Mở đầu
Trong vài năm gần đây, câu hỏi về AI trong doanh nghiệp đã thay đổi rất nhanh.
Ban đầu, chúng ta thường quan tâm đến những câu hỏi như:
“Nên dùng ChatGPT, Gemini hay Claude?”
“Có nên cấp tài khoản AI cho toàn bộ nhân viên không?”
“Làm thế nào để đào tạo mọi người sử dụng AI tốt hơn?”
Tuy nhiên, khi AI ngày càng phổ biến và việc tiếp cận các công cụ AI trở nên dễ dàng hơn, một câu hỏi quan trọng hơn bắt đầu xuất hiện:
Sau khi mọi người đã có công cụ AI và biết cách sử dụng, điều gì thực sự thay đổi trong hoạt động của công ty?
Đây cũng là vấn đề trung tâm trong hai tài liệu mà tôi tham khảo cho bài viết này: kinh nghiệm thúc đẩy AI của Link and Motivation và SmartHR tại Nhật Bản.
Link and Motivation tập trung vào hành trình từ việc cung cấp công cụ AI cho nhân viên đến việc biến AI thành một phần của công việc hàng ngày và tạo ra kết quả thực tế. SmartHR nhìn vấn đề ở cấp độ rộng hơn: AI không chỉ là công cụ mới mà là một chương trình thay đổi tổ chức, đòi hỏi sự tham gia của lãnh đạo, bộ phận hỗ trợ trung tâm và những người thúc đẩy AI tại từng đơn vị.
Sau khi đọc hai tài liệu, điều tôi thấy đáng chú ý nhất không phải một công cụ, một mô hình AI hay một kỹ thuật cụ thể nào.
Bài học quan trọng hơn là:
Thúc đẩy AI trên toàn công ty không phải là một dự án triển khai phần mềm. Đó là quá trình thay đổi cách con người làm việc và cách tổ chức vận hành.
Một công ty có thể mua rất nhiều tài khoản AI, tổ chức nhiều khóa đào tạo và tạo ra hàng loạt chương trình khuyến khích, nhưng những hoạt động đó chưa chắc dẫn đến chuyển đổi thực sự.
Sự chuyển đổi chỉ bắt đầu khi nhân viên có thể nhìn vào công việc của mình và chủ động đặt câu hỏi:
“Có cách nào sử dụng AI để làm việc này tốt hơn không?”
Sau đó, họ có đủ điều kiện để thử nghiệm, kiểm chứng hiệu quả, đưa cách làm mới vào công việc hàng ngày và chia sẻ kinh nghiệm đó cho những người khác.
Từ góc nhìn này, tôi muốn tổng hợp các bài học từ Link and Motivation và SmartHR, sau đó đối chiếu với cách Scuti Ai đang thúc đẩy AI hiện nay để tìm ra những ưu tiên phù hợp cho giai đoạn tiếp theo.
1. Từ “có AI” đến “AI tạo ra kết quả”
Một trong những ví dụ đáng chú ý trong tài liệu của Link and Motivation là ở giai đoạn đầu, công ty đã cung cấp ChatGPT cho toàn bộ nhân viên và tổ chức đào tạo. Tuy nhiên, khảo sát nội bộ cho thấy khoảng 70% nhân viên vẫn không sử dụng công cụ ít nhất một lần mỗi ngày.
Nguyên nhân không chỉ nằm ở kỹ năng.
Nhiều người đơn giản là không biết công việc nào của mình phù hợp để sử dụng AI, hoặc không biết nên yêu cầu AI như thế nào để nhận được kết quả hữu ích.
Điều này cho thấy việc thúc đẩy AI có ít nhất ba trạng thái rất khác nhau:
Có công cụ → Sử dụng công cụ → Thay đổi cách làm việc.
Ở trạng thái đầu tiên, doanh nghiệp mới chỉ tạo điều kiện tiếp cận.
Ở trạng thái thứ hai, nhân viên bắt đầu sử dụng AI trong công việc.
Nhưng chỉ ở trạng thái thứ ba, AI mới thực sự tạo ra sự thay đổi: quy trình được làm khác đi, thời gian xử lý giảm, chất lượng tăng hoặc lượng công việc có thể xử lý được cải thiện.
Ba trạng thái này rất dễ bị nhầm lẫn.
Ví dụ, một công ty có thể báo cáo rằng 90% nhân viên đã có tài khoản AI hoặc tỷ lệ người sử dụng hàng tuần rất cao. Đây là những chỉ số có giá trị, nhưng chúng mới phản ánh mức độ hoạt động, chưa phản ánh đầy đủ giá trị mà AI tạo ra.
Một người gửi hàng chục câu lệnh cho AI mỗi ngày chưa chắc tạo ra giá trị lớn hơn một người chỉ sử dụng AI vài lần mỗi tuần nhưng đã thay đổi được một quy trình quan trọng.
SmartHR cũng đưa ra cách nhìn tương tự. Thay vì chỉ đo số người sử dụng AI, họ theo dõi cả chuỗi từ đầu tư, mức sử dụng, kết quả của từng hoạt động, thay đổi của tổ chức cho tới kết quả kinh doanh.
Theo tôi, đây là thay đổi quan trọng nhất trong cách nghĩ về việc thúc đẩy AI.
Câu hỏi không nên dừng ở:
“Có bao nhiêu người đang dùng AI?”
Mà cần tiến tới:
“AI đã giúp công việc được thực hiện tốt hơn như thế nào?”
Một ví dụ đơn giản là việc tiết kiệm thời gian.
Giả sử AI giúp một nhân viên giảm 30 phút cho một công việc hàng ngày. Đây rõ ràng là một kết quả tích cực.
Nhưng ở cấp độ tổ chức, vẫn cần một câu hỏi tiếp theo:
30 phút đó được sử dụng vào việc gì?
Nếu khoảng thời gian được giải phóng giúp nhân viên xử lý thêm công việc, dành nhiều thời gian hơn cho hoạt động có giá trị cao hoặc cải thiện chất lượng đầu ra, AI đã tạo ra tác động rõ ràng.
Ngược lại, nếu chỉ ghi nhận “đã tiết kiệm 30 phút” rồi dừng ở đó, rất khó biết lợi ích này có thực sự chuyển thành kết quả của tổ chức hay không.
Vì vậy, thay vì chỉ đo “số giờ tiết kiệm”, doanh nghiệp cần nhìn vào một chuỗi đơn giản:
Sử dụng AI → Thay đổi cách làm việc → Cải thiện kết quả công việc → Đóng góp vào mục tiêu của bộ phận hoặc công ty.
Đây cũng là lý do việc thúc đẩy AI nên bắt đầu từ kết quả mong muốn, thay vì bắt đầu từ câu hỏi “nên mua công cụ nào”.
2. Lộ trình thúc đẩy AI: bắt đầu nhỏ, kiểm chứng giá trị rồi mới mở rộng
Một điểm chung trong hai tài liệu là doanh nghiệp không nên kỳ vọng rằng chỉ cần cung cấp AI cho toàn công ty thì mọi người sẽ tự tìm được cách áp dụng hiệu quả.
Trong giai đoạn đầu, thử nghiệm từ dưới lên là rất cần thiết. Nhân viên nên được khuyến khích thử công cụ mới, khám phá khả năng của AI và tìm ra các trường hợp sử dụng phù hợp.
Nhưng khi số lượng hoạt động tăng lên, tổ chức cần một bước tiếp theo: biến những thử nghiệm rời rạc thành cách làm có thể tái sử dụng và mở rộng.
Link and Motivation đã chuyển từ cách triển khai rộng nhưng tương đối nông sang cách tập trung sâu vào một số bộ phận.
Thay vì hỏi:
“Làm thế nào để tất cả nhân viên sử dụng AI?”
họ tập trung vào câu hỏi:
“Bộ phận nào đang có một vấn đề đủ rõ để AI có thể tạo ra thay đổi?”
Nhóm thúc đẩy AI làm việc cùng bộ phận đó để hiểu công việc hiện tại, tìm ra điểm bất tiện, thử một cách làm mới với AI và theo dõi xem người dùng có thực sự muốn tiếp tục sử dụng hay không.
Cách tiếp cận này có điểm tương đồng với phát triển sản phẩm.
Một sản phẩm mới thường không được xây hoàn chỉnh rồi ngay lập tức triển khai cho hàng nghìn người. Trước tiên, nhóm phát triển tìm một nhóm người dùng nhỏ, xác định vấn đề, thử giải pháp, nhận phản hồi và kiểm chứng giá trị.
Việc thúc đẩy AI cũng nên đi theo logic tương tự:
Tìm vấn đề → Thử ở phạm vi nhỏ → Kiểm chứng giá trị → Chuẩn hóa → Mở rộng.
Điều quan trọng ở đây là phải phân biệt giữa hai câu hỏi:
“AI có làm được không?”
và
“AI có thực sự tạo ra giá trị không?”
Ngày nay, câu hỏi thứ nhất ngày càng dễ trả lời.
Với AI tạo sinh, công cụ ít mã và các nền tảng tự động hóa, một chatbot hoặc một ứng dụng thử nghiệm có thể được tạo ra rất nhanh.
Một bản trình diễn ấn tượng vì vậy chưa chắc chứng minh được điều gì.
Câu hỏi quan trọng hơn là:
Người dùng có thực sự sử dụng không?
Cách làm mới có tốt hơn cách cũ không?
Chất lượng có đủ ổn định không?
Chi phí có hợp lý không?
Có ai chịu trách nhiệm duy trì không?
Nếu câu trả lời cho những câu hỏi này chưa rõ, giải pháp chưa sẵn sàng để mở rộng.
Một thử nghiệm không được tiếp tục sử dụng không nhất thiết là thất bại. Nó vẫn cung cấp thông tin quan trọng: vấn đề chưa đủ lớn, cách giải quyết chưa phù hợp hoặc người dùng chưa nhận thấy giá trị.
Điều nguy hiểm hơn là tiếp tục duy trì một giải pháp chỉ vì đã bỏ công xây dựng nó.
Tôi cho rằng nguyên tắc quan trọng ở đây là:
Không mở rộng AI vì công nghệ trông ấn tượng. Chỉ mở rộng khi AI đã chứng minh được giá trị trong công việc thực tế.
Tổ chức cần được thiết kế để hỗ trợ quá trình này
SmartHR nhấn mạnh rằng một cá nhân hoặc một nhóm AI nhỏ rất khó thúc đẩy AI cho toàn bộ tổ chức nếu mọi trách nhiệm đều tập trung ở đó.
Một mô hình phù hợp hơn là chia trách nhiệm thành nhiều lớp.
Ban lãnh đạo cần đóng vai trò bảo trợ và xác định AI là một chủ đề quản trị quan trọng.
Một nhóm trung tâm có thể chịu trách nhiệm về định hướng, nền tảng, phương pháp, bảo mật và hỗ trợ.
Trong khi đó, những người nằm tại từng bộ phận phải là lực lượng phát hiện vấn đề và thúc đẩy việc áp dụng trong công việc thực tế.
Điểm tôi thấy đặc biệt đáng chú ý trong tài liệu của Link and Motivation là người thúc đẩy AI tại bộ phận không nhất thiết phải là người giỏi kỹ thuật nhất.
Những đặc điểm quan trọng hơn có thể là:
người hiểu công việc của team, thích thử nghiệm, sẵn sàng giúp đồng nghiệp và chủ động chia sẻ cách làm tốt.
Điều này rất hợp lý.
Nhóm AI trung tâm có thể hiểu công cụ mới.
Nhưng người trong bộ phận mới biết công việc nào đang lặp lại mỗi ngày, bước nào đang tốn nhiều thời gian hoặc chỗ nào mọi người thường xuyên gặp khó khăn.
Vì vậy, mô hình phù hợp không phải là:
“Nhóm AI nghĩ giải pháp cho tất cả mọi người.”
Mà là:
“Bộ phận phát hiện vấn đề; nhóm trung tâm giúp biến vấn đề đó thành thử nghiệm an toàn và có thể đo lường.”
3. Bốn điểm nghẽn phổ biến khi thúc đẩy AI trong tổ chức
Khi tổng hợp hai tài liệu, tôi thấy có bốn điểm nghẽn xuất hiện khá rõ.
Điểm nghẽn 1: Nhân viên biết AI nhưng không biết nên dùng vào đâu
Nhiều chương trình đào tạo AI tập trung mạnh vào prompt, tức cách viết yêu cầu cho AI.
Prompt quan trọng, nhưng trước câu hỏi “viết prompt thế nào?” còn có một câu hỏi lớn hơn:
“Trong công việc của tôi, phần nào đáng để AI hỗ trợ?”
Một người có thể viết prompt rất tốt nhưng nếu không nhìn ra công việc của mình có thể được chia nhỏ và thiết kế lại như thế nào, mức độ áp dụng vẫn hạn chế.
Thay vì hỏi:
“Bạn có thể dùng AI vào đâu?”
có thể hỏi cụ thể hơn:
“Công việc nào đang lặp lại?”
“Bước nào yêu cầu đọc nhiều tài liệu?”
“Bước nào chủ yếu tạo bản nháp?”
“Bước nào cần tổng hợp hoặc so sánh thông tin?”
“Bước nào thường phải sao chép dữ liệu giữa nhiều nơi?”
Khi công việc được chia nhỏ theo cách này, cơ hội sử dụng AI thường trở nên dễ nhìn thấy hơn.
Do đó, đào tạo AI không nên chỉ dạy cách sử dụng công cụ.
Một kỹ năng quan trọng hơn là khả năng phân tích công việc và nhận ra cơ hội cải tiến bằng AI.
Điểm nghẽn 2: Biết dùng nhưng chưa trở thành thói quen
Một khóa đào tạo có thể khiến mọi người rất hào hứng trong vài ngày.
Nhưng sau đó, nhiều người quay trở lại cách làm quen thuộc.
Nguyên nhân không nhất thiết là họ không thích AI.
Đôi khi cách làm mới vẫn tạo ra quá nhiều ma sát.
Nếu mỗi lần sử dụng AI, người dùng phải tự nghĩ nên dùng công cụ nào, tự nghĩ prompt, tự quyết định dữ liệu nào được phép đưa vào và tự tìm cách kiểm tra đầu ra, cách làm cũ có thể vẫn dễ hơn dù mất nhiều thời gian hơn.
Vì vậy, áp dụng AI không chỉ là vấn đề kiến thức.
Nó còn là vấn đề thiết kế thói quen làm việc.
Một trường hợp áp dụng trưởng thành hơn sẽ có cách làm tương đối rõ:
Khi gặp loại công việc này → sử dụng cách làm AI đã được thống nhất → kiểm tra những điểm cần thiết → lưu kết quả vào nơi quy định.
Khi đó, người dùng không còn phải “nhớ rằng nên sử dụng AI”.
AI đã trở thành một phần trong cách công việc được thực hiện.
Điểm nghẽn 3: Tiết kiệm thời gian nhưng chưa tạo ra kết quả
Đây là một điểm nghẽn đặc biệt dễ bị bỏ qua.
Một chương trình AI có thể trông rất thành công khi số người sử dụng tăng, số giờ tiết kiệm được báo cáo nhiều và ngày càng có nhiều quy trình tự động.
Nhưng nếu kết quả của bộ phận gần như không thay đổi, AI vẫn chưa tạo ra chuyển đổi thực sự.
Vì vậy, mỗi trường hợp sử dụng cần có một câu hỏi rất đơn giản:
“Nếu cách làm này thành công, điều gì sẽ tốt lên?”
Đó có thể là giảm thời gian xử lý, giảm số bước thủ công, giảm lỗi, tăng lượng công việc xử lý được hoặc cải thiện chất lượng.
Không phải mọi lợi ích đều cần được chuyển trực tiếp thành doanh thu.
Nhưng cần có một mối liên hệ đủ rõ giữa việc sử dụng AI và một kết quả có ý nghĩa đối với công việc.
Điểm nghẽn 4: AI giúp mọi người có thể “tự xây”, nhưng tổ chức chưa có cách quản lý việc đó
AI đang làm mờ ranh giới giữa người kỹ thuật và người không kỹ thuật.
Ngày nay, một người không phải lập trình viên cũng có thể tạo chatbot, tự động hóa một quy trình, viết một đoạn mã hoặc xây một công cụ nội bộ nhỏ.
Đây là một cơ hội rất lớn vì người hiểu nghiệp vụ có thể trực tiếp tham gia xây giải pháp cho vấn đề của mình.
Nhưng nó cũng tạo ra thách thức mới.
Một công cụ có thể được xây rất nhanh nhưng:
ai sẽ kiểm tra chất lượng?
dữ liệu được sử dụng có phù hợp không?
ai chịu trách nhiệm nếu có lỗi?
công cụ sẽ được duy trì thế nào?
có thực sự có người dùng không?
SmartHR mô tả khá rõ ba “bức tường” của việc áp dụng AI tại các bộ phận không phải kỹ thuật:
tạo được → đưa vào công việc được → duy trì được ở cấp tổ chức.
Đây là một khác biệt rất quan trọng.
Một công cụ chạy được không có nghĩa nó đã sẵn sàng để sử dụng trong công việc.
Và một cá nhân sử dụng được không có nghĩa tổ chức có thể duy trì nó lâu dài.
Từ đây tôi rút ra một kết luận mà tôi thấy rất đáng chú ý:
Muốn tự động hóa tốt, đôi khi doanh nghiệp phải chuẩn hóa công việc trước.
AI có thể làm lộ rõ những điểm yếu vốn đã tồn tại trong quy trình: thông tin phân tán, tiêu chuẩn chất lượng không rõ ràng, kiến thức phụ thuộc vào một cá nhân hoặc không có người chịu trách nhiệm rõ ràng.
Vì vậy, thúc đẩy AI cũng là một cơ hội để cải thiện cách tổ chức quản lý công việc.
4. Cách vượt qua các điểm nghẽn: tạo “con đường dễ nhất để làm đúng”
Doanh nghiệp không thể viết quy định cho tất cả các tình huống sử dụng AI.
Công nghệ thay đổi quá nhanh và trường hợp sử dụng quá đa dạng.
Một cách tiếp cận hiệu quả hơn là tạo ra một con đường chuẩn đủ đơn giản để mọi người có thể đi theo.
Link and Motivation sử dụng cách tiếp cận tương tự đối với những công cụ AI do người không phải kỹ sư xây dựng.
Thay vì một người có ý tưởng rồi lập tức xây và đưa vào sử dụng, quá trình được chia thành một số bước rõ ràng:
Xác định vấn đề → Thử với nhóm nhỏ → Kiểm chứng giá trị → Kiểm tra rủi ro và chi phí → Xác định người chịu trách nhiệm → Mở rộng nếu thành công.
Điều tôi thích ở cách tiếp cận này là nó không yêu cầu mọi người phải trở thành chuyên gia về quản lý sản phẩm, kỹ thuật hay bảo mật.
Người dùng chỉ cần đi theo một con đường đã được thiết kế để giảm những sai sót phổ biến.
Đây cũng là cách quản trị AI nên được xây dựng.
Quản trị không nên chỉ trả lời:
“Cái gì bị cấm?”
Mà nên giúp người dùng trả lời:
“Nếu tôi muốn thử ý tưởng này một cách an toàn thì tôi phải làm gì?”
Ví dụ, mức quyền của AI cũng có thể được phân theo rủi ro.
Việc sử dụng AI để tạo một bản nháp nội bộ có mức rủi ro rất khác so với một tác nhân AI có khả năng đọc dữ liệu, ghi dữ liệu hoặc tự thực hiện hành động trong hệ thống.
Vì vậy, thay vì chỉ có hai trạng thái “được phép” và “không được phép”, doanh nghiệp có thể xây nhiều mức khác nhau.
Khả năng của công cụ càng lớn thì yêu cầu về kỹ năng, kiểm tra và trách nhiệm của người dùng càng cao.
Nguyên tắc ở đây là:
Quyền sử dụng AI nên tăng cùng với năng lực và trách nhiệm của người sử dụng.
Bên cạnh quản trị, việc đo lường cũng cần được thiết kế đơn giản.
Thay vì cố gắng tính toán ngay hiệu quả tài chính của mọi trường hợp AI, có thể bắt đầu bằng một chuỗi:
Đầu tư → Sử dụng → Thay đổi quy trình → Kết quả công việc → Tác động đối với bộ phận.
Chuỗi này giúp xác định giá trị đang bị “kẹt” ở đâu.
Nếu đã mua công cụ nhưng không ai sử dụng, vấn đề nằm ở mức độ áp dụng.
Nếu sử dụng nhiều nhưng cách làm việc không thay đổi, AI có thể mới chỉ được dùng như công cụ hỗ trợ cá nhân.
Nếu quy trình đã thay đổi nhưng kết quả chưa tốt hơn, cần xem lại trường hợp sử dụng hoặc chất lượng giải pháp.
Nếu đã có kết quả nhưng chưa tạo ra tác động lớn hơn, có thể phần năng lực được giải phóng chưa được tái đầu tư vào đúng hoạt động.
Như vậy, thay vì tranh luận chung chung rằng “chương trình AI có hiệu quả hay không”, doanh nghiệp có thể xác định cụ thể điểm nào cần cải thiện.
5. Nhìn lại Scuti Ai: chúng ta đang ở đâu?
Nếu đối chiếu các bài học trên với Scuti Ai, điều đầu tiên tôi nhận thấy là công ty không thiếu các hoạt động thúc đẩy AI.
Ngược lại, Scuti Ai đã xây dựng khá nhiều chương trình theo những hướng khác nhau.
Skill Boost Program khuyến khích nhân viên chủ động học các khóa học trực tuyến về AI trên Google, Microsoft và các nền tảng phù hợp. Nhân viên hoàn thành khóa học và nhận huy hiệu được thưởng khuyến khích. Với các chứng chỉ chính thức, công ty còn hỗ trợ chi phí thi và có mức thưởng tương ứng với cấp độ chứng chỉ.
Điều này tạo động lực khá rõ để nhân viên chủ động nâng cao kỹ năng.
AI Quest Program khuyến khích nhân viên tìm hiểu sâu hơn về các chủ đề AI do ban lãnh đạo đưa ra, sau đó tổng hợp kiến thức thành bài blog đăng trên website công ty.
Hoạt động này vừa tạo động lực nghiên cứu, vừa giúp kiến thức không chỉ dừng ở từng cá nhân mà có thể được chia sẻ rộng hơn.
AI Learning Mindset and Behaviors Evaluation đưa hoạt động học hỏi và chia sẻ về AI trở thành một trụ cột trong đánh giá nhân sự. Các tiêu chí có thể bao gồm việc viết blog, chia sẻ tin tức AI có liên quan tới công việc trên kênh Gen AI, hoàn thành khóa học, đạt chứng chỉ hoặc tổ chức seminar chia sẻ kiến thức.
Điều này cho thấy AI không chỉ được xem là một phong trào ngắn hạn mà đã được đưa vào hệ thống đánh giá.
AI Ambassador Policy xây dựng mạng lưới Đại sứ AI tại các bộ phận. Đại sứ có vai trò tìm hiểu những vấn đề và khó khăn của bộ phận mình, sau đó tổng hợp lên Hội đồng AI để cùng tìm giải pháp.
Trước đó Scuti Ai cũng từng có AI Strong Team, tập hợp những thành viên có năng lực AI tốt để thử nghiệm công cụ mới, chia sẻ kiến thức và thúc đẩy việc áp dụng AI. Sau khi chương trình Đại sứ AI được triển khai, nhóm này hiện không còn hoạt động.
Nhìn tổng thể, Scuti Ai đã có khá nhiều thành phần quan trọng:
có chương trình học tập;
có cơ chế khuyến khích;
có đánh giá;
có hoạt động chia sẻ kiến thức;
có mạng lưới Đại sứ AI tại các bộ phận;
và có Hội đồng AI để xử lý các vấn đề ở cấp độ công ty.
Nếu nhìn theo tinh thần của mô hình McKinsey 7S, Scuti Ai đã xây dựng tương đối rõ các yếu tố về hệ thống và cơ cấu thông qua chương trình, chính sách, đánh giá và mạng lưới thúc đẩy AI.
Tuy nhiên, phần khó hơn lại nằm ở những yếu tố “mềm”: giá trị chung, phong cách làm việc, thói quen và cách mỗi cá nhân nhìn nhận AI.
Đây cũng là điểm tôi cảm thấy Scuti Ai vẫn còn một khoảng trống.
Nhân viên có thể học AI vì có incentive.
Có thể lấy chứng chỉ vì được hỗ trợ chi phí.
Có thể viết blog hoặc chia sẻ tin tức vì hoạt động đó nằm trong KPI đánh giá.
Những cơ chế này rất cần thiết và đã giúp tạo nền tảng tốt.
Nhưng câu hỏi tiếp theo là:
Nếu bỏ phần thưởng và KPI đi, nhân viên có còn chủ động tìm cách sử dụng AI để cải thiện công việc hay không?
Theo tôi, đây mới là bài kiểm tra quan trọng về mức độ chuyển hóa.
Pain point của Scuti Ai hiện tại vì vậy không phải là:
“Công ty chưa có đủ chương trình thúc đẩy AI.”
Mà là:
“Làm thế nào để các chương trình hiện có tạo ra sự chuyển dịch từ học và sử dụng AI vì cơ chế sang chủ động dùng AI để giải quyết vấn đề và cải thiện công việc?”
Đây là một bài toán khó hơn nhiều so với việc thiết kế thêm một chương trình mới.
Bởi văn hóa không thể được tạo ra chỉ bằng chính sách.
Nó được hình thành khi một hành vi được lặp lại đủ nhiều, tạo ra kết quả thực tế và được mọi người nhìn nhận là một cách làm tốt.
Theo tôi, đây nên là trọng tâm của giai đoạn tiếp theo tại Scuti Ai.
6. Ba chiến lược tôi muốn ưu tiên tại Scuti Ai
Thay vì bổ sung thêm nhiều chương trình mới, tôi muốn tập trung vào việc kết nối và điều chỉnh những gì Scuti Ai đang có.
Ba chiến lược dưới đây đều hướng tới một mục tiêu chung:
chuyển động lực từ bên ngoài thành động lực bên trong, và chuyển hoạt động học AI thành thay đổi thực tế trong công việc.
Chiến lược 1: Chuyển trọng tâm từ “hoạt động AI” sang “thay đổi công việc”
Các chương trình hiện tại đang tạo động lực rất tốt cho những hoạt động đầu vào như:
học khóa học;
đạt chứng chỉ;
viết blog;
chia sẻ kiến thức;
tham gia seminar.
Đây là nền tảng cần thiết.
Tuy nhiên, ở giai đoạn tiếp theo tôi muốn bổ sung một câu hỏi khác vào cách đánh giá:
“AI đã giúp công việc của bạn thay đổi như thế nào?”
Ví dụ, thay vì chỉ ghi nhận rằng một nhân viên đã hoàn thành một khóa học về AI, có thể khuyến khích họ áp dụng một phần kiến thức đó vào một vấn đề thực tế.
Nội dung chia sẻ không cần phức tạp.
Chỉ cần trả lời được bốn câu hỏi:
Vấn đề trước đây là gì?
AI được áp dụng ở bước nào?
Cách làm mới khác cách cũ ra sao?
Kết quả có tốt hơn không?
Một thay đổi nhỏ như giảm 20 phút cho một thao tác lặp lại, giảm số lần phải sửa tài liệu hoặc tạo được một cách tổng hợp thông tin tốt hơn đều có thể là kết quả có giá trị.
Điều quan trọng là thay đổi cách chúng ta nhìn nhận thành công.
Thành công không chỉ là:
“Tôi đã học thêm một kỹ năng AI.”
Mà tiến thêm một bước:
“Tôi đã dùng kỹ năng đó để làm công việc tốt hơn.”
Khi đó, các chương trình hiện có có thể liên kết với nhau thành một chuỗi rõ ràng:
Học → Thử → Áp dụng → Đo kết quả → Chia sẻ.
Skill Boost tạo ra kiến thức.
AI Quest và hoạt động chia sẻ giúp nhân viên đào sâu và truyền bá kiến thức.
Việc đánh giá AI có thể dần ghi nhận cả mức độ chuyển kiến thức đó thành cải tiến thực tế.
Như vậy, không cần loại bỏ hay thay thế các chương trình hiện tại.
Chỉ cần làm cho chúng nối với nhau tốt hơn.
Theo tôi, đây là bước quan trọng nhất để chuyển từ “nhiều hoạt động AI” sang “AI thực sự tạo ra thay đổi”.
Chiến lược 2: Nâng vai trò Đại sứ AI từ “thu thập vấn đề” thành “người thúc đẩy thử nghiệm”
Mô hình Đại sứ AI hiện tại có một lợi thế rất lớn:
Đại sứ nằm ngay trong bộ phận.
Họ hiểu công việc của đồng nghiệp, biết quy trình nào đang bất tiện và có thể quan sát những vấn đề mà một nhóm AI trung tâm khó nhìn thấy.
Đây chính là điều mà cả SmartHR và Link and Motivation đều nhấn mạnh: việc tìm kiếm cơ hội áp dụng AI nên xảy ra gần nơi công việc được thực hiện.
Tuy nhiên, nếu vai trò của Đại sứ chủ yếu là thu thập vấn đề rồi chuyển toàn bộ lên Hội đồng AI, Hội đồng AI có thể dần trở thành điểm nghẽn.
Số lượng vấn đề càng nhiều, nhóm trung tâm càng khó xử lý đủ sâu.
Theo tôi, vai trò của Đại sứ có thể phát triển thêm theo một vòng đơn giản:
Phát hiện vấn đề → Chọn một vấn đề nhỏ → Thử nghiệm → Đo kết quả → Chia sẻ lại.
Không phải mọi vấn đề đều cần đưa ngay lên Hội đồng AI để tìm một giải pháp lớn.
Một số vấn đề hoàn toàn có thể được thử nghiệm nhanh ngay tại bộ phận.
Vai trò của Hội đồng AI khi đó cũng thay đổi.
Thay vì phải trực tiếp giải quyết tất cả vấn đề, Hội đồng có thể tập trung vào việc:
cung cấp cách tiếp cận;
đề xuất công cụ;
tư vấn về bảo mật và dữ liệu;
kết nối người có chuyên môn;
hỗ trợ những trường hợp khó;
và giúp nhân rộng những cách làm đã chứng minh được giá trị.
Nói cách khác, Hội đồng AI nên đóng vai trò hỗ trợ để các bộ phận tự giải quyết được nhiều vấn đề hơn, thay vì trở thành nơi mọi vấn đề đều phải tập trung về.
Điều này giúp việc thúc đẩy AI có khả năng mở rộng tốt hơn.
Đồng thời Đại sứ AI cũng không còn chỉ là “đầu mối liên lạc”.
Họ trở thành người tạo ra thay đổi tại bộ phận.
Tôi cho rằng đây là một vai trò rất quan trọng trong việc hình thành văn hóa.
Bởi hành vi của nhân viên thường thay đổi dễ hơn khi họ nhìn thấy một đồng nghiệp trong chính team của mình đang sử dụng AI hiệu quả, thay vì chỉ nghe hướng dẫn từ một nhóm trung tâm.
Chiến lược 3: Tạo các “câu chuyện thành công” để chuyển từ động lực bên ngoài sang động lực tự thân
Theo tôi, đây là chiến lược quan trọng nhất nếu mục tiêu cuối cùng là xây dựng văn hóa chủ động sử dụng AI.
Văn hóa rất khó hình thành chỉ bằng quy định.
Công ty có thể đưa AI vào KPI.
Có thể thưởng tiền cho khóa học.
Có thể yêu cầu chia sẻ kiến thức.
Những cơ chế này rất hữu ích để tạo lực đẩy ban đầu.
Nhưng chúng không thể mãi là lý do chính khiến nhân viên sử dụng AI.
Động lực bền vững hơn xuất hiện khi một người nhận ra:
“AI thực sự giúp công việc của tôi dễ hơn hoặc tốt hơn.”
Và cách hiệu quả nhất để tạo niềm tin đó thường không phải một bài thuyết trình về tiềm năng AI.
Đó là một ví dụ gần gũi trong chính công ty.
Ví dụ:
một thành viên đã giảm đáng kể thời gian thực hiện một công việc lặp lại;
một nhóm đã dùng AI để giảm số bước thủ công;
một người đã tạo được cách kiểm tra tài liệu nhanh và ổn định hơn;
hoặc một bộ phận đã thay đổi một quy trình nhỏ và nhận được kết quả rõ ràng.
Những ví dụ này không nhất thiết phải là các dự án lớn.
Ngược lại, trường hợp càng gần với công việc hàng ngày thì càng dễ tạo động lực.
Mỗi trường hợp thành công có thể được tổng hợp theo một mẫu rất ngắn:
Vấn đề → Cách làm cũ → Cách sử dụng AI → Phần con người cần kiểm tra → Kết quả.
Sau đó chia sẻ lại trên Slack, seminar, blog nội bộ hoặc buổi họp.
Như vậy, nội dung chia sẻ AI cũng thay đổi.
Thay vì chủ yếu chia sẻ:
“Công cụ mới này có tính năng gì?”
chúng ta có thêm những nội dung như:
“Team này đã sử dụng AI thế nào và điều gì thực sự tốt lên?”
Đây là một thay đổi nhỏ nhưng có ảnh hưởng lớn tới văn hóa.
Bởi nó chuyển cuộc trò chuyện từ công nghệ sang kết quả.
Khi ngày càng nhiều người nhìn thấy đồng nghiệp sử dụng AI thành công, động lực cũng dần thay đổi:
Từ:
“Tôi học AI vì có incentive.”
Sang:
“AI có vẻ hữu ích, tôi cũng muốn thử.”
Và cuối cùng là:
“Khi gặp một vấn đề trong công việc, tôi tự nhiên nghĩ xem AI có thể giúp gì không.”
Theo tôi, đây chính là trạng thái mà Scuti Ai nên hướng tới.
7. Kết luận: từ chương trình thúc đẩy AI đến văn hóa chuyển đổi bằng AI
Sau khi nghiên cứu hai trường hợp của Link and Motivation và SmartHR, điều tôi rút ra rõ nhất là:
khó khăn lớn nhất của việc thúc đẩy AI không nằm ở việc lựa chọn công cụ.
Công cụ sẽ liên tục thay đổi.
Hôm nay ChatGPT mạnh ở một khả năng.
Ngày mai Gemini, Claude hoặc một công cụ mới có thể làm tốt hơn.
Những kỹ năng sử dụng một công cụ cụ thể vì vậy có thể nhanh chóng lỗi thời.
Nhưng một số năng lực của tổ chức sẽ vẫn có giá trị lâu dài:
khả năng phát hiện vấn đề;
khả năng phân tích quy trình;
khả năng thử nghiệm nhanh;
khả năng kiểm chứng giá trị;
khả năng quản lý rủi ro;
khả năng chia sẻ kinh nghiệm;
và khả năng biến một cách làm tốt của cá nhân thành cách làm chung của tổ chức.
Link and Motivation cho thấy việc cấp công cụ chưa chắc tạo ra thói quen sử dụng, sử dụng nhiều chưa chắc tạo ra kết quả và một công cụ chạy được chưa chắc có thể vận hành bền vững.
SmartHR cho thấy thúc đẩy AI cần được xem là một chương trình thay đổi tổ chức, trong đó ban lãnh đạo, nhóm hỗ trợ trung tâm và người thúc đẩy AI tại từng bộ phận đều có vai trò riêng.
Khi nhìn lại Scuti Ai, tôi cho rằng công ty đã có một nền tảng khá tốt.
Chúng ta đã có chương trình học tập.
Có cơ chế khuyến khích.
Có đánh giá.
Có hoạt động chia sẻ.
Có Đại sứ AI.
Có Hội đồng AI.
Vì vậy, bước tiếp theo không nhất thiết là tạo thêm nhiều chương trình.
Điều quan trọng hơn là kết nối những chương trình hiện có thành một vòng chuyển hóa rõ ràng:
Học → Phát hiện vấn đề → Thử nghiệm → Áp dụng vào công việc → Đo kết quả → Chia sẻ → Nhân rộng.
Ở giai đoạn đầu, incentive và KPI có vai trò rất quan trọng.
Chúng giúp tạo ra động lực để mọi người bắt đầu.
Nhưng mục tiêu cuối cùng nên là làm cho những động lực bên ngoài này ngày càng ít quan trọng hơn.
Bởi khi một nhân viên đã tự trải nghiệm rằng AI giúp họ giảm công việc lặp lại, tăng chất lượng hoặc giải quyết một vấn đề nhanh hơn, họ không cần ai nhắc rằng nên sử dụng AI.
Họ sẽ tự tìm cách sử dụng.
Khi một Đại sứ AI không chỉ thu thập vấn đề mà có thể dẫn dắt những thử nghiệm nhỏ trong team, việc cải tiến không còn phụ thuộc hoàn toàn vào nhóm trung tâm.
Khi những trường hợp thành công được chia sẻ rộng rãi, kiến thức không còn nằm ở từng cá nhân mà dần trở thành năng lực của tổ chức.
Và khi ngày càng nhiều người hình thành thói quen đặt câu hỏi:
“Có cách nào sử dụng AI để làm công việc này tốt hơn không?”
thì AI không còn là một chương trình của công ty.
Nó trở thành một phần trong cách công ty làm việc.
Theo tôi, đó mới là dấu hiệu thực sự của chuyển hóa bằng AI.
Nguồn tham khảo
Link and Motivation
“全社員がAIを「使う」の次へ ― ノンエンジニア1,500人のAI活用を成果に繋げ、安全に広げるプラットフォームの作り方”
Nguồn: https://speakerdeck.com/lmi/pek2026-link-and-motivation
SmartHR
“SmartHRの全社AI推進は、どう始まったか”
Nguồn: https://speakerdeck.com/yoshikikonishi_/smarthr-no-zensha-ai-suishin-ha-dou-hajimata-ka