Mục lục
Bạn có để ý một điều là: hầu hết các buổi họp về AI trong công ty thường bắt đầu bằng câu hỏi "AI có thể làm gì cho chúng ta?"
Nghe rất hợp lý và rất chiến lược, đúng không?
Nhưng thực tế, đây là câu hỏi khiến rất nhiều sáng kiến AI thất bại ngay từ vòng thảo luận, trước khi kịp chạm tới bất kỳ kết quả nào.
Vì sao một câu hỏi nghe vô hại như vậy lại nguy hiểm đến vậy?
Hôm nay Linh sẽ phân tích cho bạn thấy câu trả lời, dựa trên kinh nghiệm triển khai các dự án AI ở Skills Bridge và phát triển chương trình đào tạo cùng các doanh nghiệp trong hơn 4 năm qua.
Và quan trọng hơn, Linh cũng chia sẻ với bạn mô hình thay thế nên dùng để bạn áp dụng để đánh giá các ý tưởng AI. Bạn có thể dùng ngay trong buổi họp tuần này.
1. Vì sao "AI có thể làm gì" thực ra không làm được gì?
Hãy thử nghĩ xem, khi bạn hỏi AI có thể làm gì, câu trả lời gần như luôn luôn là: rất nhiều thứ. Và một câu hỏi mà câu trả lời là "gần như mọi thứ" thì không hề giúp bạn thu hẹp lại điều gì cả. Vì nó không tạo ra bộ lọc đẻ quyết định. Nó chỉ tạo ra thêm ý tưởng.
Đó là khi mọi thứ bắt đầu lệch hướng. Khi không có bộ lọc, ý tưởng nào được chọn không còn phụ thuộc vào mức độ quan trọng, mà phụ thuộc vào việc ai trình bày thuyết phục nhất, ai có vai trò cao hơn, hoặc đơn giản là ai vừa đọc được một bài viết hay về AI tuần trước.
Tình huống này giống như là kiểu "làm AI theo cảm hứng", và nó còn nguy hiểm hơn cả việc bạn không làm gì. Vì nó khiến cả tổ chức có cảm giác đang tiến bộ, trong khi thực chất chỉ đang tiêu thời gian vào những thay đổi không đo lường được.
2. Vậy câu hỏi đúng nên là gì?
Câu hỏi Linh muốn bạn thay vào là: "Vấn đề kinh doanh nào của chúng ta đủ quan trọng, đáng để dồn nguồn lực giải quyết bằng AI?"
Chỉ cần đổi điểm xuất phát từ công nghệ sang vấn đề kinh doanh, bạn đã có một bộ lọc: những ý tưởng nghe hay nhưng không thật sự giải quyết vấn đề gì sẽ tự rớt lại phía sau. Mọi người không phải tiếp tục thảo luận quá nhiều về chúng trong các buổi họp.
Nhưng đổi câu hỏi mới chỉ là bước một.
Bước khó hơn, là khi có hàng chục ý tưởng "đủ quan trọng" như nhau, làm sao biết cái nào nên làm trước.
3. Mô hình trả lời câu hỏi đúng: Bốn cửa kiểm tra một ý tưởng AI
Để giải quyết việc đó, Linh dùng cách tư duy theo Mô Hình Bốn Cửa gồm: Rủi ro, Dữ liệu, Giá trị kinh doanh, và Con người.
Cửa thứ nhất là rủi ro. Nhưng xác định về rủi ro, không phải chỉ hỏi là đề xuất AI đó "có an toàn không". Vì câu trả lời dù “có” hay “không” cũng rất chung chung. Là người quản lý, bạn cần góc nhìn chi tiết hơn.
Vậy nên câu hỏi đúng là: “Nếu AI làm sai, ai sẽ phát hiện trước, nội bộ hay khách hàng?”
Nếu khách hàng là người phát hiện trước, cửa này coi như đóng. Và việc bạn cần làm là quay lại thiết kế thêm một lớp kiểm soát trước khi đi vào triển khai chi tiết hơn.
Cửa thứ hai là dữ liệu. Câu hỏi ở cửa này không phải là "có dữ liệu chưa", vì phần lớn công ty nào cũng có sẵn dữ liệu, chưa đủ để ra quyết định.
Câu hỏi đúng phải là: "Dữ liệu đó có ghi lại đúng thực trạng thật đang diễn ra, hay chỉ là dữ liệu gom về cho nhiều?" Rất nhiều công ty đang lưu hàng terabyte dữ liệu nhưng vẫn không dùng được.
Ví dụ, một trung tâm chăm sóc khách hàng có thể lưu hàng chục nghìn cuộc gọi. Nhưng nếu phần lớn chỉ ghi lại thời lượng và kết quả cuộc gọi, chứ không ghi lại khách hàng đã hỏi gì và nhân viên xử lý ra sao, thì dữ liệu đó cũng không dùng được để huấn luyện AI trả lời đúng ngữ cảnh.
Đó là những dữ liệu "làm cho có", không có nhiều giá trị thực sự để ra quyết định. Nếu vậy, Cửa dữ liệu này cũng đóng. Lúc này việc bạn cần làm là dành vài tuần là xác định đúng loại dữ liệu cần thiết, thu thập và chuẩn hoá chúng trước khi đi tiếp.
Cửa thứ ba là giá trị kinh doanh. Với cửa này, phép thử của Linh là: giá trị của ý tưởng phải gắn vào một chỉ số đã từng được báo cáo cho lãnh đạo trước khi có AI, không phải một chỉ số mới đặt ra để hợp lý hóa dự án. Điểm chung của các chỉ số này là chúng đã có ý nghĩa với doanh nghiệp trước khi AI xuất hiện.
Ví dụ, đó có thể là những chỉ số như: thời gian xử lý trung bình của một yêu cầu khách hàng, tỷ lệ chuyển đổi từ khách hàng tiềm năng sang đơn hàng, chi phí phục vụ trên mỗi khách hàng, tỷ lệ lỗi trong quy trình vận hành, hoặc doanh thu trên mỗi nhân viên sales.
Nếu phải tạo một KPI mới chỉ để chứng minh ý tưởng có ý nghĩa thì cửa này đóng. Vì đó là dấu hiệu bạn đang tìm lý do cho thứ mình đã thích, chứ không phải đang giải quyết một vấn đề thật. Điều này không có nghĩa ý tưởng đó không tốt. Chỉ là giá trị của nó chưa được kiểm chứng bằng thực tế, nên chưa đủ cơ sở để đánh đổi nguồn lực ngay lúc này.
Cửa thứ tư là con người. Và đây cũng là cửa mà Linh tập trung nhiều nhất.
Sylvain Duranton, lãnh đạo toàn cầu của BCG X, cũng nhận định là, việc triển khai AI hiệu quả không chỉ nằm ở mô hình hay thuật toán. Ông đề xuất nguyên tắc 10-20-70: khoảng 10% nỗ lực và ngân sách dành cho thuật toán, 20% dành cho dữ liệu và công nghệ, còn 70% nên dành cho việc cơ cấu nhân sự, quản trị sự thay đổi hay thiết kế lại quy trình vận hành.
Bạn không nên bước vào cửa này bằng cách hỏi trực tiếp đội ngũ có sẵn sàng dùng AI không, vì câu trả lời miệng luôn là có, hoặc thẳng thắng hơn là không.
Điều này cũng dễ hiểu thôi: trước một sự đổi mới lớn, tâm lý dè dặt là phản ứng tự nhiên, không phải là điểm yếu. Ngay cả những người có nhiều năm kinh nghiệm điều hành doanh nghiệp cũng từng có lúc chưa biết bước tiếp theo nên là gì khi đứng trước một làn sóng công nghệ mới. Chỉ là họ không để sự dè dặt đó cản trở hành động của mình.
Cách tiếp cận đúng lúc này là nhìn vào hành vi của đa số thành viên đang làm với quy trình đó. Mọi người đã từng tự nghĩ ra cách nào, dù hơi cơ bản, bằng Excel, ghi chú tay, hay tự dùng các AI miễn phí như ChatGPT, Gemini để hỏi, để tìm cách xử lý vấn đề này chưa?
Nếu có, đó là bằng chứng thật là mọi người đã đủ “khó chịu” với cách làm cũ để muốn thay đổi. Ví dụ, nếu team sales thường xuyên dùng AI bản miễn phí để viết nháp email trả lời khách hàng, tóm tắt ghi chú sau cuộc gọi, hoặc tự copy các câu hỏi lặp lại của khách vào ChatGPT để nhờ gợi ý cách phản hồi, đó là tín hiệu tốt.
Nghĩa là vấn đề đang đủ đau: họ mất thời gian lặp lại, họ cần phản hồi nhanh hơn, và họ đã tự tìm cách giảm tải bằng AI, dù còn rất thủ công và chưa có hệ thống.
Nhưng nếu câu trả lời là chưa, bạn cũng đừng vội kết luận vấn đề này không đáng làm.
Có một khả năng khác mà Linh thấy thường xảy ra hơn là: người trực tiếp gặp vấn đề không phải là người có quyền thay đổi quy trình làm việc.
Nghĩa là họ biết rất rõ chỗ nào đang mất thời gian, bước nào đang lặp lại, thao tác nào đang làm mình chán nhất, mệt nhất. Nhưng vì mỗi ngày phải xử lý quá nhiều việc chi tiết, nên chưa có nhiều thời gian thử nghiệm giải pháp.
Hoặc đơn giản là vai trò của người đó chưa đủ lớn để có thể nhìn tổng quan dự án và ra quyết định thay đổi quy trình làm việc hiện tại.
Vậy nên việc cần làm lúc này là truy ngược một bước: vấn đề này đã từng được nêu ra ở đâu chưa, trong báo cáo, trong đề xuất xin thêm nhân sự, hay trong một buổi họp review quy trình nào đó?
Nếu có, tức là vấn đề đủ lớn để từng được nói ra, chỉ là chưa ai đứng ra giải quyết. Cửa này vẫn nên xem xét.
Nếu chưa từng ai nhắc đến dù chỉ một lần, thì nhiều khả năng vấn đề thật sự chưa đủ nghiêm trọng để ưu tiên ngay.
4. Thứ tự “mở cửa” đúng
Đến đây, có hai điều Linh muốn bạn lưu ý để không áp dụng sai mô hình này.
Điều thứ nhất: bốn cửa này không phải để chứng minh một ý tưởng hay, mà để phát hiện sớm ý tưởng nào chưa nên làm. Vì sao Linh nói như vậy?
Khi một người đã thích một ý tưởng, người đó thường sẽ đi tìm cách hợp thức hoá 4 cửa này trước để thuyết phục mọi người. Bốn cửa lúc này không còn giúp mình nhìn rõ vấn đề nữa, mà chỉ để hợp lý hóa cho quyết định mình đã muốn làm từ đầu. Cách làm đúng là ngược lại: mỗi cửa phải là một câu hỏi thật sự, có khả năng khiến ý tưởng dừng lại, để cùng xem xét một cách thận trọng.
Sự khác biệt cũng nằm ở cách doanh nghiệp hay nhóm của bạn phản ứng khi một cửa chưa mở. Nếu phản ứng là tìm cách lý giải để cửa đó "coi như" đã mở, hay cố thuyết phục mọi người rằng vẫn nên làm, thì mô hình này đang bị biến thành công cụ hợp lý hóa cho một quyết định đã có sẵn hơn. Nếu phản ứng là quay lại làm rõ vấn đề còn thiếu, thì mô hình mới đang thực sự được dùng đúng.
Điều thứ hai là trong bốn cửa, bạn nên mở hai cửa "kém hấp dẫn" nhất trước là rủi ro và dữ liệu.
Phần lớn mọi người thường bắt đầu bằng hai câu hỏi về giá trị và con người. Lý do rất dễ hiểu. Vì đây là hai phần tạo nhiều cảm hứng nhất. Khi một ý tưởng nghe có vẻ giúp tăng doanh thu, tiết kiệm thời gian, hoặc khiến đội ngũ hào hứng muốn thử, mọi người rất dễ có cảm giác rằng dự án này nên được triển khai ngay.
Nhưng chính sự hào hứng đó lại dễ khiến cả đội đi quá xa trước khi kiểm tra những điều căn bản nhất. Bạn có thể mất vài tuần để xây dựng use case, chuẩn bị slide, thuyết phục nội bộ, mua công cụ mạnh nhất, rồi mới phát hiện dữ liệu chưa đủ dùng hoặc rủi ro lớn hơn mình nghĩ.
Vì vậy, nếu muốn tiết kiệm thời gian và tránh chọn sai dự án, hãy bắt đầu bằng hai cửa ít hấp dẫn hơn nhưng quan trọng hơn: rủi ro và dữ liệu.
Rủi ro cho biết ý tưởng này có nên đi tiếp hay không. Dữ liệu cho biết có đủ cơ sở để làm đúng hay không.
Hai câu này thường không mất nhiều thời gian tranh luận, vì câu trả lời nằm ngay trong thực tế đang có: nếu AI làm sai thì ai phát hiện trước, và dữ liệu hiện tại có phản ánh đúng vấn đề thật hay không. Bạn không cần đoán và cũng không nên đoán.
Chỉ khi rủi ro nằm trong tầm kiểm soát và dữ liệu đáng tin, lúc đó mới đáng dành thời gian bàn tiếp về giá trị kinh doanh và con người. Vì lúc này, câu chuyện không còn là "ý tưởng này nghe hay không" nữa, mà là "việc này có thật sự làm được trong thực tế hay không"
5. Một ví dụ để thấy rõ sự khác biệt
Thử tưởng tượng công ty bạn đang cân nhắc hai ý tưởng AI cùng lúc, và phải chọn cái nào thí điểm trước.
Ý tưởng thứ nhất: dùng AI tự động trả lời email khách hàng. Nghe rất hấp dẫn, vì đây là việc khá tốn thời gian của nhân sự mỗi ngày.
Nhưng thử đưa qua cửa rủi ro: nếu AI trả lời sai một chi tiết trong hợp đồng hay chính sách hoàn tiền, ai phát hiện trước? Bộ phận kiểm soát nội bộ, hay chính khách hàng nhận được email đó?
Với phần lớn doanh nghiệp chưa có lớp kiểm duyệt, câu trả lời thường là khách hàng sẽ phát hiện trước, khi nhận email. Vậy là cửa rủi ro đóng.
Sang cửa dữ liệu: công ty có kho câu hỏi và câu trả lời mẫu được tổng hợp bài bản chưa? Nếu dữ liệu thật chỉ nằm rải rác trong hộp thư riêng của từng nhân viên chăm sóc khách hàng, chưa ai gom lại, thì cửa này cũng đóng.
Với hai câu hỏi ở 2 cửa đầu thôi đã cho thấy ý tưởng này chưa sẵn sàng. Tuy nhiên, điều này không có nghĩa là không nên làm, mà là chưa nên làm ngay. Việc cần làm trước là thiết kế lớp kiểm duyệt, thêm một bước rà soát nội dung trước khi gửi, và dành vài tuần gom dữ liệu email thật từ các nhân viên lại thành một kho chung. Rồi sau đó mới quay lại lên kế hoạch tiếp cho ý tưởng này.
Ý tưởng thứ hai: dùng AI tóm tắt cuộc gọi và gửi email báo cáo để nhân viên khỏi phải tự ghi chú.
Đầu tiên là Cửa rủi ro. Nếu bản tóm tắt sai, người đầu tiên nhìn thấy lỗi là chính nhân viên đó, và họ có thể sửa lại trước khi khách hàng thấy. Vậy cửa này mở.
Tiếp theo đến Cửa dữ liệu. Các cuộc gọi vốn đã được ghi âm để phục vụ đánh giá chất lượng dịch vụ từ trước, nên dữ liệu có sẵn và đúng thực tế. Cửa này cũng mở. Hai cửa đầu đều mở nên chúng ta sẽ xem xét đến 2 cửa tiếp theo.
Cửa thứ 3 là cửa giá trị. Thời gian ghi chú sau mỗi cuộc gọi vốn đã là con số công ty theo dõi định kỳ, không cần đặt ra thước đo mới. Cửa này cũng Mở.
Cuối cùng là Cửa con người: Khi nói chuyện với đội ngũ, bạn có thể thấy nhân viên đã tự tạo nhiều cách để giảm phần việc ghi chú thủ công: ghi âm lại để nghe sau, hoặc copy transcript ghi âm sang công cụ AI miễn phí để tóm tắt và cơ cấu lại.
Vậy là cửa này cũng mở luôn.
Bốn cửa đều mở. Dù ý tưởng này nghe kém nổi bật hơn hẳn so với việc trả lời email khách hàng, nhưng lại là ý tưởng nên đưa vào thí điểm trước.
6. Khi mỗi người tự quyết định, và khi có cách đánh giá chung
Đến đây, bạn thử hình dung hai bức tranh.
Một bên, không có cách đánh giá chung, mỗi phòng ban tự quyết theo cảm tính và sự hào hứng. Ý tưởng có rủi ro cao được đẩy đi nhanh chỉ vì ai đó nhiệt tình trình bày. Còn ý tưởng thật sự đáng làm lại đang nằm im vì không ai đủ vai trò để đẩy nó lên.
Bên còn lại, khi công ty có một hệ thống chung để tiếp nhận, đánh giá và ưu tiên ý tưởng AI. Mọi đề xuất đều được kiểm tra bằng cùng một logic: rủi ro có kiểm soát được không, dữ liệu có đủ rõ không, giá trị có gắn với chỉ số kinh doanh không, và con người có sẵn sàng đưa nó vào vận hành không.
Đó là tác động mà khóa học AI Center of Excellence của Skills Bridge hướng tới.
Khóa học giúp doanh nghiệp không chỉ “học về AI”, mà xây dựng năng lực triển khai AI một cách bài bản: biết chọn đúng bài toán, phân quyền rõ ai quyết định, chuẩn hóa cách đánh giá ý tưởng, thiết kế thử nghiệm nhỏ nhưng chắc, và chuyển đổi kết quả thử nghiệm thành cơ sở để mở rộng.
Khi thực hiện được những quy trình cốt lõi này, AI không còn là vài dự án rời rạc hay phụ thuộc vào người nhiệt tình nhất. AI trở thành một hệ vận hành chung, giúp lãnh đạo ra quyết định nhanh hơn, các phòng ban phối hợp tốt hơn, nguồn lực được dùng đúng chỗ hơn, và những sáng kiến AI được chọn có khả năng tạo tác động thật cao hơn.
Nói ngắn gọn: khóa học giúp tổ chức đi từ làm AI theo cảm hứng sang triển khai AI có hệ thống, có trách nhiệm và có kết quả thực tế.
Linh đã để link tại đây, bạn có thể nhấn vào để xem thông tin chi tiết và đăng ký với mức phí Ưu đãi nha!
7. Một việc bạn có thể làm ngay tuần này
Ngay trong tuần này, hãy quay lại một sáng kiến về AI gần đây trong công ty bạn và phân tích sâu hơn một chút: nếu phải chịu trách nhiệm về kết quả của quyết định này sau 3 tháng, bằng chứng vận hành nào cho thấy nó thật sự đáng đi tiếp?
Không phải cảm giác là “ý tưởng này hay”. Không phải vì thị trường đang nói nhiều về AI. Cũng không phải vì một phòng ban nào đó đang rất muốn thử.
Bằng chứng ở đây là những dấu hiệu rất cụ thể khi bạn đưa vấn đề qua mô hình 4 cửa: rủi ro nếu AI làm sai nằm ở đâu, dữ liệu hiện tại có đủ phản ánh thực tế không, vấn đề này ảnh hưởng đến chỉ số kinh doanh nào và ai sẽ chịu trách nhiệm đưa nó vào quy trình hằng ngày.
Khi bạn hỏi như vậy, cuộc thảo luận về AI sẽ thay đổi. Mọi người không còn chỉ tranh luận xem ý tưởng nào thú vị hơn, mà bắt đầu nhìn vào ý tưởng nào có điều kiện để tạo kết quả thật.
Lời kết: Bạn không nhất thiết phải là người lãnh đạo cao nhất để bắt đầu
Và bạn không nhất thiết phải là người lãnh đạo cao nhất để bắt đầu làm việc này. Nếu bạn là quản lý nhóm, trưởng bộ phận, hoặc đơn giản là người đang trực tiếp thấy một quy trình lặp lại quá nhiều lần, bạn có thể bắt đầu bằng cách đặt câu hỏi tốt hơn, ghi lại bằng chứng rõ hơn, và đề xuất vấn đề để người lãnh đạo có thể ra quyết định.
Khi làm được điều đó, bạn không chỉ đóng góp vào một dự án AI. Bạn đang cho thấy mình có khả năng dẫn dắt thay đổi trong đội nhóm, kết nối vấn đề vận hành với mục tiêu kinh doanh. Từ đó, sẽ mở ra được nhiều cơ hội hơn, được tin tưởng trao quyền hơn trong những dự án quan trọng tiếp theo.
Hẹn gặp lại bạn trong bài viết tiếp theo với một bài học thú vị khác.
