Doanh nghiệp thất bại trong chuyển đổi AI: Cần thiết kế lại quy trình vận hành

Mặc dù nhiều doanh nghiệp trong nước đang nỗ lực chuyển đổi trí tuệ nhân tạo (AI), nhưng nhiều trong số đó chỉ dừng lại ở giai đoạn triển khai mà không đạt được kết quả thực tế. Hầu hết các trường hợp thất bại đều do chỉ đơn thuần áp dụng công cụ mà không tái thiết kế quy trình làm việc theo hướng trung tâm AI.
 
Theo Hiệp hội Công nghiệp AI và Phần mềm Hàn Quốc (KOSA), tỷ lệ ứng dụng AI trong ngành sản xuất trong nước chỉ đạt 17,9%. Nguyên nhân lớn nhất khiến doanh nghiệp không thể áp dụng AI là do "khó khăn trong việc xác định lĩnh vực và quy trình áp dụng AI" (41,6%).
 
Báo cáo gần đây của Hội đồng Thúc đẩy AI Siêu lớn đã phân tích bốn nguyên nhân chính dẫn đến thất bại trong chuyển đổi AI. Đó là: △Không rõ trách nhiệm (R&R) △Thiếu giám sát vận hành △Không phản ứng với sự biến động dữ liệu tại hiện trường △Thiếu quản trị dẫn đến việc cản trở việc áp dụng.
 
Mặc dù không có vấn đề trong việc xác minh khái niệm (PoC), nhưng trong giai đoạn vận hành thực tế, sự không rõ ràng về trách nhiệm khiến doanh nghiệp không thể đạt được sự tin tưởng từ hiện trường, dẫn đến việc dự án bị bỏ dở. Báo cáo nhấn mạnh rằng "PoC chỉ là một bức tranh tĩnh, trong khi thực nghiệm là bốn mùa", có nghĩa là thành công trong một thời điểm không đảm bảo cho việc vận hành thực tế khi mùa, thiết bị và môi trường thay đổi.
 
Ngoài ra, các yếu tố thất bại đặc trưng trong môi trường doanh nghiệp Hàn Quốc cũng được chỉ ra. Trong một trường hợp của công ty A trong lĩnh vực kiến thức và văn phòng, kỹ sư cho biết: "Tại hiện trường, không phải AI không thể viết, mà khi dữ liệu vào dưới dạng HWP, một nửa dự án không còn là tạo ra mà là xử lý đầu vào". Điều này cảnh báo rằng nếu không thiết kế đường ống phân tích ngay từ đầu để nhận diện HWP không phải là định dạng tiếng Hàn, chi phí vận hành sẽ tiếp tục gia tăng. Thực tế cho thấy, rào cản đầu tiên trong việc áp dụng AI tại Hàn Quốc không phải là mô hình mà là định dạng đầu vào, khi mà hầu hết tài liệu của các cơ quan công là ở định dạng HWP.
 
Tương tự, trong lĩnh vực thương mại và logistics cũng quan sát thấy mô hình tương tự. Trong một dự án chung giữa Rablup và Team Reboot, kỹ sư đã ghi chú rằng "Đừng tin rằng PDF sẽ chỉ là văn bản đơn giản". Tự động hóa tài liệu phi cấu trúc cần phải được thiết kế đồng thời ba bước: cấu trúc, xác minh và gợi ý, nếu trường dữ liệu bị xáo trộn thì độ tin cậy của gợi ý sau đó sẽ hoàn toàn sụp đổ.
 
Ngược lại, những doanh nghiệp đã tái thiết kế quy trình làm việc đã đạt được kết quả rõ rệt. Công ty B sau khi áp dụng AI đã giảm tối đa 73% số lượng nhân lực toàn thời gian (FTE) và nâng cao chỉ số năng suất AI nội bộ lên 35%. Rablup và Team Reboot đã rút ngắn thời gian làm việc với tài liệu trung bình hơn 60% và đạt độ chính xác 99,2% trong giai đoạn xác minh cuối cùng bao gồm cả vòng kiểm tra của con người.
 
Trong các trường hợp tối ưu hóa hạ tầng AI, chi phí học tập GPU đã giảm khoảng 80% so với AWS On-Demand và năng suất phát triển đã tăng gấp ba lần, trong khi tỷ lệ sử dụng GPU đã tăng từ 20% lên hơn 85%.
 
Phân tích cho thấy tiêu chí thành công của AX không nằm ở độ chính xác của mô hình mà ở độ hoàn thiện của thiết kế vận hành sau khi triển khai. Các yếu tố như hệ thống giám sát, quy trình phản ứng sự cố, đào tạo người dùng và tiêu chuẩn hóa R&R đều dẫn đến kết quả kinh doanh thực tế. Các mẫu thiết kế mà các doanh nghiệp thành công áp dụng có thể được tóm tắt thành năm điểm: △Phân tách công việc và ủy quyền cho đại lý △Tài sản hóa dữ liệu phi cấu trúc △Phân tích biên thời gian thực △Tối ưu hóa △Nội tại hóa bảo mật và quản trị.
 
Hội đồng Thúc đẩy AI Siêu lớn đã kết luận rằng việc thiết kế vận hành, hệ thống trách nhiệm và xây dựng quản trị sau khi áp dụng AI là những yếu tố quyết định thành công thực sự của AX.



* Bài viết này được dịch tự động bằng AI.

• #quản trị
• #thiết kế vận hành
• #chuyển đổi AI