Từ dự án đến sản phẩm: Quản trị AI thế nào để tạo giá trị thực tế?
Bài viết được tổng hợp từ chương trình Café Talks “AI Project Management in Reality” của CIO Vietnam Hanoi Chapter. Phần phương pháp luận CPMAI và hai case study thực tế do anh Lương Minh Hải chia sẻ,
AI ngày càng dễ tiếp cận. Doanh nghiệp có thể mua dịch vụ, sử dụng mô hình sẵn có hoặc nhanh chóng xây dựng một phiên bản thử nghiệm. Tuy nhiên, khoảng cách từ một ý tưởng hấp dẫn đến một giải pháp AI được sử dụng ổn định trong vận hành vẫn còn rất lớn.
Một câu hỏi được trao đổi nhiều tại chương trình là:
Doanh nghiệp cần quản trị dự án AI khác như thế nào để kết quả không chỉ dừng lại ở một pilot?
Điểm thống nhất đầu tiên là: dự án AI không thể chỉ được đánh giá dựa trên phạm vi, tiến độ và chi phí. Những tiêu chí này vẫn cần thiết, nhưng chưa đủ để xác nhận thành công.
Giá trị của AI chỉ thực sự được kiểm chứng sau khi giải pháp đi vào vận hành: có tạo ra tác động như kỳ vọng hay không, người dùng có sử dụng không, kết quả có duy trì ổn định theo thời gian và có đủ điều kiện để mở rộng hay không.
“Thất bại” của dự án AI cần được hiểu rộng hơn
Trong các dự án truyền thống, thất bại thường gắn với việc vượt ngân sách, chậm tiến độ hoặc không hoàn thành phạm vi cam kết.
Với AI, một dự án vẫn có thể hoàn thành đúng hạn, mô hình đạt chỉ số kỹ thuật tốt và hệ thống đã được triển khai, nhưng cuối cùng vẫn không tạo ra giá trị sử dụng thực tế. Người dùng tiếp tục làm theo cách cũ, quy trình không thay đổi hoặc Business chưa thấy tác động rõ ràng.
Trong trường hợp đó, dự án có thể thành công về kỹ thuật nhưng chưa thành công về mặt kinh doanh.
Tài liệu chương trình nhấn mạnh 3 nguyên nhân phổ biến: thiếu gắn kết với mục tiêu kinh doanh và ROI, chưa đánh giá đầy đủ tính khả thi của dữ liệu, và thiếu kế hoạch cập nhật khi mô hình suy giảm hiệu quả trong vận hành.
Vì vậy, câu hỏi đầu tiên không nên chỉ là:
“AI có làm được không?”
Mà cần là:
“Bài toán này có đủ giá trị và đủ điều kiện để sử dụng AI hay không?”
Không phải vấn đề nào cũng cần AI. Nếu một bộ quy tắc logic đơn giản đã có thể xử lý hiệu quả, việc áp dụng AI có thể chỉ làm tăng chi phí và độ phức tạp.
Từ “Project” sang “Product”
Một nội dung xuyên suốt của chương trình là tư duy chuyển từ Project sang Product.
Dự án thường có điểm bắt đầu, phạm vi, ngân sách và thời điểm kết thúc. Nhưng sản phẩm AI không dừng lại ở go-live. Sau khi đưa vào sử dụng, mô hình vẫn cần được giám sát, nhận phản hồi, cập nhật dữ liệu và hiệu chỉnh theo môi trường thực tế.
Dữ liệu thay đổi có thể dẫn đến hiện tượng data drift. Mối quan hệ giữa dữ liệu đầu vào và kết quả dự đoán thay đổi có thể dẫn tới Model Drift. Một mô hình từng hoạt động tốt vẫn có thể suy giảm theo thời gian nếu doanh nghiệp không có cơ chế theo dõi.
Vì vậy, triển khai không phải là đích đến mà là điểm khởi đầu của vận hành. Trong tài liệu, anh Lương Minh Hải nhấn mạnh vai trò của MLOps, cơ chế giám sát, phản hồi từ người dùng và việc huấn luyện lại mô hình theo chu kỳ phù hợp với từng bối cảnh cụ thể.
Điều này cũng thay đổi cách phân bổ trách nhiệm. Business không thể chỉ đưa ra yêu cầu rồi giao cho Technology. Bộ phận nghiệp vụ cần giữ vai trò owner của sản phẩm AI, trực tiếp sử dụng kết quả, đánh giá giá trị và phản hồi để giải pháp tiếp tục được cải thiện. Technology, Data và AI team cung cấp nền tảng, mô hình và năng lực vận hành cần thiết.
Sáu giai đoạn của một sản phẩm AI
Phần phương pháp luận tại chương trình giới thiệu vòng đời AI qua sáu giai đoạn:
Business Understanding – hiểu bài toán và mục tiêu kinh doanh;
Data Understanding – hiểu dữ liệu hiện có và mức độ phù hợp;
Data Preparation – làm sạch, chuẩn hóa, gắn nhãn và xây dựng pipeline;
Model Development – lựa chọn và phát triển mô hình;
Model Evaluation – đánh giá hiệu năng kỹ thuật và khả năng đáp ứng mục tiêu;
Operationalization – đưa mô hình vào vận hành, giám sát và cải tiến.
Hai nguyên tắc xuyên suốt là Data-Centric và Iterative: lấy dữ liệu làm trung tâm và triển khai theo các vòng lặp kiểm chứng liên tục. Khi dữ liệu chưa đạt yêu cầu, mô hình chưa đủ tốt hoặc kết quả chưa tạo ra giá trị, đội dự án phải sẵn sàng quay lại các bước trước đó để điều chỉnh.
Từ góc nhìn này, Agile hay Waterfall vẫn hữu ích, nhưng chưa đủ nếu áp dụng nguyên trạng. Dự án AI cần thêm một vòng lặp đặc thù giữa dữ liệu, mô hình, đánh giá và vận hành.
Dữ liệu thường là phần khó nhất
Trong nhiều dự án AI, sự chú ý thường tập trung vào thuật toán hoặc mô hình. Nhưng phần công việc lớn lại nằm ở dữ liệu: tìm kiếm, làm sạch, chuẩn hóa, gắn nhãn, kiểm tra quyền sử dụng và xây dựng pipeline.
Hai case study trong chương trình minh họa khá rõ điều này.
Case thứ nhất là bài toán xử lý tài liệu bằng NLP và OCR. Thách thức không chỉ nằm ở khả năng đọc tài liệu, mà còn ở việc tài liệu chưa được số hóa thống nhất, định dạng không đồng nhất và các thông số cần được bóc tách, chuẩn hóa.
Case thứ hai là sử dụng Computer Vision để phân loại khuyết tật trong sản xuất. Dữ liệu ban đầu có số lượng ảnh rất hạn chế. Đội dự án phải sử dụng kỹ thuật tăng cường dữ liệu, xây dựng quy trình gắn nhãn nhiều vòng và kiểm tra chéo để cải thiện chất lượng tập dữ liệu.
Hai bài toán khác nhau nhưng cùng cho thấy: dữ liệu quyết định giới hạn thực tế của dự án.
Tài liệu cũng minh họa rằng Data Preparation có thể chiếm phần lớn công sức, trong khi huấn luyện mô hình chỉ là phần nổi dễ nhìn thấy hơn. Đây nên được hiểu là một cảnh báo thực hành, không phải là tỷ lệ cố định cho mọi dự án.
Vì vậy, doanh nghiệp cần có điểm kiểm soát Go/No-Go sớm dựa trên hai câu hỏi:
Mục tiêu kinh doanh có đủ rõ ràng và có thể đo lường không?
Dữ liệu có đủ chất lượng, số lượng, độ đa dạng và độ tin cậy không?
Nếu câu trả lời chưa rõ ràng, việc tiếp tục phát triển mô hình chỉ làm tăng chi phí mà chưa chắc sẽ tạo thêm bằng chứng.
Đừng chỉ nhìn vào Accuracy
Một mô hình đạt Accuracy cao chưa chắc tạo ra giá trị cao.
Trong môi trường thực tế, doanh nghiệp còn phải cân nhắc tốc độ xử lý, tỷ lệ bỏ sót, tác động của từng loại sai số, khả năng giải thích và chi phí vận hành.
Một mô hình có thể rất chính xác nhưng trả kết quả quá chậm. Một hệ thống phát hiện lỗi có thể đạt Accuracy cao nhưng vẫn bỏ sót những lỗi quan trọng nhất. Một công cụ khuyến nghị có thể cho kết quả tốt, nhưng người dùng không tin tưởng và không sử dụng.
Vì vậy, đánh giá dự án AI cần kết hợp ba lớp:
Model performance: mô hình hoạt động tốt đến đâu;
Operational performance: giải pháp có vận hành ổn định trong thực tế hay không;
Business impact: có cải thiện KPI, năng suất, chi phí, doanh thu hoặc rủi ro hay không.
Thành công không chỉ là đưa mô hình vào production, mà còn là chứng minh được mối liên hệ giữa kết quả kỹ thuật và giá trị kinh doanh.
Con người là điều kiện tiên quyết
Một trong những nội dung quan trọng nhất trong phần thảo luận là vai trò của con người.
Trong tổ chức thường tồn tại 2 thái cực: quá hào hứng và kỳ vọng AI có thể giải quyết mọi vấn đề; hoặc lo ngại AI sẽ thay thế con người và chủ động kháng cự.
Cả hai đều có thể làm giảm hiệu quả của việc ứng dụng.
Doanh nghiệp cần giúp các nhóm hiểu rõ AI phù hợp với vùng nào, cần điều kiện gì và vai trò của con người thay đổi như thế nào. Nguyên tắc Human-in-the-Loop được nhấn mạnh trong tài liệu: AI đề xuất, con người đánh giá, hành động và phản hồi để hệ thống tiếp tục học hỏi. Trách nhiệm giải trình cuối cùng vẫn thuộc về con người.
Một đội AI hiệu quả, vì vậy, không chỉ có Data Scientist. Dự án cần sự phối hợp giữa Business Analyst, Project Manager, Data Engineer, MLOps, chuyên gia nghiệp vụ, người dùng và lãnh đạo bảo trợ.
Đây cũng là một trong những điểm được các thành viên trao đổi nhiều:
Ai thực sự sở hữu sản phẩm AI sau khi dự án go-live?
Nếu không có owner rõ ràng, mô hình có thể tồn tại nhưng không có đơn vị chịu trách nhiệm về việc adoption, vận hành và giá trị cuối cùng.
Tốc độ cần đi cùng kỷ luật
Trong thời đại AI, tốc độ là một yêu cầu thiết yếu. Một đề xuất kéo dài quá lâu thường khó duy trì sự cấp thiết và cam kết của lãnh đạo.
Tại chương trình, một cách tiếp cận thực tiễn được gợi mở là:
Ba tháng đầu để triển khai và tạo bằng chứng ban đầu;
Ba tháng tiếp theo để đánh giá, hiệu chỉnh và xem xét việc mở rộng.
Đây không phải là chuẩn bắt buộc cho mọi dự án, mà là một nguyên tắc để chia nhỏ đầu tư, tạo decision gate rõ ràng và ra quyết định dựa trên bằng chứng.
Một đề xuất AI tốt cần trả lời được:
Use case nào tác động rõ rệt đến KPI trọng yếu?
Dữ liệu đã sẵn sàng đến đâu?
Năng lực nhân sự hiện có như thế nào?
Nên lựa chọn buy, build hay services?
Khi nào nên tiếp tục, điều chỉnh hoặc dừng?
Từ kỳ vọng đến năng lực thực sự
AI có vẻ như đã “có sẵn trên thị trường”. Nhưng để biến công nghệ đó thành năng lực của doanh nghiệp, tổ chức vẫn phải làm những công việc khó: lựa chọn đúng bài toán, chuẩn bị dữ liệu, phân định trách nhiệm, thiết kế vận hành, xây dựng niềm tin của người dùng và duy trì mô hình sau khi triển khai.
Bốn thông điệp có thể tóm lược từ chương trình:
Bắt đầu từ giá trị kinh doanh, không bắt đầu từ công nghệ.
Xem dữ liệu là nền tảng, không phải phần việc phát sinh.
Triển khai theo vòng lặp và sẵn sàng quay lại điều chỉnh.
Xem go-live là khởi đầu của vận hành, không phải kết thúc dự án.
Cảm ơn anh Lương Minh Hải đã hệ thống hóa phần phương pháp luận CPMAI và chia sẻ 2 case study thực tế; cảm ơn anh Nguyễn Minh Ngọc, anh Đoàn Hữu Hậu cùng các thành viên đã đóng góp những góc nhìn thực tiễn và thảo luận thẳng thắn trong chương trình.
Câu hỏi còn lại dành cho mỗi tổ chức không chỉ là:
“Có nên làm AI hay không?”
Mà là:
Doanh nghiệp đã có đủ năng lực để biến một AI project thành một AI product được sử dụng, kiểm soát và tạo ra giá trị bền vững hay chưa