Một thực trạng phổ biến hiện nay là doanh nghiệp cấp tài khoản AI cho nhân viên hoặc triển khai thử một chatbot. Sau giai đoạn đầu, hoạt động sử dụng giảm dần vì nhân viên không biết đưa AI vào công việc nào, lãnh đạo không đo được hiệu quả và dự án không có cơ sở để tiếp tục mở rộng.

Vấn đề không nhất thiết nằm ở năng lực sử dụng AI. Trong nhiều trường hợp, doanh nghiệp chưa xác định rõ khách hàng đang gặp khó khăn gì, quy trình nào đang tạo ra lãng phí và kết quả kinh doanh nào cần được cải thiện.

MỤC LỤC

CarMax: Không bắt đầu bằng “tạo nhiều content AI”

CarMax là một trong những nhà bán lẻ xe đã qua sử dụng lớn tại Mỹ. Với hàng chục nghìn xe và rất nhiều dòng xe, doanh nghiệp sở hữu một lượng lớn đánh giá của khách hàng.

Về lý thuyết, CarMax có thể dùng AI cho rất nhiều hoạt động: viết quảng cáo, chăm sóc khách hàng, định giá xe, hỗ trợ bán hàng hoặc tạo nội dung website. Nhưng use case đầu tiên doanh nghiệp lựa chọn lại rất cụ thể: tóm tắt đánh giá của người dùng cho các trang nghiên cứu xe.

Khách hàng muốn biết những người từng sử dụng một mẫu xe nhận xét thế nào. Tuy nhiên, một mẫu xe có thể có hàng nghìn đánh giá. Đọc toàn bộ là việc gần như không khả thi, còn đội ngũ nội dung không thể tự viết bản tóm tắt cho mọi dòng xe, phiên bản và năm sản xuất.

CarMax đã sử dụng Azure OpenAI để tổng hợp khoảng 100.000 đánh giá thành các nội dung ngắn, giúp người mua nhanh chóng nắm được đặc điểm nổi bật của từng mẫu xe. Mục tiêu ban đầu là tạo bản tóm tắt cho 5.000 trang. Nếu thực hiện bằng quy trình thủ công, doanh nghiệp ước tính cần khoảng 11 năm; với AI, mục tiêu được hoàn thành trong vài tháng và khoảng 80% nội dung vượt qua bước duyệt biên tập.

Điều đáng chú ý là CarMax không loại bỏ hoàn toàn con người khỏi quy trình. Nội dung do AI tạo ra vẫn được nhân viên kiểm tra để bảo đảm phù hợp với ngữ cảnh và giọng điệu thương hiệu.

Case này cho thấy một bài toán AI tốt thường có bốn thành phần rõ ràng:

Một khó khăn thật của khách hàng: quá nhiều đánh giá, khó tìm ra thông tin quan trọng.
Một công việc có khối lượng lớn: đọc, phân loại và tóm tắt hàng trăm nghìn nội dung.
Một đầu ra cụ thể: bản tóm tắt ngắn cho từng trang xe.
Một tiêu chí đánh giá: thời gian hoàn thành và tỷ lệ nội dung được biên tập viên chấp nhận.

Khi bài toán khách hàng đã rõ, vai trò của AI cũng trở nên rõ ràng.

Morgan Stanley: Chọn một nỗi đau gần với công việc hằng ngày

Trong lĩnh vực tài chính, việc ứng dụng AI khó hơn vì yêu cầu cao về bảo mật, độ chính xác và tuân thủ. Một câu trả lời sai không chỉ gây bất tiện mà còn có thể ảnh hưởng đến khách hàng và uy tín của tổ chức.

Morgan Stanley Wealth Management có một kho tài liệu nội bộ lớn. Các cố vấn tài chính cần thường xuyên tìm kiếm thông tin về sản phẩm, thị trường, chính sách và quy định để phục vụ khách hàng. Trước đây, vấn đề không phải là doanh nghiệp thiếu dữ liệu mà là nhân viên khó tiếp cận đúng thông tin vào đúng thời điểm.

Thay vì bắt đầu bằng một trợ lý AI có thể “làm mọi thứ”, Morgan Stanley tập trung vào một nhu cầu rõ ràng: giúp cố vấn tìm kiếm và truy xuất kiến thức nội bộ nhanh hơn.

Doanh nghiệp phát triển AI @ Morgan Stanley Assistant, một trợ lý nội bộ hỗ trợ cố vấn đặt câu hỏi và tìm thông tin trong kho tài liệu của tổ chức. Hệ thống được tích hợp hoạt động kiểm thử hằng ngày, sử dụng bộ câu hỏi mẫu để phát hiện điểm yếu và cải thiện độ chính xác. Doanh nghiệp cũng áp dụng cơ chế không lưu giữ dữ liệu nhằm giải quyết những lo ngại liên quan đến thông tin độc quyền.

Theo case study do OpenAI công bố, hơn 98% nhóm cố vấn của Morgan Stanley Wealth Management sử dụng các công cụ AI như Assistant. Khả năng tiếp cận tài liệu tăng từ khoảng 20% lên 80%, giúp giảm thời gian tìm kiếm và dành nhiều thời gian hơn cho mối quan hệ khách hàng.

Nếu Morgan Stanley chỉ tổ chức một khóa học về cách dùng chatbot, nhân viên có thể biết viết câu lệnh nhưng vấn đề truy xuất kiến thức nội bộ vẫn chưa được giải quyết. Giá trị xuất hiện khi doanh nghiệp kết nối ba yếu tố: dữ liệu riêng, quy trình tìm kiếm thông tin và nhu cầu phục vụ khách hàng.

Doanh nghiệp vẫn cần bảo mật, đánh giá chất lượng, cơ chế kiểm soát và con người chịu trách nhiệm. Nhưng khi mục tiêu được thu hẹp, các yêu cầu kỹ thuật và quản trị cũng dễ xác định hơn.

DBS Bank: Từ hàng trăm ý tưởng đến use case có giá trị

Khi AI trở nên phổ biến, một doanh nghiệp lớn có thể nhận được hàng trăm đề xuất từ các phòng ban. Tuy nhiên, có nhiều ý tưởng không đồng nghĩa với việc có nhiều dự án tốt.

DBS Bank là ví dụ cho cách một tổ chức xây dựng hệ thống để liên tục lựa chọn, triển khai và nhân rộng các use case AI.

Năm 2023, nhân viên DBS tạo ra hơn 240 ý tưởng GenAI nhưng chỉ hơn 20 use case được đưa vào triển khai. Điều này cho thấy giữa “ý tưởng thú vị” và “bài toán đáng đầu tư” luôn cần một quá trình sàng lọc.

DBS không xem AI là dự án riêng của phòng công nghệ. Ngân hàng tổ chức các nhóm làm việc theo hành trình khách hàng, trong đó chuyên gia dữ liệu được đưa vào các nhóm liên chức năng để cùng phát hiện vấn đề và thử nghiệm giải pháp. Một trong những use case được triển khai là trợ lý AI cho nhân viên chăm sóc khách hàng, giúp giảm khoảng 20% thời gian xử lý cuộc gọi.

Đến năm 2025, DBS cho biết đã triển khai hơn 2.000 mô hình AI trong hơn 430 use case, tạo ra giá trị kinh tế khoảng 1 tỷ SGD. Ngân hàng đồng thời xây dựng một framework GenAI gồm các thành phần tái sử dụng, quy chuẩn quản trị, workflow và hướng dẫn prompt để các nhóm có thể triển khai nhanh hơn nhưng vẫn kiểm soát được rủi ro.

Ở cấp độ nghiệp vụ, các use case cũng được gắn với kết quả rõ ràng: GenAI giúp giảm 60% thời gian xử lý điều kiện giao dịch thương mại; trợ lý cho nhân viên chăm sóc khách hàng giảm đến 20% thời gian cuộc gọi; còn chatbot DBS Joy đạt hơn 20.000 người dùng và điểm hài lòng khách hàng tăng 23% trong sáu tháng.

Xem thêm: Top 8 Công Việc Cực Hot Trong Kỷ Nguyên AI

Moderna: Đào tạo AI không dừng ở việc sử dụng công cụ

Moderna cho thấy một hướng đi khác. Thay vì chỉ triển khai một giải pháp tập trung, doanh nghiệp muốn hàng nghìn nhân viên có thể phát hiện và xây dựng các use case AI trong chính công việc của mình.

Tuy nhiên, việc cấp công cụ cho toàn bộ nhân viên chưa đủ để tạo ra kết quả. Moderna triển khai đồng thời nhiều hoạt động quản trị thay đổi: nghiên cứu nhu cầu người dùng, tổ chức đào tạo trực tiếp và trực tuyến, xây trợ lý học tập AI, tổ chức cuộc thi prompt và lựa chọn 100 người dùng tích cực để hình thành nhóm Generative AI Champions.

Trong vòng hai tháng, nhân viên đã tạo 750 GPT tùy chỉnh; 40% người dùng hoạt động hằng tuần tự tạo GPT và mỗi người thực hiện trung bình 120 cuộc hội thoại mỗi tuần.

Nhưng con số sử dụng chưa phải phần quan trọng nhất. Các GPT được xây dựng cho những bài toán cụ thể: tóm tắt hợp đồng, tra cứu chính sách, chuẩn bị tài liệu truyền thông nhà đầu tư hoặc hỗ trợ phân tích dữ liệu thử nghiệm lâm sàng.

Điểm đáng học hỏi từ Moderna là doanh nghiệp không cố xác định toàn bộ use case từ trên xuống. Họ đào tạo nhân viên, tạo môi trường thử nghiệm, xây cộng đồng nội bộ và để chính những người gần công việc nhất phát hiện bài toán.

Lời kết

Rào cản lớn nhất khi ứng dụng AI đôi khi không nằm ở công nghệ, mà ở việc doanh nghiệp chưa hiểu đủ sâu vấn đề của chính mình.

Nếu hỏi “AI có thể làm gì?”, câu trả lời gần như không có giới hạn. Nhưng khi hỏi “Khách hàng đang cần điều gì?” hoặc “Công việc nào đang làm tổ chức chậm lại?”, doanh nghiệp sẽ biết đâu là điều cần ưu tiên.

Trong cuộc đua AI, lợi thế vì thế không thuộc về doanh nghiệp sử dụng nhiều công cụ nhất. Nó thuộc về tổ chức hiểu rõ mình muốn thay đổi điều gì, đủ kiên nhẫn để kiểm chứng và đủ kỷ luật để biến công nghệ thành một phần của cách làm việc hằng ngày.

Thông tin liên hệ:

Trụ sở chính: Lux 6, Vinhomes Golden River, Số 2 Tôn Đức Thắng, Quận 1, HCM
Văn phòng Hà Nội: Tòa nhà Charmvit, số 117 Trần Duy Hưng, Phường Trung Hòa, Quận Cầu Giấy, Hà Nội.
Văn phòng Đà Nẵng: 02B Lê Lợi, Hải Châu, Đà Nẵng.
Điện thoại: 0908.993.022
Email: ai@nodex.asia
Fanpage: NodeX Asia