Nhiều doanh nghiệp đã dùng AI cho marketing và chăm sóc khách hàng, nhưng vẫn dừng lại khi nghĩ tới việc giao kho, mua hàng hay công nợ cho AI agent. Bài đánh giá này soi AI agent theo bốn tiêu chí thực tế của vận hành lõi: khả năng chịu sai sót, yêu cầu chất lượng dữ liệu, khả năng tích hợp hệ thống cũ và hạ tầng quản trị. Kết luận không phải "nên" hay "không nên", mà là điều kiện nào cần có trước.
AI agent đang được doanh nghiệp triển khai tới đâu?
Trước khi chấm điểm, cần biết thị trường thực ra đã đi tới đâu.
Theo khảo sát The state of AI in 2025 của McKinsey (công bố tháng 11/2025, 1.993 người trả lời tại 105 quốc gia, khảo sát trực tuyến từ 25/6 đến 29/7/2025, mẫu nghiêng về doanh nghiệp lớn và được gán trọng số theo đóng góp GDP của từng quốc gia):
- 23% người trả lời cho biết tổ chức của họ đang mở rộng một hệ thống AI agent ở đâu đó trong doanh nghiệp.
- Thêm 39% cho biết đã bắt đầu thử nghiệm với AI agent.
- Nhưng việc sử dụng agent chưa lan rộng: phần lớn nhóm đang mở rộng chỉ làm ở một hoặc hai chức năng, và ở bất kỳ chức năng kinh doanh đơn lẻ nào, không quá 10% tổ chức cho biết đang mở rộng AI agent.
Một điểm cần nói thẳng để tránh hiểu nhầm phổ biến: McKinsey ghi nhận agent được dùng nhiều nhất ở CNTT và quản trị tri thức, với các trường hợp như quản lý service desk và nghiên cứu chuyên sâu, chứ không phải marketing.
Tại Việt Nam, dữ liệu công khai gần nhất về phân bổ ứng dụng AI theo nhóm việc đến từ khảo sát thường niên 15.000 nhà bán lẻ và dịch vụ ăn uống do Công ty CP Công nghệ Sapo thực hiện, được báo Thế Giới và Việt Nam đưa tin: nhóm công việc được ưu tiên ứng dụng AI nhiều nhất là marketing và quảng cáo (59,9%), phân tích dữ liệu và báo cáo (52,0%), chăm sóc khách hàng (47,1%). Rào cản chính được nêu là thiếu kiến thức hoặc nhân sự phù hợp (55,9%), chi phí đầu tư (53,3%) và chưa nhìn thấy hiệu quả rõ ràng (34,6%).
Hai lưu ý khi đọc con số này: đây là AI nói chung chứ chưa tách riêng AI agent, và mẫu khảo sát là nhà bán lẻ cùng dịch vụ ăn uống, do một nhà cung cấp phần mềm bán hàng thực hiện, nên không đại diện cho doanh nghiệp sản xuất hay B2B.
Cả số liệu thế giới lẫn số liệu Việt Nam đều chỉ về một chỗ: AI đang dừng ở lớp front-office, nơi có người xem lại kết quả trước khi nó thành hậu quả. Phần vận hành lõi vẫn còn khoảng cách.
Tiêu chí 1: vận hành lõi chịu được sai sót tới đâu?
Đây là khác biệt lớn nhất, và cũng là thứ hay bị bỏ qua khi bàn về AI agent.
Một agent viết sai một đoạn nội dung marketing thì người biên tập sửa lại, chi phí gần như bằng không. Một agent ghi sai một phiếu nhập kho thì hậu quả không dừng ở phiếu đó: tồn kho lệch, giá vốn lệch, công nợ nhà cung cấp lệch, và sai số đi tiếp vào báo cáo tài chính. Việc phát hiện thường xảy ra muộn, ở kỳ kiểm kê hoặc lúc đối chiếu công nợ.
McKinsey ghi nhận 51% người trả lời từ các tổ chức đang dùng AI cho biết tổ chức của họ đã gặp ít nhất một hậu quả tiêu cực, trong đó gần một phần ba tổng số người trả lời báo cáo hậu quả bắt nguồn từ việc AI trả kết quả thiếu chính xác.
Trong marketing, đó là phiền toái. Trong kế toán, kho và mua hàng, đó là rủi ro tài chính và rủi ro tuân thủ.
Đánh giá tiêu chí 1: phù hợp với nhóm việc có bước người kiểm tra trước khi phát sinh hậu quả. Chưa phù hợp với nhóm việc ghi thẳng vào sổ sách mà không có chốt kiểm soát.
Tiêu chí 2: dữ liệu của doanh nghiệp đã đủ chuẩn cho agent chưa?
Marketing có thể chạy trên dữ liệu "đủ tốt". Vận hành lõi cần dữ liệu đúng và hợp nhất.
Cisco AI Readiness Index 2025 khảo sát hơn 8.000 lãnh đạo doanh nghiệp phụ trách tích hợp và triển khai AI, tại các tổ chức từ 500 nhân sự trở lên, ở 30 thị trường trong đó có Việt Nam, thực hiện bằng khảo sát trực tuyến hai chiều mù. Kết quả về nền dữ liệu:
- Chỉ 19% doanh nghiệp có dữ liệu nội bộ được tập trung hoàn toàn, cho phép các sáng kiến AI truy cập dễ dàng.
- Chỉ khoảng một phần ba có dữ liệu sạch, tập trung, tích hợp thời gian thực sẵn cho AI agent.
- Chỉ 34% cho rằng hạ tầng CNTT của họ đủ linh hoạt và mở rộng được.
Nói cách khác, phần lớn doanh nghiệp chưa có nền để agent chạm vào kho, mua hàng hay công nợ. Đây cũng là điều Smartcore quan sát khi tư vấn cho doanh nghiệp Việt: mã hàng mỗi phòng đặt một kiểu, tồn kho ghi trên phần mềm bán hàng nhưng đối chiếu bằng file Excel của thủ kho, công nợ theo dõi riêng ở kế toán. Agent đọc vào đó sẽ không biết con số nào là đúng.
Tại một hội nghị do Trung tâm Xúc tiến Thương mại và Đầu tư TP.HCM tổ chức ngày 14/8/2026, ông Nguyễn Minh Liêm, Giám đốc Công ty CP Công nghệ BYTE, nêu ba điểm nghẽn cốt lõi khiến doanh nghiệp chưa chuyển được giải pháp công nghệ thành kết quả kinh doanh (theo báo Nhân Dân):
- Dữ liệu phân mảnh trên nhiều hệ thống.
- Thông tin thiếu chuẩn xác hoặc đã quá hạn.
- Mất kết nối giữa khâu phân tích với khâu thực thi hành động. Đây là nhận định chuyên gia tại hội nghị, không phải kết quả khảo sát, nhưng mô tả khá sát tình trạng phổ biến.
Đánh giá tiêu chí 2: đây là nút thắt gốc rễ. Đây cũng là lý do việc chuẩn hoá dữ liệu trước khi ứng dụng AI luôn được đặt trước việc chọn công cụ.
Tiêu chí 3: agent có tích hợp được với hệ thống đang chạy không?
Agent trong marketing chủ yếu đọc và ghi vào công cụ nội dung. Agent trong vận hành lõi phải có quyền ghi vào hệ thống ghi sổ của doanh nghiệp, nơi lưu số liệu chính thức.
Gartner nhận định việc tích hợp agent vào hệ thống cũ có thể phức tạp về kỹ thuật, thường làm gián đoạn quy trình và đòi hỏi những sửa đổi tốn kém; trong nhiều trường hợp, thiết kế lại quy trình từ đầu cùng với AI agent mới là con đường triển khai thành công.
Khảo sát UOB Business Outlook Study 2026 (Vietnam) H1 cũng ghi nhận đúng vấn đề này ở doanh nghiệp Việt: nhiều nơi đưa công cụ mới vào rồi mới phát hiện chúng không tích hợp trơn tru với hệ thống cũ. Các thách thức được UOB nêu gồm:
- Hạn chế về chi phí.
- Mức độ sẵn sàng của hệ sinh thái đối tác.
- Giới hạn về dữ liệu và hệ thống công nghệ.
- Các cân nhắc liên quan đến quy định.
Đánh giá tiêu chí 3: khả thi khi doanh nghiệp đã có một hệ thống ghi sổ thống nhất với giao diện kết nối rõ ràng. Rất khó khi số liệu chính thức đang nằm rải ở nhiều phần mềm và file.
Tiêu chí 4: doanh nghiệp có quản trị được agent không?
Câu hỏi cuối cùng thường bị bỏ qua: khi agent thực hiện một hành động trong hệ thống, ai chịu trách nhiệm.
Vận hành lõi cần trả lời được ba việc:
- Agent có định danh riêng không, và quyền hạn tới đâu?
- Ai duyệt các hành động vượt ngưỡng?
- Dấu vết kiểm toán được lưu ở đâu để tra lại? Yêu cầu tối thiểu là coi agent như một thực thể được quản lý trong hệ thống, có người sở hữu và có thể truy vết, thay vì một công cụ dùng chung không ai đứng tên.
Thực tế còn cách xa yêu cầu đó. Cisco ghi nhận chỉ 31% doanh nghiệp cảm thấy đủ năng lực bảo mật các hệ thống AI tự ra quyết định, và chỉ 32% có quy trình đo lường tác động của các sáng kiến AI.
Gartner cũng lưu ý hiện tượng "agent washing", tức là một số sản phẩm được gọi là agent nhưng thực chất gần với trợ lý AI, RPA hay chatbot. Với doanh nghiệp, điều này không nói lên nhà cung cấp nào tốt hay xấu, mà nói rằng khi chọn công cụ nên hỏi thẳng ba việc: agent tự ra quyết định tới đâu, ghi được vào hệ thống nào, và dấu vết kiểm toán nằm ở đâu.
Đánh giá tiêu chí 4: đây là lớp hạ tầng phần lớn doanh nghiệp chưa xây. Chưa có lớp này thì agent chỉ nên dừng ở nơi hậu quả nhẹ.
AI agent hiện mạnh ở đâu và cần lưu ý điều gì?
Điểm mạnh:
- Đã đủ tốt ở nhóm việc có bước kiểm tra của con người trước khi phát sinh hậu quả: soạn nội dung, tổng hợp thông tin, tra cứu tài liệu nội bộ, trả lời câu hỏi lặp lại, hoặc hỗ trợ đối chiếu công nợ và phát hiện sai lệch số liệu để người phụ trách xem lại.
- Giảm được thời gian cho các thao tác tra cứu và tổng hợp thủ công, vốn chiếm phần đáng kể quỹ thời gian của đội vận hành.
- Kỳ vọng thị trường rất lớn: Cisco ghi nhận 83% tổ chức có kế hoạch triển khai AI agent, gần 40% kỳ vọng agent làm việc cùng nhân viên trong vòng một năm. Hệ sinh thái công cụ vì thế sẽ tiếp tục hoàn thiện nhanh.
Điểm cần lưu ý:
- Gartner dự báo hơn 40% dự án AI agent sẽ bị huỷ trước cuối năm 2027 do chi phí leo thang, giá trị kinh doanh không rõ ràng hoặc kiểm soát rủi ro chưa đủ. Đây là dự báo của nhà phân tích, không phải số đo thực tế đã xảy ra.
- Nhiều trường hợp đang được gọi là agentic thực ra không cần tới agent, theo nhận định của Gartner.
- Phần khó không nằm ở việc mua công cụ mà ở việc thiết kế lại quy trình. McKinsey ghi nhận các tổ chức đạt hiệu quả cao có khả năng cao gấp gần ba lần đã thiết kế lại triệt để từng quy trình, và đây là một trong những yếu tố đóng góp mạnh nhất vào tác động kinh doanh thực chất.
Doanh nghiệp nào nên bắt đầu, và bắt đầu thế nào?
Không có câu trả lời chung, nhưng có một bài kiểm tra đơn giản. Chọn một quy trình vận hành lặp đi lặp lại và trả lời ba câu hỏi:
- Dữ liệu của quy trình này có nằm trên một hệ thống duy nhất không, hay còn rải ở Excel và các phần mềm riêng lẻ?
- Quy trình có trạng thái rõ ràng và phân quyền minh bạch không: ai tạo, ai duyệt, ai được sửa?
- Nếu agent làm sai một bước, mất bao lâu để phát hiện và ai phát hiện?
Trả lời được cả ba: doanh nghiệp đã đủ điều kiện thử nghiệm agent ở quy trình đó, bắt đầu ở chế độ đề xuất để người duyệt trước khi ghi vào hệ thống.
Vướng ở câu đầu tiên: việc cần làm trước không phải chọn agent mà là đưa dữ liệu về một nguồn. Tham khảo thêm lộ trình ứng dụng AI cho SME và nền tảng dữ liệu cần có để AI agent làm việc thật.
Vướng ở câu thứ hai: chuẩn hoá quy trình và phân quyền trước, vì agent không thể tự sinh ra một quy trình mà doanh nghiệp chưa có.
Tình huống minh hoạ: một doanh nghiệp phân phối quy mô vừa muốn dùng AI agent để tự động tạo đề nghị mua hàng khi tồn kho xuống dưới ngưỡng. Ở lần thử đầu, agent liên tục đề xuất sai vì số tồn thực tế trên phần mềm bán hàng lệch với file theo dõi của thủ kho. Sau khi đưa tồn kho về một nguồn duy nhất và định nghĩa rõ ngưỡng tồn tối thiểu cho từng nhóm hàng, agent chuyển sang chạy ở chế độ đề xuất để trưởng phòng mua hàng duyệt, và bắt đầu tiết kiệm được thời gian rà soát thủ công. Đây là ví dụ minh hoạ cho cách tiếp cận, không phải số liệu của một khách hàng cụ thể.
Nếu doanh nghiệp của bạn đang cân nhắc giao một phần vận hành cho AI agent, Smartcore có thể cùng bạn đánh giá mức độ sẵn sàng của dữ liệu và quy trình trước khi chọn công cụ.