(toàn bộ ảnh lấy từ bài gốc của Vasuman)
Bạn chi 8 chữ số mua license AI cho toàn công ty. Dashboard hiển thị tỷ lệ sử dụng gần chạm 90%. Board gật gù. CFO ký tiếp ngân sách năm sau.
Rồi sáu tháng trôi qua. Không quy trình nào nhanh hơn. Không dòng chi phí nào giảm. Và khi bạn kiểm tra lại mức tiêu thụ token, 10% nhân viên đốt 90% tổng token. 70% còn lại chưa bao giờ mở tool sau buổi giới thiệu đầu tiên.
Con số trên dashboard vẫn nằm đó, xanh lè trên slide quý.
Bài toán 88/6
McKinsey khảo sát năm 2025: 88% tổ chức báo cáo đã triển khai AI ở ít nhất một phòng ban. Con số đẹp. Nhưng khi hỏi tiếp, chỉ 6% trong số đó ghi nhận AI đóng góp trên 5% vào EBIT. Tám mươi tám phần trăm “dùng”, sáu phần trăm “có tác động.”
Toàn bộ ngành đang vận hành trên một con số đúng về mặt kỹ thuật nhưng vô nghĩa về mặt vận hành.
“Dùng” nghĩa là gì? Mở ChatGPT một lần rồi đóng cũng là “dùng.” Paste nguyên cái email vào Claude rồi copy ngược ra cũng là “dùng.” Metric không phân biệt được giữa người dùng 5 phút mỗi ngày để viết lại email và người dùng 5 tiếng để tự động hóa toàn bộ pipeline xử lý hóa đơn. Nó nén cả một dải quang phổ kỹ năng vào một ô checkbox: có/không.
Vasuman Moza, CEO của Varick Agents, một công ty chuyên triển khai AI cho doanh nghiệp lớn, viết thẳng: “Con số adoption mà bạn report cho board là vô nghĩa. Tôi đã triển khai ở hàng chục công ty. Mỗi lần đều ra cùng một hình dạng.”
Hình dạng đó là cái mà giới toán gọi là phân phối barbell.
Cái tạ không ai muốn nhấc
5-10% dùng AI như hít thở. Họ có file cấu hình riêng, quy trình riêng, phong cách prompt riêng. Một kỹ sư trong nhóm này nhận ticket, 5 phút sau đã có pull request sạch. Kỹ sư bên cạnh, cùng tool, cùng license, cùng mức lương, paste nguyên ticket vào ChatGPT rồi copy output ra, đầy lỗi.
20% dùng kém, dùng sai, dùng cho vui.
70% không bao giờ đụng vào sau buổi onboarding.
Vasuman kể về một khách hàng cam kết tám chữ số cho ngân sách AI trong năm. Khi kiểm tra: 10% nhân viên đốt 90% token. Nếu 90% còn lại bất ngờ dùng AI ở cùng mức độ, chi phí token sẽ vượt ngân sách gấp 10 lần. Công ty đang “tiết kiệm” nhờ đa số nhân viên không dùng tool mà công ty đã mua cho họ.
Một nghiên cứu từ MIT Media Lab, báo cáo “GenAI Divide” năm 2025, khảo sát 150 lãnh đạo doanh nghiệp, 350 nhân viên, và phân tích 300 trường hợp triển khai AI, kết luận: chỉ 5% dự án pilot AI thành công chuyển sang production với tác động đo được lên doanh thu. 95% còn lại dừng ở giai đoạn thử nghiệm hoặc không tạo ra kết quả tài chính nào.
Đây không phải lỗi rollout. Đây là hằng số cấu trúc.
Có một định luật trong toán học gọi là Định luật Price: căn bậc hai của tổng số người tham gia tạo ra 50% tổng sản lượng. Trong một phòng 100 người, 10 người tạo ra một nửa giá trị. Phân phối barbell trong AI doanh nghiệp chính là Định luật Price đang diễn ra trực tiếp trên bảng thống kê token.
Kỹ năng không mua được
Điều đáng sợ nhất: khoảng cách này nới rộng theo mỗi bản cập nhật model.
Nghe phi lý. Model mới mạnh hơn thì ai cũng được lợi chứ? Không. Hãy nghĩ về máy ảnh. Máy ảnh compact cũ có một nút: bấm, chụp. Ai cũng ra ảnh giống nhau. Rồi máy ảnh mirrorless ra đời, thêm hàng trăm tùy chỉnh: ISO, khẩu độ, tốc độ màn trập, lấy nét theo mắt, tracking AI, profile màu tùy chỉnh. Người giỏi khai thác hết, ra ảnh đẹp gấp 10 lần. Người bình thường vẫn bấm nút Auto, ra ảnh y hệt máy compact cũ, nhưng giờ trả gấp 5 lần tiền thân máy.
AI enterprise đang lặp lại đúng vòng này. Claude thêm Computer Use, Projects, Memory, MCP. Mỗi tính năng là một cánh cửa mới mở. Người giỏi bước qua. Người trung bình không biết cánh cửa tồn tại.
Vasuman gọi đó là “ngưỡng kỹ năng” (skill floor), cái sàn tối thiểu để dùng AI một cách có ích chứ không chỉ có dùng. Cái sàn này không cố định. Nó leo theo mỗi bản cập nhật.
Lấy ví dụ cụ thể: hai kỹ sư phần mềm nhận cùng một yêu cầu sửa lỗi. Kỹ sư A paste mô tả lỗi vào ChatGPT, nhận đoạn code, copy ngược ra, chạy thử, lỗi. Lặp lại 4-5 lần, mất 2 tiếng, cuối cùng tự sửa tay. Kỹ sư B mở Claude với file cấu hình riêng (skill file) đã thiết lập sẵn quy tắc: luôn đọc toàn bộ codebase trước khi sửa, luôn chạy test trước khi trả kết quả, không đụng vào config trừ khi được hỏi. 12 phút sau, pull request sạch, có test, có giải thích. Cùng tool, cùng license, cùng mức lương. Output khác nhau không phải 2 lần hay 3 lần, mà cỡ 10 lần.
Khoảng cách này không thu hẹp theo thời gian. Nó nới rộng, vì mỗi tính năng mới mà kỹ sư B học cách khai thác là một tính năng mà kỹ sư A không biết là tồn tại. Và không ai trong tổ chức có động lực để dạy A, vì B đang bận tạo ra giá trị.
Gartner dự báo chi tiêu AI toàn cầu năm 2026 đạt khoảng 2,59 nghìn tỷ đô, tăng 47% so với năm 2025. Tiền đổ vào, nhưng nếu 70% nhân viên trong tổ chức không chạm vào tool, 2,59 nghìn tỷ đô đó đang mua gì?
Đang mua vườn anh đào.
Lopakhin gõ cửa
Trong vở kịch cuối cùng của nhà viết kịch người Nga Anton Chekhov, Vườn Anh Đào (1904), gia đình quý tộc Ranevskaya sở hữu một vườn anh đào tuyệt đẹp. Vườn không sinh lợi. Nợ chồng nợ. Lopakhin, con trai một nông nô cũ, giờ là thương gia giàu có, đề nghị: chặt cây, chia lô, xây nhà nghỉ cho thuê. Giải pháp rõ ràng, khả thi, có lãi.
Ranevskaya từ chối. Vườn là ký ức. Vườn là giai cấp. Vườn là bản sắc. Bà ngồi trong phòng trà, uống trà, nhớ thời thơ ấu, và giả vờ tiếng rìu chặt cây ở màn cuối chỉ là tiếng gió.
Dashboard AI enterprise là vườn anh đào. 88% adoption trông đẹp. Kỹ thuật thì “thật” (người ta có login mà). Nhưng vườn không ra quả. Tiền token cháy mỗi tháng mà không ai hỏi output đâu. Board ngồi nhìn dashboard xanh lè, y hệt Ranevskaya ngồi trong phòng trà nghe tiếng rìu mà nghĩ đó là gió.
Lopakhin là gì trong bối cảnh này? Là cái mà Vasuman gọi là “tác tử nền” (background agent), AI được nhúng thẳng vào hệ thống vận hành hiện có (Salesforce, NetSuite, SAP) để tự động xử lý hóa đơn, kiểm kê hàng tồn, đối soát thanh toán. Con người chỉ cần duyệt hoặc từ chối. Không cần biết prompt. Không cần biết skill file. Không cần biết AI tồn tại.
Chặt cây, chia lô, cho thuê.
Nhưng nhiều tổ chức từ chối. Vì vườn anh đào (con số 88%) đẹp quá. Chặt đi thì report gì cho board?
Không ai muốn lấp hố
Hỏi thật: ai có động lực để thu hẹp khoảng cách giữa người dùng giỏi và người dùng kém?
Nhà cung cấp AI? Không. Anthropic, OpenAI, Google đều chạy theo người dùng tiên phong, những người la to nhất trên X, những người viết blog so sánh tool, những người quyết định mua license doanh nghiệp. Roadmap sản phẩm nâng trần năng lực. Không ai nâng sàn kỹ năng. Nâng sàn kỹ năng không hấp dẫn, không viral, không tạo tweet 10K likes.
Mình thấy đây là điểm Vasuman hơi thiếu sắc thái: áp lực cạnh tranh giữa các nhà cung cấp sẽ buộc ít nhất một trong số họ phải hạ sàn kỹ năng để thắng cuộc chiến giành ghế doanh nghiệp. Ai giải được bài toán khả năng sử dụng đại trà trước sẽ nuốt thị trường. Nhưng hiện tại, chưa ai đang cố.
Ninja AI trong công ty? Càng không. Chia sẻ bí kíp nghĩa là mất lợi thế. Vasuman đề xuất một “chợ skill file” nội bộ, nơi người dùng giỏi nhất chia sẻ cấu hình AI của họ, xếp hạng theo hiệu quả, dùng vị thế làm động lực: “người dùng giỏi sẽ đổi lợi thế lấy chỗ đứng.”
Nghe hay trên giấy. Nhưng mình nghi. Trong hầu hết tổ chức, lương, quyền tự chủ, và an toàn việc làm vẫn là tiền tệ mạnh hơn status nội bộ gấp nhiều lần. Skill file cũng chỉ chuyển giao cấu trúc quy trình, chuyển giao phán đoán ngầm (tacit judgment) thì chưa ai làm được.
Đào tạo? Dễ bán, khó thấm. Vasuman nói thẳng: đào tạo chỉ giải quyết được 10% vấn đề. Đào tạo giúp phát hiện ai nằm trong nhóm đầu, nhưng không biến một người thuộc nhóm 70% thành người dùng xuất sắc. Chức năng thật sự của đào tạo là chẩn đoán, phân loại ai ở đâu trên thanh barbell, rồi thiết kế hạ tầng phù hợp cho từng nhóm.
Đếm công việc, đừng đếm login
Vasuman đề xuất một metric thay thế: tỷ lệ công việc trong tổ chức đang ở trạng thái thủ công (manual), bán tự động (hybrid), và hoàn toàn tự động (fully automated). Không đếm ai login. Đếm bao nhiêu quy trình đã được máy làm thay.
Metric này tốt hơn 88% rất nhiều. Nhưng vẫn thiếu một tầng: chất lượng output. Một quy trình “hybrid” mà con người chỉ bấm “Approve” mà không đọc thì thực chất vẫn là thủ công. Một quy trình “fully automated” chạy không giám sát có thể đang tạo lỗi ở quy mô lớn mà không ai biết. Metric cần thêm tầng kiểm chứng đầu ra, nhưng ít nhất nó đã đi đúng hướng: đếm công việc, đừng đếm người.
Nhà dân tộc thực vật học Wade Davis từng nghiên cứu hiện tượng “zombie” ở Haiti những năm 1980 và phát hiện rằng các thầy phù thủy (bokor) không dùng phép thuật mà dùng tetrodotoxin, một chất độc thần kinh từ cá nóc, khiến nạn nhân rơi vào trạng thái giả chết, sau đó bị đào lên trong trạng thái dễ bảo, vâng lời, ngoan ngoãn. Nạn nhân trông sống nhưng không còn tự chủ.
Dashboard AI doanh nghiệp hoạt động y hệt. Tổ chức trông “sống” (88% adoption!), nhưng khả năng vận hành phía sau đã bị gây tê, biến thành trạng thái tuân thủ mà không nhận thức. Login mà không dùng. Dùng mà không giỏi. Báo cáo mà không đo. Sống mà không thở.
Tiếng rìu ở màn cuối
Trong Vườn Anh Đào, có một nhân vật mà khán giả thường quên: Firs, người hầu già trung thành, bị bỏ quên trong căn nhà trống khi gia đình Ranevskaya rời đi. Cửa khóa. Tiếng rìu vang. Firs nằm đó, một mình, lẩm bẩm: “Cuộc đời đã trôi qua như chưa từng được sống.”
Khi bạn report “88% adoption” cho board quý tới, hãy tự hỏi: bạn đang là Lopakhin (người chặt cây để xây thứ có lãi), hay đang là Firs (người bị khóa trong căn nhà trống, trung thành với một metric mà chính metric đó đã bỏ rơi bạn)?
Tiếng rìu đã bắt đầu. Bạn có mở cửa ra nhìn không, hay giả vờ đó là tiếng gió?