AI không còn là lựa chọn công nghệ mà đã trở thành quyết định chiến lược của doanh nghiệp. Nhưng khi mô hình Hybrid Intelligence được triển khai thiếu đúng đắn, hiệu quả vận hành và năng lực cạnh tranh có thể bị ảnh hưởng đáng kể.
Nghịch lý trong triển khai Hybrid Intelligence hiện nay
“Doanh nghiệp đã đầu tư vào AI, triển khai nhiều sáng kiến và ghi nhận một số cải thiện nhất định. Đồng thời, một số quy trình vận hành nhanh hơn, chi phí trên mỗi tác vụ giảm, và báo cáo nội bộ cho thấy hiệu suất có tăng lên. Tuy nhiên, ở góc độ tổng thể, kết quả kinh doanh lại không thay đổi tương xứng, doanh thu không tăng rõ rệt, chi phí vận hành tổng thể không giảm đáng kể, và biên lợi nhuận gần như giữ nguyên”. Một tình huống khá phổ biến mà nhiều lãnh đạo gặp phải.
Điều này đặt ra một câu hỏi cốt lõi “AI đang thực sự tạo ra giá trị ở đâu trong P&L của doanh nghiệp?”
Dữ liệu thị trường cho thấy khoảng cách này là có thật. Các khảo sát từ McKinsey chỉ ra rằng dù AI đã được triển khai rộng rãi, phần lớn doanh nghiệp vẫn chưa ghi nhận được tác động tài chính rõ ràng ở cấp độ toàn tổ chức, và hơn 80% chưa thấy ảnh hưởng đáng kể đến EBIT (Lợi nhuận trước thuế và lãi vay) (1).
Đồng thời, các phân tích thị trường từ Gartner dự đoán 30% dự án AI tạo sinh sẽ bị bỏ dở sau giai đoạn chứng minh tính khả thi vào cuối năm 2025 (2). Điều này lý giải vì sao nhiều doanh nghiệp rơi vào trạng thái quen thuộc: pilot thành công, nhưng scale thất bại.
Hệ quả là doanh nghiệp không thể dừng lại vì đã đầu tư đáng kể, nhưng đồng thời cũng không thể mở rộng vì chưa chứng minh được ROI. Nói cách khác, doanh nghiệp đã có AI trong workflow, nhưng giá trị trên lợi nhuận vẫn chưa được thể hiện rõ. Nghịch lý này không phải ngẫu nhiên, mà xuất phát từ những cách tiếp cận chưa đúng trong quá trình triển khai Hybrid Intelligence – khiến AI tồn tại trong hệ thống nhưng chưa thực sự tạo ra giá trị ở cấp độ kinh doanh.
3 sai lầm phổ biến khi triển khai Hybrid Intelligence trong doanh nghiệp
Triển khai AI không gắn với điểm tạo ra giá trị kinh doanh
Ngày nay, nhiều tổ chức triển khai Hybrid Intelligence vì áp lực thị trường, đối thủ hoặc các “best practice”. AI vì vậy được đưa vào hệ thống như một phản ứng chiến lược. Trong bối cảnh đó, doanh nghiệp thường ưu tiên những ứng dụng dễ triển khai như tạo nội dung, phân tích dữ liệu hoặc tự động hóa quy trình nội bộ. Những ứng dụng này có thể cải thiện hiệu suất ở cấp độ bộ phận, nhưng hiếm khi tạo ra tác động rõ ràng đến doanh thu hoặc chi phí tổng thể.
Trường hợp IBM Watson for Oncology là một ví dụ điển hình. IBM phát triển hệ thống AI với năng lực phân tích dữ liệu y khoa rất lớn và kỳ vọng hỗ trợ bác sĩ đưa ra quyết định điều trị. Dù được phát triển để hỗ trợ bác sĩ ra quyết định điều trị bằng năng lực phân tích dữ liệu y khoa lớn, hệ thống này không thực sự được tích hợp vào luồng quyết định cốt lõi.
Tài liệu nội bộ của IBM cho thấy Watson từng đưa ra nhiều gợi ý điều trị thiếu chính xác, thậm chí không an toàn hoặc không phù hợp (3). Trường hợp này cho thấy, nếu AI không nằm trên “decision path” tạo ra kết quả, giá trị kinh doanh sẽ không được hình thành, dù công nghệ vẫn hoạt động tốt.
Vấn đề cốt lõi chỉ ra ra rằng nếu AI không gắn với các điểm tạo ra giá trị kinh doanh, thì dù đầu tư lớn, hiệu quả tài chính vẫn khó được cải thiện.
Không tái thiết kế workflow khi đưa AI vào vận hành
Sai lệch thứ hai xảy ra ở cấp độ thiết kế hệ thống. Nhiều doanh nghiệp đưa AI vào các quy trình hiện hữu nhưng không thay đổi cách workflow vận hành, khiến AI chỉ đóng vai trò tăng tốc từng bước thay vì cải thiện hiệu quả tổng thể.
Trong một workflow có nhiều điểm nghẽn, việc tối ưu cục bộ không giúp hệ thống vận hành tốt hơn, mà còn làm lộ rõ sự mất cân bằng. Điều này thường thấy trong các hệ thống chăm sóc khách hàng. Khi AI chatbot có thể rút ngắn thời gian phản hồi ban đầu, nhưng các bước xử lý phía sau vẫn thủ công, nhiều tầng phê duyệt và thiếu quyền xử lý tại điểm tiếp xúc. Kết quả là hệ thống nhanh hơn ở đầu vào, nhưng không hiệu quả hơn ở đầu ra.
Sai lầm cốt lõi nằm ở việc sử dụng AI để tối ưu từng phần, trong khi giá trị chỉ được tạo ra khi toàn bộ workflow end-to-end được tái thiết kế.
Mở rộng quy mô khi chưa kiểm soát được hệ thống
Sai lệch thứ ba xuất hiện khi doanh nghiệp chuyển từ thử nghiệm sang mở rộng quy mô. Ở giai đoạn thử nghiệm, hệ thống Hybrid Intelligence vận hành trong điều kiện tương đối ổn định với dữ liệu sạch và phạm vi hẹp, nên dễ đạt kết quả tích cực.
Tuy nhiên, khi bước vào giai đoạn mở rộng, số lượng quyết định tăng mạnh, dữ liệu biến động liên tục và các ngoại lệ không còn có thể xử lý thủ công. Khi đó, Hybrid Intelligence không còn là bài toán về “AI có chính xác hay không”, mà trở thành bài toán về hệ thống có kiểm soát được quyết định ở quy mô lớn hay không.
Zillow là một ví dụ điển hình. Công ty đã xây dựng một mô hình Hybrid Intelligence trong đó AI trực tiếp vào quyết định định giá và mua bất động sản, và đạt kết quả tích cực trong giai đoạn đầu. Nhưng khi thị trường biến động, hệ thống không có cơ chế kiểm soát rủi ro theo thời gian thực. Kết quả là AI tiếp tục đưa ra quyết định dựa trên dữ liệu cũ, khiến sai lệch bị nhân lên, dẫn đến khoản lỗ hơn 500 triệu USD và buộc phải dừng toàn bộ mảng iBuying, đồng thời cắt giảm khoảng 25% lực lượng nhân sự liên quan (4).
Trong Hybrid Intelligence, quy mô không chỉ là mở rộng AI, mà thực chất là mở rộng toàn bộ hệ thống ra quyết định. Nếu thiếu lớp kiểm soát, sai lệch nhỏ của mô hình sẽ nhanh chóng trở thành tổn thất ở cấp độ P&L.
Doanh nghiệp cần làm gì để mô hình Hybrid Intelligence tạo ra giá trị
Để Hybrid Intelligence thực sự tạo ra giá trị, doanh nghiệp cần chuyển từ tư duy triển khai sang tư duy thiết kế hệ thống vận hành, nơi con người và AI cùng tham gia vào quá trình ra quyết định có tác động trực tiếp đến kết quả kinh doanh. Thay vì triển khai rời rạc, cách tiếp cận này cần được cấu trúc thành ba lớp liên kết chặt chẽ.
Doanh nghiệp cần gắn quyết định với giá trị tài chính
Tức là, doanh nghiệp cần đi sâu hơn vào việc “financialize” từng quyết định. Mỗi quyết định có sự tham gia của AI phải được gắn với một biến số tài chính cụ thể và có thể đo lường theo thời gian thực. Khi đó, Hybrid Intelligence sẽ được đánh giá qua mức độ cải thiện trực tiếp các chỉ số tài chính. Đây là bước chuyển quan trọng từ “tối ưu hoạt động” sang “tối ưu kết quả kinh doanh”, và là điều kiện tiên quyết để AI xuất hiện trong P&L.
Doanh nghiệp cần xây dựng kiến trúc ra quyết định cho Hybrid Intelligence ở cấp độ hệ thống
Workflow cần được hệ thống như một tập hợp các quyết định được liên kết với nhau. Mỗi quyết định phải định nghĩa rõ ba yếu tố: ai là chủ thể quyết định (AI, con người hay kết hợp), dữ liệu nào được sử dụng, và quyết định đó ảnh hưởng đến chỉ số nào trong hệ thống. Khi kiến trúc ra quyết định được thiết lập, Hybrid Intelligence không còn là các điểm ứng dụng rời rạc, mà trở thành một hệ thống ra quyết định xuyên suốt.
Doanh nghiệp cần xây dựng năng lực kiểm soát và thích ứng ở quy mô hệ thống
Khi Hybrid Intelligence được mở rộng, rủi ro sẽ nằm ở cách các quyết định đó tương tác và khuếch đại lẫn nhau theo thời gian. Do đó, hệ thống cần được thiết kế với các cơ chế kiểm soát động, bao gồm giám sát hiệu suất theo thời gian thực ở cấp độ quyết định, thiết lập ngưỡng rủi ro cho từng loại quyết định, và khả năng can thiệp hoặc điều chỉnh khi hệ thống phát hiện sai lệch. Đồng thời, cần có vòng phản hồi liên tục để cập nhật mô hình, điều chỉnh quy tắc và cải tiến workflow khi điều kiện thị trường thay đổi.
Tổng thể, Hybrid Intelligence chỉ tạo ra giá trị khi ba lớp này được thiết kế đồng bộ: quyết định được gắn với giá trị tài chính, hệ thống ra quyết định được chuẩn hóa ở cấp độ doanh nghiệp, và năng lực kiểm soát thích ứng được thiết lập để vận hành ở quy mô lớn. Khi đó, AI sẽ trở thành một phần của hệ thống tạo ra giá trị kinh doanh.
Một trường hợp điển hình là Mastercard đã vận hành nền tảng Brighterion để chấm điểm rủi ro giao dịch theo thời gian thực. Theo AWS, nền tảng này đang phục vụ hơn 2.000 khách hàng, được 74 trong số 100 ngân hàng lớn nhất Mỹ sử dụng, và xử lý hơn 150 tỷ giao dịch mỗi năm (5). Hơn nữa, nền tảng này còn được vinh danh là Nền tảng phòng chống gian lận tốt nhất năm 2025 (3). Mastercard cũng mô tả mô hình vận hành là kết hợp AI, chuyên gia nghiệp vụ và case management, tức không để AI tự chạy “một mình” mà có con người can thiệp ở các điểm rủi ro cao.
Kết luận
Hybrid Intelligence không phải là đích đến, mà là một phép thử đối với năng lực thiết kế hệ thống của doanh nghiệp. Khi AI bước vào workflow và tham gia vào các quyết định, doanh nghiệp không chỉ đang triển khai một công nghệ mới, mà đang thay đổi cách giá trị được tạo ra. Vì vậy, khác biệt không nằm ở việc ai có AI tốt hơn, mà ở việc ai biến được AI thành giá trị trong P&L. Trong bối cảnh đó, câu hỏi quan trọng nhất không còn là doanh nghiệp đã triển khai AI đến đâu, mà là liệu hệ thống đã được thiết kế để Hybrid Intelligence tạo ra giá trị hay chưa.
Nguồn:
- McKinsey & Company. (2025, March 12). The state of AI: How organizations are rewiring to capture value.
- Gartner. (2024, July 29). Gartner predicts 30% of generative AI projects will be abandoned after proof of concept by end of 2025. Gartner Newsroom.
- Ross, C., & Swetlitz, I. (2018, July 25). IBM’s Watson supercomputer recommended ‘unsafe and incorrect’ cancer treatments, internal documents show. STAT.
- DelPrete, M. (2021, November 3). Zillow exits iBuying—Five key takeaways. Mike DelPrete.
- Jiwani, R., Mudiyala, G., & Miller, J. (2025, May 29). How Mastercard achieved near-zero downtime deployments for fraud detection. AWS for Industries.
