Vì sao 95% dự án AI pilot thất bại — và cách để bạn tránh điều đó

• Doanh nghiệp khi triển khai AI đã ám ảnh với ROI ngắn hạn, tự phá hỏng môi trường tích lũy giá trị dài hạn và làm tăng xác suất thất bại
• Theo MIT, McKinsey, Upwork, HBR..., một vòng xoáy tiêu cực hình thành khi thiếu kết quả, nhân sự kiệt sức, chiến lược rối loạn chồng chất, dẫn tới người dùng tiên phong rời bỏ và niềm tin sụp đổ
• Trong các trường hợp thực tế, sau thành công ban đầu, việc nâng giá và nâng mục tiêu hiệu suất đã bào mòn dư địa cho đổi mới và gây ra hiện tượng stag hunt làm chậm ra quyết định và đình trệ mở rộng sản phẩm
• Cốt lõi của lời giải là tác động đúng hướng vào điểm đòn bẩy của Donella Meadows: không phải tăng kiểm soát hay tập trung khai thác, mà là bảo đảm phân quyền, tái đầu tư và không gian thích nghi
• Như các trường hợp của SharkNinja, Johnson Hana, Shopify, khi chuyển sang hệ điều hành dựa trên niềm tin, đổi mới cộng dồn sẽ xuất hiện như một sản phẩm phụ tự nhiên của ROI

---

Vấn đề đặt ra và bối cảnh

• Theo nghiên cứu gần đây của MIT, 95% dự án triển khai AI trong doanh nghiệp thất bại. Con số này được đánh giá là không hề phóng đại
  • Trong khảo sát của McKinsey, hơn 80% lãnh đạo trả lời rằng AI tạo sinh chưa tạo ra thay đổi rõ rệt trong lợi nhuận doanh nghiệp
  • Nghiên cứu của Upwork cho thấy những nhân viên dùng AI nhiều hơn lại có ý định nghỉ việc cao hơn, không hiểu chiến lược AI của công ty, và 88% trải qua burnout
• Nguyên nhân gốc rễ của hiện tượng này là doanh nghiệp đang chịu áp lực thu hồi lợi nhuận từ đầu tư AI một cách nóng vội, nên hy sinh hiệu quả dài hạn
  • Tức là, ban đầu các tác động tích cực như tăng hiệu suất và tự động hóa công việc có xuất hiện, nhưng khi yêu cầu quản trị về việc chứng minh ROI trong ngắn hạn xuất hiện, dự án sẽ dừng lại hoặc kết thúc trong thất bại
• Từ năm 2023, tôi đã dẫn dắt các dự án chuyển đổi AI tại một công ty tư vấn quy mô trung bình
  • Cách tiếp cận có hệ thống: triển khai pilot, tái thiết kế workflow, chiến lược quản lý thay đổi
  • Kết quả là đã tạo ra hơn 40.000 giờ năng suất lao động, và mức độ hài lòng của khách hàng cũng cao
  • Nhưng khi ở cấp công ty bắt đầu đòi hỏi lợi nhuận tức thì trên vốn đầu tư, kết quả của dự án bắt đầu chững lại

• Hàm ý

  • Ở thời điểm chuyển đổi AI bị chững lại, luôn tồn tại những mẫu hình và tín hiệu cảnh báo nhất định; nếu quan sát kỹ, có thể đưa nó tiếp tục thành thay đổi dài hạn
  • Dựa trên trải nghiệm đó, bài viết muốn đưa ra các tín hiệu cảnh báo sớm và công thức tạo ra thay đổi bền vững

Vì sao ‘thành công’ lại kích hoạt ‘thất bại’

• Công ty tư vấn khoảng 300 người nơi tác giả làm việc đã đạt kết quả rất mạnh trong giai đoạn đầu triển khai AI và tạo được đà phát triển
  • Họ đưa vào một công cụ tự động hóa phân tích cuộc gọi nghiên cứu, có thể tự động tạo bản chép lời, tóm tắt và báo cáo cho khách hàng, vận hành gần như một nhân sự junior
  • Nhờ vậy, đội ngũ có thể tập trung vào tái thiết kế workflow cốt lõi và rút ra insight có thể hành động, từ đó đạt được chất lượng đầu ra cao hơn và sự hài lòng của khách hàng
• Tác giả từng tin rằng thành công này sẽ chứng minh tiềm năng của AI và thúc đẩy áp dụng trên toàn công ty, nhưng trên thực tế lại xuất hiện sự đình trệ về kết quả
  • Đây không chỉ là vấn đề của một công ty cụ thể, mà là ví dụ cho những lực cấu trúc mà phần lớn doanh nghiệp hiện hữu đều phải đối mặt khi cố thích nghi với AI

• Tác dụng phụ của việc gặt ROI ngắn hạn

  • Dựa trên cải thiện hiệu suất, công ty thúc đẩy tăng đơn giá tính cho khách hàng và rút ngắn thời gian投入
  • Điều này có vẻ là một chiến lược kiếm tiền tức thì để thu hồi ROI nhanh chóng, nhưng đồng thời cũng kéo theo việc nâng mục tiêu hiệu suất
  • Kết quả là mọi nhân viên đều mải mê chạy theo chỉ số, khiến dư địa (slack) cho đổi mới biến mất

• Sự đình trệ bên trong tổ chức

  • Áp lực mục tiêu ngắn hạn làm gia tăng ma sát nội bộ, dẫn tới siết chặt tiêu chuẩn ra quyết định và chậm phê duyệt
  • Hệ quả là dự án mở rộng sản phẩm cốt lõi dựa trên AI bị trì hoãn gần một năm vì đội ngũ quá tải và gánh nặng vận hành

• Lý thuyết Stag Hunt

  • Điều này vận hành đúng như tình huống stag hunt trong lý thuyết trò chơi
    • Stag: thành quả chung quy mô lớn chỉ có thể đạt được nhờ hợp tác dài hạn
    • Hare: ROI tức thì hoặc các thành quả cá nhân nhỏ lẻ
  • Khi công ty gặt ROI quá sớm, đó là tín hiệu từ bỏ hợp tác để đuổi theo hare, kéo theo sự sụp đổ niềm tin tập thể

• Thế tiến thoái lưỡng nan của người tiên phong đổi mới

  • Ngay cả khi những người tiên phong bên trong phát triển workflow, tự động hóa, công cụ mới, đa số công ty cũng không chuyển chúng thành thay đổi cấu trúc mà chỉ dùng để siết chặt mục tiêu hiệu suất
  • Người đổi mới lại bị đánh giá theo luật chơi của hệ thống cũ, và do thiếu tưởng thưởng, thiếu cơ hội thăng tiến, cơ hội của họ dần biến mất
  • Cuối cùng, lựa chọn hợp lý còn lại chỉ là từ bỏ đổi mới hoặc nghỉ việc

Lý thuyết đòn bẩy

• Dựa trên trải nghiệm trước đó, tác giả bắt đầu tìm cách ngăn thất bại trong chuyển đổi AI
  • Trong quá trình này, tác giả tham khảo tư duy hệ thống của Donella Meadows và bài tiểu luận tiêu biểu của bà "Leverage Points" (1997)
• Insight của Meadows: để tạo ra thay đổi bền vững, cần tìm đúng điểm can thiệp
  • Can thiệp ở bề mặt chỉ tạo ra hiệu quả nhỏ so với công sức lớn, trong khi các đòn bẩy vô hình có thể tạo thay đổi lớn chỉ với can thiệp nhỏ
  • Nhưng trong các hệ thống mới, trực giác của con người thường hoạt động sai hướng, nên ngay cả khi tìm được đòn bẩy mạnh, ta vẫn có thể đẩy ngược chiều
• Thế nhưng doanh nghiệp lại đang dành quá nhiều nguồn lực cho giải pháp và triển khai ở bề mặt
  • Ngay cả khi can thiệp sâu hơn, họ vẫn dùng lực theo hướng sai như tăng kiểm soát, trích xuất ROI sớm, tăng tốc độ
  • Điều thực sự cần là mở rộng quyền tự chủ, tái đầu tư, tạo không gian thích nghi
• Doanh nghiệp dẫn đầu thật sự sẽ xây dựng một hệ thống tạo giá trị lành mạnh và có khả năng thích nghi, để ROI trở thành sản phẩm phụ tự nhiên
• Ba ví dụ sau cho thấy cách sử dụng đúng các điểm đòn bẩy cao để đạt được kết quả AI bền vững

• SharkNinja — niềm tin vào ra quyết định phân tán

  • Trước đây, nếu chỉ trích một kế hoạch sai, bạn có thể bị dán nhãn là thiếu tinh thần đồng đội
  • Nhà sản xuất đồ gia dụng SharkNinja đã bị CEO Mark Barrocas lật ngược văn hóa đó một cách trực diện
    • Ông trao cho nhân viên trách nhiệm và quyền hạn để chỉ ra sai sót trong kế hoạch, đồng thời tăng cường hệ thống ra quyết định phân tán để có thể sửa các quyết định sai thật nhanh
    • Ông tuyên bố: “Trước đây tôi đã hành xử ngu ngốc, nhưng giờ tôi chọn hành xử ‘không ngu ngốc’”, qua đó tái định nghĩa thất bại là dữ liệu để sửa sai
  • Hệ điều hành này làm tăng sự linh hoạt, niềm tin và hợp tác, giúp công ty đạt lợi nhuận ròng quý gần nhất tăng 105% và giá cổ phiếu cao nhất lịch sử

• Johnson Hana — từ giờ tính phí sang giá trị cho khách hàng

  • Công ty luật phi truyền thống Johnson Hana tại Dublin, Ireland đã áp dụng gói phí cố định và phí theo dự án thay vì tính phí theo giờ
    • Mục tiêu được chuyển từ ‘tối đa hóa thời gian’ sang ‘tối đa hóa nhân tài và giá trị cho khách hàng’
  • AI được tích hợp vào toàn bộ quy trình công việc; nhờ tự động hóa rà soát tài liệu, luật sư có thể tập trung vào đàm phán sáng tạo, giải quyết vấn đề phức tạp và phán đoán
  • Mô hình này khiến luật sư “hạnh phúc hơn và giỏi hơn”, còn khách hàng nhận được kết quả nhanh hơn và tốt hơn
  • Tháng 7/2025, nền tảng pháp lý AI Eudia đã mua lại Johnson Hana với giá 50 triệu USD, cho thấy họ chọn một công ty đã xây dựng sẵn hệ điều hành dựa trên niềm tin và stag hunt

• Shopify — biến việc dùng AI thành chỉ số hiệu suất

  • Trong các tổ chức có mức tin cậy thấp, việc nhân viên che giấu sử dụng AI hoặc né tránh học hỏi là một lựa chọn hợp lý
  • Nhưng Shopify, theo chỉ đạo của CEO Tobi Lütke, đã tái thiết kế việc sử dụng AI thành quy tắc cốt lõi của tổ chức
    • Khi tuyển mới, nếu không có “bằng chứng rằng AI không thể làm được”, thì không được tăng headcount
    • Năng lực dùng AI được đưa vào yếu tố cốt lõi của đánh giá hiệu suất
  • Kết quả là lựa chọn hợp lý của nhân viên chuyển sang hướng thành thạo và công khai sử dụng AI
    • Tổ chức cũng được tái cấu trúc xoay quanh các năng lực sáng tạo, chiến lược và đổi mới mà AI khó thay thế
  • Shopify đã xây dựng một hệ thống buộc mọi người tham gia stag hunt, và Lütke nói mục tiêu là dùng AI để “đạt được thành tựu công việc gấp 100 lần, từ đó giải quyết những thách thức mà con người trước đây không thể giải quyết”

Chuyển đổi thực sự nghĩa là gì

• Theo chẩn đoán của Meadows, để có ROI AI bền vững, điều cần thiết không phải chỉ là đưa vào công cụ mới mà là thay đổi chính hệ điều hành vận hành
• Trong phần lớn thế kỷ trước, đa số doanh nghiệp vận hành như lưới điện tập trung
  • Mục tiêu: kiểm soát từ trên xuống, dự báo tuyến tính, tối đa hóa hiệu suất và khả năng mở rộng
  • Nhưng AI không chỉ là thứ cung cấp nhiên liệu hiệu quả hơn cho hệ thống này, mà là một dạng năng lượng hoàn toàn mới
• Sức mạnh của AI phát sinh từ thử nghiệm và đổi mới của từng nhân viên và từng nhóm → nguồn năng lượng phân tán được tạo ra ở rìa (edge) của tổ chức
  • Các công ty dẫn đầu nhận ra điều này và либо tuyên bố lưới điện cũ là lỗi thời, hoặc định nghĩa lại cách đo giá trị, hoặc thiết kế incentive để mọi nhân viên trở thành net-positive producer
  • Điều đó được cụ thể hóa qua các trường hợp SharkNinja, Johnson Hana, Shopify
• Theo khảo sát, 95% nhân viên thừa nhận tiềm năng của AI, nhưng mối lo lớn nhất là “tổ chức sẽ không chia sẻ lợi ích”
  • Vì thế, nhân viên chuyển thành shadow workforce, giấu việc dùng AI và chỉ theo đuổi thành quả ngắn hạn, rơi vào trạng thái ‘săn hare’
  • Sự thiếu niềm tin này cản trở đổi mới mang tính hợp tác
• Hệ điều hành mới phải dựa trên niềm tin sâu sắc rằng “ngay cả khi không thể dự đoán hay kiểm soát, giá trị được tạo ra vẫn sẽ được công nhận và tưởng thưởng”
  • Doanh nghiệp xây được niềm tin đó ở cấp độ mô hình vận hành sẽ không chỉ có hiệu suất nhất thời, mà sẽ sở hữu đổi mới cộng dồn (compounding innovation) mà đối thủ không thể sao chép
  • ROI bền vững không bắt nguồn từ những gì AI có thể làm, mà từ những gì con người có thể cùng nhau làm được khi họ tin vào mục tiêu chung và hợp tác