close Đăng nhập

AI tăng năng suất, doanh nghiệp vẫn "đau đầu" vì chi phí

AI giúp doanh nghiệp làm việc nhanh hơn, hiệu quả hơn, nhưng phía sau những lợi ích đó là áp lực chi phí ngày càng lớn. Bài toán không chỉ là ứng dụng AI, mà còn phải kiểm soát chi phí và chứng minh hiệu quả đầu tư.

00:00
0:00
00:00
Tốc độ phát 1x

Chỉ 16% tổ chức đo được hiệu quả đầu tư AI

Tại Diễn đàn AI360 diễn ra ngày 18/11, ông Nguyễn Việt Long, Phó tổng giám đốc EY Việt Nam, dẫn khảo sát Triển vọng CEO vừa công bố của EY, cho biết 99% CEO được khảo sát ghi nhận mức tăng năng suất đáng kể trong 12 tháng qua. Trong đó, 48% đang tái đầu tư phần lợi ích này vào tăng trưởng và đổi mới.

ey-long-viet-2007.jpg
Ông Nguyễn Việt Long, Phó tổng giám đốc EY Việt Nam. Ảnh: EY Việt Nam.

Dù vậy, khả năng đo lường hiệu quả đầu tư AI vẫn là điểm yếu của nhiều tổ chức. Chỉ 16% tổ chức theo dõi được chi phí sử dụng AI một cách toàn diện, theo thời gian thực và tự tin đo lường tỷ suất hoàn vốn (ROI).

Chi phí sử dụng AI cũng đang trở thành mối quan tâm lớn của lãnh đạo doanh nghiệp. Có tới 82% lãnh đạo lo ngại mức sử dụng token và chi phí đi kèm; 98% đã phải xem xét lại cách tiếp cận AI vì chi phí token. Tuy nhiên, mới 64% chủ động theo dõi token với ngân sách và giới hạn rõ ràng.

Những con số này cho thấy tăng năng suất mới chỉ là một vế của bài toán. Nếu không xác định được chi phí thực tế, hiệu quả trên từng đơn vị công việc và khả năng duy trì ứng dụng, doanh nghiệp khó đánh giá chính xác giá trị AI mang lại.

Theo ông Nguyễn Việt Long, lãnh đạo doanh nghiệp cần xác định giá trị AI thông qua 3-5 trường hợp ứng dụng gắn với tăng trưởng, biên lợi nhuận hoặc trải nghiệm khách hàng. Đồng thời, cần thiết lập cơ chế quản trị tài chính cho AI (FinOps), theo dõi mức tiêu thụ token, hiệu quả trên từng đơn vị, ngân sách và ngưỡng dừng.

Quản trị cũng cần được thiết kế ngay từ đầu, tích hợp các yêu cầu về dữ liệu, bảo mật, pháp lý và phê duyệt vào quy trình. Doanh nghiệp cần quản lý vòng đời phần mềm AI, xác định người chịu trách nhiệm sản phẩm, tiêu chuẩn kiểm thử và tiêu chí dừng; đồng thời điều chỉnh KPI, đào tạo nhân sự về cách làm việc cùng AI agent.

Chuẩn hóa tri thức trước khi triển khai

Khoảng cách giữa khả năng của công nghệ và hiệu quả thực tế được thể hiện qua câu chuyện triển khai trợ lý AI chăm sóc khách hàng AVA của MISA.

Ông Nguyễn Thanh Tùng, Viện trưởng Viện Đào tạo Công nghệ MISA, dẫn thực tế hệ thống cho thấy hiện xử lý khoảng 18.000 phiên hỗ trợ mỗi ngày. Tuy nhiên, khi bắt đầu thí điểm vào tháng 10/2025 với 5 sản phẩm, tỷ lệ giải quyết thành công chỉ đạt 23%.

Trở ngại không nằm ở mô hình AI mà ở tri thức nghiệp vụ chưa sẵn sàng và thiếu sự tham gia của những người am hiểu nghiệp vụ. Sau một năm chuẩn hóa tri thức, thiết kế lại hội thoại và đánh giá liên tục, đến tháng 10/2026, tỷ lệ giải quyết thành công đã tăng lên 67%, trong khi phạm vi ứng dụng mở rộng từ 5 lên 75 sản phẩm.

dsc03907-6786.jpg
Ông Nguyễn Thanh Tùng, Viện trưởng Viện Đào tạo Công nghệ MISA phát biểu tại AI360. Ảnh: Phượng Phùng.

Từ quá trình này, MISA rút ra bốn bài học: lựa chọn công việc tạo ra giá trị rõ ràng, chuẩn hóa tri thức trước khi triển khai, giao quyền cho AI từng bước và đo hiệu quả trước khi nhân rộng.

"Kết quả được đo bằng vấn đề khách hàng được giải quyết, không phải số lượt AI trả lời", ông Nguyễn Thanh Tùng nói.

Câu chuyện của MISA cho thấy đưa AI vào vận hành không đơn thuần là lựa chọn một mô hình có năng lực tốt. Hiệu quả phụ thuộc vào mức độ sẵn sàng của dữ liệu, tri thức nghiệp vụ, quy trình phối hợp giữa con người và công nghệ, cũng như khả năng đánh giá kết quả sau triển khai.

Bài toán hạ tầng và an toàn dữ liệu

Bên cạnh dữ liệu, chi phí hạ tầng cũng là yếu tố cần được tính toán khi doanh nghiệp đưa AI vào vận hành.

Theo đại diện FPT Smart Cloud, các doanh nghiệp hiện có 3 lựa chọn: tự mua và vận hành GPU với mức vốn đầu tư lớn, thời gian triển khai khoảng 6-12 tháng; thuê GPU; hoặc mua token theo mức sử dụng để đưa ứng dụng vào vận hành trong vài ngày.

Mỗi phương án có những yêu cầu khác nhau về vốn, thời gian, năng lực vận hành và khả năng kiểm soát dữ liệu. Do đó, quyết định đầu tư không chỉ nằm ở việc doanh nghiệp có thể xây dựng AI Factory hay không, mà còn ở khả năng kiểm soát dữ liệu và tổ chức vận hành hạ tầng.

Những vấn đề về dữ liệu, hạ tầng và an toàn cho thấy chi phí AI không chỉ là khoản tiền trả cho mô hình hoặc lượng token tiêu thụ. Doanh nghiệp còn phải tính đến chi phí chuẩn hóa dữ liệu, tích hợp hệ thống, bảo mật, đào tạo nhân lực và duy trì vận hành.

Chuyển đổi số

Doanh nghiệp tham gia một nửa số nhiệm vụ KHCN, góp 40% vốn

Doanh nghiệp tham gia một nửa số nhiệm vụ KHCN, góp 40% vốn

Đến năm 2030, tối thiểu 50% nhiệm vụ KHCN đặt hàng phải có doanh nghiệp chủ trì hoặc phối hợp, với vốn đối ứng ít nhất 40%. Mục tiêu này đánh dấu sự thay đổi về cách đầu tư nghiên cứu, gắn kết quả khoa học với nhu cầu thực tiễn, thương mại hóa.