Tự viết tool AI hay tập trung vào thế mạnh? Bài học từ chế độ tự lái và cái bẫy FOMO

📌 Cách đọc bài này: mọi số liệu đều có nguồn cụ thể ở cuối bài. Chỗ nào là nhận định của NexPeak tôi ghi rõ là nhận định. Chỗ nào là kỳ vọng khảo sát — không phải kết quả đã đo — tôi ghi rõ là kỳ vọng. Bạn nên đọc phần phản biện ở giữa bài trước khi quyết định, kể cả khi bạn đã đồng ý với kết luận.

Ngày 28/8/2026, Phó Thủ tướng Hồ Quốc Dũng ký Quyết định 1671 ban hành Chiến lược quốc gia về trí tuệ nhân tạo đến năm 2030, tầm nhìn đến 2045. Mục tiêu: kinh tế AI đạt khoảng 6% GDP, xuất khẩu sản phẩm, dịch vụ và giải pháp AI khoảng 5 tỷ USD, với 32 chỉ tiêu cụ thể.

Khi cả quốc gia đặt mục tiêu, áp lực chảy xuống từng phòng họp. Gartner khảo sát 1.303 lãnh đạo chức năng (1–4/2026): 85% dự định tăng chi cho AI trong năm 2026, sau khi đã dành trung bình 12% ngân sách của phòng ban cho AI trong năm 2025. Đáng chú ý hơn: 11% trong số họ hoàn toàn không biết phòng mình đã chi bao nhiêu cho AI.

Đó là bối cảnh cho câu hỏi rất thật mà một người đứng đầu doanh nghiệp đặt ra: có nên để đội ngũ tự viết tool AI để giảm một công đoạn vận hành, hay tập trung vào thế mạnh của doanh nghiệp? Và nếu khoản đầu tư hiện tại chưa mang lại kết quả tương xứng, thì đó là vì công nghệ, hay vì cách mình đang dùng nó?

Luận điểm "tự viết tool AI chưa chắc xứng đáng" — đúng ở đâu?

Nếu chỉ nhìn vào tỷ lệ, luận điểm này có bằng chứng rất mạnh:

• 95% pilot AI của doanh nghiệp không mang lại lợi nhuận đo được, chỉ 5% đạt tăng trưởng doanh thu nhanh — báo cáo The GenAI Divide: State of AI in Business 2025 của MIT NANDA, dựa trên 150 phỏng vấn lãnh đạo, khảo sát 350 nhân viên và phân tích 300 triển khai AI công khai.
• 42% doanh nghiệp bỏ phần lớn sáng kiến AI trong năm 2025, so với 17% năm trước đó; trung bình họ loại bỏ 46% số PoC trước khi tới được môi trường thật — khảo sát S&P Global Market Intelligence trên hơn 1.000 doanh nghiệp.
• Hơn 40% dự án AI dạng agent sẽ bị huỷ trước cuối 2027 vì chi phí leo thang và giá trị kinh doanh không rõ ràng — dự báo Gartner (6/2025), kèm cảnh báo về hiện tượng "agent washing".
• Khảo sát tháng 1–4/2026 của Gartner: chỉ 22% tổ chức đã mở rộng AI thành công ra nhiều bộ phận. Gần 80% vẫn mắc ở giai đoạn thử nghiệm.
• McKinsey 2026: nhóm "AI high performers" — những doanh nghiệp ghi nhận AI đóng góp từ 5% EBIT trở lên và có giá trị đáng kể — chỉ chiếm 6% số người được hỏi, không đổi so với năm trước. Doanh nghiệp lớn (doanh thu trên 1 tỷ USD) scale agent ở mức 40%, còn doanh nghiệp nhỏ hơn vẫn đứng ở 22%, gần như không nhúc nhích.

Nhưng ở đây có một nghịch lý cần nhìn thẳng: chi phí AI đang rẻ đi rất nhanh, trong khi tỷ lệ thất bại vẫn gần như không đổi. Stanford AI Index ghi nhận chi phí truy vấn một model đạt mức năng lực tương đương GPT-3.5 đã giảm hơn 280 lần — từ 20 USD xuống 0,07 USD cho mỗi triệu token, chỉ trong khoảng 18 tháng (11/2022 – 10/2024), và tiếp tục giảm.

Nếu nguyên liệu chính rẻ đi hàng trăm lần mà tỷ lệ thất bại không giảm, thì vấn đề không nằm ở giá model. Nó nằm ở chỗ khác. Và chỗ khác đó không phải là phần mềm — nó là con người và hệ thống vận hành, đúng như chiếc máy bay.

Chế độ tự lái: một phép so sánh chính xác hơn ta tưởng

Hình ảnh "bật tự lái khi bay, nhưng trời giông phải có phi công kinh nghiệm" mà bạn dùng là một ẩn dụ tốt — và nó có cả một ngành nghiên cứu đứng sau, không phải cảm giác.

Năm 1983, Lisanne Bainbridge công bố bài Ironies of Automation trên tạp chí Automatica. Nghịch lý thứ hai mà bà chỉ ra: người thiết kế loại con người ra khỏi những việc dễ tự động hoá, nhưng lại để con người làm những việc mà người thiết kế không biết cách tự động hoá. Kết quả là người vận hành bị bỏ lại với một túi hỗn hợp các nhiệm vụ, nhiều việc trong số đó là việc khó nhất, và thường không có công cụ hay khoá huấn luyện phù hợp cho chúng.

Bà cũng chỉ ra một điều mà mọi người quản lý nên dán lên tường: "physical skills deteriorate when they are not used" — kỹ năng vật lý thoái hoá khi không được dùng. Một người vận hành từng rất giỏi, sau nhiều tháng chỉ ngồi giám sát hệ thống tự động, có thể trở thành người vận hành thiếu kinh nghiệm trong đúng khoảnh khắc cần họ nhất. Kỹ năng nhận định tình huống còn phức tạp hơn: nó chỉ phát triển qua sử dụng và phản hồi, và cần thời gian để tích luỹ "trạng thái hiện tại của hệ thống trong đầu". Người phải xử lý sự cố ngay lập tức chỉ có thể hành động dựa trên lượng thông tin tối thiểu.

Năm 1995, Mica Endsley và Esin Kiris gọi tên hệ quả này là out-of-the-loop performance problem: tự động hoá ở mức cao khiến người vận hành mất dần nhận thức tình huống và kỹ năng, nên khi hệ thống hỏng, họ bị "tàn tật" đúng lúc khó nhất.

Ngày 1/6/2009, chuyến Air France 447 từ Rio về Paris, 228 người trên khoang. Các ống pitot bị đóng băng ở độ cao bay, tốc độ hiển thị sai, chế độ tự lái ngắt và chuyển giao lại cho phi công. Không ai trong buồng lái nhận ra chiếc máy bay đang bị stall: phi công kéo mũi lên — đúng phản xạ với một chiếc máy bay ở chế độ bay bình thường, sai hoàn toàn với một chiếc đã mất lực nâng. Máy bay rơi xuống Đại Tây Dương.

Chi tiết đáng suy nghĩ: hệ thống tự động không hỏng. Nó làm đúng thiết kế. Cái sai nằm ở giả định của con người về giới hạn của hệ thống đó — và ở chỗ kỹ năng bay tay thực sự đã bị bào mòn bởi nhiều năm bay tự động.

Ngành hàng không không phản ứng bằng cách cấm tự lái. Họ làm bốn việc khác:

1. Huấn luyện lại kỹ năng bay tay và các tình huống bất thường (unusual attitude recovery) trong môi trường mô phỏng.
2. Minh bạch trạng thái tự động: pilot phải luôn biết hệ thống đang ở chế độ nào, làm gì, và cái gì sẽ làm nó ngắt.
3. Phân vai rõ ràng trong buồng lái — ai giám sát, ai bay, ai quyết định khi có xung đột thông tin.
4. Không quay lại bay tay toàn bộ, vì tự lái mang lại lợi ích an toàn và hiệu quả thật.

Nhận định của NexPeak: đây chính là bản đồ đúng nhất cho AI trong doanh nghiệp. Câu hỏi không phải "bật tự lái hay bay tay", mà là: AI được phép tự quyết ở đoạn nào, ai giữ quyền tiếp quản, người được huấn luyện lại ra sao để biết mình đang ở chế độ nào, và chỗ nào tuyệt đối không được để tự lái.

Bốn điểm phản biện luận điểm "chưa xứng đáng"

Ở trên là phần bạn đúng. Sau đây là phần cần phản biện, vì nếu bỏ qua, kết luận của bạn sẽ dẫn tới một sai lầm khác — và cũng tốn tiền không kém.

1. Bạn đang đo sai mẫu số

"95% thất bại" là con số thống kê trên toàn bộ các pilot, kể cả những pilot chỉ có một người làm bán thời gian và không có người sở hữu kết quả. Con số đáng dùng hơn nằm ở chỗ khác: trong khảo sát Gartner 2026, nhóm doanh nghiệp theo dõi ROI của từng sáng kiến AI, coi AI như một portfolio và sẵn sàng dừng các sáng kiến kém hiệu quả báo cáo ROI dương ở 81% số sáng kiến. Nhóm kém nhất không biết tỷ lệ hoàn vốn của 29% số sáng kiến của mình.

Sự khác biệt giữa hai nhóm này phần lớn không nằm ở công nghệ họ dùng. Nó nằm ở việc họ có biết mình đang chi vào đâu và thu lại gì hay không. Vậy nên câu hỏi đúng không phải "AI có xứng đáng không", mà là "doanh nghiệp mình có đang đo được không?" Hôm nay, 11% lãnh đạo thậm chí không biết phòng mình đã chi bao nhiêu cho AI. Không thể kết luận một khoản đầu tư không xứng đáng khi khoản đó chưa từng được đo.

2. Vấn đề lớn nhất là chọn sai việc, không phải tốn kém

MIT phát hiện hơn một nửa ngân sách AI của doanh nghiệp đang đổ vào bán hàng và marketing, trong khi lợi nhuận mạnh nhất lại đến từ các chức năng back-office: tự động hoá quy trình nghiệp vụ, giảm thuê ngoài, hiệu quả vận hành. Gartner 2026 cũng cho thấy cùng một mô thức: các use case AI được theo đuổi nhiều nhất không phải là những cái mang lại lợi nhuận cao nhất (xem bảng dưới).

Nhóm IT	Được theo đuổi nhiều nhất	Lợi nhuận dương cao nhất
Phát hiện & xử lý sự cố an ninh mạng	54%	—
Tự động hoá IT service desk	54%	—
Sinh & refactor code tự động	44%	23%
Tối ưu tài sản & chi phí IT thông minh	—	40%
Sinh dữ liệu tổng hợp (synthetic data)	—	28%

Nói cách khác: khoản đầu tư "không xứng đáng" mà bạn đang nhìn thấy có thể không phải là bằng chứng về AI, mà là bằng chứng về việc chọn sai chỗ để đặt AI. Bạn đang đánh giá công nghệ bằng kết quả của một quyết định phân bổ nguồn lực.

3. Thất bại không đến từ tự động hoá, mà từ hệ thống tổ chức

Báo cáo DORA 2025 của Google Cloud kết luận: vai trò chính của AI là một bộ khuếch đại — nó phóng đại điểm mạnh và điểm yếu đang có của tổ chức. Quy trình rõ ràng, dữ liệu sạch, trách nhiệm được phân minh: AI khuếch đại kết quả tốt. Quy trình mơ hồ, dữ liệu rác, không ai chịu trách nhiệm cuối: AI khuếch đại sự hỗn loạn đó — nhanh hơn và khó truy vết hơn.

Nên khi một dự án AI nội bộ thất bại, nguyên nhân đúng thường là: quy trình chưa từng được viết ra, dữ liệu chưa đủ sạch để trả lời câu hỏi đầu tiên, và không có ai là người sở hữu kết quả. Cả ba nguyên nhân này đều không được giải quyết bằng cách mua phần mềm — và cũng không được giải quyết bằng cách thuê ngoài.

4. "Không liên quan đến phần mềm" không có nghĩa là không nên sở hữu

Một doanh nghiệp in ấn, logistics hay bán lẻ không cần trở thành công ty phần mềm. Nhưng họ nên sở hữu hai thứ: quy trình đặc thù của mình và dữ liệu vận hành của mình. Đây chính là hai thứ mà không phần mềm mua sẵn nào có thể cung cấp, và cũng là hai thứ mà AI cần nhất để tạo ra khác biệt. Bỏ hai thứ này ra khỏi tầm kiểm soát vì "mình không làm về phần mềm" là một quyết định kinh doanh đắt hơn nhiều so với việc tự viết một tool nội bộ.

Chi phí thật: đừng tính giá xây, hãy tính giá nuôi

Đây là chỗ mà hầu hết bảng tính nội bộ tính sai. Người ta so sánh "6 tuần đội nội bộ viết tool" với "phí thuê bao hằng năm", rồi kết luận tự viết rẻ hơn. Nhưng chi phí phần mềm không nằm ở lần xây đầu tiên — nó nằm ở vòng đời.

Khoản chi phí	Đặc điểm	Thường bị bỏ quên?
Xây lần đầu	Hữu hạn, dễ ước lượng	Không
Tích hợp dữ liệu, phân quyền, chống trùng lặp	Khó ước lượng, phụ thuộc hệ thống hiện hữu	Có
Bảo trì vận hành hằng năm	Nguyên tắc phổ biến trong ngành: 15–20% chi phí xây, mỗi năm. Với phần mềm on-premise, hợp đồng bảo trì ở Việt Nam phổ biến 10–20% giá mua ban đầu	Có
Thay model, đổi hành vi, hiệu chỉnh lại prompt & đánh giá lại	Diễn ra liên tục, không phải một lần	Gần như luôn bị bỏ qua
Người chịu trách nhiệm khi AI sai	Không quy đổi ra tiền cho tới ngày nó xảy ra	Có
Rủi ro bảo mật & tuân thủ	69% tổ chức nghi ngờ hoặc có bằng chứng nhân viên dùng GenAI công khai bị cấm; Gartner dự báo hơn 40% tổ chức toàn cầu sẽ gặp sự cố bảo mật/tuân thủ do AI không được phép tới 2030	Gần như luôn bị bỏ qua

Và một con số đáng cân nhắc trước khi quyết định tự làm: theo MIT NANDA, các công cụ AI có được qua nhà cung cấp hoặc đối tác bên ngoài thành công khoảng hai phần ba số lần, trong khi hệ thống do nội bộ tự phát triển thành công chỉ khoảng một phần ba.

Điều này không có nghĩa "thuê ngoài luôn tốt hơn" — một phần lý do là các dự án nội bộ thường được giao cho đội chưa có kinh nghiệm vận hành sản phẩm, không có người dùng thật, không có vòng phản hồi. Nhưng nó có nghĩa: nếu bạn tự xây, bạn phải tự tạo ra những thứ mà nhà cung cấp chuyên nghiệp đã có sẵn — kỷ luật sản phẩm, vòng phản hồi người dùng, và người nuôi hệ thống sau khi dự án kết thúc.

Ba câu hỏi kiểm tra nhanh trước khi tự xây:

Nếu người viết tool nghỉ việc vào tháng sau, ai đọc được code đó và sửa được nó? Nếu câu trả lời là "chưa biết", bạn đang không xây một tool — bạn đang tạo một phụ thuộc.

FOMO: cơ chế thật đằng sau câu "đối thủ đang làm rồi"

Phần này quan trọng, vì FOMO không phải chuyện cảm xúc cá nhân — nó là một cơ chế tổ chức đã được nghiên cứu.

Năm 1983, DiMaggio và Powell mô tả hiện tượng mimetic isomorphism: khi đối mặt với bất định về công nghệ và mục tiêu — đúng tình huống của AI hôm nay — tổ chức có xu hướng bắt chước những tổ chức mà họ cho là thành công và chính danh, thay vì tự tính toán hiệu quả. Việc bắt chước đó mang lại tính chính danh (legitimacy) cho người ra quyết định, độc lập với kết quả kinh tế.

Năm 1991, Abrahamson gọi hiện tượng này là management fashion: các công cụ quản trị lan truyền theo sóng truyền thông, không theo bằng chứng hiệu quả. AI hiện nay có đủ mọi đặc tính của một làn sóng như vậy.

Nhưng nghiên cứu mới hơn đưa ra một kết luận tinh tế hơn, và đây là điều tôi muốn bạn giữ lại. Nghiên cứu "Fear of Missing Out (FOMO) on Emerging Technology" của Đại học Zurich (Mari, Mandelli & Algesheimer, 2024) chỉ ra: FOMO tồn tại ở ba tầng — doanh nghiệp, nhóm, và từng nhân viên — và nó tác động tới quyết định theo hai đường: trực tiếp, và gián tiếp qua kỳ vọng bị thổi phồng. Kết luận quan trọng nhất của họ: bản thân cảm giác FOMO không cấu thành một sai lệch trong quyết định. Cái tạo ra sai lệch là những kỳ vọng phồng lên từ nó.

Nói cách khác: việc bạn thấy sốt ruột khi nghe đối thủ nói về AI là bình thường, thậm chí là tín hiệu tốt. Sai lầm xảy ra ở bước sau — khi cảm giác đó chuyển thành một con số ROI trên slide mà không ai dám kiểm tra lại.

Ba bằng chứng cho thấy cơ chế này đang vận hành ở quy mô thị trường:

• SEC từng xử phạt hai công ty quản lý quỹ vì tuyên bố sai về việc sử dụng AI (3/2024) — mở đầu làn sóng chế tài với "AI washing".
• Gartner cảnh báo về "agent washing" khi dự báo hơn 40% dự án agent bị huỷ: rất nhiều sản phẩm được gọi là agent nhưng không có năng lực thật tương ứng.
• Klarna từng công bố AI làm được khối lượng công việc tương đương khoảng 700 nhân viên, để rồi tháng 5/2025 phải tuyên bố tuyển lại người cho dịch vụ khách hàng, sau khi chất lượng và mức độ hài lòng giảm.

Ở Việt Nam, tín hiệu chuyển đổi đang tăng thật: khảo sát AWS và Strand Partners (9/2025) trên 1.000 doanh nghiệp cho thấy 18% doanh nghiệp Việt dùng AI thường xuyên, tăng từ 13% một năm trước (tăng 39%). Ba tháng sau đó, AWS cho biết khoảng 61% doanh nghiệp dùng AI kỳ vọng tăng doanh thu nhờ vận hành tốt hơn và 58% kỳ vọng tiết kiệm chi phí đáng kể.

Xin đọc lại chữ kỳ vọng. Đây là điều tra về kỳ vọng, không phải kết quả đã đo được. Một kỳ vọng không xấu — nhưng nó chưa phải là bằng chứng. Nếu bạn đang xây dựng kế hoạch AI cho doanh nghiệp mình trên nền kỳ vọng của người khác, bạn đang mua một niềm tin, không mua một hệ thống.

Bốn câu hỏi giải phẫu FOMO trong chính cuộc họp của bạn

1. Nếu không ai biết chúng ta đang làm điều này, chúng ta có còn làm không?
2. Nếu đối thủ tuyên bố dừng dự án AI vào quý sau, mình có tiếp tục không? Nếu câu trả lời phụ thuộc vào đối thủ, đó là tín hiệu của isomorphism, không phải của chiến lược.
3. Nếu dự án này thành công, ai được ghi nhận? Nếu dự án thất bại, ai mất gì? Nếu không ai mất gì, đây nhiều khả năng là chi tiêu chính danh, không phải đầu tư.
4. Kịch bản cơ sở của chúng ta là bao nhiêu, và ai đã kiểm tra lại con số đó bằng dữ liệu nội bộ?

Chốt lại: phương án tối ưu — mua cái phổ thông, tự làm cái riêng, và không tự làm cái mình không nuôi được

Trả lời trực tiếp bốn câu hỏi bạn đặt ra: Có nên tự viết tool? — Có, nhưng chỉ ở một lớp rất mỏng. Có nên thuê công ty phần mềm chuyên nghiệp? — Có, cho mọi thứ không phải lợi thế của bạn. Chi phí hiện tại có xứng đáng? — Không, nếu bạn chưa đo được; có, nếu bạn chọn đúng việc ở đúng lớp.

Thay vì câu hỏi nhị phân "tự làm hay mua", hãy chia thành bốn lớp quyết định:

Lớp	Nội dung	Quyết định	Lý do
1. Hạ tầng & nghiệp vụ phổ thông	Hoá đơn, kế toán, nhân sự, chat nội bộ, email, quản lý thiết bị	Mua	Không ai trả tiền cho bạn để làm lại thứ thị trường làm tốt hơn và rẻ hơn
2. Hệ điều hành vận hành	Nơi dữ liệu, công việc, phê duyệt, báo cáo và giao tiếp cùng sống: ERP, CRM, workflow	Mua + cấu hình sâu	Đây là "buồng lái" — tự xây nghĩa là tự chịu rủi ro chuẩn mực nghiệp vụ và tuân thủ
3. Lớp mỏng tạo khác biệt	Quy tắc riêng, mô hình chấm điểm riêng, dữ liệu riêng, workflow đặc thù của ngành bạn	Tự làm (mỏng, qua API)	Đây là nơi lợi thế cạnh tranh thật nằm — và không nhà cung cấp nào biết bằng bạn
4. Chưa đến lượt	Việc chưa có dữ liệu, chưa có người sở hữu, chưa đo được	Trì hoãn có kỷ luật	Trì hoãn một việc chưa đo được là quyết định, không phải sự chậm chạp

Ba tầng quy tắc đi kèm:

1. Quy tắc phi công: AI được vận hành vòng lặp, nhưng con người giữ quyền quyết định ở ba điểm — tiền (giá, chiết khấu, cam kết tài chính), khách hàng (điều gì đó gây tổn hại quan hệ), ngoại lệ (mọi trường hợp hệ thống không chắc chắn). Đây là ba cửa mà tự động hoá không được phép tự đi qua.
2. Quy tắc nuôi: không tự xây thứ mình không có người nuôi trong 3 năm tới, bằng tên người cụ thể, không phải tên phòng ban.
3. Quy tắc dừng: mọi sáng kiến AI phải có ngưỡng dừng viết trước khi bắt đầu. Gartner cho thấy chính hành vi này phân biệt nhóm 81% ROI dương với phần còn lại.

Bài test 6 câu trước khi chi đồng đầu tiên

1. Baseline hiện tại là gì? Bao nhiêu phút, bao nhiêu lỗi, bao nhiêu vòng phê duyệt, bao nhiêu ngày? Không có số gốc thì không có ROI.
2. Ai là người sở hữu sau khi dự án kết thúc? Tên một người, kèm thời gian họ dành cho việc đó mỗi tuần.
3. Ngưỡng dừng là gì? Con số nào khiến chúng ta dừng, và ai có quyền nói câu đó?
4. Nếu AI sai một lần, thiệt hại tối đa là bao nhiêu? Nếu không thể hoàn tác, đó không phải chỗ để thử nghiệm.
5. Có cách nào mua được 80% kết quả trong 2 tuần không? Nếu có, hãy mua trước rồi hãy nghĩ tới việc xây.
6. Sau 90 ngày, người dùng có tự nguyện quay lại dùng không? Đo mức sử dụng thật, không đo buổi demo. Một tool không ai dùng thì đắt ở mọi mức giá — kể cả miễn phí.

Nếu doanh nghiệp bạn không liên quan gì tới phần mềm

Câu hỏi "nên tự học và nghiên cứu hay thuê công ty phần mềm chuyên nghiệp" nên được tách làm hai, vì hai mục đích khác nhau hoàn toàn:

Tự học để DÙNG — nên, và nên làm ngay. Ba việc bạn phải tự làm, không ai làm hộ được: (1) viết rõ quy trình hiện tại — AI đọc một quy trình mơ hồ sẽ trả về kết quả mơ hồ; (2) làm sạch dữ liệu nền — không có dữ liệu đúng thì không có AI nào cứu được; (3) đo baseline. Đây là những việc nội bộ, và chúng rẻ hơn nhiều so với mọi dự án phần mềm.

Tự học để XÂY, NUÔI và BẢO VỆ hệ thống — thường là không. Ba việc nên mua hoặc thuê: (1) hạ tầng và vận hành (uptime, sao lưu, nâng cấp); (2) bảo mật, phân quyền, tuân thủ, nhật ký truy vết — nơi một sai sót có thể xoá sạch phần tiết kiệm; (3) lớp nghiệp vụ chuẩn (kế toán, thuế) — nơi thị trường đã có sản phẩm tốt và bạn không cần khác biệt.

Còn với công ty phần mềm chuyên nghiệp: vai trò đúng của họ không phải "viết hộ bạn một tool", mà là (a) dựng đúng hệ thống ghi nhận dữ liệu, (b) tích hợp dữ liệu đó lại, (c) đặt AI vào đúng điểm quyết định trong quy trình, (d) bàn giao và đào tạo để doanh nghiệp tự vận hành. Khi chọn đối tác, bốn câu hỏi cần trả lời bằng giấy tờ: Ai sở hữu dữ liệu? Dữ liệu lấy ra được không, bằng định dạng gì? Khi hết hợp đồng, ai nuôi hệ thống? Cam kết đó được ghi ở đâu?

Nhận định của NexPeak: nhà cung cấp cũng có FOMO của họ. Một đối tác nói "chúng tôi có AI agent" mà không trả lời được "agent đó được phép làm gì, không được làm gì, và ai kiểm tra khi nó sai" thì đó là agent washing — không phải năng lực. Hãy yêu cầu bằng chứng vận hành, không phải bằng chứng tính năng.

Về chính chúng tôi: NexPeak được xây theo hướng lớp 2 — nơi dữ liệu, công việc, phê duyệt và báo cáo cùng sống trong một hệ thống, có API để doanh nghiệp giữ lớp 3 (quy tắc và mô hình của riêng mình) mà không phải tự xây lại phần phổ thông. Nếu bạn đang cân nhắc tự viết một hệ thống quản trị nội bộ, đây là lời đề nghị: hãy làm bài test 6 câu ở trên trước với con số cụ thể — rồi quyết định. Dù kết quả thế nào, bạn cũng có một quyết định tốt hơn.

Ba câu để mang về

1. Tự lái không làm bạn cần ít phi công hơn — nó đổi thứ phi công phải luyện. AI không thay thế việc doanh nghiệp phải hiểu quy trình của chính mình; nó làm việc hiểu đó trở nên bắt buộc.
2. Tự xây đúng một lớp mỏng: quy trình, dữ liệu, quy tắc riêng. Mua mọi thứ phổ thông, vì đó không phải nơi bạn khác biệt, và cũng không phải nơi bạn nên chịu rủi ro.
3. Ngân sách AI phải có cột "được phép dừng". Không có ngưỡng dừng thì bạn không đầu tư — bạn đang cam kết, và cam kết thì không đo được bằng ROI.

Nguồn tham khảo:
1. MIT NANDA, The GenAI Divide: State of AI in Business 2025 (8/2025) — Computing UK
2. S&P Global Market Intelligence, 2025 Enterprise AI Survey (dẫn lại) — DataTech
3. Gartner, dự báo về dự án agentic AI (6/2025) — Economic Times
4. Gartner, khảo sát 1.303 lãnh đạo chức năng (1–4/2026) — Technology For You
5. Gartner, GenAI blind spots cho CIO (19/11/2025) — gartner.com
6. McKinsey, The state of AI in 2026: On the road to ROI — mckinsey.com
7. Stanford HAI, AI Index 2025 (chi phí suy luận) — hai.stanford.edu
8. L. Bainbridge, Ironies of Automation, Automatica 19(6), 1983 — bản PDF
9. M. Endsley & E. Kiris, The Out-of-the-Loop Performance Problem, Human Factors, 1995 — SAGE
10. Phân tích vụ Air France 447 — Aviation Risk Lab
11. DORA / Google Cloud, State of AI-assisted Software Development 2025 — dora.dev
12. SEC, xử phạt hai công ty quản lý quỹ về tuyên bố AI sai (3/2024) — sec.gov
13. Fortune, Klarna tuyển lại người cho dịch vụ khách hàng (5/2025) — fortune.com
14. AWS & Strand Partners, khảo sát 1.000 doanh nghiệp Việt (9/2025) — VIR
15. VnEconomy, AI adoption in Vietnam's business sector jumps 39% (3/2026) — VnEconomy
16. Bộ Khoa học và Công nghệ, Chiến lược quốc gia về AI đến 2030 (Quyết định 1671, 28/8/2026) — mst.gov.vn
17. A. Mari, A. Mandelli & R. Algesheimer, FOMO on Emerging Technology, University of Zurich Working Paper 401, 2024 — RePEc
18. P. DiMaggio & W. Powell, The Iron Cage Revisited: Institutional Isomorphism and Collective Rationality, ASR 1983.
19. E. Abrahamson, Managerial Fads and Fashions: The Diffusion and Rejection of Innovations, AMR 1991.