AI và sự tái cấu trúc doanh nghiệp

Trách nhiệm của doanh nghiệp là làm chủ công nghệ, sử dụng AI như một cỗ máy dự đoán hiệu quả và không ngừng nâng cao “sức mạnh phán đoán” của con người. Ảnh: Lệ Mỹ

Có câu chuyện tôi rất thích kể. Một đứa trẻ đang làm bài tập bỗng hỏi: “Thủ phủ của bang Delaware là gì vậy?” Người lớn trong nhà còn đang lục lại trí nhớ thì chiếc loa thông minh đã trả lời: “Dover.” Đứa trẻ tin ngay. Trong mắt nó, chiếc loa bằng nhựa kia bỗng trở thành một thứ gì đó gần như biết tuốt, thậm chí giỏi hơn cả bố mẹ.

Nhưng chiếc loa không thật sự “biết” Dover là thủ phủ của Delaware theo cách con người biết một sự thật. Nó chỉ thực hiện một nhiệm vụ tương đối hẹp, với tốc độ và độ chính xác rất cao: dự đoán câu trả lời nào có khả năng phù hợp nhất dựa trên vô số mẫu ngôn ngữ từng xuất hiện trước đó. Ba nhà kinh tế học Ajay Agrawal, Joshua Gans và Avi Goldfarb kể câu chuyện này trong cuốn “Prediction Machines” để mở đầu cho một lập luận có phần trái tai với giới công nghệ: làn sóng AI hiện nay không nhất thiết mang đến “trí tuệ” theo nghĩa thông thường. Thứ nó làm cho rẻ hơn, nhanh hơn và phổ biến hơn trước hết là khả năng dự đoán. Chính sự sụt giảm mạnh về chi phí dự đoán đang đưa AI len vào gần như mọi ngóc ngách của hoạt động kinh doanh, theo những cách mà mười năm trước ít người hình dung được.

Tôi tiếp cận cách nhìn này qua một môn học ở Stanford của GS. Amir Goldberg. Thay vì dành thời gian để tối ưu hóa prompt (câu lệnh) như các môn học AI khác, GS. Goldberg cho chúng tôi góc nhìn sâu sắc trước những câu hỏi chậm hơn và khó hơn: công nghệ này đang âm thầm thay đổi cách con người ra quyết định như thế nào? Nó định nghĩa lại cách tổ chức vận hành ra sao? Và khi AI tham gia ngày càng sâu vào công việc, quyền lực và văn hóa trong doanh nghiệp sẽ dịch chuyển ra sao?

Nhìn vào bối cảnh Việt Nam, góc nhìn này càng trở nên thời sự hơn bao giờ hết. Nghị quyết số 57-NQ/TW của Bộ Chính trị đã xác định khoa học, công nghệ, đổi mới sáng tạo và chuyển đổi số là động lực đột phá hàng đầu để phát triển kinh tế. Nghị quyết nhấn mạnh việc chấp nhận rủi ro, khuyến khích cơ chế thử nghiệm và chuyển đổi tư duy quản lý để chủ động làm chủ các công nghệ chiến lược. Để hiện thực hóa tầm nhìn của Đảng ở cấp độ doanh nghiệp, điều cốt lõi là lãnh đạo doanh nghiệp phải hiểu đúng bản chất kinh tế của công nghệ: chúng ta đầu tư vào AI không phải để tìm kiếm một “phép màu” giải quyết mọi bài toán, mà là để giải bài toán chi phí trong cấu trúc lại quản trị doanh nghiệp.

Cỗ máy đoán chữ

Để không thần thánh hóa AI, ta có thể bắt đầu từ trải nghiệm rất quen thuộc: khi gõ tin nhắn trên điện thoại, phần mềm tự động gợi ý từ hoặc cụm từ tiếp theo. AI tạo sinh - công nghệ đứng sau ChatGPT, Claude hay Gemini - về cơ bản là phiên bản lớn hơn và tinh vi hơn rất nhiều của cơ chế ấy. Khi nhận một đoạn văn bản, mô hình tính toán phần nội dung nào có khả năng xuất hiện tiếp theo, tạo ra phần đó rồi tiếp tục lặp lại quá trình cho đến khi hình thành câu trả lời hoàn chỉnh. Điều đáng kinh ngạc không nằm ở phép màu nào, mà ở quy mô: các mô hình này được huấn luyện trên một lượng dữ liệu lớn đến mức không người nào có thể đọc hết trong suốt cuộc đời.

Vậy một cỗ máy làm thế nào để “đoán” được nội dung nào là hợp lý? Nó không hiểu từ ngữ theo đúng cách con người hiểu. Thay vào đó, mô hình biểu diễn từng từ, hay chính xác hơn là từng đơn vị nhỏ của từ, bằng các dãy số gọi là vector. Có thể hình dung mỗi vector như một tọa độ trên một tấm bản đồ, chỉ khác rằng tấm bản đồ này có hàng trăm hoặc hàng nghìn chiều thay vì hai chiều như bản đồ thông thường. Những từ thường xuất hiện trong các ngữ cảnh giống nhau sẽ nằm gần nhau trên bản đồ đó. “Cà phê” và “trà” có thể ở gần nhau vì cùng thường xuất hiện bên cạnh những từ như “sáng”, “uống” hay “quán”. “Vua” và “nữ hoàng” cũng có quan hệ gần gũi vì lý do tương tự. Nhờ không gian tọa độ khổng lồ này, máy có thể tính toán mối quan hệ giữa các khái niệm gần giống như ta đo khoảng cách trên bản đồ, dù bản thân nó chưa từng trải nghiệm bất kỳ điều gì mà các từ ấy mô tả.

Điều này dẫn đến một hệ quả mà các nhà lãnh đạo doanh nghiệp cần ghi nhớ: chất lượng đầu ra phụ thuộc rất lớn vào những gì đã được ghi lại trong dữ liệu mà mô hình có thể học. Cụ thể là ngay tại thời điểm bây giờ, dữ liệu phần lớn là từ ngôn ngữ. Nhìn rộng hơn, ngôn ngữ vốn là công cụ để con người đóng gói kinh nghiệm, quan sát và tri thức, rồi truyền chúng vượt qua giới hạn của không gian, thời gian, thậm chí của một đời người. AI tạo sinh khai thác kho tri thức đã được ngôn ngữ hóa ấy ở quy mô chưa từng có. Nó có thể xử lý cả hình ảnh, âm thanh hoặc dữ liệu khác, nhưng nền tảng năng lực của nó đa phần vẫn phụ thuộc vào những dấu vết mà con người và thế giới đã để lại qua dữ liệu của ngôn ngữ.

Đó vừa là sức mạnh, vừa là giới hạn của AI. Hãy thử nhờ nó nghĩ ra một công thức phở biến tấu. Mô hình có thể đề xuất một công thức nghe khá hợp lý, bởi trong dữ liệu mà nó đã học, “phở”, “nước dùng”, “quế”, “hồi”, “gừng”, “chanh” hay “hành phi” đều có những mối liên hệ thống kê với nhau. AI biết nguyên liệu nào thường được nhắc đến cùng nhau, kỹ thuật nào hay đi sau bước nào và cách một công thức nấu ăn thường được trình bày. Nói cách khác, nó sáng tạo bằng cách di chuyển trên bản đồ dữ liệu: tìm những thành phần có quan hệ gần gũi, rồi tái tổ hợp chúng thành một công thức mới.

Một đầu bếp lại làm điều đó theo cách khác. Người đầu bếp cũng đọc công thức, học kỹ thuật và tích lũy kinh nghiệm từ những món ăn trước. Nhưng khi đứng trước nồi nước dùng, họ còn ngửi thấy mùi quế đang át mùi hồi, nếm được vị ngọt đã quá gắt hay nhận ra chỉ một chút chanh có thể làm toàn bộ hương vị sáng lên. Họ có thể thử kết hợp hai nguyên liệu vốn hiếm khi xuất hiện cạnh nhau trong sách dạy nấu ăn, đơn giản vì khứu giác và vị giác cho họ biết rằng sự kết hợp ấy có tiềm năng.

AI không có khả năng đó. Nó chưa từng ngửi thấy mùi hành phi vừa chớm cháy, chưa từng nếm vị chua thanh của chanh hay cảm nhận độ giòn của miếng quẩy mới ra lò. Nó chỉ biết những gì con người đã trải nghiệm rồi chuyển thành dữ liệu. Vì vậy, AI có thể đề xuất một công thức phở dựa trên xác suất và khoảng cách giữa các biểu diễn trong dữ liệu, nhưng không thể tự mình biết tô phở ấy có thực sự thơm, cân bằng hay ngon hay không. Đó là khoảng cách giữa việc nhận ra những từ nào thường đi cùng nhau và việc thực sự cảm nhận một hương vị.

Bao nhiêu dữ liệu thì ta có thể đoán trước được tương lai một người?

Đến đây, câu chuyện cần thêm một liều hoài nghi lành mạnh, điều thường bị bỏ qua trong những bài viết quá hào hứng về AI. Trong cuốn “AI Snake Oil”, hai nhà nghiên cứu Arvind Narayanan và Sayash Kapoor kể lại một thí nghiệm mà theo tôi nên được nhắc tới trong mọi cuộc họp bàn về chiến lược AI.

Năm 2015, một nhóm các nhà xã hội học tại Princeton công bố bộ dữ liệu chứa hơn mười nghìn biến số, được thu thập trong mười lăm năm từ hơn bốn nghìn trẻ em Mỹ. Họ mời các nhóm nghiên cứu dự đoán một số kết quả trong cuộc sống của những đứa trẻ này khi đến tuổi thiếu niên. Có 160 đội tham gia, sử dụng nhiều phương pháp thống kê và học máy tiên tiến. Kết quả gây thất vọng: ngay cả mô hình tốt nhất cũng chỉ cải thiện khiêm tốn so với những mô hình cơ bản, và trong nhiều trường hợp không vượt xa một công thức đơn giản chỉ sử dụng vài biến số quen thuộc như hoàn cảnh gia đình, trình độ học vấn của người mẹ hay kết quả học tập trước đó của đứa trẻ.

Hơn mười nghìn biến số, 160 đội nghiên cứu và hàng loạt mô hình tinh vi vẫn không thể nhìn rõ tương lai của một con người. Một phần nguyên nhân là đời sống chịu tác động của những biến cố mà dữ liệu quá khứ không thể biết trước: một tai nạn, một cuộc chia tay, một người thầy xuất hiện đúng lúc hay một cơ hội hoàn toàn bất ngờ. Không phải mọi bất định đều có thể bị xóa bỏ chỉ bằng cách thu thập thêm dữ liệu.

Vì vậy, trước khi doanh nghiệp đầu tư vào một hệ thống AI để “chấm điểm” tiềm năng nhân viên, dự báo doanh thu ba năm tới hay xác định khách hàng nào sắp rời bỏ, có một câu hỏi đáng để suy ngẫm: bài toán này giống nhận diện một vật thể, như là nhận diện một chiếc xe, chiếc cốc, nơi đáp án tương đối rõ ràng và có thể kiểm chứng, hay giống dự đoán số phận của một đứa trẻ, nơi một phần kết quả luôn phụ thuộc vào những yếu tố nằm ngoài dữ liệu hiện có?

Dự đoán rẻ, phán đoán đắt

Có một ý trong “Prediction Machines” mà tôi cho rằng còn quan trọng hơn cả câu hỏi “AI là gì”. Khi chi phí của một yếu tố trong nền kinh tế giảm mạnh, giá trị không biến mất mà thường dịch chuyển sang những yếu tố bổ trợ cho nó. Khi ánh sáng nhân tạo trở nên rẻ hơn vào thế kỷ XIX, giá trị không còn chỉ nằm ở chiếc bóng đèn. Nó chuyển sang những hoạt động mà ánh sáng cho phép con người thực hiện: kéo dài giờ làm việc, tổ chức đời sống về đêm hay thiết kế các tòa nhà theo những cách mới. Với AI cũng vậy. Khi dự đoán trở nên rẻ và dễ tiếp cận, thứ trở nên khan hiếm hơn là phán đoán, tức khả năng xác định mục tiêu, cân nhắc đánh đổi và quyết định phương án nào thực sự đáng theo đuổi.

Khi Đảng và Nhà nước đang tạo ra hành lang pháp lý mở đường cho chuyển đổi số và đổi mới sáng tạo, trách nhiệm của doanh nghiệp là làm chủ công nghệ, sử dụng AI như một cỗ máy dự đoán hiệu quả, đồng thời không ngừng nâng cao “sức mạnh phán đoán” của con người - đó mới là con đường bền vững để đưa doanh nghiệp Việt Nam bứt phá.