Vỡ mộng AI: bài học cho doanh nghiệp Việt trước làn sóng ứng dụng vội

Khi "ứng dụng AI cho bằng anh bằng em" hoá ra lại là bẫy

Làn sóng AI đã khiến không ít doanh nghiệp lao vào triển khai công cụ mới với niềm tin rằng cứ đưa AI vào là năng suất tự khắc tăng. Nhưng theo một bài tổng hợp trên VnExpress Số hoá, thực tế tại nhiều tập đoàn lớn đang cho thấy bức tranh ngược lại: công cụ chưa ổn định, nhân viên mất thời gian sửa lỗi, dữ liệu bị lộ và chi phí đội lên. Câu chuyện này đáng để các đội kỹ thuật và lãnh đạo công nghệ tại Việt Nam đọc kỹ, bởi phần lớn doanh nghiệp trong nước cũng đang đứng trước cùng một ngã rẽ.

Chuyện gì đang xảy ra ở các tập đoàn lớn

Theo Reuters được bài gốc dẫn lại, Meta đã phải tạm hoãn kế hoạch cắt giảm nhân sự và đẩy mạnh dùng AI, vì nhân viên tốn quá nhiều thời gian xử lý các lỗi kỹ thuật và bảo mật phát sinh. Sau đợt tinh gọn bộ máy năm 2023, công ty đang phải tuyển dụng và mở rộng trở lại đội ngũ quản lý cấp trung — một động thái đi ngược hẳn với kỳ vọng "AI thay người".

Tại Microsoft, phó chủ tịch điều hành Ryan Roslansky phàn nàn về tình trạng "rác AI" tràn lan trong công việc hàng ngày. Ông kể lại việc nhận một tài liệu mà "nhìn qua là biết do AI viết", rồi dùng chính công cụ AI để tóm tắt lại và không thu được ý tưởng gì mới. Cảnh báo của ông: đừng rơi vào vòng lặp tác nhân vừa viết vừa đọc, cuối cùng chỉ tạo ra "đại dương những thứ giống hệt nhau".

Tại Walmart, theo Business Insider, nhân viên cửa hàng và nhà kho gặp rắc rối với công cụ AI phân chia công việc, xếp lịch và theo dõi hiệu suất: lộ trình vô lý khiến họ khó hoàn thành đơn nhanh hơn, cảnh báo an toàn liên tục nhưng vô dụng, lịch trình phi thực tế. Một quản lý nói các hệ thống này mặc định con người phải hoàn hảo 100%, và khẳng định sẽ không bắt nhân viên gánh tiêu chuẩn bất khả thi như vậy.

Ảnh: VnExpress Số hoá

Con số đáng chú ý

Bài gốc dẫn một loạt nghiên cứu cho thấy khoảng cách giữa kỳ vọng và thực tế:

• Nghiên cứu công bố hồi tháng 2 của Ngân hàng Dự trữ Liên bang Atlanta: 90% lãnh đạo thừa nhận nỗ lực triển khai AI chưa làm tăng năng suất.
• Khảo sát công bố tháng trước của Ernst & Young: 36% quản lý cấp cao tại các công ty doanh thu từ 1 tỷ USD trở lên từng gặp sự cố liên quan đến tác nhân, gây mất dữ liệu, thiệt hại tài chính, tổn thất thương hiệu hoặc gián đoạn vận hành.
• Khảo sát của Indeed vào tháng 7: hơn một nửa nhân sự cho biết không được đào tạo bài bản về AI như mong muốn; chỉ 45% lãnh đạo cảm thấy đủ năng lực dẫn dắt nhân viên thành thạo công nghệ này.
• Theo Challenger, Gray & Christmas: hơn 112.000 thông báo cắt giảm việc làm ở Mỹ từ đầu năm 2026 đến nay liên quan tới AI, biến AI thành lý do sa thải hàng đầu.
• Nhóm nghiên cứu Đại học Pittsburgh kết luận trong bài báo công bố tháng 5 rằng năng suất không tăng sau khi doanh nghiệp đầu tư vào AI và cắt giảm nhân viên.

Vì sao AI "giỏi" mà vẫn làm hỏng việc

Forbes được bài gốc trích dẫn chỉ ra giới hạn cốt lõi: AI đọc và trả lời câu hỏi rất tốt nhưng không đưa ra phán đoán thay con người, không ghi nhớ tương tác trước đó và không xây dựng được quan hệ với khách hàng. Ví dụ, sau khi sa thải nhân viên viết nội dung, phòng marketing mới nhận ra bài do AI tạo kém hấp dẫn vì mô hình không hiểu bản sắc thương hiệu lẫn mong muốn thực sự của khách. Tương tự, tác nhân xử lý hoá đơn rất nhanh nhưng không phát hiện được điểm bất thường mà chỉ kế toán lâu năm mới nhận ra nhờ kinh nghiệm. Với đội sale, AI lọc được khách tiềm năng nhưng bất lực trong việc xây dựng niềm tin để chốt hợp đồng.

Jessica Reif, trợ lý giáo sư quản trị kinh doanh tại Trường Wharton (Đại học Pennsylvania), chỉ ra một rào cản khác: AI có xu hướng đưa ra kết quả trông thuyết phục nhưng chứa sai sót khó phát hiện ngay. Lỗi vì thế lan truyền qua toàn bộ quy trình thay vì bị chặn tại chỗ, khiến rắc rối nhân lên.

Zack Mabel, giám đốc nghiên cứu tại Trung tâm Giáo dục và Lực lượng lao động thuộc Đại học Georgetown, mô tả nghịch lý: nhân viên bị bắt dùng công cụ khi chưa được hướng dẫn, còn quản lý chịu áp lực phải ứng dụng ngay để tăng năng suất nhưng không được phép giảm chất lượng.

Điều này có ý nghĩa gì với doanh nghiệp Việt Nam

Phần lớn doanh nghiệp Việt không có quy mô như Meta hay Walmart, nhưng các mẫu hình lỗi thì rất giống những gì đang diễn ra trong các đội kỹ thuật và vận hành tại Việt Nam.

Thứ nhất, chi phí ẩn của "AI hoá" quy trình. Một công ty phần mềm Việt đưa trợ lý AI vào khâu viết tài liệu và review code có thể tiết kiệm thời gian soạn thảo, nhưng nếu không có quy trình kiểm duyệt, đội senior sẽ tốn thời gian gỡ những đoạn code "trông đúng" nhưng sai logic — đúng kiểu "rác AI" mà Roslansky mô tả. Chi phí sửa lỗi có thể lớn hơn chi phí tiết kiệm được, nhất là khi tính cả thời gian context switching.

Thứ hai, rủi ro dữ liệu và bảo mật. Bài gốc nêu Palantir, Booz Allen Hamilton và Nvidia phải siết chặt quy định vì lo ngại nhà cung cấp AI làm rò rỉ dữ liệu. Với doanh nghiệp Việt hoạt động trong lĩnh vực tài chính, y tế hay gia công phần mềm cho khách nước ngoài, việc dán dữ liệu khách hàng vào chatbot công cộng là rủi ro tuân thủ rất thực tế, đặc biệt khi hợp đồng có điều khoản bảo mật nghiêm ngặt.

Thứ ba, bài toán đào tạo. Con số hơn một nửa nhân sự không được đào tạo bài bản của Indeed phản ánh đúng thực trạng nhiều công ty Việt: mua license công cụ AI rồi phát cho nhân viên, kèm một buổi giới thiệu 30 phút. Cách làm "mỳ ăn liền" này — như bài gốc gọi — không tạo ra năng lực thực sự. Một số công ty đang chuyển sang đào tạo chuyên sâu, dài hạn, bám sát từng vị trí; đó là hướng đáng cân nhắc thay vì tổ chức webinar tràn lan.

Thứ tư, cẩn thận với quyết định cắt giảm nhân sự dựa trên kỳ vọng AI. Kết luận của nhóm Đại học Pittsburgh rằng năng suất không tăng sau khi đầu tư AI và cắt giảm nhân viên là lời cảnh báo trực tiếp. Với các công ty outsourcing hay startup đang tối ưu chi phí, việc thay thế người bằng tác nhân ở những khâu cần phán đoán (chăm sóc khách hàng, kiểm soát chất lượng, kế toán) có thể tiết kiệm trước mắt nhưng tạo ra nợ kỹ thuật và nợ niềm tin về sau.

Ai nên đọc kỹ bài học này

• CTO/Engineering Manager đang cân nhắc đưa AI vào pipeline phát triển: nên xem lại quy trình review, test và rollback trước khi mở rộng.
• Đội vận hành và chăm sóc khách hàng đang dùng tác nhân để phân việc, xếp lịch: cần kiểm tra xem logic của tác nhân có phản ánh đúng ràng buộc thực tế hay chỉ tối ưu trên giấy.
• Lãnh đạo doanh nghiệp vừa và nhỏ chịu áp lực "phải có AI": nên đặt câu hỏi về KPI đo lường trước khi ký hợp đồng với nhà cung cấp.
• Nhóm pháp chế và bảo mật: cần rà lại chính sách dữ liệu khi nhân viên tự do dùng công cụ AI bên ngoài.

Cách thử nhanh và có kiểm soát

Không có lệnh cài đặt cụ thể nào trong bài gốc, nhưng từ các bài học trên có thể rút ra vài bước thực hành:

1. Chọn một quy trình nhỏ, đo được (ví dụ: tóm tắt ticket hỗ trợ) thay vì triển khai toàn công ty.
2. Đặt baseline trước khi bật AI: thời gian xử lý, tỷ lệ lỗi, số lần phải sửa lại. Nếu sau 4–6 tuần các chỉ số không cải thiện, dừng lại thay vì mở rộng.
3. Thiết lập chính sách dữ liệu rõ ràng: danh mục nào được phép đưa vào công cụ AI, danh mục nào tuyệt đối không, và dùng công cụ có cam kết không huấn luyện trên dữ liệu khách hàng.
4. Đào tạo theo vai trò thay vì đào tạo đại trà: kế toán cần hiểu cách kiểm chứng số liệu AI, lập trình viên cần hiểu cách review code do AI sinh ra.
5. Giữ người có kinh nghiệm trong vòng kiểm duyệt ở các khâu then chốt, đúng như ví dụ về kế toán lâu năm phát hiện giao dịch bất thường.

Những điểm cần lưu ý

Các số liệu trong bài đều đến từ nghiên cứu và khảo sát của bên thứ ba (Ngân hàng Dự trữ Liên bang Atlanta, Ernst & Young, Indeed, Đại học Pittsburgh, Challenger, Gray & Christmas) do VnExpress tổng hợp và trích dẫn lại — nên đọc bản gốc của từng nghiên cứu nếu cần dùng cho quyết định đầu tư. Bối cảnh chủ yếu là doanh nghiệp Mỹ và các tập đoàn toàn cầu; điều kiện tại Việt Nam có thể khác về quy mô, hạ tầng dữ liệu và mức độ sẵn sàng của nhân sự. Ngoài ra, bài gốc là bài tổng hợp từ Reuters, Business Insider, Forbes, Guardian và các nguồn khác, không phải khảo sát độc lập riêng cho thị trường Việt Nam.

Kết luận

Thông điệp đáng nhớ nhất đến từ Johnny C. Taylor Jr, chủ tịch kiêm CEO Hiệp hội Quản lý nhân sự (SHRM), được Guardian dẫn lại: "Chúng ta đang vừa lái xe vừa lắp ráp xe cùng lúc... Nếu được quay ngược thời gian, chúng ta nên sử dụng AI chậm rãi và kỹ lưỡng hơn." Với doanh nghiệp Việt, lợi thế là người đến sau: có thể học từ sai lầm của những người đi trước, chọn quy trình hẹp, đo lường nghiêm túc và giữ con người ở những điểm ra quyết định — thay vì chạy đua số lượng công cụ AI được triển khai.

Nguồn: VnExpress Số hoá