Giới thiệu

Nhiều công ty đã rơi vào cái mà chúng tôi gọi là "bẫy dự đoán": đầu tư mạnh vào công nghệ AI dự đoán mà không nhận ra rằng những khả năng này chỉ đại diện cho một phần giá trị mà AI có thể mang lại cho việc ra quyết định kinh doanh.

‍

Như đã lưu ý trong một bài báo gần đây trên Communications of the ACM, "Khả năng dự đoán của AI không nhất thiết chuyển thành khả năng suy luận và ra quyết định trong các tình huống mới" [1]. Bài viết này khám phá những thách thức, hạn chế và giải pháp khả thi để tránh cạm bẫy này.

‍

‍

Bẫy dự đoán là gì?

Bẫy dự đoán xảy ra khi các tổ chức:

1. Họ nhầm lẫn giữa dự đoán và mục tiêu cuối cùng : Nhiều công ty sở hữu các mô hình AI tinh vi tạo ra các dự đoán vẫn chưa được sử dụng vì họ chưa xây dựng được cơ sở hạ tầng tổ chức để chuyển đổi những hiểu biết đó thành hành động cụ thể [2].
2. Chúng không thể thu hẹp khoảng cách giữa “điều có thể xảy ra” và “điều chúng ta nên làm” : Như đã nêu trong bài viết “Vượt ra ngoài dự đoán”, các triển khai AI hiệu quả nhất không chỉ dự đoán kết quả mà còn giúp định hình các quyết định, đánh giá các lựa chọn và mô phỏng các hậu quả tiềm ẩn của các lựa chọn khác nhau [2].
3. Họ sử dụng các mô hình dự đoán để ra quyết định : Như George Stathakopolous đã chỉ ra trong Ad Age, "Tôi thường thấy các nhà tiếp thị cố gắng sử dụng các mô hình dự đoán để ra quyết định. Đây không hẳn là một sai lầm, nhưng đây là một cách kinh doanh cũ hơn và cồng kềnh hơn" [3].

‍

Những hạn chế cơ bản của AI dự đoán

Trí tuệ nhân tạo dự đoán có một số hạn chế cố hữu có thể cản trở giá trị ra quyết định của nó:

1. Sự phụ thuộc vào dữ liệu lịch sử : "Hạn chế chính của dự báo AI bắt nguồn từ thực tế là nguyên liệu thô mà AI sử dụng để đưa ra dự đoán là dữ liệu quá khứ. Do đó, AI nhất thiết luôn hướng về quá khứ" [1]. Điều này làm cho AI kém tin cậy hơn đối với các kịch bản chưa từng có hoặc phát triển nhanh chóng.
2. Vấn đề về nhân quả : Nhiều hệ thống AI xác định được mối tương quan nhưng không xác định được mối quan hệ nhân quả. Đây là điều mà một số chuyên gia gọi là "bẫy nhân quả" – hệ thống học máy thu thập thông tin chi tiết "từ hàng triệu mối tương quan nhỏ" nhưng thường không thể cho chúng ta biết đặc điểm cụ thể nào dẫn đến một kết quả cụ thể [4].
3. Thách thức về khả năng diễn giải : Các mô hình học máy phức tạp thường hoạt động như "hộp đen", khiến việc hiểu cách chúng đưa ra những dự đoán nhất định trở nên khó khăn. Như Qymatix lưu ý, "nhược điểm là bạn không thể nhanh chóng xác định được đặc điểm nào cho bạn biết nhiều nhất về một khách hàng cụ thể" [4].
4. Thiên kiến xác nhận và liên kết : Nghiên cứu đã chỉ ra rằng AI có thể mắc phải thiên kiến ra quyết định, bao gồm xu hướng "củng cố cách diễn đạt câu hỏi của người dùng thay vì thách thức tiền đề của nó" [5]. "Thiên kiến liên kết" này có thể dẫn đến những câu trả lời có vẻ hợp lý nhưng thực chất lại dựa trên những kết nối được hỗ trợ yếu.

‍

Vượt ra ngoài dự báo: Hướng tới nâng cao quyết định thực sự

Để vượt qua bẫy dự báo, các công ty nên:

1. Bắt đầu bằng các quyết định, không phải dữ liệu : Xác định các quyết định quan trọng nhất, thường xuyên nhất và khó khăn nhất, sau đó làm việc ngược lại để xác định khả năng AI nào có thể cải thiện chúng [2].
2. Thiết kế để tăng cường, không phải tự động hóa : Tạo giao diện và quy trình làm việc kết hợp hiểu biết về AI với khả năng phán đoán của con người thay vì cố gắng loại bỏ con người khỏi chu trình ra quyết định [2].
3. Xây dựng vòng phản hồi quyết định : Theo dõi kết quả quyết định một cách có hệ thống và báo cáo thông tin này để cải thiện AI và tinh chỉnh quy trình ra quyết định [2].
4. Phát triển khả năng ra quyết định : Đào tạo các nhóm không chỉ về khả năng hiểu biết về AI mà còn về cách hiểu các thành kiến trong quyết định, tư duy xác suất và đánh giá chất lượng quyết định [2].
5. Áp dụng trí tuệ quyết định : Các triển khai AI trưởng thành hơn đang áp dụng trí tuệ quyết định – sự kết hợp của khoa học dữ liệu, lý thuyết quyết định và khoa học hành vi để tăng cường khả năng phán đoán của con người [2].

‍

Tương lai: Quan hệ đối tác giữa con người và AI

Giá trị thực sự của AI nằm ở sự hợp tác giữa con người và máy móc. Trong sự hợp tác này:

• AI xử lý lượng thông tin lớn, xác định các mẫu, định lượng sự không chắc chắn và duy trì tính nhất quán.
• Con người đóng góp vào sự hiểu biết theo ngữ cảnh, phán đoán đạo đức, giải quyết vấn đề một cách sáng tạo và giao tiếp giữa các cá nhân.

Như đã lưu ý trong một bài báo gần đây của MIT PMC, "Để hiểu các điều kiện mà quá trình ra quyết định được tăng cường bằng AI dẫn đến hiệu suất bổ sung, điều hữu ích là phân biệt giữa hai lý do khác nhau dẫn đến khả năng không đạt được sự bổ sung." [6] Nghiên cứu chỉ ra rằng khi các dự đoán của con người và AI đủ độc lập, sự kết hợp của chúng có thể vượt trội hơn bất kỳ phương pháp nào riêng lẻ.

‍

Phần kết luận

Khi chúng ta tiến gần đến năm 2025, lợi thế cạnh tranh của AI ngày càng không đến từ việc sở hữu thuật toán tốt hơn hay nhiều dữ liệu hơn, mà đến từ việc tích hợp AI hiệu quả hơn vào quy trình ra quyết định trên toàn tổ chức. Các công ty nắm vững sự tích hợp này đang chứng kiến những cải thiện đáng kể không chỉ về số liệu vận hành mà còn về tốc độ, chất lượng quyết định và tính nhất quán của quyết định.

‍

Để tránh bẫy dự đoán, cần phải thay đổi góc nhìn: nhìn nhận AI không chỉ là công nghệ dự đoán mà còn là công nghệ nâng cao quyết định. Như Susan Athey của MIT Sloan đã nói, "Tôi cố gắng giúp các nhà quản lý hiểu điều gì khiến một vấn đề trở nên dễ dàng hay khó khăn từ góc nhìn AI, xét đến loại AI mà chúng ta đang có ngày nay" [7].

‍

Các tổ chức có thể giải quyết được sự phức tạp này sẽ là những tổ chức thu được nhiều giá trị nhất từ AI trong nhiều năm tới.

‍

Nguồn

1. Truyền thông của ACM (tháng 4 năm 2025) - "Dự đoán của AI có phù hợp với việc ra quyết định không?" - https://cacm.acm.org/opinion/does-ai-prediction-scale-to-decision-making/ " id="">https://cacm.acm.org/opinion/does-ai-prediction-scale-to-decision-making/
2. Bài viết "Vượt ra ngoài dự đoán" (tháng 4 năm 2025) - "Tại sao giá trị thực sự của AI nằm ở việc tăng cường khả năng ra quyết định"
3. Ad Age (tháng 11 năm 2024) - "Cách chuyển đổi từ dự đoán AI sang ra quyết định thực sự của AI" - https://adage.com/article/digital-marketing-ad-tech-news/how-pivot-ai-predictions-true-ai-decision-making/2589761
4. Qymatix (tháng 8 năm 2021) - "Cách tránh bẫy nhân quả của học máy hộp đen" - https://qymatix.de/en/causality-trap-machine-learning-black-box/
5. Trao quyền (tháng 2 năm 2025) - "Cái bẫy ra quyết định cuối cùng của AI: Mong muốn làm hài lòng" - https://enablingempowerment.com/ai-decision-making-alignment-bias/
6. PMC (2024) - "Ba thách thức đối với việc ra quyết định được hỗ trợ bởi AI" - https://pmc.ncbi.nlm.nih.gov/articles/PMC11373149/
7. MIT Sloan Management Review - "Những nguy cơ khi áp dụng dự đoán AI vào các quyết định phức tạp" - https://sloanreview.mit.edu/article/the-perils-of-applying-ai-prediction-to-complex-decisions/