Kỹ Năng cho tương lai/Thiết lập chiến lược AI/AI-Native Organization

Từ hệ điều hành mới của doanh nghiệp đến cách tạo giá trị chuyển đổi

AI-Native không đơn giản là đưa thêm AI vào doanh nghiệp. Đó là quá trình thiết kế lại cách doanh nghiệp vận hành, ra quyết định và tạo ra giá trị.

Chu Hồng Hạnh7/10/202612 phút đọc
Từ hệ điều hành mới của doanh nghiệp đến cách tạo giá trị chuyển đổi
Nội dung bài viết · Xem mục lục

Trong gần một thập kỷ, chuyển đổi số của doanh nghiệp phần lớn tập trung vào số hóa tài liệu, đưa quy trình lên hệ thống và tự động hóa từng công đoạn. Generative AI đang làm thay đổi câu hỏi đó.

Khi AI có thể đọc dữ liệu, tạo nội dung, phân tích thông tin, tương tác với hệ thống và ngày càng có khả năng thực hiện một chuỗi tác vụ, lợi thế không còn nằm ở việc doanh nghiệp có bao nhiêu công cụ AI. Vấn đề quan trọng hơn là AI được đặt ở đâu trong mô hình vận hành.

Đây là lý do khái niệm AI-Native Organization ngày càng được quan tâm: doanh nghiệp không chỉ sử dụng AI để làm tốt hơn những gì đang làm, mà bắt đầu thiết kế lại công việc, dữ liệu, công nghệ, quyền quyết định và cách đo lường hiệu quả dựa trên khả năng của AI.

1. Nghịch lý của làn sóng đầu tư AI

Làn sóng đầu tư hiện nay rất lớn. Gartner dự báo tổng chi tiêu cho AI trên toàn cầu đạt gần 1,5 nghìn tỷ USD trong năm 2025 và có thể vượt 2 nghìn tỷ USD trong năm 2026. Con số này bao gồm nhiều nhóm chi tiêu khác nhau, từ phần cứng, phần mềm đến dịch vụ AI, vì vậy không nên đồng nhất với riêng đầu tư vào hạ tầng AI.

Trong khi đó, khả năng chuyển khoản đầu tư thành kết quả kinh doanh vẫn là câu hỏi mở.

Nghiên cứu The GenAI Divide: State of AI in Business 2025 của MIT Project NANDA, dựa trên hơn 300 sáng kiến AI được công bố, phỏng vấn đại diện của 52 tổ chức và khảo sát 153 lãnh đạo, cho thấy 95% các tổ chức được nghiên cứu chưa ghi nhận tác động đo lường được lên P&L từ các khoản đầu tư GenAI, trong khi một nhóm nhỏ đã tạo ra giá trị đáng kể. Đây là một nghiên cứu có phạm vi và phương pháp riêng, vì vậy con số 95% không nên được diễn giải thành “95% mọi dự án AI trên thế giới đều thất bại”.

Điểm đáng chú ý nằm ở đây: vấn đề không nhất thiết là doanh nghiệp đầu tư quá ít vào AI. Nhiều trường hợp, vấn đề là AI được đặt trên một mô hình vận hành vốn được thiết kế trước thời đại AI.

Một nhân viên dùng Copilot để viết nhanh một email là AI hỗ trợ năng suất. Nhưng nếu toàn bộ quy trình bán hàng được thiết kế lại để AI liên tục đọc tín hiệu khách hàng, cập nhật CRM, đề xuất hành động, chuẩn bị hồ sơ, tự động xử lý các bước có thể chuẩn hóa và chuyển những trường hợp ngoại lệ cho con người, đó đã là một thay đổi ở cấp độ vận hành.

Khoảng cách giữa hai cách tiếp cận chính là khoảng cách giữa AI-Enabled và AI-Native.

  1. AI-Native là gì?

Không có một định nghĩa duy nhất được toàn ngành thống nhất, nhưng điểm chung của các cách tiếp cận hiện nay là: AI-Native không phải “có AI”, mà là thiết kế tổ chức với AI như một thành phần cốt lõi ngay từ đầu. IBM cũng mô tả AI-native theo hướng AI trở thành một phần nền tảng của kiến trúc, quá trình ra quyết định, trải nghiệm và toàn bộ vòng đời của hệ thống, thay vì chỉ được bổ sung như một tính năng.

Có thể hình dung sự khác biệt khá đơn giản:

  • Ở tổ chức AI-Enabled, AI giúp con người làm công việc hiện tại nhanh hơn.
  • Ở tổ chức AI-Native, doanh nghiệp đặt câu hỏi ngược lại: nếu hôm nay thiết kế lại quy trình từ con số 0 với AI đã tồn tại, quy trình đó sẽ trông như thế nào?

Đây cũng là logic phía sau khung CASAN gồm năm cấp độ: Curious, Augmented, Standard, Automatic và Native. Cần lưu ý CASAN là khung năng lực AI-Native do FPT phát triển, được sử dụng để minh họa lộ trình trưởng thành của doanh nghiệp, chứ không phải một chuẩn quốc tế độc lập.

CASAN: từ thử nghiệm đến AI-Native

Cấp độĐặc điểm chínhAI đóng vai trò gì?
L1 – CuriousCá nhân hoặc nhóm nhỏ bắt đầu thử nghiệmCông cụ
L2 – AugmentedAI hỗ trợ từng vai trò, từng công việcTrợ lý
L3 – StandardAI được tích hợp vào workflow, dữ liệu và hệ thống bắt đầu được chuẩn hóaThành phần của quy trình
L4 – AutomaticMột phần công việc được AI/agent thực hiện tự động, con người xử lý ngoại lệTác nhân thực thi
L5 – NativeMô hình vận hành được thiết kế xoay quanh AI và con người ngay từ đầuThành phần cốt lõi của operating model

Điểm quan trọng nhất của mô hình này không nằm ở cái tên của từng cấp độ mà ở sự thay đổi của đơn vị tạo giá trị.

Ở cấp thấp, doanh nghiệp đo số lượng công cụ, số người sử dụng hay thời gian tiết kiệm.

Ở cấp cao hơn, thước đo chuyển sang doanh thu, biên lợi nhuận, tốc độ ra quyết định, năng suất, chất lượng dịch vụ và khả năng mở rộng.

3. AI đang thay đổi bài toán kinh tế của doanh nghiệp

AI-Native có thể tạo ra một số lợi thế kinh tế quan trọng, nhưng không nên hiểu rằng mọi doanh nghiệp đều có thể đạt “chi phí biên bằng 0” hay tăng trưởng với rất ít nhân sự. Những kết quả đó phụ thuộc mạnh vào ngành, dữ liệu, sản phẩm, cấu trúc chi phí và mức độ tự động hóa thực tế.

Một chỉ dấu đáng chú ý là doanh thu trên mỗi nhân viên có thể tăng mạnh khi AI thay thế một phần công việc tri thức lặp lại. Tuy nhiên, đây là một kết quả cần được đo theo từng mô hình kinh doanh, thay vì sử dụng như một hệ số chung cho tất cả doanh nghiệp.

Tương tự, dữ liệu về ROI AI cũng cần được đọc cẩn trọng. Một nghiên cứu IDC năm 2024, được thực hiện với hơn 3.300 người trả lời, ghi nhận mức ROI trung bình tự báo cáo là 3,7 lần cho mỗi 1 USD đầu tư vào GenAI. Nhưng đây là ước tính của người tham gia khảo sát, không phải một phép đo kế toán độc lập trên P&L.

Điều này giải thích vì sao những con số rất đẹp về ROI AI có thể cùng tồn tại với nghiên cứu của MIT cho thấy phần lớn sáng kiến chưa tạo ra tác động P&L rõ ràng. Hai nghiên cứu đang đo những đối tượng và cách thức khác nhau.

Vì vậy, câu hỏi đúng với CFO không phải là “AI có ROI bao nhiêu lần?”, mà là: “Khoản đầu tư này tạo ra doanh thu mới, giảm chi phí nào, tăng năng suất ở đâu và được ghi nhận bằng chỉ tiêu nào?”

4. Ba ví dụ cho thấy AI chỉ tạo giá trị khi gắn với vận hành

Anthropic là ví dụ của một doanh nghiệp được xây dựng gần như hoàn toàn quanh AI. Tuy nhiên, số liệu cần được cập nhật: tháng 2/2026, Anthropic công bố vòng Series G trị giá 30 tỷ USD với định giá sau đầu tư 380 tỷ USD; công ty cho biết run-rate revenue đã đạt 14 tỷ USD, không phải 30 tỷ USD ARR.

JPMorgan Chase với COiN là một ví dụ kinh điển của tự động hóa tài liệu. Hệ thống được xây dựng để phân tích các hợp đồng tín dụng thương mại và trích xuất thông tin, thay cho một khối lượng lớn công việc kiểm tra thủ công. Con số 360.000 giờ thường được nhắc tới là ước tính lượng thời gian cần cho khoảng 12.000 hợp đồng mỗi năm; nó không có nghĩa AI “thực hiện 360.000 giờ công trong vài giây”. Đây là khác biệt quan trọng khi sử dụng các case study AI trong truyền thông doanh nghiệp.

DBS lại cho thấy một con đường khác: không xây một “màn trình diễn AI”, mà công nghiệp hóa AI trên toàn ngân hàng. Báo cáo thường niên 2024 của DBS cho biết hơn 1.500 mô hình AI được sử dụng trong hơn 370 use case, tạo ra khoảng 750 triệu SGD giá trị kinh tế trong năm 2024. Ngân hàng cho biết khoản giá trị này đến từ nhiều ứng dụng dữ liệu và AI/ML khác nhau, chứ không chỉ GenAI.

Điểm chung của ba trường hợp không phải là họ sở hữu mô hình AI tốt nhất. Điểm chung là AI được gắn với một bài toán kinh doanh cụ thể và một cơ chế tạo giá trị cụ thể.

5. Năm nguyên tắc để xây dựng tổ chức AI-Native

(1) Data as Product: Dữ liệu không nên chỉ được coi là nguyên liệu để báo cáo. Nó phải được chuẩn hóa, quản trị và cung cấp như một tài sản có thể tái sử dụng cho nhiều bài toán.

(2) Invent & Reshape: Không bắt đầu bằng câu hỏi “AI có thể gắn vào quy trình nào?”. Câu hỏi có giá trị hơn là “nếu thiết kế lại quy trình này từ đầu, phần nào còn cần con người và phần nào AI có thể thực hiện?”.

(3) Human-on-the-loop: AI có thể thực hiện ngày càng nhiều công việc nhưng doanh nghiệp vẫn cần xác định rõ quyền quyết định, ngưỡng rủi ro và các tình huống bắt buộc phải có con người can thiệp.

(4) Composability: Hệ thống AI cần đủ mở để doanh nghiệp có thể thay đổi mô hình, công cụ hay agent mà không phải xây lại toàn bộ kiến trúc.

(5) Governance as Enabler: Quản trị AI không nên chỉ là cơ chế “cấm”. Nó phải giúp doanh nghiệp xác định dữ liệu nào được phép sử dụng, AI nào được triển khai, ai chịu trách nhiệm và trường hợp nào cần phê duyệt.

Nhu cầu này ngày càng rõ khi doanh nghiệp mở rộng sử dụng AI. Một nghiên cứu năm 2025 của BigID trên 233 lãnh đạo bảo mật, tuân thủ và dữ liệu cho thấy 93,2% chưa hoàn toàn tin tưởng vào khả năng bảo vệ dữ liệu được AI xử lý, trong khi 69,5% coi rò rỉ dữ liệu do AI là mối quan ngại hàng đầu. Đây là số liệu khảo sát của BigID, không phải thống kê đại diện cho toàn bộ doanh nghiệp toàn cầu.

6. Kiến trúc AI-Ready phải đi cùng operating model

Một kiến trúc AI doanh nghiệp có thể được nhìn theo bốn lớp.

LớpThành phầnMục tiêu
ApplicationAPI, giao diện hội thoại, agent, hệ thống nghiệp vụĐưa AI vào trải nghiệm và workflow
AI / ModelModel gateway, model registry, MLOps, agent frameworkQuản lý mô hình và năng lực tác vụ
DataLakehouse, data platform, semantic layer, real-time dataCung cấp dữ liệu và ngữ cảnh
InfrastructureCloud/private cloud/on-premise, CPU/GPU, môi trường Dev-Test-ProdCung cấp năng lực tính toán và vận hành

Nhưng bốn lớp công nghệ này chưa đủ.

Một doanh nghiệp có thể sở hữu data lake, GPU, model gateway và hàng chục ứng dụng AI mà vẫn chưa phải AI-Native nếu quy trình, cơ cấu quyền hạn và cách đo lường hiệu quả vẫn giữ nguyên.

Do đó, kiến trúc công nghệ chỉ là một nửa bài toán. Nửa còn lại là operating model.

7. Việt Nam đang đứng trước một cửa sổ cơ hội

Mức độ sẵn sàng của thị trường Việt Nam đang tăng nhanh. Báo cáo AI Opportunity Agenda for Vietnam do Google phối hợp với NIC và Bộ Kế hoạch và Đầu tư công bố năm 2024 ước tính AI có thể mang lại tới 79,3 tỷ USD lợi ích kinh tế cho Việt Nam vào năm 2030, tương đương gần 12% GDP, nếu được ứng dụng rộng rãi. Đây là kịch bản tiềm năng, không phải dự báo chắc chắn.

Ở góc độ người dùng, báo cáo e-Conomy SEA 2025 của Google, Temasek và Bain cho biết 81% người dùng Việt Nam được khảo sát tương tác với công cụ hoặc tính năng AI hằng ngày. Con số này phản ánh hành vi của mẫu khảo sát và không nên diễn giải thành 81% toàn bộ dân số Việt Nam đang sử dụng AI mỗi ngày.

Trong khi đó, Trung Quốc đã có 515 triệu người dùng GenAI tính đến tháng 6/2025, tương đương tỷ lệ thâm nhập 36,5%, theo CNNIC. Đây là một minh chứng cho tốc độ AI đi từ thử nghiệm sang sử dụng đại trà trong một thị trường lớn.

Về chính sách, Việt Nam cũng đang chuyển từ giai đoạn định hướng sang xây dựng khung pháp lý cụ thể. Nghị quyết 57-NQ/TW ngày 22/12/2024 xác định khoa học, công nghệ, đổi mới sáng tạo và chuyển đổi số là một trong những đột phá quan trọng hàng đầu. Bên cạnh đó, Luật Trí tuệ nhân tạo số 134/2025/QH15 đã được Quốc hội thông qua và có hiệu lực từ 1/3/2026, tạo thêm một lớp yêu cầu quản trị mà doanh nghiệp cần tính đến ngay từ giai đoạn thiết kế.

Điều này khiến bài toán AI của doanh nghiệp Việt Nam không còn chỉ là bài toán công nghệ. Nó đồng thời là bài toán đầu tư, dữ liệu, nhân lực, quản trị rủi ro và tuân thủ.

8. Không nên bắt đầu bằng một “AI roadmap” dài 3 năm

Một trong những sai lầm phổ biến là xây dựng kế hoạch AI rất lớn trước khi chứng minh được giá trị.

Một cách tiếp cận thực tế hơn là chia quá trình thành ba bước.

Giai đoạn 1: Chứng minh giá trị

Doanh nghiệp đánh giá mức độ trưởng thành, xác định những quy trình có dữ liệu đủ tốt, chọn khoảng 3–5 bài toán có thể đo ROI, đồng thời thiết lập nguyên tắc sử dụng AI và dữ liệu.

Mục tiêu của giai đoạn này không phải triển khai càng nhiều AI càng tốt, mà là tìm ra những trường hợp AI thực sự tạo ra tiền hoặc tiết kiệm tiền.

Giai đoạn 2: Công nghiệp hóa

Những use case đã chứng minh được hiệu quả được đưa lên nền tảng dùng chung. Doanh nghiệp chuẩn hóa dữ liệu, tích hợp CRM/ERP và các hệ thống lõi, xây dựng mô hình quản trị và đội ngũ năng lực AI.

Lúc này, doanh nghiệp chuyển từ “dự án AI” sang AI capability.

Giai đoạn 3: Tái thiết kế doanh nghiệp

Đây mới là lúc AI-Native bắt đầu xuất hiện rõ nét.

Doanh nghiệp xem xét lại cấu trúc công việc, quyền quyết định, nhân sự và customer journey. AI agent có thể đảm nhiệm những công việc trước đây được chia cho nhiều vai trò khác nhau; con người tập trung hơn vào mục tiêu, phán đoán, quan hệ khách hàng và xử lý ngoại lệ.

Đây cũng là giai đoạn khó nhất vì nó không còn là dự án công nghệ. Nó chạm trực tiếp vào cơ cấu tổ chức và mô hình tạo doanh thu.

9. Cuối cùng, câu hỏi không còn là “doanh nghiệp có AI hay chưa”

Trong giai đoạn đầu của AI, doanh nghiệp thường hỏi:

Chúng ta nên mua công cụ nào?

Sau đó câu hỏi chuyển thành:

Chúng ta có thể tự động hóa quy trình nào?

Nhưng với AI-Native, câu hỏi quan trọng hơn là:

Nếu hôm nay thiết kế lại doanh nghiệp từ đầu, với AI là một năng lực nền tảng, chúng ta sẽ tổ chức doanh nghiệp như thế nào?

Đó mới là bước chuyển từ AI như một công cụ sang AI như một hệ điều hành mới của doanh nghiệp.

Không phải mọi doanh nghiệp đều cần trở thành AI-Native theo nghĩa tuyệt đối. Nhưng gần như mọi doanh nghiệp sẽ phải trả lời một câu hỏi giống nhau: phần nào trong mô hình vận hành hiện tại sẽ không còn hợp lý khi chi phí của trí tuệ nhân tạo tiếp tục giảm và năng lực của AI tiếp tục tăng?

Doanh nghiệp trả lời được câu hỏi đó sớm sẽ có cơ hội thay đổi trước khi thị trường buộc họ phải thay đổi.

Nguồn tham khảo: MIT Project NANDA; Gartner; IDC; IBM; DBS Annual Report 2024; Anthropic; CNNIC; Google/Temasek/Bain; Chính phủ Việt Nam và các nguồn pháp lý liên quan.

Nguồn

“AI-Native Organization Transformation” (PDF, 3 trang).

Bài liên quan

Xem các bài viết khác