Chỉ 5% công cụ AI doanh nghiệp vào được sản xuất

Theo hướng dẫn của CodeIT, chỉ khoảng 5% công cụ AI chuyên biệt cho doanh nghiệp đi vào sản xuất, theo số liệu MIT Project NANDA năm 2025. Phân tích xếp hạng tám nhóm use case và đưa ra một nguyên tắc thực dụng: bắt đầu từ quy trình có dữ liệu nền, chi phí bên ngoài và kết quả đo được.

Ưu tiên bài toán có thể kiểm chứng

Các quy trình hậu cần nội bộ có đường cơ sở rõ ràng thường giúp doanh nghiệp tính được lợi ích trước khi đầu tư. Khi AI xử lý một khoản chi đang phát sinh hoặc một công việc có thể đo thời gian, tỷ lệ lỗi và sản lượng, nhóm triển khai có cơ sở để so sánh trước – sau.

Khả năng kiểm chứng cũng khác nhau theo loại bài toán. Mô hình dự báo và phân loại có thể được backtest trên dữ liệu lịch sử trước khi xây dựng. Với AI tạo sinh, doanh nghiệp phải thiết kế bộ đánh giá bằng con người; không thể mặc định rằng một câu trả lời nghe hợp lý là câu trả lời chính xác.

Chấm điểm trước khi cấp ngân sách

CodeIT đề xuất ma trận chấm từ 0 đến 2 điểm trên sáu tiêu chí: đường cơ sở, loại chi phí, khả năng kiểm chứng, mức sẵn sàng dữ liệu, dư địa cải thiện độ chính xác và thiết kế bước rà soát. Use case đạt 10–12 điểm có thể được cấp vốn; mức 7–9 điểm phù hợp với proof of concept. Dưới 7 điểm, nút thắt nằm ở điều kiện đầu vào, không phải ở khâu kỹ thuật.

Điều đó đặc biệt đáng chú ý với dữ liệu. CodeIT dẫn dự báo của Gartner rằng đến hết năm 2026, doanh nghiệp sẽ từ bỏ 60% dự án AI không được hỗ trợ bởi dữ liệu sẵn sàng cho AI. Thêm ngân sách cho mô hình sẽ không giải quyết được dữ liệu thiếu hoặc quy trình đánh giá yếu.

Từ thử nghiệm đến vận hành

Hai ví dụ của CodeIT cho thấy cách gắn AI với quy trình cụ thể: công cụ tuyển dụng chấm CV theo từng yêu cầu, hiển thị lý do và kết nối nền tảng HRM để bỏ bước nhập CV thủ công; hệ thống hỗ trợ ngành FMCG tự động hóa một phần hoạt động hỗ trợ. Đây là những hướng triển khai có thể xác định đầu việc và điểm kiểm tra, thay vì bắt đầu bằng mục tiêu tự động hóa toàn diện.

Theo tôi, doanh nghiệp nên xem khả năng đo lường và kiểm soát là điều kiện vào cửa, không phải bước tối ưu sau khi mua công nghệ. Một proof of concept nhỏ, có dữ liệu và tiêu chí đánh giá rõ, đáng giá hơn một kế hoạch AI quy mô lớn nhưng chưa xác định được cách chứng minh hiệu quả.

Điểm cần nhớ

• Chọn quy trình có baseline và chi phí đo được.
• Backtest mô hình dự báo; xây bộ đánh giá con người cho AI tạo sinh.
• Chấm điểm dữ liệu và khâu rà soát trước khi duyệt ngân sách.

Nguồn tham khảo: CodeIT

Tác giả: Cường Nguyễn — Founder AI Ops Solutions | Verified n8n Creator. Kết nối: Facebook · LinkedIn · YouTube · TikTok