Khi AI làm công việc nhanh hơn — nhưng tổ chức lại kém rõ ràng hơn

Trong bài nghiên cứu mới của McKinsey về mô hình vận hành trong kỷ nguyên AI, có một dòng mà tôi đọc đi đọc lại: những tổ chức đã dùng AI để tự động hoá các workflow hiện có báo cáo mức rõ ràng và kỹ năng thấp hơn cả những tổ chức mới chỉ dừng ở việc phát công cụ AI cho nhân viên.

Nói cách khác, đi từ “cho người dùng AI” sang “để AI chạy workflow” không nhất thiết làm tổ chức trưởng thành hơn về vận hành. Ở một vài khía cạnh, tổ chức có thể tệ đi trước khi tốt lên.

Tôi đã viết nhiều lần rằng giá trị của AI nằm ở mô hình vận hành chứ không nằm ở công nghệ. Bài này không lặp lại điều đó. Nó nói về một bước ở giữa hành trình mà nhiều doanh nghiệp đang đứng, và thường tưởng mình đang tiến: khi công việc chạy nhanh hơn, nhưng không ai còn chắc ai đang sở hữu cái gì.

Ba chân trời và con số nằm ở giữa

McKinsey chia các tổ chức thành ba “chân trời” theo mức độ AI đi vào công việc hằng ngày:

Enablement — nhân viên được cấp công cụ AI đa dụng để hỗ trợ việc đang làm.
Automation — doanh nghiệp dùng AI ở quy mô lớn để tự động hoá và cải thiện các workflow xuyên chức năng hiện có.
Reinvention — vai trò, workflow và mô hình vận hành được thiết kế lại quanh năng lực mới của AI.

Trong mẫu hơn 700 lãnh đạo được khảo sát, nhóm reinvention chỉ chiếm 13%. Nhưng ở nghiên cứu về mức sẵn sàng AI trước đó, 48% lãnh đạo nhóm này cho biết đã tạo ra giá trị doanh nghiệp có ý nghĩa, so với 24% ở nhóm automation và 13% ở nhóm enablement.

Đến đây thì câu chuyện vẫn quen: đi càng xa, thu càng nhiều. Điều bất ngờ nằm ở chỗ McKinsey đo hiệu quả của mô hình vận hành qua bốn kết quả — rõ ràng (nguồn lực và trách nhiệm bám vào chiến lược), tốc độ (workflow chạy ít ma sát), kỹ năng (lực lượng lao động sẵn sàng cho việc sắp tới) và cam kết (văn hoá hướng kết quả). Nhóm reinvention hơn ở cả bốn, hơn rõ nhất ở tốc độ và độ rõ ràng: tỷ lệ báo cáo tốc độ cao hơn nhóm enablement 20 điểm phần trăm và hơn nhóm automation 10 điểm.

Nhưng nhóm automation không phải phiên bản tốt hơn một chút của nhóm enablement. Ở hai kết quả là rõ ràng và kỹ năng, họ thấp hơn.

Đó mới là câu chuyện.

Vì sao tự động hoá có thể làm tổ chức kém rõ ràng hơn

McKinsey ghi nhận hiện tượng, nhưng không dừng lâu để giải thích. Tôi thử giải thích bằng một workflow mà bất kỳ ai làm vận hành cũng nhận ra.

Trước AI, một quy trình bán hàng trông như thế này:

Sales → Pricing → Finance duyệt → Hợp đồng → Vận hành.

Nó chậm. Nhưng ít nhất mọi người tương đối biết ai làm bước nào, khi nào bàn giao, ai duyệt, ai giữ thông tin, và mỗi vai trò cần kỹ năng gì. Sự rõ ràng ấy không được ai thiết kế; nó hình thành qua việc làm, qua những lần bàn giao lặp đi lặp lại.

Bây giờ đưa AI vào. Agent chuẩn bị bảng giá. AI đánh giá rủi ro. Agent soạn hợp đồng. Hệ thống tự định tuyến phê duyệt. AI theo dõi ngoại lệ.

Workflow nhanh hơn rất nhiều. Và cùng lúc, một loạt câu hỏi mới xuất hiện mà quy trình cũ chưa từng phải trả lời:

Ai sở hữu quyết định mà AI đề xuất?
Agent được quyền bỏ qua bước nào?
Khi hai agent không đồng ý, ai quyết?
Ai chịu trách nhiệm khi dữ liệu đầu vào sai?
Nhân viên cũ còn cần biết phần việc đã được tự động hoá đến mức nào?
Và phán đoán — thứ trước đây hình thành qua chính việc thực thi — giờ được hình thành ở đâu?

Tự động hoá loại bỏ một số công việc trước khi tổ chức kịp thiết kế lại những mối quan hệ mà các công việc đó từng giữ với nhau. Sự rõ ràng cũ nằm trong những bàn giao thủ công; lấy bàn giao đi mà chưa đặt gì vào chỗ đó, sự rõ ràng đi theo. Kỹ năng cũng vậy: người ta học phán đoán bằng cách làm, và phần “làm” vừa được chuyển cho máy.

Đó là cơ chế, theo tôi, khiến con số rõ ràng và kỹ năng tụt xuống ở giữa hành trình. Không phải vì AI kém. Vì tốc độ đến trước, còn thiết kế thì chưa.

Tốc độ quy trình không phải tốc độ quyết định

McKinsey dùng cụm “decision velocity” khi nói về lãnh đạo: các reinventor ưa mô hình lãnh đạo quyết đoán, giải quyết đánh đổi nhanh và đẩy quyền quyết định xuống gần nơi tạo giá trị. Tôi muốn kéo cụm từ đó ra khỏi mục lãnh đạo, vì nó giải thích cả phát hiện ở trên.

Có hai thứ tốc độ khác nhau mà AI hay bị gộp làm một.

Tốc độ quy trình là thứ AI giảm được ngay: thời gian xử lý, thời gian viết, thời gian phân tích, số lần bàn giao thủ công.

Tốc độ quyết định thì phụ thuộc vào những thứ AI không tự làm được: mục tiêu có rõ không, quyền quyết định có rõ không, bằng chứng có chung không, ai xử lý đánh đổi, trách nhiệm cuối cùng nằm ở đâu.

Một workflow có thể chạy cực nhanh tới đúng điểm mà không ai biết ai được quyền quyết định. Ở điểm đó, tốc độ quy trình đã hết tác dụng, và cái tổ chức thực sự đang thiếu là tốc độ quyết định — thứ không bao giờ được cải thiện bằng cách chạy nhanh hơn.

Khoảng cách tốc độ–độ rõ

Thay vì dùng cả 12 yếu tố mô hình vận hành của McKinsey làm khung, tôi gom vấn đề của bài này về hai biến: tốc độ và độ rõ ràng. Đặt chúng cạnh nhau thì ra bốn vùng.

Chậm và mơ hồ: quan liêu. Nhiều bàn giao, nhiều phê duyệt, quyền quyết định vẫn mờ. Tổ chức cũ điển hình.

Chậm nhưng rõ: kỷ luật mà nặng. Mọi người biết ai làm gì và chịu trách nhiệm gì, nhưng hệ thống vẫn nặng thủ công. AI giúp được rất nhiều ở đây, vì nền đã có sẵn.

Nhanh mà mơ hồ: bẫy tự động hoá. Đây là vùng thú vị nhất, và là vùng mà con số của McKinsey đang chỉ vào. Tác vụ chạy nhanh hơn, nhưng quyền sở hữu phân mảnh, ngoại lệ tăng, con người không biết mình còn chịu trách nhiệm đến đâu, yêu cầu kỹ năng đổi mà không ai gọi tên, và các mảnh tự động hoá cục bộ va vào nhau. AI đã tăng tốc hệ thống trước khi tổ chức xác định hệ thống nên chạy về hướng nào.

Nhanh và rõ: tái thiết kế. Tốc độ ở đây đến từ workflow đầu-cuối, quyền quyết định rõ, ít phụ thuộc chéo, dữ liệu và công nghệ dạng mô-đun, đội sở hữu kết quả, và cơ chế điều phối có thể tái phân bổ nguồn lực nhanh. Đây mới là thứ tốc độ tạo ra giá trị.

Điểm đáng chú ý của bảng này không phải bốn cái tên. Là đường đi. Phần lớn doanh nghiệp đi từ ô “chậm và mơ hồ” sang ô “nhanh mà mơ hồ”, vì đó là đường ngắn nhất: mua công cụ, cắm vào quy trình cũ, thấy nhanh hơn ngay. Đường sang “nhanh và rõ” dài hơn, vì phải đi qua việc trả lời những câu hỏi ở phần trên — và những câu hỏi đó không có gì để tự động hoá.

Không có mô hình vận hành “tốt nhất”

Phát hiện thứ hai của nghiên cứu là thứ tôi thích nhất, vì nó đi ngược với cách các báo cáo tư vấn thường kết thúc.

McKinsey xem mô hình vận hành là một hệ gồm 12 yếu tố — chương trình giá trị, cấu trúc, hệ sinh thái, điều phối, quy trình, công nghệ, lãnh đạo, nhân tài, phân bố, mục đích, hành vi và khen thưởng. Nhưng các reinventor không dùng chung một bản thiết kế. Có tổ chức theo enterprise agile; tổ chức khác vận hành tốt với ma trận hoặc mạng lưới phân quyền. Có nơi neo mục đích vào hiệu suất cạnh tranh; có nơi neo vào thành công của nhân viên. Chính các tác giả cũng nói rõ: một cấu trúc ma trận và một cấu trúc agile đều có thể hiệu quả, tuỳ bối cảnh và tuỳ những lựa chọn khác đi kèm.

Điểm phân biệt không phải họ chọn cùng một mô hình. Là họ đưa ra những lựa chọn có chủ đích và khiến các lựa chọn đó củng cố lẫn nhau.

Tôi muốn đẩy ý này xa hơn chỗ báo cáo dừng lại. Một mô hình vận hành tốt không phải tập hợp những “thực hành tốt nhất”. Nó là một hệ các lựa chọn nhất quán với nhau. Và cách nhanh nhất để thấy một mô hình đang không nhất quán là tìm những cặp lựa chọn mà từng cái đúng khi đứng riêng, nhưng mâu thuẫn khi đặt cạnh nhau:

Tổ chức đội đa chức năng — nhưng thưởng theo silo.
Nói về sở hữu kết quả — nhưng mọi quyết định vẫn phải leo thang.
Dùng mục tiêu theo quý — nhưng ngân sách vẫn khoá theo kế hoạch ba năm.
Tuyển theo kỹ năng — nhưng thăng tiến vẫn theo chức danh.
Cho agent tự chủ — nhưng trách nhiệm khi nó sai thì chưa có tên.

Từng thiết kế riêng lẻ nghe đều hiện đại. Cả hệ thống thì không chạy được với nhau. Và AI không tạo ra những mâu thuẫn này; nó chỉ làm chúng lộ ra nhanh hơn, vì mỗi mâu thuẫn giờ được chạm vào hàng trăm lần một ngày thay vì vài lần một quý.

Những lựa chọn của reinventor — và một câu đáng viết ra

Nghiên cứu soi bảy trong 12 yếu tố và thấy các reinventor nghiêng rõ về một phía ở mỗi yếu tố. Yếu tố mục đích tôi đã nhắc ở phần trên; sáu yếu tố còn lại tôi giữ làm bằng chứng, vì chúng gần như vẽ đúng con đường từ ô “nhanh mà mơ hồ” sang ô “nhanh và rõ”.

Từ hệ thống cấp bậc sang giá trị đầu-cuối. Họ tổ chức đội đa chức năng quanh sản phẩm, hành trình khách hàng hoặc quy trình kinh doanh, với trách nhiệm đầu-cuối thay vì tối ưu từng chức năng. Quyết định, năng lực và trách nhiệm nằm gần nơi tạo giá trị hơn.

Từ kế hoạch cố định sang điều phối thích ứng. Họ ít dựa vào kế hoạch cuốn chiếu ba đến năm năm, thiên về kết quả theo quý hoặc dự báo lại liên tục — để có thể mở rộng hoặc dừng một sáng kiến AI khi bằng chứng đổi.

Từ phối hợp phi chính thức sang quy trình chuẩn hoá. Đây là chỗ ngược trực giác. AI không làm tài liệu quy trình bớt quan trọng; nó làm việc đó quan trọng hơn. Khi agent tham gia workflow, tổ chức phải rõ quyết định nằm đâu, kết quả kỳ vọng là gì, và phán đoán của con người xuất hiện ở đâu.

Nếu chỉ giữ lại một câu từ bài này, tôi sẽ giữ câu này: AI không xoá nhu cầu chuẩn hoá. Nó biến những thứ trước đây có thể để ngầm thành những thứ phải được viết ra.

Từ đồng thuận sang tốc độ quyết định. Lãnh đạo quyết đoán là mô hình chủ đạo: đặt hướng rõ, giải quyết đánh đổi nhanh, chọn và đề bạt người dám quyết thay vì mặc định đi tìm đồng thuận, và đẩy quyền quyết định xuống để nhiều việc không cần leo thang.

Từ vai trò sang kỹ năng. Công việc ngày càng ít được định nghĩa bằng mô tả chức danh cố định và nhiều hơn bằng các tập kỹ năng có thể ghép lại và tái phân bổ.

Từ KPI cá nhân sang khen thưởng lai. Họ thưởng cả đóng góp cá nhân lẫn kết quả của đội. Điều này nối thẳng với một bài tôi viết trước đây, Vì sao chuyển đổi thất bại khi không ai làm sai: không thể yêu cầu tối ưu xuyên chức năng trong khi cơ chế thưởng vẫn đẩy người ta tối ưu cục bộ.

Đặt sáu lựa chọn này cạnh bảng bốn ô, có thể thấy một điều: không lựa chọn nào trong đó làm quy trình chạy nhanh hơn. Chúng đều làm tổ chức rõ hơn — về trách nhiệm, về quyền quyết định, về nơi con người phải có mặt. Tốc độ mà các reinventor báo cáo là hệ quả của sự rõ ràng đó, không phải điểm khởi đầu.

Công nghệ có thể tốt, năng lực vẫn yếu

Có một đoạn trong nghiên cứu mà tôi đọc như bằng chứng thực nghiệm cho một bài cũ của mình, Một tính năng AI không phải là một năng lực doanh nghiệp.

Các tác giả lấy ví dụ một agent chăm sóc khách hàng. Một lựa chọn thiết kế là mô hình ngôn ngữ bên dưới: mô hình tiên phong, mô hình chuyên biệt nhỏ hơn, hay mô hình mã nguồn mở. Lựa chọn nào cũng có thể hiệu quả nếu đáp ứng độ chính xác, độ tin cậy, tốc độ và chi phí mà tình huống đòi hỏi. Nhưng ngay cả một mô hình tốt cũng chưa chắc là nơi tạo ra khác biệt lớn nhất. Khác biệt thường nằm ở cách agent được gắn vào workflow, nối với dữ liệu của công ty, và được nhân viên thực sự dùng.

Họ cũng thấy công nghệ, quy trình và hệ sinh thái là ba thế mạnh nổi bật nhất của nhóm reinvention — và hai trong ba thế mạnh đó (công nghệ, hệ sinh thái) nhóm automation cũng có. Tức là nền công nghệ không phải thứ phân biệt hai nhóm. Thứ phân biệt là quy trình: nhóm reinvention thiết kế lại workflow đầu-cuối, còn nhóm automation chạy workflow cũ nhanh hơn.

Đó chính xác là khoảng cách giữa ô “nhanh mà mơ hồ” và ô “nhanh và rõ”.

Phép thử dành cho lãnh đạo

Câu hỏi “mô hình vận hành của chúng ta đã sẵn sàng cho AI chưa?” quá rộng để trả lời, và vì rộng nên ai cũng có thể trả lời “đang chuẩn bị”.

Tôi đề xuất hai câu hẹp hơn.

Câu thứ nhất: AI đang làm workflow nào chạy nhanh hơn khả năng của tổ chức trong việc làm rõ ai sở hữu và ai được quyết định trong workflow đó?

Câu này buộc người trả lời phải gọi tên một workflow cụ thể, và so hai tốc độ với nhau — tốc độ của máy và tốc độ của thiết kế tổ chức. Chỗ nào máy đang chạy trước, chỗ đó là bẫy tự động hoá đang mở.

Câu thứ hai: Trong mô hình vận hành hiện tại, có hai lựa chọn nào đang đúng khi đứng riêng nhưng mâu thuẫn khi đặt cạnh nhau?

Đội đa chức năng và KPI cá nhân. Quyết định phân quyền và phê duyệt tập trung. Kế hoạch động và ngân sách năm cố định. Agent tự chủ và trách nhiệm chưa rõ. Mỗi cặp là một chỗ mô hình vận hành đang “kẹt”, và AI sẽ tìm ra chỗ kẹt đó nhanh hơn bất kỳ cuộc rà soát nào.

Vòng vận hành, và điểm cuối quan trọng nhất

Nếu phải vẽ lại nghiên cứu này thành một vòng thay vì một danh sách, tôi sẽ vẽ như sau:

Xác định giá trị → Thiết kế lại công việc đầu-cuối → Làm rõ quyền quyết định → Căn chỉnh nhân tài và khen thưởng → Nhúng công nghệ → Đo tốc độ và độ rõ → Tái cấu hình.

Hai điểm trong vòng này đáng dừng lại.

Thứ nhất, công nghệ đứng ở bước năm, không phải bước một. Phần lớn doanh nghiệp bắt đầu từ bước năm rồi mới đi ngược lại, và đó chính là con đường dẫn vào ô “nhanh mà mơ hồ”.

Thứ hai, vòng kết thúc bằng tái cấu hình, không kết thúc bằng “hoàn thành”. Mô hình vận hành cho AI không phải một cuộc tái cấu trúc làm một lần. Nó phải tự điều chỉnh được khi agent mạnh hơn, khi chi phí đổi, khi workflow đổi, khi yêu cầu kỹ năng đổi, khi hành vi khách hàng đổi. Một mô hình không có bước tái cấu hình sẽ đúng vào ngày nó ra đời và sai dần mỗi quý sau đó.

Một mắt xích mới trong chuỗi

Các bài trước của tôi xếp thành một chuỗi mà tôi nghĩ nhiều người làm vận hành đang tự nghiệm ra theo cách đắt hơn:

Công cụ chưa phải năng lực.
Việc dùng chưa phải chuyển đổi.
Pilot thành công chưa chắc tạo ra mô hình vận hành đúng.
Tối ưu cục bộ chưa chắc tạo ra giá trị doanh nghiệp.

Nghiên cứu này thêm một mắt xích: tự động hoá chưa chắc là tiến bộ của tổ chức. Có một giai đoạn ở giữa hành trình mà mọi chỉ số tốc độ đều xanh, và độ rõ ràng thì đang tụt.

Tốc độ chỉ trở thành lợi thế khi tổ chức biết ai đang đi đâu, ai được quyền quyết định và kết quả nào thực sự quan trọng. Nếu không, AI chỉ giúp sự mơ hồ di chuyển nhanh hơn.

AI không tạo ra một mô hình vận hành tốt bằng cách làm mọi thứ nhanh hơn. Nó chỉ khiến chất lượng của mô hình vận hành hiện tại lộ ra nhanh hơn.

Nguồn: Brooke Weddle, Deepak Mahadevan, Richard Steele, Tom Welchman, Marie Bäckström Twallin và Laura Pineault, “The key to AI value is hiding in plain sight: Your operating model”, McKinsey Quarterly, 9/9/2026 — khảo sát hơn 700 lãnh đạo cấp cao; các con số về ba chân trời, bốn kết quả, 12 yếu tố, bảy lựa chọn thiết kế và ví dụ agent chăm sóc khách hàng lấy từ bài này (số 48/24/13% dẫn lại từ nghiên cứu về mức sẵn sàng AI trước đó của McKinsey). Cách giải thích vì sao tự động hoá làm giảm độ rõ ràng, khung tốc độ–độ rõ bốn ô, hai câu hỏi phép thử và vòng vận hành là của người viết.