AI không làm cả dự án nhanh lên 30%: hiểu cho đúng khái niệm năng suất
Năng suất AI thực tế là mức cải thiện thời gian và chất lượng tính trên toàn bộ chu trình công việc, từ lúc bắt đầu cho đến khi đầu ra đạt chuẩn, bao gồm cả kiểm tra, gỡ lỗi, xác minh và phê duyệt; vì vậy, nó khác xa với cảm giác “nhanh hơn” khi một thao tác đơn lẻ như viết code được tự động hóa hoặc hỗ trợ bởi mô hình ngôn ngữ lớn, vốn chỉ là một mảnh nhỏ trong tổng thể dự án phức tạp có nhiều bên liên quan và bước phối hợp. Câu chuyện FPT viết code bằng AI nhanh hơn 30% nhưng năng suất dự án chỉ tăng khoảng 10% là ví dụ điển hình cho khoảng cách hiệu quả AI mà nhiều doanh nghiệp Việt đang bắt đầu nhận ra. Việc này không phải do AI “kém hiệu quả”, mà do cách chúng ta đo và diễn giải năng suất vẫn còn phiến diện. Khi chỉ nhìn vào cấp độ tác vụ, doanh nghiệp dễ kỳ vọng rằng thời gian dự án sẽ giảm tương ứng, để rồi thất vọng khi con số không khớp. Đáng nói hơn, các dữ liệu quốc tế cũng cho thấy bức tranh phức tạp tương tự: AI có thể rút ngắn một công đoạn nhưng vẫn làm toàn bộ quy trình chậm hơn nếu chi phí xác minh và phối hợp tăng lên. Điều đó đặt ra yêu cầu cấp bách: muốn đánh giá năng suất dự án một cách nghiêm túc, doanh nghiệp Việt phải bắt đầu từ thiết kế đo lường chứ không phải từ cảm nhận.
Từ bàn phím lập trình viên đến toàn bộ dự án: vì sao 30% biến thành 10%
Theo phân tích, công cụ trợ lý lập trình nội bộ của FPT giúp tăng khoảng 30% tốc độ viết mã ở cấp độ lập trình viên. Nói cách khác, một phần công việc – gõ và hoàn thiện code – được AI rút ngắn đáng kể. Tuy nhiên, khi đo ở cấp độ toàn dự án, mức tăng năng suất chỉ vào khoảng 10%, phản ánh rằng viết code chỉ chiếm một tỷ trọng nhất định trong chuỗi giá trị công nghệ thông tin, bên cạnh phân tích nghiệp vụ, thiết kế kiến trúc, tích hợp hệ thống, kiểm thử và quản trị dự án. Khoảng cách hiệu quả AI lộ rõ: tăng tốc một mắt xích không đảm bảo dây chuyền chạy nhanh tương ứng. Nhiều khâu vẫn phụ thuộc vào con người và không thể “nhân bản” tốc độ bằng mô hình ngôn ngữ. Các vai trò như phân tích nghiệp vụ hay quản trị dự án phải xử lý bối cảnh, mâu thuẫn yêu cầu và rủi ro, vốn là thứ AI chưa thể tự chịu trách nhiệm. Vì vậy, nếu kỳ vọng năng suất AI thực tế sẽ tăng đúng bằng tốc độ gõ code, doanh nghiệp đang áp dụng một tỷ lệ ảo vào kế hoạch thực. Một câu nói đáng trích ở đây: “Công cụ trợ lý lập trình nội bộ có thể cải thiện khoảng 30% tốc độ viết mã, nhưng ở cấp độ toàn dự án, mức tăng năng suất chỉ khoảng 10%”. Con số này buộc các nhà quản trị phải tách rõ năng suất tác vụ và năng suất dự án khi đánh giá hiệu quả AI.
AI rút ngắn một bước nhưng có thể kéo dài quy trình: chi phí xác minh luôn tìm đến phía sau
Dữ liệu quốc tế cho thấy một nghịch lý mà thị trường Việt Nam cũng đang va phải: AI có thể rút ngắn một công đoạn nhưng vẫn làm toàn bộ quy trình chậm hơn. Một thử nghiệm ngẫu nhiên về lập trình nguồn mở phân bổ 246 nhiệm vụ cho 16 lập trình viên vào điều kiện có và không dùng AI, kết quả là thời gian hoàn thành tăng 19% ở nhóm được dùng AI, dù trước đó họ đoán sẽ giảm 24% và sau khi làm vẫn nghĩ giảm 20%. Điểm mấu chốt là chi phí rà soát và xác minh. Trong khảo sát 637 nhà khoa học đang làm việc tại Mỹ và Anh, gần ba phần tư cho biết AI giúp họ tiết kiệm trung bình 6,9 giờ mỗi tuần, nhưng khoảng 46% trong số những người tiết kiệm thời gian lại phải dành hơn một phần tư số giờ đó để kiểm tra, gỡ lỗi hoặc xác minh đầu ra AI. Nói cách khác, AI đẩy năng suất tác vụ lên phía trước, nhưng con người vẫn gánh nhiệm vụ xác minh, phán đoán và quyết định cuối cùng ở phía sau. Khi áp vào bối cảnh Việt Nam, điều này giải thích vì sao năng suất AI thực tế ở cấp dự án không tăng tương xứng với tốc độ sinh đầu ra. Nếu doanh nghiệp chỉ đo thời gian từ lúc bật công cụ đến khi có bản code đầu tiên, mà bỏ qua thời gian chờ, đọc lại, thử nghiệm, sửa lỗi, phê duyệt và làm lại, thì tỷ lệ “tiết kiệm” sẽ là con số đẹp nhưng vô nghĩa đối với thực tế vận hành.
Muốn đo đúng năng suất dự án, hãy bắt đầu từ thiết kế và đối chứng
Khoảng cách hiệu quả AI phần lớn là hệ quả của cách đo năng suất. Nhiều báo cáo hiện nay dựa trên khảo sát tự báo cáo – người dùng được hỏi “cảm thấy” AI tiết kiệm bao nhiêu giờ một tuần – như nghiên cứu với 637 nhà khoa học, nơi họ ước tính tiết kiệm 6,9 giờ nhưng không phải tất cả đều chuyển thành đầu ra đã được kiểm chứng. Để dùng được các tỷ lệ này trong quyết định đầu tư, doanh nghiệp cần kiểm tra ít nhất bốn yếu tố: thiết kế, đối chứng, nhiệm vụ và chi phí xác minh. Thiết kế phải rõ ràng: đó là khảo sát, so sánh trước–sau, hay thử nghiệm ngẫu nhiên; cách phân bổ và cách ghi nhận thời gian cần được công bố. Đối chứng phải cụ thể: so với cùng người không dùng AI, một nhóm khác, hay chỉ là ký ức mơ hồ của người trả lời. Nhiệm vụ phải được mô tả: tạo mới, xử lý tác vụ lặp lại hay sửa hệ thống quen thuộc, bởi hiệu quả trên một loại nhiệm vụ không tự chuyển sang loại khác. Cuối cùng, chi phí xác minh – thời gian chờ, đọc lại, kiểm thử, sửa lỗi, phê duyệt – phải nằm trong phép đo, thay vì bị đẩy ra khỏi bảng tính để làm đẹp cho tỷ lệ năng suất. Một hướng thực tế cho doanh nghiệp Việt là so sánh các nhiệm vụ tương đương có và không có AI, đo toàn bộ chu kỳ, đồng thời tách thời gian tạo, chờ, xác minh và làm lại. Chỉ khi đó, đánh giá năng suất dự án mới phản ánh đúng năng suất AI thực tế, thay vì kỳ vọng 30% trên bàn phím biến thẳng thành 30% trên báo cáo tiến độ.
Từ số liệu FPT đến chiến lược AI của doanh nghiệp Việt: kết luận không dễ chiều
Các số liệu về FPT và những nghiên cứu quốc tế cho thấy một kết luận khó chiều nhưng cần thiết: AI vừa là đòn bẩy, vừa là bài kiểm tra về năng lực đo lường và thiết kế quy trình của doanh nghiệp Việt. Khi trợ lý lập trình nội bộ tăng tốc độ viết mã 30% nhưng năng suất dự án chỉ nhích 10%, điều đó không báo hiệu “AI thất bại”, mà báo hiệu chúng ta vẫn đang quản trị dự án theo tư duy tác vụ đơn lẻ. Trong bối cảnh gia công phần mềm và dịch vụ CNTT cạnh tranh gay gắt, năng suất AI thực tế sẽ quyết định biên lợi nhuận đi ngang hay cải thiện, không phải chỉ số “giờ tiết kiệm được” trên slide trình bày. Giá trị tạo ra nhờ năng suất cao hơn có thể được doanh nghiệp giữ lại dưới dạng lợi nhuận, hoặc phải chuyển một phần cho khách hàng thông qua giá bán thấp hơn, và đây là yếu tố cần theo dõi trong các quý tới. Các cập nhật thử nghiệm cũng nhắc nhở rằng dữ liệu mới chưa hẳn đã tạo ra ước lượng hiện hành đáng tin cậy nếu thiết kế bị bóp méo bởi hành vi người dùng. Kết luận hợp lý cho doanh nghiệp Việt là: hãy dùng AI để tăng năng suất, nhưng đồng thời đầu tư vào hệ thống đo lường và thiết kế quy trình. Chỉ khi năng suất được đo đúng ở cấp dự án, các quyết định về giá, biên lợi nhuận và chiến lược AI mới tránh được ảo tưởng tốc độ – thứ khiến 30% trên tác vụ hóa thành 10% trên thực tế.
