AI không tạo ra giá trị nếu doanh nghiệp vẫn giữ nguyên quy trình cũ
Việc AI triển khai doanh nghiệp nhưng không mang lại bước nhảy về năng suất thường bắt nguồn từ một thực tế: các tổ chức đổ tiền mua mô hình AI, agent thông minh và phần mềm mới, nhưng vẫn giữ nguyên những quy trình vận hành lỗi thời, dữ liệu phân mảnh và cấu trúc quản trị được thiết kế cho thời kỳ chưa có AI; kết quả là insight từ AI không thể chuyển hóa thành hành động thực tế, khiến ROI AI thất bại và doanh nghiệp chỉ cảm nhận được tốc độ xử lý nhanh hơn chứ không phải giá trị kinh doanh rõ rệt.
Trong vài năm qua, các tổ chức trên toàn cầu đã ào ạt đầu tư vào generative AI, nền tảng machine learning và các mô hình ngôn ngữ lớn. Ở Việt Nam, tốc độ ứng dụng AI trong doanh nghiệp chưa bao giờ nhanh như hiện tại, nhưng năng suất lao động vẫn không cho thấy bước nhảy tương xứng. Đằng sau nghịch lý này là một câu chuyện quen thuộc: AI được “gắn vá” vào kiến trúc vận hành đã cũ, chứ không đi cùng một nỗ lực tái cấu trúc quy trình và dữ liệu. Tại một sự kiện về AI cho doanh nghiệp diễn ra ngày 17/9 tại Hà Nội, các chuyên gia đã chỉ ra rằng AI không thể phát huy hiệu quả nếu chỉ được bổ sung thêm vào hệ thống phần mềm hiện có.
Điểm nghẽn vận hành: "last mile" giữa insight và hành động
Dù mô hình AI đã đủ mạnh, điểm nghẽn vận hành lại xuất hiện ở "last mile" – đoạn đường từ insight đến hành động. Các nền tảng AI có thể phân tích dữ liệu và đưa ra khuyến nghị trong vài giây, nhưng việc biến khuyến nghị đó thành quyết định và kết quả kinh doanh đo lường được lại phức tạp hơn nhiều. Khi dữ liệu bị phân tán, ngữ cảnh nghiệp vụ không rõ ràng, còn hệ thống quản trị không tin tưởng đầu ra, thì insight chỉ nằm trên dashboard thay vì đi vào quy trình vận hành hàng ngày.
Theo một chuyên gia về dữ liệu, nhiều tổ chức phát hiện bottleneck thực sự nằm giữa mô hình và quy trình kinh doanh: dữ liệu bị phân mảnh trên nhiều hệ thống, định nghĩa nghiệp vụ không thống nhất, thông tin đến muộn nên không còn hữu ích. Trong thực tế, khoảng cách giữa insight từ AI và hành động thực tế là thách thức lớn nhất trong triển khai. Khi AI không có đủ ngữ cảnh và góc nhìn toàn diện về hoạt động doanh nghiệp, khuyến nghị trở nên khó tin cậy, tự động hóa bị đình trệ và việc áp dụng rộng rãi bị chững lại. Điều này cho thấy chuyển đổi số doanh nghiệp chỉ dừng ở mức số hóa dữ liệu, chứ chưa tái thiết lại cách quy trình và con người tương tác với hệ thống.
Thông điệp từ HP Việt Nam: phải xóa điểm nghẽn trước khi tăng tốc
Quan sát tại thị trường Việt Nam, Tổng Giám đốc HP Việt Nam Nguyễn Minh Đức đưa ra một góc nhìn thẳng thắn: vấn đề không phải là ai dùng AI nhiều hơn, mà là ai dùng AI để tạo ra nhiều giá trị hơn. Trong cuộc trò chuyện cùng host Từ Ân, anh chỉ ra rằng đa số doanh nghiệp vẫn giữ nguyên quy trình được thiết kế cho thời kỳ chưa có AI, rồi "chèn" AI vào giữa mà quên mất việc tổ chức lại toàn bộ cách vận hành. Hệ quả là doanh nghiệp chạy nhanh hơn, nhưng vẫn lặp lại đúng những điểm nghẽn cũ. "Nếu doanh nghiệp chỉ đơn thuần đưa AI vào quy trình hiện tại, AI sẽ chỉ khiến quy trình đó nhanh hơn - vấn đề vốn có sẽ lộ ra sớm hơn, chứ không tự động biến mất."
Một câu chuyện điển hình là một đại lý lớn của HP tại Việt Nam: doanh thu tăng hơn 60% trong một năm, trong khi số lượng nhân sự gần như không đổi. Điều tạo ra khác biệt không phải là việc nhồi nhét thêm AI vào bộ máy hiện tại, mà là tổ chức lại cách vận hành kinh doanh trước, rồi mới dùng AI models để tự động hóa chúng. Anh Đức cũng ghi nhận mỗi nhân viên giờ đang dùng từ 3 đến 10 AI Agent mỗi ngày – một con số cho thấy cơn sốt công cụ, nhưng không đảm bảo hiệu quả nếu quy trình không thay đổi. Thông điệp ở đây rất rõ: xóa điểm nghẽn là điều kiện tiên quyết, không phải tính năng bổ sung cho chiến lược AI triển khai doanh nghiệp.
Ngữ cảnh vận hành và nền tảng dữ liệu: bài học cho chuyển đổi số doanh nghiệp
Tại Enterprise AI Summit diễn ra ở Hà Nội, nhà sáng lập kiêm Chủ tịch Base.vn Phạm Kim Hùng nhấn mạnh rằng điểm nghẽn lớn nhất không nằm ở năng lực của AI, mà nằm ở "Ngữ cảnh vận hành" (Context). AI không thể đưa ra quyết định hay hành vi chính xác nếu dữ liệu, quy trình và nghiệp vụ bị phân mảnh, thiếu cấu trúc chuẩn hóa. Câu hỏi đặt ra là: những hệ thống, quy trình đã xây dựng suốt hàng chục năm có còn phù hợp khi AI xuất hiện, hay đang trở thành rào cản cho một thế hệ doanh nghiệp mới, nơi con người và AI Agent cùng tham gia lực lượng lao động?
Nếu kỷ nguyên Software-as-a-Service tập trung vào việc đưa dữ liệu và quy trình lên nền tảng số, thì kỷ nguyên AI đặt ra bài toán kế tiếp: làm thế nào để chính hệ thống hiểu được doanh nghiệp và cùng con người thực hiện công việc. Không phải bằng cách bổ sung thêm AI vào một nền tảng cũ, mà bằng việc nhìn lại từ những nguyên lý đầu tiên: cách doanh nghiệp tạo ra giá trị, cách con người cộng tác, cách tri thức được tích lũy và cách AI có thể trở thành một lực lượng lao động của tổ chức. Các doanh nghiệp cần đầu tư vào nền tảng dữ liệu đáng tin cậy trước khi nâng cấp mô hình: nếu câu trả lời cho việc dữ liệu đã được chuẩn hóa, kết nối và quản trị hay chưa là "không", thì khoản đầu tư tiếp theo nên tập trung vào chính nền tảng đó.
Bảo mật, sai lệch dữ liệu và những chi phí ẩn khi không có nền tảng vững
Khi AI chạm sâu hơn vào dữ liệu nội bộ, chuyển đổi số doanh nghiệp bước sang một vùng rủi ro mới. Ý thức bảo vệ dữ liệu của người dùng lại không theo kịp tốc độ ứng dụng, kéo theo nỗi lo rò rỉ dữ liệu mật. Các mô hình AI chạy trên hạ tầng đám mây thường cần gửi dữ liệu lên máy chủ trung tâm để xử lý, vô tình tạo thêm bề mặt tấn công nếu doanh nghiệp không có chiến lược bảo mật rõ ràng. Trong bối cảnh đó, một số hãng công nghệ bắt đầu tích hợp các chip bảo mật chuyên dụng vào máy tính cá nhân, cho phép thiết bị tự ngắt và tắt hoàn toàn khi phát hiện nguy cơ an ninh từ bên ngoài. Những giải pháp như vậy phần nào giảm ma sát giữa bảo mật và nhu cầu dùng AI hàng ngày của nhân viên.
Tuy nhiên, bảo mật chỉ là một phần của "chi phí ẩn" khi triển khai AI trên nền tảng vận hành chưa vững. Sai lệch dữ liệu, thiếu ngữ cảnh và hệ thống quản trị yếu khiến khuyến nghị từ AI khó được tin cậy, tự động hóa bị chặn lại, mức độ chấp nhận trong tổ chức suy giảm – tất cả làm giảm giá trị thực tế mà AI tạo ra. Khi nguồn dữ liệu và quy trình liên quan đến AI vẫn bị ngắt kết nối, chất lượng đầu ra sẽ luôn bị giới hạn. Ngược lại, khi doanh nghiệp củng cố nền tảng dữ liệu, chuẩn hóa nghiệp vụ và loại bỏ điểm nghẽn vận hành, họ có thể xây dựng ứng dụng, AI Agent và quy trình mới, mở rộng năng lực của chính mình thay vì chỉ phụ thuộc vào chức năng sẵn có trong phần mềm. Đó mới là cách biến AI từ một chi phí thử nghiệm thành một tài sản tạo lợi thế cạnh tranh dài hạn.
