HBR: Vì sao công cụ AI phổ biến thường không giúp tăng năng suất cho doanh nghiệp?

https://hbr.org/2025/04/teach-ai-to-work-like-a-member-of-your-team

#HBR

Dạy AI làm việc như một thành viên trong nhóm của bạn

Tác giả: Rohan Narayana Murty, Ravi Kumar, Hemanth Yamijala và George Nychis

Ngày 21 tháng 4 năm 2025

Minh họa bởi Ricardo Tomás

Tóm tắt

Nhiều công ty thấy tác động từ công cụ AI không đáng kể vì các mô hình chung không phù hợp với cách các nhóm thực sự làm việc. Tại một nhà bán lẻ thuộc Fortune 500, một nhóm phụ trách hợp đồng gặp khó khăn khi sử dụng công cụ có sẵn cho đến khi công ty lập bản đồ quy trình làm việc của họ ("đồ thị công việc") và tinh chỉnh mô hình bằng cách sử dụng phương pháp định vị ngược cơ học. Kết quả: đầu ra chính xác hơn, giảm công sức thủ công và tăng năng suất lên 30%. Bài học cho các nhà lãnh đạo là bối cảnh rất quan trọng—tăng năng suất thực sự đến từ việc điều chỉnh AI phù hợp với quy trình cụ thể của nhóm. Để làm được điều này, các công ty có thể: 1) bắt đầu bằng việc lập bản đồ cách thức công việc được hoàn thành với đồ thị công việc, 2) sử dụng đồ thị công việc để tinh chỉnh công cụ AI, và 3) áp dụng thực hành cải tiến liên tục.

Bài viết

Tại một công ty bán lẻ thuộc Fortune 500, ban lãnh đạo đã cung cấp cho nhóm phụ trách soạn thảo hợp đồng đàm phán với nhà cung cấp một công cụ AI nhằm đơn giản hóa công việc của họ. Được hỗ trợ bởi một mô hình ngôn ngữ lớn (LLM) được sử dụng rộng rãi, ban lãnh đạo kỳ vọng rằng công cụ này sẽ đẩy nhanh công việc của nhóm bằng cách tóm tắt tài liệu, trả lời câu hỏi về nội dung, so sánh hợp đồng, và nhiều hơn nữa.

Tuy nhiên, mặc dù có kỳ vọng cao, đầu ra của nhóm không thay đổi. Mặc dù công cụ có thể tạo ra văn bản chung—ví dụ, một bản nháp sơ bộ của hợp đồng—nhóm vẫn phải tùy chỉnh văn bản đó cho từng nhà cung cấp. Đối với mỗi hợp đồng, họ vẫn phải tích hợp thủ công các chi tiết quan trọng như thông tin nhà cung cấp, điều khoản, lịch sử đặt hàng và các sắc thái khác vào hợp đồng. Do đó, công cụ có tác động tối thiểu trong việc giảm khối lượng công việc của nhóm.

Câu chuyện này phản ánh một mô hình về cách các công cụ AI không đáp ứng được lời hứa của chúng. Trong một cuộc khảo sát gần đây chúng tôi đã thực hiện với 30 công ty thuộc nhiều ngành (bao gồm cả nhóm hợp đồng nêu trên), những người tham gia báo cáo rằng các công cụ AI chung thường không giúp người dùng hoàn thành các nhiệm vụ cụ thể được yêu cầu trong quy trình làm việc độc đáo vì chúng quá chung chung. Ngay cả khi các công cụ AI được điều chỉnh cho các lĩnh vực cụ thể như tài chính hoặc nhân sự, chúng vẫn không tạo ra giá trị đủ lớn vì chúng vẫn chưa đủ chuyên biệt—chúng không đáp ứng được nhu cầu và quy tắc cụ thể của một tổ chức, nhóm hoặc quy trình. Do đó, người dùng báo cáo rằng họ thường thấy các công cụ và mô hình AI "không hoạt động" hoặc "quá chung chung".

Khoảng cách giữa khả năng AI chung và nhu cầu cụ thể, liên tục phát triển của các nhóm chỉ ra một thách thức sâu hơn: Các công cụ hiện nay không được xây dựng để hiểu cách công việc thực sự được hoàn thành. Trong bài viết này, chúng tôi đưa ra hai khái niệm chính có thể giúp thu hẹp khoảng cách đó: đồ thị công việc (bản đồ số hóa về cách các nhóm làm việc) và định vị ngược cơ học (điều chỉnh mô hình AI cho các nhóm). Những ý tưởng này giúp giải thích tại sao AI truyền thống thường không đạt yêu cầu và cách các tổ chức có thể thiết kế hệ thống AI thích ứng với quy trình làm việc thực tế, người dùng thực tế và bối cảnh thực tế.

Tại sao công cụ AI không tạo ra giá trị

Hãy xem xét vấn đề này trong bối cảnh một quy trình cụ thể được thực hiện bởi nhóm hợp đồng. Theo truyền thống, khi soạn thảo một hợp đồng mới cho nhà cung cấp, nhóm sẽ:

1. Đăng nhập vào nhiều hệ thống
2. Truy xuất, phân tích và kiểm tra chi tiết nhà cung cấp
3. Xem xét báo giá từ nhà cung cấp và điều khoản đàm phán từ các nhà cung cấp tương tự (hoặc có liên quan)
4. Kiểm tra bất kỳ lịch sử đặt hàng liên quan nào từ nhà cung cấp
5. Soạn thảo thủ công hợp đồng kết hợp tất cả các yếu tố này

Khi nhóm hợp đồng lần đầu tiên áp dụng công cụ AI, quy trình của họ bắt đầu với việc tạo ra một hợp đồng cơ bản, theo mẫu. Từ đó, họ dành nhiều thời gian tinh chỉnh nó một cách thủ công. Đầu ra của công cụ AI chủ yếu dựa trên nội dung có sẵn công khai từ internet và thiếu các hiểu biết tinh tế, phụ thuộc vào bối cảnh cần thiết cho hợp đồng của họ. Mặc dù nhóm thấy công cụ AI thú vị, họ gặp khó khăn trong việc nhìn thấy tác động thực sự về mặt giảm bớt công sức.

Đây là một ví dụ về "nghịch lý năng suất" của AI: công nghệ tuyệt vời mà không có sự thích ứng bối cảnh sâu sắc, không thể chuyển thành cải thiện năng suất hữu hình—một hiện tượng gợi nhớ đến nhận xét của nhà kinh tế học Robert Solow rằng "bạn có thể thấy kỷ nguyên máy tính ở khắp mọi nơi nhưng không phải trong số liệu thống kê về năng suất."

Các mô hình AI mạnh mẽ vượt trội vì chúng được đào tạo trên các bộ dữ liệu chung khổng lồ—nhưng tính phổ quát của chúng là một con dao hai lưỡi. Mặc dù các mô hình này có thể thực hiện nhiều loại nhiệm vụ khác nhau, chúng thường bỏ lỡ bối cảnh độc đáo của quy trình làm việc cụ thể và yêu cầu của nhóm, dẫn đến việc bỏ lỡ các lợi ích năng suất.

Bối cảnh là tất cả

AI đang thất bại vì cùng một lý do mà một nhân viên mới có thể gặp khó khăn để cung cấp kết quả ngay lập tức: AI không biết nhóm hoàn thành công việc như thế nào, tìm thông tin ở đâu, hoặc chính xác nó được cho là phải làm gì với thông tin đó. AI thiếu bối cảnh thích hợp để thực sự đóng góp.

Trong khi công ty đang thử nghiệm với AI này, họ cũng đang làm việc trên điều sẽ trở thành giải pháp cho vấn đề bối cảnh đó bằng cách triển khai các công cụ để lập bản đồ quy trình và tạo ra "đồ thị công việc": một cái nhìn động, thời gian thực về cách các nhóm thực hiện quy trình làm việc trên các hệ thống. Những bản đồ này nắm bắt không chỉ các nhiệm vụ—chúng còn tiết lộ cách quyết định được đưa ra, dữ liệu nào được tham khảo và hệ thống nào được liên quan. Điều này rất quan trọng vì, mặc dù hai nhóm có thể sử dụng cùng một công cụ, cách họ làm việc thường rất khác nhau.

Dữ liệu cần thiết để soạn thảo mỗi hợp đồng không được tập trung hay tĩnh, nó khác nhau tùy theo nhà cung cấp và được phân tán trên nhiều hệ thống. Các thành viên nhóm phải xác định vị trí, diễn giải, xác minh và tổng hợp thông tin này để xây dựng hợp đồng chính xác. Khi họ làm điều này, hành động của họ—điều hướng hệ thống, xem xét dữ liệu, đưa ra quyết định—được tự động ghi lại tổng hợp trong đồ thị công việc.

Và đây là nơi cơ hội thực sự xuất hiện: Đồ thị công việc—bao gồm hai tháng hoạt động đã được kiểm chứng và giàu bối cảnh—sau đó có thể được sử dụng để đào tạo công cụ AI. Vì nó nắm bắt tất cả những gì mà nhóm cho là quan trọng, nó cung cấp cho công cụ AI bối cảnh thời gian thực, được xác nhận bởi con người, điều này cho phép công cụ bắt đầu làm việc theo cách phù hợp với cách nhóm thực sự làm việc. Với dữ liệu này, công cụ AI có thể tạo ra bản nháp đầu tiên hoàn chỉnh hơn đáng kể, giảm số lần lặp lại và đẩy nhanh quá trình đi đến bản hợp đồng cuối cùng, có thể sử dụng được. Cách tiếp cận này cắt giảm hơn một nửa công sức thủ công của nhóm trong việc soạn thảo mỗi hợp đồng. Mặc dù họ vẫn xem xét và xác minh đầu ra do AI tạo ra, họ yêu cầu ít lần lặp lại hơn và ít công việc làm lại hơn nhiều. Kết quả là, năng suất tổng thể của nhóm trong việc tạo ra hợp đồng tăng gần 30%.

Tuy nhiên, để làm cho điều này hoạt động, cần nhiều hơn là dữ liệu đúng—nó đòi hỏi cách tiếp cận đúng. Trong khi tự động hóa truyền thống thường nhằm thay thế công việc con người, mục tiêu ở đây là tùy chỉnh AI để làm việc tốt hơn cho các nhóm bằng cách phản ánh cách họ hoạt động. Để làm điều này, chúng tôi đã áp dụng một cách tiếp cận gọi là định vị ngược cơ học (RML). Để hiểu cách AI hoạt động, cách phổ biến là kỹ thuật đảo ngược từ góc nhìn con người. RML đảo ngược ý tưởng đó: Nó đảo ngược kỹ thuật cách con người làm việc—phân tích sâu quy trình làm việc thực tế, quyết định và bối cảnh của nhóm—và sử dụng điều đó để điều chỉnh AI để phục vụ nhóm tốt hơn. Đó là một mô hình hợp tác, không phải thay thế.

Bạn có thể xem RML như làm cho AI điều mà tùy chỉnh làm cho nền tảng phần mềm. Nhưng trong khi tùy chỉnh phần mềm thường có nghĩa là thay đổi những gì người dùng thấy, RML thay đổi những gì AI hiểu. Nó sâu sắc hơn, phụ thuộc vào bối cảnh hơn và cuối cùng là mạnh mẽ hơn.

Các bước sau đây đã được thực hiện trong việc triển khai RML cho nhóm hợp đồng.

1. Lập bản đồ đồ thị công việc

Chúng tôi bắt đầu bằng cách nắm bắt từng bước và tương tác giữa con người và máy mà các thành viên của nhóm hợp đồng thực hiện trong công việc của họ: cách họ truy xuất thông tin về nhà cung cấp, cách họ thực hiện kiểm tra chéo, cách họ tích hợp thủ công các nguồn dữ liệu đa dạng vào các tệp excel. Tất cả các bước này nắm bắt cả hành động rõ ràng (ví dụ: đọc hồ sơ nhà cung cấp) và các mô hình ra quyết định ngầm làm nền tảng cho quy trình làm việc (ví dụ: kiểm tra xem nhà cung cấp có xếp hạng tín dụng kém không). Dữ liệu chi tiết, độ trung thực cao này là bản chất của bối cảnh địa phương của nhóm—các dấu hiệu họ dựa vào, thông tin nào họ cho là quan trọng nhất và cách họ thích ứng trong các tình huống khác nhau.

Dữ liệu này, trong tất cả các tổ chức, cung cấp các chi tiết cụ thể về cách một nhóm thực sự làm việc. Khi tấm thảm phong phú này được đưa vào công cụ AI, nó cho phép bạn chuyển đổi một mô hình chung thành một công cụ chuyên biệt cao hiểu được ngôn ngữ địa phương của công việc. Do đó, điều quan trọng đối với các nhà lãnh đạo là nghĩ về việc đầu tư vào việc thu thập dữ liệu này và sử dụng nó như một nguồn cho các chuyển đổi tiếp theo, bao gồm cung cấp bối cảnh cho các mô hình AI.

2. Tinh chỉnh với đồ thị công việc

Sau khi lập bản đồ đồ thị công việc của nhóm hợp đồng, chúng tôi đã sử dụng các hiểu biết chi tiết của nó làm bối cảnh và sử dụng nó để tinh chỉnh mô hình cung cấp năng lượng cho công cụ AI. Điều đó đòi hỏi việc cung cấp cho mô hình (bên dưới công cụ AI) các mô hình làm việc và dữ liệu (ví dụ: thông tin nhà cung cấp). Đây là bước quan trọng—tích hợp bối cảnh địa phương của một nhóm vào công cụ AI. Bằng cách tích hợp các mô hình làm việc cụ thể và dấu hiệu bối cảnh từ hoạt động hàng ngày của nhóm, công cụ AI tạo ra bản nháp đầu tiên của hợp đồng bao gồm một số chi tiết của nhà cung cấp, các sắc thái xung quanh xếp hạng tín dụng của họ, v.v. Do đó, đây là một bản nháp hoàn chỉnh hơn.

3. Cải tiến liên tục

Các tổ chức liên tục phát triển. Quy trình thay đổi, công nghệ mới được đưa vào, và tình huống cũng như ưu tiên thay đổi (ví dụ: các nhóm bắt đầu làm việc với các nhà cung cấp mới ở các khu vực địa lý mới). Do đó, các công ty cần liên tục cập nhật đồ thị công việc và đưa các mô hình mới xuất hiện trở lại vào mô hình để giữ cho các công cụ AI được cập nhật.

Ví dụ, nhóm hợp đồng định kỳ có phản hồi về chất lượng của các hợp đồng được tạo ra bằng RML (ví dụ: hợp đồng không phản ánh chính xác ý nghĩa của xếp hạng tín dụng kém đối với nhà cung cấp). Loại phản hồi này, được gọi là học tăng cường với phản hồi của con người (RLHF), được sử dụng để tinh chỉnh và cải tiến hơn nữa mô hình trong công cụ AI. Kết quả là, công cụ AI tiếp tục thích ứng với nhu cầu của nhóm, đảm bảo độ chính xác cao được duy trì theo thời gian.

Các nhóm doanh nghiệp hoạt động dựa trên kiến thức bộ lạc—kiến thức ngầm về cách mỗi nhóm thực hiện công việc và các giải pháp cụ thể cho các thách thức gặp phải bởi nhóm khi thực hiện công việc của họ. Bằng cách khai quật kiến thức này và tinh chỉnh các mô hình trên thông tin này, chúng ta có thể tạo ra các mô hình chính xác hơn và phụ thuộc vào bối cảnh phục vụ các nhóm chính xác hơn.

Một cách sử dụng thú vị của các mô hình AI là để chúng hoạt động như "tác nhân", tức là hoạt động tự chủ để thực hiện các mô hình công việc. Tuy nhiên, thách thức là các mô hình này có khả năng gặp phải vấn đề phổ quát tương tự vì chúng được hỗ trợ bởi các mô hình tổng quát mạnh mẽ. Để các tác nhân thành công, họ cần hoạt động và thực hiện chính xác trong bối cảnh của một nhóm. Do đó, RML là rất quan trọng để cung cấp năng lượng cho các tác nhân học từ các nhóm và do đó phục vụ các nhóm chính xác hơn.

Các giám đốc điều hành có thể làm gì?

Các mô hình chung, mặc dù ấn tượng về phạm vi, thường không nắm bắt được bối cảnh địa phương tinh tế thúc đẩy hiệu quả và độ chính xác thực sự. Các giám đốc điều hành phải nhận ra rằng AI không phải là công nghệ "thiết lập và quên đi". Thay vào đó, giá trị của nó được mở khóa khi hệ thống được điều chỉnh phù hợp với các mô hình làm việc cụ thể và quy trình ra quyết định của tổ chức.

Bằng cách đầu tư vào một cách tiếp cận được điều chỉnh, các công ty có thể giảm đáng kể tỷ lệ lỗi, cắt giảm chi phí hoạt động và cuối cùng đạt được ROI cao hơn nhiều từ các sáng kiến AI của họ. Trong bối cảnh cạnh tranh hiện nay, việc bỏ qua việc tích hợp lớp hiểu biết bối cảnh này có nghĩa là để lại tiền—và lợi thế chiến lược—trên bàn.

Tóm lại, nếu chiến lược AI của bạn chỉ dựa vào các giải pháp có sẵn, bạn có nguy cơ bỏ lỡ một chuyển đổi thúc đẩy năng suất thực sự và giảm rủi ro. Do đó, một chiến lược AI hoàn chỉnh phải bao gồm cải tiến liên tục thông qua các hiểu biết địa phương hóa để đảm bảo rằng các khoản đầu tư công nghệ mang lại giá trị cả trước mắt và lâu dài.