Nhiều doanh nghiệp bắt đầu ứng dụng AI bằng một danh sách công cụ. Cách tiếp cận này dễ tạo hứng khởi ban đầu nhưng thường khó chuyển thành kết quả quản trị. Điểm xuất phát có ích hơn là một công việc cụ thể đang lặp lại, tốn thời gian hoặc tạo ra sai lệch chất lượng. Khi công việc được chọn đúng, AI có thể được thử nghiệm trong một phạm vi đủ nhỏ để kiểm soát, nhưng đủ thật để cho thấy giá trị.
Một thử nghiệm không phải là cuộc trình diễn công nghệ. Nó là phép kiểm tra giả định quản trị: AI có giúp rút ngắn thời gian, cải thiện chất lượng đầu ra hoặc làm rõ quyết định trong một quy trình xác định hay không? Câu hỏi này buộc người quản lý nhìn vào dòng công việc, người sử dụng, dữ liệu đầu vào, điểm kiểm tra và rủi ro; thay vì chỉ hỏi công cụ có nhiều tính năng hay không.
Nhìn vào công việc trước khi nhìn vào công cụ
Công việc phù hợp cho thí điểm AI thường có ba đặc điểm. Thứ nhất, nó lặp lại đủ thường xuyên để tổ chức có thể quan sát sự khác biệt. Thứ hai, đầu vào và đầu ra có thể mô tả tương đối rõ. Thứ ba, một người có chuyên môn vẫn có thể kiểm tra và chịu trách nhiệm về kết quả. Ví dụ: tóm tắt biên bản họp, chuẩn bị bản nháp báo cáo tuần, phân loại yêu cầu khách hàng hoặc rà soát tính nhất quán của một bộ tài liệu.
Ngược lại, không nên bắt đầu bằng những việc có hậu quả lớn nhưng tiêu chuẩn chưa rõ, như phê duyệt tín dụng, quyết định nhân sự hoặc trả lời tư vấn chuyên môn thay cho người có trách nhiệm. AI vẫn có thể hỗ trợ thu thập thông tin hay chuẩn bị phương án, nhưng quyền kết luận phải được giữ ở con người.
Ví dụ
Một bộ phận đào tạo phải tổng hợp phản hồi sau mỗi lớp học. Thay vì yêu cầu AI “phân tích chất lượng đào tạo”, nhóm có thể xác định một việc hẹp hơn: gom các nhận xét mở thành năm chủ đề, giữ nguyên trích dẫn minh họa và đánh dấu những phản hồi cần người phụ trách đọc lại. Kết quả được so với cách làm thủ công về thời gian, mức độ bỏ sót và khả năng sử dụng trong cuộc họp cải tiến chương trình.
Đặt chuẩn chất lượng trước khi chạy thử
Đầu ra trôi chảy không đồng nghĩa với đầu ra tốt. Trước khi thí điểm, nhóm cần thống nhất ba đến năm tiêu chí có thể kiểm tra: độ chính xác thực tế, mức đầy đủ, giọng điệu, khả năng truy xuất nguồn và mức độ phù hợp với quyết định cần đưa ra. Nếu không có chuẩn, các nhận xét về AI sẽ nhanh chóng trở thành cảm tính: người này thấy nhanh, người khác thấy không tin cậy, nhưng không ai chỉ được khác biệt nằm ở đâu.
Chuẩn này cũng giúp thiết kế vai trò kiểm tra. Với một bản nháp báo cáo, người dùng có thể chịu trách nhiệm kiểm tra dữ liệu và lập luận; quản lý xác nhận kết luận; người phụ trách công nghệ theo dõi lỗi lặp lại hoặc nguy cơ lộ dữ liệu. Phân vai rõ giúp AI trở thành một phần của quy trình, không phải một đường tắt đứng ngoài quy trình.
Đo đường cơ sở rồi mới nói về năng suất
Một chỉ số năng suất có ý nghĩa phải có điểm so sánh. Trước khi dùng AI, hãy ghi nhận thời gian xử lý, số vòng chỉnh sửa, tỷ lệ lỗi, mức hài lòng của người dùng nội bộ và chất lượng đầu ra theo một mẫu chấm đơn giản. Sau hai đến bốn tuần thử nghiệm, so sánh cùng một loại công việc trong những điều kiện gần tương đương. Nếu AI rút ngắn thời gian nhưng làm tăng khối lượng kiểm tra, lợi ích thực tế có thể thấp hơn cảm nhận ban đầu.
Không phải mọi lợi ích đều nằm ở tốc độ. Một số thử nghiệm đáng giữ vì giúp chuẩn hóa cấu trúc báo cáo, làm rõ thông tin còn thiếu hoặc giải phóng thời gian cho công việc đòi hỏi phán đoán. Vì vậy, báo cáo thí điểm nên nêu cả kết quả định lượng lẫn ghi nhận về chất lượng công việc và mức độ chấp nhận của người dùng.
Mở rộng bằng năng lực, không bằng phong trào
Nếu thí điểm đạt kết quả, bước tiếp theo không phải là cấp công cụ đại trà. Tổ chức cần ghi lại hướng dẫn sử dụng, ví dụ đầu vào tốt, danh mục việc không được giao cho AI, nguyên tắc bảo mật và điểm kiểm tra bắt buộc. Những tài liệu ngắn này tạo nền cho năng lực dùng AI có trách nhiệm. Sau đó, doanh nghiệp mới có thể chọn thêm quy trình có điều kiện tương tự.
Chọn đúng công việc không làm cho AI bớt tham vọng; nó làm cho tham vọng có thể triển khai. Khi một thử nghiệm gắn với mục tiêu, chuẩn chất lượng, người chịu trách nhiệm và dữ liệu đo lường, tổ chức sẽ biết nên mở rộng điều gì, sửa điều gì và dừng điều gì.
Tài liệu tham khảo
National Institute of Standards and Technology. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0). https://doi.org/10.6028/NIST.AI.100-1
