Các xu hướng công nghệ chiến lược chủ chốt của Gartner được công bố vào cuối mỗi năm cho thấy rõ ý nghĩa của chúng đối với hướng đi đổi mới và với các nhà lãnh đạo đang xây dựng những tổ chức có khả năng phục hồi và chủ động.
Nếu hiện tại tự động hóa dựa trên AI và hạ tầng thích ứng đang thu hút sự chú ý, thì 10 xu hướng công nghệ chiến lược năm 2026 của Gartner lại tập trung nhiều hơn vào điều phối thông minh và đổi mới theo từng miền, đồng thời AI đang được cắm rễ sâu sắc, không chỉ giới hạn ở cách các ngành suy nghĩ, ra quyết định và vận hành.
Vậy hãy cùng xem 10 xu hướng công nghệ chủ chốt năm 2026 do Gartner lựa chọn.
10 xu hướng công nghệ năm 2026 do Gartner lựa chọn
10 xu hướng công nghệ dưới đây cho thấy các doanh nghiệp dẫn đầu đang ứng phó với độ phức tạp và cơ hội như thế nào trong một xã hội siêu kết nối dựa trên AI.
Nền tảng phát triển AI-native
Nền tảng siêu máy tính AI
Điện toán mã hóa
Hệ thống đa tác tử (MAS)
Mô hình ngôn ngữ chuyên biệt theo miền (DSLM)
AI vật lý
An ninh mạng chủ động phòng ngừa (Preemptive Cybersecurity)
Nguồn gốc số
Nền tảng bảo mật AI
Song trùng địa lý (Geopatriation)
- Nền tảng phát triển AI-native
Nền tảng phát triển AI-native sử dụng AI tạo sinh để tăng tốc độ phát triển phần mềm, đồng thời hỗ trợ các nhóm nhỏ hoặc cả những chuyên gia ngoài lĩnh vực kỹ thuật phát triển ứng dụng nhanh hơn và tận dụng quản trị được tích hợp sẵn. Những nền tảng phát triển AI-native này đang đổi mới cách cung cấp phần mềm thông qua tự động hóa và cộng tác giữa con người với AI.
Vì nền tảng phát triển AI-native là môi trường hoặc công cụ phát triển phần mềm được thiết kế lấy AI làm trung tâm kiến trúc ngay từ đầu, nên không chỉ đơn thuần là bổ sung tính năng AI vào ứng dụng hiện có, mà còn được thiết kế để AI đóng vai trò cốt lõi trong toàn bộ quá trình phát triển của lập trình viên và sản phẩm.
Khái niệm và đặc điểm
Thiết kế lấy AI làm trung tâm: Toàn bộ ứng dụng và công cụ phát triển được thiết kế để tận dụng AI, qua đó AI tự động hóa các công việc lặp lại vốn được thực hiện thủ công trước đây, đồng thời nâng cao hiệu quả ra quyết định và quy trình làm việc.
Công cụ AI tạo sinh: Việc tạo mã, tự động hóa tài liệu, kiểm thử, thiết kế API... có thể được thực hiện ngay lập tức từ các prompt ngôn ngữ tự nhiên. Ví dụ, các công cụ như Copliot, Cody, Continue.dev là những đại diện tiêu biểu.
Thông minh hóa theo thời gian thực: Tích hợp sẵn khả năng xử lý dữ liệu thời gian thực, ra quyết định thông minh, phân tích và điều khiển tự động. Điều này thay đổi chính trải nghiệm của nhà phát triển, giúp thử nghiệm nhanh và tạo MVP trở nên khả thi.
Các nền tảng chính
Nền tảng Đặc điểm và chức năng
PubNub Triển khai cộng tác và nhiều người chơi theo thời gian thực, hỗ trợ lập trình bằng AI tạo sinh
DevRev Vận hành kinh doanh và phát triển lấy AI làm trung tâm cho doanh nghiệp SaaS. Cung cấp chatbot AI
Continue.dev Môi trường lập trình AI mã nguồn mở, tùy biến workflow
AI DOL Phát triển low-code dựa trên AI tạo sinh, hỗ trợ quản lý tích hợp on-premise và cloud
Lĩnh vực ứng dụng
Năng suất công việc: tóm tắt email, tài liệu, tự động hóa todolist, v.v.
Giáo dục: ứng dụng gia sư AI cá nhân hóa
Công cụ phát triển: tự động tạo mã, review và lập tài liệu
Vận hành kinh doanh: tự động hóa hỗ trợ khách hàng, phân tích thời gian thực và workflow tích hợp
Thay đổi trong môi trường phát triển
Việc áp dụng nền tảng phát triển AI-native sẽ giúp giảm mạnh các công việc lặp lại, để nhà phát triển có thể tập trung sáng tạo vào các công việc giá trị gia tăng cao. Cũng như việc cộng tác với AI đang trở thành năng lực cốt lõi quyết định năng suất và chất lượng phát triển, nền tảng phát triển AI-native hướng tới một “môi trường phát triển có AI tích hợp sẵn” trong toàn bộ quá trình thiết kế, triển khai và vận hành sản phẩm, đồng thời cung cấp cả tính thời gian thực, thông minh hóa, tự động hóa và khả năng mở rộng.
Góc nhìn Gartner: Đến năm 2030, 80% tổ chức sẽ chuyển đổi các đội ngũ phần mềm quy mô lớn thành những nhóm nhỏ được tăng cường bởi AI.
- Nền tảng siêu máy tính AI
Nền tảng siêu máy tính AI tích hợp CPU, GPU, AI ASIC và cả điện toán thần kinh mô phỏng để mang lại hiệu năng, hiệu quả và khả năng mở rộng chưa từng có. Những hệ thống này điều phối các workload phức tạp trên toàn bộ phạm vi từ machine learning, phân tích dữ liệu lớn đến mô phỏng, qua đó thúc đẩy đổi mới trong nhiều ngành, từ công nghệ sinh học đến tài chính.
Nền tảng siêu máy tính AI là hệ thống tích hợp phần cứng và phần mềm được tối ưu hóa cho việc huấn luyện và suy luận các mô hình AI quy mô lớn, tính toán siêu tốc và xử lý dữ liệu khối lượng lớn. So với siêu máy tính thông thường, chúng sử dụng các chip chuyên cho tính toán song song như GPU và TPU, nên được tối ưu cho nghiên cứu AI, công nghiệp và phân tích dữ liệu lớn theo thời gian thực.
Đặc điểm của siêu máy tính AI
Tối ưu tính toán song song: tận dụng đồng thời từ hàng nghìn đến hàng chục nghìn bộ xử lý để huấn luyện nhanh các mô hình AI quy mô lớn và thực hiện suy luận.
GPU / TPU hiệu năng cao: tốc độ tính toán AI nhanh hơn CPU từ hàng chục đến hàng trăm lần, cho phép xử lý thời gian thực ngay cả với các mô hình cực lớn.
Phân tích dữ liệu lớn: tự động phân tích các bộ dữ liệu siêu lớn theo thời gian thực, nhờ đó có thể áp dụng vào nhiều lĩnh vực như nghiên cứu, tài chính, y tế.
Cụm máy và mạng lưới: dựa trên nhiều node tính toán và mạng tốc độ cực cao để chia nhỏ công việc, xử lý song song và tối đa hóa hiệu quả.
Ví dụ ứng dụng tiêu biểu
Huấn luyện và dịch vụ mô hình AI: phát triển và vận hành các mô hình deep learning cực lớn để phân tích hình ảnh hoặc tạo giọng nói
Phát hiện gian lận thời gian thực: phát hiện dấu hiệu bất thường theo thời gian thực trong tài chính bằng các thuật toán machine learning tiên tiến
Khoa học và kỹ thuật: ứng dụng trong các lĩnh vực đòi hỏi dữ liệu và tính toán khổng lồ như dự báo khí hậu, phát triển thuốc mới
Các nền tảng và hệ thống chính
Các nền tảng và hệ thống chính Đặc điểm và mục đích sử dụng
Tesla Dojo Chuyên biệt cho huấn luyện AI deep learning phục vụ lái xe tự động, tối ưu cho tính toán song song GPU quy mô cực lớn
Nvidia DGX Siêu máy tính chuyên AI cho nghiên cứu công nghiệp, tối ưu cho huấn luyện AI quy mô lớn dựa trên GPU
Google Cloud Hypercomputer Siêu máy tính trên nền tảng cloud, cụm TPU và GPU, tối ưu cho quản lý chi phí và hiệu năng hiệu quả
Góc nhìn Gartner: Đến năm 2028, hơn 40% doanh nghiệp lớn được dự báo sẽ áp dụng mô hình điện toán hybrid vào các workflow cốt lõi, tăng từ mức 8% hiện nay.
- Điện toán mã hóa
Điện toán mã hóa bảo vệ dữ liệu đang được sử dụng bằng cách cô lập workload trong môi trường thực thi đáng tin cậy (TEE), đồng thời cho phép xử lý dữ liệu an toàn ngay cả trên hạ tầng không đáng tin cậy; đây là năng lực thiết yếu đối với các ngành chịu quản lý chặt chẽ, hoạt động xuyên biên giới và hợp tác đa bên. Điện toán mã hóa là công nghệ tiên tiến sử dụng môi trường thực thi đáng tin cậy dựa trên phần cứng (TEE, Trusted Execution Environment) để bảo vệ dữ liệu ở trạng thái mã hóa ngay cả khi dữ liệu đang được sử dụng (tồn tại trong bộ nhớ và trong quá trình tính toán).
Nguyên lý cốt lõi
TEE: TEE là một vùng cô lập tồn tại bên trong CPU, chỉ cho phép thực thi mã và dữ liệu được cấp quyền; hệ điều hành bên ngoài, hypervisor, thậm chí cả quản trị viên (root) cũng không thể truy cập.
Cô lập và toàn vẹn: phần cứng bảo đảm tính bí mật (mã hóa) và tính toàn vẹn của dữ liệu và mã được xử lý trong TEE, qua đó ngăn chặn tấn công và xâm phạm từ bên ngoài.
Chứng thực mật mã (Attestation): TEE có thể chứng minh từ xa rằng nó chỉ đang thực thi mã hợp lệ, giúp xử lý dữ liệu an toàn ngay cả trong môi trường không đáng tin cậy.
Đặc điểm và ví dụ
Cho phép xử lý an toàn dữ liệu nhạy cảm ngay cả trong các môi trường bên ngoài như public cloud, edge computing.
Phù hợp với các lĩnh vực có yêu cầu mạnh về quyền riêng tư và tuân thủ như y tế, tài chính, cơ quan chính phủ.
Enclave và VM: nhiều loại phần cứng khác nhau được sử dụng như enclave dựa trên Intel SGX, máy ảo dựa trên AMD SEV / Intel TDX.
Góc nhìn Gartner: Đến năm 2029, hơn 75% tác vụ được xử lý trên hạ tầng không đáng tin cậy sẽ được bảo mật khi sử dụng thông qua confidential computing.
- Hệ thống đa tác tử (MAS)
Hệ thống đa tác tử là mạng lưới các tác tử AI chuyên biệt cộng tác để đạt được mục tiêu chung. Cách tiếp cận mô-đun này cho phép tự động hóa các workflow phức tạp, tái sử dụng các giải pháp đã được kiểm chứng và mở rộng hiệu quả hơn trong các môi trường phân tán.
Khái niệm và đặc điểm chính
Tính tự chủ của tác tử: mỗi tác tử có thể suy nghĩ và hành động độc lập, nhận thức môi trường và lựa chọn cách giải quyết vấn đề dựa trên mục tiêu riêng.
Chia sẻ môi trường và tương tác: các tác tử trao đổi thông tin trong cùng một môi trường, đồng thời có thể hợp tác hoặc cạnh tranh.
Giải quyết vấn đề phân tán: nhiều tác tử cùng phối hợp giải quyết các vấn đề phức tạp mà hệ thống một tác tử đơn lẻ khó có thể xử lý.
Hợp tác và cạnh tranh lẫn nhau: mỗi tác tử có vai trò và chức năng riêng, đồng thời có thể hợp tác hoặc cạnh tranh trong nhiều kịch bản khác nhau.
Lĩnh vực ứng dụng và ví dụ
Lái xe tự động, phối hợp drone, thành phố thông minh: mỗi tác tử đưa ra phán đoán độc lập để đạt mục tiêu của toàn hệ thống
Tự động hóa kinh doanh: nhiều tác tử AI phân chia công việc hoặc cộng tác để xử lý các quy trình phức tạp như chăm sóc khách hàng, quản lý chuỗi cung ứng, phát hiện gian lận
Ứng phó thảm họa và mô hình hóa cấu trúc xã hội: ứng dụng trong các lĩnh vực cần mô phỏng quy mô lớn và điều khiển phân tán
Nhận định của Gartner: Các tác nhân chuyên biệt dạng mô-đun có thể tái sử dụng các giải pháp đã được kiểm chứng xuyên suốt toàn bộ quy trình làm việc để nâng cao hiệu quả, tăng tốc độ cung cấp và giảm rủi ro. Cách tiếp cận này cũng cho phép mở rộng vận hành và phản ứng nhanh với các yêu cầu thay đổi.
- Mô hình ngôn ngữ chuyên biệt theo miền (DSLM)
Dù doanh nghiệp ngày càng theo đuổi giá trị kinh doanh lớn hơn từ AI, các mô hình ngôn ngữ lớn (LLM) phổ dụng vẫn còn nhiều trường hợp không phù hợp với các tác vụ chuyên biệt.
Mô hình ngôn ngữ chuyên biệt theo miền (DSLM) là các mô hình AI được huấn luyện hoặc tinh chỉnh dựa trên các bộ dữ liệu chuyên biệt được thiết kế cho một ngành, một chức năng kinh doanh hoặc một quy trình cụ thể. Các mô hình này hiểu được ngữ cảnh, thuật ngữ và những sắc thái riêng của từng miền cụ thể để tạo ra kết quả chính xác hơn, phù hợp hơn và tuân thủ tốt hơn. DSLM thu hẹp khoảng cách giữa AI phổ dụng và nhu cầu thực tế của doanh nghiệp bằng cách mang lại độ chính xác cao hơn, chi phí thấp hơn và cơ chế quản trị mạnh hơn.
Đây là yếu tố mang tính đột phá với các tổ chức muốn tái thiết kế và số hóa môi trường quản lý tuân thủ. DSLM không chỉ xử lý thông tin mà còn có thể hiểu logic của quy định, từ đó giúp xây dựng các hệ thống AI hỗ trợ ra quyết định có thể giải thích được.
Đặc điểm chính
Được huấn luyện theo thuật ngữ chuyên môn và quy trình nghiệp vụ của miền cụ thể nên cho độ chính xác cao
Hỗ trợ chi phí thấp hơn và cải thiện tuân thủ quy định (compliance) so với LLM phổ dụng
Đóng vai trò cốt lõi trong các môi trường cộng tác AI phức tạp như hệ thống đa tác nhân
Mối quan hệ giữa DSLM và MAS
DSLM là công nghệ nền tảng quan trọng trong hệ thống đa tác nhân (MAS), nơi mỗi tác nhân thực hiện vai trò của mình bằng cách tận dụng kiến thức chuyên môn của một miền cụ thể; nhiều tác nhân dựa trên DSLM có thể phối hợp với nhau để giải quyết vấn đề.
Nói cách khác, DSLM là mô hình AI chuyên biệt cho từng lĩnh vực, còn trong MAS (hệ thống đa tác nhân), đây là yếu tố cốt lõi góp phần nâng cao hiệu quả khi các tác nhân chuyên biệt cùng hoạt động.
- AI vật lý
AI vật lý đưa trí tuệ nhân tạo vào thế giới thực để cung cấp năng lực cho robot, drone và các máy móc thông minh có thể tự chủ cảm nhận, phán đoán và hành động. Xu hướng này mang lại những cải thiện có thể đo lường được về hiệu quả và an toàn trong các lĩnh vực sản xuất, logistics và hạ tầng, đồng thời tạo ra nhu cầu đối với những công nghệ liên ngành mới kết nối IT với kỹ thuật.
AI vật lý là công nghệ kết hợp AI với các thiết bị hoặc hệ thống vật lý thực tế, cho phép chúng nhận thức và hiểu môi trường xung quanh trong thế giới thật, đồng thời thực hiện các hành vi phức tạp. Điều này có nghĩa là AI không chỉ dừng lại ở phân tích dữ liệu mà còn trực tiếp tương tác với môi trường vật lý, như điều khiển chân robot, lái xe tự hành hoặc vận hành drone.
Yếu tố cốt lõi
Công nghệ cảm biến: phát hiện môi trường bằng camera, LiDAR, cảm biến nhiệt độ và áp suất, v.v.
Thuật toán AI: công nghệ machine learning và deep learning để diễn giải tình huống xung quanh và ra quyết định
Cơ cấu chấp hành và công nghệ robot: các thiết bị vật lý thực hiện hành động mà AI đã quyết định
Hệ thống điều khiển: điều khiển theo thời gian thực để tạo ra chuyển động vật lý ổn định và chính xác
Hạ tầng mạng và IoT: hỗ trợ tương tác giữa các thiết bị và điều khiển từ xa
Đặc điểm và điểm khác biệt
Khác với robot tự động hóa truyền thống, đây là hệ thống thông minh có thể phát hiện thay đổi của môi trường theo thời gian thực và phản ứng linh hoạt
Các quyết định dựa trên AI dẫn trực tiếp đến hành động vật lý, tạo ra tác động tức thời trong thế giới thực
An toàn, độ tin cậy và hướng dẫn vận hành rõ ràng là các yêu cầu bắt buộc ngay từ giai đoạn thiết kế hệ thống
AI vật lý tạo sinh có thể hiểu không gian 3D và các định luật vật lý để tạo ra hành động tối ưu phù hợp với từng tình huống
Lĩnh vực ứng dụng
Các hệ thống tự chủ như xe tự hành, drone, nhà máy thông minh, robot y tế, thành phố thông minh
Các lĩnh vực cần phản ứng thời gian thực tại hiện trường như dây chuyền sản xuất, logistics, tự động hóa nông nghiệp
Nhận định của Gartner: Những thay đổi này tạo ra cơ hội nâng cấp công nghệ và hợp tác, nhưng cũng có thể làm dấy lên lo ngại liên quan đến việc làm và đòi hỏi quản lý thay đổi một cách thận trọng.
- An ninh mạng chủ động (Preemptive Cybersecurity)
Khi các mối đe dọa số gia tăng, an ninh mạng đang chuyển từ phòng thủ phản ứng sau sự kiện sang dự báo chủ động trước đó. An ninh mạng chủ động tận dụng tự động hóa thông qua phân tích dựa trên AI để phát hiện và vô hiệu hóa mối đe dọa trước khi chúng xảy ra, từ đó thay đổi cách tổ chức quản lý rủi ro an ninh mạng.
Preemptive Cybersecurity là công nghệ bảo mật tiên tiến sử dụng AI, machine learning và tự động hóa để phát hiện trước và chặn các mối đe dọa tiềm tàng trước khi cuộc tấn công mạng thực sự diễn ra. Khác với cách ứng phó truyền thống chỉ xử lý sau khi phát hiện tấn công, phương pháp này tập trung vào phòng ngừa trước, nhận diện tác nhân tấn công mạng hoặc hạ tầng độc hại ngay từ giai đoạn trước khi cuộc tấn công được thực thi để triển khai biện pháp bảo mật một cách chủ động.
Chức năng cốt lõi
Phát hiện dựa trên dự báo: nhận diện dấu hiệu báo trước của tấn công mạng thông qua mẫu tấn công trong quá khứ, hoạt động của các tác nhân đe dọa và phân tích hành vi đe dọa công khai
Tự động chặn và ứng phó: tự động chặn IP, domain, hoạt động mạng độc hại trước khi có nỗ lực tấn công mạng, đồng thời chủ động vá lỗ hổng
Ngăn chặn gian lận và ransomware: vô hiệu hóa sớm hạ tầng tấn công mạng tiềm tàng để giảm thiểu thiệt hại
Nâng cao hiệu quả vận hành: giảm cảnh báo giả, phản ứng nhanh với mối đe dọa, cải thiện hiệu quả công việc của trung tâm điều hành an ninh
Công nghệ áp dụng và thành phần cấu thành
Phân tích hành vi và threat intelligence dựa trên AI
Hệ thống bảo mật tự học và thích ứng
Quản lý bề mặt tấn công (ASM), phát hiện đánh lừa (Deception)
Ứng phó sự cố nhanh và quản lý lỗ hổng
Nhận định của Gartner: Đến năm 2030, các giải pháp chủ động sẽ chiếm một nửa tổng chi tiêu an ninh mạng, và doanh nghiệp sẽ chuyển từ phòng thủ phản ứng sau sự kiện sang bảo vệ mang tính phòng ngừa dựa trên phát hiện mối đe dọa bằng AI.
- Digital provenance
Digital provenance bảo đảm có thể xác minh và truy vết nguồn gốc của dữ liệu, phần mềm và nội dung do AI tạo ra. Bằng cách sử dụng cơ sở dữ liệu chứng thực, watermark và software bill of materials (SBoM), nó tăng cường tính minh bạch và tuân thủ trên toàn bộ chuỗi cung ứng số phức tạp. Nói cách khác, đây là một hệ thống hồ sơ ghi lại nguồn gốc, quyền sở hữu và lịch sử thay đổi của tài sản số từ khi được tạo ra cho đến hiện tại nhằm bảo đảm độ tin cậy và tính xác thực. Khái niệm này tương tự hồ sơ xuất xứ của tác phẩm nghệ thuật vật lý, theo dõi minh bạch cách tài sản số được tạo ra, ai đã sở hữu và những thay đổi đã xảy ra để thiết lập niềm tin với nội dung số.
Yếu tố cốt lõi
Nguồn gốc (Origin): tài sản số ban đầu được tạo ra ở đâu và bởi ai
Quyền sở hữu (Ownership): lịch sử các chủ sở hữu hoặc đơn vị quản lý
Lịch sử thay đổi (Modification): thay đổi nào đã diễn ra, khi nào và do ai thực hiện
Ngữ cảnh (Context): mục đích của tài sản và mối liên hệ với các yếu tố số khác hoặc với thế giới thực
Tầm quan trọng và ứng dụng
Bảo đảm niềm tin và tính xác thực: đóng vai trò như cơ chế an toàn giúp phân biệt thật giả trong bối cảnh nội dung do AI tạo ra, deepfake và các hình thức giả mạo ngày càng gia tăng
Tăng cường trách nhiệm và tuân thủ: thiết yếu cho việc truy vết và tái hiện các vấn đề pháp lý, sự cố bảo mật, thay đổi dữ liệu, đồng thời hỗ trợ tuân thủ các quy định như GDPR, HIPAA
Minh bạch và khả năng kiểm chứng: theo dõi đường đi hoặc lịch sử thay đổi của tài sản số để ngăn sao chép trái phép hay vi phạm bản quyền, đồng thời bảo vệ quyền của người sáng tạo
An ninh mạng: hữu ích trong việc xác minh dữ liệu có bị chỉnh sửa khi xảy ra sự cố và hỗ trợ ứng phó sự cố, giúp duy trì tính toàn vẹn dữ liệu
Nhận định của Gartner: Đến năm 2029, các doanh nghiệp không đầu tư vào digital provenance có thể đối mặt với rủi ro tuân thủ và chế tài trị giá hàng tỷ USD.
- Nền tảng bảo mật AI
Nền tảng bảo mật AI cung cấp khả năng hiển thị và bảo vệ tập trung đối với các hệ thống AI trong cả hệ thống nội bộ lẫn hệ thống bên thứ ba. Nó giúp thiết lập chính sách sử dụng và quản trị nhất quán bằng cách bảo vệ hệ thống trước các rủi ro liên quan đến AI như prompt injection tức thời, rò rỉ dữ liệu và tác nhân độc hại.
Nền tảng bảo mật AI là một hệ thống tích hợp sử dụng AI để tăng cường hạ tầng an ninh mạng, tự động hóa phát hiện, phòng ngừa và ứng phó với mối đe dọa nhằm cải thiện trạng thái bảo mật. Các nền tảng này hỗ trợ tích hợp dữ liệu trên diện rộng, khả năng phát hiện và phân tích dựa trên machine learning và deep learning, cũng như nhận diện và chặn tấn công theo thời gian thực.
Đặc điểm chính
Tích hợp nhiều nguồn dữ liệu bảo mật để cung cấp telemetry và ngữ cảnh phong phú, đồng thời AI phát hiện và dự đoán mẫu tấn công cũng như hành vi bất thường theo thời gian thực.
Có chức năng ứng phó tự động, thực hiện chặn và giảm thiểu nhanh khi xảy ra sự kiện bảo mật, đồng thời giảm các phát hiện nhầm.
Hỗ trợ nhiều môi trường khác nhau (on-premises, cloud, edge, v.v.) và vận hành linh hoạt trong môi trường hybrid.
Bao phủ phạm vi rộng như bảo vệ endpoint, giám sát mạng, phân tích hành vi người dùng, đánh giá lỗ hổng.
Vai trò của nền tảng bảo mật AI
Tối đa hóa hiệu quả vận hành bảo mật và năng lực phòng thủ trước các cuộc tấn công mạng phức tạp và không ngừng tiến hóa.
Cung cấp thông tin đã được chọn lọc để nhân sự bảo mật có thể tập trung vào phân tích và ứng phó với các mối đe dọa tấn công mạng.
Việc nền tảng hóa tích hợp nhiều chức năng và công nghệ bảo mật vào một framework duy nhất để đơn giản hóa các tác vụ bảo mật.
Gartner Insight: Đến năm 2028, hơn một nửa số doanh nghiệp sẽ phụ thuộc vào các nền tảng bảo mật AI để bảo vệ các khoản đầu tư AI của mình.
- Lưỡng phân địa lý (Geopatriation)
Trong thời đại rủi ro địa chính trị gia tăng, lưỡng phân địa lý là việc chuyển workload từ public cloud toàn cầu sang hạ tầng có chủ quyền hoặc hạ tầng khu vực nhằm duy trì quyền kiểm soát dữ liệu, quyền riêng tư và tuân thủ quy định. Động thái này hỗ trợ sự hài hòa về quy định và xây dựng niềm tin với khách hàng cũng như chính phủ.
Đây cũng là chiến lược tái bố trí workload và ứng dụng từ public cloud của các hyperscaler toàn cầu sang các lựa chọn thay thế ở cấp khu vực và quốc gia (sovereign cloud, cloud khu vực, trung tâm dữ liệu riêng) do bất ổn địa chính trị, yêu cầu pháp lý và yêu cầu về chủ quyền.
Tóm tắt khái niệm
Đây là khái niệm do Gartner định nghĩa trong nghiên cứu năm 2025, có liên quan đến cloud repatriation nhưng khác biệt ở chỗ yếu tố địa lý và vấn đề chủ quyền là động lực trực tiếp.
Mục tiêu là đặt hạ tầng và dữ liệu dưới một quyền tài phán rõ ràng để giảm rủi ro pháp lý, quy định, trừng phạt và nguy cơ đứt gãy địa chính trị.
Khác biệt với các khái niệm liên quan
Sovereign cloud: chỉ bản thân đám mây chịu sự chi phối của pháp luật và quyền tài phán của một quốc gia hoặc khu vực nhất định, còn Geopatriation bao quát chiến lược chuyển dịch sang những môi trường như vậy.
Cloud repatriation: là sự quay trở lại nói chung từ public cloud sang private cloud / on-premises, trong khi Geopatriation lấy yếu tố địa chính trị làm trung tâm và nhấn mạnh việc chuyển sang các phương án thay thế ở cấp khu vực hoặc quốc gia.
Vì sao cần thiết?
Vì rủi ro khi tiếp tục sử dụng cloud toàn cầu tại một số khu vực đang gia tăng do chủ quyền dữ liệu theo từng quốc gia, các biện pháp trừng phạt, kiểm soát xuất khẩu và quy định về chuyển dữ liệu xuyên biên giới
Tầm quan trọng của vấn đề này đang mở rộng ra nhiều ngành hơn, không chỉ giới hạn ở tài chính hay khu vực công, trong bối cảnh tình hình quốc tế bất ổn
Các lựa chọn triển khai
Tăng cường: tiếp tục dùng cùng hyperscaler nhưng giảm thiểu rủi ro bằng lưu trữ và xử lý bản địa hóa hoặc tăng cường bảo mật
Tái bố trí: chỉ chuyển các workload rủi ro cao sang cấu trúc đáp ứng quy định (khu vực khác / nhà cung cấp khác)
Loại bỏ: chuyển các workload rủi ro sang cloud khu vực
Repatriation: chuyển toàn bộ trở lại on-premises
Loại bỏ và repatriation đặc biệt được xem là các hình thức trực tiếp của Geopatriation
Checklist
Phân loại dữ liệu và phân tích quyền tài phán: đánh giá pháp luật áp dụng, khu vực và quyền tài phán của nhà cung cấp theo từng loại dữ liệu cá nhân, nhạy cảm và dữ liệu ngành
Mẫu kiến trúc: thiết kế multicloud, dự phòng kép, tách biệt data residency, cô lập khu vực và bản địa hóa quản lý khóa
Rủi ro chuỗi cung ứng: kiểm tra quyền tài phán của tổ chức quản lý và hỗ trợ, cũng như tác động của các lệnh trừng phạt lên kênh cập nhật
Lộ trình di chuyển: lập kế hoạch triển khai và kiểm thử theo từng giai đoạn, từ tái bố trí một phần đến loại bỏ dần / quay trở lại on-premises
Gartner Insight: Đến năm 2030, hơn 75% doanh nghiệp ở châu Âu và Trung Đông được dự báo sẽ thực hiện lưỡng phân địa lý workload, tăng từ mức dưới 5% vào năm 2025.
Vì sao những xu hướng công nghệ này quan trọng ngay lúc này
Năm 2026 là thời điểm mang tính quyết định đối với vai trò lãnh đạo công nghệ. AI không còn là công nghệ mang tính thử nghiệm nữa mà đã trở thành yếu tố thiết yếu trong mọi chiến lược kinh doanh. Tuy nhiên, khi mở rộng AI, doanh nghiệp sẽ ngày càng phải đối mặt với những thách thức lớn hơn liên quan đến quy định, đạo đức và tính minh bạch trong vận hành.
10 xu hướng công nghệ chiến lược hàng đầu năm 2026 của Gartner được phân thành ba chủ đề chính: Architect, Synthesist và Sentinel. Điều này cho thấy cách doanh nghiệp xây dựng, điều phối và bảo vệ giá trị số.
Xây dựng nền tảng có khả năng chống chịu và an toàn cho việc triển khai AI. Điều phối các hệ thống thông minh tạo ra khả năng thích ứng và giá trị kinh doanh, đồng thời bảo vệ niềm tin, danh tiếng và tuân thủ trong một thế giới ngày càng phức tạp.
Các doanh nghiệp chấp nhận những nguyên tắc này sẽ vượt ra ngoài chuyển đổi số để hướng tới trách nhiệm số
Chưa có bình luận nào.