Năm ngộ nhận về GenAI trong doanh nghiệp: giải mã báo cáo MIT NANDA
Năm ngộ nhận về GenAI trong doanh nghiệp - Phân tích MIT NANDA 2025, lộ trình 30/90/270 ngày.
Tóm tắt nhanh
Một là, báo cáo gọi hiện trạng này là GenAI Divide: đầu tư lớn nhưng giá trị thực tế bị chia rẽ. Theo MIT, 95% tổ chức hiện không thấy tác động kinh doanh; chỉ 5% pilot tích hợp thành công đang tạo ra hàng triệu USD giá trị.
Hai là, công cụ dạng ChatGPT/Copilot rất phổ biến với hơn 80% tổ chức đã thử, gần 40% báo cáo đã có triển khai. Nhưng đó chủ yếu là tăng hiệu quả cá nhân, không phải thay đổi doanh thu hay chi phí ở cấp doanh nghiệp.
Ba là, sự sụt giảm từ khảo sát → pilot → production: nhiều dự án được nghiên cứu, một số pilot, rất ít lên production; cấu trúc biểu đồ cho thấy chỉ ~5% dự án enterprise task-specific đạt production.
Những con số này là nền tảng cho mọi phân tích tiếp theo. Nghiên cứu của MIT dựa trên 300+ triển khai công khai, 52 phỏng vấn và 153 phản hồi lãnh đạo; báo cáo cũng ghi rõ đây là “preliminary findings” (báo cáo sơ bộ).
Giải mã từng ngộ nhận
Một là: “AI sắp thay phần lớn việc”
Thực tế MIT ghi nhận ảnh hưởng nhân lực là có, nhưng chọn lọc và chậm. Thay đổi tập trung ở các chức năng đã outsource hoặc quy trình tiêu chuẩn hóa như hỗ trợ khách hàng, xử lý hành chính, và các tác vụ lập đi lập lại; tỉ lệ giảm nhân lực trong các chức năng này được báo cáo trong khoảng 5–20% ở những tổ chức đã tối một cách bài bản và có phương pháp. Điều này có nghĩa: tự động hóa xảy ra từng bước, không phải là một đợt sa thải ồ ạt.
Hệ quả: chính sách nhân sự và reskilling phải hướng tới sự chuyển đổi dần dần (gradual transition), ưu tiên kỹ năng “thành thạo AI” (“AI literacy”) cho tuyển dụng và đào tạo làm việc.
Hai là: “Generative AI đang đại tu doanh nghiệp”
MIT chỉ ra rằng 7/9 ngành chưa có thay đổi cấu trúc lớn; chỉ Tech, Telecom và Media cho thấy dấu hiệu disruption rõ. GenAI nhiều khi cải thiện hiệu suất ở bề mặt, chứ chưa phá vỡ mô hình kinh doanh nền tảng.
Hệ quả: lãnh đạo không nên đặt cược vào “AI = tái cấu trúc tức thời”. Thay vào đó, chọn các bài toán có thể đo lường ROI trực tiếp, đặc biệt ở back-office.
Ba là: “Enterprise chậm chạp, ngồi chờ”
Trái lại, báo cáo thấy 90% doanh nghiệp đã nghiêm túc xem xét mua giải pháp GenAI; vấn đề không phải là thiếu hứng thú, mà là khó scale từ pilot lên production. Enterprises pilot nhiều, nhưng họ thường thất bại ở bước mở rộng.
Hệ quả: tốc độ không phải là bài toán thiếu ý chí, mà là bài toán thiết kế giải pháp, tích hợp (integration), phản hồi (feedback loop) và làm chủ (ownership).
Bốn là: “Vướng lớn nhất là model quality, pháp lý, dữ liệu”
Báo cáo kết luận nguyên nhân cốt lõi là learning gap: hầu hết hệ thống không giữ phản hồi, không học theo ngữ cảnh, không thích nghi theo quy trình. Khi tool không “học”, người dùng bỏ. Model tốt thôi chưa đủ nếu nó không nhớ các tri thức doanh nghiệp và không cải thiện theo trải nghiệm thực tế.
Hệ quả: tiêu chuẩn đánh giá vendor phải chuyển từ “benchmark model” sang “khả năng học, nhớ, tích hợp”.
Năm là: “Tự xây là lựa chọn tốt nhất”
MIT thấy tỉ lệ thành công của build internal thấp hơn buy-with-partnership. Theo báo cáo, external partnerships cho tỉ lệ triển khai thành công ~67% so với ~33% cho build nội bộ, mặc dù số liệu là self-reported.
Hệ quả: doanh nghiệp nên cân nhắc mô hình “mua như BPO”, yêu cầu tùy biến nghiêm túc, cam kết KPI, và đặt đội front-line làm chủ.
Shadow AI, hiện tượng quan trọng mà lãnh đạo thường bỏ qua
Báo cáo gọi đây là “shadow AI economy”: nhân viên dùng ChatGPT/Claude cá nhân để giải quyết công việc, tần suất rất cao. 90% người được khảo sát dùng LLM cá nhân, nhưng chỉ 40% công ty mua subscription chính thức. Chính nhân viên đang chỉ ra đâu là giá trị thực tiễn.
Ý nghĩa chiến lược: thay vì đàn áp shadow AI, doanh nghiệp thông minh sẽ quan sát, phân tích các pattern sử dụng cá nhân, chọn những use case có traction để mua giải pháp enterprise phù hợp.
Bài học hành động cho lãnh đạo (kế hoạch thực thi, có thể áp dụng cho Việt Nam)
Mình tóm thành checklist có thể biến thành lộ trình 30–90–270 ngày.
Một là, chọn bài toán back-office dễ đo ROI. Ví dụ: nhập hóa đơn, tóm tắt hợp đồng, phân loại tickets. Các startup thành công bắt đầu ở workflows hẹp, có time-to-value ngắn.
Hai là, mua như BPO, không mua như SaaS. Yêu cầu vendor tùy biến theo quy trình, cam kết KPI và thời gian cải thiện cụ thể. Đặt đội line manager chịu trách nhiệm áp dụng vào thực tế (adoption), không giao toàn bộ cho phòng R&D.
Ba là, đặt “khả năng học tri thức doanh nghiệp” làm tiêu chí hàng đầu. Bao gồm: persistent memory, feedback loop, và khả năng cải thiện theo dữ liệu thực tế. Những hệ thống này tạo ra switching costs và lợi thế lâu dài.
Bốn là, quan sát shadow AI. Thu thập ví dụ thực tế nhân viên dùng công cụ cá nhân. Phân loại use case có traction, rồi procurement có thể nhanh chóng hợp thức hóa và scale.
Năm là, đo bằng KPI vận hành, không chỉ metric model. Ví dụ: thời gian xử lý trung bình, tỉ lệ lỗi giảm, chi phí BPO tiết kiệm. ROI phải được đo end-to-end, sau 3–6 tháng để thấy xu hướng.
Rủi ro chiến lược: Agentic Web và Khóa vendor
MIT cảnh báo cửa sổ cơ hội hẹp. Những vendor có hệ thống học, nhớ, và tích hợp sâu sẽ tạo switching cost lớn. Họ có thể “khóa” (lock-in) doanh nghiệp trong vòng 12–18 tháng, nếu doanh nghiệp chậm quyết. Đồng thời các chuẩn như NANDA, MCP, A2A đang hình thành một kiến trúc Agentic Web.
Hậu quả: nếu mua, hãy đàm phán điều khoản dữ liệu và exit strategy, giữ bản sao dữ liệu huấn luyện và khả năng portability khi có thể.
Kết luận
Seneca nói: “Không có gió thuận cho con thuyền không biết đi đâu.” Với GenAI, công sức lớn nhất không phải là model đẹp, mà là biết dùng gió, tức là biết đặt mục tiêu rõ ràng, chọn workflow, đo lường, và thiết kế hệ thống để nó học.
Tài liệu tham khảo chính
MIT Project NAND: The GenAI Divide - State of AI in Business 2025, nghiên cứu Jan–Jun 2025, dựa trên 300+ public implementations, 52 structured interviews, 153 senior leader surveys.
