Chu kỳ kỳ vọng AI: chọn use case theo giai đoạn, đo bằng chỉ số thật

Theo báo cáo Future of Jobs 2025 của Diễn đàn Kinh tế Thế giới (WEF), 86% doanh nghiệp được khảo sát kỳ vọng AI và công nghệ xử lý thông tin sẽ làm thay đổi doanh nghiệp họ đến năm 2030 (World Economic Forum, 2025, p. 62). Trong khảo sát ý kiến lãnh đạo của chính báo cáo ấy, 50% chọn thiếu kỹ năng và 43% chọn thiếu tầm nhìn của quản lý, lãnh đạo là rào cản áp dụng AI (World Economic Forum, 2025, p. 63). Một CFO nhận đề xuất chi AI quý tới đang đứng giữa hai con số này. Chu kỳ kỳ vọng công nghệ cho một cách đặt câu hỏi; bài này dùng nó như vậy, rồi nối với cách chọn use case của OpenAI và một bảng chỉ số.

Chu kỳ kỳ vọng công nghệ là gì, và nó khẳng định được gì?

Đó là mô hình mô tả kỳ vọng với một công nghệ mới tăng vọt, vỡ mộng, rồi ổn định theo năng suất thực; thư viện ghi nguồn gốc là Fenn và Raskino (2008). Câu hỏi của nó dành cho người cầm tiền: công nghệ này đang ở đỉnh kỳ vọng, đáy vỡ mộng hay đã vào giai đoạn tạo năng suất?

Framework của site chia thành năm giai đoạn: khởi phát công nghệ, đỉnh kỳ vọng thổi phồng, đáy vỡ mộng, dốc giác ngộ, cao nguyên năng suất.

Mọi điều tôi viết về mô hình đến từ bản tóm tắt này. Tôi không đọc được cuốn sách, nên không biết các tác giả xác định vị trí một công nghệ thế nào hay mỗi giai đoạn kéo dài bao lâu, và thư viện không có nguồn nào kiểm xem công nghệ có thật sự đi theo đường cong. Vì vậy tôi coi nó là mô hình, không phải quy luật. Framework tự cảnh báo: việc đặt AI tạo sinh vào đáy vỡ mộng thường không kèm nguồn. Bài này không đặt công nghệ AI nào lên đường cong; nó dùng năm tên giai đoạn làm năm câu hỏi về bằng chứng, xếp thành bảng ở cuối bài.

Các số liệu AI năm 2025 đo kỳ vọng hay đo kết quả?

Phần lớn đo kỳ vọng và kế hoạch chi tiêu. Báo cáo WEF nói đầu tư vào AI tăng gần tám lần từ khi ChatGPT ra mắt tháng 11/2022, trong khi việc áp dụng AI nói chung vẫn thấp: năm 2023 chỉ một phần nhỏ doanh nghiệp dùng, và "the full extent of long-term productivity gains from the technology remains uncertain" (World Economic Forum, 2025, p. 11). Hướng dẫn của OpenAI dẫn số liệu của McKinsey: 92% công ty định tăng đầu tư AI, nhưng chỉ 1% tin khoản đầu tư của mình đã đạt mức trưởng thành đầy đủ (OpenAI, 2025, p. 3). Tiền đi trước bằng chứng.

Nhưng chuỗi số như vậy không cho biết giai đoạn: cùng bộ số có thể khớp với đỉnh kỳ vọng hay với dốc giác ngộ. Báo cáo còn ghi mức áp dụng không đều, ngành công nghệ thông tin dẫn đầu, ngành xây dựng tụt lại (World Economic Forum, 2025, p. 11). Câu "AI đang ở đâu trên đường cong" vì thế có thể có đáp án khác nhau tuỳ ngành và tuỳ việc; đó là suy luận, báo cáo không nói vậy. Thứ đáng đo nằm trong nhà: từng use case.

Nên tìm use case ở đâu trước khi bàn chuyện đầu tư?

Tìm ở ba tình huống hằng ngày: việc thủ công lặp lại, nút thắt kỹ năng, và những lúc mơ hồ khó bắt đầu (OpenAI, 2025, p. 6). OpenAI (2025), hãng bán ChatGPT Enterprise, khuyên mỗi nhóm liệt kê việc rơi vào ba tình huống ấy, rồi dùng danh sách mở đầu một hội thảo hoặc hackathon (OpenAI, 2025, p. 9).

Bước kế tiếp là sáu kiểu việc. OpenAI phân tích hơn 600 use case của khách hàng và nói phần lớn rơi vào một trong sáu kiểu (OpenAI, 2025, p. 10).

Hai điểm đáng giữ cho người đang đứng ở đỉnh kỳ vọng. OpenAI viết rằng use case phức tạp có thể gây ấn tượng nhưng thường làm chậm, và để nhân viên tự tìm use case hợp với họ thường nhanh hơn (OpenAI, 2025, p. 5). Còn quy trình làm GPT của Estée Lauder mở đầu bằng bản mô tả hai trang do người dùng nghiệp vụ viết; giám đốc phụ trách việc áp dụng ChatGPT Enterprise nhắc ba câu hỏi: tại sao làm, giải quyết vấn đề gì, tác động ra sao (OpenAI, 2025, p. 24).

Chấm ưu tiên thế nào, và vì sao phải chấm lại mỗi quý?

OpenAI dùng ma trận tác động và công sức, bốn ô: ROI cao nên làm trước, tự phục vụ, giá trị cao nhưng công sức lớn, và công sức lớn mà tác động thấp thì gác lại (OpenAI, 2025, p. 26). Indeed nằm ở ô giá trị cao, công sức lớn: dựng cách giải thích cho người tìm việc vì sao một vị trí được gợi ý, mất nhiều tháng thử và chỉnh, và số hồ sơ ứng tuyển được bắt đầu tăng 20% (OpenAI, 2025, p. 27).

Câu đáng chú ý nhất cho bài này nằm ở trang 28: chấm lại điểm mỗi quý, vì use case công sức lớn hôm nay có thể thành công sức nhỏ khi năng lực AI tăng (OpenAI, 2025, p. 28). Tôi đọc nó cùng chu kỳ kỳ vọng: "công sức" và "tác động" đều là ước tính, và ước tính ở đỉnh kỳ vọng thường lạc quan hơn sau khi đã chạy thử, nên chấm lại theo quý buộc ước tính gặp dữ liệu. Đó là cách ghép của tôi, hướng dẫn không nói vậy.

Hướng dẫn khuyên bắt đầu bằng thắng nhanh để tạo đà (OpenAI, 2025, p. 26). Hợp nếu đội chưa quen dùng AI và chưa có đường cơ sở nào. Không hợp nếu mọi thắng nhanh đều là việc cá nhân, không dòng nào chạm vào chi phí hay doanh thu của công ty.

Đo bằng chỉ số nào mới gọi là thật?

Chỉ số "thật" ở đây là chỉ số có đường cơ sở: đo công việc đó trước khi dùng AI, rồi đo lại bằng cùng đơn vị. Khái niệm khoảng trống đo lường ROI của thư viện mô tả tình trạng ngược lại: dùng AI mà chưa chứng minh được lợi ích bằng chỉ số có đường cơ sở. Định nghĩa đó của site, không gắn nguồn.

Hai ví dụ trong hướng dẫn OpenAI cho thấy khoảng cách. Promega tiết kiệm 135 giờ trong sáu tháng đầu khi dùng ChatGPT Enterprise soạn bản nháp đầu cho email chiến dịch (OpenAI, 2025, p. 13). Văn bản không nói đo cách nào hay đường cơ sở là gì, và đây là chỉ số đầu vào (thời gian). Con số 20% của Indeed là chỉ số đầu ra (hồ sơ được bắt đầu), cũng không kèm kỳ đo hay đường cơ sở (OpenAI, 2025, p. 27). Cả hai cho biết cỡ, chưa đủ để bảo vệ một khoản chi.

Một ví dụ giả định cho thấy đường cơ sở trông thế nào. Công ty A, phân phối thực phẩm, có sáu nhân viên kinh doanh trả lời yêu cầu báo giá; công ty và mọi con số dưới đây do tôi bịa. Hai tuần trước khi thử, họ ghi lại: 120 báo giá, trung bình 40 phút mỗi báo giá, 9 báo giá sai đơn giá hoặc điều khoản (7,5%). Hai tuần thử với AI soạn nháp, người duyệt: 130 báo giá, 25 phút mỗi báo giá gồm cả thời gian duyệt, 6 báo giá sai (4,6%).

Tiết kiệm 15 phút nhân 130 báo giá là 32,5 giờ trong hai tuần, đáng tin vì có cả hai đầu. "Lỗi giảm" thì chưa: chín so với sáu lỗi trong hai mẫu nhỏ chưa đủ để kết luận. Công ty A nên chạy thêm vài tuần, và trừ chi phí giấy phép khỏi số tiết kiệm trước khi đem đi trình.

Mỗi giai đoạn nên hỏi gì và đo gì?

Nên chọn dòng theo bằng chứng bạn đang có, không theo vị trí trên báo chí: chưa có đường cơ sở thì bạn đang ở dòng hai. Bảng dưới là suy luận từ năm tên giai đoạn và các số liệu ở trên.

Có hai giới hạn. Bảng cần bạn chọn được dòng, bằng vị trí công nghệ hoặc bằng bằng chứng nội bộ; mô hình gốc không bảo đảm xác định được vị trí. Và giai đoạn gắn với công nghệ, còn quyết định gắn với từng use case. Giả sử cùng một công cụ: việc soạn email đã có đường cơ sở và lặp ở nhiều phòng (dòng bốn), việc dự báo doanh thu chưa ai đo gì (dòng hai). Với một việc cụ thể nên giao cho AI hay không, bài Việc nào nên giao cho AI có ma trận riêng.

Đào sâu: tôi đã đọc gì, chưa đọc gì?

Hướng dẫn của OpenAI (2025): tôi đọc toàn văn PDF 34 trang, qua bản chuyển văn bản tự động. Ví dụ khách hàng và con số do OpenAI công bố, tôi không kiểm từng cái. Số liệu BCG và McKinsey ở lời mở đầu là dẫn lại, tôi chưa mở nguồn gốc.

Báo cáo WEF (2025): tôi đọc các trang 11, 62, 63 mà bài trích và quét toàn văn tìm chỗ nhắc AI; chưa đọc hết 290 trang. Hình 4.13 (trang 63) ghi "share of employers" nhưng nguồn là khảo sát ý kiến lãnh đạo (Executive Opinion Survey), nên tôi viết "lãnh đạo".

Fenn và Raskino (2008): tôi không đọc cuốn sách. Năm giai đoạn và cảnh báo về AI tạo sinh lấy từ bản tóm tắt framework và định nghĩa của thư viện; tôi không biết các tác giả định nghĩa hay đo từng giai đoạn thế nào, hay có bằng chứng thực nghiệm gì. Nhận xét rằng đây là mô hình chứ chưa phải quy luật được kiểm là giới hạn tôi nêu vì thư viện không có nguồn kiểm chứng, không rút từ một bài phê bình đã đọc.