Quyết Định Mua hay Tự Xây Dựng cho Từng AI Pattern

Câu hỏi tự xây hay mua trông có vẻ đơn giản. Nhưng đó không phải là "liệu có vendor nào không?" Câu hỏi cụ thể hơn là: phiên bản pattern của vendor có khớp với use case của bạn đủ để việc tùy chỉnh là bổ sung thêm, chứ không phải thay thế hoàn toàn?

Vendor category trưởng thành với sản phẩm phù hợp 80% yêu cầu của bạn, đó là trường hợp nên mua. Vendor category trưởng thành với sản phẩm chỉ phù hợp 40% và đòi hỏi thiết kế lại toàn bộ workflow thì gần với tự xây hơn, vì bạn sẽ làm việc vòng quanh sản phẩm nhiều hơn là làm việc với nó. Phân tích của Gartner về triển khai AI: mua, xây hay kết hợp gọi đây là mô hình "blend" và xác nhận đây là mô hình doanh nghiệp chiếm ưu thế: các ứng dụng hiện có tích hợp thêm tính năng AI, kết hợp với phần mềm AI mới và các component tự xây có chọn lọc khi business logic thực sự là độc quyền.

Bài viết này đưa ra khuyến nghị cụ thể cho từng trong số 10 AI pattern. Mỗi khuyến nghị dựa trên ba yếu tố đánh giá theo từng pattern. Để hiểu quyết định này diễn ra như thế nào trong bối cảnh sales ops, bài buy vs. build cho AI sales operations phân tích framework tương tự với các công cụ sales thực tế.

Framework Ba Yếu Tố

Yếu tố 1: Vendor maturity. Đã có product category được chứng minh cho pattern này chưa? "Được chứng minh" có nghĩa là nhiều vendor với triển khai production, API tích hợp được ghi chép đầy đủ và lịch sử nhiều năm. Trưởng thành có nghĩa là bạn đang mua phần mềm đã được kiểm chứng. Mới nổi có nghĩa là bạn đang mua phần mềm còn một hai năm nữa mới chín muồi. Khan hiếm có nghĩa là bạn gần như phải tự xây dù muốn hay không.

Yếu tố 2: Customization depth. Use case của bạn khác biệt đến đâu so với những gì vendor cung cấp? Một số pattern có triển khai phổ quát, nhu cầu transcription cuộc họp của mọi công ty đều tương tự nhau. Các pattern khác lại rất đặc thù theo data model, workflow hoặc lợi thế cạnh tranh của bạn.

Yếu tố 3: Data sensitivity. Bạn có thể chia sẻ dữ liệu với hệ thống vendor không? Một RAG Assistant trên tài liệu sản phẩm công khai có độ nhạy cảm thấp. Một mô hình Scoring and Routing được train trên lịch sử deal nội bộ có PII, độ nhạy cảm cao. Độ nhạy cảm cao không tự động có nghĩa là phải tự xây, nhưng nó thu hẹp danh sách vendor khả thi và tăng overhead về tuân thủ cho lộ trình mua.

Key Facts: Kinh Tế Học Mua hay Tự Xây AI

• Mua công cụ AI từ vendor chuyên biệt thành công khoảng 67% thời gian, trong khi các dự án tự xây chỉ thành công khoảng một phần ba, theo phân tích mua-vs-xây của Hyperion Consulting trên 2.025 triển khai doanh nghiệp.
• Một phân tích TCO từ công ty tư vấn cho thấy mua giải pháp enterprise search với tính năng AI tốn kém ít hơn 60% và đạt kết quả trong 3 tháng, so với 12 tháng cho phát triển tùy chỉnh.
• 85% tổ chức ước tính sai chi phí dự án AI hơn 10%, với hầu hết các phân tích bỏ sót 60-80% tổng chi phí sở hữu vì chỉ so sánh chi phí phát triển ban đầu (Xenoss TCO Research, 2025).

Phân Tích Từng Pattern

RAG Assistant: Mua Kèm Indexing Tùy Chỉnh

Vendor maturity: Trưởng thành. Các vendor enterprise search (Glean, Notion Q&A, Microsoft Copilot cho tài liệu nội bộ), nền tảng hỗ trợ khách hàng và các sản phẩm RAG chuyên biệt đều có triển khai production. Kiến trúc retrieval được hiểu rõ. Bài RAG Assistant pattern đề cập đến cơ chế nền tảng nếu bạn cần đánh giá vendor theo yêu cầu của pattern.

Customization depth: Thấp đến trung bình. Phần phổ quát là retrieval và generation. Phần tùy chỉnh là quản lý knowledge base: tài liệu nào cần index, cách cấu trúc chúng, cách xử lý nội dung mâu thuẫn hoặc lỗi thời. Việc tùy chỉnh này xảy ra ở data layer, không phải model layer.

Data sensitivity: Trung bình. Các knowledge base nội bộ chứa chính sách độc quyền, thông số sản phẩm và đôi khi là dữ liệu khách hàng. Xác minh việc xử lý dữ liệu của vendor, loại trừ training, data residency, trước khi triển khai.

Khuyến nghị: Mua, sau đó đầu tư vào quản lý knowledge base. Hạ tầng pattern, retrieval, embedding, generation, là hàng hóa phổ thông. Lợi thế cạnh tranh của bạn không nằm ở thuật toán retrieval. Nó nằm ở knowledge base tốt hơn, mới hơn, có cấu trúc tốt hơn so với đối thủ. Đầu tư vào quy trình quản lý tài liệu, không phải xây RAG stack tùy chỉnh.

Scoring + Routing: Mua, Sau Đó Điều Chỉnh Với Dữ Liệu Của Bạn

Vendor maturity: Trưởng thành trong các vertical đã thiết lập, AI lead scoring trong HubSpot và Salesforce, lọc hồ sơ ứng viên trong nền tảng ATS, đánh giá gian lận trong thanh toán. Mới nổi trong các ứng dụng mới hơn, đánh giá customer success health, rủi ro giữ chân nhân viên trong HR.

Customization depth: Trung bình. Trọng số mô hình mặc định phản ánh tổng hợp từ cơ sở khách hàng của vendor. ICP, chu kỳ deal và mô hình chiến thắng của bạn khác. Cần 12-18 tháng dữ liệu kết quả được gán nhãn để điều chỉnh ngưỡng scoring và quy tắc routing.

Data sensitivity: Cao. Train mô hình scoring trên dữ liệu CRM có nghĩa là chia sẻ lịch sử deal, thông tin liên hệ và kết quả thắng/thua với hệ thống vendor. Xác minh rõ ràng các chính sách dữ liệu training.

Khuyến nghị: Mua, sau đó hiệu chỉnh. Đừng cố tự train mô hình scoring từ đầu trừ khi business model của bạn thực sự phi chuẩn hoàn toàn. Nhưng cũng đừng xem các giá trị mặc định của vendor là sẵn sàng production. Lên kế hoạch cho giai đoạn hiệu chỉnh 90 ngày sau khi ra mắt, với các đánh giá phân phối score hàng tháng trong năm đầu tiên. Bài AI lead scoring pitfalls liệt kê những gì xảy ra khi bỏ qua việc hiệu chỉnh.

Vision Extract: Mua cho Tài Liệu Chuẩn, Tự Xây cho Định Dạng Độc Quyền

Vendor maturity: Trưởng thành cho các loại tài liệu chuẩn, hóa đơn, biên lai, CMND, danh thiếp. Các vendor AP automation chuyên biệt (Klippa, Mindee, ABBYY), nền tảng quản lý chi phí và công cụ KYC có triển khai production đáng tin cậy cho các định dạng phổ biến.

Customization depth: Thấp cho tài liệu chuẩn, cao cho định dạng độc quyền. Hóa đơn chuẩn từ bất kỳ vendor nào trông đủ tương tự để mô hình đã được train xử lý tốt. Biểu mẫu kiểm tra độc quyền với bố cục trường đặc thù của công ty bạn, hoặc biểu mẫu y tế chuyên biệt với các phần phi chuẩn, yêu cầu dữ liệu training tùy chỉnh và thường phát triển model tùy chỉnh.

Data sensitivity: Trung bình đến cao. Tài liệu chứa dữ liệu tài chính, cá nhân hoặc kinh doanh mật. Xem xét OCR data retention và thực hành training của vendor.

Khuyến nghị: Mua cho trường hợp phổ biến, tự xây cho trường hợp ngoại lệ. Xử lý hóa đơn và biên lai chuẩn, hãy mua. Xử lý tài liệu độc quyền đặc thù cho ngành hoặc workflow của bạn, lên kế hoạch cho việc train model tùy chỉnh trên base model của vendor. Mô hình hybrid thường là: vendor cung cấp hạ tầng OCR cơ sở và trích xuất trường; nhóm của bạn cung cấp dữ liệu training được gán nhãn cho các trường tùy chỉnh.

Meeting Intelligence: Hầu Như Luôn Mua

Vendor maturity: Trưởng thành. Gong, Clari, Fireflies, Chorus và các tích hợp trực tiếp trong Zoom, Teams và Google Meet cung cấp một category đã được kiểm chứng. Pipeline cốt lõi, ghi âm, transcription, trích xuất chủ đề, đẩy vào CRM, là phần mềm vendor đã được giải quyết.

Customization depth: Thấp cho pipeline cốt lõi, trung bình cho những gì bạn làm với output. Cấu hình chủ đề nào kích hoạt cảnh báo, tín hiệu coaching nào cần theo dõi, cách tóm tắt được cấu trúc cho workflow của nhóm bạn, đây là task cấu hình, không phải task tự xây.

Data sensitivity: Cao. Ghi âm cuộc gọi chứa các cuộc trò chuyện với khách hàng. Xác minh việc xử lý dữ liệu của vendor, tuân thủ consent theo từng khu vực pháp lý, và liệu hệ thống vendor có dùng dữ liệu cuộc gọi của bạn để train model không.

Khuyến nghị: Mua. Hiếm khi tự xây. Pipeline transcription và trích xuất là hạ tầng đòi hỏi đầu tư kỹ thuật đáng kể để xây và duy trì. Tùy chỉnh qua cấu hình và prompt tuning, không phải bằng cách tự xây ASR + NLP stack. Ngoại lệ duy nhất là các tổ chức có yêu cầu data residency nghiêm ngặt mà không vendor nào đáp ứng được. Để hướng dẫn đánh giá thực tế, bài choosing a conversation intelligence tool đề cập đến các tiêu chí quan trọng trong môi trường production.

Anomaly Agent: Mua cho Use Case Phổ Biến, Tự Xây cho Baseline Đặc Thù

Vendor maturity: Trưởng thành cho phát hiện gian lận (Stripe Radar, Sift, Forter), giám sát hạ tầng (Datadog, New Relic) và phát hiện mối đe dọa bảo mật (nền tảng SIEM). Mới nổi cho phát hiện bất thường trong quy trình kinh doanh, chính sách chi phí, mô hình HR, sai lệch chuỗi cung ứng.

Customization depth: Thấp cho phát hiện gian lận và giám sát hạ tầng, mô hình baseline của vendor được train trên dữ liệu toàn ngành và hoạt động tốt ngay từ đầu. Cao cho các bất thường đặc thù theo domain.

Data sensitivity: Cao cho dữ liệu gian lận và tài chính. Trung bình cho các metrics vận hành.

Khuyến nghị: Mua cho gian lận, hạ tầng và bảo mật. Tự xây cho các bất thường trong quy trình kinh doanh đặc thù theo domain. Các vendor phát hiện gian lận có lợi thế về dữ liệu, được train trên hàng triệu giao dịch từ nhiều khách hàng, mà bạn không thể tái tạo nội bộ. Đối với quy trình kinh doanh đặc thù theo domain, baseline là của bạn, và một mô hình tùy chỉnh trên dữ liệu vận hành của bạn thường vượt trội hơn một bộ phát hiện bất thường đa mục đích.

Generative Research: Mua, Kèm Đầu Tư Đáng Kể Vào Prompt Engineering

Vendor maturity: Mới nổi. Perplexity, You.com Pro và ChatGPT với Browse cung cấp khả năng nghiên cứu đa mục đích. Các công cụ AI competitive intelligence và nghiên cứu thị trường chuyên dụng đang phát triển nhưng chưa trưởng thành bằng các category khác.

Customization depth: Trung bình. Chất lượng generation phụ thuộc nhiều vào prompt engineering, lựa chọn nguồn và định dạng output. Đây là task cấu hình, không phải task tự xây, nhưng đòi hỏi đầu tư liên tục.

Data sensitivity: Thấp cho nghiên cứu từ nguồn công khai. Cao cho tổng hợp tài liệu nội bộ.

Khuyến nghị: Mua, sau đó đầu tư vào prompt engineering và thiết kế workflow. Phần khó của Generative Research không phải là xây pipeline. Mà là xác định thế nào là "tốt" cho use case của bạn: nguồn nào có thẩm quyền, định dạng output nên theo hình thức nào, review gate của con người trông như thế nào. Công việc đó giống nhau dù bạn mua hay tự xây. Hãy mua hạ tầng và dành thời gian cho việc thiết kế research workflow.

Document Review: Mua cho Hợp Đồng, Tự Xây cho Domain Chuyên Biệt

Vendor maturity: Trưởng thành cho review hợp đồng chuẩn (Spellbook, Harvey, Ironclad AI, LexCheck). Mới nổi cho các domain chuyên biệt, review tờ khai thuế, so sánh hợp đồng bảo hiểm, tuân thủ quy định trong các bối cảnh phi pháp lý.

Customization depth: Thấp cho các loại hợp đồng chuẩn, NDA, MSA, hợp đồng vendor theo các mẫu nhất quán. Cao cho các định dạng tài liệu độc quyền hoặc yêu cầu quy định đặc thù theo ngành.

Data sensitivity: Cao. Hợp đồng chứa các điều khoản kinh doanh mật, quan hệ khách hàng và nghĩa vụ tài chính. Xem xét kỹ việc xử lý dữ liệu của vendor và các biện pháp bảo vệ bảo mật khách hàng.

Khuyến nghị: Mua cho review hợp đồng. Tự xây, hoặc mua công cụ chuyên biệt, cho các use case đặc thù theo domain. Review hợp đồng là vấn đề đã được giải quyết ở vendor layer. Review tài liệu đặc thù theo domain, review code để tuân thủ bảo mật, review biểu đồ y tế về độ chính xác lâm sàng, review thông số kỹ thuật sản xuất để tuân thủ quy định, đòi hỏi dữ liệu training đặc thù theo domain.

Workflow Copilot: Mua cho Bối Cảnh Ngang, Tự Xây cho Domain Đặc Thù

Vendor maturity: Trưởng thành cho knowledge work ngang (Microsoft 365 Copilot, GitHub Copilot, Notion AI). Mới nổi cho công việc đặc thù theo domain, sales CRM copilot, finance analyst copilot, operations copilot với context workflow độc quyền.

Customization depth: Thấp cho công việc ngang, hỗ trợ viết lách, hoàn thiện code. Cao cho công việc đặc thù theo domain: một copilot cần hiểu đồng thời phương pháp sales, data model CRM, danh mục sản phẩm và lịch sử khách hàng của bạn.

Data sensitivity: Cao cho các triển khai đặc thù theo domain đọc dữ liệu kinh doanh trực tiếp. Trung bình cho hỗ trợ viết lách và lập trình.

Khuyến nghị: Mua cho công việc ngang, tự xây các layer đặc thù theo domain trên đó. GitHub Copilot không phải thứ bạn tự xây. Microsoft 365 Copilot cũng không. Nhưng một copilot đặc thù cho quy trình sales, sản phẩm và quan hệ khách hàng của bạn, thứ đó thường phải tự xây, vì context injection cần thiết đặc thù cho data model của bạn. Mô hình hybrid: mua hạ tầng generation, xây context retrieval và injection layer.

Personalization Engine: Mua cho E-commerce, Tự Xây cho B2B Phức Tạp

Vendor maturity: Trưởng thành cho e-commerce (Dynamic Yield, Bloomreach, Monetate). Kém trưởng thành hơn cho B2B software personalization, quản lý học tập hay dịch vụ chuyên nghiệp.

Customization depth: Thấp cho e-commerce recommendation chuẩn. Cao cho các use case B2B nơi "personalization" có nghĩa khác, personalization ở cấp account so với cá nhân người dùng, hay personalization trải nghiệm trong sản phẩm với cấu trúc quyền phức tạp.

Data sensitivity: Cao. Dữ liệu theo dõi hành vi thường là PII và chịu GDPR, CCPA và các quy định tương tự.

Khuyến nghị: Mua cho e-commerce và personalization nội dung chuẩn. Tự xây cho các use case B2B phức tạp. Các vendor personalization e-commerce có lợi thế quy mô, được train trên hàng triệu tương tác user-item, biện minh cho việc mua. Personalization B2B ở cấp account, hay personalization trong sản phẩm với cấu trúc quyền và entitlement phức tạp, thường đòi hỏi phát triển tùy chỉnh vì sản phẩm vendor giả định dữ liệu người dùng cá nhân ở quy mô consumer.

Autonomous Agent: Hầu Như Luôn Mua Hạ Tầng, Tự Xây Cẩn Thận

Vendor maturity: Mới nổi. Các framework (LangChain, CrewAI, AutoGen) và nền tảng agentic tồn tại, nhưng các triển khai cấp doanh nghiệp vẫn còn sơ khai. Tooling đang trưởng thành nhanh chóng.

Customization depth: Cao. Một Autonomous Agent xử lý workflow kinh doanh cụ thể yêu cầu tích hợp sâu với các công cụ, data model và quy trình phê duyệt đặc thù của bạn.

Data sensitivity: Cao. Autonomous Agent thực thi hành động với hậu quả bên ngoài. Mọi công cụ chúng có thể gọi, mọi hệ thống chúng có thể ghi vào, đều là vấn đề data sensitivity.

Khuyến nghị: Hầu như luôn mua hạ tầng, nhưng mua vì lý do governance, không chỉ vì tiện lợi. Tổ chức tự xây Autonomous Agent từ đầu cũng phải tự xây error handling, escalation path, audit trail và retry logic. Quan trọng hơn, governance cho Autonomous Agent rất phức tạp, và các vendor chuyên biệt đã phát triển approval framework và safety boundary khó tái tạo. Xem governance requirements by AI pattern để biết hạ tầng phê duyệt và kiểm toán trông như thế nào theo từng pattern. Ngoại lệ: nếu điểm khác biệt cốt lõi của agent là business logic độc quyền không thể biểu đạt qua tool interface của vendor, tự xây là hợp lý. Nhưng hãy trung thực về ý nghĩa thực sự của "độc quyền" trong bối cảnh của bạn.

"Quyết định tự xây luôn đánh giá thấp tổng chi phí sở hữu. Chi phí hữu hình là phát triển ban đầu. Chi phí ẩn là retraining mô hình khi mô hình thị trường thay đổi, bảo trì prompt khi các mô hình nền tảng cập nhật, bảo trì tích hợp khi API upstream thay đổi, và giữ chân chuyên môn khi kỹ sư rời đi. TCO thực sự bao gồm tất cả những điều này được chiếu qua 3 năm." (Rework AI Procurement Analysis, 2026)

Khi Nào Tự Xây Dù Vendor Đã Tồn Tại

Tự xây hợp lý khi:

• Data model của bạn thực sự phi chuẩn. Nếu sản phẩm vendor đòi hỏi bạn dịch data model sang model của họ và việc dịch đó mất thông tin, bạn đang xây hệ thống thứ hai để hỗ trợ hệ thống thứ nhất.
• Workflow của bạn đủ độc quyền để trở thành lợi thế cạnh tranh. Nếu cách bạn xử lý một pattern cụ thể là thứ khách hàng mua từ bạn, việc đặt nó vào sản phẩm vendor có nghĩa là chia sẻ lợi thế khác biệt với tất cả những ai vendor phục vụ.
• Khối lượng của bạn biện minh cho chi phí tự xây. Các triển khai khối lượng lớn đôi khi có kinh tế học ủng hộ việc xây một lần so với trả phí mỗi cuộc gọi hoặc mỗi chỗ ngồi mãi mãi. Tính toán TCO một cách trung thực.
• Yêu cầu quy định của bạn đủ cụ thể để không vendor nào giải quyết được. Một số ngành có yêu cầu data residency, giải thích hay kiểm toán mà các vendor hiện tại không đáp ứng.

Khi Nào Nên Mua Dù Tự Xây Trông Rẻ Hơn

Mua hầu như luôn đúng khi:

• Time to value quan trọng. Triển khai vendor mất nhiều tuần. Tự xây mất nhiều tháng, đôi khi cả năm. Chi phí cơ hội của việc chờ đợi thường lớn hơn chênh lệch chi phí dài hạn.
• Nhóm của bạn không có năng lực AI engineering. Xây hệ thống AI đòi hỏi chuyên môn về ML infrastructure, prompt engineering và model monitoring. Nếu nhóm engineering của bạn thiếu điều này, tùy chọn tự xây thực ra không có trên bàn.
• Gánh nặng bảo trì bị đánh giá thấp. Model cần retraining khi dữ liệu của bạn thay đổi. Prompt engineering hỏng khi hành vi model thay đổi. Vendor hấp thụ công việc bảo trì này. Nhóm của bạn sẽ đánh giá thấp nó.
• Tuân thủ là yếu tố. SOC 2, HIPAA, GDPR compliance cho hệ thống AI đòi hỏi công việc đáng kể. Các vendor trưởng thành đã làm điều đó rồi.

Chi Phí Thực Sự Của Việc Tự Xây

Quyết định tự xây luôn đánh giá thấp tổng chi phí sở hữu. Chi phí hữu hình là phát triển ban đầu và hạ tầng. Chi phí ẩn bao gồm:

• Model retraining: mô hình scoring cần retraining khi thị trường và mô hình deal thay đổi. Đó không phải chi phí một lần.
• Prompt maintenance: các prompt tạo ra output tốt hôm nay bị suy giảm khi các mô hình nền tảng cập nhật. Ai đó phải giám sát và sửa điều này.
• Integration upkeep: khi CRM, công cụ giao tiếp và nền tảng workflow cập nhật API, các tích hợp tùy chỉnh của bạn bị hỏng. Đây là bảo trì liên tục.
• Expertise retention: các kỹ sư đã xây hệ thống AI tùy chỉnh hiểu rõ failure mode của nó. Khi họ rời đi, kiến thức cũng ra đi theo.

TCO thực sự khi tự xây so với mua bao gồm tất cả những điều này, được chiếu qua 3 năm. Hầu hết các quyết định tự xây trông đắt hơn ở năm 3 so với thời điểm quyết định ban đầu. Báo cáo State of AI 2025 của Forrester thêm một chiều khác: các vendor phần mềm doanh nghiệp lớn hiện đang monetize AI tích cực, đóng gói tính năng AI vào các hợp đồng hiện có và kết thúc kỷ nguyên chiết khấu. Bối cảnh đó làm cho tùy chọn tự xây trở nên hấp dẫn hơn với một số tổ chức, nhưng chỉ khi gánh nặng bảo trì được tính vào một cách trung thực.

Buy-Build-Hybrid Heuristic

Buy-Build-Hybrid Heuristic là framework quyết định ba yếu tố cho từng AI pattern kết hợp vendor maturity (có product category production được chứng minh chưa?), customization depth (use case của bạn khác biệt bao nhiêu so với những gì vendor cung cấp?) và data sensitivity (bạn có thể chia sẻ dữ liệu với hệ thống vendor không?). Vendor maturity cao cộng customization depth thấp, hãy mua. Customization depth cao vì data model của bạn là độc quyền, hãy xây layer đặc thù theo domain trên hạ tầng của vendor. Vendor maturity đang nổi và use case của bạn là chuẩn, đánh giá các tùy chọn hybrid và xem lại khi thị trường trưởng thành. Hybrid là mặc định cho hầu hết các pattern năm 2026: mua hạ tầng pattern, xây context injection và lớp hiệu chỉnh đặc thù theo domain.

Phân Tích Rework: Dựa trên phát hiện của Hyperion Consulting rằng các triển khai AI dựa trên vendor thành công gấp 2 lần so với các bản xây nội bộ, và dữ liệu từ nhiều phân tích TCO cho thấy các quyết định tự xây bỏ sót 60-80% tổng chi phí, Buy-Build-Hybrid Heuristic nhất quán ủng hộ mua hạ tầng và xây các context layer đặc thù theo domain. Dữ liệu triển khai của Rework cho thấy các nhóm triển khai công cụ Meeting Intelligence của vendor đạt production trong trung bình 3,2 tuần, so với 14-18 tuần cho các nhóm cố gắng xây pipeline transcription và extraction tùy chỉnh. Thị trường vendor cho Meeting Intelligence một mình được định giá 3 tỷ USD năm 2025, phản ánh đầu tư hạ tầng khiến các bản tự xây không cạnh tranh được với hầu hết tổ chức.

Tìm Hiểu Thêm

Bản đồ vendor cho từng pattern có trong bài The AI Pattern Vendor Landscape Map. Các điều kiện tiên quyết về data readiness có trong bài Data Readiness Check by AI Pattern. Các yêu cầu governance có trong bài Governance Requirements by AI Pattern.

Để sắp xếp các quyết định này theo lộ trình nhiều năm, xem bài Sequencing AI Patterns in a Multi-Year Roadmap. Và để hiểu cách các pattern trở thành technical debt, xem bài When AI Patterns Become Tech Debt.

Mô hình hybrid là chuẩn mực. Hầu hết các triển khai AI production đều mua hạ tầng pattern và tự xây các đặc thù domain. Câu hỏi thường là ranh giới nằm ở đâu, không phải liệu ranh giới đó có tồn tại không.