Tóm tắt
- Một người đi học AI rồi chia sẻ lại không đổi được tổ chức. Người duy nhất đổi nhịp sẽ bị đẩy ra.
- MIT NANDA 7/2025: hơn 90% công ty có nhân viên dùng AI cá nhân, chỉ 40% mua gói chính thức.
- Core team ba đến năm người là đơn vị nhỏ nhất đủ sức giữ một thay đổi.
- Bốn bước: chọn người, học trên bài toán thật, sửa quy trình và quyền, chạy một vòng đo được.
- Lãnh đạo giữ quyền chọn bài toán, đặt tiêu chuẩn nghiệm thu và quyết khi nào nhân rộng.
Chuyển giao kiến thức AI cho đội ngũ là chỗ gãy tôi gặp nhiều nhất trong năm nay. Một anh chủ doanh nghiệp kể với tôi rằng anh đã đi bốn khóa AI, ghi kín hai cuốn sổ, rồi về họp toàn công ty chia sẻ lại trong hai tiếng. Ba tháng sau, kế toán vẫn nhập tay như cũ, kinh doanh vẫn dựng báo giá như cũ.
Anh kết luận là nhân viên ngại thay đổi. Tôi nghĩ khác. Người duy nhất đổi nhịp trong công ty đó là anh, và khi một người chạy nhanh hơn cả hệ thống, hệ thống sẽ đẩy người đó ra.
Câu trả lời ngắn cho câu hỏi này: một người hùng không đổi được cả tổ chức. Kiến thức của lãnh đạo chỉ thành năng lực thực thi khi có một core team ba đến năm người cùng học trên một bài toán thật, được quyền sửa quy trình, và chạy xong một vòng đo được trước khi lan ra toàn công ty.
Vì sao người đi học một mình bị đội ngũ đẩy ra?
Hãy nhìn nó như cơ thể người. Một tế bào lạ xuất hiện, mang theo ngôn ngữ lạ và cách làm lạ, thì phản xạ đầu tiên của cơ thể không phải là học theo, mà là sinh kháng thể. Người đi học về một mình rơi đúng vào vai đó.
Anh ấy về họp, dùng những từ đồng nghiệp chưa từng nghe. Anh ấy đòi một cách làm mới cho một quy trình mà mọi người vừa quen tay. Và mỗi lần anh ấy khoe một thứ AI làm được trong ba mươi giây, cả phòng nghe ra một thông điệp khác hẳn: mấy năm nay các bạn làm chậm.
Không ai nói câu đó ra. Nhưng nó đủ để biến một sáng kiến thành một mối đe dọa cá nhân. Đến đây thì kháng cự không còn là chuyện sợ công nghệ, nó là chuyện giữ thể diện và giữ chỗ đứng.
Báo cáo The GenAI Divide: State of AI in Business 2025 của MIT NANDA, công bố tháng 7 năm 2025, cho thấy một nghịch lý rất đúng với chuyện này. Nhân viên ở hơn 90% công ty được khảo sát khai rằng họ dùng công cụ AI cá nhân cho công việc đều đặn, trong khi chỉ 40% công ty thật sự mua một gói AI chính thức. Kiến thức đã có mặt khắp nơi trong tổ chức, chỉ là tổ chức không sở hữu nó. Nó nằm trong từng cái điện thoại.
Cũng báo cáo đó ghi nhận 95% doanh nghiệp không thu được đồng nào từ khoản đầu tư GenAI, và rào cản chính không nằm ở hạ tầng hay nhân tài, mà nằm ở khả năng học của chính tổ chức. Đây là chỗ tôi muốn bạn dừng lại một nhịp. Vấn đề không phải model kém, mà là tri thức không chảy được từ một cái đầu sang một quy trình.
Kiến thức của một người không tự thành năng lực của tổ chức
Sau một khóa học tốt, lãnh đạo mang về ba thứ: một vốn từ mới, một tầm nhìn mới, và một danh sách công cụ. Cả ba đều nằm trong đầu một người. Tổ chức thì cần ba thứ khác hẳn. Cách một người tự học nhanh hơn là chuyện riêng, tôi đã bàn trong bài học tập trong kỷ nguyên AI.
Thứ nhất là ngôn ngữ chung để cả nhóm gọi tên cùng một bài toán theo cùng một cách. Thứ hai là quyền sửa quy trình, vì phần lớn việc ứng dụng AI thật ra là viết lại cách một việc được làm. Thứ ba là tiêu chuẩn nghiệm thu, tức là câu trả lời cho câu hỏi thế nào là đạt khi máy làm xong một phần việc.
Thiếu ba thứ này thì buổi chia sẻ của lãnh đạo chỉ là một buổi nói chuyện hay. Nghe xong rồi thôi. Tôi đã viết kỹ về khoảng cách giữa học và làm trong bài học AI xong không biết áp dụng, ở đó khoảng cách nằm giữa cá nhân và công việc của chính họ. Còn ở đây khoảng cách rộng hơn một bậc: giữa một cá nhân và phần còn lại của công ty.
BCG gọi tên tỷ lệ này bằng một con số dễ nhớ. Trong AI Radar 2025 công bố ngày 14 tháng 1 năm 2025, các tổ chức làm tốt nhất dành 10% công sức cho thuật toán, 20% cho dữ liệu và công nghệ, và 70% cho con người, quy trình và văn hóa. Cũng trong báo cáo đó, chưa tới một phần ba công ty đào tạo lại được một phần tư nhân sự của mình.
Bảy mươi phần trăm công sức nằm ở phần bạn không mua được bằng tiền trong một buổi chiều. Phần đó cần nhiều người.
Core team là ai, và vì sao phải là ba đến năm người?
Ý tưởng này không mới. John Kotter viết trong Leading Change: Why Transformation Efforts Fail trên Harvard Business Review số tháng 3 và 4 năm 1995 rằng sai lầm thứ hai của mọi cuộc chuyển đổi là không dựng được một liên minh dẫn đường đủ mạnh. Ông mô tả rất thẳng: những nỗ lực thiếu liên minh đủ mạnh vẫn có vẻ tiến được một quãng, nhưng sớm hay muộn phe phản đối cũng tập hợp lại và chặn đứng thay đổi.
Kotter ước lượng ở tổ chức nhỏ, nhóm dẫn đường năm đầu tiên chỉ cần ba đến năm người. Con số này hợp với doanh nghiệp Việt hơn bất kỳ mô hình nào khác. Bạn không cần cả công ty đồng lòng, bạn cần đủ người để một ý tưởng mới không còn là ý tưởng của riêng sếp.
Chọn ai vào nhóm đó quan trọng hơn chọn công cụ nào. Đây là bộ tiêu chí tôi dùng khi làm việc với khách hàng.
| Nên chọn | Nên tránh |
|---|---|
| Người đang đau thật vì một việc lặp lại mỗi ngày | Người mê công cụ nhưng không sở hữu quy trình nào |
| Người có quyền sửa cách làm của phòng mình | Người phải xin phép ba cấp mới đổi được một biểu mẫu |
| Người được đồng nghiệp ngang hàng tin | Người vừa được thăng chức và đang cần chứng tỏ |
| Người chịu để kết quả bị đo bằng con số | Người chỉ nhận việc khi chắc chắn thắng |
Vai của người đứng đầu trong nhóm này cũng phải nói rõ. Dữ liệu của Prosci cho thấy dự án có người bảo trợ rất mạnh đạt mục tiêu ở mức 79%, còn dự án có người bảo trợ rất yếu chỉ đạt 27%. Lãnh đạo không đứng ngoài cổ vũ, nhưng cũng không làm thay. Anh ấy ngồi trong nhóm với một việc cụ thể của chính mình.
Bốn bước chuyển giao kiến thức AI cho đội ngũ
Bước 1: Chọn người trước khi chọn công cụ
Trước khi mở bất kỳ tài khoản nào, hãy chốt danh sách ba đến năm người theo bảng tiêu chí trên. Mỗi người mang theo đúng một việc đang làm họ mệt mỏi nhất. Danh sách này chính là phạm vi của giai đoạn một, không thêm.
BCG ghi nhận nhóm làm tốt nhất tập trung khoảng 3,5 use case, trong khi nhóm còn lại rải ra 6,1 use case. Ít mà xong vẫn hơn nhiều mà dở dang.
Bước 2: Học trên một bài toán thật của chính phòng ban đó
Đừng dạy AI như dạy một môn học. Hãy lấy đúng việc mỗi người mang tới, rồi cả nhóm làm chung từ đầu đến cuối trong buổi học: mô tả đầu vào, viết tiêu chuẩn đúng sai, cho máy chạy thử, so kết quả với cách làm cũ.
Đây cũng là nguyên tắc tôi giữ khi bàn về văn hóa học tập trong doanh nghiệp: học phải dính vào một việc có tên, có người chịu trách nhiệm, có ngày nghiệm thu. Nếu bạn không viết ra được tiêu chuẩn đúng sai cho một việc, đừng giao việc đó cho máy.
Bước 3: Sửa quy trình và quyền, không chỉ sửa kỹ năng
Đây là bước phần lớn doanh nghiệp bỏ qua, và cũng là bước đắt nhất khi bỏ qua. McKinsey khảo sát 25 yếu tố trong báo cáo The state of AI tháng 3 năm 2025 và thấy việc thiết kế lại quy trình có tác động lớn nhất tới khả năng nhìn thấy tác động lợi nhuận. Chỉ 21% doanh nghiệp đang dùng GenAI nói rằng họ đã thiết kế lại ít nhất một quy trình ở mức căn bản, và hơn 80% chưa thấy tác động nào lên lợi nhuận toàn công ty.
Cụ thể ở quy mô SME, bước này gồm ba việc:
- Viết lại SOP của việc đó theo cách làm mới.
- Đổi biểu mẫu để ghi rõ chỗ nào là máy làm và chỗ nào là người quyết.
- Chỉ định ai ký nghiệm thu đầu ra.
Không có ba việc này thì kỹ năng mới sẽ chết ngay khi người học quay lại guồng cũ. Guồng cũ luôn mạnh hơn. Đây cũng là chỗ việc chuyển giao kiến thức AI cho đội ngũ khác hẳn một khóa đào tạo.
Bước 4: Chạy một vòng đo được trong một tuần, rồi mới lan
Chọn một việc, chạy thật trong bảy ngày, ghi lại hai con số: thời gian trước và sau, số lần phải làm lại. Không cần hoàn hảo, chỉ cần chạy thật và có số liệu để so. Sau đó chính người trong core team đứng ra kể lại trong cuộc họp công ty, không phải sếp kể thay.
Đây là chỗ cơ chế đào thải bị vô hiệu hóa. Nó cũng là cách giữ tư duy hệ thống trong kỷ nguyên AI khi công ty bắt đầu đi nhanh. Khi một đồng nghiệp ngang hàng nói rằng việc này giờ mất hai mươi phút thay vì hai tiếng, phần còn lại của công ty không nghe thấy lời chê nào cả. Họ nghe thấy một người giống họ vừa nhẹ đi.
Ba sai lầm nào hay gặp khi lãnh đạo chia sẻ lại?
Ba lỗi dưới đây tôi gặp gần như ở mọi doanh nghiệp đang tự làm việc chuyển giao kiến thức AI cho đội ngũ.
Đào tạo đại trà cả công ty trong một buổi. Nghe công bằng, nhưng nó chia đều sự chú ý cho những người không có việc gì để áp dụng ngay. Kết quả là một buổi vui và không ai chịu trách nhiệm về bất cứ thứ gì sau đó.
Chọn người mê công nghệ thay vì người đang đau. Người mê công cụ sẽ mang về thêm công cụ. Người đang đau sẽ mang về một quy trình chạy nhẹ hơn, và đó mới là thứ tổ chức giữ lại được.
Học xong rồi giao hết cho phòng IT. IT dựng được tool, nhưng IT không sở hữu nỗi đau của phòng kế toán hay phòng kinh doanh. Giao cả bài toán cho IT là cách nhanh nhất để có một hệ thống đúng kỹ thuật và sai nghiệp vụ.
Người đứng đầu giữ lại việc gì?
Có một ranh giới tôi luôn nói thẳng với khách hàng. Bạn có thể giao phần thực thi, nhưng không giao được quyền nghiệm thu và hướng đi.
Sau khi core team chạy, lãnh đạo vẫn phải giữ ba thứ trong tay: chọn bài toán nào làm trước, đặt tiêu chuẩn thế nào là đạt, và quyết định khi nào thì nhân rộng. Đừng bao giờ giao đi thứ mà bạn chưa hiểu ở mức tối thiểu. Đây cũng là lý do tôi cho rằng chủ doanh nghiệp nên là người học sớm, chỉ là đừng học một mình.
Khoảng cách giữa một cá nhân giỏi lên và cả công ty giỏi lên là một chủ đề riêng, tôi đã mổ xẻ trong bài năng suất cá nhân và năng suất doanh nghiệp.
Quay lại câu hỏi ban đầu
Làm thế nào để tư duy của lãnh đạo thành năng lực thực thi của cả tổ chức? Không phải bằng cách chia sẻ hay hơn, nhiệt hơn, nhiều slide hơn. Mà bằng cách biến một người biết thành một nhóm nhỏ cùng biết, cùng làm một việc thật, và cùng cầm con số đi kể lại.
Một người hùng không đổi được tổ chức. Ba người cùng nhìn về một hướng thì đổi được, và phần còn lại sẽ đi theo bằng chứng chứ không đi theo mệnh lệnh.
Nếu bạn đang ở đúng chỗ này, muốn có một lộ trình ứng dụng AI cho doanh nghiệp gắn với đội ngũ thật thay vì một danh sách công cụ, chương trình AI Roadmap của Markus Lab chạy đúng theo cách trên: 30 ngày, làm việc trực tiếp với leadership team, giá niêm yết công khai 10 triệu. Nếu người bạn muốn dựng thành core team là quản lý cấp trung, chương trình Internal Champion được thiết kế cho đúng vai đó. Bạn cũng có thể đặt lịch tư vấn 30 phút để tôi nghe bài toán trước khi bạn quyết định gì.
Câu hỏi thường gặp
Chuyển giao kiến thức AI cho đội ngũ nên bắt đầu từ đâu?
Bắt đầu từ việc chọn người, không phải chọn công cụ. Chốt danh sách ba đến năm người đang thật sự đau vì một việc lặp lại mỗi ngày và có quyền sửa cách làm của phòng mình. Mỗi người mang theo đúng một bài toán thật. Mở tài khoản công cụ chỉ là việc sau đó.
Core team ứng dụng AI nên gồm bao nhiêu người ở doanh nghiệp nhỏ?
Ba đến năm người trong năm đầu tiên. Đây là ước lượng của John Kotter cho tổ chức nhỏ trong bài Leading Change trên Harvard Business Review năm 1995. Bạn không cần cả công ty đồng lòng, chỉ cần đủ người để một cách làm mới không còn là ý tưởng riêng của sếp.
Vì sao nhân viên kháng cự khi lãnh đạo chia sẻ lại kiến thức AI?
Phần lớn không phải vì sợ công nghệ. Khi chỉ một người đổi ngôn ngữ và cách làm, đồng nghiệp nghe ra một lời chê ngầm về cách họ đang làm việc. Kháng cự lúc đó là chuyện giữ thể diện và chỗ đứng, nên nó không mất đi bằng cách giải thích thêm về công cụ.
Có nên đào tạo AI cho toàn công ty ngay từ đầu không?
Không nên. Đào tạo đại trà chia đều sự chú ý cho những người chưa có việc gì để áp dụng ngay, và kết thúc mà không ai chịu trách nhiệm về kết quả. Cách bền hơn là chạy với core team nhỏ, có số liệu trước và sau, rồi để chính họ kể lại cho phần còn lại của công ty.
Nguồn tham khảo
- The GenAI Divide: State of AI in Business 2025, MIT NANDA
- From Potential to Profit: Closing the AI Impact Gap (AI Radar 2025), Boston Consulting Group
- The state of AI: How organizations are rewiring to capture value, McKinsey & Company
- Leading Change: Why Transformation Efforts Fail, Harvard Business Review
- Change Management Success: research on sponsorship and outcomes, Prosci
Nhận bài viết mới nhất từ Markus Lab
2-3 bài mỗi tuần về AI, build sản phẩm, và growth cho founder & SME Việt. Không spam, unsubscribe bất cứ lúc nào.