MIT: Tăng cường học tập trong tổ chức với AI tạo sinh

- AI tạo sinh có thể cải thiện đáng kể khả năng học hỏi của tổ chức. Sự ra mắt của ChatGPT vào tháng 11 năm 2022 đã mở ra thời điểm mới cho tự động hóa, giúp con người tương tác với máy bằng ngôn ngữ tự nhiên.
- Công nghệ này cho phép tạo ra, nắm bắt và chuyển giao kiến thức trong tổ chức một cách dễ dàng hơn bao giờ hết.
- Các nhà lãnh đạo cần xem AI tạo sinh không chỉ là công nghệ mới mà là một năng lực tổ chức, mở ra cơ hội cho cải tiến quy trình và quyết định.
- Hai ví dụ nổi bật là Blue Cross Blue Shield of Michigan (BCBSM) và Wolters Kluwer, nơi họ xem AI tạo sinh như một khả năng toàn doanh nghiệp và áp dụng vào nhiều lĩnh vực khác nhau.
  - BCBSM tiết kiệm hơn 10 triệu USD nhờ áp dụng AI tạo sinh trong phân tích và chuẩn hóa hợp đồng.
  - Wolters Kluwer tạo ra môi trường học hỏi cho nhân viên qua các buổi chia sẻ, giúp tăng cường kỹ năng và sự gắn kết với công ty.
- Các nghiên cứu cho thấy AI tạo sinh có thể cải thiện năng suất trong nhiều lĩnh vực, ví dụ như tăng 14% năng suất cho nhân viên trung tâm cuộc gọi và 12% cho tư vấn viên.
- AI tạo sinh không chỉ nâng cao năng suất mà còn thúc đẩy mô hình quản lý mới, gọi là lý thuyết A, trong đó cả con người và máy tính làm việc cùng nhau để cải thiện quy trình học hỏi.
- 3 khả năng mới mà AI tạo sinh mang lại: 
  1. Quy trình và sản phẩm có thể đối thoại, giải thích cho người dùng.
  2. Nhân viên có thể tạo ra các công cụ AI riêng cho công việc của họ.
  3. Xử lý hiệu quả dữ liệu phi cấu trúc, như thông tin không nằm trong các hệ thống truyền thống.
- Điều này tạo ra sự khác biệt trong cách thức học hỏi của tổ chức, giúp cải thiện quy trình và tăng cường khả năng cạnh tranh.
- Một ví dụ đáng chú ý là Jerry Insurance, nơi AI tạo sinh tự động hóa gần 90% tương tác với khách hàng, giảm đáng kể khối lượng công việc cho nhân viên.
- Các tổ chức nên suy nghĩ chiến lược hơn về việc xây dựng khả năng AI tạo sinh, giúp họ tối ưu hóa quy trình và cải thiện năng suất dài hạn.

📌 AI tạo sinh không chỉ đơn thuần là công nghệ mới mà còn là năng lực tổ chức, tạo ra cơ hội tăng trưởng và đổi mới. Các tổ chức như BCBSM và Wolters Kluwer đã chứng minh rằng việc áp dụng AI tạo sinh có thể mang lại lợi ích kinh tế rõ rệt và tăng cường khả năng học hỏi trong môi trường làm việc.

https://sloanreview.mit.edu/article/turbocharging-organizational-learning-with-genai/

#MIT

Tăng tốc học hỏi tổ chức với GenAI
Bằng cách hợp tác, con người và các tác nhân máy móc có thể mở rộng đáng kể việc chia sẻ tri thức, đổi mới và tạo lợi thế cạnh tranh.
Paul Baier và John J. Sviokla
Ngày 13 tháng 1 năm 2025

Trí tuệ nhân tạo tạo sinh (GenAI) có thể cải thiện một cách căn bản khả năng học hỏi của tổ chức. Khi OpenAI ra mắt ChatGPT vào tháng 11 năm 2022, lần đầu tiên trong hơn 200 năm lịch sử của tự động hóa tiên tiến, máy móc bắt đầu "trả lời" con người. Thay vì phải "nói" bằng Java hay Python, mọi người có thể sử dụng ngôn ngữ hàng ngày — lý do khiến công cụ này thu hút hơn 100 triệu người dùng chỉ trong hai tháng đầu tiên ra mắt công chúng.

Hơn thế nữa, bằng cách thúc đẩy tương tác qua ngôn ngữ tự nhiên và xử lý linh hoạt các dữ liệu không có cấu trúc như văn bản, hình ảnh, số liệu và âm thanh, GenAI đã mở ra một phương thức hoàn toàn mới để tạo ra, thu thập và chuyển giao tri thức tổ chức. Trong bài viết này, chúng tôi sẽ lập luận rằng các nhà lãnh đạo cần xem GenAI như một khả năng tổ chức mới, không chỉ vì nó tự động hóa nhiều nhiệm vụ một cách kinh tế. Khi kết hợp với AI truyền thống, GenAI mở rộng phạm vi cải tiến tiềm năng trong nhiều quy trình và quyết định, đồng thời giúp áp dụng kiến thức mới dễ dàng hơn. Điều này tạo ra tiềm năng cho một hiệu ứng cộng gộp tích cực về học hỏi tổ chức, nơi con người và các tác nhân máy móc phối hợp để tạo ra lợi thế cạnh tranh mới.

Tạo ra khả năng mới, không chỉ áp dụng công nghệ mới

Nghịch lý thay, chính tính tổng quát và khả năng áp dụng rộng rãi của GenAI có thể khiến việc áp dụng nó trở nên thách thức. Trong nghiên cứu của chúng tôi, các tổ chức tiên tiến nhất coi GenAI không phải như một công nghệ riêng lẻ mà như một khả năng tổ chức. Hai ví dụ sau minh họa quan điểm này:

Blue Cross Blue Shield of Michigan (BCBSM): Nhà cung cấp bảo hiểm y tế trị giá 35 tỷ USD này đã triển khai một nhóm lãnh đạo GenAI/AI đa chức năng để giáo dục nhân viên về cách sử dụng công nghệ, tuân thủ các thực hành AI có trách nhiệm, cải thiện hiệu quả một cách đo lường được trong hàng loạt dự án và đổi mới các quy trình cốt lõi như xem xét hợp đồng và quản lý quyền lợi. Khi BCBSM áp dụng một công cụ GenAI để cải thiện việc phân tích và chuẩn hóa các điều khoản và giá cả trong các dịch vụ, công ty đã tiết kiệm hơn 10 triệu USD bằng cách áp dụng công cụ này vào hợp đồng CNTT hiện có.

Wolters Kluwer: Công ty thông tin kinh doanh và học thuật trị giá 4,2 tỷ euro này đã tạo ra “khoảng thời gian linh hoạt” cho việc học tập. Lãnh đạo công ty lên lịch một giờ mỗi tuần để toàn bộ nhân viên tham dự các buổi học do đồng nghiệp dẫn dắt, với phần lớn nội dung tập trung vào các ứng dụng thực tiễn của GenAI/AI. Cách tiếp cận này giúp tăng cường kỹ năng, đổi mới và thậm chí cả mức độ gắn bó của nhân viên. Các buổi học không chỉ tạo ra một cộng đồng học hỏi năng động mà còn cung cấp phương tiện để nhân viên chia sẻ những sáng kiến của mình với cộng đồng rộng lớn hơn.

Thành công nhờ coi GenAI/AI là khả năng toàn doanh nghiệp

Cả hai công ty trên đều thành công nhờ xem GenAI/AI như một khả năng tổ chức mang tính toàn diện. Họ cam kết với cả sự lãnh đạo từ trên xuống và sự hứng khởi từ dưới lên, thúc đẩy các môi trường học tập cho phép thử nghiệm nhanh chóng và tạo ra giá trị.

GenAI và sự cải thiện năng suất

Các nghiên cứu nghiêm ngặt về năng suất do GenAI mang lại đã chỉ ra một xu hướng cải thiện rộng rãi. Một nghiên cứu cho thấy năng suất của các nhân viên trung tâm cuộc gọi tăng ít nhất 14% khi họ được hỗ trợ bởi một công cụ hội thoại dựa trên GenAI, cùng với chất lượng dịch vụ cao hơn và thời gian đào tạo nhân viên mới nhanh hơn.

Một nghiên cứu khác đã phân tích hơn 758 nhà tư vấn tại Boston Consulting Group. Khi công cụ GenAI được sử dụng phù hợp với nhiệm vụ, năng suất tăng 12% và tốc độ hoàn thành nhiệm vụ tăng 25%. Tương tự như trong nghiên cứu trung tâm cuộc gọi, những nhân viên có hiệu suất thấp hơn lại nhận được lợi ích lớn hơn từ công cụ này so với những người có kinh nghiệm.

Kể từ khi các nghiên cứu này được thực hiện vào năm 2023, khả năng của các mô hình ngôn ngữ lớn (LLMs) và các phần mềm hỗ trợ khác đã không ngừng được cải thiện.

Công việc WINS: Một lĩnh vực đổi mới nhờ GenAI

GenAI đại diện cho một sự thay đổi căn bản trong kinh tế học của công việc liên quan đến WINS — Words (từ ngữ), Images (hình ảnh), Numbers (số liệu), và Sounds (âm thanh). Chúng tôi đã giới thiệu thuật ngữ này trong một bài viết trên Harvard Business Review vào tháng 9 năm 2023 vì chúng tôi tin rằng khái niệm “công việc nhận thức” (cognitive work) quá rộng.

Ví dụ: Một thợ mộc và một luật sư đều có thể được coi là làm công việc nhận thức, nhưng tác động của GenAI sẽ lớn hơn và nhanh hơn đối với luật sư so với thợ mộc.

Công việc WINS bao gồm các lĩnh vực như:

• Tư vấn quản lý (mọi công ty tư vấn lớn đều đã áp dụng LLMs).
• Dịch vụ khách hàng (LLMs đã được triển khai ở quy mô lớn trong nhiều doanh nghiệp).
• Sản xuất phim (Tyler Perry đã dừng một dự án mở rộng studio khổng lồ sau khi thấy tiềm năng của sản phẩm chuyển đổi văn bản thành video của OpenAI, tên là Sora).

Tóm lại, mọi tổ chức đều có công việc WINS và hoàn toàn có thể cải thiện triệt để nhờ GenAI.

Thiết lập một mô hình quản lý mới

Vào thập niên 1960, Douglas McGregor, giáo sư tại Trường Quản lý Sloan của MIT, đã đưa ra lý thuyết X và Y để giải thích cách hệ thống quản lý ảnh hưởng đến người lao động.

• Lý thuyết X: Xem người lao động với góc nhìn tiêu cực, dựa trên các hình phạt và động lực để kiểm soát hành vi.
• Lý thuyết Y: Tập trung vào việc khuyến khích sự tham gia và trao quyền, coi trọng nhân viên hơn.

Tiếp đó, nhà tâm lý học Abraham Maslow đề xuất Lý thuyết Z, nhấn mạnh rằng văn hóa, ý nghĩa và mục đích của tổ chức có thể dẫn đến sự cam kết mạnh mẽ của nhân viên với các mục tiêu chung.

Ngày nay, chúng ta cần một Lý thuyết A mới, nơi đơn vị phân tích cốt lõi là các tác nhân — bao gồm cả con người và máy móc — làm việc cùng nhau thông qua đối thoại. Các tác nhân này có thể hỗ trợ, bổ trợ hoặc tự động hóa, tùy thuộc vào mức độ cấu trúc của nhiệm vụ.

GenAI mang lại ba khả năng cơ bản cho mô hình quản lý mới này:

1. Quy trình và sản phẩm được kích hoạt bởi đối thoại.
   GenAI là công nghệ đầu tiên có thể tương tác bằng ngôn ngữ tự nhiên, cho phép các quy trình và sản phẩm tự giải thích. Ví dụ, như cách chúng ta không còn sử dụng bản đồ giấy cho chuyến đi, trong tương lai gần, ý tưởng rằng máy móc không thể giải thích cách hoạt động của chúng sẽ trở nên lạc hậu.

2. Nhân viên lập trình viên.
   GenAI cho phép nhân viên tạo ra các tác nhân và công cụ AI của riêng mình. Điều này giống như cách các thợ máy tạo ra các công cụ tùy chỉnh, nhưng cho công việc nhận thức. Sự bùng nổ của các công cụ WINS này sẽ làm tăng năng suất đáng kể cho tổ chức.

3. Xử lý dữ liệu không có cấu trúc.
   GenAI có thể xử lý 80%-90% dữ liệu không có cấu trúc mà trước đây nằm ngoài tầm với của tự động hóa truyền thống. Ví dụ, MIT đã tạo chatbot bằng CustomGPT.ai để hướng dẫn sinh viên lựa chọn khóa học chỉ bằng cách tải lên mô tả và lịch trình khóa học.

Thay đổi đường cong học tập tổ chức

Ba trụ cột này cho phép GenAI tăng tốc đáng kể đường cong học tập của tổ chức thông qua:

• Cấu trúc tiến bộ của công việc WINS.
• Phân bổ lại trách nhiệm quyết định.

Công nghệ này không chỉ tương tác hiệu quả với dữ liệu truyền thống mà còn tạo ra một phương pháp mới để nắm bắt và chuyển giao kiến thức, đồng thời thiết lập nền tảng cho sự cải tiến liên tục.

Hơn thế nữa, cách tiếp cận kết hợp giữa mục tiêu của con người và các tác nhân GenAI được tổ chức trong một hệ thống học tập đang trở thành đơn vị phân tích mới trong việc thiết kế công việc.

Thúc đẩy năng suất với GenAI và học hỏi dựa trên AI

Trong nhiều buổi báo cáo và đào tạo dành cho các lãnh đạo doanh nghiệp mà chúng tôi tổ chức, chúng tôi nhận thấy rằng phần lớn mọi người không có trực giác tốt về cách GenAI và AI tạo ra giá trị kinh tế. Họ thường có tư duy “tất cả hoặc không có gì” khi nói đến tự động hóa. Để giải quyết vấn đề này một cách thực tế, chúng tôi sử dụng mô hình Keen-Scott Morton, mang đến cái nhìn sâu sắc về cách GenAI nâng cao năng suất.

Mô hình Keen-Scott Morton và cấu trúc nhiệm vụ với GenAI

Peter G.W. Keen và Michael S. Scott Morton đã xây dựng mô hình dựa trên hai chiều:

1. Vai trò của quản lý trong các quyết định vận hành, quản lý và chiến lược.
2. Mức độ có cấu trúc của nhiệm vụ hoặc quyết định.

• Quyết định vận hành liên quan đến các giao dịch hàng ngày (ví dụ: Sản phẩm đã được vận chuyển chưa?).
• Quyết định quản lý tập trung vào cải tiến hoặc giải quyết vấn đề (ví dụ: Biên lợi nhuận của chúng ta đang tăng hay giảm?).
• Quyết định chiến lược liên quan đến việc xác định thị trường và cách cạnh tranh (ví dụ: Chúng ta có nên tham gia thị trường này không?).

Các nhiệm vụ có cấu trúc hoàn toàn thường có ngôn ngữ mô tả rõ ràng, phương pháp xác định câu trả lời đã được thiết lập, và các tiêu chí đánh giá chất lượng câu trả lời mang tính khách quan. Ví dụ, điểm FICO được sử dụng để cấu trúc vấn đề đánh giá tín dụng, biến một nhiệm vụ khó khăn và linh hoạt thành một quy trình có cấu trúc rõ ràng.

Ví dụ: Jerry Insurance thay đổi năng suất kinh tế với GenAI

Jerry Insurance, một công ty khởi nghiệp phục vụ hơn 4 triệu khách hàng trong việc chọn bảo hiểm xe hơi và tái cấp vốn vay mua xe, minh họa cách GenAI có thể cấu trúc các nhiệm vụ không có cấu trúc rõ ràng.

Trước khi áp dụng GenAI, các yêu cầu của khách hàng qua chat được xử lý ở dạng bán cấu trúc, đòi hỏi sự can thiệp của con người. Sau khi triển khai GenAI vào tháng 4 năm 2023, công ty tự động hóa được 89% các tương tác, chỉ chuyển 11% trường hợp phức tạp lên cho con người xử lý.

Một nhóm chatbot được thiết kế không chỉ xử lý ngôn ngữ mà còn có thể nhận biết giọng điệu và cảm xúc của khách hàng. Nếu cần thiết, chatbot có thể ngay lập tức chuyển cuộc gọi cho nhân viên con người để xử lý.

Hệ thống GenAI tại Jerry Insurance đã từng bước cấu trúc các cuộc trò chuyện vốn dĩ mơ hồ này, với sự hỗ trợ liên tục từ đội ngũ chăm sóc khách hàng. Ban đầu, nhóm AI cốt lõi xây dựng các mô hình GenAI, sau đó đào tạo nhân viên chăm sóc khách hàng để sử dụng và cập nhật các mô hình này, đảm bảo chúng không ngừng được cải thiện.

Thay đổi cách thức và khả năng làm việc

Cách tiếp cận này thay đổi hoàn toàn bản chất công việc và năng lực vận hành. Lãnh đạo Jerry Insurance tin rằng họ có thể xử lý gấp ba lần số lượng khách hàng mà vẫn duy trì số lượng nhân viên chăm sóc khách hàng ở mức 32 người. Đây không phải là một sự tự động hóa "một lần và xong." Hiện tại, công ty đang mở rộng cải tiến sang các quy trình khác, bắt đầu từ các cuộc gọi thoại bên cạnh văn bản và chat.

GenAI: Giao diện người dùng mới

Quan trọng hơn cả, việc học hỏi này không chỉ giới hạn trong nội bộ các công ty. GenAI đang trở thành giao diện người dùng mới. Các mô hình ngôn ngữ lớn (LLMs) có thể:

• Chọn ngôn ngữ, giọng điệu cảm xúc, mức độ chuyên môn.
• Tạo ra các định dạng đầu ra khác nhau (văn bản, hình ảnh, nhạc...).
• Điều chỉnh góc nhìn (ví dụ: hỗ trợ hoặc đối đầu).

Trong tương lai, mỗi sản phẩm, quy trình, và tương tác quan trọng sẽ có một tác nhân thông minh để giải thích cách sử dụng và chẩn đoán nhu cầu khách hàng.

Tổ chức thành công: GenAI như một phong trào chất lượng mới

Để tận dụng khả năng rộng lớn của GenAI và sự hợp tác giữa con người và máy móc, các nhà lãnh đạo cần nhìn nhận GenAI không chỉ là một công nghệ khác mà là một phong trào quản lý mới.

Chúng tôi gợi ý áp dụng cách tiếp cận có cấu trúc để xây dựng năng lực GenAI, lấy cảm hứng từ hệ thống xếp hạng đai trong võ thuật. Điều này bao gồm các lộ trình phát triển chuyên môn rõ ràng:

1. Đào tạo kỹ năng cơ bản. Nhân viên cần được đào tạo cách sử dụng công cụ GenAI trong các nhiệm vụ thường ngày.
2. Xây dựng các nhóm AI nội bộ. Tổ chức nên phát triển một đội ngũ chuyên biệt để giám sát, cập nhật và cải thiện các mô hình AI.
3. Khuyến khích đổi mới. Tạo môi trường khuyến khích nhân viên thử nghiệm và triển khai các ứng dụng mới của GenAI.

Phát triển năng lực GenAI: Lộ trình từ cơ bản đến chuyên sâu

Việc áp dụng một hệ thống xếp hạng năng lực như trong phong trào chất lượng có thể giúp các lãnh đạo đo lường khả năng tổ chức của doanh nghiệp mình khi triển khai GenAI. Dưới đây là các cấp độ phát triển năng lực, từ cơ bản đến chuyên sâu, tương tự hệ thống đai trong võ thuật:

White Belt (Đai trắng): Nền tảng ban đầu

• Mục tiêu: Giới thiệu các khái niệm cốt lõi về GenAI thông qua trải nghiệm thực tế.
• Nội dung: Hiểu sức mạnh của đối thoại trong việc cải thiện công việc.
• Kết quả: Thiết lập nền tảng cho việc áp dụng rộng rãi GenAI trong tổ chức.

Yellow Belt (Đai vàng): Hiểu biết sâu hơn

• Mục tiêu: Phát triển sự hiểu biết chuyên sâu hơn, bao gồm kỹ thuật “prompt engineering” và tạo các tác nhân hội thoại.
• Nội dung: Khuyến khích chia sẻ tri thức trong tổ chức.
• Kết quả: Nhân viên có thể sử dụng và tạo ra các tác nhân hội thoại cơ bản, thúc đẩy việc học hỏi giữa các bộ phận.

Green Belt (Đai xanh): Triển khai ở quy mô nhóm

• Mục tiêu: Xây dựng và triển khai nhiều tác nhân AI.
• Nội dung:
  • Dẫn dắt các nhóm và dự án.
  • Hiểu về an ninh thông tin và ROI (lợi tức đầu tư).
  • Mở rộng ít nhất một dự án thí điểm.
  • Đào tạo người khác về cách tạo giá trị với GenAI.
• Kết quả: Thành thạo trong việc áp dụng GenAI vào các quy trình thực tế, có khả năng lan tỏa tri thức trong tổ chức.

Black Belt (Đai đen): Lãnh đạo chiến lược về GenAI

• Mục tiêu: Nâng cao hiểu biết về công cụ và kỹ thuật GenAI/AI, đồng thời lãnh đạo chiến lược các dự án AI trong tổ chức.
• Nội dung:
  • Thành thạo các khái niệm như MLOps (vận hành máy học) và AIOps (AI trong quản trị CNTT).
  • Thiết kế và giảng dạy chương trình đào tạo GenAI.
  • Quản lý nhân tài GenAI và giám sát danh mục dự án AI.
• Kết quả: Dẫn đầu về chiến lược GenAI trong tổ chức, thúc đẩy sự đổi mới và học hỏi liên tục ở quy mô lớn.

Ứng dụng mô hình xếp hạng vào tổ chức

Cách tiếp cận này không chỉ cung cấp thước đo cụ thể về năng lực mà còn mang tính thực tiễn cao. Ví dụ:

• Trong các tổ chức tập trung vào công việc WINS như công ty luật, mô hình này giúp xây dựng một “kim tự tháp năng lực” sâu rộng, dễ dàng đo lường và báo cáo.
• Tận dụng chuyên gia nội bộ thay vì thuê các chuyên gia AI đắt đỏ từ bên ngoài. Những nhân viên có hiểu biết về ngữ cảnh công việc có thể xây dựng các công cụ GenAI phù hợp với nhu cầu thực tế, với sự hỗ trợ của nhóm kỹ thuật.

GenAI: Công cụ mới trong tổ chức hiện đại

Trong một xưởng máy tiên tiến, người thợ máy có khả năng tạo các dụng cụ tùy chỉnh sẽ làm tăng năng suất cho toàn bộ xưởng. Tương tự, GenAI giúp bất kỳ nhân viên nào trong tổ chức có thể tạo ra các tác nhân hoặc robot phục vụ công việc nhận thức.

Sự bùng nổ các công cụ GenAI dành cho công việc WINS đang mở rộng khả năng học hỏi của tổ chức và tích hợp những kiến thức quy trình hoặc sản phẩm đã đạt được vào các tác nhân tự động hoặc robot đơn giản. Chúng sẽ giống như các ứng dụng trong cửa hàng ứng dụng (app store) nhưng dễ tạo ra hơn rất nhiều.

Tư duy “Theory A” trong quản lý GenAI

Lý thuyết A (Theory A) khuyến khích các tổ chức suy nghĩ về cách chuyển từ hỗ trợ, đến bổ sung, và cuối cùng là tự động hóa hoàn toàn. Nó cũng đặt câu hỏi: Những nhiệm vụ mới nào mà con người có thể đảm nhận nhờ các mô hình AI tiên tiến này?

Sử dụng cách tiếp cận Theory A có thể:

1. Thu hút nhân viên vào việc cấu trúc dần dần các dữ liệu và quy trình giá trị nhưng chưa được tự động hóa.
2. Mời gọi các lãnh đạo tư duy khám phá các phương thức học hỏi và cạnh tranh mới.

Không chạy theo ứng dụng “đột phá”, mà xây dựng năng lực toàn diện

Thay vì cố gắng tìm kiếm một ứng dụng đột phá (killer app), các tổ chức nên tập trung xây dựng khả năng GenAI toàn diện. Điều này cho phép tổ chức:

• Thích nghi với sự tiến hóa nhanh chóng của công nghệ.
• Sử dụng các công cụ GenAI để cải thiện liên tục trên mọi hoạt động.

Bằng cách áp dụng cách tiếp cận lấy cảm hứng từ phong trào chất lượng và coi tổ chức như một đối thoại giữa các “trí tuệ đồng sáng tạo” (co-intelligences), các lãnh đạo có thể dẫn dắt tổ chức vượt qua bối cảnh mới này và khai thác tiềm năng to lớn từ sự kết hợp giữa GenAI và AI để duy trì lợi thế cạnh tranh bền vững.

Về các tác giả

Paul Baier và John J. Sviokla là đồng sáng lập của GAI Insights, một công ty nghiên cứu và chia sẻ các thực hành tốt nhất về trí tuệ nhân tạo và GenAI. Cả hai đều là nghiên cứu sinh điều hành tại Trường Kinh doanh Harvard.

.