Tối thứ Ba, một quỹ đầu tư tại Singapore nhắn tin sang tôi: “Harvey vừa mở nguồn 100 triệu token dữ liệu luật tổng hợp. Anh xem giúp có đáng chú ý không?” Tôi mở thông cáo, đọc nhanh, rồi dừng lại ở một chi tiết không được nhấn mạnh: không có báo cáo kỹ thuật, không có benchmark, không có mô tả phương pháp kiểm định chất lượng. Trong nghề phân tích tài chính, khi một thông cáo bán được xây dựng càng đẹp, tôi càng tìm kiếm thứ họ không viết ra. Và thứ không viết ra ở đây dường như quan trọng hơn nhiều so với thứ được công bố.
Mô hình của tôi nói rằng trong thị trường dữ liệu, khan hiếm mới là tài sản; nhưng macro nói rằng khi kẻ dẫn đầu tự nguyện phá bỏ sự khan hiếm của chính mình, hắn đã tìm thấy một loại tài sản mới ở tầng cao hơn: quyền thiết lập tiêu chuẩn. Và đó chính là lăng kính tôi muốn dùng trong bài viết hôm nay.
Bối cảnh vĩ mô của câu chuyện này thực ra không nằm trong ngành luật. Nó nằm trong cuộc chiến toàn cầu nhằm kiểm soát nguồn cung dữ liệu cho trí tuệ nhân tạo. Khi các nhà xuất bản lớn siết chặt bản quyền, khi các tập đoàn công nghệ bị kiện vì thu thập dữ liệu không phép, khi các doanh nghiệp bắt đầu giấu dữ liệu đằng sau tường phí, thì một nền kinh tế dữ liệu mới hình thành. Trong bối cảnh đó, synthetic data – dữ liệu tổng hợp – nổi lên như một cỗ máy in tiền của ngành AI: nó tạo ra “nguồn cung” mà không cần khai thác tài nguyên thật. Harvey và EngramLab vừa công bố một đợt in tiền mới, nhưng đồng tiền họ phát hành có được bảo đảm bằng vàng thật hay không, thì chưa một ai nói rõ.
Harvey, nếu chưa ai biết, là công ty công nghệ pháp lý hàng đầu nước Mỹ, nổi tiếng với trợ lý AI dành cho các hãng luật lớn, từng có hậu thuẫn từ quỹ đầu tư OpenAI và các đối tác như PwC. EngramLab, đứng sau bộ dữ liệu, tự giới thiệu là đơn vị chuyên sản xuất synthetic data cho các lĩnh vực nhạy cảm. Hai bên cùng phát hành “synthetic law firm dataset” – bộ dữ liệu mô phỏng hoạt động của một hãng luật – với hơn 100 triệu token, được quảng bá bằng ba cụm từ rất đẹp: có thể mở rộng, chi phí thấp, bảo vệ bí mật khách hàng.
Nhưng đọc kỹ, tôi không thấy một từ về cấu trúc dữ liệu bên trong. Không thấy số liệu đánh giá độ chính xác. Không thấy giấy phép sử dụng chi tiết. Không thấy tên các hãng luật hoặc trường đại học tham gia phản biện. Đó là một bản tin kiểu nhà đầu tư điển hình: nói nhiều về tầm nhìn, nói rất ít về cấu trúc thực thi. Khi tôi gặp kiểu bài này trong một đợt huy động vốn, tôi thường xếp nó vào danh mục cần thẩm định thêm trước khi định giá.
Điều này khiến tôi nhớ lại năm 2017, khi tôi còn làm chuyên viên ngân hàng đầu tư tiền mã hóa ở Bắc Ninh. Tôi dành sáu tháng xây dựng mô hình định giá ICO dựa trên dòng vốn toàn cầu và chỉ số M2. Khi Filecoin gây sốt, mô hình của tôi báo rằng phần lớn giá trị của nó đến từ chu kỳ nới lỏng định lượng, không đến từ công nghệ. Tôi từ chối góp vốn, và kết quả là danh mục khách hàng của tôi giảm thiệt hại bảy mươi phần trăm so với mặt bằng chung. Hôm nay, cộng đồng AI luật đang có một cơn sốt tương tự: nhìn vào khối lượng token và mở lên một bộ tài liệu, không ai hỏi nguồn dữ liệu đó được sinh ra như thế nào.
Bây giờ, hãy đi vào kỹ thuật, vì thứ tạo nên giá trị thật của một bộ dữ liệu không nằm ở số token.
Một trăm triệu token thực ra là gì?
Với mô hình ngôn ngữ, một token trung bình tương đương với 0,75 từ tiếng Anh. Bộ dữ liệu này chứa khoảng 75 triệu từ, tương đương vài trăm đầu sách dày, và là một phần vô cùng nhỏ trong kho ngữ liệu hàng nghìn tỷ token được dùng để huấn luyện GPT hay Llama. Điều đó có nghĩa: đừng nhầm lẫn, đây không phải là một bộ dữ liệu để tiền huấn luyện mô hình nền tảng từ con số không. Nó không thể tạo ra một GPT pháp lý.
Nhưng nó hữu ích cho bốn việc khác. Một là tiếp tục tiền huấn luyện một mô hình vốn đã lớn để hiểu thêm ngữ cảnh ngành luật. Hai là tinh chỉnh theo hướng dẫn, để mô hình biết cách trả lời theo văn phong hành nghề. Ba là huấn luyện mô hình khen thưởng cho các kỹ thuật học tăng cường từ phản hồi của con người. Bốn là xây dựng bộ đánh giá nội bộ. Với bốn mục tiêu đó, 100 triệu token là một con số hữu dụng và đủ rộng để tạo ra ảnh hưởng.
Câu hỏi quan trọng hơn là: dữ liệu đó được tạo ra bằng phương pháp nào? Ngành synthetic data hiện có bốn trường phái chính.
Trường phái thứ nhất là dùng mô hình ngôn ngữ lớn để sinh trực tiếp. Người ta đưa vào một câu lệnh như “viết một bản ghi nhớ nội bộ của luật sư về tranh chấp hợp đồng”, sau đó thu thập đầu ra. Cách này nhanh, rẻ, linh hoạt, nhưng chất lượng rất không đồng đều và dễ đi vào khuôn mẫu chung chung.
Trường phái thứ hai là mô phỏng đa tác tử. Nhiều mô hình AI đóng vai các nhân vật khác nhau, từ luật sư, khách hàng, thẩm phán, cho đến đối phương, cùng tương tác để tạo ra chuỗi công việc pháp lý. Cách này tạo ra dữ liệu giàu tình huống và rất giống đời thật, nhưng đi kèm rủi ro “ngụy biện logic”: các bên trao đổi với nhau rất trôi chảy, nhưng kết luận pháp lý cuối cùng lại sai toàn tập.
Trường phái thứ ba là dùng mẫu và đồ thị tri thức. Các chuyên gia xây dựng một kho tàng tri thức luật, rồi đưa vào các mẫu văn bản có sẵn để tạo thành tài liệu hoàn chỉnh. Cách này chính xác hơn về mặt thuật ngữ, nhưng rất tốn công xây dựng đồ thị tri thức và dễ trở nên cứng nhắc, không phản ánh được sự sáng tạo của các tình huống thực tế.
Trường phái thứ tư là biến đổi dữ liệu thật đã được làm sạch. Người ta lấy một số văn bản thương mại đã có giấy phép, loại bỏ thông tin nhận dạng, rồi dùng AI để diễn giải lại theo nhiều cách viết khác nhau. Cách này giữ được cấu trúc ngôn ngữ của dữ liệu thật, nhưng vẫn còn tiềm ẩn nguy cơ rò rỉ thông tin nhạy cảm, vì mô hình ngôn ngữ có thể vô tình tái tạo lại những chuỗi dữ liệu gốc.
Với một bộ dữ liệu 100 triệu token, tôi nghi ngờ EngramLab đã kết hợp ít nhất ba trường phái: mô phỏng đa tác tử để tạo ra các chuỗi trao đổi, mô hình ngôn ngữ lớn để tạo văn bản, và mẫu có sẵn để chuẩn hóa các điều khoản. Nhưng đó chỉ là suy đoán trên cơ sở kinh nghiệm ngành, bởi vì thông cáo không tiết lộ chi tiết.
Một chi tiết quan trọng mà tôi muốn nhấn mạnh: tên bộ dữ liệu là “synthetic law firm dataset”, chứ không phải “synthetic legal precedent dataset”. Nó mô phỏng quy trình vận hành của một hãng luật – thư điện tử giữa luật sư và khách hàng, bản ghi nhớ nghiên cứu, bản nháp hợp đồng, biên bản họp nội bộ – chứ không phải kho án lệ hay văn bản quy phạm pháp luật. Sự phân biệt này quyết định toàn bộ giá trị của bộ dữ liệu. Một trợ lý AI được huấn luyện trên bộ dữ liệu này sẽ biết cách viết thư cho khách hàng, cách soạn bản ghi nhớ nội bộ, cách tổ chức công việc của một văn phòng luật. Nhưng nó sẽ không tự nhiên biết cách tư vấn chính xác về một vụ kiện.
Nghịch lý chi phí của dữ liệu tổng hợp
Bây giờ, tôi muốn nói đến một nghịch lý mà ít người trong cộng đồng blockchain nhìn ra. Synthetic data được tạo ra để giảm chi phí tiếp cận dữ liệu. Nhưng để dữ liệu tổng hợp thực sự có chất lượng, cần có chuyên gia thật tham gia đánh giá, hiệu chỉnh, gắn nhãn. Chuyên gia trong lĩnh vực luật thì rất đắt. Nếu tôi thuê các luật sư kiểm tra từng văn bản được AI sinh ra, chi phí sẽ cao hơn gấp nhiều lần so với việc thu thập dữ liệu thật theo cách truyền thống. Nếu tôi bỏ qua bước này, tôi sẽ có một bộ dữ liệu nhanh, rẻ, nhưng chứa đầy lỗi pháp lý ngầm.
Điều này dẫn đến câu hỏi: EngramLab và Harvey đã dùng cách nào? Nếu họ thuê luật sư đánh giá toàn bộ dữ liệu, đó sẽ là một chi phí khổng lồ và đáng là một điểm tin lớn. Nhưng thông cáo không nói. Nếu họ không thuê, thì gần như chắc chắn bộ dữ liệu này chỉ hữu ích cho các tác vụ hành chính văn phòng, không phải cho các quyết định pháp lý quan trọng.
Năm 2020, khi DeFi Summer bùng nổ, tôi xây dựng khung phân tích dòng tiền và tỷ lệ lợi nhuận khai thác thanh khoản để đối chiếu các giao thức với nhau. Nhiều giao thức khoe APY hàng trăm phần trăm. Nhưng khi tôi xé nhỏ cấu trúc vốn, tôi thấy phần lớn là vòng tròn túi tiền tự bơm cho nhau, không có dòng tiền thật đi vào từ bên ngoài. Các pool thanh khoản kiểu đó đều sụp đổ. Thị trường dữ liệu tổng hợp đang bước vào một kỷ nguyên tương tự: ai cũng có thể sinh ra dữ liệu với số lượng lớn, nhưng để kiểm định dữ liệu đó có ý nghĩa thật hay không, cần phải đối chiếu với nguồn thật. Và nguồn thật thì nằm trong tay các nhà xuất bản pháp lý lớn, hoặc trong hệ thống tòa án, hoặc trong két sắt của các hãng luật.
Những rủi ro mang tính hệ thống
Hãy nói về rủi ro một cách rõ ràng, vì tôi vốn là người thích phần “kịch bản xấu nhất” trong mỗi bài phân tích.
Rủi ro đầu tiên là sự sụp đổ mô hình – hay model collapse. Khi một mô hình được huấn luyện trên dữ liệu do mô hình khác sinh ra, và quá trình đó lặp lại nhiều lần, các lỗi nhỏ sẽ tích lũy, tính đa dạng của ngôn ngữ bị thu hẹp, và cuối cùng mô hình trở thành một phiên bản trung bình nhạt nhòa của chính nó. Điều này đã được nhiều nghiên cứu nói đến từ năm 2023. Nếu các startup AI luật dùng bộ dữ liệu tổng hợp này làm nguồn chính, rồi dùng dữ liệu do chính mô hình của họ sinh ra để tiếp tục huấn luyện, họ có thể đang tự đưa mình vào vòng xoáy suy thoái chất lượng ngay cả khi không biết.
Rủi ro thứ hai là quyền riêng tư. Có một ngộ nhận nguy hiểm: cứ gắn nhãn “tổng hợp” là dữ liệu an toàn. Thực tế, các mô hình sinh có thể ghi nhớ lại các chuỗi dữ liệu gốc và phún ra thông tin nhạy cảm khi được hỏi đúng cách. Với dữ liệu pháp lý, nếu một điều khoản hợp đồng của một khách hàng chưa công bố lọt ra ngoài, hậu quả sẽ vô cùng lớn. Chính vì vậy, bất kỳ bộ dữ liệu tổng hợp nào tuyên bố bảo vệ bí mật khách hàng đều cần công bố kết quả kiểm tra tấn công suy luận – tức là thử đủ mọi cách để trích xuất thông tin gốc từ dữ liệu. Thông cáo của Harvey không đưa ra kết quả này.
Rủi ro thứ ba là thiên vị định sẵn. Dữ liệu pháp lý thật vốn dĩ đã chứa các thiên vị lịch sử về chủng tộc, giới tính, thu nhập. Dữ liệu tổng hợp học từ dữ liệu thật sẽ phóng đại những thiên vị đó lên gấp bội, nhưng nằm dưới lớp vỏ bọc “được tạo nhân tạo” nên khó bị phát hiện hơn. Một mô hình luật thiên vị không chỉ gây thiệt hại cho một doanh nghiệp, mà còn phá hỏng niềm tin của xã hội vào công nghệ pháp lý.
Soi vào bức tranh cạnh tranh
Quay lại chuyện thị trường. Tôi muốn nhìn Harvey dưới góc độ một ngân hàng đầu tư, không phải một người hâm mộ công nghệ.
Có một chiến lược rất quen thuộc trong tài chính: phát hành một sản phẩm miễn phí để thu hút thanh khoản về một nền tảng, sau đó kiếm tiền từ dịch vụ giá trị gia tăng trên dòng thanh khoản đó. Harvey mở nguồn dữ liệu cũng giống như vậy. Họ phát ra một khối lượng lớn dữ liệu để kéo các nhà phát triển, các công ty khởi nghiệp, các trường đại học vào làm quen với hệ sinh thái do họ định nghĩa. Khi cả thị trường dùng chung một chuẩn dữ liệu, Harvey trở thành người nắm giữ chuẩn đó. Lúc cần phát triển các dịch vụ nâng cao như dữ liệu thật được làm sạch, giấy phép thương mại, hỗ trợ kỹ thuật, các đối tác sẽ phải quay lại trả tiền cho Harvey.
Năm 2024, sau khi Bitcoin ETF được phê duyệt, tôi xây dựng một mô hình tương quan giữa dòng vốn ETF, lãi suất Mỹ và biến động giá Bitcoin. Một phát hiện thú vị: việc mua ETF làm giảm biến động ngắn hạn nhưng tăng mức độ phụ thuộc của giá Bitcoin vào chính sách tiền tệ của Cục Dự trữ Liên bang. Tương tự, khi một bộ dữ liệu mở trở thành chuẩn ngầm, các công ty khởi nghiệp sẽ giảm được cơn đau đầu về dữ liệu, nhưng lại tăng sự phụ thuộc vào định hướng công nghệ của một công ty thương mại. Nếu Harvey thay đổi giấy phép ở phiên bản sau, hoặc chèn thêm các điều kiện ràng buộc, cả một hệ sinh thái có thể bị tổn thương.
Đây là điểm mù mà các bài viết kiểu “cách mạng hóa ngành luật” không bao giờ đề cập đến.
Góc nhìn phản trực giác: món quà có chủ đích
Tôi sẽ nói ngược với số đông. Mở nguồn dữ liệu không phải là dân chủ hóa AI. Nó là một chiến lược chuẩn hóa thị trường.
Hãy nhìn vào lịch sử. Uniswap mở nguồn công thức sàn giao dịch tự động, và kết quả là Uniswap trở thành chuẩn cho toàn bộ ngành DeFi. Hàng trăm bản fork ra đời, nhưng thanh khoản và sự tin tưởng vẫn đổ về Uniswap. OpenSea từng nói về việc bảo vệ tác quyền của người sáng tạo NFT, nhưng khi đứng trước áp lực cạnh tranh, họ từ bỏ cơ chế bản quyền, gián tiếp giết chết nền kinh tế của những nhà sáng tạo nhỏ lẻ. Trong cả hai trường hợp, thứ được gọi là “mở” cuối cùng lại phục vụ cho quyền lực tập trung, chứ không phải cho cộng đồng.
Bộ dữ liệu của Harvey cũng nằm trong logic đó. Giả sử các công ty khởi nghiệp AI luật ở Việt Nam tải bộ dữ liệu về, xây dựng sản phẩm trợ lý luật trên đó. Một năm sau, họ muốn mở rộng ra nhiều lĩnh vực hơn thì phát hiện dữ liệu không đủ chất lượng, không đủ ngữ cảnh tiếng Việt. Họ sẽ quay sang mua dịch vụ dữ liệu từ các công ty thương mại – có thể chính là Harvey hoặc EngramLab. Sự phụ thuộc được tạo ra một cách rất mềm mại, không ai nhận ra ngay từ đầu.
Kịch bản xấu nhất, kịch bản cơ sở, kịch bản tích cực
Dựa trên thói quen phòng thủ trong nghề, tôi luôn viết ra ba kịch bản trước khi đưa ra khuyến nghị.
Kịch bản xấu nhất: bộ dữ liệu chứa nhiều lỗi pháp lý và thiên vị. Các công ty khởi nghiệp, vì thiếu nguồn lực đánh giá độc lập, dùng trực tiếp để xây dựng sản phẩm thương mại. Sản phẩm đưa ra các gợi ý pháp lý sai và gây thiệt hại cho người dùng. Sau đó, cơ quan quản lý vào cuộc, truyền thông tấn công toàn bộ ngành AI luật, và một công nghệ còn non trẻ phải trả giá bằng nhiều năm chậm tiến. Trong lịch sử tiền mã hóa, chúng ta đã thấy kịch bản này với các giao thức chưa được kiểm toán.
Kịch bản cơ sở: bộ dữ liệu có chất lượng trung bình, dùng tốt cho các tác vụ văn phòng nhưng không đủ cho các quyết định pháp lý sâu. Cộng đồng nghiên cứu tải về, chạy thử, công bố vài bài báo. Nó trở thành một trong nhiều nguồn lực, chứ không phải bước ngoặt. Mọi thứ diễn ra chậm và không có gì đặc biệt xảy ra.
Kịch bản tích cực: bộ dữ liệu được cộng đồng đóng góp, sửa lỗi, bổ sung dữ liệu từ nhiều khu vực pháp lý khác nhau. Các trường đại học tại Việt Nam dựa vào nó để hình thành thói quen công bố dữ liệu mở. Từ đó, một phong trào xây dựng bộ dữ liệu pháp lý tổng hợp tiếng Việt ra đời. Trong kịch bản này, Harvey và EngramLab chỉ là chất xúc tác, còn cộng đồng nội địa mới là người tạo ra giá trị thực sự.
Với ba kịch bản trên, tôi rơi vào vùng quan sát nhiều hơn là hành động. Tôi không khuyên các quỹ xem đây là tín hiệu định giá Harvey tăng ngay lập tức. Tôi cũng không khuyên các team khởi nghiệp bỏ hết công việc thực tế để nhào vào synthetic data. Tôi chỉ khuyên một việc rất cơ bản: hãy tải dữ liệu, chạy thử trên một bài toán nhỏ, đối chiếu với các văn bản pháp lý Việt Nam, và ghi lại những gì không khớp. Kỹ năng này gần như không tốn kém gì, nhưng nó tạo ra năng lực đánh giá nội tại – thứ mà báo cáo hay ho của công ty không thể cung cấp.
Việt Nam đang bắt đầu từ điểm nào?
Theo kin nghiệm thực tế của tôi, đến năm 2025, rất ít hãng luật tại Việt Nam có một bộ dữ liệu nội bộ được số hóa bài bản. Phần lớn văn bản vẫn nằm trong máy tính cá nhân, hoặc trong các hệ thống quản lý hồ sơ cũ. Các công ty khởi nghiệp AI muốn huấn luyện mô hình tiếng Việt cho ngành luật gần như không có dữ liệu chuẩn để dùng. Họ phải tự gom từ các văn bản pháp luật công khai, các bản án được đăng tải, các trang tin pháp lý. So với một bộ dữ liệu 100 triệu token tiếng Anh, dữ liệu tiếng Việt đang bỏ ngỏ hoàn toàn.
Chính vì thế, tôi cho rằng câu chuyện đáng chú ý không dừng ở những gì Harvey làm. Đó là về việc liệu các trường đại học, các công ty công nghệ và các hãng luật tại Việt Nam có dám đặt nền móng cho một bộ dữ liệu pháp lý mở, được gây dựng một cách có hệ thống cho tiếng Việt hay không. Nếu có một tổ chức đứng ra xây dựng một bộ dữ liệu tổng hợp mô phỏng toàn bộ quy trình hành nghề luật sư tại Việt Nam, từ bản ghi nhớ, hợp đồng lao động, đến các tình huống tranh chấp thương mại đặc thù, thì họ có thể tạo ra một tài sản còn giá trị hơn nhiều lần con số 100 triệu token của Harvey. Nhưng điều đó đòi hỏi nguồn lực và sự kiên trì mà thị trường Việt Nam vẫn chưa chứng minh được.
Và đó chính là cái bẫy lớn nhất mà tôi muốn nói đến. Nếu chúng ta không nhanh chóng xây dựng các tiêu chuẩn dữ liệu quốc gia, thì những gì Harvey vừa làm sẽ là nền tảng mà tất cả các công ty nội địa phải vận hành theo. Họ không bán giấy phép cho bạn hôm nay, họ bán giấy phép cho bạn khi bạn đã phụ thuộc.
Lời kết cho một kèo cược dài hạn
Vậy, câu trả lời cho quỹ đầu tư Singapore của tôi là: đáng chú ý, nhưng chưa phải lúc vội vã định giá lại Harvey. Bộ dữ liệu này giống như một đợt airdrop vậy – ai cũng phấn khích vì nhận được token miễn phí, nhưng giá trị thực sự chỉ xuất hiện khi token đó được dùng trong một hệ sinh thái có sản phẩm thật. Nếu các sản phẩm thật xuất hiện, Harvey sẽ hưởng lợi gián tiếp qua vị thế tiêu chuẩn hóa. Nếu không, bộ dữ liệu chỉ là một tập tin nặng vài gigabyte nằm im trên các máy chủ của GitHub, còn mọi người sẽ quên nó sau một tháng.
Đây là những gì tôi muốn chốt lại: trong thị trường AI, chúng ta đang chứng kiến một cuộc chuyển dịch định giá giống như thời kỳ đầu của tiền mã hóa, khi khái niệm “token” bị sử dụng quá tải. Hôm nay, từ “dữ liệu tổng hợp” đang bị sử dụng quá tải. Một trăm triệu token nghe rất nhiều, một banner “mở nguồn” nghe rất hào phóng. Nhưng giữa một thị trường đang phấn khích, người làm phân tích cần giữ sự tỉnh táo của một thợ săn dữ liệu: đọc kỹ giấy phép, đối chiếu với nguồn thật, kiểm tra độ tin cậy bằng các câu hỏi nhỏ, và không bao giờ đánh giá sự kiện bằng màu sắc của lời giới thiệu.
Mô hình của tôi nói rằng khi dữ liệu được phát hành rộng rãi, giá trị ngay lập tức sẽ dịch chuyển đến những người có khả năng kiểm định dữ liệu; nhưng macro nói rằng sự dịch chuyển này không bao giờ là một đường thẳng. Nó phụ thuộc vào bối cảnh thể chế, vào năng lực nghiên cứu nội địa, vào việc các cơ quan quản lý có đủ hiểu biết để vào cuộc đúng lúc hay không. Và những biến số đó không thể đọc thấy trong bất kỳ thông cáo báo chí nào.
Câu hỏi để lại cho chúng ta hôm nay rất đơn giản: liệu thị trường Việt Nam sẽ là người tiêu dùng thụ động của một tiêu chuẩn dữ liệu nước ngoài, hay sẽ là người đặt ra tiêu chuẩn của chính mình trước khi quá muộn? Tôi chưa thể trả lời. Nhưng một người làm phân tích như tôi thì biết chắc một điều: hãy theo dõi dòng dữ liệu thật, đừng chạy theo dòng vốn ảo. Bởi vì mọi thứ có thể được tổng hợp, từ dữ liệu cho đến câu chuyện, nhưng lòng tin thì không bao giờ tổng hợp được.