Dựng một demo AI bây giờ rất nhanh, nhưng đưa đúng demo đó vào vận hành thật lại là bài toán khác hẳn. Các khảo sát công bố gần đây cho thấy gần như doanh nghiệp nào cũng đã dùng AI ở đâu đó, nhưng chỉ một nhóm nhỏ quy được kết quả tài chính cho AI, và khác biệt lớn nhất không nằm ở mô hình hay công cụ mà ở dữ liệu, quy trình và cách đo lường. Chủ doanh nghiệp có thể dùng bốn câu hỏi ở cuối bài để tự soi từng công cụ AI đang dùng đang ở trạng thái nào.
Vì sao dựng demo AI thì nhanh mà đưa vào vận hành thật lại chậm?
Tại hội nghị "Tương lai của trí tuệ nhân tạo: Chương 4" tổ chức ngày 18/8/2026 tại TP.HCM, ông Vulcan Zhao, Giám đốc công nghệ AI của A1P (doanh nghiệp AI có trụ sở tại Hong Kong), mô tả một tình huống mà nhiều doanh nghiệp Việt sẽ thấy quen: đội ngũ đến văn phòng khách hàng vào buổi sáng, trao đổi khoảng một giờ để hiểu quy trình, và có thể tạo một demo hoạt động ngay trong ngày.
Phần khó bắt đầu ngay sau đó.
Theo báo Tuổi Trẻ tường thuật, ông Zhao cho rằng khi doanh nghiệp muốn đưa demo vào sử dụng thật, hệ thống phải xác định rõ đầu vào, đầu ra, cách xử lý lỗi, tình huống ngoại lệ, tương tác với con người và kết nối với hạ tầng hiện hữu. Cùng một yêu cầu có thể tạo ra những kết quả khác nhau, khiến độ tin cậy trở thành một trong những vấn đề lớn khi chuyển sang chạy thật.
Có thể tóm lại bằng một câu: demo chỉ cần một đường đi đẹp, còn vận hành thật phải chịu được mọi đường đi xấu. Cụ thể, một quy trình chạy thật buộc doanh nghiệp phải trả lời được:
- Đầu vào lấy từ đâu, ai chịu trách nhiệm cho tính đúng của nó.
- Đầu ra đi vào hệ thống nào, có ghi vào sổ sách không.
- Khi kết quả sai thì ai phát hiện, và phát hiện sau bao lâu.
- Tình huống ngoại lệ xử lý thế nào, ai được quyền quyết định.
- Điểm nào con người bắt buộc phải duyệt trước khi phát sinh hậu quả.
- Dấu vết kiểm tra lại nằm ở đâu khi cần đối chiếu.
Sáu câu hỏi này đều không liên quan tới chất lượng của mô hình AI. Chúng thuộc về quy trình và dữ liệu của doanh nghiệp, và đó là lý do khoảng cách demo tới vận hành thật hiếm khi được rút ngắn bằng cách đổi sang một công cụ AI khác. Ông Zhao cũng nhắc một dấu hiệu sớm cho thấy dự án AI có nguy cơ thất bại: hứa hẹn quá mức, kiểu chỉ cần một câu lệnh là AI nghiên cứu thị trường, phân tích đối thủ rồi tạo toàn bộ kế hoạch marketing.
Nghiên cứu mới nhất nói gì về khoảng cách giữa dùng AI và thu được kết quả?
Bản khảo sát thường niên The state of AI in 2026 của McKinsey, công bố ngày 25/8/2026, đo đúng khoảng cách này. Khảo sát trực tuyến thực hiện từ 4/5 đến 8/6/2026, thu về 1.719 người trả lời tại 97 quốc gia, trong đó 36% làm việc tại tổ chức có doanh thu trên 1 tỷ USD, dữ liệu được gán trọng số theo đóng góp GDP của từng quốc gia.
Kết quả cho thấy hai đường cong đi lệch nhau:
- Gần chín trên mười người trả lời cho biết tổ chức của họ dùng AI thường xuyên ở ít nhất một chức năng kinh doanh.
- 44% cho biết AI đang được mở rộng trên toàn doanh nghiệp, tăng từ 38% một năm trước.
- 80% nói AI đã cải thiện năng suất cá nhân của chính họ, và 50% nói AI giúp họ ra quyết định tốt hơn.
- Nhưng chỉ 37% quy được ít nhất một phần tác động lên EBIT cho việc dùng AI, gần như không đổi so với năm trước.
- Nhóm hiệu quả cao, tức nhóm quy từ 5% EBIT trở lên cho AI và mô tả tác động là đáng kể, chỉ chiếm khoảng 6% số người trả lời, cũng không đổi.
Điểm đáng chú ý nằm ở chỗ McKinsey chỉ ra ai đang ở nhóm 6% đó. Gần ba phần tư nhóm hiệu quả cao cho biết đã thiết kế lại triệt để quy trình làm việc nhờ AI, tăng từ 55% của năm trước, trong khi chỉ một phần tư nhóm còn lại làm điều tương tự. Họ cũng có khả năng cao gấp đôi nhóm khác trong việc nói rằng lãnh đạo cấp cao thể hiện cam kết với sáng kiến AI và tổ chức có quy trình xác định để đo lường tác động của các sáng kiến đó.
Nói cách khác, thứ tạo ra khác biệt là thiết kế lại quy trình và đo lường, không phải chọn được mô hình AI nào hay hơn.
Một lưu ý khi đọc số liệu này: mẫu khảo sát của McKinsey nghiêng về doanh nghiệp lớn toàn cầu, và khái niệm "tổ chức nhỏ hơn" trong báo cáo là doanh nghiệp có doanh thu dưới 1 tỷ USD, không tương đương doanh nghiệp nhỏ và vừa theo cách hiểu ở Việt Nam. Vì vậy nên đọc các tỷ lệ này như xu hướng chung của thị trường, không phải con số áp thẳng cho một doanh nghiệp Việt cụ thể. Dù vậy, chính báo cáo cũng ghi nhận khoảng cách theo quy mô: 54% tổ chức có doanh thu từ 1 tỷ USD trở lên nói đã mở rộng AI toàn doanh nghiệp, so với một phần ba ở nhóm nhỏ hơn.
Doanh nghiệp nhỏ và vừa Việt Nam đang ở đâu trên hành trình AI?
Bức tranh trong nước cũng cho thấy phần lớn còn ở lớp cơ bản.
Tại hội nghị ngày 18/8/2026 nói trên, PGS.TS Lê Hoành Sử, Trưởng khoa Hệ thống thông tin, Trường Đại học Kinh tế - Luật (Đại học Quốc gia TP.HCM), nêu con số khoảng 74% doanh nghiệp nhỏ và vừa vẫn sử dụng AI ở mức cơ bản, 55% xem khoảng trống kỹ năng là rào cản số 1, và chỉ 1% doanh nghiệp đạt mức trưởng thành AI thực sự. Theo ông, nút thắt hiện nay nằm ở con người, đo lường và quản trị, chứ không đơn thuần ở việc thiếu công cụ.
Cần đọc ba con số này cho đúng. Đây là phát biểu tại hội nghị do báo Tuổi Trẻ tường thuật, bài báo không nêu tên báo cáo gốc, cỡ mẫu hay phạm vi khảo sát. Vì vậy nên xem đây là một chỉ dấu định hướng từ chuyên gia, không phải số đo chính thức, và không nên đặt cạnh các khảo sát khác để so sánh vì khác phương pháp. Giá trị thực sự của phát biểu nằm ở phần chẩn đoán nguyên nhân, và phần đó khớp với những gì Smartcore quan sát khi làm việc với doanh nghiệp Việt.
Điều thường gặp là doanh nghiệp có công cụ nhưng không biết mình đang ở đâu. Một số dấu hiệu cho thấy công cụ AI vẫn đang ở trạng thái thử nghiệm dù đã dùng nhiều tháng:
- Chỉ một vài người dùng, và họ tự dùng theo cách riêng, không có quy trình chung.
- Dữ liệu đưa vào là dữ liệu chép tay hoặc sao chép thủ công, không lấy trực tiếp từ hệ thống.
- Kết quả đầu ra không đi vào bất kỳ hệ thống ghi sổ nào, chỉ dừng ở file hoặc tin nhắn.
- Không có chỉ số nào được thống nhất để đo hiệu quả trước và sau khi dùng.
- Không ai được giao trách nhiệm chính thức cho việc công cụ đó chạy đúng.
Điều gì tách nhóm thu được kết quả khỏi nhóm chỉ dừng ở thử nghiệm?
Đây là câu hỏi có dữ liệu trả lời khá rõ.
Cisco AI Readiness Index 2025, công bố ngày 14/10/2025, dựa trên khảo sát hai chiều mù với 8.000 lãnh đạo công nghệ thông tin và kinh doanh phụ trách chiến lược AI, tại các tổ chức trên 500 nhân sự, thuộc 30 thị trường và 26 ngành. Báo cáo tách ra một nhóm gọi là Pacesetters, chiếm khoảng 13% số tổ chức và giữ tỷ lệ này ba năm liền.
Cisco ghi nhận nhóm này có khả năng cao gấp 4 lần trong việc đưa các bản thử nghiệm vào vận hành thật, và cao hơn 50% trong việc ghi nhận được giá trị đo lường được từ AI. Khác biệt của họ nằm ở nền tảng tổ chức chứ không ở mô hình:
- 99% có lộ trình AI được xác định rõ, so với 58% mặt bằng chung.
- 91% có kế hoạch quản trị thay đổi, so với 35%.
- 62% có quy trình đổi mới bài bản, lặp lại được để sinh ra và mở rộng các trường hợp ứng dụng, so với 13%.
- 77% đã chốt xong các trường hợp ứng dụng sẽ triển khai, so với 18%.
- 95% đo lường tác động của khoản đầu tư AI, cao gấp ba lần nhóm còn lại.
Báo cáo cũng chỉ ra một rào cản rất quen: 64% tổ chức gặp khó khăn trong việc tập trung dữ liệu. Đây là điểm mà doanh nghiệp Việt quy mô vừa và nhỏ thường vấp sớm hơn cả, vì dữ liệu bán hàng, kho, công nợ và nhân sự thường nằm ở các phần mềm khác nhau cộng thêm một lớp Excel bên cạnh. Chúng tôi đã phân tích kỹ hơn phần nền dữ liệu này trong bài chuẩn hoá dữ liệu trước khi ứng dụng AI.
Một lưu ý về mẫu số: khảo sát của Cisco chỉ lấy tổ chức từ 500 nhân sự trở lên, nên các tỷ lệ trên không phải chân dung của doanh nghiệp siêu nhỏ. Cái đáng học ở đây là thứ tự việc làm của nhóm dẫn đầu, không phải con số tuyệt đối.
Chuyển đổi số và ứng dụng AI có phải làm tuần tự không?
Đây là câu hỏi khiến nhiều chủ doanh nghiệp mắc kẹt: chưa số hoá xong thì có nên dùng AI chưa.
PGS.TS Lê Hoành Sử phân biệt hai việc. Chuyển đổi số chủ yếu là hiện đại hoá và số hoá những quy trình đang có. Chuyển đổi AI hướng tới xây dựng các năng lực mới như dự báo, tự động hoá, hỗ trợ ra quyết định và thay đổi cách vận hành. Theo ông, doanh nghiệp không cần chờ quá trình chuyển đổi số hoàn tất mới bắt đầu dùng AI, mà có thể chạy song song trong khi nền tảng dữ liệu tiếp tục được hoàn thiện.
Cùng hội nghị, bà Rebecca Joy, CEO kiêm đồng sáng lập Saigon A.I., cho rằng thiếu dữ liệu hoặc dữ liệu phân mảnh chưa đồng nghĩa với việc phải dừng một dự án AI, vì dữ liệu tổng hợp có thể giúp doanh nghiệp đi tới giai đoạn thử nghiệm nhanh hơn. Nhưng bà cũng nói rõ phần quan trọng: khi giải pháp chuẩn bị bước vào vận hành thực tế, doanh nghiệp vẫn cần bổ sung dữ liệu thật.
Đó chính là ranh giới giữa thử nghiệm và vận hành. Chạy thử có thể chấp nhận dữ liệu chưa đủ. Chạy thật thì không.
Bà Quỳnh Phạm, Giám đốc quốc gia của EPI (Singapore), bổ sung một góc nhìn đáng lưu ý cho giai đoạn tới. Theo tường thuật của Tuổi Trẻ, bà Quỳnh Phạm nhấn mạnh nhóm câu hỏi về quản trị dữ liệu mà doanh nghiệp sẽ phải trả lời thường xuyên hơn: dữ liệu được xử lý thế nào, nằm ở đâu, ai có quyền tiếp cận.
Với doanh nghiệp nhỏ và vừa, câu trả lời thực tế thường là: làm song song, nhưng có thứ tự trong từng nghiệp vụ. Chọn một nghiệp vụ, đưa dữ liệu của riêng nghiệp vụ đó về một nguồn, rồi mới gắn AI vào. Cách tiếp cận từng bước này được nói kỹ hơn trong bài lộ trình ứng dụng AI cho SME. Nếu doanh nghiệp đã qua giai đoạn thử nghiệm và đang cân nhắc giao hẳn một nghiệp vụ cho AI agent, phần đánh giá chi tiết nằm ở bài bốn tiêu chí đánh giá trước khi đưa AI agent vào vận hành lõi.
Làm sao phân loại một công cụ AI là thử nghiệm hay đã vận hành?
Không cần thuê tư vấn cho bước này. Chỉ cần một buổi, một tờ giấy và bốn câu hỏi dưới đây - Smartcore gọi đây là bảng soi công cụ AI.
Liệt kê tất cả công cụ AI doanh nghiệp đang trả tiền hoặc đang dùng miễn phí. Với từng công cụ, trả lời bốn câu:
- Công cụ này lấy dữ liệu từ đâu? Nếu người dùng phải sao chép thủ công vào, nó vẫn đang ở ngoài hệ thống.
- Kết quả của nó đi vào đâu? Nếu chỉ dừng ở file hoặc tin nhắn, chưa có gì được tự động hoá thật sự.
- Ai chịu trách nhiệm khi nó chạy sai? Không có tên người thì không có ai sửa.
- Đo bằng chỉ số gì, so với mốc nào? Không có chỉ số thì sáu tháng sau vẫn không kết luận được.
Công cụ nào trả lời được cả bốn câu thì đang ở trạng thái vận hành. Phần còn lại, dù dùng hằng ngày, vẫn là thử nghiệm. Điều này không xấu, miễn là doanh nghiệp biết mình đang ở đâu và không kỳ vọng kết quả tài chính từ những thứ chưa gắn vào hệ thống.
Bước kế tiếp cũng đơn giản: chọn đúng một nghiệp vụ để đưa lên mức vận hành trước. Ưu tiên nghiệp vụ lặp lại nhiều, có dữ liệu tương đối tập trung, và có cách phát hiện sai sót nhanh. Kinh nghiệm từ các dự án chuyển đổi số ở doanh nghiệp Việt cho thấy làm nhiều nghiệp vụ cùng lúc là một trong những nguyên nhân khiến dự án đứt gánh, như đã phân tích trong bài vì sao nhiều dự án chuyển đổi số ở SME thất bại.
Tình huống minh hoạ: một doanh nghiệp thương mại quy mô vừa mua một công cụ AI hỗ trợ trả lời khách hàng và dùng suốt vài tháng. Đội chăm sóc khách hàng thấy tiện, nhưng ban giám đốc không trả lời được câu hỏi công cụ đó tiết kiệm bao nhiêu thời gian. Lý do là công cụ chạy tách rời: nhân viên copy thông tin đơn hàng từ phần mềm bán hàng dán sang, rồi copy câu trả lời dán ngược lại. Khi doanh nghiệp nối công cụ vào dữ liệu đơn hàng thật, quy định rõ trường hợp nào bắt buộc người xử lý, và chọn hai chỉ số để theo dõi là thời gian phản hồi trung bình cùng tỷ lệ phải hỏi lại nội bộ, thì mới bắt đầu có cơ sở để đánh giá. Đây là ví dụ minh hoạ cho cách tiếp cận, không phải số liệu của một khách hàng cụ thể.
Kết lại, khoảng cách từ demo tới vận hành thật không phải khoảng cách công nghệ. Nó là khoảng cách của dữ liệu, quy trình, trách nhiệm và phép đo. Doanh nghiệp nào rút ngắn được bốn thứ đó thì công cụ nào cũng dùng được. Doanh nghiệp chưa rút ngắn được thì đổi bao nhiêu công cụ cũng vẫn dừng ở bản demo.
Nếu doanh nghiệp của bạn đang dùng vài công cụ AI nhưng chưa đo được hiệu quả, Smartcore có thể cùng bạn rà lại dữ liệu và quy trình của một nghiệp vụ cụ thể, xác định điều kiện cần để đưa nghiệp vụ đó lên mức vận hành thật trước khi bàn tới việc mở rộng. Nếu cần bản đầy đủ của bảng soi này kèm ví dụ điền mẫu, để lại thông tin, đội ngũ Smartcore gửi lại.