Sử dụng AI vs. Xây dựng Xung quanh Nó: Ranh giới ở đâu?

Chúng tôi dùng từ AI để mô tả mọi loại thứ khác nhau, từ việc trò chuyện với ChatGPT trong trình duyệt đến việc vận hành toàn bộ doanh nghiệp, nơi các hoạt động sẽ không tồn tại dưới dạng hiện tại nếu không có các mô hình ngôn ngữ. Ranh giới giữa việc sử dụng tự động hoá AI và AI là cốt lõi của một doanh nghiệp nằm ở đâu? Khi nào thì một sự chuyển đổi cơ bản xảy ra? Và quan trọng nhất, các công ty có nên cố gắng đặt AI vào vị trí trung tâm không?

Khi nào một doanh nghiệp là AI-Native?

Ngày nay, ngay cả khi ban lãnh đạo chưa bao giờ công bố một cuộc chuyển đổi AI, nhân viên vẫn đang sử dụng Gemini để tìm kiếm thông tin, ChatGPT để soạn email, Grok để chuẩn bị báo cáo, Claude để viết mã, và cứ thế. Việc tiếp cận các công cụ LLM đã trở nên phổ biến đến mức chỉ sử dụng chúng không còn cho bạn biết nhiều về công ty nữa.

Đối với tôi, có một tiêu chí đơn giản hơn nhiều: điều gì sẽ xảy ra nếu bạn tắt AI?

Hãy lấy ví dụ một công ty phần mềm kế toán. Các nhà phát triển của họ có thể dùng AI để viết tính năng hoặc duy trì sản phẩm. Nếu tắt các công cụ này vào ngày mai, các kỹ sư có thể sẽ làm việc chậm hơn. Nhưng phần mềm vẫn sẽ tồn tại, kế toán vẫn sẽ sử dụng nó, và khách hàng vẫn sẽ trả tiền cho nó. AI cải thiện cách công ty vận hành, nhưng doanh nghiệp tự nó không phụ thuộc vào AI.

Bây giờ hãy tưởng tượng một trung tâm cuộc gọi ngân hàng mà trước đây có thể đã tuyển dụng mười ngàn nhân viên. Thế hệ đầu tiên của AI trong môi trường này hoạt động gần như một người nhắc lời ngồi bên cạnh nhân viên: nó lắng nghe cuộc trò chuyện, hiểu vấn đề và đề xuất câu trả lời. Trong nhiều trường hợp, người nhắc lời này hiện đã trở thành chính đại lý. Khách hàng nói họ bị tính sai số tiền; hệ thống kiểm tra hồ sơ, xem xét dữ liệu liên quan, xác định vấn đề và đôi khi giải quyết mà không cần con người can thiệp. Một con người chỉ can thiệp khi trường hợp cần nâng cấp.

Đó là một mối quan hệ rất khác với công nghệ. Công ty kế toán trở nên kém hiệu quả hơn nếu không có AI. Trung tâm cuộc gọi có thể phải xây dựng lại một phần lớn mô hình hoạt động của mình. Sự khác biệt này gần hơn với những gì tôi gọi là AI-native hơn là số lượng đăng ký AI mà một công ty có hoặc việc từ “AI” xuất hiện trên trang chủ của họ.

Nơi nào điều này hiện ra rõ nhất?

Một số công ty đã xây dựng doanh nghiệp của mình quanh việc giúp người khác thực hiện chuyển đổi đó. Cohere là một ví dụ tốt: công ty Canada này đã phát triển thành một doanh nghiệp lớn bằng cách giúp các doanh nghiệp chuyển từ phần mềm và quy trình truyền thống sang AI. Tuy nhiên, trong các ngành khác, AI đã được nhúng sâu vào sản phẩm đến mức gần như không thể tách rời hai yếu tố này.

Xe tự lái có lẽ là ví dụ rõ ràng nhất. Nếu một chiếc xe được kỳ vọng sẽ nhìn thấy đường, nhận dạng các vật thể, hiểu những gì đang diễn ra xung quanh và tự đưa ra quyết định, thì bạn không thể loại bỏ AI mà không loại bỏ ý tưởng cơ bản của sản phẩm.

Y học và dược phẩm đưa ra cùng một quan điểm theo cách khác, đặc biệt trong việc khám phá thuốc. Một trong những ví dụ tốt nhất về những gì điều này có thể mang lại ở quy mô lớn là công trình của DeepMind về cấu trúc protein.

Protein Data Bank được thành lập vào năm 1971, và đã mất hàng thập kỷ công sức của các nhà khoa học trên toàn thế giới để xây dựng một bộ sưu tập lớn các cấu trúc được xác định thực nghiệm. cơ sở dữ liệu đã vượt qua 1,000 cấu trúc vào năm 1993, 10,000 vào khoảng năm 2000, và 100,000 vào năm 2014. Đến tháng 1 năm 2023, nó đã vượt qua 200,000 cấu trúc sinh học phân tử được xác định thực nghiệm. Nói cách khác, sau khoảng sáu thập kỷ sinh học cấu trúc, các nhà nghiên cứu đã tích lũy khoảng hai trăm ngàn cấu trúc được xác định thực nghiệm.

Sau đó là AlphaFold, hệ thống của DeepMind để dự đoán cấu trúc ba chiều của một protein từ chuỗi axit amin của nó. Vào năm 2022, AlphaFold đã tạo ra hơn 200 triệu cấu trúc protein được dự đoán, bao phủ gần như mọi protein đã được ghi chép trong khoa học vào thời điểm đó. Điều đó không có nghĩa là AI “phát hiện mọi protein tồn tại.” Đây là các cấu trúc được dự đoán dựa trên các chuỗi axit amin đã biết. Nhưng sự khác biệt về quy mô vẫn rất to lớn.

Tầm quan trọng của sự chuyển đổi đó trở nên rõ ràng hơn nữa vào năm 2024, khi Demis Hassabis và John Jumper của Google DeepMind nhận được một nửa Giải Nobel Hóa học “vì dự đoán cấu trúc protein”. Nửa còn lại thuộc về David Baker vì thiết kế protein bằng máy tính. Điều mà chỉ vài năm trước đây còn được xem là một bước đột phá AI ấn tượng đã nhanh chóng được công nhận là một tiến bộ cơ bản trong sinh học hiện đại.

DeepMind là ví dụ toàn cầu, thu hút tiêu đề, nhưng các startup y tế đặt AI lên hàng đầu không còn là điều bất thường. Trong những năm tôi làm việc tại Keymakr, đội của chúng tôi đã làm việc trên các dự ánbao gồm từ nha khoa và chụp siêu âm đến tim mạch can thiệp, trong đó các mô hình được đào tạo để phát hiện van tim, động mạch chủ và các cấu trúc khác trong quá trình thực hiện. Chúng tôi cũng đã làm việc trên các dự án phẫu thuật não, nơi các mô hình học cách phân biệt mô não, mạch máu, dụng cụ phẫu thuật và khu vực phẫu thuật. Trong tất cả các trường hợp này, AI không phải là một tính năng phụ được thêm vào sản phẩm; nó chính là sản phẩm.

Từ cấu trúc protein đến email lạnh

Điều tương tự đang xảy ra trong những phần kinh doanh bình thường hơn nhiều. Bán hàng và tiếp thị có lẽ là những ví dụ di chuyển nhanh nhất: công việc mà trước đây mất hàng giờ giờ có thể giờ đây được lặp lại hàng trăm hoặc hàng nghìn lần với rất ít công sức bổ sung.

CRM, các chiến dịch, tìm kiếm khách hàng tiềm năng và nghiên cứu lead được xây dựng quanh các mô hình ngôn ngữ. Chúng ta đã vượt xa việc chỉ yêu cầu ChatGPT viết một email lạnh. Một hệ thống có thể xem qua hồ sơ LinkedIn của ai đó, biết họ làm gì, quan tâm gì, và họ đăng tải gì, sau đó dùng thông tin đó để viết một nội dung cảm giác rất cá nhân.

Tôi từng nhận được một tin nhắn như: “Michael, chắc hẳn thật tuyệt vời khi bay ở độ cao 4.000 feet và nhìn ra qua kính cửa sổ…” Nó đề cập đến những câu chuyện hàng không của tôi trên mạng xã hội. Phản ứng đầu tiên của tôi là có người thực sự đã xem qua hồ sơ LinkedIn của tôi và đọc kỹ. Tất nhiên, không ai làm như vậy. Hệ thống đã tìm thấy thông tin và tự động tạo ra lời tiếp cận.

Đó là nơi kinh tế học của cá nhân hoá bắt đầu thay đổi. Nghiên cứu mà trước đây một người phải mất rất nhiều thời gian giờ có thể được hỗ trợ bởi các công cụ quét thông tin công cộng và xác định các chi tiết liên quan. Con người sau đó có thể quyết định gì thực sự hữu ích, phù hợp và đáng đưa vào.

Tôi đã thấy sự chuyển đổi tương tự tại Keymakr, mặc dù đối với chúng tôi, mục tiêu không bao giờ là tự động hoá phán đoán hay quan hệ con người. Tôi luôn khuyến khích mọi người nhìn vào những phần lặp đi lặp lại trong công việc hàng ngày và hỏi xem các tác nhân có thể tiết kiệm thời gian, mang lại sự nhất quán hơn, hoặc giúp họ làm việc ở quy mô lớn hơn ở đâu.

Tại Scryon, chúng tôi đã bắt đầu với logic này đã được nhúng sẵn trong công ty. Phần lớn công việc tiếp thị được xử lý bởi nhiều tác nhân qua các bài viết, blog, LinkedIn và website.

Phần thú vị là lợi thế lớn nhất của họ thường không phải là việc viết. Giả sử bạn thêm hai mươi trang mới vào một website. Một người viết bài mới có thể sẽ thêm một vài liên kết nội bộ. Hầu như không ai sẽ quay lại kiểm tra 80 hay 800 bài cũ để xem những trang mới nên được liên kết ở đâu. Một tác nhân có thể làm được điều đó. Trong công việc như vậy, tác nhân không cần thông minh hơn con người. Nó chỉ không cảm thấy nhàm chán, và sự khác biệt giữa 80 trang và 800 trang ít quan trọng hơn đối với nó so với chúng ta.

Nhưng đây là nơi tự động hoá gặp giới hạn đối với tôi. PR tốt không thể chỉ giao cho một tác nhân rồi quên đi. Điều tương tự cũng áp dụng cho một bài viết quan điểm, nơi mà vị trí, hiểu biết khán giả và khả năng quyết định nói gì là yếu tố then chốt.

Vì vậy, ngay cả khi bạn xây dựng một hệ thống tác nhân khá phức tạp, bạn vẫn cần một người điều hành nó. Ai đó phải đánh giá đầu ra, quyết định điều gì quan trọng, và định hướng.

Bạn có thể tự động hoá một nhà sáng lập không?

Trong một startup giai đoạn đầu, nhà sáng lập thường đồng thời là người kỹ thuật, vận hành và điều hành. Vì vậy suy nghĩ này xuất hiện một cách tự nhiên: nếu các tác nhân có thể giảm bớt nhiều công việc cho đội ngũ, tại sao không giao cho chúng một phần công việc của nhà sáng lập nữa?

Tôi có một tác nhân riêng kết nối với Scryon Business, người biết rất nhiều về công ty. Tôi có thể hỏi nó như: “Chúng tôi muốn đạt 5.000 người dùng vào tháng tới.” Điều đó có thực tế không, hay chỉ là một con số đẹp tôi tự nghĩ ra?

Nó có thể lấy dữ liệu, xem thị trường, kiểm tra đối thủ và các hệ thống liên quan, rồi trả lời rằng 5.000 có lẽ quá cao và thậm chí 2.000 cũng sẽ là mức thách thức ở giai đoạn này. Điều đó giúp tôi kiểm tra suy nghĩ của mình. Nhưng tác nhân vẫn đang đưa ra lời khuyên.

Quyết định vẫn là của tôi. Sau tất cả dữ liệu và tính toán, đôi khi tôi vẫn cần ra ngoài, đi dạo trong công viên, và quyết định hướng đi cho công ty.

Đối với tôi, việc giảm tải thực sự bắt đầu khi tôi có thể giao cho ai đó quyền sở hữu, ví dụ: “Cái này là của bạn,” và một tháng sau lại thấy nó vẫn hoạt động mà không cần tôi can thiệp. Tôi chưa thấy điều đó xảy ra với vai trò nhà sáng lập hiện nay.

Điều tương tự cũng áp dụng cho các vị trí C-level. Công việc của họ là định hướng: sáu tháng tới, chúng ta muốn bước vào thị trường ô tô, hoặc muốn người trong ngành biết đến thương hiệu. Các VP, trưởng bộ phận và trưởng nhóm sau đó biến điều đó thành các mục tiêu và công việc cụ thể.

Bộ công cụ AI: Chi phí cá nhân và công ty

Tôi không thực sự tin vào một mô hình “tốt nhất” duy nhất. Tôi quan tâm hơn đến mô hình nào phù hợp nhất với nhiệm vụ cụ thể và chi phí sử dụng nó ở quy mô lớn. Tôi thường dùng Codex cho lập trình và xoay vòng các mô hình bên trong nó, tùy theo nhu cầu tại thời điểm. Có khi tôi thử Claude cho thiết kế một ngày, rồi chuyển sang ChatGPT để thực hiện nhiều nhiệm vụ liên quan đến ngôn ngữ, nhưng những lựa chọn này thay đổi theo tháng, thậm chí trong quá trình thực hiện một nhiệm vụ.

Cuối cùng, mọi người sẽ tự xây dựng ngăn xếp của mình theo thời gian, đánh giá mô hình nào tối ưu cho mục tiêu cụ thể. Nếu bạn là một nhà sáng lập kỹ thuật tự viết mã nhiều, tôi dự đoán bạn sẽ chi khoảng 1.000 USD mỗi tháng cho ngăn xếp của mình. Nhưng tôi biết có người chi 10.000–15.000 USD mỗi tháng vì họ tự động hoá mạnh mẽ hơn.

Khi AI trở thành một phần cốt lõi của doanh nghiệp, các con số lại thay đổi. Với Scryon, tôi cảm thấy thoải mái với ý tưởng rằng 30–40% doanh thu có thể đi trực tiếp vào hạ tầng và dịch vụ mà sản phẩm chạy trên, trước khi bạn tính cả những người xây dựng nó.

Mục tiêu kinh doanh trước, công nghệ sau

Trong cuộc đua tự động hoá và nhãn “AI companies,” tôi cho rằng câu hỏi “chúng ta nên triển khai loại AI nào?” là nguy hiểm. Nó bắt đầu từ phía sai.

Gần đây chúng tôi đặt ra một mục tiêu kinh doanh khá tiêu chuẩn – giảm chi phí. Để thực hiện, chúng tôi tạo một agent, cho nó truy cập thông tin về nơi công ty chi tiêu, bao gồm Amazon, Google và các dịch vụ khác, và yêu cầu nó thường xuyên tìm kiếm các bất thường và đưa ra cảnh báo nếu có gì khả nghi.

Chỉ trong tuần đầu tiên, chúng tôi đã giảm chi phí khoảng 30% vì hệ thống nhanh chóng chỉ ra nơi tiền đang được chi cho những thứ mà chúng tôi gần như quên mất. Agent tự nó có thể chỉ tốn $50 mỗi tháng, nhưng khoản tiết kiệm có thể lên tới hàng chục nghìn.

Tại Keymakr, AI chủ yếu tăng cường con người và các quy trình cá nhân. Tại Scryon, nó đã được tích hợp vào kiến trúc công ty. Trong tự lái, nếu không có nó, sản phẩm sẽ biến mất, và trong khám phá thuốc, nó thay đổi phạm vi khám phá.

Đối với tôi, câu hỏi về các mục tiêu nền tảng là một điểm khởi đầu lành mạnh hơn so với mong muốn trở thành một công ty gốc AI. Đầu tiên, một mục tiêu kinh doanh phải xuất hiện: kiếm nhiều hơn, mở rộng nhanh hơn, giảm chi phí, cho phép một sản phẩm mới, hoặc thay đổi căn bản một quy trình hiện có. Chỉ sau đó mới có ý nghĩa khi hỏi công nghệ nào sẽ đưa bạn đến đó.