Cá nhân làm việc năng suất hơn không tạo ra doanh nghiệp năng suất hơn

• AI đã nâng năng suất cá nhân lên 10 lần, nhưng không có doanh nghiệp nào tăng giá trị lên gấp 10 tương ứng; vậy phần năng suất tăng thêm đã đi đâu?
• Ở các nhà máy dệt New England trong giai đoạn điện khí hóa thập niên 1890, dù thay động cơ hơi nước bằng mô-tơ điện, sản lượng hầu như không tăng trong suốt 30 năm; chỉ đến khi nhà máy được thiết kế lại xoay quanh dây chuyền lắp ráp vào thập niên 1920 thì lợi nhuận mới được hiện thực hóa
• Kết quả không đến từ bản thân công nghệ mà chỉ xuất hiện khi công nghệ và tổ chức (institution) được tái thiết kế cùng nhau; và với AI năm 2026, chúng ta cũng đang ở trạng thái "chỉ thay mô-tơ mà chưa thiết kế lại nhà máy"
• Phần lớn sản phẩm AI chỉ tạo cảm giác năng suất hơn chứ chưa dịch chuyển được giá trị thực; một tổ chức năng suất cần Institutional Intelligence (trí tuệ thể chế)
• 7 yếu tố phân tách Institutional AI và Individual AI sẽ là nền tảng của các công ty AI B2B trong 10 năm tới

---

Năng suất biến mất: câu hỏi cốt lõi

• AI đã khiến mọi cá nhân trở nên năng suất hơn 10 lần, nhưng không có doanh nghiệp nào vì thế mà trở nên có giá trị hơn gấp 10
• Câu hỏi "phần năng suất tăng thêm đã đi đâu" là điểm xuất phát của toàn bộ bài viết
• Đây không phải hiện tượng mới; điều tương tự đã từng lặp lại ngay trong giai đoạn điện khí hóa

Bài học lịch sử: điện khí hóa nhà máy dệt thập niên 1890

• Vào thập niên 1890, điện hứa hẹn mang lại bước nhảy năng suất khổng lồ, và các nhà máy dệt New England vốn dùng chuyển động quay từ động cơ hơi nước đã lập tức lắp mô-tơ điện nhanh hơn vào đúng vị trí cũ
• Nhưng trong 30 năm, sản lượng của các nhà máy đã điện khí hóa hầu như không tăng; công nghệ vượt trội hơn nhiều, nhưng tổ chức thì không
• Chỉ đến thập niên 1920, khi nhà máy được thiết kế lại hoàn toàn, lợi nhuận có ý nghĩa mới xuất hiện
  • Áp dụng dây chuyền lắp ráp, gắn mô-tơ riêng cho từng thiết bị, và để người lao động cùng máy móc đảm nhiệm những vai trò hoàn toàn khác trước
• Điều này được minh họa qua ba giai đoạn tiến hóa của nhà máy dệt Lowell
  • Nhà máy động cơ hơi nước năm 1890 → nhà máy mô-tơ điện năm 1900 → nhà máy "unit drive" năm 1920 (tái cấu trúc toàn diện thành dây chuyền lắp ráp chạy điện)
• Lợi nhuận không đến từ bản thân công nghệ hay từ việc làm từng công nhân, từng cỗ máy nhanh hơn, mà chỉ được hiện thực hóa khi tái thiết kế đồng thời tổ chức và công nghệ
• Đây là bài học đắt giá nhất trong lịch sử công nghệ, và hiện tại chúng ta đang học lại nó một lần nữa

Sự cần thiết của Institutional Intelligence

• Năm 2026, AI đang giúp năng suất của những cá nhân biết tận dụng nó tăng gấp 10, nhưng chúng ta mới chỉ thay mô-tơ mà chưa thiết kế lại nhà máy
• Phần lớn sản phẩm AI trên thị trường chỉ mang lại cảm giác năng suất hơn chứ chưa dịch chuyển được giá trị thực; nhiều ví dụ ứng dụng AI công khai chỉ là kiểu "productivity-maxxing" tự thỏa mãn trên Twitter hoặc Slack nội bộ, hầu như không tạo tác động thực chất
• Mô-típ "services as software" lặp đi lặp lại suốt một năm qua có đúng hướng, nhưng không đưa ra được bản thiết kế và đã bỏ lỡ bức tranh lớn hơn
  • Chuyển đổi thật sự không phải từ công cụ sang dịch vụ, mà là xây dựng đồng thời công nghệ và tổ chức (dù là tổ chức hiện hữu hay mới)
• Một tổ chức năng suất cần Institutional Intelligence; đây là lớp sản phẩm mới tương đương với "dây chuyền lắp ráp của ngày mai"

7 trụ cột của Institutional Intelligence

• 1. Coordination (điều phối)

  • Individual AI tạo ra hỗn loạn, còn Institutional AI tạo ra điều phối
  • Thử nghiệm tư duy: giả sử ngay ngày mai bạn có thể nhân bản nhân viên giỏi nhất của mình để tăng gấp đôi quân số tổ chức
    • Mỗi người vẫn có khác biệt nhỏ, xu hướng và góc nhìn riêng (đặc biệt là những người giỏi nhất); nếu quản trị, giao tiếp và vai trò (swim lane, OKR, R&R) không được định nghĩa đủ rõ thì hỗn loạn sẽ xuất hiện
    • Xét ở cấp độ cá nhân thì có thể năng suất hơn, nhưng nếu hàng nghìn agent (hoặc con người) chèo theo các hướng ngược nhau thì tốt nhất là dậm chân tại chỗ, tệ nhất là phá vỡ sự gắn kết của tổ chức
  • Đây không phải giả thuyết mà là điều đang diễn ra ở mọi tổ chức triển khai AI không có lớp điều phối (coordination layer)
    • Mỗi nhân viên có thói quen dùng ChatGPT, kiểu prompt và đầu ra riêng, nhưng các đầu ra đó không kết nối với nhau
  • Institutional Intelligence sẽ tiến hóa thành một ngành "Agentic Management" xử lý vai trò và trách nhiệm của agent, giao tiếp giữa các agent và giữa agent với con người, cũng như đo lường giá trị của agent
    • Chỉ tính phí theo mức tiêu thụ là không đủ

• 2. Signal (tín hiệu)

  • Individual AI tạo ra nhiễu, còn Institutional AI tìm ra tín hiệu
  • Giờ đây con người có thể tạo ra gần như mọi thứ mình tưởng tượng: bài luận, bài thuyết trình, bảng tính, ảnh, video, bài hát, website, phần mềm...
  • Vấn đề là gần như mọi thứ AI tạo ra đều là slop (đầu ra rác), đến mức một số tổ chức phản ứng thái quá bằng cách cấm hoàn toàn đầu ra AI
    • Ngay cả tác giả, dù điều hành một công ty AI, cũng yêu cầu đội ngũ quản lý không dùng AI cho các bản viết cuối cùng
  • Ví dụ trong PE (private equity): nếu năm ngoái có 10 thương vụ được đặt lên bàn, thì năm nay mỗi quý có 50 thương vụ, mỗi thương vụ đều được AI trau chuốt hoàn hảo, nhưng thời gian để tìm ra một thương vụ thật sự tốt vẫn không đổi
  • Giờ đây tạo ra thứ gì đó không còn là vấn đề; vấn đề thật sự là tạo ra đúng thứ cần thiết và sàng lọc nó
    • Động lực kinh tế cốt lõi của 10 năm tới sẽ là tìm tín hiệu trong biển slop tăng theo cấp số nhân
  • Trí tuệ cấp độ tổ chức phải tìm ra tín hiệu, cấu trúc hóa nhiễu, và phải được định nghĩa rõ, mang tính quyết định và có thể kiểm toán (auditable)
    • Nếu Individual AI nhấn mạnh năng suất "always on" của các agent phi quyết định hoạt động 24/7 ("Clawdbot"), thì Institutional AI dựa vào các agent mang tính quyết định với checkpoint, giai đoạn và quy trình có thể dự đoán
  • Matrix được đưa ra như công cụ dùng sức mạnh của công nghệ tạo sinh để lọc nhiễu

• 3. Bias (thiên lệch)

  • Individual AI khuếch đại thiên lệch, còn Institutional AI tạo ra tính khách quan
  • Trong nhiều năm, tranh luận về thiên lệch xã hội-chính trị đã chi phối diễn ngôn AI, nhưng các phòng thí nghiệm foundation model đã lách qua điều này bằng cách dùng đủ nhiều RLHF để biến mô hình thành một kẻ xu nịnh (sycophant)
    • Ngày nay ChatGPT, Claude... được căn chỉnh quá mức đến mức có thể đồng ý với gần như mọi chủ đề còn nằm trong Overton window
  • Sự căn chỉnh quá đà này đã trở nên lố bịch đến mức thành meme; điển hình là câu "you're absolutely right!" của Claude bật ra gần như theo phản xạ bất kể bạn nói gì
  • Điều đó trông có vẻ vô hại, nhưng thực tế không phải vậy
    • Người ủng hộ AI lớn tiếng nhất trong tổ chức có thể lại chính là nhân viên có hiệu suất tệ nhất trong lịch sử
    • Khi người làm việc kém nhất, vốn hiếm khi nhận được củng cố tích cực, nay có được sự đồng tình từ ASI, họ sẽ tự nhủ rằng "trí tuệ thông minh nhất đang đồng ý với mình, quản lý của mình mới là người sai" → gây nghiện và độc hại ở cấp độ tổ chức
  • Công cụ năng suất cá nhân trao quyền cho người dùng, nhưng điều quan trọng nhất cần được củng cố lại là sự thật (truth)
  • Tổ chức đã tiến hóa qua hàng nghìn năm để bù đắp cho vấn đề này
    • Các cuộc họp ủy ban đầu tư, thẩm định bởi bên thứ ba, hội đồng quản trị, bộ máy hành pháp-lập pháp-tư pháp của chính phủ Mỹ, nền dân chủ đại diện và dân chủ nói chung
  • Tổ chức thất bại không phải vì con người thiếu tự tin, mà vì không ai có thể nói "không"
  • Institutional AI phải đảm nhiệm vai trò đó; thay vì được RLHF để tâng bốc người dùng, nó phải thách thức thiên lệch
    • Những agent quan trọng nhất không phải "yes-men" mà là các "no-men" có kỷ luật, chuyên thẩm vấn lập luận, phơi bày rủi ro và cưỡng chế tiêu chuẩn
    • Ứng dụng tương lai gồm: thành viên hội đồng quản trị AI, kiểm toán viên AI, xác minh bên thứ ba bằng AI, tuân thủ AI...

• 4. Edge (lợi thế)

  • Individual AI tối ưu mức sử dụng (usage), còn Institutional AI tối ưu lợi thế (edge)
  • Đích ngắm của AI thay đổi theo từng tuần, thậm chí từng ngày, khi các công ty foundation model liên tục cải thiện năng lực rất nhanh
  • Nhưng giống innovator's dilemma cổ điển, ở một số ứng dụng cụ thể thì chiều sâu (depth) luôn thắng độ rộng (breadth)
    • Midjourney giữ lợi thế nhỉnh hơn trong ảnh thiết kế
    • ElevenLabs giữ lợi thế nhỉnh hơn trong mô hình giọng nói
    • Decagon giữ lợi thế dẫn trước trong trải nghiệm dịch vụ khách hàng full-stack
  • Dù foundation model có tiến rất gần, với các chuyên gia thì lợi thế thật sự vẫn rất quan trọng; nhiều nhà thiết kế giỏi nhất dùng Midjourney, còn các công ty voice AI hàng đầu dùng ElevenLabs
    • Việc một sản phẩm chuyên biệt không bẻ lái khỏi lợi thế cốt lõi của mình mà tập trung vào nó chính là cách định nghĩa lợi thế đó
  • Tài chính được xem là khu vực nóng nhất hiện nay trong phát triển LLM
    • Khi một năng lực trở nên phổ biến rộng rãi thì theo định nghĩa nó không còn giúp đánh bại thị trường; nhưng nếu công nghệ frontier tạo ra một lợi thế ngách 1% tạm thời, thì 1% đó có thể được đòn bẩy thành kết quả trị giá hàng tỷ USD
  • Người dùng luôn đi trước frontier, và context window của LLM đã tăng từ 4K lên 1M token chỉ trong 4 năm
    • Một số người dùng đang xử lý tới 30B token trong một tác vụ đơn lẻ, và đã nhìn tới các tác vụ 100B token trong năm nay (Hebbia)
  • Tương lai không phải ChatGPT/Claude "hoặc" giải pháp chuyên biệt theo miền, mà là ChatGPT/Claude "và" giải pháp chuyên biệt theo miền
  • Câu hỏi cốt lõi: "Nếu là AGI thì nó sẽ dùng agent nào làm đường tắt? Ngay cả siêu trí tuệ cũng sẽ muốn có công cụ chuyên biệt cho từng miền nhất định"

• 5. Outcomes (kết quả)

  • Individual AI tiết kiệm thời gian, còn Institutional AI mở rộng doanh thu
  • Theo MaVolpi: nếu hỏi CEO giữa cắt giảm chi phí và mở rộng doanh thu đâu là ưu tiên số một, gần như tất cả sẽ trả lời là doanh thu
    • Nhưng gần như mọi sản phẩm AI hiện có trên thị trường lại đang hứa hẹn cắt giảm chi phí như tiết kiệm thời gian, thay thế nhân sự...
  • Institutional AI phải mang lại upside; và điều này khó bị hàng hóa hóa hơn rất nhiều so với thời gian tiết kiệm được
  • Ví dụ về phát triển phần mềm dựa trên agent
    • IDE lập trình là công cụ AI năng suất cá nhân tốt nhất, nhưng lại chịu sức ép lớn từ một công cụ cá nhân khác là Claude Code
    • Cognition không xây công cụ mà xây công nghệ bán transformation (chuyển đổi), nên đang chơi một ván cờ hoàn toàn khác
  • Trích Naval: "Phần mềm thuần túy đang nhanh chóng trở nên không còn đáng đầu tư (un-investable)"
    • Dịch vụ thuần túy thì không thể mở rộng; giá trị bền vững sẽ tích tụ ở solution layer (lớp giải pháp) kết hợp công nghệ với kết quả đầu ra
  • Ví dụ M&A: Individual AI giúp nhà phân tích dựng mô hình nhanh hơn, nhưng Institutional AI xác định đối tác duy nhất đáng theo đuổi trong số 100 đối tượng rồi mở rộng tập đó lên 1.000 → một bên tiết kiệm thời gian, bên kia tạo doanh thu
  • Lực hút tự nhiên của thị trường là dịch chuyển "upstream"
    • Foundation model đi lên tầng ứng dụng, còn các công ty tầng ứng dụng đi lên tầng giải pháp
  • Institutional Intelligence chính là solution layer; đây là lớp nơi kết quả thật sự tồn tại, nên cũng là nơi nắm bắt giá trị bền vững và phần upside lớn nhất

• 6. Enablement (hỗ trợ triển khai)

  • Individual AI đưa công cụ, còn Institutional AI chỉ cách dùng công cụ đó
  • Con người, dù sáng tạo đến đâu, vẫn ngại thay đổi
    • Ở New York vẫn có những doanh nghiệp thành công dù biết là bất lợi nhưng vẫn không nhận thanh toán bằng thẻ tín dụng; tương tự, một số nhân viên trong tổ chức sẽ từ chối dùng AI vô thời hạn
  • Chuyển đổi từ tổ chức chỉ có con người sang tổ chức lai ưu tiên AI sẽ là nhiệm vụ bền bỉ và mang tính quyết định của 10 năm tới
    • Trong nhiều trường hợp, tầng lớp cao nhất và quan trọng nhất lại là nhóm áp dụng chậm nhất
  • Palantir được nêu là công ty "phần mềm" duy nhất vẫn giao dịch ở mức multiple phi thường giữa lúc cổ phiếu công nghệ bị bán tháo tới 1 nghìn tỷ USD trong hai tháng gần đây
    • Palantir là một trong những công ty "process engineering" thực thụ đầu tiên
    • Dù gọi là "process engineering" hay "viết file kỹ năng cho Claude", Institutional AI trong tương lai sẽ tạo thành một ngành mã hóa quy trình doanh nghiệp vào agent và hiện thực hóa quản trị thay đổi cần thiết
  • Process engineering sẽ là "công nghệ" quan trọng nhất trong ngắn hạn
    • Ở đây, chuyên môn kinh doanh và ngành quan trọng hơn chuyên môn phần mềm; các giải pháp chuyên biệt theo miền sẽ bồi đắp năng lực của các chuyên gia làm forward deployed engineering, triển khai và quản trị thay đổi
  • Ví dụ một ngân hàng bulge bracket Top 3 chọn Hebbia để triển khai toàn doanh nghiệp
    • Khi làm việc với các phòng thí nghiệm mô hình lớn, họ mất hứng vì phải giải thích CIM là gì cho đội ngũ
    • Claude hay GPT rõ ràng hiểu domain, nhưng đội ngũ thiết kế rollout của các lab thì không; đó là khác biệt mang tính quyết định

• 7. Unprompted (vận hành chủ động)

  • Individual AI phản hồi prompt của con người, còn Institutional AI hành động chủ động không cần prompt
  • Có rất nhiều thảo luận về giao tiếp agent với agent, và về việc doanh nghiệp, phần mềm hay thể chế tương lai có còn cần con người không
    • Nhưng câu hỏi hay hơn là liệu các AI agent trong tương lai có cần prompt ngay từ đầu hay không
  • Prompt AGI giống như nối mô-tơ điện vào khung cửi chạy điện; nó bị ràng buộc căn bản bởi mắt xích yếu nhất của chuỗi cung ứng (= con người)
    • Con người thậm chí còn không giỏi biết phải hỏi gì, chứ chưa nói đến biết khi nào cần hỏi
  • Công việc giá trị nhất là những việc không ai nghĩ ra để yêu cầu
    • AI phải tìm ra rủi ro chưa ai gắn cờ, đối tác chưa ai nghĩ tới, và pipeline bán hàng mà chưa ai biết tồn tại
  • Ví dụ về hệ thống chủ động (unprompted)
    • Liên tục giám sát dữ liệu dòng vào trên toàn bộ danh mục đầu tư, rồi phát hiện chu kỳ vốn lưu động của một công ty đã xấu đi liên tiếp 3 tháng
    • Sau đó đối chiếu với ngưỡng covenant trong hợp đồng tín dụng và gửi cảnh báo sớm cho đối tác vận hành trước cả khi ai đó mở file PDF
  • Khi con người không còn cần phải prompt AI nữa, các giao diện mới và cách làm việc mới sẽ xuất hiện; quan điểm mạnh mẽ của Hebbia về điều này hiện vẫn được để lại ở câu "to be continued"

Kết luận

• Không điều nào ở trên phủ nhận sự cần thiết của chatbot, agent hay Individual AI nói chung
• Individual AI là cánh cửa đầu tiên để phần lớn doanh nghiệp trên thế giới trải nghiệm phép màu chuyển đổi của AI; theo đuổi mức sử dụng và sự tiện dụng phổ quát là bước đầu tiên then chốt của quản trị thay đổi để đi tới nền kinh tế ưu tiên AI
• Đồng thời, tồn tại nhu cầu rõ ràng và cấp bách đối với Institutional Intelligence
  • Mọi tổ chức trong tương lai sẽ có chatbot từ các lab lớn, đồng thời cũng có Institutional AI được thiết kế có chủ đích cho các vấn đề đặc thù theo miền; và Individual AI sẽ dùng chúng như công cụ cốt lõi của mình
• Câu chuyện "better together" giữa Institutional AI và Individual AI là điều tất yếu
• Giống như bài học từ các nhà máy dệt thập niên 1890, nhà máy điện khí hóa trước lại thua nhà máy thiết kế lại mặt sàn (nhà máy)
  • "Chúng ta đã có điện, giờ là lúc thiết kế lại nhà máy"

[hmmhmmhm]

"AI phải tìm ra những rủi ro mà không ai chỉ ra, đối thủ mà không ai nghĩ tới, và cả pipeline bán hàng mà không ai biết đến" câu này hay đấy

[master6559]

Kết luận là nếu bây giờ không kiếm được tiền thì sau này cứ tiếp tục thế này cũng sẽ không kiếm được tiền nhỉ.