Hai con số đáng đọc kỹ trước khi sợ
Trong năm 2025, hai thông tin về dự án AI được trích dẫn rất nhiều. Thứ nhất, hãng phân tích Gartner dự báo hơn 40% dự án agentic AI (AI Agents tự thực hiện chuỗi việc) sẽ bị hủy đến cuối năm 2027, với lý do chi phí tăng, giá trị kinh doanh không rõ và kiểm soát rủi ro chưa đủ. Thứ hai, một báo cáo của sáng kiến NANDA thuộc MIT cho rằng phần lớn các dự án thí điểm AI tạo sinh chưa tạo ra tác động đo được lên lợi nhuận.
Cần nói thẳng về giới hạn của chúng. Chúng tôi chưa đọc được bản gốc của Gartner lẫn báo cáo gốc của MIT; nội dung dưới đây dựa trên các bài báo thuật lại (Outlook Business, Fortune, Virtualization Review). Con số "95%" cũng không phải tỷ lệ thất bại chung của mọi doanh nghiệp: theo các bài báo, nó xuất phát từ việc chỉ khoảng 5% dự án thí điểm tích hợp (hoặc công cụ AI tự xây cho doanh nghiệp) đạt tới mức tạo giá trị lớn hoặc đưa vào vận hành. Mẫu nghiên cứu gồm các sáng kiến AI được công bố, phỏng vấn và khảo sát, nhưng các bài báo nêu số lượng mẫu không thống nhất (Fortune nói 150 cuộc phỏng vấn và 350 nhân viên được khảo sát; Virtualization Review nói 52 cuộc phỏng vấn và 153 phản hồi khảo sát), và cũng không giải thích cách định nghĩa "thành công". Vì vậy hãy xem đây là tín hiệu cảnh báo, không phải định luật.
Dù vậy, các nguyên nhân được nêu lại khá quen thuộc với bất kỳ chủ doanh nghiệp nào. Dưới đây là năm sai lầm mà chúng tôi rút ra, kết hợp dữ kiện đã kiểm chứng với quan sát về quản trị. Phần diễn giải là góc nhìn của BLA Tech, không phải kết luận của các báo cáo.
Sai lầm 1: Làm thử cho vui, không có bài toán kinh doanh
Gartner nhận xét rằng phần lớn dự án agentic AI hiện còn ở giai đoạn thử nghiệm sớm, phần lớn do hype thúc đẩy. Khi mục tiêu là "có AI cho kịp thời đại", dự án sẽ không có điểm dừng và cũng không có người thực sự cần nó.
Bài học: bắt đầu từ một cơn đau cụ thể (ví dụ: nhân viên mất nửa ngày mỗi tuần để đối chiếu đơn hàng), không bắt đầu từ công cụ.
Sai lầm 2: Không gắn chỉ số kết quả
Báo cáo của MIT, theo các bài báo, nhấn mạnh tác động lên P&L. Một dự án không có chỉ số trước khi làm thì sau ba tháng chỉ còn cảm giác "hình như tiện hơn".
Bài học: trước khi cấu hình bất cứ thứ gì, hãy chốt một con số gốc và một con số mục tiêu: thời gian xử lý, tỷ lệ lỗi, số khách được phản hồi trong 5 phút, chi phí mỗi đơn.
Sai lầm 3: Chọn công cụ theo hype
Gartner cảnh báo hiện tượng "agent washing": nhà cung cấp gắn nhãn agent lên chatbot, trợ lý hoặc RPA có sẵn. Theo Outlook Business thuật lại, Gartner ước tính chỉ khoảng 130 trong hàng nghìn nhà cung cấp agentic AI là thật sự có năng lực này. Với một SME, rủi ro là mua gói đắt tiền cho thứ mà một quy tắc tự động đơn giản đã làm được.
Bài học: hỏi nhà cung cấp một câu: "Hệ thống tự quyết định và hành động ở bước nào, và ai kiểm tra?" Nếu câu trả lời mơ hồ, hãy dè chừng.
Sai lầm 4: Tự động hóa một quy trình chưa rõ ràng
Theo bài báo thuật lại, Gartner nhận định trong nhiều trường hợp, nghĩ lại quy trình từ đầu với agentic AI là con đường lý tưởng, thay vì chỉ cắm AI vào cách làm cũ. Báo cáo MIT, theo các bài báo, chỉ ra nút thắt nằm ở chỗ hệ thống không ghi nhớ phản hồi, không thích nghi với bối cảnh và không cải thiện theo thời gian, tức là khớp kém với công việc hằng ngày.
Bài học: nếu hai nhân viên làm cùng một việc theo hai cách khác nhau, hãy thống nhất quy trình trước. AI nhân bản sự lộn xộn rất nhanh.
Sai lầm 5: Không có người chịu trách nhiệm
Báo cáo MIT, theo Fortune, cho rằng các quản lý tuyến đầu, không chỉ phòng thí nghiệm AI tập trung, cần được trao quyền dẫn dắt việc áp dụng. Với SME, phiên bản của việc này là: dự án AI phải có một chủ sở hữu nghiệp vụ có tên, có quyền quyết định và có trách nhiệm với chỉ số.
Bài học: chủ sở hữu không phải là "bên IT" hay "bên tư vấn". Đó là người trưởng bộ phận đang chịu áp lực bởi chính quy trình đó.
Ví dụ minh họa (giả định)
Hãy hình dung một công ty phân phối nhỏ có ba người xử lý báo giá qua email. Cách làm sai: mua một "AI agent" rồi để cả đội tự thử. Cách làm đúng hơn:
- Chọn một quy trình: báo giá cho nhóm khách hàng quen.
- Đo hiện trạng: mất bao lâu từ lúc nhận yêu cầu tới lúc gửi báo giá, bao nhiêu báo giá sai.
- Viết ra các bước và chỗ cần con người duyệt.
- Giao cho trưởng bộ phận kinh doanh chịu trách nhiệm.
- Chạy 4-6 tuần, so với số gốc, rồi mới quyết định mở rộng hay dừng.
Đây chỉ là ví dụ giả định để minh họa phương pháp, không phải dự án của khách hàng thật.
Kết: kỷ luật quan trọng hơn công nghệ
Các dự báo trên cho thấy thất bại thường đến từ cách ra quyết định, ít khi từ chính mô hình AI. Cách tiếp cận của BLA Tech đi theo thứ tự đó: hiểu bài toán và dựng lại quy trình nếu cần, rồi mới tư vấn giải pháp AI phù hợp, xây hệ thống vận hành với AI Agents và đồng hành như một phòng công nghệ của doanh nghiệp. Nếu bạn đang cân nhắc một dự án AI, hãy bắt đầu bằng việc viết ra một quy trình và một con số cần cải thiện.
