Thất bại khi triển khai AI tạo sinh 2026 – Vì sao 95% dự án đình trệ

Thất bại khi triển khai AI tạo sinh thường được bàn tới như một vấn đề công nghệ, nhưng khi mổ xẻ một dự án đang đình trệ thì gần như toàn bộ nguyên nhân nằm ở những quyết định trước lúc bắt tay vào làm. Nghiên cứu của MIT NANDA cho thấy khoảng 95% các dự án thí điểm AI tạo sinh trong doanh nghiệp hầu như không tạo ra tác động đo lường được lên lợi nhuận. Bài viết này sắp xếp lại điều gì đang phân tách 95% đó với 5% còn lại, đồng thời đi vào các kiểu thất bại chỉ xảy ra ở những cơ sở của doanh nghiệp Nhật Bản tại Việt Nam, cùng những điểm cần chốt trước khi khởi động.

Vì sao triển khai AI tạo sinh lại thất bại – bắt đầu từ bức tranh số liệu

Nhiều doanh nghiệp mở đầu câu chuyện với giả định rằng chỉ riêng dự án thí điểm của mình bị mắc kẹt. Trên thực tế, mắc kẹt là đa số chứ không phải ngoại lệ. Hãy xếp các con số đã công bố cạnh nhau để thấy đường trung bình nằm ở đâu.

NANDA, một sáng kiến nghiên cứu thuộc MIT Media Lab, công bố báo cáo The GenAI Divide – State of AI in Business 2025. Báo cáo cho biết khoảng 95% dự án thí điểm AI tạo sinh tại các doanh nghiệp được khảo sát đã đình trệ, hầu như không tạo ra tác động đo lường được lên lợi nhuận. Ngược lại, chỉ khoảng 5% đạt được mức tăng tốc doanh thu nhanh. Báo cáo phát hành năm 2025 và tới năm 2026 vẫn được trích dẫn rộng rãi mỗi khi bàn về quyết định đầu tư AI của doanh nghiệp.

Nghiên cứu của RAND Corporation cho thấy hơn 80% dự án AI thất bại, tương đương khoảng gấp đôi tỷ lệ thất bại của các dự án công nghệ thông tin thông thường.

Gartner dự báo tới năm 2026 sẽ có 60% dự án AI không có dữ liệu ở trạng thái AI-ready làm nền tảng bị bỏ dở. Theo quan sát của Gartner, tỷ lệ thất bại của dự án tăng vọt từ 17% năm 2024 lên 42% năm 2025, và 72% doanh nghiệp có khả năng dừng dự án thí điểm AI vì dữ liệu chưa sẵn sàng.

Khảo sát trong nước Nhật Bản cho thấy xu hướng tương tự. Một khảo sát năm 2026 với 1,008 cán bộ quản lý ghi nhận chỉ một trên bốn người dùng thực sự giảm được thời gian làm việc nhờ AI tạo sinh. Các nguyên nhân thất bại chính được nêu là mục tiêu triển khai mơ hồ, không đặt chỉ số đo kết quả, và kỳ vọng quá mức khi chưa hiểu giới hạn kỹ thuật của AI.

Xếp các con số này cạnh nhau sẽ thấy một điểm chung. Không nghiên cứu nào nói rằng thất bại vì mô hình chưa đủ thông minh. MIT NANDA chỉ ra vấn đề tích hợp vào quy trình doanh nghiệp và phân bổ ngân sách sai. Gartner chỉ ra dữ liệu chưa sẵn sàng. Khảo sát tại Nhật Bản chỉ ra thiếu mục tiêu và chỉ số. Tất cả đều nằm bên ngoài mô hình, thuộc về phần thiết kế của bên đưa công nghệ vào dùng.

Điều này làm đổi hướng cuộc họp cấp quản lý. Dành thời gian so sánh nên dùng mô hình nào hay ký hợp đồng với công cụ nào hầu như không giúp dịch chuyển từ nhóm 95% sang nhóm 5%. Thứ quyết định việc dịch chuyển là cách chọn bài toán, cách chọn đối tác, và tình trạng của dữ liệu.

Thất bại khi triển khai AI tạo sinh chia được thành bốn cấu trúc

Xem xét từng dự án đình trệ thì nguyên nhân có vẻ khác nhau mỗi lần. Nhưng khi sắp xếp lại, chúng gom về khoảng bốn dạng.

Bắt đầu khi mục tiêu còn mơ hồ

Đây là dạng phổ biến nhất. Một dự án thí điểm khởi động với tinh thần cứ thử xem sao thì không có định nghĩa về cách kết thúc. Không có cách kết thúc thì không có căn cứ để quyết định nên tiếp tục hay nên dừng, và dự án tự tan biến khi người phụ trách hết nhiệt. Việc khảo sát tại Nhật Bản nêu mục tiêu mơ hồ và thiếu chỉ số là nguyên nhân chính chính là mô tả cấu trúc này.

Cần lưu ý rằng nếu mục tiêu được viết ở mức nâng cao hiệu suất công việc hay thúc đẩy chuyển đổi số thì trên thực tế cũng như không có mục tiêu. Thứ dùng được để ra quyết định là mục tiêu cụ thể hóa tới mức bộ phận nào, công việc nào, giảm phần thời gian nào, hạn tới khi nào, và giảm bao nhiêu.

Khoảng trống học hỏi – công cụ phổ thông không học từ quy trình của doanh nghiệp

Điều MIT NANDA gọi là vấn đề tích hợp vào doanh nghiệp chính là khoảng trống học hỏi này. Các công cụ AI tạo sinh phổ thông rất mạnh cho việc dùng cá nhân, nhưng chúng không học hỏi và thích nghi với quy trình làm việc của doanh nghiệp. Kỳ vọng rằng càng dùng thì công cụ càng khớp với nghiệp vụ của công ty mình vì thế không thành hiện thực.

Tại hiện trường, nó lộ ra như sau. Phải giải thích lại cách viết báo giá của công ty mỗi lần. Công cụ không biết hệ mã sản phẩm nội bộ nên chỉ trả lời chung chung. Lỗi vừa được chỉnh tuần trước lại lặp lại tuần này. Ở giai đoạn thử nghiệm cá nhân, đó chỉ là bất tiện nhỏ. Nhưng ngay khi định nhúng vào công việc của cả bộ phận, cùng một bất tiện đó được nhân lên theo số người dùng.

Phân bổ ngân sách sai chỗ – ROI nằm ở khối hậu cần

MIT NANDA cũng nêu việc phân bổ ngân sách sai là một nguyên nhân. Ngân sách AI tạo sinh của nhiều doanh nghiệp nghiêng về bán hàng và tiếp thị, trong khi hiệu quả đầu tư thực tế lại nằm ở tự động hóa các công việc hậu cần.

Áp vào các doanh nghiệp sản xuất Nhật Bản tại Việt Nam, nhận định này rất dễ hiểu. Hỗ trợ bán hàng và chat với khách hàng là những mảng khó đo hiệu quả, và cơ cấu doanh thu của công ty con phần lớn do quan hệ với công ty mẹ và đối tác quyết định. Ngược lại, các công việc hậu cần như xử lý chứng từ kế toán, so sánh báo giá của bộ phận mua hàng, sắp xếp báo cáo lỗi chất lượng, trả lời thắc mắc của nhân viên về quy định nội bộ đều đếm được theo số vụ việc và thời gian trên mỗi vụ việc. Đầu tư vào nơi đếm được sẽ giúp xin duyệt khoản ngân sách tiếp theo dễ hơn nhiều.

Dữ liệu chưa ở trạng thái AI-ready

Vấn đề dữ liệu chưa sẵn sàng mà Gartner nêu có hai tầng nghĩa trong bối cảnh AI tạo sinh. Tầng thứ nhất là dữ liệu cần thiết chưa từng được số hóa. Tầng thứ hai là đã số hóa nhưng chưa ở dạng tìm kiếm được.

Ví dụ, năm năm báo cáo công việc hằng ngày nằm trong thư mục dùng chung dưới dạng ảnh quét thành tệp PDF thì đúng là đã được lưu, nhưng dưới góc nhìn của AI thì coi như không tồn tại. Tương tự, các tệp Excel nằm rải rác trong thư mục cá nhân của từng người và cùng một tên hàng được viết theo ba cách khác nhau cũng không phải là trạng thái AI-ready.

Bốn điểm này không độc lập với nhau. Mục tiêu mơ hồ thì không chốt được công việc mục tiêu, mà không có công việc mục tiêu thì cũng không quyết được cần chuẩn bị bộ dữ liệu nào. Vì vậy thứ tự bắt tay là mục tiêu, công việc mục tiêu, dữ liệu, rồi mới tới công cụ. Những dự án khởi đầu bằng việc so sánh công cụ hay đình trệ chính vì thứ tự này bị đảo ngược. Cách tiến hành và chi phí theo từng giai đoạn được chúng tôi sắp xếp trong bài Cách triển khai AI tạo sinh và chi phí

Những kiểu thất bại chỉ xảy ra tại cơ sở ở Việt Nam

Toàn bộ phần trên là chuyện chung của thế giới. Từ đây trở đi là những thất bại chỉ xảy ra với doanh nghiệp Nhật Bản đặt cơ sở tại Việt Nam. Khi một sáng kiến chạy trơn tru ở công ty mẹ nhưng dừng lại riêng ở cơ sở tại Việt Nam, nguyên nhân gần như luôn nằm trong mục này.

Hướng dẫn về AI tạo sinh của công ty mẹ không vận hành được tại chỗ

Nhiều tập đoàn Nhật Bản để bộ phận công nghệ thông tin của công ty mẹ soạn hướng dẫn sử dụng AI tạo sinh. Vấn đề là hướng dẫn đó gần như luôn được viết trên giả định về môi trường làm việc trong nước Nhật và tài liệu tiếng Nhật.

Khi xuống tới cơ sở tại Việt Nam, các độ lệch xuất hiện. Công cụ nội bộ đã được phê duyệt chỉ có giao diện tiếng Nhật nên nhân viên Việt Nam không thao tác được. Định nghĩa các mức bảo mật bám theo hệ tài liệu của Nhật nên không ai xác định nổi chứng từ xuất nhập khẩu và hồ sơ nộp cơ quan quản lý Việt Nam dùng hằng ngày thuộc mức nào. Đầu mối xin phê duyệt vận hành theo giờ Nhật Bản nên câu trả lời không quay lại trong giờ làm việc tại Việt Nam. Kết quả là hướng dẫn tồn tại như một thứ phải tuân thủ nhưng trên thực tế không ai dùng.

Trạng thái này nguy hiểm vì nhân viên không dừng dùng AI mà chuyển sang tài khoản cá nhân. Khi việc sử dụng ngoài tầm quản lý lan rộng, sự cố an ninh tiếp theo sẽ khiến cả cơ sở bị cấm dùng AI tạo sinh trên diện rộng. Đó là hình thái thất bại tốn kém nhất.

Chưa từng kiểm chứng độ chính xác khi dùng tiếng Việt

Độ chính xác trông ổn với tiếng Nhật và tiếng Anh không có nghĩa là sẽ giữ nguyên với tiếng Việt. Đặc biệt trong các tài liệu trộn lẫn từ viết tắt nhân viên dùng hằng ngày, tên công đoạn đã định hình bằng tiếng Việt tại xưởng, và thuật ngữ kỹ thuật tiếng Nhật được mượn rồi phiên sang cách viết tiếng Việt, độ chính xác sụt xuống thấy rõ.

Vậy mà việc đánh giá dự án thí điểm lại thường chỉ thực hiện qua nhân sự Nhật Bản làm việc bằng tiếng Nhật. Khi triển khai thật và nhân viên Việt Nam bắt đầu dùng, phản ứng nhận được là không giống như hình dung, rồi việc sử dụng dừng lại. Đánh giá phải được làm bằng đúng ngôn ngữ sẽ dùng và trên đúng tài liệu sẽ dùng.

Đọc sai phân bố năng lực AI của nhân viên bản địa

Giả định rằng nhân viên bản địa hẳn còn lạ lẫm với AI cần được kiểm chứng lại. Theo nghiên cứu của Microsoft, tỷ lệ sử dụng AI của nhóm data worker tại Thái Lan là 32%, gấp đôi mức trung bình thế giới. Nhóm Frontier Professionals, tức nhóm sử dụng ở trình độ cao, chiếm 32% lực lượng lao động tại Thái Lan, cũng gấp đôi mức trung bình thế giới là 16%. Các nguồn nêu trong bài không có số liệu tương đương cho Việt Nam, nên cách làm an toàn là khảo sát hiện trạng sử dụng ngay trong bộ phận của mình thay vì suy đoán.

Nói cách khác, một bộ phận nhân viên bản địa có thể còn thạo hơn nhân sự biệt phái. Vấn đề không nằm ở giá trị trung bình mà ở phân bố. Vì nhóm đã dùng thành thạo và nhóm chưa từng chạm tới trong công việc cùng ngồi trong một bộ phận, một buổi đào tạo tập trung đồng loạt sẽ nhàm chán với nhóm trên và quá nhanh với nhóm dưới. Lý do việc sử dụng lặng lẽ tắt dần sau đào tạo được chúng tôi phân tích trong bài Hỗ trợ để việc dùng AI bám rễ trong tổ chức

Dữ liệu vẫn nằm rải giữa Excel và giấy

Tại các cơ sở sản xuất ở Việt Nam, cấu hình phổ biến hiện nay vẫn là hệ thống lõi chỉ bao tới kế toán và tồn kho, còn sản lượng thực tế, hồ sơ chất lượng và lịch sử bảo trì thiết bị vẫn nằm trong tệp Excel tại xưởng và báo cáo giấy hằng ngày. Hỏi AI tạo sinh trong trạng thái đó rằng hãy cho biết xu hướng hàng lỗi thì nó không có dữ liệu để tham chiếu nên chỉ trả lời chung chung.

Đúng như dự báo của Gartner chỉ ra, các dự án không có dữ liệu AI-ready làm nền tảng chính là những dự án bị bỏ dở. Điểm quan trọng là không cần xây nền tảng dữ liệu toàn công ty trước. Thứ cần có chỉ là dữ liệu liên quan tới một công việc đã chọn đầu tiên, ở dạng tham chiếu được.

Không đặt tiêu chí thành công cho dự án thí điểm ngay từ đầu

Kiểu thường gặp tại các cơ sở ở Việt Nam là dự án thí điểm lấy phản hồi của hiện trường làm tiêu chí thành công. Cảm nhận thì không đo được nên không có kết luận. Một dự án thí điểm không có kết luận sẽ được gia hạn một cách mơ hồ ở mỗi kỳ báo cáo, rồi biến mất cùng với đợt luân chuyển nhân sự của người phụ trách.

Không điểm nào trong năm điểm này là khó về mặt kỹ thuật. Tất cả đều có thể chốt trong một buổi trao đổi từ ba mươi phút tới vài giờ, và chúng trở thành thất bại vì nhiều tháng trôi qua mà buổi trao đổi đó không diễn ra.

Mức độ lan tỏa của AI trong khu vực nhanh hơn hình dung – chờ xem cũng là một dạng thất bại

Trì hoãn khởi động để tránh thất bại thoạt nhìn là lựa chọn an toàn. Nhưng các con số của thị trường khu vực cho thấy cái giá của lựa chọn này tăng lên theo từng năm.

Theo báo cáo Global AI Diffusion Report do Microsoft công bố tại sự kiện Microsoft AI Tour Bangkok ngày 10 tháng 6 năm 2026, mức sử dụng AI thực chất tại Thái Lan tăng từ 9.1% đầu năm 2025 lên 12.4% trong quý một năm 2026, đưa nước này lên vị trí thứ hai thế giới xét theo tốc độ tăng trưởng. Đứng đầu là Hàn Quốc với 43.2% và thứ ba là Nhật Bản với 34.1%. Báo cáo cũng cho biết 51% lãnh đạo cấp cao đã đưa ra định hướng chiến lược về AI. Bên cạnh đó, Microsoft công bố kế hoạch đầu tư 1 tỷ đô la Mỹ vào Thái Lan trong giai đoạn 2026 tới 2028 và đào tạo 150,000 lao động Thái Lan.

Cũng có dự báo riêng cho ngành sản xuất. Mức ứng dụng AI trong sản xuất tại Thái Lan được dự báo tăng tối đa 15% tới năm 2030, trong đó dự báo nhu cầu được kỳ vọng cải thiện service level 65%, tự động hóa công nghiệp có AI được kỳ vọng nâng năng suất 20%, và bảo trì dự đoán được kỳ vọng giảm 53% thời gian dừng máy cùng 90% hành vi mất an toàn. Báo cáo cũng nêu 73% doanh nghiệp tại Thái Lan đang chuẩn bị đưa AI vào sử dụng. Các nguồn nêu trong bài chỉ công bố số liệu cho Thái Lan, nên phần này được dùng làm mốc tham chiếu trong khu vực chứ không phải là số liệu của Việt Nam.

Các con số này cần được đọc cẩn thận. Tỷ lệ sử dụng tăng không có nghĩa là cứ đưa vào dùng thì sẽ thành công. Nên đọc chúng cùng với con số 95% của MIT NANDA. Nghĩa là số doanh nghiệp bắt tay vào làm đang tăng nhanh, nhưng phần lớn vẫn chưa chạm tới kết quả.

Vị thế thực tế cho một doanh nghiệp Nhật Bản tại Việt Nam vì thế không phải là vội vàng lao vào, cũng không phải là tiếp tục chờ xem, mà là thu hẹp phạm vi và làm cho một việc thành công thật sự.

Nhóm 5% thành công đã làm khác điều gì

Nghiên cứu của MIT NANDA không chỉ phân tích thất bại mà còn nói về xu hướng của khoảng 5% đã thành công. Tóm lại, nhóm này chọn một bài toán duy nhất, thực thi nó, và xây dựng quan hệ đối tác một cách khôn ngoan.

Chọn một bài toán duy nhất rồi thực thi

Điểm chung của các trường hợp thành công là không mở rộng phạm vi. Thay vì bắt đầu từ kế hoạch triển khai toàn công ty, họ giới hạn ở một công việc trong một bộ phận và tạo ra con số ngay tại đó.

Với một cơ sở tại Việt Nam, những công việc dễ chọn làm việc đầu tiên gồm tổng hợp và tóm tắt báo cáo sản xuất hằng ngày, trích các mục từ báo giá của nhà cung cấp vào bảng so sánh, dịch báo cáo lỗi chất lượng giữa tiếng Việt và tiếng Nhật kèm tóm tắt các điểm chính, và trả lời thắc mắc của nhân viên về quy định nội bộ cùng hướng dẫn công việc. Mỗi việc đều đếm được số vụ, đo được thời gian mỗi vụ, và xác định được người phụ trách.

Ngược lại, việc không nên chọn làm đầu tiên là những việc mà hiệu quả chỉ hiện ra gián tiếp. Nâng chất lượng cuộc họp hay kích thích việc nảy ý tưởng không phải là vô giá trị, nhưng không phán quyết được nên không hợp làm đề tài của dự án thí điểm.

Đừng cố chấp tự phát triển – mua 67% so với tự làm 33%

Điểm khác biệt rõ nhất trong nghiên cứu của MIT NANDA nằm ở cách mua sắm công cụ. Công cụ mua từ nhà cung cấp chuyên ngành có tỷ lệ thành công khoảng 67%, trong khi công cụ tự phát triển nội bộ thành công khoảng 33%. Tức là tự phát triển thành công chưa tới một nửa so với mua.

Khoảng cách này không nằm ở năng lực của kỹ sư nội bộ. Tự phát triển nghĩa là ôm trọn các khâu chọn mô hình, kết nối dữ liệu nghiệp vụ, thiết kế phân quyền, giám sát vận hành và đánh giá độ chính xác liên tục, và chỉ cần một khâu mỏng đi là toàn bộ dừng lại. Tại cơ sở ở nước ngoài thì càng rõ, vì chỉ có một tới hai người có thể đảm nhận, và dự án dừng ngay khi người đó luân chuyển hoặc nghỉ việc.

Tuy nhiên, con số này không phủ nhận việc tự phát triển. Nếu bắt đầu bằng mua, định hình được nếp vận hành, rồi mở rộng dần phạm vi mà đội của mình tự chạy được thì tỷ lệ thành công của phần tự làm sẽ tăng lên. Cách vạch ranh giới nên giữ bao nhiêu trong nội bộ được chúng tôi sắp xếp trong bài Hỗ trợ nội bộ hóa năng lực AI

Không trì hoãn việc chuẩn bị dữ liệu

Điểm thứ ba là mặt sau của nhận định từ Gartner. Bên thành công kiểm tra vị trí dữ liệu ngay sau khi chốt công việc mục tiêu. Đó là công việc lập danh sách thư mục nào chứa định dạng nào, bao phủ khoảng thời gian nào, và ai là người cập nhật.

Việc kiểm kê này có tác dụng phụ tích cực. Đôi khi kết quả cho thấy công việc này vốn chưa từng lưu lại dữ liệu, và khi đó có thể đổi công việc mục tiêu của dự án thí điểm ngay từ sớm. So với việc phát hiện điều tương tự sau vài tháng thì đây là một thất bại rẻ hơn rất nhiều.

Đọc các ví dụ ứng dụng AI tạo sinh và ví dụ triển khai AI như thế nào

Ở giai đoạn cân nhắc, phần lớn thời gian thường được dành cho việc thu thập ví dụ ứng dụng của công ty khác. Bản thân các ví dụ đó hữu ích, nhưng đọc sai cách thì sẽ quyết định sai.

Thứ nhất, con số hiệu quả ghi trong một ví dụ được đặt trên tình trạng dữ liệu và khối lượng công việc của chính công ty đó. Dù đưa cùng một công cụ vào cùng một công việc, nếu dữ liệu vẫn nằm trên giấy thì con số sẽ không giống. Khi đọc một ví dụ, việc tìm phần mô tả công ty đó đang ở trạng thái nào trước khi bắt đầu hữu ích hơn con số hiệu quả.

Thứ hai, các ví dụ được công bố nghiêng về phía thành công. Như MIT NANDA cho thấy, thực tế khoảng 95% đang đình trệ, nên phân bố của các ví dụ công bố khác rất xa phân bố của tổng thể. Một mảng tìm được nhiều ví dụ không vì thế mà là mảng dễ thành công hơn.

Thứ ba, những mảng trong sản xuất mà hiệu quả dễ hiện ra thành con số thì đã khá rõ từ trước, bất kể có AI tạo sinh hay không. Các con số trong dự báo cho ngành sản xuất Thái Lan, gồm service level cải thiện 65% nhờ dự báo nhu cầu, năng suất tăng 20% nhờ tự động hóa công nghiệp, và thời gian dừng máy giảm 53% nhờ bảo trì dự đoán, đều đến từ những mảng mà dữ liệu đầu vào được thu tự động từ thiết bị. Còn với công việc do người phán đoán và người ghi chép thì phải bắt đầu từ việc tạo ra bản ghi đã.

Thay vì dồn thời gian thu thập ví dụ, việc nêu ra ba công việc ứng viên của chính mình rồi kiểm tra dữ liệu của từng việc đang nằm ở đâu sẽ giúp chốt quyết định nhanh hơn. Cách thiết kế chỉ số để đo hiệu quả được chúng tôi tổng hợp trong bài Đo hiệu quả triển khai AI và thiết kế ROI

Dịch vụ hỗ trợ triển khai AI tạo sinh là thuê làm những gì

Cụm từ hỗ trợ triển khai AI tạo sinh có phạm vi rất rộng và khó thấy rõ có thể thuê làm những gì. Tổng hợp từ các phần trên, những mảng đáng nhờ bên ngoài nhất được xếp theo thứ tự sau.

Giá trị cao nhất là chọn bài toán trước khi bắt đầu. Đó là việc rà soát các công việc ứng viên, xếp hạng theo vị trí dữ liệu và mức độ dễ đo hiệu quả, rồi chốt công việc đầu tiên. Sai ở đây thì mọi công đoạn sau đều lãng phí.

Tiếp theo là thiết kế tiêu chí thành công. Lập văn bản ghi ngày phán quyết, chỉ số, giá trị mục tiêu và điều kiện rút lui. Như đã nêu, dự án thí điểm thiếu những thứ này sẽ không có kết luận.

Thứ ba là chuẩn bị dữ liệu, chỉ gồm dữ liệu liên quan tới công việc mục tiêu, tách khỏi chương trình xây nền tảng dữ liệu toàn công ty.

Thứ tư là thiết kế vận hành và đưa vào nếp có bao gồm tiếng Việt, gồm kiểm chứng độ chính xác tiếng Việt, hỗ trợ nâng trình theo từng nhóm nhân viên, và nhìn thấy được tình trạng sử dụng thực tế.

Dù có nhận hỗ trợ từ bên ngoài, quyết định cuối cùng về việc chọn công việc nào vẫn nên nằm trong công ty, vì người biết chỗ nào đau là người ở hiện trường. Thứ bên ngoài cung cấp được là trục để lựa chọn và các dạng thất bại đã xảy ra ở nơi khác. Cách cấu trúc việc thuê ngoài, gồm cả các hình thức hợp đồng, được chúng tôi sắp xếp trong bài Tư vấn AI tạo sinh

Mười mục cần xác nhận trước khi bắt đầu

Phần dưới đây cô đọng toàn bộ nội dung thành một danh mục kiểm tra trước khi bắt đầu. Chỉ cần còn một ô trống thì khởi động dự án thí điểm trong trạng thái đó cũng sẽ không có kết luận.

Trong mười mục này, theo kinh nghiệm, ba mục hay vấp nhất là khối lượng hiện tại, điều kiện rút lui và ngôn ngữ sử dụng. Khối lượng hiện tại thường chưa từng được đo, điều kiện rút lui thì khó viết, và việc đánh giá hay mặc định rơi vào tiếng Nhật.

Những câu hỏi thường gặp

Dự án thí điểm của chúng tôi đứng yên nhiều tháng. Có nên dừng hẳn không

Trước hết hãy kiểm tra xem dự án đó đã từng có ngày phán quyết và điều kiện rút lui hay chưa. Nếu chưa thì trạng thái đó gần với chưa thực sự bắt đầu hơn là thất bại. Trường hợp này, thay vì quyết định rút lui, việc quay lại thu hẹp công việc mục tiêu còn một việc rồi viết lại điều kiện sẽ nhanh hơn. Nếu điều kiện đã có mà không đạt thì hãy rút lui và ghi lại vì sao không tới đích. Bản ghi đó sẽ nâng độ chính xác cho lần sau.

Nên dự trù ngân sách bao nhiêu cho việc triển khai AI tạo sinh

Bậc độ lớn thay đổi theo phạm vi nên không thể đưa ra một con số chung. Nhưng cách nghĩ về ngân sách thì có thứ tự. Với việc đầu tiên, khâu chọn công việc mục tiêu và chuẩn bị dữ liệu tốn công hơn phí thuê bao công cụ. Nếu chỉ lập dự toán cho phí công cụ thì sẽ không khớp với khối lượng công việc thực tế. Chi tiết chi phí theo từng giai đoạn xem tại Cách triển khai AI tạo sinh và chi phí

Nên đánh giá khả năng tiếng Việt như thế nào

Hãy rút khoảng 20 tới 30 tài liệu đánh giá từ công việc thật. Điều quan trọng là chúng phải là tài liệu thật có lẫn từ viết tắt và tên gọi nội bộ, chứ không phải mẫu đã được dọn dẹp gọn gàng. Sau đó để một người viết trước kết quả kỳ vọng rồi đối chiếu với kết quả của AI. Bỏ qua bước này và chỉ tin vào lời giải thích của nhà cung cấp rằng có hỗ trợ tiếng Việt thì phần độ chính xác còn thiếu sẽ chỉ lộ ra sau khi triển khai thật.

Nếu hướng dẫn của công ty mẹ không khớp với thực tế công việc tại Việt Nam thì nên làm gì

Thay vì sửa hướng dẫn, việc lập một bảng quy đổi để dùng tại chỗ là cách thực tế hơn. Hãy lập bảng ghép các loại tài liệu dùng hằng ngày tại cơ sở với các mức bảo mật theo định nghĩa của công ty mẹ, rồi đề nghị bộ phận công nghệ thông tin của công ty mẹ xác nhận. Khi có bảng này, nhân viên tại chỗ sẽ không còn tắc ở các phán đoán.

Kết luận

Thất bại khi triển khai AI tạo sinh xảy ra như một vấn đề thiết kế, không phải vấn đề hiệu năng của mô hình. MIT NANDA ghi nhận khoảng 95% dự án thí điểm đình trệ mà không tạo ra tác động đo lường được lên lợi nhuận, và khoảng 5% thành công. RAND cho biết hơn 80% dự án AI thất bại, khoảng gấp đôi các dự án IT thông thường, còn Gartner dự báo 60% dự án không có dữ liệu AI-ready sẽ bị bỏ dở tới năm 2026. Khảo sát tại Nhật Bản cũng cho thấy chỉ một trên bốn người dùng thực sự giảm được thời gian làm việc.

Cấu trúc thất bại chia thành bốn phần là mục tiêu mơ hồ, khoảng trống học hỏi, ngân sách sai chỗ và dữ liệu chưa sẵn sàng. Tại cơ sở ở Việt Nam còn cộng thêm năm điểm là hướng dẫn của công ty mẹ không khớp, độ chính xác tiếng Việt chưa kiểm chứng, đọc sai phân bố năng lực, dữ liệu rải giữa Excel và giấy, và thiếu tiêu chí thành công.

Trong khi đó mức lan tỏa của AI trong khu vực đang nhanh, với mức sử dụng thực chất tại Thái Lan tăng từ 9.1% đầu năm 2025 lên 12.4% trong quý một năm 2026 và đứng thứ hai thế giới về tốc độ tăng trưởng. Cái giá của quyết định chờ xem đang tăng lên.

Hướng cần đi là hẹp lại chứ không phải rộng ra. Nhóm 5% thành công đã chọn một bài toán, thực thi nó, và xây dựng quan hệ đối tác một cách khôn ngoan. Về cách mua sắm, công cụ mua ngoài thành công khoảng 67% so với khoảng 33% của tự phát triển. Điền đủ công việc mục tiêu, khối lượng hiện tại, mục tiêu, ngày phán quyết, điều kiện rút lui, vị trí dữ liệu và ngôn ngữ sử dụng bằng con số và tên riêng trước khi bắt đầu chính là con đường ngắn nhất để không nằm lại ở nhóm 95%.

Chỉ riêng việc sắp xếp xem việc đầu tiên nên là gì và dữ liệu của việc đó hiện nằm ở đâu cũng đã làm tình hình chuyển động. Nếu tại cơ sở ở Việt Nam của quý vị, một quyết định đang kẹt giữa chính sách của công ty mẹ và thực tế công việc tại chỗ, hoặc một dự án thí điểm đứng yên mà chưa chốt được bước tiếp theo, chúng tôi sẵn sàng trao đổi ngay từ giai đoạn cân nhắc khi yêu cầu còn chưa định hình.

Liên hệ TOMAS TECH tại đây

Tài liệu tham khảo

• MIT report – 95% of generative AI pilots at companies are failing – Phân bố 95% và 5% của MIT NANDA, khoảng trống học hỏi, tỷ lệ thành công 67% khi mua và 33% khi tự phát triển
• AI Project Failure Statistics 2026 – RAND Corporation với tỷ lệ thất bại trên 80% và so sánh với dự án IT thông thường
• AI-Ready Data – Gartner với dự báo bỏ dở 60% tới năm 2026, tỷ lệ thất bại từ 17% lên 42%, và 72% doanh nghiệp có khả năng dừng dự án thí điểm
• AI adoption failure cases in Japan – Khảo sát 1,008 cán bộ quản lý với con số một trên bốn, mục tiêu mơ hồ và không đặt chỉ số
• Thailand ranks second worldwide for AI adoption growth – Các con số về Thái Lan và kế hoạch đầu tư từ Microsoft Global AI Diffusion Report
• Thailand AI in manufacturing outlook – Dự báo AI trong sản xuất tại Thái Lan, service level cải thiện 65%, năng suất tăng 20%, thời gian dừng máy giảm 53%