Đọc thử Chương 2: Mô hình 3A: từ chắp vá đến tái thiết

02

CHƯƠNG HAI

Mô hình 3A: từ chắp vá đến tái thiết

Không phải doanh nghiệp nào cũng cần tự xây AI, và một ứng dụng nhỏ cũng không mặc nhiên là "chắp vá". Vấn đề nằm ở việc đầu tư có chủ đích hay không. Chương này giúp lãnh đạo lựa chọn đúng giữa ba nấc của Mô hình 3A: Adopt (Ứng dụng), Adapt (Thích ứng) và Advance (Làm chủ), thay vì đầu tư theo phong trào rồi đi tìm bài toán để biện minh cho công nghệ.

TRONG CHƯƠNG NÀY

• 2.1 Con số không thể làm ngơ, và giới hạn thực sự của nó
• 2.2 Ba nấc chiến lược: Adopt – Adapt – Advance
• 2.3 “Bolt-on” và “AI-First”, không phải nhị nguyên chắp vá và toàn diện
• 2.4 Bộ lọc ba điều kiện triển khai AI
• 2.5 Kiểm tra năng lực quản trị trước khi mở rộng AI
• 2.6 Khung 5 bước đánh giá năng lực sẵn sàng trước khi rót vốn
• 2.7 Tự chấm điểm nhanh: Tổ chức của bạn đang ở đâu?

Ba nấc này không phải ba giai đoạn mà mọi doanh nghiệp bắt buộc phải đi tuần tự. Chúng là ba lựa chọn về mức độ tham gia và làm chủ AI. Một doanh nghiệp có thể dừng ở Adopt đối với phần lớn công việc, Adapt ở những quy trình tạo khác biệt, và chỉ Advance ở một số năng lực có ý nghĩa chiến lược.

ADOPT – ỨNG DỤNG

Dùng các giải pháp AI đã có trên thị trường để giải quyết công việc và cải thiện năng suất. Không tự xây công nghệ cốt lõi.

ADAPT – THÍCH ỨNG

Điều chỉnh AI theo dữ liệu, quy trình, nghiệp vụ và bối cảnh riêng của doanh nghiệp. Đây là bước từ “dùng AI” sang làm cho AI phù hợp với cách doanh nghiệp tạo giá trị và vận hành.

ADVANCE – LÀM CHỦ

Phát triển năng lực AI riêng ở những nơi có ý nghĩa chiến lược, từ sản phẩm, quy trình đến mô hình kinh doanh, nhằm tạo ra lợi thế cạnh tranh khó sao chép.

Năm năm, sáu mươi hai triệu đô la, không một bệnh nhân nào

Chương 1 đã cho thấy cuộc chơi đã đổi ở tầm vóc cạnh tranh. Nhưng nhận ra cuộc chơi đã đổi là một chuyện; phản ứng đúng với nó lại là chuyện hoàn toàn khác. Chương này bắt đầu bằng chính khoảng cách đó.

Năm 2012, Trung tâm Ung thư MD Anderson, một trong những bệnh viện ung bướu hàng đầu nước Mỹ, bắt tay với IBM Watson để xây dựng một hệ thống có tên Oncology Expert Advisor, một phần của chương trình chống ung thư “Moon Shots” của bệnh viện. Tham vọng đặt ra không nhỏ: không mua một công cụ AI đã có sẵn trên thị trường để dùng ngay, mà tự xây dựng từ đầu một hệ thống hoàn toàn tùy biến, có khả năng đọc hồ sơ bệnh án, phân tích y văn và đề xuất phác đồ điều trị cho từng bệnh nhân ung thư cụ thể.

Năm năm sau, dự án dừng lại. Hệ thống loay hoay với chính loại dữ liệu mà bất kỳ bệnh viện nào cũng có sẵn hằng ngày: ghi chú lâm sàng do bác sĩ viết tự do, không theo khuôn mẫu cố định. Độ chính

xác khi trích xuất chẩn đoán đạt khoảng 90 đến 96%, nhưng với dòng thời gian điều trị, con số này tụt xuống chỉ còn 63 đến 65%, không đủ tin cậy để đưa vào một quyết định lâm sàng thật. Sau khoảng 62 triệu đô la Mỹ chi ra, hệ thống chưa từng được dùng để điều trị một bệnh nhân nào. Tháng 2 năm 2017, một báo cáo kiểm toán nội bộ của Hệ thống Đại học Texas công bố, chỉ ra hàng loạt vấn đề về đấu thầu, quản trị dự án, chi phí vượt dự toán và chậm tiến độ. Không phải một kết luận rằng công nghệ AI không làm được việc, mà là một tổ chức đã chọn đứng ở mức độ tùy biến sâu nhất trước khi có đủ năng lực quản trị để đứng ở đó.

Đây không phải một trường hợp cá biệt, cũng không phải vấn đề riêng của ngành y tế hay của những tổ chức có ngân sách hàng chục triệu đô la. Một tình huống tương tự, dù quy mô nhỏ hơn nhiều, hoàn toàn có thể xảy ra tại một công ty phân phối hàng tiêu dùng ở Bình Dương, một chuỗi phòng khám tại Hà Nội, hay một xưởng cơ khí tại Đồng Nai, bất kỳ nơi nào một khoản ngân sách được rót vào AI mà tổ chức chọn đứng ở một mức độ tùy biến vượt quá năng lực thật của mình. Câu hỏi xuyên suốt chương này không phải “AI làm được gì”, mà là: dự án AI này đang ở đúng nấc nào, và tổ chức của bạn đã có đủ quyền để đứng ở nấc đó chưa? Nếu bạn là CEO hoặc thành viên ban lãnh đạo đang cân nhắc rót thêm ngân sách cho một dự án AI mới, chương này được viết để giúp cuộc họp của bạn, một năm kể từ bây giờ, không đi theo đúng kịch bản của MD Anderson.

Có một nghịch lý đáng lưu ý ngay từ đầu chương này, đặc biệt với bối cảnh Việt Nam: tốc độ hấp thụ AI cao mà Chương 1 đã trình bày không đồng nghĩa với việc phần lớn doanh nghiệp đã chuyển đổi AI- First thành công. “Đã dùng AI” và “đã chuyển đổi AI-First thành công” là hai điều hoàn toàn khác nhau. Tỷ lệ áp dụng cao chỉ cho biết cánh cửa đã mở; nó không nói gì về việc phần lớn doanh nghiệp bước qua cánh cửa đó có tạo ra giá trị đo lường được hay không. Chương này bàn về đúng khoảng cách đó.

2.1. Con số không thể làm ngơ, và giới hạn thực sự của nó

Có một sự thật cần đối diện trước khi ký bất kỳ hợp đồng AI nào: phần lớn các khoản đầu tư tương tự trước đó, ở khắp nơi trên thế giới, chưa mang lại giá trị đo lường được. Đây không phải nhận định cảm tính mà là điểm gặp nhau của nhiều nghiên cứu độc lập.

Nghiên cứu của RAND Corporation cho thấy hơn 80% dự án AI doanh nghiệp thất bại trong việc tạo ra giá trị kinh doanh có thể đo lường, gấp đôi tỷ lệ thất bại của các dự án công nghệ thông tin thông thường. Đây là một con số đáng để dừng lại suy nghĩ: AI, dù được kỳ vọng là công nghệ mang tính đột phá, lại có tỷ lệ thất bại cao hơn cả những dự án công nghệ thông tin “bình thường” như nâng cấp phần mềm kế toán hay triển khai hệ thống quản lý nhân sự.

Theo báo cáo The GenAI Divide: State of AI in Business 2025 của MIT NANDA, công bố tháng 7/2025, dựa trên việc rà soát hơn 300 sáng kiến AI công khai, phỏng vấn đại diện 52 tổ chức và khảo sát 153 lãnh đạo cấp cao, khoảng 95% các sáng kiến AI tạo sinh trong tập dữ liệu nghiên cứu chưa ghi nhận được tác động P&L có thể đo lường tại thời điểm khảo sát.

Con số này là một tín hiệu cảnh báo đáng chú ý, nhưng cần được hiểu đúng. Nó không có nghĩa 95% dự án AI sẽ thất bại vĩnh viễn, cũng không nên được diễn giải đơn giản thành “chỉ 5% doanh nghiệp thành công”. Báo cáo phản ánh một khoảng cách lớn giữa việc thử nghiệm AI và việc chuyển AI thành giá trị tài chính đo lường được; bản thân các tác giả cũng lưu ý rằng kết quả mang tính định hướng, dựa trên một mẫu nghiên cứu chọn lọc và các cách định nghĩa “thành công” khác nhau giữa các tổ chức.

Bức tranh rộng hơn được World Development Report 2026: The Promise of Artificial Intelligence của Ngân hàng Thế giới mô tả khá rõ: giá trị từ AI không tự động xuất hiện chỉ vì doanh nghiệp có công cụ AI. Hiệu quả phụ thuộc vào mức độ phù hợp với bối cảnh,

chất lượng dữ liệu, kỹ năng, hạ tầng và năng lực quản trị đi kèm. Nói cách khác, đây là bài toán về năng lực hấp thụ AI của tổ chức, chứ không phải một ranh giới nhị phân giữa “thành công” và “thất bại”.

S&P Global Market Intelligence ghi nhận 42% doanh nghiệp đã hủy bỏ phần lớn sáng kiến AI của mình trong năm 2025, tăng vọt so với 17% của năm trước. Tốc độ tăng gấp gần hai lần rưỡi chỉ trong một năm cho thấy đây không phải một hiện tượng nhất thời, mà là một làn sóng thất vọng đang lan rộng, sau giai đoạn hào hứng ban đầu của phần lớn doanh nghiệp trên thế giới với AI tạo sinh.

Điều đáng chú ý nhất không phải tỷ lệ chưa tạo tác động, mà là nguyên nhân. Đây gần như không phải vấn đề về năng lực công nghệ, bản thân các mô hình AI hiện nay đủ mạnh để giải quyết phần lớn bài toán kinh doanh thông thường. Vấn đề nằm ở tổ chức: thiếu định nghĩa thành công rõ ràng ngay từ đầu, thiếu dữ liệu sẵn sàng, và sự bảo trợ của lãnh đạo cấp cao tan biến chỉ sau vài tháng, khi những ưu tiên kinh doanh khác chen vào.

Khảo sát của Gartner thực hiện tháng 11, 12 năm 2025 với hơn 780 lãnh đạo vận hành và công nghệ thông tin cho thấy 57% tổ chức từng gặp khó khăn với AI quy nguyên nhân về việc kỳ vọng quá nhiều, quá nhanh. Một khảo sát Gartner khác, thực hiện đầu năm 2026 với hơn 1.300 tổ chức, cho thấy chỉ 22% doanh nghiệp mở rộng thành công các sáng kiến AI ra nhiều đơn vị kinh doanh, nghĩa là phần lớn dừng lại ở quy mô thí điểm, chưa từng được nhân rộng. Một nguyên nhân phổ biến đứng sau con số này: nhiều dự án được phê duyệt dựa trên một con số ROI dự phóng trên giấy, nhưng không ai quay lại đo lường xem con số đó có thành hiện thực hay không sau khi triển khai, một lỗ hổng quản trị cơ bản mà bất kỳ khoản đầu tư lớn nào khác của doanh nghiệp cũng khó có thể được chấp nhận nếu thiếu bước kiểm chứng sau cùng này.

Có một điểm sáng ở giữa những con số ảm đạm này. Các nghiên cứu nêu trên cùng chỉ ra một khác biệt: những tổ chức xác lập chỉ số thành công định lượng ngay từ đầu đạt mục tiêu thường xuyên hơn hẳn những tổ chức không làm vậy, dù cả hai nhóm tiếp cận những công cụ AI tương đương nhau. Khác biệt đến từ một hành động quản trị đơn giản: viết ra, trước khi bắt đầu, "thành công trông như thế nào, đo bằng con số gì". Đây là thông điệp cốt lõi của chương: thành công với AI là vấn đề kỷ luật tổ chức nhiều hơn là vấn đề công nghệ.

Một cách kiểm tra nhanh cho tổ chức của bạn: liệt kê tên một đến hai dự án AI mà tổ chức của bạn đã triển khai trong mười hai tháng qua. Với mỗi dự án, tự hỏi: chúng ta có con số ROI đã đo lại sau triển khai không, hay chỉ có con số dự phóng ban đầu từng được dùng để thuyết phục hội đồng quản trị phê duyệt ngân sách? Nếu câu trả lời là “chỉ có con số dự phóng”, tổ chức của bạn đang rơi vào đúng nhóm dự án chưa từng được đo ROI lại mà khảo sát Gartner vừa nhắc đến, nhóm chiếm phần lớn trong số các dự án AI được phê duyệt hiện nay.

2.2. Ba nấc chiến lược: Adopt – Adapt – Advance

Ngân hàng Thế giới đề xuất một trình tự tiếp cận AI phù hợp cho doanh nghiệp ở nền kinh tế đang phát triển, thay vì buộc mọi tổ chức phải chọn giữa “chắp vá nhỏ lẻ” hoặc “tái cấu trúc toàn diện ngay lập tức”. Đây là cổng quyết định đầu tiên, đặt trước cả việc chọn mô hình kinh doanh cụ thể mà doanh nghiệp muốn theo đuổi.

Nấc đầu tiên, Adopt, hay Ứng dụng, là dùng giải pháp AI đã có sẵn trên thị trường, đã được kiểm chứng, không cần tùy biến sâu. Đây là điểm khởi đầu hợp lý cho tuyệt đại đa số doanh nghiệp, kể cả doanh nghiệp lớn, vì phần lớn giá trị AI ở giai đoạn đầu đến từ việc áp dụng đúng công cụ có sẵn cho đúng bài toán, không phải từ việc phát minh lại công nghệ. Một xưởng may quy mô vừa tại Bình Dương, chẳng hạn, hoàn toàn có thể bắt đầu bằng việc dùng một công cụ kiểm tra chất lượng vải có sẵn trên thị trường, được huấn luyện sẵn để phát hiện lỗi dệt phổ biến, không cần tự phát triển một mô hình thị giác máy tính riêng, một việc đòi hỏi đội ngũ kỹ thuật và ngân sách vượt xa khả năng của phần lớn doanh nghiệp cùng quy mô.

Nấc thứ hai, Adapt, hay Thích ứng, là kết nối công cụ AI với dữ liệu, ngôn ngữ, quy trình và bối cảnh riêng của tổ chức. Đây là bước tạo ra khác biệt cạnh tranh thực sự, vì công cụ giống nhau nhưng dữ liệu và quy trình của mỗi doanh nghiệp là khác nhau. Cùng xưởng may nói trên, sau khi dùng thành thạo công cụ kiểm tra chất lượng chung, có thể tiến thêm một bước: huấn luyện lại công cụ đó trên chính những loại lỗi dệt đặc thù của dòng vải mà xưởng đang sản xuất, thứ mà một công cụ chung chung trên thị trường không được tối ưu riêng cho.

Nấc thứ ba, Advance, hay Làm chủ, là tự xây dựng sản phẩm, mô hình hoặc năng lực AI riêng, vượt ra ngoài việc dùng công cụ có sẵn. Chỉ nên thực hiện khi doanh nghiệp có lợi thế thực sự, dữ liệu độc quyền, vốn, nhân tài kỹ thuật, như đã trình bày ở khung bốn vị thế chiến lược trong Chương 1. Rất ít doanh nghiệp Việt Nam, kể cả những doanh nghiệp lớn, có đủ cả bốn điều kiện đó để nấc này trở thành lựa chọn hợp lý ngay từ đầu.

Hình 2.1. Mô hình 3A: Adopt – Adapt – Advance

Sai lầm phổ biến nhất là nhảy thẳng vào Advance vì áp lực phải “trông có vẻ tiên phong”, trong khi tổ chức chưa từng hoàn thành tốt bước Adopt. Một doanh nghiệp chưa dùng thành thạo công cụ có sẵn cho bài toán đơn giản gần như chắc chắn sẽ thất bại nếu cố gắng tự xây một hệ thống AI phức tạp hơn, giống như một đội bóng chưa từng thắng nổi một trận đấu giao hữu lại quyết định đăng ký tham dự giải vô địch quốc gia ngay mùa giải tới, chỉ vì muốn chứng minh tham vọng. MD Anderson là một minh chứng cho đúng kiểu sai lầm này ở quy mô lớn: nhảy thẳng vào Advance trước khi có quyền đứng ở đó.

Với mỗi sáng kiến AI đang cân nhắc trong tổ chức của bạn, một bài tập đáng làm là xác định rõ nó đang ở nấc nào, Adopt, Adapt hay Advance, và liệu tổ chức đã hoàn thành tốt nấc trước đó chưa. Nếu câu trả lời không rõ ràng ngay lập tức, đó tự nó đã là một tín hiệu cảnh báo.

2.3. “Bolt-on” và “AI-First”, không phải nhị nguyên chắp vá và toàn diện

Phần lớn các sáng kiến chưa tạo tác động kể trên chia sẻ một đặc điểm chung: cách tiếp cận Bolt-on (kiểu mua công nghệ "gắn thêm" vào cỗ máy cũ), tức là mua một công cụ AI về tích hợp hời hợt vào quy trình làm việc cũ, kỳ vọng nó tự động tạo ra phép màu mà không đụng chạm gì đến cấu trúc tổ chức, luồng dữ liệu hay cách con người ra quyết định và không có mục tiêu, chủ sở hữu, dữ liệu, đo lường hay lộ trình nâng cấp rõ ràng.

Đây là điểm cần làm rõ để tránh một hiểu lầm phổ biến: không phải mọi ứng dụng AI ở quy mô nhỏ đều là “bẫy chắp vá”. Bằng chứng từ nhiều nền kinh tế đang phát triển cho thấy việc phổ cập công cụ sẵn có, kể cả ở quy mô nhỏ, vẫn đem lại lợi ích thực sự cho doanh nghiệp, miễn là có sự thích nghi với bối cảnh và các yếu tố bổ trợ đi kèm. Vấn đề không phải “nhỏ hay lớn”, mà là có chủ đích hay không.

Bolt-on có chủ đích là một bước Adopt hợp lệ, với đầy đủ năm yếu tố: mục tiêu kinh doanh cụ thể, chủ sở hữu chịu trách nhiệm, dữ liệu đủ tin cậy, cơ chế đo lường, và lộ trình nâng cấp lên Adapt nếu hiệu quả. Bolt-on chắp vá, cái bẫy thực sự, là thử nghiệm rời rạc, không ai chịu trách nhiệm, không đo lường, không có kế hoạch gì tiếp theo ngoài “xem thử có hiệu quả không”.

Bảng 2.1. Bolt-on có chủ đích và Bolt-on chắp vá

AI-First đi xa hơn Bolt-on có chủ đích một bước: xuất phát điểm không phải “chúng ta nên mua công cụ AI nào”, mà là nếu được thiết kế lại từ đầu với giả định AI luôn có mặt, quy trình này sẽ trông ra sao? Báo cáo của Boston Consulting Group ghi nhận một ví dụ minh họa rõ sự khác biệt này: một công ty sản xuất thiết bị công nghiệp tái thiết kế toàn bộ quy trình báo giá theo hướng AI-First, bốn Tác nhân AI đảm nhận bốn vai trò riêng biệt trong chuỗi xử lý, từ tiếp nhận yêu cầu đến tính giá và soạn thảo, xử lý khoảng 70% khối lượng giao dịch hoàn toàn tự động. Kết quả: chi phí nhân sự cho quy trình này giảm 30–40%, thời gian phản hồi báo giá rút ngắn đáng kể, và công ty thu thêm doanh thu từ những yêu cầu báo giá trước đây bị bỏ sót vì xử lý quá chậm, một khoản doanh thu vô hình mà công ty thậm chí chưa từng nhận ra mình đang để mất, cho đến khi hệ thống mới cho thấy khối lượng yêu cầu thực tế lớn hơn nhiều so với những gì đội ngũ cũ có thể xử lý kịp.

Sự khác biệt giữa ba trạng thái này, Bolt-on chắp vá, Bolt-on có chủ đích, và AI-First, không nằm ở số tiền đầu tư hay độ phức tạp kỹ thuật. Nó nằm ở việc quy trình có được nhìn nhận lại từ gốc hay không. Một doanh nghiệp hoàn toàn có thể chi rất nhiều tiền cho một hệ thống AI phức tạp nhưng vẫn rơi vào bẫy chắp vá, nếu chỉ đơn thuần “dán” nó vào quy trình cũ mà không đặt câu hỏi liệu bản thân quy trình đó có còn hợp lý hay không trong một thế giới có AI. Ngược lại, một thử nghiệm rất nhỏ, chi phí thấp, vẫn có thể mang tinh thần AI-First nếu nó bắt đầu từ câu hỏi thiết kế lại, không phải câu hỏi mua sắm.

Hình 2.2. Bolt-on và AI-First: từ chắp vá đến tái thiết

Nguồn: Tác giả tổng hợp.

Chọn một quy trình đang dùng AI trong tổ chức của bạn, và đối chiếu với bảng trên: đây là Bolt-on có chủ đích, Bolt-on chắp vá, hay đã tiến tới AI-First? Nếu là Bolt-on chắp vá, đây là tín hiệu cần bổ sung ngay những yếu tố còn thiếu trong năm yếu tố trên trước khi mở rộng đầu tư, không nhất thiết phải dừng lại hoàn toàn.

2.4. Bộ lọc ba điều kiện triển khai AI

Trước khi rót vốn vào bất kỳ nấc nào trong Adopt – Adapt – Advance, có ba điều kiện gốc quyết định AI có tạo ra giá trị hay không, được xác định rõ trong nghiên cứu của Ngân hàng Thế giới về ứng dụng AI ở các nền kinh tế đang phát triển. Đây là bộ lọc cấp doanh nghiệp cần chạy qua trước khi phê duyệt bất kỳ khoản đầu tư nào.

Điều kiện thứ nhất, năng lực công nghệ, là câu hỏi công nghệ có làm được việc được giao hay không. Đây là câu hỏi cơ bản nhất nhưng

thường bị bỏ qua, nhiều doanh nghiệp mua công cụ dựa trên bản demo ấn tượng, không kiểm tra năng lực thực tế trên đúng loại dữ liệu và tình huống của mình. Một công cụ AI xử lý ngôn ngữ được huấn luyện chủ yếu trên văn bản tiếng Anh có thể hoạt động rất ấn tượng trong bản demo, nhưng lại xử lý sai lệch đáng kể khi gặp văn bản tiếng Việt có nhiều từ địa phương hoặc thuật ngữ chuyên ngành đặc thù.

Điều kiện thứ hai, độ phù hợp bối cảnh, là câu hỏi công nghệ có phù hợp với ngôn ngữ, dữ liệu, quy trình và chuẩn mực thị trường của tổ chức hay không. Một mô hình hoạt động tốt ở thị trường quốc tế có thể sai lệch đáng kể khi gặp tiếng Việt, thuật ngữ ngành, hoặc quy định nội địa, đúng như tình huống công cụ xử lý ngôn ngữ vừa nêu ở trên.

Điều kiện thứ ba, năng lực bổ trợ của tổ chức, là câu hỏi tổ chức có đủ dữ liệu, kỹ năng, quản trị và hạ tầng để hấp thụ công nghệ hay không. Đây là điều kiện thường bị đánh giá thấp nhất, công nghệ tốt đặt vào một tổ chức thiếu năng lực bổ trợ vẫn sẽ thất bại. Một hệ thống AI dự báo nhu cầu xuất sắc về mặt kỹ thuật vẫn vô dụng nếu đội ngũ vận hành kho không có thói quen cập nhật dữ liệu tồn kho hằng ngày, công nghệ không thể tự bù đắp cho một lỗ hổng vận hành đã tồn tại từ trước khi AI xuất hiện. Đúng vấn đề này từng khiến MD Anderson trả giá: hệ thống được kỳ vọng đọc hiểu ghi chú lâm sàng viết tự do của bác sĩ, nhưng năng lực xử lý dữ liệu phi cấu trúc khi đó chưa đủ chín để làm việc đó ở quy mô thật.

Với sáng kiến AI sắp phê duyệt trong tổ chức của bạn, hãy trả lời ba câu hỏi tương ứng với ba điều kiện trên: công nghệ này đã được kiểm chứng làm đúng việc chúng ta cần chưa? Đã kiểm thử trên dữ liệu, tiếng Việt và quy trình thực tế của chúng ta chưa? Chúng ta có đủ dữ liệu, kỹ năng và quản trị để vận hành nó lâu dài chưa? Nếu bất kỳ câu trả lời nào là “chưa chắc”, đây là rủi ro cần xử lý trước khi ký hợp đồng, không phải sau.

2.5. Kiểm tra năng lực quản trị trước khi mở rộng AI

Năng lực quản trị tốt là một trong những yếu tố dự báo mạnh nhất cho khả năng ứng dụng AI thành công, theo bằng chứng khảo sát doanh nghiệp diện rộng của Ngân hàng Thế giới. Đây là lý do chương này đưa thêm một cổng kiểm tra bắt buộc, đứng trước cả bộ lọc ba điều kiện triển khai: doanh nghiệp có đủ năng lực quản trị nền tảng để hấp thụ AI hay không?

Sáu tiêu chí kiểm tra, mỗi tiêu chí tương ứng với một thói quen tổ chức cụ thể. Quản trị theo mục tiêu, tổ chức có thói quen đặt mục tiêu định lượng và theo dõi tiến độ, không chỉ với AI mà với mọi sáng kiến? Chuẩn hóa quy trình, các quy trình cốt lõi đã được ghi chép, chuẩn hóa ở mức tối thiểu, hay vẫn phụ thuộc hoàn toàn vào kinh nghiệm cá nhân của một vài người chủ chốt? Chủ sở hữu quyết định rõ ràng, mỗi quyết định quan trọng có một người chịu trách nhiệm cuối cùng, hay bị phân tán giữa nhiều người không ai thực sự quyết? Kỷ luật dữ liệu, tổ chức có thói quen ghi chép, lưu trữ và đối chiếu dữ liệu một cách nhất quán? Cơ chế học hỏi, có quy trình rút bài học sau mỗi dự án, hay mỗi lần đều bắt đầu lại từ đầu? Khả năng nhân rộng, một sáng kiến thành công ở một bộ phận có cơ chế để lan sang bộ phận khác không?

Nếu tổ chức không vượt qua cổng này, tức là phần lớn sáu tiêu chí đang ở mức yếu, khuyến nghị là chỉ nên thí điểm AI ở quy mô giới hạn, đồng thời song song đầu tư củng cố năng lực quản trị nền tảng. Rót vốn quy mô lớn vào AI trong khi năng lực quản trị nền tảng còn yếu là nguyên nhân phổ biến nhất dẫn đến các con số thất vọng đã nêu ở mục 2.1, vấn đề không nằm ở AI, mà ở việc tổ chức chưa đủ năng lực hấp thụ bất kỳ công nghệ mới nào, không riêng AI. Một tổ chức chưa từng thành công trong việc triển khai một hệ thống quản lý quan hệ khách hàng đơn giản, với lý do “nhân viên không chịu cập nhật dữ liệu đều đặn”, gần như chắc chắn sẽ gặp đúng vấn đề đó khi triển khai một hệ thống AI phức tạp hơn nhiều, chỉ là vấn đề sẽ xuất hiện chậm hơn và tốn kém hơn để phát hiện.

Cách bắt đầu đơn giản nhất: chấm nhanh sáu tiêu chí trên theo thang 1 đến 5. Nếu điểm trung bình dưới 3, ưu tiên đầu tư củng cố năng lực quản trị song song với, hoặc thậm chí trước, việc mở rộng ngân sách AI.

2.6. Khung 5 bước đánh giá năng lực sẵn sàng trước khi rót vốn

Các công cụ của chương này nối thành một cổng quyết định duy nhất: Mô hình 3A xác định nấc tham gia, bộ lọc ba điều kiện kiểm tra công nghệ và bối cảnh, bước kiểm tra năng lực quản trị xác định tổ chức có hấp thụ được hay không, còn khung 5 bước dưới đây biến tất cả thành hồ sơ phê duyệt vốn. Sau khi đã qua hai bước kiểm tra trên, ban lãnh đạo nên tự trả lời năm câu hỏi sau, theo đúng thứ tự, vì mỗi bước là điều kiện tiên quyết cho bước kế tiếp.

1. Bước một là chẩn đoán mục tiêu kinh doanh, không phải mục tiêu công nghệ. Câu hỏi không nên là “chúng ta cần AI ở đâu?” Mà là “chỉ số kinh doanh nào, doanh thu, chi phí vận hành, thời gian xử lý, tỷ lệ giữ chân khách hàng, mà chúng ta cần cải thiện, và bằng bao nhiêu phần trăm, trong bao lâu?”
2. Bước hai là kiểm toán mức độ sẵn sàng của dữ liệu và hạ tầng, đồng thời kiểm tra thông tin và tài chính. Gartner dự báo 60% dự án AI thiếu dữ liệu đạt chuẩn sẽ bị bỏ dở. Nhưng dữ liệu không cần hoàn hảo hay tập trung hóa 100% mới có thể bắt đầu, chờ đợi sự hoàn hảo tuyệt đối là một cái bẫy trì hoãn. Nghiên cứu về rào cản ứng dụng AI của Ngân hàng Thế giới xác định thiếu thông tin và tri thức về giải pháp phù hợp, cùng với chi phí và tài chính, là hai rào cản nổi bật đối với cả việc bắt đầu và mở rộng AI trong doanh nghiệp. Trước khi rót vốn, tổ chức cần trả lời thêm: đã biết giải pháp nào thực sự phù hợp với bài toán của mình chưa? Tổng chi phí sở hữu là bao nhiêu, nguồn ngân sách từ đâu, và giới hạn chi tiêu là gì nếu chi phí vượt dự kiến?
3. Bước ba là đánh giá năng lực và tâm thế sẵn sàng thay đổi của đội ngũ. Một hệ thống AI xuất sắc đặt vào tay một đội ngũ chưa được chuẩn bị sẽ bị từ chối ngầm, nhân viên tìm cách “lách” quy trình mới, hoặc quay sang dùng công cụ AI cá nhân không được kiểm soát, một hiện tượng sẽ được phân tích chi tiết ở phần sau cuốn sách khi bàn về bảo vệ dữ liệu.
4. Bước bốn là xác lập cam kết bảo trợ ở cấp cao nhất, có thời hạn rõ ràng. Ở nhiều dự án không đạt kỳ vọng, sự bảo trợ của lãnh đạo cấp cao nhạt dần chỉ sau vài tháng, không phải vì lãnh đạo mất niềm tin vào AI, mà thường vì những ưu tiên kinh doanh khác xuất hiện và cuốn hết sự chú ý vốn đã dành cho dự án AI.
5. Bước năm là định nghĩa thành công bằng con số, trước khi viết một dòng mã hay ký một hợp đồng cấp phép (license) nào. Như dữ liệu ở mục 2.1 đã chỉ ra, việc xác lập chỉ số thành công định lượng ngay từ đầu tạo ra khác biệt rõ rệt về tỷ lệ đạt mục tiêu.

Sai lầm phổ biến là làm Bước 5 trước, đặt ra một con số ROI kỳ vọng đẹp đẽ để thuyết phục hội đồng quản trị, trước khi làm Bước 1 đến Bước 4. Một con số ROI được viết ra trước khi biết rõ dữ liệu có sẵn sàng hay không, đội ngũ có đồng thuận hay không, và ai sẽ là người chịu trách nhiệm thường chỉ là một con số để thuyết phục, không phải một con số để theo đuổi thực sự. Đó là cách nhiều dự án rơi vào nhóm chưa từng được đo ROI lại sau triển khai đã nhắc ở mục 2.1: người ta phê duyệt dựa trên một con số chưa từng được kiểm chứng bằng bốn bước còn lại.

2.7. Tự chấm điểm nhanh: Tổ chức của bạn đang ở đâu?

Trước khi khép lại chương này và quyết định rót thêm ngân sách, hãy dành năm phút cùng ban lãnh đạo trả lời trung thực năm câu hỏi cốt lõi sau:

1. Chỉ số kinh doanh mục tiêu: Nếu loại bỏ hoàn toàn các yếu tố công nghệ phức tạp, chúng ta có thể mô tả chính xác con số hoặc chỉ số kinh doanh cụ thể nào mà khoản đầu tư AI sắp tới hướng tới hay không?
2. Nấc chiến lược: Sáng kiến này đang nằm ở nấc Adopt (Ứng dụng), Adapt (Thích ứng) hay Advance (Làm chủ), và tổ chức đã hoàn thành vững chắc nấc trước đó chưa?
3. Bộ lọc điều kiện tiên quyết: Chúng ta đã kiểm tra kỹ lưỡng ba điều kiện gốc về năng lực công nghệ (Capabilities), độ phù hợp bối cảnh (Context), và năng lực bổ trợ của tổ chức (Complements) chưa?
4. Năng lực quản trị nền tảng: Năng lực quản trị và kỷ luật vận hành nền tảng của tổ chức đã đủ vững vàng để hấp thụ công nghệ mới này chưa?
5. Chủ sở hữu chịu trách nhiệm: Có một cá nhân cụ thể, có đủ thẩm quyền và cam kết chịu trách nhiệm toàn diện về kết quả của dự án trong ít nhất mười hai tháng tới hay không?

Nếu phần lớn câu trả lời còn mơ hồ hoặc mang tính chung chung, đó chính là tín hiệu cảnh báo để dừng lại, rà soát và hoàn thiện các bước trên trước khi đặt bút ký hợp đồng hay giải ngân. Năm câu hỏi này hoàn toàn đủ trọng lượng để mở ra một cuộc thảo luận thẳng thắn và thực chất trong phiên họp ban lãnh đạo ngay tuần này.

Quyết định tiếp theo của bạn là gì?

Trước khi phê duyệt ngân sách cho dự án AI tiếp theo, hãy tự hỏi hai câu. Thứ nhất, dự án này đang đứng ở nấc Adopt, Adapt hay Advance, và tổ chức của bạn đã hoàn thành vững chắc nấc trước đó chưa? Thứ hai, nếu phải đứng trước hội đồng quản trị đúng một năm nữa để báo cáo kết quả, đâu là con số cụ thể chứng minh khoản đầu tư này đã không đi theo con đường của MD Anderson?