ĐI TÌM LỜI GIẢI CHO VIỆC CHUYỂN ĐỔI AI HIỆU QUẢ DÀNH CHO CEO

Các con số đáng quan tâm

Ở cấp cá nhân, bằng chứng về AI giúp tăng hiệu suất đã quá rõ ràng. Nghiên cứu của Brynjolfsson, Li và Raymond trên 5.179 nhân viên chăm sóc khách hàng, đăng trên Quarterly Journal of Economics, cho thấy AI nâng năng suất trung bình 14%, riêng nhóm nhân viên mới tăng tới 34%. Thí nghiệm của Harvard Business School cùng BCG trên 758 chuyên gia tư vấn ghi nhận nhóm dùng GPT (model cổ lổ sỉ là ChatGPT 4) làm xong nhiều hơn 12,2% đầu việc, nhanh hơn 25,1%, và chất lượng đầu ra cao hơn hơn 40%. Nghiên cứu của GitHub cho thấy lập trình viên hoàn thành tác vụ nhanh hơn 55%.

Ở cấp tổ chức, bức tranh tổng thể lại ảm đạm hơn rất nhiều. Báo cáoState of AI in Business 2025của MIT NANDA, dựa trên 150 phỏng vấn lãnh đạo và khảo sát thực địa, kết luận rằng sau 30 đến 40 tỷ USD đổ vào GenAI doanh nghiệp, khoảng 95% tổ chức không thấy tác động đo được nào lên lợi nhuận. Chỉ chừng 5% đạt tăng trưởng doanh thu thật sự. Khảo sátState of AI 2025của McKinsey xác nhận cùng một vết nứt từ góc khác: 88% tổ chức đã dùng AI ở ít nhất một chức năng, nhưng chỉ 39% quy được bất kỳ tác động lợi nhuận cấp doanh nghiệp nào cho AI, và phần lớn trong số đó ở mức dưới 5%. Nhóm gặt hái giá trị đáng kể chỉ khoảng 6%.

Vậy là cùng một công nghệ, cùng một khoảng thời gian: cá nhân tăng tốc rõ rệt, tổ chức gần như bất động so với kỳ vọng của các sếp đúng kiểu “trên bảo dưới không nghe” . Con số đó phản ảnh chính xác cảnh nhiều chủ doanh nghiệp đang trải qua, mua tài khoản đều, chi phí vẫn mất mà hiệu suất công ty vẫn cứ “nguyễn y vân” là vẫn y nguyên.

Đâu là nguyên nhân?

Điều đáng giá nhất trong báo cáo MIT là phần truy nguyên. Khi được hỏi vì sao thất bại, lãnh đạo hay đổ cho chất lượng mô hình, cho pháp lý, cho rủi ro dữ liệu. MIT chỉ ra thủ phạm thật nằm ở chỗ khác, đó là khoảng trống học hỏi (learning gap) của cả công cụ lẫn tổ chức, và sự lắp ghép vụng về giữa AI với quy trình vận hành sẵn có. Công cụ không tệ. Cách tổ chức đưa công cụ vào dòng chảy công việc mới là chỗ tạo nên thất bại.

Ba phát hiện phụ của MIT càng làm rõ điều này. Thứ nhất, AI cá nhân do nhân viên tự dùng chui, gọi là shadow AI, thường sinh lợi tốt hơn các dự án chính thức tốn kém. Thứ hai, dự án hợp tác với đối tác bên ngoài thành công gấp đôi dự án tự xây trong nội bộ. Thứ ba, rào cản lớn nhất là quản trị thay đổi, tức năng lực nhét AI vào quy trình và thói quen làm việc hiện hành.

Gộp lại, dữ liệu nói một câu gọn. Giá trị của AI không nằm ở bản thân mô hình. Nó nằm ở chất lượng của con người và hệ thống bao quanh mô hình đó. Đây chính là chỗ một mô hình tư duy trở nên cần thiết.

Hiệu suất là phép nhân chứ không phải phép cộng giữa con người, công cụ và quy trình

Hầu hết doanh nghiệp ngầm nghĩ về hiệu suất theo phép cộng. Thêm công cụ được vài điểm, thêm đào tạo được vài điểm, cộng dồn thế nào cũng tăng. Phép cộng cho phép bù đắp, yếu chỗ này lấy chỗ kia đắp vào.

Dữ liệu ở trên bác bỏ lối suy nghĩ đó. Nếu hiệu suất là phép cộng, thì một tổ chức mua công cụ tốt, cho nhân viên đi học, lẽ ra hiệu suất tổng thể phải nhích lên đều đặn. Thực tế 95% đứng yên. Điều này chỉ xảy ra khi hiệu suất được tạo ra theo phép nhân.

Hiệu suất = Con người × Hệ thống × Công cụ

Dấu nhân giải thích rõ ràng được nghịch lý. Trong phép nhân, thừa số yếu nhất định trần hiệu suất, và chỉ cần một thừa số gần bằng không thì cả tích sụp về không, dù hai thừa số còn lại xuất sắc đến đâu. Cá nhân dùng shadow AI thắng vì ở phạm vi một người, cả ba thừa số đều tạm đủ. Tổ chức thua vì mua công cụ 8 điểm mà hệ thống dưới 1 điểm, và tích số kéo tất cả về đáy. Ngân sách công cụ càng lớn thì nỗi thất vọng càng rõ ràng, vì tiền đang dồn vào thừa số đã cao trong khi thừa số thấp bị bỏ mặc.

Bên trong ba thừa số

Con ngườigồm ba cấu phần xếp theo thứ tự nền tảng trước, kỹ năng sau.Tư duylà la bàn, đội ngũ cần hiểu AI là bộ khuếch đại đầu vào trước khi hỏi nên dùng công cụ nào, vì người hiểu nghề được AI phóng đại cái hiểu còn người mơ hồ được AI phóng đại cái mơ hồ.Năng lựclà cơ bắp, gồm chuyên môn nghề ở tầng gốc, kỹ năng ra đề bài và đánh giá đầu ra ở tầng giữa, sự minh định khi nào tin AI và khi nào phải kiểm chứng ở tầng cao nhất.Động lựclà nhiên liệu, theo thuyết Tự quyết người ta chỉ duy trì hành vi mới khi có quyền tự chủ, cảm giác làm được, và đồng nghiệp cùng thực hành. Chi tiết shadow AI của MIT chính là bằng chứng sống: khi ba điều kiện này tự đủ ở cấp cá nhân, hành vi dùng AI nảy nở mà không cần ai ép.

Hệ thốnglà thừa số yếu nhất ở phần lớn SMEs, và đúng là chỗ MIT gọi tên khoảng trống học tập (learning gap). Tôi gom thành ba dòng chảy.Dòng chảy công việc, AI chỉ tự động hoá được cái đã mô tả tường minh, quy trình còn nằm trong đầu vài người chủ chốt thì chưa có gì để bàn giao cho máy.Dòng chảy thông tin, dữ liệu khách hàng rải rác trong Zalo cá nhân, sổ tay, trí nhớ nhân viên là dạng nợ hệ thống phổ biến nhất, và khi một nhân viên tìm ra cách dùng AI hiệu quả thì phát hiện đó lan ra toàn đội hay chết theo người đó lúc nghỉ việc.Dòng chảy trách nhiệm, ai được dùng AI cho việc gì, ranh giới nào tuyệt đối không vượt, và ai được lợi gì khi hiệu suất tăng. Nhân viên tính lương theo giờ không có lý do gì để dùng AI làm xong việc nhanh gấp đôi.

Công cụthường bị đánh giá quá cao, nên việc quan trọng nhất là đặt nó về đúng vị trí. Chọn đúng việc trước khi chọn đúng công cụ, vì công cụ tốt cho việc sai vẫn là lãng phí. Tính đủ ba khoản chi phí gồm tiền, thời gian học, và chi phí chuyển đổi khi công cụ lỗi thời. Ưu tiên khả năng tích hợp, vì công cụ đứng một mình chỉ tạo thêm một hòn đảo dữ liệu. Chi tiết đối tác ngoài thắng gấp đôi nội bộ của MIT nằm ở đây, chọn hạ tầng khớp quy mô quan trọng hơn tự xây tham vọng.

Nền móng vô hình quyết định việc chuyển đổi AI hiệu quả

Dưới ba thừa số còn một tầng nền móng, vô hình khi có mặt và làm sập mọi thứ khi vắng mặt. Dưới Con người làsức khoẻ tâm lý, nhân viên kiệt sức thì hết dung lượng để học dù rất muốn, và nỗi sợ bị thay thế không nói ra sẽ hoá kháng cự ngầm. Dưới Hệ thống làan toàn tâm lýcấp đội nhóm, nó quyết định nhân viên dám báo “AI làm sai mà em lỡ dùng” hay giấu đến khi khách hàng phàn nàn. Dưới Công cụ làan toàn và chủ quyền dữ liệu, điều khoản sử dụng không ai đọc và toàn bộ tài sản số nằm trong một tài khoản cá nhân của chủ. Đây là vùng các chương trình đào tạo AI thuần kỹ thuật gần như không chạm tới, và theo kinh nghiệm của tôi, đó là nơi nhiều dự án chuyển đổi số thất bại trong lặng lẽ.

CEO có thể làm gì?

Đo trước khi tiêu.Dành 15 phút rà soát và định lượng các cấu phần trong ma trận 12 ô cùng đội chủ chốt trước khi phê duyệt khoản chi AI kế tiếp. Nguyên tắc đọc kết quả gói trong một câu: vá nền móng trước, rồi nâng thừa số thấp nhất, không dàn đều ngân sách cho cả ba.

Ngừng mua công cụ khi Hệ thống còn thấp.Dữ liệu của cả MIT và McKinsey đều nói tiền công cụ không cứu được hệ thống yếu. Với phần lớn SME, đồng tiền hiệu quả nhất lúc này là gom dữ liệu về một mối và viết ba đến năm quy trình lõi ra giấy.

Hợp pháp hoá shadow AI.Nhân viên đã tự tìm ra cách dùng hiệu quả, đó là tài sản chứ không phải rủi ro để cấm. Lập thư viện prompt dùng chung, buổi chia sẻ định kỳ, kho quy trình mẫu, để phát hiện của một người thành năng lực của cả đội.

Sửa cấu trúc khuyến khích.Trả lời rành mạch câu hỏi ai được lợi gì khi hiệu suất tăng. Không có động lực đúng chỗ thì mọi khoá đào tạo chỉ đổi lấy cái gật đầu trong cuộc họp.

Mở đường an toàn tâm lý.Cho phép báo lỗi AI mà không bị phạt, vì một tổ chức giấu lỗi AI sẽ trả giá bằng niềm tin của khách hàng.

Ưu tiên đối tác hơn tự xây.MIT ghi nhận dự án có đối tác ngoài thắng gấp đôi tự làm nội bộ. SME càng nên bắt đầu từ công cụ phổ thông dùng sâu và người đồng hành có kinh nghiệm, thay vì tham vọng hệ thống riêng.

Trước khi phê duyệt khoản chi tiếp theo cho AI, anh chị thử tự chấm ba thừa số của doanh nghiệp mình. Thừa số nào đang thấp nhất, và khoản chi sắp tới có đang rót đúng vào thừa số đó không?

Nguồn dẫn: MIT NANDA, State of AI in Business 2025; McKinsey QuantumBlack, State of AI 2025; Brynjolfsson, Li & Raymond, Quarterly Journal of Economics (chăm sóc khách hàng); Dell’Acqua và cộng sự, Harvard Business School và BCG (tư vấn); nghiên cứu năng suất GitHub Copilot.

Tôi là Lê Đình Lực, sáng lập Happy Training, làm việc ở giao điểm giữa tâm lý học ứng dụng và đào tạo AI cho doanh nghiệp. Nếu anh chị muốn nhận bài test mức độ sẵn sàng chuyển đổi AI cho tổ chức do tôi xây dựng có thể để lại comments nhé.

Bài gốc trên Substack của Lê Đình Lực.