Triển khai AI cần nhiều hơn vài người tiên phong

Phần lớn các đợt triển khai AI đều bắt đầu giống nhau. Giấy phép được cấp ra, một vài người bắt nhịp với công cụ ngay lập tức, và công việc của họ rõ ràng sắc bén hơn. Ban lãnh đạo thấy những thắng lợi sớm đó, cho rằng phần còn lại của đội nhóm cũng đang đi trên cùng con đường, rồi chuyển sự chú ý sang nơi khác. Vài tháng sau, gần như không có gì dịch chuyển. Một số ít người thực sự giỏi với AI, còn mọi người khác thì vẫn ở khoảng nơi họ đã bắt đầu.

Khoảng cách đó mới là vấn đề thực sự, và nó ẩn mình rất khéo, bởi những dấu hiệu ban đầu trông y hệt như tiến bộ. Các đội nhóm chúng tôi đồng hành hiếm khi chật vật vì công cụ yếu. Họ chật vật vì kỹ năng AI của từng cá nhân không tự lan ra, và biến nó thành thứ mà cả một đội nhóm có thể dựa vào là một công việc tự thân. Đây là những gì công việc đó bao gồm, và một điều duy nhất nó không thể hứa hẹn.

Với các đội nhóm ở Việt Nam, điểm xuất phát còn thấp hơn những gì các tiêu đề báo chí gợi ý. Trong Chỉ số Sẵn sàng cho AI đầu tiên của Cisco, hồi cuối năm 2023, chỉ 27% các tổ chức được khảo sát ở Việt Nam được xếp vào nhóm hoàn toàn sẵn sàng để triển khai AI. Đó là một khảo sát do nhà cung cấp thực hiện trên các công ty lớn và nay đã hai năm tuổi, nên hãy đọc nó như một mốc tham chiếu thô chứ không phải con số của hôm nay. Hướng mà nó chỉ ra vẫn đúng. Phần lớn các đội nhóm đang khởi đầu từ việc dùng AI rời rạc, ở giai đoạn sớm, chứ không phải một thực hành đang vận hành.

Những thắng lợi là có thật. Chúng chỉ nằm yên một chỗ.

Cần nói rõ rằng lợi ích là có thật. Trong một loạt ba thử nghiệm ngẫu nhiên có đối chứng trên 4.867 lập trình viên tại Microsoft, Accenture và một nhà sản xuất lớn, việc được dùng GitHub Copilot đã nâng số tác vụ hoàn thành lên khoảng 26% tính trung bình, với mức tăng mạnh nhất ở những người ít thâm niên và mới vào nghề (Cui và cộng sự, 2025). Con số trung bình này có biên độ sai số rộng, và phần chênh lệch giữa người mới và người kỳ cựu chỉ đến từ riêng nhóm Microsoft, nên hãy xem hiệu ứng “san bằng” đó như một hướng chứ không phải một quy luật đã chốt. Nhưng điều cốt lõi thì không phải bàn cãi. Dùng đúng cách, những công cụ này làm được việc thật.

Điểm mắc là ở chỗ giá trị đó rơi vào đâu. Khi Faros AI xem xét dữ liệu đo từ hơn 10.000 lập trình viên, những người dùng trợ lý AI hoàn thành nhiều hơn khoảng 21% số tác vụ và hợp nhất nhiều hơn khoảng 98% số pull request khi làm việc một mình. Không điều nào trong số đó hiện ra ở cấp độ công ty. Tốc độ giao hàng tổng thể vẫn đi ngang, còn kích thước trung bình của một pull request lại tăng khoảng 154%, nghĩa là phần sản lượng tăng thêm một phần là phình to chứ không phải được phát hành (Faros AI, 2025). Đó là một nghiên cứu tương quan của một nhà cung cấp, không phải bằng chứng nhân quả, nên hãy nắm các con số một cách dè dặt. Mẫu hình mà nó mô tả lại đúng là thứ chúng tôi liên tục thấy. Cá nhân tăng tốc, còn hệ thống quanh họ thì không, bởi các nút thắt chưa bao giờ là việc gõ phím. Chúng là khâu rà soát, tích hợp, và quyết định xây dựng cái gì.

Bạn cũng không thể đọc tình hình qua việc mọi người trông có vẻ bận đến đâu, hay họ cảm thấy nhanh đến đâu. Số lượng giấy phép và số người dùng hằng tuần cho bạn biết người ta đã mở công cụ, chứ không phải công việc đã tốt lên, và cảm giác về tốc độ cũng chẳng đáng tin hơn. Trong một thử nghiệm nhỏ nhưng cẩn thận, METR cho 16 lập trình viên mã nguồn mở giàu kinh nghiệm làm việc trên chính những kho mã trưởng thành của họ, một số tác vụ được phép dùng AI và một số thì không. Họ kỳ vọng AI sẽ giúp họ nhanh hơn, và sau đó vẫn tin rằng nó đã làm vậy, khoảng 20%. Thực tế, họ đã chậm hơn khoảng 19% khi dùng nó (METR, 2025). Đó là một khoảng cách chừng 40 điểm giữa cảm giác nhanh và tốc độ thật. Đây là một bối cảnh hẹp, những người bảo trì kỳ cựu làm trên mã họ thuộc nằm lòng, và nó không có nghĩa AI làm chậm tất cả mọi người. Bài học có giá trị áp dụng rộng thì đơn giản hơn. Tự báo cáo là một thước đo kém cho việc này, và “ai cũng đang dùng nó rồi” gần như chẳng nói cho bạn biết gì về việc nó có hiệu quả hay không.

Đào tạo thêm không lấp được khoảng cách

Theo bản năng, khi việc ứng dụng chững lại, người ta tổ chức thêm một buổi workshop. Điều đó hiếm khi có ích lâu dài. Một buổi học đơn lẻ nâng mức sử dụng lên một hai tuần rồi nhạt dần, bởi thứ bạn thực sự đòi hỏi là một thay đổi về thói quen, mà thói quen thì không hình thành trong một buổi chiều. Câu thường được trích “21 ngày để hình thành một thói quen” là một lầm tưởng, truy ngược về một cuốn sách self-help năm 1960 chứ không phải bất kỳ nghiên cứu nào về thói quen. Khi các nhà nghiên cứu thực sự đo đạc, theo dõi 96 người hình thành một thói quen hằng ngày, hành vi đó mất trung bình 66 ngày để trở thành tự động, với từng cá nhân rơi vào khoảng từ 18 đến 254 ngày (Lally và cộng sự, 2010). Công trình đó nói về những hành vi đơn giản hằng ngày chứ không phải phần mềm, nên con số là một khung tham chiếu chứ không phải một mục tiêu. Điểm mà nó nêu ra mới là điều quan trọng. Một cách làm việc mới cần nhiều tuần lặp lại trong công việc thật để bám rễ, chứ không phải một lần truyền đạt kiến thức. Việc đồng hành mà bỏ qua điều đó là đang trả tiền cho sự lãng quên.

Điều thực sự làm một đội nhóm dịch chuyển

Nếu workshop không phải đòn bẩy, thì cái gì là? Trên thực tế, những đội nhóm biến AI thành một năng lực đáng tin cậy thường làm đúng bốn điều. Không điều nào kỳ lạ. Tất cả đều có chủ đích.

Đặt công cụ ngay nơi công việc diễn ra

Cách nhanh nhất để bóp chết việc ứng dụng là để công cụ nằm tách biệt sang một bên. Một cửa sổ chat riêng hay một môi trường thử nghiệm thì ổn cho việc khám phá, nhưng người ta lại trôi về quy trình làm việc thật của mình và công cụ bên lề bị bỏ rơi. Prakash Kota, Giám đốc Công nghệ Thông tin của UKG, nói thẳng: “nếu nó không nằm trong quy trình làm việc, nó sẽ không trụ lại”. Cách khắc phục của ông có hai nửa. Nhúng năng lực đó vào ngay điểm công việc đang diễn ra, rồi đóng lại con đường thủ công cũ để con đường mới đơn giản là cách công việc được làm từ nay. Các kỹ sư tại Tekion mô tả cùng một bản năng, chuyển từ những công cụ bạn phải nhớ để gọi sang những công cụ tự kích hoạt như một phần của quy trình. Có một lưu ý đáng nêu. Những công ty đó có đủ năng lực kỹ thuật để tự xây phần tích hợp ấy, điều mà một đội nhóm nhỏ hơn có thể không có, nên nguyên tắc thì khái quát được sạch sẽ hơn so với chiến thuật.

Lan tỏa qua đồng nghiệp, không qua một chuyên gia duy nhất

Khi một người trở thành đầu mối cho mọi thứ liên quan đến AI, bạn đã dựng nên một nút thắt cổ chai chứ không phải một năng lực. Kỹ năng phải dịch chuyển từ số ít người có nó sang số đông người cần nó, và điều đó diễn ra qua đồng nghiệp nhiều hơn là qua bất kỳ đội ngũ trung tâm nào. Một số tổ chức lớn đã dồn sức vào hướng này. Citi cho biết họ đã xây một mạng lưới hơn 4.000 nhân viên mà họ gọi là AI Accelerators, bên cạnh một nhóm nhỏ hơn nhiều gồm các AI Champions cấp cao, trên một lực lượng lao động khoảng 182.000 người (theo Business Insider). Tức là vào khoảng một accelerator cho mỗi 45 người. Các con số là của riêng Citi và chưa được kiểm toán độc lập, và ở một đội nhóm từ mười đến một trăm người thì phép tính sẽ khác, nhưng hình dạng của nó thì đáng học hỏi. Bạn muốn một lớp đồng nghiệp dễ tiếp cận, chứ không phải một nhà tiên tri duy nhất. Việc chọn ai cũng quan trọng. Một người phụ trách ứng dụng AI tại Manulife mô tả cách chọn champion qua ba lăng kính cùng lúc: ai là người mà đồng nghiệp vốn đã tìm đến, ai có thành tích chứng minh điều đó, và ai sẽ được lãnh đạo công khai tán thành. Đó là lời kể của một công ty chứ không phải một công thức đã được kiểm chứng, nhưng nó vẫn hơn việc giao vai trò cho người ồn ào nhất về AI.

Lãnh đạo đi trước, một cách công khai

Tài trợ cho một đợt triển khai không giống với việc làm gương cho nó. Nếu những người điều hành một đội nhóm không tự mình làm công việc đó một cách thấy được, thông điệp đọng lại là chuyện này dành cho người khác. Một số nhà sáng lập đẩy điều này tới mức khó mà bỏ qua. Howie Liu, CEO của Airtable, nói rằng đích thân ông là người dùng AI nhiều nhất công ty xét theo chi phí (Lenny’s Newsletter, 2025). Ban lãnh đạo của Sendbird coi mức độ những người cấp cao nhất của họ dùng các công cụ này là tín hiệu mạnh nhất cho thấy việc ứng dụng có thật hay không, và tại Personio, các trưởng nhóm kỹ thuật được yêu cầu phải tự tay làm nguyên mẫu trước khi xuất hiện để dẫn dắt đợt triển khai. Đây là lời kể của chính các lãnh đạo và tác động chưa được đo lường độc lập, nên hãy xem chúng như minh họa chứ không phải bằng chứng. Dù vậy nước đi nền tảng vẫn vững. Thực hành thấy được từ phía trên có sức nặng hơn một dòng ngân sách được tài trợ.

Lường trước sự kháng cự, và đối diện thẳng thắn

Một phần sự kháng cự bạn sẽ gặp hoàn toàn không phải về công cụ. Đó là nỗi lo thầm lặng rằng mục đích của tất cả những điều này là để cần ít người hơn. Giả vờ ngược lại thì không hiệu quả. Khi các kỹ sư tại Doctolib mô tả đợt triển khai của họ trong một bài nói tại hội nghị năm 2025, họ kể về việc đối diện thẳng với nỗi sợ đó, bằng một “trại hè AI” gồm các buổi giải thích cách các mô hình thực sự hoạt động và một tầm nhìn chung về người kỹ sư được AI tăng cường, viết cùng với CTO của họ. Đó là lời kể của chính họ về những gì họ đã làm, không phải một kết quả được kiểm toán, nhưng bản năng thì đúng. Người ta đón nhận một thay đổi họ hiểu và có phần góp tay định hình. Họ kháng cự một thay đổi đến như một mệnh lệnh kèm một động cơ không nói ra.

Đo công việc, không đo hoạt động

Tất cả những điều này chỉ trụ vững nếu bạn trung thực về thứ bạn đo. Số lần đăng nhập và số câu lệnh thì dễ thu thập và dễ lách, và như kết quả của METR cho thấy, ngay cả những người đang làm việc cũng không thể cảm nhận khác biệt một cách đáng tin. Vậy nên hãy nhìn xa hơn hoạt động để thấy chính công việc. Việc trước kia tốn ba ngày nay có còn một ngày không, trên một tác vụ mà bạn thực sự kiểm tra được? Chất lượng những gì người mới vào nghề tạo ra có tăng đủ để khâu rà soát nhẹ đi thay vì nặng thêm không? Những tín hiệu đó đọc chậm hơn một biểu đồ sử dụng, và chúng là những tín hiệu duy nhất cho bạn biết thực hành có thật hay không.

Đó về cơ bản là toàn bộ lập luận. Một vài người làm được những điều ấn tượng với AI là một khởi đầu hứa hẹn và một kết cục nghèo nàn. Khoảng cách giữa điều đó và một đội nhóm có công việc tốt lên một cách đáng tin không được lấp bằng công cụ sắc bén hơn hay thêm một buổi workshop. Nó được lấp bằng việc đặt công cụ ngay nơi công việc diễn ra, lan tỏa kỹ năng qua đồng nghiệp, dẫn dắt từ phía trước, và đo lường thứ thực sự đã thay đổi. Đó là công việc có chủ đích, và đó là phần lớn những gì chúng tôi làm cùng các đội nhóm mà chúng tôi đồng hành. Nếu đó là khoảng cách bạn đang nhìn vào, đây là cách chúng tôi đồng hành cùng đội nhóm.

Nguồn

• Cui, Z., Demirer, M., Jaffe, S., Musolff, L., Peng, S., & Salz, T. (2025). The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers. economics.mit.edu
• Faros AI. (2025). The AI Productivity Paradox: What Data from 10,000 Developers Reveals. faros.ai
• METR. (2025, July 10). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. metr.org
• Lally, P., van Jaarsveld, C. H. M., Potts, H. W. W., & Wardle, J. (2010). How are habits formed: Modelling habit formation in the real world. European Journal of Social Psychology, 40(6), 998-1009. onlinelibrary.wiley.com
• Cisco. (2023, tháng 11). AI Readiness Index, Vietnam, do VietnamPlus đăng lại. en.vietnamplus.vn
• Kota, P. (UKG). Increasing AI adoption with agents built to serve all employees. CIO.com. cio.com
• The quiet work behind Citi’s 4,000-person internal AI rollout. AI News, dẫn theo Business Insider. artificialintelligence-news.com
• Liu, H. (Airtable). How we restructured Airtable’s entire org for AI. Lenny’s Newsletter. lennysnewsletter.com
• Tanay, J., & Bentkowski, T. (Doctolib). (2025). Embracing AI adoption at Doctolib engineering. Devoxx. youtube.com
• That Viral MIT Study Claiming 95% of AI Pilots Fail? Don’t Believe the Hype. Marketing AI Institute. marketingaiinstitute.com