Doanh nghiệp với AI và Data: Chiến lược khôn ngoan là 'âm thầm hành động'

Phân loại công nghệ: Công cụ để quyết định ưu tiên vốn và nguồn lực

Quyết định đầu tư công nghệ ở giai đoạn hiện tại không thể dựa vào xu hướng hay cảm tính, mà cần một nguyên tắc quản trị rõ ràng: phân loại công nghệ thành ba nhóm để ghép đúng vốn và nguồn lực với mục tiêu kinh doanh cụ thể.

Theo TS. Trần Tuấn Anh, Chuyên gia trí tuệ nhân tạo Viettel AI, cách tiếp cận này giúp lãnh đạo chuyển từ câu hỏi “chúng ta có nên làm AI không?” sang các câu hỏi thực thi: dự án này giải quyết vấn đề gì, cần dữ liệu ra sao và bao lâu thì thấy lợi ích.

Ba nhóm giải pháp bao gồm những giải pháp cho hiệu quả tức thì (quick wins), các nền tảng chiến lược dài hạn, và những công nghệ cần thí điểm, từ đó xác định cách phân bổ vốn, nguồn lực và kỳ vọng về lợi tức.

Thuật ngữ “quick wins” không phải là khái niệm kỹ thuật mà là lời nhắc quản trị: đó là những giải pháp có thể triển khai tương đối nhanh, dễ chứng minh lợi ích bằng số liệu và không đòi hỏi thay đổi nền tảng công nghệ cốt lõi.

Những giải pháp như tự động hoá quy trình cơ bản (RPA), tối ưu kênh số hoặc phân tích dữ liệu khách hàng ở mức sơ khởi không đòi hỏi thay đổi nền tảng lớn nhưng có thể nhanh chóng chuyển hoá thành tiết giảm chi phí hoặc cải thiện trải nghiệm khách hàng.

Việc ưu tiên nhóm này giúp doanh nghiệp “có hiệu quả trước” và tạo niềm tin nội bộ cho các bước đầu tư tiếp theo.

Ở chiều ngược lại là các công nghệ chiến lược dài hạn, chính là những công nghệ có khả năng tái định hình mô hình kinh doanh: Agentic AI (hệ thống AI có khả năng tự hành động và ra quyết định), cloud-native ở quy mô doanh nghiệp, thậm chí điện toán lượng tử ở tầm nhìn xa hơn.

Đầu tư vào Agentic AI, kiến trúc cloud-native quy mô doanh nghiệp hoặc các nền tảng hạ tầng phức tạp cần được cân đo với tầm nhìn chiến lược: nếu mục tiêu là thay đổi lõi vận hành hoặc mở thị trường mới trong vài năm tới, doanh nghiệp phải chấp nhận chi phí cao hơn, lộ trình dài hơn và cam kết thay đổi tổ chức.

Đầu tư mà thiếu liên kết với mục tiêu dài hạn dễ biến thành “công nghệ cho công nghệ”, gây lãng phí.

Rõ rằng quyết định đầu tư vào nhóm này phải gắn chặt với tầm nhìn chiến lược - không nên coi đó là “mốt” mà bỏ qua bài toán lợi ích kinh doanh cụ thể.

Giữa hai cực này, theo TS. Trần Tuấn Anh, là nhóm công nghệ thí điểm - GenAI, AR/VR, digital twin (bản sao kỹ thuật số), các mô hình cửa hàng không thu ngân… Những công nghệ này tiềm năng cao nhưng chưa ổn định về quy mô và chi phí.

Ông Tuấn Anh khuyến nghị các tổ chức thiết kế các dự án thí điểm có KPI rõ ràng, giới hạn phạm vi và có cơ chế đánh giá quyết định mở rộng hoặc dừng lại, thay vì triển khai ồ ạt hay trì hoãn không thử nghiệm.

Về mặt ra quyết định nguồn lực, cần đưa ra nguyên tắc thực tế: bắt đầu từ “pain point” (điểm đau) cụ thể chứ không phải bắt đầu từ sản phẩm công nghệ.

Nhà quản trị nên yêu cầu nhóm đề xuất trả lời ba câu hỏi trước khi duyệt dự án: bài toán kinh doanh là gì, dữ liệu và năng lực sẵn có ra sao, và chỉ số thành công kỳ vọng trong khung thời gian bao lâu.

Đây là thước đo để tránh hai sai lầm phổ biến, dàn trải đầu tư nhỏ lẻ và đầu tư muộn khiến chi phí tích hợp tăng vọt.

Cuối cùng, cần lưu ý rằng lựa chọn giữa giải pháp đóng gói (product-centric) và nền tảng mở (platform-centric) là quyết định chiến lược, không thuần kỹ thuật.

Nếu ban tổng giám đốc cần kết quả nhanh cho một bài toán rõ ràng, giải pháp đóng gói có thể phù hợp.

Nếu mục tiêu là xây dựng năng lực nội bộ và hệ sinh thái lâu dài, nền tảng mở đáng cân nhắc.

Quyết định này nên đi cùng đánh giá tổng chi phí sở hữu, khả năng tích hợp với hệ thống hiện hữu và mức độ ràng buộc với nhà cung cấp.

Tái cấu trúc âm thầm: Từ tuyên bố rầm rộ đến thực thi có kiểm soát

Khi năng lực nội bộ, dữ liệu và quy trình còn chưa sẵn sàng, việc tuyên bố “AI-first” toàn diện dễ dẫn đến kỳ vọng vượt tầm và thất thoát nguồn lực.

Xu hướng “tái cấu trúc âm thầm” không phải là một chiến thuật né tránh trách nhiệm, mà là một chiến lược thực thi có chủ ý.

Theo ông Tuấn Anh, doanh nghiệp nên áp dụng nguyên tắc "thành công nhỏ, nhân nhanh": lựa chọn một hoặc hai quy trình lõi có dữ liệu tương đối tốt, đặt ra chỉ số đánh giá cụ thể và tiến hành triển khai trong khung thời gian ngắn (thường 6–9 tháng) để tạo bằng chứng vận hành trước khi mở rộng.

Đây là cách làm vừa kiểm soát rủi ro, vừa giúp ban lãnh đạo và nhân sự xây được niềm tin thực tế vào công nghệ.

Thêm vào đó, mọi đề xuất dự án AI phải kèm theo ma trận KPI đơn giản, dễ hiểu cho ban tổng giám đốc: thời gian xử lý giảm bao nhiêu phần trăm, tỷ lệ lỗi giảm tới mức nào, hoặc mức tiết kiệm chi phí tương đương bao nhiêu.

Thiếu chuẩn mực đánh giá là nguyên nhân phổ biến khiến nhiều dự án bị dàn trải hoặc dừng đột ngột sau vòng triển khai.

Về quản trị thay đổi, công nghệ không tự động được “tiếp nhận” bởi tổ chức. Khi tự động hoá các tác vụ, doanh nghiệp phải song song thiết kế cơ chế đào tạo, cơ chế khích lệ người dùng, và lộ trình chuyển đổi vai trò công việc.

Việc lồng ghép yếu tố con người vào kế hoạch triển khai từ đào tạo kỹ năng cơ bản đến tái định vị vai trò quản lý sẽ làm giảm đáng kể sức kháng cự và tăng tỷ lệ chấp nhận công cụ mới.

Mặt khác, không nên đặt toàn bộ kỳ vọng lên một bộ phận kỹ thuật; thành công cần có cam kết liên chức năng và cơ chế giám sát liên tục.

Trong bối cảnh đó, chuyên gia cũng chỉ ra rủi ro về mặt minh bạch và kiểm soát. Khi hệ thống AI bắt đầu đưa ra khuyến nghị hoặc tự động hành động, ban tổng giám đốc phải đảm bảo có khung quản trị rõ ràng: ai chịu trách nhiệm với quyết định của hệ thống, dữ liệu nào được dùng, và quy trình khắc phục lỗi ra sao.

TS. Trần Tuấn Anh cảnh báo rằng, thiếu khung quản trị có thể biến một giải pháp tối ưu thành nguồn rủi ro pháp lý và uy tín, bởi các hệ quả bất ngờ của thuật toán hiếm khi nằm trong phạm vi hiểu biết của người dùng cuối.

Chuẩn hạ tầng: Điều kiện cần để công nghệ sinh lợi khi mở rộng quy mô

Hạ tầng không phải là một khoản chi “cứng nhắc” vô hồn mà là nền tảng sinh tồn để mọi nỗ lực AI sinh lợi khi mở rộng.

Nền tảng dữ liệu, bao gồm chất lượng dữ liệu, pipeline (quy trình) thu thập và lưu trữ, cùng kiến trúc API-first - là “nhiên liệu” cho mọi mô hình học máy.

Nếu dữ liệu bẩn, thiếu định nghĩa chuẩn hay nằm rải rác trong các hệ thống lỗi thời, mọi dự án AI dù công nghệ tốt đến đâu cũng khó đạt mục tiêu.

Vậy nên, doanh nghiệp nên coi việc chuẩn hóa dữ liệu là một khoản đầu tư chiến lược, không phải chi phí hành chính.

Với các tổ chức trong lĩnh vực tài chính, yếu tố bảo mật, tuân thủ và độ sẵn sàng của core-banking trên cloud là quyết định sống còn.

Đối với nhà bán lẻ, khả năng thu thập dữ liệu hành vi khách hàng theo thời gian thực và tích hợp với kho thông minh mới là ưu tiên; trong logistics, digital twin và các giải pháp tối ưu tuyến có khả năng mang lại hiệu quả chi phí trực tiếp.

Doanh nghiệp không nên tìm một “giải pháp chung cho mọi thứ”, mà cần xác định bộ thành tố hạ tầng cốt lõi tương ứng với chiến lược kinh doanh từng ngành.

Ở góc độ thực thi, TS Trần Tuấn Anh gợi ý một tiến trình song song: trong khi triển khai chương trình thử nghiệm ban đầu, doanh nghiệp cần triển khai các bước chuẩn hoá dữ liệu và thiết kế kiến trúc để hỗ trợ mở rộng.

Theo ông, đây là chiến lược giảm rủi ro: các dự án ngắn hạn chứng minh lợi ích tài chính, còn công việc nền tảng đảm bảo rằng khi mở rộng, chi phí tích hợp và sửa lỗi không đội lên mất kiểm soát.

Đầu tư nền tảng muộn thường đắt đỏ hơn nhiều so với đầu tư ngay từ đầu.

Đối với nhà quản trị chưa quen với AI, lời khuyên là: hành động có chủ đích, ưu tiên chứng minh giá trị trước khi mở rộng và không xem hạ tầng dữ liệu là chi phí phụ trợ mà là tài sản chiến lược.

Những quyết định được thực hiện hôm nay sẽ quyết định năng lực cạnh tranh của doanh nghiệp trong vài năm tới và sự khác biệt giữa người dẫn đầu với kẻ rượt đuổi thường nằm ở khả năng chuẩn bị, chứ không chỉ ở công nghệ.