Tech Talks: Head of AI & Data MoMo và hành trình đưa AI trở thành bản năng doanh nghiệp 

Tại Tech Talks lần này, một thực tế gai góc về làn sóng trí tuệ nhân tạo đã được phơi bày qua góc nhìn của chị Tăng Thị Hà Yên – Head of AI & Data tại MoMo. Là người đã gắn bó với ví điện tử này suốt gần 8 năm, chị Hà Yên đã chứng kiến trọn vẹn bước chuyển mình của MoMo từ tư duy “Mobile First” sang xu hướng “Agent AI” của năm 2026. 

Nghịch lý GenAI: hiệu suất cá nhân tăng nhưng P&L bất động

Mở đầu bài chia sẻ, chị Hà Yên dẫn lại một con số đáng suy ngẫm từ phòng nghiên cứu của MIT vào cuối 2024, đầu 2025: có đến 95% công ty đang triển khai GenAI không chứng minh được hiệu quả trên báo cáo tài chính (P&L). Điều này tạo nên một khoảng cách nghịch lý lớn khi ở cấp độ cá nhân, gần như nhân sự nào cũng cảm thấy mình làm việc nhanh hơn, năng suất hơn nhờ biết dùng AI để tóm tắt tài liệu, ghi chép cuộc họp hay tạo slide. 

Khi đo lường trên tổng thể P&L của cả tổ chức thì con số ấy lại không đủ cụ thể. Ngược lại, 5% doanh nghiệp hiếm hoi nhìn thấy hiệu quả kinh tế là do họ áp dụng AI vào một use case cực kỳ cụ thể, chẳng hạn như rút ngắn thời gian xử lý của đội ngũ back-office tài chính.

Từ thực tế lửng lơ đó, Head of AI & Data của MoMo khẳng định: “Vấn đề không chỉ nằm ở công nghệ, mà ở cả quy trình và con người.”

Chị Hà Yên phân tích thêm rằng việc ứng dụng AI không thể chỉ xuất hiện rời rạc ở một vài phòng ban, phải được nhúng và thẩm thấu vào toàn bộ quy trình vận hành để đưa doanh nghiệp dịch chuyển sang một hình thái mới mang tên “autonomous process”. 

Lộ trình 3 giai đoạn và tổ hợp thành tố 3P1D

Để giúp các doanh nghiệp tự định vị, chị Hà Yên đã phân chia chiến lược chuyển đổi AI thành ba giai đoạn rõ rệt. 

Stage 1 – AI Curious (Tò mò về AI): Giai đoạn sơ khởi khi các công ty muốn thử nghiệm, ví dụ như tích hợp chatbot để giải đáp thắc mắc nội bộ, hoặc chạy thử nghiệm quy trình tuyển dụng dùng AI để quét và lọc CV của ứng viên.

Stage 2 – AI Driven (Dẫn dắt bởi AI): Lúc này, AI và Data bắt đầu tham gia sâu hơn để hỗ trợ nhân sự hra quyết định và doanh nghiệp bắt đầu chứng minh được chỉ số ROI. Thay vì một Marketer phải tự mò mẫm chọn vài đặc tính để phân khúc khách hàng, họ sẽ dùng Machine Learning để tìm ra tệp khách hàng mục tiêu chuẩn xác nhất, vừa tăng tỷ lệ chuyển đổi vừa tối ưu chi phí.

Stage 3 – AI Native (Thuần AI): Đây là đích đến cao nhất khi AI không chỉ dừng lại ở vai trò trợ lý, mà tự chủ hoàn toàn quy trình (autonomous process). Ở giai đoạn này, ranh giới giữa việc “có ROI” và “giúp mọi người làm việc hiệu quả hơn” sẽ biến mất. AI được nhúng thẳng vào ADN sản phẩm và mô hình vận hành, hoạt động một cách tự động và độc lập.

Để dẫn dắt hành trình phức tạp này, chị Hà Yên đã xây dựng tổ hợp thành tố 3P1D. Trong đó, ba chữ P đại diện cho ba trụ cột: Product (Sản phẩm), Process (Quy trình), và People (Con người). Cấu phần 1D là Data (Dữ liệu) thuộc về hạ tầng vận hành tổng thể gồm cơ sở dữ liệu, chi phí cho các mô hình ngôn ngữ lớn bên ngoài, cùng hệ thống đào tạo và quản trị sự thay đổi của con người. Ba chữ P chính là bộ khung định hình chiến lược, còn 1D là nền móng chống đỡ cho toàn bộ sự chuyển dịch. 

AI-Driven đến AI-Native: Bước nhảy vọt từ sản phẩm đến quy trình 

Để làm rõ sự khác biệt giữa AI-driven và AI-native, chị Hà Yên đã đưa ra một ví dụ trực quan về một sản phẩm cho vay tiêu dùng tại MoMo. Bài toán đặt ra là một bạn sinh viên cần vay gấp 5 triệu đồng để trả tiền trọ nhưng không thể chứng minh thu nhập hay có lịch sử tín dụng quốc gia. Trên thực tế, có đến 60-70% sinh viên rơi vào nhóm hồ sơ mỏng như vậy.

Nếu tiếp cận theo AI-driven, MoMo sẽ sử dụng dữ liệu thay thế thay vì dữ liệu tín dụng truyền thống. Hệ thống ghi nhận dù bạn sinh viên chưa từng vay tiền, nhưng có ba người bạn đã vay và trả nợ đúng hạn, đồng thời bản thân bạn ấy có 18 tháng liên tục thanh toán tiền điện thoại đều đặn trên app. Những dữ liệu hành vi này được máy tính xử lý thành điểm tín dụng để tự động phê duyệt khoản vay từ vài ngày xuống còn 1-3 phút. Đây chính là minh chứng của việc AI hỗ trợ hệ thống ra quyết định.

Tuy nhiên, nếu bước sang hình thái AI-native, sản phẩm sẽ vận hành hoàn toàn khác biệt thông qua trợ lý thông minh Moni. Con chatbot này không chỉ trả lời câu hỏi, mà tự động truy cập dữ liệu giao dịch để thống kê chi tiêu, chủ động cảnh báo khi có biến động bất thường và đưa ra lời khuyên tài chính. Thậm chí, khi người dùng muốn mua vé xem phim, vé máy bay hay data 3G/4G, họ chỉ cần ra lệnh ngay trong khung chat, con Agent này sẽ tự động kích hoạt để check-out và thanh toán mà không cần người dùng phải mở một ứng dụng hay trang web khác.

“AI-driven hỗ trợ ra quyết định, còn AI-native có thể thay mặt người dùng ra quyết định dưới sự giám sát và can thiệp vào hành vi sử dụng hàng ngày.”

Sự dịch chuyển này đòi hỏi doanh nghiệp phải thấu suốt bản đồ hành trình khách hàng để biết chính xác thời điểm nào AI cần truy cập dữ liệu, thời điểm nào hỗ trợ ra quyết định, và thời điểm nào có thể quyết định với sự cho phép của người dùng.

Không chỉ dừng lại ở sản phẩm, tư duy AI-native còn tái định nghĩa lại toàn bộ quy trình làm việc (Process). Chị Hà Yên phân tích một quy trình phát triển sản phẩm truyền thống từ khâu thấu cảm, nghiên cứu thị trường, ra concept, thiết kế Figma, viết tài liệu API cho đến làm prototype, thử nghiệm và kiểm thử chất lượng. Ở mô hình AI-driven, từng cá nhân ở mỗi bước đều tự dùng AI một cách cô lập: người làm nghiên cứu dùng AI phân tích data, người làm thiết kế dùng AI tạo Figma, lập trình viên dùng AI để viết code.

Nhưng bản chất đây vẫn là tác vụ AI riêng lẻ, dòng chảy workflow vẫn bị nghẽn khi Designer vẫn phải ôm bản vẽ Figma sang giải thích cho anh Dev, làm tiêu tốn nhiều thời gian giao tiếp.

Để giải quyết triệt để bài toán này, MoMo đang tối ưu hóa bằng phương thức mang tên “Product development flow”. Thông qua việc sử dụng các AI Agent để tự động hóa toàn bộ tiến trình từ khâu ý tưởng thô ra thẳng sản phẩm code hoàn chỉnh, MoMo đã nén thời gian phát triển một tính năng từ 5 ngày xuống chỉ còn đúng 1 ngày. Điểm mấu chốt ở đây là các kỹ năng chuyên môn không còn gắn chặt với một nhân sự cụ thể mà được tổng hòa vào một Agent vận hành bằng mô hình ngôn ngữ lớn (LLM).

Một chuỗi công việc trước đây thâm dụng đến 10 nhân sự từ Product, Business, Data Analyst đến Frontend/Backend Dev thì nay có thể rút gọn lại chỉ còn vài người điều phối. Đây trở thành một cuộc cách mạng thay đổi hoàn toàn phương thức làm việc chứ không đơn thuần là câu chuyện công nghệ.

Mô hình học tập chữ T khắc chế nỗi sợ bị thay thế

Đi sâu vào bài toán con người (People), chị Hà Yên thừa nhận đây là phần thách thức nhất vì nó chạm đến khía cạnh tâm lý học của tổ chức. Khi doanh nghiệp chuyển dịch sang mô hình thuần AI, tư duy “ốc đảo” của một vài team công nghệ làm AI rồi đem phân phát cho các bộ phận khác hoàn toàn bị xóa bỏ. Tất cả nhân sự từ HR, Marketing, Dev đến Data Analyst đều phải bước vào vòng xoáy chuyển đổi. Giai đoạn này đòi hỏi tổ chức phải chuẩn bị kỹ lưỡng hai yếu tố: tâm lý tập thể và sự thích ứng của từng cá nhân.

Chị Yên chỉ ra một thực tế mà nhiều doanh nghiệp thường né tránh: hầu hết nhân sự đều mang tâm lý lo sợ bị AI tước mất cơ hội việc làm “Tại sao mình lại phải giúp AI làm tốt công việc của chính mình.”, dẫn đến sự phản kháng ngầm trong quá trình vận hành.

Để không bị đào thải, chị Hà Yên gợi ý nhân sự cần chủ động tái định vị năng lực theo mô hình học tập hình chữ T thế hệ mới. Trục dọc của chữ T vẫn là phần lõi năng lực không thể thay thế của mỗi người. Giao điểm của chữ T là kỹ năng sử dụng thành thạo các công cụ AI tạo sinh.

Trong khi đó, trục ngang của chữ T chính là sự mở rộng sang các lĩnh vực lân cận. Ở nhánh công nghệ, một kỹ sư backend cần học thêm frontend, một marketer cần biết dùng công cụ để tự làm data analyst. Ở nhánh phi kỹ thuật, một bạn dev cần học cách tư duy sản phẩm và thấu hiểu góc nhìn marketing, ngược lại, người làm marketing phải học cách đọc bảng dòng tiền P&L và thiết lập bài toán kinh doanh.

Dù khối lượng kiến thức này dễ gây cảm giác quá tải, nhưng chị khẳng định đây chính là chìa khóa giúp nhân sự thực thi với tốc độ cực nhanh khi xây dựng các sản phẩm AI.

Lời kết 

Khép lại buổi chia sẻ, chị Hà Yên mang đến một lời khuyên chân thành cho những nhà quản lý và nhân sự không xuất thân từ khối ngành công nghệ: Thay vì quá sa đà vào khía cạnh kỹ thuật của các sản phẩm AI-native, doanh nghiệp nên dành sự tập trung tối đa cho hai yếu tố Process và People. Quy trình thay đổi đồng nghĩa với việc phải đập bỏ hoàn toàn lối tư duy cũ, và con người phải chuẩn bị tâm thế cho một kỷ nguyên mà tổ chức không còn tuyển dụng những nhân sự chỉ biết duy nhất một kỹ năng thuần túy.

Việc vừa học vừa kiểm nghiệm và tìm kiếm cách sử dụng AI hiệu quả là thông điệp cốt lõi, là lời gợi mở về một tư duy quản trị mới mà chị Hà Yên muốn gửi gắm đến học viên PSO MBA. 

> Đọc thêm: Vì sao 70% dự án AI thất bại? 

Tech Talks là series quy tụ các chuyên gia công nghệ chia sẻ xu hướng chuyển đổi số, phân tích các rào cản kỹ thuật trong doanh nghiệp và chuyển hóa thành giải pháp công nghệ tối ưu theo triết lý đào tạo của PSO – Problem Solving in Organization.