Đã chi 30 tỷ USD cho AI tạo sinh nhưng 95% doanh nghiệp ‘không thu được lợi nhuận’

• Theo báo cáo của MIT, 95% doanh nghiệp trên toàn cầu không đạt được lợi nhuận thực chất từ việc triển khai AI tạo sinh
• Các doanh nghiệp đã thử nghiệm quy mô lớn các mô hình ngôn ngữ lớn như ChatGPT, Copilot nhưng phần lớn việc sử dụng chỉ dừng ở nâng cao năng suất
• Các trường hợp thành công chỉ được xác nhận ở 5% dự án thí điểm AI tích hợp, và đa số không ảnh hưởng đến doanh thu hay lợi nhuận
• Nguyên nhân chính là AI tạo sinh không phù hợp với quy trình công việc thực tế, không ghi nhớ phản hồi và không thích ứng được với ngữ cảnh
• Báo cáo bác bỏ lo ngại về việc thay thế việc làm trên diện rộng, đồng thời phân tích rằng có thể cắt giảm chi phí bên ngoài nhưng việc tái cấu trúc nội bộ hay sa thải hàng loạt trong thời gian tới là khó xảy ra
• Kết luận, AI mạnh ở các tác vụ cụ thể chứ không phải chiến lược tổng thể, và khuyến nghị doanh nghiệp nên tập trung vào những lĩnh vực hạn chế nhưng có thể tạo ra kết quả tức thì thay vì đổi mới trên toàn công ty

---

Đầu tư vào AI tạo sinh và lợi nhuận của doanh nghiệp

• Trong 3 năm gần đây, các doanh nghiệp đã đầu tư 30–40 tỷ USD vào các dự án AI tạo sinh
• Tuy nhiên, số doanh nghiệp thu được lợi nhuận kinh doanh thực chất là cực kỳ ít
• Theo nghiên cứu mới của MIT, 95% doanh nghiệp cho biết không có lợi ích đo lường được dù đã triển khai AI
• Chỉ 5% dự án thí điểm AI đang tạo ra giá trị ở quy mô hàng triệu USD

Tình hình triển khai mô hình ngôn ngữ lớn và các giới hạn

• Hơn 80% doanh nghiệp lớn đang thử nghiệm hoặc vận hành thí điểm các LLM chủ chốt như ChatGPT, Copilot
• Khoảng 40% doanh nghiệp đã triển khai các hệ thống này ở một mức độ nhất định, nhưng phần lớn chỉ giới hạn ở tăng năng suất cá nhân của nhân viên
• Hầu như không tác động đến cải thiện tổng doanh thu hoặc lợi nhuận của doanh nghiệp

Các giới hạn kỹ thuật của AI tạo sinh

• Các công cụ AI tạo sinh thường không phù hợp với quy trình làm việc thực tế
  • Những vấn đề điển hình được chỉ ra gồm workflow thiếu ổn định, thiếu học theo ngữ cảnh, liên kết công việc kém hiệu quả
• Phần lớn mô hình AI tạo sinh không thể lưu giữ phản hồi trong quá khứ và khó chuyển các bài học giữa các ngữ cảnh/công việc
• Theo báo cáo, đa số hệ thống GenAI không thể duy trì phản hồi, thích ứng ngữ cảnh và cải thiện dài hạn
• Vì đặc tính này, chúng chỉ làm tăng chi phí tích hợp dài hạn trong doanh nghiệp, trong khi hiệu quả thực chất lại hạn chế

Khoảng cách giữa kỳ vọng kinh doanh và thực tế

• Dù kỳ vọng và quy mô đầu tư dành cho AI tạo sinh rất lớn, nhưng nó không dẫn tới cắt giảm chi phí hay tạo ra lợi nhuận thực chất
• Trên thực tế, AI chủ yếu được dùng cho dịch vụ khách hàng, marketing, soạn thảo tài liệu và các nhiệm vụ giới hạn khác, giúp tiết kiệm thời gian nhưng ít tạo ra tăng trưởng doanh thu trực tiếp

Tác động tới việc làm và cấu trúc tổ chức

• Lo ngại rằng AI tạo sinh sẽ gây sụt giảm việc làm trên diện rộng trong ngắn hạn là thiếu cơ sở
• Hiệu quả của AI được dự báo sẽ dừng ở tối ưu hóa chi phí bên ngoài như giảm chi phí thuê ngoài, hơn là thay đổi cơ cấu nhân sự nội bộ
• Thay vì lập tức thay thế lao động trên quy mô lớn, nhiều khả năng AI sẽ chỉ giúp giảm chi phí outsourcing

Những ngộ nhận kỹ thuật và giới hạn phát triển

• Nhiều trường hợp thất bại xuất phát từ việc doanh nghiệp không hiểu chính xác khả năng thực tế và giới hạn của AI
• AI tạo sinh có thể tạo văn bản hoặc mã nhanh chóng, nhưng thiếu khả năng học liên tục và tính linh hoạt như con người
• Ví dụ, nhân viên có thể linh hoạt phản ứng dựa trên sai sót trước đó hoặc yêu cầu mới, nhưng AI không thể chuyển tiếp ký ức liên tục theo cách đó

Đầu tư và định hướng sắp tới

• Nhà đầu tư và lãnh đạo doanh nghiệp vẫn kỳ vọng công nghệ AI sẽ tiếp tục phát triển, nhưng trong ngắn hạn tiến độ chậm hơn dự kiến
• Báo cáo cho thấy việc lập tức đưa AI vào mọi ngành nghề và mọi workflow vẫn còn quá sớm
• Các tổ chức cần tập trung triển khai vào những lĩnh vực hẹp có thể tạo hiệu quả tức thì và đo lường được
  • Ví dụ: tự động hóa hỗ trợ khách hàng, công cụ hỗ trợ phát triển, soạn thảo tài liệu nháp
• Việc tích hợp AI trên toàn doanh nghiệp vẫn còn rủi ro lớn và xác suất thất bại cao

Kết luận và hàm ý

• Việc hiện thực hóa giá trị doanh nghiệp từ AI tạo sinh chỉ giới hạn ở một vài trường hợp thành công
• Phần lớn doanh nghiệp mới chỉ nhận được sự hỗ trợ nhỏ trong các công việc thường nhật
• Báo cáo nhấn mạnh doanh nghiệp cần xem AI tạo sinh là công cụ có phạm vi hạn chế, không phải động cơ tăng trưởng toàn diện
• Kỳ vọng vẫn cao, nhưng chừng nào các hệ thống hiện tại chưa thể thích ứng như con người, doanh nghiệp vẫn khó kiếm được lợi nhuận lớn từ AI

[GN⁺]

Ý kiến trên Hacker News

• Đã có một cuộc thảo luận trùng trong tuần này (162 bình luận) https://news.ycombinator.com/item?id=44941118. Nguồn báo cáo thực tế mà bài viết đó không liên kết là https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf
• Báo cáo này nói điều hoàn toàn khác với nội dung bài báo, xin chia sẻ vài điểm: 50% ngân sách thất bại được dùng cho marketing và sales, AI được cho là có thể tự động hóa 2,3 nghìn tỷ USD giá trị lao động, ảnh hưởng tới 39 triệu vị trí, và nguyên nhân hàng đầu của thất bại là sự từ chối tiếp nhận công cụ mới cùng với thiếu hỗ trợ từ ban lãnh đạo. Tôi nghĩ mọi người đang quá vội kết luận rằng AI không hiệu quả. Báo cáo không hề nói như vậy.
  • Báo cáo nói "AI tự động hóa 2,3 nghìn tỷ USD giá trị lao động, ảnh hưởng tới 39 triệu vị trí", nhưng hiện khả năng tự động hóa giá trị lao động ở Mỹ chỉ là 2,27%. GDP Mỹ hiện là 27 nghìn tỷ USD, nên lập luận ở đây dường như là tối ưu hóa 61 tỷ USD giá trị lao động tại Mỹ, thay thế khoảng 15% lực lượng lao động Mỹ, rồi tạo ra 2,3 nghìn tỷ USD giá trị. Tôi nghi ngờ phép tính này có thực sự đúng không. Tôi cũng thắc mắc ai sẽ mua tất cả những thứ đó nếu không phải là người lao động. Đầu tư AI năm 2025 đã vượt quá một nửa con số đó. Trong bối cảnh này, tôi không biết nên đo "giá trị lao động" thế nào. GDP có vẻ không phải chỉ số phù hợp.
  • Ấn tượng tôi nhận được cũng trùng với báo cáo. Một số tin tức chỉ đang đẩy một câu chuyện giật gân để câu click, và đang hiểu sai nghiêm trọng nội dung thực sự của báo cáo. Vấn đề lớn hơn không phải AI thất bại, mà là nhân viên hiện không áp dụng công cụ tốt, hoặc ít nhất là không dùng các công cụ công ty cung cấp. Cái mà họ gọi là "nền kinh tế AI ngầm" cũng là vấn đề có thật. Mọi người đang dùng các LLM thuê bao cá nhân thay vì công cụ công ty cung cấp. Trường đại học của chúng tôi cũng cấp ChatGPT Enterprise cho toàn bộ sinh viên và nhân viên, nhưng nó kém xa các phiên bản mới nhất trên cloud như GPT-5. Vì vậy tỷ lệ triển khai hệ thống và giữ chân người dùng đều thấp. Trong phần lớn trường hợp sử dụng, việc dùng cloud chỉ liên quan đến dữ liệu mà pháp luật không cấm sử dụng, nên ràng buộc cũng không nhiều.
  • Đoạn này trong báo cáo đặc biệt gây ấn tượng với tôi: một luật sư ở hãng luật quy mô vừa đã mua công cụ phân tích hợp đồng giá 50.000 USD cho công ty, nhưng trong thực tế vẫn dùng ChatGPT. Công cụ AI mà công ty mua tạo tóm tắt quá cứng nhắc và khó tùy biến, còn ChatGPT thì có thể đối thoại để lặp lại cho tới khi ra đúng kết quả mong muốn. Nói cách khác, nghịch lý là một công cụ 20 USD lại cho mức hài lòng người dùng thực tế cao hơn rất nhiều so với một giải pháp enterprise trị giá hàng chục triệu won. Vì vậy bài báo giải thích rằng nhiều doanh nghiệp đang đứng sai phía của khoảng cách GenAI.
  • Việc ảnh hưởng tới 39 triệu vị trí thực sự là con số đáng kinh ngạc. Lực lượng lao động Mỹ là 163 triệu người, tức gần một phần tư đang có nguy cơ.
  • Trước bình luận kiểu "nhiều người đang quá vội kết luận rằng AI không hiệu quả", có người chia sẻ câu nói nổi tiếng: "Thật khó để khiến một người hiểu điều gì đó khi tiền lương của anh ta phụ thuộc vào việc không hiểu nó."
• Tôi hiện là trưởng nhóm kỹ thuật AI, nên dĩ nhiên việc AI tạo ra giá trị phù hợp với những gì tôi thấy. Ở công ty tôi, việc đưa AI vào đã giúp tiết kiệm hàng triệu USD. Chúng tôi vận hành một call center lớn, trước đây nhân viên phải tự viết tóm tắt thủ công 3-5 phút cho mỗi cuộc gọi. Gần đây chúng tôi đã tự động hóa việc tóm tắt cuộc gọi bằng AI. Chất lượng tóm tắt cũng tốt hơn, và con người có thể tập trung vào công việc có giá trị hơn. Không hẳn là mang tính cách mạng, nhưng là mức tăng hiệu quả có thể đo lường được trong thực tế.
  • Mẹo nhỏ: đề xuất đừng viết tóm tắt sẵn mà chỉ tạo khi cần tài liệu. Audio cuộc gọi có thể lưu ở định dạng 24Kb/s Opus, tương đương 180KB mỗi phút, rồi lưu trong một khoảng thời gian nhất định và xóa đi; cách này có thể tiết kiệm thêm hàng triệu USD mỗi năm.
  • Công ty chúng tôi dùng Google Meet và Gemini để tạo biên bản cuộc họp. Nhưng nội dung thực tế rất thiếu chính xác. Nó hay nhầm ai là người nói, thậm chí đôi khi đảo ngược cả ý nghĩa. Thiếu ngữ cảnh, cũng không hiểu thuật ngữ nội bộ của công ty, nên thực tế gần như không dùng được.
  • Tôi tò mò không biết nhân viên call center có thực sự cảm thấy tóm tắt AI tốt hơn họ không. Trường hợp của tôi thì tôi nghĩ khó dùng cho tóm tắt họp. Có vẻ cái này chỉ hoạt động tốt với cuộc gọi một chiều.
  • Chúng tôi cũng đã thử dùng AI cho tóm tắt họp, nhưng kết quả quá kém nên lại quay về để con người tự viết. Không biết có trường hợp cụ thể nào hiệu quả, hay có đào tạo/tùy biến gì đã giúp cải thiện không.
  • Tôi thắc mắc tại sao nhân viên call center lại phải mất 3-5 phút để viết tóm tắt cho mọi cuộc gọi. Trong nhiều ca sử dụng AI, tôi thường thấy người ta đang tự động hóa những việc vốn không cần thiết. Nếu chẳng ai đọc báo cáo thì chất lượng tóm tắt cũng không thành vấn đề, nên AI có viết sai cũng chẳng sao. Trong tối ưu vận hành, điều quan trọng không phải là tự động hóa quy trình thừa mà là loại bỏ nó. Cuối cùng có vẻ AI thường đóng vai trò che phủ sự lãng phí trong tổ chức. Nếu không thể tối ưu được tới mức đó thì có lẽ ngay cả việc này vẫn cần.
• Bây giờ là lúc bước vào "Trough of disillusionment". Chu kỳ cường điệu như thế này là điều có thể đoán trước. Khi xuất hiện đánh giá rằng GPT-5 đã tạo kỳ vọng quá lớn rồi gây thất vọng, đây có thể là lúc GenAI bước vào giai đoạn "thế là hết". Khi bắt đầu hỏi về ROI thì thực tế sẽ lộ ra. Những người khôn ngoan lúc này đã chuẩn bị cho làn sóng biến đổi tiếp theo, còn vẫn sẽ có người đi xuống tới tận đáy thung lũng này. PR ngày càng tuyệt vọng sẽ dồn dập nói rằng nó "thực sự có giá trị".
  • Sẽ không ngạc nhiên nếu phần lớn công ty biết đó là phí tiền nhưng vẫn buộc phải đầu tư vì giá cổ phiếu.
  • Gemini tạo cảm giác khá ổn sau mỗi lần cập nhật, nhưng gần đây đã chậm lại rõ rệt cả về tốc độ cải tiến lẫn chất lượng nội dung. Điều này trông giống tín hiệu cho thấy đang tiến gần đến một bức tường. Dù có thể sẽ có giai đoạn đình trệ rồi nhảy vọt trở lại, tôi vẫn nghĩ LLM có tương lai tốt hơn computer vision.
  • Sam Altman đã quảng bá quá đà về hiệu năng của GPT-5. Từ góc nhìn người dùng, tôi không cảm thấy đây là bước nhảy lớn so với GPT-4. Tuy vậy, việc dùng kiến trúc trainable dynamic router để giảm đáng kể chi phí suy luận là điều rất có ý nghĩa. Đây là đổi mới có lợi cho OpenAI và lưới điện nhiều hơn là cho người dùng.
  • Khi OpenAI chuyển từ GPT-3.5-Turbo sang GPT-4, đó là thay đổi mang tính cách mạng và cũng chưa có nhiều mô hình khác. Nhưng trước khi GPT-5 ra mắt, đã có rất nhiều mô hình như dòng o, Llama, DeepSeek, Gemini... Từ nay sẽ không còn kiểu bước nhảy như từ GPT-3.5 lên 4 nữa. GPT-5 đang hợp nhất nhiều mô hình thành một, nhưng không có danh hiệu "đầu tiên".
  • Không biết có phải vì thế mà đội Windsurf đã bán sớm rồi rời đi hay không.
• Có người hỏi những ca sử dụng AI thực tế nào thật sự tạo doanh thu hoặc cắt giảm chi phí: 1. tạo nội dung online (đã quá bão hòa) 2. thay thế lập trình viên junior (năng suất tăng có giới hạn) 3. thay thế nhân viên chăm sóc khách hàng (có giảm chi phí nhưng ít tác động đến doanh thu) 4. công cụ hỗ trợ như viết, phân tích... (còn nhiều giới hạn) 5. thế hệ tương tác mới như nhân vật game/video game hoặc robot 6. bạn gái ảo AI và NSFW, thị trường này có vẻ sẽ còn sinh lời một thời gian. Họ hỏi liệu còn trường hợp thực tế nào hơn không.
  • Tôi đang làm một dự án dùng LLM để trích xuất thông tin cụ thể từ tài liệu bán cấu trúc rồi tự động phân loại/lưu hồ sơ, độ chính xác đã trên 95% mà còn chưa fine-tuning. Cuối cùng vẫn sẽ có bước phê duyệt thủ công, nhưng như vậy cũng đã tiết kiệm hàng trăm giờ mỗi năm. AI rất hiệu quả cho trích xuất và phân loại thông tin.
  • Trong healthcare, ghi chú khám chữa bệnh, dữ liệu, diễn giải hình ảnh và mọi loại hồ sơ đều gắn trực tiếp với doanh thu. Mỗi năm có hàng chục tỷ USD chi cho chi phí hành chính ở phần này. Nếu GenAI cải thiện mạnh chất lượng/độ chính xác của ghi chú, nó có thể trực tiếp làm tăng doanh thu. Bảo hiểm cũng tương tự vì cần khối lượng lớn công việc tài liệu và xác minh. Cuối cùng có lẽ AI sẽ chỉ trao đổi giấy tờ với nhau, còn con người thì ngồi thư giãn bên hồ bơi.
  • Chăm sóc khách hàng bằng AI là trải nghiệm rất khó chịu từ góc nhìn người dùng.
  • Trả 200 USD/tháng để tăng năng suất 50% là giá trị cực lớn. Tốc độ tăng năng suất hàng năm của phần lớn quốc gia chỉ ở mức 0-2%.
  • Tôi muốn có AI kết nối tài liệu nội bộ/wiki/codebase bằng RAG để việc onboarding và tìm kiếm thông tin dễ hơn. Thay vì cố thay thế con người, tốt hơn là tìm cách giúp con người làm việc dễ hơn.
• Sai lầm lớn nhất mà mọi người mắc phải là phải xem AI như một tính năng chứ không phải một dịch vụ. Không ai nghĩ "hôm nay tôi muốn nói chuyện với AI!" cả. Người dùng chỉ muốn hoàn thành công việc cho tốt mà không quá nhàm chán hay quá tải. Khi đó AI nên âm thầm giúp đỡ. Nhưng thứ chúng ta bán là tính năng chứ không phải dịch vụ (= sản phẩm), nên trong marketing người ta buộc phải đưa AI ra mặt tiền. Notion/Slack/Airtable đều dùng AI làm headline, nhưng bản chất không phải là AI mà là bản chất của công việc mà nó giúp hoàn thành.
  • Tôi thậm chí còn không nghĩ AI là một tính năng, AI rốt cuộc là một công nghệ. Mong muốn của người dùng không phải là "giá mà sản phẩm này có AI", mà là "giá mà tôi làm được việc này". Nếu sản phẩm giải quyết được công việc của tôi thì nó dùng cách nào cũng không quan trọng. Quá nhiều công ty chỉ dễ dãi nhét AI vào, thay vì tập trung giải quyết vấn đề mà người dùng thực sự muốn.
  • Nói vậy thì đúng, nhưng thực tế làm thế sẽ khiến mức định giá cao ngất và không khí quá nhiệt trên thị trường biến mất. Khi khoảnh khắc tỉnh ngộ này đến, ngay cả những lĩnh vực phần mềm còn "hot" cũng sẽ nguội đi, và cả ngành sẽ phải chấp nhận thực tế rằng thị trường không còn như 5-10 năm trước.
  • Tôi muốn AI chỉ được giới thiệu như một công cụ nữa thôi. Chỉ cần một lần hiện popup kiểu "có use case như thế này" là đủ. Thực tế thì đủ loại UI đang bị phủ kín bởi logo AI, autocomplete và đủ thứ khác làm phá hỏng sự tập trung. Cảm giác nó không còn là công cụ mà thành nhân vật chính. Thực ra chỉ cần hướng dẫn để người dùng tự dùng khi cần, nhưng hiện giờ cảm giác bị nhét vào quá gượng ép. Những công ty như vậy nên dừng lại và biết cách giao cho người dùng tự quyết.
  • Tôi hoàn toàn đồng cảm, rốt cuộc điều quan trọng là giá trị của chính sản phẩm, chứ bên dưới nó dùng cái gì không quan trọng.
  • Các ứng dụng gắn AI dạo này gần như là "giải pháp đi tìm vấn đề".
• Link PDF báo cáo lại redirect về landing page, với CTA kiểu "hãy nhanh chóng thành công với sản phẩm AI", nên trông nó không giống một báo cáo khách quan mà giống content marketing bình thường hơn. Tôi có bấm vào tên tác giả nhưng không ra gì cả. Cả trang lẫn tác giả đều không tạo được niềm tin. Giờ HN cũng bắt đầu giống Reddit, mọi người chỉ nhìn tiêu đề rồi vào bình luận đồng ý hay không rồi đi ra.
• Tôi tự hỏi sẽ thế nào nếu mọi người thực sự đọc báo cáo https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf. Chỉ 40% công ty có thuê bao LLM chính thức, nhưng hơn 90% nhân viên ở các công ty vẫn dùng công cụ AI cá nhân hằng ngày cho công việc. Trên thực tế, gần như toàn bộ nhân viên đều đang dùng LLM theo cách nào đó. Những người dùng "shadow AI" tận dụng LLM nhiều lần mỗi ngày ngay cả khi các dự án AI chính thức của công ty vẫn mắc kẹt ở giai đoạn pilot. Một nghịch lý là các dự án AI chính thức của doanh nghiệp thì thất bại, nhưng trong thực tế việc dùng LLM bên trong công ty lại đang lan rộng. Câu chuyện này không phải là một tin bom tấn mới như bài báo nói, mà thậm chí có thể hoàn toàn khác.
• Có vẻ nước Mỹ lúc nào cũng đi trước trong mỗi làn sóng đổi mới công nghệ theo kiểu này. Họ chi nhiều tiền, cũng mất nhiều tiền, nhưng dám chấp nhận rủi ro nên cuối cùng tiến xa đến mức khó đuổi kịp. Quá sớm để tuyên bố chiến thắng trước AI hay các công ty Mỹ.
  • Tôi không nghĩ có thể khái quát rằng Mỹ đi trước trong mọi lĩnh vực. Nhiều lĩnh vực như tài chính còn thua các nước khác. Trung Quốc dẫn trước ở xe điện, năng lượng mặt trời... Phần mềm thì đúng, nhưng lá chắn của Mỹ được tạo nên bởi độc quyền, lock-in, và các quy định được thiết kế cho tầng lớp giàu có.
  • Cách nghĩ như vậy quá đơn giản và thậm chí còn có thể bóp méo thực tế.
  • Có người nêu ví dụ như điện mặt trời, xe điện, drone để nói rằng không thể mặc định Mỹ luôn đi đầu.
  • Cũng có ý kiến nhắc tới lịch sử của GSM để cho rằng không phải lúc nào Mỹ cũng dẫn dắt đổi mới.
• Điều thú vị là tự đánh giá về năng suất của bản thân có thể khác xa thực tế. Trong nghiên cứu của METR, các lập trình viên cảm thấy họ nhanh hơn 20% nhờ AI, nhưng thực tế lại chậm hơn 19% https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/
  • Ngay cả loại nghiên cứu này cũng khó nắm bắt hết mọi sắc thái. Loại AI sử dụng, công cụ đang dùng, mức độ quen thuộc, quy trình phát triển, quy mô đội ngũ, cũng như cấp bậc và mức độ tỉ mỉ của người dùng đều ảnh hưởng tới kết quả. Hiện tại các nhà đầu tư đang trợ giá AI mạnh tay để giành thị phần, nhưng khi việc đó kết thúc thì giá thậm chí có thể còn giảm thêm. Cá nhân tôi thấy mình đã hưởng lợi đủ nhiều từ tiến bộ AI rồi; từ đây có lẽ cải tiến dần dần và nâng cao trải nghiệm người dùng sẽ là trọng tâm. Tôi không định đầu tư vào các công ty AI ngay lúc này.
  • Có lúc AI như đọc được ý nghĩ của tôi một cách hoàn hảo, giống autocomplete; nhưng có lúc nó lại đưa ra đề xuất hoàn toàn vô nghĩa và chỉ làm cản trở.
  • Tôi cũng tự hỏi liệu AI có khiến con người chỉ tập trung vào những cải tiến vụn vặt, sa vào tiểu tiết, mà bỏ lỡ bức tranh lớn hay không. Tốc độ phát triển đôi khi lại được quyết định bởi những phán đoán chiến lược tổng thể như liệu tôi có nên dùng công cụ này không, hay tính năng này có thực sự cần thiết không.
  • Cỡ mẫu tuy nhỏ, nhưng đây vẫn là nghiên cứu có ý nghĩa hơn nhiều so với giai thoại hay dữ liệu tự báo cáo.