Say thử nghiệm, ngại triển khai

Trí tuệ nhân tạo (AI) đã giúp cải thiện rõ rệt năng suất làm việc của các công ty. Các dự án thử nghiệm bằng AI cũng tăng trưởng theo nhưng phần lớn dự án đều không sống sót đến giai đoạn triển khai trên diện rộng. 
 
Truy tìm nguyên nhân
Báo cáo hiện trạng ứng dụng AI trong doanh nghiệp 2026 của Deloitte chỉ ra rằng chỉ 25% doanh nghiệp đã đưa ít nhất 40% các dự án AI thử nghiệm vào vận hành thực tế.
Chia sẻ tại sự kiện Conviction 2026, ông Nikolay Vlasov, Giám đốc Dự án Hạ tầng Phân tán Toàn cầu của Amazon Web Services (AWS), cho rằng nguyên nhân thường bị hiểu sai khi đưa AI từ thử nghiệm vào vận hành thực tế nằm ở khả năng xử lý và duy trì ngữ cảnh.

Ở giai đoạn thử nghiệm, phạm vi hoạt động của mô hình thường được kiểm soát chặt: từ câu lệnh, dữ liệu được phép truy cập đến các công cụ mô hình có thể sử dụng. Nhưng khi bước vào môi trường doanh nghiệp, mô hình phải kết nối với hàng chục hệ thống, mỗi hệ thống có cách thức kết nối và cơ chế phân quyền khác nhau. Quyền truy cập thậm chí có thể nằm sâu trong các thư mục, nhóm quyền hoặc hệ thống quản lý danh tính mà đôi khi doanh nghiệp không nắm rõ cách thiết lập. Nói cách khác, khi bước vào môi trường thực, dữ liệu cần tiếp cận hoặc cần xử lý rộng hơn dẫn đến nhiều biến số mà các hệ thống chưa từng gặp phải trong quá trình thử nghịệm. “Vì vậy, một mô hình có thể hoạt động rất tốt trong giai đoạn thử nghiệm nhưng lại thất bại khi đưa vào triển khai thực tế”, ông Vlasov nói.

Dạy AI tự thích nghi với môi trường
Ông Huy Nguyễn, chuyên viên tư vấn giải pháp Khách hàng, Google Cloud, cho rằng vấn đề thường không nằm ở việc mô hình AI “chưa đủ thông minh” mà ở chỗ AI không nhìn thấy những thông tin cần thiết. Nếu không được thiết lập quyền truy cập và khả năng truy vấn dữ liệu thì với AI, những thông tin đó gần như không tồn tại. 

Đây cũng là lý do cách tiếp cận với AI trong doanh nghiệp đang thay đổi. Sau giai đoạn tập trung vào kỹ thuật xây dựng câu lệnh (prompt engineering) và quản lý ngữ cảnh (context engineering), các doanh nghiệp bắt đầu chú ý đến kỹ thuật xây dựng môi trường vận hành cho AI (harness engineering). 

Mục tiêu không phải là đưa ngày càng nhiều thông tin cho AI, mà là giúp nó nhìn thấy đúng thông tin cần thiết. Điều này nghe có vẻ đơn giản nhưng lại dễ bị bỏ qua. Một bộ hướng dẫn ban đầu chỉ vài chục dòng có thể phình lên hàng ngàn, thậm chí hàng chục ngàn dòng sau nhiều lần bổ sung. “Nhưng nhiều thông tin hơn không đồng nghĩa với kết quả tốt hơn. AI có thể bị quá tải và chi phí xử lý cũng tăng theo”, ông Huy chia sẻ.

Cách tiếp cận phù hợp hơn là chia nhỏ và lập chỉ mục dữ liệu, để AI chỉ truy cập phần thông tin liên quan, thay vì phải xử lý toàn bộ dữ liệu cùng lúc. Quan trọng không kém là cơ chế kiểm tra. Khi AI cho kết quả không như mong muốn, việc đơn giản yêu cầu nó thử lại có thể tạo ra một vòng lặp tốn thời gian, tài nguyên và chi phí. Hệ thống cần có cơ chế kiểm tra, phản hồi và điều chỉnh để xác định vấn đề nằm ở dữ liệu, kết quả hay cách thực hiện nhiệm vụ. 

Điều này đặc biệt quan trọng đối với các hệ thống vận hành bởi AI Agent (một dạng AI tự quyết định các bước cần làm và tự thực hiện chúng để đạt được một mục đích nào đó do doanh nghiệp đề ra) hoặc số lượng AI Agent tăng lên, bài toán càng phức tạp hơn khi đòi hỏi doanh nghiệp cần nền tảng dùng chung, khả năng kết nối AI với các hệ thống bên ngoài, cơ chế để các AI Agent trao đổi với nhau và kiểm soát dữ liệu giữa các hệ thống. 

Ông Huy đánh giá, để đưa các dự án thử nghiệm bằng AI lên triển khai diện rộng không phải là phóng to một dự án thử nghiệm. “Đó là xây dựng một môi trường đủ tốt để AI có thể làm việc như một nhân viên thực thụ của doanh nghiệp”, ông Huy nói.

Đồng quan điểm, ông Vlasov của AWS đề xuất doanh nghiệp nên thay đổi cách ứng xử với AI. Thay vì đối xử như AI là một chuyên gia thông thạo, hãy đối xử chúng như một nhân viên mới: cung cấp tài liệu hướng dẫn được chuẩn hóa, quản lý phiên bản, đồng thời quy định rõ mô hình cần làm gì và được phép truy cập những gì để hoàn thành công việc.