AI trí tuệ nhân tạo, chìa khóa để mở rộng quy mô kinh doanh gấp trăm lần

Viết bài: vas

Biên tập: AididiaoJP, Foresight News

AI không phải là phép thuật, nhưng cũng không đơn giản đến mức “xây một chương trình AI, tự động xử lý mọi thứ, chờ đợi lợi nhuận”. Hầu hết mọi người thực ra không rõ AI thực sự là gì.

Và những người thực sự hiểu rõ (dưới 5%) thường tự mình thử xây dựng, kết quả thường thất bại. Các hệ thống trí tuệ sẽ xuất hiện “ảo giác”, sẽ quên mất mình đã làm đến bước nào trong nhiệm vụ, hoặc gọi nhầm công cụ khi không cần thiết. Khi trình diễn thì hoạt động hoàn hảo, nhưng vào môi trường sản xuất thì ngay lập tức sụp đổ.

Tôi đã triển khai hệ thống AI hơn một năm rồi. Sự nghiệp phần mềm của tôi bắt đầu từ Meta, nhưng nửa năm trước tôi nghỉ việc thành lập một công ty chuyên cung cấp hệ thống AI sản xuất cho doanh nghiệp. Hiện tại doanh thu định kỳ hàng năm của chúng tôi đã đạt 3 triệu USD và vẫn đang tăng trưởng. Điều này không phải vì chúng tôi thông minh hơn người khác, mà là vì chúng tôi đã thử sai nhiều lần, thất bại nhiều, cuối cùng đã tìm ra công thức thành công.

Dưới đây là tất cả những gì tôi đã học được trong quá trình xây dựng hệ thống trí tuệ thực sự khả dụng. Dù bạn là người mới bắt đầu, chuyên gia, hay nằm giữa hai, những kinh nghiệm này đều phù hợp.

Bài học thứ nhất: Ngữ cảnh là tất cả

Nghe có vẻ rõ ràng, có thể bạn đã nghe qua rồi. Nhưng chính vì nó quan trọng như vậy, nên cần nhấn mạnh đi nhấn mạnh lại. Nhiều người nghĩ rằng xây dựng hệ thống trí tuệ chỉ là kết nối các công cụ lại với nhau: chọn một mô hình, mở quyền truy cập cơ sở dữ liệu, rồi bỏ mặc nó. Cách làm này sẽ ngay lập tức thất bại, có vài lý do:

Hệ thống không biết đâu là điểm chính. Nó không biết chuyện gì đã xảy ra năm bước trước, chỉ nhìn thấy bước hiện tại, rồi đoán xem tiếp theo nên làm gì (và thường đoán sai), cuối cùng chỉ còn phó mặc vào may rủi.

Ngữ cảnh, thường là sự khác biệt căn bản giữa một hệ thống trí tuệ trị giá hàng triệu đô và một hệ thống vô giá trị. Bạn cần tập trung và tối ưu hóa các khía cạnh sau:

Hệ thống nhớ gì: Không chỉ là nhiệm vụ hiện tại, mà còn bao gồm toàn bộ lịch sử dẫn đến trạng thái hiện tại. Ví dụ, khi xử lý phát hiện sai hoá đơn, hệ thống cần biết: lỗi được kích hoạt như thế nào, ai đã gửi hoá đơn gốc, áp dụng chính sách nào, nhà cung cấp lần trước gặp vấn đề ra sao. Không có những lịch sử này, hệ thống chỉ là đoán mò, tệ hơn cả không có trí tuệ. Bởi nếu do con người xử lý, vấn đề đã sớm được giải quyết rồi. Điều này cũng giải thích tại sao có người phàn nàn “AI thật khó dùng”.

Thông tin di chuyển như thế nào: Khi bạn có nhiều hệ thống trí tuệ, hoặc một hệ thống xử lý nhiều bước, thông tin phải truyền chính xác qua các giai đoạn, không bị mất, hỏng hoặc hiểu nhầm. Hệ thống phân loại yêu cầu, phải truyền ngữ cảnh sạch sẽ, có cấu trúc cho hệ thống giải quyết vấn đề. Nếu việc chuyển giao không cẩn thận, downstream sẽ rối loạn. Điều này đòi hỏi mỗi bước đều có đầu vào và đầu ra có thể xác minh, có cấu trúc. Ví dụ là chức năng /compact trong Claude Code, giúp truyền ngữ cảnh giữa các phiên LLM khác nhau.

Hệ thống hiểu biết về lĩnh vực kinh doanh: Hệ thống kiểm tra hợp đồng pháp lý phải rõ các điều khoản quan trọng, đánh giá rủi ro, chính sách thực tế của công ty là gì. Bạn không thể chỉ đưa cho nó một đống tài liệu rồi mong nó tự hiểu điểm chính, đó là trách nhiệm của bạn. Và trách nhiệm của bạn còn bao gồm cung cấp tài nguyên theo cách có cấu trúc để hệ thống có thể có kiến thức lĩnh vực.

Biểu hiện của quản lý ngữ cảnh kém là: hệ thống quên đã có câu trả lời rồi lại gọi cùng một công cụ; hoặc nhận sai thông tin rồi gọi nhầm công cụ; hoặc đưa ra quyết định mâu thuẫn với các bước trước; thậm chí mỗi lần đều xem nhiệm vụ như mới hoàn toàn, bỏ qua các mẫu rõ ràng đã xuất hiện trong các nhiệm vụ tương tự trước đó.

Quản lý ngữ cảnh tốt giúp hệ thống như một chuyên gia kinh doanh dày dạn: nó có thể liên kết các thông tin khác nhau mà không cần bạn phải nói rõ mối quan hệ của chúng.

Ngữ cảnh là yếu tố quyết định giữa “chỉ có thể trình diễn” và “thực sự vận hành trong môi trường sản xuất và giao hàng”.

Bài học thứ hai: Hệ thống AI là bộ nhân đôi kết quả

Quan điểm sai lầm: “Có nó rồi, không cần tuyển người nữa.”

Quan điểm đúng: “Có nó rồi, ba người có thể làm công việc của mười lăm người trước đây.”

Hệ thống trí tuệ cuối cùng sẽ thay thế một phần nhân lực, không thừa nhận điều này chỉ là tự lừa dối chính mình. Nhưng mặt tích cực là: hệ thống không thay thế quyết định của con người, mà loại bỏ các ma sát xung quanh quyết định của con người, như tìm kiếm tài liệu, thu thập dữ liệu, đối chiếu chéo, định dạng, phân phối nhiệm vụ, nhắc nhở theo dõi v.v.

Ví dụ: nhóm tài chính vẫn cần ra quyết định về các trường hợp bất thường, nhưng có hệ thống AI, họ không còn phải mất 70% thời gian cuối kỳ để tìm kiếm các chứng từ thiếu nữa, mà có thể dùng thời gian đó để thực sự giải quyết vấn đề. Hệ thống hoàn thành tất cả công việc nền tảng, con người chỉ làm phần phê duyệt cuối cùng. Theo kinh nghiệm của tôi khi phục vụ khách hàng, thực tế là: các doanh nghiệp không cắt giảm nhân sự vì vậy. Công việc của nhân viên sẽ chuyển đổi, từ các thao tác thủ công rườm rà sang các nhiệm vụ có giá trị hơn, ít nhất hiện tại như vậy. Tất nhiên, về lâu dài, khi AI phát triển hơn nữa, tình hình có thể sẽ thay đổi.

Các công ty thực sự hưởng lợi từ hệ thống AI không phải là những công ty chỉ muốn loại bỏ con người khỏi quy trình, mà là những công ty nhận ra rằng: phần lớn thời gian của nhân viên dành cho “công việc chuẩn bị”, chứ không phải phần tạo ra giá trị thực sự.

Theo hướng này khi thiết kế hệ thống AI, bạn không cần phải quá chú trọng vào “độ chính xác”: để hệ thống làm tốt phần nó giỏi, còn con người tập trung vào phần con người giỏi.

Điều này cũng giúp bạn triển khai nhanh hơn. Không cần hệ thống AI xử lý tất cả các tình huống cực đoan, chỉ cần nó xử lý tốt các tình huống phổ biến, còn các ngoại lệ phức tạp thì chuyển cho con người – kèm theo ngữ cảnh đủ để họ nhanh chóng xử lý. Ít nhất, trong giai đoạn này, nên làm như vậy.

Bài học thứ ba: Quản lý trí nhớ và trạng thái

Cách hệ thống AI lưu trữ thông tin trong một nhiệm vụ và qua các nhiệm vụ quyết định khả năng mở rộng của nó.

Có ba mô hình phổ biến:

Hệ thống độc lập: Xử lý toàn bộ quy trình làm việc từ đầu đến cuối. Cách này dễ xây dựng nhất vì tất cả ngữ cảnh đều ở một nơi. Nhưng khi quy trình dài hơn, quản lý trạng thái sẽ trở thành thách thức: hệ thống phải nhớ các quyết định đã đưa ra ở bước thứ ba, để dùng khi đến bước thứ mười. Nếu ngữ cảnh bị đầy hoặc cấu trúc ghi nhớ không phù hợp, các quyết định sau sẽ thiếu thông tin ban đầu, dẫn đến sai sót.

Hệ thống song song: Xử lý các phần khác nhau của cùng một vấn đề cùng lúc. Tốc độ nhanh hơn, nhưng phát sinh vấn đề phối hợp: kết quả ra sao khi hai hệ thống đưa ra kết luận mâu thuẫn? Phải có quy ước rõ ràng để hợp nhất thông tin, giải quyết xung đột. Thường cần có “trọng tài” (con người hoặc hệ thống LLM khác) để xử lý xung đột hoặc điều kiện cạnh tranh.

Hệ thống hợp tác theo trình tự: Chuyển giao công việc theo thứ tự. Hệ thống A phân loại, chuyển sang B nghiên cứu, rồi chuyển sang C thực thi giải pháp. Mô hình này phù hợp với quy trình rõ ràng, nhưng chuyển giao dễ gặp vấn đề. Những gì hệ thống A học được phải được truyền dưới dạng mà hệ thống B có thể dùng trực tiếp.

Phần lớn người mắc sai lầm là: xem các mô hình này như “giải pháp thực thi”. Thực ra, chúng là các quyết định kiến trúc, quyết định trực tiếp giới hạn khả năng của hệ thống.

Ví dụ, bạn muốn xây dựng hệ thống AI xử lý phê duyệt hợp đồng bán hàng, thì phải quyết định: để một hệ thống đảm nhiệm toàn bộ hay thiết kế một hệ thống phân luồng, phân phối nhiệm vụ cho các hệ thống chuyên môn như định giá, pháp lý, phê duyệt cấp cao? Chỉ khi rõ quy trình thực tế, bạn mới có thể dạy các quy trình này cho hệ thống của mình.

Lựa chọn như thế nào? Phụ thuộc vào độ phức tạp của từng bước, lượng ngữ cảnh cần truyền giữa các giai đoạn, và việc các bước có cần phối hợp theo thời gian thực hay thực hiện theo trình tự.

Nếu chọn sai kiến trúc, bạn có thể mất vài tháng để sửa các vấn đề không phải do lỗi phần mềm. Thật ra, là do thiết kế, vấn đề giữa bạn, câu hỏi cần giải quyết và giải pháp của bạn không phù hợp về kiến trúc.

Bài học thứ tư: Chủ động chặn các ngoại lệ, chứ không chỉ báo cáo sau khi xảy ra

Khi làm hệ thống AI, nhiều người phản ứng đầu tiên là: làm một bảng điều khiển, hiển thị thông tin để mọi người biết chuyện gì đang xảy ra. Thật sự, đừng làm bảng điều khiển nữa.

Bảng điều khiển vô dụng.

Nhóm tài chính đã biết sớm về thiếu chứng từ, nhóm bán hàng cũng biết hợp đồng bị kẹt ở pháp lý rồi.

Hệ thống AI nên can thiệp trực tiếp khi có vấn đề, chuyển cho người phù hợp để giải quyết, đồng thời cung cấp tất cả thông tin cần thiết, thực thi ngay lập tức.

Hóa đơn đến nhưng thiếu tài liệu? Đừng chỉ ghi vào báo cáo. Phải đánh dấu ngay, làm rõ ai cần bổ sung gì, chuyển vấn đề cùng ngữ cảnh đầy đủ (nhà cung cấp, số tiền, chính sách áp dụng, thiếu gì cụ thể) cho họ. Đồng thời, chặn không cho ghi nhận giao dịch này cho đến khi vấn đề được giải quyết. Bước này rất quan trọng, nếu không, vấn đề sẽ “rò rỉ” khắp tổ chức, bạn không kịp sửa.

Phê duyệt hợp đồng quá 24 giờ không có phản hồi? Đừng chờ họ báo cáo cuộc họp. Tự động nâng cấp, đính kèm chi tiết giao dịch, giúp người phê duyệt quyết định nhanh mà không cần dò hệ thống. Phải có cảm giác cấp bách.

Nhà cung cấp không hoàn thành mốc thời gian đúng hạn? Đừng chờ ai đó phát hiện. Tự động kích hoạt phương án ứng phó, bắt đầu xử lý trước khi ai đó nhận ra vấn đề.

Nhiệm vụ của hệ thống AI là: khiến các vấn đề không thể bị bỏ qua, và việc giải quyết cực kỳ dễ dàng.

Phải trực tiếp phát hiện vấn đề, chứ không chỉ gián tiếp qua bảng điều khiển.

Điều này trái ngược hoàn toàn cách các công ty sử dụng AI hiện nay: họ dùng AI để “nhìn thấy” vấn đề, còn bạn nên dùng AI để “bắt buộc” giải quyết vấn đề, và phải nhanh. Khi tỷ lệ giải quyết vấn đề gần 100%, hãy nghĩ đến việc làm bảng điều khiển để xem xét.

Bài học thứ năm: AI vs SaaS chung cho kinh tế

Các doanh nghiệp liên tục mua các công cụ SaaS không ai dùng là có lý do.

SaaS dễ mua: có demo, có báo giá, trong danh sách yêu cầu có thể tick chọn. Ai duyệt rồi, cứ thế mà tiến (dù thực tế không phải vậy).

Mua SaaS AI tệ nhất là, nó thường chỉ để đó. Nó không tích hợp vào quy trình thực tế, trở thành một hệ thống cần đăng nhập nữa. Bạn buộc phải di chuyển dữ liệu, sau một tháng nó chỉ là thêm một nhà cung cấp cần quản lý. Sau 12 tháng, nó bị bỏ đi, nhưng bạn không thể bỏ vì chi phí chuyển đổi quá cao, dẫn đến “nợ công nghệ”.

Hệ thống AI tùy chỉnh dựa trên hệ thống của bạn sẽ tránh được vấn đề này.

Nó chạy trong các công cụ bạn đã dùng, không tạo ra nền tảng công việc mới, ngược lại còn giúp hoàn thành công việc nhanh hơn. Hệ thống xử lý nhiệm vụ, con người chỉ xem kết quả.

Chi phí thực sự không phải là “chi phí phát triển vs chi phí cấp phép”, mà là logic đơn giản hơn:

SaaS tích tụ “nợ kỹ thuật”: mỗi lần mua một công cụ, lại thêm một hệ thống tích hợp cần bảo trì, một hệ thống sắp lỗi thời, một nhà cung cấp có thể bị mua lại / chuyển đổi / đóng cửa.

Tự xây hệ thống AI tích lũy “năng lực”: mỗi lần cải tiến làm hệ thống thông minh hơn, mỗi quy trình mới mở rộng khả năng. Đầu tư là lãi kép, không giảm giá trị theo thời gian.

Vì vậy, tôi đã nói suốt năm qua: SaaS AI chung không có tương lai. Dữ liệu ngành cũng chứng minh: phần lớn doanh nghiệp mua SaaS AI trong vòng 6 tháng là ngưng dùng, và không thấy tăng năng suất. Những doanh nghiệp thực sự hưởng lợi từ AI là những công ty có hệ thống AI tùy chỉnh, dù tự phát triển hay thuê bên thứ ba.

Đây là lý do tại sao các công ty nắm bắt hệ thống hệ thống từ sớm sẽ có lợi thế dài hạn về cấu trúc: họ xây dựng hạ tầng ngày càng mạnh mẽ hơn. Những người khác chỉ thuê các công cụ sẽ sớm phải thay. Trong thời đại biến đổi từng tháng này, mỗi tuần lãng phí là tổn thất lớn cho lộ trình sản phẩm và toàn bộ kinh doanh của bạn.

Bài học thứ sáu: Triển khai nhanh

Nếu dự án hệ thống AI của bạn mất một năm mới ra mắt, đã thua rồi.

Kế hoạch không theo kịp thay đổi. Quy trình bạn thiết kế rất có thể không phù hợp thực tế, các tình huống ngoại lệ bạn không lường trước thường quan trọng nhất. Sau 12 tháng, lĩnh vực AI có thể đã thay đổi hoàn toàn, sản phẩm của bạn có thể đã lỗi thời.

Tối đa 3 tháng, phải đưa vào vận hành.

Trong thời đại bùng nổ thông tin này, năng lực thực sự là: biết cách khai thác hiệu quả thông tin, hợp tác chứ không chống đối. Phải làm việc thực sự: xử lý nhiệm vụ thực, ra quyết định thực, để lại hồ sơ có thể truy xuất.

Tôi thấy phổ biến nhất là: nhóm phát triển nội bộ thường ước lượng dự án AI ban đầu 3 tháng thành 6–12 tháng. Hoặc tệ hơn – nói 3 tháng, rồi sau đó liên tục hoãn vì lý do “bất ngờ”. Không hoàn toàn trách họ, vì lĩnh vực AI thực sự phức tạp.

Vì vậy, bạn cần kỹ sư hiểu AI thật sự: họ hiểu cách AI vận hành quy mô, đã gặp vấn đề trong thực tế, rõ khả năng và giới hạn của AI. Hiện có quá nhiều “kỹ thuật nửa vời”, nghĩ rằng AI làm được mọi thứ – điều này quá xa thực tế. Nếu bạn là kỹ sư phần mềm muốn bước vào lĩnh vực AI doanh nghiệp, bạn phải nắm vững giới hạn thực tế của AI.

Tổng kết

Xây dựng hệ thống AI khả dụng dựa trên các điểm chính sau:

Ngữ cảnh quyết định tất cả: Hệ thống AI không có ngữ cảnh tốt chỉ là bộ sinh số ngẫu nhiên đắt tiền. Phải đảm bảo luồng thông tin, lưu trữ trí nhớ lâu dài, nhúng kiến thức lĩnh vực. Trước đây mọi người cười gọi là “kỹ sư prompt”, giờ gọi là “kỹ sư ngữ cảnh” là phiên bản 2.0 của nó.

Thiết kế để “tăng hiệu quả” chứ không “thay thế”: Để con người làm những việc họ giỏi, để hệ thống AI dọn đường, giúp con người tập trung hơn.

Kiến trúc quan trọng hơn mô hình: Quyết định dùng hệ thống độc lập, song song hay hợp tác quan trọng hơn là chọn mô hình nào. Đầu tiên phải làm đúng kiến trúc.

Chặn và giải quyết vấn đề, chứ không chỉ báo cáo và xem lại: Bảng điều khiển là “mộ phần” của vấn đề. Phải xây hệ thống thúc đẩy vấn đề được giải quyết nhanh.

Ra mắt nhanh, liên tục cải tiến: Hệ thống AI tốt nhất là hệ đã vận hành trong môi trường sản xuất và không ngừng hoàn thiện, chứ không phải đang trong giai đoạn thiết kế. (Và phải theo sát lịch trình của bạn)

Các yếu tố khác là chi tiết.

Công nghệ đã sẵn sàng, nhưng có thể bạn chưa sẵn sàng.

Hiểu rõ điều này, bạn có thể mở rộng quy mô kinh doanh gấp 100 lần.