Playbook nội bộ của GitHub để xây dựng lực lượng lao động vận hành bằng AI

• GitHub mở rộng việc triển khai AI bằng cách tiếp cận lấy con người làm trung tâm và xây dựng năng lực AI trên toàn công ty
• Việc chấp nhận AI không phải là vấn đề kỹ thuật mà là vấn đề quản lý thay đổi, không chỉ đơn thuần triển khai công cụ mà là tái cấu trúc cách tổ chức làm việc
• Để thành công, GitHub đã xây dựng mô hình vận hành dựa trên 8 trụ cột (người ủng hộ AI, chính sách rõ ràng, cơ hội học tập, đo lường dựa trên dữ liệu, chỉ định người chịu trách nhiệm, hỗ trợ từ ban điều hành, công cụ phù hợp, cộng đồng thực hành)
• Đồng thời, công ty cũng thiết lập việc chia sẻ tầm nhìn một cách tích cực từ ban lãnh đạo, hướng dẫn sử dụng rõ ràng, mạng lưới người ủng hộ tự nguyện, cộng đồng thực hành (CoP), lộ trình học tập có hệ thống, bộ máy lãnh đạo chuyên trách và hệ thống đo lường có thể chứng minh ROI
• Chiến lược này cho thấy đây là một cách tiếp cận có tính cấu trúc, vượt lên trên mức độ chấp nhận đơn thuần để thúc đẩy đổi mới cách làm việc, nâng cao năng suất và phát triển nhân tài

---

Mở đầu: Cơ hội và thách thức cốt lõi

• AI tạo sinh là một cơ hội khổng lồ để tăng tốc hiệu quả doanh nghiệp, và cuộc đua nhằm giành lấy giá trị đang diễn ra quyết liệt
• Thách thức không nằm ở việc nhận thức tiềm năng của AI mà ở việc kích hoạt ở quy mô lớn, và thành bại được quyết định tại đây
• Nhiều tổ chức đầu tư quá mức vào công cụ AI nhưng mức độ chấp nhận chỉ giới hạn ở một nhóm nhỏ người dùng nhiệt tình, dẫn đến tổn thất khi không thể chuyển hóa thành năng suất trên toàn doanh nghiệp
• Sự khác biệt giữa tổ chức hiệu suất cao và tổ chức trì trệ nằm ở việc có hay không chiến lược kích hoạt có chủ đích và bài bản

Ngộ nhận dẫn đến thất bại: Không phải triển khai công nghệ mà là quản lý thay đổi

• Doanh nghiệp thường đối xử với việc áp dụng AI như cài đặt phần mềm, nhưng trên thực tế đây là một bài toán quản lý thay đổi với bản chất là đấu nối lại cách làm việc
• Điều phân định thành công và thất bại không phải là mua giấy phép mà là xây dựng hạ tầng con người để chuyển những thành viên hoài nghi thành người dùng thành thạo

Tính chất của tài liệu: Playbook nội bộ của GitHub

• Tài liệu này là playbook nội bộ do GitHub phát triển và vận hành để xây dựng năng lực thông thạo AI cho lực lượng lao động toàn cầu
• Đây là sản phẩm của sáng kiến AI for Everyone, cung cấp một bản thiết kế thực hành đã được kiểm chứng tại thực địa chứ không phải lý thuyết
• Mục tiêu là giúp các tổ chức khác cũng có thể sao chép được một hệ thống nhúng AI vào cách làm việc

Tổng quan mô hình vận hành: Hệ thống bổ trợ lẫn nhau

• Việc kích hoạt AI thành công không được thiết kế như một sáng kiến đơn lẻ mà là tổng hòa của các thành phần bổ trợ cho nhau
• Bằng cách kết hợp tinh vi giữa chiến lược từ trên xuống và động lực từ cơ sở, GitHub tạo ra một hệ sinh thái nơi năng lực thông thạo AI có thể phát triển mạnh mẽ
• Nền tảng của hệ sinh thái là sự bảo trợ rõ ràng từ ban lãnh đạo và chính sách, hàng rào bảo vệ rõ ràng
  • Nhà tài trợ ở cấp lãnh đạo tạo điểm khởi đầu bằng tầm nhìn và đầu tư
  • Chính sách và hàng rào bảo vệ tạo môi trường để nhân viên có thể thử nghiệm và đổi mới một cách an toàn

Tám trụ cột (8 Pillars): Định nghĩa và vai trò

• AI Advocates: Mạng lưới các champion tình nguyện nội bộ, có vai trò lan tỏa mức độ chấp nhận thông qua ảnh hưởng đồng cấp và phản hồi từ thực tế hiện trường
• Clear policies and guardrails: Hỗ trợ sử dụng có trách nhiệm bằng các quy tắc và hướng dẫn ngắn gọn, dễ hiểu với mọi người
• Learning and development opportunities: Cung cấp hệ sinh thái học tập dễ tiếp cận với nội dung chất lượng cao từ bên ngoài đã được tuyển chọn
• Data-driven metrics: Theo dõi mức độ chấp nhận, mức độ hoạt động và tác động kinh doanh bằng khung đo lường nhiều tầng dựa trên dữ liệu
• Dedicated responsible individual (DRI): Người chịu trách nhiệm trung tâm có nhiệm vụ điều phối chương trình, kích hoạt người khác và thúc đẩy toàn bộ chiến lược
• Executive support: Cung cấp tầm nhìn, đầu tư và truyền thông minh bạch thông qua cam kết lãnh đạo rõ ràng, dễ thấy
• Right-fit tooling: Cung cấp danh mục công cụ bên thứ nhất và bên thứ ba đã được kiểm chứng phù hợp với nhiều vai trò và trường hợp sử dụng khác nhau
• Communities of practice (CoPs): Vận hành các diễn đàn chuyên biệt cho học hỏi đồng cấp, chia sẻ tri thức và giải quyết vấn đề

Trọng tâm triển khai: Ba yếu tố kết nối

• 1) Trang bị cho đội ngũ + xây dựng hệ thống hỗ trợ con người: Cung cấp các công cụ AI đã được kiểm chứng, bồi dưỡng champion nội bộ thông qua chương trình Advocates, và duy trì việc học hỏi đồng cấp thường xuyên bằng CoPs
• 2) Khuếch đại bằng L&D có cấu trúc: Nâng cao một cách có hệ thống năng lực kỹ thuật và năng lực công việc thông qua lộ trình học tập được chuẩn hóa và nội dung tuyển chọn
• 3) Vận hành bằng DRI và dữ liệu: DRI dẫn dắt các quyết định đầu tư và dùng chỉ số dựa trên dữ liệu để đo lường, cải thiện tác động, từ đó giúp chương trình liên tục tiến hóa

Đưa framework vào hành động

• Framework ứng dụng AI không dừng lại ở việc chỉ hiểu các yếu tố cốt lõi, mà cần một cách tiếp cận mang tính chiến lược để thực thi chúng trong thực tế
• GitHub đưa ra lộ trình thực thi xoay quanh tám trụ cột (pillars), trong đó điểm xuất phát đầu tiên là sự hỗ trợ từ ban điều hành (Executive support)
• Khi ban điều hành đưa ra tầm nhìn và lý do rõ ràng, đồng thời giải thích cụ thể AI mang lại giá trị gì cho công việc của nhân viên, tổ chức có thể tạo được động lực ban đầu

Executive support: Cách thiết lập tông giọng

• Thành công của việc áp dụng AI bắt đầu từ vai trò của ban điều hành
• Không chỉ dừng ở việc cung cấp công cụ, họ cần liên tục nhấn mạnh “lý do tại sao” trong chiến lược AI của công ty
• Thay vì trình bày mục tiêu một cách trừu tượng, cần giải thích bằng những lợi ích thực chất gắn trực tiếp với công việc hằng ngày của nhân viên để tăng mức độ tham gia
• Ví dụ thông điệp dành cho kỹ sư:
  “Chúng ta sẽ loại bỏ các công việc lặp lại và nhàm chán bằng AI. Copilot sẽ đảm nhận việc viết mã boilerplate, tạo unit test và tóm tắt các PR phức tạp, ताकि các bạn có thể tập trung vào giải quyết vấn đề một cách sáng tạo.”
• Ví dụ thông điệp dành cho toàn công ty:
  “Mục tiêu của chiến lược AI là đưa sản phẩm tốt hơn đến tay khách hàng nhanh hơn. Chúng ta sẽ khuếch đại năng lực của mình bằng AI để tăng tốc đổi mới và tập trung vào những công việc sáng tạo có giá trị cao.”

Cách tiếp cận thực tế và minh bạch

• Việc áp dụng AI tất yếu đi kèm với tự động hóa công việc và thay đổi vai trò
• Nếu phớt lờ điều này, sự lo lắng và phản kháng sẽ xuất hiện và cản trở mức độ chấp nhận
• Vì vậy, thay vì chỉ đưa ra những lời trấn an đơn thuần, lãnh đạo cần trình bày cụ thể chiến lược thay đổi vai trò và đào tạo nâng cao kỹ năng (upskilling)

• Điều không nên nói: “Công việc của các bạn vẫn an toàn.”
• Điều nên nói: “Trong tương lai, công việc của chúng ta sẽ thay đổi theo hướng này, và chúng tôi sẽ hỗ trợ các bạn học những kỹ năng mới cần thiết theo cách này.”

• Cách tiếp cận thẳng thắn như vậy giúp xây dựng niềm tin bằng cách đối xử với nhân viên như đối tác của sự thay đổi

Chiến lược thông điệp tùy biến

Thông điệp về AI cần được tùy biến theo từng đối tượng

• Quản lý (Managers):
  Không chỉ chuẩn bị cho việc sử dụng ở cấp độ cá nhân mà còn phải giúp họ sẵn sàng dẫn dắt cả đội. Quản lý cần đảm nhận vai trò thiết kế lại workflow của nhóm, xác định các công việc có thể tự động hóa và tái định nghĩa công việc có giá trị cao. Cần khuyến khích họ gắn trực tiếp việc áp dụng AI với cải thiện hiệu suất nhóm và đổi mới.
• Cá nhân đóng góp cấp cao (Senior ICs):
  Họ cần được thách thức để trở thành kiến trúc sư nội bộ của việc ứng dụng AI, chứ không chỉ nâng cao hiệu suất cá nhân. Đây là những người có ảnh hưởng lớn trong tổ chức, nên đóng vai trò quan trọng trong việc đưa vào và chuẩn hóa các phương thức sử dụng AI mới. Họ cần vừa tối đa hóa thành quả của bản thân bằng AI, vừa lan tỏa năng lực AI với vai trò cố vấn nội bộ. Qua đó, ảnh hưởng của nhân tài cốt lõi được mở rộng theo cấp số nhân.

Chính sách và công cụ: Cung cấp sự rõ ràng và khả năng tiếp cận

• Để triển khai AI trên toàn tổ chức, các rào chắn rõ ràng (guardrails) là điều bắt buộc
• Nếu nhân viên không chắc điều gì được phép, họ thậm chí sẽ không dám thử nghiệm, vì vậy một Chính sách sử dụng chấp nhận được (Acceptable Use Policy) rõ ràng và dễ tiếp cận là điều kiện tiên quyết để thành công
• Đây không chỉ đơn thuần là vấn đề tuân thủ, mà còn là nền tảng giúp nhân viên sử dụng AI một cách an toàn và tự tin

• Nguyên tắc xây dựng chính sách

  • Chính sách cần được xây dựng thông qua sự phối hợp với các bên liên quan chủ chốt như IT, HR, bảo mật và pháp lý
  • Như vậy mới có thể áp dụng cách tiếp cận toàn diện trong quản trị rủi ro
  • Chính sách cuối cùng cần được cung cấp dưới dạng một tài liệu tập trung duy nhất, trong đó phải liệt kê rõ tất cả công cụ AI đã được phê duyệt cùng các loại dữ liệu phù hợp với từng công cụ

• Mô hình công cụ theo tầng (Tiered tooling)

  • Một mô hình chính sách sử dụng AI thành công là cách tiếp cận theo tầng
  • Thay vì chỉ liệt kê các điều cấm, cần phân biệt rõ những gì đã được phê duyệt để nhân viên có thể dễ dàng đưa ra quyết định

• Tier 1: Công cụ đã được kiểm chứng và phê duyệt hoàn toàn

  • Các công cụ đã trải qua quy trình rà soát nội bộ nghiêm ngặt về bảo mật và pháp lý
  • An toàn để xử lý dữ liệu mật của công ty và dữ liệu khách hàng
  • Bao gồm các sản phẩm 1st-party của chính công ty (ví dụ: GitHub Copilot) và các công cụ 3rd-party cấp doanh nghiệp đã được ký hợp đồng và phê duyệt
  • Nhân viên có thể xem các công cụ thuộc nhóm này là lựa chọn mặc định an toàn

• Tier 2: Công cụ công khai và tiêu dùng chưa được kiểm chứng

  • Bao gồm toàn bộ các công cụ AI công khai mà công ty chưa chính thức ký hợp đồng hoặc kiểm chứng
  • Chính sách rất đơn giản và phổ quát: các công cụ này chỉ được dùng với dữ liệu công khai và không nhạy cảm
  • Nhờ đó, nhân viên có thể tự do thử nghiệm công nghệ AI mới mà không khiến dữ liệu công ty rơi vào rủi ro

• Tác động và thông điệp

  • Mô hình phân tầng này mang đến cho nhân viên một cách tư duy đơn giản và rõ ràng:
    • “Nếu một công cụ không có trong ‘danh sách đã được kiểm chứng hoàn toàn’, hãy chỉ dùng dữ liệu công khai.”
  • Một quy tắc mặc định rõ ràng như vậy sẽ loại bỏ sự bất định và trở thành chìa khóa cốt lõi để mở rộng việc sử dụng AI có trách nhiệm trên quy mô lớn

AI advocates: Những người tiên phong từ cơ sở của bạn

• Để việc tiếp nhận AI thành công trong dài hạn, ngoài sự ủng hộ từ ban lãnh đạo và các chính sách rõ ràng, ảnh hưởng ngang hàng (peer-to-peer influence) mới là động lực then chốt
• Vì vậy, chương trình AI Advocates là một cơ chế rất hiệu quả, xây dựng mạng lưới các champion nội bộ tự nguyện để làm cầu nối giữa từng nhóm và chương trình hỗ trợ tập trung
• Advocates chuyển hóa chiến lược từ cấp trên thành các trường hợp sử dụng cụ thể ở cấp nhóm, từ đó tự nhiên tạo ra động lực AI trong tổ chức

• Cách hiệu quả nhất để xây dựng mạng lưới là tuyển người tình nguyện
• Thay vì quy trình đề cử chính thức phức tạp, nếu tuyển những người đam mê AI thông qua thông báo toàn công ty, bạn sẽ tập hợp được những người phù hợp — những người vốn đã có động lực nội tại và thực sự muốn giúp đồng nghiệp thành công
• Điều này sẽ nhanh chóng dẫn tới một lực lượng champion nội bộ mạnh mẽ và đáng tin cậy

• What advocates do

  • Vai trò của Advocates có nhiều lớp, thực hiện ba chức năng chính là chuyên gia nội bộ, người xây dựng cộng đồng và kênh phản hồi
  • Vai trò champion nội bộ
    Với tư cách là chuyên gia AI của từng nhóm, họ làm mentor cho đồng nghiệp, trả lời các câu hỏi thường ngày và gỡ bỏ các rào cản thực tiễn, từ đó hạ thấp rào cản triển khai AI
  • Thúc đẩy học hỏi ngang hàng
    Họ thể hiện giá trị của AI bằng các ví dụ cụ thể và thực tế. Việc chia sẻ các câu chuyện thành công trong nhóm giúp đồng nghiệp cảm nhận được hiệu quả thực chất của AI, và điều này có sức thuyết phục lớn hơn cả đào tạo chính quy
  • Đại diện tiếng nói của nhóm
    Họ tạo ra vòng phản hồi giữa chương trình tập trung và thực địa, truyền đạt điều gì đang hoạt động tốt, điều gì là vấn đề và đâu là cơ hội. Nhờ vậy, chương trình có thể liên tục được cải thiện dựa trên nhu cầu thực của người dùng
  • Lập kế hoạch và phối hợp đào tạo
    Họ phối hợp với chương trình tập trung để cùng thiết kế và dẫn dắt các buổi đào tạo tùy biến có hiệu quả thực tế, phản ánh nhu cầu cụ thể và các trường hợp sử dụng của nhóm

• Supporting your advocates

  • Để chương trình Advocates thành công, cần có sự hỗ trợ thiết thực và có giá trị từ nhóm hỗ trợ tập trung. Các cách hỗ trợ cốt lõi gồm:
  • Nuôi dưỡng cộng đồng Advocate tự vận hành
    Tạo không gian giao tiếp như kênh Slack chuyên dụng, đồng thời hỗ trợ các buổi check-in định kỳ do advocate dẫn dắt để họ chia sẻ thực tiễn tốt nhất và giải quyết vấn đề cùng nhau, phát triển thành một mạng lưới tự quản
  • Kết nối trực tiếp với lãnh đạo
    Bảo đảm Advocates có thể kết nối trực tiếp với các đại diện lãnh đạo như DRI (Directly Responsible Individual) hoặc nhà tài trợ chương trình, qua đó tạo đầu mối liên kết giữa quyết định của ban điều hành và hoạt động tại hiện trường
  • Triết lý Train the Trainer
    Tập trung phát triển Advocates không chỉ là người tiếp nhận thông tin mà còn trở thành mentor và người dẫn dắt workshop. Nuôi dưỡng họ thành những nhà đào tạo hiệu quả và chuyên gia chủ đề về AI, để họ trở thành cánh tay nối dài của chương trình tập trung
  • Với sự hỗ trợ này, Advocates sẽ trở thành những lãnh đạo AI đáng tin cậy trong tổ chức và tự nhiên lan tỏa năng lực sử dụng AI trên toàn doanh nghiệp

Communities of practice: Thúc đẩy hợp tác

• Nếu chương trình Advocates cung cấp hỗ trợ cường độ cao (high-touch) với mức độ tham gia sâu vào từng nhóm, thì để lan tỏa năng lực sử dụng AI (AI fluency) trên toàn tổ chức, vẫn cần một không gian hợp tác ở quy mô rộng hơn
• Lúc này, cộng đồng thực hành (Communities of Practice, CoPs) đóng vai trò quan trọng, cung cấp không gian chuyên biệt nơi nhân viên có thể tự do kết nối, đặt câu hỏi và chia sẻ kiến thức
• CoPs hoạt động như mô liên kết (connective tissue) của một chương trình kích hoạt AI thành công, phá vỡ các silo và bảo đảm những insight giá trị không bị thất lạc trong các cuộc trao đổi riêng lẻ

• Một mục tiêu khác là cấu trúc hóa sự quan tâm tự phát tới AI mà không kìm hãm sự sáng tạo
• Trong hầu hết doanh nghiệp đã tồn tại những cộng đồng AI nhỏ lẻ dưới dạng kênh chat hoặc chuỗi email hoạt động rời rạc
• Một chương trình hiệu quả sẽ phát triển những hoạt động phân tán này thành một mạng lưới có hệ thống và gắn kết. Các bước cốt lõi cần có gồm:

  • Establishing dedicated, purpose-driven communities

    • Thay vì một kênh AI khổng lồ duy nhất, hiệu quả hơn là tạo các cộng đồng chuyên biệt theo mục đích và theo nhóm người dùng
    • Nhờ vậy, các cuộc trò chuyện có thể tập trung và liên quan hơn
    • Ví dụ về cấu trúc khởi đầu được khuyến nghị:
      • Cộng đồng chung: kênh xử lý thông báo toàn công ty và các câu hỏi phi kỹ thuật (ví dụ: #how-do-i-ai)
      • Cộng đồng dành riêng cho developer: kênh để chia sẻ trường hợp kỹ thuật, thảo luận chuyên sâu và trao đổi các kỹ thuật nâng cao (ví dụ: #copilot-users)
      • Cộng đồng chuyên biệt theo phòng ban: kênh xử lý các trường hợp sử dụng đặc thù của từng chức năng như marketing, sales, tài chính (ví dụ: #ai-for-sales)

  • Defining clear charters and leadership

    • Mỗi cộng đồng cần có mục đích được ghi rõ ràng cùng một người lãnh đạo (hoặc nhóm lãnh đạo) để quản lý
    • Người lãnh đạo có thể được chọn từ Advocates, qua đó duy trì định hướng cho cuộc trò chuyện và bảo đảm cộng đồng tiếp tục là một nguồn lực hữu ích theo thời gian

  • Sustaining momentum

    • Không phải chỉ mở kênh là xong
    • Chương trình hỗ trợ tập trung cần sử dụng cộng đồng như một nền tảng để chia sẻ rộng rãi trên toàn công ty các trường hợp sử dụng AI thú vị xuất hiện trong đó, đồng thời thông báo về tính năng mới hoặc các chương trình đào tạo
    • Theo thời gian, cần liên tục phát triển và tái cấu trúc cộng đồng

• Bằng cách nuôi dưỡng CoPs một cách có chủ đích như vậy, bạn sẽ tạo ra một bộ máy học hỏi ngang hàng có khả năng mở rộng và tự vận hành
• Đây là nền tảng thiết yếu để toàn bộ tổ chức trở nên thành thạo trong việc sử dụng AI

Curated learning and development: Hạ thấp rào cản

• Chỉ cấp quyền truy cập công cụ AI thôi là chưa đủ; cần có một hệ thống học tập và phát triển (Learning & Development, L&D) để giúp nhân viên thực sự đạt được năng lực sử dụng thành thạo (proficiency)
• Mục tiêu là giúp mọi nhân viên, bất kể nền tảng kỹ thuật, đều có thể có được kỹ năng ứng dụng AI thực tiễn phù hợp với vai trò
• Để làm điều này, GitHub đã xây dựng một trang L&D tuyển chọn kinh nghiệm nội bộ và tài liệu bên ngoài, cung cấp một hệ sinh thái nhiều lớp đáp ứng các phong cách học tập và nhu cầu đa dạng

• Một chiến lược L&D hiệu quả gồm các khoản đầu tư cốt lõi sau

  • A centralized resource hub

    • Cần một trang nguồn thông tin chuẩn duy nhất (source of truth) tập hợp mọi tài liệu học tập liên quan đến AI
    • Không chỉ là một danh sách liên kết đơn thuần, mà còn trưng bày động các ví dụ đổi mới nội bộ, best practice và dự án của nhân viên
    • Vừa cung cấp tài liệu học tập vừa tạo hiệu ứng khích lệ

  • Core AI Learning paths

    • Cung cấp lộ trình học zero-to-one để mọi nhân viên đều có năng lực nền tảng
    • Thay vì tự sản xuất nội dung, tuyển chọn các tài liệu học tập bên ngoài đã được kiểm chứng
    • Tính năng AI thay đổi rất nhanh nên nội dung do nội bộ tự xây dựng có nguy cơ sớm trở nên lỗi thời

  • Building blocks for technical users

    • Nhân sự kỹ thuật nâng cao không cần học nền tảng mà cần tăng tốc (acceleration) công việc
    • Cung cấp thư viện thành phần AI có thể tái sử dụng: template, kho lưu trữ có thể clone, workflow, v.v.
    • Hỗ trợ giảm công việc lặp lại và nhanh chóng xây dựng giải pháp AI

  • Integration with onboarding

    • Tích hợp việc học AI vào quy trình onboarding để hỗ trợ nhân viên có được năng lực sử dụng ngay từ ngày đầu tiên
    • Nhấn mạnh rằng năng lực sử dụng AI chính là một kỹ năng cốt lõi cho sự nghiệp thành công

• Qua đó, không chỉ nâng cao năng lực của từng nhân viên mà còn giúp định hình văn hóa ứng dụng AI trên toàn tổ chức

Dedicated program leadership: Driving the program

• Chương trình kích hoạt AI không chỉ là một tập hợp tài nguyên mà phải là một hệ thống sống, vận hành liên tục, và để làm được điều đó cần có người chịu trách nhiệm chuyên trách (Directly Responsible Individual, DRI) hoặc một nhóm chuyên trách nhỏ
• Bộ phận lãnh đạo này đóng vai trò chất kết dính nối chiến lược, thực thi và hoạt động cộng đồng, giúp toàn tổ chức vận hành như một hệ thống hữu cơ thống nhất
• Nhiệm vụ cốt lõi của DRI không phải là xây dựng lãnh địa quyền lực cho riêng mình (fiefdom building) mà là mở rộng năng lực cho người khác (scaling others)

• Vai trò và trách nhiệm chính

  • Owning the program strategy and roadmap

    • Xây dựng chiến lược tổng thể và xác định roadmap thực thi
    • Quản lý kế hoạch hằng tháng và duy trì sự liên kết với mục tiêu của công ty

  • Leading change management

    • Với vai trò phụ trách quản trị thay đổi trong tổ chức, triển khai việc áp dụng AI một cách trơn tru và minh bạch
    • Giảm thiểu sự hỗn loạn và tối đa hóa tỷ lệ chấp nhận

  • Acting as a central AI consultant

    • Cung cấp hỗ trợ 1:1 và office hours cho nhân viên và các Advocates
    • Hỗ trợ giải quyết vấn đề phức tạp và phát triển các use case nâng cao

  • Amplifying internal success and innovation

    • Phát hiện và chia sẻ các câu chuyện thành công nội bộ
    • Lan tỏa best practice thông qua cộng đồng và workshop, tạo hiệu ứng vòng lặp tích cực

  • Managing the AI tooling and policy lifecycle

    • Tiếp nhận yêu cầu công cụ mới và phối hợp với IT, bảo mật và pháp lý để quản lý toàn bộ quá trình đánh giá, mua sắm và xây dựng chính sách

  • Owning adoption and fluency metrics

    • Theo dõi các chỉ số sớm như MAU, MEU và phân khúc người dùng
    • Chứng minh hiệu quả chương trình và đánh giá mức độ trưởng thành về AI của nhân viên

  • Demonstrating business ROI

    • Kết nối các chỉ số trễ và dữ liệu chấp nhận như tăng năng suất, cải thiện chất lượng mã và nâng cao mức độ hài lòng của nhà phát triển
    • Cung cấp cho ban lãnh đạo câu chuyện ROI dựa trên dữ liệu

• Để làm điều này, GitHub đã chính thức bố trí program director và program manager để thúc đẩy sáng kiến AI for Everyone
• Cơ chế chuyên trách này giúp bảo đảm mức độ tập trung và trách nhiệm cần thiết cho việc kích hoạt AI ở quy mô doanh nghiệp

Metrics: Measuring for success

• Để biện minh cho khoản đầu tư vào chương trình kích hoạt AI và thúc đẩy sự phát triển của nó, việc đo lường đúng chỉ số là điều thiết yếu
• Không chỉ dừng ở việc đếm số lượng license được phân phối, mà cần hiểu một cách đa chiều về phạm vi, độ sâu và kết quả của việc sử dụng AI trong tổ chức
• Vì chuẩn chung của ngành vẫn chưa được thiết lập, cách tiếp cận nhiều tầng (phạm vi chấp nhận → mức độ sử dụng sâu hơn → đo lường kết quả kinh doanh) là hiệu quả nhất

• Phase 1: Measuring breadth of adoption

  • Monthly Active Users (MAU): tỷ lệ nhân viên sử dụng AI ít nhất 1 lần trong tháng → chỉ số cơ bản về tỷ lệ chấp nhận tổng thể
  • Monthly Engaged Users (MEU): tỷ lệ nhân viên sử dụng trong nhiều ngày → chỉ số then chốt để xác định liệu họ đã vượt qua giai đoạn thử nghiệm ban đầu và hình thành thói quen hay chưa

• Phase 2: Measuring depth of engagement

  • User segmentation:
    • Dedicated users: hoạt động trên 10 ngày/tháng (nhóm power user cốt lõi)
    • Occasional users: hoạt động 2–9 ngày/tháng
    • Tire kickers: hoạt động 1 ngày/tháng
    • → Mục tiêu là chuyển Tire kickers thành Occasional/Dedicated
  • Total AI events: tổng số lần tương tác như prompt, tự động hoàn thành mã, v.v. → số sự kiện tăng trên mỗi người dùng là tín hiệu cho thấy AI đang được tích hợp vào luồng công việc

• Phase 3: Measuring business impact

  • Tham chiếu GitHub Engineering System Success Playbook (ESSP) → cung cấp bộ chỉ số tổng hợp bao trùm hạnh phúc của nhà phát triển, chất lượng, tốc độ và hiệu quả kinh doanh
  • Các chỉ số chính liên quan đến AI:
    • AI leverage: định lượng mức độ giảm công sức thủ công và tăng năng suất nhờ sử dụng AI
    • Cycle time: thời gian từ lúc commit đến khi được phản ánh lên production → càng rút ngắn nhờ AI thì càng cho thấy hiệu quả cao hơn
    • Code churn: đo tín hiệu chất lượng thông qua việc mã do AI tạo ra có làm giảm khối lượng phải làm lại hay không
    • Pull request size: cần xác minh AI có gây ra các PR quá lớn hay không
    • Developer wellbeing: theo dõi liệu việc giảm tác vụ lặp lại có dẫn đến mức độ hài lòng cao hơn và giảm burnout hay không
    • Perceived productivity: khảo sát cảm nhận của nhân viên, chẳng hạn qua survey, để xem AI có giúp họ tập trung hơn vào công việc có giá trị cao hay không

• Thông qua cách đo lường nhiều tầng này, có thể chứng minh đầy đủ mức độ chấp nhận, mức độ đào sâu sử dụng và ROI của việc triển khai AI, đồng thời giải thích giá trị với ban lãnh đạo bằng một câu chuyện dựa trên dữ liệu

Executing on enablement: A strategic checklist

Danh sách kiểm tra này là hướng dẫn thực hành, hệ thống hóa framework đã trình bày ở trên thành lộ trình triển khai theo từng giai đoạn

• Giai đoạn 1: Các bước nền tảng (30 ngày đầu tiên)

  • Đảm bảo sự bảo trợ từ lãnh đạo cấp cao
    • Đảm bảo có nhà bảo trợ cấp C-level chịu trách nhiệm hỗ trợ ngân sách, công khai ủng hộ chương trình và truyền thông thông điệp một cách liên tục
  • Bổ nhiệm một DRI
    • Chỉ định người chịu trách nhiệm chuyên trách có trách nhiệm với thành công của chương trình và có quyền điều phối liên phòng ban
  • Soạn thảo chính sách sử dụng v1
    • Phối hợp với Legal·Security·IT để ban hành chính sách sử dụng phiên bản đầu tiên (ví dụ: công cụ vetted so với unvetted), bảo đảm môi trường thử nghiệm an toàn
  • Thiết lập các chỉ số ban đầu
    • Xây dựng hệ thống đo lường MAU·MEU và tạo dashboard ban đầu
  • Công bố chương trình
    • Phối hợp với nhà bảo trợ và đội ngũ truyền thông để phát đi thông báo toàn công ty, bao gồm tầm nhìn·nguồn lực sẵn có·lịch trình sắp tới

• Giai đoạn 2: Tạo đà phát triển (90 ngày đầu tiên)

  • Khởi động chương trình AI advocates
    • Mở tuyển tình nguyện viên nội bộ, tổ chức các buổi giới thiệu vai trò và thiết lập kênh giao tiếp chuyên dụng
  • Thiết lập các cộng đồng thực hành
    • Mở các kênh dành cho người dùng phổ thông và cho nhà phát triển, đồng thời xác định charter rõ ràng và chỉ định community lead
  • Ra mắt trung tâm tài nguyên tập trung
    • Mở trang hub nội bộ v1 chứa các công cụ đã được phê duyệt, chính sách và lộ trình học tập
  • Bắt đầu giới thiệu các thành công
    • DRI·Advocates tìm kiếm và chia sẻ các trường hợp thành công ban đầu để lan tỏa bằng chứng xã hội và cảm hứng
  • Triển khai một mô-đun onboarding
    • Phối hợp với HR để tích hợp mô-đun sử dụng AI vào quy trình onboarding cho nhân viên mới

• Giai đoạn 3: Mở rộng quy mô và đo lường (liên tục)

  • Triển khai chương trình "Train the Trainer"
    • Cung cấp đào tạo chuẩn hóa nhằm nâng cao năng lực cố vấn và dẫn dắt workshop cho Advocates
  • Phát triển dashboard ROI kinh doanh
    • Xây dựng dashboard ROI kết nối các chỉ số mức độ tiếp nhận như MAU/MEU với các chỉ số kết quả như cycle time·chất lượng mã·lăng suất bán hàng
  • Thực hiện khảo sát định tính
    • Thông qua khảo sát tổ chức đơn giản và định kỳ để thu thập cảm nhận về tác động tới năng suất·phúc lợi và phản hồi về chương trình

Con đường đạt tới sự thông thạo AI

• Chỉ đầu tư vào công cụ AI thôi là chưa đủ
• Một chương trình triển khai có hệ thống và đa chiều mới là yếu tố cốt lõi phân biệt giữa các tổ chức hiện thực hóa được giá trị từ đầu tư AI và các tổ chức không làm được điều đó

• Không tồn tại giải pháp vạn năng (silver bullet) cho thành công trong việc tiếp nhận AI
• Điều cần thiết là nỗ lực triển khai liên tục dựa trên dữ liệu
• Để làm được điều đó, những yếu tố sau là bắt buộc:
  • Sự hỗ trợ toàn diện từ ban lãnh đạo
  • Các chính sách rõ ràng và dễ tiếp cận
  • Những AI advocates tự nguyện tại hiện trường
  • Cam kết đo lường đúng các chỉ số
  • Xây dựng hệ thống thực thi mạnh mẽ có thể thích ứng với thay đổi

• Nếu ban lãnh đạo cam kết với cách tiếp cận có hệ thống như vậy, tổ chức có thể chuyển mình thành một tổ chức thân thiện với AI, năng suất hơn, đổi mới hơn và hiệu quả hơn