Bạn có bao giờ tự hỏi điều gì sẽ xảy ra nếu một ngày nào đó, phần mềm bảo mật trong công ty bạn tự quyết định rằng một cảnh báo nguy hiểm là “lành tính” và đóng nó lại mà không cần con người can thiệp? Nghe có vẻ như một viễn cảnh xa vời, nhưng đó chính xác là những gì đang diễn ra ngay lúc này.
Trong vòng chưa đầy một tháng, một loại mô hình AI hoàn toàn mới đã từ “không tồn tại” trở thành “có mặt ở khắp nơi”. TypeSafe AI ra mắt Jev vào giữa tháng 9, gọi đó là mô hình “System One” – lấy cảm hứng từ tư duy nhanh và trực giác của Kahneman. OpenAI công bố Decisions API tại DevDay và mở beta công khai vào đầu tháng 10. Cribl phát hành cribl-decision, một adapter LoRA mở có thể chạy cục bộ. Và những cái tên như Laya đã bắt đầu xuất hiện trong các công cụ mã nguồn mở.
Điều đặc biệt: những mô hình này không viết văn. Bạn đưa vào một trạng thái và một tập câu hỏi có kiểu dữ liệu xác định. Chúng trả về một lựa chọn, một điểm số, hoặc một câu trả lời có/không kèm theo xác suất. Đối với vận hành an ninh mạng (SOC), đây có thể là một trong những tin tốt nhất của năm. Nhưng cũng có thể là một trong những cạm bẫy nguy hiểm nhất.
Vì sao SOC nên hào hứng với AI Decision Models
Hãy bắt đầu với những lý do chính đáng để lạc quan. Ba đặc tính khiến decision models trở thành lựa chọn tự nhiên cho việc phân loại cảnh báo (alert triage) trong SOC.
1. Bạn có một con số để tự động hóa
Một câu trả lời có kiểu dữ liệu xác định, kèm xác suất đã được hiệu chuẩn, là thứ bạn có thể đặt ngưỡng. Hỏi mô hình liệu một cảnh báo có lành tính không, bạn nhận lại một xác suất. Đóng tự động nếu trên 0,97. Dưới 0,6, coi đó là sự cố có khả năng xảy ra và chuyển lên cấp cao hơn. Bất cứ điều gì ở giữa đều đến tay chuyên viên phân tích để xem xét kỹ hơn. TypeSafe thậm chí còn đề xuất ngưỡng chặt chẽ hơn cho các hành động không thể đảo ngược – một sự tương phản rõ ràng giữa “vô hiệu hóa một tài khoản” và “thêm bình luận vào ticket”.
2. Chúng đủ rẻ cho mọi cảnh báo
Jev được định giá 42 đô la cho mỗi tỷ token đầu vào, với phản hồi trong 70 đến 500 mili giây. Giả sử một doanh nghiệp có 450.000 cảnh báo mỗi năm và bạn đưa vào vài nghìn token mỗi cảnh báo. Hóa đơn của mô hình rơi vào khoảng một trăm đô la một năm. Lập luận kinh tế cho việc “chọn lọc” và chỉ xem xét các cảnh báo mức độ nghiêm trọng cao vừa biến mất.
3. Mọi phán quyết đều trở thành một bản ghi
Không gian câu trả lời được cố định trước và đầu ra mang theo xác suất của chính nó. Bạn có thể ghi lại mọi quyết định, phát lại và so sánh với những gì thực sự đã xảy ra. Điều đó dễ kiểm toán hơn nhiều so với một đoạn văn lý luận do AI tạo ra.
Về mặt lý thuyết, đây là một bước tiến vượt bậc. Nhưng lý thuyết và thực tế thường không đi chung đường.
Cạm bẫy chết người: Khi đầu vào sai, mọi thứ đều sai
Đây là phần mà tôi, với 20 năm chứng kiến bao nhiêu lần “công nghệ hoàn hảo” thất bại trong thực tế, muốn bạn đặc biệt chú ý.
Khi các nhà cung cấp nói những mô hình này “không thể ảo giác” (can’t hallucinate), họ có ý nói rằng đầu ra luôn khớp với schema bạn đã định nghĩa. Một câu trả lời đúng định dạng vẫn có thể sai về nội dung. Nhưng một phỏng đoán đã được hiệu chuẩn vẫn chỉ là một phỏng đoán.
Quy tắc cũ vẫn đúng: Garbage in, garbage out. Hiệu chuẩn là một lời hứa về một phân phối. Khi một mô hình được hiệu chuẩn tốt nói 90%, điều đó có nghĩa là trên các đầu vào trông giống như thế này, nó đúng khoảng 90% thời gian. Vậy câu hỏi quan trọng là: “thế này” trông như thế nào?
Nếu đầu vào chỉ là tiêu đề cảnh báo và trường mức độ nghiêm trọng, mô hình được hiệu chuẩn về các cảnh báo có tiêu đề đó và mức độ đó. Nó không biết gì về máy chủ.
Và đây là lý do tại sao điều đó quan trọng trong thực tế.
Dữ liệu từ một báo cáo AI SOC năm 2026, bao gồm 25 triệu cảnh báo được phân loại trên cơ sở khách hàng trong năm 2025, cho thấy một con số đáng sợ. Trong số đó, 82.000 cảnh báo đã đi qua một lần quét bộ nhớ trực tiếp trên endpoint. Khoảng 2.600 máy trong số đó có nhiễm trùng đang hoạt động. Và 51% các máy bị nhiễm đã được EDR báo cáo là đã được khắc phục.
Hãy nghĩ về những gì một decision model nhìn thấy đối với một trong những cảnh báo đó: “Phát hiện malware, mối đe dọa đã được cách ly, mức độ nghiêm trọng thấp”. Một mô hình được hiệu chuẩn hoàn hảo sẽ đóng nó với độ tin cậy cao, bởi vì hầu hết các cảnh báo trông như vậy thực sự ổn. Mô hình đã làm đúng công việc của nó. Đầu vào đã sai.
Vấn đề về mức độ nghiêm trọng cũng tương tự ở quy mô lớn hơn. Gần 1% sự cố thực sự trong dữ liệu truy vết ngược lại các cảnh báo ở mức độ nghiêm trọng thấp nhất. Với trung bình 450.000 cảnh báo một năm, đó là khoảng 54 mối đe dọa thực sự, khoảng một tuần một lần. Mô hình của Cribl thừa nhận thẳng thắn: nó có thể quá tự tin và nhạy cảm với cách diễn đạt của prompt và các lựa chọn.
Những rủi ro ít được nói đến: Khi AI trở thành “nội gián”
Nhưng câu chuyện không dừng lại ở vấn đề đầu vào. Có một tầng rủi ro sâu hơn mà ít người muốn đối mặt.
Trong 18 tháng qua, trợ lý phân tích SOC đã trở thành thành phần có đặc quyền cao nhất trong ngăn xếp vận hành bảo mật hiện đại. Nó đọc mọi cảnh báo SIEM, tương quan dữ liệu, và ngày càng đưa ra quyết định. Và một trợ lý AI có logic quyết định bị xâm phạm – thông qua prompt injection trong các cảnh báo nó đọc, đầu độc dữ liệu huấn luyện trong chính mô hình, hoặc cấu hình sai quyền công cụ – có thể trở thành mối đe dọa từ bên trong nguy hiểm hơn bất kỳ kẻ tấn công bên ngoài nào.
Và có một nghịch lý về quản trị mà các nhà nghiên cứu gọi là “tam giác bất khả thi của quản trị” trong AI tạo sinh: luôn có sự căng thẳng dai dẳng giữa việc tối đa hóa hiệu quả, bảo vệ tính chính danh của các quyết định, và kiểm soát rủi ro. Bạn không thể tối đa hóa cả ba cùng lúc.
Thêm vào đó, các mô hình ra quyết định đa tác tử (multi-agent) đang tạo ra những thách thức quản trị riêng: hành vi nổi sinh, phối hợp ngầm, rủi ro hệ thống dây chuyền, và khó khăn trong việc quy trách nhiệm. Khi một chuỗi các AI agent đưa ra một quyết định sai lầm, ai chịu trách nhiệm? Nhà phát triển mô hình? Đội ngũ triển khai? Hay chính hệ thống – thứ không có tư cách pháp nhân?
Vậy doanh nghiệp cần làm gì? 5 nguyên tắc sống còn
Trước một bức tranh vừa hứa hẹn vừa đáng sợ như vậy, tôi khuyên bạn nên tiếp cận một cách tỉnh táo. Dưới đây là những nguyên tắc mà bất kỳ tổ chức nào đang cân nhắc triển khai AI decision models trong SOC cần ghi nhớ.
1. Đừng bao giờ để mô hình quyết định thay bạn ở những điểm không thể đảo ngược
Hãy để mô hình đề xuất, nhưng con người phải là người phê duyệt cuối cùng cho các hành động không thể hoàn tác. Một nghiên cứu gần đây cho thấy chỉ 6% chuyên gia báo cáo sử dụng AI để tự động hóa việc ra quyết định với rất ít giám sát của con người. Phần lớn vẫn coi AI là công cụ hỗ trợ, không phải người thay thế. Đó là một tỷ lệ đáng để học hỏi.
2. Hiệu chuẩn chỉ tốt khi đầu vào tốt
Đừng bao giờ quên bài học từ 51% máy bị nhiễm nhưng EDR báo đã khắc phục. Hãy đảm bảo rằng dữ liệu đầu vào của bạn – không chỉ tiêu đề và mức độ nghiêm trọng, mà còn ngữ cảnh về máy chủ, lịch sử, hành vi – được làm giàu trước khi đưa vào mô hình. Một mô hình hoàn hảo với đầu vào tồi vẫn đưa ra quyết định tồi.
3. Xây dựng lớp quản trị ở thời gian chạy, không chỉ trước và sau
Các khung quản trị hiện tại chủ yếu điều chỉnh AI trước khi triển khai và sau khi sự cố xảy ra, để lại khoảng thời gian thực thi ở giữa mà không được giải quyết. Hãy xây dựng các cơ chế can thiệp thời gian thực: ngưỡng tự động, điểm dừng khẩn cấp, và khả năng con người tiếp quản bất cứ lúc nào.
4. Ghi lại mọi thứ, nhưng đừng chỉ để lưu trữ
Khả năng kiểm toán của decision models là một lợi thế lớn. Nhưng nếu bạn không thực sự xem lại nhật ký quyết định, bạn chỉ đang lưu trữ dữ liệu chứ không phải đang quản trị. Hãy thiết lập quy trình đánh giá định kỳ các quyết định của mô hình, đặc biệt là những quyết định có tác động lớn.
5. Chuẩn bị cho sự phức tạp của đa tác tử
Khi một mô hình ra quyết định đã đủ khó quản lý, hãy tưởng tượng một hệ thống gồm nhiều mô hình tương tác với nhau. Hành vi nổi sinh và rủi ro dây chuyền là những thách thức mà các khung quản trị hiện tại chưa sẵn sàng đối phó. Hãy bắt đầu xây dựng năng lực quản trị cho tương lai đó ngay từ bây giờ.
Vì sao câu chuyện này quan trọng với doanh nghiệp Việt Nam?
Bạn có thể nghĩ: “Những mô hình này mới ra mắt ở Mỹ, liệu có liên quan gì đến Việt Nam?”
Câu trả lời là: có, và sớm hơn bạn tưởng.
Các nền tảng SOC hiện đại – dù là của các nhà cung cấp quốc tế hay trong nước – đều đang tích hợp AI vào quy trình phân loại cảnh báo. Khi bạn sử dụng một dịch vụ SOC, khả năng cao là một phần của quy trình đó đã được tự động hóa bởi AI. Và khi các mô hình decision model trở nên rẻ và phổ biến hơn, chúng sẽ nhanh chóng có mặt trong các giải pháp dành cho doanh nghiệp vừa và nhỏ tại Việt Nam.
Điều này mang đến cả cơ hội và rủi ro. Cơ hội là các doanh nghiệp Việt Nam có thể tiếp cận năng lực phân tích an ninh mạng tiên tiến với chi phí thấp hơn bao giờ hết. Rủi ro là nếu không hiểu rõ giới hạn của mô hình, doanh nghiệp có thể đưa ra những quyết định an ninh mạng dựa trên những phỏng đoán được “đóng gói” trong vẻ ngoài chính xác.
Và trong một thị trường mà nhiều doanh nghiệp vẫn còn thiếu nhân sự an ninh mạng chuyên sâu, sự phụ thuộc vào AI có thể trở thành con dao hai lưỡi. AI có thể giúp lấp đầy khoảng trống, nhưng cũng có thể tạo ra một cảm giác an toàn giả tạo nếu không được giám sát đúng cách.
Khi “chính xác” không đồng nghĩa với “đúng”
Tôi đã chứng kiến ngành an ninh mạng trải qua nhiều cuộc cách mạng: từ tường lửa đến IDS/IPS, từ SIEM đến EDR, từ tự động hóa đến AI. Mỗi làn sóng đều hứa hẹn giải quyết vấn đề của làn sóng trước, và mỗi làn sóng đều tạo ra những vấn đề mới.
AI decision models là một bước tiến thực sự. Chúng giải quyết một vấn đề rất thật: quá tải cảnh báo, chi phí phân tích, và nhu cầu phản ứng nhanh hơn. Nhưng như mọi công cụ mạnh mẽ khác, chúng không miễn nhiễm với quy tắc cơ bản nhất của khoa học máy tính: đầu vào rác thì đầu ra cũng rác.
Và có một sự thật mà tôi muốn bạn khắc cốt ghi tâm: một mô hình được hiệu chuẩn hoàn hảo vẫn có thể sai. Nó không nói với bạn rằng nó đang sai. Nó nói với bạn rằng nó tự tin. Và trong lĩnh vực an ninh mạng, sự tự tin mù quáng có thể là kẻ thù nguy hiểm nhất.
Hãy sử dụng những mô hình này. Hãy tận dụng lợi thế về chi phí và tốc độ của chúng. Nhưng đừng bao giờ quên rằng đằng sau mỗi con số xác suất là một chuỗi giả định về thế giới – và thế giới thực luôn phức tạp hơn bất kỳ tập dữ liệu huấn luyện nào.
Nếu ngày mai công ty bạn triển khai một AI decision model để tự động đóng các cảnh báo an ninh mạng, bạn sẽ đặt ngưỡng tin cậy ở đâu – và bạn sẽ làm gì khi mô hình đó nói “an toàn” với một cảnh báo mà trực giác của bạn mách bảo là có gì đó không ổn? Hãy chia sẻ quan điểm của bạn bên dưới, bởi vì trong kỷ nguyên mà máy móc ngày càng đưa ra nhiều quyết định hơn, khả năng đặt câu hỏi đúng lúc có thể là kỹ năng sống còn cuối cùng của con người!
0 Comment
Add your comment to this article