Tóm tắt: Trong bối cảnh biến đổi khí hậu toàn cầu và áp lực chuyển dịch sang mô hình phát triển bền vững, thực hiện chiến lược Net Zero và phát triển kinh tế xanh đã trở thành yêu cầu cấp thiết đối với cộng đồng doanh nghiệp. Bài viết nghiên cứu vai trò và khả năng ứng dụng AI như một công cụ đột phá nhằm tối ưu hóa hiệu quả sử dụng năng lượng, quản lý chất thải và minh bạch hóa chuỗi cung ứng xanh. Trên cơ sở tổng hợp, phân tích kinh nghiệm thực tiễn của các quốc gia, khu vực tiên phong trong ứng dụng công nghệ như Liên minh châu Âu (EU), Hoa Kỳ, Nhật Bản và Singapore, bài viết làm rõ các mô hình thành công, đồng thời chỉ ra những rào cản về hạ tầng, tài chính, thể chế; qua đó, đề xuất một số bài học kinh nghiệm và giải pháp thiết thực nhằm hỗ trợ doanh nghiệp Việt Nam chủ động triển khai chuyển đổi số gắn với chuyển đổi xanh, góp phần hiện thực hóa cam kết phát thải ròng bằng “0” vào năm 2050 của Chính phủ.
Từ khóa: Trí tuệ nhân tạo, kinh tế xanh, chiến lược Net-Zero, phát triển bền vững, doanh nghiệp Việt Nam.
AI APPLICATIONS DRIVING THE GREEN ECONOMY AND NET-ZERO IN ENTERPRISES: INTERNATIONAL EXPERIENCES AND LESSONS FOR VIETNAM
Abstract: In the context of global climate change and the pressure to shift to a sustainable economic model, the implementation of the Net-Zero strategy and green economic development have become an urgent requirement for the business community. The article researches the role and applicability of artificial intelligence (AI) as a breakthrough tool to help optimize energy efficiency, waste management, and green supply chain transparency. By synthesizing and analyzing practical experiences from pioneering countries in technology application such as European Union (EU), the United States, Japan and Singapore, the paper points out successful models as well as barriers in terms of infrastructure, finance and institutions. Thereby, the article proposes lessons learned and practical solutions to support Vietnamese businesses to proactively transform digitally in tandem with green transformation, contributing to the realization of the Government's commitment to net zero emissions by 2025.
Keywords: Artificial Intelligence, green economy, Net-Zero Strategy, sustainable development, Vietnamese enterprise.
 |
| Ảnh minh họa (Nguồn: AI - PN) |
1. Đặt vấn đề
Trong những thập kỷ gần đây, thế giới đang chứng kiến sự chuyển dịch mang tính bước ngoặt từ mô hình kinh tế tuyến tính truyền thống sang mô hình kinh tế xanh và phát triển bền vững. Đối với cộng đồng doanh nghiệp toàn cầu và Việt Nam, phát triển xanh không còn chỉ là hoạt động khuyến khích hay trách nhiệm xã hội tự nguyện, mà đã trở thành yêu cầu cấp thiết để duy trì và nâng cao năng lực cạnh tranh. Sự chuyển dịch này được thúc đẩy mạnh mẽ bởi yêu cầu ngày càng cao về tuân thủ các tiêu chuẩn Môi trường, Xã hội và Quản trị (ESG) ở cả thị trường trong nước và quốc tế. Các định chế tài chính, nhà đầu tư và người tiêu dùng ngày càng khắt khe hơn trong việc lựa chọn doanh nghiệp. Những doanh nghiệp chậm thích ứng với xu hướng ESG có nguy cơ bị loại khỏi chuỗi cung ứng toàn cầu, hạn chế khả năng tiếp cận nguồn vốn xanh và chịu tổn thất đáng kể về uy tín, thương hiệu.
Mối quan tâm lớn nhất và cũng là thách thức cốt lõi của tiến trình này là áp lực thực hiện cam kết Net Zero vào năm 2050. Tại Hội nghị Thượng đỉnh về Biến đổi khí hậu của Liên hợp quốc (COP26), Việt Nam cùng nhiều quốc gia đã cam kết đưa mức phát thải ròng về “0” vào giữa thế kỷ XXI. Để hiện thực hóa mục tiêu này, các doanh nghiệp cần chủ động kiểm soát và cắt giảm đáng kể lượng khí nhà kính phát sinh từ hoạt động sản xuất, kinh doanh và vận hành.
Tuy nhiên, lộ trình này đang gặp phải rào cản lớn từ những hạn chế của các phương pháp quản lý phát thải truyền thống. Các phương pháp này chủ yếu dựa vào kiểm toán thủ công, ghi chép định kỳ, ước tính dữ liệu hồi cứu, dẫn đến độ trễ về thời gian, sai số cao và thiếu tính minh bạch. Đặc biệt, việc dự báo xu hướng phát thải và tối ưu hóa nguồn lực theo thời gian thực gần như không khả thi. Hệ quả là doanh nghiệp gặp khó khăn trong việc đưa ra các quyết định giảm phát thải mang tính chiến lược, đồng thời kiểm soát và tối ưu hóa chi phí.
Trước bối cảnh đó, sự phát triển của AI mở ra phương thức tiếp cận mới trong ứng phó với biến đổi khí hậu. Nhờ khả năng phân tích dữ liệu lớn (Big Data) và ứng dụng các thuật toán học máy (Machine Learning - ML), AI có thể tự động hóa việc đo lường phát thải carbon với độ chính xác cao, dự báo nhu cầu năng lượng và mô phỏng các kịch bản giảm phát thải tối ưu. Từ tối ưu hóa hiệu suất máy móc, quản lý lưới điện thông minh đến thiết kế chuỗi cung ứng tuần hoàn, AI cung cấp các giải pháp dựa trên dữ liệu, giúp doanh nghiệp chủ động cắt giảm phát thải, nâng cao hiệu quả sử dụng nguồn lực và tối ưu chi phí.
Thời gian qua, nhận thức về vai trò của AI và kinh tế xanh ở Việt Nam đã có những chuyển biến tích cực, nhưng việc ứng dụng AI trong doanh nghiệp vẫn đang ở giai đoạn sơ khai. Phần lớn các mô hình triển khai còn nhỏ lẻ, tự phát, thiếu chiến lược đồng bộ giữa chuyển đổi số và chuyển đổi xanh. Đặc biệt, các doanh nghiệp nhỏ và vừa (SMEs) phải đối mặt với nhiều rào cản về chi phí đầu tư công nghệ, thiếu hụt dữ liệu nền tảng. Hệ thống dữ liệu về môi trường và phát thải hiện còn phân tán, chưa được chuẩn hóa, gây khó khăn cho việc xây dựng, vận hành các mô hình AI.
Từ thực tiễn trên cho thấy, nghiên cứu và tìm kiếm các giải pháp ứng dụng AI nhằm thúc đẩy kinh tế xanh là yêu cầu cấp thiết. Bài viết tập trung phân tích kinh nghiệm của các quốc gia đi đầu trong ứng dụng AI vào thực hiện chiến lược Net Zero, qua đó rút ra bài học và đề xuất các giải pháp khả thi, đồng bộ, giúp doanh nghiệp Việt Nam vượt qua rào cản, tận dụng hiệu quả sức mạnh công nghệ và thúc đẩy chuyển đổi trong kỷ nguyên kinh tế xanh.
2. Kinh nghiệm quốc tế
2.1. EU đi đầu về hạch toán và tín chỉ carbon
Biện pháp áp dụng
EU đang tiên phong tích hợp AI vào Hệ thống giao dịch phát thải (EU-ETS) nhằm theo dõi và kiểm soát chặt chẽ các giới hạn phát thải carbon. Các hệ thống AI tạo sinh và mô hình học sâu (điển hình như mạng Long Short-Term Memory - LSTM), một kiến trúc mạng nơ-ron hồi quy (Recurrent Neural Network - RNN) được ứng dụng để tạo ra các kịch bản số hóa, cho phép dự báo lượng khí thải carbon một cách chính xác theo thời gian thực thay vì phụ thuộc vào các phương pháp đo lường tĩnh truyền thống (Ezenkwu và cộng sự, 2024). Bên cạnh đó, các nền tảng AI chuyên sâu (như hệ thống GreenIQ) đã chứng minh khả năng tự hành trong việc tổng hợp, phân tích thông tin thị trường carbon đa vùng lãnh thổ, qua đó tinh giản và tự động hóa toàn bộ quy trình thẩm định báo cáo phát thải (Fagbohun và cộng sự, 2025).
Công nghệ AI giúp chuẩn hóa và minh bạch hóa cơ sở dữ liệu khổng lồ từ nhiều khu vực pháp lý, đảm bảo tính nhất quán và độ tin cậy cao trong quá trình đối soát thông tin môi trường (Flourentzou, P., 2025). Các thuật toán ML tiên tiến như mô hình Extreme Gradient Boosting (XGBoost) kết hợp với thuật toán tối ưu hóa bầy sói xám Grey Wolf Optimizer - GWO (là thuật toán tối ưu hóa lấy cảm hứng từ cách săn mồi và tổ chức xã hội của loài sói xám, được dùng để tìm ra lời giải tốt nhất cho một bài toán bằng cách mô phỏng cách một đàn sói tìm và bao vây con mồi), mang lại khả năng dự báo giá tín chỉ carbon với độ chính xác vượt trội, tạo nền tảng vững chắc cho việc định giá trên thị trường tài chính khí hậu (Mengdan Feng và cộng sự, 2023). Hệ thống AI cũng hỗ trợ các nhà quản trị doanh nghiệp trực quan hóa sự đánh đổi giữa chi phí vận hành, khả năng phục hồi chuỗi cung ứng và mức phát thải, từ đó điều chỉnh chiến lược kinh doanh kịp thời để đáp ứng các quy định khắt khe về định giá carbon (Belhadi và cộng sự, 2024).
Tuy nhiên, việc triển khai các hệ thống tính toán AI này yêu cầu nguồn vốn đầu tư hạ tầng rất lớn, đồng thời tạo áp lực buộc các doanh nghiệp trong chuỗi cung ứng (đặc biệt là nhóm SMEs) phải tuân thủ nghiêm ngặt các khuôn khổ báo cáo phức tạp như chỉ thị báo cáo bền vững doanh nghiệp của EU (Flourentzou, P., 2025). Mặt khác, chính việc vận hành các mô hình thuật toán AI và các trung tâm dữ liệu cũng tiêu thụ một lượng điện năng khổng lồ, đặt ra bài toán về việc tối ưu hóa năng lượng để tránh làm gia tăng thêm "dấu chân môi trường" của công nghệ.
Khả năng áp dụng tại Việt Nam
Việc tham khảo mô hình dự báo và thẩm định carbon số hóa bằng AI của EU đặc biệt phù hợp với lộ trình phát triển của Việt Nam, nhất là trong giai đoạn Việt Nam đang hoàn thiện khung pháp lý để chuẩn bị vận hành thị trường tín chỉ carbon nội địa.
Ứng dụng các thuật toán ML để đo lường và theo dõi chính xác lượng phát thải sẽ là công cụ đắc lực hỗ trợ các doanh nghiệp sản xuất - xuất khẩu Việt Nam minh bạch hóa quy trình hạch toán. Điều này giúp các doanh nghiệp đảm bảo tính cạnh tranh, tránh nguy cơ bị áp thuế khi cơ chế điều chỉnh biên giới carbon của châu Âu đi vào hiệu lực toàn diện.
Tuy nhiên, hệ thống dữ liệu thống kê tại Việt Nam hiện nay vẫn còn nhiều phân mảnh. Sự thiếu hụt nguồn cơ sở dữ liệu phát thải đồng bộ từ quá khứ cùng với những hạn chế về hạ tầng công nghệ lõi như cảm biến và Internet vạn vật (IoT) tại các cơ sở công nghiệp khiến cho việc thiết lập nguồn dữ liệu đầu vào đạt chuẩn để ML có thể xử lý và dự báo gặp nhiều rào cản thực tế (Ezenkwu và cộng sự, 2024).
2.2. Hoa Kỳ tối ưu hóa năng lượng và phát triển công nghệ sạch
Biện pháp áp dụng
Tại Hoa Kỳ, việc ứng dụng AI, đặc biệt là các lõi thuật toán ML, đã được thiết lập thành trụ cột chiến lược trong quá trình chuyển dịch năng lượng. Tiêu biểu nhất là việc tái cấu trúc hệ thống phân phối điện thông qua Lưới điện thông minh (Smart Grid); trong đó, AI đóng vai trò phân tích các siêu dữ liệu tiêu thụ theo thời gian thực nhằm tự động điều phối bài toán cung - cầu (Fathollahi, 2025). Bên cạnh đó, các mô hình hồi quy và học sâu (Deep Learning) đang được các tập đoàn công nghệ sạch khai thác triệt để nhằm dự báo chu kỳ hiệu suất của năng lượng tái tạo (điện gió, quang năng) dựa trên các biến thiên khí tượng, từ đó đồng bộ hóa và tối ưu hóa dây chuyền vận hành tại các trung tâm sản xuất công nghiệp (Zendehboudi, Baseer,Saidur, 2018).
Lợi thế cốt lõi của nền tảng vận hành này là khả năng triệt tiêu gần như hoàn toàn các hao phí năng lượng ẩn. Thông qua cơ chế tinh chỉnh thông số kỹ thuật tự động hóa bằng thuật toán, các doanh nghiệp Mỹ không chỉ hoàn thành mục tiêu phi carbon hóa mà còn hiện thực hóa được biên lợi nhuận trực tiếp nhờ việc tiết giảm đột phá các chi phí tiện ích và vận hành (Ahmad và cộng sự, 2021).
Mặc dù sở hữu tiềm năng lớn, tính bền vững của hệ sinh thái năng lượng điều khiển bằng AI lại có độ đàn hồi thấp và phụ thuộc tuyến tính vào chất lượng vi mạch của mạng lưới IoT. Bất kỳ sự nhiễu loạn hay sai lệch dữ liệu nào từ cụm cảm biến đầu vào đều có nguy cơ đẩy thuật toán đến những vòng lặp tối ưu hóa sai lầm (Zendehboudi, Baseer, Saidur, 2018). Nghiêm trọng hơn, quá trình số hóa diện rộng hạ tầng lưới điện vô tình mở rộng không gian tấn công, đặt các cơ sở trọng yếu trước các rủi ro hệ thống về an ninh mạng và đánh cắp dữ liệu công nghiệp (Gunduz và Das, 2020).
Khả năng áp dụng tại Việt Nam
Khi đối chiếu với bối cảnh vĩ mô tại Việt Nam, mô hình quản trị năng lượng thông minh của Hoa Kỳ cho thấy mức độ tương thích đặc biệt cao với cấu trúc của các khu công nghiệp, khu chế xuất và cụm doanh nghiệp sản xuất công nghiệp nặng - phân khúc đang chiếm tỉ trọng tiêu hao điện năng lớn nhất quốc gia.
Việc chuyển giao và nội địa hóa các giải pháp AI giám sát năng lượng sẽ tạo ra tác động kép: Một mặt giúp các nhà máy gia tăng biên lợi nhuận thông qua việc tối giản chi phí năng lượng; mặt khác, đóng vai trò như một bộ đệm giảm xóc, hỗ trợ hệ thống lưới điện quốc gia (EVN) phân tải áp lực trong các chu kỳ cao điểm, ngăn ngừa đứt gãy chuỗi sản xuất (Tuballa và Abundo, 2016).
Rào cản lớn nhất cản trở tiến trình này là bài toán về dòng vốn đầu tư cơ bản. Việc loại bỏ dây chuyền cũ, thiết lập đồng bộ hệ thống cảm biến đo lường IoT và xây dựng trung tâm máy chủ đủ năng lực xử lý thuật toán đòi hỏi một nguồn lực tài chính khổng lồ mà phần lớn các doanh nghiệp nội địa chưa có khả năng tự chủ.
2.3. Singapore - Mô hình thành phố thông minh và tài chính
Biện pháp áp dụng
Tại Singapore, chiến lược "Quốc gia thông minh" đã thiết lập một hệ sinh thái dữ liệu, trong đó AI và công nghệ IoT được Chính phủ Singapore tài trợ để giám sát hiệu năng vi mô của các dự án "Tòa nhà xanh". Các thuật toán khai phá dữ liệu lớn (Big Data) liên tục đối soát mức độ tiêu thụ tài nguyên thực tế so với các tiêu chuẩn thiết kế sinh thái (Qolomany và cộng sự, 2019). Ở bình diện thị trường vốn, Cơ quan Quản lý Tiền tệ Singapore (MAS) cùng các định chế tài chính đã tiên phong tích hợp AI - đặc biệt là công nghệ xử lý ngôn ngữ tự nhiên (NLP) để cấu trúc hóa các mô hình chấm điểm tín dụng xanh. Hệ thống này tự động thẩm định mức độ tuân thủ các chỉ số ESG của khách hàng doanh nghiệp thông qua việc quét và trích xuất dữ liệu phi cấu trúc từ các báo cáo phát thải (Muganyi và cộng sự, 2021).
Cơ chế vận hành này tạo ra một vòng lặp cộng hưởng mạnh mẽ giữa đổi mới công nghệ và chiến lược thu hút dòng vốn bền vững. Việc lượng hóa chính xác các rủi ro khí hậu bằng máy học giúp các ngân hàng thương mại tối ưu hóa quy trình ra quyết định tín dụng, từ đó định tuyến nguồn vốn một cách an toàn vào các dự án thực sự mang lại giá trị gia tăng về sinh thái, đồng thời nâng hạng tín nhiệm của quốc gia trên bản đồ tài chính xanh toàn cầu.
Rào cản lớn nhất của mô hình thẩm định khắt khe này là nguy cơ gây ra hiện tượng "phân mảnh tín dụng". Sự cứng nhắc của các bộ lọc AI có thể vô tình kéo dài thời gian phê duyệt hoặc tước đi cơ hội tiếp cận nguồn vốn ưu đãi của các doanh nghiệp sản xuất truyền thống, đặc biệt là nhóm SMEs đang thiếu hụt dòng tiền để chuyển đổi số và thích ứng với các tiêu chuẩn môi trường mới (Macchiavello, Siri, 2022).
Khả năng áp dụng tại Việt Nam
Kiến trúc tín dụng xanh của Singapore có tính tương thích cao với bối cảnh vĩ mô tại Việt Nam, đặc biệt khi Ngân hàng Nhà nước Việt Nam (NHNN) đang áp dụng các chính sách nới lỏng room tín dụng nhằm kích thích các ngân hàng thương mại gia tăng dư nợ tài trợ cho các dự án năng lượng tái tạo và nông nghiệp sinh thái.
Việc nhúng các thuật toán AI (như mô hình ngôn ngữ ClimateBert) vào hệ thống quản trị rủi ro tín dụng của các ngân hàng thương mại sẽ cung cấp bộ lọc đắc lực để nhận diện và triệt tiêu rủi ro "tẩy xanh" (greenwashing). Công nghệ này có khả năng bóc tách những tuyên bố bền vững sai lệch hoặc thổi phồng từ phía người đi vay, qua đó bảo vệ tính minh bạch và chất lượng tài sản trong danh mục đầu tư tín dụng của ngân hàng.
Điểm nghẽn mang tính cơ cấu hiện nay là Việt Nam vẫn đang trong quá trình hoàn thiện Bộ tiêu chí phân loại xanh quốc gia. Việc khuyết thiếu một hệ quy chiếu pháp lý đồng bộ khiến các mô hình ML không có đủ cơ sở dữ liệu định mức chuẩn để được huấn luyện, có thể gây ra sự lúng túng cho các tổ chức tín dụng trong việc chuẩn hóa các biến số đầu vào của quy trình thẩm định số hóa.
3. Bài học kinh nghiệm đối với Việt Nam
Từ những kinh nghiệm quốc tế nêu trên, Việt Nam có thể rút ra một số bài học kinh nghiệm trong việc khai thác AI và công nghệ số nhằm thúc đẩy chuyển đổi xanh, nâng cao hiệu quả quản trị rủi ro khí hậu và hỗ trợ thực hiện mục tiêu Net-Zero. Những bài học này tập trung vào năm nhóm giải pháp chủ yếu sau:
Một là, hoàn thiện khung pháp lý và chính sách hỗ trợ chuyển đổi số xanh
Quá trình kiến tạo nền kinh tế Net-Zero không thể tách rời sự cộng hưởng của công nghệ số, hay còn gọi là chiến lược "Chuyển đổi kép" (Twin Transition). Thực tiễn cho thấy, Việt Nam cần khẩn trương thiết lập một hành lang pháp lý đặc thù nhằm chuẩn hóa các quy trình ứng dụng thuật toán ML vào việc lập báo cáo ESG.
Cơ quan quản lý cần xây dựng một cơ chế thử nghiệm có kiểm soát dành riêng cho các dự án công nghệ khí hậu, cho phép doanh nghiệp kiểm chứng các mô hình AI đo lường carbon trước khi áp dụng đại trà. Đồng thời, đồng bộ hóa chuẩn mực quốc tế. Sự hiện diện của một khung pháp lý minh bạch, có tính tương thích cao với các bộ tiêu chuẩn toàn cầu như Ủy ban Chuẩn mực bền vững quốc tế (ISSB) sẽ đóng vai trò như một màng lọc cơ chế. Việc này giúp giám sát chặt chẽ các quy chuẩn thu thập dữ liệu đầu vào, từ đó ngăn chặn rủi ro thao túng thuật toán, gia tăng độ tin cậy của các báo cáo phát thải trên thị trường tài chính (Luxembourg, 2022).
Hai là, xây dựng cơ sở dữ liệu quốc gia và tăng cường chia sẻ dữ liệu
Sự cô lập dữ liệu giữa các bộ, ngành và định chế tài chính hiện là điểm nghẽn nghiêm trọng nhất trong việc huấn luyện các mô hình AI. Trước hết, cần kiến tạo "Hồ dữ liệu" quốc gia: Nhằm tối ưu hóa năng lực tính toán, các cơ quan chức năng (Bộ Tài nguyên và Môi trường, Bộ Tài chính) cần chủ trì việc kiến tạo một hệ sinh thái dữ liệu mở mang tầm quốc gia, tập trung vào các biến số vi mô của ngành năng lượng và hạch toán khí thải. Sau đó, hội tụ và tinh chỉnh thuật toán. Việc hội tụ các tệp dữ liệu phân mảnh về một kiến trúc trung tâm thông qua giao diện lập trình ứng dụng (API) sẽ cung cấp nguồn học liệu đạt chuẩn. Nhờ đó, các mô hình ML có thể liên tục tự đối chiếu, tinh chỉnh trọng số dự báo, qua đó đưa ra các kịch bản phát thải thứ cấp với độ nhiễu thấp nhất, phục vụ trực tiếp cho quá trình định giá tín chỉ carbon (Rolnick và cộng sự, 2023).
Ba là, tích hợp AI vào quy trình thẩm định rủi ro môi trường và cấp tín dụng xanh tại các ngân hàng thương mại
Đối với hệ thống ngân hàng thương mại, việc quản trị rủi ro chuyển đổi và rủi ro vật lý từ biến đổi khí hậu đang trở thành mệnh lệnh kinh doanh cốt lõi.
NHNN cần ban hành các văn bản hướng dẫn tổ chức tín dụng nội hóa công nghệ AI vào quy trình chấm điểm tín dụng số. Bằng cách sử dụng AI để lượng hóa xác suất vỡ nợ dựa trên mức độ vi phạm cam kết Net-Zero, các ngân hàng có thể xây dựng một lăng kính thẩm định đa chiều.
Đặc biệt, trong khuôn khổ quản trị ngân hàng thương mại, các mô hình ML cần được tham số hóa để đo lường rủi ro khí hậu, từ đó hỗ trợ việc tính toán tỉ lệ an toàn vốn (CAR) theo các chuẩn mực Basel hiện đại. Việc ứng dụng AI sẽ giúp ngân hàng đánh giá và phân bổ rủi ro phù hợp giữa các khoản tín dụng tài trợ cho hoạt động xanh (“tài sản xanh”) và các hoạt động có cường độ phát thải cao (“tài sản nâu”), đồng thời đo lường hiệu quả điều chỉnh theo rủi ro của danh mục tín dụng trước khi thực hiện giải ngân hoặc tham gia bảo lãnh phát hành trái phiếu xanh (Sohail và cộng sự, 2025).
Bốn là, giám sát, hỗ trợ doanh nghiệp trong quá trình triển khai
Sự dịch chuyển chuỗi cung ứng sang mô hình sản xuất ứng dụng AI đòi hỏi nguồn vốn đầu tư cơ bản rất lớn, tạo ra rào cản chi phí vượt quá ngưỡng chịu đựng của phần lớn doanh nghiệp nội địa, đặc biệt là nhóm SMEs. Nhà nước cần đóng vai trò kiến tạo thông qua việc thiết lập các Quỹ tài trợ đổi mới sáng tạo chuyên biệt, kết hợp với nguồn vốn viện trợ từ các tổ chức quốc tế. Thêm vào đó là đa dạng hóa công cụ tài trợ. Các công cụ tài chính phái sinh, cơ chế bảo lãnh tín dụng hoặc các gói vay hợp vốn ưu đãi được liên kết trực tiếp với chỉ số bền vững cần được thiết kế riêng để tài trợ cho các hạng mục đầu tư nâng cấp hạ tầng IoT. Điều này giúp doanh nghiệp hạn chế các cú sốc tài chính trong ngắn hạn và yên tâm triển khai các hệ thống AI tối ưu hóa năng lượng số (Rolnick và cộng sự, 2023).
Năm là, nâng cao năng lực chuyên môn và hợp tác quốc tế
Quá trình chuyển đổi xanh chỉ thực sự đi vào chiều sâu và tạo ra giá trị thặng dư khi nền kinh tế giải quyết được tình trạng đứt gãy nguồn nhân lực chất lượng cao.
Cấu trúc đào tạo bậc đại học và sau đại học cần được định chuẩn lại nhằm kiến tạo một thế hệ chuyên gia có khả năng tư duy liên ngành: Vừa tinh thông các mô hình toán kinh tế, định giá tài sản, vừa làm chủ được hệ thống lý thuyết về kiến trúc dữ liệu và thuật toán AI.
Việc chủ động hợp tác quốc tế, tham gia vào các liên minh khí hậu toàn cầu và hấp thụ các chuyển giao công nghệ lõi từ những định chế tài chính quốc tế sẽ là đòn bẩy chiến lược. Sự hợp tác này giúp Việt Nam rút ngắn chu kỳ rà soát, nhanh chóng thích ứng với các tiêu chuẩn Net-Zero toàn cầu và tránh được những sai lầm tốn kém trong giai đoạn đầu chuyển đổi (Sachs và cộng sự, 2019).
Tài liệu tham khảo:
1. Ahmad, T., Zhang, D., Huang, C., Zhang, H., Dai, N., Song, Y., & Chen, H. (2021), Artificial intelligence in sustainable energy industry: Status quo, challenges and opportunities. Journal of Cleaner Production, 289, 125834.
2.Ali, M., Prakash, S., & Hossain, E. (2023), Machine learning in smart grids: Architecture, data integration, and optimization strategies. Journal of Artificial Intelligence Research and Applications, 15(2), 112-135.
3.Belhadi, A., Kamble, S. S., Jabbour, C. J. C., Gunasekaran, A., Ndubisi, N. O., & Venkatesh, M. (2021), Artificial intelligence-driven innovation for enhancing supply chain resilience and performance under the effect of supply chain disruptions: An empirical investigation. Annals of Operations Research, 1-29.
4. Ezenkwu, C. P., et al. (2024), Monitoring carbon emissions using deep learning and statistical process control: A strategy for impact assessment of governments’ carbon reduction policies. Environmental Monitoring and Assessment, 196.
5. Fagbohun, O., et al. (2025), GreenIQ: A deep search platform for comprehensive carbon market analysis and automated report generation. arXiv preprint arXiv:2503.16041.
6. Feng, M., et al. (2023), Carbon price prediction based on decomposition technique and extreme gradient boosting optimized by the grey wolf optimizer algorithm. Scientific Reports, 13.
7. Flourentzou, P. (2025), Decentralised sustainability: Integrating climate action into digital asset management on distributed ledger technology (DLT). BlockStand.
8. Gunduz, M. Z., & Das, R. (2020), Cyber-security on smart grid: Threats, attack surfaces, and potential AI-based solutions. Computer Networks, 169.
9. Macchiavello, E., & Siri, M. (2022), Sustainable finance and fintech: Can technology contribute to achieving environmental goals? A preliminary assessment of 'green Fintech'. European Business Organization Law Review, 23(1), 125-154.
10. Muganyi, T., Yan, L., & Sun, H. (2021), Green finance, fintech and environmental protection: Evidence from China. Environmental Science and Ecotechnology, 7, 100107.
11. Nguyen, T. T., Le, H. A., & Vu, M. P. (2024), Assessing the potential and financial barriers (CAPEX) of smart energy management systems in Vietnam's industrial zones. Energy Policy & Economics, 42(1), 88-105.
12. Qolomany, B., Al-Fuqaha, A., Gupta, A., Benhaddou, D., Alhajri, S., Du, J., & Hasan, O. (2019), Leveraging machine learning and big data for smart buildings: A comprehensive survey. IEEE Access, 7, 90316-90356.
13. Zendehboudi, A., Baseer, M. A., & Saidur, R. (2021), Application of support vector machine models for forecasting renewable energy resources: A review. Energy Systems and Optimization.
