AI mở không miễn phí: Cuộc chiến giành quyền thu tiền ở lớp triển khai

Khi AI mở không còn đồng nghĩa với miễn phí

Một hiểu lầm rất phổ biến đang dẫn nhiều đội ngũ AI đi sai hướng: thấy nhãn open-source hoặc open-weight rồi mặc định rằng mô hình có thể dùng tự do, thương mại hóa thoải mái và không có ai đứng ở cuối chuỗi để thu tiền. Luật chơi năm 2026 phức tạp hơn nhiều. Các phòng thí nghiệm AI đang mở trọng số mô hình để kéo developer, tạo lực hút thị trường và hạ rào cản chuyển đổi; sau đó họ thu giá trị tại các lớp khó thay thế hơn như giấy phép thương mại, inference tối ưu, hỗ trợ doanh nghiệp, quyền truy cập sớm, Cloud, dữ liệu tích hợp và doanh thu phát sinh từ khách hàng.

Reuters ngày 7/8/2026 cho biết Alibaba dự kiến yêu cầu các khách hàng lớn dùng phiên bản Qwen3.8-Max sắp ra mắt chia sẻ một phần doanh thu tạo ra từ mô hình. Trước đó, Alibaba cho phép phần lớn các model open-source của họ chạy trong trung tâm dữ liệu của khách hàng mà không thu phí; khoản tiền phát sinh chủ yếu khi khách hàng dùng model trên Cloud của Alibaba. Hướng đi mới báo hiệu sự chuyển dịch rất rõ: trọng số có thể mở, nhưng quyền kiếm tiền ở quy mô lớn không còn mặc định mở.

Khái niệm cần giữ thật chặt là open-weight. Nó có nghĩa nhà phát triển nhận được các tham số đã học để tải xuống, chạy hoặc fine-tune. Điều đó khác với model đóng của OpenAI, Anthropic hay Google, nơi người dùng thường chỉ tiếp cận qua API hay giao diện dịch vụ. Song open-weight không tự động trả lời các câu hỏi pháp lý: ai được cung cấp model dưới dạng dịch vụ, doanh thu bao nhiêu thì phải ký hợp đồng, có được dùng cho sản phẩm cạnh tranh hay không, và quyền sở hữu với phiên bản fine-tune nằm ở đâu?

• Trọng số mở: Cho phép tải model về chạy, điều chỉnh hoặc triển khai nội bộ, tùy điều khoản đi kèm.
• Quyền thương mại: Có thể bị giới hạn theo quy mô doanh thu, hình thức cung cấp dịch vụ hoặc số lượng người dùng.
• Lớp thu tiền: Nằm ở support, inference, deployment, quyền truy cập sớm và các thỏa thuận doanh thu.
• Rủi ro lớn nhất: Đội kỹ thuật đánh giá model bằng benchmark nhưng bộ phận pháp chế không đọc kỹ license.

“Mở” giờ là một chiến thuật phân phối. Nó không còn là lời hứa rằng mọi giá trị thương mại quanh model sẽ miễn phí mãi mãi.

Với doanh nghiệp Việt Nam, chuyện này có ý nghĩa thực dụng hơn cuộc tranh luận triết học về mã nguồn mở. Một startup có thể self-host model rất rẻ trong giai đoạn đầu. Nhưng nếu sản phẩm tăng trưởng, vượt qua ngưỡng doanh thu trong giấy phép hoặc chuyển sang bán AI-as-a-service, cấu trúc chi phí có thể đổi hoàn toàn. Cái giá của việc không đọc license thường xuất hiện muộn, lúc mô hình đã gắn sâu vào sản phẩm, dữ liệu và Workflow.

Tôi thấy nhiều đội vẫn hỏi “model nào miễn phí?”. Câu hỏi đúng là: “Trong từng giai đoạn tăng trưởng, tôi đang mua quyền gì, chịu nghĩa vụ gì và có thể rời đi với chi phí bao nhiêu?” Chỉ đổi một câu hỏi, cách chọn kiến trúc đã khác hẳn.

• Giai đoạn thử nghiệm: Ưu tiên tốc độ kiểm chứng use case và chất lượng đầu ra.
• Giai đoạn đưa vào sản phẩm: Rà giấy phép, lưu vết model version và nghĩa vụ phân phối.
• Giai đoạn tăng trưởng: Mô phỏng ngưỡng doanh thu, chi phí inference và chi phí tái kiến trúc nếu đổi model.

Open-weight AI đang hình thành mô hình kinh doanh mới

Trường hợp Kimi K3 của Moonshot AI cho thấy ranh giới mới này cụ thể đến mức nào. Giấy phép của Kimi K3 yêu cầu bên cung cấp model dưới dạng dịch vụ, đồng thời tạo doanh thu trên 20 triệu USD mỗi năm, phải đàm phán thỏa thuận thương mại với Moonshot. Một nguồn tin nói mức chia sẻ doanh thu có thể lên đến 30%. Con số đó không phải biểu phí chính thức công bố cho mọi khách hàng, nhưng nó đủ để dập tắt suy nghĩ rằng tải weights về là xong.

Alibaba chưa công bố tỷ lệ chia sẻ doanh thu cụ thể cho Qwen3.8-Max vì các cuộc thảo luận còn tiếp diễn. Reuters cũng cho biết Chinasoft International đã công bố có thỏa thuận chia sẻ doanh thu với Moonshot, song không tiết lộ phần trăm. Paddy Srinivasan, CEO của DigitalOcean Holdings, xác nhận công ty có thỏa thuận thương mại với Moonshot và mô tả cách tiếp cận đó là “open-source freemium”: doanh nghiệp tiếp cận model với chi phí thấp hoặc bằng không, rồi trả tiền cho tối ưu triển khai, hỗ trợ và quyền tiếp cận sớm phiên bản kế tiếp.

• Miễn phí ở cửa vào: Developer được thử nghiệm, self-host hoặc phát triển sản phẩm nhanh hơn.
• Thu phí khi tạo giá trị: Quy mô doanh thu, cung cấp dịch vụ model hoặc nhu cầu enterprise có thể kích hoạt đàm phán.
• Thu phí ở vận hành: Nhà cung cấp bán tốc độ, độ ổn định, support, compute và bản phát hành sớm.
• Thu phí ở hệ sinh thái: Giá trị tăng lên khi model được nhúng vào Cloud, công cụ đánh giá, runtime và dữ liệu doanh nghiệp.

Điểm cần phân biệt là mô hình freemium này không giống mã nguồn mở truyền thống theo nghĩa cộng đồng thường hiểu. Một dự án phần mềm có thể kiếm tiền từ hosting, tư vấn hoặc enterprise edition, trong khi core license vẫn khá đơn giản. Với AI foundation model, bản thân license có thể gắn điều kiện trực tiếp với doanh thu của người triển khai. Model vì thế gần với một tài sản nền tảng: ai dùng để xây hạ tầng dịch vụ lớn có thể phải chia lại một phần giá trị cho chủ sở hữu model.

Điều này cũng giải thích nghịch lý giá. Reuters cho biết giá token đầu vào và đầu ra của Kimi K3 chỉ khoảng một phần ba Fable của Anthropic. Giá thấp không có nghĩa nhà cung cấp từ bỏ lợi nhuận. Nó có thể là chi phí để giành chỗ đứng trong lựa chọn kỹ thuật của developer, rồi tạo dòng tiền ở những nơi khách hàng khó đổi hơn. Một khi dữ liệu, prompt, evaluation suite và luồng vận hành đã bám vào model, switching cost mới thực sự xuất hiện.

Vì sao phòng thí nghiệm AI mở model rồi mới thu phí

Open-weight là một công cụ thâm nhập thị trường cực mạnh. Model đóng buộc doanh nghiệp phải tin nhà cung cấp, gửi request qua API và chấp nhận mức độ phụ thuộc nhất định. Model mở weights giảm ma sát đó: đội kỹ thuật có thể chạy thử trong VPC, on-premise hoặc môi trường được kiểm soát; họ có thể benchmark với dữ liệu riêng, fine-tune theo tác vụ và giữ nhiều quyền chủ động hơn. Đổi lại, nhà phát triển model nhận được mức độ lan truyền mà một API đắt tiền khó tạo ra.

Peter Staar của IBM Research Zurich nêu nhận xét rất sắc: các bên dẫn đầu muốn giữ công nghệ đóng, còn những bên đang đuổi kịp thường chọn mở. Câu nói này giúp nhìn Qwen hay Kimi vượt khỏi lớp sản phẩm. Với các công ty AI Trung Quốc, open-weight là một đòn chiến lược để thu hút cộng đồng toàn cầu, tạo tiêu chuẩn de facto và rút ngắn khoảng cách với các model Mỹ. Mở không phải dấu hiệu yếu thế; nhiều khi đó là cách đưa công nghệ vào hàng nghìn sản phẩm trước khi đối thủ kịp khóa thị trường bằng API.

“The ones in the lead want to keep it closed, and the ones catching up go open.”

Cộng đồng developer cũng hoạt động như một mạng lưới R&D phân tán. Họ phát hiện lỗi, benchmark model trên ngôn ngữ mới, xây adapter, thử quantization, tối ưu runtime và tìm use case mà lab không đủ nguồn lực để tự khám phá. Chủ model hưởng lợi từ tốc độ học tập tập thể này. Dù vậy, không nên lãng mạn hóa quan hệ đó: khi cộng đồng tạo ra thị trường, công ty vẫn cần cơ chế thu hồi vốn cho training, compute, hạ tầng và đội ngũ sản phẩm.

• Giảm chi phí chuyển đổi: Khách hàng có thể thử model mà chưa phải ký hợp đồng API dài hạn.
• Tạo chuẩn kỹ thuật: Một model phổ biến kéo theo toolchain, tutorial, adapter và nhân lực am hiểu nó.
• Nhận phản hồi thị trường: Use case thực tế chỉ ra model thất bại ở đâu và cần tối ưu điều gì.
• Tạo đường thu tiền sau này: License thương mại, Cloud, support và inference managed xuất hiện khi khách hàng mở rộng.

Trong thực tế triển khai của tôi, thứ giữ chân doanh nghiệp hiếm khi chỉ là model. Nó là bộ test nội bộ, connector tới dữ liệu, quy trình phê duyệt, dashboard giám sát và cả người vận hành hiểu hệ thống. Model mở giúp bắt đầu nhanh, nhưng chính những lớp đó quyết định chi phí rời đi.

Giá trị thực đang dịch chuyển xuống các lớp triển khai

Dan Fu, Phó chủ tịch phụ trách kernels tại Together AI, nhấn mạnh giá trị không nằm riêng ở model mà ở cách doanh nghiệp dùng token, tối ưu inference và biến model thành phần mềm hữu ích. Đây là điểm nhiều công ty bỏ lỡ khi mua AI theo kiểu so sánh bảng benchmark. Một model hơn vài điểm benchmark chưa chắc tạo ra hệ thống rẻ hơn, nhanh hơn hay dễ kiểm soát hơn trong môi trường sản xuất.

Inference là vùng tạo chênh lệch lớn. Cùng một model, chi phí và trải nghiệm có thể khác xa tùy cách batch request, quản lý context, cache, chọn hardware, quantize weights, routing tác vụ và kiểm soát output. Doanh nghiệp dùng model qua API đang mua sự đơn giản. Doanh nghiệp self-host đổi sự đơn giản lấy quyền kiểm soát. Cả hai đều phải trả giá, chỉ khác vị trí của hóa đơn.

• Tối ưu token: Thiết kế prompt, context và luồng hội thoại để giảm token lãng phí mà không phá chất lượng.
• Tối ưu inference: Chọn runtime, batch, quantization và cấu hình phần cứng phù hợp tải thực tế.
• Hỗ trợ enterprise: SLA, xử lý sự cố, bảo mật, versioning và hỗ trợ tích hợp là phần doanh nghiệp sẵn sàng trả tiền.
• Quyền truy cập sớm: Phiên bản mới có thể là lợi thế kinh doanh trước khi model phổ biến rộng.
• Tích hợp dữ liệu: Connector, phân quyền, audit trail và Workflow nghiệp vụ khó sao chép hơn weights.

Đó cũng là lý do các bài toán chủ quyền số và kiến trúc Agentic không thể tách khỏi giấy phép model. Nếu một AI Agent truy cập CRM, tài liệu nội bộ và hệ thống giao dịch, vấn đề không còn là model trả lời hay đến đâu. Doanh nghiệp phải xác định dữ liệu đi qua đâu, ai quản lý quyền gọi tool, làm sao audit quyết định và liệu license có thay đổi khi sản phẩm AI này tạo doanh thu trực tiếp hay không.

Đừng nhầm self-host với tự chủ tuyệt đối. Bạn vẫn phụ thuộc vào hardware, framework, runtime, bản vá bảo mật, đội ngũ MLOps và nhà cung cấp model upstream. Tự chủ thật là biết rõ dependency nào có thể thay thế, dependency nào phải mua, và dependency nào cần điều khoản hợp đồng để giảm rủi ro.

Cuộc cạnh tranh Mỹ–Trung và sự phân mảnh của AI mở

IBM Think trong phân tích xu hướng AI năm 2026 ghi nhận AI mở đang đa dạng hóa theo quy mô model và quốc gia. Đây không phải một hệ sinh thái đồng nhất. Mỗi nhóm model mang theo license, ngôn ngữ mạnh, toolchain, mức độ tương thích framework và định hướng thương mại riêng. Qwen, Kimi K3 cùng các model suy luận từ Trung Quốc tạo thêm lựa chọn cho thị trường, đồng thời làm bài toán procurement khó hơn.

Matt White, Giám đốc điều hành PyTorch Foundation, nêu ba lực lượng định hình AI mã nguồn mở: sự đa dạng toàn cầu gồm model đa ngôn ngữ và model suy luận từ Trung Quốc; khả năng tương tác giữa framework với runtime; và quản trị chặt hơn, như phát hành được kiểm toán bảo mật cùng pipeline dữ liệu minh bạch. Ba điểm này nói rằng “mở” ở giai đoạn tiếp theo không đo bằng việc có link tải model hay không. Nó đo bằng khả năng kiểm tra, triển khai, chuyển đổi và quản trị model một cách bền vững.

• Đa dạng toàn cầu: Model phục vụ các ngôn ngữ, năng lực suy luận và thị trường khác nhau sẽ cùng tồn tại.
• Khả năng tương tác: Framework và runtime tương thích quyết định mức độ linh hoạt trong triển khai.
• Quản trị: Security audit và minh bạch pipeline dữ liệu giảm rủi ro trước khi model vào hệ thống quan trọng.
• Phân mảnh license: Cùng là open-weight nhưng quyền dùng thương mại có thể khác rất xa.

Sự phân mảnh này làm tăng giá trị của năng lực đánh giá độc lập. Một doanh nghiệp không nên chọn model chỉ vì nó được cộng đồng nói là “mở” hay “rẻ”. Cần so sánh năng lực theo tác vụ thật, yêu cầu hạ tầng, điều kiện giấy phép, cơ chế cập nhật, cách xử lý lỗ hổng và mức độ tương thích với stack đang có. Với tổ chức có dữ liệu nhạy cảm, yếu tố chủ quyền dữ liệu có thể quan trọng hơn vài điểm benchmark.

Tôi nghiêng về cách nhìn thực dụng: thị trường không cần một “người chiến thắng” tuyệt đối giữa model mở và đóng. Thị trường cần nhiều lựa chọn đủ minh bạch để doanh nghiệp đặt đúng model vào đúng công việc. Điều nguy hiểm là khóa tương lai công ty vào một model chỉ vì demo đầu tiên nhìn rất ấn tượng.

Từ model khổng lồ đến AI nhỏ, chuyên ngành và tiết kiệm

Anthony Annunziata, Giám đốc Open Source AI tại IBM và AI Alliance, dự báo doanh nghiệp sẽ dùng các model suy luận nhỏ hơn, đa phương thức và dễ fine-tune theo ngành thay vì dồn mọi tác vụ vào một model khổng lồ. Lập luận rất thuyết phục: model tổng quát không đủ cho pháp lý, y tế hay sản xuất nếu thiếu tri thức chuyên ngành và kiến trúc phản ánh quy trình của chuyên gia.

IBM cho biết các kỹ thuật distillation, quantization và runtime tiết kiệm bộ nhớ đang đưa model nhỏ, tối ưu theo lĩnh vực tới edge cluster và thiết bị nhúng. Ba động lực là chi phí, độ trễ và chủ quyền dữ liệu. Dù bài viết này không đi sâu vào Edge AI, ý nghĩa kinh tế rất rõ: khi model vừa đủ tốt chạy gần nơi dữ liệu sinh ra, doanh nghiệp có thể tránh gửi mọi request lên một dịch vụ tập trung.

• Distillation: Chuyển một phần năng lực của model lớn sang model nhỏ hơn cho mục tiêu cụ thể.
• Quantization: Giảm yêu cầu bộ nhớ và compute để model phù hợp môi trường triển khai hơn.
• Runtime tiết kiệm bộ nhớ: Giúp vận hành model với ràng buộc hạ tầng thực tế.
• Model chuyên ngành: Phù hợp khi quy trình cần thuật ngữ, luật lệ và logic nghiệp vụ riêng.

Quyết định đúng không phải “càng lớn càng tốt”. Hãy tách tác vụ: phần nào cần reasoning tổng quát, phần nào chỉ cần trích xuất có cấu trúc, phân loại, tìm kiếm hoặc kiểm tra quy tắc. Một hệ thống tốt có thể dùng nhiều model với các mức chi phí khác nhau, miễn là routing rõ ràng và evaluation nghiêm túc. Chi phí inference cũng phải đặt cạnh áp lực năng lượng, chủ đề đã được phân tích kỹ hơn trong bài về chiến lược tối ưu hạ tầng AI xanh.

Rẻ không phải là mục tiêu cuối. Một model rẻ nhưng sai ở điểm then chốt có thể tạo chi phí vận hành, chi phí kiểm tra và rủi ro pháp lý lớn hơn khoản token tiết kiệm được. Model phù hợp là model tạo ra mức chất lượng cần thiết với chi phí tổng thể có thể dự báo.

Model là nguyên liệu. Lợi thế cạnh tranh nằm ở công thức vận hành: dữ liệu nào đi vào, tác vụ nào được phép làm và ai chịu trách nhiệm khi đầu ra sai.

Physical AI: Khi cuộc chơi đi ra khỏi màn hình

Sự thay đổi mô hình kinh doanh còn rõ hơn khi AI bước sang robot. Reuters ngày 10/8/2026 cho biết Unitree định giá cổ phiếu IPO tại Thượng Hải ở mức 150,80 nhân dân tệ, dự kiến huy động 6,1 tỷ nhân dân tệ, tương đương khoảng 904 triệu USD. Nếu hoàn tất, công ty sẽ là nhà sản xuất robot hình người đầu tiên niêm yết tại thị trường đại lục. Đợt bán lẻ được đăng ký vượt hơn 8.000 lần; mức định giá tương đương 219 lần lợi nhuận năm 2025 và 36 lần doanh thu.

Unitree báo doanh thu năm 2025 tăng hơn bốn lần lên gần 1,7 tỷ nhân dân tệ, khoảng 252 triệu USD; lợi nhuận ròng điều chỉnh khoảng 600 triệu nhân dân tệ. Hơn 40% doanh thu trong mỗi giai đoạn công bố đến từ thị trường nước ngoài. Meituan là nhà đầu tư bên ngoài lớn nhất với 9,65%, còn HSG và MPCi lần lượt nắm 7,11% và 5,45%. Tencent, Alibaba, Ant Group, China Mobile và Geely cũng tham gia vòng gọi vốn tháng 6/2025.

Nhưng đừng đọc các số liệu ấy như bằng chứng robot hình người đã sẵn sàng thay lao động quy mô lớn. Reuters nhấn mạnh doanh thu hiện tại của Unitree chủ yếu đến từ trường đại học, nghiên cứu và dự án có hỗ trợ của chính phủ. Bản cáo bạch nêu nhiều khoảng trống: tổng quát hóa nhiệm vụ, thời lượng hoạt động, an toàn và vận hành tin cậy trong môi trường phi cấu trúc. Video robot lan truyền rất nhanh; khả năng vận hành lặp lại trong nhà máy, kho hàng hay bệnh viện là một bài toán khác hẳn.

• Doanh thu hiện hữu: Tập trung vào đại học, nghiên cứu và dự án được hỗ trợ.
• Khoảng trống thương mại: Chưa chứng minh robot có thể thay thế lao động ở quy mô lớn.
• Chuỗi giá trị physical AI: Bao gồm thân robot, model điều khiển, dữ liệu huấn luyện, bảo trì và triển khai hiện trường.
• Ý nghĩa IPO: Vốn giúp phát triển embodied-AI, nghiên cứu thân robot và mở rộng sản xuất, không phải bảo chứng cho nhu cầu đại chúng.

Liên hệ với open-weight rất trực diện. Khi AI đi vào thế giới vật lý, khách hàng không mua một model đơn lẻ. Họ mua mức độ an toàn, bộ dữ liệu, sensor integration, năng lực bảo trì và cam kết vận hành. Ai kiểm soát các lớp ấy sẽ giữ phần lớn giá trị kinh tế. Bài góc nhìn về AI và Robotics 2026 hữu ích nếu bạn muốn đi sâu thêm vào nhánh công nghệ này, còn bài học ở đây là hãy tách sự hào hứng với demo khỏi bằng chứng về unit economics.

Hàm ý chiến lược cho doanh nghiệp và nhà phát triển Việt Nam

Đội ngũ Việt Nam có lợi thế khi open-weight mở rộng lựa chọn: có thể thử model trong môi trường kiểm soát, tối ưu cho tiếng Việt, xây sản phẩm mà không phụ thuộc tuyệt đối vào một API. Nhưng lợi thế ấy chỉ tồn tại nếu công ty xem license là một phần của kiến trúc. Cấm copy, cấm phân phối, ngưỡng doanh thu hay điều khoản phải đàm phán có thể thay đổi đường đi của cả sản phẩm.

Checklist trước khi đưa bất kỳ model open-weight nào vào production nên được làm bởi kỹ thuật, pháp chế và kinh doanh cùng lúc. Đừng giao việc này cho riêng một bên. Kỹ thuật hiểu model chạy ra sao; pháp chế hiểu nghĩa vụ; kinh doanh biết doanh thu được tạo ở đâu. Thiếu một mảnh, quyết định sẽ méo.

• Đọc đúng license: Xác định quyền dùng nội bộ, quyền fine-tune, quyền phân phối weights và quyền cung cấp model-as-a-service.
• Kiểm tra ngưỡng thương mại: Tìm điều khoản gắn với doanh thu, số người dùng, quy mô hạ tầng hoặc loại khách hàng.
• Làm rõ doanh thu liên quan: Nếu AI là một tính năng trong SaaS, doanh thu nào có thể bị xem là tạo ra từ model?
• Lưu hồ sơ phiên bản: Theo dõi model version, license version, dữ liệu fine-tune và thay đổi trong pipeline.
• Chuẩn bị phương án thay thế: Thiết kế abstraction để có thể benchmark và chuyển model khi điều kiện thương mại đổi.

Tiếp theo là tính total cost of ownership, thay vì nhìn bảng giá token hoặc chi phí GPU riêng lẻ. TCO phải có compute, nhân sự vận hành, bảo mật, logging, đánh giá chất lượng, giám sát drift, chi phí xử lý sự cố, tuân thủ và khả năng hỗ trợ khách hàng. API có thể đắt theo token nhưng rẻ theo đầu người vận hành. Self-host có thể rẻ theo request nhưng đắt vì đội ngũ chưa đủ kinh nghiệm. Không có đáp án chung cho mọi công ty.

Hãy xây năng lực nội bộ ở bốn điểm: dữ liệu, evaluation, tối ưu và vận hành. Dữ liệu quyết định model hiểu doanh nghiệp đến đâu. Evaluation giúp phân biệt demo đẹp với chất lượng ổn định. Tối ưu kiểm soát chi phí và độ trễ. Vận hành bảo đảm hệ thống có thể chạy khi khách hàng thật dùng nó. Một công ty không cần tự train foundation model để có lợi thế, nhưng cần biết đo lường và kiểm soát model mà họ đang thuê hoặc tự triển khai.

Câu hỏi thường gặp

Open-weight có còn thực sự miễn phí không?

Có thể miễn phí ở một phạm vi nhất định, nhưng không nên suy ra rằng quyền thương mại luôn vô điều kiện. Qwen3.8-Max và Kimi K3 cho thấy nhà phát triển model có thể mở weights nhưng gắn nghĩa vụ thương mại với khách hàng lớn hoặc bên cung cấp model như một dịch vụ. Với Kimi K3, điều khoản được Reuters nêu là bên cung cấp dịch vụ và có doanh thu vượt 20 triệu USD mỗi năm phải đàm phán thỏa thuận thương mại với Moonshot. Muốn biết “miễn phí” đến đâu, phải đọc license của đúng phiên bản model bạn triển khai.

Doanh nghiệp nên chọn model mở hay model đóng?

Chọn theo tác vụ, rủi ro dữ liệu, năng lực vận hành và cấu trúc chi phí; đừng chọn theo nhãn. Model đóng hợp lý khi cần bắt đầu nhanh, muốn giảm gánh nặng hạ tầng hoặc cần dịch vụ managed. Open-weight hợp lý khi dữ liệu cần kiểm soát chặt, cần fine-tune, cần linh hoạt triển khai hoặc muốn tránh phụ thuộc vào một API. Nhiều hệ thống tốt sẽ dùng kết hợp: model lớn cho tác vụ phức tạp, model nhỏ hoặc chuyên ngành cho các luồng lặp lại.

Chia sẻ doanh thu từ model AI tạo ra rủi ro pháp lý nào?

Rủi ro đầu tiên là hiểu sai phạm vi “doanh thu tạo ra từ model”. Với sản phẩm SaaS có AI là một tính năng, doanh thu gắn với model có thể khó tách rõ. Rủi ro thứ hai là phát hiện nghĩa vụ quá muộn, sau khi model đã ăn sâu vào sản phẩm. Rủi ro thứ ba là nhà cung cấp thay đổi license hay điều kiện thương mại ở model version mới. Cách phòng ngừa là lưu hồ sơ license, xác định luồng doanh thu, xin tư vấn pháp lý khi quy mô tăng và duy trì phương án kỹ thuật để thay model.

Self-host model có giúp doanh nghiệp tránh mọi chi phí từ nhà phát triển model không?

Không. Self-host có thể giảm chi phí API và tăng quyền kiểm soát dữ liệu, nhưng license vẫn có thể đặt điều kiện thương mại. Ngoài ra doanh nghiệp phải gánh compute, runtime, patch bảo mật, giám sát, đánh giá, nhân sự và xử lý sự cố. Cần so sánh chi phí theo toàn bộ vòng đời vận hành, không phải chỉ theo giá mỗi triệu token hay giá một GPU.

Robot hình người đã là thị trường thương mại trưởng thành chưa?

Các dữ liệu về Unitree cho thấy vốn và kỳ vọng thị trường đang rất lớn, nhưng chưa xác nhận robot hình người thay thế lao động đại trà. Reuters lưu ý doanh thu hiện tại chủ yếu đến từ đại học, nghiên cứu và dự án được hỗ trợ bởi chính phủ. Những bài toán về tổng quát hóa nhiệm vụ, thời lượng hoạt động, an toàn và độ tin cậy trong môi trường phi cấu trúc vẫn là rào cản thực tế.

Cuộc chiến AI mới là cuộc chiến kiểm soát chuỗi giá trị

Nhị phân hóa thị trường thành “open thắng” hoặc “closed thắng” không còn hữu ích. Model đóng sẽ tiếp tục hấp dẫn với khách hàng ưu tiên tiện lợi và năng lực frontier. Open-weight sẽ tiếp tục hấp dẫn với bên cần linh hoạt, kiểm soát và khả năng tùy biến. Lợi nhuận sẽ chảy về các công ty kiểm soát được lớp có giá trị nhất trong từng use case: license, inference, dữ liệu, runtime, ứng dụng, phân phối hoặc hạ tầng vật lý.

Ba ưu tiên cho giai đoạn 2026–2028 khá rõ. Thứ nhất, đưa license vào quy trình kiến trúc ngay từ ngày đầu. Thứ hai, đầu tư evaluation và observability trước khi đầu tư quá mạnh vào một model cụ thể. Thứ ba, giữ quyền lựa chọn bằng cách tránh để prompt, dữ liệu, toolchain và Workflow bị khóa cứng vào một nhà cung cấp. Đó không phải thái độ chống API hay chống model mở; đó là kỷ luật kinh doanh.

Quan điểm của tôi là doanh nghiệp Việt Nam nên tận dụng làn sóng open-weight, nhưng đừng ngây thơ trước chữ “open”. Model có thể tải về miễn phí. Quyền thương mại, chi phí vận hành và quyền kiểm soát tương lai của sản phẩm thì chưa bao giờ miễn phí. Bên thắng sẽ là bên hiểu mình đang trả tiền cho lớp nào, và biết giữ lại lớp giá trị quan trọng nhất cho chính mình.

Nguồn tham khảo: AI mở không còn miễn phí: Cuộc chiến mới về giấy phép, doanh thu và quyền kiểm soát hệ sinh thái