Mua công cụ AI không tự nhiên tăng năng suất: con người phải được đào tạo trước

Nhiều doanh nghiệp ký hợp đồng một loạt công cụ AI, cấp tài khoản cho cả phòng ban, rồi chờ năng suất tăng. Vài tháng sau, con số gần như không đổi. Đây là một trong những hiểu lầm tốn kém nhất của làn sóng chuyển đổi AI hiện nay, và nó xuất phát từ một giả định sai: rằng công cụ tự nó tạo ra kết quả.

Tại sao sử dụng công cụ AI mà năng suất không thay đổi

Năng suất không tăng vì công cụ chỉ là phần dễ nhất của bài toán. Một giấy phép phần mềm được kích hoạt trong vài phút, nhưng năng lực sử dụng nó, quy trình bao quanh nó và thói quen làm việc của con người thì không. Khi thiếu ba thứ sau, công cụ nằm im, hoặc tệ hơn, tạo thêm việc.

Hãy hình dung một đội ngũ vừa được cấp một trợ lý viết mã bằng AI. Nếu không ai chỉ cho họ cách đặt câu lệnh rõ ràng, cách kiểm tra lại kết quả, cách phân biệt khi nào tin và khi nào nghi ngờ, thì điều xảy ra rất dễ đoán. Một số người thử vài lần, thấy kết quả lẫn lộn, rồi quay lại cách làm cũ. Một số khác dùng nhưng không kiểm tra, để lỗi lọt qua. Công cụ vẫn ở đó, hóa đơn vẫn được trả, nhưng giá trị thì bốc hơi.

Có một nghịch lý ít người nói đến. Công cụ AI ban đầu thường làm chậm đội ngũ lại trước khi tăng tốc. Người dùng phải học cách diễn đạt ý định, phải xây lại lòng tin vào một loại đầu ra mới, phải tìm ra điểm mà AI mạnh và điểm mà AI sai một cách thuyết phục. Giai đoạn này là có thật và không thể bỏ qua. Doanh nghiệp nào kỳ vọng đường cong đi lên ngay từ ngày đầu sẽ thất vọng, kết luận rằng "AI không hiệu quả", rồi từ bỏ đúng lúc lẽ ra nên kiên trì.

Một nguyên nhân nữa là sự lệch pha giữa kỳ vọng của lãnh đạo và thực tế của người làm. Lãnh đạo nhìn thấy bản demo bóng bẩy và hình dung toàn bộ công việc được tự động hóa. Người làm nhìn thấy một công cụ chưa khớp với dữ liệu thật, với khách hàng thật, với những ngoại lệ mà demo không bao giờ chạm tới. Khoảng cách đó không được lấp bằng cách mua thêm công cụ. Nó chỉ được lấp bằng đào tạo và thiết kế lại cách làm việc.

Con người trước, công cụ sau: ba lớp nền tảng

Năng suất AI đứng trên ba lớp nền tảng theo thứ tự: con người, quy trình, văn hóa. Công cụ chỉ là lớp trên cùng. Nếu một lớp bên dưới yếu, mọi khoản đầu tư vào lớp trên đều rơi xuống. Lãnh đạo cần củng cố từ dưới lên, không phải mua từ trên xuống.

Lớp thứ nhất là con người. Đây là năng lực thực sự của từng cá nhân khi làm việc cùng AI: biết đặt vấn đề, biết kiểm chứng đầu ra, biết khi nào nên giao cho máy và khi nào phải tự tay làm. Năng lực này không tự sinh ra khi có tài khoản. Nó được xây qua đào tạo có chủ đích, qua thực hành lặp lại trên công việc thật, qua phản hồi của người đi trước. Một đội ngũ được đào tạo tốt với công cụ trung bình sẽ vượt xa một đội ngũ chưa được đào tạo với công cụ tốt nhất.

Lớp thứ hai là quy trình. Phần lớn quy trình công việc trong doanh nghiệp được thiết kế cho thời chưa có AI. Chúng giả định mỗi bước do một con người làm, với tốc độ của con người, theo trình tự của con người. Khi gắn AI vào một quy trình như vậy, bạn chỉ tăng tốc một mắt xích trong khi các mắt xích còn lại vẫn nguyên. Kết quả là điểm nghẽn dịch chuyển chỗ khác, chứ tổng thời gian không giảm bao nhiêu. Quy trình phải được thiết kế lại để tận dụng việc một số bước nay rẻ và nhanh gấp nhiều lần.

Lớp thứ ba là văn hóa. Đây là lớp khó nhìn nhất nhưng quyết định nhất. Nếu nhân viên sợ rằng dùng AI giỏi sẽ khiến chính họ bị thay thế, họ sẽ âm thầm né tránh. Nếu một sai sót do AI gây ra bị trừng phạt nặng hơn một sai sót do con người, không ai dám thử. Nếu lãnh đạo nói về AI nhưng không bao giờ tự dùng, thông điệp ngầm là chuyện này không quan trọng. Văn hóa cởi mở với việc học, với việc thử và sai một cách an toàn, là điều kiện để hai lớp dưới phát huy.

Ba lớp này không thể mua. Chúng phải được xây, và việc xây mất thời gian. Đó chính là lý do vì sao một quyết định mua công cụ, dù lớn đến đâu, cũng không phải là một chiến lược chuyển đổi AI.

Đào tạo con người nghĩa là gì trong thực tế

Đào tạo con người không phải là một buổi hội thảo giới thiệu rồi để mặc. Nó là một quá trình có cấu trúc, gắn vào công việc thật, kéo dài đủ lâu để hình thành thói quen mới. Mục tiêu không phải là biết công cụ có những nút gì, mà là thay đổi cách một người tư duy và làm việc.

Bước đầu thường là xây nền tảng tư duy chung. Mọi người cần hiểu AI làm tốt việc gì, sai ở đâu, và vì sao. Họ cần học cách diễn đạt ý định một cách rõ ràng, vì chất lượng đầu ra phụ thuộc trực tiếp vào chất lượng câu hỏi. Họ cần một thói quen kiểm chứng vững chắc, để không bao giờ chuyển một kết quả AI ra ngoài mà chưa rà soát. Đây là phần ai cũng bỏ qua và là phần quan trọng nhất.

Tiếp theo là thực hành trên công việc thật của chính họ, không phải bài tập giả định. Một lập trình viên học tốt nhất khi áp dụng AI vào đúng dự án đang làm, dưới sự hướng dẫn của người đã thành thạo. Một người làm nội dung học tốt nhất khi viết đúng loại tài liệu công ty cần, rồi được chỉ ra chỗ nào AI giúp được và chỗ nào phải tự tay. Việc học gắn với ngữ cảnh thật bám lại lâu hơn nhiều so với lý thuyết trừu tượng.

Một yếu tố thường bị xem nhẹ là vai trò của người đi trước. Khi một số ít thành viên thạo việc trước và sẵn sàng kèm cặp những người còn lại, tốc độ lan tỏa nhanh hơn hẳn so với việc mỗi người tự mò mẫm. Đây là lý do nhiều tổ chức chọn đào tạo theo lớp, theo nhóm nhỏ có người dẫn, thay vì phát tài liệu rồi để mỗi người tự xoay xở.

Tại YWBi, khi chuyển đội ngũ kỹ thuật sang cách làm việc lấy AI làm trung tâm, chúng tôi nhận thấy phần khó không nằm ở việc cài đặt công cụ mà ở việc xây lại thói quen kiểm chứng và tư duy đặt vấn đề. Đó là một quá trình kéo dài nhiều tháng, không phải một buổi tập huấn. Chúng tôi chia sẻ điều này như một quan sát thực tế, không phải để hứa hẹn một con số tăng trưởng cụ thể, vì mỗi tổ chức có điểm xuất phát khác nhau.

Thiết kế lại quy trình quanh AI, không phải gắn AI vào quy trình cũ

Cách triển khai sai phổ biến nhất là gắn AI vào một mắt xích của quy trình cũ rồi mong cả chuỗi nhanh hơn. Cách đúng là lùi lại, nhìn toàn bộ luồng công việc, và thiết kế lại quanh thực tế mới rằng một số bước nay nhanh và rẻ hơn nhiều lần. Đây là khác biệt giữa tự động hóa một phần và chuyển đổi thật sự.

Lấy ví dụ một quy trình giao hàng phần mềm điển hình: lên ý tưởng, viết yêu cầu, lập trình, kiểm thử, rà soát, giao hàng. Nếu chỉ tăng tốc khâu lập trình bằng AI, khâu rà soát của con người lập tức trở thành điểm nghẽn mới, vì giờ có nhiều mã hơn để rà trong cùng khoảng thời gian. Tổng thời gian giao hàng giảm không đáng kể. Để thật sự nhanh hơn, phải nghĩ lại cả khâu rà soát: dùng một lớp kiểm tra tự động trước, để con người tập trung vào những phán đoán mà máy không làm được.

Thiết kế lại quy trình cũng buộc phải xác định rõ ranh giới trách nhiệm. Khi AI tham gia vào một bước, ai chịu trách nhiệm cuối cùng cho đầu ra? Câu trả lời gần như luôn là con người. Nhưng nếu vai trò đó không được ghi rõ, sẽ xảy ra tình trạng mọi người ngầm cho rằng máy đã kiểm tra rồi, và không ai kiểm tra cả. Một quy trình tốt trong thời AI luôn có một con người chịu trách nhiệm rõ ràng ở mỗi điểm ra quyết định quan trọng.

Một điểm nữa là đo lường. Nếu không có cách quan sát thời gian và chất lượng ở từng bước, bạn sẽ không biết việc thiết kế lại có hiệu quả hay không. Không cần một hệ thống đo lường phức tạp ngay từ đầu. Chỉ cần vài chỉ số đơn giản, theo dõi đều đặn, đủ để thấy điểm nghẽn dịch chuyển đi đâu và đầu tư tiếp vào đâu. Quản trị bằng cảm tính trong giai đoạn chuyển đổi là một rủi ro lớn.

Danh sách kiểm tra của người ra quyết định trước khi triển khai

Trước khi ký hợp đồng công cụ AI, người ra quyết định nên trả lời được năm câu hỏi về con người, quy trình và văn hóa. Nếu phần lớn câu trả lời còn để trống, vấn đề chưa nằm ở công cụ. Đầu tư vào nền tảng trước sẽ cho lợi suất cao hơn nhiều so với mua thêm giấy phép.

Câu hỏi thứ nhất, về con người: chúng ta đã có kế hoạch đào tạo cụ thể chưa, hay chỉ định cấp tài khoản và hy vọng? Một kế hoạch tốt phải nói rõ ai được đào tạo, học gì, thực hành trên công việc gì, và ai kèm cặp. Nếu chưa có, hãy xây nó trước khi mua.

Câu hỏi thứ hai, về quy trình: chúng ta đã xác định đúng một hoặc hai quy trình để thiết kế lại chưa, hay định rải công cụ ra khắp nơi cùng lúc? Chuyển đổi thành công thường bắt đầu hẹp và sâu, ở một luồng công việc rõ ràng, rồi mới mở rộng dựa trên bài học thu được.

Câu hỏi thứ ba, về văn hóa: nhân viên có cảm thấy an toàn khi thử và đôi khi thất bại với AI không? Nếu môi trường trừng phạt sai sót nặng nề, không ai dám học thật. Lãnh đạo cần phát đi tín hiệu rõ ràng rằng việc học cách dùng AI là được khuyến khích và được bảo vệ.

Câu hỏi thứ tư, về trách nhiệm: chúng ta đã làm rõ con người chịu trách nhiệm ở đâu chưa? Mỗi đầu ra quan trọng cần một người ký tên cuối cùng. AI tăng tốc, nhưng không gánh trách nhiệm thay con người.

Câu hỏi thứ năm, về đo lường: chúng ta sẽ biết bằng cách nào rằng việc này có hiệu quả? Hãy chọn trước vài chỉ số đơn giản và một mốc thời gian để đánh giá lại một cách trung thực, kể cả khi kết quả không như kỳ vọng ban đầu.

Công cụ AI là một đòn bẩy mạnh, nhưng đòn bẩy chỉ phát huy khi có điểm tựa vững. Điểm tựa đó là con người được đào tạo, quy trình được thiết kế lại, và văn hóa cởi mở với việc học. Doanh nghiệp nào đầu tư vào điểm tựa trước khi đầu tư vào đòn bẩy sẽ thấy khác biệt thật sự. Doanh nghiệp nào làm ngược lại sẽ chỉ có một bộ công cụ đắt tiền và một câu hỏi vì sao năng suất không nhúc nhích.