Terran Labs
Quay lại Thông tin Hữu ích

Dán Chatbot Lên Quy Trình Cũ Không Phải Là Chuyển Đổi AI

30 minadmin18/11/2026
Dán Chatbot Lên Quy Trình Cũ Không Phải Là Chuyển Đổi AI

Có một cảnh tượng đang lặp lại ở gần như mọi doanh nghiệp lớn: một nhóm chuyển đổi số được thành lập, một ngân sách được duyệt, một nền tảng AI được mua về, và vài tháng sau, nhân viên có thêm một ô chat ở góc màn hình. Quy trình bên dưới thì vẫn y nguyên. Vẫn những biểu mẫu Excel gửi qua lại. Vẫn những cuộc họp phê duyệt ba cấp. Vẫn những kho dữ liệu không nói chuyện được với nhau.

Đó không phải chuyển đổi AI. Đó là một lớp sơn mới trên một cỗ máy cũ, và cỗ máy vẫn kẹt đúng những chỗ nó từng kẹt.

Bài viết này không bàn đến việc nên chọn mô hình ngôn ngữ nào hay nên mua công cụ của ai. Nó bàn đến thứ khó hơn nhiều: vì sao phần lớn nỗ lực AI trong doanh nghiệp hiện nay chỉ tạo ra chi phí tự động hóa, chứ không tạo ra lợi thế cạnh tranh, và một doanh nghiệp cần tái kiến trúc cái gì để thực sự đổi luật chơi.

Một lớp sơn mới trên cỗ máy cũ

Trong nhiều tổ chức, chuyển đổi AI đã bị thu gọn thành một bài tập chèn công nghệ bề mặt. Cách làm quen thuộc: lấy một quy trình cũ, thêm vào đầu quy trình đó một trợ lý hội thoại, rồi gọi đó là đổi mới. Quy trình lõi, hệ thống phân cấp quản lý, các silo dữ liệu và mọi ma sát vận hành vẫn nằm nguyên tại chỗ.

Vấn đề không phải là chatbot dở. Vấn đề là cấu trúc. Nếu một quy trình vốn đã phân mảnh, phụ thuộc giấy tờ và cần năm người duyệt trước khi khách hàng nhận được kết quả, thì việc gắn thêm một giao diện hội thoại vào đầu quy trình chỉ tạo ra một quy trình kém hiệu quả hơn nhưng biết nói. Tốc độ xử lý tăng ở bước đầu, rồi tắc nghẽn lại ở đúng bước cũ. Toàn bộ thời gian chờ vẫn còn đó, chỉ là bây giờ nó khó thấy hơn vì phần đầu đã mượt.

Chuyển đổi thật đòi hỏi một cuộc tái thiết kế cấu trúc: quy trình nghiệp vụ được thiết kế lại, cơ chế ra quyết định được định nghĩa lại, cách tổ chức công việc được xếp lại, và mô hình vận hành được dựng lại từ gốc. Đây là công việc của kiến trúc sư hệ thống, không phải của người mua phần mềm.

Với người đứng đầu doanh nghiệp, hệ quả rất thực dụng: lợi thế cạnh tranh bền vững trong một nền kinh tế thuật toán không đến từ việc thêm công cụ. Nó đến từ việc dựng lại bộ máy vận hành quanh ba trục: quy mô số, phạm vi số và khả năng học liên tục của tổ chức.

Ba tầng khác nhau mà lãnh đạo thường gộp làm một

Phần lớn sự lẫn lộn trong các cuộc họp chiến lược đến từ việc dùng chung một từ cho ba việc rất khác nhau. Phân biệt rõ ba tầng này là bước chẩn đoán đầu tiên, và cũng là bước hay bị bỏ qua nhất.

  • Ứng dụng AI: mua và triển khai các tiện ích AI đóng gói sẵn, ví dụ cấp giấy phép chatbot cho toàn bộ nhân viên. Mô hình vận hành cũ, kiến trúc dữ liệu cũ và các luồng công việc cũ không thay đổi gì.
  • Tự động hóa bằng AI: số hóa từng tác vụ riêng lẻ trong một phòng ban, làm một bước nào đó nhanh hơn nhưng vẫn giữ nguyên hệ thống phân cấp quản lý và các điểm chuyển giao thủ công giữa phòng ban.
  • Chuyển đổi bằng AI: tái kiến trúc toàn bộ mô hình vận hành, đường ống dữ liệu và logic ra quyết định quanh phần mềm và học máy, đưa lao động thủ công ra khỏi đường găng của quá trình thực thi.

Ba tầng này khác nhau không phải ở mức độ đầu tư, mà ở kiến trúc. Cùng một số tiền, tầng một mua được nhiều giấy phép hơn, tầng hai mua được vài quy trình nhanh hơn, còn tầng ba mới có khả năng tạo ra đường cong tăng trưởng khác về bản chất.

Một cách phân biệt hữu ích khác là nhìn vào kiến trúc dữ liệu. Ở tầng ứng dụng, dữ liệu nằm rải rác, tùy nghi, mỗi nơi một kiểu. Ở tầng tự động hóa, mỗi phòng ban có cơ sở dữ liệu riêng, tích hợp chéo rất hạn chế. Chỉ ở tầng chuyển đổi mới có một nền tảng dữ liệu thống nhất nuôi các đường ống AI theo thời gian thực.

Hệ quả về khả năng mở rộng cũng khác hẳn. Tầng ứng dụng bị chặn bởi năng lực con người. Tầng tự động hóa bị chặn bởi chính quy trình cũ mà nó đang tăng tốc. Chỉ tầng chuyển đổi mới cho phép tăng trưởng phi tuyến, nơi chi phí biên gần như bằng không.

Next Rembrandt: khi máy mô phỏng được quá khứ nhưng không đổi được tương lai

Có một dự án minh họa rất rõ sự khác biệt giữa mô phỏng công nghệ và tái kiến trúc hệ thống: dự án Next Rembrandt, thực hiện năm 2016 bởi J. Walter Thompson và Microsoft cho tập đoàn ING.

Mục tiêu là tạo ra một bức tranh hoàn toàn mới mang đúng phong cách của bậc thầy người Hà Lan, 350 năm sau khi ông qua đời. Một nhóm gồm các nhà khoa học dữ liệu, kỹ sư phần mềm và sử gia nghệ thuật đã phân tích 168.263 bản quét độ phân giải cao của 300 tác phẩm Rembrandt, tạo ra tập dữ liệu vượt 148 triệu điểm ảnh. Thuật toán học máy tách ra các mẫu đặc trưng thị giác và xác định rằng chủ thể phải là một nam giới da trắng, tuổi từ ba mươi đến bốn mươi, có râu, mặc áo tối cổ trắng, đội mũ, mặt hướng sang phải. Các thuật toán tiếp theo lắp ghép những thành phần đó thành một chân dung tổng hợp, và một máy in 3D phủ mười ba lớp mực UV gốc dầu lên vải để tái tạo độ dày của sơn và nét cọ.

Đây là một thành tựu kỹ thuật đáng nể. Và nó cũng là một cảnh báo chiến lược.

Điều Next Rembrandt chứng minh là máy có thể mô phỏng chính xác đầu ra sáng tạo của con người. Nhưng mô phỏng một đầu ra cũ bằng công cụ số chỉ là trình diễn năng lực kỹ thuật. Nó không thay đổi động lực cạnh tranh, không thay đổi cấu trúc chi phí, không tạo ra mô hình vận hành mới. Người xem vỗ tay, rồi mọi thứ trở lại như cũ.

Chuyển đổi doanh nghiệp thật xảy ra khi kiến trúc quy trình và mô hình vận hành bên dưới được cấu hình lại quanh quy mô số, phạm vi số và vòng học liên tục. Mô phỏng đầu ra cũ bằng công cụ thuật toán là một bản demo ấn tượng. Tái kiến trúc cách doanh nghiệp xử lý, tối ưu và phân phối giá trị mới là thứ định nghĩa lại cuộc chơi.

Kodak không bị đánh bại bởi một chiếc máy ảnh số

Lịch sử ngành nhiếp ảnh đưa ra một ví dụ gần như hoàn hảo cho cái bẫy chèn công nghệ cục bộ vào một chuỗi giá trị analog.

Năm 1975, Steven Sasson tại Eastman Kodak phát minh ra chiếc máy ảnh số đầu tiên. Kodak đối xử với phát minh đó như một sự thay thế linh kiện trong chuỗi giá trị sẵn có: thay hóa chất tráng phim bằng lưu trữ số, trong khi cố giữ nguyên mô hình kinh doanh sinh lời cao gồm sản xuất phim, phân phối bán lẻ và in ấn trên giấy.

Nhưng số hóa biến bức ảnh thành một tệp dữ liệu nhị phân. Điều đó thay đổi tận gốc kinh tế học của lưu trữ, sao chép và phân phối. Một bức ảnh số có thể được chia sẻ tức thời qua mạng với chi phí biên bằng không. Các nền tảng như Facebook, Tencent và Google đã dựng mô hình vận hành số quanh chính dữ liệu ảnh đó: gắn thẻ tự động, tương tác mạng lưới, và quan trọng hơn, hàng chục nghìn tỉ bức ảnh mỗi năm trở thành tập dữ liệu khổng lồ liên tục huấn luyện thuật toán nhận diện khuôn mặt, phân loại ảnh và dự đoán sở thích hành vi.

Hãy so sánh hai kiến trúc vận hành. Chuỗi giá trị cũ của Kodak là: sản xuất hóa chất, phân phối phim, xử lý ở cửa hàng bán lẻ, kiếm tiền từ in ấn vật lý. Chi phí tuyến tính cao, ranh giới quy mô rất chặt. Mô hình nền tảng số là: thu nhận dữ liệu số, đưa lên đám mây, phân phối qua mạng với chi phí biên bằng không, kiếm tiền bằng học máy. Quy mô theo cấp số nhân, học liên tục.

Kodak không bị Fuji đánh bại. Kodak cũng không bị một startup máy ảnh số nào giết chết. Kodak trở thành thiệt hại phụ trong một vụ va chạm chiến lược với các nền tảng smartphone và các doanh nghiệp mạng lưới số. Đối thủ của họ cạnh tranh bằng một mô hình vận hành hoàn toàn khác: hiệu ứng mạng đa phía, sao chép chi phí biên bằng không, thu nạp dữ liệu liên tục và thuật toán tự cải thiện. Kodak coi ảnh số là một phụ kiện công nghệ. Những kẻ thay thế họ đã dựng mô hình vận hành mạng lưới quanh tài sản dữ liệu số.

Bài học dành cho doanh nghiệp hiện nay rất trực diện: đối thủ của bạn không phải là doanh nghiệp cùng ngành đang dùng AI giỏi hơn bạn. Đối thủ của bạn có thể là một mô hình vận hành khác về bản chất, vừa xuất hiện ở rìa thị trường của bạn.

AI yếu đã đủ làm lại luật chơi

Một ngộ nhận phổ biến trong giới lãnh đạo là AI phải đạt tới mức trí tuệ tổng quát, tức loại máy có thể tái tạo đầy đủ ý thức con người và suy luận theo ngữ cảnh rộng, thì mới thay đổi được cấu trúc doanh nghiệp. Thực tế vận hành thì ngược lại. Cuộc cạnh tranh hiện nay đang bị viết lại bởi AI yếu.

AI yếu là các hệ thống được thiết kế để thực hiện những tác vụ nhận thức cụ thể mà trước đây cần con người: xếp hạng nội dung trên một mạng lưới, tính toán rủi ro tín dụng, tối ưu tuyến giao hàng, đặt giá động, ánh xạ dữ liệu hình ảnh. Những hệ thống này không cần suy nghĩ như con người, không cần tự nhận thức. Chúng chỉ cần hoàn thành một tác vụ mục tiêu với độ chính xác thống kê, tính nhất quán và khả năng mở rộng phi tuyến.

Satya Nadella, CEO Microsoft, mô tả sự dịch chuyển này bằng một cách diễn đạt chính xác về mặt vận hành: AI là runtime, tức môi trường tính toán nền tảng định hình cách mọi tác vụ và quy trình doanh nghiệp được thực thi. Khi AI yếu trở thành runtime vận hành, các chỉ dẫn phần mềm và mô hình thống kê tự động nằm ngay trên đường găng tạo ra và phân phối giá trị.

AI chưa hoàn hảo, nhưng đã đủ tốt để làm động cơ thực thi phổ quát. Và khi nó làm được việc đó, nó xóa dần những ràng buộc vật lý và tổ chức đã giới hạn tăng trưởng doanh nghiệp suốt nhiều thế kỷ.

Khi chi phí dự đoán lao dốc, giá trị phán đoán tăng vọt

Ba nhà kinh tế Ajay Agrawal, Joshua Gans và Avi Goldfarb đã chỉ ra rằng tác động kinh tế chính của AI là sự sụt giảm mạnh của chi phí dự đoán.

Dự đoán, xét theo nghĩa vận hành, là khả năng dùng dữ liệu hiện có để tạo ra thông tin về những trạng thái còn thiếu, đang diễn ra hoặc sẽ xảy ra. Khi chi phí của một đầu vào kinh tế nền tảng giảm theo cấp số nhân, mức sử dụng của nó mở rộng rất nhanh và làm thay đổi các lựa chọn vận hành cốt lõi:

  • Định giá động: hệ thống điều chỉnh giá tức thời theo cung, cầu và hành vi người dùng theo thời gian thực, thay cho bảng giá cố định.
  • Chấm điểm tín dụng tự động: thuật toán đánh giá hành vi giao dịch ngay lúc phát sinh, thay vì chờ những đợt thẩm định thủ công chậm trễ.
  • Quản trị rủi ro và gian lận: suy luận thuật toán phát hiện bất thường giao dịch tức thời, thay cho các đợt kiểm toán hồi tố định kỳ.

Khi chi phí dự đoán giảm, lý thuyết kinh tế nói rằng giá trị của tài sản bổ trợ cho nó sẽ tăng. Trong doanh nghiệp AI, tài sản bổ trợ đó chính là phán đoán của con người. Thuật toán tự động hóa việc dự đoán, tức tạo ra xác suất về kết quả. Phán đoán của con người đánh giá các phương án, đặt hàm mục tiêu, định nghĩa các đánh đổi và vạch ra ranh giới đạo đức, chiến lược. Học máy mở rộng năng lực dự đoán, nhưng phán đoán của người lãnh đạo quyết định chỉ số mà cỗ máy phải tối ưu.

Nói cách khác, AI không làm lãnh đạo bớt quan trọng. Nó làm cho chất lượng phán đoán trở thành biến số chi phối, vì mọi lựa chọn khác đã được tự động hóa.

Đưa con người ra khỏi đường găng của giá trị

Để đạt quy mô vận hành phi tuyến, doanh nghiệp phải đưa lao động thủ công ra khỏi đường găng của quá trình phân phối giá trị.

Trong mô hình truyền thống, luồng đi là: khách hàng gửi yêu cầu, con người thẩm định thủ công, con người thực thi, giá trị đến tay khách hàng. Mỗi mũi tên là một điểm nghẽn có độ trễ cao và độ phức tạp tăng tuyến tính theo số lượng giao dịch.

Trong mô hình số, luồng đi là: khách hàng gửi yêu cầu, thuật toán xác minh, phần mềm thực thi tự động, giá trị đến tay khách hàng. Con người không biến mất, nhưng chuyển ra rìa hệ thống, đảm nhận vai trò thiết kế hệ thống, giám sát ngoại lệ, quản trị đạo đức và định hình chiến lược.

Nhân lực vẫn không thể thay thế trong việc thiết kế nền tảng, phát triển phần mềm, cung cấp chuyên môn miền, quản lý ranh giới và giám sát đạo đức. Nhưng với các quyết định vận hành thời gian thực, như ghép tài xế với khách trong mạng lưới gọi xe, xét duyệt tín dụng tức thời hay định tuyến tồn kho tự động, đường thực thi phải chạy hoàn toàn qua phần mềm và thuật toán. Nếu một quản lý vẫn phải xem xét, phê duyệt hoặc thực hiện từng giao dịch thường ngày, doanh nghiệp sẽ gặp ma sát vận hành, chi phí phối hợp leo thang và lợi nhuận biên giảm dần.

Đây là điểm mà nhiều tổ chức tự lừa mình. Họ nói về tự động hóa nhưng vẫn giữ một bước phê duyệt của con người vì lý do an toàn cảm tính. Bước phê duyệt đó, dù chỉ mất ba mươi giây, chính là thứ định nghĩa giới hạn quy mô của toàn bộ doanh nghiệp.

MYbank và mô hình 3-1-0: 300 người phục vụ 5 triệu khách

Ant Financial, tách ra từ Alibaba, cho thấy rất rõ sự khác biệt kiến trúc giữa một định chế tài chính truyền thống và một mô hình vận hành số dựa trên AI. Thông qua ngân hàng con là MYbank, họ triển khai khung cho vay 3-1-0: ba phút để nộp hồ sơ trên thiết bị di động, một giây để thuật toán đánh giá và giải ngân, không có can thiệp thủ công nào trên đường găng phê duyệt tín dụng.

Ngân hàng thương mại truyền thống đánh giá uy tín tín dụng bằng các đợt kiểm tra giấy tờ định kỳ, tĩnh: tờ khai thuế, báo cáo tài chính đã kiểm toán, tra cứu thủ công từ trung tâm tín dụng. Ngược lại, công cụ Zhima Credit của MYbank vận hành trên dữ liệu hóa liên tục, thời gian thực, xuyên suốt hệ sinh thái đa phía của Alipay. Mô hình rủi ro thu nạp liên tục bốn nguồn dữ liệu:

  • Chỉ số hành vi người tiêu dùng nội bộ: lịch sử nộp hóa đơn tiện ích, chuyển tiền ngang hàng, hoạt động quản lý tài sản, thay đổi địa chỉ cư trú.
  • Dữ liệu thương mại điện tử của người bán trên Alibaba: khối lượng giao dịch cửa hàng, tỷ lệ hoàn hàng, vòng quay tồn kho, hiệu suất thực hiện đơn.
  • Dữ liệu công từ các cơ quan nhà nước: đăng ký doanh nghiệp, tờ khai thuế, hồ sơ tòa án, xác minh danh tính công dân.
  • Tín hiệu từ mạng lưới đối tác hệ sinh thái: dữ liệu vi hành vi từ mạng lưới khách sạn, ứng dụng di chuyển và cửa hàng bán lẻ liên kết.

Khi một chủ doanh nghiệp nhỏ đề nghị vay, MYbank đưa giao dịch đi qua hơn ba nghìn chiến lược kiểm soát rủi ro tự động, ngay lập tức. Vì dữ liệu được thu nạp liên tục qua hoạt động vận hành hàng ngày, phép tính rủi ro tín dụng được cập nhật động theo từng giao dịch phát sinh trong toàn mạng lưới.

So sánh quy mô cho thấy chênh lệch mang tính kiến trúc, không phải mang tính nỗ lực. MYbank phục vụ hơn năm triệu khoản vay cho doanh nghiệp siêu nhỏ và nhỏ với khoảng ba trăm nhân sự. Bank of America phục vụ khoảng sáu mươi bảy triệu khách hàng với hơn hai trăm nghìn nhân viên. Chi phí xử lý một khoản vay ở MYbank rơi vào khoảng hai nhân dân tệ, so với khoảng hai ngàn nhân dân tệ cho cùng quy trình ở mô hình truyền thống. Độ trễ đường thực thi là một giây, so với nhiều ngày đến nhiều tuần.

Điều đáng chú ý không phải con số hai nhân dân tệ, mà là cấu trúc đã cho phép con số đó tồn tại. Không có mười nghìn cán bộ tín dụng nào có thể nhanh đến thế. Chỉ có việc đưa đường thực thi về tay thuật toán và hạ tầng đám mây mở rộng được. Kết quả là chi phí giảm ba bậc, tiếp cận vốn mở rộng tới nhóm doanh nghiệp siêu nhỏ trước đây bị bỏ qua, và biên lợi nhuận vận hành vẫn tốt hơn.

Mô hình kinh doanh và mô hình vận hành phải khớp nhau

Ở đây cần một sự phân biệt rõ ràng, vì hai khái niệm này hay bị dùng lẫn.

Mô hình kinh doanh là lời hứa chiến lược: doanh nghiệp tạo ra giá trị gì cho khách hàng, và thu lại một phần giá trị đó bằng cách nào, gồm cơ chế giá, cấu trúc biên lợi nhuận, cách kiếm tiền từ mạng lưới.

Mô hình vận hành là kiến trúc thực thi: hệ thống, quy trình, đường ống dữ liệu, động cơ phần mềm và cách tổ chức nhân sự, được thiết kế để giao được lời hứa của mô hình kinh doanh ở quy mô, phạm vi và khả năng học hỏi cần thiết.

Một mô hình kinh doanh số tinh vi đi kèm một mô hình vận hành truyền thống, chia silo, tạo ra một trần tăng trưởng không thể vượt. Chiến lược mà không có mô hình vận hành tương thích sẽ khiến việc phân phối giá trị đâm vào điểm nghẽn phức tạp vận hành, dẫn tới chi phí tăng vọt, khách hàng khó chịu và lợi nhuận biên giảm dần.

Đây là lý do vì sao rất nhiều doanh nghiệp có chiến lược AI đúng nhưng kết quả sai. Chiến lược không sai. Bộ máy thực thi bên dưới không được thiết kế cho chiến lược đó.

Ba giới hạn cũ bị phá: quy mô, phạm vi, học hỏi

Quản trị công nghiệp truyền thống được định nghĩa bởi các đánh đổi cố hữu. Khi một tổ chức công nghiệp lớn lên, độ phức tạp quản lý, chi phí hành chính và ma sát giữa các phòng ban tăng theo, tạo ra lợi nhuận giảm dần theo quy mô và phạm vi. Mô hình vận hành số phá vỡ những giới hạn lịch sử đó trên ba trục.

  • Quy mô số: phục vụ lượng người dùng lớn hơn theo cấp số nhân với chi phí biên gần bằng không. Hạ tầng phần mềm và động cơ thuật toán mở rộng động theo lưu lượng mà không tạo ra điểm nghẽn phối hợp con người.
  • Phạm vi số: mở rộng sang các nhóm sản phẩm liền kề và mạng lưới đa phía một cách dễ dàng nhờ giao diện phần mềm mô-đun. Ví dụ điển hình: WeChat của Tencent dùng mạng lưới nhắn tin lõi để mở sang thanh toán số, quản lý tài sản, gọi xe và đặt lịch khám bệnh, tất cả qua API chuẩn hóa.
  • Học hỏi số: huấn luyện mô hình học máy trên các đường ống dữ liệu vận hành thời gian thực. Khác với học hỏi của con người, vốn bị giới hạn bởi năng lực nhận thức cá nhân và tỷ lệ nghỉ việc, học hỏi số tự động hóa trí nhớ tổ chức và tối ưu hóa liên tục trên từng giao dịch.

Ba trục này giải thích vì sao khoảng cách giữa doanh nghiệp số bản địa và doanh nghiệp truyền thống không thu hẹp mà mở rộng. Một bên cải thiện theo từng dự án, một bên cải thiện theo từng giao dịch, mỗi ngày, trên toàn hệ thống.

Quán tính kiến trúc và mệnh lệnh API của Bezos

Chuyển sang mô hình vận hành số đòi hỏi vượt qua quán tính kiến trúc, tức sức cản cấu trúc được mô tả bởi giả thuyết phản chiếu, hay còn gọi là định luật Conway. Định luật này nói rằng thiết kế hệ thống của một tổ chức luôn phản chiếu cấu trúc giao tiếp của chính những nhóm người xây nên hệ thống đó. Khi doanh nghiệp nhốt lực lượng lao động trong các silo chức năng, kiến trúc phần mềm của họ cũng sẽ phân mảnh và nguyên khối theo đúng cách đó, chặn tích hợp dữ liệu và tự động hóa xuyên phòng ban.

Đến năm 2002, Amazon chạm phải một giới hạn vận hành nghiêm trọng. Cơ sở mã nguyên khối cũ mang tên Obidos không còn đáp ứng được việc mở rộng nhanh sang các ngành hàng mới như quần áo, điện tử và phần mềm, vốn đang vận hành như những đơn vị tổ chức tách rời. Các bản phát hành phần mềm bị đình trệ, phụ thuộc cơ sở dữ liệu gây lỗi vận hành thường xuyên.

Để phá quán tính kiến trúc và tháo dỡ silo tổ chức, Jeff Bezos ban hành mệnh lệnh API năm 2002 cho toàn bộ nhóm kỹ thuật. Mọi nhóm phải công bố dữ liệu và chức năng của mình qua giao diện dịch vụ. Các nhóm chỉ được giao tiếp với nhau qua những giao diện đó, không đọc trực tiếp cơ sở dữ liệu của nhau, không dùng bộ nhớ chia sẻ, không có đường tắt. Mọi giao diện dịch vụ phải được thiết kế ngay từ đầu để có thể mở ra cho lập trình viên bên ngoài. Không tuân thủ nghĩa là bị chấm dứt hợp đồng lao động.

Mệnh lệnh đó buộc Amazon chuyển từ khối nguyên Obidos sang kiến trúc nền tảng hướng dịch vụ, rồi tiếp tục tiến hóa. Điều quan trọng nhất: cuộc tái kiến trúc kỹ thuật này được thiết kế để tái định hình tổ chức con người. Bằng cách áp đặt ranh giới API mô-đun, Bezos tách rời sự phụ thuộc giữa các nhóm, mở đường cho các nhóm tính năng đa chức năng tự trị, nhỏ đủ để ngồi vừa hai chiếc pizza. Những nhóm nhỏ này có thể đổi mới độc lập mà không cần họp phối hợp, đồng thời công bố các luồng dữ liệu sạch nuôi những thuật toán học máy trung tâm của Amazon. Chính cuộc đại tu cấu trúc đó mở đường cho sự ra đời của AWS và nền tảng giọng nói Alexa.

Bài học ở đây thường bị đọc sai. Nhiều người đọc câu chuyện Amazon và kết luận rằng cần áp dụng microservices. Nhưng microservices chỉ là hệ quả kỹ thuật. Thứ Bezos thay đổi là cấu trúc quyền hạn và ranh giới trách nhiệm giữa con người, dùng kiến trúc kỹ thuật như công cụ cưỡng chế thay đổi tổ chức.

Bốn khối của một AI Factory

Ở lõi của mô hình vận hành số là AI Factory, một động cơ ra quyết định tự động biến việc thu thập và phân tích dữ liệu doanh nghiệp thành một quá trình công nghiệp liên tục. Cấu trúc của nó gồm bốn thành phần nền tảng.

Đường ống dữ liệu. Hạ tầng có hệ thống chịu trách nhiệm thu thập, nạp, làm sạch, chuẩn hóa, tích hợp và bảo mật dữ liệu vận hành từ giao dịch nội bộ, đối tác bên thứ ba và thiết bị biên. Nó chuyển hoạt động vận hành nhiều nhiễu thành tài sản dữ liệu chuẩn hóa dùng để huấn luyện mô hình. Đây là phần tốn kém nhất và cũng là phần hay bị cắt ngân sách nhất, vì nó không tạo ra bản demo đẹp.

Động cơ phát triển thuật toán. Các mô hình toán học xử lý dữ liệu có cấu trúc để tạo ra dự đoán, thông tin vận hành và quyết định tự động. Động cơ này dùng ba mô thức học máy chính. Học có giám sát, huấn luyện trên tập dữ liệu được chuyên gia gán nhãn, thực hiện phân loại và dự báo số, ví dụ dự đoán khách hàng rời bỏ hay phát hiện gian lận thanh toán. Học không giám sát, tìm ra các cụm, cấu trúc và bất thường tự nhiên trong dữ liệu chưa gán nhãn mà không cần giả định trước, ví dụ Netflix nhận diện các cụm sở thích vi mô của người xem. Học tăng cường, nơi tác nhân phần mềm học chính sách hành động tối ưu bằng tương tác với môi trường để tối đa hóa phần thưởng tích lũy, bao gồm các thuật toán multi-armed bandit quản lý đánh đổi giữa khám phá phương án mới và khai thác phương án đã chứng minh, từ đó tối ưu động giá theo thời gian thực, phân phối quảng cáo và gợi ý sản phẩm.

Nền tảng thực nghiệm. Hạ tầng kiểm thử xác nhận liệu một thay đổi thuật toán có tác động nhân quả thật hay không. Nền tảng này tự động chạy hàng nghìn thử nghiệm đối chứng ngẫu nhiên, so sánh thuật toán xử lý với nhóm đối chứng trước khi triển khai rộng, nhằm chặn những tương quan thống kê giả. Thiếu thành phần này, doanh nghiệp sẽ tối ưu hóa theo tiếng vọng của dữ liệu nhiễu.

Hạ tầng phần mềm, kết nối và API. Kiến trúc phần mềm mô-đun công bố tài sản dữ liệu và đầu ra thuật toán một cách an toàn trong toàn doanh nghiệp qua mô hình publish-subscribe và các API được lập danh mục. Điều này cho phép các nhóm tính năng nội bộ và hệ sinh thái lập trình viên bên ngoài xây ứng dụng nhanh mà không đánh đổi bảo mật dữ liệu lõi.

Bốn khối này phải tồn tại đồng thời. Một đường ống dữ liệu tốt mà không có nền tảng thực nghiệm sẽ tạo ra quyết định tự tin nhưng sai. Một động cơ thuật toán mạnh mà không có tầng API sẽ tạo ra những hòn đảo tối ưu cục bộ không kết nối được với hành trình khách hàng.

Con người đứng ở rìa, không biến mất

Chuyển sang mô hình vận hành dựa trên AI không thay thế nhân tài. Nó di chuyển lao động con người từ việc thực thi giao dịch thường ngày sang việc quản trị hệ thống chiến lược.

Khi thuật toán đảm nhận thực thi thường ngày trên đường găng, nhân viên chuyển ra rìa kiến trúc vận hành số và đảm nhận bốn vai trò giá trị cao.

  • Nhà thiết kế và kiến trúc sư hệ thống: xây dựng và tinh chỉnh môi trường phần mềm, giao diện nền tảng và luồng công việc thuật toán.
  • Chuyên gia miền: định nghĩa tham số, ngữ cảnh, đặc trưng và hàm mục tiêu mà thuật toán phải tối ưu, đồng thời phát hiện khi mô hình hiểu sai bản chất nghiệp vụ.
  • Người xử lý ngoại lệ: can thiệp vào những tình huống mà mô hình chưa từng gặp hoặc không đủ dữ liệu để xử lý đúng, rồi chuyển chính ca ngoại lệ đó thành dữ liệu huấn luyện mới.
  • Người giám sát đạo đức và ranh giới: đặt ra những gì hệ thống được phép và không được phép làm, đặc biệt khi quyết định của thuật toán ảnh hưởng trực tiếp đến quyền lợi của con người.

Vai trò thứ ba thường bị xem nhẹ nhưng lại là vai trò quyết định chất lượng của cả hệ thống. Một doanh nghiệp không có quy trình bài bản để thu nhận và tái sử dụng ngoại lệ sẽ liên tục gặp lại đúng những lỗi cũ, vì hệ thống không có cơ chế học từ chúng.

Quản trị và lá chắn hệ thống

Khi quyết định được đẩy vào thuật toán, quản trị không thể là một phụ lục. Nó phải là một phần của kiến trúc, được thiết kế cùng lúc với đường ống dữ liệu chứ không phải gắn vào sau khi hệ thống đã chạy.

Ba yêu cầu tối thiểu thường bị bỏ qua. Thứ nhất là khả năng truy vết: với mỗi quyết định tự động, doanh nghiệp phải trả lời được quyết định đó dựa trên dữ liệu nào, phiên bản mô hình nào, và ai đã phê duyệt việc triển khai phiên bản đó. Thứ hai là khả năng giải thích ở mức đủ dùng cho người bị ảnh hưởng, không phải mức đủ cho kỹ sư. Thứ ba là cơ chế dừng khẩn cấp: một đường lui được kiểm thử định kỳ, cho phép đưa một phần hệ thống trở về vận hành thủ công trong vài phút.

Điều đáng chú ý là những yêu cầu này không làm chậm quá trình chuyển đổi. Chúng làm quá trình đó khả thi về mặt tổ chức, vì chúng tạo ra niềm tin cần thiết để ban lãnh đạo dám đưa quyết định thật vào tay thuật toán. Không có niềm tin đó, mọi dự án sẽ dừng ở giai đoạn thử nghiệm vô hại.

Những sai lầm thường gặp khi bắt đầu

Nhìn lại các nỗ lực chuyển đổi đã quan sát được, có vài mẫu sai lầm lặp đi lặp lại đến mức có thể dự đoán trước.

Sai lầm đầu tiên là bắt đầu từ công cụ thay vì từ quy trình. Mua nền tảng trước, rồi đi tìm chỗ dùng, gần như luôn dẫn tới một kết quả là các dự án nhỏ lẻ không kết nối, mỗi dự án có một nhà tài trợ riêng và không dự án nào chạm được vào đường găng.

Sai lầm thứ hai là để mỗi phòng ban tự mua và tự triển khai. Cách này tạo cảm giác tiến độ nhanh, nhưng nó nhân bản chính kiến trúc silo mà doanh nghiệp đang cố tháo dỡ, chỉ là ở tầng phần mềm thay vì tầng tổ chức.

Sai lầm thứ ba là đo lường sai. Phần lớn báo cáo chuyển đổi AI đo số giờ tiết kiệm được, số câu hỏi chatbot trả lời được, số người dùng hoạt động hàng ngày. Những chỉ số đó đo mức độ sử dụng công cụ, không đo sự thay đổi năng lực vận hành. Chỉ số đúng phải là chi phí biên trên mỗi giao dịch, độ trễ trên đường găng, tỷ lệ giao dịch không cần con người can thiệp, và tốc độ cải thiện của mô hình theo thời gian.

Sai lầm thứ tư là giữ nguyên cơ cấu đánh giá nhân sự cũ. Nếu nhân viên vẫn được đánh giá bằng việc xử lý nhiều giao dịch và ít sai sót thủ công, họ sẽ chống lại việc tự động hóa chính công việc của mình, và họ đúng khi làm vậy. Hệ thống khuyến khích phải đổi trước khi hệ thống kỹ thuật đổi.

Điều còn lại sau tất cả

Gắn một giao diện chatbot hay một trợ lý AI tổng quát lên một quy trình cũ không tạo ra bất kỳ lợi thế chiến lược nào. Nếu kiến trúc dữ liệu bên dưới vẫn phân mảnh trong các silo chức năng, nếu lao động con người vẫn nằm trên đường găng của thực thi thường ngày, và nếu quyết định quản lý vẫn dựa vào hệ thống phân cấp nhiều ma sát, thì doanh nghiệp chưa đạt được gì ngoài việc tự động hóa chi phí của chính mình.

Doanh nghiệp truyền thống đang đứng trước hai lựa chọn có tính quyết định. Một là tiến hóa kiến trúc: tháo dỡ silo chức năng, thống nhất kiến trúc dữ liệu, đưa lao động thủ công ra khỏi đường găng thực thi để chuyển sang giám sát giá trị cao ở rìa, và triển khai AI Factory để tạo ra quy mô, phạm vi và các vòng học liên tục. Hai là trở thành thiệt hại phụ: duy trì vận hành analog cũ trong khi vẫn mua các tiện ích AI bề mặt, để doanh nghiệp rơi vào thế dễ tổn thương khi các mô hình nền tảng số va vào ranh giới thị trường truyền thống.

Khi mô hình vận hành số bước vào một ngành truyền thống, kết quả gần như luôn giống nhau: doanh nghiệp số vượt trội về quy mô nhờ sao chép chi phí biên bằng không, nhờ phạm vi hệ sinh thái đa phía và nhờ các vòng phản hồi dữ liệu cộng dồn. Không có sự khác biệt nào trong kết quả đó phụ thuộc vào việc doanh nghiệp truyền thống đã mua bao nhiêu giấy phép phần mềm.

Việc cần làm không phải là dạy cho một quy trình cũ biết nói. Việc cần làm là dựng lại doanh nghiệp sao cho phần mềm, dữ liệu và thuật toán nằm ở chính giữa quá trình tạo ra và phân phối giá trị. Đó là một quyết định về cấu trúc, không phải về công nghệ, và vì thế nó chỉ có thể được đưa ra ở cấp cao nhất của tổ chức.