Vì sao triển khai AI mà năng suất vẫn không tăng bùng nổ [Bài dịch]

1. Nghịch lý năng suất của Brynjolfsson, phiên bản thời đại GenAI

• Ngay cả khi IT·PC được đưa vào từ thập niên 1990, các chỉ số năng suất so với mức đầu tư cũng hầu như không tăng; cốt lõi của nghịch lý năng suất Brynjolfsson là nếu không có các yếu tố bổ trợ như tái cấu trúc tổ chức, thiết kế lại công việc và thay đổi kỹ năng, thì chỉ riêng công nghệ sẽ không thể nâng năng suất.
• Hiện nay cũng vậy, dù AI tạo sinh đã được triển khai bùng nổ, năng suất toàn nền kinh tế và các thay đổi mang tính cấu trúc trong doanh nghiệp vẫn còn hạn chế; bài viết này tóm lược hiện tượng đó là “High Adoption, Low Transformation”.

2. MIT NANDA: GenAI Divide (khoảng cách AI tạo sinh)

• Báo cáo MIT NANDA cho rằng dù hàng chục tỷ USD đã được đầu tư vào GenAI, chỉ khoảng 5% doanh nghiệp tạo ra “giá trị kinh doanh thực chất (ROI)”, còn 95% còn lại không ghi nhận cải thiện về doanh thu hay năng suất; từ đó đưa ra khái niệm GenAI Divide.
• Khoảng cách này không nằm ở năng lực công nghệ mà nằm ở việc “có xây dựng được hệ thống tác nhân có khả năng học hỏi, ghi nhớ và thích nghi, rồi tích hợp sâu vào luồng công việc thực tế để tạo ra kết quả hay không”; hiện nay, các thay đổi cấu trúc có ý nghĩa vẫn chủ yếu tập trung ở những ngành thiên về thông tin như công nghệ và truyền thông.

3. Vì sao 95% thất bại

1. Khoảng cách học hỏi (Learning Gap)

   • Nhiều hệ thống AI doanh nghiệp là công cụ tĩnh nên không thể tích lũy và học từ phản hồi người dùng, không thích nghi theo ngữ cảnh cũng không cải thiện dài hạn; vì vậy nhân viên dùng AI tiêu dùng cho việc đơn giản, còn các việc quan trọng và phức tạp vẫn phải dựa vào con người.

2. Đứt gãy giữa pilot và production

   • Doanh nghiệp lớn làm rất nhiều pilot (POC), nhưng tỷ lệ đi tới triển khai thực tế trên toàn công ty lại rất thấp; trong số AI doanh nghiệp tùy biến, chỉ khoảng 5% thực sự đứng vững ở production.
   • Lý do cốt lõi là “công cụ không khớp với quy trình công việc thực tế”, tức đây không phải vấn đề hạ tầng hay quy định mà là bài toán tích hợp workflow và thiết kế tổ chức.

3. Nền kinh tế AI bóng tối (Shadow AI)

   • Vì công cụ nội bộ chính thức kém hiệu quả hoặc bị kiểm soát quá chặt, nhân viên âm thầm dùng LLM và copilots theo gói cá nhân để xử lý công việc thực tế, khiến “Shadow AI” lan rộng.
   • Điều này được xem là tín hiệu cho thấy tồn tại một nhu cầu ngầm rất lớn đối với những công cụ “linh hoạt, trực quan, cá nhân hóa và hòa vào workflow thực tế”.

4. Bài báo Canaries: tín hiệu đầu tiên của AI thể hiện trong tuyển dụng người mới vào nghề

• “Canaries in the Coal Mine?” của nhóm Brynjolfsson phân tích dữ liệu lương và tuyển dụng tần suất cao, cho thấy sau khi AI tạo sinh được áp dụng, tuyển dụng lao động 22–25 tuổi giảm đáng kể ở các nghề có mức độ phơi nhiễm với AI cao (phát triển phần mềm, call center/chăm sóc khách hàng, v.v.).
• Đặc biệt, mức giảm tuyển dụng lao động trẻ còn lớn hơn ở những công việc mà AI chủ yếu được dùng để “tự động hóa” chứ không chỉ “hỗ trợ”, qua đó cho thấy AI trong giai đoạn đầu đang trực tiếp thay thế một phần vị trí đầu vào.

5. Vì sao người mới đi làm bị ảnh hưởng nặng hơn

• LLM hiện nay mạnh ở tri thức hình thức (formal knowledge) và các tác vụ lặp theo mẫu vốn được mô tả rõ trong giáo trình hay tài liệu, nhưng chưa thay thế tốt các “ngón nghề” của chuyên gia cao cấp vốn dựa trên kinh nghiệm thực tế và tri thức ngầm (tacit knowledge).
• Theo truyền thống, vai trò của nhân sự mới vào nghề và junior thường gồm nhiều công việc “làm theo quy tắc và sổ tay đã được văn bản hóa”; khi phần này được tự động hóa nhanh bằng LLM + toolchain, người ta quan sát thấy mô hình trong đó người mới vào nghề chịu cú sốc tuyển dụng lớn hơn so với người có kinh nghiệm cao hơn trong cùng một vị trí.

6. Hàm ý cho tương lai lao động

• Chuyển đổi AI không đơn thuần là “tổng số việc làm giảm đi”, mà đúng hơn là một quá trình tái phân bổ trong đó có việc được AI hấp thụ, có việc mới được tạo ra, và lợi thế tương đối của con người dịch chuyển sang các lĩnh vực như tri thức ngầm, điều phối và phán đoán.
• Vì vậy, xét về giáo dục và thiết kế sự nghiệp, thay vì các năng lực kiểu đáp án chuẩn hay ghi nhớ, những năng lực như “hiểu bối cảnh thực địa, cấu trúc hóa vấn đề, điều phối các bên liên quan và chuyên môn liên ngành theo từng domain” có khả năng sẽ trở nên quan trọng hơn.

7. Chiến lược thực thi dành cho nhà sáng lập AI

1. Từ tạo sinh đơn thuần → chuyển sang học hỏi và tác nhân

   • Cốt lõi của GenAI Divide không phải hiệu năng mô hình mà là có xây được hệ thống tác nhân có khả năng “học liên tục, có bộ nhớ, thích nghi và điều phối” hay không.
   • Bài viết nhấn mạnh rằng những đội ngũ có thể cấu trúc phản hồi người dùng và log sử dụng thực tế để tạo ra một “hệ thống sống”, ngày càng hiểu workflow tốt hơn và tự điều chỉnh theo thời gian, sẽ nắm lợi thế áp đảo.

2. Thiết kế theo workflow, không phải theo user persona

   • Nhiều sản phẩm AI doanh nghiệp gặp vấn đề “demo rất ấn tượng nhưng bị bỏ đi vì không khớp với cách đội ngũ thực sự làm việc”.
   • Sản phẩm thành công là sản phẩm đào sâu vào luồng công việc chi tiết, cấu trúc quyền hạn và yêu cầu compliance của từng ngành và từng vai trò, rồi hòa vào đó một cách tự nhiên; ưu tiên không phải UX hào nhoáng mà là “không rơi rụng khi vào production”.

3. Biến Shadow AI thành tài sản nghiên cứu

   • Nếu quan sát nhân viên đang cá nhân dùng những prompt và tổ hợp công cụ nào, doanh nghiệp có thể nhận ra các nhu cầu thực sự mà công cụ chính thức chưa phản ánh được, như tốc độ, mức độ tự do hay mức độ tự động hóa.
   • Với startup, các mẫu hình “Shadow AI” này chính là một kênh nghiên cứu người dùng quy mô lớn, đồng thời là gợi ý để định vị sản phẩm.

4. Cơ hội nằm ở back office hơn là mặt tiền hào nhoáng

   • Nhiều công ty ưu tiên gắn AI vào các mảng dễ thấy như marketing hay sales, nhưng MIT chỉ ra rằng ROI thực tế lại lớn hơn ở các bộ phận hậu trường theo quy trình như tài chính, mua sắm và vận hành.
   • Khu vực này có dữ liệu dồi dào và nhiều logic nghiệp vụ dựa trên quy tắc, nên các giải pháp tác nhân/tự động hóa được thiết kế tốt rất dễ chuyển hóa trực tiếp thành cắt giảm chi phí và giảm sai sót.

5. Không phải “bán phần mềm” mà là tư duy đối tác BPO

   • Những khách hàng doanh nghiệp thành công không xem nhà cung cấp AI là người bán license mà là một “đối tác outsourcing quy trình kinh doanh”, từ đó đòi hỏi mức độ tùy biến sâu, hợp đồng dựa trên kết quả và hợp tác vận hành chặt chẽ.
   • Vì vậy, lập luận ở đây là nhà sáng lập cũng nên thiết kế sản phẩm không phải như một công cụ cài đặt sẵn, mà như một “dịch vụ/quan hệ đối tác cùng chịu trách nhiệm về kết quả”; khi đó mới có thể tạo ra các thương vụ enterprise lớn và hào lũy dài hạn (moat).

8. Tổng kết: nghịch lý đã đổi khác, cơ hội cũng đang đổi thay

• Ngay cả trong thời đại AI tạo sinh, nghịch lý năng suất vẫn còn nguyên hiệu lực, nhưng vị trí của “các yếu tố bổ trợ còn thiếu” đã thay đổi; giờ đây, các yếu tố đó nằm trải trên cả bên trong sản phẩm (học hỏi, bộ nhớ, điều phối) lẫn bên trong doanh nghiệp (mua theo mô hình dịch vụ, quyền sở hữu phân tán, KPI tập trung vào kết quả).
• Thông điệp của bài là chỉ những nhà sáng lập có thể đồng thời thiết kế được cả hai tầng này mới có thể biến “demo đẹp” thành “lợi thế cạnh tranh bền vững và mức tăng năng suất đo được bằng thống kê”, từ đó hiện thực hóa cuộc cách mạng AI không chỉ như một sự kiện công nghệ mà như một cuộc biến đổi kinh tế cùng tiến hóa với tổ chức và con người.

[mhj5730]

Khi phát triển AI, tôi rất đồng cảm sâu sắc với các ý 2, 3, 4. Nếu là doanh nghiệp thì tôi nghĩ việc tập trung vào tự động hóa, phân tích và xây dựng các tính năng tự động hóa mạnh mẽ dành cho người dùng back-office sẽ hữu ích hơn nhiều.