AI Crazy
New member
Dù đầu tư mạnh vào AI, nhiều doanh nghiệp vẫn chưa thấy lợi ích thực tế. Nguyên nhân chính không phải thiếu công nghệ mà là thiếu sẵn sàng dữ liệu và cách tổ chức quy trình để AI phát huy giá trị.
Có một nghịch lý AI đang xuất hiện: các khoản đầu tư và tốc độ triển khai tăng nhanh nhưng giá trị thực tế thu được vẫn thấp. Các nhà nghiên cứu từ MIT và McKinsey nhấn mạnh rằng nhiều tổ chức vẫn chưa nhìn thấy lợi ích rõ ràng dù đã chi mạnh cho phần mềm và thiết bị hỗ trợ AI.
Tỷ lệ thất bại của dự án AI doanh nghiệp rất cao; một số báo cáo cho rằng tới 95% dự án không đạt được kỳ vọng. Điều này khiến các lãnh đạo và nhà đầu tư tự hỏi khi nào thì các khoản đầu tư AI mới bắt đầu có lời.
Gốc rễ của vấn đề thường liên quan đến sự hiểu sai về mối liên hệ giữa dữ liệu, chuyên môn ngành và việc điều phối quy trình AI. Nhiều doanh nghiệp biết họ cần chuẩn hóa dữ liệu nhưng lại làm theo cách sai: di chuyển dữ liệu hàng loạt, chia nhỏ dự án để dễ quản lý, hoặc coi AI là mục tiêu cuối cùng của các dự án hợp nhất dữ liệu.
Thay vì dùng AI để giải quyết vấn đề dữ liệu, họ lại đặt việc chuẩn hóa dữ liệu là mục tiêu trước tiên. Kết quả là dữ liệu vẫn bị phân mảnh, thiếu nhất quán và không sẵn sàng để AI khai thác hiệu quả.
Độ sẵn sàng dữ liệu (data-readiness) là yếu tố quyết định. Để AI tạo ra giá trị ở quy mô doanh nghiệp, nó cần truy cập cả dữ liệu cấu trúc và phi cấu trúc từ nhiều mảng của tổ chức. Thực tế, các bộ dữ liệu này thường bị khoá trong các silô, không đầy đủ hoặc không tương thích giữa các phòng ban.
Điều thú vị là AI ngày nay cũng có thể là công cụ để giải quyết vấn đề dữ liệu. Các hệ thống AI tự động (agentic AI) có khả năng tự động phát hiện, tuyển chọn và biến đổi dữ liệu, giúp chuẩn hóa và làm cho dữ liệu sẵn sàng dùng cho các mô hình AI trên toàn doanh nghiệp.
Ngành bảo hiểm tài sản và thiệt hại (P&C) là ví dụ tiêu biểu: quy trình từ đánh giá rủi ro đến giải quyết quyền lợi phụ thuộc nhiều vào dữ liệu phi cấu trúc và các bước thủ công lặp lại. Mỗi bộ phận—thẩm định, chăm sóc khách hàng, tài chính—lưu trữ và xử lý dữ liệu theo cách riêng, gây ra nhiều trễ nải. Thống kê cho thấy trung bình mất đến 44 ngày để xử lý một yêu cầu bồi thường nhà ở.
Những công ty bảo hiểm thành công đang không xem AI như một proof-of-concept mà như cơ hội để thiết kế lại kết nối dữ liệu cốt lõi và nhúng các tác nhân AI vào kiến trúc dữ liệu. Kết quả là họ rút ngắn thời gian xử lý, tự động hóa các bước lặp và tăng tốc luồng thông tin giữa các bộ phận.
Kết luận: để vượt qua “vực ngăn AI”, doanh nghiệp cần ưu tiên sẵn sàng dữ liệu, tái cấu trúc quy trình và sử dụng AI để giải quyết chính vấn đề dữ liệu. Bắt đầu từ việc xác định dữ liệu quan trọng, tự động hoá khám phá và chuyển đổi dữ liệu, rồi dần tích hợp các tác nhân AI vào điểm nút quy trình—đó là con đường dẫn đến giá trị thực tế từ AI.
Nguồn: Techradar
Có một nghịch lý AI đang xuất hiện: các khoản đầu tư và tốc độ triển khai tăng nhanh nhưng giá trị thực tế thu được vẫn thấp. Các nhà nghiên cứu từ MIT và McKinsey nhấn mạnh rằng nhiều tổ chức vẫn chưa nhìn thấy lợi ích rõ ràng dù đã chi mạnh cho phần mềm và thiết bị hỗ trợ AI.
Tỷ lệ thất bại của dự án AI doanh nghiệp rất cao; một số báo cáo cho rằng tới 95% dự án không đạt được kỳ vọng. Điều này khiến các lãnh đạo và nhà đầu tư tự hỏi khi nào thì các khoản đầu tư AI mới bắt đầu có lời.
Gốc rễ của vấn đề thường liên quan đến sự hiểu sai về mối liên hệ giữa dữ liệu, chuyên môn ngành và việc điều phối quy trình AI. Nhiều doanh nghiệp biết họ cần chuẩn hóa dữ liệu nhưng lại làm theo cách sai: di chuyển dữ liệu hàng loạt, chia nhỏ dự án để dễ quản lý, hoặc coi AI là mục tiêu cuối cùng của các dự án hợp nhất dữ liệu.
Thay vì dùng AI để giải quyết vấn đề dữ liệu, họ lại đặt việc chuẩn hóa dữ liệu là mục tiêu trước tiên. Kết quả là dữ liệu vẫn bị phân mảnh, thiếu nhất quán và không sẵn sàng để AI khai thác hiệu quả.
Độ sẵn sàng dữ liệu (data-readiness) là yếu tố quyết định. Để AI tạo ra giá trị ở quy mô doanh nghiệp, nó cần truy cập cả dữ liệu cấu trúc và phi cấu trúc từ nhiều mảng của tổ chức. Thực tế, các bộ dữ liệu này thường bị khoá trong các silô, không đầy đủ hoặc không tương thích giữa các phòng ban.
Điều thú vị là AI ngày nay cũng có thể là công cụ để giải quyết vấn đề dữ liệu. Các hệ thống AI tự động (agentic AI) có khả năng tự động phát hiện, tuyển chọn và biến đổi dữ liệu, giúp chuẩn hóa và làm cho dữ liệu sẵn sàng dùng cho các mô hình AI trên toàn doanh nghiệp.
Ngành bảo hiểm tài sản và thiệt hại (P&C) là ví dụ tiêu biểu: quy trình từ đánh giá rủi ro đến giải quyết quyền lợi phụ thuộc nhiều vào dữ liệu phi cấu trúc và các bước thủ công lặp lại. Mỗi bộ phận—thẩm định, chăm sóc khách hàng, tài chính—lưu trữ và xử lý dữ liệu theo cách riêng, gây ra nhiều trễ nải. Thống kê cho thấy trung bình mất đến 44 ngày để xử lý một yêu cầu bồi thường nhà ở.
Những công ty bảo hiểm thành công đang không xem AI như một proof-of-concept mà như cơ hội để thiết kế lại kết nối dữ liệu cốt lõi và nhúng các tác nhân AI vào kiến trúc dữ liệu. Kết quả là họ rút ngắn thời gian xử lý, tự động hóa các bước lặp và tăng tốc luồng thông tin giữa các bộ phận.
Kết luận: để vượt qua “vực ngăn AI”, doanh nghiệp cần ưu tiên sẵn sàng dữ liệu, tái cấu trúc quy trình và sử dụng AI để giải quyết chính vấn đề dữ liệu. Bắt đầu từ việc xác định dữ liệu quan trọng, tự động hoá khám phá và chuyển đổi dữ liệu, rồi dần tích hợp các tác nhân AI vào điểm nút quy trình—đó là con đường dẫn đến giá trị thực tế từ AI.
Nguồn: Techradar
Bài viết liên quan