Coi AI Doanh nghiệp như một Lớp Vận hành: Tìm kiếm Lợi thế Cạnh tranh Bền vững

Coi AI Doanh nghiệp như một Lớp Vận hành: Tìm kiếm Lợi thế Cạnh tranh Bền vững

Một vết nứt đang chạy xuyên qua lĩnh vực AI doanh nghiệp, nhưng đó không phải là vấn đề đang nhận được sự chú ý nhiều nhất. Cuộc thảo luận công chúng hiện nay vẫn đang theo dõi các mô hình nền tảng và điểm chuẩn — cuộc đua giữa GPT và Gemini, điểm số về khả năng suy luận, hay những cải thiện khả năng cận biên. Tuy nhiên, trên thực tế, lợi thế bền vững hơn nằm ở khía cạnh cấu trúc: đó là việc ai sở hữu lớp vận hành (operating layer) — nơi trí tuệ được áp dụng, quản trị và cải tiến.

Mô hình hóa lớp vận hành trong doanh nghiệp

Có hai cách tiếp cận chính: một mô hình coi AI là một tiện ích theo yêu cầu, và mô hình khác nhúng nó như một lớp vận hành — sự kết hợp giữa phần mềm quy trình làm việc, thu thập dữ liệu, vòng lặp phản hồi và quản trị — nằm giữa các mô hình và công việc thực tế — giúp giá trị tăng trưởng theo thời gian sử dụng.

Tiện ích theo yêu cầu so với Lớp vận hành

Các nhà cung cấp mô hình như OpenAI và Anthropic bán trí tuệ dưới dạng dịch vụ: bạn có một vấn đề, bạn gọi API và nhận được câu trả lời. Trí tuệ này mang tính chung, phần lớn không trạng thái (stateless) và chỉ kết nối lỏng lẻo với quy trình làm việc hàng ngày nơi các quyết định được đưa ra. Nó rất mạnh mẽ và ngày càng có thể thay thế lẫn nhau.

Sự phân biệt quan trọng ở đây là liệu trí tuệ có được đặt lại sau mỗi lần nhắc lệnh (prompt) hay tích lũy theo thời gian.

Ngược lại, các tổ chức hiện hữu có thể coi AI như một lớp vận hành: việc đo lường trên các quy trình làm việc, vòng lặp phản hồi từ các quyết định của con người và quản trị giúp biến các nhiệm vụ riêng lẻ thành chính sách có thể tái sử dụng. Trong thiết lập đó, mọi ngoại lệ, chỉnh sửa và phê duyệt đều trở thành cơ hội để học hỏi — và trí tuệ có thể được cải thiện khi nền tảng hấp thụ nhiều công việc hơn của tổ chức.

Các tổ chức có khả năng định hình kỷ nguyên AI doanh nghiệp nhất là những tổ chức có thể nhúng trí tuệ trực tiếp vào các nền tảng vận hành và đo lường các nền tảng đó để công việc tạo ra các tín hiệu sử dụng được.

Sự đảo ngược: AI thực thi, Con người phán xét

Các tổ chức dịch vụ truyền thống được xây dựng trên một kiến trúc đơn giản: con người sử dụng phần mềm để thực hiện công việc chuyên môn. Các nhân viên đăng nhập vào hệ thống, điều hướng qua quy trình làm việc, đưa ra quyết định và xử lý các trường hợp. Công nghệ là phương tiện, phán xét của con người là sản phẩm.

Một nền tảng AI bản địa (AI-native) đảo ngược điều này. Nó tiêu thụ một vấn đề, áp dụng kiến thức lĩnh vực tích lũy, tự chủ thực hiện những gì nó có thể làm với độ tin cậy cao, và định tuyến các nhiệm vụ phụ cụ thể cho các chuyên gia con người khi tình huống đòi hỏi sự phán xét mà hệ thống chưa thể cung cấp một cách đáng tin cậy.

Tuy nhiên, việc đảo ngược tương tác giữa con người và AI không chỉ là một thiết kế lại giao diện người dùng — nó đòi hỏi nguyên liệu thô. Nó chỉ có thể thực hiện được khi nền tảng được xây dựng trên nền tảng của chuyên môn lĩnh vực, dữ liệu hành vi và kiến thức vận hành tích lũy trong nhiều năm.

Ba tài sản cộng hưởng mà các doanh nghiệp hiện hữu đã sở hữu

Các startup AI bản địa bắt đầu với một kiến trúc sạch sẽ và có thể di chuyển nhanh. Điều họ không thể dễ dàng sản xuất là nguyên liệu thô giúp tạo ra sự phòng thủ cho AI lĩnh vực ở quy mô lớn:

• Dữ liệu vận hành độc quyền
• Một lực lượng lao động lớn gồm các chuyên gia lĩnh vực mà các quyết định hàng ngày của họ tạo ra tín hiệu huấn luyện
• Kiến thức ngầm (tacit knowledge) tích lũy về cách công việc phức tạp thực sự được thực hiện

Các công ty dịch vụ đã có cả ba yếu tố này. Nhưng những thành phần này không tự động tạo ra lợi thế phòng thủ. Chúng chỉ trở thành lợi thế khi một công ty có thể chuyển đổi có hệ thống các hoạt động lộn xộn thành tín hiệu sẵn sàng cho AI và kiến thức thể chế — sau đó đưa kết quả trở lại quy trình làm việc để hệ thống tiếp tục cải thiện.

Mã hóa chuyên môn thành các tín hiệu có thể tái sử dụng

Trong hầu hết các tổ chức dịch vụ, chuyên môn là ngầm và dễ hỏng. Những người vận hành giỏi nhất biết những điều họ không thể dễ dàng diễn đạt: các quy tắc kinh nghiệm phát triển qua nhiều năm, trực giác cho các trường hợp ngoại lệ và nhận diện mẫu hoạt động dưới mức suy luận có ý thức.

Tại Ensemble, chiến lược để giải quyết thách thức này là tinh lọc kiến thức (knowledge distillation) — sự chuyển đổi có hệ thống các phán xét chuyên gia và quyết định vận hành thành các tín hiệu huấn luyện có thể đọc được bằng máy.

Ví dụ, trong quản lý doanh thu chăm sóc sức khỏe, các hệ thống có thể được gieo hạt với kiến thức lĩnh vực rõ ràng và sau đó làm sâu thêm phạm vi bảo phủ thông qua tương tác hàng ngày có cấu trúc với các nhân viên. Trong triển khai của Ensemble, hệ thống xác định các khoảng trống, đưa ra các câu hỏi có mục tiêu và kiểm tra chéo câu trả lời trên nhiều chuyên gia để nắm bắt cả sự đồng thuận và sắc thái của các trường hợp ngoại lệ. Sau đó, nó tổng hợp các đầu vào này thành một cơ sở kiến thức sống phản ánh suy luận tình huống đằng sau hiệu suất cấp độ chuyên gia.

Biến quyết định thành bánh đà học tập

Khi một hệ thống được giới hạn đủ để được tin tưởng, câu hỏi tiếp theo là cách nó trở nên tốt hơn mà không cần chờ đợi các bản nâng cấp mô hình hàng năm. Mỗi khi một nhân viên lành nghề đưa ra quyết định, họ tạo ra nhiều hơn một nhiệm vụ đã hoàn thành. Họ tạo ra một ví dụ có gán nhãn tiềm năng — ngữ cảnh đi kèm với một hành động của chuyên gia (và đôi khi là kết quả).

Ở quy mô lớn, trên hàng nghìn nhân viên và hàng triệu quyết định, luồng đó có thể cung cấp sức mạnh cho học tập có giám sát, đánh giá và các hình thức củng cố có mục tiêu — dạy các hệ thống hoạt động giống chuyên gia hơn trong điều kiện thực tế.

Ví dụ, nếu một tổ chức xử lý 50.000 trường hợp mỗi tuần và chỉ bắt được ba điểm quyết định chất lượng cao cho mỗi trường hợp, đó là 150.000 ví dụ có gán nhãn mỗi tuần mà không cần tạo ra một chương trình thu thập dữ liệu riêng biệt.

Một thiết kế "con người trong vòng lặp" (human-in-the-loop) nâng cao hơn đặt các chuyên gia vào bên trong quá trình ra quyết định, để hệ thống học hỏi không chỉ câu trả lời đúng là gì, mà còn cách sự mơ hồ được giải quyết. Về mặt thực tế, con người can thiệp tại các điểm phân nhánh — chọn từ các tùy chọn do AI tạo ra, sửa các giả định và định hướng lại quy trình làm việc. Mỗi sự can thiệp trở thành một tín hiệu huấn luyện giá trị cao.

Xây dựng hướng tới khuếch đại chuyên môn

Mục tiêu là nhúng vĩnh viễn chuyên môn tích lũy của hàng nghìn chuyên gia lĩnh vực — kiến thức, quyết định và lý luận của họ — vào một nền tảng AI khuếch đại những gì mọi nhân viên có thể hoàn thành. Nếu làm tốt, điều này tạo ra chất lượng thực thi mà neither con người hay AI đạt được độc lập: tính nhất quán cao hơn, thông lượng cải thiện và lợi ích vận hành có thể đo lường được. Các nhân viên có thể tập trung vào công việc quan trọng hơn, được hỗ trợ bởi một AI đã hoàn thành công việc phân tích cơ bản trên hàng nghìn trường hợp tương tự trong quá khứ.

Hàm ý rộng hơn cho các nhà lãnh đạo doanh nghiệp rất đơn giản. Lợi thế trong AI sẽ không được xác định chỉ bởi quyền truy cập vào các mô hình chung. Nó sẽ đến từ khả năng của một tổ chức trong việc nắm bắt, tinh chế và cộng hưởng những gì họ biết — dữ liệu, quyết định và phán xét vận hành của họ — đồng thời xây dựng các điều khiển cần thiết cho các môi trường rủi ro cao. Khi AI chuyển từ thử nghiệm sang cơ sở hạ tầng, lợi thế bền vững nhất có thể thuộc về các công ty hiểu rõ công việc đủ để đo lường nó và có thể biến sự hiểu biết đó thành các hệ thống cải thiện khi sử dụng.