Dùng nhiều AI chưa chắc trưởng thành về AI
Điều dễ nhìn thấy nhất về AI thường là số công cụ, số agent và mức độ sử dụng. Điều khó nhìn hơn mới quyết định hệ thống có thật sự tạo ra giá trị hay không.
Có một kiểu chỉ số rất dễ gây cảm giác tiến bộ: chỉ số hoạt động.
Bao nhiêu người trong công ty đã dùng AI. Bao nhiêu token được tiêu thụ. Bao nhiêu agent đã được tạo. Bao nhiêu workflow đã chạy. Bao nhiêu khóa học đã hoàn thành. Bao nhiêu Project, prompt, bot hay automation đang tồn tại.
Những con số đó không vô nghĩa. Chúng cho biết một tổ chức hoặc một cá nhân đang thật sự chạm vào công nghệ thay vì chỉ nói về nó.
Nhưng có một bước nhảy mà tôi nghĩ cần đặc biệt cẩn thận: từ “dùng nhiều” sang “dùng tốt”, rồi từ “dùng tốt” sang “tạo ra giá trị”.
Ba bước ấy không phải một.
Một người có thể mở AI cả ngày nhưng vẫn phải sửa lại phần lớn đầu ra. Một đội có thể tạo rất nhiều agent nhưng không có cách kiểm tra khi agent sai. Một công ty có thể tăng mạnh số tài khoản AI mà chưa biết chi phí làm lại, lỗi, thời gian tiết kiệm thật hay tác động tới kết quả kinh doanh.
Vì vậy, gần đây tôi thấy một chuỗi phân biệt khá hữu ích:
Activity → Capability → Maturity → Value.
Không nên nhảy thẳng từ bước đầu sang bước cuối.
Activity: dùng nhiều là một tín hiệu, không phải kết luận
Activity là phần dễ nhìn nhất.
Số người dùng hàng tuần, số request, token, agent, workflow, use case, giờ đào tạo hay tỷ lệ nhân sự đã thử AI đều có thể đo tương đối dễ. Với một chương trình mới, những chỉ số này còn rất cần thiết: nếu chẳng ai dùng thì gần như chắc chắn chưa thể có năng lực ở quy mô tổ chức.
Microsoft AI Economy Institute cũng dùng một khái niệm gần như vậy khi đo “AI diffusion”: tỷ lệ người đã sử dụng sản phẩm AI tạo sinh trong một giai đoạn. Đây là một thước đo về mức độ lan tỏa của công nghệ, không phải tuyên bố rằng mọi người dùng đều đã tạo ra giá trị tương đương.
Tôi nghĩ cách phân biệt này rất quan trọng.
Activity là leading indicator. Nó cho biết hệ thống đang có chuyển động.
Nhưng một chiếc xe chạy nhiều kilomet chưa tự động chứng minh rằng nó đang đi đúng hướng.
Vấn đề bắt đầu khi chỉ số hoạt động trở thành huy chương. Khi “100% nhân sự dùng AI”, “x triệu token”, “50 agent”, “200 workflow” được trình bày như bằng chứng cuối cùng rằng tổ chức đã AI Native hoặc đã trưởng thành về AI.
Khi đó, một proxy thuận tiện có thể dần biến thành mục tiêu.
Và hành vi cũng sẽ tối ưu theo proxy ấy.
Capability: sau khi dùng, mình có làm được việc tốt hơn không?
Capability khó đo hơn Activity vì nó buộc mình hỏi về khả năng thực hiện công việc.
AI có giúp một người làm được việc trước đây họ chưa làm được không? Có rút ngắn thời gian mà vẫn giữ chất lượng không? Có giảm lỗi không? Có giúp phân tích sâu hơn, ra quyết định tốt hơn hoặc xử lý khối lượng lớn hơn không?
Ở cấp đội nhóm, capability còn nằm ở những thứ ít hào nhoáng hơn: dữ liệu có truy cập đúng không, định nghĩa có thống nhất không, prompt hay workflow có tái sử dụng được không, có evaluator không, có log không, có cơ chế human review không, và khi người xây hệ thống nghỉ thì hệ thống có tiếp tục chạy được không.
Đây là lý do tôi không nghĩ “biết dùng ChatGPT” và “có năng lực AI” là cùng một câu.
Biết dùng công cụ là một phần của năng lực. Nhưng năng lực còn bao gồm việc chọn đúng bài toán, cung cấp đúng context, đánh giá đầu ra, hiểu giới hạn và biết khi nào không nên giao việc cho AI.
Một hệ thống tri thức nội bộ mà tôi đang dùng để nghiên cứu enterprise AI cũng đi tới một kết luận tương tự: connect data hay có RAG chưa đủ để nói AI đã có context. Còn semantic context, procedural context và governance context — tức là doanh nghiệp định nghĩa sự việc thế nào, quy trình thực chạy ra sao, AI được quyền làm gì và lúc nào phải hỏi người.
Capability vì thế nằm sâu hơn giao diện chat rất nhiều.
Maturity: năng lực đó có trở thành hệ thống vận hành được không?
Một cá nhân giỏi có thể tạo ra kết quả rất tốt bằng AI. Nhưng nếu toàn bộ chất lượng phụ thuộc vào một người biết “mẹo”, tôi chưa chắc gọi đó là maturity.
Maturity xuất hiện khi năng lực bắt đầu có tính hệ thống.
Có tiêu chuẩn đầu vào. Có cách đánh giá đầu ra. Có quyền truy cập phù hợp. Có cách xử lý ngoại lệ. Có người chịu trách nhiệm. Có log để truy vết. Có cách cập nhật khi model hoặc quy trình thay đổi. Có vòng học hỏi để lỗi của hôm nay không lặp lại mãi vào tuần sau.
Đây cũng là khoảng cách giữa một demo rất đẹp và một hệ thống có thể sống trong production.
Các nghiên cứu doanh nghiệp gần đây của BCG cho thấy một khoảng cách tương tự giữa adoption và value. Trong nghiên cứu công bố đầu năm 2026 về AI trong chức năng công nghệ, BCG cho biết tỷ lệ doanh nghiệp đang scale hoặc triển khai đầy đủ AI ở ít nhất một trong mười nhóm hoạt động công nghệ đã tăng mạnh, nhưng chỉ một nhóm nhỏ doanh nghiệp trong mẫu nghiên cứu được xếp vào nhóm tạo ra giá trị đo lường được ở quy mô lớn.
Tôi không xem những tỷ lệ khảo sát đó là benchmark để áp vào mọi doanh nghiệp. Điều đáng chú ý hơn là cấu trúc của vấn đề: triển khai nhiều hơn và trưởng thành hơn là hai biến liên quan, nhưng không đồng nhất.
Maturity cần phần “hậu trường”: process, governance, economics, learning và con người.
Value: cuối cùng, thứ gì đã thật sự tốt lên?
Đây là lớp dễ bị bỏ qua nhất vì nó thường đến chậm hơn.
Nếu AI giúp tạo một báo cáo trong 10 phút thay vì một giờ, đó là tín hiệu tốt. Nhưng giá trị thực còn phụ thuộc vào câu hỏi: 50 phút tiết kiệm ấy được dùng vào đâu? Báo cáo có tốt hơn không? Quyết định có nhanh hơn không? Có giảm rework không? Có tạo thêm doanh thu, giảm chi phí, giảm rủi ro hay cải thiện trải nghiệm khách hàng không?
Đôi khi giá trị là tiền. Đôi khi là tốc độ. Đôi khi là chất lượng, khả năng mở rộng, giảm rủi ro hoặc giải phóng sự chú ý của con người cho việc quan trọng hơn.
Nhưng nếu không định nghĩa value, rất dễ lấy consumption thay cho productivity.
BCG trong một khảo sát công bố ngày 17/09/2026 cũng chỉ ra một chi tiết đáng suy nghĩ: các tổ chức có mức trưởng thành AI cao hơn không chỉ nhìn lượng sử dụng; họ có khả năng quan sát chi phí AI/token tốt hơn và tập trung AI vào nhóm use case có tác động cao. Điều này không chứng minh rằng “theo dõi token sẽ tạo ROI”. Nó chỉ củng cố một nguyên tắc quản trị khá cơ bản: biết mình đang tiêu tài nguyên vào đâu là điều kiện để đánh giá nó có đáng hay không.
Token vì thế giống nhiên liệu hơn là điểm thành tích.
Dùng nhiều nhiên liệu có thể vì chiếc xe đang tạo ra nhiều giá trị hơn. Cũng có thể vì động cơ đang kém hiệu quả.
Chỉ nhìn đồng hồ nhiên liệu thì chưa biết được.
Bệnh thành tích mới có thể mang tên AI
Tôi nghĩ đây mới là rủi ro đáng quan tâm.
Mỗi thời kỳ đều có những thứ dễ đo hơn giá trị thật. Số giờ làm việc dễ đo hơn chất lượng quyết định. Số cuộc họp dễ đếm hơn mức độ phối hợp. Số bài đăng dễ thấy hơn mức độ tin tưởng. Và trong AI, số agent, token, prompt hay tài khoản cũng dễ nhìn hơn năng lực và kết quả.
Khi tổ chức chịu áp lực phải chứng minh rằng mình “đang AI hóa”, những chỉ số nhìn thấy được rất dễ trở thành sân khấu phía trước.
Sân khấu có thể rất đẹp: nhiều công cụ, nhiều khóa học, nhiều agent, nhiều demo.
Nhưng maturity sống nhiều hơn ở hậu trường: dữ liệu có sạch không, quyền có đúng không, lỗi có được phát hiện không, con người có biết đánh giá không, chi phí có được hiểu không, bài học có được giữ lại không, và cuối cùng công việc có tốt hơn không.
Điều này không có nghĩa phải dừng đo Activity.
Ngược lại, tôi vẫn muốn đo nó. Chỉ là tôi sẽ đặt nó đúng vị trí trong chuỗi.
Activity cho biết mức độ sử dụng.
Capability cho biết khả năng thực hiện.
Maturity cho biết khả năng vận hành lặp lại và đáng tin.
Value cho biết vì sao tất cả những thứ đó đáng làm.
Nếu bốn lớp cùng đi lên, đó là tín hiệu rất tốt.
Nếu Activity tăng nhanh còn Capability, Maturity và Value đứng yên, có lẽ vấn đề không phải là cần thêm AI. Có thể mình cần quay lại xem hệ thống phía sau đang thiếu gì.
Một cách đọc số liệu AI mà tôi muốn giữ
Khi gặp một con số AI rất đẹp, thay vì phủ nhận nó hoặc tin ngay, tôi muốn hỏi thêm ba câu.
Nó đang đo Activity, Capability, Maturity hay Value?
Nếu đây chỉ là leading indicator, chỉ số downstream nào sẽ cho biết nó thật sự có ích?
Nếu con số này tăng gấp đôi, điều gì trong công việc hoặc business phải tốt lên để mình gọi đó là tiến bộ?
Ba câu hỏi này giúp tránh hai cực đoan.
Một cực là say mê AI đến mức mọi hoạt động đều được xem là thành tựu. Cực còn lại là đòi ROI ngay lập tức cho mọi thử nghiệm rồi bóp chết quá trình học.
Thử nghiệm cần Activity. Năng lực cần thời gian tích lũy. Maturity cần hệ thống. Value cần đủ khoảng thời gian và cách đo phù hợp để xuất hiện.
Vấn đề không phải chọn một trong bốn.
Vấn đề là đừng nhầm tầng.
Có lẽ cách trưởng thành nhất với AI không phải là chứng minh mình dùng nhiều đến đâu, mà là ngày càng hiểu rõ hơn: việc gì nên giao cho AI, việc gì cần giữ phán đoán của con người, hệ thống nào phải xây phía sau, và kết quả nào cuối cùng mới thật sự đáng tối ưu.
Ghi chú nguồn
Bài viết phát triển từ một ghi chú K1 gần đây về chuỗi Activity → Capability → Maturity → Value, sau đó đối chiếu với nghiên cứu công khai của Microsoft AI Economy Institute và BCG. Các số liệu khảo sát được dùng để cung cấp bối cảnh, không được xem là benchmark phổ quát hay bằng chứng nhân quả cho mọi tổ chức.