(Bài Recap Workshop AI For Biz, tổ chức ngày 9/9/2026. Workshop chứa những insight thú vị cho những ai đang muốn áp dụng AI vào công việc kinh doanh hiện tại)
Có một nghịch lý khá thú vị trong việc ứng dụng AI vào doanh nghiệp: chúng ta có thể biết ChatGPT, Claude, Gemini; có thể tạo ảnh, làm video, viết content, xây chatbot, thậm chí tự code một vài công cụ. Nhưng business vẫn không tăng trưởng như kỳ vọng, công việc vẫn nhiều, founder vẫn phải tự làm, và cuối tháng, tiền trả cho những công cụ AI vẫn đều đặn trừ khỏi tài khoản.
Vậy vấn đề nằm ở đâu?
Đó là câu hỏi mở đầu cho workshop AI For Biz - Xác định cơ hội AI cho doanh nghiệp của bạn. Thay vì bắt đầu bằng một danh sách tool, workshop đặt một câu hỏi khác: doanh nghiệp thực sự đang mắc ở đâu, điểm nghẽn nằm ở đâu, và AI nên xuất hiện ở đâu trong bài toán đó?
Có 38 người tham dự, đến từ rất nhiều bối cảnh khác nhau. Ngay phần warm-up, mỗi người được yêu cầu viết xuống hai thứ: Bạn đang làm gì? Và vấn đề nào bạn đang cố giải quyết cho doanh nghiệp của mình?
Có người làm Digital Marketing muốn dùng AI để sản xuất video nhanh hơn. Có người muốn giảm thời gian làm report và presentation. Có người trong bảo hiểm muốn tự động hóa báo cáo và phân tích dữ liệu từ nhiều nguồn.
Có founder muốn xây một AIOS cho business, có người muốn xây second brain, có người muốn tự động hóa những công việc lặp lại.
38 người, rất nhiều bài toán.
Nhưng có một điểm chung: phần lớn đều đang bắt đầu bằng câu hỏi AI có thể làm gì.
Và để thấy vì sao cách bắt đầu đó có thể khiến chúng ta đi sai hướng, cả lớp bước vào một business case thật.
Một doanh nghiệp làm đẹp đang mắc ở đâu?
Anh Hải Đăng mang đến bài toán của vợ mình, người đang vận hành một doanh nghiệp đào tạo phun xăm thẩm mỹ: một cơ sở, bốn nhân sự, bao gồm cả founder.
Doanh nghiệp có khách hàng, có thương hiệu cá nhân và có chuyên môn. Nhưng để business chạy được, founder vẫn phải ôm rất nhiều việc: tạo content, đăng bài, làm marketing, đào tạo học viên, phát triển chuyên môn và xử lý các vấn đề vận hành.
Thậm chí có những ngày công việc content kéo dài tới 1 giờ sáng.
Nhưng anh Thông - người hướng dẫn của buổi không đặt câu hỏi “Dùng AI nào?”
Anh hỏi:
“Vấn đề thực sự là gì?”
Sử dụng AI để tìm ra vấn đề thực sự
Để giải case của anh Đăng, toàn bộ thông tin về doanh nghiệp được anh Thông đưa vào AI để decompose và problem framing.
Prompt như sau:
“Học viên của anh đang kinh doanh trong lĩnh vực làm đẹp, và đây là những thông tin sơ bộ học viên cung cấp cho anh, và anh cho rằng nó chưa đầy đủ rõ ràng về thông tin. Do đó anh cần em đánh giá nội dung này và đặt lại 10 câu hỏi để làm rõ trước khi xác định các vấn đề cần giải quyết thông qua cách tiếp cận problem framing và decompose. Đây là nội dung học viên anh cung cấp (anh Phó Hải Đăng)”
Không vội tìm giải pháp, mà cần tách dữ kiện của doanh nghiệp thành các lớp: Facts, Symptoms, Hypotheses và Root Problems.
Ví dụ, “nhân viên làm việc không hiệu quả” chưa phải là nguyên nhân.
Đó là một symptom.
Có thể nhân viên không phù hợp. Có thể vai trò không rõ. Có thể tiêu chuẩn đầu ra không rõ. Có thể cách giao việc mơ hồ. Cũng có thể khối lượng công việc quá lớn hoặc người đó không có đủ quyền quyết định.
Vì vậy, “nhân sự kém” chỉ là một hypothesis cho đến khi có đủ bằng chứng.
Một học viên ghi lại điều mình học được:
“Cần làm rõ vấn đề (problem statement) trước khi tìm giải pháp. Chia nhỏ vấn đề để hiểu thực sự cốt lõi và bản chất.”
Khi những symptom được bóc tách, một câu hỏi sâu hơn xuất hiện: điều gì có thể giải thích cho nhiều vấn đề cùng lúc?
AI bắt đầu chỉ ra một khả năng: năng lực của founder chưa được chuyển hóa thành năng lực của tổ chức.
Founder biết cách tạo nội dung, tạo niềm tin, hiểu khách hàng, tư vấn, chốt và đào tạo. Nhưng phần lớn những năng lực đó đang tồn tại dưới dạng tri thức ẩn trong đầu founder.
Nhân viên nhận được yêu cầu, nhưng không nhận được toàn bộ logic đằng sau cách founder ra quyết định. Khoảng cách đó tạo ra sự chồng chéo, mơ hồ và cuối cùng lại đẩy founder quay về làm mọi thứ.
Anh Đăng cũng nhận ra điều này:
“Mình cảm thấy nó chốt giùm mình là mình đang nghĩ về vấn đề quy trình, nhưng thực tế là mình đang nói về các triệu chứng nhiều hơn... nguyên nhân sâu xa hơn chính là người chủ đang chưa có năng lực tổ chức.”
Từ một vấn đề, cả một hệ thống hiện ra
Nếu founder là người phải giải quyết mọi thứ, một vòng lặp bắt đầu hình thành:
Founder bận → không có thời gian xây hệ thống → không có hệ thống → founder phải tiếp tục tự làm → càng tự làm nhiều, founder càng quá tải.
Càng bận, càng không hệ thống hóa được. Càng không hệ thống hóa được, càng phải tự làm.
Nhưng đó chưa phải toàn bộ câu chuyện.
Vì cần doanh thu hôm nay, founder tiếp tục phải làm content để tìm khách mới, trong khi học viên cũ chưa được quản lý và chăm sóc tốt. Tiền có thể nằm ở khách hàng cũ, nhưng doanh nghiệp lại tiếp tục bỏ tiền và công sức để tìm khách hàng mới.
Từ đây, business không còn giống một bài toán đơn lẻ nữa.
Nó là một hệ thống gồm nhiều điểm nghẽn liên kết với nhau: sự phụ thuộc vào founder, việc không chuyển giao được năng lực của founder, vòng đời khách hàng bị rò rỉ, và hệ thống thực thi chưa rõ vai trò, quy trình, tiêu chuẩn.
Nhưng một doanh nghiệp không thể giải quyết tất cả cùng lúc.
Vì vậy, câu hỏi tiếp theo không còn là “Vấn đề là gì?”, mà là:
“Đâu là điểm nghẽn đáng can thiệp trước?”
Anh Đăng đồng ý với cả bốn vùng vấn đề, nhưng nếu chỉ được chọn một, anh chọn bài toán khách hàng cũ.
Không phải vì nó chắc chắn là vấn đề lớn nhất.
Mà vì ở thời điểm đó, nó là vấn đề có khả năng can thiệp được.
Nhưng chọn được vấn đề vẫn chưa phải đích đến
Ý tưởng chăm sóc khách hàng cũ bằng AI nghe khá hợp lý.
Khách hàng đã có quan hệ với doanh nghiệp, có thể quay lại học tiếp. AI có thể hỗ trợ phân loại, nhắc lịch, tạo nội dung chăm sóc hoặc gợi ý hành động.
Nhưng đúng lúc cả nhóm bắt đầu tiến về phía giải pháp, anh Đắc đặt một câu hỏi khác:
“Có đáng làm không?”
Nếu muốn chăm sóc khách hàng cũ bằng AI, trước hết phải có dữ liệu.
Dữ liệu đó lấy ở đâu? Ai là người nhập? Mất bao nhiêu công sức để thu thập? Làm thế nào biết dữ liệu nhập vào là đúng?
Và sau khi có dữ liệu, nhân viên có thực sự biết phải làm gì tiếp theo hay không?
Nếu doanh nghiệp vốn đã bận túi bụi, một hệ thống mới có thể vô tình tạo ra một mảng việc mới.
Anh Đắc tiếp tục đẩy câu hỏi đi xa hơn: nếu nhân viên chưa biết làm, doanh nghiệp phải đào tạo bao nhiêu; nếu nhân viên có thể làm, họ có ở lại đủ lâu để khoản đầu tư đó đáng hay không?
Đây không phải là phản đối AI.
Đó là cách buộc cả nhóm chuyển từ câu hỏi “AI có thể làm được không?” sang câu hỏi “Giải pháp này có thực sự đáng để doanh nghiệp bỏ nguồn lực vào không?”
Và chính ở đây, bài toán AI trở thành một bài toán kinh doanh.
Đúng vấn đề vẫn có thể chưa đủ
Từ cuộc tranh luận đó, một insight quan trọng xuất hiện.
Có hai “thảm họa” cần tránh: chọn sai vấn đề để giải quyết, hoặc chọn đúng vấn đề nhưng mất rất nhiều công sức để giải quyết.
Vì vậy, sau khi “khám bệnh” bằng AI, không thể lập tức lao vào triển khai. Cần bẻ nhỏ vấn đề, xác định việc gì phải làm trước, ước lượng chi phí, xem dữ liệu có thực sự lấy được không, ai sẽ vận hành và người vận hành có đủ năng lực hay không.
Quan trọng nhất:
Kết quả thu được có xứng đáng với nguồn lực bỏ ra không?
AI có thể giúp chúng ta nghĩ sâu hơn, nhìn thấy nhiều khả năng hơn và hỗ trợ phân tích tốt hơn.
Nhưng quyết định có làm hay không vẫn là quyết định kinh doanh.
Và đó là lúc cách nhìn về AI thay đổi
Ở đầu buổi, anh Đăng cũng giống rất nhiều người trong phòng: biết AI có thể làm automation, content, marketing, video, CRM. Nhưng chính sự phong phú đó dễ khiến chúng ta bị kéo về phía công cụ trước khi hiểu rõ bài toán.
Sau buổi làm việc, anh nhận ra trước đây mình thường ghi nhận sự việc và triệu chứng, nhưng chưa đặt đủ câu hỏi để đào sâu nguyên nhân. Điều cần làm không nhất thiết là xây ngay một automation mới, mà là tìm ra điểm có thể can thiệp và thực thi được.
Việt Đặng cũng đến workshop với đúng sự bối rối đó.
Anh có rất nhiều thứ muốn làm với AI: code CRM, làm AI video, xây AI bot hỗ trợ vận hành. Nhưng khi nhìn lại case của anh Đăng, anh nhận ra vấn đề không nằm ở việc thiếu thêm một công cụ.
Anh gọi tên sự thay đổi của mình:
“Đi từ vấn đề thực sự chứ không phải khả năng AI có thể làm.”
Và trong quá trình đó, Việt nhận ra cần đặc biệt chú ý đến bottleneck và hai “thảm họa”: chọn sai vấn đề, hoặc chọn đúng vấn đề nhưng mất quá nhiều công sức để giải quyết.
Hãy bắt đầu bằng vấn đề
Sau gần hai giờ, thứ thay đổi không phải là số lượng tool mọi người biết thêm.
Mà là thứ tự của những câu hỏi.
Không phải:
Tool → Use case → Business
Mà là:
Business problem → Decompose → Root cause → Bottleneck → Intervention → Workflow → AI
AI xuất hiện sau khi chúng ta hiểu bài toán.
Không phải trước.
Và ngay cả khi đã tìm ra đúng vấn đề, vẫn còn một câu hỏi cuối cùng:
“Giải pháp này có đáng để làm không?”
Bởi một giải pháp tốt trên giấy chưa chắc là một giải pháp tốt cho doanh nghiệp.
Nếu cần quá nhiều dữ liệu nhưng không ai nhập. Nếu dữ liệu không đáng tin. Nếu nhân viên không biết dùng. Nếu phải đào tạo quá nhiều. Nếu founder lại phải đứng ra vận hành.
Hoặc đơn giản, nếu chi phí triển khai lớn hơn giá trị tạo ra.
Thì có thể đúng vấn đề nhưng vẫn là sai lựa chọn.
Vì vậy, sau workshop, câu hỏi mỗi người mang về không còn chỉ là:
“AI có thể giúp business của tôi làm gì?”
Mà là:
“Business của tôi đang thực sự mắc ở đâu?”
“Đâu là nguyên nhân gốc?”
“Đâu là bottleneck đáng can thiệp?”
“Giải pháp nào đủ đáng và đủ khả thi để làm?”
Và chỉ sau tất cả những câu hỏi đó mới đến:
“AI có thể tham gia vào phần nào?”
Đó có lẽ là điều quan trọng nhất của AI For Biz.
Không phải thêm một danh sách tool, mà là một cách tư duy mới để nhìn business trước khi nhìn vào AI.
Tìm đúng vấn đề. Chọn đúng điểm can thiệp. Và chỉ dùng AI khi nó thực sự tạo ra giá trị.