Mô Hình Ngôn Ngữ Nhỏ (SLM) và AI Biên (Edge AI): Hướng Đi Chiến Lược Cho Doanh Nghiệp Việt Nam Trong Kỷ Nguyên Trí Tuệ Nhân Tạo

Generative AI adoption in enterprises has surged, with 72% of businesses using it in at least one function by 2025, up from 37% in 2023. However, this rapid enthusiasm is met with a sobering reality: AI project failure rates are alarmingly high. A staggering 42% of enterprises abandoned most AI initiatives in 2025, a dramatic increase from 17% in 2024. MIT research further indicates that 95% of generative AI pilots fail to scale or achieve rapid revenue acceleration.

The core issue is not a failure of the technology itself, which continues to advance, but rather a collision with operational challenges, persistent data quality issues, integration complexities, and inadequate governance. The market is now shifting towards smaller, domain-specific models and the rise of “agentic AI,” demanding a renewed focus on robust MLOps, FinOps, and a clear path to measurable return on investment (ROI) over initial hype.

Ultimately, successful enterprise AI adoption in 2026 and beyond requires a pragmatic pivot from “model fetishism” to “implementation science,” prioritizing foundational data readiness, stringent governance, and seamless integration into existing, redesigned workflows.

Context: The Hype Cycle’s Trough and the Enterprise Reality Check

The year 2024 saw generative AI cresting the “Peak of Inflated Expectations” on Gartner’s Hype Cycle, and by 2025, it had firmly entered the “Trough of Disillusionment.” This trajectory is not a sign of failure but a predictable maturation, where the initial frenzy gives way to a more sober assessment of practical limitations, real-world ROI, and the substantial effort required for sustainable deployment. While the hype may have tempered, investment certainly has not. Global AI spending is projected to reach an eye-watering $2.59 trillion in 2026. Within enterprises, generative AI spending alone witnessed a staggering 222% growth from 2024 to 2025, reaching $37 billion.

This massive outlay is fueled by a palpable eagerness to embrace AI’s transformative potential. Indeed, enterprise AI adoption has accelerated at an unprecedented pace. By 2025, 88% of global organizations reported using AI in at least one business function, a 10 percentage point increase from the prior year, according to McKinsey’s State of AI 2025 report. Specifically, generative AI usage jumped from 37% of businesses in 2023 to 72% in 2025. These figures paint a picture of widespread integration, with AI moving rapidly from experimental to essential in under two years.

Yet, beneath these impressive adoption statistics lies a stark and unsettling paradox. Despite the billions invested and the rapid integration, a significant majority of enterprise AI initiatives are failing to deliver their promised value. According to S&P Global Market Intelligence, 42% of companies abandoned most of their AI initiatives by mid-2025, a dramatic increase from 17% in 2024. This near-tripling in a single year highlights a profound disconnect between ambition and execution. Further, the RAND Corporation’s 2024 research found that over 80% of AI projects fail, a rate twice that of non-AI IT projects. Even more pointedly, MIT’s NANDA Initiative (2025) revealed that only approximately 5% of enterprise generative AI pilot programs achieve rapid revenue acceleration, leaving 95% stuck in what many are calling “pilot purgatory” with no measurable profit-and-loss impact. This chasm between widespread adoption and tangible value realization is the defining challenge for AI research and deployment in 2026.

Deep Dive: The Unseen Hurdles in Enterprise LLM Integration

The narrative around generative AI has largely focused on its astonishing capabilities. However, the real story for enterprises in 2026 is less about what the models can do and more about the formidable obstacles preventing them from doing it effectively and reliably at scale. The issues are rarely the models themselves but rather the operational realities of integrating them into complex, data-rich business environments.

The Scaling Chasm: From Pilot to Production Purgatory

The “pilot purgatory” phenomenon is arguably the most critical and under-discussed challenge in enterprise AI today. As highlighted, 95% of generative AI pilots fail to scale beyond their original department or achieve rapid revenue acceleration. S&P Global Market Intelligence’s 2025 report indicates that 46% of AI projects are scrapped between the proof-of-concept and production phases. These aren’t minor setbacks; they represent substantial sunk costs and lost opportunities.

The root causes of this scaling chasm are multifaceted. According to Fluidlabs (2026), the failure is almost never the model itself; “The technology is better than ever.” Instead, projects fail due to operational, data, and adoption problems masquerading as technical issues. Many organizations lack a clear, enterprise-wide AI strategy, instead pursuing fragmented initiatives that fail to align with overarching business objectives. McKinsey’s State of AI research consistently supports this, showing that organizations with a clear, enterprise-wide AI strategy see 80% success rates, compared to a mere 37% for those without one. Without a defined strategy that outlines specific workflows, data requirements, measurement criteria, and rollout plans, pilots remain isolated experiments. The integration of LLMs into existing legacy systems, databases, and software applications also presents significant compatibility issues, often underestimated in the pilot phase.

The Data Dilemma: Quality, Governance, and Privacy

At the heart of many enterprise AI failures lies the pervasive problem of data. Data quality is consistently cited as the single biggest technical obstacle. Gartner (2025) reports that a staggering 85% of AI projects fail due to poor data quality or a lack of relevant data. Further, a 2024 NewVantage survey found that 92.7% of executives identify data as the most significant barrier to AI implementation. Generative AI models, while powerful, are only as good as the data they are trained on and fed in production. Inadequate, biased, or messy data leads directly to poor model performance, “hallucinations,” and unreliable outputs, eroding trust and business value.

Beyond quality, data governance and privacy concerns are becoming non-negotiable. The rapid adoption of generative AI tools has exposed significant risks regarding sensitive information. An IBM study found that 39% of users have unknowingly shared sensitive information—such as customer details, passwords, or internal strategy documents—with AI tools. A Help Net Security report (2025) highlighted that 8.5% of generative AI prompts put sensitive data at risk, with 22% of uploaded files and 4.37% of prompts containing sensitive information like source code, credentials, or proprietary algorithms. This lax approach to data input carries severe implications, including data exfiltration, intellectual property (IP) exposure, and regulatory violations.

A prominent example is the Samsung case in 2023, where engineers inadvertently uploaded sensitive source code and internal meeting notes into ChatGPT, leading to a company-wide ban on generative AI use. This incident underscores the critical need for robust data security, clear policies, and contractual safeguards with AI providers. The evolving regulatory landscape, including the EU AI Act (2024) and GDPR, introduces stringent requirements for data transparency, consent, and auditability, particularly for “high-risk” AI applications. Enterprises that fail to prioritize data minimization, robust encryption, access controls, and transparent data usage policies risk substantial legal and reputational damage.

Total Cost of Ownership (TCO): Beyond the API Call

The initial appeal of generative AI often comes with seemingly low per-token API costs. However, the true total cost of ownership (TCO) for enterprise-grade LLM solutions extends far beyond these transactional fees, often catching organizations off guard. The computational requirements for training, fine-tuning, and deploying LLMs at scale are substantial, necessitating high-performance hardware and significant computational resources.

Beyond raw compute, hidden costs quickly accumulate. “Token tax” refers to the escalating costs associated with the volume of input and output tokens, which can rapidly erode ROI if not diligently monitored. Furthermore, “drift tax”—the ongoing expense of model maintenance, retraining, and updates to combat performance degradation and maintain relevance—is estimated at 15-20% of annual model costs. Data engineering, including the crucial tasks of cleaning, labeling, and constructing robust data pipelines, often costs more than the model infrastructure itself. Mavvrik and BenchmarkIT report that 80% to 85% of enterprises miss their AI infrastructure forecasts by more than 25%, indicating a systemic underestimation of these complex costs. These financial miscalculations contribute significantly to the abandonment of projects that initially appeared promising.

Real-World Applications: Bridging the Gap Between Promise and Performance

To truly understand the enterprise AI paradox, it’s essential to examine specific applications where generative AI is both lauded and challenged. While the potential for efficiency gains is undeniable, the path to sustained value is paved with significant implementation hurdles.

Generative AI in Customer Service: Efficiency Gains vs. Quality Control

Customer service has emerged as one of the most compelling and rapidly adopted use cases for generative AI. The benefits are clear and often immediate:

• Significant Cost Savings: AI chatbots are a remarkably budget-friendly option, costing an estimated $0.50-$0.70 per interaction, a stark contrast to the approximate $19.50 per hour for human agents. Businesses adopting this technology can reduce customer service expenses by up to 30%.
• Enhanced Efficiency and Availability: Generative AI delivers instant, context-aware replies, drastically cutting wait times and boosting customer satisfaction. It enables 24/7 availability, allowing customers to receive assistance anytime without requiring additional staff. Companies using generative AI in support have reported up to 30% faster resolution times and 20% fewer escalations. By 2025, generative AI is expected to handle over 40% of routine support tasks.
• Improved Agent Productivity: Human agents benefit by offloading repetitive tasks, freeing them to focus on more complex or high-value issues. 73% of human agents report that Gen AI has reduced the time they spend on mundane tasks, while 70% have experienced a reduction in their overall workload (Capgemini, 2025).

However, the bright side is often shadowed by considerable challenges that, if ignored, can undermine customer trust and operational effectiveness:

• Hallucinations and Inaccuracies: Generative AI models, particularly generic ones, are prone to “hallucinations,” generating plausible but factually incorrect information. In a customer service context, this can lead to misinformation, incorrect solutions, and significant frustration for customers. Ensuring that LLMs generate accurate and reliable output is vital, as inaccuracies can affect decision-making and business revenue.
• Maintaining Brand Voice and Tone: Large language models can struggle to consistently adhere to a company’s specific brand voice, tone, and communication guidelines, leading to impersonal or off-brand interactions.
• Outdated Information: Unless continuously updated and fine-tuned on the latest proprietary data, LLMs can provide outdated or irrelevant information, especially in rapidly changing industries. This can lead to inefficiencies and accountability issues if the AI provides incorrect or old terms of service.
• The Need for Robust Governance: Without stringent guardrails and human oversight, the risk of the AI providing inappropriate, biased, or legally problematic responses increases. While AI systems can automate, maintaining customer satisfaction and trust often requires a delicate balance with human intervention for complex, sensitive, or high-stakes interactions.

AI in Software Development: Productivity Boosts and the “Valuable Work” Paradox

Software development was an early and eager adopter of generative AI, with tools like GitHub Copilot promising to revolutionize coding productivity. Initial reports showcased impressive gains:

• Faster Task Completion: Developers using GitHub Copilot completed programming tasks up to 55.8% faster, according to Dohmke et al. (2023). A randomized controlled trial with 96 full-time Google engineers found that AI assistance reduced the time spent on complex, enterprise-grade coding tasks by approximately 21% (Paradis et al., 2025).
• Improved Developer Well-being: Developers extensively using generative AI report spending more time in a flow state, experiencing higher job satisfaction, and suffering from less burnout (DORA, 2026).

However, the enthusiasm is tempered by critical observations and a nuanced understanding of overall impact:

• The “Valuable Work” Paradox: Surprisingly, while individual task completion might speed up, AI adoption can lead to developers spending less time on truly “valuable work,” while time spent on toilsome, repetitive tasks remains unchanged (DORA, 2026). This indicates that the time saved is not always effectively redirected to higher-impact activities. Bain & Company (2025) noted that even modest 10-15% productivity boosts from AI assistants often don’t translate into positive returns if the time saved isn’t redirected.
• Negative Impact on Delivery Performance: Contrary to expectations, a 25% increase in AI adoption is associated with a 1.5% decrease in delivery throughput and a 7.2% decrease in delivery stability (DORA, 2026). This suggests that while AI can accelerate individual coding, it introduces new complexities in the overall software delivery pipeline, potentially impacting larger team metrics.
• Inconsistent Productivity Gains and Higher Failure Rates: The evidence of generative AI’s impact on productivity remains mixed. Some studies, like Tong (2025), found that developers completed tasks 19% slower when using AI, and Vaithilingam et al. (2022) observed higher task-failure rates with no significant improvement in completion time.
• Skills Gaps and Process Mismatch: Generative AI requires new skills, such as effective prompt engineering and critical review of AI-generated output. Many firms have not provided adequate training, leading to underutilized tools. Furthermore, slow, manual processes in other parts of the software development lifecycle (e.g., testing, release) can bottleneck any gains from AI-accelerated coding, and legacy toolchains may not handle AI-generated code effectively.

These challenges underscore that integrating generative AI successfully in software development requires not just tool adoption but a fundamental redesign of workflows and a focus on the entire software lifecycle, not just code generation.

The Other Side: What Nobody Is Saying About “Transformative AI”

The prevailing narrative around enterprise AI often glosses over uncomfortable truths. While the industry touts “transformation,” the reality for many organizations is far less glamorous. The critical insight here is that the bottleneck has fundamentally shifted: it’s no longer about whether AI models can do something, but whether enterprises can effectively implement, govern, and operationalize them to deliver tangible, measurable business value.

The “adoption ≠ value” gap is stark. As the BCG AI Radar 2025 survey highlights, only approximately 25% of companies have captured significant value from AI investments. McKinsey’s November 2025 survey found that over 80% of organizations reported no meaningful enterprise-wide EBIT impact despite AI adoption. This implies that billions are being spent on initiatives that, while technically functional, are not moving the needle on critical business metrics. The problem is not a lack of AI research, but a lack of “implementation science.”

What nobody is saying loudly enough is the true cost of “pilot purgatory.” MIT’s NANDA Initiative (2025) found that 95% of organizations are stuck here, having invested significant capital in pilots that never reach production and show no measurable impact on the profit and loss statement. These are not minor write-offs; they represent a fundamental misallocation of resources. The promise of rapid ROI from vendors (often 7-12 months) is frequently unrealistic. Multiple studies now show that the median expectation for AI payback is a more pragmatic two to four years. This timeline mismatch forces CFOs to explain capitalized R&D that may not generate returns for years, if ever.

Furthermore, the focus on AI as a panacea risks quietly eroding core employee skills. As AI agents become more autonomous, there’s a risk of over-reliance leading to a decline in critical human capabilities, particularly if training and upskilling are not strategically implemented. This isn’t just about job displacement; it’s about the intellectual capital within an organization. Companies must ensure AI acts as an augmentative force, not a replacement for fundamental human expertise and critical thinking. The challenge then becomes how to leverage AI’s speed without sacrificing human judgment and skill development.

Forecast & Recommendations: Navigating the Next Wave of Enterprise AI

The current landscape of enterprise AI, marked by both rapid adoption and high failure rates, necessitates a strategic recalibration. Looking ahead to 2026 and beyond, several key trends in AI research and application will shape the pragmatic path to value.

Future Trajectories: Agentic AI, SLMs, and AI Governance

• The Rise of Agentic AI: Autonomous AI agents represent one of the most significant trends for 2026. Unlike traditional AI that simply responds to prompts, agentic systems are designed to plan, reason, and execute complex, multi-step tasks with greater autonomy across diverse workflows. Experts forecast that by 2026, up to 40% of enterprise applications could integrate task-specific AI agents, a dramatic leap from current levels. This shift could empower businesses to automate entire processes, reducing operational bottlenecks and potentially cutting the need for traditional software licenses by querying underlying databases and executing processes directly. However, Gartner predicts that over 40% of agentic AI projects will be canceled by the end of 2027, citing escalating costs, unclear business value, and inadequate risk controls. This underscores the need for careful implementation.
• Small Language Models (SLMs) and Domain-Specific Models: The focus of AI research and enterprise application is shifting from simply larger, general-purpose models to smaller, more efficient, and specialized models. Small Language Models (SLMs) offer performance comparable to larger counterparts but with significantly less computational demand, addressing concerns around energy consumption and data privacy. Domain-specific models, trained on industry-specific data, are proving to deliver superior results for specialized tasks, such as legal AI trained on case law or healthcare AI focused on medical literature. This trend will become mainstream by 2026, with enterprises prioritizing LLM-agnostic, future-proof solutions and the ability to bring their own models (BYOM).
• AI Governance Platforms Become Non-Negotiable: As AI permeates enterprise operations, robust governance platforms will move from optional to essential. The increasing regulatory frameworks globally, including phases of the EU AI Act and NIST guidelines, necessitate comprehensive AI governance. Enterprise requirements will emphasize data residency, full auditability, agent-action trace logs, and safe-action constraints and guardrails. This will be crucial for managing the ethical and compliance implications of increasingly autonomous AI systems.
• MLOps for Generative AI: The operationalization of generative AI presents unique MLOps challenges due to huge model sizes, non-deterministic outputs, sensitive data concerns, and dynamic usage patterns. Traditional MLOps practices, designed for supervised learning, often fall short. Next-gen MLOps pipelines for generative AI will integrate automation, observability, distributed training, and robust monitoring for prompt-response quality, toxicity, bias, and resource consumption. This specialized MLOps approach is critical for ensuring scalability, reliability, governance, and continuous improvement of generative AI in production.

Actionable Recommendations for Businesses

To navigate the complexities of enterprise AI and move beyond pilot purgatory, businesses must adopt a pragmatic and strategic approach:

• Prioritize Data Readiness & Governance: This is the foundational prerequisite. Invest heavily in data quality, robust data engineering pipelines, and clear data privacy policies before deploying AI. Implement robust encryption, access controls, and strict data minimization practices. Establish AI governance frameworks that define accountability, ethical guidelines, and monitoring protocols for sensitive data.
• Start with Business Outcomes, Not Just Technology: Resist the urge to deploy AI for AI’s sake. Clearly define the specific business problems to be solved, establish measurable ROI metrics, and set clear “kill criteria” or exit conditions for projects from day one. Treat AI spending like any other capital allocation, with stage gates and the institutional willingness to stop spending when evidence suggests it’s not working.
• Embrace “Implementation Science”: The focus must shift from merely building impressive models to effectively integrating them into existing, redesigned workflows. This means prioritizing seamless integration over creating new, isolated AI tools that require users to learn new interfaces. Invest in specialized MLOps and FinOps capabilities for generative AI to manage the unique challenges of model scale, cost unpredictability, and dynamic experimentation.
• Upskill Your Workforce and Foster a “Co-pilot Mindset”: AI should augment human capabilities, not simply replace them. Invest in comprehensive training programs for employees on AI usage, effective prompt engineering, and critical evaluation of AI outputs. Cultivate a “co-pilot mindset” where AI assists and enhances human decision-making and productivity, rather than creating fear or over-reliance.
• Consider Domain-Specific Solutions and Hybrid Architectures: For specialized enterprise tasks, move beyond generic LLMs. Explore fine-tuning smaller, domain-specific models or leveraging hybrid AI architectures that combine the strengths of different AI techniques. This approach can lead to higher accuracy, better cost control, and improved data privacy for niche applications.

Conclusion: The Pragmatic Path to AI Value

The journey of enterprise AI in 2026 is one of pragmatic realism. The initial wave of boundless enthusiasm for generative AI has given way to a more nuanced understanding of its deployment complexities. While the technology undeniably holds immense promise, its true value will only be unlocked by organizations willing to confront the operational realities—the data dilemmas, the integration hurdles, and the hidden costs—that plague so many initiatives. The future of AI research, particularly in enterprise contexts, will increasingly focus on “implementation science”: developing robust MLOps, sophisticated governance, and strategic frameworks that ensure AI solutions are not just technically brilliant, but also scalable, secure, and genuinely impactful to the bottom line. Those who embrace this pragmatic path, prioritizing meticulous planning, data readiness, and human-AI collaboration, will be the ones to truly distill complex AI potential into actionable, transformative insights.

Sources & References

• Fluidlabs. (2026, April 14). Why 42% of Enterprise AI Initiatives Got Abandoned in 2025.
• Upskillist. (2025, April 25). Top Use Cases for Generative AI In Customer Service in 2026.
• Wizr AI. (2024, February 14). How Generative AI Is Transforming Customer Service [2025 Guide].
• Turing. (2026, May 05). Large Language Model Strategy for Enterprises in 2025.
• Gleecus TechLabs. (2025, December 18). The Future of AI in 2026: Major Trends and Predictions.
• Talyx. (2026, January 27). Why 90% of Enterprise AI Implementations Fail (2026).
• WitnessAI. (2026, March 19). 30% of AI Projects Die After Proof of Concept. Nobody Budgeted for the Failure.
• Why AI Projects Continue to Fail: A Reality Check for Enterprise Leaders in Late 2025. (2025, September 21).
• Yuehgoh, F. (2025, April 02). Hidden Risks of Generative AI in the Enterprise: Why Confidentiality, Compliance, and Governance Matter. Medium.
• Arjun, R. (2025, October 30). Navigating the Hurdles: Key Challenges in LLM Adoption for Enterprises in 2025. Medium.
• Smith, E. (2025, May 06). MLOps for Generative AI: Operationalizing the Future of AI. Medium.
• Stellium Consulting. (2026, March 10). 2026 AI Trends: What Enterprises Need to Know.
• Unframe AI. (2026, January 01). Enterprise AI Trends for 2026: Signals, Shifts, and Predictions.
• Resourcifi. (2026, May 20). Enterprise AI Failure Rate: What Research Shows.
• Databricks. Gartner Hype Cycle for Generative AI.
• Kellton. (2024, September 27). Large Language Models for Enterprises: Key Challenges and Advantages.
• Help Net Security. (2025, December 24). What happens to enterprise data when GenAI shows up everywhere.
• K2view. (2025, October 16). Generative AI use cases in customer service.
• Capgemini. (2025, March 20). Unleashing the value of customer service.
• WorkOS. (2025, July 22). Why most enterprise AI projects fail — and the patterns that actually work.
• Ecosystm. (2025, December 08). Intelligence: Top 5 Enterprise AI Trends for 2026.
• Nitor Infotech. (2025, October 22). Enterprise LLM Integration: Challenges, Solutions, and Best Practices.
• NiCE. Generative AI for Customer Interaction in 2025: Transforming CX with Automation and Personalization.
• Daspren. (2026, March 14). Protecting Sensitive Data in the Age of Generative AI.
• Azumo and McKinsey. (2026, June 09). AI Adoption Statistics: Business & Enterprise Data 2026.
• Fireart. (2026, March 19). Integrating LLMs into Your Business Applications: Challenges, Considerations, & Cost.
• Pasqal. 2024 Gartner® Hype Cycle™ for AI research has been published.
• Netguru. (2026, June 16). AI Adoption Statistics in 2026.
• Dohmke et al. (2025, October 28). Developer Productivity with GenAI. arXiv.
• Alice Labs. (2026, February 17). Global AI Adoption Statistics 2026: Country Rankings & Data.
• SoftwareSeni. (2025, November 26). Why 80 Percent of Artificial Intelligence Projects Fail While Successful Implementations Achieve 383 Percent Return on Investment.
• Language IO. (2025, June 26). 5 AI Privacy Concerns to Be Aware of & Mitigation Strategies for 2025.
• Cisco Newsroom. (2025, April 02). Cisco’s 2025 Data Privacy Benchmark Study: Privacy landscape grows increasingly complex in the age of AI.
• DORA. (2026, April 13). Download the Impact of Generative AI in Software Development.
• Gartner. (2026). Gartner® Hype Cycle™ for Generative AI.
• Bain & Company. (2025, September 23). From Pilots to Payoff: Generative AI in Software Development.
• Transcloud. (2026, April 03). MLOps Meets GenAI: Next-Gen AI Pipelines at Scale.
• ETR Research. (2026, January 22). Top 10 Enterprise Technology Trends for 2026.
• Worklytics. (2025, November 02). AI Productivity Statistics 2025: Gartner, Fed & Real-World Data.
• Hyland. 2025 Gartner® Hype Cycle™ for Artificial Intelligence.
• Vention. (2026, Q1). AI Adoption Statistics Q1 2026: All Figures.
• Master of Code. (2026, January). 350+ Generative AI Statistics [January 2026].
• Nemko Digital. (2025, October 06). Why GenAI Projects Fail: LLMOps vs MLOps Guide 2025.
• Gomboc.ai. (2025, June 25). Understanding the Gartner Hype Cycle: AI in IT Operations 2025.
• The Data Experts. (2025, September 11). Enterprise AI Failure Rate: Why 95% of Projects Fail.
• AWS. (2023, September 01). Operationalizing Generative AI: How It Differs from MLOps.
• METR. (2025, July 10). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity.
• MLOps Live. (2025, February 26). Beyond the Hype: Gen AI Trends and Scaling Strategies for 2025 – MLOps Live #35 with Gartner. YouTube.

Nguồn tham khảo / Sources

• aibusinessweekly.net

Trong bối cảnh bùng nổ của Trí tuệ Nhân tạo (AI), các Mô hình Ngôn ngữ Lớn (LLM) như GPT-4 hay Gemini đã tạo ra những bước nhảy vọt ấn tượng. Tuy nhiên, chi phí vận hành khổng lồ, rủi ro về quyền riêng tư dữ liệu và tính tổng quát hóa đôi khi quá mức đang trở thành rào cản cho việc ứng dụng AI quy mô lớn trong doanh nghiệp. Bài viết này lập luận rằng Mô hình Ngôn ngữ Nhỏ (SLM) kết hợp với AI Biên (Edge AI) đang nổi lên như một giải pháp chiến lược, mang lại hiệu quả về chi phí, bảo mật dữ liệu và khả năng tùy chỉnh chuyên sâu cho các tác vụ nghiệp vụ cụ thể. Đặc biệt, đối với các doanh nghiệp tại Việt Nam và Đông Nam Á, nơi chi phí, hạ tầng và chủ quyền dữ liệu là ưu tiên hàng đầu, SLM và Edge AI không chỉ là xu hướng mà còn là chìa khóa để khai thác triệt để tiềm năng của AI, từ đó thúc đẩy đổi mới và nâng cao năng lực cạnh tranh trong kỷ nguyên số.

Bối Cảnh Thị Trường AI: Từ Cơn Sốt LLM Đến Nhu Cầu Thực Tế Của Doanh Nghiệp

Sự trỗi dậy của Trí tuệ Nhân tạo tạo sinh (Generative AI), đặc biệt là các Mô hình Ngôn ngữ Lớn (LLM), đã định hình lại cục diện công nghệ toàn cầu trong những năm gần đây. Từ khả năng sáng tạo nội dung, tóm tắt văn bản đến hỗ trợ lập trình, LLM đã chứng minh tiềm năng “thay đổi cuộc chơi” ở mọi ngành nghề. Theo Gartner, ước tính 80% doanh nghiệp sẽ sử dụng API hoặc mô hình AI tạo sinh, và/hoặc triển khai các ứng dụng hỗ trợ GenAI vào môi trường sản xuất trước năm 2026, tăng mạnh so với mức dưới 5% vào năm 2023.

Tuy nhiên, song hành với sự hào hứng là những thách thức không nhỏ. Việc triển khai LLM ở quy mô doanh nghiệp đối mặt với nhiều rào cản kỹ thuật và vận hành. Chi phí cơ sở hạ tầng, đặc biệt là chi phí suy luận (inference cost), có thể lên tới hàng triệu đô la cho các mô hình lớn, trở thành gánh nặng tài chính đáng kể. Hơn nữa, vấn đề bảo mật và chủ quyền dữ liệu khi gửi thông tin nhạy cảm lên các dịch vụ đám mây công cộng là mối lo ngại hàng đầu, đặc biệt trong các ngành được quản lý chặt chẽ như tài chính, y tế. Các LLM tổng quát cũng thường không tối ưu cho các tác vụ chuyên biệt, đòi hỏi quá trình tinh chỉnh (fine-tuning) tốn kém và phức tạp để đạt được độ chính xác mong muốn.

Trong bối cảnh đó, thị trường đang chứng kiến một sự chuyển dịch tinh tế nhưng mạnh mẽ: từ việc chạy theo kích thước mô hình khổng lồ sang tìm kiếm các giải pháp AI “phù hợp với công việc” (right-sized for the job). Gartner Hype Cycle cho AI năm 2025 chỉ ra rằng AI tạo sinh đang bước vào “Hố sâu của sự thất vọng” (Trough of Disillusionment), một dấu hiệu cho thấy kỳ vọng đang được điều chỉnh theo thực tế triển khai và các thách thức về ROI, quản trị, và thiếu hụt nhân tài. Điều này mở ra cơ hội vàng cho các Mô hình Ngôn ngữ Nhỏ (SLM) và AI Biên (Edge AI) – những công nghệ hứa hẹn giải quyết trực diện các vấn đề về chi phí, bảo mật và hiệu suất cho doanh nghiệp.

Phân Tích Chuyên Sâu: SLM và Edge AI – Hai Mảnh Ghép Của Tương Lai AI Doanh Nghiệp

1. Mô Hình Ngôn Ngữ Nhỏ (SLM): Hiệu Suất Tối Ưu Cho Tác Vụ Chuyên Biệt

Mô hình Ngôn ngữ Nhỏ (SLM) là các phiên bản rút gọn của LLM, với số lượng tham số ít hơn đáng kể (thường từ vài trăm triệu đến vài tỷ tham số, so với hàng chục, hàng trăm tỷ hoặc thậm chí hàng nghìn tỷ của LLM). Tuy “nhỏ” nhưng SLM không hề yếu kém. Nhờ được tinh chỉnh trên các bộ dữ liệu chuyên biệt, SLM có thể đạt hiệu suất tương đương, thậm chí vượt trội hơn LLM tổng quát trong các tác vụ cụ thể, đồng thời tiêu tốn ít tài nguyên hơn rất nhiều.

* Chi phí và Hiệu quả Vận hành: Đây là lợi thế lớn nhất của SLM. Chi phí suy luận của SLM có thể thấp hơn từ 10 đến 100 lần so với LLM. Ví dụ, chi phí suy luận của GPT-4 có thể lên tới 0.09 USD cho mỗi 1.000 token, trong khi Mistral 7B (một SLM) chỉ khoảng 0.0004 USD cho mỗi 1.000 token. Sự khác biệt này cực kỳ quan trọng khi doanh nghiệp xử lý hàng triệu yêu cầu mỗi tháng, biến một dự án AI từ khả thi về mặt tài chính thành không khả thi. Ngoài ra, SLM yêu cầu ít tài nguyên tính toán hơn, giảm chi phí phần cứng, điện năng và làm mát.
* Tốc độ và Độ trễ thấp: Kích thước nhỏ hơn cho phép SLM xử lý nhanh hơn đáng kể. SLM có thể cung cấp 150-300 token mỗi giây, so với 50-100 token mỗi giây của LLM, mang lại khả năng phản hồi gần như thời gian thực cho các ứng dụng tương tác. Điều này cực kỳ quan trọng đối với các ứng dụng yêu cầu phản hồi tức thì như chatbot hỗ trợ khách hàng, trợ lý ảo hoặc hệ thống phát hiện gian lận.
* Bảo mật và Chủ quyền Dữ liệu: SLM có thể được triển khai hoàn toàn trên cơ sở hạ tầng nội bộ (on-premise) hoặc máy chủ riêng của doanh nghiệp, thay vì phụ thuộc vào các nhà cung cấp đám mây bên ngoài. Điều này giúp giữ dữ liệu nhạy cảm (thông tin khách hàng, hồ sơ tài chính, bí mật thương mại) bên trong tường lửa của tổ chức, giảm thiểu rủi ro lộ dữ liệu và đơn giản hóa việc tuân thủ các quy định bảo mật như GDPR hoặc Luật Bảo vệ Dữ liệu Cá nhân của Việt Nam (PDPL).
* Chuyên biệt hóa và Độ chính xác cao: Trong khi LLM là “dao đa năng”, SLM là “dao mổ” chuyên dụng. Bằng cách tinh chỉnh trên bộ dữ liệu độc quyền của doanh nghiệp, SLM có thể hiểu sâu sắc ngữ cảnh và thuật ngữ chuyên ngành, mang lại kết quả chính xác và phù hợp hơn cho các tác vụ cụ thể như phân loại tài liệu, phân tích cảm xúc khách hàng, hoặc quản lý kiến thức nội bộ. Thực tế cho thấy, khoảng cách hiệu suất giữa SLM được tinh chỉnh và LLM tổng quát cho các tác vụ chuyên biệt đã giảm xuống chỉ còn khoảng 2% vào năm 2026, so với khoảng 20% vài năm trước.

Thị trường SLM toàn cầu được định giá 7,8 tỷ USD vào năm 2023 và dự kiến đạt 11,1 tỷ USD vào năm 2026, với tốc độ tăng trưởng kép hàng năm (CAGR) là 15,1% từ 2024 đến 2030, đạt 20,7 tỷ USD vào năm 2030 theo Grand View Research. MarketsandMarkets™ dự báo con số này thậm chí còn ấn tượng hơn, với thị trường SLM toàn cầu đạt 0,74 tỷ USD vào năm 2024 và tăng lên 5,45 tỷ USD vào năm 2032, với CAGR 28,7% trong giai đoạn 2025-2032, được thúc đẩy bởi Edge AI và sự chấp nhận của doanh nghiệp.

2. AI Biên (Edge AI): Xử Lý Thông Minh Ngay Tại Nguồn

AI Biên (Edge AI) đề cập đến việc triển khai các mô hình AI trực tiếp trên các thiết bị biên (edge devices) như điện thoại thông minh, thiết bị IoT, cảm biến, hoặc máy chủ cục bộ, thay vì trên đám mây tập trung. Khi kết hợp với SLM, Edge AI tạo ra một hệ thống mạnh mẽ, cho phép xử lý dữ liệu và đưa ra quyết định ngay tại nơi phát sinh dữ liệu, mang lại nhiều lợi ích chiến lược.

* Giảm độ trễ: Xử lý tại biên loại bỏ nhu cầu truyền dữ liệu lên đám mây và chờ phản hồi, giảm đáng kể độ trễ. Điều này cực kỳ quan trọng cho các ứng dụng yêu cầu phản hồi tức thì, ví dụ như hệ thống lái xe tự động, giám sát công nghiệp, hoặc thiết bị y tế đeo được.
* Bảo mật dữ liệu tăng cường: Dữ liệu không rời khỏi thiết bị hoặc mạng nội bộ, giảm thiểu rủi ro bị chặn hoặc tấn công trong quá trình truyền tải. Đây là yếu tố then chốt cho các ngành có dữ liệu nhạy cảm.
* Hoạt động ngoại tuyến: Các hệ thống Edge AI có thể hoạt động độc lập ngay cả khi không có kết nối internet ổn định, đảm bảo tính liên tục của dịch vụ trong các môi trường khó khăn hoặc vùng sâu vùng xa – một thực tế phổ biến ở nhiều khu vực tại Việt Nam.
* Tiết kiệm băng thông và chi phí: Giảm lượng dữ liệu cần truyền tải lên đám mây giúp tiết kiệm chi phí băng thông đáng kể, đặc biệt khi xử lý lượng lớn dữ liệu phát sinh từ hàng ngàn thiết bị IoT.

Sự phát triển của Edge AI đang là một động lực chính cho thị trường SLM, với các kỹ thuật nén mô hình như lượng tử hóa (quantization) và cắt tỉa (pruning) cho phép SLM chạy nhanh và hiệu quả hơn trên các thiết bị có công suất thấp.

Ứng Dụng Thực Tế và Case Study (Góc nhìn Việt Nam và Đông Nam Á)

Sự kết hợp giữa SLM và Edge AI mở ra cánh cửa cho nhiều ứng dụng thực tế, đặc biệt phù hợp với bối cảnh các doanh nghiệp Việt Nam và Đông Nam Á, nơi tối ưu hóa chi phí, bảo mật dữ liệu và khả năng thích ứng với hạ tầng địa phương là yếu tố sống còn.

1. Chăm sóc Khách hàng và Trợ lý ảo đa ngôn ngữ

Với dân số trẻ, am hiểu công nghệ và mức độ sử dụng smartphone cao (hơn 70% công dân sở hữu smartphone ở Đông Nam Á), các chatbot và trợ lý ảo AI đã trở thành kênh tương tác khách hàng thiết yếu. Tuy nhiên, việc triển khai LLM tổng quát cho các chatbot hỗ trợ khách hàng đòi hỏi chi phí suy luận lớn và khó tinh chỉnh để hiểu sâu sắc văn hóa, sắc thái ngôn ngữ địa phương. SLM được tinh chỉnh trên dữ liệu tiếng Việt hoặc các ngôn ngữ Đông Nam Á khác có thể cung cấp phản hồi nhanh chóng, chính xác và phù hợp ngữ cảnh hơn, đồng thời giảm đáng kể chi phí.

* Ví dụ tại Việt Nam: Các công ty viễn thông lớn như Viettel đã triển khai chatbot AI để xử lý các yêu cầu của khách hàng, giảm thời gian phản hồi và nâng cao sự hài lòng. Trong khi các LLM nền tảng lớn như FPT.AI (FPT Corporation) và ViGPT (VinBigData) đang phát triển các mô hình tiếng Việt toàn diện, việc sử dụng SLM tinh chỉnh cho các tác vụ cụ thể như trả lời FAQ sản phẩm, hướng dẫn sử dụng dịch vụ, hoặc định tuyến yêu cầu sẽ mang lại hiệu quả vượt trội về chi phí và tốc độ. Đối với các doanh nghiệp nhỏ hơn, việc tự triển khai SLM trên máy chủ cục bộ để xử lý dữ liệu khách hàng sẽ đảm bảo tuân thủ Luật Bảo vệ Dữ liệu Cá nhân (PDPL) của Việt Nam, vốn có hiệu lực từ ngày 01/01/2026.

2. Phân tích Dữ liệu Nội bộ và Quản lý Tri thức

Nhiều doanh nghiệp tích lũy lượng lớn dữ liệu nội bộ không có cấu trúc (tài liệu, email, báo cáo, ghi chú cuộc họp) mà LLM tổng quát gặp khó khăn khi phân tích sâu mà không có ngữ cảnh cụ thể. SLM có thể được tinh chỉnh để:
* Tóm tắt tài liệu nội bộ: Giúp nhân viên nhanh chóng nắm bắt thông tin từ các báo cáo dài.
* Tìm kiếm kiến thức doanh nghiệp: Xây dựng các bot truy vấn kiến thức nội bộ, cho phép nhân viên đặt câu hỏi bằng ngôn ngữ tự nhiên và nhận được câu trả lời chính xác từ cơ sở dữ liệu của công ty.
* Phân loại email/yêu cầu: Tự động phân loại và định tuyến email, yêu cầu hỗ trợ đến đúng phòng ban, giảm tải cho nhân sự.

3. AI trong Sản xuất và Công nghiệp (Edge AI)

Việc triển khai Edge AI với SLM trong các nhà máy hoặc khu công nghiệp mang lại khả năng giám sát và tối ưu hóa theo thời gian thực:
* Kiểm tra chất lượng sản phẩm: Các mô hình thị giác máy tính nhỏ gọn có thể được triển khai trên camera tại dây chuyền sản xuất để phát hiện lỗi sản phẩm ngay lập tức, giảm thiểu phế phẩm và tăng hiệu suất.
* Bảo trì dự đoán: Phân tích dữ liệu từ cảm biến trên máy móc để dự đoán thời điểm cần bảo trì, tránh hỏng hóc đột xuất và tối ưu hóa lịch trình sản xuất.
* Logistics và tối ưu hóa tuyến đường: Các thuật toán tối ưu hóa tuyến đường, được huấn luyện trên dữ liệu giao thông phức tạp của các đô thị lớn như TP.HCM hoặc Hà Nội, có thể được triển khai trên thiết bị di động hoặc phương tiện vận chuyển để đưa ra lộ trình hiệu quả nhất, đặc biệt trong các điều kiện “dặm cuối” (last mile) đầy thách thức.

4. Y tế và Chăm sóc sức khỏe (Edge AI và Bảo mật Dữ liệu)

Trong ngành y tế, SLM và Edge AI có vai trò quan trọng trong việc bảo vệ dữ liệu bệnh nhân và cung cấp dịch vụ nhanh chóng:
* Hỗ trợ chẩn đoán hình ảnh: Các mô hình AI nhỏ gọn có thể chạy trên thiết bị chụp X-quang hoặc CT scan để hỗ trợ bác sĩ phát hiện sớm các dấu hiệu bệnh, mà không cần gửi hình ảnh nhạy cảm lên đám mây. VinBrain của Vingroup đã tiên phong với DrAid, sử dụng deep learning để phân tích hình ảnh y tế, cải thiện độ chính xác chẩn đoán.
* Trợ lý lâm sàng trên thiết bị: Cung cấp thông tin y tế, phác đồ điều trị hoặc cảnh báo tương tác thuốc ngay tại điểm chăm sóc, đảm bảo quyền riêng tư và tốc độ.

Mặt Trái và Rủi ro Thực tế: Không Phải Lúc Nào “Nhỏ” Cũng Tốt Hơn

Mặc dù SLM và Edge AI mang lại nhiều lợi ích, chúng không phải là viên đạn bạc cho mọi vấn đề. Góc nhìn phản biện là cần thiết để đánh giá một cách toàn diện.

1. Hạn chế về Khả năng tổng quát và Độ sâu kiến thức

SLM, do được tinh chỉnh cho các tác vụ chuyên biệt, sẽ không có khả năng hiểu và suy luận tổng quát như LLM. Nếu một tác vụ yêu cầu sự sáng tạo, hiểu biết đa lĩnh vực hoặc khả năng xử lý các yêu cầu mở (open-ended requests) với ngữ cảnh rộng, LLM vẫn là lựa chọn vượt trội. Ví dụ, một SLM được huấn luyện để trả lời FAQ sản phẩm sẽ khó có thể viết một bài thơ hay phân tích một bản hợp đồng pháp lý phức tạp với độ chính xác cao.

2. Thách thức trong việc thu thập và chuẩn bị dữ liệu

Để SLM đạt hiệu suất cao, cần có bộ dữ liệu chất lượng cao, chuyên biệt và sạch. Việc thu thập, gắn nhãn và chuẩn bị dữ liệu này có thể tốn kém và mất thời gian, đặc biệt đối với các doanh nghiệp không có đội ngũ khoa học dữ liệu mạnh. Chất lượng dữ liệu kém có thể dẫn đến kết quả sai lệch hoặc không chính xác, ảnh hưởng đến độ tin cậy của mô hình. Gartner Hype Cycle 2025 cũng nhấn mạnh rằng 57% các tổ chức thừa nhận dữ liệu của họ không “sẵn sàng cho AI”, và nếu không có dữ liệu được ngữ cảnh hóa, việc mở rộng quy mô AI sẽ tiềm ẩn rủi ro lỗi, thiên vị và rủi ro tài chính.

3. Phức tạp trong Quản lý hệ thống hỗn hợp (Hybrid Systems)

Chiến lược tối ưu thường là kết hợp SLM và LLM (heterogeneous approach), sử dụng SLM cho các tác vụ lặp đi lặp lại, có phạm vi hẹp và LLM cho các tác vụ phức tạp hơn. Tuy nhiên, việc thiết kế, triển khai và quản lý một kiến trúc AI hỗn hợp như vậy đòi hỏi sự phức tạp trong việc điều phối (orchestration), định tuyến yêu cầu đến đúng mô hình và đảm bảo tính nhất quán của hệ thống. Đây là một thách thức lớn đối với các đội ngũ IT và phát triển AI của doanh nghiệp.

4. Nỗi lo về “Sự lạc hậu” của mô hình

Các SLM được tinh chỉnh trên bộ dữ liệu cụ thể có thể trở nên lạc hậu nhanh chóng nếu dữ liệu nền tảng thay đổi hoặc các yêu cầu nghiệp vụ tiến hóa. Việc liên tục cập nhật và huấn luyện lại mô hình là cần thiết, nhưng lại đòi hỏi quy trình MLOps (Machine Learning Operations) mạnh mẽ và chi phí duy trì không nhỏ.

5. Rủi ro về quy định pháp luật AI tại Việt Nam

Luật AI của Việt Nam, có hiệu lực từ ngày 01/03/2026, nhấn mạnh cách tiếp cận lấy con người làm trung tâm, ưu tiên bảo vệ quyền riêng tư và dữ liệu cá nhân. Điều này có nghĩa là ngay cả khi triển khai SLM on-premise, doanh nghiệp vẫn phải đảm bảo tuân thủ nghiêm ngặt các quy định về thu thập, xử lý, lưu trữ dữ liệu, đặc biệt là đối với các hệ thống AI có rủi ro cao. Việc thiếu một khung pháp lý rõ ràng về các biện pháp xử phạt hành chính trong Luật AI (chỉ đề cập đến nghị định của chính phủ) có thể tạo ra sự không chắc chắn cho doanh nghiệp.

Dự Báo và Khuyến Nghị Hành Động Cụ Thể

Đến năm 2026, câu hỏi không còn là “có nên ứng dụng AI hay không” mà là “ứng dụng AI sâu rộng đến mức nào”. Với bối cảnh hiện tại, SLM và Edge AI sẽ trở thành xương sống cho chiến lược AI của nhiều doanh nghiệp, đặc biệt là ở Việt Nam và Đông Nam Á.

Dự báo:

1. Phổ biến hệ thống AI lai (Hybrid AI Systems): Thay vì lựa chọn giữa LLM và SLM, các doanh nghiệp sẽ ưu tiên kiến trúc lai, nơi SLM xử lý 40-70% các tác vụ lặp lại, chuyên biệt, còn LLM được dành cho các yêu cầu phức tạp, đòi hỏi suy luận đa chiều. Điều này tối ưu hóa cả chi phí và hiệu suất.
2. Sự trỗi dậy của “AI Chủ quyền” (Sovereign AI) tại Việt Nam: Với việc Việt Nam đang đầu tư mạnh vào hạ tầng AI (như FPT AI Factory) và phát triển các mô hình ngôn ngữ tiếng Việt (ViGPT của VinBigData, mô hình của Viettel và VNG), xu hướng triển khai SLM on-premise hoặc trên các đám mây riêng sẽ tăng tốc, giúp doanh nghiệp kiểm soát tốt hơn dữ liệu và tuân thủ pháp luật.
3. Tăng cường đầu tư vào MLOps và DataOps: Để quản lý hiệu quả các hệ thống AI phức hợp và đảm bảo chất lượng dữ liệu cho SLM, các doanh nghiệp sẽ phải đầu tư mạnh vào các quy trình và công cụ MLOps và DataOps để tự động hóa việc triển khai, giám sát và cập nhật mô hình.
4. Chuyên biệt hóa sẽ là lợi thế cạnh tranh: Thay vì cố gắng xây dựng các mô hình tổng quát, các doanh nghiệp Việt Nam sẽ tập trung vào việc tinh chỉnh SLM cho các thị trường ngách, các vấn đề cụ thể của người dùng Việt Nam, tạo ra lợi thế cạnh tranh độc đáo.

Khuyến nghị hành động cụ thể cho doanh nghiệp:

1. Bắt đầu với các bài toán nhỏ, chuyên biệt: Đừng vội vàng triển khai LLM cho mọi thứ. Hãy xác định các tác vụ lặp lại, có phạm vi rõ ràng trong doanh nghiệp (ví dụ: hỗ trợ khách hàng cấp 1, phân loại tài liệu, tóm tắt email nội bộ) và thử nghiệm với SLM.
2. Đầu tư vào chiến lược dữ liệu: Đảm bảo dữ liệu nội bộ của bạn sạch, có cấu trúc và sẵn sàng cho việc huấn luyện AI. Đây là nền tảng sống còn cho sự thành công của SLM. Cân nhắc sử dụng các công cụ DataOps để quản lý và chuẩn bị dữ liệu hiệu quả.
3. Áp dụng kiến trúc AI lai: Xây dựng một chiến lược tích hợp, nơi SLM xử lý các tác vụ thông thường và LLM được gọi khi cần thiết cho các tác vụ phức tạp hơn. Điều này đòi hỏi sự đầu tư vào các công cụ điều phối AI (AI orchestration tools).
4. Ưu tiên giải pháp AI biên cho dữ liệu nhạy cảm: Đối với các ngành như tài chính, y tế, hoặc các ứng dụng yêu cầu độ trễ thấp, hãy khám phá khả năng triển khai SLM trên Edge AI để đảm bảo bảo mật dữ liệu và hiệu suất.
5. Xây dựng năng lực nội bộ về AI: Để không phụ thuộc hoàn toàn vào bên ngoài, doanh nghiệp cần đào tạo hoặc tuyển dụng đội ngũ có kiến thức về Machine Learning, MLOps và đặc biệt là kỹ thuật tinh chỉnh mô hình (fine-tuning) và kỹ thuật rút gọn mô hình (model compression) cho SLM.
6. Theo dõi sát sao chính sách AI của Việt Nam: Luật AI mới của Việt Nam đang được hoàn thiện. Doanh nghiệp cần cập nhật liên tục để đảm bảo mọi hoạt động AI đều tuân thủ các quy định về đạo đức, quyền riêng tư và trách nhiệm pháp lý.

Trong cuộc đua AI toàn cầu, không phải lúc nào người lớn nhất cũng là người chiến thắng. Đôi khi, sự nhanh nhẹn, hiệu quả và khả năng thích ứng của những người “nhỏ bé” mới là yếu tố quyết định. Với SLM và Edge AI, các doanh nghiệp Việt Nam có một cơ hội vàng để không chỉ bắt kịp mà còn tạo ra những dấu ấn riêng trên bản đồ AI thế giới.

Nguồn tham khảo

• Source of Asia (2025). Artificial Intelligence (AI) in Southeast Asia 2025-2026 – (Free Report) AI Investment.
• Coralogix (2024). Top Challenges in Building Enterprise LLM Applications.
• Kili Technology (2025). Small Language Models for enterprise AI: Challenges, benefits, and deployment strategies.
• When less is more: why small language models deserve a bigger role in enterprise AI (2026).
• VietNamNet (2025). Vietnamese startups use AI to serve millions worldwide.
• Kili Technology (2024). A Guide to Using Small Language Models for Business Applications.
• Innoflexion (2026). Small Language Models (SLMs) vs LLMs: Which One Should You Choose?
• Dextralabs (2025). 7 Common Pitfalls in Enterprise LLM Deployment.
• ZenML LLMOps Database. Barclays: Enterprise Challenges and Opportunities in Large-Scale LLM Deployment.
• Research at NVIDIA (2025). Small Language Models are the Future of Agentic AI.
• Domo (2025). Small Language Models (SLMs): Efficient, Secure AI for Enterprises.
• Marvel.ai. SLM vs LLM Why Fortune 500 Choose Small Language Models Over Large Language Models.
• Kellton (2024). Large Language Models for Enterprises: Key Challenges and Advantages.
• Forbes (2025). How Small Language Models Deliver Big Business Benefits.
• Suri Technologies (2023). AI Case Studies in Vietnam.
• testRigor AI-Based Automated Testing Tool (2026). Gartner Hype-Cycle for AI 2025: Vision Beyond 2026.
• Medium (2025). Vietnam AI Law.
• OneSource Cloud (2026). The True Cost of Running LLM Inference at Scale.
• Nitor Infotech (2025). Enterprise LLM Integration: Challenges, Solutions, and Best Practices.
• Does Vietnam’s AI Law Protect Human Rights And Data Privacy In The Era Of Artificial Intelligence? (2026).
• LogRocket Blog (2025). Small language models: Why the future of AI agents might be tiny.
• Investing.com (2026). The Future of AI Is Small Language Models.
• Grand View Research (2026). Small Language Model Market Size Report, 2024-2030.
• Barchart.com (2026). Small Language Model Market to Reach USD 5.45 Billion by 2032, Driven by Edge AI and Enterprise AI Adoption | Exclusive Report by MarketsandMarkets™.
• Gartner (2025). The Latest Hype Cycle for Artificial Intelligence Goes Beyond GenAI.
• Innoflexion (2025). SLMs vs LLMs: Small Language Models for Agentic AI.
• Institute for Statistics and Socio-Ecological Development – ISSED (2026). AI Adoption Map in the ASEAN Region in 2025.
• Galileo AI (2025). NVIDIA Research Proves Small Language Models Superior to LLMs.
• AIVeda (2026). Small vs Large Language Models: Cost & Accuracy Guide.
• Investing In AI (2026). The Secret Benefits of Small Language Models – by Rob May.
• Vietnam’s first standalone AI Law: An overview of key provisions, future implications (2026).
• Masai School (2026). SLM vs LLM: what the cost, speed and accuracy data actually show.
• Samta.ai (2026). How AI Adoption Southeast Asia 2026 is Reshaping Markets?
• Research and Markets (2026). Small Language Model Market Report 2026.
• Data Bridge Market Research Reports (2024). Global Small Language Model (SLM) Market Size, Share, and Trends Analysis Report – Industry Overview and Forecast to 2032.
• LemonVolt. Gartner’s AI Hype Cycle 2025: Cutting Through the Noise to Real Use Cases.
• Second Talent (2026). Top 10 AI Companies & Startups in Vietnam.
• NKKTech Global (2026). Vietnam AI Companies: Quietly Dominating ASEAN Markets in 2026.
• McKinsey (2026). AI in Southeast Asia: An era of opportunity.
• Gartner (2025). CIOs, Explore the Gartner Hype Cycles for AI in 2025.
• DigitalOcean (2026). LLM Cost Calculation Guide for Enterprise AI Teams in 2026.
• Vietnam Investment Review (2026). AI adoption reshapes marketing across Southeast Asia.
• MarketsandMarkets (2026). Small Language Model Market Report 2025-2032, by Applications, Geo, Tech.
• DataGuidance. Vietnam | Jurisdictions.
• Tech Policy Press (2026). Vietnam’s New AI Law Balances Innovation Push With Tight State Control.
• Databricks. Gartner Hype Cycle for Generative AI.
• B-Company (2024). Vietnam’s push for AI development: A case study of NVIDIA.
• Featherless AI (2026). LLM API Pricing Comparison 2026: The Complete Guide to Inference Costs.
• AI Superior (2026). LLM Inference Cost 2026: Complete Pricing Guide.

Nguồn tham khảo / Sources

• databricks.com