử dụng ChatGPT hay sở hữu bao nhiêu công cụ AI. Theo TS. Hà, một đơn vị vẫn có thể ở cấp độ thấp nếu dữ liệu còn phân tán, chưa đủ chính xác hoặc quy trình chưa được chuẩn hóa. Khoảng cách giữa công nghệ có thể làm gì và tổ chức thực sự sẵn sàng đến đâu vì thế cần được nhìn nhận rõ.
AI càng tự chủ, vai trò con người càng dịch chuyển
Quá trình trưởng thành của BI không diễn ra độc lập với con người. Theo TS. Hoàng Việt Hà, mỗi bước tiến của AI đều đòi hỏi một bước phát triển tương ứng về năng lực của người sử dụng.
Ở giai đoạn đầu, con người cần biết sử dụng AI và kiểm tra đầu ra. Khi công nghệ bắt đầu tham gia phân tích, yêu cầu chuyển sang khả năng đặt vấn đề và tư duy phản biện. Khi AI được tích hợp vào quy trình, người sử dụng phải hiểu cách quản trị dữ liệu, quy trình và tiêu chuẩn.
Đến mức tự động hóa cao hơn, năng lực quan trọng không còn nằm ở việc trực tiếp thực hiện từng tác vụ mà ở khả năng ủy quyền, giám sát và xử lý ngoại lệ. Ở cấp AI-native, vai trò con người tiếp tục dịch chuyển lên tầng chiến lược: thiết kế hệ thống, xác định mục tiêu và chịu trách nhiệm về kết quả cuối cùng.
Sự thay đổi tương tự cũng diễn ra ở cấp quản lý. Theo TS. Hà, vai trò lãnh đạo phát triển từ đặt đúng câu hỏi, phản biện giả định, quản trị bằng dữ liệu đến ủy quyền có kiểm soát và cuối cùng là thiết kế hệ thống ra quyết định.
Điều này cho thấy AI càng được trao nhiều quyền, vai trò con người không nhỏ đi mà chuyển sang những nhiệm vụ khó hơn. Thay vì trực tiếp xử lý mọi thông tin, con người phải xác định hệ thống được phép làm gì, khi nào cần can thiệp và ai chịu trách nhiệm nếu kết quả không như kỳ vọng.
TS. Hà cũng lưu ý việc thay một “người tư vấn” bằng AI không làm các vấn đề quản trị biến mất. Con người có thể bị ảnh hưởng bởi định kiến, lợi ích cá nhân hay quá tải thông tin; AI lại có thể chịu tác động từ dữ liệu thiên lệch, mục tiêu được thiết lập sai, thiếu bối cảnh hoặc sử dụng mô hình không còn phù hợp. Vì vậy, ở cấp độ nào cũng cần có con người đứng phía sau kiểm soát và chịu trách nhiệm.
Khi năng lực AI trở thành một phần của năng lực nghề nghiệp
Từ góc nhìn đào tạo, quá trình này đặt ra một câu hỏi rộng hơn: nếu AI ngày càng làm tốt hơn việc phân tích, dự báo và đề xuất, người học cần chuẩn bị cho phần công việc nào?
Với sinh viên Tài chính, sử dụng dữ liệu không chỉ nhằm tạo báo cáo mà còn phục vụ đánh giá rủi ro, dự báo và lựa chọn phương án đầu tư hay tài chính. Khi AI có thể đưa ra khuyến nghị ngày càng nhanh, người học cần đủ kiến thức chuyên môn để biết kết quả nào đáng tin, giả định nào cần kiểm chứng và đâu là quyết định không nên giao hoàn toàn cho hệ thống.
Với Quản trị kinh doanh, dữ liệu ngày càng trở thành đầu vào của các quyết định về khách hàng, thị trường, vận hành hay nguồn lực. Năng lực cần thiết vì thế không chỉ là đọc chỉ số mà còn phải biết đặt đúng vấn đề, so sánh phương án và đánh giá một kết luận trong bối cảnh thực tế.
Với sinh viên Trí tuệ nhân tạo, xây dựng một mô hình có khả năng dự báo tốt mới chỉ là một phần của bài toán. Khi mô hình được đưa vào quy trình thực tế, người phát triển còn phải quan tâm tới chất lượng dữ liệu, giới hạn của hệ thống, khả năng giám sát và hệ quả khi AI được trao quyền hành động.
Trong Công nghệ bán dẫn, sự phát triển của tự động hóa, hệ thống thông minh và dữ liệu cũng khiến năng lực kỹ thuật ngày càng gắn với khả năng hiểu cách một hệ thống vận hành, theo dõi và xử lý những tình huống ngoài dự kiến.
Đây cũng là lý do AI có thể được nhìn như một lớp năng lực xuyên suốt các ngành đào tạo tại Asia University Program, thay vì chỉ là câu chuyện riêng của sinh viên công nghệ. Người học không chỉ cần biết sử dụng công cụ mới mà phải học cách đặt AI vào đúng bài toán chuyên môn của từng lĩnh vực.
TS. Hoàng Việt Hà cũng đưa chính môi trường đại học vào logic phát triển này. AI có thể đi từ hỗ trợ tổng hợp dữ liệu đến phân tích, dự báo và tự động hóa một phần hoạt động trong marketing, tuyển sinh, đào tạo hay dịch vụ sinh viên; trong khi vai trò con người dần chuyển sang quản trị dữ liệu, giám sát hệ thống và điều phối giữa người với AI.
Nhìn theo mô hình CASAN, đích đến vì thế không đơn thuần là để AI làm được ngày càng nhiều việc. Khi BI tiến từ hiểu dữ liệu tới dự báo, đề xuất và hành động, con người cũng cần tiến từ sử dụng công cụ tới phản biện, quản trị và chịu trách nhiệm với quyết định có công nghệ tham gia.
