Trong bộ phim A Separation của đạo diễn Iran Asghar Farhadi, mỗi nhân vật đều nói thật. Nader nói thật. Simin nói thật. Razieh, người giúp việc, cũng nói thật. Nhưng không ai nói trọn. Mỗi người giữ một mảnh sự thật vừa đủ để bảo vệ chính mình, và tổng cộng các mảnh sự thật ấy không bao giờ ghép thành bức tranh đầy đủ. Thẩm phán ngồi nghe, nghe rất kỹ, nhưng càng nghe càng mù.
Bất kỳ ai từng thử lập bản đồ quy trình vận hành bên trong một doanh nghiệp lớn đều sẽ nhận ra cảm giác đó.
Câu hỏi sai từ đầu
Annelies Gamble, partner tại quỹ đầu tư Zetta Venture Partners và cựu founder trong lĩnh vực AI công nghiệp, đặt vấn đề thẳng: phần lớn các cuộc thảo luận về AI trong doanh nghiệp đang xoay quanh một câu hỏi sai. “Phần nào trong ngân sách có thể dành cho AI?” nghe rất hợp lý trong phòng họp hội đồng quản trị, nhưng nó dẫn đến một chuỗi quyết định mua sắm công nghệ thay vì nhìn lại thứ cần nhìn: quy trình vận hành thực tế đang vỡ ở đâu.
Vasuman, founder của Varick, một trong những nguồn chính trong bài viết của Gamble, nói cụ thể hơn: “Bạn sẽ không chuyển đổi được công ty nếu không xây lại vận hành từ gốc.” Nghe thì đơn giản. Nhưng “xây lại từ gốc” ở đây có nghĩa là phải biết rõ cái nào nên tự động hóa bằng code cứng, cái nào cần giao cho agent, và cái nào phải giữ lại cho con người.
Đây là bài toán phân loại quy trình, và Gamble phác họa nó thành ba tầng rõ ràng.
Tầng một: tự động hóa xác định (deterministic automation). Khi đầu vào có cấu trúc và hành vi mong muốn có thể mô tả hoàn chỉnh bằng luật, bạn cần phần mềm, không cần agent. Dẫn hóa đơn đến đúng phòng ban, đồng bộ trường dữ liệu CRM, kiểm tra tài liệu bắt buộc có đầy đủ không. Những công việc này có giá trị, nhưng không cần khả năng suy luận mở.
Tầng hai: agent. Agent hợp lý khi công việc đòi hỏi phải diễn giải đầu vào, kéo ngữ cảnh từ nhiều hệ thống, hoặc thực hiện một quy trình nhiều bước mà đường đi thay đổi tùy theo những gì agent phát hiện ra trong quá trình chạy. Nói cách khác, agent thuộc về vùng mà luật cứng bắt đầu bất lực.
Tầng ba: con người. Khi hệ quả quá lớn, quan hệ quá nhạy cảm, hoặc tổ chức chưa biết “tốt” trông như thế nào thì sản phẩm AI đúng ở đây có thể là trợ lý, người rà soát, hoặc lớp kiểm tra chất lượng. Không phải agent tự chủ.
Ba tầng này nghe như lẽ thường. Nhưng hầu hết các dự án AI doanh nghiệp nhảy thẳng vào tầng hai mà không bao giờ chạy phép phân loại.
Mô sẹo hay chuyên môn
Và ngay cả khi đã phân loại đúng, vấn đề tiếp theo còn khó hơn.
Gamble gọi đây là “tribal knowledge problem”, vấn đề tri thức ngầm. Những người vận hành lâu năm có thể chỉ cho bạn xem họ làm gì, nhưng hiếm khi giải thích được tại sao họ làm như vậy. Họ có thể đã làm công việc đó mười lăm năm, biết chính xác ngoại lệ nào quan trọng và ngoại lệ nào bỏ qua được, nhưng không có ngôn ngữ để diễn đạt điều đó.
Ahmad Kakar, CEO của Euclid, một công ty xây dựng hệ thống agent cho ngành vận tải và logistics, chỉ ra vấn đề sâu hơn: “Cái bẫy của tri thức ngầm là phần đáng kể trong đó không phải chuyên môn thật, mà là cách xoay xở mà người ta tự xây cho những hệ thống không tồn tại hoặc đã hỏng từ lâu. Nếu bạn chỉ ghi lại và mã hóa tất cả vào agent, bạn đã tự động hóa sự trục trặc.”
Cảnh này quen. Quay lại bộ phim của Farhadi: mỗi nhân vật hành xử hoàn toàn hợp lý trong khuôn khổ sự thật mà họ nắm giữ. Razieh giấu chuyện đi làm thuê vì chồng không cho phép. Nader giấu mức Alzheimer thật sự của cha mình. Không ai nói dối. Nhưng mỗi người đang vận hành dựa trên một bộ quy tắc riêng, hình thành từ hoàn cảnh riêng, và có bộ quy tắc nào trong số đó phản ánh đúng thực tại chung không thì chẳng ai biết. Thẩm phán phải quyết định mà không có bức tranh toàn cảnh.
Người triển khai AI doanh nghiệp đối mặt với chính xác bài toán đó. Họ phải ngồi xuống với từng người, kéo tri thức ra khỏi đầu, rồi quyết định cái nào là phán đoán thật, cái nào là mô sẹo tích lũy từ những hệ thống hỏng. Làm sai bước này thì agent càng chính xác, tổ chức càng trục trặc nhanh hơn.
Bán hai lần
Quy trình kéo tri thức này nhạy cảm vì một lý do hiển nhiên: người bị hỏi thường nghĩ bạn đang thay thế họ.
Troy Shen, đồng sáng lập Cervo, một nền tảng AI cho ngành hải quan, đặt tên cho vấn đề này rất gọn: “Triển khai AI thành công đòi hỏi bán hàng hai lần, không phải một. Bạn bán kết quả cho lãnh đạo, và bạn bán một ngày làm việc tốt hơn cho người vận hành. Người vận hành mà không mua thì triển khai sẽ thất bại.”
Suril Kantaria, đồng sáng lập Adaptional (AI cho bảo hiểm), mô tả cách tiếp cận của công ty ông như một khóa học nghề: “Trong nhiều doanh nghiệp, công việc vận hành theo mô hình truyền nghề. Để thành công, chúng tôi gia nhập như nhân viên mới háo hức, học cách những chuyên viên giỏi nhất xử lý hồ sơ, ra quyết định, tuân thủ quy định và cập nhật chính sách nội bộ.”
Bihan Jiang, trưởng nhóm sản phẩm (Product Lead) tại Decagon, nói rằng phần lớn công việc của cô là quản lý thay đổi nội bộ cho khách hàng, không phải triển khai kỹ thuật. Có chỉ thị từ hội đồng quản trị “đưa AI vào chăm sóc khách hàng” tạo ra động lực từ trên xuống, nhưng thứ giữ cho dự án sống là lòng tin và sự đồng thuận từ nhiều bộ phận.
Nói cách khác: quá trình triển khai vừa là kỹ thuật, vừa là nhân học, vừa là chính trị nội bộ. Troy Shen mô tả: “Triển khai cho một công ty Fortune 500 là triển khai qua nhiều văn phòng, mỗi nơi có lịch sử riêng, quy trình riêng, chính trị riêng, và thái độ riêng với AI. Điều hướng trong môi trường đó đòi hỏi một tổ hợp hiếm: trí tuệ cảm xúc, khả năng ứng biến, và quản lý các bên liên quan.”
Xây trên nền cũ
Một quan điểm đáng chú ý trong bài viết của Gamble: đừng ép doanh nghiệp chuyển đổi hệ thống nền tảng. Hầu hết doanh nghiệp lớn “đã kết hôn” với ERP hoặc CRM của họ. Những hệ thống đó chứa nhiều năm dữ liệu quy trình và tích hợp. Đôi khi cách tiếp cận tốt hơn là xây agent lên trên, kết nối các hệ thống, rồi trích xuất logic quy trình giữa chúng.
Cách tiếp cận này có giới hạn: nếu kiến trúc bên dưới quá mỏng manh, dữ liệu không sạch, hoặc phân quyền bị hỏng, thì xây lên trên có nghĩa là bạn đang tự động hóa xung quanh vấn đề thay vì sửa nó. Nhưng những triển khai tốt nhất mà Gamble quan sát được đều làm kết hợp: xây trên nền cũ khi có thể, rồi để chính quá trình triển khai agent bộc lộ ra phần nào thực sự cần xây lại.
Gamble gọi đây là sự thay đổi định nghĩa: hiện đại hóa từng có nghĩa là để lập trình viên hiện đại dùng được phần mềm cũ. Bây giờ, hiện đại hóa có nghĩa là để agent đọc được quy trình vận hành cũ.
Thư viện khuôn mẫu
Mỗi lần triển khai ở những công ty nặng dịch vụ như Varick đều trông như làm thủ công cho từng khách hàng. Nhưng Gamble chỉ ra rằng bên dưới lớp vỏ đo ni đóng giày có một lớp khuôn mẫu đang tích lũy.
Sau nhiều lần triển khai cho các phòng tài chính, bạn bắt đầu học được cách phòng tài chính vận hành và vỡ ở đâu. Bạn tích lũy được các khuôn mẫu quy trình (workflow archetype), bộ câu hỏi cần đặt, khung đánh giá, mô hình quản trị. Và phần quan trọng: sự tích lũy này không đòi hỏi chuyển dữ liệu giữa các khách hàng. Vasuman nói: “Agent của chúng tôi có độ chính xác nền tảng cao hơn, không phải vì chúng tôi trích xuất dữ liệu từ khách hàng, mà vì chúng tôi có phương pháp luận và thực tiễn phù hợp nhất cho những trường hợp ngoại lệ hiếm gặp mà chúng tôi đã thấy qua nhiều lần triển khai.”
Cái không lặp lại được là ngữ cảnh kinh doanh cụ thể. “Phần đó không thể nhân rộng, vì mỗi doanh nghiệp đều khác nhau. Giả vờ ngược lại là lý do phần lớn dự án AI thất bại.”
Thư viện khuôn mẫu này, theo Gamble, mới là hào phòng thủ thật: biết chỗ nào trao quyền tự chủ cho máy, biết cách chuyển quy trình thành logic vận hành có cấu trúc, tích lũy dần qua từng lần triển khai.
Ai sở hữu chuyển đổi?
Đến đây, câu hỏi tự nhiên: nếu thứ tạo ra giá trị là chuyển đổi vận hành chứ không phải agent, thì ai sẽ sở hữu thị trường đó?
Gamble loại trừ hai ứng viên hiển nhiên. Các phòng thí nghiệm AI (Anthropic, OpenAI, Google) được tối ưu hóa cho năng lực trí tuệ có thể nhân rộng (scalable intelligence), nhưng chuyển đổi vận hành doanh nghiệp thì bản chất là không nhân rộng sạch được. Thêm vào đó, không doanh nghiệp nào muốn toàn bộ công ty phụ thuộc vào một hoặc hai nhà cung cấp mô hình.
Và các hãng tư vấn truyền thống? Gamble dẫn lại nhận định của Vasuman: “Quán tính cần thiết để đẩy một tổ chức khổng lồ như McKinsey trở thành AI-native là không thể vượt qua.” Nghe thì mạnh, nhưng đây là nhận định đáng thách thức.
“Chuyển đổi vận hành” (operational transformation) là thứ McKinsey đã bán suốt năm mươi năm. Nếu các công ty AI-native mới đang bán cùng một thứ với công cụ tốt hơn, thì thứ họ làm là phá vỡ cấu trúc biên lợi nhuận (margin) của ngành tư vấn. Và tư vấn là ngành mà các công ty lớn đã sống sót qua mọi đợt chuyển đổi công nghệ trước đó (internet, cloud, mobile) bằng cách hấp thụ công cụ mới vào mối quan hệ khách hàng sẵn có.
Lập luận về “quán tính không thể vượt qua” từng được dùng cho McKinsey trước đây. McKinsey vẫn còn đó.
Phản biện hợp lý: tốc độ tiến hóa của AI khác biệt về chất so với các đợt trước. Cái hay nhất sáu tháng trước giờ gần như lỗi thời. Chu kỳ lập kế hoạch của các hãng tư vấn lớn tính bằng quý, trong khi thị trường AI xoay vòng tính bằng tuần. Khoảng cách ở đây có thể không nằm ở công cụ, mà ở tốc độ trao đổi chất (metabolic rate) của tổ chức.
Nhưng “có thể” không phải “chắc chắn”. Và bất kỳ ai đặt cược chiến lược dựa trên giả định rằng McKinsey sẽ không thích nghi, thì nên nhớ: lịch sử không ủng hộ giả định đó.
Hành lang cuối phim
Gamble không nói thẳng, nhưng toàn bộ bài viết của bà xoay quanh một trục duy nhất: lòng tin.
Trong A Separation, cảnh cuối phim là cô con gái Termeh ngồi trên hành lang tòa án, phải chọn sống với cha hay mẹ. Thẩm phán hỏi. Termeh im lặng. Phim kết thúc ở đó, với hai vợ chồng ngồi hai bên hành lang chờ đợi, và đứa trẻ ở giữa không trả lời.
Mỗi doanh nghiệp đang triển khai AI đều ngồi trên hành lang đó. Nghe mỗi bên trình bày một sự thật chưa trọn. Thẩm phán ở đây là người triển khai. Nhưng cái khó nhất là: Termeh biết câu trả lời nhưng không nói. Còn trong doanh nghiệp, người giữ tri thức vận hành cũng biết câu trả lời. Họ chỉ không chắc bạn hỏi để giúp hay hỏi để thay thế họ.