Khuyến nghị về ứng dụng Trí tuệ nhân tạo (AI) trong lập và chuẩn hóa quy trình công việc nội bộ tại Trường Đại học Ngoại thương

1. Đặt vấn đề

Trí tuệ nhân tạo (AI) tạo sinh — từ ChatGPT, Gemini, Copilot cho đến hàng trăm ứng dụng chuyên biệt — đã đi từ hiện tượng công nghệ trở thành công cụ quen thuộc trong đời sống công việc của cán bộ, giảng viên và chuyên viên tại các cơ sở giáo dục đại học. Theo khảo sát của Chan và Colloton (2024), trong vòng chưa đầy hai năm kể từ khi ChatGPT ra mắt, hơn 80% sinh viên đại học tại các nước phát triển đã sử dụng ít nhất một công cụ AI tạo sinh trong học tập. Tại Trường Đại học Ngoại thương (FTU), các khảo sát nội bộ cho thấy tỷ lệ cán bộ và giảng viên tiếp xúc với AI cũng tăng nhanh, nhưng phần lớn vẫn ở mức tự phát, thiếu khung quy định rõ ràng (Chan và Colloton, 2024).

Bên cạnh những lợi ích to lớn — tăng năng suất soạn thảo, chuẩn hóa văn bản hành chính, hỗ trợ nghiên cứu — việc sử dụng AI không có kiểm soát đặt ra nhiều rủi ro: đưa dữ liệu nhạy cảm lên các dịch vụ AI công khai, sử dụng thông tin sai lệch do AI tạo ra ("ảo giác" AI), vi phạm bản quyền và quyền sở hữu trí tuệ, cũng như đánh giá đồng nghiệp hoặc sinh viên một cách thiên lệch dựa trên các đề xuất tự động. Bài viết liêm chính học thuật trong thời đại AI đã chỉ ra rằng những rủi ro này không chỉ mang tính kỹ thuật mà còn liên quan trực tiếp đến đạo đức nghề nghiệp và trách nhiệm pháp lý.

Bài viết này tổng hợp tinh thần của hai văn bản nền tảng — Khuyến nghị về việc ứng dụng AI trong lập và chuẩn hóa quy trình công việc nội bộ (mẫu dành cho các đơn vị trực thuộc Trường Đại học Ngoại thương) và bản Nhận xét và gợi ý hoàn thiện — kết nối với các nghiên cứu đã công bố trên AI Research Hub, nhằm đề xuất một khung hướng dẫn toàn diện, có thể áp dụng ngay tại FTU. Mục tiêu là biến AI từ một công cụ "dùng thử, dùng theo" thành một phương tiện làm việc có cấu trúc, an toàn và hiệu quả.

2. Mục tiêu và phạm vi

2.1. Mục tiêu

Hướng dẫn này hướng tới ba mục tiêu cụ thể:

• Tận dụng năng lực AI: sử dụng năng lực xử lý ngôn ngữ tự nhiên và phân tích dữ liệu của AI để thiết kế, số hóa và tối ưu hóa quy trình công việc nội bộ; nâng cao hiệu quả, minh bạch và khả năng giám sát.
• Đảm bảo an toàn thông tin: bảo vệ dữ liệu cá nhân, bí mật chuyên môn và tuân thủ các quy định pháp lý liên quan đến quyền dữ liệu, sở hữu trí tuệ.
• Xây dựng văn hóa AI có trách nhiệm: hình thành thói quen xác minh, ghi nhận minh bạch việc sử dụng AI, và phát triển năng lực số cho cán bộ — phù hợp với tinh thần "khai phóng" trong triết lý giáo dục của FTU.

2.2. Phạm vi áp dụng

Hướng dẫn áp dụng cho toàn thể cán bộ, giảng viên và chuyên viên thuộc các đơn vị trực thuộc FTU. Phạm vi công việc được khuyến nghị sử dụng AI bao gồm: soạn thảo dự thảo quy trình, chuẩn hóa biểu mẫu, chuẩn hóa ngôn ngữ và mẫu văn bản báo cáo, phân tích công việc và đề xuất KPI, mô phỏng luồng xử lý, tạo checklist kiểm soát chất lượng, và tự động hóa các bước lặp. Những lĩnh vực không nên sử dụng AI — hoặc chỉ dùng dưới sự kiểm soát đặc biệt — sẽ được trình bày tại Mục 7.

3. Năm nguyên tắc chỉ đạo

Việc ứng dụng AI tại FTU tuân thủ năm nguyên tắc nền tảng. Các nguyên tắc này được rút ra từ cả văn bản khuyến nghị nội bộ lẫn các nghiên cứu quốc tế về quản lý dữ liệu số tại trường đại học và khung năng lực AI (VNAI-CompF).

3.1. Con người làm chủ

AI chỉ là công cụ hỗ trợ. Mọi quyết định chính thức, pháp lý và chiến lược — từ phê duyệt quy trình, ký kết văn bản đến đánh giá nhân sự — đều do con người (lãnh đạo, chuyên viên có thẩm quyền) chịu trách nhiệm. Nguyên tắc này đảm bảo rằng quyền quyết định cuối cùng luôn thuộc về người có năng lực và thẩm quyền, không giao phó cho thuật toán.

3.2. Bảo mật và phân quyền

Dữ liệu phải được phân loại theo mức độ bảo mật (công khai, nội bộ, mật). Mô-đun AI chỉ được phép truy cập dữ liệu phù hợp với phân quyền của người sử dụng. Tuyệt đối không đưa thông tin cá nhân nhạy cảm, dữ liệu y tế, số tài khoản, mật khẩu, đề thi chưa tổ chức, hay thông tin bí mật chuyên môn trực tiếp vào các prompt công khai trên dịch vụ AI thương mại. Khi cần phân tích dữ liệu nội bộ, phải sử dụng dữ liệu đã được ẩn danh hoặc mã hoá. Việc này liên quan trực tiếp đến quy chế quản lý dữ liệu số mà FTU đang xây dựng.

3.3. Kiểm chứng và kiểm soát chất lượng

Mọi kết quả do AI tạo ra — dù là một đoạn văn bản ngắn hay một bản nháp quy trình — đều phải được rà soát bởi chuyên viên có năng lực trước khi ban hành chính thức. Đặc biệt quan trọng là việc xác minh tính chính xác của các trích dẫn, số liệu, và văn bản pháp luật do AI gợi ý, vì AI có thể tạo ra thông tin sai lệch một cách thuyết phục ("ảo giác"). Cán bộ chịu trách nhiệm phải xác minh 100% các trích dẫn và số liệu do AI cung cấp trước khi trình duyệt hoặc ban hành.

3.4. Tuân thủ pháp luật và chính sách nhà trường

Việc sử dụng AI phải đảm bảo phù hợp với Luật Bảo vệ dữ liệu cá nhân (năm 2023), các quy chế nội bộ của nhà trường, và các hướng dẫn quản lý nhà nước về ứng dụng AI. Đồng thời, cần tôn trọng quyền sở hữu trí tuệ: không đưa các công trình nghiên cứu chưa công bố, tài liệu giảng dạy độc quyền, hoặc dữ liệu nghiên cứu nhạy cảm lên các hệ thống AI công khai, vì điều này có thể dẫn đến việc dữ liệu bị sử dụng để huấn luyện mô hình mà không có sự đồng ý của tác giả.

3.5. Minh bạch và ghi nhận

Mọi lần tương tác AI quan trọng phải được ghi lại: prompt sử dụng, kết quả nhận được, người thao tác, thời gian thao tác. Nhật ký (log) này phục vụ công tác kiểm tra, truy xuất nguồn gốc và kiểm soát chất lượng về sau. Khi một tài liệu chính thức có sự đóng góp đáng kể của AI, nên ghi nhận điều đó một cách phù hợp — tương tự như cách ghi nhận sự hỗ trợ của các công cụ phần mềm khác trong nghiên cứu học thuật.

3.6. Phân định trách nhiệm theo thẩm quyền hành chính

Để văn bản hướng dẫn này có hiệu lực vận hành, cần quy định rõ vai trò và đơn vị đầu mối chịu trách nhiệm cho từng khâu. Việc phân định này tuân theo thẩm quyền hành chính hiện hành của Trường Đại học Ngoại thương.

Bảng 1. Phân định trách nhiệm theo đơn vị

Đơn vị	Vai trò	Trách nhiệm cụ thể
Trung tâm CNTT	Đơn vị thẩm định hạ tầng AI	Cấp phát và quản trị môi trường sandbox, API gateway, hệ thống log; thẩm định an toàn kỹ thuật của các công cụ AI trước khi đưa vào sử dụng; duy trì kho bí mật (secret vault); cung cấp thư viện prompt chuẩn hóa
Phòng Thanh tra — Pháp chế	Đơn vị kiểm soát tuân thủ	Kiểm tra việc tuân thủ bản quyền, bảo mật dữ liệu cá nhân, và tính pháp lý của văn bản do AI hỗ trợ soạn thảo; xử lý vi phạm theo quy chế nội bộ
Phòng Tổ chức — Hành chính	Đơn vị phối hợp vận hành	Ban hành biểu mẫu hành chính chuẩn, tổ chức tập huấn, tiếp nhận phản hồi, và tổng hợp báo cáo định kỳ về việc sử dụng AI trong công việc hành chính
Trưởng đơn vị / Khoa / Phòng	Người duyệt cuối cùng	Chịu trách nhiệm phê duyệt các quy trình, văn bản, và tài liệu do đơn vị mình tạo ra có sự hỗ trợ của AI; đảm bảo cán bộ dưới quyền đã thực hiện đầy đủ các bước rà soát và khai báo theo quy định

Bảng 1. Phân định trách nhiệm theo đơn vị tại FTU. Việc phân công này tuân theo cơ cấu tổ chức hiện hành; khi có thay đổi về cơ cấu, bảng này cần được cập nhật tương ứng.

Nguyên tắc cốt lõi: Trưởng đơn vị là người chịu trách nhiệm cuối cùng đối với mọi văn bản do đơn vị mình ban hành, dù quá trình soạn thảo có sử dụng AI ở khâu nào. AI không thay thế trách nhiệm pháp lý của người có thẩm quyền.

4. Phạm vi ứng dụng theo ba nhóm nhiệm vụ

Để cán bộ dễ hình dung và áp dụng, phạm vi ứng dụng AI được chia thành ba nhóm nhiệm vụ chính, tương ứng với các nhóm đối tượng và chức năng trong trường đại học.

Bảng 2. Phạm vi ứng dụng AI theo nhóm nhiệm vụ tại FTU

Nhóm nhiệm vụ	Đối tượng chính	Ứng dụng AI được khuyến nghị
Quản lý và hành chính	Lãnh đạo đơn vị, chuyên viên hành chính	Soạn thảo ban đầu các tờ trình, thông báo, quy trình phối hợp; tự động hóa tóm tắt biên bản họp; đề xuất KPI; lập lịch trình sự kiện; chuẩn hóa ngôn ngữ hành chính
Giảng dạy và đào tạo	Giảng viên, bộ môn	Xây dựng và chuẩn hóa khung đề cương chi tiết học phần; gợi ý bài tập và tình huống thảo luận; tạo ngân hàng câu hỏi ôn tập; xây dựng tiêu chí đánh giá (rubrics)
Nghiên cứu khoa học	Giảng viên, nghiên cứu viên, sau đại học	Rà soát tổng quan tài liệu; tóm tắt bài báo quốc tế; hỗ trợ sửa lỗi ngữ pháp; chuẩn hóa định dạng bài báo theo chuẩn quốc tế (APA, IEEE); phân tích dữ liệu định lượng

Bảng 2. Ba nhóm nhiệm vụ chính và các ứng dụng AI tương ứng, được tổng hợp từ văn bản khuyến nghị nội bộ và điều chỉnh cho phù hợp với đặc thù FTU.

Việc phân chia thành ba nhóm không có nghĩa là ranh giới cứng. Một giảng viên có thể sử dụng AI cho cả ba nhóm nhiệm vụ trong cùng một ngày. Tuy nhiên, việc xác định rõ nhóm nhiệm vụ giúp lựa chọn công cụ phù hợp và áp dụng các biện pháp kiểm soát rủi ro tương ứng — đặc biệt là mức độ bảo mật dữ liệu và quy trình xác minh.

5. Quy trình triển khai năm bước

Quy trình triển khai AI trong chuẩn hóa quy trình công việc nội bộ được thiết kế theo năm bước tuần tự, có các cổng kiểm soát chất lượng và phê duyệt ở mỗi giai đoạn chuyển tiếp. Lưu đồ dưới đây minh hoạ toàn bộ luồng xử lý, bao gồm vai trò của các bên tham gia, các điểm ra quyết định, và phản hồi khi không đạt yêu cầu.

Hình 1. Lưu đồ swim-lane quy trình ứng dụng AI trong chuẩn hóa quy trình công việc nội bộ tại FTU. Vẽ theo ký hiệu ISO 5807.

5.1. Bước 1 — Khảo sát hiện trạng

Bước đầu tiên là thu thập toàn bộ thông tin về quy trình hiện hữu: các bước công việc, biểu mẫu đang sử dụng, thời gian thực hiện, vai trò chịu trách nhiệm, và đặc biệt là các điểm nghẽn. Song song, cần phân loại dữ liệu theo mức bảo mật (công khai, nội bộ, mật) và xác định dữ liệu nào có thể đưa vào AI công khai, dữ liệu nào phải ẩn danh hoặc mã hoá trước khi xử lý. Kết quả của bước này là một báo cáo hiện trạng và danh mục phân loại dữ liệu.

5.2. Bước 2 — Soạn thảo bằng AI (giai đoạn thử nghiệm)

Dựa trên báo cáo hiện trạng, cán bộ sử dụng AI để tạo bản nháp quy trình, sơ đồ luồng xử lý, khung biểu mẫu, mô tả nhiệm vụ và phân công trách nhiệm. Mọi kết quả ở bước này phải được gắn tag "Dự thảo AI — cần rà soát". Sử dụng các prompt theo khung năm yếu tố (xem Mục 8). Kết quả là một bản nháp quy trình dạng draft, chưa qua kiểm duyệt chuyên môn.

5.3. Bước 3 — Rà soát, hiệu chỉnh chuyên môn

Nhóm chuyên môn hoặc bộ phận kiểm soát chất lượng rà soát nội dung bản nháp: kiểm tra tính chính xác, đầy đủ, phù hợp pháp lý, và chuẩn hóa ngôn ngữ hành chính. Đây là bước quan trọng nhất để kiểm soát rủi ro "ảo giác" AI — mọi trích dẫn, số liệu, tham chiếu văn bản pháp luật do AI tạo ra đều phải được xác minh 100% trước khi bản nháp được coi là đạt tiêu chí chất lượng. Nếu không đạt, bản nháp quay lại bước soạn thảo để điều chỉnh. Kết quả là bản nháp đã rà soát chuyên môn.

5.4. Bước 4 — Thử nghiệm nội bộ (pilot)

Bản nháp đã rà soát được chạy thử (pilot) tại các đơn vị thí điểm được chỉ định. Khuyến nghị bắt đầu với hai đơn vị tiêu biểu trong giai đoạn thí điểm 3 tháng đầu: Phòng Quản lý Đào tạo — đơn vị có khối lượng quy trình hành chính lớn, liên quan đến nhiều bên (giảng viên, sinh viên, các khoa); và Phòng Hợp tác Quốc tế — đơn vị xử lý nhiều văn bản song ngữ, biểu mẫu chuẩn hoá cao, phù hợp để kiểm chứng khả năng hỗ trợ ngôn ngữ của AI. Trong giai đoạn này, cần thu thập phản hồi về thời gian xử lý thực tế, các nút cổ chai mới phát sinh, mức độ hiểu vai trò của người tham gia, và mức độ hài lòng của người sử dụng. Nếu kết quả pilot không đạt yêu cầu — ví dụ thời gian xử lý không giảm, hoặc quy trình gây nhầm lẫn — thì cần điều chỉnh và rà soát lại. Kết quả là báo cáo đánh giá pilot. Sau khi pilot đạt yêu cầu tại hai đơn vị này, tiến hành mở rộng ra toàn trường theo lộ trình ba giai đoạn (xem Mục 10 và Phụ lục A.5).

5.5. Bước 5 — Ban hành và duy trì

Sau khi pilot đạt yêu cầu, quy trình được trình Ban giám hiệu phê duyệt ban hành chính thức. Khi được phê duyệt, quy trình được công bố kèm theo hướng dẫn vận hành, tài liệu đào tạo, và checklist kiểm tra. Việc duy trì bao gồm đặt lịch rà soát định kỳ (khuyến nghị 12 tháng) và quy trình quản lý thay đổi (change control) để cập nhật khi có biến động về quy định, công nghệ, hoặc cấu trúc tổ chức.

6. Hai tình huống minh hoạ

Để minh hoạ cách AI thực tế rút ngắn thời gian xử lý, phần này trình bày hai tình huống điển hình tại môi trường đại học. Các con số thời gian là ước tính minh hoạ, dựa trên kinh nghiệm vận hành quy trình hành chính thông thường tại các trường đại học Việt Nam. Thời gian thực tế sẽ thay đổi tuỳ thuộc vào quy mô, mức độ phức tạp và mức độ sẵn sàng số hoá của từng đơn vị. Mục đích là cho thấy AI tiết kiệm thời gian ở những khâu nào, và những khâu nào gần như không thay đổi.

6.1. Tình huống 1 — Thẩm định đề án học phần mới

Một khoa muốn đề xuất mở học phần tùy chọn mới cho chương trình cử nhân. Quy trình truyền thống gồm bốn giai đoạn: chuyên viên soạn thảo đề cương chi tiết theo khung quy định của Bộ Giáo dục và Đào tạo (khoảng 3 ngày làm việc), tổ bộ môn rà soát nội dung chuyên môn (2 ngày), hiệu đính ngôn ngữ và chuẩn hóa thể thức (2 ngày), trình Hội đồng khoa học xét duyệt (3 ngày kể cả thời gian chờ lịch họp). Tổng cộng khoảng 10 ngày làm việc.

Khi áp dụng AI theo quy trình năm bước (Mục 5), các khâu soạn thảo và chuẩn hóa bị rút ngắn đáng kể, trong khi khâu rà soát chuyên môn — vốn đòi hỏi phán đoán của con người — gần như không thay đổi.

• Soạn thảo đề cương: chuyên viên sử dụng AI để tạo bản nháp đề cương theo khung chuẩn, cung cấp thông tin về mục tiêu học phần, kiến thức tiên quyết, và cấu trúc nội dung. AI xuất bản nháp trong vài phút; chuyên viên dành 1 ngày để bổ sung chi tiết chuyên môn đặc thù thay vì 3 ngày soạn từ đầu.
• Rà soát chuyên môn: tổ bộ môn vẫn rà soát trong 2 ngày — bước này không thay đổi vì đòi hỏi đánh giá chuyên môn sâu mà AI chưa thể thay thế.
• Chuẩn hóa thể thức: AI tự động kiểm tra thể thức, ngữ pháp, tính nhất quán của thuật ngữ; chuyên viên chỉ cần nửa ngày xác minh thay vì 2 ngày hiệu đính thủ công.
• Trình Hội đồng: tài liệu hoàn chỉnh hơn nên giảm thời gian chờ bổ sung; khoảng 0,5 ngày so với 3 ngày trước đây.

Tổng thời gian giảm từ khoảng 10 ngày xuống 4 ngày — tiết kiệm khoảng 60%. Lợi ích lớn nhất nằm ở khâu soạn thảo ban đầu và chuẩn hóa thể thức, nơi AI phát huy tối đa năng lực xử lý ngôn ngữ.

Bảng 3. So sánh thời gian — tình huống thẩm định học phần mới

Công việc	Trước AI	Sau AI	Tiết kiệm
Soạn thảo đề cương	3 ngày	1 ngày	2 ngày
Rà soát chuyên môn	2 ngày	2 ngày	—
Hiệu đính, chuẩn hóa	2 ngày	0,5 ngày	1,5 ngày
Trình Hội đồng duyệt	3 ngày	0,5 ngày	2,5 ngày
Tổng cộng	~10 ngày	~4 ngày	~6 ngày (60%)

Bảng 3. Ước tính minh hoạ. Khâu rà soát chuyên môn không thay đổi vì đòi hỏi phán đoán chuyên môn sâu mà AI chưa thể thay thế.

6.2. Tình huống 2 — Phê duyệt mua sắm thiết bị

Phòng Hành chính — Kế toán cần trình Ban giám hiệu phê duyệt việc mua sắm thiết bị. Quy trình truyền thống mất khoảng 14 ngày: lập tờ trình và soạn thảo thỏa thuận (4 ngày), thẩm định kỹ thuật (3 ngày), thẩm định tài chính — đối chiếu báo giá, kiểm tra ngân sách (3 ngày), trình BGH phê duyệt (4 ngày kể cả chờ lịch).

Khi áp dụng AI, các khâu soạn thảo và đối chiếu tài liệu được rút ngắn:

• Lập tờ trình: AI tạo bản nháp từ kho biểu mẫu chuẩn của nhà trường; chuyên viên điền thông tin cụ thể và rà soát trong 1,5 ngày thay vì 4 ngày.
• Thẩm định kỹ thuật: vẫn cần chuyên môn của bộ phận kỹ thuật, nhưng AI hỗ trợ tổng hợp thông số kỹ thuật từ các nguồn; 2 ngày thay vì 3 ngày.
• Thẩm định tài chính: AI hỗ trợ so sánh báo giá, lập bảng đối chiếu; chuyên viên kiểm tra và xác nhận trong 1,5 ngày thay vì 3 ngày。
• Trình BGH: hồ sơ hoàn chỉnh hơn, giảm yêu cầu bổ sung; 1 ngày thay vì 4 ngày.

Tổng thời gian giảm từ khoảng 14 ngày xuống 6 ngày — tiết kiệm khoảng 57%.

Bảng 4. So sánh thời gian — tình huống phê duyệt mua sắm thiết bị

Công việc	Trước AI	Sau AI	Tiết kiệm
Lập tờ trình, soạn thỏa thuận	4 ngày	1,5 ngày	2,5 ngày
Thẩm định kỹ thuật	3 ngày	2 ngày	1 ngày
Thẩm định tài chính	3 ngày	1,5 ngày	1,5 ngày
Trình BGH phê duyệt	4 ngày	1 ngày	3 ngày
Tổng cộng	~14 ngày	~6 ngày	~8 ngày (57%)

Bảng 4. Ước tính minh hoạ. Thời gian thẩm định kỹ thuật giảm ít nhất vì đòi hỏi chuyên môn chuyên ngành.

Hai tình huống trên cho thấy một quy luật chung: AI tiết kiệm thời gian nhiều nhất ở các khâu soạn thảo, chuẩn hóa và đối chiếu tài liệu — nơi năng lực xử lý ngôn ngữ tự nhiên của AI phát huy hiệu quả. Ngược lại, các khâu đòi hỏi phán đoán chuyên môn sâu, đánh giá đạo đức, hoặc quyết định chiến lược gần như không thay đổi. Điều này nhất quán với nguyên tắc "con người làm chủ" (Mục 3.1).

7. Quản trị rủi ro

Việc ứng dụng AI mang lại nhiều lợi ích nhưng cũng tiềm ẩn rủi ro đáng kể. Phần này trình bày ba nhóm rủi ro chính và biện pháp kiểm soát tương ứng.

7.1. Kiểm soát thông tin sai lệch (ảo giác AI)

Ảo giác AI (hallucination) là hiện tượng mô hình AI tạo ra thông tin sai lệch nhưng được trình bày dưới dạng thuyết phục — một trích dẫn không tồn tại, một số liệu bịa, một điều luật bị nhầm lẫn. Trong môi trường đại học, hậu quả có thể nghiêm trọng: ban hành quy trình dựa trên cơ sở pháp lý sai, trích dẫn nghiên cứu không có thật trong tài liệu giảng dạy, hoặc đưa thông tin sai cho sinh viên.

Biện pháp kiểm soát: cán bộ chịu trách nhiệm phải xác minh 100% tính chính xác của mọi trích dẫn, số liệu, và văn bản pháp luật do AI gợi ý. Việc xác minh phải thực hiện trước khi trình duyệt hoặc ban hành, không phải sau. Khi AI đưa ra một trích dẫn, cần đối chiếu với nguồn gốc bản gốc — không dừng lại ở việc tìm thấy một kết quả tìm kiếm tương tự trên mạng.

7.2. Quyền sở hữu trí tuệ và bản quyền

Sử dụng AI trong soạn thảo tài liệu giảng dạy và nghiên cứu đặt ra câu hỏi về bản quyền: đầu ra do AI tạo ra thuộc về ai? Có vi phạm bản quyền của tác giả gốc không? Trong bối cảnh FTU, quy định rõ: không đưa các công trình nghiên cứu chưa công bố, đề thi chưa tổ chức, dữ liệu tài chính hoặc nhân sự nhạy cảm lên các hệ thống AI công khai. Lý do là dữ liệu đưa lên dịch vụ AI thương mại có thể được lưu trữ và sử dụng để huấn luyện mô hình, dẫn đến rò rỉ thông tin hoặc mất quyền kiểm soát đối với tài sản trí tuệ của nhà trường.

7.3. Bảo mật dữ liệu và phân quyền

Các biện pháp bảo mật cụ thể bao gồm: không đưa thông tin cá nhân, dữ liệu y tế, số tài khoản, mật khẩu hay thông tin nhạy cảm khác vào prompt; mã hoá hoặc ẩn danh dữ liệu khi dùng để phân tích; hợp đồng với nhà cung cấp dịch vụ AI phải nêu rõ trách nhiệm bảo mật, quyền sở hữu dữ liệu và điều kiện lưu trữ; thiết lập phân quyền truy cập và xác thực đa yếu tố cho công cụ AI dùng chung. Chi tiết về kiến trúc dữ liệu và phân quyền có thể tham khảo bài viết về các luồng dữ liệu chính của trường đại học.

7.4. Quy trình xử lý sự cố an toàn thông tin

Các biện pháp phòng ngừa ở các phần trên giảm thiểu rủi ro nhưng không loại bỏ hoàn toàn. Khi sự cố xảy ra — phát hiện lộ rò rỉ dữ liệu mật lên Public AI, hoặc ban hành văn bản sai lệch nghiêm trọng do AI tạo ra thông tin sai — cần có quy trình xử lý nhanh và rõ ràng.

Bảng 5. Quy trình xử lý sự cố an toàn thông tin do AI

Bước	Thời hạn	Người chịu trách nhiệm	Hành động
1. Phát hiện và báo cáo	Trong vòng 2 giờ	Cán bộ phát hiện sự cố	Báo cáo ngay cho Trung tâm CNTT và Trưởng đơn vị; mô tả sự cố, loại dữ liệu bị lộ, thời điểm phát hiện
2. Đánh giá ban đầu	Trong vòng 4 giờ	Trung tâm CNTT	Xác định quy mô, mức độ nghiêm trọng; thu hồi log liên quan; báo cáo Lãnh đạo Trường nếu sự cố ở mức nghiêm trọng cao
3. Thu hồi và cách ly	Trong vòng 24 giờ	Trưởng đơn vị + CNTT	Thu hồi văn bản sai; ngừng truy cập vào công cụ AI liên quan; cách ly tài khoản nếu cần; thông báo cho bên bị ảnh hưởng (sinh viên, cán bộ, đối tác)
4. Khắc phục hậu quả	Trong vòng 72 giờ	Đơn vị liên quan + CNTT	Sửa chữa văn bản, ban hành phiên bản đính chính; nếu dữ liệu cá nhân bị lộ, thực hiện các bước theo Luật Bảo vệ dữ liệu cá nhân (thông báo cơ quan chức năng nếu cần)
5. Điều tra và xử lý	Trong vòng 14 ngày	Phòng Thanh tra — Pháp chế	Điều tra nguyên nhân, xác định mức độ vi phạm, đề xuất chế tài; báo cáo kết luận cho Lãnh đạo Trường
6. Rút kinh nghiệm	Trong vòng 30 ngày	Trung tâm CNTT + đơn vị liên quan	Cập nhật quy trình, bổ sung quy định nếu cần; chia sẻ bài học cho toàn trường để tránh lặp lại

Bảng 5. Sáu bước xử lý sự cố an toàn thông tin do AI. Mức độ nghiêm trọng và thời hạn cụ thể có thể được điều chỉnh theo quy chế nội bộ của nhà trường.

Về chế tài vi phạm: tuỳ theo mức độ nghiêm trọng, xử lý theo quy chế kỷ luật hiện hành của nhà trường. Vi phạm nhẹ — như quên khai báo sử dụng AI — xử lý bằng nhắc nhở và ghi nhận. Vi phạm nặng — như cố tình đưa dữ liệu mật lên Public AI dù đã được hướng dẫn — có thể dẫn đến kỷ luật từ khiển trách đến sa thải, và truy cứu trách nhiệm pháp lý nếu gây thiệt hại cho bên thứ ba.

8. Khung kỹ năng viết prompt

Để cán bộ sử dụng AI hiệu quả, cần nắm vững kỹ năng viết prompt — câu lệnh hướng dẫn AI thực hiện nhiệm vụ. Khung hướng dẫn dưới đây sử dụng cấu trúc năm yếu tố, phù hợp với cả người mới bắt đầu và người đã có kinh nghiệm.

8.1. Cấu trúc prompt năm yếu tố

Một prompt hiệu quả nên xác định rõ năm yếu tố: vai trò, nhiệm vụ, bối cảnh, định dạng đầu ra, và ràng buộc.

Bảng 6. Cấu trúc prompt năm yếu tố

Yếu tố	Mô tả	Ví dụ
Vai trò	Xác định góc nhìn chuyên môn mà AI cần đóng	"Bạn là chuyên gia quản trị quy trình trong môi trường đại học"
Nhiệm vụ	Mô tả cụ thể công việc cần thực hiện	"Soạn bản nháp quy trình 7 bước phê duyệt hợp đồng mua sắm"
Bối cảnh	Cung cấp thông tin nền, quy định áp dụng	"Dựa trên quy chế tài chính hiện hành của nhà trường"
Định dạng đầu ra	Yêu cầu hình thức trình bày kết quả	"Trả lời dưới dạng bảng: Bước — Người thực hiện — Thời gian — Tài liệu kèm"
Ràng buộc	Giới hạn phạm vi, độ dài, mức độ chi tiết	"Không quá 300 từ; chỉ liệt kê 5 rủi ro hàng đầu"

Bảng 6. Khung năm yếu tố trong cấu trúc prompt, áp dụng cho hầu hết các nhiệm vụ hành chính, giảng dạy và nghiên cứu.

8.2. Mẹo viết prompt nâng cao

Ngoài cấu trúc năm yếu tố, một số kỹ thuật nâng cao giúp tối ưu hóa kết quả:

• Yêu cầu mức độ chi tiết rõ ràng: "tóm tắt" (summary), "chi tiết" (detailed), hoặc "trình bày từng bước" (step-by-step) — tránh để AI tự quyết định độ sâu.
• Giới hạn phạm vi: không chỉ giới hạn số từ mà còn giới hạn số mục, số rủi ro, số phương án — giúp kết quả súc tích và dễ rà soát.
• Yêu cầu nêu giả định: "giả sử hệ thống hiện tại là ERP X và thời gian chuẩn là 7 ngày" — giúp AI đưa ra kết quả sát thực tế hơn.
• Thêm câu kiểm tra an toàn khi có dữ liệu nội bộ: "Lưu ý: không tiết lộ thông tin cá nhân hoặc dữ liệu nhạy cảm. Mọi thông tin nhạy cảm đã được ẩn danh." — câu lệnh này giúp nhắc nhở AI về giới hạn xử lý.

8.3. Ví dụ prompt hoàn chỉnh

"Bạn là chuyên gia quản trị quy trình trong môi trường đại học. Soạn bản nháp quy trình 7 bước cho việc 'phê duyệt hợp đồng mua sắm thiết bị' cho Phòng Hành chính — Kế toán. Mục tiêu: đảm bảo tuân thủ pháp lý, minh bạch trách nhiệm và tối ưu thời gian (không quá 14 ngày). Đầu vào: phiếu đề nghị, báo giá, biên bản thẩm định kỹ thuật. Đầu ra: hợp đồng ký hoàn thiện và lưu trữ. Hãy liệt kê từng bước, vai trò chịu trách nhiệm, tài liệu kèm theo, thời hạn tối đa cho mỗi bước, và 3 rủi ro chính cùng biện pháp giảm thiểu. Trả lời dưới dạng danh sách đánh số."

9. Danh mục công cụ AI

Việc lựa chọn công cụ AI phù hợp phụ thuộc vào nhu cầu sử dụng và mức độ bảo mật dữ liệu. Bảng dưới đây phân loại các công cụ phổ biến theo nhóm nhu cầu, giúp cán bộ không bị lúng túng khi đối mặt với hàng trăm lựa chọn.

Bảng 7. Danh mục công cụ AI theo nhóm nhu cầu

Nhóm nhu cầu	Công cụ tiêu biểu	Lưu ý bảo mật
Xử lý văn bản và ý tưởng	ChatGPT, Claude, Gemini, Copilot	Không đưa dữ liệu mật; kiểm tra chính sách lưu trữ của từng dịch vụ
Hỗ trợ nghiên cứu khoa học	ResearchRabbit, Elicit, Consensus	Xác minh nguồn gốc trích dẫn; các công cụ này tra cứu cơ sở dữ liệu thật, rủi ro ảo giác thấp hơn nhưng vẫn cần kiểm tra
Tối ưu hóa trình bày	Gamma, Canva AI, Notion AI	Kiểm tra quyền sử dụng đầu ra; một số công cụ lưu trữ nội dung trên máy chủ của nhà cung cấp
Dịch và chuẩn hóa ngôn ngữ	DeepL, ChatGPT, Gemini	Phù hợp cho văn bản công khai; hạn chế dùng cho văn bản mật chưa dịch chính thức

Bảng 7. Danh mục công cụ AI phổ biến, phân loại theo nhóm nhu cầu. Lưu ý bảo mật là gợi ý chung — cán bộ cần kiểm tra chính sách cụ thể của từng dịch vụ trước khi sử dụng cho dữ liệu nội bộ.

10. Lộ trình đào tạo và hạ tầng kỹ thuật

10.1. Đào tạo và năng lực

Để cán bộ sử dụng AI hiệu quả và an toàn, cần tổ chức tập huấn định kỳ. Nội dung tập huấn bao gồm: hiểu biết cơ bản về AI (cách hoạt động, giới hạn, rủi ro), kỹ năng soạn prompt hiệu quả, kỹ năng đánh giá kết quả AI, và quy trình bảo mật dữ liệu. Nên cung cấp "bảng tham chiếu nhanh" (cheat-sheet) gồm các prompt mẫu và các lỗi thường gặp, đặt tại nơi dễ tiếp cận — ví dụ cổng thông tin nội bộ của nhà trường.

Trung tâm CNTT hoặc đơn vị chức năng có thể tổ chức các buổi hội thảo (workshop) với chủ đề "Kỹ năng prompting và ứng dụng AI cho cán bộ hành chính — giảng viên", đồng thời thiết lập một kênh hỗ trợ kỹ thuật (helpdesk) hoặc diễn đàn nội bộ để cán bộ chia sẻ các prompt mẫu hay và hiệu quả trong công việc thực tế. Việc phát triển năng lực AI cho cán bộ cũng nên được gắn với khung năng lực AI Việt Nam (VNAI-CompF) — một khung tiêu chuẩn đã được đề xuất với năm chiều kích và năm cấp độ thành thạo, được thẩm định bằng phương pháp Delphi.

10.2. Hướng dẫn kỹ thuật tối thiểu

Về hạ tầng kỹ thuật, ba yêu cầu tối thiểu cần được đảm bảo:

• Môi trường thử nghiệm cách ly (sandbox): mọi tương tác AI thử nghiệm phải diễn ra trong môi trường cách ly (sandbox) trước khi đưa vào môi trường sản xuất. Điều này ngăn ngừa việc dữ liệu thử nghiệm bị nhầm lẫn với dữ liệu chính thức.
• Lưu trữ log: toàn bộ prompt, kết quả, thông tin người tạo, người duyệt và thời gian thao tác phải được lưu trữ trong kho lưu trữ nội bộ có phân quyền, phục vụ truy xuất nguồn gốc khi cần.
• Kiểm thử so sánh: áp dụng kiểm thử A/B khi so sánh phiên bản quy trình trước và sau khi cải tiến bằng AI, đảm bảo các cải tiến được đo lường bằng dữ liệu thực nghiệm chứ không phải cảm tính.

11. Đo lường hiệu quả

Sau khi triển khai AI theo khung hướng dẫn, cần đo lường hiệu quả bằng các chỉ số cụ thể thay vì chỉ dựa vào cảm tính. Bộ chỉ số dưới đây được thiết kế để đánh giá cả ba khía cạnh: hiệu suất (có nhanh hơn không), chất lượng (có chính xác hơn không), và sự chấp nhận (cán bộ có hài lòng không). Các mục tiêu tham chiếu là mức khởi đầu hợp lý cho giai đoạn pilot; nên điều chỉnh dựa trên dữ liệu thực nghiệm sau 6 tháng vận hành.

Bảng 8. Sáu chỉ số đo lường hiệu quả ứng dụng AI

Chỉ số	Ý nghĩa	Phương pháp đo	Mục tiêu tham chiếu
Thời gian xử lý trung bình	Thời gian từ khi tiếp nhận yêu cầu đến khi ban hành, so với trước AI	Ghi timestamps trong hệ thống log (Phụ lục A.2) cho mỗi bước	Giảm tối thiểu 30%
Tỷ lệ dự thảo đạt duyệt ở lần rà soát đầu	Cho biết chất lượng bản nháp AI — tỷ lệ cao nghĩa là AI tạo ra ít lỗi cần sửa	Đếm số bản nháp được duyệt ngay so với tổng số, theo review_status trong log	Tối thiểu 70%
Tỷ lệ phát hiện lỗi ảo giác	Số lỗi sai lệch do AI tạo ra bị phát hiện trong rà soát, so với tổng số lỗi AI tạo	Ghi nhận thủ công trong quá trình rà soát; tổng hợp theo tháng	100% (mọi lỗi phải bị phát hiện trước khi ban hành)
Mức độ hài lòng của cán bộ	Đánh giá chủ quan về trải nghiệm sử dụng AI trong công việc	Khảo sát nặc danh định kỳ, thang 1–5	Trung bình tối thiểu 3,5/5
Chi phí trên mỗi quy trình	Tổng chi phí API (token nhân đơn giá) chia cho số quy trình hoàn thành	Tính từ token_usage trong log (Phụ lục A.2)	Theo dõi, không đặt ngưỡng cứng — so sánh với tiết kiệm thời gian
Số quy trình được chuẩn hóa mỗi quý	Số quy trình nội bộ được thiết kế hoặc chuẩn hóa bằng AI trong mỗi quý	Đếm số quy trình ban hành chính thức có sử dụng AI trong quá trình soạn thảo	Tăng so với trước áp dụng AI

Bảng 8. Sáu chỉ số đo lường hiệu quả. Năm chỉ số đầu đánh giá theo từng quy trình; chỉ số cuối đánh giá theo đơn vị. Mục tiêu tham chiếu áp dụng cho giai đoạn pilot 6 tháng đầu tiên.

Một lưu ý quan trọng: chỉ số "tỷ lệ phát hiện lỗi ảo giác" đặt mục tiêu 100% không có nghĩa là AI không tạo ra lỗi — mà có nghĩa là mọi lỗi do AI tạo ra đều phải bị phát hiện và sửa trước khi tài liệu được ban hành. Nếu tỷ lệ này thấp hơn 100%, đó là tín hiệu cảnh báo quy trình rà soát cần được tăng cường, hoặc loại nhiệm vụ đó chưa phù hợp để áp dụng AI.

12. Kết luận

Việc ứng dụng AI trong lập và chuẩn hóa quy trình công việc nội bộ tại Trường Đại học Ngoại thương không phải là câu hỏi "có hay không", mà là câu hỏi "như thế nào cho đúng". Bài viết này đề xuất một khung hướng dẫn toàn diện, từ nguyên tắc chỉ đạo đến quy trình triển khai cụ thể, từ quản trị rủi ro đến kỹ năng viết prompt và lựa chọn công cụ.

Thông điệp cốt lõi: AI là công cụ mạnh, nhưng chỉ thực sự có ích khi được sử dụng trong một khung có cấu trúc — nơi con người làm chủ quyết định, dữ liệu được bảo vệ, kết quả được xác minh, và quy trình được kiểm soát chất lượng. Năm nguyên tắc (con người làm chủ, bảo mật và phân quyền, kiểm chứng, tuân thủ pháp luật, minh bạch), ba nhóm nhiệm vụ (quản lý, giảng dạy, nghiên cứu), và quy trình năm bước (khảo sát, soạn thảo, rà soát, thử nghiệm, ban hành) tạo thành bộ khung này. Khi áp dụng nhất quán, AI sẽ trở thành phương tiện giúp cán bộ FTU làm việc hiệu quả hơn, minh bạch hơn và sáng tạo hơn — đúng với tinh thần "khai phóng" mà nhà trường theo đuổi.

Khuyến nghị bắt đầu bằng pilot tại Phòng Quản lý Đào tạo và Phòng Hợp tác Quốc tế trong 3 tháng đầu, xây dựng thư viện prompt chuẩn hóa cho toàn trường, và phát triển checklist phê duyệt nội bộ: mọi dự thảo do AI tạo đều phải qua ít nhất hai người kiểm duyệt (chuyên môn + pháp chế hoặc kiểm soát chất lượng). Toàn bộ prompt và kết quả cần được lưu trữ kèm thông tin người tạo, người duyệt, thời gian, để đảm bảo khả năng truy xuất nguồn gốc. Như bài viết về chuyển đổi số trường đại học trước sự trỗi dậy của AI đã cảnh báo, rủi ro lớn nhất không nằm ở công nghệ mà nằm ở việc thiếu chuẩn bị.

Phụ lục A. Hướng dẫn kỹ thuật dành cho Trung tâm CNTT

Phần phụ lục này phát triển các hướng dẫn ở Mục 10.2 thành các yêu cầu kỹ thuật cụ thể, dành cho đội ngũ Trung tâm CNTT khi thiết kế và triển khai hạ tầng AI nội bộ. Mục tiêu là cung cấp bộ thông số kỹ thuật tối thiểu (minimum specification) để môi trường sandbox và hệ thống lưu vết đạt yêu cầu bảo mật, truy xuất nguồn gốc và vận hành ổn định.

A.1. Kiến trúc môi trường thử nghiệm cách ly (sandbox)

Môi trường thử nghiệm cách ly (sandbox) là không gian biệt lập, nơi cán bộ tương tác với AI thử nghiệm trước khi đưa kết quả vào môi trường sản xuất chính thức. Yêu cầu tối thiểu cho kiến trúc sandbox tại FTU bao gồm:

Bảng 9. Yêu cầu kỹ thuật tối thiểu cho môi trường thử nghiệm cách ly (sandbox)

Thành phần	Yêu cầu tối thiểu	Mục đích
Cách ly mạng	Sandbox nằm trong VLAN riêng, không có tuyến kết nối trực tiếp đến mạng dữ liệu chính (production network); truy cập ra ngoài internet qua proxy có kiểm soát	Ngăn dữ liệu thử nghiệm nhầm lẫn với dữ liệu chính thức; kiểm soát lưu lượng ra vào
Cách ly tính toán	Mỗi phiên làm việc chạy trong container riêng (Docker hoặc tương đương), có giới hạn tài nguyên (CPU, RAM, thời gian)	Ngăn một phiên ảnh hưởng đến phiên khác; giới hạn chi phí tính toán
Cổng giao tiếp API	Một API gateway duy nhất làm trung gian giữa sandbox và dịch vụ AI bên ngoài; mọi yêu cầu đi qua gateway này	Điểm kiểm soát duy nhất để ghi log, lọc nội dung, giới hạn tốc độ (rate limiting)
Quản lý khóa API	Khóa API của các dịch vụ AI thương mại được lưu trong kho bí mật (secret vault), không hard-code trong ứng dụng; xoay khóa định kỳ 90 ngày	Ngăn rò rỉ khóa API; tuân thủ nguyên tắc quản lý bí mật
Lọc nội dung đầu vào	Gateway thực hiện kiểm tra tự động: chặn prompt chứa số căn cước, số tài khoản ngân hàng, địa chỉ email nội bộ, hoặc từ khoá nhạy cảm theo danh mục	Phòng vệ lớp đầu — ngay cả khi người dùng quên ẩn danh, hệ thống tự phát hiện và chặn
Xoá dữ liệu thử nghiệm	Dữ liệu trong container bị xoá khi phiên kết thúc (ephemeral storage); không lưu trữ vĩnh viễn trên sandbox	Đảm bảo dữ liệu nhạy cảm không tích luỹ trong môi trường thử nghiệm

Bảng 9. Sáu thành phần tối thiểu của môi trường thử nghiệm cách ly (sandbox) nội bộ. Các yêu cầu này có thể triển khai bằng hạ tầng mã nguồn mở hiện có, không phụ thuộc vào nhà cung cấp cụ thể.

A.2. Hệ thống lưu vết (logging) có cấu trúc

Hệ thống lưu vết ghi lại mọi tương tác AI quan trọng, phục vụ truy xuất nguồn gốc, kiểm toán và kiểm soát chất lượng. Khác với log hệ thống thông thường (ghi sự kiện kỹ thuật), log AI cần ghi cả nội dung tương tác (prompt và kết quả) lẫn ngữ cảnh nghiệp vụ (ai, khi nào, cho mục đích gì).

Bảng 10. Cấu trúc bản ghi (log entry) cho tương tác AI

Trường dữ liệu	Kiểu dữ liệu	Mô tả
log_id	Chuỗi UUID	Định danh duy nhất cho mỗi bản ghi
timestamp	Ngày giờ (ISO 8601)	Thời điểm tương tác chính xác đến giây
user_id	Mã cán bộ (SSO)	Định danh người thao tác, xác thực qua hệ thống đăng nhập một lần (SSO) của nhà trường
unit	Chuỗi	Đơn vị công tác (phòng, ban, khoa)
task_category	Liệt kê	Nhóm nhiệm vụ (quản lý — hành chính / giảng dạy — đào tạo / nghiên cứu khoa học)
ai_service	Chuỗi	Tên dịch vụ AI sử dụng (ví dụ: ChatGPT-4, Gemini Pro)
prompt_text	Văn bản	Nội dung prompt gửi tới AI (lưu đầy đủ)
response_text	Văn bản	Nội dung kết quả nhận được từ AI
data_classification	Liệt kê (công khai / nội bộ / mật)	Mức độ nhạy cảm của dữ liệu trong prompt — do người dùng tự khai báo khi gửi
review_status	Liệt kê	Trạng thái rà soát (chưa rà soát / đang rà soát / đã duyệt / bị từ chối)
reviewer_id	Mã cán bộ	Người rà soát và duyệt kết quả
token_usage	Số nguyên	Số token tiêu thụ (để theo dõi chi phí và giới hạn ngưỡng)

Bảng 10. Mười hai trường dữ liệu tối thiểu cho mỗi bản ghi log AI. Hệ thống nên sử dụng định dạng JSON có cấu trúc (structured logging) để hỗ trợ truy vấn và phân tích.

A.3. Yêu cầu lưu trữ và truy xuất

• Thời gian lưu giữ: tối thiểu 24 tháng cho log đầy đủ (prompt + kết quả); sau 24 tháng, có thể chuyển sang lưu trữ chỉ metadata (không bao gồm nội dung prompt/kết quả) thêm 12 tháng.
• Bảo mật lưu trữ: log được mã hoá khi lưu (encryption at rest) và khi truyền (encryption in transit); chỉ người có quyền kiểm toán mới được truy cập nội dung prompt và kết quả.
• Khả năng truy vấn: hỗ trợ tìm kiếm theo user_id, đơn vị, khoảng thời gian, nhóm nhiệm vụ, và trạng thái rà soát — phục vụ báo cáo định kỳ và kiểm toán đột xuất.
• Báo cáo định kỳ: hệ thống tự động tạo báo cáo tháng cho lãnh đạo đơn vị và Trung tâm CNTT: số lượt sử dụng, nhóm nhiệm vụ phổ biến, tỷ lệ kết quả được duyệt so với bị từ chối, các cảnh báo bảo mật.
• Giới hạn ngưỡng (threshold): khi một người dùng gửi vượt 100 prompt trong ngày, hoặc khi tổng token tiêu thụ vượt ngưỡng ngân sách tháng, hệ thống tự động báo cáo cho quản lý đơn vị và quản trị viên CNTT.

A.4. Kiểm soát bảo mật bổ sung

• Xác thực đa yếu tố: mọi truy cập vào môi trường sandbox AI yêu cầu xác thực đa yếu tố (MFA), tích hợp với hệ thống SSO của nhà trường.
• Phân quyền theo vai trò: ba vai trò tối thiểu — người sử dụng (cán bộ soạn thảo), người rà soát (chuyên viên kiểm duyệt), quản trị viên (CNTT). Người sử dụng chỉ thấy log của chính mình; người rà soát thấy log của đơn vị được phân công; quản trị viên thấy toàn bộ nhưng không sửa được nội dung log.
• Ngăn chống can thiệp: log là dữ liệu chỉ thêm (append-only) — không ai, kể cả quản trị viên, có thể sửa hoặc xoá bản ghi đã tạo. Việc này đảm bảo tính toàn vẹn của hồ sơ kiểm toán.
• Tách biệt dịch vụ: nếu FTU triển khai AI trên hạ tầng đám mây riêng (private cloud), dữ liệu log phải nằm trên phân vùng lưu trữ riêng, không cùng máy chủ với dịch vụ AI đang chạy — để nếu dịch vụ bị xâm phạm, log vẫn an toàn.

A.5. Lộ trình triển khai hạ tầng

Việc xây dựng toàn bộ hạ tầng trên cùng một lúc là không thực tế. Khuyến nghị triển khai theo ba giai đoạn:

• Giai đoạn 1 (tháng 1–3): thiết lập API gateway cơ bản với xác thực SSO, ghi log tối thiểu (timestamp, user_id, prompt, kết quả), và triển khai sandbox container đơn giản. Mục tiêu: có môi trường thử nghiệm hoạt động được.
• Giai đoạn 2 (tháng 4–6): bổ sung bộ lọc nội dung đầu vào, hệ thống phân quyền theo vai trò, bảng điều khiển (dashboard) báo cáo tháng. Mục tiêu: có kiểm soát bảo mật và khả năng giám sát cơ bản.
• Giai đoạn 3 (tháng 7–12): tích hợp cảnh báo ngưỡng, mã hoá log, quy trình xoay khóa API, và kiểm thử an ninh định kỳ. Mục tiêu: đạt yêu cầu bảo mật đủ mạnh để mở rộng sử dụng toàn trường.

Phụ lục này cung cấp bộ thông số kỹ thuật tối thiểu, không phải bản thiết kế hạ tầng hoàn chỉnh. Khi triển khai thực tế, Trung tâm CNTT cần tiến hành đánh giá rủi ro chi tiết (risk assessment) cho từng thành phần, lựa chọn công cụ phù hợp với hạ tầng hiện có của nhà trường, và tham vấn chuyên gia an ninh thông tin khi cần.

A.6. Phân biệt AI riêng tư và AI công khai

Môi trường thử nghiệm cách ly (sandbox) kỹ thuật (Phụ lục A.1) chỉ cách ly hạ tầng mạng nội bộ — ngăn dữ liệu thử nghiệm lây nhiễm vào hệ thống sản xuất, và cho phép kiểm soát truy cập qua API gateway. Tuy nhiên, nếu cán bộ trong sandbox gọi các API công khai (như OpenAI, Gemini Cloud API), dữ liệu trong prompt vẫn phải đẩy ra máy chủ của bên thứ ba. Sandbox kỹ thuật không bảo vệ được dữ liệu ở lớp này.

Để đảm bảo an toàn dữ liệu theo từng mức nhạy cảm, cần phân biệt ba mô hình triển khai AI:

Bảng 11. Ba mô hình triển khai AI theo mức độ bảo mật dữ liệu

Mô hình	Đặc điểm	Bảo mật dữ liệu	Phù hợp với
AI công khai (Public API)	Gọi API qua internet; nhà cung cấp có thể lưu trữ và sử dụng dữ liệu để huấn luyện mô hình	Thấp — dữ liệu rời mạng nội bộ	Dữ liệu công khai, không nhạy cảm
AI doanh nghiệp (Enterprise API)	Cùng dịch vụ nhưng có hợp đồng cấp doanh nghiệp: dữ liệu không được lưu trữ lâu dài, không dùng để huấn luyện mô hình	Trung bình — dữ liệu vẫn đi qua mạng của nhà cung cấp nhưng có ràng buộc pháp lý	Dữ liệu nội bộ, thông tin hành chính
AI tại chỗ (Local LLM)	Mô hình ngôn ngữ lớn chạy trên hạ tầng máy chủ của trường; dữ liệu không bao giờ rời mạng nội bộ	Cao nhất — dữ liệu hoàn toàn trong kiểm soát của nhà trường	Dữ liệu mật, thông tin cá nhân nhạy cảm, đề thi, nghiên cứu chưa công bố

Bảng 11. Ba mô hình triển khai AI với mức độ bảo mật dữ liệu khác nhau. Việc lựa chọn mô hình phải dựa trên phân loại dữ liệu theo Nguyên tắc 3.2 (bảo mật và phân quyền), không dựa trên sở thích công nghệ.

Khuyến nghị áp dụng theo phân loại dữ liệu:

• Dữ liệu công khai (thông báo, biểu mẫu mẫu, tài liệu hướng dẫn công cộng): có thể sử dụng AI công khai. Sandbox kỹ thuật vẫn cần thiết để ghi log và kiểm soát truy cập, nhưng không yêu cầu bảo mật đặc biệt.
• Dữ liệu nội bộ (quy trình phòng ban, báo cáo tài chính nội bộ, kế hoạch công tác): nên sử dụng AI doanh nghiệp (Enterprise API) với hợp đồng bảo mật quy định rõ dữ liệu không được lưu trữ hoặc dùng để huấn luyện. Nếu chưa có hợp đồng doanh nghiệp, phải ẩn danh dữ liệu trước khi gửi vào AI công khai.
• Dữ liệu mật (thông tin cá nhân, đề thi chưa tổ chức, nghiên cứu chưa công bố, dữ liệu sinh viên): chỉ xử lý trên AI tại chỗ (Local LLM) chạy trên hạ tầng của trường. Tuyệt đối không gửi qua bất kỳ dịch vụ AI bên ngoài nào, kể cả Enterprise API.

Việc triển khai Local LLM đòi hỏi đầu tư hạ tầng đáng kể — tối thiểu một máy chủ có GPU chuyên dụng, bộ nhớ đủ lớn, và năng lực vận hành mô hình. Tuy nhiên, chi phí này cần được cân nhắc so với rủi ro rò rỉ dữ liệu mật. Trong giai đoạn đầu, nhà trường có thể ưu tiên Enterprise API cho dữ liệu nội bộ, và bắt đầu đánh giá khả năng triển khai Local LLM khi nhu cầu xử lý dữ liệu mật tăng lên. Các mô hình ngôn ngữ mở (như Llama, Mistral, Qwen) hiện đã có phiên bản chạy được trên hạ tầng khiêm tốn, mở ra khả năng triển khai AI tại chỗ cho các đơn vị có ngân sách vừa phải.

Bảng 12. Danh mục dữ liệu cấm đưa lên AI công khai

Loại dữ liệu	Ví dụ cụ thể	Biện pháp bắt buộc
Thông tin cá nhân sinh viên	Mã sinh viên, điểm số, hồ sơ học tập, thông tin liên lạc, dữ liệu sức khoẻ	Chỉ xử lý trên Local LLM; nếu dùng Public AI thì phải ẩn danh hoàn toàn trước khi gửi
Thông tin cá nhân cán bộ	Hợp đồng lao động, lương, thưởng, đánh giá năng lực, hồ sơ kỷ luật	Chỉ xử lý trên Local LLM; tuyệt đối không gửi qua Public AI
Đề thi, ngân hàng câu hỏi chưa tổ chức	Đề thi học kỳ, câu hỏi trắc nghiệm, đáp án, ngân hàng đề đang sử dụng	Chỉ xử lý trên Local LLM; không gửi qua bất kỳ dịch vụ AI nào bên ngoài
Hồ sơ tài chính nội bộ	Báo cáo tài chính chưa công bố, ngân sách phòng ban, hợp đồng mua sắm, thông tin thầu	Chỉ xử lý trên Local LLM hoặc Enterprise API có hợp đồng bảo mật; phải ẩn danh số liệu trước khi gửi
Dự thảo công trình nghiên cứu chưa đăng ký SHTT	Bài báo khoa học chưa công bố, sáng chế đang xin cấp phép, dữ liệu thí nghiệm gốc	Chỉ xử lý trên Local LLM; không gửi qua Public AI để tránh rủi ro mất quyền sở hữu trí tuệ

Bảng 12. Danh mục dữ liệu cấm đưa lên AI công khai. Danh mục này áp dụng cho mọi công cụ AI thương mại không có hợp đồng bảo mật cấp doanh nghiệp. Khi sử dụng Enterprise API, danh mục này nới lỏng cho dữ liệu nội bộ nhưng vẫn nghiêm ngặt với dữ liệu mật và thông tin cá nhân.

Phụ lục B. Mẫu biểu phiếu khai báo sử dụng AI

Khi trình duyệt văn bản hoặc tài liệu có sử dụng AI trong quá trình soạn thảo, cán bộ phải đính kèm biểu phiếu khai báo dưới đây. Biểu phiếu này phục vụ truy xuất nguồn gốc và đảm bảo minh bạch về vai trò của AI trong từng bước công việc. Biểu phiếu có hai phần: khai báo sử dụng và xác nhận rà soát.

B.1. Phiếu khai báo sử dụng AI

Mẫu B.1. Phiếu khai báo sử dụng AI — đính kèm khi trình duyệt văn bản có sự hỗ trợ của AI. Phiếu này lưu trong hồ sơ văn bản và được sao chép vào hệ thống log của Trung tâm CNTT.

Phiếu khai báo này có ba phần rõ ràng: (1) cán bộ soạn thảo khai báo việc sử dụng AI, (2) người rà soát chuyên môn xác nhận đã kiểm chứng, và (3) Trưởng đơn vị phê duyệt cuối cùng. Ba phần tương ứng với ba lớp kiểm soát — đảm bảo không một văn bản nào do AI hỗ trợ soạn thảo có thể được ban hành mà không qua ít nhất hai người kiểm duyệt.

Tài liệu tham khảo

• Chan, C. K. Y., & Colloton, G. W. (2024). Generative AI in higher education: Charting a course for ethical and effective integration. Computers and Education: Artificial Intelligence.
• European Commission. (2022). DigComp 2.2: The Digital Competence Framework for Citizens. Publications Office of the European Union.
• Ghomi, A. A., & Redecker, C. (2019). Digital competence of educators (DigCompEdu): Development and evaluation of a self-assessment instrument. Teaching Teacher Education.
• Redecker, C. (2019). European Framework for the Digital Competence of Educators: DigCompEdu. Publications Office of the European Union.
• Touretzky, D., Gardner-McCune, C., & Seehorn, C. (2023). Five big ideas in AI: K-12 curriculum guidelines. AI Magazine.
• UNESCO. (2024). AI Competency Framework for Teachers. UNESCO Publishing.
• Quyết định 127/QĐ-TTg (2021). Chiến lược quốc gia về nghiên cứu, phát triển và ứng dụng trí tuệ nhân tạo đến năm 2030. Thủ tướng Chính phủ.
• Quyết định 749/QĐ-TTg (2022). Kế hoạch chuyển đổi số quốc gia đến năm 2025, định hướng đến năm 2030. Thủ tướng Chính phủ.
• Trần Đắc Lộc (2026). Khung năng lực AI cho giảng viên và sinh viên đại học Việt Nam: Xây dựng, thẩm định và thử nghiệm triển khai. AI Research Hub.