Đỗ Đức Dũng
Tóm tắt
Câu nói “dữ liệu là dầu mỏ mới của thế kỷ XXI” được sử dụng rộng rãi để nhấn mạnh vai trò chiến lược của dữ liệu trong nền kinh tế số và kỷ nguyên trí tuệ nhân tạo. Ẩn dụ này có giá trị nhất định vì dữ liệu, giống như dầu mỏ, chỉ tạo ra giá trị lớn sau khi được thu thập, xử lý, tinh lọc, phân phối và đưa vào các hệ thống sản xuất – kinh doanh – quản trị. Tuy nhiên, nếu hiểu máy móc rằng dữ liệu giống dầu mỏ thì sẽ dẫn đến nhiều sai lầm. Dữ liệu khác dầu mỏ ở chỗ có thể tái sử dụng, có tính phi cạnh tranh, giá trị phụ thuộc mạnh vào bối cảnh, chất lượng, khả năng liên kết, thuật toán, thể chế và niềm tin xã hội. Bài viết cho rằng dữ liệu không nên được nhìn như “dầu thô” để khai thác càng nhiều càng tốt, mà nên được xem như một loại tài sản chiến lược, một hạ tầng tri thức và một nguồn lực công cần được quản trị có trách nhiệm. Đối với Việt Nam, đặc biệt trong lĩnh vực tài nguyên nước, thủy lợi, nông nghiệp, khí tượng thủy văn và phòng chống thiên tai, nhiệm vụ quan trọng không chỉ là thu thập dữ liệu, mà là chuyển hóa dữ liệu chuyên ngành thành tri thức số, mô hình số và năng lực ra quyết định.
Từ khóa: dữ liệu, dầu mỏ, kinh tế số, AI, dữ liệu chuyên ngành, tài sản dữ liệu, chủ quyền dữ liệu, tài nguyên nước, quản trị dữ liệu.
1. Đặt vấn đề
Trong nhiều năm gần đây, người ta thường nói: “Dữ liệu là dầu mỏ mới của thế kỷ XXI.”
Câu nói này có sức gợi rất mạnh.
Dầu mỏ từng là một trong những tài nguyên chiến lược quan trọng nhất của thế kỷ XX. Quốc gia nào có dầu mỏ, kiểm soát được đường vận chuyển dầu mỏ, làm chủ công nghệ lọc hóa dầu và xây dựng được công nghiệp năng lượng mạnh thì có lợi thế rất lớn về kinh tế và địa chính trị.
Ngày nay, trong nền kinh tế số, dữ liệu cũng đang giữ vai trò ngày càng quan trọng. Doanh nghiệp cần dữ liệu để hiểu khách hàng. Nhà nước cần dữ liệu để quản trị xã hội. Nhà khoa học cần dữ liệu để phát hiện quy luật. AI cần dữ liệu để học, dự báo và hỗ trợ ra quyết định.
Vì vậy, so sánh dữ liệu với dầu mỏ là cách nói dễ hiểu: dữ liệu là nguồn nguyên liệu mới của nền kinh tế số.
Nhưng câu hỏi là: ẩn dụ đó đúng đến đâu?
Nếu chỉ nói dữ liệu giống dầu mỏ vì đều có giá trị kinh tế lớn thì chưa đủ. Nếu hiểu dữ liệu giống dầu mỏ theo nghĩa càng khai thác nhiều càng tốt, càng gom giữ nhiều càng mạnh, càng độc quyền càng có lợi thì rất nguy hiểm.
Dữ liệu không phải dầu mỏ.
Dữ liệu có những đặc điểm kinh tế, xã hội, pháp lý và đạo đức rất khác dầu mỏ. Chính vì vậy, muốn phát triển AI và kinh tế dữ liệu, chúng ta cần hiểu đúng bản chất của dữ liệu, thay vì chỉ lặp lại một ẩn dụ hấp dẫn.
2. Phương pháp tiếp cận
Bài viết tiếp cận vấn đề từ góc độ kinh tế dữ liệu, quản trị dữ liệu, chính sách công và kinh nghiệm chuyên ngành tài nguyên nước.
Các luận điểm dựa trên năm nhóm tài liệu chính.
Thứ nhất là các nghiên cứu về dữ liệu trong phát triển. World Bank nhấn mạnh dữ liệu có thể tạo ra giá trị kinh tế – xã hội thông qua sử dụng và tái sử dụng, nhưng đồng thời cũng có thể gây hại nếu bị lạm dụng; vì vậy cần một “khế ước xã hội mới” để dữ liệu được sử dụng vì lợi ích chung, công bằng và đáng tin cậy.
Thứ hai là các nghiên cứu về kinh tế dữ liệu. Jones và Tonetti phân tích dữ liệu như một yếu tố có tính phi cạnh tranh: cùng một bộ dữ liệu có thể được nhiều chủ thể sử dụng đồng thời, khác với dầu mỏ hay hàng hóa vật chất truyền thống.
Thứ ba là các tài liệu về chia sẻ và quản trị dữ liệu. OECD cho rằng giá trị của dữ liệu phụ thuộc nhiều vào khả năng truy cập, chia sẻ và tái sử dụng, đồng thời nhấn mạnh cần quản lý rủi ro về quyền riêng tư, sở hữu trí tuệ, cạnh tranh và niềm tin.
Thứ tư là các báo cáo về kinh tế số toàn cầu. UNCTAD chỉ ra rằng kinh tế số dựa trên dữ liệu đang có sự mất cân đối lớn; năng lực thu thập, xử lý và khai thác dữ liệu toàn cầu tập trung mạnh vào một số nền tảng và một số quốc gia, đặc biệt là Hoa Kỳ và Trung Quốc.
Thứ năm là các chính sách dữ liệu và AI của Việt Nam, trong đó có Chiến lược quốc gia về AI đến năm 2030, Chiến lược dữ liệu quốc gia đến năm 2030 và Luật Dữ liệu năm 2024.
3. Vì sao người ta ví dữ liệu như dầu mỏ?
Ẩn dụ “dữ liệu là dầu mỏ mới” có lý do của nó.
Trước hết, cả dầu mỏ và dữ liệu đều là đầu vào quan trọng của các hệ thống tạo giá trị.
Dầu mỏ là đầu vào của năng lượng, giao thông, hóa dầu, công nghiệp và nhiều ngành sản xuất hiện đại. Dữ liệu là đầu vào của phân tích, tự động hóa, trí tuệ nhân tạo, quản trị số, thương mại điện tử, tài chính số, y tế số, nông nghiệp thông minh và khoa học dữ liệu.
Thứ hai, cả dầu mỏ và dữ liệu đều cần được “tinh lọc” mới tạo ra giá trị lớn.
Dầu thô chưa thể dùng trực tiếp cho hầu hết nhu cầu đời sống. Nó phải được khai thác, vận chuyển, lọc, chế biến và phân phối.
Dữ liệu thô cũng vậy. Một tập dữ liệu thô có thể lộn xộn, thiếu chuẩn, sai đơn vị, thiếu metadata, trùng lặp, thiếu kiểm định hoặc không có bối cảnh. Muốn tạo ra giá trị, dữ liệu phải được làm sạch, chuẩn hóa, liên thông, phân tích, mô hình hóa và đưa vào quy trình ra quyết định.
Thứ ba, cả dầu mỏ và dữ liệu đều có thể tạo ra quyền lực.
Quốc gia kiểm soát nguồn dầu lớn từng có lợi thế trong thế kỷ XX. Ngày nay, những doanh nghiệp và quốc gia kiểm soát hạ tầng dữ liệu, nền tảng số, điện toán đám mây và mô hình AI có thể có lợi thế rất lớn trong kinh tế số.
UNCTAD cảnh báo rằng trong nền kinh tế số dựa trên dữ liệu, các nước kém phát triển còn gặp hạn chế lớn về kết nối, tốc độ truy cập và chi phí sử dụng internet, trong khi một số nền tảng số toàn cầu tập trung phần lớn giá trị kinh tế của dữ liệu.
Như vậy, ẩn dụ dữ liệu là dầu mỏ giúp chúng ta nhận ra một điều đúng: dữ liệu không còn là sản phẩm phụ của quản lý hay hoạt động kinh tế. Dữ liệu đã trở thành một nguồn lực chiến lược.
Nhưng nếu dừng ở đó thì chưa đủ.
4. Dữ liệu khác dầu mỏ ở điểm căn bản nào?
Dữ liệu khác dầu mỏ ở ít nhất sáu điểm rất quan trọng.
4.1. Dữ liệu có thể tái sử dụng nhiều lần
Một thùng dầu khi đã đốt thì không còn nữa.
Một bộ dữ liệu, nếu được quản lý đúng cách, có thể được sử dụng nhiều lần cho nhiều mục đích khác nhau.
Dữ liệu mưa có thể dùng để dự báo lũ, đánh giá hạn, thiết kế công trình, nghiên cứu biến đổi khí hậu, xây dựng bản đồ rủi ro và huấn luyện AI.
Dữ liệu mực nước có thể dùng để cảnh báo ngập, hiệu chỉnh mô hình thủy lực, đánh giá an toàn đê bao, phân tích xu thế lũ và phục vụ quy hoạch.
World Bank nhấn mạnh giá trị của dữ liệu có thể được nhân lên thông qua sử dụng lại và tái mục đích sử dụng, nhưng điều đó đòi hỏi cơ chế quản trị để bảo đảm dữ liệu được sử dụng an toàn, công bằng và có trách nhiệm.
4.2. Dữ liệu có tính phi cạnh tranh
Dầu mỏ là hàng hóa cạnh tranh. Nếu một người sử dụng một thùng dầu thì người khác không thể dùng chính thùng dầu đó nữa.
Dữ liệu thì khác. Một bộ dữ liệu có thể được nhiều người, nhiều cơ quan, nhiều mô hình và nhiều ứng dụng sử dụng cùng lúc mà không bị tiêu hao theo nghĩa vật chất.
Trong kinh tế học, đây là tính phi cạnh tranh. Jones và Tonetti nhấn mạnh rằng dữ liệu có thể được sử dụng đồng thời bởi nhiều doanh nghiệp hoặc nhiều mục đích; chính đặc điểm này làm cho bài toán quyền sở hữu, quyền truy cập, chia sẻ và bảo vệ quyền riêng tư trở nên phức tạp hơn nhiều so với hàng hóa vật chất.
Điều này có nghĩa là dữ liệu nếu bị khóa kín trong từng cơ quan, từng doanh nghiệp, từng dự án thì xã hội có thể mất đi nhiều giá trị tiềm năng.
Nhưng chia sẻ dữ liệu không kiểm soát cũng có thể gây rủi ro.
Vì vậy, bài toán đúng không phải là đóng kín hay mở hoàn toàn, mà là chia sẻ có quản trị.
4.3. Giá trị dữ liệu phụ thuộc rất mạnh vào bối cảnh
Dầu thô ở nơi này và dầu thô ở nơi khác có thể khác nhau về chất lượng, nhưng về cơ bản vẫn là hàng hóa có thị trường tương đối rõ.
Dữ liệu thì khác.
Một bộ dữ liệu có thể rất quý với người này nhưng gần như vô dụng với người khác.
Dữ liệu vận hành hồ chứa rất quý với cơ quan quản lý tài nguyên nước, thủy lợi, phòng chống thiên tai, nhưng không có nhiều ý nghĩa với một doanh nghiệp thương mại điện tử.
Dữ liệu cao trình đỉnh đê bao ở Đồng bằng sông Cửu Long rất quý trong bài toán cảnh báo tràn bờ, nhưng nếu tách khỏi bản đồ, mực nước, loại ô bao, mùa vụ và bối cảnh lũ thì giá trị giảm đi rất nhiều.
Điều này cho thấy dữ liệu không chỉ cần được thu thập. Dữ liệu phải được đặt trong bối cảnh chuyên ngành.
Vì vậy, trong kỷ nguyên AI, dữ liệu chuyên ngành thường có giá trị rất đặc biệt. Nó không chỉ là “dầu thô”, mà là dữ liệu đã gắn với không gian, thời gian, quy trình, kinh nghiệm và ý nghĩa chuyên môn.
4.4. Dữ liệu càng liên kết càng có giá trị
Một mỏ dầu có giá trị lớn vì trữ lượng của chính nó.
Dữ liệu có giá trị lớn khi được liên kết với dữ liệu khác.
Dữ liệu mưa riêng lẻ chỉ cho biết lượng mưa.
Khi kết nối với địa hình, lưu vực, sông ngòi, hồ chứa, sử dụng đất, dân cư và hạ tầng, nó trở thành nền tảng để dự báo lũ, đánh giá ngập và cảnh báo rủi ro.
Dữ liệu tài nguyên nước khi kết nối với dữ liệu nông nghiệp sẽ giúp phân bổ nước tốt hơn.
Dữ liệu khí tượng thủy văn khi kết nối với dữ liệu đô thị sẽ giúp cảnh báo ngập đô thị chính xác hơn.
OECD nhấn mạnh giá trị của dữ liệu phụ thuộc nhiều vào khả năng truy cập và chia sẻ, vì tái sử dụng dữ liệu có thể tạo ra lợi ích kinh tế – xã hội lớn hơn, nhưng đồng thời cũng cần giải quyết rủi ro về quyền riêng tư, bảo mật, sở hữu trí tuệ và cạnh tranh.
4.5. Dữ liệu có thể gây hại nếu dùng sai
Dầu mỏ gây rủi ro ô nhiễm môi trường, biến đổi khí hậu và phụ thuộc năng lượng.
Dữ liệu cũng có rủi ro, nhưng rủi ro khác.
Dữ liệu cá nhân có thể bị lạm dụng.
Dữ liệu sai có thể dẫn đến quyết định sai.
Dữ liệu thiếu đại diện có thể làm AI thiên lệch.
Dữ liệu nhạy cảm bị lộ có thể gây rủi ro an ninh.
Dữ liệu chuyên ngành bị diễn giải sai có thể gây hậu quả trong quy hoạch, vận hành công trình, cảnh báo thiên tai hoặc phân bổ nguồn lực.
World Bank nhấn mạnh dữ liệu vừa có khả năng tạo lợi ích lớn, vừa có thể gây hại cho cá nhân, doanh nghiệp và xã hội nếu bị sử dụng sai hoặc thiếu niềm tin.
4.6. Dữ liệu không tự có giá trị nếu thiếu năng lực khai thác
Dầu mỏ nằm dưới đất vẫn là tài nguyên có giá trị thị trường tương đối rõ.
Dữ liệu thì không như vậy.
Một cơ quan có hàng nghìn báo cáo, hàng triệu dòng số liệu, hàng trăm bản đồ nhưng nếu dữ liệu không chuẩn hóa, không liên thông, không cập nhật, không có người hiểu và không gắn với bài toán ra quyết định thì giá trị thực tế rất thấp.
Dữ liệu chỉ trở thành tài sản khi có năng lực quản trị dữ liệu.
Dữ liệu chỉ trở thành tri thức khi có năng lực phân tích.
Dữ liệu chỉ trở thành sức mạnh khi có khả năng chuyển hóa thành quyết định.
5. Nếu dữ liệu là dầu mỏ, thì “nhà máy lọc dầu” của dữ liệu là gì?
Nếu dùng tiếp ẩn dụ dầu mỏ, thì có thể nói: dữ liệu thô cần một “nhà máy lọc dầu” để biến thành giá trị.
Nhưng nhà máy lọc dầu của dữ liệu không phải là một công trình vật chất duy nhất. Nó là một hệ sinh thái gồm nhiều tầng.
Tầng thứ nhất: hạ tầng thu thập dữ liệu
Gồm trạm quan trắc, cảm biến, hệ thống giám sát, biểu mẫu số, hồ sơ điện tử, bản đồ số, hệ thống thông tin chuyên ngành.
Tầng thứ hai: hạ tầng lưu trữ và quản trị dữ liệu
Gồm cơ sở dữ liệu, kho dữ liệu, trung tâm dữ liệu, điện toán đám mây, phân quyền truy cập, metadata, sao lưu, bảo mật và nhật ký sử dụng.
Tầng thứ ba: chuẩn hóa dữ liệu
Gồm mã đối tượng, chuẩn đơn vị, chuẩn thời gian, hệ tọa độ, hệ cao độ, cấu trúc bảng, quy tắc kiểm tra chất lượng và chuẩn trao đổi dữ liệu.
Tầng thứ tư: liên thông dữ liệu
Gồm API, nền tảng chia sẻ, không gian dữ liệu, cơ chế kết nối giữa các bộ, ngành, địa phương, viện nghiên cứu, doanh nghiệp và cộng đồng.
Liên minh châu Âu đã phát triển Đạo luật Quản trị dữ liệu để thúc đẩy tái sử dụng một số dữ liệu khu vực công, phát triển các trung gian dữ liệu đáng tin cậy và hỗ trợ công dân, doanh nghiệp chia sẻ dữ liệu vì lợi ích xã hội.
Tầng thứ năm: phân tích và mô hình hóa
Gồm thống kê, mô hình toán, mô hình thủy văn, thủy lực, mô hình kinh tế, mô hình rủi ro, mô phỏng kịch bản và dashboard.
Tầng thứ sáu: trí tuệ nhân tạo
Gồm AI hỗ trợ tra cứu, AI dự báo, AI phát hiện bất thường, AI hỗ trợ ra quyết định, AI chuyên ngành và Digital Twin.
Tầng thứ bảy: thể chế và con người
Gồm pháp luật, quy trình, trách nhiệm, đạo đức, an toàn dữ liệu, nhân lực chuyên ngành, nhân lực công nghệ và văn hóa chia sẻ.
Nếu thiếu tầng cuối cùng này, mọi công nghệ đều có thể trở thành hình thức.
6. Dữ liệu thô, dữ liệu sạch và dữ liệu có tri thức
Trong thực tế, chúng ta cần phân biệt ba cấp độ.
6.1. Dữ liệu thô
Đây là dữ liệu mới thu thập, chưa được xử lý đầy đủ.
Ví dụ: file đo mưa, bảng mực nước, ảnh vệ tinh, bản scan báo cáo, bản đồ giấy, số liệu từ cảm biến, file Excel rời rạc.
Dữ liệu thô là nguyên liệu, nhưng chưa phải tài sản hoàn chỉnh.
6.2. Dữ liệu sạch
Đây là dữ liệu đã được kiểm tra, loại bỏ lỗi, chuẩn hóa đơn vị, thống nhất mã, xác định nguồn gốc và có metadata.
Dữ liệu sạch đã có thể phục vụ phân tích, mô hình và chia sẻ.
6.3. Dữ liệu có tri thức
Đây là cấp độ cao hơn.
Dữ liệu không chỉ đúng về kỹ thuật, mà còn được gắn với ý nghĩa chuyên môn.
Ví dụ, một giá trị mực nước được gắn với ngưỡng cảnh báo, trạng thái an toàn, điều kiện triều, mùa vụ, kịch bản lũ, vùng ảnh hưởng và khuyến nghị vận hành.
Ở cấp độ này, dữ liệu không chỉ trả lời câu hỏi “bao nhiêu”, mà còn trả lời câu hỏi “có ý nghĩa gì” và “cần làm gì”.
AI chuyên ngành cần nhất loại dữ liệu thứ ba.
7. Dữ liệu chuyên ngành không phải dầu thô, mà gần hơn với “tri thức tích lũy”
Đối với các ngành như tài nguyên nước, thủy lợi, khí tượng thủy văn, nông nghiệp và phòng chống thiên tai, dữ liệu chuyên ngành không đơn giản là các con số.
Đằng sau mỗi bộ dữ liệu là cả một lịch sử nghề nghiệp.
Một chuỗi số liệu mực nước không chỉ là các giá trị đo. Nó phản ánh chế độ thủy văn, biến đổi khí hậu, vận hành thượng nguồn, thủy triều, thay đổi hình thái sông, tác động công trình và sử dụng đất.
Một bản đồ ngập không chỉ là vùng màu trên GIS. Nó phản ánh địa hình, tiêu thoát nước, kết nối thủy lực, dân cư, hạ tầng, sản xuất và tổn thương xã hội.
Một báo cáo quy hoạch không chỉ là văn bản. Nó chứa dữ liệu, nhận định, phân tích, lựa chọn phương án, kinh nghiệm chuyên gia, bối cảnh pháp lý và thỏa hiệp quản lý ở một thời điểm cụ thể.
Vì vậy, dữ liệu chuyên ngành không nên được xem như “dầu thô” để khai thác cơ học. Nó giống hơn một kho tri thức tích lũy, cần được đọc, hiểu, chuẩn hóa, bảo tồn và phát triển.
Đây là điểm rất quan trọng đối với AI.
AI không thể thay thế tri thức chuyên ngành nếu không được nuôi bằng dữ liệu chuyên ngành có chất lượng và không được kiểm chứng bởi chuyên gia ngành.
8. Rủi ro của tư duy “khai thác dữ liệu như khai thác dầu mỏ”
Nếu hiểu dữ liệu như dầu mỏ theo nghĩa khai thác càng nhiều càng tốt, có thể xuất hiện một số rủi ro.
8.1. Thu thập quá nhiều nhưng không dùng được
Nhiều tổ chức có xu hướng thu thập dữ liệu trước, sau đó mới nghĩ dùng vào việc gì.
Kết quả là dữ liệu nhiều nhưng phân tán, trùng lặp, thiếu chuẩn, không cập nhật và không phục vụ quyết định.
Đây là “bãi chứa dữ liệu”, không phải tài sản dữ liệu.
8.2. Chạy theo số lượng thay vì chất lượng
AI không chỉ cần nhiều dữ liệu. AI cần dữ liệu đúng.
Dữ liệu sai, thiếu, lệch, không đại diện hoặc không có bối cảnh có thể làm AI đưa ra kết quả sai.
Trong lĩnh vực thiên tai, vận hành công trình hay tài nguyên nước, sai số dữ liệu có thể dẫn đến sai số quyết định, và sai số quyết định có thể gây thiệt hại rất lớn.
8.3. Tạo độc quyền dữ liệu
Nếu coi dữ liệu như mỏ dầu riêng, mỗi tổ chức có thể muốn giữ dữ liệu cho mình.
Điều này làm giảm giá trị xã hội của dữ liệu, vì dữ liệu càng liên thông càng có giá trị.
OECD nhấn mạnh rằng dữ liệu có giá trị lớn khi được tiếp cận và chia sẻ, nhưng cần cơ chế quản trị để cân bằng lợi ích và rủi ro.
8.4. Xem nhẹ quyền riêng tư và an toàn
Không phải dữ liệu nào cũng có thể mở.
Dữ liệu cá nhân, dữ liệu công trình quan trọng, dữ liệu an ninh, dữ liệu nhạy cảm về hạ tầng và dữ liệu chiến lược cần cơ chế phân loại, bảo vệ và chia sẻ có điều kiện.
Luật Dữ liệu năm 2024 của Việt Nam đã đặt vấn đề xây dựng, phát triển, bảo vệ, quản trị, xử lý và sử dụng dữ liệu số, đồng thời xác định các rủi ro trong xử lý dữ liệu như quyền riêng tư, an ninh mạng, nhận dạng và quản lý truy cập.
8.5. Đánh mất giá trị gia tăng
Nếu một quốc gia chỉ cung cấp dữ liệu thô cho các nền tảng bên ngoài, nhưng không tự phát triển năng lực phân tích, mô hình hóa và AI, thì giá trị gia tăng có thể thuộc về người khác.
Dữ liệu gốc vẫn có thể nằm trong nước, nhưng tri thức và sản phẩm từ dữ liệu lại do bên ngoài nắm giữ.
Đây là nguy cơ lớn trong kỷ nguyên AI.
9. Dữ liệu là tài sản, hạ tầng hay tài nguyên công?
Một câu hỏi quan trọng là: nên nhìn dữ liệu như thế nào?
Có ít nhất ba cách nhìn.
9.1. Dữ liệu là tài sản
Cách nhìn này nhấn mạnh giá trị kinh tế của dữ liệu.
Dữ liệu có thể giúp tăng năng suất, giảm chi phí, tạo sản phẩm mới, cải thiện dịch vụ và nâng cao năng lực cạnh tranh.
OECD đã có các nghiên cứu riêng về đo lường dữ liệu như một tài sản, đồng thời lưu ý rằng việc định giá dữ liệu phức tạp hơn nhiều so với tài sản hữu hình vì dữ liệu là tài sản vô hình, có thể tái sử dụng và phụ thuộc vào bối cảnh sử dụng.
9.2. Dữ liệu là hạ tầng
Cách nhìn này nhấn mạnh rằng dữ liệu không chỉ phục vụ một tổ chức, mà có thể trở thành nền tảng cho nhiều dịch vụ, nhiều ngành và nhiều quyết định.
Dữ liệu nền như bản đồ, địa hình, khí tượng, thủy văn, dân cư, đất đai, giao thông nếu được tổ chức tốt sẽ giống như đường sá, điện, nước hay internet: nhiều chủ thể có thể dùng để tạo ra giá trị mới.
9.3. Dữ liệu là tài nguyên công cần quản trị
Cách nhìn này đặc biệt quan trọng với dữ liệu phục vụ lợi ích xã hội như thiên tai, môi trường, y tế công, giáo dục, tài nguyên nước và biến đổi khí hậu.
Dữ liệu loại này không nên chỉ được xem là hàng hóa. Nó còn liên quan đến quyền tiếp cận thông tin, an toàn cộng đồng, công bằng xã hội, phát triển bền vững và trách nhiệm của nhà nước.
World Bank nhấn mạnh cần một khế ước xã hội mới về dữ liệu, nhằm bảo đảm dữ liệu tạo giá trị, được tiếp cận công bằng và được sử dụng với niềm tin.
Theo tôi, dữ liệu chuyên ngành của quốc gia cần được nhìn đồng thời bằng cả ba cách: là tài sản, là hạ tầng và là nguồn lực công.
Nếu chỉ xem là tài sản, ta dễ tư hữu hóa hoặc cát cứ dữ liệu.
Nếu chỉ xem là hạ tầng, ta có thể xem nhẹ quyền và trách nhiệm.
Nếu chỉ xem là tài nguyên công, ta có thể thiếu động lực đổi mới và khai thác giá trị kinh tế.
10. Việt Nam đã có nền tảng chính sách để chuyển từ “có dữ liệu” sang “quản trị dữ liệu”
Trong vài năm gần đây, Việt Nam đã hình thành những nền tảng chính sách quan trọng liên quan đến AI và dữ liệu.
Chiến lược quốc gia về nghiên cứu, phát triển và ứng dụng trí tuệ nhân tạo đến năm 2030 được ban hành theo Quyết định số 127/QĐ-TTg ngày 26/01/2021. Đây là văn bản định hướng quan trọng để phát triển và ứng dụng AI tại Việt Nam.
Chiến lược dữ liệu quốc gia đến năm 2030 được phê duyệt theo Quyết định số 142/QĐ-TTg ngày 02/02/2024, cho thấy dữ liệu đã được nhìn nhận như một nền tảng quan trọng của chuyển đổi số quốc gia.
Luật Dữ liệu số 60/2024/QH15 được ban hành ngày 30/11/2024 và có hiệu lực từ ngày 01/7/2025, tạo hành lang pháp lý cho xây dựng, phát triển, bảo vệ, quản trị, xử lý và sử dụng dữ liệu số.
Những văn bản này cho thấy Việt Nam đã bước sang giai đoạn mới: không chỉ số hóa dữ liệu, mà phải quản trị dữ liệu.
Tuy nhiên, chính sách cấp quốc gia chỉ là khung. Điều quan trọng là từng ngành phải cụ thể hóa thành dữ liệu chuyên ngành, tiêu chuẩn chuyên ngành, cơ sở dữ liệu chuyên ngành và ứng dụng AI chuyên ngành.
11. Liên hệ với tài nguyên nước: dữ liệu có thể làm thay đổi cách quản trị nước
Tài nguyên nước là ví dụ rất rõ để thấy dữ liệu không chỉ là dầu mỏ mới, mà còn là “con mắt” để nhìn thấy tài nguyên.
Nước là tài nguyên vật chất. Nhưng quản trị nước lại phụ thuộc vào dữ liệu.
Không có dữ liệu, chúng ta chỉ biết có sông, có hồ, có mưa, có lũ, có hạn.
Có dữ liệu, chúng ta biết mưa ở đâu, bao nhiêu, khi nào; dòng chảy đến bao nhiêu; hồ chứa còn dung tích nào; hạ du chịu rủi ro ra sao; vùng nào thiếu nước; vùng nào có nguy cơ ngập; chất lượng nước thay đổi thế nào.
Có mô hình, chúng ta dự báo được tương lai gần.
Có AI, chúng ta có thể phát hiện bất thường, phân tích kịch bản, hỗ trợ vận hành và cảnh báo sớm.
Có Digital Twin, chúng ta có thể mô phỏng trạng thái của lưu vực, hồ chứa, vùng ngập hoặc hệ thống thủy lợi theo thời gian gần thực.
Như vậy, trong tài nguyên nước, dữ liệu không thay thế nước. Nhưng dữ liệu làm cho nước có thể được hiểu đúng hơn, quản trị tốt hơn và sử dụng bền vững hơn.
Đây là điểm khác với dầu mỏ.
Dầu mỏ càng khai thác càng cạn.
Dữ liệu tài nguyên nước càng được thu thập, chuẩn hóa, liên thông và sử dụng đúng thì càng làm tăng năng lực bảo vệ và quản trị nguồn nước.
12. Từ “khai thác dữ liệu” sang “nuôi dưỡng dữ liệu”
Có lẽ cần thay đổi cách nói.
Với dầu mỏ, ta nói “khai thác”.
Với dữ liệu, nếu chỉ nói “khai thác” thì chưa đủ.
Dữ liệu cần được nuôi dưỡng.
Nuôi dưỡng dữ liệu nghĩa là:
- thu thập thường xuyên;
- kiểm định chất lượng;
- cập nhật liên tục;
- chuẩn hóa cấu trúc;
- bổ sung metadata;
- kết nối với dữ liệu khác;
- bảo vệ an toàn;
- ghi nhận nguồn gốc;
- duy trì người chịu trách nhiệm;
- tạo cơ chế tái sử dụng.
Một cơ sở dữ liệu không được cập nhật sẽ già đi.
Một bộ dữ liệu không có metadata sẽ khó dùng lại.
Một dữ liệu không có người chịu trách nhiệm sẽ mất dần độ tin cậy.
Một hệ thống dữ liệu không liên thông sẽ không tạo được tri thức tổng hợp.
Vì vậy, làm dữ liệu không phải là một dự án ngắn hạn. Đó là một năng lực thường xuyên của tổ chức.
13. Hàm ý cho Việt Nam và ngành tài nguyên nước
Từ phân tích trên, có thể rút ra một số hàm ý.
Thứ nhất, không nên hiểu dữ liệu như dầu mỏ theo nghĩa khai thác càng nhiều càng tốt
Dữ liệu phải được thu thập có mục tiêu, có chuẩn, có trách nhiệm và có gắn với bài toán sử dụng.
Thứ hai, cần chuyển từ tư duy “lưu trữ dữ liệu” sang “quản trị dữ liệu”
Lưu trữ chỉ là giữ dữ liệu.
Quản trị dữ liệu là tổ chức để dữ liệu có chất lượng, có trách nhiệm, có thể chia sẻ, có thể bảo vệ và có thể tạo giá trị.
Thứ ba, cần coi dữ liệu chuyên ngành là tài sản chiến lược
Đặc biệt là dữ liệu tài nguyên nước, khí tượng thủy văn, đất đai, nông nghiệp, thiên tai, môi trường và hạ tầng.
Đây là những dữ liệu gắn trực tiếp với an ninh nước, an ninh lương thực, an ninh môi trường và phát triển bền vững.
Thứ tư, cần xây dựng “nhà máy lọc dữ liệu” của từng ngành
Đó là hệ thống chuẩn hóa, kiểm định, liên thông, phân tích, mô hình hóa và AI chuyên ngành.
Trong tài nguyên nước, “nhà máy lọc dữ liệu” này phải kết nối trạm đo, bản đồ, mô hình, hồ sơ công trình, quy hoạch, vận hành và cảnh báo.
Thứ năm, phải bảo vệ chủ quyền dữ liệu nhưng không đóng kín dữ liệu
Dữ liệu cần được chia sẻ có kiểm soát để tạo giá trị.
Đóng kín dữ liệu sẽ làm mất cơ hội phát triển AI.
Mở dữ liệu không kiểm soát sẽ tạo rủi ro.
Cân bằng hai yêu cầu này là năng lực quản trị dữ liệu hiện đại.
Thứ sáu, phải chuyển dữ liệu thành tri thức số trước khi người khác làm thay
Trong kỷ nguyên AI, nếu chúng ta chỉ giữ dữ liệu thô mà không tự xây dựng năng lực phân tích, mô hình hóa và AI, thì giá trị gia tăng có thể rơi vào tay các nền tảng hoặc tổ chức khác.
Đây là vấn đề chiến lược, không chỉ là vấn đề kỹ thuật.
14. Thảo luận: dữ liệu không phải dầu mỏ, dữ liệu là nền tảng của tri thức số
Sau khi phân tích, có thể thấy ẩn dụ “dữ liệu là dầu mỏ mới” vừa đúng vừa chưa đủ.
Đúng ở chỗ dữ liệu là nguồn lực chiến lược.
Đúng ở chỗ dữ liệu thô cần được xử lý mới tạo ra giá trị.
Đúng ở chỗ dữ liệu có thể tạo ra quyền lực kinh tế và công nghệ.
Nhưng chưa đủ vì dữ liệu không bị tiêu hao như dầu mỏ.
Chưa đủ vì dữ liệu có thể tái sử dụng và liên kết.
Chưa đủ vì dữ liệu phụ thuộc mạnh vào bối cảnh, chất lượng và ý nghĩa chuyên môn.
Chưa đủ vì dữ liệu liên quan đến quyền riêng tư, niềm tin, công bằng, đạo đức và chủ quyền.
Chưa đủ vì dữ liệu không chỉ là nguyên liệu sản xuất, mà còn là nền tảng để hình thành tri thức số.
Theo tôi, nên nói cẩn trọng hơn:
- Dữ liệu không phải là dầu mỏ mới theo nghĩa vật chất.
Dữ liệu là nguồn lực chiến lược mới của nền kinh tế tri thức và kỷ nguyên AI.
Cách nói này chính xác hơn.
Nó giúp chúng ta tránh rơi vào tư duy khai thác dữ liệu thô, đồng thời nhấn mạnh nhiệm vụ lớn hơn: quản trị, bảo vệ, chia sẻ và chuyển hóa dữ liệu thành tri thức.
15. Kết luận
Dữ liệu có phải là dầu mỏ mới của thế kỷ XXI không?
Câu trả lời là: có, nếu muốn nhấn mạnh vai trò chiến lược của dữ liệu; nhưng không, nếu hiểu dữ liệu giống dầu mỏ về bản chất kinh tế và quản trị.
Dữ liệu quý không phải vì nó giống dầu mỏ, mà vì nó giúp con người hiểu thế giới tốt hơn, dự báo tương lai tốt hơn và ra quyết định tốt hơn.
Dầu mỏ tạo năng lượng cho máy móc.
Dữ liệu tạo năng lượng cho tri thức.
Trong kỷ nguyên AI, dữ liệu càng trở nên quan trọng vì AI cần dữ liệu để học và cần dữ liệu có bối cảnh để hỗ trợ quyết định có ý nghĩa.
Đối với Việt Nam, đặc biệt trong các lĩnh vực tài nguyên nước, thủy lợi, nông nghiệp, khí tượng thủy văn và phòng chống thiên tai, vấn đề không chỉ là có bao nhiêu dữ liệu. Vấn đề là dữ liệu đó có được chuẩn hóa không, có liên thông không, có đáng tin cậy không, có phục vụ quyết định không, có được bảo vệ không và có được chuyển hóa thành AI chuyên ngành không.
Trong thế kỷ XXI, quốc gia nào biết biến dữ liệu thành tri thức, biến tri thức thành công nghệ và biến công nghệ thành năng lực quản trị sẽ có lợi thế rất lớn.
Không phải vì dữ liệu là dầu mỏ.
Mà vì dữ liệu là nền móng của trí tuệ số.
Một suy nghĩ bổ sung
Tôi cho rằng điều nguy hiểm nhất không phải là chúng ta thiếu dữ liệu.
Điều nguy hiểm hơn là chúng ta có dữ liệu nhưng không hiểu hết giá trị của nó.
Dữ liệu nằm trong sổ đo, báo cáo, bản đồ, hồ sơ công trình, cơ sở dữ liệu rời rạc và trí nhớ của các chuyên gia. Nếu không được tổ chức lại, nó sẽ nằm im như những mảnh ký ức rời rạc.
Nhưng nếu được số hóa, chuẩn hóa, liên thông và kết hợp với AI, những dữ liệu ấy có thể trở thành một năng lực mới: năng lực nhìn thấy hệ thống, dự báo rủi ro, mô phỏng tương lai và hỗ trợ ra quyết định.
Với dầu mỏ, con người phải khoan sâu xuống lòng đất để tìm năng lượng.
Với dữ liệu, có lẽ chúng ta phải đi sâu vào chính những gì mình đã tích lũy qua nhiều năm làm việc, nghiên cứu và quản lý để tìm ra tri thức.
Và trong lĩnh vực tài nguyên nước, thủy lợi, phòng chống thiên tai, tôi tin rằng chúng ta đang có một “mỏ tri thức” rất lớn.
Vấn đề là chúng ta có đủ quyết tâm để tinh lọc, bảo vệ và chuyển hóa nó thành tài sản số cho tương lai hay không.
Tài liệu tham khảo
- World Bank. World Development Report 2021: Data for Better Lives.
- World Bank. Data for Better Lives. United Nations Digital Library record.
- Jones, C. I., & Tonetti, C. Nonrivalry and the Economics of Data. NBER Working Paper No. 26260.
- OECD. Data Governance.
- OECD. Enhancing Access to and Sharing of Data.
- OECD. Measuring data as an asset: Framework, methods and preliminary estimates.
- UNCTAD. Digital Economy Report 2021.
- European Commission. European Data Governance Act.
- Thủ tướng Chính phủ. Quyết định số 127/QĐ-TTg ngày 26/01/2021 về 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 số 142/QĐ-TTg ngày 02/02/2024 phê duyệt Chiến lược dữ liệu quốc gia đến năm 2030.
- Quốc hội. Luật Dữ liệu số 60/2024/QH15, ban hành ngày 30/11/2024, có hiệu lực từ ngày 01/7/2025.