AI doanh nghiệp cần bối cảnh tích lũy trước khi có thể được trao quyền tự chủ

Hãy hình dung đó là sáng thứ Hai, chỉ còn vài giờ nữa là đến cuộc họp dự báo quý. Một lãnh đạo tài chính hỏi một tác nhân AI: “Vì sao biên lợi nhuận gộp giảm? Những giả định nào cần thay đổi? Và công ty nên làm gì tiếp theo?” Chỉ trong vài giây, tác nhân này truy xuất thông tin từ nhiều hệ thống, xác định một số yếu tố tác động và đề xuất cắt giảm chi tiêu tùy ý hoặc xem xét lại kế hoạch tuyển dụng. Câu trả lời rõ ràng, chi tiết và có vẻ hợp lý. Không có gì trong đó rõ ràng là sai.

Chính điều đó khiến câu trả lời nguy hiểm đến vậy. 

Khi xem xét kỹ hơn, ta sẽ phát hiện một số chi tiết còn thiếu. Tác nhân đã sử dụng nhầm phiên bản dự báo. Nó bỏ sót một điều chỉnh kế toán đã được phê duyệt từ quý trước. Nó không tính đến việc một khu vực áp dụng các quy tắc kinh doanh khác. Dữ liệu nền không nhất thiết có gì sai; đơn giản là tác nhân không biết tổ chức diễn giải dữ liệu đó như thế nào hoặc các phần dữ liệu liên kết với nhau ra sao. Vấn đề không nằm ở mô hình để có thể dễ dàng khắc phục bằng một mô hình khác. Vấn đề là mô hình không hiểu doanh nghiệp này. 

Phần lớn hoạt động phát triển AI doanh nghiệp tập trung vào năng lực của mô hình và quyền tự chủ của tác nhân. Nhưng mô hình không thể đưa ra kết luận đáng tin cậy, phù hợp với từng công ty nếu không hiểu tổ chức định nghĩa các con số của mình như thế nào và gắn chúng với cách doanh nghiệp vận hành ra sao. 

Lớp còn thiếu là bối cảnh kinh doanh tích lũy, tức sự hiểu biết có quản trị về ý nghĩa của dữ liệu doanh nghiệp: các định nghĩa, mối quan hệ, giả định, phép tính, quy trình làm việc, ngoại lệ và những quyết định dần hình thành quanh dữ liệu theo thời gian.

Bối cảnh đó được hình thành qua hoạt động lập kế hoạch, dự báo, mô hình hóa kịch bản, phân tích chênh lệch, điều chỉnh, phản hồi, công việc chốt sổ và các quyết định đã được phê duyệt. Nếu thiếu bối cảnh này, các tổ chức có nguy cơ giao thêm trách nhiệm cho AI mà không cung cấp đủ hiểu biết về doanh nghiệp để AI có thể đảm đương trách nhiệm đó một cách đáng tin cậy. 

Năng lực AI đang phát triển nhanh hơn mức độ sẵn sàng của doanh nghiệp

Theo Chỉ số AI 2026 của Stanford, 88% số tổ chức được khảo sát đã sử dụng AI trong năm 2025, nhưng tỷ lệ triển khai tác nhân AI ở hầu hết các chức năng kinh doanh vẫn chỉ ở mức một chữ số. 

Các số liệu này cho thấy doanh nghiệp có thể tiếp cận các năng lực AI, nhưng nhiều đơn vị chưa sẵn sàng để AI thực hiện những công việc có hệ quả đáng kể. Các nhà lãnh đạo biết họ cần xây dựng với AI, nhưng vẫn phải xác định liệu mình có đang giải quyết đúng lớp vấn đề hay không.

Mô hình có thể đọc dữ liệu mà không hiểu doanh nghiệp

Các mô hình nền tảng có khả năng nhận diện quy luật, tổng hợp thông tin, tương tác bằng ngôn ngữ tự nhiên và khám phá các tập dữ liệu lớn. Đây đều là những tiến bộ đáng kể, nhưng bản thân mô hình ngày càng ít tạo nên sự khác biệt. 

Thách thức khó khăn hơn đối với doanh nghiệp là dạy cho AI hiểu thông tin của công ty có ý nghĩa gì và, quan trọng hơn, thông tin đó được sử dụng như thế nào trong việc ra quyết định và phân tích.

Phần lớn các cuộc thảo luận về quản trị AI tập trung vào dữ liệu sạch. Đây là bước cần thiết, nhưng chưa đủ để mở rộng AI trên toàn doanh nghiệp. Hai tập dữ liệu sạch vẫn có thể sử dụng các định nghĩa, khoảng thời gian và quy tắc kinh doanh khác nhau. 

Nghiên cứu CEO năm 2025 của IBM cho thấy 25% sáng kiến AI đạt được ROI như kỳ vọng, và chỉ 16% được triển khai trên toàn doanh nghiệp. Kết quả này phù hợp với một thách thức triển khai lớn hơn: việc tiếp cận các mô hình và dữ liệu không đảm bảo rằng hệ thống AI có thể dung hòa những quy tắc của tổ chức quyết định cách sử dụng thông tin.

Có thể dễ dàng mua các mô hình mạnh hơn. Còn sự hiểu biết đặc thù về công ty thì phải được xây dựng. 

Bối cảnh được truy xuất không phải là bối cảnh tích lũy

Phần lớn những gì được gọi là bối cảnh trong AI doanh nghiệp vẫn được cung cấp thông qua truy xuất ngay tại thời điểm có yêu cầu. Hệ thống tìm một tài liệu, bản ghi hoặc điểm dữ liệu phù hợp, sử dụng thông tin đó để tạo câu trả lời rồi bắt đầu lại từ đầu ở lần được hỏi tiếp theo. 

Truy xuất rất hữu ích, nhưng nếu chỉ dựa vào đó thì không thể tạo ra bộ nhớ tổ chức tích lũy. Hệ thống hầu như không giữ lại được thông tin nào cho lần sau, khiến AI có thể phải tiếp cận doanh nghiệp như một người xa lạ trong mỗi tương tác mới.

Điều này giống như mỗi sáng lại tiếp nhận một chuyên viên phân tích mới xuất sắc. Người đó hiểu về tài chính và biết cách truy vấn một tập dữ liệu, nhưng vẫn cần tìm hiểu cách công ty cụ thể này định nghĩa các chỉ số, đâu là bản dự báo có thẩm quyền, vì sao một ngoại lệ được phê duyệt và những giả định nào thường xuyên bị chứng minh là sai.

Bối cảnh tích lũy có mục đích khác. Thay vì được đặt lại từ đầu sau mỗi câu lệnh hoặc chu kỳ lập kế hoạch, bối cảnh sẽ được bồi đắp theo thời gian. Mỗi lần điều tra, mỗi kịch bản, điều chỉnh, phê duyệt và quyết định đều có thể góp phần tạo nên sự hiểu biết có quản trị về cách tổ chức vận hành. Nhờ đó, các chu kỳ sau có thể dựa trên những gì các chu kỳ trước đã xác lập, thay vì phải khám phá lại cùng những mối quan hệ, logic và cách thức làm việc sau mỗi câu lệnh. 

Điều đó không có nghĩa là phải lưu giữ mọi thứ mãi mãi. Bối cảnh hữu ích của doanh nghiệp cần được xác định phạm vi một cách có chủ đích, có thể chỉnh sửa, có tính đến quyền truy cập và truy nguyên được nguồn gốc. Các tổ chức cần lưu giữ những thông tin quan trọng, đồng thời bảo đảm có thể nhận diện và điều chỉnh theo thời gian những giả định đã lỗi thời, ngoại lệ tạm thời và cách diễn giải không chính xác.

Niềm tin được xây dựng bên dưới mô hình

Mô hình là phần dễ thấy nhất của một hệ thống AI, nhưng hiếm khi là yếu tố quyết định liệu doanh nghiệp có thể tin cậy kết quả hay không. 

Một mô hình có năng lực có thể điều tra nguyên nhân chênh lệch, tìm hiểu các cách giải thích khả dĩ và đề xuất hành động. Doanh nghiệp có thể dựa vào đề xuất đó hay không phụ thuộc vào kiến trúc bao quanh mô hình. 

Gartner nhận thấy các tổ chức cho biết những sáng kiến AI của họ thành công đầu tư nhiều hơn tới bốn lần, tính theo tỷ lệ doanh thu, vào những nền tảng như chất lượng dữ liệu, quản trị, nhân lực sẵn sàng cho AI và quản lý thay đổi so với các tổ chức đạt kết quả kém.

Lớp ngữ cảnh được quản trị là một phần của nền tảng đó, nằm giữa các hệ thống nguồn, mô hình và hành động kinh doanh. 

Đây cũng là nơi trí tuệ và tính tất định cần được tách biệt. AI có thể điều tra, soạn thảo và đề xuất. Sau khi một hành động được xem xét và phê duyệt, việc thực thi cần tuân theo các phép tính được quản trị, bước kiểm tra quyền hạn, biện pháp kiểm soát việc ghi dữ liệu trở lại hệ thống và nhật ký kiểm toán. Sự linh hoạt giúp mô hình hữu ích trong quá trình tìm hiểu không phải lúc nào cũng phù hợp khi thực hiện thay đổi trong hoạt động kinh doanh.

Mô hình có thể đề xuất việc cần làm. Kiến trúc bao quanh mô hình, bao gồm cả sự phê duyệt của con người và các biện pháp kiểm soát hệ thống, sẽ quyết định việc nào được phép thực hiện.

Những giới hạn giúp tác tử phát huy hiệu quả

Việc triển khai tác tử đang diễn ra nhanh hơn tốc độ xây dựng các biện pháp kiểm soát. KPMG nhận thấy tỷ lệ tổ chức triển khai ít nhất một số tác tử AI tăng từ 11% trong quý đầu tiên của năm 2025 lên 42% vào quý thứ ba. Tuy nhiên, Gartner cho biết chỉ 13% tổ chức hoàn toàn đồng ý rằng họ đã có các cơ cấu quản trị tác tử phù hợp.

Khoảng cách đó rất đáng lưu tâm vì năng lực và quyền hạn là hai quyết định thiết kế riêng biệt. Một hệ thống có thể có khả năng kỹ thuật để truy cập cơ sở dữ liệu, điều chỉnh dự báo hoặc kích hoạt quy trình làm việc. Nhưng điều đó không có nghĩa là hệ thống nên được phép tự mình thực hiện những việc ấy. 

Các tổ chức nên áp dụng ba giới hạn trước khi giao phó những công việc có ý nghĩa.

• Thống nhất cách hiểu

Cần thống nhất các định nghĩa, chỉ số, hệ thống phân cấp, lịch năm tài chính và quy tắc tính toán trước khi một tác tử có thể suy luận nhất quán dựa trên các yếu tố này. 

Không nên kỳ vọng AI âm thầm giải quyết những bất đồng mà chính tổ chức chưa xử lý. Khi chưa có cách hiểu thống nhất, AI có thể xem các định nghĩa mâu thuẫn là có thể thay thế cho nhau và đưa ra câu trả lời mạch lạc nhưng sai lệch về mặt vận hành.

• Xác định những gì cần được lưu lại

Các tổ chức phải xác định những chỉnh sửa, phê duyệt, quyết định và kết quả nào sẽ trở thành ngữ cảnh có thể tái sử dụng. Họ cũng cần có chính sách về việc lưu giữ, truy cập và chỉnh sửa thông tin. 

Bộ nhớ hữu ích cần được chọn lọc và quản trị, chứ không phải tích lũy bừa bãi. Nếu không, một giả định lỗi thời hoặc ngoại lệ chỉ phát sinh một lần có thể âm thầm làm thay đổi các đề xuất trong tương lai.

• Tách biệt đề xuất với cam kết thực hiện

Phân tích, đưa ra đề xuất, đề xuất thay đổi, thực thi sau khi được con người phê duyệt và thực thi tự chủ trong phạm vi giới hạn là những cấp độ quyền hạn khác nhau. Tác tử cần có danh tính và quyền truy cập phù hợp với từng cấp độ.

Việc đánh giá cũng cần bao quát toàn bộ chuỗi hành động: thông tin nào đã được truy xuất, ngữ cảnh nào đã được sử dụng, những công cụ nào đã được gọi, điều gì đã thay đổi và liệu có thể đảo ngược thay đổi đó hay không. 

Chỉ kiểm thử câu trả lời cuối cùng là bỏ sót hầu hết những cách mà một quy trình làm việc có tác tử có thể gặp lỗi.

Năng lực cho biết tác tử có thể làm gì, còn quản trị xác định tác tử được phép làm gì.

Tính tự chủ đòi hỏi nhiều hơn năng lực

Trong tình huống về biên lợi nhuận ở phần mở đầu, tốc độ chỉ hữu ích nếu hệ thống cũng biết dự báo nào có giá trị chính thức, ngoại lệ nào đã được phê duyệt, hệ thống được phép thực hiện hành động nào và ai vẫn chịu trách nhiệm. 

Tôi tin rằng AI doanh nghiệp chỉ có thể tạo dựng niềm tin khi lưu giữ được ngữ cảnh phù hợp và cho thấy cách nó đi đến một kết quả có hệ quả đáng kể. 

Các tổ chức nên xây dựng lớp ngữ cảnh và kiểm soát đó trước khi mở rộng quyền tự chủ của tác tử. Công việc sẽ thay đổi, nhưng trách nhiệm giải trình thì không.