Tech Talks: Vì sao 70% dự án AI thất bại?

Doanh nghiệp đang đổ tiền vào AI nhiều hơn bao giờ hết, nhưng phần lớn các dự án vẫn dừng lại ở vài bản thử nghiệm rồi lặng lẽ bị bỏ dở. Điều đáng nói là chúng hiếm khi “chết” vì công nghệ yếu. Vậy ranh giới giữa một dự án AI về đích thành công và một khoản đầu tư lãng phí nằm ở đâu?

Để giải mã bài toán này, cùng Tech Talks lắng nghe chia sẻ từ anh Tiền Gia Tuấn – Technical Project Manager, đồng thời là cựu học viên lớp MBA Talent – Khóa 2023. Với hơn 8 năm kinh nghiệm thực chiến tại các tập đoàn công nghệ như Bosch, Lazada và FPT Software, anh đã trực tiếp tham gia vào nhiều dự án AI, Data và chuyển đổi số – bao gồm cả những dự án cán đích rực rỡ lẫn những bài học xương máu từ các dự án không thành công.

Bản chất của thất bại: Khi “Dữ liệu bẩn” gặp “Kỳ vọng ảo”

Vì sao nhiều dự án AI và Data trong doanh nghiệp lại không về đích thành công, dù công nghệ ngày càng mạnh mẽ?

Có một nguyên lý rất đơn giản: “Garbage In, Garbage Out”. Nếu đưa dữ liệu bẩn vào AI thì AI cũng trả lại kết quả bẩn. Dữ liệu của bạn sạch tới đâu, kết quả AI trả về sẽ chính xác tới đó. Vì vậy, trước khi nói đến chuyện ứng dụng AI hiệu quả, doanh nghiệp phải trả lời được câu hỏi: Mình đang có dữ liệu gì và phải làm sạch nó như thế nào để AI hoạt động đúng?

Rủi ro trong các dự án AI thường được chia thành 4 nhóm chính:

• Nền tảng dữ liệu: Chất lượng dữ liệu kém, thiếu đồng bộ.
• Kỳ vọng: Mục tiêu xa rời thực tế, thiếu định hướng.
• Con người & Quy trình: Sự phản kháng của nhân sự hoặc quy trình không tương thích.
• Kỹ thuật: Các rào cản về mặt công nghệ thuần túy.

Tuy nhiên, gốc rễ gần như luôn quay về chất lượng dữ liệu. Một điểm kỹ thuật ít người để ý là dữ liệu có tuổi thọ. Dữ liệu dùng để train AI hôm nay, sau khoảng 4 đến 6 tháng có thể không còn áp dụng được nữa. Khi đó, kết quả kiểm định của mô hình cũng bị ảnh hưởng và không còn chính xác.

“Dữ liệu có tuổi thọ. Mô hình được train hôm nay có thể hoàn toàn lỗi thời sau 4-6 tháng nữa nếu dữ liệu không còn độ fresh’.”

Vậy còn yếu tố kỳ vọng của doanh nghiệp và tâm lý con người tác động cụ thể thế nào đến một dự án AI?

Về mặt kỳ vọng, nhìn lại những dự án Big Data và AI FPT Software triển khai cho khách hàng, ban đầu khách hàng thường chỉ muốn xây dựng một chatbot xử lý FAQ đơn giản, đọc tài liệu, file văn bản hoặc PDF. Nhưng ngay sau khi thấy ChatGPT hay Gemini quá mạnh, họ lập tức muốn chatbot phải check out được đơn hàng, kiểm tra được kho bãi, rồi đòi hỏi thêm hàng loạt tính năng phức tạp khác.

Họ không lường được rằng phía dưới những tính năng đó là một hệ thống kỹ thuật cực kỳ phức tạp. Khách hàng chỉ nghĩ đơn giản ở góc độ kinh doanh, dẫn đến phạm vi dự án cứ thế phình to ra trong khi không có KPI rõ ràng. Do đó, nguyên tắc tối quan trọng là phải xác định được KPI ban đầu cho sản phẩm thì mới triển khai hiệu quả.

Về mặt con người, như tôi đã chia sẻ, hơn 70% thất bại nằm ở con người và quy trình. Tôi từng chứng kiến trường hợp một CEO bỏ ra số tiền rất lớn để mua một ứng dụng AI cực mạnh cho công ty, nhưng cuối cùng không một ai sử dụng chỉ bởi nhân viên sợ AI giỏi quá sẽ lấy mất công việc của họ. Kết cục, khoản đầu tư khổng lồ đó coi như lãng phí hoàn toàn.

“Mô hình hóa” dự án để thích ứng với tốc độ của AI

Với những rủi ro về dữ liệu cũ và các model công nghệ thay đổi liên tục, anh tiếp cận quy mô và chu kỳ của một dự án như thế nào?

Tuyệt đối không nên chạy một dự án AI quá dài. Giả sử bạn triển khai một dự án AI trong vòng 6 tháng. Đến khi hoàn thành, sản phẩm đó có thể đã không còn năng lực cạnh tranh trên thị trường nữa. Nguyên nhân là vì dữ liệu không còn độ “fresh” như lúc khách hàng bàn giao ban đầu, đồng thời các mô hình AI thế giới cũng liên tục được nâng cấp.

Hãy nhìn xem, các ông lớn như Chat GPT, Gemini hay Claude cứ 1 đến 2 tuần lại tung ra một phiên bản mới. Chúng ta không thể đoán trước dữ liệu hay model sẽ thay đổi ra sao trong một chu kỳ dài như vậy.

Giải pháp ở đây là gì? Doanh nghiệp cần cắt nhỏ scope thành một MVP (Minimum Viable Product – Sản phẩm khả dụng tối thiểu) đủ gọn, vận hành thử nghiệm trong khoảng 1 tháng. Sau đó, chúng ta tiến hành nâng cấp sản phẩm cuốn chiếu theo thời gian, bám sát những thay đổi về dữ liệu, model và xu hướng công nghệ thực tế ngoài thị trường.

Để một doanh nghiệp thực sự dịch chuyển sang tư duy “AI-first”, họ cần thay đổi từ đâu?

Trước hết, cần phải có một bước chuyển dịch tư duy: Trước khi muốn tự động hóa một việc gì đó, bạn phải hiểu rõ quy trình trước đã. Nhân sự cần có kiến thức chuyên ngành, nắm vững bản chất vấn đề rồi mới “phủ” AI lên trên.

Ở cấp độ tổ chức, điều này phải bắt đầu từ ban lãnh đạo thông qua việc truyền đạt một tầm nhìn AI rõ ràng và xác định được lộ trình cụ thể:

• AI sẽ thay đổi cấu trúc sản phẩm như thế nào?
• AI mang lại ý nghĩa gì trong việc giành lại thị phần?
• AI được tích hợp vào luồng công việc nội bộ ra sao?

Khi cả công ty cùng được đồng bộ để “think bigger with AI”, thì việc triển khai mới thực sự bền vững chứ không dừng lại ở vài thử nghiệm rời rạc.

Từ bài toán Skywise của Airbus đến hành trình tăng tốc nội bộ

Anh có thể chia sẻ một ví dụ thực tế về việc xây dựng nền tảng dữ liệu đúng cách từ kinh nghiệm của bản thân?

Tôi từng có cơ hội làm Data Engineer trong dự án hợp tác giữa FPT Software và Airbus – một trong những hãng sản xuất máy bay thương mại lớn nhất thế giới, cung cấp máy bay cho các hãng nội địa như Vietnam Airlines, Vietjet hay Bamboo.

Airbus sở hữu một kho dữ liệu khổng lồ thu thập từ các hãng hàng không và từ chính những chiếc máy bay họ bán ra. Tuy nhiên, lượng dữ liệu này được tích lũy qua nhiều năm và nằm rải rác ở khắp các phòng ban khác nhau. Từ thông tin chuyến bay, hành khách, cho đến lịch trình bảo trì từng bộ phận nhỏ của máy bay… tất cả đều không được tập trung về một nền tảng Big Data thống nhất.

Bài toán đặt ra lúc bấy giờ là phải xây dựng một nền tảng để tổng hợp toàn bộ dữ liệu của các hãng hàng không về cùng một mối. Bắt đầu từ năm 2019, đội ngũ gồm hơn 100 kỹ sư dữ liệu của FPT đã liên tục xử lý, định dạng lại cấu trúc và làm sạch toàn bộ nguồn dữ liệu khổng lồ đó để tạo nên một nền móng vững chắc.

Kết quả đạt được vô cùng ấn tượng, nền tảng Skywise ra đời giúp các hãng hàng không dự báo trước từ 6-24 tiếng thời điểm một con ốc hay một động cơ máy bay sắp sửa gặp sự cố để chủ động lên phương án bảo trì.

Việc này giúp giảm thiểu tối đa tình trạng trễ chuyến hoặc phải thay đổi lịch trình bay đột xuất, vốn là những sự cố gây tổn thất rất nặng nề về mặt tài chính cũng như uy tín thương hiệu. Được biết, các hãng hàng không nội địa như Vietnam Airlines và Vietjet cũng đã chính thức tham gia vào nền tảng Skywise này.

Còn việc đưa AI vào vận hành nội bộ, công ty hiện tại của anh đã đi qua hành trình đó như thế nào?

Hành trình ứng dụng AI tại công ty hiện tại của tôi được triển khai rất bài bản xuyên suốt năm 2024. Giai đoạn đầu năm, công ty tập trung tổ chức các buổi họp toàn thể và các buổi hội thảo chuyên đề để ban lãnh đạo trực tiếp truyền tải tầm nhìn AI đến toàn bộ nhân viên, đồng thời xác định lộ trình áp dụng cụ thể.

Đến khoảng tháng 3, các nhóm dự án nhỏ bắt đầu được thành lập để tập trung nghiên cứu và đánh giá mức độ khả thi của từng tính năng AI cụ thể, đồng thời công ty chủ động cấp tài khoản ứng dụng Claude và công cụ Claude Code của Anthropic cho toàn bộ nhân sự để mọi người tự do thử nghiệm cách đưa AI vào công việc hàng ngày.

Trong những tháng tiếp theo, các tính năng sau khi được kiểm chứng độ hiệu quả đã bắt đầu được triển khai chính thức vào hệ thống, song song với việc tổ chức các lớp đào tạo về tính tuân thủ bảo mật, tiêu chuẩn chất lượng cùng các điểm rủi ro cần lưu ý, đồng thời tiến hành thiết kế lại toàn bộ quy trình làm việc theo hướng tối ưu bằng AI.

Hiện tại, doanh nghiệp đang ở giai đoạn mở rộng quy mô, phát triển thêm các tính năng mới để đưa ra thị trường và bắt đầu đo lường chỉ số ROI thực tế. Quá trình này bao gồm cả việc đánh giá mức độ thuần thục của từng nhân viên xem họ chỉ mới dừng ở mức hỏi đáp cơ bản hay đã biết dùng AI để tự động hóa cả một chuỗi công việc. 

Tác động của AI lên tốc độ vận hành là cực kỳ rõ rệt. Trước đây, một chu kỳ phát triển phần mềm từ khâu thu thập yêu cầu, lập trình cho đến thử nghiệm thường phải kéo dài từ 4 đến 6 tuần. Hiện tại, thời gian đó được rút ngắn xuống chỉ còn vài ngày, thậm chí vài tiếng là đã có thể xây dựng xong một ứng dụng cơ bản hoặc một tính năng mới để đưa ra thị trường.

“Bẫy tốc độ” và những rủi ro thực tế

Khi tốc độ vận hành được đẩy lên nhanh kỷ lục nhờ AI, đâu là cái bẫy mà người dùng dễ rơi vào nhất?

Trong đội ngũ của tôi có một bạn Junior Developer làm việc với tốc độ rất nhanh nhờ tận dụng AI để viết code và kiểm tra code. Thế nhưng, làm nhanh lại đồng nghĩa với việc gặp nhiều sự cố hơn.

Đoạn code do AI tạo ra bị dính lỗi, bạn ấy lại tiếp tục dùng AI để sửa lỗi. Sửa xong lỗi này lại phát sinh ra những lỗi mới khác, và bạn ấy cứ thế bị cuốn vào một vòng lặp sửa lỗi vô tận mà không thoát ra được.

Thế nên, chỉ nên sử dụng AI cho những việc mà bản thân bạn đã biết và đã hiểu rõ trước khi áp dụng. Còn nếu bạn phó mặc và đưa AI vào những mảng kiến thức mình chưa nắm vững, đó chính là lúc rủi ro nguy hiểm bắt đầu.

Bên cạnh rủi ro về mặt kỹ thuật, doanh nghiệp cần cảnh giác với điều gì khi nhân viên sử dụng AI hàng ngày?

Hai rủi ro lớn nhất chính là rò rỉ dữ liệu và vi phạm tính tuân thủ bảo mật.

Hãy hình dung một kịch bản rất thực tế: Một lập trình viên đang bị dí deadline gay gắt, vì muốn fix bug nhanh nhất có thể nên đã copy toàn bộ source code và thông tin dự án mật của công ty rồi dán thẳng vào một công cụ Chat GPT công cộng. Ngay lập tức, toàn bộ thông tin bảo mật mang tính sống còn của dự án và công ty bị lộ ra ngoài. Hệ quả là khách hàng chịu tổn thất tài chính, còn công ty thì vi phạm nghiêm trọng thỏa thuận bảo mật thông tin NDA đã ký kết với khách hàng.

Do đó, trước khi cho nhân viên chạm vào AI, doanh nghiệp phải làm cho họ nhận thức rõ ràng về những rủi ro này. 

Đọc thêm: Giải mã những dự án công nghệ đổ vỡ

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.