Thúc đẩy sử dụng AI thực tế 2026 – ba đứt gãy sau đào tạo

License đã phát xong cho toàn bộ nhân viên. Đào tạo cũng đã tổ chức hai lần. Vậy mà ba tháng sau mở ra xem, chỉ một nhóm nhỏ thực sự đang dùng, còn cách làm việc thì không thay đổi gì. Chuyện thúc đẩy sử dụng AI thực tế thường được nêu lên trong nội bộ đúng vào lúc này. Nếu ở đây ta quy nguyên nhân cho năng lực của công cụ hay chất lượng khóa đào tạo, thì biện pháp tiếp theo cũng sẽ tắc đúng chỗ cũ. Chỗ nghẽn chỉ nằm ở một điểm duy nhất, là ta đang đếm số license đã phát ra chứ không đếm số nghiệp vụ đã thực sự nhúng AI vào. Bài viết này sắp xếp lại ba đứt gãy chặn việc sử dụng thực tế, trình tự triển khai để lấp chúng, và cách đo hiệu quả.

Việc thúc đẩy sử dụng AI thực tế trở nên cần thiết ở giai đoạn nào

Việc triển khai AI tạo sinh trong nội bộ trông thuận lợi nhất chính ở ba tháng đầu. Hợp đồng được ký, tài khoản được cấp, buổi giới thiệu khởi động thì đông người tham dự. Chỉ số được báo cáo lên là “tỷ lệ triển khai 100%”. Vấn đề chỉ lộ ra ở quý tiếp theo, khi ban lãnh đạo hỏi “vậy đã giảm được bao nhiêu giờ”. Không ai trả lời được. Và lý do không trả lời được không phải vì không có hiệu quả, mà vì ngay từ đầu ta đã không thu thập dữ liệu để phán đoán xem có hiệu quả hay không.

Bản chất của trạng thái tỷ lệ triển khai tăng nhưng không ra kết quả

Trạng thái này bộc lộ ba triệu chứng rất rõ. Chỉ cần trúng một trong ba, việc thiết kế lại chương trình thúc đẩy sử dụng nên được làm trước.

Triệu chứng thứ nhất là các nghiệp vụ được dùng AI đều lệch về vùng ngoại vi. Tóm tắt biên bản họp, viết nháp email tiếng Anh, chỉnh lại thể thức tài liệu nội bộ. Cái nào cũng có ích, nhưng cái nào cũng là “nghiệp vụ mà sai cũng không ảnh hưởng đến ai”. Nói ngược lại, những nghiệp vụ mà sai thì rất phiền, chẳng hạn lập báo giá sơ bộ, phân loại nguyên nhân trong báo cáo lỗi, soạn văn bản trả lời khách hàng, thì không ai với tay tới. Việc AI chỉ được dùng cho nghiệp vụ ngoại vi không phải do hiện trường thiếu trí tưởng tượng, mà là hệ quả của đứt gãy nghiệm thu sẽ nói ở phần sau.

Triệu chứng thứ hai là người dùng bị đóng khung cố định. Trong số những người đã thử trong tháng đầu, nhóm còn tiếp tục vẫn là những gương mặt cũ, phần còn lại thì chưa mở lại lần nào. Cái đang xảy ra ở đây không phải chênh lệch năng lực mà là chênh lệch về dạng công việc. Người ngày nào cũng tạo ra tài liệu cùng một định dạng thì tái sử dụng được prompt nên hình thành thói quen, còn người mà mỗi lần một việc khác nhau thì lần nào cũng phải viết lại từ đầu, gánh nặng vượt quá lợi ích nên bỏ cuộc. Khoảng cách này không thu hẹp lại dù có tăng số buổi đào tạo. Nó được quyết định bởi việc có gắn sẵn prompt vào phía nghiệp vụ hay không.

Triệu chứng thứ ba là thành quả dừng lại ở mức tiết kiệm thời gian của cá nhân. Tiếng nói “việc trước đây mất 30 phút giờ còn 10 phút” thì có, nhưng kế hoạch công của bộ phận, thời hạn công việc và cách bố trí nhân sự thì không thay đổi một chút nào. 20 phút mà một cá nhân tiết kiệm được sẽ hoặc làm giảm chút ít giờ làm thêm của người đó, hoặc bị hút vào một công việc khác rồi biến mất. Vì nó không hiện ra thành con số của tổ chức, nên dưới mắt ban lãnh đạo thì điều đó đồng nghĩa với “không có hiệu quả”. Để lấp chỗ này, cần quyết định thời gian tiết kiệm được sẽ chuyển sang việc gì, và đó là bài toán thiết kế nghiệp vụ chứ không thuộc phạm vi của một khóa đào tạo.

Không phải “không được dùng” mà là “không được đo”

Điểm chung của ba triệu chứng trên là không thể phát hiện được bằng chỉ số tỷ lệ triển khai. Tỷ lệ triển khai, tức số license đã phát chia cho số người thuộc đối tượng, sẽ đạt 100% ngay trong ngày ký hợp đồng. Đó là con số cho biết việc mua sắm đã hoàn tất, chứ không phải con số cho biết nghiệp vụ đã thay đổi. Nói theo ngôn ngữ đầu tư thiết bị, nó gần với việc nhầm lẫn giữa “máy đã được giao tới nhà máy” và “máy đó đang cho ra hàng đạt”.

Thứ cần đến là tỷ lệ sử dụng thực tế. Định nghĩa là “tỷ lệ người đã dùng AI tạo sinh cho đầu ra của nghiệp vụ thực, ít nhất một lần mỗi tuần”. Trong đó có hai điều kiện, điều kiện về tần suất (ít nhất một lần mỗi tuần) và điều kiện về mục đích sử dụng (dùng cho đầu ra của nghiệp vụ thực). Những hành vi như dùng thử cho biết, hay chạy thử trong lúc học, đều không được tính. Bỏ hai điều kiện này ra thì con số dễ dàng đẹp lên, nhưng nó mất khả năng phán đoán biện pháp là đúng hay sai.

Khi bắt đầu đo tỷ lệ sử dụng thực tế, ở hầu hết tổ chức, con số đầu tiên sẽ thấp hơn tưởng tượng. Đó không phải thất bại, mà chỉ là thực trạng vốn không nhìn thấy được nay đã hiện ra. Đúng hơn, nếu không chia sẻ trước với ban lãnh đạo rằng con số sẽ thấp, thì ngay trong tháng bắt đầu đo, hoạt động sẽ bị đánh giá là “không suôn sẻ” và bị dừng lại. Việc chuyển từ chỉ số triển khai sang chỉ số đo lường luôn phải đi kèm lời giải thích rằng “con số sẽ có vẻ tụt xuống một lần”.

Một điểm quan trọng nữa là tỷ lệ sử dụng thực tế trở thành ngôn ngữ chung duy nhất để phán đoán hiệu quả của các biện pháp. Thêm một buổi đào tạo, phát bộ mẫu prompt, sửa lại thiết kế phân quyền, mọi biện pháp đều có thể đặt hiệu quả của mình lên cùng một cây thước là tỷ lệ sử dụng thực tế. Không có cây thước thì biện pháp chỉ được kể lại dưới dạng “đã làm hay chưa làm”, và không quyết định được bước tiếp theo. Cấu trúc này trùng khớp với khung đã bàn trong bài đo hiệu quả triển khai AI nên dựng trên chỉ số nào.

Ba đứt gãy chặn việc sử dụng thực tế

Khi mổ xẻ những tổ chức không nâng được tỷ lệ sử dụng thực tế, chỗ nghẽn gần như luôn quy về ba điểm, là chỉ số, nghiệm thu và ghi ngược. Đây không phải ba vấn đề độc lập, mà phụ thuộc lẫn nhau theo thứ tự từ trên xuống. Không có chỉ số thì không bắt đầu thiết kế được phần nghiệm thu, không chốt được nghiệm thu thì không sinh ra đối tượng để ghi ngược.

Đặt ba đứt gãy cạnh nhau, “cái gì đang thiếu” và “chuyện gì xảy ra tại hiện trường” tách bạch rất rõ.

Điều cần nắm ở bảng này là người lấp của cả ba đều khác nhau. Nếu đặt hàng việc thúc đẩy sử dụng như một công việc của bộ phận hệ thống thông tin, thì chỉ lấp được tới đứt gãy thứ nhất. Đứt gãy thứ hai và thứ ba đòi hỏi quyết định của bộ phận sở hữu nghiệp vụ, nên cả bên ngoài lẫn bộ phận hệ thống thông tin đều không làm thay được. Nếu ở giai đoạn lập cơ cấu dự án mà không đặt ba người phụ trách riêng biệt cho ba chỗ này, thì tới nửa sau chắc chắn sẽ tắc.

Đứt gãy thứ nhất, đứt gãy chỉ số giữa tỷ lệ phát license và tỷ lệ sử dụng thực tế

Giữa tỷ lệ phát license và tỷ lệ sử dụng thực tế thường có một khoảng cách rất lớn. Như đã nói ở phần trên, tỷ lệ phát license đạt 100% ngay trong ngày ký hợp đồng. Còn tỷ lệ sử dụng thực tế, nếu không bắt đầu đo thì sẽ mãi mãi là ô trống. Không phải giá trị bằng 0, mà là bản thân giá trị đó không tồn tại.

Cái phiền của đứt gãy này là chính việc không có con số lại trông giống như “mọi thứ đang tốt đẹp”. Vì không có con số xấu nào chui ra, nên báo cáo chỉ ghi tỷ lệ triển khai 100%, và ban lãnh đạo hiểu rằng việc triển khai đã hoàn tất. Phải tới nửa năm sau, khi bị hỏi về thành quả, người ta mới phát hiện là không có dữ liệu để phán đoán. Và tới lúc đó thì không còn cách nào tái hiện lại xem ba tháng đầu đã xảy ra chuyện gì.

Thời điểm đo cũng có trình tự riêng. Tỷ lệ sử dụng thực tế cần được định nghĩa từ trước khi phát license, chính xác hơn là từ thời điểm chốt danh sách nghiệp vụ đối tượng. Nếu phát xong rồi mới bắt đầu nghĩ “vậy đo cái gì đây”, thì vì chưa xác định nghiệp vụ cần đo, ta sẽ trôi về những chỉ số chỉ được cái dễ lấy như “số lần đăng nhập”. Số lần đăng nhập thì đo được, nhưng nó biến động độc lập với việc AI có được nhúng vào nghiệp vụ hay không. Đo cái gì chỉ có thể quyết định được sau khi đã chốt muốn thay đổi cái gì.

Đứt gãy thứ hai, đứt gãy nghiệm thu khi chưa ai chịu trách nhiệm về đầu ra

Đứt gãy thứ hai là thứ khó thấy nhất từ phía hiện trường và có ảnh hưởng lớn nhất. Nó chỉ trạng thái mà khi dùng đầu ra của AI tạo sinh vào nghiệp vụ, chưa ai được xác định là người bảo đảm rằng nội dung đó đúng.

Hãy nghĩ một tình huống cụ thể. Giả sử nhân viên đảm bảo chất lượng dùng AI tạo sinh để soạn bản nháp đầu tiên của báo cáo lỗi gửi khách hàng. Nếu tài liệu này có sai sót, ai chịu trách nhiệm, người viết, trưởng phòng đã phê duyệt, hay công ty đã đưa công cụ đó vào. Khi nội bộ chưa có sẵn câu trả lời cho câu hỏi này, thì hành động hợp lý nhất với nhân viên đó là “không dùng”. Không dùng thì ít nhất trách nhiệm vẫn nằm ở nơi cũ như xưa nay.

Có rất nhiều quy chế xử lý chỗ này bằng đúng một câu, “đầu ra của AI nhất thiết phải được con người kiểm tra”. Nhưng câu này trên thực tiễn gần như không quyết định điều gì. Ai kiểm tra, kiểm tra cái gì, ghi lại dấu vết kiểm tra ở đâu, và làm gì khi còn phần không kiểm tra hết được. Khi những điều này chưa được định nghĩa mà chỉ viết mỗi “nhất thiết phải kiểm tra”, thì hiện trường phải tự vác toàn bộ gánh nặng kiểm tra. Kết quả là ở những nghiệp vụ mà chi phí kiểm tra vượt quá chi phí tự làm như cũ, việc sử dụng sẽ dừng lại. Việc sử dụng chỉ lệch về các nghiệp vụ ngoại vi mà sai cũng không ảnh hưởng đến ai chính là kết quả của phép tính này.

Thiết kế nghiệm thu là công việc viết ra, theo từng nghiệp vụ, “kiểm tra cái gì tới mức nào thì coi như đã phê duyệt”. Ví dụ với việc lập báo giá sơ bộ thì quy định đối chiếu với master đơn giá và tính lại số lượng là bắt buộc, còn cách hành văn thì không cần kiểm tra. Chỉ khi chốt tới độ mịn này, nhân viên mới tính được phạm vi trách nhiệm mình phải gánh. Ở những nghiệp vụ mà phạm vi đó tính được, con người sẽ dùng. Công việc này gắn trực tiếp với thiết kế phân quyền, nên tiến hành đồng thời với việc sắp xếp xem chức danh nào truy cập được dữ liệu nào sẽ hiệu quả hơn. Cách làm cụ thể được sắp xếp trong bài thiết kế phân quyền và ranh giới dữ liệu khi triển khai Copilot.

Đứt gãy thứ ba, đứt gãy ghi ngược khi thành quả không quay về tài liệu tác nghiệp chuẩn

Đứt gãy thứ ba xảy ra sau khi đã có thành quả. Giả sử một nhân viên nghĩ ra cách cải tiến quy trình lập báo cáo tháng, rút công việc từ 3 tiếng xuống còn 1 tiếng. Đó là một thành quả tuyệt vời. Nhưng quy trình đó không được viết ở đâu cả. Nó chỉ tồn tại trong lịch sử chat và trong đầu người đó.

Ở trạng thái này, nếu người đó luân chuyển, người kế nhiệm sẽ quay lại quy trình 3 tiếng. Thời gian mà tổ chức thu được trở về bằng 0. Rắc rối hơn nữa, trên mặt chỉ số thì “tỷ lệ sử dụng thực tế trong giai đoạn người đó còn làm” vẫn cao, nên không ai nhận ra rằng thành quả đã biến mất. Nửa năm sau chỉ còn lại một tình huống khó hiểu, rằng “trước đây rõ ràng là có kết quả mà”.

Ghi ngược là công việc chuyển các mẫu thành công mà cá nhân tìm ra sang phía tài liệu tác nghiệp chuẩn (SOP). Cụ thể là viết lại bước tương ứng trong tài liệu quy trình, đính kèm prompt được sử dụng, và bổ sung các mục cần kiểm tra vào checklist. Chừng nào chưa làm việc này, việc triển khai AI tạo sinh sẽ dừng ở mức nâng năng suất cá nhân và không kết nối được với năng suất của tổ chức.

Ghi ngược tốn công. Nếu phải sửa SOP cho 20 nghiệp vụ, riêng việc đó đã ở quy mô vài trăm giờ. Chính vì vậy, khối lượng công này phải được đưa vào ngân sách ngay từ đầu. Việc đặt 320,000 baht cho lớp thứ 4 trong phần tính chi phí ở dưới là vì nếu định làm việc này bằng thời gian rảnh của ai đó thì chắc chắn sẽ bỏ dở. Ghi ngược không phải thứ làm bằng thời gian dôi dư, mà phải được dựng thành một công đoạn.

Thực trạng triển khai AI tạo sinh trong nội bộ năm 2026 nhìn qua dữ liệu

Hãy kiểm chứng xem cấu trúc nói trên tương ứng với các con số thực tế ra sao. Toàn bộ số liệu dưới đây đều dựa trên các khảo sát đã công bố, nguồn được liệt kê ở mục cuối bài.

Các con số tại Nhật Bản gồm tỷ lệ ứng dụng 34.5%, khoảng cách theo quy mô và thứ tự các mối lo ngại

Theo khảo sát do Teikoku Databank thực hiện từ ngày 17 đến 31 tháng 3 năm 2026 với 10,312 doanh nghiệp trả lời hợp lệ, tỷ lệ doanh nghiệp Nhật Bản đang ứng dụng AI tạo sinh vào nghiệp vụ là 34.5%. Theo quy mô thì khoảng cách rất lớn.

Đọc phân bố này thành “càng doanh nghiệp lớn càng đi trước” thì mới đúng một nửa. Nhóm trên 1,000 nhân viên đạt 63.6% có nghĩa là ngay cả ở các doanh nghiệp có quy mô, hơn một phần ba vẫn chưa dùng AI trong nghiệp vụ. Và điều quan trọng theo góc nhìn của bài này là câu trả lời “đang ứng dụng” ấy không phải tỷ lệ sử dụng thực tế mà là sự có hay không ở cấp doanh nghiệp. Một công ty 1,000 người mà có 10 người dùng thì vẫn được tính vào nhóm “đang ứng dụng”. Nói cách khác, con số 34.5% cho biết mức độ đã bắt tay vào, chứ không cho biết mức độ đã triển khai xong trong nội bộ.

Thứ tự các mối lo ngại nêu trong cùng khảo sát tương ứng gần như một đối một với ba đứt gãy.

Mối lo đứng đầu là độ chính xác của thông tin với 50.4%, và đó chính là đứt gãy nghiệm thu. Thực chất của tiếng nói lo lắng về độ chính xác là nỗi bất an rằng chưa ai được xác định sẽ chịu trách nhiệm khi có sai sót. Mối lo thứ ba là phạm vi nghiệp vụ nên ứng dụng với 40.0%, đồng nghĩa với việc kiểm kê nghiệp vụ chưa xong, và nó tương ứng với lớp thứ nhất trong năm lớp triển khai. Còn 18.8% nêu ra khoảng cách về mức độ thành thạo nới rộng là hiện tượng tất yếu xảy ra ở những tổ chức không ghi ngược. Khi thành quả của cá nhân nằm lại trong cá nhân, khoảng cách chỉ có thể ngày càng doãng ra theo thời gian.

Người không dùng thạo không phải hiện trường mà là cấp trưởng phòng và tổ trưởng

Còn một con số nữa làm thay đổi tận gốc cách thiết kế việc triển khai nội bộ. Trong khảo sát của Kore thực hiện với 1,008 quản lý, nhóm được nêu nhiều nhất ở vị trí “tầng chưa dùng thạo AI tạo sinh” là cấp trưởng phòng và tổ trưởng với 29.3%. Tiếp theo là ban lãnh đạo với 26.8% và nhân viên thường với 25.6%.

Điểm đáng chú ý là nhân viên thường lại đứng cuối. Rất nhiều kế hoạch triển khai của doanh nghiệp Nhật Bản được dựng trên tiền đề ngầm rằng “hiện trường không dùng được nên phải dạy”. Nhưng con số này cho thấy nơi tắc nhất là tầng quản lý trung gian. Và nhiều khả năng đây không phải vấn đề năng lực mà là vấn đề vai trò. Cấp trưởng phòng và tổ trưởng tự tay soạn tài liệu tương đối ít, họ đứng ở phía kiểm tra sản phẩm của cấp dưới. Tức là họ không ở phía “dùng” AI tạo sinh mà ở phía “nghiệm thu”. Vậy mà nội dung đào tạo lại chỉ xoay quanh hướng dẫn cách dùng, không hề dạy cách nghiệm thu.

Khi tầng này tắc, toàn bộ việc triển khai dừng lại. Tài liệu cấp dưới làm bằng AI tạo sinh mà trưởng phòng không kiểm tra được, vì không biết phải nhìn vào đâu, nên việc phê duyệt kéo dài. Kết quả là với cấp dưới, càng dùng AI tạo sinh thì càng chậm được duyệt, một động lực ngược hình thành. Dồn đối tượng đào tạo vào nhân viên thường thì cấu trúc này không cải thiện.

Cũng trong khảo sát đó, yếu tố cản trở việc ứng dụng đứng đầu là lo ngại về mặt bảo mật với 33.5%, thứ hai là không nghĩ ra ý tưởng ứng dụng cụ thể với 26.0%, thứ ba là không nhận được sự thấu hiểu và hợp tác từ bộ phận hệ thống thông tin với 22.4%. Yếu tố thứ hai, không nghĩ ra ý tưởng, là hệ quả của việc phó mặc kiểm kê nghiệp vụ cho khả năng tự nghĩ ra của từng cá nhân. Công việc bóc tách nghiệp vụ hằng ngày rồi liệt kê ứng viên không phải thứ mà nhân viên nghĩ ra được lúc rảnh tay, mà nên có quy trình và được đẩy từ bên ngoài vào thì nhanh hơn. Yếu tố thứ ba, lệch pha với bộ phận hệ thống thông tin, chắc chắn sẽ xuất hiện ở những tổ chức để cuộc thảo luận về thiết kế phân quyền lại sau cùng.

Sự đảo ngược mà khảo sát toàn cầu chỉ ra là nhân viên đã dùng rồi

Ở đây có một khảo sát lật ngược tiền đề. Nghiên cứu về AI trong doanh nghiệp do Human Driven AI thực hiện trong ba năm với 22 công ty và 2,724 người, bao gồm 594 cuộc phỏng vấn ban lãnh đạo, báo cáo rằng 85% nhân sự chuyên môn đã và đang dùng AI trong nghiệp vụ. Kết luận của khảo sát này là bản thân việc đưa AI vào không còn là bài toán nữa, bài toán nằm ở phía sự thích ứng của tổ chức.

Cấu trúc này va thẳng vào tiền đề mà công ty mẹ tại Nhật hay đặt ra. Phần lớn kế hoạch triển khai bắt đầu từ cách đặt vấn đề “nhân viên không chịu dùng”, và phần đối sách là một dãy các buổi đào tạo và tuyên truyền. Nhưng nếu thực tế là “đã dùng rồi mà tổ chức không theo kịp”, thì thứ cần đến không phải huấn luyện. Đó là viết lại định nghĩa nghiệp vụ, thiết lập tiêu chuẩn nghiệm thu, sửa đổi tài liệu tác nghiệp chuẩn, tức là công việc ở phía tổ chức.

Đặt sai vấn đề thì hướng đi của toàn bộ chi phí bỏ ra cũng lệch theo. Trạng thái xin được ngân sách đào tạo nhân viên nhưng không có ngân sách sửa SOP chính là như vậy. Đặt hàng việc thúc đẩy sử dụng dưới dạng “giáo dục” thì rất dễ rơi vào hình thức này. Thúc đẩy sử dụng không phải giáo dục mà là tái thiết kế nghiệp vụ, và sản phẩm bàn giao không phải danh sách học viên mà là bộ SOP đã được sửa đổi. Vạch rõ ranh giới này ngay từ đầu thì nội dung báo giá lẫn điều kiện nghiệm thu đều trở nên cụ thể. Cách sắp xếp ai phụ trách gì theo từng lớp cũng được bàn trong bài phân chia phần việc theo từng lớp khi hỗ trợ nội bộ hóa AI.

Những tiền đề thay đổi tại các cơ sở ở Thái Lan và ASEAN

Tới đây là phần cấu trúc không phụ thuộc quốc gia. Tại các cơ sở ở Thái Lan và các nước ASEAN, một vài trong số các tiền đề này đảo chiều. Áp thẳng giả định của công ty mẹ tại Nhật sang thì hướng của biện pháp sẽ ngược với thực tế, nên cần thận trọng.

Đặt cạnh nhau dữ liệu phiên bản Thái Lan của Microsoft Work Trend Index 2026, có thể thấy người lao động Thái Lan đang ở tư thế cực kỳ chủ động với AI.

Cốt lõi của phần này nằm ở chỗ bốn dòng trên và hai dòng dưới của bảng chỉ về hai hướng ngược nhau.

Người lao động Thái Lan rất chủ động với AI khi Frontier Professionals đạt 32%

Bốn dòng trên cho thấy tại Thái Lan, các biện pháp nhằm “làm cho người ta dùng” gần như không cần thiết. Tỷ lệ Frontier Professionals, tức nhóm đặt AI vào trung tâm công việc, là 32%, gấp đôi mức trung bình thế giới 16%. Số người dùng đầu ra của AI làm điểm khởi đầu cho công việc lên tới 89%, và số người cảm thấy sẽ bị bỏ lại nếu không có AI là 85%, vượt xa mức 65% của thế giới. Tỷ lệ trả lời rằng ban lãnh đạo đã nêu rõ định hướng AI cũng đạt 51%, khoảng gấp đôi mức 26% của thế giới. Hơn nữa, tại Thái Lan cứ 3 người lãnh đạo thì có 1 người ghi nhận nỗ lực thử nghiệm AI ngay cả khi chưa ra kết quả.

Các con số về môi trường bên ngoài cũng chỉ về cùng hướng. Theo UOB Business Outlook Study 2026 khảo sát các SME Thái Lan với n=265 trong nửa đầu năm 2026, tỷ lệ SME đã đưa AI vào sử dụng là hơn 70%, trong đó 58% trả lời đã cảm nhận được việc cắt giảm chi phí và 44% cảm nhận được việc nâng cao năng suất. Theo khảo sát mà Bangkok Post và SME Asia đưa tin, tỷ lệ doanh nghiệp Thái Lan sử dụng AI một cách nhất quán đã tăng từ 32% của năm trước lên 43%, và mức độ trưởng thành số cũng tăng từ 1.56 lên 2.12 trên thang 4 điểm.

Nói cách khác, nếu ở cơ sở Thái Lan mà bắt đầu bằng “khóa đào tạo giải thích tính hữu ích của AI tạo sinh”, thì phần lớn nội dung sẽ là những điều đã biết. Điều đó không chỉ kém hiệu quả về mặt sử dụng thời gian, mà còn khiến hiện trường đánh giá rằng “công ty mẹ không nhìn vào tình hình bản địa”. Đây là điểm mà công ty mẹ tại Nhật dễ đánh trượt nhất.

Sự thật rằng thứ hạng về quản lý chất lượng và tư duy phản biện đang thấp

Mặt khác, hai dòng cuối của bảng lại nói một chuyện khác. Tỷ lệ người lao động Thái Lan coi việc quản lý chất lượng đầu ra AI là quan trọng chỉ đạt 53%, đứng thứ 5 trong 6 nước Đông Nam Á. Tỷ lệ coi tư duy phản biện là quan trọng là 45%, thấp nhất khu vực.

Trạng thái mà tư thế chủ động và ý thức quản lý chất lượng thấp cùng tồn tại là một hình thái rủi ro rất rõ ràng. Trong khi 89% dùng đầu ra làm điểm khởi đầu, thì tầng coi quản lý chất lượng là quan trọng chỉ có 53%, tức khoảng một nửa. Việc hai con số này cùng đúng trên cùng một tổng thể có nghĩa là tồn tại một lượng nhất định đầu ra chảy sang công đoạn kế tiếp mà chưa được kiểm tra. Nói theo ngôn ngữ nghiệp vụ gián tiếp của ngành sản xuất, đó là dịch tài liệu quy cách, trả lời kỹ thuật cho khách hàng, kết luận nguyên nhân tạm thời của lỗi, chép lại BOM, tất cả đều là những nghiệp vụ mà sai sót sẽ rất đắt ở phía hạ nguồn.

Do đó, tại cơ sở Thái Lan, trình tự các biện pháp thúc đẩy sử dụng sẽ ngược với Nhật Bản. Ở Nhật, cách dựng phổ biến là đặt “biện pháp để mọi người dùng” trước rồi bổ sung “cơ chế nghiệm thu” sau, nhưng ở Thái Lan thì nghiệm thu phải đặt trước. Cụ thể là chuẩn bị các mục kiểm tra và checklist theo từng nghiệp vụ trước cả buổi thực hành nghiệp vụ. Vì việc sử dụng đã bắt đầu rồi, nên để phía kỷ luật đi trước một bước sẽ ít phải làm lại hơn là chạy theo sau để đưa kỷ luật vào.

Việc hoán đổi trình tự này cũng hiện ra trong cách phân bổ chi phí. Với việc triển khai trong nội địa Nhật Bản, tỷ trọng chi phí đào tạo thường lớn, nhưng ở cơ sở Thái Lan thì phân bổ dày cho lớp thứ 2 là quy chế sử dụng và thiết kế phân quyền, cùng lớp thứ 4 là ghi ngược vào tài liệu tác nghiệp chuẩn, sẽ hợp thực tế hơn. Việc lớp thứ 4 chiếm mức lớn nhất là 320,000 baht trong phần tính thử ở dưới xuất phát từ nhận định này.

Những giả định mà công ty mẹ tại Nhật hay đặt sai khi đào tạo AI cho nhân viên bản địa

Khi công ty mẹ tại Nhật thiết kế chương trình đào tạo AI cho cơ sở Thái Lan, có ba giả định dễ đặt sai.

Thứ nhất là giả định rằng trình độ hiểu biết còn thấp. Như các con số nêu trên cho thấy, ít nhất về ý muốn sử dụng và tần suất sử dụng thì người lao động Thái Lan đang đi trước Nhật Bản. Bắt đầu từ nội dung nhập môn là lãng phí thời gian của người học.

Thứ hai là giả định rằng đào tạo bằng tiếng Nhật là đủ. Ngay cả ở cơ sở của doanh nghiệp Nhật, người vận hành các nghiệp vụ khối gián tiếp vẫn là nhân viên Thái Lan, còn người nói tiếng Nhật chỉ chiếm một phần. Tổ chức đào tạo chỉ bằng tiếng Nhật thì không tới được tầng thực sự dùng AI trong công việc. Việc dựng lớp thứ 3 theo hai ngôn ngữ là tiếng Nhật và tiếng Thái trong phần tính thử ở dưới là vì lý do này. Thêm nữa, nếu các sản phẩm bàn giao như tài liệu quy trình và checklist không được chuẩn bị bằng hai ngôn ngữ, thì việc ghi ngược sẽ chỉ khép kín trong nhóm nhân viên Nhật Bản được cử sang.

Thứ ba là giả định thiết kế việc đào tạo như một sự kiện diễn ra một lần. Tổ chức khóa học, phát phiếu khảo sát, nộp báo cáo rồi kết thúc. Ở hình thức này, không ai theo dõi xem tỷ lệ sử dụng thực tế có thực sự tăng hay không. Như đã nói ở trên, thứ cần đến là cơ chế vận hành xem con số hằng tháng rồi điều chỉnh biện pháp, và một khóa đào tạo đơn lẻ không thay thế được. Cách tư duy về thiết kế đào tạo chuyên cho ngành sản xuất được tổng hợp trong bài cách dựng chương trình đào tạo AI tạo sinh trong ngành sản xuất.

Năm lớp triển khai của việc thúc đẩy sử dụng AI thực tế

Từ đây chuyển sang chuyện triển khai. Chia việc thúc đẩy sử dụng thành 5 lớp thì rất dễ phát hiện chỗ thiếu và chỗ chưa rõ người phụ trách. Với từng lớp, hãy đặt cạnh nhau “quyết định cái gì” và “không quyết định thì chuyện gì xảy ra”.

Trong 5 lớp này, khó nhất là lớp 2 và lớp 4. Lớp 1 và lớp 3 là công việc chỉ cần có quy trình là chạy được, nhưng lớp 2 và lớp 4 kèm theo quyết định của bộ phận sở hữu nghiệp vụ, nên cả bên ngoài lẫn bộ phận hệ thống thông tin đều không làm thay được.

Ở lớp 1, việc kiểm kê nghiệp vụ thì quan trọng nhất là thu hẹp phạm vi đối tượng. Lấy toàn bộ nghiệp vụ làm đối tượng thì riêng khâu kiểm kê đã mất vài tháng, và trong lúc đó hiện trường mất hết hứng thú. Trên thực tiễn, quy mô dễ xử lý là chọn khoảng 20 nghiệp vụ từ khối gián tiếp. Tiêu chí lựa chọn nên ưu tiên những nghiệp vụ thỏa mãn cả ba điều kiện là tần suất cao, đầu ra có định dạng cố định, và sai sót phát hiện được ngay. Ngược lại, các nghiệp vụ có tần suất thấp, mỗi lần một điều kiện khác nhau, và sai sót không lộ ra cho tới tận hạ nguồn thì nên loại khỏi vòng đầu. Sản phẩm của khâu kiểm kê không nên chỉ là danh sách tên nghiệp vụ, mà phải là bảng có cả công hiện tại theo từng nghiệp vụ, tức mỗi tháng bao nhiêu giờ, và ai đang gánh số giờ đó. Không có số giờ thì lớp 5 không đo được hiệu quả.

Ở lớp 2, quy chế sử dụng và thiết kế phân quyền, phần thiết kế nghiệm thu nói ở trên nằm đúng chỗ này. Cái cần viết vào quy chế không chỉ là điều cấm. Đúng hơn, điều quan trọng là làm rõ những gì được phép, cần có các mô tả ở thể khẳng định kiểu “phạm vi này của nghiệp vụ này, nếu kiểm tra được điều này thì được dùng”. Một quy chế chỉ có điều cấm sẽ để ngỏ cách xử lý những gì không được viết ra, và rốt cuộc lại có tác dụng kìm hãm việc sử dụng. Ngoài ra, nếu không chốt theo từng nghiệp vụ ranh giới của thông tin được phép nhập, chẳng hạn tên khách hàng có được không, bản vẽ có được không, giá thành có được không, thì phán đoán sẽ dao động theo từng nhân viên.

Ở lớp 3, thực hành nghiệp vụ, có đúng một nguyên tắc phải giữ. Không dùng dữ liệu mẫu. Hãy mang file thật của công việc mà mình sẽ làm vào ngày mai và chạy trên đó. Khóa đào tạo chạy bằng dữ liệu mẫu thì điểm hài lòng cao nhưng tuần sau không tái hiện được. Nghiệp vụ đã chạy được một lần bằng dữ liệu của chính mình thì khả năng tuần sau vẫn chạy là cao. Sản phẩm của khóa đào tạo không phải là bản ghi nhận đã tham dự, mà là prompt chạy được cùng bản ghi chú quy trình mà người học mang về. Định nghĩa trước sản phẩm mang về thì thiết kế của khóa đào tạo sẽ tự động nghiêng về phía thực tiễn.

Lớp 4, việc ghi ngược, phải được dựng thành công đoạn như đã nói. Lấy việc sửa SOP của 20 nghiệp vụ làm đối tượng, và đặt người phê duyệt bản sửa là trưởng bộ phận sở hữu nghiệp vụ. Có hai chi tiết cần chốt ở đây. Một là lưu prompt ở đâu, nên đặt ở một nơi dùng chung mà tài liệu quy trình liên kết tới được chứ không phải trong ghi chú cá nhân. Hai là chu kỳ rà soát lại ra sao, chẳng hạn bắt buộc xem lại sau 3 tháng kể từ lần sửa đầu tiên. Vì mô hình AI tạo sinh liên tục được cập nhật, nên không có gì bảo đảm prompt viết lần đầu vẫn tối ưu sau nửa năm. Không ghi chu kỳ rà soát vào quy chế thì SOP sẽ đóng băng cùng những prompt đã cũ.

Lớp 5, đồng hành và rà soát hằng tháng, là phần ít gây chú ý nhất trong toàn bộ triển khai và cũng là phần hiệu quả nhất. Mỗi tháng một lần, xuất tỷ lệ sử dụng thực tế cùng ba chỉ số nói ở phần sau, xác định một nguyên nhân cho bộ phận nào đang tụt, và chốt một hành động. Chỉ vậy thôi. Điều quan trọng là trưởng bộ phận sở hữu nghiệp vụ phải có mặt tại buổi rà soát. Nếu chỉ có bộ phận hệ thống thông tin và ban thúc đẩy họp với nhau, nó sẽ thành buổi báo cáo chứ không thành nơi ra quyết định. Một buổi rà soát không chốt được hành động sẽ tự biến mất tới lần thứ ba.

Đo tỷ lệ sử dụng thực tế bằng cách nào

Để vận hành lớp 5, cần có con số để nhìn. Ở đây ta chốt đo cái gì và không đo cái gì.

Việc đầu tiên phải làm khi thiết kế phép đo là vứt bỏ tư duy đo vì lấy được. Những con số càng dễ lấy từ log thì thường càng xa thực trạng nghiệp vụ.

Chỉ số nên đo và chỉ số không nên đo

Hãy chia chỉ số làm hai nhóm, nhóm biến động theo sự thay đổi của nghiệp vụ, và nhóm vẫn biến động ngay cả khi nghiệp vụ không đổi.

Sở dĩ phải liệt kê cả các chỉ số không nên đo là vì chúng xuất hiện rất nhiều trong các báo cáo thực tế. Đặc biệt tỷ lệ tham dự đào tạo và mức độ hài lòng luôn cho ra con số cao một cách thuận lợi cho chính bên thực hiện biện pháp, nên rất dễ được đặt vào trung tâm báo cáo. Nhưng tỷ lệ tham dự 100% và điểm hài lòng tuyệt đối vẫn hoàn toàn có thể đi kèm tỷ lệ sử dụng thực tế bằng 0%. Một khi chỉ số là công cụ để phán đoán biện pháp đúng hay sai, thì không được đặt làm chỉ số chính những con số biến động có lợi cho chính bên thực hiện.

Cũng cần nói thêm về tổng số tin nhắn đã gửi. Thoạt nhìn con số này trông như thể hiện việc “đang dùng rất nhiều”, nhưng người càng dùng chưa tốt thì càng diễn đạt lại cùng một câu hỏi nhiều lần để thử, nên nó có thể biến động ngược với mức độ thành thạo. Nếu muốn theo dõi tổng số, thì việc xem số lượt trao đổi trên mỗi nghiệp vụ có giảm dần theo thời gian hay không sẽ có ý nghĩa hơn với tư cách chỉ số về độ thành thạo.

Ba chỉ số chính gồm tỷ lệ hoạt động theo tuần, tỷ lệ nhúng vào nghiệp vụ và tỷ lệ ghi ngược

Chỉ số chính nên gói lại còn 3 chỉ số. Nhiều hơn 3 thì buổi rà soát hằng tháng không xem hết được, và rốt cuộc chỉ những con số dễ lấy nhất được đọc lên.

Cái thứ nhất là tỷ lệ hoạt động theo tuần. Định nghĩa là “tỷ lệ người đã dùng AI tạo sinh cho đầu ra của nghiệp vụ thực, ít nhất một lần mỗi tuần”. Việc xác định tử số có thể dựa trên tự khai báo, nhưng khi đó phải yêu cầu kèm theo tên nghiệp vụ. Một khai báo không viết được tên nghiệp vụ thì nhiều khả năng không phải sử dụng trong nghiệp vụ thực. Lấy làm mốc thì nếu ở bộ phận có nghiệp vụ đối tượng được chọn tại lớp 1 mà giá trị này rơi xuống dưới 50% trong một tháng nào đó, thì đó là đối tượng cần truy nguyên nhân.

Cái thứ hai là tỷ lệ nhúng vào nghiệp vụ. Định nghĩa là “tỷ lệ nghiệp vụ đã được định nghĩa việc sử dụng AI tạo sinh trên SOP, trong số các nghiệp vụ đối tượng được chọn tại lớp 1”. Vì mẫu số cố định, ví dụ 20 nghiệp vụ, nên tiến độ nhìn rất tuyến tính. Nếu chỉ số này đứng yên trong khi tỷ lệ hoạt động theo tuần lại tăng, thì điều đó có nghĩa là những sáng kiến cá nhân đang tích lũy lại chứ với tư cách tổ chức thì chưa có gì được chốt. Chỉ cần một đợt luân chuyển là quay về vạch xuất phát.

Cái thứ ba là tỷ lệ ghi ngược. Định nghĩa là “tỷ lệ những cách dùng hiệu quả tìm ra tại hiện trường đã được phản ánh vào SOP hoặc bộ prompt”. Chỉ số này khó nắm mẫu số, nên trên thực tiễn hãy vận hành theo cách lấy số lượng sáng kiến được báo cáo trong buổi rà soát hằng tháng làm mẫu số. Ưu tiên tính liên tục hơn là tính chặt chẽ. Điều quan trọng là hằng tháng xác nhận rằng có tồn tại đường dẫn để sáng kiến được báo cáo, và có người phụ trách việc ghi ngược chúng.

Ba chỉ số này tương ứng một đối một với ba đứt gãy. Tỷ lệ hoạt động theo tuần trực quan hóa đứt gãy chỉ số, tỷ lệ nhúng vào nghiệp vụ trực quan hóa đứt gãy nghiệm thu vì muốn định nghĩa trên SOP thì phải chốt tiêu chuẩn nghiệm thu, còn tỷ lệ ghi ngược trực quan hóa đứt gãy ghi ngược. Cái nào trong ba đang thấp sẽ cho biết lớp nào cần được xử lý tiếp theo.

Chi phí và hoàn vốn đầu tư – tính thử cho 80 nhân sự khối gián tiếp tại cơ sở Thái Lan

Chuyển sang câu chuyện tiền bạc. Dưới đây là phép tính thử cho trường hợp thực hiện chương trình thúc đẩy sử dụng trong 12 tháng, đối tượng là 80 nhân sự khối gián tiếp tại một cơ sở ở Thái Lan. Vì các con số làm tiền đề khác nhau rất nhiều theo từng nhà máy, không thể áp thẳng số tiền này vào công ty mình. Đặc biệt đơn giá giờ công và thời gian cắt giảm trên mỗi người là những biến số cần thay thế, nên hãy đọc phần dưới như một khung để nắm trình tự tính toán.

Trước hết đặt các tiền đề.

Đơn giá giờ công 256 baht là giá trị lấy chi phí nhân công bình quân chia cho tổng giờ làm việc năm. Khi tính lại cho công ty mình, hãy dùng tổng chi phí nhân công đã bao gồm bảo hiểm xã hội, phúc lợi theo luật và tiền thưởng. Tính chỉ bằng lương cơ bản thì đơn giá bị thấp đi, và giá trị hiệu quả sẽ hiện ra thấp hơn thực tế.

Tiếp theo là phần chi phí của chương trình thúc đẩy sử dụng, cộng dồn theo 5 lớp triển khai.

Điều đập vào mắt trong bảng chi tiết này là hạng mục lớn nhất không phải đào tạo với 240,000 baht mà là ghi ngược với 320,000 baht. Trong các báo giá “đào tạo AI” thông thường, lớp thứ 4 này thường bị thiếu hoàn toàn. Thiếu thì bản đề xuất vẫn thành hình, nhưng như đã nói, cấu trúc khiến thành quả nằm lại trong cá nhân vẫn còn nguyên. Khi so sánh báo giá, nên kiểm tra trước xem khối lượng công sửa SOP có được tính vào hay không, thay vì so tổng số tiền.

Từ đây tính sang phía hiệu quả. Dưới đây so sánh 3 kịch bản khác nhau về tỷ lệ sử dụng thực tế. Thời gian cắt giảm trên mỗi người là giá trị đặt tạm, cần thay thế theo cơ cấu nghiệp vụ của chính công ty mình.

Kịch bản A là trường hợp phát license rồi kết thúc. Đặt tỷ lệ sử dụng thực tế là 25%. Số người thực sự dùng là 80 x 0.25 = 20 người. Đặt tạm mức cắt giảm 2.0 giờ mỗi tuần cho mỗi người, thì thời gian cắt giảm năm là 20 x 2.0 x 52 = 2,080 giờ/năm. Quy ra tiền là 2,080 x 256 = 532,480 THB/năm. Trong khi đó chi phí chỉ gồm license là 1,008,000 THB/năm. Chênh lệch là 532,480 – 1,008,000 = -475,520 THB/năm, tức lỗ đều đặn hằng năm. Ở cấu trúc này thì bản thân khái niệm hoàn vốn không thành lập, và vĩnh viễn không hoàn vốn.

Kịch bản B là trường hợp đưa chương trình thúc đẩy sử dụng vào và nâng tỷ lệ sử dụng thực tế lên 70%. Số người thực sự dùng là 80 x 0.70 = 56 người. Với tiền đề mức độ thành thạo tăng lên, đặt mức cắt giảm 2.5 giờ mỗi tuần cho mỗi người, thì thời gian cắt giảm năm là 56 x 2.5 x 52 = 7,280 giờ/năm. Quy ra tiền là 7,280 x 256 = 1,863,680 THB/năm. Chi phí năm đầu là license 1,008,000 cộng chi phí thúc đẩy sử dụng 1,130,000, tức 2,138,000 THB, nên chênh lệch năm đầu là 1,863,680 – 2,138,000 = -274,320 THB, vẫn lỗ. Sang năm thứ hai, chi phí là license 1,008,000 cộng riêng phần đồng hành 240,000, tức 1,248,000 THB, và chênh lệch chuyển thành lãi 1,863,680 – 1,248,000 = +615,680 THB/năm. Điểm hòa vốn lũy kế là 12 + 274,320 / (615,680 / 12) = 12 + 5.3, tức khoảng 17 tháng.

Và kịch bản đối chứng mới là cao trào của phần này. Hãy tính bằng đúng công thức đó cho trường hợp đã đưa chương trình thúc đẩy sử dụng vào nhưng tỷ lệ sử dụng thực tế chỉ dừng ở 50%. Số người dùng là 80 x 0.50 = 40 người. 40 x 2.5 x 52 = 5,200 giờ/năm, quy ra tiền là 5,200 x 256 = 1,331,200 THB/năm. Năm đầu là 1,331,200 – 2,138,000 = -806,800 THB. Từ năm thứ hai trở đi chỉ còn lại 1,331,200 – 1,248,000 = +83,200 THB/năm. Điểm hòa vốn lũy kế là 12 + 806,800 / (83,200 / 12) = 12 + 116, tức khoảng 128 tháng, xấp xỉ 10 năm rưỡi. Xét tới tốc độ lỗi thời của hệ thống và chu kỳ thay đổi tổ chức, đây là mức phải kết luận là thực chất không hoàn vốn.

Đặt ba kịch bản cạnh nhau, biến số tạo ra ngã rẽ hiện ra rất rõ.

Giữa kịch bản B và kịch bản đối chứng, thứ khác nhau chỉ là tỷ lệ sử dụng thực tế. Công cụ giống nhau, chi phí license giống nhau, chi phí hỗ trợ đã trả cũng cùng một mức 1,130,000 baht. Vậy mà thời gian hoàn vốn tách thành 17 tháng và 128 tháng. Nói cách khác, câu hỏi cần đặt ra khi ra quyết định đầu tư không phải “mua công cụ nào” mà là “cơ chế của chúng ta nâng được tỷ lệ sử dụng thực tế lên bao nhiêu phần trăm”. Và khoảng cách giữa 25% với 70% không phải chênh lệch về năng lực của mô hình, mà là chênh lệch giữa có lấp hay không lấp ba đứt gãy chỉ số, nghiệm thu và ghi ngược.

Nếu chưa tự tin vào bộ máy vận hành lớp 2 và lớp 4, thì lựa chọn không phải là “không triển khai” mà là “thu hẹp đối tượng rồi bắt đầu”. Đừng lấy cả 80 người làm đối tượng ngay, hãy bắt đầu với một bộ phận khoảng 20 người, và thu hẹp số nghiệp vụ còn 5 tới 7. Ở quy mô này thì chi phí hỗ trợ cũng giảm theo tỷ lệ, và trong vài tháng có thể xác nhận được tỷ lệ sử dụng thực tế có chạm tới 70% hay không. Với một khoản đầu tư có độ nhạy hoàn vốn cao đến vậy, kiểm chứng tính lặp lại trước khi mở rộng quy mô là cách làm hợp lý hơn.

90 ngày đầu tiên nên làm gì

Hãy dựng 90 ngày trên tiền đề không triển khai toàn công ty ngay. Mục đích không phải tạo ra thành quả, mà là xác nhận xem lớp 2 và lớp 4 có chạy được trong công ty mình hay không.

30 ngày đầu là giai đoạn thống nhất định nghĩa. Thu hẹp còn một bộ phận đối tượng, 5 tới 7 nghiệp vụ đối tượng, và đo thực tế công hiện tại của từng nghiệp vụ. Song song đó, văn bản hóa định nghĩa tỷ lệ sử dụng thực tế. Phải chốt tới cùng cả định nghĩa “dùng cho đầu ra của nghiệp vụ thực, ít nhất một lần mỗi tuần” lẫn phương pháp xác định, tức là dựa vào tự khai báo, dựa vào log, hay yêu cầu ghi kèm tên nghiệp vụ. Trong 30 ngày này không cần mua thêm license nào. Số tài khoản hiện có là đủ.

30 ngày tiếp theo bước vào lớp 2. Với từng nghiệp vụ đối tượng, viết ra ranh giới của thông tin được phép nhập và các mục cần kiểm tra ở đầu ra. Sản phẩm tạo ra ở đây không phải nội dung quy chế mà là checklist một trang cho mỗi nghiệp vụ. Quy chế thì không ai đọc, nhưng checklist thì được dùng. Đồng thời, chốt người chịu trách nhiệm nghiệm thu của từng nghiệp vụ bằng tên thật. Việc chốt bằng tên thật thay vì chức danh là rất quan trọng, và nghiệp vụ nào không điền được tên thì nên loại khỏi danh sách đối tượng ngay tại thời điểm đó. Nghiệp vụ không chốt được người chịu trách nhiệm thì đằng nào cũng sẽ không được dùng.

30 ngày cuối vận hành lớp 3 và lớp 4. Tổ chức một buổi thực hành, người tham dự chạy trên dữ liệu thật của chính mình. Hai tuần sau đó, chọn 2 tới 3 nghiệp vụ thực sự vẫn đang được dùng tiếp và viết lại bước tương ứng trong SOP. Đặt prompt vào nơi lưu chung và liên kết từ tài liệu quy trình tới đó. Chỉ cần có được một nghiệp vụ làm tới bước này, thì đã xác nhận được rằng công đoạn ghi ngược chạy được trong công ty. Nếu không ghi ngược được nghiệp vụ nào, thì phải gỡ nguyên nhân trước, vì mở rộng lên 80 người cũng chỉ lặp lại đúng chuyện cũ.

Con số cần nhìn vào cuối 90 ngày chỉ có một. Đó là số nghiệp vụ đã được sửa SOP trong các nghiệp vụ đối tượng. Không phải tỷ lệ tham dự đào tạo, cũng không phải điểm hài lòng. Nếu số SOP đã sửa bằng 0 thì không được mở rộng.

Câu hỏi thường gặp

Thúc đẩy sử dụng AI thực tế cụ thể là làm những gì?

Đó là công việc đi qua trọn vẹn 5 lớp gồm kiểm kê nghiệp vụ, quy chế sử dụng và thiết kế phân quyền, thực hành nghiệp vụ, ghi ngược vào tài liệu tác nghiệp chuẩn, và đồng hành cùng rà soát hằng tháng. Đào tạo chỉ là một trong năm lớp đó. Sản phẩm bàn giao không phải danh sách học viên mà là bộ tài liệu tác nghiệp chuẩn đã sửa, các mục kiểm tra theo từng nghiệp vụ, và dữ liệu diễn biến của tỷ lệ sử dụng thực tế. Định nghĩa sản phẩm bàn giao theo hình thức này ngay khi đặt hàng sẽ làm tiêu chuẩn nghiệm thu trở nên rõ ràng.

Nguyên nhân khiến AI tạo sinh không thấm được vào tổ chức là gì?

Nó quy về ba đứt gãy đã nêu trong bài. Một là không đo tỷ lệ sử dụng thực tế nên không phán đoán được biện pháp đúng hay sai. Hai là chưa chốt người chịu trách nhiệm về đầu ra AI nên hiện trường càng dùng càng phải tự gánh rủi ro. Ba là mẫu thành công không được ghi ngược vào tài liệu tác nghiệp chuẩn nên thành quả nằm lại trong cá nhân. Trường hợp nguyên nhân nằm ở năng lực công cụ hay chất lượng đào tạo thì trên thực tiễn gần như không gặp. Việc mối lo đứng đầu trong khảo sát của Teikoku Databank là độ chính xác của thông tin với 50.4% cho thấy vấn đề này đang hiện ra dưới dạng khâu nghiệm thu chưa được xây dựng.

Chi phí cho việc thúc đẩy sử dụng là bao nhiêu?

Phần tính thử trong bài đưa ra bảng chi tiết 1,130,000 baht với điều kiện cơ sở tại Thái Lan, 80 nhân sự khối gián tiếp, 12 tháng. Cộng thêm vào đó là license AI tạo sinh 1,008,000 baht mỗi năm. Tuy nhiên đây là giá trị phụ thuộc vào quy mô và số nghiệp vụ đối tượng, tức 20 nghiệp vụ, nên nếu thu hẹp còn một bộ phận 20 người và 5 nghiệp vụ thì chi phí giảm đi rất nhiều. Khi so sánh báo giá, cách làm thực tiễn là kiểm tra xem khối lượng công sửa SOP ở lớp thứ 4 có được tính vào hay không, thay vì so tổng số tiền. Một báo giá thiếu phần này, dù nhìn có vẻ rẻ, vẫn để nguyên cấu trúc khiến thành quả nằm lại trong cá nhân.

Chỉ đào tạo thôi thì có đủ không?

Không đủ. Đào tạo tương ứng với lớp thứ 3 trong 5 lớp triển khai. Nếu lớp 1 là kiểm kê nghiệp vụ chưa xong thì không chốt được đề tài đưa vào đào tạo, nếu lớp 2 là nghiệm thu chưa chốt thì người học không dùng được ngay từ tuần sau, và nếu không có lớp 4 là ghi ngược thì thành quả nằm lại trong cá nhân. Tình huống điểm hài lòng của khóa học rất cao mà 3 tháng sau tỷ lệ sử dụng thực tế không nhúc nhích xảy ra chính vì cấu trúc này. Nói ngược lại, nếu lớp 1 và lớp 2 đã xong thì bản thân phần đào tạo thường chỉ cần thời lượng ngắn là đủ.

Nên dạy nhân viên bản địa người Thái như thế nào?

Đừng bắt đầu từ nội dung nhập môn. Theo Microsoft Work Trend Index 2026, trong số người lao động Thái Lan thì Frontier Professionals chiếm 32%, gấp đôi mức trung bình thế giới 16%, và số người dùng đầu ra AI làm điểm khởi đầu lên tới 89%. Phần hướng dẫn cách dùng nhiều khả năng đã được biết tới. Mặt khác, tỷ lệ coi việc quản lý chất lượng đầu ra AI là quan trọng chỉ 53%, đứng thứ 5 trong 6 nước Đông Nam Á, và tỷ lệ coi tư duy phản biện là quan trọng là 45%, thấp nhất khu vực. Vì vậy trọng tâm cần đặt không phải cách dùng mà là các mục kiểm tra và quy trình nghiệm thu theo từng nghiệp vụ. Tài liệu giảng dạy và checklist nên chuẩn bị bằng hai ngôn ngữ Nhật và Thái, để việc ghi ngược không khép kín trong nhóm nhân viên Nhật được cử sang.

Kết luận

Nguyên nhân khiến AI tạo sinh không còn được dùng không nằm ở năng lực công cụ hay chất lượng đào tạo. Nó nằm ở chỗ chỉ số đang đo là “số đã phát ra” chứ không phải “số đã được nhúng vào nghiệp vụ”. Từ đây phái sinh ra ba đứt gãy. Đứt gãy chỉ số, khi không đo tỷ lệ sử dụng thực tế nên không phán đoán được biện pháp đúng sai. Đứt gãy nghiệm thu, khi chưa chốt người chịu trách nhiệm về đầu ra AI nên hiện trường tự động ngừng dùng. Và đứt gãy ghi ngược, khi mẫu thành công không quay về tài liệu tác nghiệp chuẩn nên thành quả biến mất cùng với cá nhân.

Và điều mà khảo sát doanh nghiệp kéo dài ba năm với 22 công ty và 2,724 người chỉ ra là 85% nhân sự chuyên môn đã và đang dùng AI. Vấn đề không phải nhân viên không dùng, mà là tổ chức chưa thích ứng được với những nhân viên đang dùng. Nói cách khác, thúc đẩy sử dụng không phải công việc huấn luyện nhân viên, mà là công việc phía tổ chức làm lại định nghĩa nghiệp vụ, tiêu chuẩn nghiệm thu và tài liệu tác nghiệp chuẩn. Tại cơ sở Thái Lan, cấu trúc này còn rõ nét hơn nữa. Đối lại tư thế chủ động với Frontier Professionals 32% và 89% dùng đầu ra làm điểm khởi đầu, tỷ lệ coi quản lý chất lượng là quan trọng chỉ 53%, còn tư duy phản biện là 45% và thấp nhất khu vực. Biện pháp để bắt người ta dùng là không cần thiết, đặt trước cơ chế buộc phải nghiệm thu mới là trình tự đúng.

Bản chất của quyết định đầu tư cũng nằm đúng chỗ đó. Trong phép tính thử của bài, với cùng một khoản chi phí hỗ trợ 1,130,000 baht, nếu tỷ lệ sử dụng thực tế chạm 70% thì hoàn vốn trong khoảng 17 tháng, còn nếu dừng ở 50% thì mất khoảng 128 tháng và thực chất không hoàn vốn. Thứ quyết định ngã rẽ này không phải chênh lệch năng lực mô hình mà là việc có lấp được ba đứt gãy hay không. Trước khi lấy báo giá license, nếu chốt được trong nội bộ ba điểm là đo tỷ lệ sử dụng thực tế bằng cách nào, ai nghiệm thu đầu ra, và ai sửa SOP, thì cuộc thảo luận sau đó sẽ cụ thể hơn rất nhiều.

TOMAS TECH đang triển khai việc hỗ trợ đưa AI tạo sinh vào sử dụng thực tế cho các doanh nghiệp sản xuất Nhật Bản tại Thái Lan và ASEAN, bao gồm từ kiểm kê nghiệp vụ, quy chế sử dụng và thiết kế phân quyền, thực hành nghiệp vụ, ghi ngược vào tài liệu tác nghiệp chuẩn, cho tới việc đồng hành hằng tháng. Bạn có thể bắt đầu từ những khâu sắp xếp ban đầu như nên định nghĩa tỷ lệ sử dụng thực tế của công ty mình ra sao, hay nên xây tiêu chuẩn nghiệm thu từ nghiệp vụ nào trước. Nếu thấy hữu ích như một nguồn tư liệu để cân nhắc, xin cứ thoải mái trao đổi qua trang liên hệ, kể cả khi bạn vẫn còn đang ở giai đoạn xem xét.

Nguồn tham khảo

• Microsoft unveils 2026 AI work trends for Thailand – Microsoft Source Asia
• Microsoft Work Trend Index – xu hướng sử dụng AI của người lao động Thái Lan – The Story Thailand
• Khảo sát doanh nghiệp về ứng dụng AI tạo sinh (tháng 3 năm 2026, 10,312 phản hồi hợp lệ) – Teikoku Databank
• Khảo sát thực trạng ứng dụng AI tạo sinh với 1,008 quản lý cấp trung – コーレ, đăng trên CommercePick
• Three-Year Enterprise AI Study – AI Adoption Is No Longer the Challenge, Organizational Adaptation Is
• UOB Business Outlook Study 2026 – tình hình triển khai AI của SME Thái Lan – ThaiPR
• AI adoption helps Thai firms become digitally mature – Bangkok Post
• Thailand’s AI use surges to 43% but most firms still struggle in adoption – SME Asia