Rob Collie, Giám đốc Điều hành và Người sáng lập P3 Adaptive, đồng thời là Tác giả của Fair Game – Loạt Phỏng vấn

Rob Collie là người sáng lập và CEO của P3 Adaptive, một Đối tác Giải pháp Microsoft cho Dữ liệu và AI, phục vụ hàng trăm khách hàng trung bình và Fortune 1000. Trước đây ông từng là lãnh đạo kỹ thuật của Microsoft trong các nhóm Excel, Bing và Power BI, Rob đã dẫn dắt làn sóng Power BI sau khi rời Microsoft và đã viết ba cuốn sách công nghệ kinh doanh trước (hơn 92.000 bản đã bán). Ông cũng là người dẫn chương trình podcast Raw Data with Rob Collie. Cuốn sách thứ tư của ông, Fair Game: Customizing AI to Your Business Is Easier Than You Think (tháng 8 năm 2026), đưa uy tín thực hành của ông vào thời điểm AI.

Bạn đã làm việc hơn một thập kỷ tại Microsoft, giúp phát triển các tính năng trí tuệ kinh doanh trong Excel và Power BI trước khi thành lập P3 Adaptive vào năm 2013. Việc chuyển từ xây dựng phần mềm nội bộ Microsoft sang giải quyết các vấn đề dữ liệu cho khách hàng đã hình thành quan điểm hiện tại của bạn về AI doanh nghiệp như thế nào?

Khi tôi dẫn dắt các đội sản phẩm tại Microsoft, chúng tôi đang xây dựng phần mềm phải hoạt động cho toàn thế giới và không thể tùy chỉnh cho nhu cầu của bất kỳ khách hàng cụ thể nào. Chúng tôi thường gọi nó là “đặt một chiếc pizza mà các loại topping phải chấp nhận được bởi 300 triệu người.” Công việc này tự nhiên mang một cảm giác “điểm chung thấp nhất”, đồng thời tạo ra khoảng cách nhất định so với từng khách hàng.

Có một sự uy tín nhất định khi làm việc trên một sân khấu lớn như vậy, nhưng nó không bao giờ mang lại sự thỏa mãn cảm xúc như việc giúp các khách hàng cụ thể hiện thực hoá những tham vọng độc đáo của họ. Khi làm việc chặt chẽ với một khách hàng, chúng tôi có cơ hội đầu tư vào thành công của họ và khám phá các giải pháp sáng tạo mà không bao giờ phù hợp với mô hình “một kích cỡ cho tất cả” của phần mềm lớn. Điều này kích thích trí tuệ hơn ở nhiều khía cạnh, và sự kết nối trực tiếp với khách hàng khiến những thành tựu trở nên thỏa mãn hơn rất nhiều.

Nhưng trách nhiệm cũng lớn hơn. Ở Microsoft, một khách hàng không hài lòng chỉ là một thống kê, và tôi thường bỏ qua các phàn nàn như một phần công việc thường ngày. Nhưng ở P3 Adaptive, một khách hàng không hài lòng đồng nghĩa với việc chúng tôi đã thất bại. Không có thống kê. Chúng tôi có trách nhiệm với từng mối quan hệ.

Tôi đã học được rất nhiều điều quý giá tại Microsoft và sẽ không đổi lấy bất cứ điều gì, nhưng tôi thường tự gọi mình là “kỹ sư phần mềm đang hồi phục,” vì thành công bây giờ đòi hỏi cách vận hành hoàn toàn khác.

Và đó chính là lăng kính tôi mang vào AI doanh nghiệp. AI có sẵn là chiếc pizza 300 triệu người – một kỳ quan thực sự, được thiết kế để có giá trị cá nhân cho mọi người mà không tùy chỉnh cho ai. Nhưng những thắng lợi tổ chức của AI sẽ đến từ việc tùy chỉnh – từ việc tiếp cận một công ty cụ thể và tùy chỉnh AI cho dữ liệu của nó, quy trình của nó, định nghĩa của nó. Tôi đã có cơ hội trải nghiệm cả hai phía của ranh giới này, và tôi không còn nghi ngờ rằng phía nào sẽ là nơi AI doanh nghiệp thắng lợi.

Trong Fair Game, bạn cho rằng nhiều công ty đã tiếp cận trí tuệ nhân tạo một cách ngược lại bằng cách phân phối giấy phép chatbot đa năng thay vì xây dựng các hệ thống hiểu được hoạt động của họ. Trợ lý AI có sẵn gặp giới hạn ở đâu, và những tín hiệu nào cho thấy doanh nghiệp cần một giải pháp tùy chỉnh?

AI có sẵn có bằng tiến sĩ trong mọi thứ ngoại trừ doanh nghiệp của bạn. Nó đã “đọc” toàn bộ internet, nhưng internet thiếu định nghĩa của công ty bạn về “khách hàng hoạt động”, logic định giá, quy trình vận hành, và hệ thống nào trong hai hệ thống của bạn nên được tin cậy khi chúng mâu thuẫn. Kiến thức đó sẽ không bao giờ công khai. Vì vậy, AI chung mà là “đỉnh cao” cho người dùng cá nhân lại không đáp ứng được nhu cầu doanh nghiệp thực tế, và khoảng cách giữa hai trải nghiệm này vừa gây nản lòng vừa gây bối rối.

Ngày nay, câu trả lời của hầu hết mọi người cho câu hỏi “phải làm gì với AI” là “mua đăng ký và thử nghiệm.” Tôi nghĩ đó là bước đầu tự nhiên, vì vậy tôi không chỉ trích ai đã làm như vậy. Ngược lại, tôi thông cảm – không ai thực sự dành thời gian giải thích rằng các gói đăng ký có sẵn không đủ, và tại sao. Vì vậy tôi cho rằng các doanh nghiệp đang ở đúng nơi mà chúng ta nên mong đợi – thử những gì có sẵn và bắt đầu nhận ra rằng nó chưa đủ.

Giải pháp không phải là chạm vào mô hình AI trực tiếp – bạn không cần trở thành nhà nghiên cứu LLM. Nó là mọi thứ bạn bao quanh mô hình: dữ liệu của bạn, các hướng dẫn viết bằng tiếng Anh đơn giản, và phần mềm thông thường. Khi bạn thấy mình phải gõ cùng một ngữ cảnh vào chatbot lần thứ năm trong tuần, đó là dấu hiệu. Những gì bạn cứ phải giải thích lại chính là những gì một hệ thống tùy chỉnh lẽ ra đã biết – mỗi khi nó “đánh thức”.

Bạn dùng thuật ngữ “Crafters” để mô tả những chuyên gia kinh doanh am hiểu dữ liệu, có thể xây dựng các hệ thống AI tùy chỉnh có giá trị mà không phải là lập trình viên truyền thống. Đặc điểm nào phân biệt một Crafter, và các nhà lãnh đạo có thể nhận diện những người này trong lực lượng hiện tại như thế nào?

Một Crafter là người sinh ra với sự thèm muốn giải quyết vấn đề bằng công cụ. Khoảng một trong 16 nhân viên tri thức có đặc điểm này, theo kinh nghiệm của tôi. Họ từng là những người dùng thành thạo Excel, sau đó là thế hệ Power BI, rồi lại là những người IT gọi là “shadow IT.” Họ là các nhà phân tích, người mô hình tài chính, trưởng bộ phận vận hành – những người lớn lên trong doanh nghiệp và phát hiện ra khả năng “công cụ hoá”.

Hai đặc điểm khiến họ lý tưởng cho công việc AI. Thứ nhất, tư duy hệ thống: họ tự nhiên phân tách một quy trình rối rắm thành đầu vào, quy tắc và đầu ra, giống như các lập trình viên chuyên nghiệp. Thứ hai, gắn bó với kinh doanh: họ biết CFO thực sự theo dõi những con số nào và người hỏi câu hỏi thực sự muốn gì. Bạn không thể dạy bất kỳ một trong hai trong một khoá đào tạo ngắn.

Cách tìm kiếm họ: theo dõi các bảng tính. Ngay bây giờ trong công ty bạn, có các bảng tính, bảng điều khiển và tự động hoá nằm ở trung tâm các quy trình quan trọng. Không có một trong số đó được IT xây dựng, và mỗi cái đều có tác giả. Hãy bắt đầu từ đó. Sau đó, đánh giá cách họ có thể chuyển tài năng sang các giải pháp AI tùy chỉnh.

Tại sao bạn tin rằng Crafters, hơn là chỉ các nhà phát triển, là những người phù hợp nhất để dẫn dắt nhiều dự án AI nội bộ, và trách nhiệm nên được chia như thế nào giữa các chuyên gia kinh doanh, đội dữ liệu, kỹ sư phần mềm, phòng công nghệ thông tin và phòng an ninh?

Bởi vì phần khó của AI tùy chỉnh không phải là mã – mà là ngữ cảnh. Hoạt động có lợi nhất trong một dự án AI là quyết định hệ thống cần biết gì về doanh nghiệp của bạn, và Crafters mang kiến thức đó một cách tự nhiên. Một kỹ sư xuất sắc nhảy vào từ ba cấp bậc tổ chức xa hơn phải thực hiện hàng tháng phỏng vấn để học những gì trưởng bộ phận vận hành của bạn đã biết một cách phản xạ.

Nhưng đây không phải là câu chuyện “nhà phát triển đã lỗi thời”. Phân chia công việc tôi đề xuất có ba yếu tố, và không yếu tố nào là thâm niên hay tính cách: công việc sẽ tự nhiên hướng tới các lập trình viên khi tính tái sử dụng, độ phức tạp và độ nhạy cảm tăng lên. Bất kỳ thứ gì tiếp xúc với khách hàng, bất kỳ thứ gì xử lý dữ liệu nhạy cảm, bất kỳ thứ gì đưa ra quyết định tự động – đó là lãnh thổ của nhà phát triển, và khi số lượng tác nhân tăng, những kỹ năng kỹ thuật khan hiếm này càng trở nên quý giá hơn, không phải kém. Công việc sẽ hướng tới Crafters khi sự tinh tế của quy trình kinh doanh chiếm ưu thế.

Cũng có một tầng trung gian ít người chú ý: Crafter xây dựng, nhà phát triển kiểm tra. IT và an ninh không nên là những người gác cổng chỉ phê duyệt dự án – họ nên sở hữu “đường phố đã lát”. Cung cấp các nền tảng được phê duyệt, các quy tắc truy cập dữ liệu, ghi log – để lựa chọn tuân thủ cũng là lựa chọn tiện lợi. Giữ một sổ đăng ký nhẹ: bất kỳ công cụ nào chuyển từ thí nghiệm cá nhân sang một công cụ mà người thứ hai phụ thuộc vào đều phải được ghi lại, kèm tên người sở hữu. Quy tắc đơn giản này loại bỏ phần lớn vấn đề “công cụ mồ côi”, vì công cụ có tên người chịu trách nhiệm sẽ không bị bỏ rơi một cách lặng lẽ.

Sau đó áp dụng mô hình leo thang: thí nghiệm được tự do, nhưng khi một thứ trở nên thiết yếu – nhiều người dùng hơn, độ nhạy cảm cao hơn, tự động hoá nhiều hơn – nó sẽ nhận được các đánh giá kỹ thuật ngày càng nghiêm ngặt. Crafter giữ quyền sở hữu logic kinh doanh; nhà phát triển làm cứng những gì cần cứng. Mục tiêu là một mô hình trưởng thành, không phải một quy trình cho phép. Các công ty đã thực hiện “bộ phim” này bằng các bảng tính, và người thắng không phải là những người cấm Excel.

AI tùy chỉnh cần truy cập vào thuật ngữ, chỉ số, quy trình và kiến thức thể chế riêng của công ty. Các mô hình ngữ nghĩa và hạ tầng Business Intelligence hiện có đóng vai trò gì trong việc giúp AI hiểu đúng về một công ty?

Chúng là “vòng giải mã”. Hiện tại, các định nghĩa của công ty bạn – những gì tính là khách hàng hoạt động, chi phí nào thuộc lợi nhuận gộp – tồn tại trong đầu người và trong hàng nghìn bảng tính hơi không đồng nhất. Một tác nhân AI không thể suy luận một cách đáng tin cậy về dữ liệu của bạn cho đến khi những định nghĩa đó được ghi lại dưới dạng máy móc có thể tin cậy. Ngành đã bắt đầu gọi lĩnh vực này là “kỹ thuật ngữ cảnh”, và tôi sẽ dịch thuật ngữ này là: công việc cấu trúc những gì doanh nghiệp bạn biết để AI có thể thực sự sử dụng. Các nhà phân tích đã làm cho nó nghe mới mẻ. Các chuyên gia BI đã thực hiện phiên bản này suốt mười lăm năm qua.

Đó là tin tốt ẩn hiện trong tầm mắt: nếu bạn đã đầu tư vào thời đại BI (đặc biệt nếu bạn đã đầu tư vào Power BI), bạn có thể đã sở hữu một lợi thế sớm. Một mô hình ngữ nghĩa được xây dựng tốt chính là “bản ghi có thể đọc được bởi máy” của ý nghĩa kinh doanh mà các tác nhân cần. Những công ty coi lớp ngữ nghĩa là thứ phụ sau khi đã có hệ thống đang phát hiện ra rằng công việc “định nghĩa nhàm chán” mà họ bỏ qua giờ trở thành trạm thu phí trên con đường tới AI. Và quan trọng, công việc này hoàn toàn đặc thù cho doanh nghiệp của bạn – chính vì vậy nó là lợi thế bền vững. Mọi nhà cung cấp đều có thể bán cho bạn cùng một mô hình, nhưng không ai có thể bán cho bạn các định nghĩa riêng của bạn.

Bạn đã xây dựng một trình chỉnh sửa AI tùy chỉnh, gọi là Eddie, để hỗ trợ phát triển Fair Game. Hệ thống thực sự đã làm gì trong quá trình viết, và những thành công và thất bại của nó đã dạy bạn gì về việc thiết kế AI quanh một quy trình làm việc rất cá nhân?

Để làm rõ, tôi đã viết mọi đoạn trong cuốn sách từ đầu, trong khi Eddie chủ yếu ngồi chờ. Đôi khi tôi dành hàng giờ để hoàn thiện một phần chương trước khi yêu cầu “anh ấy” đọc. Các lần khác tôi lại trao đổi với anh ấy mỗi vài phút. Nhưng quan trọng là Eddie luôn sẵn sàng 24/7. Tôi có thể nhận phản hồi vừa lúc ba giờ sáng vừa lúc một giờ chiều, và anh ấy sẽ trả lời trong vòng một phút hoặc ít hơn. Tổng cộng, tôi đoán Eddie đã đọc bản thảo ít nhất ba mươi lần. Không có con người nào có thể thực hiện công việc này, vì không có con người nào muốn làm như vậy.

Anh ấy theo dõi những lời hứa tôi đưa ra trong Chương Ba và chỉ ra khi Chương Mười Hai quên chúng. Anh ấy học phong cách viết của tôi và sau đó thực thi – giữ tôi ở mức tốt nhất của giọng nói riêng thay vì để tôi trượt vào chế độ “Tác giả Kinh doanh Không Hài hước”. Anh ấy cho tôi biết khi tôi lười biếng và khi tôi đang đánh bại con ngựa chết. Chúng tôi có những bất đồng thực sự, và đôi khi anh ấy thắng.

Bài học thiết kế lớn nhất: “bộ não” của Eddie được viết bằng tiếng Anh và nằm trong một thư mục. Mỗi khi anh ấy đưa ra phản hồi sai – quá chung chung, sai ngữ điệu, quên một quy tắc tôi đã nêu – cách khắc phục là ghi lại sửa chữa và đưa vào ngữ cảnh cố định của anh ấy. Những thất bại không phải là thất bại của AI; chúng là khoảng trống trong những gì tôi đã dạy cho anh ấy. Vòng lặp – nhận ra sai sót, mã hoá bài học, quan sát nó bám vào – chính là toàn bộ nghệ thuật của AI tùy chỉnh trong thu nhỏ. Và đó là lý do tôi đã xây dựng các “Eddie” chuyên biệt cho truyền thông, nghiên cứu cạnh tranh và thông điệp website. Cùng một LLM ở nền tảng, nhưng chuyên môn khác nhau.

Nhiều tổ chức tin rằng họ phải làm sạch và trung tâm hoá dữ liệu hoàn toàn trước khi thử AI tùy chỉnh. Thực sự cần bao nhiêu độ sẵn sàng dữ liệu để bắt đầu, và các công ty có thể tạo ra giá trị mà không phải chờ một nền tảng hoàn hảo như thế nào?

“Sự hoàn hảo” của dữ liệu không phải là tiền đề, và đó là tin tốt vì sự hoàn hảo không bao giờ tới. Nếu bạn quyết định xây dựng một “đế chế dữ liệu hoàn hảo” trước, như nhiều công ty tư vấn khuyên, bạn sẽ đang xây dựng cái tôi gọi là “đồ ống nước vì mục đích riêng” – những ống đường tốn kém chạy khắp nơi, nhưng khi cuối cùng bạn lắp vòi, lại phát hiện không có ống ở vị trí cần thiết.

Công ty chúng tôi thay vào đó ủng hộ cách tiếp cận “vòi nước trước”. Chọn một trường hợp sử dụng cụ thể và làm ngược lại từ tác động kinh doanh thay vì tiến tới từ hạ tầng. Xây dựng một MVP từ trường hợp đó, và làm vậy với tối thiểu hạ tầng mới. Lặp lại MVP cho đến khi sẵn sàng sản xuất, rồi sau đó lùi lại và đánh giá cách bạn có thể củng cố hạ tầng để hỗ trợ nó. Cách này mang lại tác động kinh doanh nhanh hơn, giảm chi phí, và cung cấp thông tin cho các dự án tương lai – ở cả cấp độ vòi và cấp độ ống nước.

Một nguyên mẫu AI tùy chỉnh có thể gây ấn tượng trong buổi trình diễn nhưng lại không ổn định khi được đưa vào thực tế với nhân viên, dữ liệu thay đổi và các trường hợp biên. Cần thiết lập những tiêu chí đánh giá, giám sát và giám sát con người nào trước khi một hệ thống AI nội bộ trở nên vận hành?

Với một vài ngoại lệ đáng chú ý, tôi nghĩ các buổi demo ít giá trị hơn trong thời đại AI so với thời đại phần mềm. Các buổi demo phần mềm luôn hứa hẹn quá mức và chúng ta đều biết điều đó. Nhưng các buổi demo AI sẽ còn xa rời thực tế của bạn hơn nữa.

AI là về quy trình làm việc. Và không có gì tùy chỉnh hơn hàng ngàn quy trình vận hành của một tổ chức cụ thể. Hãy quay lại ẩn dụ “nhân viên mới có bằng tiến sĩ trong mọi thứ”. Một nhân viên mới cần bao nhiêu đào tạo – và kinh nghiệm thực tế làm việc tại công ty bạn – trước khi họ thực sự hiệu quả? Làm sao một buổi demo có thể tính đến tất cả những yếu tố đó?

Vì vậy, chúng tôi dùng các buổi demo để khơi gợi suy nghĩ. Để cho họ thấy “nghệ thuật của những gì có thể”. Không phải để bán một sản phẩm. Buổi demo thực sự bắt đầu với nguyên mẫu giải pháp tùy chỉnh – MVP. Sau đó chúng tôi lặp lại và cải tiến. Nhanh chóng.

Ở một thời điểm nào đó, nó đã sẵn sàng cho một buổi ra mắt mềm hoặc chương trình thí điểm. Và một lần nữa, chúng tôi học – cùng nhau – và nhanh chóng cải tiến dựa trên những gì học được. Đây thường là giai đoạn mà việc giám sát, đánh giá và kiểm soát bắt đầu trở nên rõ ràng. Những thứ bạn cuối cùng cần thường rất khác so với những gì bạn tưởng khi bắt đầu.

Các công ty có thể trao quyền cho Crafters thử nghiệm mà không tạo ra một thế hệ AI “shadow” mới, các quy trình trùng lặp, lỗ hổng bảo mật và công cụ không ai chịu trách nhiệm bảo trì như thế nào?

Hãy nhớ “shadow IT” xuất hiện vì gì: không phải do ác ý, mà là đáp ứng nhu cầu chưa được thỏa mãn. Crafters xây dựng vì vấn đề làm phiền họ – đó là gen. Nếu con đường được phê duyệt đòi hỏi phải chờ một năm, “shadow AI” sẽ lấp đầy khoảng trống – và làm điều đó dưới radar, nơi nó nguy hiểm nhất.

Vì vậy, hãy làm cho “đường được phê duyệt” trở thành con đường dễ dàng. Cung cấp cho Crafters một nền tảng được chấp thuận với các rào chắn bảo mật đã được tích hợp sẵn – danh tính, quyền truy cập dữ liệu, ghi log – để lựa chọn tuân thủ cũng là lựa chọn tiện lợi. Giữ một sổ đăng ký nhẹ: bất kỳ công cụ nào chuyển từ thí nghiệm cá nhân sang một công cụ mà người thứ hai phụ thuộc vào đều phải được ghi lại, kèm tên chủ sở hữu. Quy tắc đơn giản này tiêu diệt phần lớn vấn đề “công cụ mồ côi”, vì công cụ có tên người chịu trách nhiệm sẽ không bị bỏ rơi một cách lặng lẽ.

Sau đó áp dụng mô hình leo thang: thí nghiệm được tự do, nhưng khi một thứ trở nên “sứ mệnh quan trọng” – nhiều người dùng hơn, độ nhạy cảm cao hơn, tự động hoá nhiều hơn – nó sẽ nhận được các đánh giá kỹ thuật ngày càng nghiêm ngặt. Crafter giữ quyền sở hữu logic kinh doanh; nhà phát triển làm cứng những gì cần cứng. Mục tiêu là một quy trình trưởng thành, không phải một quy trình cho phép. Các công ty đã thực hiện “bộ phim” này bằng các bảng tính, và người thắng không phải là những người cấm Excel.

Đối với một công ty mới bắt đầu dự án AI tùy chỉnh đầu tiên, họ nên chọn trường hợp sử dụng ban đầu như thế nào, đo lường dự án có mang lại giá trị kinh doanh thực sự không, và quyết định mở rộng, thiết kế lại hay bỏ dở?

Chúng tôi có hai cách tiếp cận khởi đầu khi làm việc với khách hàng.

Phương án thứ nhất, tìm những công việc không ai đang làm – không phải những công việc bạn muốn loại bỏ. Có một câu hỏi tôi thích hỏi các quản lý: “Bạn đã bao giờ nghĩ, nếu có một người luôn theo dõi và suy nghĩ về việc này, mọi thứ sẽ tốt hơn đáng kể – nhưng bạn không thể biện minh cho việc thuê một người toàn thời gian cho nó?” Đó thường là những điểm khởi đầu tốt nhất. Chúng an toàn, xây dựng niềm tin, không ai cảm thấy bị nhắm mục tiêu, và “kịch bản ngược” là trung thực: lựa chọn thay thế không phải là một con người làm tốt, mà là không có ai làm gì (giống như người biên tập viên Eddie của tôi).

Phương án thứ hai, xem xét việc thay thế các bảng điều khiển bằng các “đại lý dữ liệu”. Dù các bảng điều khiển có vẻ đơn giản, chúng thực tế không đáp ứng được lời hứa. Khi ai đó có một câu hỏi kinh doanh, họ phải tốn công dịch câu hỏi đó thành cảnh quan các bảng điều khiển. Ở đâu là bảng điều khiển trả lời câu hỏi này? Nó được đặt tên như thế nào? Bảng điều khiển đó có tồn tại không? Và nếu bạn tìm được “bảng đúng”, nó có rõ ràng và tiện lợi để sử dụng không? Bạn có phải lặp đi lặp lại thao tác, ghi lại hoặc chụp màn hình nhiều phiên bản để ghép lại bức tranh tổng thể cần không?

Trong thời đại AI, bạn chỉ cần đưa câu hỏi kinh doanh – bằng lời của bạn – và gõ (hoặc nói) cho một đại lý dữ liệu, người sẽ xử lý toàn bộ và trả lại câu trả lời đã được chứng thực, nghiên cứu kỹ lưỡng – kèm hình ảnh – trong một hoặc hai phút. Khi có câu hỏi tiếp theo, nó sẵn sàng trả lời nhanh chóng – ngay trong cuộc họp khi quyết định vẫn đang được đưa ra.

Yếu tố chung của cả hai lựa chọn khởi đầu này? Cả hai đều giải quyết các điểm đau mà nhân viên sẽ chấp nhận thay vì phản kháng. Bạn không muốn các sáng kiến AI ban đầu gieo rắc sự không tin tưởng. Bạn muốn chúng mang nhân viên đến bàn. Bạn muốn nhân viên đề xuất cải tiến và ý tưởng dự án mới. Bởi vì, một lần nữa, công ty của bạn bao gồm hàng ngàn quy trình, và nhân viên của bạn hiểu chúng tốt hơn bất kỳ ai.

Về việc mở rộng, thiết kế lại hay bỏ dở – hãy tử tế với bản thân, vì nghiên cứu về vấn đề này thực sự an ủi: hầu hết các triển khai AI thành công đều có những thất bại trước đó. Một dự án đầu tiên mang lại bài học thay vì lợi nhuận là “tiền học”, không phải bằng chứng AI không hoạt động. Quy tắc của tôi: nếu mọi người đang sử dụng, hãy mở rộng. Nếu không có ai sử dụng, bạn cần biết vì sao, và câu trả lời có thể rất đa dạng, từ “vì nó không hoạt động tốt” đến “vì tôi không hiểu nó” đến “nó khiến tôi sợ”. Câu trả lời sẽ quyết định bạn nên cải tiến, thiết kế lại hay bỏ dở. Bạn không cần dự đoán nơi mọi thứ sẽ rơi. Bạn chỉ cần bắt đầu ở một nơi trung thực.

Cảm ơn bạn đã tham gia buổi phỏng vấn tuyệt vời, độc giả cũng nên đọc Fair Game: Customizing AI to Your Business Is Easier Than You Think.