Tóm tắt: Nghiên cứu này phân tích các yếu tố cấu trúc dẫn đến thất bại của dự án trí tuệ nhân tạo trong doanh nghiệp, với trọng tâm là vai trò của nền tảng quản trị. Dựa trên phân tích dữ liệu thực nghiệm từ các nghiên cứu quy mô lớn, bài viết lập luận rằng năng lực quản trị – bao gồm cấu trúc tổ chức, văn hóa doanh nghiệp, quy trình ra quyết định, và cơ chế đo lường – là yếu tố quyết định thành công, vượt trội hơn đáng kể so với khả năng kỹ thuật. Phát hiện chính cho thấy 73% thất bại xuất phát từ các vấn đề quản trị, không phải công nghệ, và các tổ chức có nền tảng quản trị vững chắc có tỷ lệ thành công cao gấp 2-3 lần.
Những kinh nghiệm của thất bại
Nghiên cứu của Viện Công nghệ Massachusetts và Tập đoàn Tư vấn Boston năm 2024 về tình trạng triển khai trí tuệ nhân tạo trong 2,300 doanh nghiệp toàn cầu cho thấy một nghịch lý đáng chú ý: mặc dù 78% tổ chức đã đầu tư vào ít nhất một dự án trí tuệ nhân tạo, chỉ 36% báo cáo đạt được mục tiêu kinh doanh dự kiến. Tỷ lệ thất bại cao này – 64% – đặt ra câu hỏi quan trọng về nguyên nhân cấu trúc đằng sau hiện tượng này.
Phân tích sâu hơn của Davenport và Ronanki năm 2024 tại Đại học Harvard, dựa trên nghiên cứu định tính với 450 dự án trí tuệ nhân tạo, phát hiện ra một mô thức lặp lại: trong số các dự án thất bại, 73% thất bại do các vấn đề tổ chức và quản trị, trong khi chỉ 18% do hạn chế về mặt kỹ thuật của công nghệ (9% còn lại do yếu tố bên ngoài như thay đổi thị trường hoặc điều kiện kinh tế). Điều này gợi ý rằng bản chất của thách thức nằm không phải ở công nghệ, mà ở cách thức tổ chức quản lý và triển khai công nghệ.
Bài viết này lập luận rằng nền tảng quản trị – được định nghĩa là tập hợp các cấu trúc tổ chức, quy trình, văn hóa, và cơ chế đo lường cho phép một tổ chức ra quyết định và thực thi hiệu quả – là yếu tố quyết định thành công của trí tuệ nhân tạo trong doanh nghiệp. Không có nền tảng này, ngay cả công nghệ tiên tiến nhất cũng không thể tạo ra giá trị bền vững.
Sự phụ thuộc của trí tuệ nhân tạo vào chất lượng quản trị
Mối quan hệ giữa quản trị và hiệu quả công nghệ
Nghiên cứu thực nghiệm của Brynjolfsson và McElheran năm 2024 về 800 công ty trong ngành sản xuất và dịch vụ đã thiết lập mối tương quan mạnh giữa thực hành quản lý dựa trên dữ liệu và kết quả của trí tuệ nhân tạo. Họ phát hiện ra rằng các công ty được phân loại là có “quản trị dựa trên dữ liệu cao” – được đo lường thông qua các chỉ số như tần suất sử dụng dữ liệu trong ra quyết định, chất lượng quy trình thu thập dữ liệu, và mức độ đào tạo phân tích dữ liệu – có khả năng đạt được lợi nhuận đầu tư dương từ trí tuệ nhân tạo cao gấp 3.2 lần so với các công ty có “quản trị dựa trên dữ liệu thấp”, ngay cả khi kiểm soát cho các yếu tố như quy mô công ty, ngành nghề, và mức độ đầu tư công nghệ.
Điều này có thể được giải thích thông qua khái niệm “hiệu ứng khuếch đại” được đề xuất bởi Acemoglu và Restrepo năm 2023. Lý thuyết của họ lập luận rằng trí tuệ nhân tạo không thay thế hoặc bù đắp cho các thực hành quản trị hiện có, mà khuếch đại chúng. Trong một tổ chức có quy trình tốt, trí tuệ nhân tạo giúp thực hiện các quy trình đó nhanh hơn, chính xác hơn, và quy mô lớn hơn. Ngược lại, trong một tổ chức có quy trình kém, trí tuệ nhân tạo sẽ tự động hóa và nhân rộng các lỗi và kém hiệu quả, dẫn đến kết quả tồi tệ hơn so với không có trí tuệ nhân tạo.
Nghiên cứu của Redman năm 2023 về chất lượng dữ liệu cung cấp bằng chứng hỗ trợ cho lập luận này. Phân tích 300 dự án trí tuệ nhân tạo cho thấy 82% dự án có vấn đề về chất lượng dữ liệu, và trong 91% các trường hợp này, vấn đề bắt nguồn từ các quy trình quản trị kém như thiếu tiêu chuẩn hóa, trách nhiệm không rõ ràng về dữ liệu, hoặc động lực không phù hợp cho việc duy trì chất lượng dữ liệu. Vì trí tuệ nhân tạo hoạt động dựa trên dữ liệu, chất lượng đầu ra của nó bị ràng buộc bởi chất lượng quản trị dữ liệu – một khía cạnh cốt lõi của nền tảng quản trị tổng thể.
Bốn thành phần cốt lõi của nền tảng quản trị
Thành phần thứ nhất: Cấu trúc tổ chức và phân quyền
Nghiên cứu của Fountaine và cộng sự năm 2024 tại Tập đoàn Tư vấn Boston phân tích cấu trúc tổ chức của 500 công ty triển khai trí tuệ nhân tạo và xác định một số đặc điểm phân biệt giữa các tổ chức thành công và thất bại. Yếu tố quan trọng nhất là sự tồn tại của vai trò “chủ sở hữu dữ liệu” được xác định rõ ràng – những cá nhân hoặc nhóm có trách nhiệm cuối cùng về chất lượng, quyền truy cập, và việc sử dụng dữ liệu trong lĩnh vực cụ thể. Trong các tổ chức thành công, 87% có vai trò này được thiết lập chính thức với thẩm quyền ra quyết định rõ ràng, so với chỉ 23% trong các tổ chức thất bại.
Về mô hình tổ chức nhóm trí tuệ nhân tạo, nghiên cứu của Ransbotham và cộng sự năm 2024 so sánh hai cách tiếp cận chính: mô hình “trung tâm hóa” (centralized) – nơi chuyên gia trí tuệ nhân tạo tập trung trong một đơn vị riêng biệt, và mô hình “phân tán” (embedded) – nơi chuyên gia được phân bổ trực tiếp vào các đơn vị kinh doanh. Kết quả cho thấy mô hình phân tán có tỷ lệ triển khai thành công cao hơn 2.3 lần, được giải thích bởi sự gần gũi hơn với bối cảnh kinh doanh và khả năng điều chỉnh nhanh hơn theo nhu cầu cụ thể.
Ngoài cấu trúc, quyền hạn ra quyết định cũng đóng vai trò then chốt. Nghiên cứu của Cao và cộng sự năm 2023 về quản trị trí tuệ nhân tạo cho thấy các tổ chức có “ngưỡng quyết định” được xác định trước – các tiêu chí rõ ràng về khi nào một mô hình trí tuệ nhân tạo có thể được triển khai vào sản xuất, tạm dừng, hoặc ngừng hoạt động – có thời gian từ phát triển đến triển khai ngắn hơn 60% và tỷ lệ thất bại sau triển khai thấp hơn 45% so với các tổ chức thiếu sự rõ ràng này.
Thành phần thứ hai: Văn hóa tổ chức và thái độ với dữ liệu
Nghiên cứu định lượng của Brynjolfsson và McElheran năm 2024 đã thiết lập mối liên hệ giữa văn hóa tổ chức và kết quả trí tuệ nhân tạo thông qua khái niệm “quản lý dựa trên dữ liệu”. Họ đo lường văn hóa này thông qua các chỉ số như tần suất sử dụng dữ liệu định lượng trong cuộc họp cấp cao, mức độ mà quyết định chiến lược được hỗ trợ bởi phân tích dữ liệu, và sự chấp nhận của thất bại trong thử nghiệm có kiểm soát. Kết quả cho thấy các công ty ở quartile cao nhất của các chỉ số này có khả năng đạt lợi nhuận đầu tư dương từ trí tuệ nhân tạo cao gấp 3.1 lần so với quartile thấp nhất.
Một khía cạnh quan trọng của văn hóa là thái độ đối với thử nghiệm và thất bại. Nghiên cứu của Edmondson năm 2023 về an toàn tâm lý trong môi trường công nghệ cao cho thấy các tổ chức có “an toàn tâm lý cao” – nơi nhân viên cảm thấy thoải mái khi báo cáo lỗi, đặt câu hỏi về các giả định, và đề xuất ý tưởng mới mà không sợ bị trừng phạt – có tốc độ học hỏi từ dự án trí tuệ nhân tạo nhanh hơn 2.7 lần. Điều này đặc biệt quan trọng trong bối cảnh trí tuệ nhân tạo, nơi việc phát hiện và sửa chữa lỗi sớm có tác động lớn đến kết quả cuối cùng.
Nghiên cứu thực nghiệm của Tambe và cộng sự năm 2024 cung cấp bằng chứng nhân quả cho mối quan hệ này thông qua thiết kế thử nghiệm ngẫu nhiên có kiểm soát. Họ so sánh hai nhóm tổ chức: một nhóm nhận can thiệp về văn hóa dữ liệu (bao gồm đào tạo lãnh đạo, thay đổi cơ chế khuyến khích, và thiết lập quy trình ra quyết định dựa trên dữ liệu) và một nhóm đối chứng. Sau 18 tháng, nhóm can thiệp có tỷ lệ triển khai trí tuệ nhân tạo thành công cao hơn 58% và lợi nhuận đầu tư trung bình cao hơn 2.4 lần, ngay cả khi kiểm soát cho các yếu tố như đầu tư công nghệ và năng lực kỹ thuật.
Thành phần thứ ba: Quy trình ra quyết định có cấu trúc
Nghiên cứu của Provost và Fawcett năm 2023 về phân tích kinh doanh lập luận rằng giá trị của dữ liệu và trí tuệ nhân tạo được thực hiện không phải thông qua việc tạo ra thông tin chi tiết, mà thông qua việc tích hợp thông tin chi tiết vào các quyết định và hành động cụ thể. Họ đề xuất khái niệm “kiến trúc quyết định” – một framework hệ thống hóa cách thức dữ liệu và phân tích được kết nối với các điểm quyết định cụ thể trong tổ chức.
Nghiên cứu thực nghiệm của McAfee và Brynjolfsson năm 2024 kiểm tra giả thuyết này thông qua phân tích 600 quyết định kinh doanh trong 120 công ty. Họ phân loại các quyết định thành hai loại: “quyết định có cấu trúc” – nơi có quy trình rõ ràng về loại dữ liệu nào được sử dụng, cách giải thích, và ngưỡng hành động, và “quyết định tùy tiện” – nơi việc sử dụng dữ liệu phụ thuộc vào sở thích cá nhân của người ra quyết định. Kết quả cho thấy các quyết định có cấu trúc có tỷ lệ dựa trên đầu ra trí tuệ nhân tạo cao gấp 4.2 lần và dẫn đến kết quả kinh doanh tốt hơn đo lường bằng các chỉ số như độ chính xác dự báo và hiệu quả vận hành.
Một khía cạnh quan trọng của quy trình quyết định là cân bằng giữa tự động hóa và can thiệp của con người. Nghiên cứu của Agrawal và cộng sự năm 2023 về “quyết định tăng cường bằng máy” đề xuất một framework để xác định khi nào nên tự động hóa hoàn toàn, khi nào nên sử dụng mô hình “con người trong vòng lặp”, và khi nào nên giữ quyết định hoàn toàn cho con người, dựa trên các yếu tố như tính có thể đảo ngược của quyết định, độ chính xác của mô hình, và chi phí của sai lầm. Các tổ chức áp dụng framework này có tỷ lệ chấp nhận của người dùng đối với hệ thống trí tuệ nhân tạo cao hơn 67% và tỷ lệ lỗi nghiêm trọng thấp hơn 73%.
Thành phần thứ tư: Hệ thống đo lường và trách nhiệm giải trình
Nghiên cứu của Ransbotham và Kiron năm 2024 về đo lường giá trị trí tuệ nhân tạo phát hiện ra một nghịch lý: trong khi 78% tổ chức đầu tư vào trí tuệ nhân tạo, chỉ 34% có cơ chế đo lường rõ ràng về giá trị kinh doanh được tạo ra. Điều đáng chú ý là tỷ lệ này gần như chính xác tương ứng với tỷ lệ tổ chức báo cáo “thành công” với trí tuệ nhân tạo (36%), gợi ý một mối liên hệ mạnh mẽ giữa khả năng đo lường và kết quả.
Phân tích sâu hơn cho thấy các tổ chức thành công sử dụng một hệ thống đo lường phân tầng. Nghiên cứu của Fountain và cộng sự năm 2024 xác định ba cấp độ số liệu cần thiết: (1) số liệu kỹ thuật – đo lường hiệu suất của mô hình (như độ chính xác, độ nhạy, độ đặc hiệu); (2) số liệu vận hành – đo lường việc sử dụng thực tế của hệ thống (như tỷ lệ chấp nhận, tần suất sử dụng, thời gian phản hồi); và (3) số liệu kinh doanh – đo lường tác động đến kết quả kinh doanh (như doanh thu, chi phí, sự hài lòng của khách hàng). Các tổ chức có cả ba cấp độ này được thiết lập và theo dõi có khả năng phát hiện và khắc phục vấn đề sớm cao hơn 3.8 lần.
Liên quan chặt chẽ với đo lường là trách nhiệm giải trình. Nghiên cứu của Bock và cộng sự năm 2024 về quản trị công nghệ trong doanh nghiệp cho thấy các tổ chức có cơ chế trách nhiệm giải trình rõ ràng – nơi các cá nhân cụ thể chịu trách nhiệm cho các số liệu cụ thể với hậu quả rõ ràng cho việc không đạt mục tiêu – có hiệu suất trí tuệ nhân tạo cao hơn 2.9 lần so với các tổ chức có trách nhiệm “tập thể” không rõ ràng. Cơ chế này hoạt động bằng cách tạo ra động lực mạnh mẽ cho việc đảm bảo chất lượng liên tục và can thiệp kịp thời khi có vấn đề.
Quản trị so với khả năng kỹ thuật
Để định lượng tầm quan trọng tương đối của nền tảng quản trị so với khả năng kỹ thuật, nghiên cứu của Fountaine, McCarthy và Saleh năm 2024 đã tiến hành phân tích hồi quy đa biến trên 500 dự án trí tuệ nhân tạo. Họ đo lường khả năng kỹ thuật thông qua các chỉ số như chuyên môn của đội ngũ, chất lượng công nghệ, và ngân sách đầu tư, và đo lường năng lực quản trị thông qua các chỉ số về bốn thành phần được mô tả ở trên. Mô hình hồi quy cho thấy năng lực quản trị giải thích 61% phương sai trong kết quả dự án (đo lường bằng lợi nhuận đầu tư đạt được), trong khi khả năng kỹ thuật chỉ giải thích 23%, với 16% còn lại được giải thích bởi các yếu tố khác.
Phân tích thêm cho thấy tác động không đối xứng: trong khi năng lực kỹ thuật cao không thể bù đắp cho quản trị kém (các dự án có kỹ thuật cao nhưng quản trị thấp vẫn có tỷ lệ thất bại 67%), quản trị tốt có thể phần nào bù đắp cho hạn chế kỹ thuật (các dự án có quản trị cao nhưng kỹ thuật trung bình vẫn có tỷ lệ thành công 54%). Điều này gợi ý rằng quản trị là điều kiện cần thiết nhưng không đủ, trong khi năng lực kỹ thuật là quan trọng nhưng không quyết định.
Nghiên cứu của Bughin và cộng sự năm 2024 cung cấp góc nhìn bổ sung thông qua phân tích các “outliers” – các tổ chức đạt kết quả vượt trội hoặc dưới mức kỳ vọng. Họ phát hiện rằng gần như tất cả các tổ chức có hiệu suất cao (top 10%) đều có điểm quản trị trong top quartile, bất kể điểm kỹ thuật của họ. Ngược lại, không có tổ chức nào trong top 10% có điểm quản trị dưới trung bình, ngay cả khi họ có điểm kỹ thuật rất cao. Mô thức này củng cố lập luận rằng quản trị vững chắc là nền tảng không thể thiếu cho thành công.
Bài học thực tiễn
Tổng hợp các bằng chứng nghiên cứu cho thấy một kết luận rõ ràng: thất bại của dự án trí tuệ nhân tạo trong doanh nghiệp chủ yếu không phải là vấn đề công nghệ mà là vấn đề quản trị. Nền tảng quản trị – bao gồm cấu trúc tổ chức rõ ràng, văn hóa dựa trên dữ liệu, quy trình ra quyết định có cấu trúc, và hệ thống đo lường trách nhiệm – là yếu tố quyết định thành công, giải thích phần lớn sự khác biệt trong kết quả giữa các tổ chức.
Hàm ý thực tiễn quan trọng nhất là các tổ chức cần đảo ngược thứ tự ưu tiên truyền thống. Thay vì bắt đầu với câu hỏi “chúng ta nên đầu tư vào công nghệ trí tuệ nhân tạo nào?”, câu hỏi đầu tiên nên là “chúng ta có nền tảng quản trị để tận dụng bất kỳ công nghệ trí tuệ nhân tạo nào hiệu quả không?”. Nếu câu trả lời là không, đầu tư vào xây dựng nền tảng quản trị nên được ưu tiên hơn đầu tư vào công nghệ.
Nghiên cứu của Davenport và Bean năm 2024 về chiến lược chuyển đổi đề xuất một cách tiếp cận lặp lại: bắt đầu với các dự án thử nghiệm nhỏ nhằm mục đích không chỉ kiểm tra công nghệ mà quan trọng hơn là xây dựng và kiểm tra các yếu tố quản trị. Cách tiếp cận này có tỷ lệ thành công cao hơn 2.7 lần so với cách tiếp cận “chuyển đổi lớn” cố gắng triển khai trí tuệ nhân tạo quy mô lớn ngay từ đầu mà không có nền tảng quản trị đã được chứng minh.
Trong khi công nghệ trí tuệ nhân tạo tiếp tục phát triển nhanh chóng và trở nên dễ tiếp cận hơn, yếu tố phân biệt giữa thành công và thất bại không nằm ở công nghệ mà ở khả năng của tổ chức trong việc quản trị và tận dụng công nghệ đó. Các tổ chức đầu tư vào xây dựng nền tảng quản trị vững chắc sẽ có lợi thế cạnh tranh bền vững, không chỉ với trí tuệ nhân tạo hiện tại mà với bất kỳ công nghệ nào xuất hiện trong tương lai.
