Brian Armstrong của Coinbase đề xuất thử các mô hình AI mở giá rẻ để kiềm chế chi phí, nhưng lựa chọn này làm dấy lên lo ngại về bảo mật và rủi ro địa chính trị khi doanh nghiệp dùng mô hình có nguồn gốc từ Trung Quốc.
Tranh luận xoay quanh việc cân bằng giữa chi phí suy giảm nhanh hơn và mức độ an toàn khi xử lý dữ liệu nhạy cảm. Bối cảnh này phản ánh áp lực ngày càng lớn lên chi tiêu AI của doanh nghiệp, đặc biệt khi mức tiêu thụ token tăng mạnh.
- Các mô hình AI mở giá thấp đang được xem như cách giảm chi phí vận hành.
- GLM 5.2 của Zhipu có giá thấp hơn đáng kể so với Anthropic Opus 4.8 và được nhắc tới như một lựa chọn cạnh tranh.
- Rủi ro chính nằm ở bảo mật dữ liệu, khung pháp lý và mức độ tin cậy của mô hình.
Vì sao doanh nghiệp tìm đến mô hình AI giá rẻ hơn
Các doanh nghiệp tìm đến mô hình AI giá rẻ hơn vì chi phí token đang tăng nhanh và nhiều nhóm vận hành đã bắt đầu siết ngân sách. Mục tiêu không chỉ là giảm hóa đơn, mà còn là tìm cách tối ưu cách định tuyến, bộ nhớ đệm và mô hình sử dụng.
Trong bối cảnh đó, GLM 5.2 của Zhipu được nêu như một ví dụ điển hình. Mô hình này có giá 1,40 USD cho mỗi triệu token đầu vào và 4,40 USD cho mỗi triệu token đầu ra, thấp hơn nhiều so với mức 5 USD và 25 USD của Anthropic Opus 4.8 trong cùng quy mô sử dụng.
GLM 5.2 cũng được nhắc đến vì kết quả 62,1 trên SWE-bench Pro, vượt mức 58,6 của OpenAI GPT-5.5 trong bài kiểm tra này. Tuy vậy, các so sánh hiệu năng giữa mô hình mở và mô hình đóng vẫn phụ thuộc mạnh vào từng tác vụ cụ thể.
Brian Armstrong nói gì về chiến lược kiểm soát chi phí AI
Brian Armstrong cho biết cách tốt nhất để kiểm soát chi phí AI tăng lên là dùng các mô hình open-weight rẻ hơn, bao gồm cả hệ thống từ Trung Quốc như GLM 5.2. Ông cũng nhấn mạnh doanh nghiệp cần “better defaults, routing, and caching”.
Lập luận này đặt trọng tâm vào hiệu quả chi phí thay vì chỉ dựa vào một nhà cung cấp lớn. Tuy nhiên, việc nhắc đến mô hình có nguồn gốc Trung Quốc đã kéo theo các câu hỏi về an toàn dữ liệu, kiểm soát truy cập và mức độ phụ thuộc vào hạ tầng bên ngoài.
GLM 5.2 được phát hành dưới giấy phép MIT, cho phép doanh nghiệp tải về, chỉnh sửa và tự triển khai trên máy chủ riêng. Cách triển khai này giúp giảm rủi ro phải gửi dữ liệu nhạy cảm ra một API bên ngoài, nhưng không loại bỏ hoàn toàn các lo ngại về bản thân mô hình.
Rủi ro bảo mật và pháp lý của mô hình AI xuất xứ Trung Quốc
Rủi ro lớn nhất là dữ liệu doanh nghiệp có thể chịu tác động từ khung pháp lý và hạ tầng vận hành của nhà cung cấp mô hình. Với Z.ai, cloud API dùng để truy cập các mô hình như GLM 5.2 nằm dưới Luật Tình báo Quốc gia của Trung Quốc.
Lo ngại này đã khiến giới lập pháp Mỹ mở cuộc điều tra chính thức vào tháng 5 về rủi ro an ninh mạng từ các mô hình AI có nguồn gốc Trung Quốc trong hạ tầng trọng yếu. Ngoài dữ liệu, các bên còn quan ngại về hành vi chưa được công bố đầy đủ hoặc các cơ chế hoạt động khó kiểm chứng.
So sánh hiệu năng cũng không xóa được rủi ro này. Một người xây dựng AI từng kiểm tra GLM 5.2 với GPT-5.5 trên tác vụ gỡ lỗi và cho rằng mô hình của OpenAI vẫn vượt trội hơn nhiều, dù trên một số benchmark khác GLM 5.2 lại được xem là cạnh tranh.
Chi tiêu AI của doanh nghiệp đang bị siết lại
Chi tiêu AI đang trở thành vấn đề vận hành thực sự, không còn là khoản thử nghiệm nhỏ trong ngân sách công nghệ. Nhiều doanh nghiệp đã phải giới hạn mức dùng, theo dõi chặt hóa đơn và xem xét lại cách phân bổ công cụ.
Uber được nhắc là đã dùng hết ngân sách AI coding cho năm 2026 vào tháng 4 và phải giới hạn mỗi kỹ sư ở mức 1.500 USD cho mỗi công cụ mỗi tháng. Meta đã gửi memo cảnh báo mức sử dụng AI tăng theo cấp số nhân, còn Amazon bỏ một bảng xếp hạng nội bộ về mức tiêu thụ AI vì bị lạm dụng để đẩy chi phí lên.
Một khảo sát của KPMG cho thấy chỉ 26% doanh nghiệp có tầm nhìn đầy đủ về chi phí AI, trong khi 22% chỉ phát hiện mức chi sau khi nhận hóa đơn. Goldman Sachs dự báo lượng token AI có thể tăng 24 lần vào năm 2030, đạt 120 triệu tỷ token mỗi tháng.
Doanh nghiệp nên theo dõi điều gì tiếp theo
Doanh nghiệp cần theo dõi cách các mô hình mở được triển khai, ai kiểm soát hạ tầng và dữ liệu đi qua đâu. Việc tự host có thể giảm rủi ro API, nhưng không tự động giải quyết vấn đề tin cậy, bảo mật hay tuân thủ.
International Data Corporation dự báo 70% doanh nghiệp dẫn đầu về AI sẽ dùng nhiều mô hình thay vì chỉ một nhà cung cấp vào năm 2028. Điều đó cho thấy xu hướng đa mô hình có thể tiếp tục tăng, nhất là khi áp lực chi phí buộc các công ty phải chọn giữa hiệu quả và kiểm soát rủi ro.
Tổng kết
Cuộc tranh luận quanh đề xuất của Brian Armstrong phản ánh hai ưu tiên đang va chạm nhau trong AI doanh nghiệp: giảm chi phí và giữ an toàn cho dữ liệu. Trong ngắn hạn, mô hình giá rẻ có thể hấp dẫn, nhưng rủi ro bảo mật và pháp lý vẫn là điểm phải xem xét kỹ.
