Năm 2018, hai tập đoàn khổng lồ toàn cầu đã bắt đầu khai thác trí tuệ nhân tạo để định hình lại cách họ thiết kế và đưa sản phẩm ra thị trường. General Motors (GM) đã áp dụng phần mềm thiết kế tạo sinh sử dụng Fusion 360 của Autodesk để tái tưởng tượng một bộ phận khiêm tốn nhưng quan trọng – giá đỡ ghế. AI đã tạo ra một cấu trúc giống như thứ mà thiên nhiên có thể phát triển – một dạng lưới thoáng khí, giống như lưới, nhẹ hơn 40% và mạnh hơn 20% so với bản gốc. Tuy nhiên, bộ phận này chưa bao giờ được đưa vào sản xuất. Tại sao? Chuỗi cung ứng và hệ thống sản xuất của GM – được xây dựng cho thép dập – không thể xử lý hình dạng phức tạp của thiết kế do AI tạo ra. Việc cải tổ hệ thống sẽ mất hàng năm. Sự đổi mới bị đình trệ.

Cùng lúc đó, Apple bắt đầu thử nghiệm với metalenses – các thành phần quang học siêu mỏng, được tối ưu hóa bởi AI, có khả năng thay thế các ống kính camera truyền thống. Công nghệ này yêu cầu tích hợp học máy, khoa học vật liệu và sản xuất bán dẫn. Trong vòng hai năm, Apple đã nộp hàng chục bằng sáng chế và (tại thời điểm viết bài này) được cho là đang chuẩn bị nhúng đột phá này vào cảm biến Face ID – đầu tiên trong iPad Pro và sau đó trong các mẫu iPhone 17 sắp tới. Không giống như GM, Apple không chỉ có ý tưởng táo bạo – mà còn có hệ thống để thực hiện nó.

Hai câu chuyện này nắm bắt một sự thật quan trọng về AI: Vấn đề thường không nằm ở những gì AI có thể và không thể làm. Thường xuyên hơn, đó là sự không phù hợp giữa những gì lãnh đạo muốn đạt được và những gì chuỗi giá trị, mô hình hoạt động và hệ thống công nghệ của họ có thể hỗ trợ một cách thực tế. Vấn đề này phổ biến – 62% công ty cho biết sự phù hợp liên chức năng kém và 63% nhấn mạnh nhu cầu điều chỉnh quy trình làm việc là những rào cản hàng đầu đối với việc áp dụng AI thành công. Chỉ 25% CEO cho biết họ cảm thấy hoàn toàn sẵn sàng để triển khai AI trên toàn tổ chức, theo khảo sát của Kearney và Futurum Group.

Thật không may, phần lớn các công ty giống GM hơn là Apple trong khía cạnh này. Các nghiên cứu cho thấy nhiều sáng kiến AI thất bại trong việc mang lại giá trị kinh doanh cụ thể: Theo S&P Global Market Intelligence, 42% công ty đã từ bỏ phần lớn các sáng kiến AI của họ vào năm 2025 (tăng từ 17% năm 2024), và trung bình, 46% các khái niệm chứng minh đã bị loại bỏ trước khi đạt đến sản xuất. Hơn nữa, một khảo sát gần đây với 1.600 lãnh đạo doanh nghiệp và nhân viên của công ty AI Writer cho thấy chỉ một phần ba tổ chức đạt được ROI đáng kể từ đầu tư AI của họ, mặc dù 73% trong số họ chi hơn 1 triệu đô la cho AI hàng năm.

Trong bài viết này, chúng tôi đề xuất một khung làm việc thực tế để giúp các công ty cải thiện lợi nhuận đầu tư vào AI. Dựa trên nghiên cứu và kinh nghiệm của chúng tôi với các công ty trên nhiều lĩnh vực – bao gồm hàng tiêu dùng và sản xuất tiên tiến – chúng tôi xác định hai chiều chính hình thành thành công của AI: kiểm soát chuỗi giá trị và độ rộng công nghệ. Những lực lượng này định nghĩa cảnh quan khả năng – và chỉ ra bốn cách tiếp cận khác nhau mà các công ty có thể áp dụng để hiện thực hóa tiềm năng của AI: phân biệt tập trung, tích hợp dọc, hệ sinh thái hợp tác, và lãnh đạo nền tảng. Mỗi cách tiếp cận đi kèm với rủi ro, yêu cầu và tiềm năng cho các đổi mới đột phá riêng. Nhưng khi cách tiếp cận phù hợp với thực tế của công ty, lợi ích là đáng kể.

Hãy bắt đầu bằng cách xem xét kỹ hơn hai chiều hình thành nền tảng của khung này.

Tìm Vị Trí Của Bạn Trong Khung

Chiều đầu tiên, kiểm soát chuỗi giá trị, đề cập đến mức độ ảnh hưởng mà công ty có đối với hành trình từ ý tưởng đến thị trường. Các công ty có kiểm soát chuỗi giá trị cao có thể thử nghiệm, lặp lại và mở rộng đổi mới nhanh chóng vì họ sở hữu hoặc ảnh hưởng mạnh mẽ đến thiết kế sản phẩm, sản xuất, phân phối và tương tác khách hàng. Ví dụ, Samsung có thể triển khai các cải tiến hiển thị hoặc camera được hỗ trợ bởi AI trên toàn bộ danh mục sản phẩm vì họ kiểm soát mọi thứ từ sản xuất chip đến cửa hàng bán lẻ toàn cầu.

Ở đầu kia của phổ là các công ty có kiểm soát chuỗi giá trị thấp (ví dụ, nhà cung cấp cấp hai trong lĩnh vực ô tô, hoặc các công ty cấp phép thương hiệu trong hàng tiêu dùng). Vì các tổ chức này phải dựa vào người khác để xác thực, áp dụng hoặc phân phối đổi mới của họ, nên khó khăn để họ di chuyển nhanh chóng. Họ có ít ảnh hưởng đến cách các công ty khác hoạt động và không gian đổi mới tương đối hẹp.

Chiều thứ hai, độ rộng công nghệ, đề cập đến phạm vi và sự phụ thuộc lẫn nhau của các công nghệ mà công ty phải tích hợp để cạnh tranh. Trong các lĩnh vực có độ rộng cao – chẳng hạn như bán dẫn, xe tự lái và khoa học đời sống – AI hiếm khi hoạt động riêng lẻ. Nó phải được dệt vào một mạng lưới công nghệ đang phát triển nhanh chóng, chẳng hạn như cảm biến, robot, khoa học vật liệu, kiến trúc đám mây và tính toán biên. Các tổ chức trong các lĩnh vực có độ rộng cao phải quản lý sự hội tụ liên tục.

Ngược lại, các ngành có độ rộng thấp – chẳng hạn như chế biến thực phẩm, vật liệu xây dựng và logistics cơ bản – thường hoạt động với các hệ thống công nghệ ổn định hơn. Các công ty trong các lĩnh vực này có thể sử dụng AI để đạt được lợi ích lớn, nhưng thường làm như vậy bằng cách tinh chỉnh các quy trình hiện có thay vì định nghĩa lại cảnh quan.

Những chiều này không phải là các điểm cố định trên bản đồ – chúng là các lực lượng động thay đổi qua các chức năng, địa lý và thời gian. Một công ty có thể có độ rộng công nghệ cao trong R&D nhưng độ rộng thấp trong tương tác khách hàng. Nó có thể kiểm soát mạnh mẽ chuỗi giá trị ở một khu vực nhưng phụ thuộc nhiều vào trung gian ở khu vực khác. Các công ty nên tập trung vào những nơi mà họ được định vị tốt nhất để hành động với sự tập trung và tự tin.

Chọn Chiến Lược Đúng

Bốn chiến lược đổi mới AI nổi lên từ khung của chúng tôi. Mỗi chiến lược đại diện cho một cách khác nhau để phù hợp vị trí của tổ chức với con đường đổi mới khả thi. Bây giờ hãy xem xét kỹ hơn từng chiến lược – logic của nó, loại đổi mới cụ thể mà nó thường giải phóng, và tất nhiên, rủi ro của nó.

1. Phân biệt tập trung: Mài sắc lợi thế của bạn. Các công ty có kiểm soát chuỗi giá trị hạn chế và độ rộng công nghệ thấp thường hoạt động trong một ngành trưởng thành. Họ có chuyên môn sâu trong một phần của chuỗi giá trị – ví dụ, công thức sản phẩm, nguồn cung cấp thượng nguồn hoặc hiểu biết người tiêu dùng – nhưng họ không kiểm soát toàn bộ con đường đến thị trường. Họ không theo đuổi biên giới của AI, nhưng họ có dữ liệu và biết cách sử dụng nó. Họ không thể thiết kế lại hệ thống, nhưng họ có thể làm cho nó thông minh hơn. Họ sử dụng AI để tinh chỉnh và tối ưu hóa sản phẩm hoặc quy trình trong một lĩnh vực xác định. Đây là lĩnh vực của các trường hợp sử dụng chính xác, tác động cao: một nhãn tốt hơn, một cảm biến thông minh hơn, một công thức thích ứng hơn. Các công ty ở đây thắng lợi với AI bằng cách đi sâu, không rộng.

Ví dụ, tập đoàn thực phẩm và đồ uống khổng lồ PepsiCo đã áp dụng AI ở thượng nguồn trong chuỗi cung ứng khoai tây, nơi họ có kiểm soát chặt chẽ thông qua các chương trình nông dân. Bằng cách triển khai drone và sử dụng học máy để đánh giá các chỉ số sớm về sức khỏe cây trồng, PepsiCo đã giúp nông dân tối ưu hóa tưới tiêu và sử dụng phân bón, dẫn đến giảm dấu chân carbon, năng suất cao hơn và mùa vụ bền vững hơn – một lợi thế quan trọng trong kinh doanh hàng hóa. PepsiCo Châu Âu đã hợp tác với Yara, một công ty dinh dưỡng cây trồng toàn cầu, để trang bị cho nông dân các công cụ kỹ thuật số nông nghiệp chính xác nhằm thúc đẩy việc áp dụng các thực hành nông nghiệp tái tạo.

Tương tự, McCormick & Company đã thu hẹp trọng tâm vào một điểm đòn bẩy cụ thể: phát triển hương vị. Năm 2019, nhà sản xuất gia vị toàn cầu đã hợp tác với IBM để xây dựng SAGE, một hệ thống AI được huấn luyện trên hàng thập kỷ dữ liệu cảm quan, công thức nấu ăn và hiểu biết người tiêu dùng. Công cụ này kể từ đó trở thành trung tâm của quy trình phát triển sản phẩm của McCormick, giúp công ty đẩy nhanh đổi mới và tăng gấp đôi đóng góp doanh thu thuần từ sản phẩm mới giữa năm 2022 và 2024.

Tại Fonterra, tập đoàn sữa khổng lồ của New Zealand, lãnh đạo không cố gắng số hóa toàn bộ kinh doanh. Họ tập trung vào một điểm nghẽn – dự đoán chất lượng sữa trước khi nó rời khỏi trang trại – và áp dụng AI với độ chính xác phẫu thuật. Làm việc với các đối tác trong công nghệ nông nghiệp và phân tích, Fonterra đã tích hợp dữ liệu cảm biến từ trang trại (như thời tiết, điều kiện đồng cỏ và sức khỏe đàn) với hồ sơ thu thập sữa lịch sử. Các mô hình học máy sau đó được huấn luyện để phát hiện các mẫu cho thấy nguy cơ giảm chất lượng sữa – đánh dấu các vấn đề như số lượng tế bào soma cao hoặc rủi ro ô nhiễm vi khuẩn trước khi sữa đến nhà máy chế biến. Điều này cho phép Fonterra tối ưu hóa tuyến đường thu thập sữa trong thời gian thực, ưu tiên nguồn chất lượng cao và giảm lãng phí.

Rủi ro chính đối với các công ty trong phân khúc này là tham vọng quá mức. Vào cuối năm 2021, sáng kiến lật nhà của Zillow, Zillow Offers, dựa vào mô hình định giá "Zestimate" do AI tạo ra, đã thất bại thảm hại trong việc mở rộng. Zillow đã mua 27.000 ngôi nhà dựa trên định giá của AI, nhưng chỉ bán được 17.000. Giá Zestimate lệch tới 6,9% đối với các danh sách ngoài thị trường. Kết quả: một khoản khấu hao hàng tồn kho khổng lồ 304 triệu đô la, sa thải 2.000 nhân viên và hủy bỏ toàn bộ kinh doanh Zillow Offers.

2. Tích hợp dọc: Kết nối máy móc. Các công ty có kiểm soát chuỗi giá trị mạnh mẽ nhưng độ rộng công nghệ tương đối hạn chế thường là ứng cử viên lý tưởng cho việc áp dụng AI trên toàn doanh nghiệp. Họ có thể không cần theo dõi mọi xu hướng công nghệ biên giới, nhưng bằng cách nhúng AI vào các quy trình mà họ đã sở hữu, họ có thể tạo ra tác động lớn. AI có thể liên kết các hiểu biết qua các hệ thống nội bộ – tiết lộ sự phối hợp và hiệu quả giữa dữ liệu, bộ phận hoặc quy trình. Đây là không gian mà AI nâng cao sự xuất sắc hoạt động: bảo trì dự đoán, định giá động và logistics dựa trên nhu cầu, để kể một vài. Ở đây, quy mô hoạt động như một nhân tố nhân lên tác động – hoạt động càng lớn, lợi ích tích lũy từ ngay cả những cải thiện hiệu quả nhỏ càng lớn.

JD.com, tập đoàn thương mại điện tử khổng lồ của Trung Quốc, đã nhúng AI vào toàn bộ mạng lưới logistics của mình, sử dụng dữ liệu thời gian thực để tối ưu hóa mọi thứ từ hàng tồn kho kho đến định tuyến giao hàng, lập lịch lao động và dự báo nhu cầu. Trong đại dịch phong tỏa, hệ thống thông minh của JD.com đã định tuyến lại giao hàng dựa trên các khu vực cách ly, tự động hóa hoạt động kho với robot được hỗ trợ bởi AI và tái phân bổ hàng tồn kho động để phù hợp với sự gia tăng nhu cầu khu vực. Trong khi đối thủ gặp khó khăn với nút thắt cổ chai và trì hoãn, JD.com duy trì dịch vụ không gián đoạn vì họ đã xây dựng một hệ thống thông minh hơn.

Trong lĩnh vực năng lượng, ExxonMobil đã sử dụng AI để diễn giải dữ liệu địa chấn và tối ưu hóa đường khoan ở Guyana. Các thuật toán được huấn luyện trên terabyte dữ liệu lịch sử đã cắt giảm thời gian khoan giếng trung bình 15%, tiết kiệm hàng triệu đô la mỗi địa điểm. Vì Exxon sở hữu cơ sở hạ tầng – từ thăm dò đến sản xuất – họ có thể di chuyển nhanh chóng, mà không cần chờ xác thực bên ngoài.

Và hãy xem xét Walmart. Với kiểm soát chuỗi cung ứng, hoạt động cửa hàng và hệ thống định giá, Walmart đã sử dụng AI để tối ưu hóa logistics, hàng tồn kho và triển khai lao động. Ở Florida, ví dụ, công ty đã chạy một chương trình thử nghiệm sử dụng dự báo thời tiết địa phương và xu hướng mạng xã hội để dự đoán đỉnh nhu cầu. Trước bão Ian, hệ thống tự động tái phân bổ nguồn cung cấp khẩn cấp. Sau cơn bão, hệ thống định tuyến lại lô hàng để tránh trung tâm phân phối bị hư hỏng và giữ cho cửa hàng được cung cấp các mặt hàng thiết yếu.

Ann Cutting dựa vào nền tảng nhiếp ảnh, công nghệ và khoa học của mình để tạo ra tác phẩm nghệ thuật AI khám phá cách chúng ta làm việc, hợp tác và sáng tạo. Ann Cutting

Các công ty theo đuổi tích hợp dọc thường xuất sắc trong việc mở khóa các kết nối mới mẻ – liên kết dữ liệu và quy trình qua các silo để khám phá các mẫu và hiệu quả mà người khác không thể thấy. Khi AI được triển khai trên một hệ thống được kiểm soát chặt chẽ, khả năng kết nối các điểm – giữa logistics và định giá, hoặc hoạt động và dự báo – trở thành nguồn lợi thế cạnh tranh độc đáo.

Một lần nữa, quan trọng là không vượt quá giới hạn. Ngay cả các công ty có hoạt động mạnh mẽ cũng có thể vấp ngã khi tham vọng vượt quá thực thi. Ví dụ, GE đã tìm cách trở thành Microsoft của AI công nghiệp với nền tảng Predix, được thiết kế để kết nối phân tích qua các máy móc – từ tua bin đến đầu máy đến thiết bị y tế. Nhưng dữ liệu silo, kháng cự nội bộ, thiếu phần mềm kết nối và sự thay đổi lãnh đạo đã làm tê liệt việc triển khai. Sau khi chi hơn 4 tỷ đô la, GE đã thu hẹp tham vọng nền tảng và tách ra phần lớn GE Digital.

3. Hệ sinh thái hợp tác: Làm việc với mạng lưới. Một số công ty hoạt động trong các hệ sinh thái công nghệ phức tạp nhưng thiếu kiểm soát đối với cách giải pháp của họ cuối cùng đến thị trường. Trong phân khúc này, thành công của AI không đến từ việc tự làm một mình mà từ việc hợp tác chiến lược – chia sẻ rủi ro đổi mới, cơ sở hạ tầng và chuyên môn. Các công ty ở đây thường làm việc trong các ngành công nghệ cao, phát triển nhanh, nhưng các đòn bẩy thực thi không hoàn toàn nằm trong tay họ: Họ phụ thuộc vào cơ quan quản lý, nhà nghiên cứu hoặc đối tác nền tảng để tiếp cận người dùng cuối. Lợi thế của họ nằm ở quan hệ đối tác: nền tảng chia sẻ, công cụ đồng phát triển và liên minh phù hợp với động lực, không chỉ thời gian.

Lấy ví dụ Novartis và Microsoft. Họ không chỉ hình thành quan hệ đối tác – họ đã tạo ra một phòng thí nghiệm đổi mới AI nhằm đẩy nhanh khám phá và phát triển thuốc. Ở trung tâm của nỗ lực là một bộ mô hình học máy được huấn luyện để dự đoán hành vi phân tử, xác định các mục tiêu điều trị tiềm năng và tối ưu hóa giao thức thử nghiệm lâm sàng. Trong một trường hợp, các công cụ của phòng thí nghiệm đã giúp Novartis xác định các kết hợp biomarker mới cho các thử nghiệm ung thư – cắt giảm thời gian thiết kế thử nghiệm hơn 30%. Thành công của nỗ lực không chỉ đến từ công nghệ chia sẻ mà từ mục đích chia sẻ, cơ sở hạ tầng đồng phát triển và cam kết tích hợp khoa học và hoạt động.

Liên minh của BMW Group với Intel và Mobileye là một ví dụ thuyết phục khác. Mỗi bên đóng góp khả năng riêng biệt – sức mạnh xử lý, tầm nhìn máy tính, tích hợp xe – để phát triển giải pháp lái xe tự động. Nguyên mẫu đồng phát triển của họ đã được thử nghiệm trên autobahn Đức, nơi nó chứng minh lái xe an toàn, rảnh tay trong môi trường kiểm soát. Không ai có thể đạt được điều đó một mình.

Và hãy xem xét sự hợp tác của Pfizer với BioNTech trong đại dịch Covid-19. Các mô hình AI của BioNTech đã sàng lọc hơn 10.000 ứng cử viên mRNA trong vài ngày, chọn công thức BNT162b2 sẽ trở thành vaccine. Khả năng quản lý và sản xuất toàn cầu của Pfizer – được tăng cường bởi công cụ AI – đã đẩy nhanh sản xuất và phê duyệt. Cùng nhau, các công ty đã biến một đặt cược táo bạo thành thành công lịch sử.

Như ví dụ đó cho thấy, phân khúc này được định vị tốt nhất để mở khóa khám phá cơ bản – loại đột phá giai đoạn đầu định hình lại khoa học, công nghệ hoặc y học. Nhưng khám phá yêu cầu phối hợp. Khi quản trị không rõ ràng, văn hóa xung đột hoặc mục tiêu khác biệt, ngay cả các công cụ hứa hẹn nhất cũng có thể thất bại. Khi sự phù hợp sâu sắc – khi kiến thức, động lực và thực thi được đồng thiết kế – lợi ích là biến đổi. AI trong phân khúc này không chỉ là hợp tác. Đó là về sự mạch lạc và cách các đối tác làm việc cùng nhau.

Để các quan hệ đối tác AI mở khóa sự phối hợp mạnh mẽ, sự phù hợp phải vượt qua thông cáo báo chí. Sự hợp tác nổi bật của IBM với trung tâm ung thư MD Anderson nhằm cách mạng hóa chăm sóc ung thư với Oncology Expert Advisor được hỗ trợ bởi Watson. Mặc dù có kết quả kỹ thuật hứa hẹn, dự án gặp thách thức tổ chức và tích hợp. Việc triển khai chứng minh khó khăn, và hệ thống không bao giờ vượt qua giai đoạn thử nghiệm. Nỗ lực cuối cùng bị đình trệ – không phải vì thiếu tham vọng mà vì quan hệ đối tác gặp khó khăn trong việc phù hợp công nghệ, dữ liệu và thực hành lâm sàng.

4. Lãnh đạo nền tảng: Định hình các chuẩn mực. Ở đỉnh của cả hai chiều – độ rộng công nghệ cao và kiểm soát chuỗi giá trị rộng – là các công ty không chỉ thích nghi với thay đổi; họ định hình nó. Họ tạo ra cơ sở hạ tầng và hệ sinh thái cũng như xây dựng sản phẩm. Đây là lĩnh vực của sự phối hợp: thiết lập tiêu chuẩn, mở API và thiết kế hệ thống mà người khác muốn xây dựng trên đó.

Lấy ví dụ sự ra mắt của Bloomberg với BloombergGPT, một mô hình ngôn ngữ lớn chuyên về tài chính được huấn luyện trên hơn 700 tỷ token. Đó không chỉ là nâng cấp kỹ thuật – đó là động thái chiến lược để định nghĩa thế hệ AI tài chính tiếp theo. Không giống như các mô hình mục đích chung, BloombergGPT được huấn luyện trên sự kết hợp độc đáo của tài liệu tài chính, cuộc gọi thu nhập và tập dữ liệu độc quyền, cho phép nó tóm tắt báo cáo thu nhập, tự động phân loại tin tức và hỗ trợ mô hình hóa rủi ro – tất cả trong hệ sinh thái thiết bị đầu cuối tích hợp chặt chẽ của Bloomberg. Lời đề nghị của Bloomberg không chỉ là về AI tạo sinh. Đó là về việc thiết lập tiêu chuẩn ngành mới.

Siemens Healthineers đã đạt được vị trí lãnh đạo nền tảng tương tự trong hình ảnh y tế. Bộ AI-Rad Companion của họ tích hợp trực tiếp với hệ thống bệnh viện, tự động phân tích X-quang, CT và MRI để nhấn mạnh bất thường. Được huấn luyện trên hơn 400 triệu lần quét, hệ thống cung cấp kết quả được FDA phê duyệt ở hơn 60 quốc gia – cải thiện độ chính xác chẩn đoán trong khi tinh giản quy trình lâm sàng. Siemens không chỉ bán công cụ AI. Họ định hình cách bệnh viện sử dụng chúng và thiết lập tiêu chuẩn mới cho chăm sóc.

Cách tiếp cận nền tảng của Microsoft đối với AI kết hợp cơ sở hạ tầng, công cụ và phối hợp hệ sinh thái. GitHub Copilot, được huấn luyện trên hàng tỷ dòng mã, giờ đây đóng góp lên đến 40% mã được viết trong các ngôn ngữ được hỗ trợ. Trong Microsoft 365, các copilot AI nhúng trong Word, Excel và Teams đang định nghĩa lại cách làm việc. Và với Azure OpenAI Service, Microsoft đã trở thành xương sống doanh nghiệp cho AI tạo sinh. Quan trọng, họ đã xây dựng lãnh đạo đó không chỉ qua hiệu suất kỹ thuật mà qua quản trị, minh bạch và phù hợp với khách hàng doanh nghiệp.

Các công ty trong phân khúc này được định vị tốt để di chuyển vào các lĩnh vực dường như xa xôi qua khả năng phát hiện tín hiệu yếu và mẫu mới qua địa lý, ngành và lĩnh vực. Các lãnh đạo nền tảng có quy mô, dữ liệu và phạm vi kiến trúc để thấy những gì người khác không thể – và hành động trước bất kỳ ai khác.

Nhưng với phạm vi đó đi kèm rủi ro. Khả năng định hình ngành mang lại trách nhiệm cao hơn để kiếm và duy trì lòng tin – qua đối tác, cơ quan quản lý và người dùng cuối. Thất bại trong phân khúc này hiếm khi xuất phát từ công nghệ yếu. Hãy xem xét sự tham gia của Google vào AI y tế qua DeepMind Health. Nhóm đã hợp tác với bệnh viện Anh để phát triển mô hình chẩn đoán được huấn luyện trên dữ liệu bệnh nhân thực tế. Về mặt kỹ thuật, dự án hứa hẹn. Nhưng khi lộ ra rằng DeepMind đã truy cập hàng triệu hồ sơ NHS mà không có sự đồng ý đúng đắn, phản ứng dư luận bùng nổ. Sáng kiến sau đó được hấp thụ vào Google Health và mất đà. Thất bại không phải là thuật toán; đó là vi phạm lòng tin.

Thu Hút Nhân Viên Của Bạn

Qua tất cả bốn chiến lược, thách thức định nghĩa không phải là kỹ thuật. Đó là con người. Nhiều sáng kiến AI thất bại không phải vì các thuật toán cơ bản yếu mà vì mọi người kháng cự sử dụng công cụ. Trong khảo sát doanh nghiệp Writer được đề cập trước đó, 31% nhân viên thừa nhận chủ động chống lại các sáng kiến AI của công ty – thường vì họ sợ bị thay thế. Một trong mười người còn đi xa hơn, nói rằng họ đã can thiệp vào chỉ số hiệu suất hoặc cố tình tạo ra đầu ra chất lượng thấp để làm suy yếu nỗ lực áp dụng.

Khi Rent a Mac, một công ty cho thuê thiết bị Apple, ra mắt hệ thống quản lý hàng tồn kho được hỗ trợ bởi AI, nó đã kích hoạt lo lắng qua lực lượng lao động. Điều đó dẫn đến trì hoãn bảy tuần trong triển khai và mất khoảng 85.000 đô la tiết kiệm hiệu quả dự kiến. Nhưng bằng cách chỉ định các nhà vô địch AI để chứng minh các trường hợp sử dụng thực tế, công ty đã thấy mức độ tham gia tăng gấp ba – từ 31% lên 89% chỉ trong vài tháng. Minh bạch, đối thoại và trải nghiệm cá nhân đã thay đổi câu chuyện. Colgate-Palmolive nhận ra tầm quan trọng của sự tham gia nhân viên khi ra mắt AI Hub nội bộ trao quyền cho nhân viên phát triển trợ lý của riêng họ – hàng ngàn trợ lý – mà không cần kinh nghiệm mã hóa. Kết quả không chỉ là quy trình tốt hơn. Đó là sự ủng hộ. Khi mọi người cảm thấy như người tham gia vào tương lai, họ không sợ nó – họ giúp xây dựng nó.

Vai trò của quản lý đang thay đổi trong các tổ chức được hỗ trợ bởi AI. Ngoài việc phối hợp con người, quản lý giờ phải giúp đội ngũ học cách hợp tác với thuật toán – diễn giải hiểu biết máy, thiết kế lại quy trình làm việc và dịch tiến bộ kỹ thuật thành tiến bộ con người. Làm như vậy thường yêu cầu thay đổi văn hóa: tạo không gian để thử nghiệm, thất bại nhanh và học trong thời gian thực.

Các tổ chức thành công nhất coi AI không phải là câu trả lời mà là câu hỏi: Chúng ta có thể làm việc thông minh hơn, cùng nhau không? Và cuối cùng, điều đó có nghĩa là một số tổ chức hiện diện trong tất cả bốn phân khúc. Hãy xem điều đó trông như thế nào.

Lãnh Đạo Trong Thời Đại AI

Thoạt nhìn, P&G có thể giống như một ví dụ điển hình của tích hợp dọc. (P&G là khách hàng của Iprova, nơi hai chúng tôi – Christopher và Julian – làm việc.) Với kiểm soát từ đầu đến cuối mọi thứ từ phòng thí nghiệm R&D đến nhà máy sản xuất đến thực thi bán lẻ, họ đã nhúng AI sâu vào lõi hoạt động. Sử dụng Azure IoT Operations của Microsoft, công ty đã cắt giảm thời gian cần thiết để triển khai mô hình học máy mới đến nhà máy lên đến 90%, cho phép các thuật toán dự đoán giám sát dữ liệu rung động và nhiệt độ máy, dự đoán hỏng hóc thiết bị và liên tục tối ưu hóa sản xuất.

Ngoài hoạt động, P&G áp dụng AI với độ chính xác nơi nó quan trọng. Bàn chải đánh răng Oral-B iO sử dụng cảm biến và học máy thời gian thực để hướng dẫn người dùng kỹ thuật đánh răng, cải thiện kết quả vệ sinh miệng. Đội ngũ đằng sau Tide đã sử dụng AI để đẩy nhanh kiểm tra công thức, nén thời gian từ tháng xuống tuần. Đây là các cách chơi phân biệt tập trung cổ điển – hẹp về phạm vi nhưng sâu về tác động.

Bên ngoài bức tường của mình, P&G tích cực nuôi dưỡng hệ sinh thái hợp tác qua các sáng kiến như nền tảng Connect + Develop lâu dài. Mạng đổi mới mở này cung cấp cho các công cụ được hỗ trợ bởi AI như Olay Skin Advisor, phân tích ảnh tự sướng để khuyến nghị chế độ chăm sóc da. P&G cũng đã xây dựng hệ thống xung người tiêu dùng độc quyền tích hợp tín hiệu từ mạng xã hội, dịch vụ khách hàng, đánh giá sản phẩm và dữ liệu bán lẻ – mang lại cho họ sức mạnh không chỉ phản ứng với xu hướng thị trường mà còn định hình chúng.

Điều làm P&G khác biệt là họ cố ý chơi qua tất cả bốn phân khúc: Họ tập trung nơi AI có thể mang lại giá trị ngay lập tức; họ tích hợp nơi quy mô thúc đẩy hiệu suất; họ hợp tác nơi khả năng bổ sung quan trọng; họ tạo ra nền tảng đặt họ ở trung tâm của các hệ sinh thái chính mà họ hoạt động. Và trong việc làm những điều này, họ tiết lộ một sự thật sâu sắc hơn: Chiến lược có thể bắt đầu ở một phân khúc, nhưng thành công được xây dựng qua một hệ thống.

. . .

Thập kỷ tới sẽ không được thắng bởi các công ty ra mắt nhiều dự án thử nghiệm nhất. Nó sẽ được thắng bởi các công ty biết cách mở rộng. Điều đó có nghĩa là dịch tham vọng thành hành động – chọn chiến lược phù hợp với thực tế tổ chức của bạn, trao quyền cho nhân viên và phù hợp AI với những gì bạn thực sự có thể kiểm soát. Bởi vì cuối cùng, AI không phải là chiến lược. Đó là công cụ mang chiến lược vào cuộc sống. Vì vậy hãy hỏi những câu hỏi khó: Chúng ta có đòn bẩy ở đâu? Chúng ta có thể di chuyển nhanh ở đâu? Loại đổi mới nào chúng ta được xây dựng để mở khóa? AI có thể tạo ra hiểu biết, nhưng chỉ tổ chức của bạn mới có thể biến chúng thành kết quả. Sự khác biệt giữa GM và Apple không chỉ là công nghệ. Đó là hệ thống xung quanh nó. Các công ty xây dựng hệ thống đúng – những nơi mà tham vọng gặp thực thi – sẽ là những công ty ngừng thử nghiệm và bắt đầu lãnh đạo.
bởi Cyril Bouquet, Christopher J. Wright và Julian Nolan