Nhiều doanh nghiệp đã mua công cụ, mở tài khoản ChatGPT cho cả đội, nhưng sau vài tháng chi phí tăng còn kết quả đứng yên. Nguyên nhân hiếm khi nằm ở công nghệ mà nằm ở thứ tự ứng dụng AI trong doanh nghiệp chưa đúng. Bài viết này của HBR phân tích 10 sai lầm khi ứng dụng AI phổ biến nhất, kèm case thật và lộ trình 5 bước để bạn tránh lặp lại. Cùng tìm hiểu ngay!

1. Vì sao nhiều doanh nghiệp ứng dụng AI mà không thu được kết quả?

Sai lầm khi ứng dụng AI là những quyết định sai về mục tiêu, thứ tự, dữ liệu, con người hoặc cách đo lường khiến khoản đầu tư AI không tạo ra giá trị kinh doanh tương xứng. Điểm chung là doanh nghiệp coi AI như món đồ để mua, trong khi thực chất AI là thay đổi trong cách vận hành. Các nghiên cứu lớn cho thấy khoảng cách giữa “dùng AI” và “thu được giá trị từ AI” còn rất rộng:

• Báo cáo The GenAI Divide 2025 của MIT NANDA: Khoảng 95% dự án thí điểm AI tạo sinh trong doanh nghiệp bị chững lại và không tạo ra lợi nhuận đáng kể (khảo sát 350 nhân viên, phỏng vấn 150 lãnh đạo, phân tích 300 dự án).

• Khảo sát của Boston Consulting Group (BCG, tháng 10/2024): 74% trong số 1.000 doanh nghiệp tại 59 quốc gia chưa chứng minh được giá trị hữu hình từ AI.

• Dự báo của Gartner (2024): Ít nhất 30% dự án AI tạo sinh sẽ bị bỏ dở sau giai đoạn thử nghiệm ý tưởng (POC) vào cuối năm 2025, chủ yếu do dữ liệu kém, chi phí leo thang và giá trị kinh doanh không rõ ràng.

Phát hiện quan trọng nhất đến từ BCG: khoảng 70% khó khăn khi triển khai AI xuất phát từ con người và quy trình, 20% từ công nghệ và dữ liệu, chỉ 10% từ thuật toán. Nói cách khác, phần lớn sai lầm khi ứng dụng AI là sai lầm quản trị, và người sửa được chúng là lãnh đạo.

2. 10 sai lầm khi ứng dụng AI phổ biến nhất trong doanh nghiệp

10 sai lầm khi ứng dụng AI phổ biến nhất có thể gom thành 4 nhóm:

• Nhóm chiến lược: Ứng dụng AI vì sợ bị bỏ lại; mua công cụ trước, nghĩ chiến lược sau; kỳ vọng AI thay người ngay.

• Nhóm quy trình và dữ liệu: Đưa AI vào quy trình chưa chuẩn hóa; dữ liệu rời rạc, thiếu sạch.

• Nhóm rủi ro: Tin tuyệt đối vào kết quả AI; đưa dữ liệu nhạy cảm vào công cụ miễn phí.

• Nhóm con người và đo lường: Không đào tạo đội ngũ; dùng AI rời rạc theo cá nhân; không đo lường ROI.

2.1. Ứng dụng AI vì sợ bị bỏ lại, không gắn với bài toán kinh doanh

Đây là sai lầm khi ứng dụng AI mang tính gốc rễ, sinh ra hầu hết các lỗi phía sau. Doanh nghiệp bắt đầu dự án vì đối thủ đang làm hay vì cảm giác “không làm là lạc hậu”, chứ không vì một nút thắt cụ thể trong vận hành.

• Biểu hiện: Mục tiêu viết chung chung như “chuyển đổi AI”, “tối ưu bằng AI”, không có con số nào gắn với doanh thu, chi phí hay thời gian.

• Hậu quả: Không ai biết dự án thành công hay thất bại, ngân sách cứ chảy mà không có điểm dừng.

• Cách khắc phục: Viết mục tiêu theo cấu trúc “giảm X ở khâu Y trong Z tháng”, ví dụ giảm 40% thời gian soạn báo giá trong 3 tháng.

Gốc rễ thường là những hiểu lầm phổ biến về AI ở cấp lãnh đạo, coi AI là xu hướng thay vì công cụ giải bài toán cụ thể.

2.2. Mua công cụ trước, nghĩ chiến lược sau

Nhiều doanh nghiệp đăng ký năm, sáu phần mềm AI rồi mới hỏi “dùng vào việc gì”. Đây là sai lầm khi triển khai AI thường gặp ở chủ doanh nghiệp nhỏ, nhạy cảm chi phí và muốn có giải pháp nhanh.

• Biểu hiện và hậu quả: Mỗi phòng tự mua một công cụ, không ai nắm tổng phí thuê bao, dữ liệu bị chia cắt qua nhiều nền tảng.

• Cách khắc phục: Trả lời đủ ba câu hỏi trước khi mua: khâu nào ưu tiên, ai chịu trách nhiệm, đo bằng chỉ số nào.

Khi có tư duy chiến lược AI, chọn công cụ trở thành bước cuối chứ không phải bước đầu. Nếu anh/chị cần khung tham chiếu, cuốn sách AI For Business Leaders: Lộ trình và chiến lược triển khai AI toàn diện trong doanh nghiệp của Mr. Tony Dzung trình bày quy trình triển khai 7 bước kèm bài tập đánh giá mức sẵn sàng.

2.3. Kỳ vọng AI thay người ngay, cắt giảm nhân sự sai chỗ

Thay tư vấn viên bằng chatbot hấp dẫn trên bảng tính, nhưng ở vị trí tiếp xúc khách hàng, doanh thu mất đi có thể lớn hơn khoản lương tiết kiệm được.

Case điển hình là Klarna, công ty fintech Thụy Điển. Đầu năm 2024, Klarna công bố trợ lý AI xử lý khoảng 75% cuộc trò chuyện với khách hàng, tương đương khối lượng công việc của 700 nhân viên. Đến tháng 5/2025, CEO Sebastian Siemiatkowski thừa nhận với Bloomberg rằng hướng đi này chưa đúng và công ty bắt đầu tuyển lại nhân sự chăm sóc khách hàng, kết hợp AI với con người.

• Cách khắc phục: Để AI lo phần lặp lại như câu hỏi thường gặp, phân loại khách, soạn nháp; con người giữ khâu tư vấn sâu, xử lý khiếu nại và chốt giao dịch. Mục tiêu giai đoạn đầu là tăng năng suất mỗi người, không phải giảm đầu người.

Ở Việt Nam, tình huống tương tự hay gặp ở ngành spa: chatbot tự tư vấn cả liệu trình giá trị cao, khách chỉ nhận câu trả lời chung chung, tỷ lệ đặt lịch giảm và cơ sở phải tuyển lại tư vấn viên. Đây là sai lầm khi ứng dụng AI đổi chi phí lấy doanh thu.

2.4. Đưa AI vào quy trình chưa được chuẩn hóa

Tự động hóa một quy trình lộn xộn chỉ khiến sự lộn xộn diễn ra nhanh hơn. Nếu mỗi nhân viên báo giá một kiểu, AI không thể “học” được cách làm đúng.

• Biểu hiện và hậu quả: Kết quả AI mỗi lần một kiểu, nhân viên phải sửa gần hết rồi kết luận “AI không dùng được”, trong khi lỗi nằm ở quy trình.

• Cách khắc phục: Viết quy trình hiện tại thành SOP gồm đầu vào, các bước, người chịu trách nhiệm, đầu ra và tiêu chuẩn chất lượng. Chỉ đưa AI vào khi quy trình đã chạy ổn định bằng tay. Việc chuẩn hóa quy trình với AI còn là dịp cắt bỏ bước thừa.

2.5. Dữ liệu rời rạc, thiếu sạch nhưng vẫn kỳ vọng AI “thông minh”

AI chỉ thông minh bằng dữ liệu nó được cung cấp, trong khi dữ liệu khách hàng ở nhiều SME nằm rải rác ở Excel cá nhân, Zalo, phần mềm bán hàng và CRM không kết nối.

• Biểu hiện: Một khách hàng xuất hiện ba lần với ba số điện thoại khác nhau, báo cáo mỗi phòng một con số.

• Hậu quả: AI phân tích sai, đội ngũ mất niềm tin vào công cụ ngay từ những tuần đầu.

• Cách khắc phục: Xử lý tình trạng dữ liệu bị cô lập theo phòng ban (data silo), gom về một nguồn chung, làm sạch và gán người chịu trách nhiệm cho từng loại dữ liệu.

Gartner xếp dữ liệu kém là lý do hàng đầu khiến dự án AI bị bỏ dở, nên đầu tư cho chất lượng dữ liệu trong AI luôn phải đi trước đầu tư công cụ.

2.6. Tin tuyệt đối vào kết quả AI, không kiểm chứng

Mô hình ngôn ngữ lớn có thể tạo ra thông tin nghe rất thuyết phục nhưng sai hoàn toàn, hiện tượng gọi là “ảo giác AI”. Theo nhà khoa học dữ liệu Damien Charlotin (HEC Paris), chỉ trong sáu tháng đã có ít nhất 490 hồ sơ tòa án chứa thông tin do AI bịa ra.

Bài học đắt giá là vụ Air Canada: chatbot của hãng tư vấn sai chính sách giá vé ưu đãi tang lễ. Ngày 14/2/2024, Tòa giải quyết tranh chấp dân sự British Columbia (Canada) bác lập luận rằng chatbot “tự chịu trách nhiệm” và buộc hãng bồi thường. Đây là rủi ro khi ứng dụng AI rõ nhất về pháp lý: doanh nghiệp chịu trách nhiệm cho mọi điều AI của mình nói với khách.

• Cách khắc phục: Mọi đầu ra AI liên quan đến giá, chính sách, pháp lý và cam kết với khách phải có người duyệt, hoặc AI chỉ được trả lời dựa trên kho tài liệu nội bộ đã kiểm duyệt.

• Ba câu hỏi kiểm chứng nhanh: Số liệu này lấy từ đâu? Có khớp với tài liệu gốc không? Nếu sai, ai chịu trách nhiệm với khách?

2.7. Đưa dữ liệu nhạy cảm vào công cụ AI miễn phí

Nhân viên dán danh sách khách hàng, bảng lương hay hợp đồng vào công cụ AI miễn phí là rủi ro khi ứng dụng AI phổ biến nhưng ít được kiểm soát. Samsung là ví dụ điển hình: tháng 4/2023, kỹ sư Samsung vô tình tải mã nguồn nội bộ lên ChatGPT, khiến tập đoàn phải cấm nhân viên dùng các công cụ AI tạo sinh bên ngoài trên thiết bị công ty.

Tại Việt Nam, rủi ro này giờ mang tính pháp lý. Luật Bảo vệ dữ liệu cá nhân 2025 có hiệu lực từ 1/1/2026, mức phạt tối đa có thể đến 5% doanh thu năm liền kề với một số vi phạm. Cách đơn giản nhất là phân loại dữ liệu thành ba mức:

• Mức xanh (công khai): Nội dung đã đăng website, mô tả sản phẩm. Được dùng với mọi công cụ.

• Mức vàng (nội bộ): Quy trình, báo cáo vận hành, kế hoạch kinh doanh. Chỉ dùng với công cụ bản doanh nghiệp có cam kết không dùng dữ liệu để huấn luyện.

• Mức đỏ (nhạy cảm): Dữ liệu cá nhân khách hàng, bảng lương, hợp đồng, bí mật kinh doanh. Không đưa vào công cụ bên ngoài nếu chưa ẩn danh.

Đây là phần cốt lõi của một khung quản trị rủi ro AI, cần phổ biến cho nhân viên ngay ngày đầu cấp tài khoản.

2.8. Không đào tạo đội ngũ, để nhân viên tự mày mò

Mua tài khoản AI mà không đào tạo, phần lớn nhân sự sẽ chỉ hỏi đáp đơn giản rồi kết luận “AI không hiệu quả”. MIT NANDA gọi đây là “khoảng trống học tập” giữa công cụ và quy trình doanh nghiệp. Chương trình đào tạo tối thiểu nên có ba lớp:

• Lớp nền tảng: Giới hạn của AI và quy định bảo mật dữ liệu.

• Lớp kỹ năng: Kỹ thuật prompt với cấu trúc vai trò, bối cảnh, nhiệm vụ, định dạng đầu ra và tiêu chí đánh giá.

• Lớp ứng dụng: Câu lệnh mẫu theo vị trí, thực hành trên việc thật.

2.9. Ứng dụng AI rời rạc theo cá nhân, không thành năng lực tổ chức

Ở nhiều doanh nghiệp, vài nhân viên dùng AI rất giỏi nhưng cách làm không được ghi lại hay chia sẻ. Khi họ nghỉ, năng lực đó rời đi theo, đúng nỗi sợ phụ thuộc vào cá nhân của nhiều chủ doanh nghiệp.

• Hậu quả: Đây là sai lầm khi ứng dụng AI khiến doanh nghiệp không tích lũy được tài sản tri thức, nhân viên mới lại bắt đầu từ con số không.

• Cách khắc phục: Xây thư viện prompt dùng chung theo phòng ban, chuẩn hóa mẫu đầu ra, chỉ định người phụ trách cập nhật.

Đây là bước chuyển từ “có người biết dùng AI” sang “tổ chức vận hành cùng AI”, điểm phân biệt cách ứng dụng AI hiệu quả với cách làm phong trào.

2.10. Không đo lường hiệu quả và ROI của AI

Không đo lường thì không thể quản trị, và đây là sai lầm khi ứng dụng AI khiến lãnh đạo khó bảo vệ ngân sách nhất, vì kết luận kiểu “thấy cũng nhanh hơn” không đủ căn cứ để nhân rộng hay dừng lại.

Doanh nghiệp cần đo mốc ban đầu trước khi triển khai và đặt AI KPIs riêng cho từng khâu. Một số chỉ số gợi ý:

Luôn đo song song hiệu quả và chất lượng, vì AI nhanh hơn nhưng sai nhiều hơn vẫn là thất bại.

>>> XEM THÊM: CÁCH TRIỂN KHAI AI THÀNH CÔNG TRONG DOANH NGHIỆP

3. Dấu hiệu doanh nghiệp đang mắc sai lầm khi ứng dụng AI

Nếu có từ 3 dấu hiệu trở lên dưới đây, việc ứng dụng AI trong doanh nghiệp của bạn nhiều khả năng đang đi sai hướng và cần rà soát trước khi tăng ngân sách.

Các dấu hiệu thường xuất hiện theo chuỗi từ trên xuống, nên hãy xử lý từ dòng đầu tiên thay vì sửa riêng lẻ từng triệu chứng.

4. Làm thế nào để tránh sai lầm khi ứng dụng AI? Lộ trình 5 bước

Để tránh sai lầm khi ứng dụng AI, doanh nghiệp nên đi theo 5 bước dưới đây. Đây là cách ứng dụng AI hiệu quả bám đúng quy tắc 70-20-10 của BCG: đầu tư cho con người và quy trình trước công nghệ.

• Bước 1: Chọn đúng bài toán kinh doanh

• Bước 2: Đánh giá mức độ sẵn sàng và phân bổ ngân sách

• Bước 3: Chuẩn hóa quy trình và dữ liệu trước khi tự động hóa

• Bước 4: Thí điểm nhỏ, đo lường trước và sau

• Bước 5: Nhân rộng, đào tạo và ban hành quy định sử dụng AI

Bước 1: Chọn đúng bài toán kinh doanh

Hãy bắt đầu từ nút thắt tốn kém nhất, không từ công cụ. Bài toán tốt cho AI có ba đặc điểm: lặp lại nhiều, có dữ liệu sẵn và đo được kết quả.

Khâu phù hợp cho SME giai đoạn đầu: trả lời câu hỏi thường gặp, soạn nháp nội dung và báo giá, tổng hợp báo cáo, sàng lọc hồ sơ. Chọn tối đa 1 đến 2 bài toán cho đợt đầu.

Bước 2: Đánh giá mức độ sẵn sàng và phân bổ ngân sách

Chấm điểm doanh nghiệp trên bốn trụ: dữ liệu, quy trình, con người và hạ tầng công nghệ. Bộ chỉ số sẵn sàng AI giúp lãnh đạo nhìn ra trụ nào yếu nhất để xử lý trước.

Khi phân bổ ngân sách, hãy áp dụng tỷ lệ 70-20-10 của BCG. Ví dụ với ngân sách 100 triệu đồng cho năm đầu: khoảng 70 triệu cho đào tạo, chuẩn hóa quy trình và người phụ trách dự án; 20 triệu cho công cụ và dữ liệu; 10 triệu cho tùy chỉnh mô hình. Phần lớn SME đang làm ngược lại, dồn gần hết ngân sách vào phần mềm.

Về công cụ, MIT NANDA ghi nhận giải pháp mua từ nhà cung cấp chuyên môn thành công khoảng hai phần ba số trường hợp, hệ thống tự phát triển chỉ khoảng một phần ba.

Bước 3: Chuẩn hóa quy trình và dữ liệu trước khi tự động hóa

Bỏ qua bước này là sai lầm khi triển khai AI tốn kém nhất. Hãy viết SOP cho khâu đã chọn, thống nhất biểu mẫu, gom dữ liệu về một nơi và đặt quy tắc nhập liệu. Chỉ khi quy trình chạy ổn định bằng tay, AI mới có nền tảng để tăng tốc.

Bước 4: Thí điểm nhỏ, đo lường trước và sau

Chạy thí điểm trong 30 đến 60 ngày với một nhóm nhỏ, ghi lại chỉ số trước và sau khi có AI. Công thức cơ bản để đo lường ROI AI:

ROI AI = (Giá trị tạo ra - Tổng chi phí AI) / Tổng chi phí AI x 100%

Ví dụ với số liệu giả định: 5 nhân viên chăm sóc khách hàng, mỗi người mất 3 giờ/ngày trả lời câu hỏi lặp lại, giờ công 60.000 đồng, 26 ngày/tháng.

Điều quan trọng là có căn cứ để quyết định. Hãy đặt sẵn ngưỡng trước khi thí điểm, ví dụ hoàn vốn dưới 6 tháng và tỷ lệ chuyển sang người thật dưới 30% thì nhân rộng; không đạt thì kiểm tra lại dữ liệu và quy trình trước khi kết luận AI không phù hợp.

Bước 5: Nhân rộng, đào tạo và ban hành quy định sử dụng AI

Khi thí điểm đạt ngưỡng mới nhân rộng sang khâu tiếp theo. Ba việc bắt buộc là đào tạo theo vị trí, xây thư viện prompt dùng chung và ban hành quy định sử dụng AI để kiểm soát rủi ro khi ứng dụng AI ở quy mô lớn, tránh lặp lại sai lầm khi ứng dụng AI ở khâu mới.

Nhân rộng AI là thay đổi hành vi của cả tổ chức, nên lãnh đạo cần áp dụng nguyên tắc quản trị sự thay đổi: giải thích lý do, ghi nhận người làm tốt và gỡ vướng nhanh. Các chương trình đào tạo ứng dụng AI trong doanh nghiệp nên đi kèm bài tập trên chính quy trình thật của doanh nghiệp.

Nếu doanh nghiệp muốn đưa AI vào khâu tư vấn, chăm sóc khách hàng mà không lặp lại bài học Klarna, khóa học Xây dựng hệ thống bán hàng hiện đại AI Sales K8 diễn ra ngày 14 và 15/11/2026 tại Hà Nội sẽ giúp anh/chị có lộ trình cụ thể.

5. Chủ doanh nghiệp SME cần lưu ý gì khi ứng dụng AI?

Với chủ doanh nghiệp SME, cách ứng dụng AI hiệu quả phụ thuộc trước hết vào tư duy người đứng đầu, không phải ngân sách công nghệ. Bốn lưu ý cốt lõi:

• AI là thay đổi cách vận hành, không phải dự án công nghệ: Giao AI cho bộ phận IT tự lo là sai lầm khi triển khai AI rất phổ biến. Người chịu trách nhiệm cao nhất phải là lãnh đạo kinh doanh.

• Ưu tiên giải pháp có sẵn và khâu hậu trường: Theo MIT NANDA, hơn nửa ngân sách AI dồn vào bán hàng và marketing, nhưng lợi nhuận rõ nhất lại đến từ khâu hậu trường như tự động hóa quy trình và giảm thuê ngoài.

• Lãnh đạo phải học trước đội ngũ: Không cần viết code, nhưng cần hiểu AI làm được gì để đặt đúng mục tiêu và đánh giá đúng kết quả.

• Xây năng lực AI thành hệ thống: Doanh nghiệp phải vận hành được cùng AI kể cả khi vắng chủ.

Đây cũng là tinh thần của mô hình AI First Company mà Mr. Tony Dzung, Chủ tịch HĐQT HBR Holdings, khởi xướng cùng cộng đồng AI FIRST: coi AI là cách tiếp cận toàn diện để vận hành doanh nghiệp.

>>> XEM THÊM: XÂY DỰNG TƯ DUY AI CHO LÃNH ĐẠO DOANH NGHIỆP

Phần lớn sai lầm khi ứng dụng AI bắt nguồn từ việc lãnh đạo thiếu lộ trình rõ ràng: bắt đầu từ khâu nào, đánh giá mức sẵn sàng ra sao, đo lường thế nào để nhân rộng. Khóa học AI for Business Leaders: Chiến lược và lộ trình ứng dụng AI vào doanh nghiệp K2 tại Trường Doanh nhân HBR, diễn ra ngày 24 và 25/10/2026 tại Hà Nội, giúp anh/chị xây dựng chiến lược AI cho chính doanh nghiệp mình, từ chọn bài toán ưu tiên đến lộ trình triển khai và quản trị rủi ro, để không phải trả giá cho những sai lầm khi ứng dụng AI kể trên.

Chương trình do Mr. Tony Dzung, người trực tiếp vận hành hệ sinh thái hơn 1.400 nhân sự của HBR Holdings, dẫn dắt. 

Kết luận

Tóm lại, sai lầm khi ứng dụng AI hiếm khi đến từ công nghệ mà đến từ việc đi sai thứ tự: mua công cụ trước khi có bài toán, tự động hóa trước khi chuẩn hóa, mở rộng trước khi đo lường. Klarna, Air Canada hay Samsung cho thấy cả doanh nghiệp lớn cũng phải trả giá khi bỏ qua con người và quy trình. Khi đầu tư đúng thứ tự và đo lường rõ ràng, AI sẽ thành năng lực vận hành bền vững thay vì khoản chi phí khó kiểm soát.