Trong những cuộc trao đổi gần đây với các thành viên và lãnh đạo công nghệ tại Hà Nội, một câu hỏi xuất hiện khá thường xuyên: Vì sao nhiều dự án AI được đánh giá tốt ở giai đoạn thử nghiệm nhưng lại gặp khó khăn khi bước vào vận hành thực tế?
Một đội dự án có thể dành nhiều tháng tối ưu chỉ số của mô hình, nhưng khi đưa vào vận hành, người dùng vẫn tiếp tục làm theo cách cũ. Một dự án khác có thể được phê duyệt vì use case hấp dẫn, nhưng đến khi triển khai mới phát hiện dữ liệu nằm rải rác ở nhiều hệ thống và chưa có đơn vị nào thực sự chịu trách nhiệm.
Những tình huống này cho thấy điểm nghẽn của dự án AI không chỉ nằm ở công nghệ. Vấn đề thường xuất hiện ở khoảng cách giữa kỳ vọng kinh doanh, mức độ sẵn sàng của dữ liệu, cách phối hợp giữa các bên và khả năng đưa kết quả của mô hình vào quy trình thực tế.
Đây cũng có thể là dấu hiệu doanh nghiệp đang quản lý dự án AI bằng tư duy của một dự án phần mềm truyền thống.
Trong nhiều năm, các tổ chức đã xây dựng được phương pháp tương đối ổn định để triển khai phần mềm: xác định yêu cầu, lập kế hoạch, phát triển, kiểm thử, triển khai và nghiệm thu. Thành công thường được đánh giá bằng ba yếu tố quen thuộc: đúng phạm vi, đúng tiến độ và đúng ngân sách.
Nhưng AI không đơn thuần là một dự án phần mềm có thêm mô hình.
Nhưng AI không đơn thuần là một dự án phần mềm có thêm mô hình.
Dự án phần mềm bắt đầu từ yêu cầu; dự án AI bắt đầu từ giả thuyết
Trong dự án phần mềm, doanh nghiệp thường có thể mô tả tương đối rõ hệ thống cần thực hiện chức năng gì, ai sẽ sử dụng và kết quả mong muốn là gì.
Một hệ thống phê duyệt, chẳng hạn, có thể được xác định bằng quy trình, vai trò, điều kiện và các trường dữ liệu cụ thể. Đội ngũ dự án chuyển những yêu cầu đó thành thiết kế, mã nguồn, test case và tiêu chí nghiệm thu.
Dự án AI lại thường bắt đầu từ một bài toán và một giả thuyết:
Dữ liệu hiện có có thể giúp dự báo hành vi khách hàng hay không?
AI có thể phát hiện bất thường tốt hơn phương pháp hiện tại không?
Một trợ lý AI có thực sự giúp nhân viên ra quyết định nhanh và chính xác hơn không?
Tại thời điểm bắt đầu, doanh nghiệp chưa thể chắc chắn dữ liệu có đủ chất lượng, mô hình có đạt hiệu quả mong muốn, hay người dùng có tin tưởng và sử dụng kết quả hay không.
Vì vậy, người quản lý dự án AI không chỉ quản lý việc xây dựng giải pháp. Họ còn phải tổ chức quá trình kiểm chứng giả thuyết và tạo ra bằng chứng cho từng quyết định đầu tư tiếp theo.
Dữ liệu không chỉ là đầu vào, mà là một phần của phạm vi dự án
Trong dự án phần mềm, dữ liệu thường được xem là thành phần cần lưu trữ, tích hợp hoặc chuyển đổi. Trong dự án AI, dữ liệu trực tiếp quyết định khả năng thành công của giải pháp.
Một mô hình tiên tiến không thể bù đắp cho dữ liệu thiếu, sai lệch hoặc không đại diện cho bối cảnh thực tế.
Doanh nghiệp cần trả lời sớm những câu hỏi như:
Dữ liệu đang nằm ở đâu và ai sở hữu?
Chất lượng dữ liệu có đáp ứng bài toán không?
Dữ liệu có phản ánh đúng nhóm đối tượng và môi trường vận hành không?
Doanh nghiệp có quyền sử dụng dữ liệu cho mục đích này không?
Chi phí làm sạch, tích hợp và duy trì dữ liệu là bao nhiêu?
Nếu các câu hỏi này chỉ xuất hiện sau khi dự án đã đi được một nửa chặng đường, doanh nghiệp có thể phát hiện quá muộn rằng use case chưa đủ điều kiện để triển khai.
Vì vậy, đánh giá mức độ sẵn sàng của dữ liệu cần trở thành một decision gate ngay từ đầu, không phải một công việc kỹ thuật được xử lý sau.
Đầu ra của AI mang tính xác suất
Phần mềm truyền thống thường được nghiệm thu dựa trên việc hệ thống có thực hiện đúng logic đã thiết kế hay không. Một giao dịch hợp lệ phải đi qua đúng quy trình; một chức năng phải tạo ra kết quả đúng đặc tả.
AI không hoạt động theo cách hoàn toàn tuyệt đối.
Mô hình có thể đưa ra kết quả tốt trong phần lớn trường hợp nhưng vẫn có sai số. Vì thế, câu hỏi không chỉ là “mô hình đúng hay sai”, mà là:
Ngưỡng hiệu quả nào đủ để đưa vào sử dụng?
Loại sai số nào có thể chấp nhận?
Sai số nào tạo ra rủi ro nghiêm trọng?
Khi nào con người phải tham gia kiểm tra hoặc phê duyệt?
Kết quả có đủ khả năng giải thích với người dùng, lãnh đạo và cơ quan quản lý không?
Một mô hình đạt chỉ số kỹ thuật cao chưa chắc đã tạo ra một giải pháp tốt. Nếu người dùng không tin tưởng, quy trình không thay đổi hoặc không ai chịu trách nhiệm cho kết quả, giá trị kinh doanh vẫn không xuất hiện.
Tiêu chí nghiệm thu dự án AI vì vậy phải kết hợp ít nhất ba lớp:
Hiệu năng mô hình – khả năng tích hợp vào vận hành – tác động kinh doanh.
Go-live không phải điểm kết thúc
Với nhiều dự án phần mềm, go-live đánh dấu thời điểm chuyển từ xây dựng sang vận hành.
Với AI, go-live chỉ là lúc mô hình bắt đầu tiếp xúc với môi trường thực tế.
Dữ liệu có thể thay đổi. Hành vi khách hàng có thể thay đổi. Quy trình nghiệp vụ, sản phẩm và thị trường cũng có thể thay đổi. Một mô hình từng hoạt động tốt có thể suy giảm hiệu quả theo thời gian.
Do đó, doanh nghiệp cần tiếp tục theo dõi:
Chất lượng dữ liệu đầu vào.
Hiệu năng mô hình trong thực tế.
Các dấu hiệu sai lệch hoặc thiên lệch.
Tỷ lệ người dùng chấp nhận và sử dụng.
Tác động tới chi phí, doanh thu, năng suất hoặc rủi ro.
Thời điểm cần hiệu chỉnh, huấn luyện lại hoặc dừng mô hình.
Trách nhiệm cũng không thể kết thúc khi đội dự án bàn giao cho vận hành. Doanh nghiệp cần xác định rõ ai sở hữu mô hình, ai chịu trách nhiệm giám sát và ai có quyền quyết định tiếp tục, điều chỉnh hay dừng sử dụng.
Quản lý dự án AI là quản lý một chuỗi quyết định
Trong dự án phần mềm, người quản lý thường tập trung vào công việc, nguồn lực, phụ thuộc, tiến độ và chất lượng bàn giao.
Trong dự án AI, vai trò này cần mở rộng thành việc thiết kế một kiến trúc ra quyết định:
Use case nào đủ giá trị để ưu tiên?
Cần bằng chứng gì trước khi đầu tư thêm?
Khi nào dữ liệu được xem là đủ sẵn sàng?
Khi nào nên tiếp tục thử nghiệm, thay đổi hướng hoặc dừng lại?
Ai có thẩm quyền quyết định tại từng giai đoạn?
Thành công được đo bằng chỉ số mô hình hay bằng tác động kinh doanh?
Điều kiện nào phải đạt trước khi mở rộng sang nhiều đơn vị?
Nếu thiếu những decision gate rõ ràng, dự án dễ tiếp tục chỉ vì đã tiêu tốn quá nhiều nguồn lực để dừng lại.
Một dự án AI trưởng thành không nhất thiết phải luôn đi đến production. Đó là dự án có khả năng tạo ra bằng chứng đủ sớm để doanh nghiệp biết khi nào nên tiếp tục và khi nào nên dừng.
Từ quản lý bàn giao sang quản lý giá trị
Điểm khác biệt lớn nhất không nằm ở công nghệ, mà nằm ở cách định nghĩa thành công.
Dự án phần mềm có thể được xem là hoàn thành khi hệ thống đáp ứng yêu cầu và được bàn giao đúng cam kết.
Dự án AI chỉ thực sự thành công khi giải pháp:
Được sử dụng trong quy trình thực tế.
Giúp tạo ra quyết định hoặc hành động tốt hơn.
Mang lại tác động đo lường được.
Có thể được giám sát và kiểm soát.
Có khả năng mở rộng một cách an toàn.
Vì vậy, quản lý dự án AI không chỉ là quản lý công nghệ. Đó là quản lý đồng thời:
Bài toán – dữ liệu – mô hình – con người – rủi ro – giá trị kinh doanh.
Trước khi phê duyệt khoản đầu tư AI tiếp theo, lãnh đạo có thể đặt một câu hỏi:
Doanh nghiệp đang tiếp tục đầu tư vì đã có đủ bằng chứng về giá trị, hay chỉ vì dự án đã đi quá xa để dừng lại?
Trong khuôn khổ sáng kiến IT Transformation in the AI Era, Hanoi Chapter tổ chức chương trình AI Project Management in Reality nhằm tạo không gian để các CIO, CTO, CDO, Head of IT, Project Manager và lãnh đạo doanh nghiệp cùng phân tích những khác biệt này từ góc nhìn triển khai thực tế.
Thời gian: 8h30 thứ 7 ngày 1 tháng 8 năm 2026
Địa điểm: Read Station, 155 Huỳnh Thúc Kháng, Hà Nội
Link đăng ký https://forms.gle/Yy5DttQdCYZ7GtoD9
Thay vì chỉ nghe thêm một câu chuyện thành công, thành viên có thể mang chính bài toán của doanh nghiệp mình đến để đối chiếu, trao đổi và cùng thảo luận cách lựa chọn use case, đánh giá dữ liệu, thiết lập decision gate, nghiệm thu mô hình và chứng minh giá trị kinh doanh.
Bởi mục tiêu cuối cùng của quản trị dự án AI không phải là đưa thêm một mô hình vào production.
Mục tiêu là biến AI thành một năng lực có thể kiểm soát, đo lường và nhân rộng trong doanh nghiệp.
Ms Thủy Đặng
Managing Director
CIO Vietnam