AI doanh nghiệp đang thu hút sự quan tâm hơn bao giờ hết. Các doanh nghiệp liên tục triển khai những dự án thử nghiệm, trình diễn giải pháp nội bộ và nhanh chóng ghi nhận những thành công ban đầu. Thế nhưng, khi bước sang giai đoạn đưa AI vào vận hành thực tế, câu chuyện lại thường rẽ sang một hướng khác.

Đây chính là giai đoạn mà nhiều doanh nghiệp bắt đầu rơi vào bế tắc.

Một dự án thí điểm có thể mang lại những kết quả đầy hứa hẹn trong một môi trường được kiểm soát. Thậm chí, nó còn đủ sức thuyết phục các bên liên quan để thúc đẩy đầu tư mở rộng. Tuy nhiên, đưa AI từ một thử nghiệm thành công vào vận hành ổn định trên quy mô thực tế là một bài toán hoàn toàn khác. Và với phần lớn doanh nghiệp, đó cũng là thời điểm những vấn đề thực sự bắt đầu xuất hiện.

Đây không phải là thất bại ngẫu nhiên. Trái lại, các doanh nghiệp thường lặp lại những sai lầm giống nhau theo một quy luật hoàn toàn có thể dự đoán.

Phần lớn các dự án AI không thể vượt qua giai đoạn thử nghiệm vì cùng một số nguyên nhân cốt lõi: dữ liệu chưa sẵn sàng, quản lý thay đổi còn hạn chế, các quyết định vẫn bị chia cắt giữa các phòng ban và doanh nghiệp chưa thực sự hiểu điều kiện cần để mở rộng AI thành công. Nếu muốn AI vận hành hiệu quả trong thực tế, doanh nghiệp cần ngừng xem giai đoạn vận hành như phần tiếp nối của giai đoạn thử nghiệm. Thay vào đó, hãy nhìn nhận đây là một mô hình vận hành hoàn toàn khác.

Quá trình thử nghiệm thành công, nhưng vận hành thực tế lại phơi bày những lỗ hổng.

Giai đoạn thí điểm được triển khai trong một môi trường quá lý tưởng chính là một trong những lý do rõ ràng nhất khiến các dự án AI thất bại.

Trong giai đoạn thử nghiệm, các đội ngũ thường làm việc với nguồn dữ liệu chất lượng cao, phạm vi triển khai được giới hạn và có nhiều hỗ trợ thủ công hơn. Dữ liệu có thể đã được sàng lọc, chuyển đổi thủ công giữa các nền tảng hoặc được làm sạch một phần trước khi đưa vào sử dụng. Điều đó khiến mọi thứ có vẻ vận hành rất mượt mà, nhưng đồng thời cũng tạo ra một viễn cảnh lý tưởng khó có thể duy trì khi AI được triển khai trên quy mô thực tế.

Nhiều dự án thử nghiệm được xây dựng trong những điều kiện gần như tách biệt khỏi thực tế. Những kết quả ấn tượng đạt được phần lớn dựa trên nguồn dữ liệu tốt nhất. Nhưng khi giải pháp đó bước vào môi trường vận hành thực tế đầy phức tạp, hiệu quả thường bắt đầu suy giảm.

Đây là một trong những khác biệt lớn nhất giữa một bản demo và AI trong vận hành thực tế.

Trong môi trường vận hành thực tế, dữ liệu thường không đầy đủ, thiếu nhất quán, rời rạc và liên tục thay đổi. Các hệ thống không phải lúc nào cũng kết nối liền mạch với nhau. Những trường hợp ngoại lệ bắt đầu xuất hiện. Các tình huống phát sinh ngày càng nhiều. Những quyết định mang tính kinh nghiệm của nhân viên được đưa vào quy trình theo nhiều tình huống chưa từng được ghi nhận trong giai đoạn thử nghiệm. Nói cách khác, thế giới thực vẫn vận hành đúng như bản chất phức tạp của nó.

Điều này đặc biệt quan trọng vì trong thực tế vận hành, AI phải hoạt động hiệu quả trong chính những điều kiện đó, chứ không phải trong một môi trường thử nghiệm đã được tối ưu hóa.

Dữ liệu cần thiêt cho AI trong vận hành thực tế: Bối cảnh còn thiếu

Khi nhắc đến “bài toán dữ liệu”, nhiều doanh nghiệp thường chỉ nghĩ đến chất lượng dữ liệu. Nhưng trên thực tế, vấn đề thường rộng hơn rất nhiều.

Đôi khi, dữ liệu đơn giản là không tồn tại dưới dạng có thể sử dụng được. Lấy một ví dụ phổ biến trong các quy trình back-office: những nhân viên phân tích giàu kinh nghiệm thường phân loại công việc dựa trên các dấu hiệu và kinh nghiệm mà họ đã tích lũy qua nhiều năm làm việc. Những tín hiệu đó chưa bao giờ được ghi lại đầy đủ. Thông tin quan trọng bị thiếu không phải là cơ sở dữ liệu, mà là sự hiểu biết về cách công việc thực sự diễn ra.

Chính vì vậy, nhiều dự án AI chững lại trước khi có thể triển khai ở quy mô thực tế.

Nếu 10% cuối cùng của quá trình ra quyết định vẫn chỉ nằm trong đầu một cá nhân, AI sẽ không thể học và tái thực hiện nó một cách nhất quán. Trước khi có thể mở rộng AI ở quy mô lớn, doanh nghiệp cần ghi nhận và chuẩn hóa những kinh nghiệm, quy tắc xử lý và các tình huống ngoại lệ mà những nhân viên giàu kinh nghiệm vẫn áp dụng mỗi ngày. Trong nhiều trường hợp, điều đó đơn giản là phải ghi lại cách công việc thực sự được thực hiện ngoài thực tế.

Trong những trường hợp khác, dữ liệu đã có nhưng lại nằm rải rác trên các hệ thống tách biệt với nhau. Một nền tảng đặt chỗ nắm giữ một phần thông tin. Hệ thống CRM giữ một phần khác. Trong khi đó, đội ngũ vận hành lại sở hữu một bộ dữ liệu khác. Ở giai đoạn thử nghiệm, các nhóm có thể tạm thời kết nối những mảnh dữ liệu này bằng các bước xử lý thủ công. Tuy nhiên, cách làm đó khó có thể duy trì khi mở rộng quy mô.

Nếu muốn AI vận hành ổn định trong thực tế, dữ liệu cần được kết nối xuyên suốt từ đầu đến cuối.

Hầu hết tổ chức đánh giá thấp khía cạnh con người trong việc mở rộng

Một sai lầm phổ biến khác là cho rằng những thất bại khi đưa AI vào vận hành chỉ đơn thuần là vấn đề về công nghệ.

Nhưng thường thì không phải vậy.

Bạn có thể tự động hóa một phần của quy trình, nhưng ở đầu và cuối quy trình đó vẫn luôn có sự tham gia của con người. Khách hàng trực tiếp trải nghiệm những gì AI tạo ra. Nhân viên đưa công việc vào hệ thống tự động và nhận lại kết quả ở đầu ra. Nếu những điểm chuyển giao này không được thiết kế tốt, hoặc mọi người không hiểu tầm quan trọng của sự thay đổi, việc ứng dụng AI sẽ nhanh chóng gặp trở ngại.

Đó cũng là lý do quản lý thay đổi là một trong những yếu tố then chốt để AI có thể đi vào vận hành thành công.

Và quản lý thay đổi không chỉ đơn thuần là đào tạo. Chỉ hướng dẫn nhân viên nhấp vào đâu hay giao diện mới trông như thế nào là chưa đủ. Nhân viên cần hiểu vì sao quy trình mới tốt hơn, tổ chức kỳ vọng điều gì ở họ và thành công sẽ được đo lường như thế nào. Nếu sự thay đổi tạo ra cảm giác mơ hồ, làm phát sinh thêm trở ngại hoặc khiến mọi người cảm thấy rủi ro hơn, mọi người sẽ nhanh chóng quay lại cách làm quen thuộc trước đây.

Đó thường là lý do ẩn khiến một dự án AI trông có vẻ thành công trong giai đoạn thử nghiệm nhưng không thể phát huy hiệu quả khi đưa vào vận hành thực tế. Công nghệ có thể hoạt động như mong đợi, nhưng tổ chức lại không thực sự đón nhận và ứng dụng nó một cách đầy đủ.

Bài toán KPI phức tạp hơn nhiều người nghĩ

Một dự án thử nghiệm cũng có thể thất bại đơn giản vì doanh nghiệp đang đo lường sai kết quả cần đạt được.

Hãy tưởng tượng một công ty thẻ tín dụng đo lường hiệu quả chăm sóc khách hàng bằng thời lượng cuộc gọi trung bình. Trên góc độ hiệu suất, cuộc gọi càng ngắn càng được xem là hiệu quả. Nhưng nếu mục tiêu thực sự là khuyến khích khách hàng sử dụng thẻ nhiều hơn, thì một cuộc trao đổi dài hơn đôi chút để giải thích rõ các lợi ích của sản phẩm có thể mang lại giá trị kinh doanh lớn hơn đáng kể.

Đây cũng là cách AI trong vận hành thường bị mắc kẹt giữa các KPI rời rạc, thiếu liên kết.

Một bộ phận tập trung tối ưu tốc độ. Một bộ phận khác chịu trách nhiệm về doanh thu. Bộ phận thứ ba phụ trách trải nghiệm khách hàng. Không bộ phận nào có cái nhìn đầy đủ về toàn bộ chuỗi giá trị, và mỗi bộ phận lại được đánh giá bằng những chỉ số khác nhau. Kết quả là sáng kiến AI bị đánh giá dựa trên những chỉ số vận hành riêng lẻ, thay vì tác động thực sự mà nó tạo ra cho toàn bộ doanh nghiệp.

Điều đó dễ dẫn đến những quyết định mang tính ngắn hạn. Đồng thời, nó cũng khiến việc chứng minh hiệu quả đầu tư trở nên khó khăn hơn.

Hiệu quả đầu tư không phải phép tính một lần

Nhiều doanh nghiệp muốn có một bài toán kinh doanh thật rõ ràng trước khi quyết định mở rộng AI. Nhưng chính điều đó lại khiến họ chậm lại. Thực tế là hiệu quả đầu tư của AI không phải một con số được xác định một lần và giữ nguyên mãi mãi.

Nó phải được phát triển liên tục.

Khi các nhóm bắt đầu thử nghiệm và triển khai giải pháp, họ sẽ dần nhận ra điều gì hiệu quả, điều gì không, phần nào có thể tự động hóa và phần nào vẫn cần sự giám sát của con người. Một mô hình có thể hoạt động rất tốt với những yêu cầu xử lý thông thường, nhưng lại gặp khó khăn với các trường hợp phức tạp hơn. Một thay đổi trong quy trình có thể tạo ra giá trị ở một giai đoạn cụ thể, nhưng chưa chắc mang lại hiệu quả cho toàn bộ quy trình. Vì vậy,mô hình đo lường hiệu quả đầu tư cũng cần được điều chỉnh và hoàn thiện liên tục cùng với sự thay đổi của giải pháp.

Đây là sự chuyển đổi tư duy quan trọng đối với các lãnh đạo nếu muốn thành công với AI. Đưa AI vào vận hành thực tế không phải là điểm kết thúc của quá trình thử nghiệm. Ngược lại, đó mới là điểm khởi đầu của một hành trình liên tục cải tiến và hoàn thiện.

Mở rộng AI đồng nghĩa với việc chấp nhận rằng hành trình này không bao giờ thực sự kết thúc

Đó có lẽ là khác biệt lớn nhất giữa một dự án thí điểm và AI trong môi trường vận hành thực tế.

Quá trình thử nghiệm sẽ có điểm kết thúc. Nhưng vận hành thực tế thì không.

Trong giai đoạn thử nghiệm, thành công thường được gói gọn trong một câu hỏi: Mô hình có hoạt động hay không? Nhưng khi đi vào vận hành thực tế, số lượng câu hỏi tăng lên đáng kể: Hiệu suất có được duy trì theo thời gian không? Quy trình làm việc có thực sự thay đổi không? Kết quả đạt được có đang được cải thiện không? Điều gì đang diễn ra ở các công đoạn trước và sau quy trình đó? Có những rủi ro mới nào đang xuất hiện không? Nhân viên có đang sử dụng hệ thống theo đúng cách được thiết kế hay không?

Đưa AI vào vận hành thực tế đồng nghĩa với việc xây dựng nền tảng cho khả năng cải tiến liên tục, giám sát, quản trị và trách nhiệm vận hành ngay từ ngày đầu tiên.

Nói cách khác, mở rộng AI đồng nghĩa với việc cam kết liên tục điều chỉnh và thích ứng.

Giải pháp nền tảng: Tổ chức vận hành xoay quanh giá trị

Nếu có một thay đổi duy nhất có thể giúp doanh nghiệp nâng cao đáng kể khả năng đưa AI từ giai đoạn thí điểm đến triển khai ở quy mô lớn, thì đó sẽ là: các bộ phận trong tổ chức cần thay đổi cách phối hợp và làm việc với nhau.

Doanh nghiệp cần chuyển từ cách vận hành theo chiều dọc sang cách vận hành theo chiều ngang. Thay vì chỉ xoay quanh những chức năng như marketing, dịch vụ khách hàng hay thực hiện đơn hàng, doanh nghiệp cần được tổ chức xoay quanh các dòng giá trị, nơi các đội nhóm có thể tiếp cận dữ liệu, đưa ra quyết định và quản lý thay đổi một cách xuyên suốt từ đầu đến cuối.

Sự chuyển đổi này là yếu tố then chốt để đưa AI vào vận hành thực tế thành công.

Thiếu điều đó, các nhóm chỉ thấy một lát cắt của vấn đề. Họ tối ưu cục bộ, bỏ lỡ các tác động phía sau và chật vật chứng minh giá trị ở cấp doanh nghiệp. Với tư duy dòng giá trị, việc kết nối đúng dữ liệu, đồng bộ KPI và hỗ trợ toàn bộ quy trình mà AI cần cải thiện trở nên dễ dàng hơn.

Nền tảng AI được xây dựng cho điều kiện thực tế

Phần lớn các dự án AI pilot không thất bại vì công nghệ có vấn đề. Chúng thất bại vì doanh nghiệp xem một thử nghiệm thành công trong môi trường được kiểm soát như thể đó đã là một hệ thống sẵn sàng cho vận hành thực tế.

Nếu muốn AI tạo ra nhiều thành công hơn trong môi trường vận hành thực tế, doanh nghiệp cần sẵn sàng đối mặt với nguồn dữ liệu lộn xộn, ghi nhận những kinh nghiệm và phán đoán đang nằm ngoài hệ thống, đầu tư nghiêm túc cho quản lý thay đổi, gắn các chỉ số đo lường với giá trị kinh doanh thực sự, và xem việc mở rộng AI là một năng lực cần được duy trì liên tục chứ không phải một sự kiện triển khai diễn ra một lần.

Mô hình này khá dễ dự đoán. Và cách khắc phục cũng vậy.

Với những nhà lãnh đạo thực sự nghiêm túc trong việc đưa AI vào vận hành thực tế, đây là một tín hiệu đáng lạc quan. Bởi khi hiểu được lý do vì sao các dự án thí điểm chững lại, doanh nghiệp có thể bắt đầu thiết kế và chuẩn bị cho những gì môi trường vận hành thực tế thực sự đòi hỏi. Hành trình đưa AI vào vận hành thực tế bắt đầu từ dữ liệu tốt hơn, trách nhiệm rõ ràng hơn và những quy trình được thiết kế cho thế giới thực. Nếu bạn đã sẵn sàng triển khai AI được xây dựng cho thực tế vận hành, hãy cùng trao đổi.