Vì sao các AI Pilot thất bại: Điều mà khoảng cách GenAI cho thấy về ROI AI trong doanh nghiệp

启动一个 AI 试点很容易。把它变成一个可靠的业务系统则并非如此。

一个团队可以连接模型，上传内部文档，并在数天内生成一场令人印象深刻的演示。进入生产阶段后，会出现不完整的数据、访问控制、旧式软件、审批步骤、非典型情况，以及拥有既定工作习惯的员工。

这些环境之间的差异，解释了为什么企业采用 AI 可能会增长，却没有带来预期的财务回报。IBM 的2025 年首席执行官研究发现，在接受调查的高管中，只有 25% 的 AI 计划达到了预期的投资回报率（ROI），而有 16% 的计划已在全企业范围内实现规模化。

德勤的《企业生成式 AI 现状》提供了一个有用的对照。超过三分之二的受访组织预计，在未来三到六个月内，他们的实验中不超过 30% 能够被完全扩展落地。然而，近四分之三的人表示，他们最先进的举措正在达到或超过 ROI 预期。

综上这些发现揭示了“GenAI 分裂”：实验很常见，但可衡量的价值集中在那些真正融入到实际工作流程中的项目上。

AI 采用并不等同于企业 AI 的 ROI

一名员工使用 AI 来总结会议或准备初稿，说明其已在被采用。这并不一定意味着发生了转型。

当一个系统改变了一个反复发生的流程时，企业 AI 的 ROI 才会显现。它可能缩短合同审查时间、减少支持升级事件、加快报告速度、降低外部服务成本，或让团队在不按比例增加招聘的情况下处理更多工作。

许多试点都在使用错误的指标进行评估。团队会在演示期间衡量提示词的数量、生成的内容，或正向反应。这些指标或许能反映兴趣，但无法证明商业价值。

面向生产的试点必须回答三个问题：

1. 该 AI 能否准确完成任务？

2. 员工能否在工作流程中可靠地使用它？

3. 改进后的工作流程是否会影响成本、收入、风险或产能？

为什么 AI 试点在进入生产之前就失败了

1. 项目从工具开始

一个薄弱的试点从一款新的 AI 产品出发，并寻找可以用它的场景。更强的试点则从一个昂贵、缓慢、容易出错或产能受限的流程开始。

在测试 AI 之前，团队应记录该任务出现的频率、耗时、由谁完成、延迟发生在哪里，以及需要多少审核。同时，还应明确需要怎样的改进，才能为部署提供合理性。

Không có mốc chuẩn, thành công trở nên chủ quan. Một bên liên quan thấy một câu trả lời được trau chuốt và gọi thử nghiệm là mang tính đột phá. Bên khác chỉ thấy một sai sót và cho rằng đó là không an toàn. Không phản ứng nào trong hai phản ứng này chứng minh quy trình đã được cải thiện hay chưa.

2. AI Ngồi Cạnh Cạnh Quy Trình

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

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

Một hệ thống có khả năng mở rộng cần xác định rõ các điểm bắt đầu và kết thúc. Đầu vào xuất phát từ đâu? Mô hình có thể truy cập những thông tin nào? Những đầu ra nào cần phê duyệt? Điều gì xảy ra khi dữ liệu bị thiếu? Hành động cuối cùng được ghi lại ở đâu?

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

3. Hệ Thống Không Hiểu Tổ Chức

Công việc doanh nghiệp phụ thuộc vào ngữ cảnh mà các công cụ đa dụng không tự động nắm bắt được.

Một hệ thống hữu ích có thể cần hiểu thuật ngữ nội bộ, bằng chứng đã được phê duyệt, lịch sử khách hàng, quy tắc định giá, các ngoại lệ chính sách, định dạng được ưu tiên và các lần hiệu đính trước đó. Khi người dùng phải xây dựng lại ngữ cảnh này trong mỗi phiên, công cụ vẫn hữu ích cho các tác vụ thỉnh thoảng, nhưng sẽ trở nên bực bội khi phải thực hiện lặp đi lặp lại.

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

4. Không Ai Chịu Trách Nhiệm Cho Kết Quả Sản Xuất

Các nhóm đổi mới có thể triển khai các thử nghiệm, nhưng các hệ thống sản xuất cần những chủ sở hữu lâu dài.

Ai đó phải chịu trách nhiệm về việc áp dụng, quyền truy cập dữ liệu, các ngưỡng chất lượng, xử lý ngoại lệ, đào tạo nhân viên, hiệu suất của nhà cung cấp và cải tiến liên tục. Nếu không có chủ sở hữu đó, thử nghiệm sẽ kết thúc thời gian thử nghiệm của nó và trở thành một dấu trang tốn kém chỉ để xem lại.

Việc sở hữu nên được phân công trước khi bắt đầu phát triển. Chủ sở hữu cũng cần quyền hạn để thay đổi quy trình xung quanh.

5. Quản Trị Đến Quá Muộn

Các nhóm về bảo mật, pháp lý, tuân thủ và rủi ro đôi khi chỉ được mời tham gia sau khi bản trình diễn đã hoàn tất. Lúc đó, thử nghiệm có thể phụ thuộc vào dữ liệu bị hạn chế, các tích hợp chưa được hỗ trợ hoặc các đầu ra không thể giải thích hoặc kiểm toán được.

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

Ngay từ đầu, các nhóm nên xác định dữ liệu nhạy cảm, các phương thức thất bại có thể lường trước, yêu cầu xem xét của con người, nhu cầu ghi nhật ký và quy trình khôi phục. Quản trị sớm sẽ định nghĩa lộ trình an toàn để tiến về phía trước. Quản trị muộn thường đẩy dự án quay trở lại vạch xuất phát.

Cách Thiết Kế Một Thử Nghiệm AI Có Thể Mở Rộng

1. Chọn một Quy trình hẹp, lặp lại

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

Các ứng viên phù hợp bao gồm phân loại tài liệu, chuyển tuyến yêu cầu của khách hàng, chuẩn bị báo cáo định kỳ, truy xuất kiến 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 phải là một cơ sở kinh doanh đầy đủ. Một dự án thí điểm sẵn sàng đưa vào 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 trích dẫn/nguồn cung cấp phù hợp không?

Hiệu suất quy trình: Quy trình có giúp giảm thời gian, làm lại (rework), chuyển giao (handoffs) hoặc công sức soát xét của con người không?

Tác động kinh doanh: Cải tiến có ảnh hưởng đến chi phí, doanh thu, rủi ro, trải nghiệm khách hàng hoặc năng lực vận hành không?

Một mô hình có thể tạo ra nội dung tốt hơn mà không cải thiện quy trình. Một quy trình nhanh hơn vẫn có thể quá nhỏ để đáng để triển khai.

3. Thiết kế việc soát xét của con người một cách chủ ý

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 dự đoán được, trong khi các chuyên gia sẽ rà soát các ngoại lệ. Mục đích không phải là loại bỏ con người bằng mọi giá. Mục đích là đặt phán đoán của con người vào nơi tạo ra giá trị lớn nhất.

Các nhóm nên đo mức độ thường xuyên cần can thiệp, lượng chỉnh sửa còn lại và những lỗi nào tạo ra rủi ro đáng kể.

4. Xây dựng vòng lặp phản hồi

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

Các nhóm có thể sử dụng bằng chứng này để cải thiện prompt, nguồn truy xuất, quy tắc phê duyệt, giao diện và tiêu chí đánh giá. Nếu không có vòng lặp phản hồi, các lỗi tương tự sẽ quay trở lại và niềm tin của nhân viên sẽ suy giảm.

Nơi ROI của AI cho Doanh nghiệp thường xuất hiện đầu tiên

Những trường hợp sử dụng dễ thấy nhất không phải lúc nào cũng là giá trị nhất.

Các trợ lý hướng tới khách hàng và các công cụ sáng tạo thu hút sự chú ý vì đầu ra của chúng dễ trình diễn. Các quy trình ở hậu trường có thể tạo ra lợi ích 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.

Lợi tức đầu tư (ROI) AI cho doanh nghiệp giai đoạn đầu có thể đến từ việc giảm thời gian xử lý tài liệu, rút ngắn hàng đợi hỗ trợ, đẩy nhanh các đợt rà soát tuân thủ, cải thiện báo cáo nội bộ, giảm chi phí dịch vụ thuê ngoài hoặc tăng năng lực của nhân viên mà không cần tuyển dụng tương ứng.

Các công ty nên tách biệt năng suất cá nhân khỏi giá trị doanh nghiệp. Tiết kiệm một nhân viên hai mươi phút là điều hữu ích. ROI doanh nghiệp xuất hiện khi phần tiết kiệm đó có thể lặp lại, được áp dụng trên đúng nhóm người dự kiến và gắn với một kết quả có thể đo lường.

Hãy xem “Chia cách GenAI” như một câu chuyện kinh doanh mang tính hình ảnh

“Chia cách GenAI” sẽ dễ hiểu hơn khi dữ liệu về mức độ áp dụng, các rào cản của thử nghiệm (pilot), lựa chọn mua sắm (procurement) và các mẫu triển khai được đặt vào trong một câu chuyện có cấu trúc.

Khám phá “Chia cách GenAI”: Trạng thái AI trong doanh nghiệp 2025, được tạo với Pi, để xem nghiên cứu AI cho doanh nghiệp chuyên sâu có thể được chuyển hóa thành một bản trình bày rõ ràng cho các cuộc thảo luận cấp lãnh đạo, các buổi rà soát chiến lược và quyết định đầu tư.

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

Câu hỏi thường gặp (FAQ)

H: Tại sao các thử nghiệm AI lại không thể mở rộng quy mô?

Đ: Nhiều thử nghiệm AI thất bại vì chúng không gắn với các quy trình thực tế, thiếu các mục tiêu đo lường, phụ thuộc vào bối cảnh tổ chức chưa đầy đủ hoặc không có người chịu trách nhiệm lâu dài cho hoạt động sản xuất.

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

Đ: Các công ty nên so sánh quy trình được hỗ trợ bởi AI với một mốc cơ sở đã được tài liệu hóa. Các chỉ số hữu ích bao gồm thời gian cho mỗi tác vụ, nỗ lực rà soát của con người, tỷ lệ lỗi, chi phí cho mỗi giao dịch, mức độ áp dụng, tác động đến doanh thu và chi phí chi tiêu bên ngoài được tránh.

H: “Chia cách GenAI” là gì?

Đ: “Chia cách GenAI” mô tả khoảng cách 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 xây dựng hay mua các hệ thống AI cho doanh nghiệp?

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