Chiến lược AI của công ty bạn đang đi ngược hướng và đây là lý do cùng cách sửa sai

• Nhiều công ty triển khai AI chỉ vì “cần có chiến lược AI”, mà không xác định rõ vấn đề kinh doanh cụ thể nào đang cần giải pháp, dẫn đến lãng phí tài nguyên và thất bại.

• Các dự án AI thường bắt đầu bằng áp lực từ cấp quản lý sau các hội nghị công nghệ, rồi lần lượt là: thuê tư vấn, tìm use case phù hợp với công nghệ đã chọn, trình diễn demo và… không ai nhắc đến ROI sau một năm.

• Việc “có công nghệ rồi mới đi tìm vấn đề” là ví dụ điển hình của cách tiếp cận ngược, giống như mua búa đắt tiền rồi đi tìm đinh – nhưng phần lớn vấn đề lại cần tua vít.

• Một sai lầm phổ biến khác là đánh giá sai chất lượng dữ liệu: nhiều tổ chức tưởng mình có dữ liệu “AI-ready”, trong khi thực tế dữ liệu rời rạc, không đủ chất lượng hoặc không có mô hình rõ ràng.

• Machine learning không chỉ cần dữ liệu mà còn cần dữ liệu có ý nghĩa. Học trên dữ liệu rác sẽ chỉ tạo ra kết quả sai với độ tự tin cao – một dạng “rác AI hiệu suất cao”.

• Khoảng cách giữa AI và ứng dụng thực tế rất lớn: các giải pháp AI không được tích hợp vào quy trình thực tế, nhân viên không được đào tạo, và không hiểu công cụ đang dùng để làm gì.

• Nhiều công ty chi hàng triệu USD cho giải pháp AI, nhưng chỉ đầu tư vài đô cho việc đào tạo và thích nghi với con người – dẫn đến thất bại khi đưa vào sử dụng.

• Giải pháp khả thi là lật ngược quy trình triển khai: bắt đầu từ việc xác định vấn đề thực sự cần giải quyết, đo lường được, có ảnh hưởng đến kết quả kinh doanh.

• Sau đó, đánh giá xem vấn đề đó có thực sự cần AI hay không, liệu một công cụ đơn giản hơn có giải quyết tốt hơn không, rồi mới kiểm tra xem dữ liệu và quy trình hiện tại có sẵn sàng cho AI chưa.

• Cuối cùng, nên triển khai AI theo từng bước nhỏ, trong phạm vi hẹp, và gắn chặt với con người, quy trình nội bộ – chứ không phải chỉ là sản phẩm để khoe trong báo cáo.

📌 Phần lớn doanh nghiệp triển khai AI theo hướng sai: giải pháp trước, vấn đề sau, dẫn đến chi tiêu lãng phí và thất bại. Thay vào đó, nên bắt đầu bằng việc xác định bài toán cụ thể, kiểm tra chất lượng dữ liệu thực tế, đánh giá mức sẵn sàng tổ chức và chỉ triển khai AI nếu thực sự phù hợp. Cách tiếp cận ngược đơn giản này giúp tạo ra kết quả thực sự thay vì những báo cáo hào nhoáng.

https://www.entrepreneur.com/science-technology/why-your-companys-ai-strategy-is-probably-backwards/490594

Chiến lược AI của công ty bạn có lẽ đang đi ngược lại. Đây là lý do và cách khắc phục

Ngừng theo đuổi các giải pháp AI cho vấn đề bạn không có.

Bởi Ishaan Agarwal
Chỉnh sửa bởi Chelsea Brown
8 tháng 5, 2025

Điểm chính

• Nhiều công ty vội vã triển khai các sáng kiến AI mà không xác định vấn đề cụ thể cần giải quyết, dẫn đến lãng phí tài nguyên và dự án thất bại.
• Các công ty thường cho rằng dữ liệu của họ đã sẵn sàng cho AI khi thực sự không phải. Học máy không chỉ cần dữ liệu; nó cần các mẫu có ý nghĩa trong dữ liệu tốt.
• Ngay cả các giải pháp AI tốt nhất cũng thất bại nếu không được tích hợp vào quy trình làm việc thực tế với đào tạo phù hợp và sự ủng hộ từ nhân viên.

Các công ty đang đối xử với trí tuệ nhân tạo như các bác sĩ thời đại Victoria đối xử với đỉa: như một phương thuốc đa năng có thể được áp dụng một cách tự do bất kể vấn đề thực sự là gì. Các cuộc họp hội đồng quản trị trên khắp đất nước đều có một biến thể nào đó của "Chúng ta cần một chiến lược AI" mà không trước tiên hỏi "Vấn đề cụ thể nào chúng ta đang cố gắng giải quyết?" Kết quả dễ dự đoán và không ấn tượng.

Dù sao, chúng ta cũng đang ở đây với các giám đốc điều hành yêu cầu các giải pháp AI cho vấn đề không tồn tại trong khi bỏ qua vấn đề mà AI thực sự có thể giải quyết.

Điều này tốn kém theo những cách hiếm khi xuất hiện trong báo cáo quý. Các công ty đổ hàng triệu USD vào các sáng kiến AI tạo ra các demo ấn tượng và kết quả ảm đạm. Họ đang viết séc mà cơ sở hạ tầng dữ liệu của họ không thể thanh toán. Và dường như không ai nhận thấy mô hình này.

Cạm bẫy công nghệ trước

Hành trình AI doanh nghiệp điển hình tuân theo một con đường đáng buồn và có thể dự đoán. Đầu tiên, một giám đốc điều hành tham dự một hội nghị nơi các đối thủ khoe khoang về các sáng kiến AI của họ. Hoảng loạn xảy ra. Một lệnh được đưa ra: "Triển khai AI trên tất cả các phòng ban." Các nhóm vội vã tìm trường hợp sử dụng để biện minh cho công nghệ đã được chọn. Các nhà tư vấn đến với các bản thuyết trình. Các chương trình thí điểm được khởi chạy. Các demo được xây dựng. Các thông cáo báo chí được soạn thảo. Và một năm sau, khi ai đó hỏi về ROI, mọi người lặng lẽ nhìn xuống giày.

Cách tiếp cận ngược này bắt đầu với giải pháp thay vì vấn đề giải thích tại sao nhiều dự án AI thất bại. Giống như mua một cái búa đắt tiền và sau đó đi lang thang tìm đinh. Đôi khi bạn tìm thấy chúng! Thường xuyên hơn, bạn khám phá vấn đề thực sự của mình cần tua vít.

Vấn đề là, chiến lược công nghệ trước tạo ra tiêu đề tuyệt vời nhưng kết quả kinh doanh tồi tệ. Chúng nhầm lẫn chuyển động với tiến bộ. Chúng định giá tính mới lạ cao hơn tính hữu dụng. Và thường thì, các giải pháp khó xây dựng và sử dụng hơn vẻ ngoài.

Ảo tưởng dữ liệu

Có một sự mâu thuẫn nhận thức kỳ lạ trong cách các tổ chức nghĩ về dữ liệu của họ. Hỏi bất kỳ nhà lãnh đạo kỹ thuật nào về chất lượng dữ liệu của công ty họ, và họ sẽ cười khó chịu. Tuy nhiên, các công ty phê duyệt các dự án AI giả định rằng các bộ dữ liệu nguyên sơ, toàn diện một cách kỳ diệu tồn tại đâu đó trong hệ thống của họ.

Học máy không chỉ cần dữ liệu. Nó cần các mẫu có ý nghĩa trong dữ liệu tốt. Một thuật toán học được đào tạo trên dữ liệu rác không trở nên thông minh; nó trở nên cực kỳ hiệu quả trong việc sản xuất rác với độ tin cậy cao.

Sự ngắt kết nối này giữa thực tế dữ liệu và tham vọng AI dẫn đến một chu kỳ thất vọng vô tận. Các dự án bắt đầu với dự đoán nhiệt tình về những gì AI có thể hoàn thành với dữ liệu lý thuyết. Chúng kết thúc với các kỹ sư giải thích tại sao dữ liệu thực tế không thể hỗ trợ những dự đoán đó. Lần sau sẽ khác, mọi người tự tin với nhau. Không bao giờ như vậy.

Khoảng cách triển khai

Giải pháp AI tinh vi nhất trên thế giới là vô giá trị nếu nó không được tích hợp vào quy trình làm việc thực tế. Tuy nhiên, các công ty thường xuyên đầu tư hàng triệu USD vào thuật toán trong khi phân bổ khoảng 17 USD và 30 xu để đảm bảo mọi người thực sự sử dụng chúng.

Họ xây dựng các giải pháp AI đòi hỏi sự tham gia hoàn hảo từ nhân viên không được tham vấn trong quá trình phát triển, không hiểu các mô hình và không được đào tạo để sử dụng các công cụ. Điều này gần như tương đương với việc lắp đặt động cơ Formula 1 vào một chiếc xe mà không sửa đổi hộp số, sau đó tự hỏi tại sao chiếc xe tiếp tục bị hỏng.

Nhìn này, việc áp dụng công nghệ không phải là vấn đề kỹ thuật. Đó là vấn đề con người. Con người nổi tiếng là kháng cự với việc thay đổi hành vi đã thiết lập, đặc biệt khi lợi ích không rõ ràng ngay lập tức đối với họ. Một giải pháp AI đòi hỏi thay đổi quy trình làm việc đáng kể mà không mang lại lợi ích rõ ràng, tức thì sẽ chết ngay từ khi ra mắt. Không ai muốn thừa nhận điều này, nhưng nó đúng.

Đảo ngược chiến lược

Một chiến lược AI được kỹ thuật ngược sẽ trông như thế nào? Bắt đầu với việc xác định các vấn đề kinh doanh cụ thể, có thể đo lường mà các cách tiếp cận hiện tại đang thua thiệt. Xác thực các vấn đề này thông qua phân tích nghiêm ngặt, không phải trực giác của giám đốc điều hành. Đánh giá xem các vấn đề này có thực sự cần AI hay có thể được giải quyết tốt hơn thông qua các giải pháp đơn giản hơn. Xem xét các thay đổi tổ chức cần thiết để triển khai bất kỳ giải pháp nào. Sau đó, và chỉ sau đó, đánh giá dữ liệu và công nghệ nào có thể giải quyết các vấn đề đã được xác thực.

Khung triển khai tốt hơn

Triển khai AI hiệu quả đòi hỏi đảo ngược cách tiếp cận điển hình:

Vấn đề trước giải pháp: Xác định và xác thực các thách thức kinh doanh cụ thể với tác động có thể đo lường

Kiểm tra thực tế dữ liệu: Kiểm toán chất lượng dữ liệu hiện có và quy trình thu thập trước khi giả định tính khả thi của AI

Thử nghiệm tính đơn giản: Xác định xem các cách tiếp cận đơn giản hơn, không phải AI có thể giải quyết vấn đề hiệu quả hơn không

Mức độ sẵn sàng của tổ chức: Đánh giá xem quy trình làm việc và nhóm có sẵn sàng tích hợp các giải pháp AI không

Triển khai từng bước: Bắt đầu với các chương trình thí điểm quy mô nhỏ tập trung vào các vấn đề hẹp, được xác định rõ

Đào tạo thuật toán trên dữ liệu lỗi giống như xây nhà trên cát lún. Kiến trúc có thể hoàn hảo, nhưng điều đó không quan trọng khi mọi thứ chìm xuống. Các công ty tự hào thông báo các sáng kiến AI của họ với mức độ rõ ràng chiến lược gần như giống với các nhà giả kim thuật thời trung cổ về việc biến chì thành vàng. Sự khác biệt chính là các nhà giả kim thuật chi tiêu ít tiền hơn.

Có lẽ chiến lược triển khai AI có giá trị nhất là đơn giản đảo ngược câu hỏi. Thay vì hỏi "Chúng ta có thể sử dụng AI như thế nào?" hãy thử hỏi "Vấn đề cụ thể nào đáng để giải quyết, và AI có thể là cách tiếp cận đúng cho một số vấn đề trong số đó không?" Việc định khung lại này không tạo ra các bài phát biểu chính trong hội nghị ấn tượng. Nó không tạo ra cùng mức độ đưa tin trên báo chí hoặc các vị trí phát biểu trong hội nghị. Nhưng nó có xu hướng tạo ra các giải pháp thực sự hoạt động, điều này có vẻ là một mục tiêu hợp lý cho các khoản đầu tư công nghệ hàng triệu USD.