Menu
Trong cơn bão truyền thông về Trí tuệ nhân tạo (AI), chúng ta thường nghe thấy hai thái cực: một là sự phấn khích tột độ về những phép màu công nghệ, hai là nỗi sợ hãi về việc robot sẽ thay thế con người và thống trị thế giới. Elon Musk cảnh báo về mối đe dọa hiện hữu, trong khi Mark Zuckerberg lại lạc quan về một tương lai kết nối. Nhưng đối với một nhà quản trị doanh nghiệp, những viễn cảnh xa xôi đó không giúp ích gì nhiều cho việc ra quyết định vào sáng thứ Hai tuần tới.
Để thực sự hiểu và ứng dụng AI, chúng ta cần gạt bỏ lớp sương mù của sự cường điệu (hype) và nhìn nó qua lăng kính của kinh tế học cơ bản. AI không mang lại trí thông minh theo nghĩa con người, AI mang lại khả năng dự báo với chi phí cực rẻ.
Bài viết này sẽ giải mã AI dưới góc độ quản trị, phân tích cách nó thay đổi cấu trúc ra quyết định và cung cấp một lộ trình thực tế để doanh nghiệp của bạn không chỉ tồn tại mà còn bứt phá trong kỷ nguyên của những “Cỗ máy dự báo”.
Để hiểu AI thay đổi vận hành doanh nghiệp ra sao, hãy nhìn lại lịch sử. Khi máy tính xuất hiện, nó không làm cho con người thông minh hơn về mặt sinh học. Nó làm cho phép tính số học (arithmetic) trở nên rẻ mạt. Trước đây, “máy tính” là danh từ chỉ những người ngồi cặm cụi tính toán sổ sách. Khi chi phí tính toán giảm xuống gần bằng không, chúng ta không chỉ dùng nó cho kế toán, mà còn dùng để xử lý ảnh, gửi email, và chơi game.
Tương tự, làn sóng AI hiện tại đang làm giảm chi phí của một thứ tài nguyên quan trọng khác: Dự báo (Prediction).
Trong quản trị, dự báo không chỉ là nói về tương lai (như dự báo doanh số năm sau). Dự báo là quá trình sử dụng thông tin bạn đang có (dữ liệu) để tạo ra thông tin bạn chưa có.
– Khi Amazon đề xuất một cuốn sách, đó là dự báo bạn sẽ thích gì.
– Khi camera an ninh nhận diện khuôn mặt, đó là dự báo danh tính của người trong ảnh.
– Khi xe tự lái rẽ trái, đó là dự báo hành động tốt nhất để tránh va chạm.
Khi chi phí dự báo giảm, chúng ta sẽ sử dụng nó nhiều hơn, ngay cả cho những việc trước đây không ai nghĩ là cần dự báo (như việc xe ô tô tự “dự báo” đường đi).
Kinh tế học dạy rằng: Khi giá của một mặt hàng (A) giảm, giá trị của mặt hàng bổ trợ cho nó (B) sẽ tăng lên.
– Giá cà phê giảm, nhu cầu đường và sữa tăng.
– Giá dự báo (AI) giảm, giá trị của Dữ liệu (Data), Hành động (Action) và Phán đoán (Judgment) sẽ tăng vọt.
Đây là tin tốt cho các nhà lãnh đạo. AI không thay thế vai trò của bạn, nó thay đổi công việc của bạn từ việc xử lý thông tin để dự đoán tình hình sang việc sử dụng phán đoán để ra quyết định.
Phán đoán là gì? Trong ngôn ngữ kinh tế, phán đoán là khả năng xác định giá trị (payoff) của một kết quả.
Ví dụ: AI có thể dự báo chính xác 80% khả năng khách hàng A sẽ vỡ nợ nếu được cấp tín dụng. Nhưng AI không thể quyết định có nên cấp vốn hay không. Quyết định đó phụ thuộc vào “Phán đoán”: Lợi nhuận thu được nếu khách hàng trả nợ có đủ bù đắp cho rủi ro mất vốn hay không? Mối quan hệ lâu dài với khách hàng này quan trọng thế nào?
> “Dự báo giúp giảm bớt sự không chắc chắn, nhưng phán đoán mới là thứ gán giá trị cho các kết quả.”
Khi AI thâm nhập vào doanh nghiệp, nó sẽ thay đổi sự phân công lao động:
– Loại bỏ các tác vụ dự báo thủ công: Những công việc dựa trên quy tắc cứng nhắc hoặc dự báo đơn giản (như nhập liệu, phân loại hồ sơ sơ cấp, kiểm tra lỗi cơ bản) sẽ được chuyển giao cho máy móc.
– Tăng quyền lực cho nhân sự có khả năng phán đoán: Những nhân viên có khả năng hiểu ngữ cảnh, thấu cảm khách hàng và đưa ra quyết định dựa trên các dự báo của AI sẽ trở nên quý giá hơn.
– Sự xuất hiện của “Kỹ sư hàm thưởng” (Reward Function Engineering): Lãnh đạo cần xác định rõ mục tiêu cho AI. Bạn muốn AI tối ưu hóa lợi nhuận ngắn hạn hay thị phần dài hạn? Nếu bạn đặt sai mục tiêu (hàm thưởng), AI sẽ thực hiện sai một cách “chính xác và tàn nhẫn”.
Dựa trên nguyên lý “Dự báo rẻ – Phán đoán đắt”, dưới đây là 4 lĩnh vực quản trị mà AI đang tạo ra sự thay đổi sâu sắc, đi từ việc tối ưu hóa quy trình đến thay đổi hoàn toàn chiến lược kinh doanh.
Quy trình tuyển dụng truyền thống thường bị chi phối bởi thiên kiến con người. Chúng ta tuyển người vì họ “có vẻ” phù hợp, hoặc vì họ học cùng trường với sếp.
– Cách AI thay đổi: AI có thể phân tích hàng nghìn hồ sơ, đối chiếu với dữ liệu lịch sử về hiệu suất làm việc của nhân viên cũ để dự báo ứng viên nào có khả năng thành công cao nhất.
– Ví dụ thực tế: Hãy tưởng tượng một trường kinh doanh tuyển sinh MBA. Thay vì chỉ dựa vào điểm số GMAT, AI có thể phân tích video phỏng vấn, bài luận, và hoạt động xã hội để dự báo ai sẽ trở thành cựu sinh viên thành đạt trong 10 năm tới.
– Vai trò của quản lý: AI đưa ra danh sách rút gọn (Dự báo). Nhà tuyển dụng sẽ phỏng vấn để đánh giá sự phù hợp văn hóa, khả năng làm việc nhóm và đàm phán lương (Phán đoán & Hành động). Điều này giúp quy trình nhanh hơn và khách quan hơn.
Trong quản lý chuỗi cung ứng, “tồn kho” là kẻ thù. Tồn kho quá nhiều gây ứ đọng vốn, tồn kho quá ít gây mất doanh thu.
– Cách AI thay đổi: Trước đây, chúng ta quản lý tồn kho dựa trên mức trung bình quá khứ. Nay, AI giúp dự báo nhu cầu ở cấp độ vi mô (từng cửa hàng, từng khu vực, từng giờ).
– Ví dụ điển hình: Amazon và mô hình “Ship-then-shop” (Giao hàng trước khi mua). Mặc dù hiện tại mô hình chủ đạo vẫn là “Shop-then-ship” (Mua rồi mới giao), nhưng Amazon đã có bằng sáng chế cho việc vận chuyển hàng đến trạm trung chuyển gần nhà bạn trước khi bạn đặt mua, dựa trên dự báo chính xác về nhu cầu.
– Case study Otto (Đức): Hãng thương mại điện tử Otto sử dụng AI để dự báo nhu cầu với độ chính xác 90%. Kết quả là họ giảm được 20% lượng hàng tồn kho và giảm 2 triệu đơn hàng bị trả lại mỗi năm, vì hàng hóa đến tay khách nhanh hơn (do đã có sẵn trong kho dự báo).
Rào cản ngôn ngữ từng là chi phí khổng lồ trong quản trị đa quốc gia. Trước đây, dịch thuật dựa trên quy tắc ngữ pháp (Rule-based) rất cứng nhắc.
– Cách AI thay đổi: AI hiện đại (Deep Learning) coi dịch thuật là một bài toán dự báo. “Dựa trên chuỗi từ tiếng Anh này, đâu là chuỗi từ tiếng Việt tương ứng có xác suất xuất hiện cao nhất?”.
– Tác động quản trị: Điều này cho phép các doanh nghiệp vừa và nhỏ (SMEs) tiếp cận thị trường toàn cầu dễ dàng hơn. eBay đã chứng minh rằng việc tích hợp công cụ dịch thuật AI chất lượng cao đã làm tăng đáng kể thương mại xuyên biên giới giữa các quốc gia nói tiếng Anh và tiếng Tây Ban Nha. Nhân viên chăm sóc khách hàng có thể hỗ trợ người mua toàn cầu mà không cần biết ngoại ngữ, chỉ cần AI hỗ trợ “dự báo” câu trả lời phù hợp.
Ngân hàng và các tổ chức tài chính luôn phải đối mặt với bài toán: Làm sao ngăn chặn giao dịch gian lận mà không làm phiền khách hàng thật?
– Cách AI thay đổi: Khi bạn quẹt thẻ tín dụng, chỉ trong tích tắc, một AI sẽ phân tích hành vi tiêu dùng của bạn, địa điểm, số tiền, và so sánh với hàng tỷ giao dịch khác để dự báo: “Đây có phải là gian lận không?”.
– Vai trò của Phán đoán: Nếu AI dự báo khả năng gian lận là 90%, hệ thống có thể tự động chặn (Tự động hóa hoàn toàn). Nhưng nếu khả năng là 60%, ngân hàng cần một quy tắc phán đoán: Có nên gọi điện xác nhận hay không? Chi phí làm phiền một khách hàng VIP so với chi phí mất một khoản tiền nhỏ là bao nhiêu? AI giúp nâng cao độ chính xác của dự báo, giúp ngân hàng giảm thiểu cả hai loại rủi ro: mất tiền và mất lòng khách.
Khi trao quyền cho máy móc, chúng ta phải chấp nhận những rủi ro mới, AI không chỉ là vấn đề kỹ thuật, mà là vấn đề chiến lược cấp cao (C-suite).
AI học từ dữ liệu quá khứ. Nếu dữ liệu quá khứ chứa định kiến của con người, AI sẽ khuếch đại định kiến đó với tốc độ và quy mô lớn hơn.
– Ví dụ: Nếu một công ty trong quá khứ chủ yếu tuyển nam giới cho vị trí lãnh đạo, dữ liệu lịch sử sẽ dạy AI rằng “Nam giới” là một yếu tố dự báo thành công. Khi đó, AI có thể tự động loại bỏ hồ sơ của các ứng viên nữ xuất sắc.
– Bài học: Nhà quản trị phải liên tục kiểm tra (audit) đầu ra của AI để phát hiện các phân biệt đối xử ngầm định. Đừng tin tưởng tuyệt đối vào “sự khách quan” của máy móc.
– Known Unknowns (Biết là mình không biết): Là những sự kiện hiếm gặp nhưng ta biết nó có thể xảy ra (như động đất, khủng hoảng tài chính). AI rất tệ trong việc dự báo những sự kiện hiếm vì nó thiếu dữ liệu huấn luyện. Ở đây, kinh nghiệm và trực giác con người vẫn vượt trội.
– Unknown Unknowns (Không biết là mình không biết): Những sự kiện hoàn toàn mới chưa từng có tiền lệ (như sự xuất hiện của iPhone năm 2007 hay Covid-19). AI hoàn toàn mù tịt trước những thay đổi cấu trúc này. Nếu doanh nghiệp phó mặc hoàn toàn chiến lược cho AI dựa trên dữ liệu cũ, họ sẽ lao dốc khi bối cảnh thị trường thay đổi đột ngột.
Nếu đối thủ cạnh tranh hoặc kẻ xấu biết bạn dùng AI để ra quyết định, họ có thể “đầu độc” dữ liệu để đánh lừa hệ thống.
– Ví dụ: Một AI nhận diện hình ảnh có thể bị đánh lừa bởi một vài điểm pixel nhiễu mà mắt thường không thấy, khiến nó nhìn biển báo “Dừng lại” (Stop) thành biển báo “Cho phép đi tiếp”. Trong kinh doanh, đối thủ có thể tạo ra các hành vi giả mạo để thao túng thuật toán định giá của bạn.
AI học từ phản hồi (feedback). Nếu bạn thiết lập hệ thống tự động quá mức, bạn có thể mất đi dữ liệu thực tế.
– Ví dụ: Nếu AI của ngân hàng tự động từ chối tất cả hồ sơ vay vốn của một nhóm khách hàng cụ thể (vì dự báo rủi ro cao), ngân hàng sẽ không bao giờ có dữ liệu mới về việc liệu nhóm khách hàng đó có trả nợ tốt hay không. AI sẽ mãi mãi “định kiến” về nhóm đó mà không có cơ hội sửa sai.
Nhiều lãnh đạo doanh nghiệp nghĩ rằng AI là sân chơi của Google, Amazon hay Microsoft. Nhưng thực tế, giá trị của AI sẽ lan tỏa đến người dùng cuối – là các doanh nghiệp ứng dụng công cụ (tool users).
Dưới đây là lộ trình 5 bước để doanh nghiệp của bạn bắt đầu:
Đừng hỏi “Làm sao dùng AI cho công ty tôi?”. Hãy hỏi “Quy trình nào trong công ty đang tốn kém, chậm chạp hoặc thiếu chính xác do con người phải dự đoán quá nhiều?”.
Hãy phân rã một công việc (job) thành các tác vụ (tasks).
– Ví dụ: Công việc của Tài xế xe tải không chỉ là lái xe. Nó bao gồm: Điều khiển xe (Dự báo & Hành động), Xếp dỡ hàng (Hành động), Bảo vệ hàng hóa (Hành động), Xử lý sự cố giấy tờ (Phán đoán).
AI (xe tự lái) có thể thay thế tác vụ “Điều khiển xe”, nhưng chưa thể thay thế tác vụ “Bảo vệ hàng hóa” hay “Xử lý sự cố”.
Công cụ AI Canvas để giúp bạn định hình chiến lược cho từng tác vụ:
– Dự báo (Prediction): Máy cần trả lời câu hỏi gì? (Ví dụ: Khách hàng này có rời bỏ dịch vụ không?)
– Đầu vào (Input): Cần dữ liệu gì để dự báo? (Lịch sử mua hàng, tần suất khiếu nại…)
– Huấn luyện (Training): Dữ liệu nào dùng để dạy máy?
– Phán đoán (Judgment): Giá trị của việc đoán đúng và chi phí của việc đoán sai là gì? (Việc tặng mã giảm giá cho khách hàng trung thành quan trọng hơn hay việc để mất họ quan trọng hơn?)
– Hành động (Action): Làm gì sau khi có dự báo? (Gửi email, gọi điện, hay không làm gì cả?)
– Kết quả (Outcome): Thước đo thành công là gì?
– Phản hồi (Feedback): Dữ liệu kết quả quay lại hệ thống thế nào để máy học tiếp?
Bước 3: Chiến lược dữ liệu – Mua hay Tự thu thập?
Dữ liệu là nhiên liệu của AI.
– Nếu AI là cốt lõi (core business) của bạn: Bạn phải sở hữu dữ liệu riêng (proprietary data). Ví dụ: Một công ty Fintech cần dữ liệu giao dịch độc quyền để chấm điểm tín dụng tốt hơn ngân hàng.
– Nếu AI chỉ là công cụ hỗ trợ: Hãy mua dịch vụ. Đừng cố xây dựng lại ChatGPT hay Google Translate. Hãy dùng API của họ. Đối với SMEs, việc tận dụng các nền tảng có sẵn (SaaS) tích hợp AI thường hiệu quả hơn tự xây dựng.
Khi mới áp dụng AI, hiệu suất có thể giảm. Đây là đường cong học tập (J-curve).
– Ví dụ: Khi triển khai Chatbot, thời gian đầu nó sẽ trả lời sai rất nhiều, khiến khách hàng bực mình. Lãnh đạo cần kiên nhẫn và chấp nhận rủi ro này để thu thập dữ liệu phản hồi (feedback data) giúp AI thông minh hơn. Chiến lược “AI-First” (AI là ưu tiên hàng đầu) đòi hỏi sự cam kết dài hạn, chấp nhận hy sinh lợi ích ngắn hạn để huấn luyện hệ thống.
Đừng sa thải nhân viên ngay lập tức khi có AI. Hãy nâng cấp họ.
– Chuyển nhân viên từ làm việc “như máy” (lặp lại, dự báo đơn giản) sang làm việc “như người” (phán đoán, sáng tạo, chăm sóc cảm xúc).
– Đào tạo nhân viên hiểu về xác suất thống kê cơ bản để họ biết cách diễn giải kết quả từ AI. Một bác sĩ không cần biết viết code, nhưng cần hiểu rằng khi AI báo “90% ung thư”, điều đó có ý nghĩa gì trong bối cảnh cụ thể của bệnh nhân.
AI không phải là ma thuật, nó là kinh tế học. Nó làm giảm chi phí của việc dự báo, và do đó làm tăng giá trị của những thứ còn lại: Dữ liệu, Phán đoán và Con người.
Là một nhà quản trị, bạn không cần phải trở thành một kỹ sư khoa học dữ liệu. Nhiệm vụ của bạn là trở thành một “Kỹ sư hàm thưởng” (Reward Function Engineer) xuất sắc – người biết đặt ra mục tiêu đúng đắn, biết đánh giá rủi ro, và biết kết hợp sức mạnh của máy móc với sự tinh tế của con người.
Đừng chờ đợi đến khi AI hoàn hảo mới bắt đầu. Hãy bắt đầu từ những quy trình nhỏ, phân rã công việc, áp dụng AI Canvas và từng bước biến doanh nghiệp của bạn thành một tổ chức được vận hành bởi dữ liệu, nơi máy móc dự báo và con người ra quyết định.
> “Những cỗ máy dự báo sẽ cung cấp cho chúng ta câu trả lời. Nhưng chính con người mới là người biết đặt ra những câu hỏi quan trọng.”
