Vì sao các dự án thí điểm AI thất bại: Khoảng cách GenAI tiết lộ gì về ROI AI doanh nghiệp

Khởi động một dự án thí điểm AI thì dễ. Biến nó thành một hệ thống kinh doanh đáng tin cậy thì không.

Một nhóm có thể kết nối mô hình, tải lên tài liệu nội bộ và tạo ra một bản trình diễn ấn tượng chỉ trong vài ngày. Việc đưa vào vận hành thực tế kéo theo dữ liệu không đầy đủ, kiểm soát quyền truy cập, phần mềm cũ, các bước phê duyệt, những trường hợp bất thường và nhân viên có thói quen làm việc đã định hình.

Khoảng cách giữa các môi trường này giải thích vì sao việc ứng dụng AI trong doanh nghiệp có thể tăng lên mà không mang lại lợi nhuận tài chính như kỳ vọng. Nghiên cứu CEO năm 2025 của IBM cho thấy chỉ 25% sáng kiến AI của các lãnh đạo được khảo sát đã mang lại ROI như kỳ vọng, trong khi 16% đã được mở rộng trên toàn doanh nghiệp.

Tình hình AI tạo sinh trong doanh nghiệp của Deloitte đưa ra một góc nhìn đối chiếu hữu ích. Hơn hai phần ba tổ chức được khảo sát dự kiến 30% hoặc ít hơn các thử nghiệm của họ sẽ được mở rộng hoàn toàn trong ba đến sáu tháng tới. Tuy nhiên, gần ba phần tư cho biết sáng kiến tiên tiến nhất của họ đang đáp ứng hoặc vượt kỳ vọng về ROI.

Nhìn chung, những phát hiện này cho thấy Khoảng cách GenAI: các thử nghiệm rất phổ biến, nhưng giá trị có thể đo lường lại tập trung ở những dự án trở thành một phần của quy trình làm việc thực tế.

Ứng dụng AI không đồng nghĩa với ROI AI doanh nghiệp

Một nhân viên dùng AI để tóm tắt cuộc họp hoặc chuẩn bị bản nháp đầu tiên là bằng chứng về việc ứng dụng. Điều đó không nhất thiết là bằng chứng về sự chuyển đổi.

ROI AI doanh nghiệp xuất hiện khi một hệ thống thay đổi một quy trình lặp lại. Hệ thống đó có thể rút ngắn thời gian rà soát hợp đồng, giảm các ca hỗ trợ cần chuyển cấp, tăng tốc báo cáo, giảm chi phí dịch vụ bên ngoài hoặc cho phép một nhóm xử lý nhiều việc hơn mà không cần tuyển dụng tương ứng.

Nhiều dự án thí điểm được đánh giá bằng những tín hiệu sai. Các nhóm đo lường khối lượng câu lệnh, nội dung được tạo ra hoặc phản ứng tích cực trong các buổi trình diễn. Những chỉ số đó có thể cho thấy sự quan tâm, nhưng không xác lập giá trị kinh doanh.

Một dự án thí điểm hướng đến vận hành thực tế phải trả lời ba câu hỏi:

1. AI có thể thực hiện nhiệm vụ chính xác không?

2. Nhân viên có thể sử dụng nó một cách đáng tin cậy trong quy trình làm việc không?

3. Quy trình làm việc được cải thiện có tác động đến chi phí, doanh thu, rủi ro hoặc năng lực không?

Vì sao các dự án thí điểm AI thất bại trước khi đưa vào vận hành

1. Dự án bắt đầu từ công cụ

Một dự án thí điểm yếu bắt đầu bằng một sản phẩm AI mới rồi tìm nơi để sử dụng nó. Một dự án thí điểm mạnh hơn bắt đầu bằng một quy trình tốn kém, chậm, dễ sai sót hoặc bị hạn chế về năng lực.

Trước khi thử nghiệm AI, nhóm nên ghi nhận tần suất xảy ra nhiệm vụ, thời gian thực hiện, người hoàn thành, nơi xuất hiện chậm trễ và mức độ rà soát cần thiết. Nhóm cũng nên xác định mức cải thiện cần có để biện minh cho việc triển khai.

Không có đường cơ sở, thành công trở nên chủ quan. Một bên liên quan thấy câu trả lời trau chuốt và gọi dự án thí điểm là mang tính chuyển đổi. Một người khác thấy một lỗi và gọi nó là không an toàn. Cả hai phản ứng đều không chứng minh được liệu quy trình làm việc có được cải thiện hay không.

2. AI đứng ngoài quy trình làm việc

Một mô hình có thể tăng tốc một nhiệm vụ trong khi khiến toàn bộ quy trình trở nên phức tạp hơn.

Nhân viên có thể sao chép thông tin từ một nền tảng, dán vào giao diện AI, rà soát phản hồi, viết lại một phần rồi chuyển nó trở lại hệ thống khác. Mô hình đã tạo ra câu trả lời, nhưng tổ chức lại thêm các bước bàn giao.

Một hệ thống có thể mở rộng cần có các điểm vào và ra được xác định rõ. Dữ liệu đầu vào bắt nguồn từ đâu? Mô hình có thể truy cập thông tin nào? Kết quả đầu ra nào cần phê duyệt? Điều gì xảy ra khi thiếu dữ liệu? Hành động cuối cùng được ghi nhận ở đâu?

Giá trị không chỉ nằm trong câu trả lời được tạo ra. Nó xuất hiện ở những gì tổ chức có thể làm tiếp theo.

3. Hệ thống không hiểu tổ chức

Công việc trong doanh nghiệp phụ thuộc vào bối cảnh mà các công cụ đa dụng không tự động có được.

Một hệ thống hữu ích có thể cần hiểu thuật ngữ nội bộ, bằng chứng được phê duyệt, lịch sử khách hàng, quy tắc định giá, ngoại lệ chính sách, định dạng ưu tiên và các chỉnh sửa trước đó. Khi người dùng phải xây dựng lại bối cảnh này trong mỗi phiên, công cụ vẫn hữu ích cho các nhiệm vụ không thường xuyên nhưng trở nên gây khó chịu đối với công việc lặp lại.

Lớp còn thiếu có thể liên quan đến truy xuất, dữ liệu có cấu trúc, bộ nhớ, tích hợp hoặc phản hồi. Trí thông minh của mô hình quan trọng, nhưng trí thông minh tổ chức thường quyết định liệu một hệ thống có trở nên đáng tin cậy hay không.

4. Không ai chịu trách nhiệm về kết quả vận hành

Các nhóm đổi mới có thể khởi động thử nghiệm, nhưng các hệ thống vận hành thực tế cần có người phụ trách lâu dài.

Ai đó phải chịu trách nhiệm về việc ứng dụng, quyền truy cập dữ liệu, ngưỡng chất lượng, xử lý ngoại lệ, đào tạo nhân viên, hiệu suất nhà cung cấp và cải tiến liên tục. Không có người phụ trách đó, dự án thí điểm sẽ kết thúc giai đoạn thử nghiệm và trở thành một dấu trang trình duyệt đắt tiền.

Quyền sở hữu cần được phân công trước khi bắt đầu phát triển. Người phụ trách cũng cần có thẩm quyền thay đổi quy trình làm việc xung quanh.

5. Quản trị đến quá muộn

Các nhóm bảo mật, pháp lý, tuân thủ và quản lý rủi ro đôi khi chỉ được mời sau khi bản trình diễn hoàn tất. Khi đó, dự án thí điểm có thể phụ thuộc vào dữ liệu bị hạn chế, các tích hợp không được hỗ trợ hoặc các đầu ra không thể giải thích hay kiểm toán.

Hồ sơ AI tạo sinh của NIST khuyến nghị tích hợp các cân nhắc về độ tin cậy xuyên suốt quá trình thiết kế, phát triển, sử dụng và đánh giá các hệ thống AI tạo sinh.

Các nhóm nên xác định dữ liệu nhạy cảm, các dạng lỗi có thể dự đoán, yêu cầu rà soát của con người, nhu cầu ghi nhật ký và quy trình khôi phục ngay từ đầu. Quản trị sớm xác định một lộ trình an toàn để tiến về phía trước. Quản trị muộn thường đưa dự án trở về vạch xuất phát.

Cách thiết kế dự án thí điểm AI có thể mở rộng

1. Chọn một quy trình làm việc hẹp, lặp lại

Trường hợp sử dụng đầu tiên mạnh nhất hiếm khi là trường hợp tham vọng nhất. Thông thường, đó là một quy trình có ranh giới rõ ràng, nhu cầu thường xuyên và kết quả có thể đánh giá được.

Các ứng viên phù hợp gồm phân loại tài liệu, định tuyến yêu cầu khách hàng, chuẩn bị báo cáo định kỳ, truy xuất tri thức nội bộ và trích xuất thông tin chuẩn từ biểu mẫu.

2. Đánh giá toàn bộ quy trình

Độ chính xác của mô hình là cần thiết, nhưng chưa tạo thành một luận cứ kinh doanh hoàn chỉnh. Một dự án thí điểm sẵn sàng vận hành cần được đánh giá ở ba cấp độ.

Chất lượng đầu ra: Kết quả có chính xác, đầy đủ, nhất quán và được dẫn nguồn phù hợp không?

Hiệu suất quy trình làm việc: Quy trình có giảm thời gian, công việc phải làm lại, các bước bàn giao hoặc nỗ lực rà soát của con người không?

Tác động kinh doanh: Sự cải thiện có tác động đến chi phí, doanh thu, rủi ro, trải nghiệm khách hàng hoặc năng lực vận hành không?

Một mô hình có thể tạo nội dung tốt hơn mà không cải thiện quy trình làm việc. Một quy trình nhanh hơn vẫn có thể quá nhỏ để biện minh cho việc triển khai.

3. Chủ động thiết kế hoạt động rà soát của con người

Tự động hóa hoàn toàn không phải là kết quả thành công duy nhất.

Trong nhiều quy trình doanh nghiệp, AI có thể xử lý các trường hợp có thể dự đoán, trong khi chuyên gia rà soát các ngoại lệ. Mục đích không phải là loại bỏ con người bằng mọi giá. Mà là đặt phán đoán của con người vào nơi nó tạo ra nhiều giá trị nhất.

Các nhóm nên đo lường tần suất cần can thiệp, khối lượng chỉnh sửa còn lại và những lỗi nào tạo ra rủi ro đáng kể.

4. Xây dựng vòng phản hồi

Mọi chỉnh sửa, từ chối và chuyển cấp đều chứa thông tin.

Các nhóm có thể dùng bằng chứng này để cải thiện câu lệnh, nguồn truy xuất, quy tắc phê duyệt, giao diện và tiêu chí đánh giá. Không có vòng phản hồi, các lỗi tương tự sẽ quay lại và niềm tin của nhân viên bị xói mòn.

ROI AI doanh nghiệp thường xuất hiện đầu tiên ở đâu

Các trường hợp sử dụng dễ thấy nhất không phải lúc nào cũng có giá trị nhất.

Trợ lý hướng tới khách hàng và công cụ sáng tạo thu hút sự chú ý vì đầu ra của chúng dễ trình diễn. Các quy trình hậu cần có thể tạo ra hiệu quả kinh tế rõ ràng hơn vì chúng liên quan đến lao động lặp lại, thời gian xử lý, chi phí dịch vụ bên ngoài và tỷ lệ lỗi có thể đo lường.

ROI AI doanh nghiệp ban đầu có thể đến từ việc giảm thời gian xử lý tài liệu, rút ngắn hàng đợi hỗ trợ, tăng tốc rà soát tuân thủ, cải thiện báo cáo nội bộ, giảm chi phí dịch vụ thuê ngoài hoặc tăng năng lực nhân viên mà không cần tuyển dụng tương ứng.

Các công ty nên tách biệt năng suất cá nhân với giá trị doanh nghiệp. Tiết kiệm hai mươi phút cho một nhân viên là hữu ích. ROI doanh nghiệp xuất hiện khi khoản tiết kiệm đó có thể lặp lại, được áp dụng trên toàn bộ nhóm đối tượng mục tiêu và gắn với một kết quả có thể đo lường.

Xem Khoảng cách GenAI như một câu chuyện kinh doanh trực quan

Khoảng cách GenAI trở nên dễ hiểu hơn khi dữ liệu ứng dụng, rào cản của dự án thí điểm, lựa chọn mua sắm và các mô hình triển khai được đặt trong một câu chuyện có cấu trúc.

Khám phá Khoảng cách GenAI: Tình hình AI trong kinh doanh năm 2025, được tạo bằng Pi, để xem nghiên cứu AI doanh nghiệp dày đặc có thể được chuyển hóa thành một bản trình bày rõ ràng cho các cuộc thảo luận lãnh đạo, đánh giá chiến lược và quyết định đầu tư như thế nào.

Sẵn sàng biến các báo cáo, nghiên cứu hoặc tài liệu kinh doanh của chính bạn thành một bộ slide sẵn sàng cho việc ra quyết định?

Tạo bản trình bày với Pi và sắp xếp tài liệu nguồn phức tạp thành một câu chuyện trực quan mạch lạc.

Câu hỏi thường gặp (FAQ)

H: Vì sao các dự án thí điểm AI không thể mở rộng?

Đ: Các dự án thí điểm AI thường thất bại vì chúng tách rời khỏi quy trình làm việc thực tế, thiếu mục tiêu có thể đo lường, phụ thuộc vào bối cảnh tổ chức không đầy đủ hoặc không có người phụ trách lâu dài chịu trách nhiệm đưa vào vận hành.

H: Các công ty nên đo lường ROI AI doanh nghiệp như thế nào?

Đ: Các công ty nên so sánh quy trình có hỗ trợ AI với một đường cơ sở đã được ghi nhận. Các chỉ số hữu ích gồm thời gian cho mỗi nhiệm vụ, nỗ lực rà soát của con người, tỷ lệ lỗi, chi phí cho mỗi giao dịch, mức độ ứng dụng, tác động doanh thu và chi tiêu bên ngoài được tránh khỏi.

H: Khoảng cách GenAI là gì?

Đ: Khoảng cách GenAI mô tả chênh lệch giữa các tổ chức đang thử nghiệm AI tạo sinh và những tổ chức đạt được giá trị vận hành hoặc tài chính bền vững từ các hệ thống AI tích hợp.

H: Các công ty nên tự xây dựng hay mua hệ thống AI doanh nghiệp?

Đ: Lựa chọn này phụ thuộc vào tính độc đáo của quy trình làm việc, chuyên môn nội bộ, yêu cầu tích hợp, bảo mật và quyền sở hữu dài hạn. Phương án tốt hơn là phương án phù hợp với quy trình thực tế, được cải thiện nhờ phản hồi và có lộ trình đáng tin cậy để đưa vào vận hành.