.svg){kind=small}
.svg){kind=small}
.svg){kind=small}
"Nghịch lý Năng suất AI" là một thách thức nghiêm trọng đối với các doanh nghiệp: mặc dù đã đầu tư đáng kể vào công nghệ AI, nhiều công ty vẫn không đạt được lợi nhuận năng suất mong đợi. Hiện tượng này, được quan sát vào mùa xuân năm 2025, gợi nhớ đến nghịch lý ban đầu được nhà kinh tế học Robert Solow xác định vào những năm 1980 liên quan đến máy tính: "Chúng ta thấy máy tính ở khắp mọi nơi, ngoại trừ trong thống kê năng suất."
Chìa khóa để vượt qua nghịch lý này không chỉ là sự hợp tác giữa con người và máy móc, mà còn là sự hiểu biết sâu sắc về các hệ thống AI mà bạn định áp dụng và bối cảnh tổ chức mà chúng sẽ được triển khai.
Nguyên nhân của nghịch lý
1. Thực hiện bừa bãi
Nhiều tổ chức triển khai các giải pháp AI mà không đánh giá đầy đủ cách chúng tích hợp vào quy trình làm việc hiện có. Theo khảo sát của McKinsey năm 2025, 67% công ty báo cáo rằng ít nhất một sáng kiến AI đã gây ra những biến chứng bất ngờ, làm giảm năng suất chung. Các công ty có xu hướng tối ưu hóa từng tác vụ riêng lẻ mà không cân nhắc đến tác động lên toàn bộ hệ thống.
2. Khoảng cách thực hiện
Có một độ trễ tự nhiên giữa việc giới thiệu một công nghệ mới và việc hiện thực hóa lợi ích của nó. Điều này đặc biệt đúng với các công nghệ đa năng như AI. Như nghiên cứu từ MIT và Đại học Chicago đã chỉ ra, AI đòi hỏi rất nhiều "phát minh bổ sung" - thiết kế lại quy trình, kỹ năng mới và thay đổi văn hóa - trước khi phát huy hết tiềm năng của nó.
3. Thiếu sự trưởng thành của tổ chức
Một báo cáo của McKinsey năm 2025 cho thấy trong khi 92% công ty có kế hoạch tăng đầu tư vào AI trong ba năm tới, thì chỉ có 1% tổ chức xác định việc triển khai AI của họ là "trưởng thành", nghĩa là được tích hợp hoàn toàn vào quy trình làm việc với kết quả kinh doanh đáng kể.
Chiến lược để vượt qua nghịch lý
1. Đánh giá chiến lược trước khi áp dụng
Trước khi triển khai bất kỳ giải pháp AI nào, các tổ chức nên tiến hành đánh giá toàn diện để trả lời các câu hỏi chính:
- Công nghệ này sẽ giải quyết những vấn đề kinh doanh cụ thể nào?
- Nó sẽ tích hợp vào quy trình làm việc hiện tại như thế nào?
- Cần có những thay đổi về mặt tổ chức nào để hỗ trợ điều này?
- Những tác dụng phụ tiêu cực tiềm ẩn của việc thực hiện là gì?
2. Hiểu bối cảnh tổ chức
Hiệu quả của AI phụ thuộc phần lớn vào văn hóa và cấu trúc của tổ chức nơi ứng dụng. Theo khảo sát của Gallup năm 2024, trong số những nhân viên cho biết tổ chức của họ có chiến lược rõ ràng về tích hợp AI, 87% tin rằng AI sẽ có tác động tích cực đáng kể đến năng suất và hiệu quả làm việc của họ. Sự minh bạch và truyền thông là chìa khóa.
3. Lập bản đồ năng lực
Các tổ chức thành công thường phân tích tỉ mỉ xem khía cạnh nào trong công việc của họ được hưởng lợi từ sự đánh giá của con người so với quá trình xử lý của AI, thay vì tự động hóa mọi thứ khả thi về mặt kỹ thuật. Cách tiếp cận này đòi hỏi sự hiểu biết sâu sắc về cả khả năng của AI và những kỹ năng đặc thù của con người trong tổ chức.
4. Thiết kế lại quy trình làm việc
Việc triển khai AI hiệu quả thường đòi hỏi việc tái cấu trúc quy trình thay vì chỉ đơn giản là thay thế các tác vụ của con người bằng tự động hóa. Các công ty phải sẵn sàng xem xét lại toàn bộ cách thức thực hiện công việc, thay vì áp dụng AI lên các quy trình hiện có.
5. Số liệu thích ứng
Thành công của AI không chỉ nên được đo lường bằng mức độ hiệu quả mà còn bằng cách các nhóm thích ứng hiệu quả với các khả năng AI mới. Các tổ chức nên phát triển các chỉ số đánh giá cả kết quả kỹ thuật lẫn khả năng ứng dụng của con người.
Mô hình trưởng thành AI mới
Vào năm 2025, các tổ chức cần một khuôn khổ mới để đánh giá mức độ trưởng thành của AI - một khuôn khổ ưu tiên tích hợp hơn là triển khai. Câu hỏi không còn là "Chúng ta đã tự động hóa được bao nhiêu?" mà là "Chúng ta đã cải thiện năng lực của tổ chức thông qua tự động hóa hiệu quả như thế nào?"
Điều này thể hiện sự thay đổi sâu sắc trong cách chúng ta khái niệm hóa mối quan hệ giữa công nghệ và năng suất. Các tổ chức hiệu quả nhất tuân theo một quy trình gồm nhiều bước:
- Lập kế hoạch và lựa chọn công cụ : Xây dựng kế hoạch chiến lược xác định rõ ràng các mục tiêu kinh doanh và công nghệ AI phù hợp nhất.
- Sẵn sàng về dữ liệu và cơ sở hạ tầng : Đảm bảo các hệ thống và dữ liệu hiện có sẵn sàng hỗ trợ các sáng kiến AI.
- Sự thống nhất về văn hóa : Tạo ra môi trường hỗ trợ việc áp dụng AI thông qua đào tạo, giao tiếp minh bạch và quản lý thay đổi.
- Triển khai theo từng giai đoạn : Giới thiệu các giải pháp AI theo từng bước, theo dõi cẩn thận tác động và điều chỉnh cách tiếp cận dựa trên những phát hiện.
- Đánh giá liên tục : Đo lường thường xuyên cả kết quả kỹ thuật và tác động lên toàn bộ tổ chức.
Phần kết luận
Nghịch lý Năng suất AI không phải là lý do để trì hoãn việc áp dụng AI, mà là lời kêu gọi hãy áp dụng nó một cách thận trọng hơn. Chìa khóa để vượt qua nghịch lý này nằm ở việc hiểu rõ các hệ thống AI mà bạn dự định triển khai và phân tích bối cảnh tổ chức mà chúng sẽ được sử dụng.
Các tổ chức tích hợp AI thành công không chỉ tập trung vào công nghệ mà còn vào cách nó phù hợp với hệ sinh thái cụ thể của tổ chức. Họ đánh giá cẩn thận những ưu điểm và nhược điểm tiềm ẩn trước khi áp dụng, chuẩn bị đầy đủ cơ sở hạ tầng và văn hóa, đồng thời triển khai các chiến lược quản lý thay đổi hiệu quả.
Nguồn
- Sáng kiến của MIT về nền kinh tế số - https://ide.mit.edu/sites/default/files/publications/IDE%20Research%20Brief_v0118.pdf
- McKinsey & Company - https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/superagency-in-the-workplace-empowering-people-to-unlock-ais-full-potential-at-work
- Brynjolfsson, E., Rock, D., & Syverson, C. - https://www.nber.org/papers/w24001
- Nơi làm việc của Gallup - https://www.gallup.com/workplace/652727/strategy-fail-without-culture-supports.aspx
- PwC - https://www.pwc.com/us/en/tech-effect/ai-analytics/ai-predictions.html
- Quan điểm theo cấp số nhân - https://www.exponentialview.co/p/ais-productivity-paradox-how-it-might
- KPMG - https://kpmg.com/us/en/articles/2024/ai-ready-corporate-culture.html
- Tạp chí Quản lý MIT Sloan - https://sloanreview.mit.edu/article/unpacking-the-ai-productivity-paradox/
