Khi Người Nắm Ngân Sách Hỏi Về ROI: Cuộc Thanh Lọc Thực Sự Của AI Doanh Nghiệp

Trong gần nửa thập kỷ qua, dòng vốn đổ vào trí tuệ nhân tạo trong các doanh nghiệp lớn đã tăng theo một logic gần như không bị chất vấn: triển khai trước, tính toán sau. Các phòng công nghệ được cấp những khoản tiền tách ra từ quỹ đổi mới sáng tạo, hàng nghìn giấy phép phần mềm được phân bổ, các trung tâm đổi mới nội bộ mọc lên, và những mô hình học máy lần lượt được nhúng vào từng phòng ban riêng lẻ. Nhưng khi ánh mắt dịch từ sơ đồ kiến trúc kỹ thuật sang bảng cân đối kế toán, một khoảng trống khó chịu hiện ra: khoảng cách giữa mức độ triển khai công nghệ và tỷ suất hoàn vốn đầu tư có thể đo đếm được ngày càng rộng.

Đây không phải câu chuyện về một vài dự án thất bại. Đây là câu chuyện về một hệ thống quản trị đã cho phép AI được miễn trừ khỏi những chuẩn mực tài chính mà mọi khoản đầu tư khác đều phải tuân thủ. Khi sự miễn trừ đó bị gỡ bỏ, rất nhiều thứ sẽ thay đổi cùng lúc: cách phân bổ ngân sách, cách đo lường thành công, cách tổ chức bộ máy, và cả cách người lãnh đạo kỹ thuật phải bảo vệ đề xuất của mình trước hội đồng quản trị.

Nghịch lý của những khoản đầu tư AI khổng lồ

Hãy hình dung một doanh nghiệp điển hình trong nhóm Fortune 500 vào năm 2023. Họ có một giám đốc dữ liệu, một trung tâm xuất sắc về AI, hàng chục dự án thử nghiệm đang chạy song song ở các đơn vị kinh doanh, và một báo cáo quý đẹp đẽ với các con số như tám mươi lăm phần trăm nhân viên đã được cấp giấy phép công cụ AI, số lượt tương tác tăng bốn lần so với quý trước, số mô hình đang vận hành trong môi trường thử nghiệm đạt ba chữ số. Ban điều hành gật đầu. Mọi thứ có vẻ đang tiến triển.

Nhưng nếu đặt cạnh đó một câu hỏi duy nhất — chi phí đơn vị để xử lý một hồ sơ, một đơn hàng, một yêu cầu hỗ trợ khách hàng đã giảm bao nhiêu phần trăm trong mười hai tháng qua — thì rất nhiều báo cáo đó trở nên trống rỗng. Giấy phép đã cấp không nói lên điều gì về chi phí vận hành. Lượt tương tác nhiều khi chỉ phản ánh việc nhân viên đang phải hỏi lại công cụ nhiều lần vì câu trả lời chưa đủ tốt. Số mô hình đang chạy trong môi trường thử nghiệm thực chất là số mô hình chưa bao giờ được đưa vào đường găng tạo ra giá trị.

Nghịch lý nằm ở chỗ: chi tiêu càng tăng, áp lực chứng minh hiệu quả càng lớn, nhưng năng lực đo lường hiệu quả lại không được đầu tư tương xứng. Các tổ chức đầu tư hàng triệu đô la vào hạ tầng tính toán nhưng không đầu tư nổi một phần nhỏ tương ứng vào hệ thống đo lường tác động nhân quả. Kết quả là khi câu hỏi khó xuất hiện, không ai có dữ liệu để trả lời, và khoảng trống niềm tin xuất hiện đúng vào lúc nó tốn kém nhất.

Khi đã triển khai AI không còn đồng nghĩa với đã tạo ra giá trị

Luận điểm trung tâm của giai đoạn chuyển dịch này có thể phát biểu gọn trong một câu: việc áp dụng AI không đồng nghĩa với việc tạo ra giá trị kinh doanh. Hai khái niệm này thường được dùng thay thế cho nhau trong các bài thuyết trình, nhưng chúng đo lường những thứ hoàn toàn khác nhau và đôi khi vận động ngược chiều nhau.

Áp dụng AI được định nghĩa bằng các yếu tố đầu vào: số thuật toán được nhúng vào hệ thống cũ, số bản thử nghiệm được chạy, tỷ lệ nhân viên đăng nhập vào công cụ, số giấy phép SaaS được mua. Nó đo lường việc tổ chức hấp thụ bao nhiêu công nghệ, bất kể công nghệ đó có làm thay đổi cấu trúc chi phí hay không. Một doanh nghiệp có thể tăng gấp ba chỉ số này trong khi biên lợi nhuận hoạt động đứng yên tuyệt đối.

Giá trị kinh doanh được định nghĩa bằng các yếu tố đầu ra: biên lợi nhuận hoạt động mở rộng bền vững, nút thắt nhân công bị loại bỏ khỏi những đường găng quan trọng, nhu cầu vốn lưu động giảm, giá trị vòng đời khách hàng tăng, và năng lực mở rộng khối lượng giao dịch theo cấp số nhân mà không cần tăng chi phí vận hành theo tuyến tính. Đây là những con số kế toán có thể kiểm toán, không phải những chỉ số tương tác có thể trình bày đẹp.

Sự nhầm lẫn giữa hai khái niệm này không phải lỗi ngây thơ. Nó thường là kết quả của một thỏa thuận ngầm: bộ phận công nghệ muốn tự do thử nghiệm, ban điều hành muốn có câu chuyện kể với nhà đầu tư về việc đang dẫn đầu xu hướng. Chừng nào cả hai bên còn thấy thoải mái với cách đo lường mềm, thì sự thật về năng suất vận hành vẫn nằm ngoài tầm với.

Ranh giới giữa giai đoạn thử nghiệm và giai đoạn thanh lọc

Giai đoạn thử nghiệm, kéo dài khoảng từ năm 2020 đến 2023, có những dấu hiệu nhận diện rõ ràng. Người nắm ngân sách là giám đốc công nghệ hoặc giám đốc đổi mới sáng tạo, tiền thường lấy từ quỹ tùy ý. Chỉ số chính là số giấy phép đã phân bổ, số người dùng hoạt động, số lượng bản thử nghiệm đang chạy, khối lượng câu lệnh được gửi. Khung quản trị lỏng, cho phép thất bại nhanh nhưng cũng cho phép kéo dài vô hạn những dự án không bao giờ kết thúc. Nút thắt lớn nhất là khả năng tiếp cận nhân sự khoa học dữ liệu và hạ tầng tính toán.

Giai đoạn thanh lọc, bắt đầu từ khoảng năm 2024, đảo ngược gần như toàn bộ bảng trên. Người nắm ngân sách chuyển sang giám đốc tài chính, tổng giám đốc, và những người chịu trách nhiệm lãi lỗ trực tiếp của từng đơn vị kinh doanh. Chỉ số chính trở thành biên lợi nhuận hoạt động, tổng chi phí sở hữu, và chi phí đơn vị. Khung quản trị chuyển sang phân bổ vốn theo cổng giai đoạn nghiêm ngặt, kiểm toán đường cơ sở, và cắt tỉa danh mục dự án không thương tiếc. Nút thắt lớn nhất không còn là nhân sự hay máy tính, mà là quán tính kiến trúc, sự chia cắt của mô hình vận hành cũ, và sức ỳ của tổ chức trước thay đổi.

Vòng đời dự án cũng thay đổi bản chất. Thay vì những bản thử nghiệm mở không có ngày kết thúc, dự án bước vào kỷ luật mới: đo đường cơ sở trước khi triển khai, kiểm chứng tác động nhân quả thay vì tương quan, và thiết lập sẵn những điều kiện tự động dừng hoặc tái huấn luyện mô hình khi hiệu suất suy giảm. Một dự án AI trong giai đoạn mới phải chứng minh được giá trị trước khi được cấp vốn mở rộng, chứ không phải chứng minh sau.

Điểm quan trọng là sự chuyển dịch này không chỉ là thay đổi cách nói. Nó thay đổi ai được quyền nói không. Trong giai đoạn thử nghiệm, người nói không thường là người không hiểu công nghệ và do đó dễ bị gạt ra ngoài cuộc thảo luận. Trong giai đoạn thanh lọc, người nói không là người cầm sổ sách, và câu hỏi của họ rất đơn giản: dòng tiền nào đã thay đổi, ở đâu, và bao nhiêu.

Vì sao AI hẹp lại là cỗ máy tạo giá trị thực

Một sai lầm chiến lược phổ biến của thời kỳ thử nghiệm là niềm tin ngầm rằng muốn khai thác giá trị kinh doanh đột phá thì cần đến trí tuệ nhân tạo tổng quát, loại hệ thống mô phỏng nhận thức và cảm xúc con người. Niềm tin này đẹp về mặt triết học nhưng tốn kém về mặt quản trị, vì nó hướng nguồn lực vào một mục tiêu chưa có ngày đạt được.

Khung phân tích kinh tế trong cuốn sách nền tảng về cạnh tranh trong kỷ nguyên AI của Marco Iansiti và Karim Lakhani chỉ ra điều ngược lại. Giá trị kinh tế khổng lồ, vốn hóa thị trường và vị thế thống trị vận hành không đến từ những hệ thống mô phỏng ý thức, mà đến từ việc áp dụng có hệ thống những cỗ máy dự đoán chuyên biệt, giới hạn trong một nhiệm vụ, vào đúng đường găng thực thi của doanh nghiệp.

Những hệ thống này làm những việc rất hẹp: định giá động theo thời điểm, dự đoán khách hàng rời bỏ, sàng lọc hồ sơ tín dụng, tối ưu tuyến đường chuỗi cung ứng, phân tích hình ảnh chẩn đoán. Khi được nhúng trực tiếp vào quy trình vận hành cốt lõi, chúng thay đổi cấu trúc chi phí của doanh nghiệp theo cách mà một trợ lý đa năng không thể làm được. Một mô hình dự đoán tỷ lệ rời bỏ chính xác hơn năm phần trăm có thể đáng giá hàng chục triệu đô la. Một chatbot viết email lịch sự hơn thì không.

Mục tiêu của chuyển đổi AI doanh nghiệp vì thế không phải là sao chép nhận thức con người khắp hệ thống phân cấp, mà là loại bỏ lao động thủ công khỏi đường găng tạo ra giá trị. Khi phần mềm trở thành môi trường thực thi của doanh nghiệp — cái nơi mà công việc hằng ngày thực sự diễn ra — thì khả năng mở rộng, mở rộng phạm vi và học hỏi liên tục của tổ chức cũng thay đổi về bản chất. Nhưng để đạt được điều đó, doanh nghiệp phải rời khỏi những bản thử nghiệm cô lập và tái kiến trúc mô hình vận hành của chính mình.

Mô hình kinh doanh và mô hình vận hành: hai lớp không thể đánh tráo

Để hiểu vì sao nhiều khoản đầu tư AI không bao giờ xuất hiện trên báo cáo lợi nhuận, cần phân biệt hai lớp khái niệm thường bị gộp làm một trong các cuộc họp chiến lược. Mô hình kinh doanh mô tả cách doanh nghiệp cam kết tạo ra và thu giữ giá trị: định vị chiến lược, phân khúc khách hàng mục tiêu, lợi thế khác biệt, cơ chế kiếm tiền, cấu trúc giá, và biên lợi nhuận gộp mục tiêu. Mô hình vận hành mô tả cách doanh nghiệp thực sự giao được lời hứa đó: kiến trúc, tài sản, năng lực, quy trình tổ chức, và hệ thống công nghệ.

AI tác động lên lớp thứ hai. Nó không tự tạo ra mô hình kinh doanh mới. Nó chỉ làm cho một mô hình vận hành trở nên rẻ hơn, nhanh hơn, hoặc có khả năng mở rộng hơn. Nếu mô hình kinh doanh bên trên vốn đã không có lợi thế, việc tối ưu mô hình vận hành chỉ đưa doanh nghiệp đến điểm hòa vốn nhanh hơn một chút, không đưa đến vị thế dẫn đầu.

Mô hình vận hành được đánh giá qua ba chiều kinh tế cơ bản. Thứ nhất là quy mô: năng lực cấu trúc để phục vụ khối lượng khách hàng ngày càng lớn với chi phí biên giảm dần. Thứ hai là phạm vi: năng lực cung cấp nhiều sản phẩm và dịch vụ bổ trợ bằng cách chia sẻ tài sản vận hành, hạ tầng phần mềm thống nhất và lớp dữ liệu tập trung. Thứ ba là học hỏi: năng lực hệ thống trong việc liên tục thu thập dữ liệu giao dịch, rút ra hiểu biết vận hành, tinh chỉnh thực thi dự đoán và triển khai cải tiến quy trình trên toàn bộ dấu chân tổ chức.

Ba chiều này giải thích vì sao hai doanh nghiệp cùng mua chung một nền tảng AI, cùng thuê những chuyên gia giỏi như nhau, lại có kết quả tài chính khác nhau một trời một vực. Khác biệt không nằm ở công cụ. Khác biệt nằm ở chỗ công cụ được đặt vào đâu trong kiến trúc vận hành, và tổ chức có đủ dũng khí tháo dỡ những cấu trúc cũ để nó thực sự phát huy tác dụng hay không.

Giới hạn cố hữu khi con người nằm trên đường găng

Trong mô hình vận hành truyền thống — dù là tài chính, bán lẻ, logistics hay y tế — việc mở rộng quy mô luôn gặp quy luật lợi suất giảm dần. Khi doanh nghiệp tăng khối lượng giao dịch hoặc mở rộng danh mục sản phẩm, độ phức tạp nội bộ tăng theo cấp số nhân. Phối hợp lao động con người đòi hỏi hệ thống phân cấp nhiều tầng, các cổng phê duyệt thủ công, những bức tường im lặng giữa các phòng ban, và chi phí hành chính đáng kể.

Trong kiến trúc đó, con người nằm trực tiếp trên đường găng thực thi. Xử lý thêm một hồ sơ bảo hiểm, thẩm định thêm một khoản vay, nhặt thêm một mặt hàng trong kho, tối ưu thêm một tuyến giao hàng — mỗi việc đều cần thêm một lượng lao động tương ứng. Đường cong tăng trưởng vì thế bị bẻ cong: chi phí đơn vị tăng, tốc độ thực thi chậm lại, trải nghiệm khách hàng xấu đi khi quy mô lớn lên. Đây không phải vấn đề năng lực quản lý. Đây là vấn đề số học.

Mô hình vận hành dựa trên AI tháo dỡ cấu trúc chi phí đó bằng cách đưa phần mềm vào đúng vị trí con người từng đứng. Con người vẫn thiết yếu — nhưng ở vai trò thiết kế hệ thống, giám sát chiến lược, xử lý ngoại lệ và quản trị rủi ro. Phần thực thi lặp lại được chuyển cho thuật toán, và vì phần mềm xử lý giao dịch với chi phí biên gần bằng không, doanh nghiệp thoát khỏi giới hạn truyền thống về quy mô, phạm vi và học hỏi.

Điểm tinh tế nằm ở chỗ: rất nhiều doanh nghiệp đã mua đúng công cụ nhưng vẫn giữ nguyên vị trí con người trên đường găng. Họ dùng AI để gợi ý, nhưng vẫn để con người phê duyệt từng trường hợp. Họ dùng AI để soạn thảo, nhưng vẫn để con người kiểm tra lại từng câu chữ. Kết quả là chi phí tăng thêm một lớp công nghệ, còn tốc độ không đổi. Đây là lý do phổ biến nhất khiến chỉ số ROI đứng yên.

Bốn trụ cột của nhà máy AI

Trong phòng máy chiến lược của doanh nghiệp số hiện đại có một cấu trúc lặp lại được, có thể ghép mô-đun và mở rộng: nhà máy AI, cỗ máy ra quyết định biến việc ra quyết định vận hành thành một quy trình công nghiệp tự động hóa. Cấu trúc này gồm bốn thành phần, và thiếu bất kỳ thành phần nào thì ROI sẽ rò rỉ ở đúng chỗ đó.

• Đường ống dữ liệu: trích xuất, nạp, làm sạch, chuẩn hóa, tích hợp và quản trị dữ liệu nội bộ lẫn bên ngoài. Chức năng là gom các mảnh dữ liệu phân tán thành một lớp dữ liệu thống nhất, chất lượng cao, đủ tin cậy để nuôi các mô hình dự đoán. Tác động kinh tế: loại bỏ chi phí chuẩn bị dữ liệu thủ công và duy trì vệ sinh dữ liệu liên tục.
• Phát triển thuật toán: huấn luyện các mô hình dự đoán có giám sát, không giám sát, và học tăng cường hoặc các thuật toán nhiều nhánh. Chức năng là thay thế phán đoán thủ công bằng dự đoán tự động theo thời gian thực trên toàn bộ quy trình. Tác động kinh tế: đẩy chi phí biên giao dịch về gần không và rút ngắn thời gian ra quyết định từ hàng giờ xuống hàng phần nghìn giây.
• Nền tảng thử nghiệm: tự động hóa kiểm thử A/B, thử nghiệm đối chứng ngẫu nhiên và hạ tầng kiểm chứng nhân quả. Chức năng là xác lập tác động vận hành thực sự của một thay đổi thuật toán, phân biệt với tương quan ngẫu nhiên. Tác động kinh tế: ngăn những mô hình không hiệu quả được mở rộng, và xác thực lợi nhuận tài chính trước khi giải ngân vốn mở rộng.
• Hạ tầng phần mềm và giao diện lập trình: các vi dịch vụ mô-đun, kiến trúc dữ liệu xuất bản và đăng ký, cùng những giao diện chuẩn hóa. Chức năng là tách rời các thành phần phần mềm, cho phép các nhóm triển khai độc lập và mở cửa hệ sinh thái đối tác bên ngoài. Tác động kinh tế: xóa bỏ các bức tường giao tiếp nội bộ, mở ra khả năng kiếm tiền từ nền tảng và tăng trưởng nhờ nhà phát triển bên thứ ba.

Điều đáng chú ý là ba trụ cột đầu thường được các doanh nghiệp đầu tư khá hào phóng, trong khi trụ cột thứ tư — hạ tầng phần mềm và giao diện chuẩn — lại hay bị xem là việc của bộ phận kỹ thuật, không phải việc của chiến lược kinh doanh. Nhưng chính trụ cột thứ tư mới là thứ quyết định liệu giá trị có được nhân lên theo cấp số nhân hay chỉ dừng ở mức cộng tuyến tính.

Ant Financial: chi phí biên gần bằng không trong tín dụng vi mô

Được tách ra từ nền tảng thanh toán ký quỹ Alipay của Alibaba, Ant Financial đạt định giá 150 tỷ đô la sau vòng gọi vốn 14 tỷ đô la. Con số gây ấn tượng hơn nằm ở cấu trúc: phục vụ hơn 700 triệu người dùng cá nhân hoạt động và hơn 10 triệu doanh nghiệp nhỏ và vừa với chưa đến 10.000 nhân viên. Để so sánh, một ngân hàng toàn cầu truyền thống như Bank of America từng cần tới 209.000 nhân viên để phục vụ 67 triệu khách hàng qua mạng lưới chi nhánh vật lý phân tán.

Cốt lõi vận hành của MYbank, công ty tín dụng vi mô trực thuộc Ant, nằm ở mô hình cho vay ba số: ba phút để người dùng hoàn tất hồ sơ trên điện thoại, một giây để hệ thống phê duyệt tín dụng bằng thuật toán, và không có bất kỳ can thiệp thủ công nào trong toàn bộ quá trình. Khi người vay gửi yêu cầu, cỗ máy ra quyết định đối chiếu hồ sơ với hơn 3.000 chiến lược kiểm soát rủi ro tự động theo thời gian thực.

Đường ống dự đoán đó lấy dữ liệu từ bốn nhóm nguồn khác nhau. Thứ nhất là dữ liệu hành vi tiêu dùng nội bộ: lịch sử mua sắm, thay đổi nơi ở, thanh toán hóa đơn tiện ích, hoạt động quản lý tài sản và chuyển khoản trực tiếp cho người bán trong hệ sinh thái Alibaba. Thứ hai là dữ liệu giao dịch của người bán: tốc độ giao dịch tại điểm bán, vòng quay tồn kho, chỉ số hoàn tất đơn của nhà cung cấp, tần suất hoàn tiền từ người mua. Thứ ba là dữ liệu công khai và hồ sơ chính phủ: cơ sở dữ liệu pháp lý, xác thực danh tính, lịch sử tuân thủ thuế, hồ sơ học vấn. Thứ tư là dữ liệu vận hành từ đối tác: thông tin giao dịch thời gian thực từ mạng lưới khách sạn, dịch vụ gọi xe và các nhà cung cấp dịch vụ di chuyển, tất cả đổ vào hệ thống tính điểm Zhima Credit.

Song song với tín dụng, Ant vận hành Yu’e Bao, nền tảng đầu tư tự động cho phép người dùng Alipay đưa số dư ví nhàn rỗi vào các quỹ thị trường tiền tệ rủi ro thấp mà không cần mức gửi tối thiểu. Chỉ chín tháng sau khi ra mắt, nền tảng này đã huy động được 500 tỷ nhân dân tệ, tương đương 81 tỷ đô la, từ hàng trăm triệu người dùng cá nhân, và đến mùa xuân năm 2017 trở thành quỹ thị trường tiền tệ đơn lẻ lớn nhất thế giới.

Để bảo vệ mạng lưới tài chính có tốc độ giao dịch cao đó, Alipay đưa mọi giao dịch qua khung kiểm tra rủi ro năm lớp theo thời gian thực, phân tích tính toàn vẹn tài khoản, dấu vết phần cứng thiết bị, bất thường hành vi theo không gian và thời gian, quan hệ mạng lưới và rủi ro đối tác. Kết quả kinh tế rất cụ thể: MYbank đưa ra quyết định tín dụng với chi phí vận hành khoảng 2 nhân dân tệ mỗi khoản vay, so với khoảng 2.000 nhân dân tệ tại một ngân hàng thương mại truyền thống, trong khi xử lý tải đỉnh 120.000 giao dịch mỗi giây với độ sẵn sàng hệ thống 99,99 phần trăm.

Bài học ở đây không phải là Ant giỏi công nghệ hơn. Bài học là Ant đã đặt thuật toán vào đúng vị trí mà trước đó một nhân viên tín dụng ngồi, và sau đó thiết kế toàn bộ tổ chức xoay quanh vị trí mới đó. Nếu vẫn giữ một lớp nhân viên phê duyệt phía sau, con số 2 nhân dân tệ sẽ trở thành 200 hoặc 2.000, và toàn bộ lợi thế cấu trúc biến mất.

Ocado: biến logistics biên mỏng thành phần mềm biên cao

Ocado hoạt động trong thị trường tạp hóa trực tuyến của Vương quốc Anh, một ngành vốn nổi tiếng với biên lợi nhuận mỏng và độ phức tạp logistics cực cao vì hàng hóa dễ hỏng. Thay vì dựa vào nhân viên đi dọc các dãy kệ siêu thị truyền thống, Ocado xây dựng những trung tâm hoàn tất đơn hàng tự động tập trung, có trung tâm rộng bằng diện tích mười một sân bóng đá và chứa 35 dặm băng tải nội bộ.

Bên trong những cơ sở đó, hàng nghìn robot phối hợp di chuyển trên các cấu trúc lưới ba chiều, nhặt, lắp và đóng gói đơn hàng. Các thuật toán độc quyền quản lý điều hướng robot, ngăn tắc nghẽn và tối ưu đường đi để hàng dễ hỏng được đóng gói hiệu quả. Đồng thời, cỗ máy AI của Ocado phân tích tần suất mua hàng lịch sử, dự báo thời tiết theo vùng và các sự kiện địa phương để dự đoán nhu cầu đặt hàng trước nhiều ngày.

Đường ống dự đoán đó kết nối trực tiếp với các nhà cung cấp nông sản hữu cơ, điều phối chuỗi cung ứng từ nông trại đến kệ hàng để xe tải lạnh đến trung tâm đúng lúc nông sản được thu hoạch. Khi đơn hàng đã lên xe, thuật toán định tuyến đội xe liên tục tính lại lộ trình dựa trên tắc đường, công trình và thời tiết bất thường theo thời gian thực.

Kiến trúc nhà máy AI này đạt tỷ lệ giao hàng đúng giờ 98,5 phần trăm, mức dẫn đầu ngành. Nhưng thành tựu quan trọng hơn nằm ở việc nó cho phép Ocado xoay mô hình kinh doanh: ngoài tự vận hành dịch vụ bán lẻ, công ty cấp phép nền tảng Ocado Smart Platform cho các tập đoàn bán lẻ toàn cầu như Kroger tại Mỹ và Sobeys tại Canada, biến một hoạt động logistics biên mỏng thành một sản phẩm phần mềm và tự động hóa biên cao.

Đây là ví dụ rõ nhất cho điều mà nhiều doanh nghiệp bỏ lỡ: khi mô hình vận hành được tái kiến trúc đủ sâu, bản thân nó trở thành tài sản có thể bán. Nhưng để bán được, doanh nghiệp phải đi qua giai đoạn khó chịu là thay đổi cách vận hành thật, không chỉ thêm một lớp công nghệ lên trên cách vận hành cũ.

Amazon và mệnh lệnh giao diện lập trình: phá bỏ quán tính kiến trúc

Đến năm 2002, sự mở rộng thương mại nhanh chóng của Amazon đã chạm một rào cản vận hành nghiêm trọng. Khi nhà bán lẻ mở rộng từ sách sang quần áo, điện tử tiêu dùng và đồ gia dụng, hạ tầng phần mềm trung tâm — một khối mã C nguyên khối mang tên Obidos — bắt đầu gãy dưới sức nặng của độ phức tạp. Các nhóm phát triển liên tục ghi đè lên mã dùng chung, sự phụ thuộc lẫn nhau giữa các hệ thống làm chậm mọi lần triển khai, và những cuộc họp phối hợp liên phòng ban bóp nghẹt tốc độ ra tính năng.

Nhận ra rằng sự phụ thuộc kỹ thuật này đang tạo ra quán tính tổ chức nghiêm trọng, giám đốc điều hành Jeff Bezos đưa ra một chỉ thị không thương lượng, về sau được biết đến với tên mệnh lệnh giao diện lập trình. Nội dung gồm năm điểm: mọi nhóm phát triển phải công bố toàn bộ dữ liệu và năng lực chức năng của mình thông qua giao diện dịch vụ chuẩn hóa; các nhóm chỉ được giao tiếp với nhau qua những giao diện mạng đó, không chia sẻ bộ nhớ, không đọc thẳng cơ sở dữ liệu, không liên kết mã trực tiếp; ngôn ngữ lập trình và công nghệ cơ sở dữ liệu phía sau không quan trọng; mọi giao diện phải được thiết kế ngay từ đầu để có thể mở ra bên ngoài cho nhà phát triển bên thứ ba; và bất kỳ ai không thực hiện được chuyển đổi kiến trúc này sẽ bị chấm dứt hợp đồng.

Chỉ thị đó tháo dỡ một cách có hệ thống các bức tường tổ chức của Amazon, biến khối mã nguyên khối thành kiến trúc hướng dịch vụ mô-đun, và dẫn đến thiết kế lại nền tảng dưới tên Santana. Bằng cách buộc các nhóm phần mềm chỉ tương tác qua giao diện chuẩn, Amazon loại bỏ ma sát phối hợp con người và tái tổ chức bộ máy kỹ thuật thành những nhóm tính năng tự chủ theo mô hình hai chiếc pizza.

Điều quan trọng nhất là việc tái kiến trúc này tách rời các đường ống dữ liệu cốt lõi khỏi những lớp ứng dụng riêng lẻ. Nhờ đó Amazon có thể tổng hợp dữ liệu giao dịch ở quy mô lớn và xây dựng năng lực nhà máy AI: tối ưu giá động, thuật toán điều hướng kho, hệ thống gợi ý lọc cộng tác cá nhân hóa, và xử lý ngôn ngữ tự nhiên cho Alexa. Và vì mọi giao diện nội bộ đều được thiết kế để mở ra ngoài, Amazon mở khóa một mô hình kinh doanh mới có biên lợi nhuận cao: dịch vụ điện toán đám mây Amazon Web Services.

Trường hợp này cho thấy một điều mà các doanh nghiệp hay bỏ qua khi bàn về AI: hầu hết trở ngại lớn nhất không phải là thuật toán. Trở ngại là kiến trúc phần mềm không cho phép thuật toán tiếp cận dữ liệu đúng lúc, đúng chỗ, với chất lượng đủ tốt. Sửa kiến trúc là việc khó, tốn thời gian và không tạo ra thông cáo báo chí. Nhưng đó chính là phần việc tạo ra ROI.

Microsoft: đưa điện toán đám mây từ ngoại vi vào lõi

Khi Satya Nadella tiếp nhận vị trí lãnh đạo Microsoft vào tháng hai năm 2014, tập đoàn này đang mắc kẹt trong một mô hình máy tính cá nhân đang suy tàn, gắn chặt với giấy phép phần mềm cài đặt tại chỗ và bị chia rẽ bởi những mâu thuẫn giữa các đơn vị. Sự chú ý của cộng đồng phát triển đang dịch chuyển nhanh về các môi trường Linux mã nguồn mở chạy trên hạ tầng đám mây của Amazon.

Nadella nhận ra rằng để tồn tại, Microsoft phải chuyển từ mô hình cấp phép phần mềm truyền thống sang một nền tảng doanh nghiệp tiêu thụ theo mức sử dụng, được hỗ trợ bởi AI. Thực thi chuyển đổi đó đòi hỏi phải đưa Azure từ vùng ngoại vi tổ chức vào thẳng lõi. Ông bổ nhiệm Bill Laing, một lãnh đạo kỳ cựu từ mảng máy chủ Windows truyền thống, phụ trách Azure — một tín hiệu rõ ràng rằng đám mây không còn là thử nghiệm bên lề mà là môi trường thực thi mới của công ty. Phó chủ tịch điều hành Scott Guthrie sau đó yêu cầu mọi nhóm quản lý sản phẩm nội bộ phải thực sự cài đặt, cấu hình và vận hành Azure cho chính khối lượng công việc của mình, buộc kỹ sư đối diện trực tiếp với những điểm ma sát của sản phẩm và loại bỏ chúng.

Đồng thời, Nadella mời Kurt DelBene làm giám đốc kỹ thuật số, lãnh đạo mảng kỹ thuật và vận hành dịch vụ lõi. DelBene tích hợp có hệ thống các chồng phần mềm công nghệ thông tin, vận hành và tài chính nội bộ của Microsoft lên một kiến trúc số chung. Nhóm của ông xây dựng một danh mục dữ liệu doanh nghiệp thống nhất, kho thuật toán dạng thành phần, và hệ thống theo dõi tín hiệu vận hành toàn diện trên toàn công ty.

Bằng cách thống nhất các đường ống dữ liệu nội bộ và đặt Azure vào trung tâm danh mục sản phẩm, Microsoft tái kiến trúc mô hình vận hành của mình và định vị Azure thành nền tảng cho triển khai đám mây và trí tuệ nhân tạo trên toàn cầu. Bài học nằm ở chỗ: thay đổi mô hình vận hành luôn bắt đầu từ những quyết định về con người và quyền ưu tiên, không phải từ quyết định mua công nghệ.

Chỉ số hào nhoáng và cái bẫy Goodhart

Một nguyên nhân gốc rễ khiến đầu tư AI thất bại là việc dựa vào những chỉ số bề mặt trong quá trình đánh giá dự án. Trong giai đoạn mua sắm và triển khai ban đầu, các nhà lãnh đạo công nghệ thường đưa ra những đại lượng đại diện cho mức độ tương tác để biện minh cho việc phân bổ phần mềm. Nhưng những chỉ số này che khuất thực tế tài chính và tạo ra ảo giác tiến bộ trong khi quỹ đạo lợi nhuận không hề thay đổi.

Nhóm chỉ số hào nhoáng quen thuộc gồm có: số giấy phép đã cấp và tỷ lệ người dùng hoạt động — báo cáo rằng tám mươi lăm phần trăm nhân viên đã được cấp giấy phép công cụ AI không cho biết bất cứ điều gì về giá trị kinh tế được tạo ra; nếu nhân viên tri thức chủ yếu dùng công cụ để soạn thư từ thông thường, định dạng lại slide nội bộ hay diễn đạt lại biên bản họp, chi phí doanh nghiệp tăng lên trong khi sản lượng vận hành ròng không đổi. Nhóm thứ hai là số lượng bản thử nghiệm và khối lượng câu lệnh — theo dõi tổng số câu lệnh được gửi hoặc số dự án thử nghiệm được khởi động là đang nhầm hoạt động với giá trị; khối lượng câu lệnh cao thường phản ánh người dùng đang bối rối, hệ thống đang tạo ra câu trả lời sai, hoặc quy trình đang kém hiệu quả, chứ không phải công việc đang được tinh gọn.

Nhóm chỉ số cứng thì khác về bản chất. Đó là mức giảm tuyệt đối chi phí trên mỗi giao dịch: chi phí biên trực tiếp để xử lý một yêu cầu bồi thường, phê duyệt một hồ sơ tín dụng thương mại, hoàn tất một đơn hàng điện tử hay giải quyết một phiếu hỗ trợ kỹ thuật phức tạp. Đó là mức giảm độ trễ ra quyết định: thời gian tuyệt đối được rút ngắn khi đi từ dữ liệu vận hành thô đến thực thi cuối cùng, ví dụ giảm phân đoạn hình ảnh chẩn đoán từ tám phút xuống mười lăm giây. Đó là mức giảm tỷ lệ lỗi và công việc làm lại: tiết kiệm tài chính trực tiếp từ việc loại bỏ lỗi vận hành, nhập liệu sai, vi phạm tuân thủ và quy trình phải làm lại.

Khi ban lãnh đạo áp đặt những chỉ số đầu ra dễ đo lường mà không gắn chúng với biên lợi nhuận của mô hình kinh doanh, biến dạng vận hành nghiêm trọng sẽ xảy ra — hiện tượng được mô tả bởi quy luật Goodhart: khi một thước đo trở thành mục tiêu, nó không còn là thước đo tốt. Hãy hình dung một trung tâm hỗ trợ khách hàng triển khai trợ lý hội thoại AI và đánh giá thành công thuần túy bằng thời gian xử lý cuộc gọi trung bình và tốc độ giải quyết ngay lần đầu. Để tối đa hóa những chỉ số đó, nhân viên và kịch bản tự động được khuyến khích kết thúc sớm những yêu cầu phức tạp, chuyển người dùng qua lại giữa các phòng ban, hoặc đưa ra câu trả lời hời hợt để đóng phiếu nhanh.

Kết quả là chỉ số được kiểm toán cho thấy cải thiện ấn tượng, trong khi mức độ hài lòng thực tế sụp đổ, khối lượng khiếu nại leo thang và tỷ lệ khách hàng rời bỏ tăng tốc. Doanh nghiệp tối ưu hóa thành công một chỉ số cục bộ trong khi phá hủy giá trị vòng đời khách hàng và bào mòn biên lợi nhuận hoạt động. Vì vậy mọi chỉ số thuật toán đều phải được ràng buộc với hiệu quả tài chính dài hạn tổng thể, chứ không đứng riêng lẻ.

Tảng băng chi phí sở hữu: phần chìm của mọi dự án AI

Người nắm ngân sách thường tính sai lợi nhuận của AI vì chỉ mô hình hóa chi phí cấp phép phần mềm ban đầu mà bỏ qua những khoản chi phí cấu trúc cần thiết để triển khai và duy trì hệ thống thuật toán ở cấp độ sản xuất. Phí mua phần mềm chỉ là đỉnh nhọn nhìn thấy được của một tảng băng chi phí sở hữu khổng lồ.

Phần chìm thứ nhất là kỹ thuật đường ống dữ liệu. Dữ liệu doanh nghiệp cũ luôn phân mảnh, không chuẩn hóa và bị giam trong những cơ sở dữ liệu không tương thích. Tổng hợp dữ liệu đó đòi hỏi đầu tư cấu trúc lớn vào xây dựng đường ống trích xuất, biến đổi và nạp, chuẩn hóa hồ dữ liệu, đối chiếu lược đồ và vệ sinh dữ liệu liên tục. Thiết lập một lớp dữ liệu toàn doanh nghiệp với độ toàn vẹn cao thường ngốn từ sáu mươi đến tám mươi phần trăm tổng ngân sách chuyển đổi trước khi một mô hình thuật toán duy nhất được huấn luyện.

Phần chìm thứ hai là chi phí hạ tầng tính toán và truyền dữ liệu ra ngoài. Vận hành hệ thống học máy ở cấp sản xuất không chỉ là chi phí huấn luyện một lần, mà là chi phí suy luận liên tục, lưu trữ, sao chép dữ liệu giữa các vùng, và băng thông. Những khoản này tăng theo mức sử dụng, và chúng tăng nhanh đúng vào lúc hệ thống bắt đầu được dùng thật — nghĩa là đúng lúc doanh nghiệp kỳ vọng thấy ROI.

Phần chìm thứ ba là quản lý thay đổi tổ chức, đào tạo lại và tái thiết kế quy trình. Đây là khoản mục bị đánh giá thấp nhất và cũng là khoản mục giết chết nhiều dự án nhất. Một mô hình tốt đặt vào một quy trình không được thiết kế lại sẽ bị sử dụng như một bước kiểm tra thêm, và chi phí tăng lên thay vì giảm xuống.

Phần chìm thứ tư là giám sát trôi mô hình, tái huấn luyện và quản trị tuân thủ. Mô hình xuống cấp theo thời gian khi hành vi thị trường thay đổi. Không có hệ thống theo dõi và tái huấn luyện, chất lượng dự đoán giảm dần trong khi chi phí vận hành giữ nguyên — một dạng xuống cấp âm thầm mà báo cáo quý hiếm khi phản ánh.

Một kế hoạch đầu tư AI không liệt kê đủ bốn tầng chi phí này không phải là kế hoạch đầu tư, mà là một đề xuất mua sắm. Và những đề xuất mua sắm thì không nên được đánh giá bằng tỷ suất hoàn vốn.

Dữ liệu, kiến trúc và năng lực tổ chức như tài sản dài hạn

Khi người nắm ngân sách siết kỷ luật tài chính, có một cái bẫy đối xứng cần tránh: không được chấp nhận những tuyên bố mơ hồ về định vị chiến lược để biện minh cho dự án không hiệu quả, nhưng đồng thời cũng không được phá hủy những khoản đầu tư cấu trúc cần nhiều năm mới sinh lời. Phân biệt hai loại này là một trong những nhiệm vụ khó nhất của ban điều hành.

Tiết kiệm ngắn hạn bao gồm tự động hóa tác vụ chiến thuật cục bộ, hợp nhất giấy phép nhà cung cấp, và những cải thiện hiệu suất trên máy tính cá nhân có thể thấy ngay. Những thứ này có thật và nên nắm bắt, nhưng chúng không tạo ra lợi thế bền vững, vì đối thủ có thể mua cùng một công cụ với cùng một mức giá trong cùng một quý.

Giá trị chiến lược của doanh nghiệp đến từ những tài sản cấu trúc mà phần mềm mua sẵn không thể tạo ra. Thứ nhất là đường ống dữ liệu độc quyền: thu thập, làm sạch và chuẩn hóa có hệ thống những tài sản dữ liệu vận hành mà đối thủ không thể mua hoặc sao chép. Thứ hai là vòng học hỏi thuật toán tích lũy: những cỗ máy ra quyết định liên tục học từ dữ liệu thực thi vận hành, trở nên chính xác hơn, nhanh hơn và rẻ hơn khi khối lượng giao dịch mở rộng. Thứ ba là hiệu ứng mạng nhiều phía: xây dựng kiến trúc vận hành mô-đun, hướng giao diện, cho phép đối tác bên ngoài, nhà cung cấp phần mềm và hệ sinh thái khách hàng cắm trực tiếp vào môi trường thực thi của doanh nghiệp, biến năng lực vận hành truyền thống thành nền tảng phần mềm có thể mở rộng với biên lợi nhuận cao.

Ba tài sản này có một đặc điểm chung: chúng không xuất hiện trong báo cáo quý đầu tiên. Chúng cần thời gian, và chúng cần sự kiên định của ban lãnh đạo qua những giai đoạn mà số liệu chưa đẹp. Vì thế, kỷ luật tài chính đúng đắn không phải là cắt mọi thứ chưa sinh lời ngay, mà là phân biệt rõ đâu là chi phí thử nghiệm không có đường thoát, đâu là đầu tư cấu trúc có lộ trình đo lường rõ ràng.

Vai trò lãnh đạo trong kỷ nguyên thanh lọc

Thời kỳ thử nghiệm AI không kiểm chứng đã khép lại. Nhiệm vụ đặt trước ban điều hành — tổng giám đốc, giám đốc tài chính, giám đốc công nghệ và những người chịu trách nhiệm lãi lỗ của từng đơn vị — rất rõ ràng. Chuyển đổi doanh nghiệp trong kỷ nguyên AI không phải là một bài tập mua sắm phần mềm, cũng không phải là cuộc truy tìm trí tuệ nhân tạo tổng quát. Đó là việc tái kiến trúc có tính cấu trúc đối với mô hình vận hành của chính doanh nghiệp.

Các tổ chức giành chiến thắng sẽ làm những việc kém hào nhoáng: dừng những bản thử nghiệm không hiệu quả, loại bỏ chỉ số tương tác hào nhoáng, từ chối ảo giác tiến bộ do việc cấp giấy phép phần mềm tạo ra. Họ đầu tư mạnh vào việc đại tu nền tảng phần mềm, phá bỏ kiến trúc cũ bị chia cắt, áp đặt thử nghiệm nhân quả, và đưa lao động con người ra khỏi đường găng thực thi để chuyển sang vai trò thiết kế hệ thống, xử lý ngoại lệ và quản trị.

Họ cũng sẽ phải ra những quyết định khó về con người. Tái kiến trúc mô hình vận hành nghĩa là một số kỹ năng trở nên ít cần thiết hơn và một số vị trí phải thay đổi bản chất. Tổ chức nào trì hoãn phần việc này sẽ thấy ROI bị giữ lại đúng ở chỗ những nút thắt nhân sự cũ vẫn còn nguyên, bất kể mô hình dự đoán có tốt đến đâu.

Bằng cách xây dựng những nhà máy AI có kỷ luật và triển khai những cỗ máy ra quyết định chuyên biệt trực tiếp vào môi trường vận hành cốt lõi, doanh nghiệp mới có thể đạt được quy mô số, phạm vi và tốc độ học hỏi ở mức chưa từng có — để từ đó mở ra khả năng sinh lời bền vững, mở rộng thị trường và vị thế cạnh tranh thực sự trong nền kinh tế số.

Những câu hỏi nên đặt ra trước khi ký tiếp ngân sách

Với người nắm ngân sách, kỷ nguyên thanh lọc mang lại một lợi thế đơn giản: câu hỏi đúng sẽ nhanh chóng phân loại được dự án nào là đầu tư cấu trúc và dự án nào là chi phí trình diễn. Trước mỗi lần gia hạn ngân sách, có một bộ câu hỏi nên được đặt ra một cách thẳng thắn.

Chi phí đơn vị nào sẽ thay đổi, theo hướng nào, và vào thời điểm nào? Nếu câu trả lời là biên lợi nhuận hoạt động, hãy yêu cầu con số đường cơ sở và cách đo. Nếu câu trả lời là mức độ hài lòng người dùng nội bộ, đó là chỉ số hào nhoáng đội lốt. Con người được đưa ra khỏi đường găng nào, và ai vẫn đang phê duyệt từng trường hợp? Nếu vẫn còn một lớp phê duyệt thủ công phía sau mô hình, ROI sẽ bị chặn ở đúng lớp đó. Dữ liệu dùng để ra quyết định đến từ đâu, ai chịu trách nhiệm về chất lượng, và nếu dữ liệu đó biến mất ngày mai thì quy trình có dừng lại không?

Dự án này sẽ bị đánh giá bằng thử nghiệm đối chứng nào, và điều kiện dừng là gì? Một dự án không có điều kiện dừng đã được định nghĩa trước là một dự án sẽ không bao giờ bị dừng, kể cả khi thất bại. Chi phí sở hữu đầy đủ trong ba năm gồm những gì, và phần nào trong đó là chi phí cấu trúc cần thiết cho những dự án sau này? Câu hỏi cuối cùng này quan trọng, vì nó phân biệt khoản đầu tư một lần có giá trị tái sử dụng với khoản chi phí lặp lại không tạo ra tài sản.

Và câu hỏi khó nhất: nếu dự án này thành công hoàn toàn, đối thủ có thể sao chép kết quả trong bao lâu? Nếu câu trả lời là một quý, thì đó là hiệu quả vận hành, không phải lợi thế cạnh tranh. Nếu câu trả lời là nhiều năm vì kết quả gắn với dữ liệu độc quyền và kiến trúc riêng, thì đó mới là thứ đáng để hội đồng quản trị rót vốn dài hạn.

Cuộc thanh lọc của AI doanh nghiệp thực chất không phải là sự trừng phạt công nghệ. Đó là sự trưởng thành của cách doanh nghiệp quản trị công nghệ. Những tổ chức hiểu được điều này sẽ không mua ít AI hơn; họ sẽ mua khác đi, triển khai sâu hơn, và đo lường nghiêm khắc hơn. Và chính sự nghiêm khắc đó lại là điều kiện để những khoản đầu tư tiếp theo thực sự tạo ra giá trị, thay vì chỉ tạo ra những báo cáo đẹp.