MIT SMR: 10 bài học AI cấp thiết cho nhà lãnh đạo năm 2025

• Các lãnh đạo đang gặp khó khăn trong việc định hình chiến lược AI trong năm 2025, giữa lúc công nghệ GenAI phát triển nhanh chóng nhưng chưa mang lại chuyển đổi lớn như kỳ vọng.

• Thay vì “đại cải tổ”, các doanh nghiệp đang ưu tiên những chuyển đổi nhỏ (small t) để khai thác giá trị từ GenAI. Dù chưa tái thiết toàn bộ quy trình, nhưng họ vẫn đang xây nền móng cho thay đổi dài hạn.

• Báo cáo của Accenture trên 1.500 công ty cho thấy những doanh nghiệp thành công thường dành 15% ngân sách CNTT để xử lý nợ công nghệ (tech debt). Quản lý hiệu quả nợ công nghệ là chìa khóa để đổi mới và phát triển bền vững.

• 97% dữ liệu trong các tổ chức bảo hiểm lớn là dữ liệu phi cấu trúc, như văn bản, hình ảnh, video. GenAI đang thúc đẩy xu hướng “truy xuất kết hợp tạo sinh” (RAG) để xử lý và tận dụng khối dữ liệu này.

• Một thách thức lớn là xây dựng văn hóa dữ liệu trong tổ chức. Mặc dù 57% công ty đầu tư mạnh vào AI, họ vẫn chưa tạo được môi trường ra quyết định dựa trên dữ liệu, gây lãng phí tiềm năng công nghệ.

• “Triết học đang ăn mòn AI” – một nhận định gây sốc nhấn mạnh rằng các nguyên tắc triết học, nếu không được chủ động lồng ghép vào phát triển AI, sẽ tự len lỏi và ảnh hưởng đến cách hệ thống học và hoạt động.

• GenAI không chỉ tự động hóa mà còn thúc đẩy học tập trong tổ chức. Việc kết hợp giữa con người và AI tạo ra hiệu ứng tích lũy, mang lại lợi thế cạnh tranh qua thời gian.

• GenAI và AI phân tích có mục đích khác nhau: GenAI tập trung vào hiệu suất và tự động hóa, còn AI phân tích giúp ra quyết định chiến lược. Lãnh đạo cần chọn đúng loại AI cho từng vấn đề cụ thể, thông qua các buổi workshop ý tưởng.

• BYOAI (Bring Your Own AI) – nhân viên mang công cụ AI riêng vào làm việc – không thể cấm. Việc cấm đoán khiến họ tìm đường vòng, làm suy yếu quản trị và tăng rủi ro. Thay vào đó, lãnh đạo cần tạo khung quản trị linh hoạt.

• Nhiều dự án GenAI thất bại do bỏ qua giai đoạn đánh giá (evals). Các bài kiểm tra tự động giúp đo hiệu quả ứng dụng LLM theo tiêu chí kinh doanh và người dùng, từ đó cải thiện chất lượng sản phẩm và tăng tốc phát triển.

• Causal ML là công cụ mới để trả lời câu hỏi “điều gì sẽ xảy ra nếu...”. Khác với ML truyền thống chuyên dự đoán, causal ML cho phép so sánh các hành động khác nhau, hữu ích trong marketing, tài chính, sản phẩm,...

📌 Trong bối cảnh AI năm 2025 chưa tạo ra thay đổi toàn diện, MIT SMR đề xuất 10 chiến lược cấp thiết như tập trung vào chuyển đổi nhỏ (small t), quản lý nợ công nghệ hiệu quả (15% ngân sách CNTT), khai thác dữ liệu phi cấu trúc (97%), thúc đẩy văn hóa dữ liệu (57% công ty đang gặp khó), không cấm BYOAI và sử dụng đánh giá tự động (evals) để phát triển GenAI. Ngoài ra, cần áp dụng đúng loại AI (phân tích vs tạo sinh) và tận dụng causal ML để ra quyết định chiến lược hiệu quả hơn.

https://sloanreview.mit.edu/article/10-urgent-ai-takeaways-for-leaders/

#MIT

10 điểm quan trọng về AI dành cho lãnh đạo

Chiến lược AI nào thực sự hiệu quả? Nhận lời khuyên về những thách thức cấp bách nhất về AI hiện nay từ các chuyên gia của MIT SMR.

Laurianne McLaughlin
Ngày 07 tháng 4, 2025
Thời gian đọc: 9 phút

Chủ đề
Dữ liệu, AI, & Học máy
AI & Học máy

Tóm tắt: Các nhà lãnh đạo đang gặp khó khăn với việc định hình chiến lược trí tuệ nhân tạo. Sau cùng, công việc này liên quan đến việc giải quyết những vấn đề khó khăn như rủi ro...

Bài viết tập trung vào những thách thức hiện tại của các nhà lãnh đạo trong việc triển khai AI hiệu quả, bao gồm:

1. Bắt đầu với những chuyển đổi nhỏ trước khi hướng đến những thay đổi lớn
2. Quản lý nợ công nghệ AI thông minh
3. Tầm quan trọng của dữ liệu phi cấu trúc
4. Xây dựng văn hóa dựa trên dữ liệu
5. Vai trò của triết học trong chiến lược AI
6. Cách GenAI thúc đẩy việc học tập trong tổ chức
7. So sánh giữa GenAI và AI phân tích
8. Quản lý xu hướng nhân viên tự mang AI vào làm việc (BYOAI)
9. Tầm quan trọng của đánh giá ứng dụng GenAI
10. Sử dụng học máy nhân quả cho câu hỏi giả định

"Mặc dù đã trải qua 2 năm với sự chú ý rộng rãi của giới quản lý và thử nghiệm mở rộng, chúng ta vẫn chưa thấy những chuyển đổi kinh doanh quy mô lớn được hỗ trợ bởi GenAI mà nhiều người ban đầu đã hình dung."

Phát biểu này của các tác giả MIT SMR Melissa Webster và George Westerman có phản ánh trải nghiệm của bạn không? Không có gì ngạc nhiên. Sau hai năm đầy biến động với sự phóng đại, gián đoạn và thử nghiệm đối với nhiều nhà lãnh đạo, bạn (và đồng nghiệp) có thể vẫn đang chờ đợi khoản lợi nhuận kinh doanh lớn. Bạn có thể chưa thiết kế lại quy trình quan trọng đó, cắt giảm thời gian tiếp cận thị trường, hoặc cải thiện đáng kể sự hài lòng của khách hàng.

Như Westerman, giảng viên cao cấp tại Trường Quản lý MIT Sloan, đã lưu ý trong một trong những bài viết phổ biến nhất của chúng tôi về trí tuệ nhân tạo năm nay, bạn có thể cần thực hành kiên nhẫn hơn. Các công ty thành công nhất hiện đang trong giai đoạn chuyển đổi nhỏ hơn sử dụng công cụ AI — mở đường cho sự chuyển đổi lớn đó.

Thật khó để diễn đạt mức độ khó khăn đối với các nhà lãnh đạo trong việc định hình chiến lược AI vào năm 2025. Sau cùng, công việc này liên quan đến việc giải quyết mọi thứ từ quản lý rủi ro đến đạo đức AI, với một số thách thức đáng sợ về quản lý dữ liệu và văn hóa. Đồng thời, các công cụ AI và trí tuệ nhân tạo tạo sinh tiếp tục phát triển. Những gì công cụ GenAI Claude không thể làm được mùa xuân này, có thể sẽ làm được vào mùa hè.

Tại MIT SMR, chúng tôi cố gắng xuất bản những lời khuyên mới mẻ, dựa trên bằng chứng mà các nhà lãnh đạo có thể áp dụng tại tổ chức của họ. Các nhà lãnh đạo rất muốn được hướng dẫn về chiến lược AI: Chúng tôi thấy điều này trong dữ liệu người đọc bài viết của chúng tôi. Ở đây, chúng tôi đã tập hợp 10 bài viết về AI phổ biến và có giá trị nhất trong những tháng gần đây để chia sẻ bài học kịp thời về 10 vấn đề cấp bách về AI.

1. Thu được giá trị GenAI: Bắt đầu với những chuyển đổi "t nhỏ".

"Chưa đầy hai năm trước, trí tuệ nhân tạo tạo sinh đã xuất hiện trên các tiêu đề với những khả năng mới đáng kinh ngạc: Có thể tham gia vào các cuộc trò chuyện; diễn giải lượng lớn văn bản, âm thanh hoặc hình ảnh; và thậm chí tạo ra tài liệu và tác phẩm nghệ thuật mới. Sau đợt áp dụng công nghệ nhanh nhất trong lịch sử — với hơn 100 triệu người dùng trong hai tháng đầu tiên — doanh nghiệp trong mọi ngành bắt đầu thử nghiệm với nó. Tuy nhiên, mặc dù đã trải qua hai năm với sự chú ý rộng rãi của giới quản lý và thử nghiệm mở rộng, chúng ta vẫn chưa thấy những chuyển đổi kinh doanh quy mô lớn được hỗ trợ bởi GenAI mà nhiều người ban đầu đã hình dung.

"Điều gì đã xảy ra? Công nghệ này không đáp ứng được lời hứa của nó sao? Các chuyên gia có sai khi kêu gọi những chuyển đổi lớn không? Các công ty có quá thận trọng không? Câu trả lời cho mỗi câu hỏi đó vừa là có vừa là không. Trí tuệ nhân tạo tạo sinh đã được sử dụng theo cách mang tính chuyển đổi trong nhiều công ty, chỉ là chưa phải là động lực cho việc thiết kế lại toàn diện các chức năng kinh doanh chính. Các nhà lãnh đạo kinh doanh đang tìm cách tạo ra giá trị thực từ các mô hình ngôn ngữ lớn (LLM) mà không cần thay thế hoàn toàn các quy trình kinh doanh hiện có. Họ đang theo đuổi sự chuyển đổi 't nhỏ', ngay cả khi họ xây dựng nền tảng cho những chuyển đổi lớn hơn sắp tới."

Đọc bài viết đầy đủ, "Tạo Giá Trị Từ GenAI Với Chuyển Đổi 't nhỏ'," của Melissa Webster và George Westerman.

2. Đưa ra các lựa chọn thông minh về nợ công nghệ AI.

"Để hiểu cách các nhà lãnh đạo kinh doanh ngày nay đang cải tổ tổ chức của họ, bao gồm vai trò của nợ công nghệ, Accenture đã nghiên cứu 1.500 công ty toàn cầu tại 10 quốc gia thuộc 19 ngành và tiến hành hàng chục cuộc thảo luận chuyên sâu với các nhà lãnh đạo cấp C. Nghiên cứu cho thấy rằng các công ty có vị thế tốt cho sự thay đổi có một 'lõi kỹ thuật số' sẵn sàng cho việc cải tổ — một tập hợp các thành phần chính như cơ sở hạ tầng đám mây, dữ liệu và AI có thể được cập nhật dễ dàng. Họ cũng thường dành khoảng 15% ngân sách CNTT của mình để khắc phục nợ công nghệ.

"Điều nghiên cứu làm rõ là ngày nay, giải quyết nợ công nghệ không phải là loại bỏ nó mà là quản lý nó. Chìa khóa nằm ở việc biết nợ là gì, cái gì cần sửa, cái gì cần giữ, và làm thế nào để nhận ra nợ công nghệ đang thúc đẩy khả năng đổi mới của công ty bạn."

Đọc bài viết đầy đủ, "Cách Quản Lý Nợ Công Nghệ Trong Kỷ Nguyên AI," của Koenraad Schelfaut và Prashant P. Shukla.

3. Dữ liệu phi cấu trúc lại trở nên quan trọng.

"Phần lớn dữ liệu mà GenAI làm việc là tương đối phi cấu trúc, ở dạng văn bản, hình ảnh, video và tương tự. Một nhà lãnh đạo tại một tổ chức bảo hiểm lớn gần đây đã chia sẻ... rằng 97% dữ liệu của công ty là phi cấu trúc. Nhiều công ty quan tâm đến việc sử dụng GenAI để giúp quản lý và cung cấp quyền truy cập vào dữ liệu và tài liệu của riêng họ, thường sử dụng phương pháp gọi là tạo sinh tăng cường bằng truy xuất, hoặc RAG. Nhưng một số công ty chưa làm việc nhiều với dữ liệu phi cấu trúc của họ kể từ thời kỳ quản lý kiến thức cách đây 20 năm hoặc hơn. Họ đã tập trung vào dữ liệu có cấu trúc — thường là các hàng và cột số từ các hệ thống giao dịch."

Đọc bài viết đầy đủ, "Năm Xu Hướng Trong AI Và Khoa Học Dữ Liệu Cho Năm 2025," của Thomas H. Davenport và Randy Bean.

4. Thành công với AI đòi hỏi xây dựng văn hóa dựa trên dữ liệu.

"Nhờ vào sự ồn ào đinh tai nhức óc xung quanh khoa học dữ liệu và AI, các nhà lãnh đạo doanh nghiệp không còn nghi ngờ tiềm năng chuyển đổi của cặp đôi mạnh mẽ này. Tuy nhiên, một thống kê đáng chú ý cho thấy một thách thức lãnh đạo lớn hơn: Hơn 57% công ty gặp khó khăn trong việc xây dựng văn hóa dựa trên dữ liệu, theo nghiên cứu của Wavestone. Điều này cho thấy trong nhiều trường hợp, các nhà lãnh đạo tin vào sức mạnh của dữ liệu và đang đầu tư vào AI, nhưng tổ chức của họ vẫn chưa nhận được lợi ích thực sự.

"Thật vậy, đối với nhiều nhà lãnh đạo, thách thức không phải là mua các công cụ phân tích nâng cao hoặc xây dựng các giải pháp kỹ thuật chính xác. Rào cản thực sự tinh tế nhưng quan trọng hơn nhiều: nuôi dưỡng một môi trường trong tổ chức nơi các cá nhân bản năng sẽ hướng đến dữ liệu bất cứ khi nào họ phải đưa ra quyết định. Đây là ý nghĩa thực sự của việc dựa vào dữ liệu hoặc tạo ra văn hóa dữ liệu."

Đọc bài viết đầy đủ, "Xây Dựng Văn Hóa Dựa Trên Dữ Liệu: Bốn Yếu Tố Chính," của Ganes Kesari.

5. Triết học có thể nuốt chửng chiến lược AI của bạn.

"Ngay cả khi phần mềm nuốt chửng thế giới và AI nuốt chửng phần mềm, yếu tố phá vỡ nào đang sẵn sàng để biến AI thành bữa ăn? Câu trả lời đang ẩn nấp trước mắt. Nó thách thức các nhà lãnh đạo kinh doanh và công nghệ như nhau để suy nghĩ lại về khoản đầu tư và mối quan hệ của họ với trí tuệ nhân tạo. Không có cách nào tránh khỏi yếu tố phá vỡ này; nó thâm nhập vào các bộ huấn luyện và mạng thần kinh của mọi mô hình ngôn ngữ lớn (LLM) trên toàn thế giới.

"Triết học đang nuốt chửng AI: Là một ngành học, bộ dữ liệu và tư duy, triết học ngày càng quyết định cách các công nghệ kỹ thuật số suy luận, dự đoán, sáng tạo, tạo ra và đổi mới. Thách thức doanh nghiệp quan trọng là liệu các nhà lãnh đạo có sở hữu sự tự nhận thức và nghiêm túc để sử dụng triết học như một nguồn lực tạo giá trị với AI hay mặc định theo các nguyên tắc triết học ngầm hiểu, không được nói rõ cho việc triển khai AI của họ. Dù bằng cách nào — tốt hơn hay tệ hơn — triết học nuốt chửng AI. Đối với các giám đốc có ý thức về chiến lược, phép ẩn dụ đó cần được ghi nhớ."

Đọc bài viết đầy đủ, "Triết Học Nuốt Chửng AI," của Michael Schrage và David Kiron.

6. GenAI có thể tăng tốc cách tổ chức học tập.

"Kết hợp với AI truyền thống, trí tuệ nhân tạo tạo sinh mở rộng phạm vi cải thiện tiềm năng trong nhiều quy trình và quyết định và sự dễ dàng mà kiến thức mới này có thể được áp dụng. Điều này, đến lượt nó, tạo ra tiềm năng cho một hiệu ứng cộng hưởng tích cực đến việc học tập tổ chức, với con người và máy móc làm việc phối hợp để tạo ra lợi thế cạnh tranh mới."

Đọc bài viết đầy đủ, "Tăng Tốc Học Tập Tổ Chức Với GenAI," của Paul Baier và John J. Sviokla.

7. GenAI so với AI phân tích: Chọn dự án của bạn một cách khôn ngoan.

"Các nhà lãnh đạo nên nhận ra rằng trí tuệ nhân tạo tạo sinh và AI phân tích là bổ sung chứ không thay thế lẫn nhau. GenAI tập trung vào hiệu quả và tự động hóa, như sử dụng chatbot được hỗ trợ bởi AI để tăng năng suất trung tâm cuộc gọi, trong khi AI phân tích nâng cao việc ra quyết định chiến lược, như xác định thời điểm tốt nhất hoặc đề nghị tốt nhất cho mỗi khách hàng được liên hệ bởi trung tâm cuộc gọi.

"Loại hình AI nào phù hợp nhất với vấn đề kinh doanh của bạn? Một bước quan trọng trong việc tạo lộ trình cho các dự án AI liên quan đến việc tiến hành các hội thảo hình thành ý tưởng trong đó các nhà lãnh đạo kinh doanh và kỹ thuật có thể động não về cơ hội áp dụng AI vào thách thức tổ chức."

Đọc bài viết đầy đủ, "AI Phân Tích: Cách Tốt Hơn Để Xác Định Các Dự Án AI Phù Hợp," của Pedro Amorim, Teresa Bianchi de Aguiar, Luís Guimarães, Bernardo Almada-Lobo và Bruno Teixeira.

8. Mang AI riêng của bạn (BYOAI) không thể bị cấm.

"Do những rủi ro liên quan đến BYOAI, có vẻ hợp lý khi các nhà lãnh đạo xem xét việc cấm hoàn toàn các công cụ GenAI chưa được kiểm định. Triển vọng sử dụng GenAI không kiểm soát, kết hợp với sự không chắc chắn xung quanh việc tiếp xúc pháp lý và quy định, có thể khiến các nhà lãnh đạo thận trọng một cách dễ hiểu. Tuy nhiên, các giám đốc điều hành mà chúng tôi phỏng vấn cho biết rằng việc cấm BYOAI là không thực tế và không hiệu quả. Nhân viên — đặc biệt là những người đã cảm thấy quá tải — thường chuyển sang các công cụ GenAI để nâng cao năng suất cá nhân của họ. Hạn chế truy cập chỉ đẩy họ tìm cách giải quyết không chính thức, có khả năng bỏ qua các khuôn khổ quản trị đã thiết lập. Điều này cuối cùng có thể khuếch đại chính những rủi ro mà các nhà lãnh đạo nhắm đến để giảm thiểu.

"Hơn nữa, lệnh cấm sẽ ngăn nhân viên khám phá các trường hợp sử dụng mới, chặn cơ hội giải quyết vấn đề sáng tạo và khám phá tiềm năng tăng hiệu quả trong toàn tổ chức."

Đọc bài viết đầy đủ, "Mang AI Riêng Của Bạn: Cách Cân Bằng Rủi Ro Và Đổi Mới," của Nick van der Meulen và Barbara H. Wixom.

9. Chú ý hơn đến việc đánh giá ứng dụng GenAI.

"Quy trình đánh giá bao gồm các evals — các bài kiểm tra tự động được thiết kế để đo lường mức độ hoạt động tốt của ứng dụng LLM trên các thông số phản ánh những gì người dùng cuối quan tâm và những gì quan trọng đối với doanh nghiệp. Evals đẩy nhanh quá trình phát triển bằng cách tập trung nỗ lực vào các lĩnh vực quan trọng và tăng khả năng xây dựng các ứng dụng mang lại giá trị tổ chức. Tuy nhiên, thực tế là nhiều đội đầu tư không đủ vào evals. Kết quả: tiến độ không đồng đều và cuối cùng là các dự án GenAI bị hủy bỏ hoặc các ứng dụng có lỗi không đạt được mục tiêu kinh doanh.

"Các nhà lãnh đạo kinh doanh, lãnh đạo CNTT và nhà phát triển làm việc cùng nhau để phát triển các ứng dụng AI tạo sinh để giải quyết vấn đề kinh doanh đều được hưởng lợi từ quy trình đánh giá mạnh mẽ. Các nhà lãnh đạo kinh doanh và CNTT có cái nhìn về mức độ chất lượng thực sự của ứng dụng trong suốt chu kỳ phát triển, và các nhà phát triển có thể trả lời những câu hỏi quan trọng, như 'Chúng ta có đang tiến bộ đủ không?' hoặc 'Chu kỳ phát triển tiếp theo nên tập trung vào điều gì?' hoặc 'Ứng dụng có đủ tốt để triển khai không?'"

Đọc bài viết đầy đủ, "Bước Ứng Dụng GenAI Bạn Đang Bỏ Qua: Đánh Giá," của Rama Ramakrishnan.

10. Câu hỏi giả định cần một công cụ học máy mới.

"ML nhân quả — một lĩnh vực mới nổi của học máy — có thể giúp trả lời... những câu hỏi giả định thông qua suy luận nhân quả. Tương tự như cách các nhà tiếp thị sử dụng các bài kiểm tra A/B để suy ra quảng cáo nào trong hai quảng cáo có khả năng tạo ra nhiều doanh số bán hàng hơn, ML nhân quả có thể thông báo điều gì có thể xảy ra nếu nhà quản lý thực hiện một hành động cụ thể.

"Điều này làm cho công nghệ hữu ích trong nhiều chức năng kinh doanh giống nhau sử dụng ML truyền thống, bao gồm phát triển sản phẩm, sản xuất, tài chính, nhân sự và tiếp thị. ML truyền thống vẫn là phương pháp tiếp cận khi mục tiêu duy nhất là đưa ra dự đoán — chẳng hạn như liệu giá cổ phiếu sẽ tăng hay sản phẩm nào khách hàng có khả năng mua nhất. Khi một công ty muốn dự đoán điều gì sẽ xảy ra nếu nó đưa ra quyết định này so với quyết định khác — chẳng hạn như liệu giảm giá 10% hay không giảm giá có khả năng thúc đẩy khách hàng mua lại hơn không — nó cần ML nhân quả."

Đọc bài viết đầy đủ, "Một Phương Pháp Học Máy Mới Trả Lời Các Câu Hỏi Giả Định," của Stefan Feuerriegel, Yash Raj Shrestha và Georg von Krogh.