Nhiều dự án thí điểm AI không vượt qua giai đoạn kiểm tra vì mức độ phức tạp của việc triển khai bị đánh giá thấp. Một lộ trình rõ ràng hơn bắt đầu từ việc xác định các bên liên quan, hiểu nơi mức độ phức tạp được chuyển dịch, và xác định các thước đo cho giá trị được tạo ra.
Khi AI được tích hợp sâu rộng vào các mô hình vận hành, quy trình và hoạt động ra quyết định, sự chuyển đổi rộng lớn hơn đôi khi được gọi là chuyển đổi AI, hoặc AX.
Tại sao rất nhiều dự án thí điểm AI không thể mở rộng quy mô?
Các tổ chức thử nghiệm AI, kiểm tra một vài trường hợp sử dụng và thấy những kết quả đầy hứa hẹn. Sau đó, sáng kiến vẫn dừng ở giai đoạn thí điểm:
- Nó không trở thành một phần của mô hình vận hành.
- Nó không tạo ra tác động kinh doanh có thể đo lường được ở quy mô lớn.
Deloitte báo cáo rằng chỉ 25 phần trăm số người được hỏi đã đưa 40% hoặc nhiều hơn các thử nghiệm AI của họ vào vận hành thực tế.1
McKinsey mô tả một tình huống tương tự: gần hai phần ba tổ chức vẫn chưa mở rộng AI vượt ra ngoài một vài dự án thí điểm.2
Theo quan điểm của tôi, một trong những lý do chính là các bên liên quan cấp cao thường đánh giá thấp mức độ phức tạp của vấn đề:
Một sáng kiến AI được trình bày như một giải pháp sẽ loại bỏ sự phức tạp. Trên thực tế, nó chuyển sự phức tạp sang một nơi khác.
Một ví dụ đơn giản: Một chatbot được hỗ trợ bởi AI
Hãy xem xét một chatbot trên một trang web. Chatbot sẽ tự động trả lời các câu hỏi của khách hàng và giảm khối lượng công việc của đội ngũ hỗ trợ. Một tỷ lệ lớn các yêu cầu sẽ được xử lý mà không cần sự can thiệp của con người.
Từ khía cạnh của khách hàng, điều này hoạt động tốt. Người dùng nhận được câu trả lời ngay lập tức và không cần liên hệ với bộ phận hỗ trợ.
Sự phức tạp được loại bỏ khỏi hành trình của khách hàng.
Đồng thời, một phần của sự phức tạp đó được chuyển giao sang đội ngũ hỗ trợ và đội ngũ AI duy trì hệ thống.
Những thay đổi đối với người dùng cuối là gì?
Đối với người dùng cuối, câu hỏi chính là: chatbot có giải quyết được vấn đề không?
Một chỉ số ban đầu là tỷ lệ giải quyết ngay lần liên hệ đầu tiên. Chỉ số này cho biết có bao nhiêu yêu cầu được giải quyết mà không cần chuyển cấp cho chuyên viên hỗ trợ.
Những thay đổi đối với đội ngũ hỗ trợ là gì?
Đội ngũ hỗ trợ tiếp nhận các yêu cầu mà chatbot không thể giải quyết. Đôi khi, chatbot chuyển tiếp quá muộn. Khách hàng đã mất thời gian cố gắng tự giải quyết vấn đề và trở nên bực bội vào thời điểm một chuyên viên tham gia cuộc trò chuyện.
Đôi khi, chatbot chuyển tiếp quá sớm. Chatbot chuyển giao vụ việc trước khi thu thập đủ thông tin. Chuyên viên hỗ trợ nhận được một yêu cầu chưa đầy đủ và cần hỏi lại các câu hỏi tương tự.
Điều này có thể được định lượng bằng:
- Tỷ lệ chuyển tiếp. Đo lường tỷ lệ phần trăm yêu cầu được chuyển sang đội ngũ hỗ trợ.
- Tỷ lệ chuyển tiếp muộn. Theo dõi các trường hợp mà khách hàng gặp trở ngại có thể tránh được trước khi được chuyển tiếp.
- Thiếu ngữ cảnh. Đo lường mức độ thường xuyên các chuyên viên cần yêu cầu thông tin lẽ ra có thể được thu thập sớm hơn.
- Khối lượng công việc hỗ trợ. Theo dõi các thay đổi về số lượng và mức độ phức tạp của các yêu cầu hỗ trợ.
Tác động dài hạn đối với đội ngũ hỗ trợ
Cũng có một câu hỏi dài hạn hơn:
- Nên đào tạo các chuyên viên hỗ trợ như thế nào?
Trước khi chatbot được triển khai, các chuyên viên cấp dưới học bằng cách trả lời những câu hỏi đơn giản. Theo thời gian, họ tích lũy được kinh nghiệm cần thiết để xử lý các trường hợp khó hơn.
Khi các yêu cầu thường lệ được tự động hóa, đội ngũ hỗ trợ sẽ nhận được tỷ lệ cao hơn các trường hợp phức tạp. Mô hình đào tạo cũ không còn hiệu quả.
Tổ chức cần một cách thức mới để xây dựng chuyên môn.
Những thay đổi đối với đội ngũ AI?
Trong môi trường sản xuất, chatbot trở thành một hệ thống cần bảo trì liên tục.
Các câu hỏi mới từ khách hàng xuất hiện. Cơ sở tri thức cần được cập nhật. Các câu trả lời hiện có cần duy trì độ chính xác sau mỗi thay đổi. Các giao thức an toàn cần được xem xét.
Chúng ta có thể định lượng điều này bằng cách:
- Thời gian để thêm một trường hợp sử dụng mới. Đo lường thời gian cần thiết để hỗ trợ một kịch bản khách hàng mới.
- Kiểm thử hồi quy. Kiểm tra xem các thay đổi mới có ảnh hưởng đến các trường hợp sử dụng đã được hỗ trợ trước đó hay không.
- Bảo trì cơ sở tri thức. Theo dõi nỗ lực cần thiết để duy trì thông tin luôn cập nhật.
- Mức độ bao phủ giao thức an toàn. Xác nhận rằng các chủ đề nhạy cảm có các quy tắc rõ ràng và lộ trình leo thang.
Các câu hỏi về hoàn tiền, tài chính, quyền truy cập tài khoản hoặc thay đổi đơn hàng khiến tình huống trở nên phức tạp hơn nữa… Chatbot nên trả lời trực tiếp câu hỏi không? Nên cung cấp hướng dẫn chung không? Nên chuyển yêu cầu cho một chuyên gia không?
Cần có người xác định các quy tắc này, kiểm thử chúng và cập nhật chúng khi ngữ cảnh kinh doanh thay đổi.
Chúng ta có thực sự cần các chỉ số cho các sáng kiến AI không?
Một câu hỏi hợp lý là liệu tất cả nỗ lực đo lường này có cần thiết hay không. Câu trả lời của tôi là “Có!” Bản thân cuộc thảo luận đã tạo ra giá trị. Nó buộc đội ngũ phải cụ thể hơn:
- Chính xác thì chúng ta hiểu thế nào là một chatbot thành công?
- Loại chuyển cấp nào là chấp nhận được?
- Đội ngũ AI có thể xử lý bao nhiêu công việc bảo trì?
- Chúng ta sẽ đào tạo các chuyên viên hỗ trợ như thế nào?
Ngay cả khi các giá trị chính xác cho các KPI chưa có sẵn, những câu hỏi đó vẫn cải thiện chất lượng triển khai.
McKinsey đã phân tích 12 thực hành về áp dụng và mở rộng AI tạo sinh. Mỗi thực hành đều có tương quan dương với tác động đến EBIT. Trong số các thực hành được đưa vào nghiên cứu, việc theo dõi các KPI được xác định rõ ràng cho các giải pháp AI tạo sinh có tác động mạnh đến kết quả kinh doanh.3
Việc theo dõi liên tục các chỉ số liên quan đến từng chương trình thí điểm AI đòi hỏi tính kỷ luật. Nền tảng BSC Designer có thể hỗ trợ đáng kể quy trình này bằng cách bảo đảm tính nhất quán trong đo lường hiệu suất và liên kết các KPI với ngữ cảnh kinh doanh cần thiết.
Bắt đầu với các chỉ số độ phức tạp
Mỗi dự án AI cần bộ chỉ số riêng. Tuy vậy, có một vài lĩnh vực chung đáng xem xét trong hầu như mọi triển khai. Lĩnh vực đầu tiên là độ phức tạp.
Độ phức tạp khó định lượng – hãy xem các lĩnh vực mà tổ chức dành thời gian, công sức và ngân sách. Hãy tìm các hoạt động giao tiếp lặp lại, các lần xem xét thủ công, các quyết định bị trì hoãn và các trường hợp ngoại lệ.
Các ứng viên phù hợp là:
- Thời gian xử lý ngoại lệ. Đo lường nỗ lực cần thiết để giải quyết các trường hợp mà hệ thống AI không thể xử lý.
- Giao tiếp lặp lại. Theo dõi các tương tác bổ sung do thiếu ngữ cảnh hoặc câu trả lời không rõ ràng.
- Xem xét thủ công. Đo lường khối lượng các trường hợp cần con người xác thực.
- Nỗ lực bảo trì. Theo dõi các nguồn lực cần thiết để cập nhật và kiểm tra hệ thống.
- Chi phí kiểm soát. Giám sát nỗ lực cần thiết để quản lý các rủi ro về an toàn và tuân thủ.
Các chỉ số này cho thấy độ phức tạp đã dịch chuyển đến đâu sau khi tự động hóa.
Đo lường niềm tin một cách thực nghiệm
Lĩnh vực thứ hai là niềm tin. Các bên liên quan sẽ đặt câu hỏi liệu đầu ra của AI có đáng tin cậy hay không. Câu hỏi này trở nên khó khăn khi kết quả cuối cùng phụ thuộc vào dữ liệu đầu vào, mô hình, cơ sở tri thức, các biện pháp kiểm soát và quy trình leo thang.
Niềm tin có thể được đo lường một cách thực nghiệm. Đội ngũ có thể kiểm tra hệ thống với dữ liệu đã biết, xác định các chế độ thất bại điển hình và kiểm tra điều gì xảy ra nếu chúng ta kết hợp nhiều hệ thống khác nhau vốn bị lỗi theo những cách khác nhau.
Chuyển từ thí điểm sang triển khai
Để chuyển từ các dự án thí điểm AI sang triển khai toàn diện, hãy xem xét các sáng kiến AI hiện có qua lăng kính của các bên liên quan, độ phức tạp và mức độ tin cậy.
Một hội thảo có cấu trúc có thể giúp đội ngũ trả lời một vài câu hỏi thực tiễn:
- Các bên liên quan. Ai bị ảnh hưởng bởi sáng kiến AI?
- Giá trị kỳ vọng. Mỗi bên liên quan sẽ trải nghiệm sự cải thiện nào?
- Độ phức tạp được chuyển giao. Khối lượng công việc mới xuất hiện ở đâu?
- Năng lực. Cần những hệ thống, nguồn lực và kỹ năng nào?
- Rủi ro. Điều gì có thể xảy ra sai trong quá trình triển khai?
- Chỉ số. Đội ngũ sẽ giám sát tiến độ và kết quả như thế nào?
Strategy Execution Canvas có thể được sử dụng như một điểm khởi đầu cho cuộc thảo luận này. Công cụ này giúp kết nối nhu cầu của các bên liên quan với các mục tiêu, năng lực, rủi ro, các giả định và các chỉ số.
- The State of AI in the Enterprise, Deloitte, 2026 ↩
- Are Your People Ready for AI at Scale?, Alex Camp, Drew Goldstein, Laura Pineault, Holly Price, và Nicolette Rainone, McKinsey & Company, 2026 ↩
- The State of AI: How Organizations Are Rewiring to Capture Value, Alex Singla, Alexander Sukharevsky, Lareina Yee, and Michael Chui, with Bryce Hall, McKinsey & Company, 2025 ↩
Alexis Savkin là một Kiến trúc sư Chiến lược và là người sáng lập BSC Designer, một nền tảng phần mềm thực thi chiến lược với Thẻ điểm cân bằng là cốt lõi. Ông hỗ trợ các tổ chức chuyển đổi chiến lược thành các mục tiêu có thể đo lường, KPI và các Sáng kiến. Alexis là người tạo ra Strategy Execution Canvas, tác giả của hơn 100 bài viết về chiến lược và đo lường hiệu suất, đồng thời là diễn giả thường xuyên.