Khảo sát doanh nghiệp của UBS: Chi tiêu cho AI vẫn mạnh mẽ, xu hướng "tự xây dựng" phần mềm ngày càng phổ biến, quản lý dữ liệu giữ vai trò then chốt

Logic đầu tư AI doanh nghiệp đang trải qua một sự chuyển đổi mang tính cấu trúc, nhưng sự chuyển đổi này vẫn chưa dẫn đến việc cắt giảm ngân sách.

Theo Truyền thông thị trường theo xu hướng (Zhuifeng Trading Desk), chuyên gia phân tích của UBS Karl Keirstead đã chỉ ra trong báo cáo khảo sát AI doanh nghiệp ngày 10/8 rằng, rất nhiều doanh nghiệp đã chuyển từ giai đoạn ban đầu “tối đa hóa token” sang một giai đoạn mới với đặc trưng là tối ưu hóa token, trong đó hiệu quả và tỷ suất lợi nhuận đầu tư được đặt lên ưu tiên cao hơn. Quan trọng là, sự thay đổi này “vẫn chưa chuyển hóa thành cắt giảm chi tiêu cho AI”. Điều này gửi một tín hiệu quan trọng ra thị trường: doanh nghiệp đã bắt đầu tính toán chi tiết, nhưng chưa đạp phanh lại.

Đối với các nhà cung cấp mô hình tiên tiến như OpenAI, Anthropic, cũng như các hãng cloud đứng sau, nhu cầu chưa hề suy giảm rõ rệt vì lo lắng về chi phí. Kết quả kinh doanh mạnh mẽ quý hai của các hãng cloud cũng đã xác thực điều đó. Bên thực sự chịu áp lực, là các nhà sản xuất phần mềm ứng dụng truyền thống đang thử đóng gói bán giải pháp AI cho doanh nghiệp—cộng đồng doanh nghiệp vẫn ưa chuộng tự xây dựng các hệ thống AI cốt lõi, điểm bùng phát mà các hãng SaaS truyền thống mong chờ vẫn chưa đến.

Xét theo chuỗi giá trị ngành, sự phân hóa đã dần xuất hiện: tầng hạ tầng đám mây và quản lý dữ liệu giữ vị thế tương đối vững chắc, Databricks, Snowflake, Palantir tiếp tục giữ vai trò chủ chốt trong stack AI doanh nghiệp; tầng phần mềm ứng dụng gặp nhiều áp lực nhất, các chức năng AI của doanh nghiệp lớn SaaS hầu như không xuất hiện trong danh sách mua sắm, ngược lại là một loạt các công ty AI bản địa quy mô nhỏ, chuyên giải quyết các vấn đề cụ thể đã tiếp cận vào các kịch bản triển khai thực tế.

Mối quan tâm cốt lõi hiện tại của doanh nghiệp đã chuyển từ “AI có xài được không” sang “ai đang dùng, dùng bao nhiêu, có xứng đáng không”.

Nhiều doanh nghiệp đã triển khai hệ thống theo dõi sử dụng, khi nhân viên đạt đến một hạn mức nhất định, yêu cầu sẽ tự động chuyển sang mô hình cấp thấp hơn với tốc độ phản hồi chậm hơn. Một số doanh nghiệp bắt đầu hạn chế quyền tạo agent thông minh của nhân viên. Độ nhạy của mô hình tính phí theo mức tiêu thụ cũng tăng lên, vì nó liên kết trực tiếp lượng sử dụng AI với hóa đơn chi trả.

Tối ưu hóa chi tiết hơn diễn ra ở khâu gọi mô hình: cung cấp cho mô hình bối cảnh ngắn gọn thay vì lấp đầy toàn bộ cửa sổ bối cảnh; giảm các cuộc gọi lặp lại đến hệ thống RAG; tối ưu chi phí từng nhiệm vụ qua script, định tuyến và rút ngắn prompt. Một doanh nghiệp mở truy cập mô hình tiên tiến cho khách hàng với giá cố định, kết quả là chi phí sử dụng mô hình ăn vào biên lợi nhuận, có khả năng tương lai buộc phải điều chỉnh lại cấu trúc giá.

Tuy vậy, tổng thể mặt ngân sách vẫn chưa xuất hiện cắt giảm rõ rệt. Các doanh nghiệp phổ biến lo sợ bỏ lỡ thời cơ, thường lựa chọn triển khai trước rồi dần dần bổ sung rào chắn kiểm soát. Karl Keirstead nhấn mạnh trong báo cáo, “tính ROI” không đồng nghĩa với “ngừng đầu tư AI”, ít nhất là trên nhóm mẫu doanh nghiệp khảo sát.

Xu hướng router mô hình nổi lên, mô hình mã nguồn mở Trung Quốc chưa vào chủ lưu doanh nghiệp lớn

Một hướng tự nhiên để giảm chi phí gọi AI là router một phần tác vụ từ mô hình đóng nguồn tiên tiến sang mô hình mã mở. Tuy vậy, trong nhóm doanh nghiệp được khảo sát mà chủ yếu là doanh nghiệp lớn không phải công nghệ, OpenAI GPT và Anthropic Claude vẫn là lựa chọn chủ lưu.

Một số doanh nghiệp khẳng định vẫn sử dụng mô hình tiên tiến, các doanh nghiệp thiên kỹ thuật gốc lại cởi mở hơn với mô hình mở nguồn Trung Quốc, nhưng doanh nghiệp truyền thống lớn lại chú trọng nhiều hơn tới bảo mật, tuân thủ và khả năng kiểm soát, nhất là các doanh nghiệp thuộc khối chính phủ, quốc phòng, cung ứng liên quan.

Hiện tại, các phương án tiết giảm chi phí mô hình chủ yếu chạy song song ba hướng: phân phối các tác vụ khác nhau đến những mô hình phù hợp khác nhau, sử dụng mô hình nhỏ cho yêu cầu giá trị thấp, cũng như tối ưu chuỗi gọi giúp tiết kiệm token. Mô hình mở nguồn Trung Quốc có thể là một tùy chọn, nhưng chưa phải ưu tiên số một của phần lớn doanh nghiệp lớn.

Marc Benioff, nhà sáng lập Salesforce, nhiều lần nhận định: các dự án tự xây AI cuối cùng sẽ thất bại và doanh nghiệp sẽ quay sang mua AI tích hợp của các hãng SaaS lớn. ServiceNow cũng đồng tình với logic này. Nhưng khảo sát của UBS cho thấy thực tế vẫn chưa đứng về phía các hãng SaaS lớn.

Nhiều doanh nghiệp Fortune 500 vẫn nghiêng về tự xây dựng sản phẩm AI, với ba lý do chính: quy trình nội bộ doanh nghiệp rất được cá nhân hóa, chức năng AI SaaS đóng gói sẵn chưa chắc phù hợp; tự xây giúp kiểm soát toàn bộ tầng dữ liệu, workflow (harness) và hệ thống agent thông minh; một số sản phẩm bên ngoài có giá quá cao hoặc hiệu quả không như kỳ vọng.

Một ví dụ điển hình trong khảo sát: một doanh nghiệp lên kế hoạch tạo lớp ontology của riêng mình bằng file Turtle, đồng bộ dữ liệu SAP hoặc PTC Windchill theo thời gian thực vào hồ dữ liệu Databricks, sau nhiều lớp làm sạch cung cấp cho agent sử dụng, xây dựng engine hành động, hướng tới thay thế giải pháp Palantir với các lý do: chi phí thấp hơn, tuyển dụng nhân tài dễ hơn, sau này còn mở công nghệ cho khách hàng. Doanh nghiệp khác trực tiếp nói rằng, hiện giờ các hãng SaaS chưa có tính năng AI nào đáng mua, họ có thể tự phát triển plugin.

Điều này không có nghĩa hành vi mua hoàn toàn biến mất. Dù vậy, ở các kịch bản cụ thể như code review, bảo mật, quan sát trạng thái, SIEM, workflow,... doanh nghiệp vẫn sẽ mua sản phẩm mature. Nhưng đối với nhà đầu tư phần mềm, tín hiệu thực sự nằm ở việc: doanh nghiệp có sẵn sàng trả tiền lâu dài cho các tính năng này và từ bỏ phương án tự phát triển không. Nếu xu hướng này không đảo chiều, sản phẩm AI ở nhóm ứng dụng phần mềm khó có ROI cao.

Trong stack công nghệ AI doanh nghiệp, vai trò của các công ty quản trị dữ liệu nổi bật hơn tầng phần mềm ứng dụng nhiều. Databricks được nhắc đến nhiều lần trong khảo sát, phổ biến ở các kịch bản hồ dữ liệu thời gian thực, quản trị dữ liệu và nền tảng AI tool; Snowflake dùng để xây agent thông minh, một số doanh nghiệp tham gia khảo sát còn khẳng định, LLM không thể thay thế trực tiếp Snowflake—LLM giỏi xử lý ngôn ngữ tự nhiên nhưng không phù hợp để thực hiện xử lý, chuyển đổi số lượng lớn dữ liệu, cách hợp lý là đặt Claude và các mô hình khác lên trên Snowflake để giám sát bất thường.

Palantir nhận được phản hồi phức tạp hơn. Một mặt, Palantir vẫn giữ vị trí trong AI doanh nghiệp và lớp ontology; mặt khác, một số khách hàng đang thử thay thế ontology của Palantir bằng AI tự xây. Một nhà thầu quốc phòng lớn nói rằng nội bộ đang giảm sử dụng Palantir và dự đoán hãng này sẽ đối mặt với nhiều thách thức mới vài năm tới. Tuy vậy, UBS cho biết các trường hợp như vậy vẫn chỉ là tín hiệu sớm, chưa thể coi là xu hướng phổ biến.

Tầng database cũng có cạnh tranh rõ nét hơn. Một số khách hàng chọn Redis hoặc Postgres chạy AI workload, tạo thêm nghi ngờ về khả năng MongoDB có thể tham gia đủ sâu vào AI workload hay không.

Một chi tiết đáng chú ý trong khảo sát là số lượng công ty phần mềm ứng dụng niêm yết xuất hiện trong doanh nghiệp tương đối ít, Atlassian, CrowdStrike, Salesforce đều được đề cập nhưng không nhiều. Thay vào đó, nhiều công ty AI bản địa tư nhân nhỏ lại có mặt trong danh sách mua sắm nổi bật hơn: CodeRabbit dùng review code, Opik cho theo dõi LLM, Onyx làm bảo mật cho agent thông minh, ArmorPoint cho SIEM AI, Workfabric cho digital workflow twin, LiteLLM kết nối Langfuse triển khai router mô hình và nén prompt.

Những công ty này không giải quyết vấn đề "AI platform doanh nghiệp" vĩ mô mà nhằm trúng các điểm đau rất cụ thể. Ví dụ ở code review, tốc độ code do AI sinh ra vượt xa khả năng review của con người, doanh nghiệp chọn CodeRabbit ngăn lỗ hổng bảo mật vào môi trường sản xuất; trong bảo mật, AI có thể kết hợp dữ liệu tường lửa, quyền truy cập... để sắp xếp thứ tự ưu tiên của lỗ hổng, hỗ trợ đội bảo mật phát hiện các mối đe dọa thực sự trọng yếu.

Khảo sát cũng chỉ ra AI đang nhanh chóng nâng cao năng lực tấn công, chi phí bảo mật doanh nghiệp dự báo sẽ tăng theo. Khác với các kịch bản ứng dụng AI khác, logic ngân sách cho bảo mật là khá cứng nhắc, động lực là phòng ngừa mở rộng diện tấn công chứ không phải để trải nghiệm chức năng mới.

Hạ tầng AI doanh nghiệp hiện chủ yếu vẫn tập trung ở AWS, Azure và Google Cloud. Các doanh nghiệp khảo sát gần như không đề cập tới việc mở rộng mạnh stack AI on-premises, các kịch bản như dữ liệu ô tô, bảo trì dự phòng, agent thông minh, hồ dữ liệu, workflow AI trên Snowflake & Databricks... đều xây dựng xung quanh ba đám mây lớn.

Một doanh nghiệp cho biết sẽ chuyển toàn bộ dữ liệu từ Azure sang Google Cloud vì lý do giá cả cạnh tranh hơn. Nhưng bản thân quá trình di chuyển không đơn giản—mất ít nhất một năm, còn phải cân nhắc các vấn đề tương thích giữa Power BI, script Excel và Google Sheets; do đó chi tiêu liên quan tới Microsoft có thể giảm nhưng không thể bằng 0. Điều này thể hiển sự cạnh tranh về giá giữa các hãng cloud, nhưng chưa thấy có chứng cứ đủ mạnh từ phía khách hàng rằng AI đang rời cloud chuyển về on-premises.

Theo báo cáo UBS, dù một số đối tác vẫn đang đánh giá khả năng "AI factory" và hồi chuyển mô hình về môi trường on-prem, nhưng trên mẫu khách hiện tại, sân chơi AI vẫn thuộc về cloud.