AI và Data Analytics trong ra quyết định doanh nghiệp: việc gì nên giao cho máy, việc gì phải giữ cho con người

1. Từ dữ liệu đến quyết định: AI và Data Analytics đóng vai trò gì, giá trị thật sự nằm ở đâu?

Dashboard không phải đích đến

Trong nhiều doanh nghiệp, dữ liệu đang xuất hiện ngày càng nhiều nhưng chất lượng ra quyết định chưa chắc cải thiện tương xứng. Báo cáo dày hơn, dashboard đẹp hơn, mô hình dự báo tốt hơn, nhưng điều đó không tự động tạo ra quyết định nhanh hơn hay tốt hơn. Đây là nghịch lý phổ biến của kỷ nguyên dữ liệu: tổ chức đầu tư mạnh vào khả năng “nhìn thấy”, nhưng chưa đầu tư đủ vào năng lực “quyết định”.

Bain từng ghi nhận chỉ 4% doanh nghiệp có đủ con người, công cụ, dữ liệu và chủ đích để vừa rút ra insight có ý nghĩa, vừa hành động được trên insight đó (1). Nói cách khác, khoảng cách lớn nhất hiện nay không còn nằm ở việc có dữ liệu hay không, mà ở việc dữ liệu đã thực sự đi vào hành động quản trị hay chưa.

Với cấp quản lý, đây là điểm cần nhìn thật rõ: dữ liệu không phải tài sản chỉ vì nó được thu thập nhiều hơn hoặc hiển thị đẹp hơn. Dữ liệu chỉ trở thành tài sản khi nó giúp doanh nghiệp giảm độ mơ hồ trong lựa chọn, rút ngắn thời gian phản ứng và nâng chất lượng thực thi. Nếu một hệ thống dữ liệu không thay đổi được cách tổ chức ra quyết định, thì phần lớn giá trị của nó vẫn chỉ dừng ở tầng thông tin, chưa đi tới tầng điều hành.

AI phải nằm trong data strategy, không đứng ngoài nó

Chính vì vậy, AI không nên được nhìn như một chủ đề tách riêng khỏi data strategy. Trong bối cảnh doanh nghiệp, AI là lớp năng lực nằm trên nền dữ liệu và analytics, cho phép tổ chức đi xa hơn trong việc nhận diện mẫu, dự báo, tối ưu hóa và tự động hóa một phần quyết định. Nhưng càng đi sâu vào AI, câu hỏi quản trị càng trở nên rõ hơn: đâu là phần có thể tiêu chuẩn hóa, đâu là phần chỉ nên được máy hỗ trợ, và đâu là phần phải giữ lại cho con người.

McKinsey cho biết gần như công ty nào cũng đang đầu tư vào AI, nhưng chỉ 1% lãnh đạo cho rằng doanh nghiệp của họ đã ở mức “mature”, tức AI đã được tích hợp thực sự vào workflow và tạo ra kết quả kinh doanh đáng kể (2). Điều đó cho thấy vấn đề không nằm ở mức độ hào hứng với công nghệ, mà nằm ở khả năng đưa công nghệ vào đúng điểm chạm của quyết định.

Nói ngắn gọn, câu hỏi trung tâm của doanh nghiệp hôm nay không còn là “AI làm được gì”, mà là “AI và Data Analytics nên đi vào đâu trong cơ chế ra quyết định”. Đây không phải câu hỏi công nghệ. Đây là câu hỏi về kiến trúc điều hành.

2. Ranh giới giữa máy và con người được quyết định bởi bản chất của quyết định

Khi nào nên giao nhiều hơn cho máy

Máy phát huy hiệu quả rõ nhất trong những quyết định có tần suất lặp lại cao, dữ liệu lịch sử đủ dày, tiêu chí đánh giá tương đối rõ và kết quả có thể đo lường liên tục. Trong những bối cảnh như vậy, lợi thế của máy không chỉ nằm ở tốc độ, mà còn ở tính nhất quán. Con người rất mạnh trong phán đoán khi tình huống mới xuất hiện, nhưng lại dễ dao động khi phải xử lý hàng nghìn quyết định nhỏ dưới áp lực thời gian và biến động liên tục. Máy thì ngược lại: càng nhiều dữ liệu và càng nhiều pattern lặp lại, lợi thế càng rõ.

UPS là một ví dụ tiêu biểu cho lớp quyết định mà máy thường làm tốt hơn người. Công ty này cho biết họ sử dụng AI và machine learning để tối ưu tuyến giao hàng, qua đó tiết kiệm khoảng 10 đến 14 dặm cho mỗi tài xế mỗi ngày (3).

Bản chất của bài toán ở đây không phải là “AI thông minh hơn con người” theo nghĩa chung chung, mà là hệ thống có khả năng xử lý một lượng biến số quá lớn, thay đổi liên tục và cần ra quyết định nhiều lần mỗi ngày với mục tiêu tối ưu rất rõ. Trong loại quyết định như vậy, giao nhiều hơn cho máy là lựa chọn hợp lý về mặt vận hành.

JPMorgan Chase cũng cho thấy logic tương tự trong một môi trường có vẻ ít “vận hành” hơn nhưng lại rất giàu tính dữ liệu. Trong báo cáo thường niên 2016, ngân hàng này cho biết công nghệ COiN có thể trích xuất 150 thuộc tính liên quan từ 12.000 hợp đồng tín dụng thương mại hằng năm chỉ trong vài giây, so với tới 360.000 giờ mỗi năm nếu rà soát thủ công (4).

Giá trị của case này không nằm ở chỗ AI thay thế hoàn toàn chuyên gia, mà ở chỗ hệ thống xử lý được phần việc có khối lượng lớn, cấu trúc tương đối lặp lại và yêu cầu độ nhất quán cao, từ đó giải phóng nguồn lực con người cho các lớp đánh giá có giá trị cao hơn.

Khi nào con người phải giữ quyền cuối cùng

Tuy nhiên, từ việc máy làm tốt ở tầng tác nghiệp đến kết luận rằng “máy nên quyết định thay con người” là một bước nhảy quá xa. Có nhiều loại quyết định trong doanh nghiệp mà chất lượng không chỉ được đo bằng độ chính xác thống kê, mà còn bằng khả năng hiểu bối cảnh, xử lý ngoại lệ, cân nhắc hệ quả dây chuyền và gánh trách nhiệm cuối cùng. Những quyết định như vậy không thể chỉ dựa vào dữ liệu quá khứ, vì dữ liệu quá khứ không phải lúc nào cũng đại diện đủ cho môi trường tương lai.

Đó là lý do khái niệm human-in-the-loop trở nên quan trọng. Google Cloud mô tả đây là cách tiếp cận mà trong đó con người tham gia vào vòng đời của hệ thống AI để nâng độ chính xác, độ tin cậy và khả năng thích ứng (5).

Điểm đáng chú ý ở đây là mục tiêu không phải loại con người ra khỏi vòng lặp, mà là đặt con người vào đúng điểm của vòng lặp. Trong nhiều quyết định, máy có thể phân tích nhanh hơn, dự báo tốt hơn hoặc gợi ý phương án hợp lý hơn. Nhưng câu hỏi cuối cùng vẫn là: ai hiểu được ngoại lệ, ai chấp nhận rủi ro, và ai chịu trách nhiệm khi quyết định sai.

NIST cũng đi theo logic đó khi xây dựng AI Risk Management Framework như một khung tham chiếu giúp tổ chức quản lý rủi ro AI và thúc đẩy việc phát triển, triển khai, sử dụng trí tuệ nhân tạo AI theo hướng trustworthy và responsible (6). Từ góc nhìn quản trị, đây là một thông điệp rất quan trọng: khi AI đi vào quyết định, vấn đề không còn đơn thuần là mô hình có mạnh hay không, mà là hệ thống có đáng tin, có thể giải thích, có thể kiểm soát và có cơ chế can thiệp khi sai lệch xảy ra hay không.

Mô hình hybrid mới là thực tế tốt nhất

Nếu nhìn đủ thực tế, sẽ thấy phần lớn doanh nghiệp không cần lựa chọn giữa hai cực “machine-only” và “human-only”. Mô hình hiệu quả nhất thường là hybrid: máy xử lý phần có thể chuẩn hóa, cần tốc độ và cần mở rộng ở quy mô lớn; con người giữ vai trò ở các điểm cần phán đoán, thiết lập ngưỡng chấp nhận rủi ro, xử lý ngoại lệ và chịu trách nhiệm cuối cùng. Đây không phải phương án trung dung vì thiếu tự tin với công nghệ. Ngược lại, đây là dấu hiệu của một hệ thống ra quyết định trưởng thành.

John Deere là một ví dụ đáng tham khảo cho logic đó. Hệ thống See & Spray của hãng dùng computer vision và AI để phát hiện cỏ dại và chỉ phun vào nơi cần thiết; đồng thời, John Deere cũng cho biết hệ thống có thể thay đổi mức phun dựa trên các ngưỡng biomass do chính người vận hành thiết lập (7).

Ở một dòng sản phẩm khác, hãng công bố mức tiết kiệm thuốc diệt cỏ trung bình 77% khi chỉ phun mục tiêu trên fallow fields (8). Điều đáng học ở đây không chỉ là tiết kiệm chi phí đầu vào, mà là cách quyền quyết định được phân chia: máy xử lý phần nhận diện và phản ứng theo thời gian thực, còn con người vẫn giữ quyền đặt mục tiêu, ngưỡng và mức chấp nhận rủi ro.

3. Ban điều hành nên bắt đầu từ đâu để đưa AI và data analytics vào đúng quyết định?

Bắt đầu từ decision landscape, không phải từ công cụ

Sai lầm phổ biến của nhiều doanh nghiệp là tìm công cụ trước khi xác định rõ quyết định nào cần được cải thiện. Cách làm này thường tạo ra nhiều dashboard, mô hình hay thử nghiệm phân tích, nhưng chất lượng điều hành thay đổi không đáng kể. Lý do là tổ chức đang đầu tư vào lớp hiển thị hoặc xử lý dữ liệu trước khi làm rõ dữ liệu đó sẽ thay đổi quyết định nào.

Với cấp quản lý, điểm khởi đầu đúng không phải là “có thể dùng AI ở đâu”, mà là “đâu là những quyết định đang tạo ra chi phí, độ trễ hoặc sai lệch trong vận hành”. Chỉ khi map được decision landscape đó, data analytics mới thực sự trở thành năng lực quản trị, thay vì chỉ là năng lực báo cáo.

Bốn câu hỏi để phân loại một quyết định trước khi ứng dụng analytics sâu hơn

Trước khi đưa analytics hoặc AI vào sâu hơn trong một quyết định, ban điều hành nên tự hỏi:

• Quyết định này có lặp lại đủ nhiều để chuẩn hóa không?
• Dữ liệu lịch sử có đủ dày, đủ sạch và đủ ổn định không?
• Nếu sai, thiệt hại có lớn và khó đảo ngược không?

Đây là bài toán tối ưu hóa theo quy tắc rõ, hay là bài toán đòi hỏi judgment và accountability?

Bốn câu hỏi này giúp doanh nghiệp nhìn ra một nguyên tắc quan trọng: không phải quyết định nào có dữ liệu cũng nên tự động hóa, nhưng gần như mọi quyết định quan trọng đều nên được hỗ trợ tốt hơn bằng dữ liệu. Nếu bài toán có tính lặp lại cao, dữ liệu đủ mạnh và kết quả có thể đo lường rõ, AI analytics có thể đóng vai trò trung tâm trong việc chuẩn hóa và tăng tốc ra quyết định.

Ngược lại, nếu bài toán chứa nhiều ngoại lệ, hệ quả lớn hoặc phụ thuộc mạnh vào judgment, thì dữ liệu nên được dùng để làm rõ vấn đề và hỗ trợ nhà quản lý, chứ không thay thế vai trò quyết định của con người.

Rốt cuộc, AI và Data Analytics không làm thay đổi bản chất của quản trị; chúng chỉ làm lộ rõ một sự thật vốn đã tồn tại từ trước: doanh nghiệp thắng không phải vì có nhiều dữ liệu hơn, mà vì ra quyết định tốt hơn. Dữ liệu giúp nhìn rõ hơn. Analytics giúp hiểu sâu hơn. AI giúp phản ứng nhanh hơn và xử lý ở quy mô lớn hơn.

Nhưng lợi thế cạnh tranh chỉ xuất hiện khi ba lớp đó được gắn vào một kiến trúc ra quyết định hợp lý, nơi máy được giao đúng phần việc nó làm tốt, còn con người vẫn giữ quyền ở những điểm cần phán đoán, trách nhiệm và kiểm soát hệ quả.

APA References

1. Bain & Company. (n.d.). The value of Big Data: How analytics differentiates winners.
2. McKinsey & Company. (2025, January 28). Superagency in the workplace: Empowering people to unlock AI’s full potential.
3. UPS. (2025, May 27). How UPS is helping customers with sustainable logistics.
4. JPMorgan Chase & Co. (2016). 2016 annual report.
5. Google Cloud. (n.d.). What is human-in-the-loop (HITL) in AI & ML?
6. National Institute of Standards and Technology. (2023, January 26). Artificial intelligence risk management framework (AI RMF 1.0).
7. John Deere. (n.d.). See & Spray Gen 2.
8. John Deere. (n.d.). See & Spray Select.