Năm 2026 đánh dấu giai đoạn AI bước vào vận hành ở quy mô doanh nghiệp. AI trực tiếp tham gia vào quy trình bán hàng, vận hành, phát triển sản phẩm và ra quyết định. Doanh nghiệp không còn đặt câu hỏi “Có nên dùng AI hay không?” mà là “Làm sao triển khai AI ổn định, an toàn và có thể mở rộng khi số lượng mô hình, dữ liệu tăng nhanh?”.

Sự phát triển của AI-native platform, siêu máy tính AI thế hệ mới, hệ thống đa tác nhân và mô hình ngôn ngữ chuyên ngành cho thấy doanh nghiệp cần thay đổi cách tiếp cận, không chỉ ở công nghệ, mà còn ở vận hành, bảo mật và quản trị AI.

AgileOps chia sẻ những xu hướng công nghệ nổi bật trong năm 2026, giúp doanh nghiệp hiểu rõ các nền tảng đang định hình cách AI được xây dựng và triển khai.

1. AI-native platform - Nền tảng AI-native

Khác với AI-enabled - nơi trí tuệ nhân tạo (AI) chủ yếu được bổ sung vào sau như một công cụ hỗ trợ để tạo báo cáo, gợi ý hành động hoặc tự động hóa một số tác vụ riêng lẻ, với AI-native platform, AI được tích hợp trực tiếp ngay từ quy trình phát triển phần mềm của ứng dụng. Trong mô hình này, AI trở thành “bộ não” - hỗ trợ ra quyết định, phân tích dữ liệu và tự điều chỉnh hành vi theo ngữ cảnh và thông tin thời gian thực, thay vì chỉ phản hồi theo các kịch bản được định nghĩa sẵn.

Nhờ khả năng học hỏi liên tục và thích ứng theo thực tế sử dụng, hệ thống có thể vận hành linh hoạt hơn, phản ứng nhanh hơn với thay đổi và giảm sự phụ thuộc vào các tập luật cố định hoặc cấu hình thủ công phức tạp.

Trong thực tế, phần lớn các nền tảng SaaS hiện nay chưa phải AI-native theo nghĩa thuần túy, dù vậy chúng vẫn đang được phát triển để có thể đạt đến tương đương như AI-native. Các sản phẩm như Salesforce, HubSpot hay Atlassian hiện nay đang tích hợp AI ngày càng sâu vào giải pháp của mình:

• Salesforce: Einstein Opportunity Scoring tự động chấm điểm cơ hội bán hàng; Einstein Copilot hỗ trợ tạo workflow, truy vấn dữ liệu và cấu hình hệ thống bằng ngôn ngữ tự nhiên.

Einstein Copilot của Salesforce

• HubSpot: AI Content Assistant hỗ trợ tạo nội dung email, landing page và blog; Predictive Lead Scoring tự động đánh giá chất lượng lead dựa trên hành vi thực tế.

Trong số đó, Atlassian là trường hợp đáng chú ý khi chủ động tái cấu trúc hệ sinh thái sản phẩm theo hướng nền tảng và AI-centric - chiến lược đặt trí tuệ nhân tạo làm trung tâm điều phối. Việc kết hợp các sản phẩm riêng lẻ như Jira, Confluence, Jira Service Management hay Bitbucket thành các Collections - nơi mọi công cụ đều được kết nối và vận hành bằng AI, cho thấy Atlassian đang dịch chuyển kiến trúc để AI có thể vận hành xuyên suốt toàn bộ hệ sinh thái:

• Software Collection - hỗ trợ toàn bộ vòng đời phát triển phần mềm (SDLC), giúp nhóm phát triển phần mềm lập kế hoạch, viết code, kiểm thử và triển khai nhanh hơn.

• Service Collection - giải pháp AI-first cho quản trị dịch vụ nội bộ và chăm sóc khách hàng, kết nối IT, vận hành và hỗ trợ trên cùng một nền tảng thống nhất.

• Teamwork Collection - không gian cộng tác hợp nhất giữa con người và AI, kết nối thông tin qua Confluence, Loom và Rovo.

• Strategy Collection - bộ công cụ hoạch định chiến lược, ngân sách và mục tiêu doanh nghiệp theo thời gian thực, giúp lãnh đạo theo dõi tiến độ và điều phối ưu tiên dễ dàng.

Những nền tảng này chưa được xây dựng “AI-first” từ đầu, nhưng đang tiến gần hơn đến mô hình AI-native khi AI dần trở thành một lớp trí tuệ xuyên suốt trong workflow, thay vì chỉ là tính năng bổ sung.

2. AI supercomputing platform - Siêu máy tính AI thế hệ mới

AI supercomputing platform cung cấp năng lực tính toán cần thiết để huấn luyện các mô hình AI quy mô lớn và xử lý những bài toán phân tích, mô phỏng phức tạp, ví dụ:

• Phân tích hàng triệu đến hàng tỷ bản ghi dữ liệu trong thời gian ngắn.

• Chạy các bài toán mô phỏng, dự báo cần xử lý song song.

• Triển khai AI cho nhiều đội nhóm hoặc nhiều sản phẩm cùng lúc.

Trong những trường hợp này, hạ tầng CNTT truyền thống thường không đủ nhanh hoặc không thể mở rộng kịp thời, dẫn đến thời gian huấn luyện kéo dài, chi phí tăng cao và khó đưa AI vào vận hành.

Tổng quan về AI supercomputing platform

Khác với các hệ thống máy chủ thông thường, AI supercomputing platform được thiết kế chuyên biệt để xử lý các workload AI tiêu tốn nhiều dữ liệu và tài nguyên. Nền tảng này kết hợp điện toán hiệu năng cao (high-performance computing – HPC), bộ xử lý chuyên dụng cho AI như GPU và kiến trúc hạ tầng có khả năng mở rộng linh hoạt. Nhờ đó, hệ thống có thể xử lý khối lượng dữ liệu lớn và rút ngắn thời gian huấn luyện mô hình từ vài tuần xuống còn vài ngày, thậm chí vài giờ. Điều này đặc biệt quan trọng khi doanh nghiệp cần thử nghiệm nhanh, điều chỉnh mô hình liên tục và đưa các ứng dụng AI vào sử dụng sớm.

Đến năm 2028, khoảng 40% doanh nghiệp sẽ áp dụng kiến trúc hybrid computing và hơn 20 nhà cung cấp dự kiến sẽ cung cấp các nền tảng phát triển thống nhất, cho phép doanh nghiệp tận dụng AI supercomputing trên nhiều môi trường khác nhau một cách linh hoạt.

Theo nghiên cứu từ Gartner

AI supercomputing platform thường được triển khai theo mô hình multi-cloud và hybrid cloud để sử dụng tài nguyên hiệu quả hơn:

• Các tác vụ nặng như huấn luyện mô hình lớn hoặc mô phỏng phức tạp được chạy trên hạ tầng chuyên dụng để đảm bảo hiệu năng.

• Các tác vụ nhẹ hơn như suy luận, phân tích theo yêu cầu được đưa lên cloud để dễ mở rộng và tối ưu chi phí.

• Đồng thời, doanh nghiệp cần có cơ chế quản lý rõ ràng về bảo mật, quyền truy cập và ngân sách để tránh việc chi phí AI tăng ngoài kiểm soát.

Với AI supercomputing platform, doanh nghiệp không chỉ “chạy được AI”, mà còn có thể xây dựng và vận hành các mô hình AI riêng, phù hợp với từng ngành và từng bài toán kinh doanh.

3. Multiagent system - Hệ thống đa tác nhân AI

Multiagent system (MAS) là mô hình trong đó nhiều tác nhân AI (AI agents) chuyên biệt cùng phối hợp để xử lý các quy trình phức tạp. Thay vì một hệ thống AI đơn lẻ phải đảm nhiệm toàn bộ quy trình từ đầu đến cuối, mỗi agent trong Multiagent system đảm nhận một vai trò cụ thể, như phân tích dữ liệu, hiểu ngữ cảnh, đưa ra quyết định hoặc thực thi hành động.

So với các mô hình AI truyền thống mang tính “nguyên khối”, Multiagent system cho phép phân rã vấn đề thành nhiều phần nhỏ, xử lý song song. Các agent có thể trao đổi thông tin và được điều phối linh hoạt theo từng bước của workflow, giúp hệ thống phản hồi nhanh hơn, dễ mở rộng hơn và giảm độ phức tạp khi quy trình ngày càng nhiều bước và phụ thuộc vào ngữ cảnh.

Multiagent system mang lại nhiều lợi ích rõ rệt:

• Tăng khả năng tự động hóa các workflow phức tạp nhiều bước.

• Dễ mở rộng và điều chỉnh từng agent theo nhu cầu cụ thể.

• Cải thiện khả năng phối hợp và ra quyết định trong hệ thống phân tán.

Một ví dụ tiêu biểu là Rovo của Atlassian - nơi các agent được tích hợp trực tiếp vào hệ sinh thái các sản phẩm Atlassian Cloud. Mỗi Rovo agent đảm nhiệm những vai trò khác nhau, hiểu ngữ cảnh công việc để đề xuất hành động tiếp theo.

Rovo agent phục vụ đa dạng nhu cầu từ các đội nhóm khác nhau

Thay vì phụ thuộc vào một mô hình AI đơn lẻ, kiến trúc đa tác nhân cho phép chia nhỏ trách nhiệm, xử lý song song và điều phối linh hoạt theo ngữ cảnh thực tế của từng workflow.

4. Domain-specific language models - Mô hình ngôn ngữ chuyên ngành

Domain-specific language models (DSLMs) là các mô hình ngôn ngữ AI được huấn luyện hoặc tinh chỉnh chuyên biệt cho một lĩnh vực, ngành nghề hoặc bài toán cụ thể. Khác với các mô hình ngôn ngữ lớn (Large language models – LLMs) - mang tính tổng quát và được thiết kế để xử lý nhiều loại nội dung khác nhau, DSLMs tập trung vào thuật ngữ, dữ liệu và ngữ cảnh đặc thù của một lĩnh vực chuyên ngành nhất định.

Từ đó, DSLMs mang lại độ chính xác và khả năng kiểm soát cao hơn. Đồng thời, việc giới hạn phạm vi ngữ cảnh giúp giảm sai lệch, tăng tính nhất quán và đặc biệt phù hợp với những lĩnh vực yêu cầu tuân thủ chặt chẽ về quy định, dữ liệu và quy trình nghiệp vụ.

Đến năm 2028, hơn 60% các mô hình GenAI trong doanh nghiệp sẽ là Domain-specific language models. Khoảng 30% workload GenAI sẽ được triển khai bằng DSLMs trên nền tảng on-premises hoặc on-device, nhằm đáp ứng các yêu cầu về bảo mật và tuân thủ dữ liệu.

Theo nghiên cứu từ Gartner

Trong những năm gần đây, DSLMs được ứng dụng đang được ứng dụng rộng rãi:

• Tài chính – ngân hàng: Phân tích báo cáo tài chính, hỗ trợ tư vấn sản phẩm, phát hiện rủi ro và gian lận dựa trên thuật ngữ và quy trình chuyên ngành.

• CNTT và vận hành doanh nghiệp: Phân tích log hệ thống, tài liệu kỹ thuật, ticket hỗ trợ và quy trình nội bộ bằng ngôn ngữ chuyên ngành.

• Nhân sự: Phân tích hồ sơ ứng viên, chính sách nội bộ và quy trình HR theo đúng bối cảnh tổ chức.

DSLMs không chỉ giúp doanh nghiệp khai thác AI hiệu quả hơn, mà còn đặt nền tảng cho việc đưa AI vào vận hành thực tế một cách an toàn và có kiểm soát.

5. AI security platform - Nền tảng bảo mật cho AI

AI security platform là nền tảng bảo mật được xây dựng riêng cho môi trường AI - nơi mô hình, dữ liệu và AI agent trực tiếp tham gia vào quá trình ra quyết định và thực thi hành động. Không giống các giải pháp bảo mật truyền thống chỉ bảo vệ hạ tầng, ứng dụng hoặc dữ liệu tĩnh, AI security platform tập trung vào bảo vệ hành vi và luồng tương tác của AI trong suốt vòng đời sử dụng.

Sơ đồ minh họa AI security platform

Khi AI được tích hợp sâu vào workflow và vận hành theo mô hình AI-native hoặc multiagent, rủi ro không chỉ đến từ tấn công bên ngoài mà còn phát sinh từ chính cách AI được sử dụng. AI security platform giúp doanh nghiệp:

• Quản trị việc sử dụng AI trên toàn bộ hệ thống, bao gồm cả các công cụ AI bên thứ ba và AI nội bộ.

• Bảo vệ dữ liệu trong quá trình tương tác với AI, đặc biệt qua prompt, API và AI agent.

• Giám sát hành vi AI theo ngữ cảnh, phát hiện sớm các dấu hiệu bất thường hoặc sai lệch so với mục tiêu ban đầu.

• Hỗ trợ tuân thủ các yêu cầu về bảo mật, quyền riêng tư và quản trị AI.

Trong thực tế triển khai, AI security platform thường được sử dụng để:

• Kiểm soát hiện tượng shadow AI, khi nhân viên sử dụng các công cụ AI ngoài tầm quản lý của tổ chức.

• Bảo vệ các workflow AI-native bằng cách giám sát cách AI agent truy cập dữ liệu và thực thi hành động.

• Đưa bảo mật AI vào pipeline phát triển và vận hành, giúp phát hiện rủi ro sớm thay vì xử lý sự cố sau khi đã xảy ra.

AI security platform không còn là một lớp bổ sung tùy chọn, mà đang trở thành thành phần nền tảng trong kiến trúc AI doanh nghiệp. Khi AI bước vào giai đoạn vận hành ở quy mô lớn, các tổ chức cần những giải pháp bảo mật được thiết kế theo hướng AI-first để đảm bảo hệ thống vừa linh hoạt, vừa an toàn và có thể mở rộng trong dài hạn.

Sẵn sàng kiến trúc CNTT cho kỷ nguyên AI

AI-native platform, AI supercomputing, Multiagent system, Domain-specific language models và AI security platform đang trở thành nền tảng thiết yếu trong kiến trúc CNTT hiện đại. Thay vì tiếp cận AI theo từng dự án riêng lẻ, doanh nghiệp cần xây dựng một kiến trúc lấy AI làm trung tâm, có khả năng mở rộng, kiểm soát rủi ro và vận hành ổn định trong dài hạn.

Bạn đã chuẩn bị kế hoạch chuyển đổi từ kiến trúc CNTT truyền thống sang kiến trúc AI-centric?

AgileOps đồng hành cùng doanh nghiệp Việt trong triển khai toàn diện giải pháp Atlassian, Salesforce, HubSpot, Google và Kubernetes, từ tư vấn, cắt chuyển dữ liệu, triển khai phần mềm, quản trị vận hành đến đào tạo. Bên cạnh đó, với đội ngũ chuyên gia đạt chứng nhận, AgileOps giúp nâng cao hiệu suất hợp tác và làm việc giữa đội nhóm bằng cách vận dụng công cụ AI như Rovo, Agentforce, … đúng và phù hợp với quy trình thực tế của doanh nghiệp.