Những thách thức khi ứng dụng AI trong doanh nghiệp

Theo IBM Global AI Adoption Index 2023, những rào cản được doanh nghiệp đề cập nhiều gồm thiếu kỹ năng và chuyên môn AI, chiếm 33%; dữ liệu quá phức tạp, chiếm 25%; và các lo ngại đạo đức, chiếm 23%. Các con số này cho thấy ba nhóm thách thức trung tâm là dữ liệu, nhân lực và quản trị, thay vì chỉ là năng lực của mô hình.

Chất lượng và khả năng sẵn sàng của dữ liệu

AI phụ thuộc vào dữ liệu để nhận diện quy luật, tạo dự báo hoặc sinh nội dung. Nếu dữ liệu không phản ánh đúng nghiệp vụ, mô hình có thể hoạt động tốt trong môi trường thử nghiệm nhưng tạo kết quả thiếu chính xác khi đưa vào vận hành.

Dữ liệu phân tán và thiếu nhất quán

Dữ liệu doanh nghiệp thường nằm rải rác trong hệ thống quản trị quan hệ khách hàng, phần mềm kế toán, hệ thống hoạch định nguồn lực, tệp cá nhân và các ứng dụng chuyên biệt. Mỗi nguồn có thể sử dụng cách đặt tên, định dạng và quy tắc cập nhật khác nhau.

Ví dụ, cùng một khách hàng có thể được nhận diện bằng số điện thoại trong hệ thống bán hàng, mã khách hàng trong phần mềm kế toán và địa chỉ email trong nền tảng tiếp thị. Nếu không có cơ chế liên kết thực thể, mô hình có thể xem đây là ba người khác nhau. Hệ quả là dự báo nhu cầu, phân khúc khách hàng hoặc phát hiện gian lận đều bị sai lệch.

Tích hợp dữ liệu vì vậy không chỉ là kết nối kỹ thuật. Doanh nghiệp phải thống nhất:

·         Định nghĩa của từng trường dữ liệu

·         Chủ sở hữu dữ liệu

·         Quy tắc nhập và cập nhật

·         Cách xử lý bản ghi trùng lặp

·         Tiêu chuẩn kiểm tra chất lượng

·         Quyền truy cập và thời hạn lưu trữ

Dữ liệu thiếu, lỗi thời hoặc có sai lệch

Một tập dữ liệu lớn chưa chắc đã phù hợp để triển khai AI. Giá trị của dữ liệu phụ thuộc vào độ chính xác, tính đầy đủ, mức cập nhật và khả năng đại diện cho tình huống mà mô hình sẽ gặp trong thực tế.

Nếu doanh nghiệp huấn luyện hệ thống dự báo bằng dữ liệu của giai đoạn thị trường ổn định, mô hình có thể không phản ứng đúng khi hành vi khách hàng thay đổi. Tương tự, nếu dữ liệu lịch sử chứa những quyết định thiên lệch, mô hình có thể học lại và khuếch đại thiên lệch đó.

Doanh nghiệp cần kiểm tra dữ liệu theo các tiêu chí có thể đo lường như:

·         Tỷ lệ trường dữ liệu bị thiếu

·         Tỷ lệ bản ghi trùng lặp

·         Tần suất cập nhật

·         Tỷ lệ nhãn sai

·         Mức độ đại diện của từng nhóm đối tượng

·         Số lượng lỗi phát sinh trên mỗi nguồn dữ liệu

·         Mức biến động của dữ liệu theo thời gian

IBM nhận định khả năng sẵn sàng của dữ liệu đã trở thành một trong những rào cản lớn đối với AI doanh nghiệp, bao gồm chất lượng, khả năng truy cập và cơ chế quản trị dữ liệu trên toàn tổ chức.

Dữ liệu nhạy cảm và quyền riêng tư

Các hệ thống AI có thể xử lý thông tin khách hàng, hồ sơ nhân sự, dữ liệu tài chính, bí mật kinh doanh hoặc nội dung nội bộ. Khi nhân viên đưa dữ liệu vào một công cụ AI bên ngoài mà không có quy định rõ ràng, doanh nghiệp có thể mất quyền kiểm soát đối với nơi lưu trữ, mục đích xử lý và khả năng tái sử dụng dữ liệu.

Rủi ro không chỉ xuất hiện trong quá trình huấn luyện mô hình. Nó còn tồn tại ở câu lệnh của người dùng, nhật ký hệ thống, cơ sở dữ liệu truy xuất, kết quả mô hình và dữ liệu phản hồi.

Vì vậy, doanh nghiệp phải phân loại dữ liệu trước khi triển khai AI và xác định rõ loại dữ liệu nào:

·         Được phép đưa vào công cụ công cộng

·         Chỉ được xử lý trong môi trường doanh nghiệp

·         Phải mã hóa hoặc ẩn danh

·         Cần phê duyệt trước khi sử dụng

·         Tuyệt đối không được đưa vào mô hình bên ngoài

Thiếu nhân lực có năng lực triển khai và sử dụng AI

AI đòi hỏi nhiều nhóm năng lực cùng lúc: hiểu dữ liệu, hiểu mô hình, hiểu hạ tầng, hiểu nghiệp vụ và hiểu rủi ro. Một dự án có chuyên gia kỹ thuật nhưng thiếu người am hiểu quy trình kinh doanh vẫn có thể thất bại vì giải quyết sai vấn đề.

Khoảng cách giữa đội kỹ thuật và bộ phận nghiệp vụ

Đội kỹ thuật có thể tập trung vào độ chính xác của mô hình, trong khi bộ phận nghiệp vụ quan tâm đến thời gian xử lý, tỷ lệ sai sót, doanh thu hoặc trải nghiệm khách hàng. Nếu hai bên không thống nhất tiêu chí thành công, dự án dễ tạo ra một mô hình tốt về kỹ thuật nhưng không sử dụng được trong quy trình thực tế.

Ví dụ, một mô hình dự báo rời bỏ khách hàng đạt độ chính xác cao chưa chắc tạo ra giá trị nếu:

·         Kết quả được cung cấp quá muộn

·         Bộ phận chăm sóc khách hàng không biết phải hành động thế nào

·         Chi phí giữ chân lớn hơn giá trị khách hàng

·         Mô hình cảnh báo quá nhiều trường hợp không cần can thiệp

·         Dữ liệu đầu vào không được cập nhật thường xuyên

Doanh nghiệp cần các vai trò cầu nối như chủ sở hữu sản phẩm AI, chuyên gia phân tích nghiệp vụ, quản lý dữ liệu và người phụ trách quản trị mô hình. Những vai trò này chuyển nhu cầu kinh doanh thành yêu cầu kỹ thuật, đồng thời giải thích giới hạn kỹ thuật cho người ra quyết định.

Thiếu kỹ năng AI trong lực lượng lao động

Khoảng cách kỹ năng không chỉ tồn tại ở nhóm phát triển mô hình. Người sử dụng AI cũng cần biết cách đặt yêu cầu, đánh giá đầu ra, phát hiện lỗi và xác định thời điểm phải chuyển quyết định cho con người.

Báo cáo Future of Jobs 2025 của Diễn đàn Kinh tế Thế giới cho biết 63% nhà tuyển dụng xem khoảng cách kỹ năng là rào cản lớn đối với quá trình chuyển đổi doanh nghiệp. Nhà tuyển dụng cũng dự kiến khoảng 39% kỹ năng cốt lõi của người lao động sẽ thay đổi vào năm 2030.

Với doanh nghiệp ứng dụng AI, đào tạo cần được chia theo vai trò:

·         Lãnh đạo học cách lựa chọn trường hợp sử dụng và quản trị rủi ro

·         Quản lý nghiệp vụ học cách thiết kế quy trình có AI hỗ trợ

·         Nhân viên học cách sử dụng, kiểm tra và phản hồi kết quả

·         Nhóm kỹ thuật học về dữ liệu, mô hình, bảo mật và vận hành

·         Bộ phận pháp chế và kiểm soát học cách đánh giá nghĩa vụ tuân thủ

OECD cũng ghi nhận sự khan hiếm nhân lực chuyên môn là một trở ngại đáng kể đối với việc áp dụng AI, kể cả trong nhiều doanh nghiệp lớn.

Kháng cự thay đổi và tâm lý lo ngại mất việc

Nhân viên có thể xem AI là công cụ giám sát hoặc thay thế con người. Tâm lý này khiến họ không chia sẻ kiến thức nghiệp vụ, không cung cấp phản hồi hoặc sử dụng hệ thống theo cách đối phó.

Ngược lại, kỳ vọng quá mức cũng tạo rủi ro. Người dùng có thể tin tưởng đầu ra AI mà không kiểm tra, đặc biệt khi câu trả lời được trình bày rõ ràng và tự tin.

Quản trị thay đổi cần giải thích cụ thể:

·         AI đang hỗ trợ nhiệm vụ nào

·         Con người vẫn chịu trách nhiệm ở quyết định nào

·         Tiêu chí đánh giá hiệu quả có thay đổi hay không

·         Dữ liệu sử dụng lao động được thu thập như thế nào

·         Nhân viên có quyền phản hồi hoặc khiếu nại ra sao

·         Doanh nghiệp sẽ đào tạo và tái bố trí công việc thế nào

Khó xác định bài toán kinh doanh và giá trị đầu tư

Nhiều dự án AI bắt đầu từ mong muốn “ứng dụng AI” thay vì một vấn đề kinh doanh cụ thể. Cách tiếp cận này dễ dẫn đến thử nghiệm kéo dài, phạm vi không rõ và không có tiêu chí quyết định nên mở rộng hay dừng lại.

Chọn trường hợp sử dụng không phù hợp

Một trường hợp sử dụng AI khả thi phải đồng thời đáp ứng nhiều điều kiện:

·         Vấn đề đủ quan trọng để tạo giá trị

·         Có dữ liệu phù hợp

·         Kết quả đầu ra có thể đưa vào hành động

·         Sai số nằm trong mức chấp nhận được

·         Có người chịu trách nhiệm

·         Có thể đo lường trước và sau triển khai

Không phải quy trình nào cũng cần AI. Với một tác vụ có quy tắc ổn định và ít ngoại lệ, tự động hóa truyền thống có thể rẻ hơn, dễ kiểm soát hơn và cho kết quả nhất quán hơn.

AI phù hợp hơn khi doanh nghiệp cần xử lý dữ liệu phi cấu trúc, nhận diện mẫu phức tạp, dự báo xác suất hoặc hỗ trợ những quyết định có nhiều biến số. Tuy nhiên, tính phù hợp chỉ được xác nhận khi lợi ích dự kiến lớn hơn chi phí và rủi ro.

Tổng chi phí sở hữu thường bị đánh giá thấp

Chi phí triển khai AI không chỉ gồm phí phần mềm hoặc chi phí huấn luyện mô hình. Tổng chi phí sở hữu còn có thể bao gồm:

·         Làm sạch và tích hợp dữ liệu

·         Xây dựng hạ tầng

·         Phí sử dụng mô hình hoặc API

·         Kiểm thử và đánh giá

·         Giám sát đầu ra

·         Bảo mật và tuân thủ

·         Đào tạo người dùng

·         Điều chỉnh quy trình

·         Bảo trì và tái huấn luyện

·         Xử lý sự cố

Một mô hình rẻ trong giai đoạn thử nghiệm có thể trở nên tốn kém khi lượng yêu cầu tăng. Với AI tạo sinh, chi phí còn phụ thuộc vào số lượt gọi, độ dài đầu vào, độ dài đầu ra, cơ chế truy xuất dữ liệu và yêu cầu về tốc độ phản hồi.

Khó chứng minh lợi tức đầu tư

Hiệu quả AI phải được đo bằng chỉ số kinh doanh, không chỉ bằng thông số của mô hình. Độ chính xác cao không tự động đồng nghĩa với doanh thu cao hoặc chi phí thấp.

Doanh nghiệp cần xây dựng đường cơ sở trước khi triển khai và xác định KPI như:

·         Thời gian xử lý trung bình

·         Chi phí trên mỗi giao dịch

·         Tỷ lệ lỗi

·         Tỷ lệ chuyển đổi

·         Doanh thu gia tăng

·         Số giờ lao động tiết kiệm

·         Tỷ lệ yêu cầu cần con người xử lý lại

·         Mức độ hài lòng của khách hàng

·         Tổn thất được ngăn ngừa

Khi chưa có đường cơ sở hoặc nhóm đối chứng, doanh nghiệp khó phân biệt tác động của AI với ảnh hưởng của mùa vụ, thay đổi giá, chiến dịch tiếp thị hoặc biến động thị trường.

Tích hợp AI với hệ thống và quy trình hiện có

Một mô hình chỉ tạo giá trị khi kết quả của nó xuất hiện đúng thời điểm, đúng người và đúng vị trí trong quy trình nghiệp vụ. Vì vậy, triển khai AI là bài toán tích hợp hệ thống chứ không chỉ là bài toán xây dựng mô hình.

Hạ tầng cũ và kiến trúc phân mảnh

Hệ thống cũ có thể thiếu giao diện kết nối, tài liệu kỹ thuật hoặc khả năng xử lý dữ liệu theo thời gian thực. Khi đó, doanh nghiệp phải xây dựng lớp trung gian, đồng bộ dữ liệu thủ công hoặc thay đổi kiến trúc trước khi AI có thể hoạt động ổn định.

Các vấn đề thường gặp gồm:

·         Dữ liệu cập nhật chậm

·         Khó mở rộng công suất

·         Không theo dõi được nguồn gốc dữ liệu

·         Không có môi trường kiểm thử tách biệt

·         Thiếu nhật ký để điều tra lỗi

·         Phụ thuộc vào một số cá nhân hiểu hệ thống cũ

Việc thay thế toàn bộ hạ tầng có thể quá tốn kém, nhưng ghép thêm AI lên một kiến trúc thiếu ổn định cũng làm tăng nợ kỹ thuật. Doanh nghiệp cần xác định phần nào nên hiện đại hóa, phần nào có thể giữ lại và phần nào cần cô lập bằng lớp tích hợp.

Mô hình suy giảm sau khi đưa vào vận hành

Hiệu suất của mô hình có thể giảm khi dữ liệu thực tế thay đổi. Hiện tượng này xảy ra khi hành vi khách hàng, quy trình nội bộ, sản phẩm hoặc điều kiện thị trường không còn giống dữ liệu huấn luyện.

Vì vậy, doanh nghiệp phải giám sát ít nhất ba nhóm chỉ số:

·         Hiệu suất kỹ thuật của hệ thống

·         Chất lượng đầu ra của mô hình

·         Tác động đối với KPI kinh doanh

Ngưỡng cảnh báo phải dẫn đến hành động cụ thể như kiểm tra dữ liệu, chuyển sang quy trình dự phòng, điều chỉnh mô hình hoặc yêu cầu con người phê duyệt.

Phụ thuộc nhà cung cấp

Dịch vụ AI bên ngoài giúp doanh nghiệp triển khai nhanh nhưng có thể tạo ra sự phụ thuộc về mô hình, định dạng dữ liệu, API, chi phí và điều khoản sử dụng.

Rủi ro xuất hiện khi nhà cung cấp:

·         Thay đổi giá

·         Ngừng một phiên bản mô hình

·         Điều chỉnh chính sách dữ liệu

·         Thay đổi giới hạn sử dụng

·         Không đáp ứng yêu cầu lưu trữ

·         Không cung cấp đủ thông tin để kiểm toán

Doanh nghiệp cần đánh giá khả năng chuyển đổi nhà cung cấp, xuất dữ liệu, thay thế mô hình và duy trì hoạt động khi dịch vụ bên ngoài gián đoạn.

Quản trị, đạo đức và trách nhiệm giải trình

AI có thể ảnh hưởng đến khách hàng, người lao động và các quyết định quan trọng của doanh nghiệp. Khi đầu ra sai hoặc gây thiệt hại, tổ chức phải xác định được ai chịu trách nhiệm và cơ chế nào đã không hoạt động.

Không có chủ sở hữu rõ ràng

Một hệ thống AI thường liên quan đến nhiều bộ phận: công nghệ, dữ liệu, nghiệp vụ, pháp chế, bảo mật và kiểm toán. Nếu trách nhiệm bị chia nhỏ mà không có một chủ sở hữu cuối cùng, sự cố có thể không được xử lý kịp thời.

Mỗi hệ thống cần xác định rõ:

·         Chủ sở hữu nghiệp vụ

·         Chủ sở hữu dữ liệu

·         Đơn vị vận hành kỹ thuật

·         Người phê duyệt triển khai

·         Người giám sát rủi ro

·         Người có quyền tạm dừng hệ thống

·         Quy trình báo cáo và khắc phục sự cố

Khung quản trị rủi ro AI của NIST tổ chức hoạt động quản trị thành bốn chức năng: Govern, Map, Measure và Manage. Cách tiếp cận này nhấn mạnh rằng doanh nghiệp phải thiết lập cơ chế quản trị, hiểu bối cảnh sử dụng, đo lường rủi ro và thực hiện biện pháp kiểm soát trong suốt vòng đời AI.

Thiên lệch và đối xử không công bằng

Mô hình có thể tạo kết quả khác nhau giữa các nhóm người do dữ liệu thiếu đại diện, nhãn lịch sử thiên lệch hoặc biến đầu vào gián tiếp phản ánh đặc điểm nhạy cảm.

Loại bỏ các trường như giới tính hoặc độ tuổi chưa chắc loại bỏ thiên lệch. Những biến khác như vị trí, thu nhập, lịch sử giao dịch hoặc loại thiết bị có thể đóng vai trò biến đại diện.

Kiểm soát thiên lệch cần được thực hiện theo từng nhóm liên quan, không chỉ dựa trên độ chính xác trung bình. Doanh nghiệp phải kiểm tra:

·         Tỷ lệ dự báo sai giữa các nhóm

·         Tỷ lệ từ chối hoặc chấp thuận

·         Mức độ đại diện trong dữ liệu

·         Nguyên nhân của chênh lệch

·         Khả năng khiếu nại và xem xét lại

·         Tác động khi mô hình đưa ra kết quả sai

Khả năng giải thích và kiểm toán

Trong những quy trình có tác động lớn, doanh nghiệp cần giải thích được dữ liệu nào đã được dùng, mô hình nào đã tạo kết quả và ai đã hành động dựa trên kết quả đó.

Khả năng giải thích không đồng nghĩa với việc phải mô tả toàn bộ thuật toán cho mọi người dùng. Mức giải thích cần tương ứng với vai trò:

·         Người dùng cần biết ý nghĩa và giới hạn của kết quả

·         Quản lý cần biết yếu tố ảnh hưởng đến quyết định

·         Nhóm kỹ thuật cần truy vết dữ liệu và phiên bản mô hình

·         Kiểm toán cần kiểm tra hồ sơ phê duyệt và biện pháp kiểm soát

·         Cá nhân bị ảnh hưởng cần có cơ chế yêu cầu xem xét lại khi phù hợp

Bảo mật và độ tin cậy của hệ thống AI

AI mở rộng bề mặt tấn công của doanh nghiệp vì hệ thống tiếp nhận dữ liệu đầu vào phức tạp, kết nối với nhiều nguồn và có thể tự động tạo hành động.

Tấn công qua đầu vào và dữ liệu

Với AI tạo sinh, kẻ tấn công có thể đưa chỉ dẫn độc hại vào câu lệnh, tài liệu hoặc nguồn dữ liệu mà mô hình truy xuất. Nếu hệ thống không tách biệt chỉ dẫn tin cậy với nội dung bên ngoài, mô hình có thể tiết lộ dữ liệu hoặc thực hiện hành động không mong muốn.

Các biện pháp kiểm soát cần bao gồm:

·         Giới hạn quyền truy cập của mô hình

·         Xác thực dữ liệu đầu vào

·         Tách biệt dữ liệu theo người dùng

·         Lọc nội dung đầu ra

·         Ghi nhật ký hoạt động

·         Yêu cầu phê duyệt cho hành động nhạy cảm

·         Kiểm thử các tình huống tấn công

Kết quả sai nhưng có vẻ thuyết phục

Mô hình AI tạo sinh có thể tạo thông tin không chính xác, trích dẫn không tồn tại hoặc suy luận vượt quá dữ liệu. Rủi ro tăng khi người dùng đánh giá câu trả lời dựa trên sự trôi chảy thay vì bằng chứng.

Doanh nghiệp không nên dùng một mức kiểm soát cho mọi trường hợp. Mức giám sát phải dựa trên tác động của sai sót:

·         Nội dung sáng tạo có thể được kiểm tra sau

·         Tư vấn khách hàng cần kiểm duyệt và giới hạn phạm vi

·         Quyết định tài chính, pháp lý hoặc nhân sự cần mức kiểm soát cao hơn

·         Hành động không thể đảo ngược phải có người phê duyệt

AI có thể hỗ trợ quyết định, nhưng trách nhiệm giải trình không thể được chuyển hoàn toàn cho mô hình hoặc nhà cung cấp.

Cách doanh nghiệp kiểm soát các thách thức khi ứng dụng AI

Doanh nghiệp không thể loại bỏ toàn bộ rủi ro trước khi bắt đầu. Cách phù hợp hơn là triển khai theo từng giai đoạn, đặt ngưỡng kiểm soát và chỉ mở rộng khi hệ thống chứng minh được giá trị.

Bắt đầu từ bài toán thay vì công nghệ

Trước mỗi dự án, doanh nghiệp cần mô tả rõ:

·         Vấn đề cần giải quyết

·         Người sử dụng kết quả

·         Quyết định hoặc hành động được hỗ trợ

·         Dữ liệu cần thiết

·         Hậu quả nếu AI sai

·         KPI đánh giá

·         Điều kiện để mở rộng hoặc dừng dự án

Một trường hợp sử dụng có giá trị vừa phải nhưng dữ liệu tốt và rủi ro thấp thường phù hợp để thử nghiệm hơn một bài toán lớn nhưng thiếu dữ liệu và trách nhiệm không rõ ràng.

Thiết lập quản trị theo mức rủi ro

Không phải mọi hệ thống AI đều cần cùng một cơ chế phê duyệt. Một công cụ gợi ý tiêu đề nội bộ có mức ảnh hưởng khác với hệ thống sàng lọc hồ sơ hoặc phát hiện gian lận.

Doanh nghiệp có thể phân loại hệ thống dựa trên:

·         Mức độ ảnh hưởng đến con người

·         Giá trị tài chính liên quan

·         Độ nhạy cảm của dữ liệu

·         Khả năng đảo ngược quyết định

·         Mức tự động hóa

·         Khả năng giải thích

·         Mức phụ thuộc vào nhà cung cấp

Hệ thống rủi ro càng cao càng cần kiểm thử độc lập, hồ sơ kiểm toán, giám sát liên tục và cơ chế can thiệp của con người.

Triển khai thử nghiệm có giới hạn

Thử nghiệm nên được giới hạn về dữ liệu, người dùng, thời gian và quyền hành động. Mục tiêu không chỉ là kiểm tra xem mô hình có hoạt động hay không, mà còn đánh giá toàn bộ quy trình vận hành.

Doanh nghiệp cần so sánh kết quả thử nghiệm với đường cơ sở và kiểm tra:

·         Chất lượng đầu ra

·         Tỷ lệ người dùng chấp nhận

·         Số trường hợp phải sửa

·         Chi phí thực tế

·         Thời gian phản hồi

·         Sự cố bảo mật

·         Tác động đến KPI

·         Hiệu quả của quy trình dự phòng

Chỉ nên mở rộng khi kết quả duy trì ổn định trong điều kiện gần với vận hành thực tế.

Phát triển năng lực AI trên toàn tổ chức

Doanh nghiệp không nhất thiết phải biến mọi nhân viên thành chuyên gia mô hình. Tuy nhiên, từng nhóm phải có năng lực phù hợp với trách nhiệm của mình.

Năng lực tổ chức cần kết hợp:

·         Kiến thức kỹ thuật

·         Hiểu biết nghiệp vụ

·         Quản trị dữ liệu

·         Quản trị rủi ro

·         Kỹ năng kiểm chứng

·         Khả năng thiết kế lại quy trình

·         Nhận thức về đạo đức và trách nhiệm

Việc xây dựng nhóm liên chức năng giúp giảm khoảng cách giữa mô hình và thực tế vận hành. OECD ghi nhận các doanh nghiệp áp dụng AI ở nhiều ngành đều gặp khó khăn trong việc tìm kiếm nhân lực kết hợp được chuyên môn AI, học máy và phân tích dữ liệu.

Những thách thức ứng dụng AI trong doanh nghiệp tập trung vào ba nền tảng chính: dữ liệu phải đủ chất lượng, con người phải đủ năng lực và tổ chức phải có cơ chế quản trị rõ ràng. Bên cạnh đó, doanh nghiệp còn phải kiểm soát chi phí, tích hợp hệ thống, bảo mật, độ tin cậy và khả năng đo lường giá trị.

AI không tạo ra lợi thế chỉ vì doanh nghiệp sở hữu mô hình tiên tiến. Lợi thế xuất hiện khi doanh nghiệp lựa chọn đúng bài toán, thiết kế được quy trình kết hợp giữa con người và máy, kiểm soát rủi ro trong toàn bộ vòng đời, đồng thời liên tục đo lường tác động đối với mục tiêu kinh doanh. Vì vậy, triển khai từng bước với dữ liệu được quản trị, trách nhiệm rõ ràng và KPI cụ thể thường bền vững hơn việc mở rộng AI trên diện rộng ngay từ đầu.