Triển khai AI nội bộ mất bao lâu? Lộ trình 8–10 tuần, phía khách phải cử ai, và sáu biến số quyết định về đích đúng hạn

Câu hỏi này gần như luôn được đặt ra ở phút thứ mười của buổi gặp đầu tiên, ngay sau câu hỏi về tiền — và nó xứng đáng có một câu trả lời tử tế hơn "tùy". Bài chi phí thật khi chạy LLM on-premise đã trả lời vế tiền bằng số. Bài này trả lời vế thời gian, theo đúng cách một lịch dự án nên được đọc: từng giai đoạn kèm điều kiện để coi là xong, ai phía doanh nghiệp phải có mặt ở giai đoạn nào, những mốc mà pháp luật đã ấn định sẵn không thương lượng được, và những biến số thật sự quyết định bạn nằm ở đầu hay cuối khoảng thời gian đó. Chúng tôi cố tình không đưa ra một con số duy nhất áp cho mọi doanh nghiệp — vì con số đó, nếu có ai đưa, gần như chắc chắn là bịa. Mọi dữ kiện kỹ thuật và pháp lý trong bài đều tra ngày 05/08/2026, có dẫn nguồn tại chỗ.

Vì sao không ai trả lời được "mất bao lâu" ngay trong cuộc gọi đầu tiên

Vì thời gian triển khai một hệ AI nội bộ hầu như không phụ thuộc vào việc cài phần mềm — nó phụ thuộc vào tốc độ ra quyết định và tốc độ dọn tài liệu ở phía doanh nghiệp, hai thứ mà không nhà cung cấp nào biết trước khi mở kho tài liệu ra xem.

Đây là điểm khác biệt lớn nhất giữa một dự án AI nội bộ và một dự án phần mềm thông thường. Với một phần mềm quản lý bán hàng, phạm vi nằm gọn trong tính năng: liệt kê đủ màn hình, ước lượng công, ra được lịch. Với AI nội bộ, phần mềm chỉ là cái vỏ; ruột của nó là tài liệu của chính doanh nghiệp — quy trình, hợp đồng mẫu, hướng dẫn nội bộ, biên bản, báo giá cũ. Cùng một gói triển khai, một công ty có kho tài liệu gọn gàng trên một máy chủ tệp duy nhất sẽ về đích sớm hơn hẳn một công ty có tài liệu nằm rải trên năm nơi khác nhau và một nửa là bản chụp giấy.

Cũng vì vậy, con số đáng tin duy nhất mà một nhà cung cấp nên đưa ra trước khi khảo sát là một khoảng, kèm danh sách những thứ quyết định bạn nằm ở đầu hay cuối khoảng đó. Namtech công bố khoảng ấy công khai trên trang chủ: lộ trình triển khai 5 giai đoạn, tổng thời gian điển hình 8–10 tuần, tùy quy mô tài liệu và mức độ tích hợp. Bài này bóc từng giai đoạn theo một trục mà các bảng lộ trình thường bỏ qua: ở mỗi giai đoạn, phía khách phải cử ai và chuẩn bị gì — vì đó mới là chỗ lịch bị trượt.

Câu hỏi về tiền thì đã có bài riêng: chi phí thật khi chạy LLM on-premise bóc VRAM, tiền điện và điểm hòa vốn so với thuê API. Bài này là vế còn lại của cùng một quyết định.

Lộ trình 8–10 tuần: năm giai đoạn và điều kiện để coi là xong

Năm giai đoạn — khảo sát và thiết kế, dựng hạ tầng và triển khai mô hình, nạp và tinh chỉnh tri thức, tích hợp và kiểm thử, go-live và bàn giao — mỗi giai đoạn có một tiêu chí nghiệm thu riêng, và giai đoạn sau không bắt đầu khi tiêu chí của giai đoạn trước chưa đạt.

Điều kiện kết thúc mới là thứ giữ cho lịch không trôi. Một dự án AI nội bộ rất dễ rơi vào trạng thái "gần xong" kéo dài nhiều tuần: mô hình chạy rồi, trả lời cũng được, nhưng không ai dám nói đã đạt hay chưa vì chưa từng thống nhất thế nào là đạt. Cách chặn duy nhất là chốt tiêu chí nghiệm thu ngay ở giai đoạn 1, trước khi có bất kỳ dòng cấu hình nào.

Bảng dưới đọc lộ trình đã công bố theo trục trách nhiệm hai phía. Cột thời lượng lấy nguyên từ lộ trình Namtech công bố; hai cột còn lại là cách chúng tôi phân vai trong các dự án đã chạy.

Đọc bảng này sẽ thấy một điều hơi ngược trực giác: trong năm giai đoạn, chỉ có giai đoạn 02 là gần như hoàn toàn nằm trong tay nhà cung cấp. Bốn giai đoạn còn lại đều có một ô ở cột thứ tư, và mỗi ô đó là một chỗ dự án có thể dừng lại chờ. Đây là lý do vì sao câu trả lời trung thực cho "mất bao lâu" luôn phải kèm vế thứ hai: "nếu bên bạn làm được những việc này đúng hạn".

Giai đoạn 0: những việc phải xong trước khi đồng hồ bắt đầu chạy

Trước tuần thứ nhất còn một khoảng thời gian không nằm trong bất kỳ bảng lộ trình nào — khoảng từ lúc doanh nghiệp muốn làm tới lúc doanh nghiệp quyết định làm — và với nhiều tổ chức, khoảng đó dài hơn cả năm giai đoạn cộng lại.

Giai đoạn 0 gồm ba việc, và cả ba đều thuần túy nội bộ. Việc thứ nhất là chọn được một chủ sở hữu bài toán: một người có thẩm quyền nói "phạm vi là cái này, không phải cái kia", và nói được ngay trong cuộc họp chứ không phải xin ý kiến rồi trả lời sau một tuần. Dự án AI nội bộ hỏng lịch nhiều nhất không phải vì kỹ thuật khó mà vì mỗi câu hỏi phạm vi phải đi qua ba lớp phê duyệt.

Việc thứ hai là chốt được bài toán đầu tiên đủ hẹp để đo. "Trợ lý AI cho toàn công ty" không phải một phạm vi, đó là một nguyện vọng. "Trả lời được câu hỏi về quy trình mua hàng và điều khoản hợp đồng mẫu, cho phòng mua hàng và phòng pháp chế" mới là phạm vi — vì nó cho phép dựng một bộ câu hỏi mẫu và chấm điểm được. Chúng tôi đã bóc cách bắt đầu hẹp rồi mở rộng dần trong bài tổng quan lộ trình tự xây AI nội bộ.

Việc thứ ba là xác định ai được xem gì, ở mức sơ đồ chứ chưa cần cấu hình. Nếu một hệ thống tra cứu tài liệu nội bộ không phân quyền, nó sẽ trở thành cỗ máy rò rỉ thông tin nhanh nhất trong tổ chức: lương, hợp đồng, hồ sơ nhân sự đều nằm trong cùng kho tài liệu ấy. Sơ đồ phân quyền không phải việc của nhà cung cấp — nó là quyết định quản trị, và chúng tôi mô tả các mô hình thường dùng trong bài phân quyền AI theo phòng ban.

Ba việc này không tốn tiền và không cần chuyên môn kỹ thuật. Nhưng nếu bước vào giai đoạn 01 mà chưa xong, giai đoạn 01 sẽ phình ra để làm hộ — và đó là cách một lộ trình 8 tuần trở thành một dự án bốn tháng.

Phía khách phải cử ai — và vì sao thiếu một vai là trượt lịch

Một dự án AI nội bộ quy mô doanh nghiệp vừa cần bốn vai từ phía khách hàng, và ba trong bốn vai đó không phải người của phòng công nghệ thông tin.

Đây là chỗ nhiều doanh nghiệp hiểu nhầm ngay từ đầu: giao trọn dự án cho phòng IT, rồi ngạc nhiên khi hệ thống trả lời trôi chảy nhưng nghiệp vụ nói sai. Phòng IT dựng được hạ tầng và mở được đăng nhập, nhưng không ai trong phòng IT biết một hợp đồng mua bán của công ty có bao nhiêu điều khoản bắt buộc, hay quy trình duyệt chi hiện hành là bản tháng mấy. Bốn vai dưới đây là mức tối thiểu.

Vai tốn công nhất, và cũng hay bị đánh giá thấp nhất, là chuyên gia nghiệp vụ ở giai đoạn 03. Việc của người này không phải "dùng thử cho biết" mà là ngồi chấm: câu này đúng, câu này sai ở chỗ nào, câu này đúng nhưng thiếu điều khoản quan trọng. Không có người chấm, giai đoạn 03 không có điều kiện kết thúc, và dự án bước vào trạng thái "gần xong" vô thời hạn đã nói ở trên. Nếu doanh nghiệp không bố trí được người này liên tục trong hai tuần, cách xử lý đúng là giãn giai đoạn 03 ra và nói rõ trong lịch, chứ không phải giả vờ rằng nó vẫn hai tuần.

Tài liệu: chỗ dự án đứng lại lâu nhất

Trong năm giai đoạn, giai đoạn nạp tri thức là giai đoạn duy nhất mà thời gian phụ thuộc gần như hoàn toàn vào trạng thái sẵn có của dữ liệu doanh nghiệp — và cũng là giai đoạn mà nhà cung cấp không thể rút ngắn hộ.

Có bốn trạng thái tài liệu, và chúng chênh nhau rất xa về công xử lý. Trạng thái dễ nhất là tài liệu số gốc, có cấu trúc, đang là bản còn hiệu lực, nằm tập trung một chỗ: gom và đưa vào chỉ mục gần như thẳng. Trạng thái thứ hai là tài liệu số nhưng phân tán trên nhiều nơi — thư mục chia sẻ, hộp thư, ổ đám mây cá nhân của từng người; công việc phát sinh ở đây là gom và khử trùng lặp, và khử trùng lặp là việc chỉ người trong nhà làm được vì phải biết bản nào mới.

Trạng thái thứ ba là tài liệu chụp hoặc quét thành ảnh. Đây là chỗ ngốn thời gian thật: máy phải nhận dạng chữ trước khi hiểu được nội dung. Công cụ mã nguồn mở làm được việc này và làm được cả tiếng Việt — Tesseract công bố nhận dạng "more than 100 languages out of the box", và kho dữ liệu huấn luyện chính thức của dự án có sẵn tệp vie.traineddata. Nhưng chính tài liệu của các công cụ này nói thẳng về giới hạn: dự án Marker liệt kê trong mục hạn chế rằng "Very complex layouts, with nested tables and forms, may not work" — bố cục phức tạp với bảng lồng nhau và biểu mẫu có thể không xử lý được. Đây đúng là hình dạng của phần lớn tài liệu doanh nghiệp Việt: hợp đồng có phụ lục bảng, biên bản có mẫu ký, hóa đơn quét lệch.

Có một chi tiết giấy phép ở khâu này rất dễ vấp. Cùng dự án Marker ghi rõ mã nguồn theo Apache 2.0 nhưng trọng số mô hình thì không: "Our model weights use a modified AI Pubs Open Rail-M license (free for research, personal use, and startups under $5M funding/revenue)". Doanh nghiệp vượt ngưỡng đó phải mua giấy phép — và đó là một cuộc trao đổi mất thời gian nếu chỉ phát hiện ra khi hệ thống đã chạy. Công cụ thay thế thì có: Docling dùng giấy phép MIT và tự mô tả có "Local execution capabilities for sensitive data and air-gapped environments" — chạy hoàn toàn tại chỗ cho dữ liệu nhạy cảm và môi trường cách ly mạng, đúng bối cảnh AI nội bộ.

Trạng thái thứ tư, khó nhất, là tri thức chưa từng được viết ra — thứ chỉ nằm trong đầu vài người. Không công cụ nào trích xuất được nó; phải ngồi phỏng vấn và viết lại thành tài liệu, và đó là việc của doanh nghiệp. Đây cũng là hạng mục duy nhất trong khâu tài liệu mà thêm ngân sách không rút ngắn được.

Còn một loại công việc nữa hay bị bỏ sót cho tới phút cuối: lọc bản hết hiệu lực. Nếu kho tài liệu chứa cả quy trình duyệt chi bản 2019 lẫn bản 2026, hệ thống tra cứu sẽ trung thực trả về cả hai — và người hỏi không có cách nào biết bản nào đang áp dụng. Cách xử lý là gắn nhãn hiệu lực ngay khi giao tài liệu, chứ không phải sửa sau khi phát hiện câu trả lời sai. Cơ chế tra cứu phía sau vận hành thế nào thì chúng tôi đã mô tả trong bài tự xây AI nội bộ: RAG và bài chọn vector database cho RAG nội bộ.

Phần cứng và mô hình: phần duy nhất đo được bằng con số

Trong toàn bộ dự án, khâu hạ tầng và mô hình là khâu duy nhất có thể ước lượng thời gian bằng phép tính chứ không bằng kinh nghiệm — vì mọi biến của nó đều là con số công bố: dung lượng trọng số phải tải, yêu cầu phần cứng của nền tảng phục vụ, và điều khoản giấy phép phải qua pháp chế.

Bắt đầu từ biến dễ nhất: tải trọng số mô hình về. Đây là con số tra được chính xác chứ không phải ước lượng. Cộng dung lượng các tệp .safetensors trong kho chính chủ trên Hugging Face cho ra: Mistral-7B-Instruct-v0.3 nặng 14,50 GB, Qwen3-32B nặng 65,52 GB, còn Llama-3.3-70B-Instruct nặng 141,11 GB trải trên 30 tệp. Ở đầu kia của thang, DeepSeek-R1 nặng 688,59 GB trên 163 tệp. Với một đường truyền 100 Mbps dùng trọn băng thông, riêng việc tải bộ trọng số 70 tỷ tham số đã hết hơn ba giờ; bộ lớn nhất trong danh sách hết hơn mười lăm giờ. Đây là loại thời gian không rút ngắn được bằng cách thêm người, và là lý do khâu này nên khởi động ngay ngày đầu của giai đoạn 02 chứ không để tới lúc cần dùng.

Biến thứ hai là bộ nhớ cần có để chạy. Tài liệu của NVIDIA cho công thức thẳng: "A good heuristic formula for per-GPU weight memory is: weight_memory_per_gpu = total_parameters x bytes_per_parameter / TP" — bộ nhớ cho trọng số bằng số tham số nhân số byte mỗi tham số, chia cho số GPU chạy song song, với BF16 và FP16 là 2 byte, FP8 là 1 byte, INT4 là 0,5 byte. Cùng trang cũng cảnh báo rằng đó chưa phải toàn bộ: "Beyond weights, GPU memory is also needed for KV cache, activations, communication buffers, and CUDA graphs." Phần số học chi tiết chúng tôi đã bóc trong bài chi phí thật khi chạy LLM on-premise; ở đây chỉ cần rút ra một điều liên quan tới lịch: cấu hình phần cứng phải chốt trước khi đặt mua, và thời gian mua sắm là biến nằm ngoài tay cả hai bên.

Biến thứ ba ít ai tính vào lịch nhưng lại hay chặn đúng lúc: yêu cầu nền tảng của phần mềm phục vụ mô hình. Hai lựa chọn phổ biến đòi hai mức hạ tầng khác hẳn nhau. Tài liệu cài đặt của vLLM yêu cầu Linux, Python 3.10–3.13 và GPU có compute capability từ 7.5 trở lên, đồng thời nói rõ "vLLM does not support Windows natively". Trong khi đó Ollama chấp nhận phần cứng cũ hơn hẳn: "Ollama supports Nvidia GPUs with compute capability 5.0+ and driver version 550 and newer". Chênh lệch giữa 5.0 và 7.5 chính là ranh giới giữa "dùng được máy đang có" và "phải mua máy mới" — và mua máy mới thì lịch phụ thuộc nhà phân phối. Nếu đi đường máy chủ NVIDIA đóng gói sẵn, mức yêu cầu còn cụ thể hơn: tài liệu chuẩn bị của NVIDIA NIM ghi Ubuntu 22.04 LTS trở lên, CUDA SDK từ 12.9, driver GPU từ 580 và Docker từ 24.0.

Namtech chọn một đường khác cho phần này — toàn bộ nền tảng chạy trên Apple Silicon đặt tại văn phòng, ba cấu hình theo quy mô — nên khâu mua sắm và cài đặt gọn hơn đường máy chủ GPU. Nhưng nguyên tắc thì giống nhau ở mọi nền tảng: kích thước mô hình quyết định cấu hình, cấu hình quyết định thời gian mua sắm, và không nên để hai việc đó nối đuôi nhau trong lịch.

Cột cuối cùng của bảng là thứ hay bị bỏ quên cho tới lúc pháp chế hỏi, và khi ấy dự án dừng chờ. Giấy phép mô hình mở không phải một khối đồng nhất. Bản Llama 3.3 có điều khoản thương mại bổ sung: nếu số người dùng hoạt động hằng tháng vượt 700 triệu thì phải xin giấy phép riêng từ Meta, kèm nghĩa vụ hiển thị rõ dòng "Built with Llama" trên website hoặc tài liệu sản phẩm. Ngưỡng đó không doanh nghiệp Việt nào chạm tới, nhưng nghĩa vụ hiển thị thì có, và pháp chế cần biết trước chứ không phải phát hiện sau khi go-live.

Phía Qwen thì phức tạp hơn vì giấy phép khác nhau theo từng bản. Qwen3-32B dùng Apache-2.0 thuần, không ngưỡng người dùng, không nghĩa vụ ghi công. Nhưng bản Qwen2.5-72B-Instruct dùng giấy phép riêng với ngưỡng thấp hơn Llama tới bảy lần: "If you are commercially using the Materials, and your product or service has more than 100 million monthly active users, you shall request a license from us", cộng nghĩa vụ hiển thị "Built with Qwen". Nguy hiểm nhất là bản nhỏ: Qwen2.5-3B-Instruct nằm dưới giấy phép nghiên cứu, định nghĩa rõ ""Non-Commercial" shall mean for research or evaluation purposes only" — nghĩa là không được dùng thương mại. Câu "Qwen là Apache 2.0" là một câu sai, và là kiểu sai chỉ lộ ra khi pháp chế đọc kỹ, thường vào đúng tuần chuẩn bị go-live.

Bẫy tương tự tồn tại ở phía công cụ. Mô hình Mistral cũng chia làm ba nhóm: các bản như Mistral-7B hay Mixtral-8x7B dùng Apache-2.0, nhưng Mistral-Large-Instruct-2407 nằm dưới giấy phép nghiên cứu MRL 0.1, trong đó ghi rõ "You shall only use the Mistral Models, Derivatives … and Outputs for Research Purposes", và định nghĩa loại trừ luôn việc nhân viên dùng trong công việc hằng ngày. Bài học rút gọn: đưa danh sách mô hình dự kiến cho pháp chế ngay ở giai đoạn 01, không phải giai đoạn 04. Đây là việc mất vài ngày nếu làm sớm và mất vài tuần nếu làm muộn.

Những mốc pháp lý không thương lượng được

Đây là hạng mục duy nhất trong dự án có thời hạn do luật đặt ra chứ không do hai bên thỏa thuận — và đồng hồ của nó bắt đầu chạy từ ngày đầu tiên hệ thống xử lý dữ liệu cá nhân, không phải từ ngày go-live chính thức.

Khung pháp lý đã đổi hẳn so với hai năm trước. Luật Bảo vệ dữ liệu cá nhân số 91/2025/QH15 được Quốc hội khóa XV thông qua ngày 26/6/2025, và Điều 38 khoản 1 ghi: "Luật này có hiệu lực thi hành từ ngày 01 tháng 01 năm 2026." Cùng ngày ấy, Nghị định 356/2025/NĐ-CP quy định chi tiết cũng có hiệu lực, và chính nghị định này khai tử văn bản mà nhiều đội pháp chế vẫn đang dùng làm sổ tay: Điều 42 khoản 2 của nó viết "Nghị định số 13/2023/NĐ-CP ngày 17 tháng 4 năm 2023 của Chính phủ về bảo vệ dữ liệu cá nhân hết hiệu lực kể từ ngày Nghị định này có hiệu lực thi hành." Nếu quy trình nội bộ của doanh nghiệp bạn còn dẫn Nghị định 13, nó đang dẫn một văn bản đã hết hiệu lực.

Con số quan trọng nhất với một dự án AI nội bộ là 60 ngày. Điều 21 khoản 1 của Luật quy định bên kiểm soát dữ liệu phải lập hồ sơ đánh giá tác động xử lý dữ liệu cá nhân và "gửi 01 bản chính cho cơ quan chuyên trách bảo vệ dữ liệu cá nhân trong thời gian 60 ngày kể từ ngày đầu tiên xử lý dữ liệu cá nhân". Đọc kỹ mốc đếm: ngày đầu tiên xử lý. Với một hệ AI nội bộ, ngày đó rơi vào giai đoạn nạp tri thức — tức khoảng tuần thứ năm của lộ trình — chứ không phải ngày khai trương. Nghị định 356 nói rõ hơn về hình thức nộp, kèm biểu mẫu 02a/02b, và Điều 19 khoản 5 cho biết cơ quan chuyên trách "đánh giá và trả kết quả … trong thời hạn 15 ngày". Hồ sơ này còn phải được cập nhật: Điều 22 khoản 1 quy định "cập nhật định kỳ 06 tháng khi có sự thay đổi".

Mốc thứ hai đáng chú ý hơn nữa, vì nó chạm thẳng vào lựa chọn công nghệ. Điều 20 khoản 2 đặt cùng thời hạn 60 ngày cho hồ sơ đánh giá tác động chuyển dữ liệu cá nhân xuyên biên giới. Và định nghĩa "chuyển xuyên biên giới" trong Luật bao gồm cả việc "sử dụng nền tảng ở ngoài lãnh thổ … để xử lý dữ liệu cá nhân được thu thập tại Việt Nam". Nói cách khác: một trợ lý AI gọi ra dịch vụ mô hình đặt ở nước ngoài để xử lý tài liệu thu thập trong nước rơi thẳng vào diện phải lập hồ sơ này. Hồ sơ thiếu thì Nghị định 356 cho 30 ngày hoàn thiện, kèm cảnh báo rằng nếu không hoàn thiện đúng quy định thì cơ quan chuyên trách "xem xét áp dụng các quy định về xử phạt vi phạm hành chính". Đây chính là lý do vì sao nhiều doanh nghiệp chọn giữ toàn bộ vòng xử lý trong nước — chúng tôi đã bàn kỹ khía cạnh này trong bài chủ quyền AI và bài Copilot in-country và chủ quyền dữ liệu.

Mốc thứ ba là 72 giờ cho việc thông báo vi phạm. Điều 23 khoản 1 buộc bên kiểm soát dữ liệu phát hiện vi phạm có thể gây tổn hại phải thông báo cho cơ quan chuyên trách "chậm nhất là 72 giờ kể từ khi phát hiện hành vi vi phạm". Con số này không ảnh hưởng tới lịch triển khai, nhưng nó quyết định một hạng mục trong phạm vi triển khai: hệ thống phải có nhật ký đủ chi tiết để trong 72 giờ trả lời được ai đã truy cập dữ liệu gì. Nhật ký đó phải dựng từ đầu, không vá được sau.

Tầng thứ hai của khung pháp lý là phần về chính AI. Luật Trí tuệ nhân tạo số 134/2025/QH15, thông qua ngày 10/12/2025, có Điều 34 ghi "Luật này có hiệu lực thi hành từ ngày 01 tháng 3 năm 2026"; Nghị định 142/2026/NĐ-CP hướng dẫn thi hành có hiệu lực từ 01/5/2026 — chúng tôi đã tóm tắt nội dung phân loại rủi ro trong bài Nghị định 142/2026 về AI. Điểm cần đưa vào lịch nằm ở Điều 35 của Luật: hệ thống AI đã hoạt động trước ngày 01/3/2026 được cho thời hạn chuyển tiếp để tuân thủ — "18 tháng … đối với hệ thống trí tuệ nhân tạo trong lĩnh vực y tế, giáo dục và tài chính" và "12 tháng … đối với các hệ thống trí tuệ nhân tạo không thuộc trường hợp quy định tại điểm a".

Một lối thoát đáng biết cho doanh nghiệp nhỏ: Điều 38 khoản 2 của Luật Bảo vệ dữ liệu cá nhân cho phép "doanh nghiệp nhỏ, doanh nghiệp khởi nghiệp" được chọn thực hiện hoặc không thực hiện nghĩa vụ ở Điều 21 và Điều 22 trong 05 năm kể từ ngày Luật có hiệu lực — trừ khi doanh nghiệp đó kinh doanh dịch vụ xử lý dữ liệu cá nhân, xử lý dữ liệu nhạy cảm, hoặc xử lý dữ liệu của số lượng lớn chủ thể. Ngưỡng "số lượng lớn" được Nghị định 356 định lượng ở Điều 41: "từ 100 nghìn chủ thể dữ liệu cá nhân trở lên dựa trên kết quả tích lũy tổng lượng dữ liệu cá nhân đã xử lý". Đây là câu hỏi nên trả lời ngay ở giai đoạn 01, vì câu trả lời quyết định có cần chạy nhánh hồ sơ song song hay không.

Đọc bảng này cạnh Bảng 1 sẽ thấy vì sao phần tuân thủ không nên xếp sau cùng. Nếu bắt đầu lập hồ sơ vào tuần go-live, thì tại thời điểm đó đồng hồ 60 ngày đã chạy được vài tuần — vì ngày đầu tiên xử lý dữ liệu đã xảy ra ở giai đoạn nạp tri thức. Ngược lại, nếu khởi động nhánh hồ sơ song song ngay từ giai đoạn 01, phần lớn nội dung cần cho hồ sơ — loại dữ liệu xử lý, mục đích, thời gian lưu, ai được truy cập — chính là những thứ đã phải quyết định để dựng phân quyền. Làm một lần, dùng cho cả hai việc.

Lưu ý: phần trên là tóm tắt các mốc thời hạn ghi trong văn bản pháp luật, không phải tư vấn pháp lý. Việc áp dụng cho từng doanh nghiệp cụ thể cần ý kiến của luật sư hoặc bộ phận pháp chế.

Nghiệm thu và go-live: khi nào được coi là xong

Một hệ AI nội bộ được coi là xong khi người dùng thật đăng nhập bằng tài khoản công ty, hỏi những câu trong bộ câu hỏi mẫu đã chốt từ giai đoạn 01, và tỷ lệ trả lời đạt vượt ngưỡng hai bên đã thống nhất — chứ không phải khi hệ thống chạy được.

Ba chữ "bộ câu hỏi mẫu" là toàn bộ khác biệt giữa một dự án kết thúc đúng hạn và một dự án kéo dài. Bộ câu hỏi phải được dựng ở giai đoạn 01, bởi chuyên gia nghiệp vụ, và phải cố định — nếu vừa chạy vừa thêm câu hỏi mới thì đích luôn lùi ra xa đúng bằng tốc độ chạy tới. Cách làm thực dụng là chia bộ câu hỏi thành ba nhóm: câu tra cứu thẳng có đáp án trong tài liệu, câu cần tổng hợp từ nhiều tài liệu, và câu không có đáp án trong kho — nhóm thứ ba dùng để kiểm xem hệ thống có biết nói "tôi không có thông tin này" hay không, và đây thường là nhóm phân loại rõ nhất giữa một hệ thống dùng được và một hệ thống nguy hiểm.

Ngưỡng đạt nên đặt bằng con số, không bằng cảm nhận, và nên đặt riêng cho từng nhóm. Phần chấm máy thì có công cụ mã nguồn mở làm sẵn, và điểm đáng giá với một hệ nội bộ là chúng chạy tại chỗ: DeepEval tự mô tả là bộ khung "similar to Pytest but specialized for unit testing LLM apps", với các thước đo chạy "locally on your machine" — trong đó có bốn thước đo dành riêng cho hệ tra cứu tài liệu: answer relevancy, faithfulness, contextual recall và contextual precision. Ở tầng học thuật, lm-evaluation-harness của EleutherAI công bố "over 60 standard academic benchmarks for LLMs, with hundreds of subtasks and variants implemented". Nhưng xin nói thẳng: các bộ đo học thuật đó dùng để so mô hình với nhau, không thay được bộ câu hỏi nghiệp vụ của chính doanh nghiệp bạn. Cách chấm, cách dựng bộ đánh giá và cách giảm ảo giác thì chúng tôi đã bóc riêng trong bài tự xây AI nội bộ: đánh giá.

Còn một câu hỏi hay được đặt ở đúng khúc này và có sức kéo dài lịch rất mạnh: "có cần huấn luyện lại mô hình trên dữ liệu của chúng tôi không?" Câu trả lời mặc định nên là không, ít nhất ở vòng đầu. Tài liệu của Microsoft so sánh hai hướng khuyên chọn tra cứu tăng cường khi nội dung thay đổi thường xuyên, khi cần phủ nhiều chủ đề, và khi nguồn lực hạn chế — "Limited resources: Go with RAG if you don't have lots of data or compute for training". Cùng tài liệu liệt kê các thách thức của huấn luyện lại, trong đó có "Maintenance and updating: You need to update fine-tuned models as your domain changes" — nghĩa là mỗi lần quy trình nội bộ đổi, bạn lại tốn một vòng huấn luyện. Phía OpenAI cũng nói tương tự trong hướng dẫn tối ưu độ chính xác: "many of our largest customer deployments at OpenAI were done using only prompt engineering and RAG".

Một lưu ý về go-live: ngày go-live không phải ngày kết thúc dự án mà là ngày bắt đầu giai đoạn tốn công nhất về mặt con người — giai đoạn thay đổi thói quen. Đào tạo một buổi rồi bỏ đó gần như luôn dẫn tới tình trạng nhân viên quay về cách làm cũ trong vòng vài tuần. Phần vận hành sau go-live, gồm giám sát, cập nhật tài liệu và xử lý câu trả lời sai, được mô tả trong bài tự xây AI nội bộ: vận hành.

Tự làm hay thuê: so theo trục thời gian, không phải trục tiền

Trên trục chi phí, tự làm gần như luôn rẻ hơn ở phần chi ra bằng tiền mặt; trên trục thời gian thì ngược lại, và khoảng cách nằm ở những việc chỉ tốn thời gian đúng một lần nếu đã làm rồi — chọn mô hình, dựng chỉ mục, xử lý phân quyền, dựng bộ đánh giá.

Trước khi so, cần đặt kỳ vọng cho đúng bằng một dữ kiện công khai. Báo cáo AI Index 2026 của Stanford HAI, dẫn lại khảo sát McKinsey thực hiện từ 25/6 đến 29/7/2025 với 1.993 người trả lời tại 105 quốc gia, đo mức độ triển khai AI theo quy mô doanh thu doanh nghiệp. Kết quả: ở nhóm doanh thu dưới 100 triệu USD, chỉ 5% nói rằng chương trình AI của họ đã "fully scaled" — triển khai trọn vẹn; ở nhóm doanh thu từ 5 tỷ USD trở lên, con số cũng chỉ là 10%, trong khi 31% vẫn đang ở giai đoạn thí điểm. Báo cáo bình luận thẳng rằng các công ty lớn có khả năng đạt giai đoạn mở rộng cao nhất "given the resource and investment demands of integration". Nói cách khác, tiền và quy mô không tự động giải được bài toán này — chuyện nằm ở việc đưa hệ thống đi hết chặng chứ không ở việc dựng được bản chạy thử. Chúng tôi đã bóc riêng cây cầu từ thí điểm sang vận hành thật trong bài từ pilot lên production.

Namtech có sẵn một loạt bài hướng dẫn tự làm — phần cứng, chọn mô hình, serving, tích hợp — và chúng tôi không rút lại chữ nào trong đó. Một đội kỹ thuật có người rảnh và có động lực học hoàn toàn dựng được hệ thống này. Câu hỏi không phải "có làm được không" mà là "làm xong trong bao lâu, và trong lúc đó ai làm việc còn lại của họ".

Cách chọn thực dụng nhất không phải chọn một trong hai mà là chia đôi theo mốc: thuê để đi từ con số không tới hệ thống chạy được và có bộ đánh giá, rồi nhận bàn giao và tự vận hành từ đó. Điều kiện để cách này chạy được là bàn giao phải bằng văn bản — sơ đồ hệ thống, quy trình cập nhật tài liệu, bộ câu hỏi đánh giá, và ai gọi ai khi hỏng. Nếu một nhà cung cấp không sẵn lòng bàn giao những thứ này, đó là tín hiệu đáng cân nhắc lại.

Sáu biến số quyết định bạn nằm ở đầu hay cuối khoảng 8–10 tuần

Sáu thứ dưới đây, chứ không phải kích thước mô hình hay cấu hình máy, là những thứ thực sự quyết định một dự án AI nội bộ về đích đúng hạn hay trượt.

Đây cũng là danh sách nên mang vào buổi khảo sát để tự chấm trước. Với mỗi dòng, câu hỏi cần trả lời là "chỗ này bên mình đang ở trạng thái nào" — và mỗi câu trả lời rơi vào cột phải là một lý do khoảng thời gian dịch về phía cuối.

Dòng cuối cùng đáng nhấn thêm một lần. Rất nhiều đội coi phần hồ sơ tuân thủ là việc làm sau khi hệ thống chạy — trong khi nó là việc duy nhất trong danh sách có thời hạn do luật đặt ra, không thương lượng được, và không thể rút ngắn bằng cách thêm người. Chạy song song từ ngày đầu thì nó không nằm trên đường găng; để tới cuối thì nó trở thành đường găng.

Thời gian triển khai một hệ AI nội bộ không được quyết bởi tốc độ cài đặt phần mềm, mà bởi ba thứ phía doanh nghiệp: ai có thẩm quyền chốt phạm vi, tài liệu đang ở trạng thái nào, và có ai ngồi chấm đúng-sai từng câu trả lời hay không — vì vậy khoảng 8–10 tuần chỉ đúng khi cả ba thứ đó sẵn sàng trước khi tuần thứ nhất bắt đầu.

Câu hỏi thường gặp

Lưu ý: bài viết tổng hợp từ nguồn công khai, tra cứu ngày 05/08/2026. Các mốc thời lượng 5 giai đoạn và tổng 8–10 tuần là lộ trình Namtech công bố công khai trên trang chủ, không phải chuẩn ngành. Bảng 1, Bảng 2, Bảng 5 và Bảng 6 là khuyến nghị và ước lượng của Namtech rút từ kinh nghiệm triển khai — không có nguồn ngoài, và không nên đọc như số liệu khảo sát. Cột "thời gian tải" trong Bảng 3 là suy ra bằng phép chia từ dung lượng thật ở đường truyền 100 Mbps dùng trọn băng thông; thực tế luôn lâu hơn. Hai ngày 01/3/2027 và 01/9/2027 ở Bảng 4 là suy ra bằng phép cộng từ ngày hiệu lực 01/3/2026, không phải ngày ghi trong văn bản. Các đoạn trong ngoặc kép là trích nguyên văn từ văn bản pháp luật Việt Nam, từ tài liệu chính thức của NVIDIA, vLLM, Ollama, Meta, Alibaba Cloud (Qwen), Mistral AI, Microsoft, OpenAI, các dự án mã nguồn mở nêu tên, và từ báo cáo AI Index 2026 của Stanford HAI; phần dịch là của Namtech. Phần pháp lý là tóm tắt văn bản luật, không phải tư vấn pháp lý — áp dụng cho từng doanh nghiệp cụ thể cần ý kiến luật sư hoặc bộ phận pháp chế. Ảnh minh họa lấy từ Pexels theo Pexels License — ảnh đầu bài và ảnh chia sẻ: Tima Miroshnichenko.