Nhân viên đã sẵn sàng cho AI — nhưng doanh nghiệp thì chưa

Có một nghịch lý đang diễn ra ở rất nhiều doanh nghiệp mà tôi quan sát: nhân viên đã dùng AI hằng ngày, nhưng tổ chức thì gần như chưa thay đổi.

Một chuyên viên marketing dùng AI để viết nháp và lên ý tưởng. Một lập trình viên dùng AI để sinh code và tìm lỗi. Một nhân viên chăm sóc khách hàng dùng AI để tra cứu và soạn phản hồi. Ở cấp độ cá nhân, cách làm việc đã đổi thật — nhanh hơn, khác trước.

Nhưng khi lùi lại nhìn toàn tổ chức, tác động lại không tương xứng. Quy trình vẫn thế. Cách đo lường vẫn thế. Cơ cấu ra quyết định vẫn thế. Năng suất của từng người tăng lên, nhưng năng lực của cả doanh nghiệp gần như đứng yên.

Nghiên cứu gần đây của McKinsey (From adoption to impact: Three horizons of AI transformation) mô tả đúng khoảng trống này: phần lớn doanh nghiệp đã vượt qua giai đoạn “nhân viên bắt đầu dùng AI”, nhưng rất ít tổ chức chuyển được sự thành thạo cá nhân đó thành tác động ở cấp độ hệ thống.

Theo tôi, điều này cho thấy khoảng cách của chuyển đổi AI đã dịch chuyển:

Khoảng cách lớn nhất của chuyển đổi AI không còn nằm giữa con người và công nghệ. Nó nằm giữa năng lực thích nghi của cá nhân và khả năng tự thay đổi của tổ chức.

Con người thích nghi nhanh. Tổ chức thì không.

Bên trái là cá nhân đã thích nghi — một cụm điểm sáng dùng AI hằng ngày, học nhanh, đổi cách làm; bên phải là tổ chức chưa đổi — một sơ đồ cứng của workflow cũ, KPI cũ và quyền quyết định cũ. Đường nứt ở giữa chính là khoảng cách AI thật của giai đoạn này

Adoption không phải là transformation

Sai lầm phổ biến nhất là xem việc nhân viên dùng AI nhiều như bằng chứng của chuyển đổi. Hai điều đó không giống nhau.

AI adoption là khi con người bắt đầu dùng công cụ AI trong công việc hằng ngày. Nó xảy ra ở cấp độ cá nhân, đo bằng số người dùng, số lần dùng, số giờ tiết kiệm. Adoption tương đối dễ — chỉ cần cấp quyền, đào tạo cơ bản, và con người tự tìm cách dùng.

AI transformation là khi cách toàn bộ tổ chức tạo ra giá trị thay đổi. Nó xảy ra ở cấp độ hệ thống: workflow được thiết kế lại, vai trò được định nghĩa lại, cách đo lường thay đổi, quyền quyết định được phân bổ lại. Transformation khó hơn nhiều — vì nó đụng tới cấu trúc, chứ không chỉ công cụ.

Một doanh nghiệp có thể có tỉ lệ adoption rất cao mà vẫn chưa transform chút nào. Mọi người đều dùng AI, nhưng dùng để làm nhanh hơn những việc cũ, trong những quy trình cũ, được đo bằng những chỉ số cũ. AI khi đó chỉ là một lớp tăng tốc mỏng phủ lên một hệ thống không đổi.

Đây không phải lần đầu một công nghệ vượt trội bị kìm lại bởi tổ chức cũ. McKinsey nhắc lại một tiền lệ đáng suy ngẫm: khi điện khí hoá đến, nhiều nhà máy thay động cơ hơi nước bằng động cơ điện nhưng giữ nguyên bố trí xưởng, dây chuyền và cách tổ chức công việc — và năng suất gần như không nhúc nhích. Giá trị thật chỉ đến khi doanh nghiệp thiết kế lại cả nhà máy quanh điện: sắp xếp lại dây chuyền, vị trí máy móc và chính cách vận hành. AI hôm nay đang ở đúng điểm uốn đó — và phần lớn doanh nghiệp vẫn đang “thay động cơ” chứ chưa “thiết kế lại nhà máy”.

Đây chính là trục tôi đã viết ở bài AI-native: một doanh nghiệp không trở thành AI-native bằng cách mua thêm công cụ, mà bằng cách thiết kế lại cách vận hành. Adoption là mua công cụ. Transformation là đổi cách vận hành. Rất nhiều tổ chức đang dừng ở vế đầu và tưởng mình đã làm được vế sau.

Ba khoảng cách: Tool, Workflow, Organization

Để thấy tổ chức đang mắc kẹt ở đâu, tôi thấy hữu ích khi tách chuyển đổi AI thành ba khoảng cách phải lần lượt vượt qua.

Ba khoảng cách của chuyển đổi AI xếp sâu dần: Tool gap (nông, đã đóng — ai cũng có công cụ), Workflow gap (giữa, còn hở — công việc chưa được thiết kế lại quanh AI), Organization gap (sâu nhất — KPI, vai trò và quyền quyết định vẫn của thời trước AI)

Tool gap — khoảng cách công cụ. Đây là câu hỏi: nhân viên có tiếp cận được công cụ AI không? Với phần lớn doanh nghiệp, khoảng cách này gần như đã đóng. Công cụ có sẵn, rẻ, dễ dùng. Đây là phần dễ nhất, và cũng là phần duy nhất mà nhiều tổ chức thực sự đã làm xong.

Workflow gap — khoảng cách quy trình. Câu hỏi ở đây khó hơn: công việc có được thiết kế lại quanh AI không, hay AI chỉ được nhét vào một quy trình vốn dựng cho con người làm thủ công? Đây là nơi phần lớn giá trị bị bỏ lại. Khi AI làm một bước nhanh gấp mười, nhưng bước đó vẫn nằm trong một chuỗi mười hai bước được thiết kế cho tốc độ cũ, thì lợi ích thật gần như bốc hơi vào những khâu chờ đợi và bàn giao xung quanh.

Organization gap — khoảng cách tổ chức. Đây là khoảng cách rộng nhất và ít ai chạm tới: cơ cấu đo lường, vai trò, và quyền quyết định của tổ chức có thay đổi theo không? Một quy trình được thiết kế lại quanh AI sẽ va chạm ngay với KPI cũ, sơ đồ tổ chức cũ và cách phê duyệt cũ. Nếu ba thứ đó không đổi, quy trình mới sẽ bị hệ thống cũ kéo về trạng thái ban đầu.

Điều đáng chú ý là ba khoảng cách này lồng vào nhau, không thay thế nhau. Đóng được tool gap không giúp gì cho workflow gap. Thiết kế lại workflow mà không đụng tới organization gap thì workflow mới không sống được. Càng đi sâu, khoảng cách càng khó — và càng ít tổ chức dám bước vào.

Vì sao doanh nghiệp mắc kẹt

Nếu tool gap đã đóng, tại sao phần lớn tổ chức vẫn dừng lại? Theo tôi, vì họ giữ nguyên ba thứ khó thay đổi nhất: workflow cũ, KPI cũ, và decision rights cũ.

Workflow cũ. Quy trình hiện tại được đúc kết qua nhiều năm, có người sở hữu, có thói quen, có hệ thống bao quanh. Thiết kế lại nó là công việc khó, đụng chạm và rủi ro. Nên thay vì hỏi “nếu có AI, việc này lẽ ra nên làm theo cách nào”, đa số chọn con đường an toàn: giữ nguyên quy trình và gắn AI vào một vài bước. Kết quả là AI tăng tốc cục bộ nhưng không đổi được toàn cục.

KPI cũ. Con người làm theo cách họ được đo. Nếu một nhân viên vẫn được đánh giá bằng số lượng đầu ra theo lối cũ, họ sẽ dùng AI để tạo nhiều đầu ra cũ hơn — chứ không phải để làm những việc mới có giá trị hơn. Chỉ số không đổi thì hành vi không đổi, dù công cụ đã đổi. Đây là lý do nhiều chương trình AI tạo ra “năng suất trên giấy” mà không tạo ra giá trị thật.

Decision rights cũ. Đây là điểm ít được nói tới nhất nhưng thường là nút thắt lớn nhất. Khi AI có thể giúp một người ra quyết định nhanh hơn, câu hỏi không còn là kỹ thuật, mà là quyền: ai được phép quyết, tới mức nào, và ai chịu trách nhiệm. Nếu quyền quyết định vẫn bị khóa ở những tầng phê duyệt của thời trước AI, thì năng lực mới của cá nhân sẽ bị nghẽn lại ở đúng chỗ cũ.

Ba thứ này — workflow, KPI, decision rights — chính là “phần cứng” của tổ chức. Công cụ là phần dễ thay. Phần cứng mới là phần quyết định liệu năng lực mới của con người có được chuyển thành giá trị của doanh nghiệp hay không.

Niềm tin là một điều kiện vận hành, không phải một hoạt động truyền thông

Nhiều doanh nghiệp coi niềm tin vào AI là việc của truyền thông nội bộ: gửi email, tổ chức hội thảo, kể vài câu chuyện thành công. Nhưng niềm tin không được tạo ra bằng cách nói với nhân viên rằng “AI đáng tin”.

Niềm tin là một điều kiện vận hành. Nó quyết định một câu hỏi rất cụ thể: tổ chức có dám để AI và con người phối hợp ở những khâu thật sự quan trọng không, hay chỉ dám dùng AI ở những việc ngoài rìa?

Niềm tin đó không đến từ lời nói. Nó đến từ thiết kế:

Người dùng có kiểm tra được AI đã dựa vào đâu để đưa ra kết quả không?
Có đường escalation rõ ràng khi hệ thống không chắc chắn không?
Trách nhiệm được chuyển từ AI sang con người ở điểm nào?
Sai sót được ghi nhận và sửa ra sao?

Khi những thứ này được thiết kế vào quy trình, niềm tin trở thành thứ có thể vận hành — và tổ chức mới dám giao cho AI những việc đủ quan trọng để tạo ra tác động thật. Đây cũng là lý do niềm tin thuộc về organization gap: nó không phải cảm xúc, mà là một phần của cách tổ chức được thiết kế.

Cỗ máy của chuyển đổi: một operating loop

Nếu adoption là điểm bắt đầu chứ không phải đích đến, thì cái gì biến adoption thành transformation? Theo tôi, đó là một vòng lặp vận hành mà tổ chức phải chủ động chạy:

Adoption → Workflow Redesign → Role Change → New Behavior → Measured Value → Organizational Learning → Further Redesign

Vòng xoắn ốc đi lên của chuyển đổi AI: Adoption → Workflow Redesign → Role Change → New Behavior → Measured Value → Organizational Learning → Further Redesign — mỗi vòng khép lại ở một tầng cao hơn khi bài học tổ chức nuôi lại lần thiết kế tiếp theo

Adoption — Con người bắt đầu dùng AI. Đây là nguyên liệu, không phải thành phẩm.
Workflow Redesign — Thiết kế lại công việc quanh sự hiện diện của AI, thay vì gắn AI vào quy trình cũ.
Role Change — Khi workflow đổi, vai trò con người cũng phải đổi: từ người thực hiện thao tác sang người phán đoán, kiểm tra và điều hướng.
New Behavior — Vai trò mới tạo ra hành vi làm việc mới — nhưng chỉ khi KPI và quyền quyết định cho phép hành vi đó tồn tại.
Measured Value — Đo tác động thật ở cấp độ hệ thống, không phải số giờ tiết kiệm của cá nhân.
Organizational Learning — Rút ra bài học ở cấp tổ chức và ghi lại, để nó không nằm trong đầu một vài người.
Further Redesign — Bài học đó quay lại nuôi lần thiết kế tiếp theo, và vòng lặp chạy tiếp.

Điểm quan trọng nằm ở chỗ khép vòng: Organizational Learning không phải điểm kết, mà quay lại làm giàu cho lần Redesign sau. Đây chính là tốc độ học của tổ chức mà tôi đã viết ở bài về lợi thế cạnh tranh — thứ quyết định không phải công cụ, mà là số vòng tổ chức dám chạy.

Adoption chạy ở cấp cá nhân. Vòng lặp này chạy ở cấp tổ chức. Doanh nghiệp mắc kẹt là doanh nghiệp dừng lại ngay sau bước đầu tiên.

Khi cá nhân đã đổi mà tổ chức chưa đổi

Có một hiểu lầm rằng AI sẽ tự động làm mọi thứ trơn tru hơn. Trên thực tế, khi năng lực cá nhân vượt xa khả năng thay đổi của hệ thống, điều ngược lại xảy ra.

Một nhân viên đã biết cách làm việc mới, nhanh hơn và tốt hơn, nhưng bị buộc quay lại một quy trình phê duyệt cũ, một chỉ số đánh giá cũ, một cấu trúc quyết định cũ. Khoảng cách giữa những gì họ có thể làm và những gì tổ chức cho phép làm ngày càng rộng.

Khi nhân viên đã thay đổi nhưng tổ chức chưa thay đổi, AI không loại bỏ ma sát. Nó làm ma sát giữa năng lực mới và hệ thống cũ trở nên rõ ràng hơn.

Đây là lý do nhiều doanh nghiệp triển khai AI rầm rộ nhưng lại thấy nhân viên mệt mỏi hơn, chứ không nhẹ nhõm hơn. Không phải vì AI thất bại, mà vì tổ chức để một năng lực mới chạy trong một cái khung cũ. Và khung đó, dưới áp lực của năng lực mới, bắt đầu kêu cót két ở mọi khớp nối.

Kết

Câu hỏi của giai đoạn tới không còn là “nhân viên đã dùng AI chưa”. Phần lớn đã dùng. Câu hỏi thật là: tổ chức có dám thay đổi chính mình đủ nhanh để theo kịp con người của mình không?

Điều đó đòi hỏi lãnh đạo nhìn AI không phải như một dự án công nghệ, mà như một bài toán về operating model — về workflow, về cách đo lường, về quyền quyết định, và về việc tổ chức học nhanh đến đâu. Đó là công việc khó hơn nhiều so với mua công cụ, và cũng là công việc duy nhất tạo ra khác biệt thật.

Bởi vì suy cho cùng, có một ranh giới đơn giản phân tách những doanh nghiệp chỉ dùng AI với những doanh nghiệp thật sự được AI thay đổi:

AI adoption thay đổi cách một cá nhân làm việc. AI transformation thay đổi cách toàn bộ tổ chức tạo ra giá trị.

Bài viết được gợi mở từ “From adoption to impact: Three horizons of AI transformation” (McKinsey & Company, 2026). Các khung “ba khoảng cách” (tool / workflow / organization) và operating loop trong bài là cách diễn giải và quan điểm của tác giả.