Cách Ngừng Lãng Phí Tiền trong Các Dự Án Thử Nghiệm AI: Ba Sai Lầm và Cách Thay Thế

Trong vài năm qua, ngành tài chính đã chạy đua triển khai trí tuệ nhân tạo. Các công ty ngày càng mua các mô hình và ký hợp đồng với nhà cung cấp, nhưng điều đó mang lại ít hoặc kết quả đáng sợ. Theo một nghiên cứu của MIT công bố năm ngoái, 95% các dự án thử nghiệm AI của doanh nghiệp không có ảnh hưởng đo được đến lợi nhuận của các công ty.

Đồng thời, chi tiêu đang tăng vọt, khi ước tính năm ngoái thế giới đã chi 1,76 nghìn tỷ đô la cho AI, và vào năm 2026 con số này dự kiến sẽ tăng lên 2,59 nghìn tỷ. Vì vậy, số tiền đầu tư và số tiền thu về dường như chênh lệch lớn, và chi phí đang tăng lên hầu như không có lợi gì.

Tuy nhiên, vấn đề không phải là công nghệ yếu kém. Các mô hình AI đang trở nên thông minh hơn mỗi năm, đến mức OpenAI đã quyết định tạm dừng các phát triển của mình để không đi quá xa. Vì vậy, trong trường hợp này, nhược điểm thực sự là thiếu mô hình vận hành có thể khai thác hiệu quả những công nghệ này.

Ảo Lầm Khi Có Một Dự Án Thử Nghiệm

Quy mô tích hợp AI quá lớn khiến hầu hết các công ty fintech hoặc tài chính truyền thống gần đây đã triển khai ít nhất một dự án thử nghiệm AI, ví dụ như một chatbot cho khách hàng. Nhưng bất kể họ triển khai gì, những câu chuyện này đều có một kết thúc khá không hài lòng.

Mọi thứ bắt đầu khi một nhóm cụ thể xây dựng bằng chứng khái niệm hoạt động tốt trong các điều kiện thử nghiệm kiểm soát. Sau buổi demo, ban lãnh đạo ấn tượng và cho phép họ triển khai, nhưng vào một thời điểm nào đó dự án gặp trục trặc hoặc không hiệu quả. Vậy tại sao lại như vậy?

Tất nhiên, không phải mọi dự án AI nội bộ đều thất bại, vì nếu vậy sẽ không còn kỹ sư ML nào nữa và công nghệ sẽ vô dụng. Nhưng tôi đã quan sát vòng lặp thất bại này rất nhiều lần nên đã hiểu rõ nguyên nhân của nó. Nói một cách đơn giản, chính dự án thử nghiệm là vấn đề, dù có thể được thực hiện tốt, nhưng không được thiết kế để phù hợp với cách doanh nghiệp thực sự hoạt động và vận hành hàng ngày.

Kết quả là, một mô hình hoạt động xuất sắc khi độc lập sẽ gặp phải các vòng tròn thực tiễn và đối mặt với hạ tầng cũ hoặc nhân viên thậm chí không biết cách làm việc với công nghệ. Tuy nhiên, không một rào cản nào trong số này có thể được giải quyết bằng một thuật toán thông minh hơn. Tất cả chúng chỉ có thể được khắc phục qua quyết định của ban quản lý, và đây không phải là trách nhiệm của các nhà khoa học dữ liệu.

Một Số Sai Lầm Nên Tránh

Trước khi chúng ta xem cách tích hợp AI hiệu quả hơn trong một công ty, hãy xem xét các sai lầm khác có thể xảy ra trên hành trình.

Sai lầm đầu tiên và quan trọng nhất, như chúng tôi đã đề cập gián tiếp, là coi AI như một phần phụ trợ mà không tái cấu trúc quy trình. Thực tế, nhiều công ty lấy một quy trình hiện có và chỉ nhúng một công cụ AI vào một bước, mà không cân nhắc liệu AI có hợp lý trong quy trình đó hay không.

Vì vậy, với tư cách là nhà quản lý, tôi sẽ tự hỏi đầu tiên: quy trình này thực sự cần thiết trong công ty của bạn không? Nếu quy trình đã kém hiệu quả trước khi tự động hoá, nó sẽ vẫn kém hiệu quả sau khi tự động hoá. Thậm chí có thể tệ hơn, vì AI có thể nhớ các mô hình tiêu cực và lặp lại chúng.

Sai lầm tiếp theo xảy ra khi các nhà quản lý đánh giá thấp gánh nặng của tuân thủ và quản trị. Dịch vụ tài chính phải đối mặt với một trong những áp lực quy định khắt khe nhất trong mọi ngành, và, ví dụ, bạn không thể tự động hoá toàn bộ phòng tuân thủ bằng AI. Điều tương tự cũng áp dụng cho việc cung cấp dịch vụ trực tiếp và quản lý danh mục. Điều này có vẻ là một chân lý phổ quát, nhưng bạn sẽ ngạc nhiên khi biết có bao nhiêu nhà sáng lập mắc phải sai lầm này.

Cuối cùng nhưng không kém phần quan trọng, nhiều công ty quên đào tạo nhân viên cho việc triển khai AI. Khi công nghệ chiếm lĩnh các quy trình công việc của nhân viên, phản ứng đầu tiên thường là giảm nhân sự, vì nhiều nhiệm vụ có thể thực hiện nhanh hơn với ít người hơn. Mặc dù điều này sẽ giảm chi phí trong ngắn hạn, nhưng lại rất thiếu tầm nhìn.

Nếu bạn muốn giá trị thực sự, hãy tự đặt một câu hỏi khác. Công việc cấp cao hơn nào mà nhân viên của chúng ta có thể thực hiện ngay khi họ được giải phóng khỏi các công việc thường ngày? Họ có sẵn sàng với kỹ năng và động lực hiện tại không?

Những Việc Nên Bắt Đầu Vào Thứ Hai Để Tăng Hiệu Quả

Bước đầu tiên, kiểm toán các dự án AI đang tạm dừng của bạn. Nghĩa là, không đưa ra ý tưởng mới cho đến khi bạn xử lý đúng các dự án cũ. Trong 90% các trường hợp, vấn đề là thiếu trách nhiệm, không có ai rõ ràng chịu trách nhiệm mở rộng chúng. Vì vậy, hãy chỉ định người chịu trách nhiệm.

Nếu đã có người chịu trách nhiệm kiểm soát AI, bước tiếp theo là xem xét lại quy trình và tái xây dựng hoàn toàn. Đừng chỉ đơn giản thêm AI vào quy trình hiện có. Lời khuyên của tôi là hãy tự hỏi quy trình này sẽ như thế nào nếu chúng ta thiết kế lại từ đầu hôm nay, biết rằng AI có thể thực hiện phân tích sơ cấp. Thường thì câu trả lời đơn giản hơn nhiều so với dự đoán.

Ngoài ra, đừng quên tính toán các con số thực tế mà mô hình AI mang lại. Nếu, sáu tháng sau khi ra mắt, bạn không thể đưa ra các chỉ số về hiệu quả của mô hình (ví dụ, giờ tiết kiệm được hoặc lợi nhuận tăng lên), thì nó không hoạt động như mong đợi, vì vậy nên xem xét lại giá trị của nó.

Và, có lẽ quan trọng nhất, đừng sa thải nhân viên, đặc biệt là những người chịu trách nhiệm và những người luôn thực hiện công việc một cách trung thực. Nếu người lao động mang lại nhiều tiền cho công ty hơn mức họ kiếm được trong một năm, việc sa thải sẽ sớm trở thành vấn đề đối với bạn. Và các công ty không hiểu điều này sẽ mất kiến thức nội bộ và sự tin tưởng của đội ngũ, điều này sẽ tốn kém nhiều hơn rất nhiều.

Khi xét chung, 95% các dự án thí điểm không đạt kết quả, không phải vì công nghệ đã thất bại. Chúng không thành công vì tổ chức xung quanh chúng vẫn giữ nguyên và lỗi thời. Đây là biến số duy nhất cần được thay đổi đầu tiên.