AI đã vào mọi ngóc ngách nhưng chưa vào được P&L
Khoảng cách AI doanh thu trong doanh nghiệp Việt Nam là hiện tượng GenAI và các công cụ AI được sử dụng rộng rãi ở cấp độ cá nhân, cải thiện năng suất công nhân và chất lượng công việc, nhưng chỉ một tỷ lệ nhỏ doanh nghiệp đo lường được tác động lên doanh thu, chi phí và mô hình kinh doanh, cho thấy AI chưa đi vào quy trình cốt lõi và hệ thống giá trị của tổ chức. Theo khảo sát về AI doanh nghiệp Việt Nam, khoảng 95% người trả lời cho biết GenAI đang được sử dụng ở cấp độ cá nhân. Thế nhưng chỉ 59% đưa AI vào quy trình công việc, 36% nhúng AI vào ứng dụng hoặc quy trình doanh nghiệp, và các dạng AI tự chủ cao chỉ chiếm khoảng 7% dù 44% doanh nghiệp đã thử nghiệm hoặc sử dụng AI agents. Nói thẳng: phần lớn doanh nghiệp đang dừng lại ở mức “dùng cho tiện”, chưa biến AI thành năng lực tạo giá trị.
Năng suất cá nhân tăng mạnh, nhưng lợi nhuận vẫn ì ạch
Các con số về AI năng suất công nhân rất ấn tượng: khoảng 90% doanh nghiệp ghi nhận AI cải thiện năng suất nhân viên, 62% cho biết AI hỗ trợ ra quyết định tốt hơn, 52% ghi nhận tác động đến đổi mới sáng tạo. Tuy nhiên, khi soi vào kết quả tài chính, bức tranh đổi màu: chỉ 33% nói AI giúp tiết kiệm chi phí, 23% cải thiện trải nghiệm khách hàng, và vỏn vẹn 15% ghi nhận tăng trưởng doanh thu. Đây là khoảng cách AI doanh thu rất rõ: nhân viên AI hóa nhưng mô hình kinh doanh vẫn cũ. Việc mỗi cá nhân dùng AI để viết email, phân tích nhanh báo cáo không tự động biến thành lợi nhuận nếu doanh nghiệp không thay đổi cách thiết kế dịch vụ, quy trình bán hàng, kênh chăm sóc khách hàng. Nói cách khác, năng suất tăng đang bị “kẹt” trong từng người, chưa được tổ chức hóa thành dòng tiền.
Ngân hàng: đầu tư AI lớn nhưng hệ thống vẫn thủ công
Trong ngành ngân hàng, câu chuyện ROI công cụ AI còn lộ rõ hơn. Các báo cáo cảnh báo ngân hàng châu Á đang đứng trước bước ngoặt AI khi biên lợi nhuận chịu sức ép, khách hàng đòi hỏi dịch vụ nhanh hơn và AI tác nhân cho phép thực hiện những chuỗi công việc nhiều bước. Dù vậy, McKinsey ước tính 60–70% quy trình vận hành ngân hàng vẫn dựa vào xử lý thủ công. Nhiều ngân hàng Việt Nam đã dùng AI trong phát hiện gian lận, kiểm tra chứng từ và hỗ trợ bán hàng, đồng thời thu gọn mạng lưới chi nhánh, phòng giao dịch và nhân sự như một phần chuyển đổi số. Nhưng AI bị triển khai phân tán trong nhiều gói phần mềm, chi phí khó bóc tách, lợi ích từng bộ phận khó chuyển thành hiệu quả cho toàn hệ thống, khiến phép tính năng suất toàn ngân hàng trở nên thách thức. Đây là ví dụ điển hình cho việc triển khai AI hiệu quả không chỉ là mua thêm công cụ, mà là thiết kế lại nền tảng vận hành.
Dữ liệu, hệ thống cũ và bài toán tổ chức đang níu AI lại
Điểm chung của cả doanh nghiệp và ngân hàng Việt Nam là AI bị mắc kẹt trong những hạn chế tổ chức. Một mặt, nhiều ngân hàng vẫn phải vừa nâng cấp hệ thống lõi vừa cải thiện các kênh số trong bối cảnh hệ thống cũ còn tồn tại và nguồn lực hạn chế. Các chuyên gia ngân hàng nhấn mạnh phải xây dựng nền tảng lõi trước khi mở rộng tệp khách hàng, đồng thời chấp nhận triển khai từng phần và yêu cầu dữ liệu, quy trình kết nối được với nhau. Mặt khác, chất lượng dữ liệu là “nút thắt cổ chai”: dữ liệu phân mảnh, thiếu nhất quán hoặc không rõ nguồn gốc có thể khiến AI khuếch đại sai lệch, kéo theo chi phí sửa dữ liệu và kiểm tra đầu ra cũng trở thành một phần bài toán năng suất. Khảo sát về AI doanh nghiệp Việt Nam cho thấy những rào cản chính nằm ở dữ liệu đủ tin cậy, khả năng kết nối hệ thống, hạ tầng mở rộng được, đội ngũ am hiểu AI, phối hợp giữa kinh doanh và công nghệ, quản trị thay đổi, an ninh – quyền riêng tư và khả năng kiểm soát chi phí cùng đo lường hiệu quả.
Từ thử nghiệm rời rạc đến năng lực AI chịu trách nhiệm
Nếu muốn khép lại khoảng cách giữa dùng AI rộng rãi và tạo giá trị kinh doanh, doanh nghiệp Việt Nam phải coi triển khai AI hiệu quả là bài toán cấu trúc, không phải phong trào công cụ. Các lãnh đạo công nghệ đang chuyển trọng tâm từ câu hỏi “chọn công nghệ nào” sang “giải bài toán kinh doanh gì, ai sở hữu kết quả, đo lường giá trị ra sao, và làm thế nào để công nghệ, dữ liệu, con người vận hành theo một mục tiêu chung”. Các khảo sát cho thấy ưu tiên hiện nay là Data & Analytics, Applied AI/Intelligent Automation và AI tác nhân, nhưng thách thức lớn nằm ở thực thi chiến lược, phối hợp kinh doanh – công nghệ, chất lượng dữ liệu, quản trị thay đổi và quản trị giá trị. Với ngân hàng, việc đo lường hiệu quả và nguồn dữ liệu “sạch” được yêu cầu phải tính toán ngay trước quyết định đầu tư. Những diễn đàn như CIO Summit với chủ đề "Human-Led, AI-First: From Pilots to P&L" được tổ chức để bàn cách đưa AI từ ứng dụng cá nhân sang tạo ra doanh thu và hiệu quả vận hành đo lường được, cho thấy câu chuyện không còn là “có dùng AI hay không” mà là “AI có chịu trách nhiệm cho P&L hay không”.
