editor 2 tuần trước

Tích hợp AI vào chiến lược kinh doanh: Bài học từ Dr. George Westerman

Nhằm giúp doanh nghiệp tích hợp AI hiệu quả, Dr. George Westerman nhấn mạnh tầm quan trọng của việc bắt đầu từ nhu cầu thực tế, quản lý rủi ro bài bản, xây dựng văn hoá và năng lực phù hợp, cùng cách tiếp cận từng bước để đạt lợi thế bền vững.

AI “Không Thông Minh” – Góc Nhìn Thật Sự Về Công Nghệ

Trong nhiều năm qua, Trí tuệ nhân tạo (AI) đã trở thành tâm điểm của đổi mới và hứa hẹn thay đổi mọi ngành nghề. Tuy nhiên, dưới góc nhìn của Dr. George Westerman – nhà nghiên cứu tại MIT Sloan School of Management, các giải pháp AI hiện nay, từ hệ chuyên gia (rule-based) đến học sâu (deep learning) và đặc biệt là GENAI (Generative AI), hoàn toàn không “thông minh” theo nghĩa con người thường hiểu. Thực chất, AI chỉ đang tính toán xác suất dựa trên vô số tham số mà chúng ta huấn luyện.

1. Bản Chất “Không Thông Minh” Của AI

AI thực chất là tập hợp các mô hình lập trình, xử lý xác suất cao để dự đoán hoặc tạo ra kết quả.
AI thiếu bối cảnh thế giới thực: nó không có nhận thức, không hiểu nội dung theo kiểu tư duy logic của con người. Mọi “sáng tạo” của nó chỉ là thuật toán xử lý và chắp nối từ kho dữ liệu khổng lồ.
Aude Oliva (MIT) từng nhấn mạnh: “Artificial intelligence should be artificial idiots.” (tạm dịch: Trí tuệ nhân tạo nên là những kẻ ngốc nhân tạo). Ý muốn nói, AI là cỗ máy ngốc nghếch nhưng được lập trình để trông có vẻ thông minh.

2. Nỗi Lo Ảo Giác (Hallucination) Và Sai Sót

Khi sử dụng GENAI, một trong những mối lo thường trực là “ảo giác” – tình trạng mô hình đưa ra những câu trả lời sai nghiêm trọng. Ví dụ, một luật sư ở Mỹ từng trích dẫn những án lệ không có thật do ChatGPT “tự bịa” trong hồ sơ kiện, gây ra rắc rối lớn. Mặc dù vậy, không phải vì AI có thể sai mà chúng ta từ chối sử dụng nó. Thực tế, con người cũng liên tục mắc lỗi. Thay vì đòi hỏi AI phải hoàn hảo 100%, doanh nghiệp cần xây dựng quy trình kiểm tra, xác thực, và can thiệp kịp thời khi AI sai.

3. Westerman’s Law: Công Nghệ Thay Đổi Nhanh, Tổ Chức Thay Đổi Chậm

Dr. Westerman nhấn mạnh: Công nghệ phát triển nhanh theo cấp số nhân, nhưng sự thích nghi của tổ chức thường theo nhịp độ chậm hơn nhiều.

Hay nói cách khác, CHUYỂN ĐỔI SỐ thành công không nằm ở bản thân công nghệ, mà chủ yếu dựa vào cách tổ chức thay đổi quy trình, con người, văn hoá.

Bắt Đầu Từ Nhu Cầu, Không Phải Từ Công Nghệ

Kinh nghiệm từ nhiều doanh nghiệp cho thấy, “đốt” tiền cho AI một cách mù quáng thường không thu về kết quả bền vững. Thay vào đó, Dr. Westerman khuyến nghị luôn bắt đầu bằng việc giải quyết vấn đề kinh doanh cốt lõi.

1. Tập Trung Giải Quyết Vấn Đề Kinh Doanh

Matthew Evans tại Airbus từng nói: “Strictly speaking, we don’t invest in AI or natural language processing or image. We are always investing in a business problem.” (tạm dịch: Nói một cách chính xác, chúng tôi không đầu tư vào AI, xử lý ngôn ngữ tự nhiên hay hình ảnh. Chúng tôi luôn đầu tư vào một vấn đề kinh doanh)

Đây là minh chứng rõ ràng: việc áp dụng AI chỉ hiệu quả khi ta xác định đúng nhu cầu, ví dụ như tối ưu hoá quy trình sản xuất, phân tích dữ liệu khách hàng, cải thiện dịch vụ hậu mãi, v.v.

2. Bốn Hướng Ứng Dụng AI Trong Tổ Chức

Nghiên cứu về CHUYỂN ĐỔI SỐ do Dr. Westerman và cộng sự thực hiện chỉ ra bốn hướng tiếp cận cơ bản khi doanh nghiệp muốn ứng dụng AI:

Trải Nghiệm Khách Hàng: Cá nhân hoá, tạo cảm xúc tích cực, nâng cao mức độ hài lòng.
Tối Ưu Vận Hành: Tự động hoá quy trình, cải thiện hiệu suất sản xuất, quản lý chuỗi cung ứng…
Đổi Mới Mô Hình Kinh Doanh: Tìm cách dựa trên DỮ LIỆU để cung cấp dịch vụ, sản phẩm mới.
Trải Nghiệm Nhân Viên: Nâng cao chất lượng công việc, giảm tác vụ nhàm chán, tăng tương tác nội bộ.

Trong đó, AI hay bất kỳ công nghệ nào khác sẽ không tạo ra giá trị nếu không gắn kết chặt chẽ với dữ liệu (đầu vào) và quy trình vận hành (cách tổ chức sử dụng đầu ra).

3. Thấu Hiểu Dữ Liệu Và Chọn Công Cụ AI Phù Hợp

Việc lựa chọn công cụ AI (hệ chuyên gia, thống kê, học sâu, hay GENAI) phụ thuộc vào:

Mức độ chính xác cần đạt và chi phí khi sai sót.
Khả năng cần giải thích kết quả.
Yêu cầu về tính riêng tư và bảo mật.
Chất lượng và tính đầy đủ của dữ liệu.

Chẳng hạn, trong lĩnh vực tài chính – ngân hàng, quyết định cho vay cần mức độ minh bạch cao để tránh rủi ro pháp lý; nên giải pháp dựa trên mô hình thống kê hoặc rule-based có thể là lựa chọn tốt hơn so với học sâu khó giải thích. Ngược lại, trong đề xuất sản phẩm tiếp thị, độ rủi ro thấp hơn, có thể thử nghiệm GenAI để gợi ý ý tưởng độc đáo.

Quản Trị Rủi Ro Và Xây Dựng Quy Trình Ứng Dụng Bền Vững

1. Chiến Lược Quản Trị Tập Trung Vs. Phân Quyền

Mô Hình Tập Trung: Dễ kiểm soát rủi ro, tránh trùng lặp, đồng bộ dữ liệu. Tuy nhiên, có thể hạn chế đổi mới, ra quyết định chậm, khó khuyến khích sáng kiến từ các phòng ban.
Mô Hình Phân Quyền: Thúc đẩy sáng tạo ở mọi “chân rết”, dễ nảy sinh ý tưởng mới. Nhưng có nguy cơ lãng phí, trùng lặp và vi phạm chính sách do thiếu giám sát.

Societe Generale (Pháp) là ví dụ về mô hình quản trị tập trung: họ thu thập hơn 700 ý tưởng AI nội bộ nhưng chọn triển khai có chọn lọc, đồng thời xây dựng nền tảng chung để các nhóm về sau áp dụng. Trong khi đó, Sysco (cung cấp thực phẩm cho nhà hàng) chọn hướng linh hoạt: ưu tiên dùng sản phẩm “mua ngoài” rồi mới cân nhắc tự phát triển, kết hợp thêm các giải pháp AI truyền thống trước khi dùng GenAI.

2. Quy Trình Thử Nghiệm Và Mở Rộng

Khó khăn lớn nhất của doanh nghiệp là “từ phòng lab ra thực tế”. Một dự án thí điểm AI có thể rất thành công trong môi trường thử nghiệm nhỏ, nhưng triển khai rộng cho hàng nghìn nhân viên hay hàng triệu khách hàng lại phức tạp. Theo lời một nhà quản lý tại ngân hàng lớn: “The more stuff you do, the more stuff you find to do.” (tạm dịch: Bạn càng làm nhiều, bạn càng phát hiện ra có nhiều việc cần làm hơn)

Mỗi khi mở rộng, sẽ có thêm lỗi cần sửa, tình huống cần điều chỉnh. Doanh nghiệp nên tiếp cận theo mô hình “vặn ốc bánh xe” (làm đều từng bước, thay vì dồn toàn lực vào một khâu) để không bị “cong vành” trong quá trình áp dụng AI.

3. Ví Dụ Thực Tiễn Từ Các Doanh Nghiệp

Airbus: Tận dụng AI trong phân tích dữ liệu sản xuất, tối ưu hoá chuỗi cung ứng linh kiện.
Home Depot: Ứng dụng AI nâng cao trải nghiệm khách hàng, như đề xuất sản phẩm hoặc hỗ trợ khách trực tuyến. Fahim Siddiqui nhấn mạnh tập trung vào trải nghiệm “thú vị” cho người dùng chứ không chỉ thuần công nghệ.
Sysco: Đưa AI vào mọi khâu, từ tối ưu lộ trình giao hàng đến gợi ý thay thế khi kho thiếu nguyên liệu.
Dentsu Creative: Giảm tối đa công việc “giấy tờ” cho đội ngũ sáng tạo, tận dụng GenAI để tạo phác thảo nhanh, từ đó họ có thêm thời gian cho ý tưởng độc đáo.

Nâng Cao Năng Lực Và Văn Hoá Con Người

1. Vượt Qua Nỗi Lo Mất Việc

Báo cáo của Daniel Rock (MIT) gợi ý rằng 46% công việc có khả năng bị AI “lấy” mất 50% tác vụ. Tuy nhiên, điều này không đồng nghĩa con người trở nên vô dụng. Mỗi làn sóng tự động hoá trong lịch sử đều dẫn đến việc chuyển đổi lao động sang những công việc mang tính sáng tạo và giá trị cao hơn. Vấn đề là doanh nghiệp cần xây dựng lộ trình để nhân viên phát triển kĩ năng mới, thay vì bị “bỏ rơi”.

2. Đồng Hành Cùng Nhân Viên

Thay vì ra lệnh ép buộc, hãy “khuyến khích” nhân viên trải nghiệm AI.
Tổ chức các buổi chia sẻ “mẹo” dùng AI giữa đồng nghiệp, tạo môi trường học hỏi liên tục.
Thuyết phục nhân viên về lợi ích: AI làm bớt việc nhàm chán, lưu trữ kiến thức tốt hơn, còn con người tập trung vào tương tác, xây dựng mối quan hệ, tư duy đột phá.

Dentsu Creative là ví dụ: họ không để nhân viên e ngại mất việc. Họ tích cực hỗ trợ từng cá nhân áp dụng công cụ GenAI, tạo điều kiện chia sẻ kinh nghiệm, đồng thời cho thấy lợi ích rõ ràng: ý tưởng sáng tạo ra nhanh hơn, đỡ công đoạn hành chính.

3. Học Tập Và Đào Tạo Liên Tục

Nhiều tổ chức như McKinsey đã xây dựng mô hình “LLM nội bộ”, cho phép nhân viên tra cứu nhanh các tri thức sẵn có. Tại Cresta, trợ lý ảo “lắng nghe” cuộc gọi của nhân viên và đề xuất điều chỉnh cách nói, chỉ ra điểm yếu cần cải thiện. Một khi nhân sự tận dụng AI để tự học mỗi ngày, họ tiến bộ nhanh hơn hẳn so với cách huấn luyện truyền thống.

4. Vai Trò Của Nhà Quản Lý

Tạo tầm nhìn: Người lãnh đạo cần vạch rõ hình dung về cách AI hỗ trợ sứ mệnh chung.
Phân bổ nguồn lực: Ưu tiên cho dự án AI đem lại lợi ích “dễ thắng, rủi ro thấp” để tạo lòng tin.
Tránh thiên kiến: Đảm bảo dữ liệu huấn luyện AI đủ phong phú về giới tính, vùng miền… để tránh tình trạng AI “kì thị”.

Đặc biệt, trong bóng chày, bộ phim “Moneyball” cho thấy mâu thuẫn giữa phương pháp phân tích dữ liệu (số liệu thống kê) và trực giác của tuyển trạch viên. Tương tự, nếu nội bộ doanh nghiệp không hiểu giá trị của AI, họ có thể bài xích, chống lại nó. Nhà quản lý cần truyền đạt, huấn luyện, và triển khai dần dần.

Ứng Dụng Theo Từng Bước Từ Nhỏ Đến Lớn

Trong nghiên cứu gần đây về GENAI tại Sloan Management Review, Dr. Westerman nhận thấy xu hướng “chuyển đổi nhỏ” (chữ t thường) trước khi đi đến “chuyển đổi lớn” (chữ T). Thay vì thay đổi toàn bộ hệ thống underwriting trong bảo hiểm hay tự động hoá hoàn toàn chăm sóc khách hàng, các công ty thường bắt đầu với những tác vụ nhỏ:

Ba Mức Độ Ứng Dụng AI

Cá Nhân: Cung cấp công cụ cho từng nhân viên (như ChatGPT, công cụ dịch thuật, tóm tắt văn bản…).
Bộ Phận Chuyên Môn: Triển khai cho những phòng ban hoặc vị trí có tác vụ lặp lại, ví dụ call center, bộ phận lập trình, marketing.
Tương Tác Trực Tiếp Với Khách Hàng: Chatbot tư vấn, gợi ý sản phẩm, trả lời câu hỏi cơ bản.

Có doanh nghiệp thương mại điện tử cho phép chatbot tư vấn hàng thời trang cao cấp, mô phỏng trải nghiệm như một nhân viên bán hàng “cao cấp” trong cửa hàng. Rủi ro sai sót không quá lớn, nên dễ áp dụng, đồng thời nâng cao trải nghiệm cho khách.

Kết Hợp Nhiều Công Nghệ, Tận Dụng Dữ Liệu Tốt Hơn

Lemonade (bảo hiểm) vận hành 98% hợp đồng bảo hiểm và 50% xử lý bồi thường hoàn toàn tự động. Phần đơn giản do AI tự xử, phần phức tạp được chuyển cho người.
H&M (thời trang) coi AI là “bộ não” phân tích tồn kho, thiết kế xu hướng, đưa ra gợi ý trưng bày sản phẩm.

Mấu chốt là AI không hoạt động độc lập, mà gắn liền với các hệ thống công nghệ cũ (ERP, CRM) và con người. Từ đó mới tạo ra tác động toàn diện.

Chuẩn Bị Cho “Đại Chuyển Đổi”

Khi những ứng dụng nhỏ thành công và doanh nghiệp đã xây dựng đủ kinh nghiệm, quy trình, cùng văn hoá “thân thiện với AI”, họ có thể tiến tới dự án quy mô lớn. Ví dụ, tái cấu trúc mô hình bán lẻ, hoặc xây dựng nền tảng “trí tuệ số” có khả năng trả lời hầu hết câu hỏi nội bộ lẫn khách hàng. Nhưng điều này đòi hỏi:

Hạ tầng công nghệ chuẩn (data lake, hệ thống tích hợp).
Quy trình đảm bảo an ninh, bảo mật thông tin.
Đội ngũ nhân sự đã quen và tin tưởng giá trị mà AI mang lại.

Bài Học Từ Thực Tiễn

CHUYỂN ĐỔI SỐ thành công với AI không chỉ nằm ở việc “áp” công nghệ vào, mà đòi hỏi doanh nghiệp chỉnh sửa quy trình, khơi dậy tinh thần học hỏi, hỗ trợ nhân viên và khách hàng một cách chủ động. Bên cạnh việc xác định rõ mục tiêu kinh doanh và quản trị rủi ro, doanh nghiệp cần:

Hành Động Ngay: Dù ở quy mô nhỏ để sớm rút kinh nghiệm, tích luỹ năng lực.
Coi AI Như Đồng Đội: Giảm tải việc nhàm chán, tăng hiệu suất, đồng thời tạo không gian cho con người sáng tạo, tương tác.
Học Hỏi Liên Tục: Công nghệ biến đổi nhanh, và tổ chức cũng phải linh hoạt thích nghi.

Như chính Dr. Westerman nhấn mạnh, ta không thể coi AI là cứu cánh vạn năng, nhưng nếu có chiến lược và lộ trình phù hợp, AI sẽ trở thành bệ phóng cho những đột phá bền vững.