AI hỗ trợ thực hiện các mục tiêu phát triển bền vững ra sao?

Trong thực tế, AI có thể hỗ trợ nhiều Mục tiêu Phát triển Bền vững thông qua chẩn đoán và dự báo trong y tế, theo dõi mùa vụ và khả năng chống chịu khí hậu trong nông nghiệp, cá nhân hóa giáo dục, lập bản đồ khủng hoảng và phân phối viện trợ. Liên Hợp Quốc đồng thời lưu ý rằng AI cũng có thể làm gia tăng thiên lệch, bất bình đẳng, thông tin sai lệch và rủi ro việc làm nếu thiếu quản trị phù hợp.

Giá trị cốt lõi của AI đối với phát triển bền vững nằm trong một chu trình:

Dữ liệu thực tế → Phát hiện mô hình → Dự báo → Tối ưu quyết định → Theo dõi kết quả → Điều chỉnh hành động

Chu trình này đặc biệt hữu ích trong hai lĩnh vực: quản lý tài nguyên và đo lường tác động.

AI biến dữ liệu thành năng lực quản lý bền vững như thế nào?

Các hệ thống môi trường và kinh tế thường tạo ra lượng dữ liệu lớn nhưng phân tán: ảnh vệ tinh, cảm biến, công tơ điện, dữ liệu thời tiết, hồ sơ sản xuất, bản đồ đất, dữ liệu vận tải và báo cáo phát thải. Con người khó xử lý liên tục toàn bộ dữ liệu này bằng phương pháp thủ công.

AI hỗ trợ bằng bốn cơ chế chính.

Nhận diện trạng thái hiện tại

Thị giác máy tính và các mô hình nhận dạng có thể phân tích ảnh vệ tinh, ảnh máy bay không người lái hoặc dữ liệu cảm biến để xác định:

·         Diện tích rừng bị suy giảm

·         Vùng cây trồng thiếu nước

·         Điểm nóng ô nhiễm

·         Rò rỉ trong mạng lưới

·         Biến động sử dụng đất

·         Dấu hiệu suy thoái hệ sinh thái

Nhờ đó, tổ chức không chỉ biết tổng lượng tài nguyên đã sử dụng mà còn biết tài nguyên đang được sử dụng ở đâu, vào thời điểm nào và trong điều kiện nào.

Dự báo nhu cầu và rủi ro

Mô hình học máy có thể kết hợp dữ liệu lịch sử với thời tiết, mùa vụ, hành vi tiêu dùng hoặc công suất thiết bị để dự báo:

·         Nhu cầu điện

·         Nhu cầu nước

·         Sản lượng nông nghiệp

·         Khả năng phát sinh chất thải

·         Nguy cơ cháy rừng

·         Ngập lụt hoặc hạn hán

·         Hỏng hóc thiết bị

Dự báo giúp chuyển hoạt động quản lý từ phản ứng sau sự cố sang phòng ngừa trước sự cố.

Tối ưu phân bổ tài nguyên

Khi đã biết trạng thái và nhu cầu dự kiến, thuật toán tối ưu có thể đề xuất phương án phân bổ phù hợp hơn: điều chỉnh lịch tưới, phối hợp nguồn điện, sắp xếp tuyến vận chuyển, cân bằng tồn kho hoặc lựa chọn thời điểm bảo trì.

AI tạo giá trị ở đây bằng cách đánh giá đồng thời nhiều ràng buộc mà một quyết định đơn lẻ khó bao quát, chẳng hạn chi phí, phát thải, thời gian, công suất, độ tin cậy và mức độ phục vụ.

Đo lường kết quả và cải tiến liên tục

Sau khi quyết định được thực hiện, dữ liệu mới quay trở lại hệ thống. AI so sánh kết quả thực tế với đường cơ sở và mục tiêu, từ đó nhận diện sai lệch và hỗ trợ điều chỉnh.

Vì vậy, AI không nên được xem là một công cụ dự báo độc lập. Giá trị lớn hơn nằm ở khả năng hình thành vòng phản hồi liên tục giữa quan sát, quyết định và kết quả.

AI hỗ trợ quản lý năng lượng và giảm phát thải

Trong hệ thống năng lượng, cung và cầu phải được cân bằng gần như theo thời gian thực. Yêu cầu này ngày càng phức tạp khi tỷ trọng điện gió và điện mặt trời tăng, bởi sản lượng phụ thuộc vào thời tiết.

AI có thể hỗ trợ:

·         Dự báo sản lượng năng lượng tái tạo

·         Dự báo phụ tải theo thời gian và khu vực

·         Điều phối pin lưu trữ

·         Tối ưu vận hành tòa nhà và nhà máy

·         Phát hiện thiết bị tiêu thụ bất thường

·         Lập kế hoạch bảo trì dự đoán

·         Xác định nguồn phát thải hoặc rò rỉ

UNEP ghi nhận các ứng dụng từ thiết kế tòa nhà tiết kiệm năng lượng, theo dõi phá rừng đến tối ưu triển khai năng lượng tái tạo. Ở quy mô lớn, AI còn có thể hỗ trợ phân tích dữ liệu vệ tinh để giám sát phát thải.

Một ví dụ rõ ràng là giám sát methane. AI có thể xử lý ảnh vệ tinh, phân biệt tín hiệu phát thải với nhiễu và ưu tiên những điểm cần xác minh. Tháng 7 năm 2026, UNEP cho biết việc chuyển dữ liệu quan sát vệ tinh thành hành động giảm methane trong ngành dầu khí đã tạo ra lợi ích khí hậu tương đương loại bỏ lượng phát thải hằng năm của gần 24 triệu ô tô chạy xăng.

Tuy nhiên, dự báo tốt không tự động tạo ra mức giảm phát thải. Hệ thống chỉ mang lại tác động khi kết quả phân tích được liên kết với quyền ra quyết định, quy trình vận hành và trách nhiệm xử lý cụ thể.

AI giúp sử dụng nước, đất và vật tư nông nghiệp chính xác hơn

Trong nông nghiệp, việc sử dụng nước, phân bón và thuốc bảo vệ thực vật thường bị chi phối bởi mức độ bất định cao của đất, thời tiết, sâu bệnh và sinh trưởng cây trồng.

AI có thể kết hợp dữ liệu từ cảm biến độ ẩm, dự báo thời tiết, ảnh vệ tinh, ảnh cây trồng và lịch sử mùa vụ để xác định:

·         Khu vực nào thực sự cần tưới

·         Thời điểm tưới phù hợp

·         Dấu hiệu sâu bệnh xuất hiện sớm

·         Mức dinh dưỡng khác nhau giữa các vùng

·         Thời điểm gieo trồng hoặc thu hoạch tối ưu

·         Khả năng mất mùa hoặc suy giảm năng suất

FAO xác định nông nghiệp chính xác, nông nghiệp thông minh với khí hậu, tối ưu chuỗi cung ứng và tiếp cận thị trường là những hướng mà công nghệ số và AI có thể góp phần xây dựng hệ thống nông sản hiệu quả, bền vững và có khả năng chống chịu tốt hơn.

Tại một số cộng đồng ở Nepal, hệ thống sử dụng AI cùng hơn 30 năm dữ liệu thời tiết địa phương để tạo dự báo ba ngày, bảy ngày và theo mùa, sau đó chuyển dự báo thành khuyến nghị về gieo trồng, tưới, bón phân, kiểm soát sâu bệnh hoặc trì hoãn thu hoạch. Trường hợp này cho thấy AI có giá trị nhất khi thông tin kỹ thuật được chuyển thành hành động phù hợp với người sử dụng.

Giới hạn quan trọng là dữ liệu nông nghiệp thường không đồng nhất. Một mô hình chính xác tại vùng đất hoặc khí hậu này có thể không hoạt động tốt tại vùng khác. Do đó, kết quả cần được kiểm chứng tại địa phương và kết hợp với kiến thức của nông dân, chuyên gia đất, khí tượng và quản lý nguồn nước.

AI hỗ trợ kinh tế tuần hoàn và giảm lãng phí tài nguyên

Kinh tế tuần hoàn yêu cầu doanh nghiệp hiểu vật liệu đi vào đâu, được sử dụng bao lâu, tạo ra chất thải ở công đoạn nào và có thể quay lại chu trình sản xuất hay không.

AI có thể hỗ trợ chu trình này bằng cách:

·         Dự báo nhu cầu để hạn chế sản xuất dư thừa

·         Kiểm tra lỗi sản phẩm bằng thị giác máy tính

·         Dự báo thời điểm thiết bị cần bảo trì

·         Tự động phân loại vật liệu tái chế

·         Theo dõi dòng nguyên liệu trong chuỗi cung ứng

·         Ghép nối nguồn phế liệu với nhu cầu nguyên liệu thứ cấp

·         Tối ưu tuyến thu gom và tải trọng vận chuyển

Cơ chế tạo tác động không nằm ở việc “số hóa” một quy trình vốn lãng phí. AI chỉ tạo lợi ích khi quyết định mới thực sự làm giảm nguyên liệu đầu vào, kéo dài vòng đời sản phẩm, tăng tỷ lệ thu hồi hoặc giảm lượng chất thải cuối cùng.

Ví dụ, hệ thống kiểm tra lỗi có thể giúp phát hiện sai lệch sớm trước khi toàn bộ lô hàng bị loại bỏ. Bảo trì dự đoán có thể kéo dài thời gian sử dụng thiết bị. Dự báo nhu cầu tốt hơn có thể giảm tồn kho và hàng hết hạn. Nhưng nếu hiệu quả cao hơn làm doanh nghiệp tăng sản lượng quá mức, tổng mức sử dụng tài nguyên vẫn có thể tăng. Đây là hiệu ứng dội ngược cần được theo dõi ở cấp hệ thống.

AI tăng khả năng quan sát môi trường và đa dạng sinh học

Nhiều thay đổi môi trường diễn ra trên phạm vi rộng, ở khu vực khó tiếp cận hoặc trong khoảng thời gian dài. Hoạt động khảo sát thủ công thường tốn kém và không đủ tần suất để phát hiện sớm.

AI có thể xử lý ảnh vệ tinh, camera bẫy, cảm biến âm thanh và dữ liệu hiện trường để:

·         Lập bản đồ che phủ đất

·         Phát hiện phá rừng

·         Theo dõi thay đổi sinh cảnh

·         Nhận dạng loài

·         Phát hiện hoạt động khai thác bất thường

·         Đánh giá chất lượng nước hoặc không khí

·         Ước tính biến động tài nguyên thiên nhiên

UNEP đã phát triển các nền tảng dữ liệu môi trường tích hợp thông tin về chất lượng nước, ô nhiễm không khí, hệ sinh thái, đất và đại dương. AI giúp tìm mẫu và bất thường trong các tập dữ liệu lớn này, qua đó hỗ trợ giám sát và ra quyết định.

AI cũng có thể hỗ trợ hạch toán vốn tự nhiên bằng cách rút ngắn quá trình xử lý dữ liệu hệ sinh thái. Tuy nhiên, mô hình không thể tự xác định giá trị đạo đức, xã hội hoặc văn hóa của thiên nhiên. Những giá trị này cần sự tham gia của cộng đồng và cơ chế quản trị, không thể được thay thế hoàn toàn bằng chỉ số thuật toán.

AI cải thiện việc đo lường tác động bền vững

Một khó khăn phổ biến trong quản trị bền vững là khoảng cách giữa cam kết và bằng chứng. Doanh nghiệp hoặc cơ quan công quyền có thể đặt mục tiêu giảm phát thải, tiết kiệm nước hay phục hồi hệ sinh thái, nhưng thiếu dữ liệu đủ chi tiết để xác định thay đổi thực sự đến từ đâu.

AI có thể cải thiện đo lường tác động qua năm bước.

Xây dựng đường cơ sở

Hệ thống tổng hợp dữ liệu lịch sử để xác định trạng thái trước can thiệp: mức tiêu thụ năng lượng, phát thải, lượng nước sử dụng, tỷ lệ chất thải hoặc tình trạng hệ sinh thái.

Đường cơ sở phải có phạm vi, thời gian và phương pháp tính nhất quán. Nếu đường cơ sở thay đổi tùy tiện, mức cải thiện được báo cáo sẽ không đáng tin cậy.

Tự động hóa thu thập và làm sạch dữ liệu

AI có thể phát hiện bản ghi thiếu, đơn vị không nhất quán, giá trị bất thường hoặc dữ liệu trùng lặp. Điều này giảm công việc thủ công, nhưng không loại bỏ trách nhiệm kiểm tra nguồn dữ liệu.

Một mô hình không thể sửa chữa hoàn toàn dữ liệu đầu vào không đại diện hoặc sai về phương pháp.

Liên kết hoạt động với chỉ số

AI có thể kết nối dữ liệu vận hành với các chỉ số như:

·         Năng lượng tiêu thụ trên một đơn vị sản phẩm

·         Phát thải trên một đơn vị doanh thu hoặc sản lượng

·         Nước sử dụng theo địa điểm và mức độ khan hiếm

·         Tỷ lệ vật liệu tái chế

·         Lượng chất thải tránh được

·         Diện tích sinh cảnh được bảo vệ hoặc phục hồi

Việc chuẩn hóa theo đơn vị hoạt động giúp phân biệt giữa cải thiện hiệu suất và giảm tác động tuyệt đối. Một doanh nghiệp có thể giảm phát thải trên mỗi sản phẩm nhưng tổng phát thải vẫn tăng nếu sản lượng tăng nhanh hơn.

Phát hiện bất thường và nguy cơ báo cáo sai

AI có thể cảnh báo khi số liệu giữa các hệ thống không khớp, biến động vượt ngưỡng hoặc một cơ sở có kết quả khác thường so với mô hình vận hành.

Cảnh báo chỉ là tín hiệu kiểm tra, không phải bằng chứng gian lận. Kết luận cuối cùng vẫn cần dữ liệu gốc, quy trình xác minh và đánh giá của con người.

Theo dõi tác động gần thời gian thực

Thay vì chờ báo cáo cuối năm, tổ chức có thể theo dõi chỉ số thường xuyên hơn và can thiệp khi kết quả lệch mục tiêu.

Điều này biến đo lường bền vững từ hoạt động báo cáo sau sự kiện thành công cụ quản lý. Tuy nhiên, tốc độ không quan trọng bằng tính đúng đắn: một bảng điều khiển cập nhật liên tục vẫn có thể gây hiểu sai nếu chỉ số, ranh giới hệ thống hoặc hệ số quy đổi không phù hợp.

Điều kiện để kết quả đo lường bằng AI đáng tin cậy

Một hệ thống AI đo lường tác động cần đáp ứng ít nhất sáu điều kiện.

Chỉ số phải gắn với mục tiêu thực tế

Chỉ số cần phản ánh kết quả môi trường hoặc xã hội, không chỉ phản ánh số hoạt động đã thực hiện. Số cảm biến được lắp đặt hay số mô hình được triển khai không chứng minh rằng phát thải hoặc lãng phí đã giảm.

Dữ liệu phải có khả năng truy xuất

Mỗi kết quả cần truy ngược được về nguồn, thời điểm, phương pháp thu thập, đơn vị và các bước biến đổi. Nếu không có dấu vết dữ liệu, việc kiểm toán trở nên khó khăn.

Ranh giới đo lường phải rõ ràng

Tổ chức phải xác định hệ thống bao gồm cơ sở nào, giai đoạn nào trong vòng đời và loại tác động nào. Việc chỉ chọn phần thuận lợi có thể tạo ra kết luận sai về tổng tác động.

Mô hình phải được kiểm định

Độ chính xác trung bình chưa đủ. Cần kiểm tra sai số theo vùng, mùa, nhóm dân cư hoặc điều kiện vận hành để phát hiện trường hợp mô hình hoạt động kém.

Kết quả phải có mức độ bất định

Dự báo và ước tính nên đi kèm khoảng sai số hoặc mức độ tin cậy. Việc trình bày một con số tuyệt đối có thể tạo cảm giác chính xác giả tạo.

Quyết định quan trọng cần giám sát của con người

AI có thể đề xuất hoặc ưu tiên hành động, nhưng các quyết định ảnh hưởng lớn đến con người, sinh kế hoặc hệ sinh thái cần cơ chế xem xét, giải trình và khiếu nại.

AI cũng tạo ra dấu chân môi trường và xã hội

Không thể đánh giá AI và phát triển bền vững chỉ bằng lợi ích của ứng dụng. Toàn bộ vòng đời của hệ thống còn bao gồm khai thác nguyên liệu, sản xuất phần cứng, xây dựng trung tâm dữ liệu, tiêu thụ điện, sử dụng nước làm mát và xử lý thiết bị cuối vòng đời. UNEP nhấn mạnh rằng tác động môi trường cần được đánh giá trên toàn bộ vòng đời AI, thay vì chỉ nhìn vào giai đoạn mô hình đang vận hành.

IEA dự báo điện năng tiêu thụ của các trung tâm dữ liệu toàn cầu có thể tăng lên khoảng 945 TWh vào năm 2030, gần gấp đôi mức hiện tại và tương đương dưới 3% nhu cầu điện toàn cầu. Trong giai đoạn 2024–2030, mức tiêu thụ này có thể tăng khoảng 15% mỗi năm.

Phát thải gián tiếp từ điện dùng cho trung tâm dữ liệu cũng có thể tăng đáng kể nếu nguồn điện chưa được khử carbon. IEA ước tính phát thải liên quan đến điện của trung tâm dữ liệu trong kịch bản cơ sở có thể tăng từ khoảng 180 triệu tấn hiện nay lên 300 triệu tấn vào năm 2035.

Do đó, một ứng dụng AI chỉ nên được coi là hỗ trợ bền vững khi lợi ích đo được lớn hơn tác động phát sinh từ chính hệ thống. Phép đánh giá cần bao gồm:

·         Điện năng và nguồn điện sử dụng

·         Nước phục vụ làm mát

·         Phần cứng và vòng đời thiết bị

·         Tần suất huấn luyện hoặc chạy mô hình

·         Mức giảm tác động thực tế do ứng dụng tạo ra

·         Khả năng sử dụng mô hình nhỏ hoặc phương pháp không dùng AI

AI không phải lúc nào cũng là lựa chọn tối ưu. Một quy tắc đơn giản, cảm biến thông thường hoặc cải tiến quy trình có thể đạt cùng kết quả với ít tài nguyên hơn.

Quản trị AI quyết định công nghệ có tạo ra phát triển bền vững hay không

AI có thể tối ưu theo mục tiêu được giao, nhưng không tự quyết định mục tiêu nào là công bằng hoặc bền vững.

Nếu hệ thống chỉ tối thiểu hóa chi phí, nó có thể chuyển gánh nặng môi trường sang cộng đồng yếu thế. Nếu dữ liệu chủ yếu đến từ khu vực có hạ tầng tốt, mô hình có thể phục vụ kém những khu vực thiếu dữ liệu. Nếu thuật toán được triển khai mà không có quyền giải trình, người bị ảnh hưởng khó phản đối quyết định sai.

Một khung quản trị phù hợp cần xác định:

·         Mục tiêu bền vững cụ thể

·         Chủ thể chịu trách nhiệm

·         Tiêu chuẩn chất lượng dữ liệu

·         Cơ chế đánh giá sai lệch

·         Quyền truy cập và bảo vệ dữ liệu

·         Quy trình kiểm định mô hình

·         Cơ chế giám sát của con người

·         Phương thức công bố tác động

·         Tiêu chí dừng hoặc thay thế hệ thống

Bất bình đẳng số cũng là một giới hạn quan trọng. Những tổ chức sở hữu dữ liệu, hạ tầng tính toán và nhân lực kỹ thuật có khả năng hưởng lợi nhiều hơn. Nếu thiếu đầu tư vào dữ liệu công, năng lực địa phương và khả năng tiếp cận công nghệ, AI có thể làm rộng thêm khoảng cách phát triển thay vì thu hẹp khoảng cách đó.

Cách triển khai AI cho mục tiêu bền vững

Một dự án nên bắt đầu từ vấn đề cần giải quyết, không bắt đầu từ mong muốn sử dụng AI.

Xác định kết quả cần thay đổi

Mục tiêu nên được mô tả bằng kết quả đo được, chẳng hạn giảm lượng điện tiêu thụ, giảm thất thoát nước, tăng tỷ lệ thu hồi vật liệu hoặc rút ngắn thời gian phát hiện sự cố.

Thiết lập đường cơ sở và chỉ số

Cần xác định trạng thái hiện tại, ranh giới đo lường, đơn vị, tần suất cập nhật và nguồn dữ liệu trước khi xây dựng mô hình.

Kiểm tra liệu AI có cần thiết hay không

So sánh AI với các phương án đơn giản hơn như thay đổi quy trình, quy tắc thống kê, nâng cấp thiết bị hoặc đào tạo nhân sự.

Thử nghiệm trong phạm vi kiểm soát

Dự án thí điểm cần có nhóm hoặc giai đoạn so sánh để phân biệt tác động của AI với các thay đổi khác.

Đánh giá lợi ích ròng

Tính cả tài nguyên dùng cho mô hình, hạ tầng, thu thập dữ liệu và vận hành. Không nên chỉ báo cáo phần giảm tác động mà bỏ qua phần tác động mới phát sinh.

Mở rộng có điều kiện

Chỉ mở rộng khi mô hình duy trì hiệu quả trong nhiều điều kiện, dữ liệu có thể truy xuất, rủi ro đã được kiểm soát và người chịu ảnh hưởng có cơ chế phản hồi.

AI hỗ trợ phát triển bền vững tốt nhất khi được sử dụng như một hạ tầng ra quyết định có thể kiểm chứng. Công nghệ giúp quan sát tài nguyên chi tiết hơn, dự báo nhu cầu và rủi ro, tối ưu vận hành, phát hiện bất thường và theo dõi tác động thường xuyên hơn.

Tuy nhiên, AI không tự bảo đảm tính bền vững. Kết quả phụ thuộc vào mục tiêu được lựa chọn, chất lượng dữ liệu, cách đo lường, nguồn năng lượng, mức độ minh bạch và cơ chế chịu trách nhiệm. Câu hỏi quan trọng vì thế không chỉ là “AI có thể làm gì?”, mà còn là “AI tạo ra mức cải thiện nào, trong điều kiện nào, với chi phí môi trường và xã hội bao nhiêu?”.

Một hệ thống chỉ thực sự đóng góp cho các mục tiêu phát triển bền vững khi tác động tích cực được đo bằng kết quả thực tế, lớn hơn dấu chân của chính công nghệ và được phân bổ công bằng giữa các nhóm liên quan.