Những sai lầm khiến dự án AI ở doanh nghiệp vừa và nhỏ thất bại

Vì sao nhiều dự án AI không đạt kỳ vọng?

Những con số từ các nghiên cứu quốc tế cho thấy không ít dự án AI gặp khó khăn khi đưa vào thực tế. Năm 2024, RAND Corporation phỏng vấn 65 chuyên gia dữ liệu và kỹ sư giàu kinh nghiệm. Theo các ước tính mà RAND dẫn lại, hơn 80% dự án AI thất bại — cao gấp hai lần tỷ lệ của các dự án công nghệ thông tin thông thường (RAND).

Tình hình còn đáng chú ý hơn trong năm 2025. Khảo sát của S&P Global Market Intelligence trên hơn 1.000 doanh nghiệp ở Bắc Mỹ và châu Âu cho thấy 42% doanh nghiệp đã dừng phần lớn dự án AI, tăng từ 17% trong năm 2024. Trung bình, các doanh nghiệp này dừng 46% dự án thử nghiệm trước khi đưa vào vận hành (CIO Dive).

Tại Việt Nam, phần lớn doanh nghiệp cũng chưa vượt qua giai đoạn thử nghiệm. Khảo sát 1.000 lãnh đạo doanh nghiệp do Strand Partners thực hiện cho AWS năm 2026 cho thấy 61% doanh nghiệp đang sử dụng AI vẫn ở giai đoạn thử nghiệm; chỉ 23% có chiến lược AI trên toàn doanh nghiệp. Đáng chú ý, chỉ 13% thường xuyên đo lường hiệu quả, trong khi 46% chưa có phương pháp đáng tin cậy để đánh giá tác động của AI (VietNamNet).

BCG khảo sát 1.000 lãnh đạo tại 59 quốc gia và chỉ ra rằng khoảng 70% khó khăn trong triển khai AI liên quan đến con người và quy trình, 20% đến từ công nghệ và dữ liệu, còn 10% từ chính thuật toán (BCG).

Một dự án AI có thể chạy tốt về mặt kỹ thuật nhưng vẫn thất bại khi đưa vào doanh nghiệp: sai bài toán, dữ liệu chưa sẵn sàng, thiếu đo lường hoặc nhân viên không tham gia.

Doanh nghiệp vừa và nhỏ không có ngân sách lớn để thử sai nhiều lần, nhưng lại có lợi thế: ít tầng phê duyệt, chủ doanh nghiệp có thể quyết định nhanh và dễ quan sát toàn bộ quy trình trong một ngày. Muốn tận dụng lợi thế đó, doanh nghiệp cần tránh bảy sai lầm dưới đây.

Chọn công cụ AI trước khi xác định vấn đề cần giải quyết

RAND xem việc hiểu sai bài toán, hoặc không truyền đạt rõ vấn đề cho nhóm phát triển, là một trong những nguyên nhân thất bại hàng đầu. Nhiều dự án còn bắt đầu chỉ vì doanh nghiệp muốn thử một công nghệ AI đang được quan tâm, thay vì xuất phát từ nhu cầu thực tế.

Ở doanh nghiệp nhỏ và vừa, đề xuất đôi khi bắt đầu bằng những câu rất quen: “Công ty cần một chatbot”, “Mình muốn làm AI agent” hay “Đối thủ đã đưa ChatGPT lên website rồi”. Nhưng sau đó lại chưa ai trả lời: công việc nào đang gây mất thời gian, phát sinh chi phí hoặc làm doanh nghiệp bỏ lỡ khách hàng?

Ví dụ điển hình. Một doanh nghiệp du lịch đưa chatbot lên website. Chatbot trả lời khá tốt, nhưng khách hàng chủ yếu liên hệ qua Zalo. Điểm nghẽn thực sự là các yêu cầu báo giá gửi vào cuối tuần phải chờ đến thứ Hai mới được phản hồi; một số khách đã chuyển sang đơn vị khác. Chatbot trên website không giải quyết được vấn đề này.

Cách tránh: Hãy diễn đạt vấn đề mà chưa cần nhắc đến từ “AI”: “Chúng tôi bỏ lỡ yêu cầu báo giá vào cuối tuần”, hoặc “Kế toán mất ba ngày mỗi tháng để nhập hóa đơn”. Tiếp theo, lượng hóa vấn đề bằng số giờ, số lỗi hoặc chi phí. Khi muốn thương hiệu được ChatGPT hay Gemini nhắc đến, đó là bài toán hiện diện trong câu trả lời AI (GEO), không phải tự động hóa quy trình.

Trong nhiều trường hợp, giải pháp phù hợp chưa chắc cần đến AI. Một biểu mẫu dễ điền hơn, một danh sách khách hàng thống nhất hoặc một website rõ ràng hơn đôi khi đã giải quyết được vấn đề. Xem thêm bài Tự động hóa doanh nghiệp vừa và nhỏ: bắt đầu từ đâu? để xác định việc nên ưu tiên.

Cho rằng dữ liệu của doanh nghiệp đã sẵn sàng cho AI

AI không thể cho ra kết quả đáng tin cậy nếu dữ liệu đầu vào không phù hợp. Khảo sát của Gartner năm 2025 cho thấy 63% tổ chức chưa có, hoặc không chắc mình có, phương pháp quản trị dữ liệu đủ tốt cho AI. Gartner dự báo đến cuối năm 2026, 60% dự án AI thiếu dữ liệu sẵn sàng sẽ bị bỏ dở (Gartner). Một kỹ sư được RAND phỏng vấn nhận xét rằng việc chuẩn bị dữ liệu chiếm đến 80% công sức làm AI, dù đây là phần việc ít được chú ý.

Ở nhiều doanh nghiệp nhỏ và vừa tại Việt Nam, dữ liệu thực ra không thiếu, nhưng nằm ở nhiều nơi: đơn hàng trong Zalo, bảng giá trên Excel, giao dịch thanh toán trong ứng dụng ngân hàng, doanh thu ở phần mềm bán hàng, còn một phần lịch sử khách hàng chỉ những nhân viên lâu năm mới nắm rõ.

Dự án thực tế. Tại nhà hàng Baieta ở TP. Hồ Chí Minh, để xác định giá vốn và biên lợi nhuận theo từng món ăn, Silkwires trước hết phải tập hợp và đối chiếu dữ liệu từ hóa đơn nhà cung cấp, giao dịch ngân hàng và hệ thống bán hàng. Đây là bước nền tảng trước khi tính toán các chỉ số kinh doanh.

Cách tránh: Trước khi lựa chọn mô hình AI, hãy lập danh sách các nguồn dữ liệu: thông tin nằm ở đâu, có định dạng gì, ai cập nhật và độ tin cậy đến mức nào. Nên bắt đầu với dữ liệu đã được số hóa. Hóa đơn điện tử dạng XML là nguồn dữ liệu có thể xử lý bằng máy tại Việt Nam; tham khảo bài tự động hóa hóa đơn điện tử.

Triển khai quá rộng hoặc mắc kẹt mãi ở giai đoạn thử nghiệm

Có hai cách làm dễ khiến dự án AI đi vào ngõ cụt. Một là cố thay đổi mọi thứ cùng lúc: triển khai 12 tháng, liên quan 5 phòng ban và phải giải ngân một khoản lớn ngay từ đầu. Hai là làm một bản thử nghiệm rất ấn tượng, nhưng không chuẩn bị việc kết nối với những công cụ và quy trình nhân viên đang sử dụng hằng ngày. Kết quả là giải pháp khó đi vào vận hành thực tế.

Nghiên cứu năm 2025 của MIT về AI tạo sinh trong doanh nghiệp từng gây chú ý khi cho rằng 95% tổ chức trong mẫu khảo sát chưa ghi nhận lợi ích đo lường được trên kết quả kinh doanh sau sáu tháng (Virtualization Review). Con số này vẫn còn được tranh luận, nhưng báo cáo đưa ra hai nhận định đáng lưu ý: khoảng một nửa ngân sách AI được dành cho bán hàng và marketing, trong khi tự động hóa hành chính và kế toán có thể mang lại hiệu quả cao hơn; và các dự án triển khai cùng đối tác chuyên môn thành công nhiều gấp khoảng hai lần so với dự án doanh nghiệp tự phát triển (The Stack).

Cách tránh: Chia dự án thành những đợt ngắn, mỗi đợt tập trung 1–3 giải pháp trong 4–8 tuần. Kết nối ngay với những phần mềm doanh nghiệp đang dùng và chạy song song với cách làm cũ để đối chiếu. Chỉ mở rộng khi đã chứng minh được hiệu quả — cũng là nguyên tắc trong phương pháp triển khai 5 bước của Silkwires.

Không đo hiện trạng trước khi triển khai

Không có số liệu ban đầu, doanh nghiệp sẽ rất khó chứng minh AI giúp cải thiện điều gì. Nhận xét “hình như làm nhanh hơn” không đủ để quyết định tiếp tục đầu tư, nhất là khi ngân sách bị thắt chặt. Khảo sát của AWS tại Việt Nam nêu ở trên cho thấy chỉ 13% doanh nghiệp thường xuyên đo lường hiệu quả triển khai AI.

Đo lường còn giúp doanh nghiệp nhận ra khi nào nên dừng. McDonald’s và IBM đã thử nghiệm nhận đơn bằng giọng nói sử dụng AI trong khoảng hai năm rưỡi, tại khoảng 100 nhà hàng ở Mỹ. Họ đặt mục tiêu chỉ mở rộng nếu độ chính xác của đơn hàng đạt trên 95%. Tuy nhiên, một nghiên cứu công bố năm 2022 ghi nhận độ chính xác chỉ khoảng 80%. McDonald’s kết thúc thử nghiệm năm 2024 (Nation’s Restaurant News). Có ngưỡng đánh giá cụ thể giúp việc dừng một giải pháp không đạt yêu cầu trở thành quyết định có cơ sở.

Cách tránh: Trước khi bắt đầu, hãy ghi lại 3–5 chỉ số phù hợp với bài toán: số giờ xử lý mỗi tuần, số lỗi, thời gian phản hồi, công nợ chưa thu hoặc yêu cầu bị bỏ sót. Xác định ngưỡng cần đạt để được triển khai tiếp. Cuối mỗi đợt, so sánh với số liệu ban đầu và báo cáo kết quả cho cả lãnh đạo lẫn nhân viên trực tiếp sử dụng.

Để AI thay con người quyết định quá sớm

AI có thể đảm nhận nhiều công việc lặp lại, nhưng loại bỏ sự tham gia của con người quá sớm có thể làm chất lượng dịch vụ đi xuống. Năm 2024, Klarna — công ty công nghệ tài chính của Thụy Điển — tuyên bố trợ lý AI xử lý khối lượng công việc tương đương 700 nhân viên chăm sóc khách hàng. Đến tháng 5/2025, CEO công ty thừa nhận việc cắt giảm chi phí đã đi quá xa và bắt đầu tuyển nhân viên trở lại, để khách hàng luôn có thể trao đổi với người thật khi cần (Bloomberg).

Rủi ro không chỉ nằm ở trải nghiệm khách hàng. Năm 2024, một cơ quan tài phán tại Canada yêu cầu Air Canada bồi thường cho hành khách vì chatbot đã cung cấp sai thông tin về điều kiện hưởng giá vé ưu đãi sau chuyến bay. Hãng từng cho rằng chatbot tự chịu trách nhiệm về câu trả lời của nó, nhưng phán quyết khẳng định doanh nghiệp chịu trách nhiệm đối với thông tin trên website, kể cả khi thông tin được cung cấp bởi chatbot (CBS News).

Tại Việt Nam, Luật Trí tuệ nhân tạo số 134/2025/QH15, có hiệu lực từ 01/03/2026, có các quy định về việc con người giám sát, kiểm soát hệ thống AI và gắn nhãn nội dung do AI tạo ra (The Star; Vietcetera). Doanh nghiệp cần đối chiếu quy định chính thức để áp dụng đúng cho từng trường hợp.

Cách tránh: Giao cho AI những tác vụ lặp đi lặp lại; giữ quyền phê duyệt và quyết định quan trọng ở người phụ trách. Mỗi luồng tự động hóa cần có điểm kiểm tra và cơ chế chuyển sang nhân viên khi gặp tình huống phức tạp. Trợ lý AI phải tra cứu thông tin từ tài liệu của doanh nghiệp đã được kiểm duyệt, cập nhật thường xuyên; khi không có đủ thông tin, hệ thống cần thừa nhận điều đó thay vì tự suy đoán.

Không để nhân viên tham gia vào quá trình triển khai AI

Một quy trình tự động hóa sẽ không tạo ra giá trị nếu những người làm việc hằng ngày không sử dụng nó. Thế nhưng, nhiều doanh nghiệp chỉ thông báo cho nhân viên khi công cụ đã được chọn và cách vận hành mới gần như đã quyết định xong.

Đây là lúc doanh nghiệp bỏ qua những người hiểu rõ nhất công việc thực tế: bước nào mất nhiều thời gian, trường hợp ngoại lệ thường phát sinh ở đâu và nhân viên đang phải tìm cách xử lý thủ công như thế nào. Không có góc nhìn này, một giải pháp có thể hoạt động tốt trong bản thử nghiệm nhưng lại vướng mắc khi đưa vào sử dụng.

Nhân viên cũng không chờ doanh nghiệp triển khai AI một cách chính thức. Nghiên cứu của Microsoft và LinkedIn năm 2024 cho thấy 78% người sử dụng AI trong công việc tự mang công cụ riêng vào nơi làm việc, trong khi chỉ 39% từng được công ty đào tạo (Microsoft). Tại Việt Nam, 54% doanh nghiệp xem việc thiếu kỹ năng là rào cản lớn nhất khi ứng dụng AI (Viet Nam News).

Cách tránh: Mời nhân viên tham gia từ bước quan sát và khảo sát quy trình. Chọn một người đầu mối ở mỗi bộ phận, tổ chức các buổi đào tạo ngắn theo từng vị trí và sử dụng chính tình huống, tài liệu của doanh nghiệp thay cho ví dụ chung chung. Khi có kết quả đầu tiên, hãy chia sẻ cụ thể với toàn đội ngũ. Silkwires cũng thiết kế các chương trình đào tạo AI thực hành theo từng vị trí theo cách tiếp cận này.

Để nhân viên sử dụng AI tự phát, không có quy định chung

Nếu doanh nghiệp không cung cấp công cụ và không có quy định rõ ràng, nhân viên sẽ tự sử dụng AI bằng tài khoản cá nhân. Khi đó, thông tin khách hàng, dữ liệu kinh doanh hoặc tài liệu nội bộ có thể được nhập vào những dịch vụ mà công ty không kiểm soát.

Đó không phải rủi ro giả định. Tháng 3/2023, chỉ ít tuần sau khi cho phép sử dụng ChatGPT trong bộ phận bán dẫn, Samsung phát hiện ít nhất ba trường hợp nhân viên đưa mã nguồn mật hoặc nội dung cuộc họp lên công cụ này. Đến tháng 5/2023, tập đoàn đã hạn chế sử dụng AI tạo sinh (Fortune).

Luật Bảo vệ dữ liệu cá nhân số 91/2025/QH15, có hiệu lực từ 01/01/2026, quy định mức phạt tối đa 5% doanh thu năm liền trước đối với một số vi phạm liên quan đến chuyển dữ liệu ra nước ngoài và tối đa 3 tỷ đồng đối với các vi phạm khác (PwC). Vì vậy, việc đưa danh sách khách hàng vào một công cụ AI miễn phí, đặc biệt khi dữ liệu có thể được xử lý tại nước ngoài, cần được doanh nghiệp đánh giá và kiểm soát cẩn trọng.

Cách tránh: Thay vì chỉ cấm nhân viên sử dụng AI, doanh nghiệp nên cung cấp các công cụ phiên bản dành cho tổ chức với cơ chế bảo vệ dữ liệu phù hợp, kiểm tra chính sách sử dụng dữ liệu để huấn luyện mô hình và quyết định nơi lưu trữ thông tin nhạy cảm. Có thể bắt đầu bằng một bản hướng dẫn dài một trang, nêu rõ việc nào được dùng AI, dữ liệu nào không được nhập vào hệ thống và ai là người giải đáp khi có thắc mắc.

7 câu hỏi cần trả lời trước khi đầu tư vào AI

Bảng dưới đây giúp doanh nghiệp kiểm tra những điều quan trọng trước khi bắt đầu dự án, thay vì lựa chọn công cụ hoặc phê duyệt ngân sách quá sớm:

Một dự án AI nên được triển khai như thế nào?

Tại Silkwires, chúng tôi đã áp dụng những nguyên tắc này vào chính hoạt động nội bộ và đo lường hằng tháng. Một số công việc chuẩn bị dự án trước đây mất một tuần, nay hoàn thành trong một ngày. Bộ phận kế toán và nhân sự tiết kiệm được một tuần làm việc mỗi tháng; mỗi lập trình viên tiết kiệm 5 ngày mỗi tháng nhờ AI hỗ trợ viết, kiểm thử và rà soát mã.

Những kết quả đó không đến từ một công cụ “thần kỳ”, mà từ nhiều đợt cải tiến nhỏ, có đo lường trước và sau, bắt đầu tại chính những công đoạn nhân viên nhận thấy đang mất thời gian. Bạn có thể xem thêm các giải pháp theo ngành và các dự án Silkwires đã triển khai.

Câu hỏi thường gặp

Vì sao phần lớn dự án AI thất bại?

Phần lớn vấn đề không nằm ở bản thân công nghệ. Theo BCG, khoảng 70% khó khăn đến từ con người và quy trình, 20% từ công nghệ và dữ liệu, chỉ 10% từ thuật toán. Những nguyên nhân thường gặp là chọn sai bài toán, dữ liệu phân tán, thiếu đo lường và không có sự tham gia của nhân viên.

Tỷ lệ dự án AI thất bại thực sự là bao nhiêu?

Tỷ lệ phụ thuộc vào định nghĩa “thất bại”. Theo các ước tính do RAND dẫn lại, hơn 80% dự án AI không đạt mục tiêu. Theo khảo sát của S&P Global, 42% doanh nghiệp đã dừng phần lớn dự án AI trong năm 2025, so với 17% năm 2024. Đây là các thước đo khác nhau, không nên xem như một tỷ lệ thống nhất.

Doanh nghiệp vừa và nhỏ có lợi thế gì so với tập đoàn lớn?

Doanh nghiệp nhỏ và vừa có bộ máy gọn, ít cấp trung gian và ra quyết định nhanh. Để tận dụng lợi thế, hãy bắt đầu bằng 1–3 giải pháp gắn với vấn đề cụ thể, kết nối công cụ đang sử dụng, rồi đo kết quả trước và sau.

Làm sao biết dự án AI có mang lại hiệu quả?

Ghi nhận các chỉ số trước khi triển khai — thời gian xử lý, số lỗi, tốc độ phản hồi, công nợ và số yêu cầu bị bỏ sót. Đặt ngưỡng đánh giá từ đầu rồi so sánh kết quả sau mỗi đợt 4–8 tuần. Không có số liệu ban đầu sẽ rất khó chứng minh hiệu quả.

Có nên cấm nhân viên sử dụng ChatGPT không?

Cấm hoàn toàn thường khó hiệu quả vì nhân viên có thể chuyển sang tài khoản cá nhân. Doanh nghiệp nên cung cấp công cụ phù hợp, kiểm tra chính sách bảo vệ dữ liệu của nhà cung cấp và ban hành hướng dẫn một trang về loại thông tin được phép hoặc không được phép đưa vào AI.

Việt Nam có những quy định nào về AI và dữ liệu cá nhân?

Có hai văn bản chính: Luật Bảo vệ dữ liệu cá nhân số 91/2025/QH15 (hiệu lực 01/01/2026), với mức phạt tối đa 5% doanh thu năm trước cho một số vi phạm liên quan đến chuyển dữ liệu ra nước ngoài và tối đa 3 tỷ đồng cho các vi phạm khác; và Luật Trí tuệ nhân tạo số 134/2025/QH15 (hiệu lực 01/03/2026) về giám sát hệ thống AI. Doanh nghiệp nên đối chiếu văn bản pháp luật chính thức để xác định phạm vi áp dụng.