Đầu năm 2026, Databricks tắt toàn bộ API của hệ thống dashboard cũ. Không phải thông báo “sẽ ngừng hỗ trợ trong tương lai” mà tắt thật sự. Ngày 12 tháng 1, API còn chạy. Ngày 13, không còn. Ai chưa chuyển dashboard sang hệ thống AI/BI mới trước ngày 2 tháng 3 thì tự dựng lại từ đầu.
Databricks không phải công ty nhỏ đang thử nghiệm. Đây là một trong những nền tảng dữ liệu lớn nhất thế giới, và họ vừa nói thẳng với hàng chục nghìn khách hàng: dashboard kiểu cũ kết thúc ở đây. Điều đáng chú ý là phản ứng thị trường: gần như không có tiếng phản đối nào đáng kể. Cộng đồng dữ liệu chấp nhận bản án đó một cách bình thản đến lạ.
Tại sao? Câu trả lời nằm ở một nơi ít người ngờ, trong các phòng thí nghiệm tâm lý nhận thức từ 40 năm trước.
Não đọc biểu đồ rất tệ
Bạn mở dashboard lúc sáng thứ Hai, thấy một biểu đồ tròn chia doanh thu theo kênh. Năm miếng bánh, năm màu, năm chú thích. Bạn nhìn rồi tự hỏi: kênh nào đang lớn hơn kênh nào khoảng bao nhiêu phần trăm? Mắt bạn nhảy qua nhảy lại giữa các miếng, cố ước lượng góc, rồi liếc sang chú thích để khớp màu. Mất mười mấy giây. Vẫn chưa chắc.
Thay biểu đồ tròn bằng biểu đồ cột nằm ngang, cùng dữ liệu. Bạn thấy ngay kênh nào cao nhất, kênh nào thấp nhất, chênh nhau bao nhiêu. Hai giây là xong.
Sự chênh lệch đó không phải do thiết kế đẹp xấu. Nó có gốc sinh học. Năm 1984, hai nhà thống kê William S. Cleveland và Robert McGill tại AT&T Bell Labs làm một thí nghiệm đơn giản: cho người tham gia đọc cùng một tập dữ liệu được trình bày bằng nhiều kiểu biểu đồ khác nhau, rồi đo xem họ ước lượng giá trị chính xác đến đâu.
Kết quả cho ra một bảng xếp hạng mà 40 năm sau vẫn chưa ai lật được: não người đọc chính xác nhất khi các cột đứng cạnh nhau trên cùng một thước đo (kiểu biểu đồ cột cơ bản), rồi đến so chiều dài, rồi góc, rồi diện tích, rồi cuối bảng là độ đậm nhạt màu (kiểu bản đồ nhiệt). Biểu đồ tròn nằm ở vùng “góc và diện tích”, tức vùng mà não đoán nhiều hơn đọc. Heer và Bostock kiểm tra lại năm 2010 với hàng nghìn người, kết quả y hệt.
Dân làm biểu đồ lâu năm biết cảm giác này: bạn biết biểu đồ cột rõ hơn biểu đồ tròn, nhưng sếp vẫn đòi biểu đồ tròn vì “nhìn cho nó trực quan.” Nghiên cứu Cleveland-McGill giải thích chính xác tại sao trực giác đó sai: cái mà não cảm thấy “quen” không phải cái mà não đọc “đúng.”
Stephen Few, người viết cuốn Information Dashboard Design mà dân BI hay trích, đã xây cả một triết lý thiết kế trên nền khoa học này. Luận điểm cốt lõi của ông nghe phản trực giác: dashboard hiệu quả nhất là dashboard nhàm chán nhất khi nhìn. Ông định nghĩa dashboard là thông tin quan trọng nhất, gom trên một màn hình duy nhất, để giám sát chỉ bằng liếc nhìn.
Một màn hình. Liếc nhìn. Mấy cái dashboard bạn đang dùng làm được vậy?
Lỗi thiết kế hay cấu trúc?
Não có một bộ lọc tự động chạy trước ý thức: nó nhặt ra ngay thứ khác biệt về màu, kích thước, hướng, vị trí trước khi bạn kịp “đọc” biểu đồ. Dân thiết kế gọi đó là preattentive attributes. Não cũng tự nhóm những thứ gần nhau, giống nhau, hoặc nằm trong cùng một khung thành một cụm, không cần bạn ra lệnh. Đó là lý do dashboard tốt không cần viền ô hay tiêu đề to, bố cục tự nói. Few còn phát minh ra một kiểu biểu đồ thay thế đồng hồ tốc độ, gọn hơn năm lần mà chứa cùng lượng thông tin.
Tất cả những nguyên tắc này đều giả định một điều: người dùng sẽ nhìn vào dashboard.
Và đây là chỗ thực tế tát vào lý thuyết. Dashboard đẹp nhất, tuân thủ mọi nguyên tắc tri giác, vẫn bị bỏ hoang nếu nó không nằm trong luồng công việc tự nhiên của người dùng. Steve Wexler, đồng tác giả cuốn The Big Book of Dashboards, dẫn một khung của nhà khoa học nhận thức Don Norman: bất kỳ công cụ nào cũng phải qua ba bài test, nhìn có muốn dùng không (ấn tượng đầu), dùng có tiện không (hành vi), và dùng xong có thấy ý nghĩa không (suy ngẫm). Dashboard thường đậu bài một (đẹp) và bài ba (dữ liệu có nghĩa), nhưng trượt bài hai: không ai mở một ứng dụng riêng để kiểm tra số liệu khi có thể hỏi trợ lý hoặc đọc email sáng.
Mình từng ngồi dựng dashboard Tableau cho một dự án nội bộ, cắt gọt từng pixel theo đúng sách Few dạy: một màn hình, không cuộn, biểu đồ đường nhỏ thay đồng hồ, báo ngoại lệ bằng màu. Kết quả sử dụng sau ba tháng: bốn lượt xem mỗi tháng, cả bốn lượt đều từ chính mình. Sếp vẫn hỏi qua Slack: “tuần này số liệu thế nào?”
Kéo sang đẩy
Cái mà Databricks đánh cược khi tắt API dashboard cũ và buộc chuyển sang AI/BI Dashboards không phải là thay giao diện đẹp hơn. Họ đánh cược vào một chuyển đổi mô hình tương tác: từ kéo (người dùng mở dashboard, lọc, bấm sâu, tự diễn giải) sang hỏi-đáp (người dùng hỏi bằng ngôn ngữ tự nhiên, nhận câu trả lời kèm giải thích và đề xuất hành động).
Cái chết của dashboard, nói cho chính xác, là cái chết của con người với vai trò người phiên dịch giữa dữ liệu và quyết định. Trong mô hình cũ, con người mở Tableau, Power BI, Looker, lọc theo vùng miền, bấm sâu vào từng quý, đọc biểu đồ, rồi tự dịch con số thành hành động. Dashboard là một điểm đến tĩnh; con người là cầu nối sống giữa pixel và quyết định.
Trong mô hình mới, giao diện hội thoại bắt đầu làm thay việc phiên dịch đó. Người dùng hỏi: “điều gì đẩy doanh thu quý vừa rồi tăng?” Một tác tử AI đối chiếu câu hỏi với định nghĩa chỉ số của công ty, chạy truy vấn, giải thích “vì sao” và đề xuất hành động. Looker đã ra mắt Conversational Analytics chạy trên nền Gemini và LookML. Databricks có Genie chạy trên Unity Catalog. ThoughtSpot, Omni, Cube đều đi cùng hướng.
Nghe lý tưởng quá. Nhưng khoa học đặt ra bốn vấn đề rất thực.
Bốn lý do chưa chết
Thứ nhất, AI hiểu sai câu hỏi. Khi AI trả số sai trong mô hình hỏi-đáp, thường không phải vì nó bịa mà vì nó chọn sai bảng, nối dữ liệu sai mức chi tiết, hoặc tổng hợp sai. Bạn hỏi doanh thu tháng, nó trả doanh thu ngày rồi cộng thiếu. Lỗi này đòi một tầng kiến trúc mà đa số công ty chưa có.
Tầng đó gọi là lớp ngữ nghĩa (semantic layer): một bộ từ điển nghiệp vụ được quản trị, quy định thống nhất “doanh thu” nghĩa là gì, tính từ bảng nào, nối với bảng nào, ở mức chi tiết nào, ai được xem gì. Nó là lớp kiểm soát quyết định công ty có một định nghĩa cho “doanh thu” hay năm định nghĩa khác nhau ẩn trong năm dashboard khác nhau.
Bằng chứng cứng: neo trong mô hình ngữ nghĩa (như LookML của Looker) giảm khoảng hai phần ba lỗi so với để AI tự truy vấn trên cấu trúc bảng thô. Hệ thống có từ điển nghiệp vụ kết hợp lớp ngữ nghĩa và giám sát chất lượng đạt gấp khoảng ba lần độ chính xác. Gartner đã nâng lớp ngữ nghĩa thành “hạ tầng thiết yếu” trong Hype Cycle BI & Analytics 2025.
Không có lớp ngữ nghĩa, AI rơi về text-to-SQL trên sơ đồ thô, tái lập đúng rủi ro mà lớp ngữ nghĩa sinh ra để loại bỏ. Nói cách khác: bạn thay dashboard bằng chatbot, nhưng chatbot trả lời sai một cách tự tin.
Thứ hai, truy vết nguồn gốc. Lãnh đạo không đặt cược quyết định vào một con số từ AI nếu không truy được nguồn. Một con số phải có lý lịch rõ ràng: lấy từ bảng nào, qua phép tính nào, với định nghĩa nào. Thiếu lý lịch, text-to-insight thành text-to-opinion.
Thứ ba, giám sát liên tục. Dashboard vẫn hữu dụng cho một chức năng cụ thể: liếc qua để biết có gì bất thường không. Đây đúng là chức năng mà Stephen Few thiết kế cho nó: dùng màu sắc và vị trí để vấn đề tự nhảy ra thay vì buộc người dùng đi tìm. Màn hình ICU trong phòng hồi sức báo nhịp tim bất thường bằng tiếng bíp và màu đỏ, không đợi bác sĩ hỏi “nhịp tim bệnh nhân thế nào?” Dashboard cho giám sát đơn thuần vẫn khó thay bằng hỏi-đáp.
Thứ tư, vệ sinh dữ liệu. Tác tử chỉ tốt bằng dữ liệu nó đứng trên. Chỉ khoảng 7% doanh nghiệp tự nhận dữ liệu “hoàn toàn sẵn sàng cho AI” (Cloudera/HBR, đầu 2026). Gartner dự báo hơn 40% dự án AI tác tử bị bỏ tới 2027, không phải vì mô hình yếu mà vì nền dữ liệu yếu.
Ba tầng trưởng thành
Phổ trưởng thành của text-to-insight cho thấy dashboard không biến mất đột ngột mà bị giáng cấp dần:
Level 1 là text-to-SQL trên bảng thô. Rủi ro ngữ nghĩa cao, AI tự sinh truy vấn trên sơ đồ không có kiểm soát. Đây là vùng nguy hiểm nhất, nơi mà câu trả lời nghe hợp lý nhưng sai cơ bản.
Level 2 là truy vấn các định nghĩa đã được quản trị trong lớp ngữ nghĩa. Tin cậy hơn nhiều, và là nơi đa số sản phẩm giữa 2026 đang đứng. Looker Conversational Analytics, Databricks Genie, ThoughtSpot đều hoạt động ở tầng này.
Level 3 là đẩy insight chủ động: tác tử chủ động nói “cái gì đổi và vì sao” kèm hành động đề xuất, nằm trong các rào chắn quản trị. Ở tầng này, dashboard chỉ còn là màn hình kiểm tra lại, không phải giao diện chính.
Nếu bạn đang ở Level 1 mà tưởng mình đang ở Level 3, bạn đang ở chỗ nguy hiểm nhất: tin vào câu trả lời không có nền tảng.
Nhân vật chính không ai thấy
Trong bài AI Thay CRM/ERP: Đường Băng Phẳng Hay Cái Hào Thật?, mình phân tích CRM/ERP thành “đầu” (lớp ứng dụng) và “thân” (kho dữ liệu gốc). Dashboard biến mất chính là mặt phân tích của ý đó. Dashboard là “đầu” của BI. Nó biến mất. Lớp ngữ nghĩa cộng dữ liệu là “thân”. Nó ở lại.
Và đây là chỗ rẽ quan trọng: giao diện hội thoại sẽ bị hàng hóa hóa. Ai cũng sẽ có Genie, Looker CA, ThoughtSpot. Lợi thế không nằm ở “có chatbot hỏi dữ liệu” mà ở lớp ngữ nghĩa được quản trị tốt kết hợp dữ liệu độc quyền. Chatbot là giao diện. Lớp ngữ nghĩa là cơ sở hạ tầng. Giữ chatbot mà bỏ lớp ngữ nghĩa thì giống như có micro mà không có kịch bản.
Nhà tâm lý học nhận thức George A. Miller đã chỉ ra từ năm 1956 rằng não người chỉ giữ được khoảng bốn đến bảy mục thông tin cùng lúc (nghiên cứu sau này thu hẹp xuống ba đến bốn mục cho các việc phức tạp). Dashboard truyền thống hoạt động bằng cách ép toàn bộ thông tin quan trọng vào một màn hình, hy vọng rằng màu sắc và bố cục sẽ giúp não lọc. Text-to-insight hoạt động ngược lại: thay vì ép thông tin vào tầm nhìn, nó kéo chỉ thông tin người dùng cần ra khỏi kho, đúng lúc, đúng ngữ cảnh.
Nhưng cái kho đó cần có ngôn ngữ. Ngôn ngữ đó là lớp ngữ nghĩa.
Bạn đang sở hữu ngôn ngữ nghiệp vụ của chính mình, hay đang thuê nó từ vendor?