Trở Ngại Của AI Không Phải Là Thất Bại. Mà Là Thất Bại Quá Chậm.

Trở Ngại Của AI Không Phải Là Thất Bại. Mà Là Thất Bại Quá Chậm.

Trí tuệ nhân tạo (AI) đang chuyển đổi cách thức các tổ chức vận hành, đổi mới và phát triển. Trên mọi ngành nghề, các tổ chức đang sử dụng AI để hợp lý hóa quy trình làm việc, mở khóa những hiệu quả mới và hỗ trợ việc ra quyết định nhanh hơn, tự tin hơn. Khi AI âm thầm trở thành động cơ đằng sau năng suất hiện đại, nó giúp các tổ chức đạt được sự linh hoạt và quy mô lớn hơn.

Tuy nhiên, bất chấp nhiều lợi ích có thể đo lường được của AI, một điều bất ngờ đang xảy ra. Nhiều doanh nghiệp đang vấp phải một bức tường. Thay vì đẩy nhanh đổi mới, một số nhóm lại sa lầy vào sự phức tạp, quản lý rủi ro và nỗi sợ hãi ngày càng lớn về những điều chưa biết.

Tại sao? Bởi vì chúng ta đang nghĩ về nó sai cách.

AI quá thường xuyên bị hiểu lầm là một công nghệ phải được kiểm soát hoàn toàn trước khi có thể được tin tưởng. Điều này bắt nguồn từ niềm tin sai lầm rằng sự chắc chắn là điều kiện tiên quyết cho sự an toàn. Nhưng cách hiểu này đã bỏ lỡ bản chất của AI và cách nó mang lại giá trị. AI là một công cụ thích ứng, được thiết kế để học hỏi và tiến hóa qua quá trình sử dụng. Đối xử với nó như thể nó phải hoạt động như phần mềm truyền thống là một cách hiểu sai lệch về bản chất của nó và làm suy yếu tiềm năng của nó.

Trong nỗ lực khai thác AI một cách có trách nhiệm, nhiều tổ chức đã vô tình biến việc giảm thiểu rủi ro thành một nút thắt cổ chai. Trên khắp các ngành, các nhóm do dự trong việc triển khai AI trừ khi họ có thể mổ xẻ, giải thích và biện minh cho từng lớp trong quá trình ra quyết định của nó, thường ở một mức độ không thực tế. Mặc dù mức độ giám sát này phản ánh sự thẩm định đầy thiện chí, nhưng nó thường đánh bại chính mục đích của AI: đẩy nhanh sự thấu hiểu, tăng cường sức mạnh cho các nhóm và giải quyết vấn đề ở quy mô lớn.

Đã đến lúc điều chỉnh lại bằng cách chuyển dịch khỏi yêu cầu kiểm soát tuyệt đối và hướng tới một mô hình nhấn mạnh khả năng phục hồi, năng suất và tính giải thích được thực tế—mà không khiến đổi mới bị đình trệ.

Nỗi Sợ Hộp Đen Đang Cản Trở Tiến Bộ

Con người có một sự khó chịu tự nhiên với những hệ thống mà họ không hoàn toàn hiểu rõ, và các công cụ AI—đặc biệt là các mô hình tạo sinh quy mô lớn—thường hoạt động theo những cách khó giải thích một cách dễ dàng. Kết quả là, nhiều nhà lãnh đạo rơi vào một cái bẫy: nếu họ không thể giải thích đầy đủ mọi quyết định của AI, thì hệ thống đó không thể được tin tưởng.

Do đó, nhiều tổ chức thiết kế quá mức các quy trình giám sát, thêm nhiều lớp đánh giá liên chức năng, kiểm tra tuân thủ và kiểm toán khả năng giải thích, ngay cả cho các trường hợp sử dụng rủi ro thấp. Khi các nhóm coi khả năng giải thích là nhu cầu mở mọi hộp đen, họ mắc kẹt việc triển khai AI trong những chu kỳ đánh giá bất tận. Điều này tạo ra một “tình trạng tê liệt vận hành” trong đó các nhóm trở nên quá sợ hãi việc làm sai với AI đến mức họ ngừng làm bất cứ điều gì, dẫn đến sự xói mòn dần động lực, các sáng kiến bị đình trệ và cuối cùng là mất cơ hội.

Vấn đề không nằm ở ý định đằng sau các hệ thống kiểm soát; mà là giả định rằng giảm thiểu rủi ro phải đồng nghĩa với kiểm soát. Trong thực tế, thiết kế hệ thống AI cho khả năng phục hồi thay vì sự hoàn hảo là một cách tiếp cận hiệu quả hơn. Chìa khóa là từ bỏ cách tiếp cận theo thủ tục để ủng hộ tư duy dựa trên kết quả.

Khả năng phục hồi trong AI có nghĩa là chấp nhận rằng sai lầm sẽ xảy ra và xây dựng các rào chắn có thể phát hiện và khắc phục chúng. Nó có nghĩa là chuyển cuộc thảo luận từ cách ngăn chặn mọi thất bại có thể xảy ra sang cách đảm bảo phát hiện và can thiệp nhanh chóng khi mọi thứ đi chệch hướng.

Hầu hết các hệ thống hiện đại được xây dựng với sự hiểu biết rằng một mức độ sai sót nào đó sẽ xảy ra. Ví dụ, các công cụ an ninh mạng không được kỳ vọng là 100% không thể xuyên thủng. Chúng không được thiết kế để như vậy. Thay vào đó, chúng được thiết kế để phát hiện, phản ứng và tạo ra các giao thức phục hồi nhanh. Những kỳ vọng tương tự nên được áp dụng cho AI.

Đòi hỏi khả năng hiển thị hoàn toàn vào mọi quyết định của AI là không thực tế và có thể phản tác dụng đối với việc tạo ra giá trị. Thay vào đó, các tổ chức phải ủng hộ một “khả năng giải thích ở cấp độ bảng điều khiển” cung cấp đủ ngữ cảnh và giám sát để phát hiện lỗi và áp dụng các biện pháp bảo vệ mà không kéo đổi mới của doanh nghiệp đến chỗ đình trệ.

Đừng Làm Phức Tạp Hóa Việc Triển Khai AI

Các tổ chức nên chấp nhận khả năng tương tác đầy đủ trong các triển khai AI, bất kể trường hợp sử dụng. Thay vì là một sự phân tâm, khả năng tương tác đầy đủ đảm bảo tích hợp liền mạch và mở khóa giá trị lớn hơn trên các hệ thống. Trong tương lai, trên khắp các doanh nghiệp, có thể chúng ta sẽ thấy những đội quân ảo gồm các tác nhân AI cùng làm việc hướng tới các mục tiêu chung.

Tư duy này là về việc điều chỉnh quy mô khả năng giải thích cho phù hợp với mức độ rủi ro—để ngừng đối xử với mọi trường hợp sử dụng AI như thể nó đang vận hành một phương tiện tự hành. Các nhóm có thể đạt được điều này bằng cách thiết kế các hệ thống AI có năng suất, có trách nhiệm giải trình và phù hợp với ý định của con người mà không làm phức tạp hóa việc triển khai.

Một số chiến lược thực tế bao gồm:

• Triển khai AI ở nơi con người đã gặp khó khăn: Sử dụng AI để tăng cường việc ra quyết định của con người trong các lĩnh vực phức tạp, khối lượng lớn như phân bổ nguồn lực, ưu tiên công việc hoặc quản lý tồn đọng, nơi tốc độ và quy mô quan trọng hơn sự chắc chắn tuyệt đối.
• Xác định các chỉ số thành công của AI: Thay vì cố gắng giải thích mọi mô hình, hãy xác định kết quả tốt trông như thế nào. Các mốc thời gian có được cải thiện? Công việc làm lại có giảm không? Người dùng có chấp nhận đề xuất của AI thường xuyên hơn không? Những chỉ số này cung cấp một bức tranh rõ ràng hơn về việc AI hoạt động tốt như thế nào so với việc đào sâu vào chi tiết cách mô hình đưa ra quyết định.
• Thiết lập ngưỡng tin cậy: Đặt các mức dung sai cho việc khi nào đầu ra của AI có thể được tự động chấp nhận, được gắn cờ hoặc gửi để con người xem xét, và xây dựng một vòng phản hồi để giúp hệ thống học hỏi và cải thiện theo thời gian.
• Đào tạo các nhóm đặt câu hỏi đúng: Thay vì biến mọi nhóm thành chuyên gia AI, hãy tập trung vào việc đào tạo họ đặt những câu hỏi đúng, chẳng hạn như vấn đề gì đang được sử dụng AI để giải quyết, những rủi ro nào quan trọng nhất và hiệu quả sẽ được giám sát như thế nào.
• Ưu tiên lập luận của con người: Ngay cả những hệ thống AI tốt nhất cũng được hưởng lợi từ sự giám sát của con người. Xây dựng các quy trình làm việc cho phép mọi người xác thực, sửa chữa hoặc ghi đè AI như một cách để tạo ra trách nhiệm giải trình chung.

Cách tiếp cận này có thể được so sánh với việc lái xe. Hầu hết chúng ta không hiểu hộp số hoạt động như thế nào, quá trình đốt cháy nhiên liệu tạo ra gia tốc ra sao, hoặc các cảm biến phát hiện xe cộ gần đó như thế nào, nhưng điều đó không ngăn chúng ta lái xe. Điều chúng ta dựa vào là bảng điều khiển: một giao diện đơn giản hóa cung cấp thông tin chúng ta cần để vận hành an toàn, chẳng hạn như tốc độ, mức nhiên liệu và cảnh báo bảo trì.

Các hệ thống AI nên được quản trị theo cách tương tự. Chúng ta không cần mở nắp ca-pô mỗi khi động cơ chạy. Điều cần thiết là một bộ chỉ số rõ ràng cho thấy khi nào có điều gì đó không ổn, nơi nào có thể cần sự can thiệp của con người và các bước tiếp theo cần thực hiện. Mô hình này cho phép các tổ chức tập trung vào giám sát ở những nơi quan trọng mà không bị chìm đắm trong sự phức tạp kỹ thuật.

Đừng Tự Cản Đường Mình

AI sẽ không bao giờ hoàn hảo. Và nếu các tổ chức đặt ra cho nó một tiêu chuẩn hoàn hảo mà không nhóm người nào có thể đáp ứng, họ có nguy cơ đánh mất cơ hội tái tưởng tượng công việc, tăng tốc ra quyết định và mở khóa tiềm năng trên toàn doanh nghiệp.

Bằng cách tập trung vào khả năng phục hồi hơn là kiểm soát, chấp nhận khả năng giải thích ở cấp độ bảng điều khiển và điều chỉnh giám sát theo ngữ cảnh, chúng ta có thể ngừng suy nghĩ quá mức về AI và bắt đầu tạo ra nhiều thành công hơn với nó.