Chiến lược Con người + AI thực sự hiệu quả

Điều gì xảy ra khi AI được triển khai mà không có một trường hợp sử dụng rõ ràng, không có kế hoạch quản trị thay đổi, và cũng không tôn trọng những con người mà nó được tạo ra để hỗ trợ? Nó sẽ thất bại — và theo Evan J Schwartz, Giám đốc Đổi mới Sáng tạo tại AMCS và tác giả cuốn *The People, Places and Things*, sự thất bại đó diễn ra theo cách có thể dự đoán trước và hoàn toàn có thể phòng tránh. Trong tập này của podcast CTRL+Listen, Evan chia sẻ những bài học thực tế đúc kết từ hơn 35 năm làm việc trong lĩnh vực phần mềm doanh nghiệp, triển khai ERP và tự động hóa công nghiệp trong các ngành lâm nghiệp, khai khoáng, phế liệu kim loại và xử lý chất thải.



Từ bảo trì dự đoán ứng dụng AI và tối ưu hóa đội xe cho đến những rủi ro của các trường hợp sử dụng AI tràn lan khắp nơi, Evan lập luận cho một chiến lược “con người cộng với AI” — trong đó các tác vụ AI hẹp, được xác định rõ ràng, được kết hợp lại để tạo ra tác động cộng dồn. Ông cũng đi sâu vào cách AI đang định hình lại giáo dục phần mềm, lý do vì sao những người đa năng sẽ tồn tại lâu hơn các chuyên gia hẹp trong kỷ nguyên AI, và ngành rác thải cùng tái chế có thể dạy phần còn lại của chúng ta điều gì về hiệu quả vận hành.



Tìm hiểu thêm về Evan →



Theo dõi Evan → 

Nghe tập này

Xem tập này

Điểm chính rút ra

• Phần lớn các sáng kiến chuyển đổi số và AI thất bại vì khâu áp dụng, chứ không phải vì công nghệ. Các dự án ERP và AI sụp đổ với tỷ lệ cao vì các tổ chức đánh giá thấp quản trị thay đổi, mức độ phù hợp với văn hóa và sự phức tạp vận hành trong thế giới thực.
• Một khuôn khổ có cấu trúc, lấy con người làm trung tâm là yếu tố thiết yếu để chuyển đổi thành công. Cách tiếp cận “hành trình khách hàng” nhấn mạnh các giai đoạn rõ ràng, lựa chọn nhà cung cấp có hiểu biết và các bước áp dụng thực tế vượt ra ngoài quản lý dự án tiêu chuẩn.
• AI hoạt động hiệu quả nhất khi là công cụ khuếch đại con người, không phải thay thế con người. Các trường hợp sử dụng AI hẹp, được xác định rõ ràng — kết hợp với phán đoán của con người — tạo ra các lợi ích cộng dồn về hiệu suất, logistics, bảo trì dự đoán và lợi nhuận.
• Hiệu quả vận hành và tính bền vững có sự đồng nhất về kinh tế. Tối ưu hóa logistics, đội xe và việc sử dụng tài nguyên giúp giảm chi phí, tăng dòng tiền tự do và giảm tác động môi trường, biến tính bền vững thành một lợi thế kinh doanh thay vì một sự đánh đổi.

Bản ghi

James Sweetlove: Chào mọi người, tôi là James từ podcast Control+Listen podcast, được Octopart tài trợ. Cảm ơn các bạn đã theo dõi hôm nay.

Hôm nay chúng tôi có một vị khách đặc biệt, Evan Schwartz. Ông là Giám đốc Đổi mới Sáng tạo tại AMCS, nhà sáng lập và CEO của Evan J Schwartz, đồng thời là giảng viên thỉnh giảng tại Jacksonville University. Cảm ơn ông rất nhiều vì đã tham gia cùng chúng tôi.

Evan J Schwartz: Rất vui được có mặt ở đây, James. Tôi rất hào hứng khi tham gia. Cảm ơn anh.

James Sweetlove: Chúng ta đã có một vài cuộc trao đổi ngắn trước đó, và tôi thực sự rất mong được đi sâu vào một số điều mà chúng ta đã bàn cho buổi hôm nay.

Để bắt đầu, có lẽ ông có thể chia sẻ về xuất thân của mình, và kể cho chúng tôi đôi điều về Evan J Schwartz được không?

Evan J Schwartz: Chắc chắn rồi.

Câu chuyện khởi đầu của tôi rất giống với những gì bạn thường nghe trong ngành CNTT. Tôi bắt đầu phát triển trò chơi từ thời đại hệ thống bảng tin quay số, những ngày đầu của máy tính. Và điều đó giúp tôi trở nên rất thoải mái với công nghệ, hiểu được trải nghiệm người dùng, cũng như nhiều công nghệ mới nổi thời bấy giờ, mà khi đó là modem quay số.

Từ đó, tôi nhanh chóng bước vào thế giới kinh doanh và nhận ra có vô vàn cơ hội trong nhiều lĩnh vực khác nhau, đặc biệt là các ngành tạo ra giá trị tài sản. Và đó là câu chuyện kéo dài hơn 35 năm cho đến hôm nay.

Vì vậy đến nay, tôi vẫn gắn bó rất nhiều với các hệ thống vận hành doanh nghiệp, các hệ thống tạo dòng tiền tự do kiểu “cỗ máy”, các hệ thống tự động hóa, những thứ giúp doanh nghiệp vận hành — đặc biệt là trong các ngành tạo ra giá trị như lâm nghiệp, khai khoáng, logistics thu hồi, phế liệu kim loại, hay bất kỳ nơi nào có biên lợi nhuận chặt và bạn đang cố gắng thực sự tối ưu hóa, tự động hóa quy trình — đó là nơi tôi đã theo đuổi xuyên suốt sự nghiệp của mình.

Evan J Schwartz như một phần mở rộng mang tính cá nhân từ hành trình đó, là điều tôi trở nên rất tâm huyết vì qua nhiều năm, tôi bắt đầu nhìn thấy những mô thức lặp đi lặp lại: các công ty mua một hệ thống ERP lớn, trải qua sự thay đổi khổng lồ trong tổ chức của họ. Và thống kê hiện tại của Gartner, rất phù hợp với những gì tôi đã thấy suốt sự nghiệp — dù là người đến dọn dẹp hậu quả hay là một phần của dự án đang cố vượt qua nó — chính là tỷ lệ thất bại quanh việc áp dụng các hệ thống doanh nghiệp quy mô lớn vận hành cả doanh nghiệp.

Vì vậy, Evan J Schwartz và “hành trình khách hàng” là nỗ lực của tôi. Tôi viết cuốn sách để cung cấp bối cảnh cho hơn 35 năm trải nghiệm thực chiến của mình — đã ở đó, đã thấy, đã làm. Còn “hành trình khách hàng” là nỗ lực của tôi trong việc xây dựng một khuôn khổ.

Mặc dù quản lý chương trình và quản lý dự án đã phát triển rất tốt, gần như trở thành những ngành khoa học riêng, nhưng tôi nghĩ — và đã trực tiếp chứng kiến — rằng có một cách tiếp cận rất đặc thù đối với việc triển khai và đưa vào sử dụng một hệ thống vận hành mới, một phần mềm mới. Vì thế, “hành trình khách hàng” là một khuôn khổ nằm chồng lên những gì bạn xem là thông lệ tốt nhất trong quản lý dự án và quản lý chương trình, nhưng bao quát một số thách thức rất riêng dẫn đến tỷ lệ thất bại 70% này.

Ý tôi là, bây giờ bạn đang thấy điều đó rồi đấy. AI là một dạng khác của chuyển đổi số. Và năm ngoái, MIT đã công bố các báo cáo nói rằng 95% các dự án này không đạt được ROI kỳ vọng hoặc thất bại, đúng không? Và chúng thất bại vì cùng những lý do đó. Nên tôi nghĩ, chắc chắn phải có cách để ngăn chuyện này lại.

Và vì vậy, “hành trình khách hàng” bao gồm toàn bộ các giai đoạn khi triển khai bất kỳ dạng chuyển đổi số nào. Nó cho bạn biết mọi thứ dưới góc nhìn của khách hàng: bạn cần làm gì, chọn nhà cung cấp như thế nào, lựa chọn phần mềm ra sao, lập kế hoạch chương trình thế nào? Những cạm bẫy nằm ở đâu? Khi nào dự án bắt đầu trật bánh, và làm sao để đi đến một quá trình triển khai thành công có thể tạo ra dòng tiền tự do, cải thiện chỉ số EBITDA của bạn?

Lý do duy nhất để bạn mua những hệ thống này là nhằm cải thiện tình hình tài chính của công ty. Bạn không mua hệ thống chỉ để có một hệ thống số, đúng không? Chúng phải tạo ra chuyển biến ở cấp độ tài chính, và đã có quá nhiều trường hợp đi sai hướng.

Chênh lệch đến hai bậc độ lớn, điều đó thật đáng kinh ngạc. Hai năm trước, ở Đức có một vụ rất lớn được đưa lên báo, nơi một dự án triển khai SAP bị đội chi phí lên tới 650 triệu USD trước khi họ buộc phải dừng lại. Không tạo ra giá trị nào cả, chỉ là một dự án chảy máu tiền mà họ chẳng bao giờ đi đến đích.

Vì vậy, tôi gần như đã nói rằng: quá đủ rồi. Có một cách để chiến thắng một cách nhất quán và lặp lại. Hãy để tôi đưa ra một khuôn khổ trước mắt mọi người, bởi vì tất cả những ai tôi từng nói chuyện cùng — và trong cuốn sách có một người bạn thân của tôi là John Leonard, CEO của Florachem — vì mối quan hệ của chúng tôi, anh ấy đã không tìm đến tôi để giúp điều hành việc triển khai của mình, và đó là một phần mềm khác, nhưng anh ấy đã nhận về một kết quả tiêu cực.

Và đến cuối câu chuyện đó, anh ấy tìm đến tôi, chúng tôi ngồi xuống với nhau, và tôi đã giải thích: được rồi, anh lẽ ra nên làm điều này, hoặc đó sẽ là một hướng đi đúng hơn, đúng không? Anh ấy nói: Trời ơi, tôi không biết nữa. Giá như tôi biết điều đó trước khi tham gia vào.

Và kết cục câu chuyện của anh ấy là anh ấy bị mắc kẹt với việc phải trả phí bản quyền 5 năm cho một phần mềm mà anh ấy không thể sử dụng. Cảm giác đó thật kinh khủng, đúng không? Và nó hoàn toàn có thể tránh được. Phần tệ nhất chính là ở đó: đây không phải chuyện ngẫu nhiên. Đây không phải là một tai nạn tàu hỏa mà ta không thể ngăn lại. Nó đã được biết rõ, được ghi nhận rõ ràng. Nó xảy ra thường xuyên đến mức người ta còn lên kế hoạch dự phòng cho nó quá mức.

Mục tiêu của tôi là làm sao có thể trang bị cho đủ nhiều người thông tin cần thiết để tránh điều đó. Và đó chính là điều “hành trình khách hàng” hướng tới.

James Sweetlove: Tuyệt vời.

Vâng, có vẻ như đây là một dịch vụ rất cần thiết, và cũng là một trong những lĩnh vực mà mọi người đang lao vào quá nhanh, có lẽ họ chưa thực hiện mức độ thẩm định cần thiết như đáng lẽ phải làm.

Evan J Schwartz: Một phần là như vậy, và một phần chỉ đơn giản là bạn không biết những điều mà mình không biết, đúng không? Nó cũng giống như mọi thứ khác. Bạn tiếp cận sự việc bằng lăng kính và góc nhìn của riêng mình, và khách hàng hiểu công việc kinh doanh của họ hơn bất kỳ ai.

Nhưng tôi có thể nói với anh rằng, sau khi đã làm việc trong các lĩnh vực khí tự nhiên, hàng hóa cơ bản, lâm nghiệp, phế liệu kim loại, sản xuất, thậm chí cả giao dịch hàng hóa trên thị trường, bất kể có bao nhiêu người trong ngành đó, kể cả ngành rác thải và tái chế, thì không có hai doanh nghiệp nào vận hành giống nhau cả. Không một doanh nghiệp nào.

Họ đều làm cùng một loại hình kinh doanh. Nếu nhìn từ trên cao, có vẻ như tất cả đều làm giống nhau. Nhưng khi đi xuống mức chi tiết, không một doanh nghiệp nào vận hành giống nhau cả. Đó là “bí quyết riêng” của họ. Đó là yếu tố khác biệt của họ. Và đó thường cũng là nơi mọi thứ bắt đầu hơi chệch khỏi đường ray.

Họ đều có một nền văn hóa riêng. Anh sẽ ngạc nhiên khi thấy văn hóa của doanh nghiệp được định hình nhiều đến mức nào — hoặc buộc phải phù hợp đến mức nào — dựa trên phần mềm mà anh triển khai trên toàn hệ thống. Bởi vì nó chạm đến mọi bộ phận trong doanh nghiệp, mọi bộ phận, đúng không?

James Sweetlove: Trước khi chúng ta đi quá sâu vào các chủ đề khác, tôi cũng muốn khán giả có được một bản tóm tắt ngắn gọn về công việc của ông tại AMCS Group. Nếu được, ông có thể chia sẻ đôi chút về vai trò của mình ở đó không?

Evan J Schwartz: Đúng vậy. Hiếm khi bạn có cơ hội làm việc ở một nơi khiến máu bạn sôi lên, khiến bạn hào hứng thức dậy vào buổi sáng và lao vào một điều gì đó. Vì vậy, với AMCS, trong nhiều năm—và có lẽ chúng ta sẽ phải mất hàng giờ nếu muốn kể hết toàn bộ câu chuyện—nhưng thực tế là tôi đã chuyển sang nhiều doanh nghiệp khác nhau trong các ngành công nghiệp giàu tài nguyên.

Ngành lâm nghiệp là một trong những ngành công nghiệp giàu tài nguyên đầu tiên mà chúng tôi tham gia, khi ngày xưa chúng tôi khai thác cây để làm giấy, đúng không? Rồi khi tái chế bắt đầu trở thành một xu hướng, chúng tôi cần một cách để thu hồi bìa carton, nghiền bột lại và biến nó trở lại thành sản phẩm. Thế là điều đó phát triển thành hoạt động tái chế.

Nhiều người không biết điều này, nhưng không có phần nào của cây bị lãng phí cả. Ngay cả terpene và một số phụ phẩm của quá trình sản xuất giấy cũng là những sản phẩm có giá trị. Như người tôi vừa nhắc tới, John, anh ấy đang làm trong ngành hóa chất. Terpene được dùng để tạo hương vị.

Vì thế bạn sẽ nhanh chóng thấy rằng ngành khí tự nhiên, ngành dầu khí, tất cả những ngành này đều được kết nối với nhau, hoặc thông qua logistics. Phụ phẩm hoặc chất thải của người này lại là nguyên liệu đầu vào của người khác. Chúng được kết nối rất chặt chẽ.

Vì vậy khi tôi đến với AMCS, đó chính là điểm giao chính xác của mạng lưới kết nối giữa tất cả những ngành công nghiệp khác nhau này. Và đó là nơi bạn bắt đầu tìm ra những hiệu quả bổ sung.

Với nền tảng là tính bền vững về hiệu suất, chúng tôi tin rằng thông qua công nghệ, chúng tôi có thể tạo ra những tác động tích cực lớn hơn lên môi trường so với trước đây. Và chúng tôi đang làm điều đó mỗi ngày, đúng không?

Vì vậy, công việc tôi làm tại AMCS là ở mảng đổi mới sáng tạo. Tôi có thể đặt cược vào một số công nghệ mới nổi này, sau đó tiên phong phát triển nó đến mức vượt qua giai đoạn POC và đi vào vận hành thực tế, rồi tôi bàn giao lại cho đội ngũ sản phẩm để họ hoàn thiện và biến nó thành thứ thực sự có giá trị cho khách hàng. Đó là vai trò của tôi tại AMCS.

Vì vậy, khi chúng ta nhìn vào cách AI đang phù hợp với chu trình ERP của bạn, làm thế nào để tiết kiệm logistics? Mọi doanh nghiệp—đó là lý do tôi gọi cuốn sách của mình là People, Places and Things. Có con người tham gia, có những địa điểm bạn phải đến, có những thứ bạn phải di chuyển, có logistics liên quan trong đó. Tất cả những yếu tố đó kết hợp lại để tạo ra và luân chuyển dòng tiền tự do, biên lợi nhuận, EBITDA của bạn. Tất cả đều quan trọng.

Và nếu bạn có thể kiếm tiền bằng cách không gây ô nhiễm, chẳng phải bạn sẽ có xu hướng làm điều đó hơn sao? Nếu tôi có thể giúp bạn tiết kiệm một trăm gallon dầu diesel mỗi năm, cho mỗi xe tải, với giá chỉ cần 4 đô la một gallon, và bạn có 1.400 xe tải, thì đó là từng ấy nhiên liệu không bị thải vào bầu khí quyển, đồng thời cũng là từng ấy nhiên liệu bạn không phải mua.

Bây giờ, đó là tính bền vững về hiệu suất. Đó là việc sắp xếp những hành động đúng đắn để tạo ra các ngoại tác tích cực thay vì ngoại tác tiêu cực, đồng thời tác động đến lợi nhuận ròng, biên lợi nhuận, EBITDA, dòng tiền tự do của bạn—tất cả mọi thứ. Đó là giá trị mà AMCS mang đến. Và nó kết nối xuyên suốt tất cả những ngành đó. Nó nhìn thấy cơ hội ở khắp mọi nơi.

Vì vậy, chúng tôi là một hệ thống SaaS ERP quy mô lớn cho các ngành công nghiệp thâm dụng tài nguyên, theo mô hình end-to-end. Từ quản lý đội xe, logistics trên các tuyến đường, khả năng tiếp nhận vật liệu, hiểu được giá trị của chúng, có thể bán chúng và đưa trở lại thị trường, tái chế chúng—đó là logistics ngược.

Vì vậy, tôi tạo ra một sản phẩm, giờ tôi cần đưa thứ đó trở lại tay mình để có thể tháo rời nó thành các thành phần và biến nó trở lại thành thứ gì đó hữu ích, đúng không? Điều đó rất khó.

Chúng ta đã dành hàng nghìn năm để trở nên rất giỏi, với tư cách một loài, trong việc đào thứ gì đó lên khỏi lòng đất hoặc thu hoạch thứ gì đó từ đất đai. Nó không di chuyển. Tôi luôn biết trang trại của mình ở đâu. Tôi biết mỏ của mình ở đâu. Nhưng một khi tôi đã tạo ra sản phẩm và đưa nó ra thị trường, tôi không hề biết từ đó nó đã đi đâu.

Vì vậy, làm sao để thu hồi nó trở lại đủ hiệu quả để có thể biến vật liệu đó lại thành nguyên liệu thô cho một sản phẩm mới—đó là thách thức mà chúng tôi đang thành công trong việc mang lời giải đến cho thế giới. Nên tôi rất yêu công việc này.

James Sweetlove: Đó cũng là điều cực kỳ thú vị và vô cùng cần thiết. Ý tôi là, với cách chúng ta đang tiêu thụ tài nguyên hiện nay, không có cách nào khác ngoài việc phải làm được điều này. Chúng ta bắt buộc phải làm.

Evan J Schwartz: Chính xác. Nhưng cuối cùng chúng ta cũng đang đi đến một điểm mà điều đó có thể thực hiện được mà không cần phải ép buộc ai đó hay chỉ dựa vào tuân thủ hoặc hình phạt. Công nghệ cuối cùng đã bắt kịp tầm nhìn. Hãy hiểu như vậy.

James Sweetlove: Chắc chắn rồi. Anh cũng vừa chạm tới điều này trong những gì anh nói, nhưng tôi muốn đào sâu hơn một chút. Anh có thể cho chúng tôi biết một chút về việc một công ty đang bỏ lỡ điều gì nếu không ứng dụng AI và tự động hóa trong lĩnh vực logistics không?

Evan J Schwartz: AI thực sự, thực sự rất giỏi trong việc xem xét đúng lượng dữ liệu và nhận ra các mẫu hình, nhưng nó cũng rất giỏi trong việc nhìn vào những khu vực mà chúng ta khó quan sát, vốn thường là phần kết nối hoặc điểm bàn giao từ bước này sang bước tiếp theo.

Vì vậy, chúng ta có thể tập trung vào một bước và đào rất sâu để đảm bảo bước đó hiệu quả nhất có thể. Nhưng rồi tôi chuyển nó sang giai đoạn tiếp theo ở thượng nguồn, và chúng ta rất khó để nhìn xa quá một, có lẽ là hai bước. Sau đó mọi thứ bắt đầu trở nên rất mờ.

Với AI, chúng ta có thể nhìn xuyên suốt toàn bộ chuỗi cung ứng. Chúng ta có thể trở nên có tính dự báo.

Có một điều đáng nói ở đây khi tôi định tối ưu hóa quy trình này. Một ví dụ trong ngành chất thải là có một container bị chắn. Tôi đã điều xe của mình ra đó và, không phải lỗi của bạn, một xe công ích đang chắn phía trước, đúng không? Tôi đến nơi và không thể liên lạc với bạn, cũng không thể tiếp cận container. Tôi đã lãng phí toàn bộ chuyến đi để đến phục vụ container đó.

Tôi phải chụp ảnh lại, gửi cho bạn, và cho bạn biết rằng tôi không thể phục vụ xe của bạn hoặc container của bạn vì có một chiếc xe đỗ phía trước nó. Rất có thể tôi sẽ phải tính phí để quay lại. Điều đó không hiệu quả chút nào.

Ngược lại, với cảm biến hoặc hình ảnh từ camera trong khu vực—vì tôi đã tham dự hội nghị về thành phố thông minh, nơi họ đang mở quyền truy cập camera đô thị cho các nhà cung cấp dịch vụ—nếu tôi có thể thấy chiếc xe tải đó đang chắn container trước khi xe của tôi đến nơi thì sao, và tôi có thể gọi báo cho ai đó hoặc yêu cầu di chuyển nó trước khi xe của tôi đến?

Khi đó, thay vì đến nơi rồi không còn thời gian để liên lạc với bạn xem bạn có thể cho di chuyển chiếc xe đó không, tôi biết trước là mình còn cách đó 30 phút. Có người đang chắn nó. Tôi sẽ gửi cho bạn một cảnh báo. Khả năng cao hơn là tôi sẽ khiến bạn bước ra và nói, này các anh, tôi cần các anh di chuyển chiếc xe tải đó. Tôi có người sắp đến phục vụ container của tôi. Tôi cần các anh tránh đường.

AI làm điều đó rất tốt vì việc để một nghìn người ngồi xem một nghìn camera và theo dõi mọi thứ là điều không thể mở rộng. Nhưng AI thì có thể làm được, đúng không?

Khi nhìn vào cách chúng tôi đang ứng dụng AI, chúng tôi đang giảm số dặm mà xe tải của bạn phải chạy vì chúng tôi đang tối ưu hóa tuyến đường. Chúng tôi cũng giảm được chi phí vì có thể lấy dữ liệu chất lỏng từ chiếc xe đó và hiểu được: nó có cần bảo trì không?

Nếu tôi không phải đưa chiếc xe đó ra khỏi một ngày làm việc hiệu quả để đi bảo trì, thì tôi không đưa thêm chất lỏng, dầu nhớt vào môi trường, và chiếc xe đó vẫn tiếp tục tạo năng suất. Chỉ cần tôi cắt giảm được một chu kỳ bảo trì mỗi năm cho mỗi xe tải thôi, thì đó đã là hàng chục nghìn đô la doanh thu được giữ lại, chi phí được tránh đi, và hàng gallon dầu thải mà tôi không phải thải ra.

Và nếu tôi có thể phát hiện nhiễm bẩn ngay tại điểm thu gom, thì tôi sẽ không làm nhiễm bẩn cả một xe đầy vật liệu chỉ vì một trong các container có tạp chất.

Hoặc nếu tuyến đường của tôi được tối ưu vì tôi biết xe tải của mình có thể chở bao nhiêu, và tôi biết mình đã cấp cho tất cả những người này các thùng 90 gallon, thì tôi biết khi nào cần đi đổ tải. Đó là một phần trong quy trình tối ưu hóa của tôi. Đó là một quy trình tối ưu. Nhưng nếu tôi bắt đầu thu gom nhiều container mà nắp bị tràn hoặc rác đầy trào ra ngoài, tôi có thể tính đến điều đó vì thực tế là tôi đang lấy nhiều hơn mức 90 gallon chất thải.

Không công bằng nếu tôi chỉ tính phí bạn cho một thùng rác 90 gallon trong khi bạn lại bỏ vào đó 120 gallon chất thải, đúng không?

Vì vậy, tất cả những điều đó, nếu xét riêng lẻ, đều rất hiệu quả, nhưng khi bạn bắt đầu liên kết chúng lại với nhau thì chúng sẽ cộng hưởng, tạo thành mức tăng trưởng theo cấp số nhân. Và rồi bạn nhận ra rằng công việc trước đây cần 13 xe để phục vụ, giờ tôi có thể làm chỉ với 10 xe.

Tác động đối với một đơn vị vận hành trung bình khi có thể cho ba chiếc xe này ngừng hoạt động—chưa cần nói đến chi phí mua xe, chỉ tính theo năm thôi—đã vào khoảng một triệu đô la mỗi năm. Bạn có bảo hiểm, chi phí bảo trì, nhân công. Vì vậy, việc có thể phục vụ cộng đồng của mình với ít hơn ba xe đồng nghĩa với việc đưa lại 3 triệu đô la dòng tiền tự do vào doanh nghiệp để tôi có thể đầu tư sang nơi khác nhằm tăng trưởng, đúng không?

Bạn lấy một kịch bản đó rồi có thể nhân lên và áp dụng sơ đồ đó, mô thức đó cho mọi phần trong doanh nghiệp của mình. Những khu vực hiện nay chưa thể mở rộng quy mô là những chỗ chúng ta chưa xem xét tới, vì trước đây không thể, nó không hợp lý. Tôi sẽ phải đặt một con người ở từng công đoạn nhỏ để quan sát nó. Nhưng giờ thì tôi không cần nữa, đúng không?

Đó mới là giá trị thực sự. Giữ cho các trường hợp sử dụng của AI ở phạm vi hẹp rồi liên kết chúng lại với nhau, để AI thực hiện một việc rất cụ thể, nhưng tôi có thể mở rộng quy mô nó, tôi có thể nhân nó lên, tôi có thể có những “con mắt” đó theo dõi 10.000 camera để tìm đúng thứ này. Điều đó dễ mà, đúng không?

Chỉ khi bạn muốn một AI hiện diện khắp nơi để quan sát tất cả những thứ này thì bạn mới bắt đầu thấy nó đi chệch hướng và trật đường ray. Và đó là nơi xuất hiện phần lớn tỷ lệ thất bại của AI. Nó nằm ở trường hợp sử dụng. Bạn chưa suy nghĩ thấu đáo về trường hợp sử dụng một cách phù hợp.

Và nếu trường hợp sử dụng của bạn là cố gắng loại bỏ con người, thì bạn đã thất bại ngay từ đầu rồi. Xin lỗi nhé. Đó là một chiến lược con người cộng AI. Bạn sẽ không thắng theo cách đó đâu.

Bây giờ, điều đó không có nghĩa là đến cuối cùng, nếu bạn đã làm cho mình hiệu quả hơn, thì bạn không thể điều chỉnh quy mô doanh nghiệp cho phù hợp — hoàn toàn có thể. Nếu không còn tăng trưởng nào để khai thác nữa và bạn đã chinh phục được mọi phần của nó, thì hãy điều chỉnh quy mô doanh nghiệp cho phù hợp. Không có lý do gì để giữ lại những nguồn lực bạn không cần.

Nhưng khi bạn theo đuổi AI, suy nghĩ cốt lõi của bạn nên là: AI sẽ làm cho công việc này với những nguồn lực hiện có tốt hơn như thế nào? Tôi có thể mở rộng thêm không? Tôi có thể làm nhiều hơn không? Tôi có thể tạo ra nhiều biên lợi nhuận hơn từ chi phí của nguồn lực này không?

Rồi đến cuối cùng, giống như ví dụ về xe tải, giờ tôi có thể làm tất cả việc này với 10 xe thay vì 13 xe. Hoặc là tôi cần đi tìm thêm việc kinh doanh để ba chiếc xe đó đảm nhận, hoặc nếu tôi đã tối ưu hết mức rồi, thì tôi không cần ba chiếc xe đó nữa.

Vì vậy, hãy điều chỉnh quy mô ở cuối hành trình. Đừng bước vào với suy nghĩ rằng, này, tôi có thể cắt lực lượng lao động từ 10 người xuống còn hai. Bạn sẽ thất bại vì điều đó làm thay đổi cách bạn tư duy về việc triển khai AI.

Và AI không sửa được thứ mà chúng ta đang làm ngay lúc này. AI không làm tốt việc này. Bất cứ nơi nào có sự kết nối giữa con người với con người, bạn cần để con người ở trong vòng lặp. Có lý do vì sao nhãn của cuốn sách là People, Places and Things. Con người là ưu tiên. Hãy tập trung vào điều đó. Rồi sau cùng, hãy điều chỉnh quy mô từ đó khi bạn đã đạt được mức tăng trưởng của mình.

James Sweetlove: Đúng vậy. Không, tôi thực sự trân trọng góc nhìn đó vì đó cũng là quan điểm mà cá nhân tôi chia sẻ. Bạn không thể thay thế tất cả mọi người trong một công ty. Điều đó là không thể.

Evan J Schwartz: Đúng vậy. Và chúng ta đang thấy những công ty lớn đã cố làm điều đó quá sớm, giờ họ đang quay lại, và bây giờ họ phải trả nhiều hơn để lấy lại những nguồn lực đó so với việc ngay từ đầu chỉ cần suy nghĩ thấu đáo hơn.

James Sweetlove: Đúng, chắc chắn rồi. Vâng, tôi đã thấy vài ví dụ như vậy trên tin tức. Kiểu như, à, được rồi, về cơ bản là chúng tôi đã mắc sai lầm. Nhưng tôi nghĩ điều tốt là, như anh nói, các công ty thừa nhận điều đó và không — không rơi vào kiểu ngụy biện chi phí chìm, kiểu như, thôi thì chúng ta đã đi quá xa rồi, cứ tiếp tục thôi.

Vậy anh có nhắc đến một thuật ngữ lúc nãy mà tôi muốn đề cập tới vì tôi nghĩ mọi người có thể chưa quen với nó. Nếu anh có thể giải thích thật ngắn gọn, ERP là gì, và vai trò cụ thể của nó là gì?

Evan J Schwartz: Vâng, ERP, anh nói đúng, đó là một thuật ngữ có thể được dùng theo nhiều cách khác nhau. Tôi cũng nghe một số người nói rằng CRM của họ, hay hệ thống quản lý bán hàng và quan hệ khách hàng của họ, là một ERP mới.

Với chúng tôi, ERP là một hệ thống chuyển đổi số đang nắm giữ một phần lớn của doanh nghiệp bạn. Dù đó là phần nền tảng tài chính và kế toán, CRM của bạn, hay thứ vốn theo cách gọi truyền thống là ERP, tức hệ thống vận hành của bạn. Đó là tầng quản lý của bạn, đúng không? Đó là cách doanh nghiệp của bạn vận hành.

Không hẳn là — nó sẽ kết nối vào cách bạn thực hiện bán hàng nếu doanh nghiệp của bạn có thành phần bán hàng. Hầu hết doanh nghiệp đều có một phần như vậy, và nó kết nối vào thành phần tài chính và kế toán của bạn nếu bản thân nó không có sẵn các thành phần tài chính và kế toán.

Nơi bạn thấy rất nhiều ma sát, và rất nhiều thất bại ở một số ERP, là khi bạn bắt đầu thấy các hệ thống kế toán cũng cố gắng làm luôn phần vận hành. Bởi từ góc nhìn của họ thì có vẻ dễ. Nhưng rồi khi họ bắt đầu nhận ra rằng, à, chúng tôi đã xây dựng một hệ thống kế toán.

Một ví dụ rất điển hình là trong nhiều ngành này, tôi cần nguyên vật liệu đó có mặt ở đây. Tôi sẽ không quá bận tâm đến việc chúng ta đã ký thỏa thuận hay chưa. Anh với tôi bắt tay với nhau rồi và tôi cần nguyên vật liệu đó. Tôi cần số gỗ đó để giữ cho nhà máy lớn kia tiếp tục chạy vì mỗi giờ nó không chạy là tôi mất một triệu đô la. Vậy nên cứ chuyển nó tới đây đi, rồi chúng ta sẽ xử lý sau. Hãy thống nhất một mức giá và cứ theo dõi nó.

Phần lớn các hệ thống kế toán thậm chí còn không cho phép bạn thiết lập việc đó nếu không có tài liệu, hợp đồng, hay thỏa thuận ở bên trong. Vì vậy các hệ thống vận hành cần phải di chuyển theo tốc độ của doanh nghiệp. Chúng cần linh hoạt. Chúng không thể có những quy tắc cứng nhắc cố định như vậy. Chúng phải có các quy tắc linh hoạt, cho phép con người đưa ra quyết định chỉ huy. Những người ở tuyến đầu.

Các hệ thống kế toán thường không làm tốt điều đó.

Vì vậy trong ngữ cảnh của tôi, ERP trải rộng trên toàn bộ bức tranh, đúng không? Ở bất kỳ nơi nào bạn đang dùng một phần mềm để vận hành doanh nghiệp của mình, đúng không? Dù là ở phía bán hàng, phía vận hành hay phía tài chính, nó bao trùm rất nhiều trong số đó. Và sự phân biệt sẽ nằm ở chỗ công cụ đó thực sự làm gì.

Nhưng về bản chất, đó là một dự án chuyển đổi số mà bạn triển khai, tác động đến một phần lớn doanh nghiệp của bạn.

James Sweetlove: Hoàn toàn hợp lý. Nhưng cảm ơn anh đã làm rõ. Tôi nghĩ việc hiểu rõ anh đang xuất phát từ đâu khi dùng thuật ngữ đó là rất hữu ích.

Vậy, đi sâu hơn vào một số điều mà chúng ta đã trao đổi trước cuộc gọi này. Anh đã chia sẻ với tôi vài góc nhìn rất thú vị. Tự động hóa bảo trì dự đoán là một điều anh từng nói với tôi, và nghe có vẻ là một chủ đề rất hấp dẫn. Anh có muốn nói kỹ hơn một chút về nó là gì không?

Evan J Schwartz: Vâng, nhiều người sẽ dùng lịch sử trước đây của một chiếc xe hay một cỗ máy — có thể là một tài sản cố định, như máy nghiền chẳng hạn — và nói rằng, chúng tôi đã phải bảo dưỡng nó hai đến ba lần mỗi năm. Vậy nên tôi dự đoán, dựa trên dữ liệu lịch sử, rằng năm nay tôi sẽ phải bảo trì nó hai đến ba lần, hoặc cứ mỗi sáu tháng một lần.

Để gần gũi hơn với khán giả của anh nhé. Khi tôi mua một chiếc xe, họ nói với tôi rằng cứ mỗi 3.000 dặm là tôi phải mang xe đi thay dầu, đúng không? Và chúng ta đều biết rằng một chiếc xe mới tinh thì không nên cần thay dầu sau 3.000 dặm, đúng không? Không phải với độ chính xác cơ khí của động cơ ngày nay. Điều đó không hợp lý.

Nhưng đồng thời, những cỗ máy này là những thiết bị tạo ra doanh thu. Không phải chúng chỉ chạy cho có, hay đơn thuần là một khoản chi phí chìm. Chúng đang tạo ra giá trị.

Vậy hãy tưởng tượng giờ đây bạn chỉ cần lấy một mẫu dầu, giống như xét nghiệm máu, đưa nó qua một bộ tính toán AI, và nó sẽ nói, được rồi, dựa trên những yếu tố này, anh nên bắt đầu bán thiết bị đó đi. Có thể anh chưa đi hết vòng khấu hao, nhưng anh đã khai thác cỗ máy đó rất nặng. Nó sẽ hỏng mất. Vì vậy khuyến nghị của tôi là bán nó đi và mua cái mới.

Hoặc là cỗ máy đó đang chạy rất tốt. Không có lý do gì để dừng nó lại để bảo dưỡng. Chúng ta có thể bỏ qua một đợt bảo dưỡng, đúng không? Điều đó giúp bạn không phải phỏng đoán với một số thiết bị cực kỳ đắt tiền của mình.

Và như tôi đã nói, với những chiếc xe tải này, mỗi phương tiện như vậy, dù là trong lĩnh vực rác thải và tái chế, thì đều là đi lấy hàng, đi đâu đó, lấy một thứ gì đó và giao nó đi. Và đó là một sự chuyển giao giá trị.

Nếu tôi biết chiếc xe đó đang vận hành không tốt và nó là phương tiện vận chuyển, thì chúng ta quay lại với logistics ngược. Trong ngành có một câu nói rằng phế liệu không thích di chuyển xa. Mỗi dặm bạn phải chở phế liệu đi, là bạn đang ăn mòn biên lợi nhuận của nó, đúng không? Vì vậy bạn cần phương tiện đó chạy hiệu quả nhất có thể.

Một phương tiện được bảo dưỡng tốt, được bôi trơn tốt sẽ vận hành hiệu quả hơn rất nhiều, tiêu thụ ít nhiên liệu hơn rất nhiều so với một chiếc đang phun khói đen phía sau hoặc rít ken két khi chạy. Nó sẽ tốn nhiều nhiên liệu hơn nhiều.

Vì vậy, chúng tôi mang đến cho bạn khả năng tiếp nhận toàn bộ dữ liệu đo kiểm từ máy móc của bạn, चाहे đó là máy mài, phương tiện, hay bất kỳ loại tài sản cố định nào có các bộ phận chuyển động, để cho bạn biết chính xác bên trong đang diễn ra điều gì và giúp bạn đưa ra quyết định. Bạn có nên trì hoãn để tận dụng thêm vài ngày giá trị từ thiết bị này vì chưa cần phải xử lý ngay không? Hay trước khi xảy ra một sự cố dừng hoạt động ngoài dự kiến, ta nên chủ động lên lịch bảo trì. Ta nên đặt mua phụ tùng mới. Thiết bị này sắp hỏng, thiết bị kia cũng sắp hỏng.

Vì vậy, đây là cách tận dụng AI không chỉ để xem lại lịch sử vận hành của phương tiện, mà còn để thực sự hiểu được điều gì đang diễn ra bên trong bộ phận chuyển động nơi cần dầu bôi trơn, và đó là một năng lực rất mạnh. Nó giúp khách hàng tiết kiệm hàng trăm nghìn đô la, tùy theo quy mô đội xe của bạn, thậm chí có thể là hàng triệu đô la, đưa trở lại biên lợi nhuận và dòng tiền tự do của bạn.

Và điều đó gắn kết với phần mềm bảo trì đội xe của chúng tôi nói chung. Bởi vì nó mang lại cho bạn một cái nhìn tổng thể, đúng không? Nếu bạn là một công ty lớn, bạn có thể có 18, 20 hoặc nhiều hơn các xưởng bảo trì nơi đưa xe tải vào sửa chữa, và tất cả đều đang tách rời nhau.

Vì vậy, nếu công việc của bạn là giữ cho những chiếc xe tải này luôn vận hành và bạn phụ trách một xưởng bảo trì, bạn sẽ có một lượng tồn kho nhất định về vật tư, phụ tùng và linh kiện thay thế. Nhưng nếu bạn không biết những gì đang diễn ra ở 20 xưởng bảo trì còn lại, thì bạn sẽ làm gì—được rồi, tôi lúc nào cũng cần thêm bugi. Tôi sẽ mua dư ở đây, mua dư thêm một chút ở kia.

Chẳng mấy chốc, khi nhân điều đó lên trên 14 hay 20 xưởng bảo trì, bạn sẽ có một khoản đầu tư vốn hơn 1 triệu, thậm chí 2 triệu đô la mỗi năm mà có thể bạn không cần bỏ ra, chỉ vì ai cũng đang phòng hờ.

Nếu tôi biết mình có thể lấy phụ tùng đó từ xưởng bảo trì số hai, là nơi gần nhất, thì tôi không cần từng xưởng bảo trì riêng lẻ phải mua quá tay và tồn kho quá mức. Tôi có thể phân bổ trên toàn bộ 20 xưởng mà vẫn giữ cho đội xe vận hành trơn tru. Nhờ vậy, tôi có thể thông minh hơn trong cách sử dụng phụ tùng và dịch vụ của mình.

Hơn nữa, khi các phụ tùng đó được sử dụng, AI sẽ theo dõi mức tiêu hao đó so với tuổi đời của phương tiện và so với các mẫu chúng tôi lấy từ động cơ. Vì vậy, chúng tôi có thể dự đoán rằng, này, trên toàn bộ các mẫu phân tích này, các dây curoa sẽ bị mòn, và tổng lượng tồn kho của bạn—tức là trên tất cả các xưởng—chỉ còn ở mức X, trong đó nội bộ bạn chỉ còn hai chiếc. Có lẽ bạn nên tự chuyển thêm bốn chiếc về.

Vì vậy, chúng tôi làm điều đó theo kiểu Amazon, tức là chuẩn bị sẵn trước, bởi vì các phương tiện của bạn đang gặp nhiều vấn đề hơn chẳng hạn so với các xưởng bảo trì số sáu, tám và chín. Vậy hãy điều chuyển bớt từ họ. Và rồi, các bạn à, hoặc là đã đến lúc bắt đầu đưa những phương tiện này lên bán để thay xe mới, hoặc là bạn cần bắt đầu dự trữ sẵn những phụ tùng này.

Như vậy, giờ đây bạn đang đưa ra các quyết định kinh doanh có cơ sở dựa trên những gì đã biết, thay vì chỉ xem lại dữ liệu quá khứ và hy vọng mô hình đó sẽ tiếp tục, bởi vì chính điều đó sẽ khiến bạn gặp rủi ro. Mô hình đó không tiếp diễn mãi. Entropy sẽ xuất hiện. Mọi thứ xuống cấp theo thời gian. Năm nay sẽ khác năm ngoái.

Nhưng nếu tất cả những gì bạn có thể làm là ra quyết định dựa trên những gì đã xảy ra năm ngoái, thì bạn chỉ đang suy diễn. Bạn không đưa ra được những quyết định tốt nhất có thể. Đó thực sự là cách bảo trì dự đoán đang thay đổi cuộc chơi này và từng bước nâng hoạt động vận hành lên mức hiệu quả hơn rất nhiều.

James Sweetlove: Vâng, tôi nghĩ việc sử dụng AI theo hướng chủ động phòng ngừa là một trường hợp ứng dụng rất tuyệt vời. Những thứ như tối ưu hóa lộ trình, đó là điều chúng ta đã thảo luận trước đó. Tôi nghĩ đó là một trường hợp ứng dụng cực kỳ thú vị. Chỉ cần thực hiện những thay đổi nhỏ, những tinh chỉnh nhỏ trong cách vận hành. Nó tiết kiệm rất nhiều tiền và tích lũy dần, như anh nói, nó cộng dồn lại.

Evan J Schwartz: Đúng vậy, nó tạo hiệu ứng cộng dồn, phải không? Vì vậy, lộ trình được tối ưu là lộ trình lý tưởng. Sau đó tôi phải đưa nó vào thế giới thực để vận hành, và rồi những yếu tố ngoài thực tế sẽ tác động lên nó. Càng có thể bảo đảm rằng các yếu tố có thể ảnh hưởng tiêu cực đến lộ trình được xử lý trước, thì tôi càng tốt hơn. Tôi có thể điều chỉnh cho các thùng chứa bị đầy quá mức nếu dịch vụ của tôi là thu gom chất thải, hoặc tôi có thể ngăn ngừa nhiễm bẩn nếu tôi đang thu gom một dòng vật liệu có giá trị. Tôi có thể bảo đảm rằng các xe tải của mình hoạt động ở điều kiện tối ưu, bởi vì tôi sẽ không thực sự có một lộ trình tối ưu nếu xe tải của tôi đang đốt 1,6 gallon so với lượng gallon ước tính trên mỗi dặm chỉ vì tình trạng xe kém.

Vì vậy, khi bạn bắt đầu cộng dồn tất cả những yếu tố đó lại, số tiền tiết kiệm được thực sự tăng lên rất nhanh, và bạn đang đưa ra những quyết định có cơ sở. Khi đó, đội ngũ logistics và điều phối của bạn có thể quyết định cách tiếp nhận các yêu cầu mới. Bạn có thể nhận ra rằng có ai đó gọi đến yêu cầu công việc và bạn có một phương tiện đang ở rất gần. Bạn có thể đưa điều đó vào lộ trình, lộ trình động, và hệ thống sẽ trả lời rằng, đúng vậy, nếu điều chuyển xe số bốn sang xử lý yêu cầu phát sinh này, bạn sẽ tạo ra mức doanh thu này, và chỉ ảnh hưởng đến lộ trình ở mức này nếu bạn thực hiện những điều chỉnh nhỏ này.

Đó là một cách rất mạnh mẽ để thúc đẩy doanh nghiệp của bạn.

James Sweetlove: Và rõ ràng những khoản tiết kiệm đó có thể được chuyển tiếp cho khách hàng hoặc người tiêu dùng, bởi vì chi phí sản xuất hoặc chi phí vận hành hiển nhiên có thể tăng lên.

Evan J Schwartz: Đúng vậy. Bạn không nhất thiết phải tăng giá. Trên thực tế, bạn có thể tiết kiệm tiền bằng cách trở nên hiệu quả hơn. Đó là những “bài toán” rất đáng mong muốn, James ạ—liệu tôi sẽ thực hiện trách nhiệm ủy thác của mình và chi trả cổ tức cho các cổ đông, hay tôi sẽ cạnh tranh tốt hơn trên thị trường của mình vì tôi có thể làm điều này với chi phí chỉ bằng khoảng 80% so với đối thủ gần nhất. Tôi sẽ đẩy họ ra ngoài và chiếm lĩnh toàn bộ khu vực này vì không ai có thể cạnh tranh với tôi về chi phí. Đó là một vấn đề tuyệt vời để có.

James Sweetlove: Chắc chắn rồi. Vậy có một thuật ngữ mà tôi bắt gặp khi tìm hiểu chủ đề này, và tôi nghĩ sẽ rất hay nếu anh có thể nói thêm về nó. Báo cáo ESG. Chính xác thì đây là gì? Tôi biết nó có liên quan đến những gì chúng ta đang bàn.

Evan J Schwartz: Tôi cho rằng qua nhiều năm, nếu bạn nhìn vào tính bền vững và cách các chính phủ tham gia vào vấn đề này, các ngoại tác tiêu cực, việc đặt ra các yêu cầu tuân thủ và nói với các công ty, doanh nghiệp rằng các bạn cần có trách nhiệm tốt với thế giới mà chúng ta đang sống. Và các bạn sẽ báo cáo cho chúng tôi dấu chân carbon của mình là bao nhiêu, hồ sơ chất thải của mình ra sao, mức tiêu thụ năng lượng của mình như thế nào. Và chúng tôi sẽ đặt các bạn lên bàn cân với các doanh nghiệp khác, với các đơn vị cùng ngành của các bạn, rồi xem các bạn so sánh ra sao, đúng không?

Và nếu bạn có điều gì đó quá lệch chuẩn, chúng tôi sẽ yêu cầu bạn đi kiểm tra. Tại sao? Tại sao bạn lại tiêu thụ điện năng gấp ba đến bốn lần đơn vị cùng ngành gần nhất? Rõ ràng là có điều gì đó không ổn ở đây.

Và điều đó ban đầu xuất phát từ nhận thức rằng chúng ta cần làm điều gì đó tốt cho môi trường—ngoại tác tiêu cực, chế tài, tuân thủ—và những điều đó đã tạo ra chuyển biến để nâng cao nhận thức.

Cách chúng tôi tiếp cận vấn đề này là chúng tôi đã xây dựng chức năng báo cáo ESG. Chúng tôi đã tự động hóa toàn bộ hệ thống để có thể thu thập dữ liệu đó và cung cấp cho bạn các báo cáo đó để bạn biết doanh nghiệp của mình đang ở đâu.

Nhưng một lần nữa, AI lại phát huy giá trị. Điều rút ra từ mô hình đó là AI có thể dự đoán chính xác nơi nào có lượng CO2 cao nhất trong toàn doanh nghiệp của bạn. Bất kể đó là gì, trên toàn bộ hoạt động kinh doanh của bạn, ở đó có cơ hội về doanh thu. Đó là mối tương quan một-một với sự kém hiệu quả: dấu chân carbon trên chính hạng mục đó.

Vì vậy, giờ đây ngoài việc để tuân thủ, doanh nghiệp còn có lý do chính đáng để thực hiện phân tích này. Bởi vì đó là chỉ báo tốt hơn về nơi bạn cần tập trung hơn bất kỳ thứ gì khác mà chúng tôi từng thấy từ các nhà phân tích kinh doanh khi rà soát quy trình và hiệu quả của bạn. Chỉ cần theo dõi nơi dấu chân carbon của bạn cao nhất và nó sẽ cho bạn biết. Sau đó bạn đi sâu vào đó. Rồi bạn đưa các nhà phân tích kinh doanh vào để hiểu, được rồi, quy trình ở đây là gì? Chúng ta đang làm gì? À, rồi bạn đưa AI vào. Có những mô hình nào không? Tôi có thể cải thiện ở đâu? Tôi có thể loại bỏ chi phí carbon lớn này ở đâu?

Và sau đó bạn có thể đưa phần biên lợi nhuận đó thẳng xuống dòng lợi nhuận cuối cùng.

Vì vậy, đó là tính bền vững gắn với hiệu suất. Điều chúng tôi đang nói là bạn không làm điều đó chỉ theo kiểu—nghe này, bạn nên làm vì nó tốt cho môi trường, nhưng chúng tôi cũng hiểu rằng bạn có trách nhiệm ủy thác với các nhà đầu tư của mình và bạn có trách nhiệm với cộng đồng nơi bạn đang hoạt động. Bạn có thể làm được cả hai. Nó không nhất thiết phải là có lợi nhuận hoặc bền vững. Và bền vững là một điều hoàn toàn thực tế. Vấn đề chỉ là cách bạn nhìn nhận và cách bạn triển khai nó, đúng không?

James Sweetlove: Thực ra cách đây không lâu chúng tôi có một vị khách mời nói đúng về chủ đề này. Nên vâng, đó là một tập rất hấp dẫn. Và ông ấy thực sự đã nêu ra nhiều điểm rất hay về việc bạn có thể tiết kiệm được bao nhiêu tiền chỉ bằng cách tối ưu hóa trong lĩnh vực này.

Vì vậy, tôi muốn chuyển hướng một chút ở đây và nói về công việc của anh với vai trò giáo sư thỉnh giảng tại Jacksonville University. Tôi biết anh có nhiều góc nhìn rất thú vị. Vậy anh có thể chia sẻ đôi chút về việc giáo dục kỹ thuật lập trình đã thay đổi như thế nào kể từ khi AI quy mô lớn được áp dụng không?

Evan J Schwartz: Vâng, hiện chúng ta đang thấy rất nhiều cơ sở giáo dục bậc cao bắt đầu rút bớt các bằng cấp và chương trình khoa học máy tính, đúng không? Nếu cần một dấu hiệu cảnh báo sớm, thì đây chính là nó. Về cơ bản, họ đang dự báo rằng sẽ không còn công việc lập trình theo cách mà chúng ta biết ngày nay nữa.

Vì có cơ hội hợp tác với Jacksonville University, chúng tôi đã xây dựng một lớp học vì điều đó đặt ra một câu hỏi: nếu tôi mất hết các lập trình viên junior, thì tôi sẽ lấy kiến trúc sư hệ thống từ đâu? Đó vốn là nơi họ trưởng thành lên, đúng không? Họ code một thời gian, giỏi hơn trong công việc, rồi trở thành kiến trúc sư. Và điều đó chưa hề biến mất. Chúng ta vẫn cần những người đó. Chúng ta vẫn cần những người có thể nhìn hệ thống ở góc độ rộng và bảo đảm rằng chúng ta đang tuân theo các thực hành kiến trúc vững chắc.

Và nhu cầu đó vẫn còn nguyên. Nói rằng chúng ta không còn cần kiến trúc nữa cũng giống như vậy. Thực tế là vẫn cần. AI còn lâu mới lấp được khoảng trống đó.

Vì vậy, chúng tôi tổ chức lớp học để hiểu xem những người đó sẽ đến từ đâu, và câu hỏi chúng tôi đặt ra là: liệu bạn có phải gõ hàng trăm nghìn dòng code mới trở thành kiến trúc sư được không, hay trong thế giới này, bạn có thể trở thành kiến trúc sư theo một cách khác?

Để tôi tạm gác chuyện đó lại một chút và chuyển sang một ví dụ mà có lẽ khán giả nói chung sẽ dễ liên hệ hơn.

Một nhiếp ảnh gia nghệ thuật, người kiếm sống bằng cách chụp ảnh rồi treo trong bảo tàng, đã tự hỏi liệu mình có thất nghiệp hay không. Vậy là anh ấy ngồi xuống với một AI, chỉ chụp một tấm selfie của chính mình—không hề trang điểm hay dàn dựng gì, nên trông đúng như ngoài đời—rồi đưa cho nó một số chỉ dẫn, và kết quả trả về là một bức chân dung đầy cảm xúc về chính anh ấy, với ánh sáng tương phản, nước nhỏ giọt, thật sự đáng kinh ngạc.

Đến lúc đó, anh ấy hoàn toàn suy sụp. Kiểu như, thôi xong, mình mất việc rồi. Và anh ấy bỏ đi.

Sau khoảng một giờ rời đi, đó có lẽ lại là điều thông minh nhất anh ấy làm. Anh ấy nhận ra rằng mình vẫn phải nói cho AI biết hiệu ứng ống kính. Vẫn phải mô tả môi trường, ánh sáng. Vẫn phải dùng đến toàn bộ những gì ngày nay được tích hợp trong một chiếc máy ảnh mà có thể ảnh hưởng đến hình ảnh cuối cùng sẽ trông như thế nào. Anh ấy vẫn phải mô tả tất cả những điều đó cho AI.

Vậy điều anh ấy nhận ra là thứ duy nhất thay đổi chỉ là chiếc máy ảnh. Còn anh ấy vẫn phải làm phần việc đó.

Tôi nói điều này với mọi người suốt. Chúng ta nói rằng mình “quay số” điện thoại. Thực ra đã hàng chục năm nay chẳng ai còn quay số điện thoại nữa, nhưng chúng ta vẫn dùng từ “quay số”, đúng không? Không ai còn làm thế nữa.

Và điều anh ấy đang chứng minh là bạn vẫn cần dạy nhiếp ảnh. Bạn vẫn cần hiểu nghệ thuật đó và biết cách bố trí ánh sáng, đặt tấm hắt hay tấm che phía trước, thêm khói vào khung hình và tất cả những thứ như vậy. Bạn vẫn cần dạy toàn bộ những điều đó. Chỉ là giờ tôi không cần dựng sân khấu, không cần set up hết chân máy, ánh sáng và hiệu ứng để tạo ra bức ảnh đó nữa, mà vẫn có thể có được hình ảnh ấy. Tôi chỉ đang dùng AI thôi.

Vòng lặp thử nghiệm của tôi theo nguyên lý đó diễn ra rất nhanh vì tôi có thể thấy kết quả của một loại ống kính nào đó hoặc hiệu ứng lóe sáng kiểu nào đó gần như ngay lập tức. Trong khi ở một studio thực, có khi tôi chỉ có một hoặc hai lần thử trong một ngày, thì với AI, tôi có thể có 50 lần thử như vậy trong ngày cùng với một học viên hoàn toàn mới. Các em vẫn học những thuật ngữ đó, chỉ là học theo cách khác.

Rồi, giờ quay lại chuyện kiến trúc và lập trình. Nó được gọi là vibe coding. Bạn làm việc với AI là bên tạo ra code, nhưng bạn vẫn là người định hướng nó.

Và chúng tôi nhận ra rằng vai trò của lập trình viên và kiến trúc sư đang mở rộng hơn. Nhân tiện, điều này đang diễn ra ở rất nhiều ngành khác nhau. Con người đang dần trở lại thành những người đa năng.

Có thể bạn còn quá trẻ để nhớ về thập niên 80, nhưng trong những năm đó, trước thời đại SaaS và phần mềm chuyên biệt theo ngành dọc, bạn không thể chỉ ra cửa hàng rồi mua một món có sẵn để làm đúng việc đó. Các công ty phải tự xây dựng những thứ này nội bộ, và thường sẽ có một người đa năng trong biên chế—chú, anh họ, cháu hay ai đó bạn quen biết, một người mê máy tính—vá víu ghép nối mọi thứ lại với nhau, và không ai được phép động vào nó.

Kiểu như, “Chuyện đó thì phải gọi Bob. Chỉ có Bob mới biết làm sao để cái này chạy được thôi,” đúng không? Và ông ấy biết khá nhiều thứ, nhưng lại không phải chuyên gia xuất sắc ở bất kỳ thứ gì. Và ông ấy cứ thế ghép nối mọi thứ lại.

Giờ chúng ta đang thấy điều đó quay trở lại. Và nếu mọi người còn nhớ môn khoa học môi trường hồi lớp bảy, nơi người ta nói rằng trong tự nhiên, loài chuyên biệt sẽ tuyệt chủng còn loài đa năng thì sống sót, thì hiện tại chúng ta đang chứng kiến điều đó ngoài đời thật.

Thế giới AI là như vậy: bạn nên biết một ít hoặc biết khá nhiều về rất nhiều thứ, nhưng không nhất thiết phải trở thành chuyên gia tuyệt đối ở bất kỳ thứ gì. Hãy để AI gánh phần nặng đó cho bạn.

Và lớp học này đã chứng minh điều đó một cách hoàn hảo. Chúng tôi chia lớp thành các lập trình viên junior chưa có nền tảng, nhóm sinh viên năm một đến năm hai hiểu nền tảng nhưng chưa có nhiều va chạm thực tế, chưa code nhiều, và nhóm năm cuối đã code khá nhiều.

Nhóm năm cuối lại gặp khó khăn nhiều nhất. Họ chống lại AI. Họ rất xét nét, không thích những gì AI tạo ra. Nhóm junior thì lại chưa có đủ nền tảng để đánh giá cao các tầng trừu tượng mà chúng tôi cố gắng thực hiện trong vibe coding. Các em chưa biết thế nào là “tốt” đủ rõ để đi tới đó.

Còn nhóm ở giữa, những người có một chút nền tảng, thì lại chấp nhận “hộp đen” đó. Họ có thể đưa vào, nhận kết quả, xem xét, quay lại, tiếp tục đưa vào, rồi lặp đi lặp lại, lặp đi lặp lại cho tới khi đạt được cái tốt. Và họ thích việc thay đổi sản phẩm trở nên dễ dàng như thế nào.

Ví dụ, nếu phiên bản đầu tiên của tôi là kiến trúc monolithic xoay quanh các API và nó hoạt động, nhưng sau đó tôi phát hiện rằng giờ mình có một trăm nghìn khách hàng trong khi ban đầu chỉ xây cho 10.000, và tôi cần làm một SOA hoặc tách nhỏ các API ra, thì tôi chỉ cần quay lại, nói với AI, và nó sẽ dựng lại toàn bộ thứ đó.

Vì thế, những người đa năng ở khoảng giữa đó sẽ phát triển rất mạnh. Và điều này đang thay đổi cách chúng ta cần đào tạo con người. Chúng ta cần dạy các chủ đề, khái niệm và tầng trừu tượng, rồi sau đó dạy họ cách dùng AI để đi sâu. Hãy để AI gánh phần nặng đó giúp chúng ta.

Với tôi, đây là một điều rất đáng hào hứng. Và tôi nghĩ nếu kéo câu chuyện này ngược hẳn về giai đoạn trước giáo dục đại học, tức là từ lớp 1 đến lớp 12, thì có lẽ chúng ta đang bước vào một thời kỳ phục hưng khác, đúng không?

Tôi đã viết một bài trên Forbes về điều này, vì tôi thấy nó ở chính đứa con út của mình. Lớp một, điểm A toàn bộ. Lớp ba, lớp bốn, vẫn rất xuất sắc. Nhưng đến khoảng lớp bốn, thằng bé ngừng cố gắng nữa vì nó đã luôn nằm trong danh sách học sinh danh dự rồi. Nó đã đủ giỏi rồi. Vậy nên nếu tiếp tục mạo hiểm, tất cả những gì nó làm chỉ là đánh mất vị thế danh dự đó. Tại sao phải chấp nhận rủi ro? Và từ đó trở đi, nó chọn phương án an toàn. Tất cả những gì nó theo đuổi chỉ là sự ổn định và khả năng lặp lại. Không rủi ro, không thử điều gì mới.

Về cơ bản, cái điều đó—và chúng ta gọi là tính trẻ con, nhưng tôi ước nó là bản năng tự nhiên trong tất cả chúng ta—cái sự không sợ hãi khi thử một điều gì đó, không lo liệu nó có thất bại hay không, chỉ để xem mình có thể học được gì, thì lại bị đánh bật khỏi lũ trẻ vào khoảng lớp bốn. Đó là một cách học rất tệ. Chúng chỉ muốn đạt đến đỉnh cao của cái “trạng thái” mà mình có, rồi ngừng cố gắng. Không còn gì để đạt thêm nữa, và bạn thì không thể tạo ra địa vị vô hạn được.

Vì vậy, nếu chúng ta giao gánh nặng của sự xuất sắc lặp đi lặp lại cho AI, và giữ lại cho con người tinh thần thử nghiệm liên tục đó—hãy thử xem. Bạn nói điều đó không thể à, vậy thì cùng xem. Xem tại sao nó không thể. Có khi chính điều đó lại làm lộ ra điều gì đó, cho phép chúng ta đi đến đích bằng một con đường khác.

Tôi có thể nói ngay với bạn rằng những gì chúng tôi đang làm tại AMCS là điều mà không ai nghĩ là có thể chỉ mới năm năm trước. Mới năm năm trước thôi. “Ôi, không thể làm thế được đâu. Không có cách nào kiếm tiền theo kiểu đó.” Thật sao? Vì bây giờ chúng tôi đang làm điều đó cả ngày lẫn ngày, mỗi ngày cơ mà?

Vậy nên, tất cả chỉ là sự sẵn sàng đặt cược và lao vào làm. Nhưng chúng ta đang phá hủy sự sáng tạo đó trong con trẻ, ít nhất là ở Mỹ. Và tôi hy vọng điều này sẽ đi sâu xuống cả hệ thống giáo dục công, nơi chúng ta nuôi dưỡng cả một thế hệ người học không sợ hãi, giàu sáng tạo, quan tâm nhiều hơn đến việc thử làm và những gì học được từ đó, thay vì chỉ chăm chăm làm đúng hoặc giữ một vị thế nào đó.

Tôi nhớ giáo viên của mình từng phàn nàn rằng phải làm toán theo cách viết tay đầy đủ vì sau này bạn sẽ không thể lúc nào cũng có máy tính cầm tay ở mọi nơi. Thế mà giờ tôi có một chiếc máy tính trong túi ở mọi nơi tôi đến. Tôi chẳng còn làm kiểu toán đó nữa. Chưa bao giờ làm nữa.

Việc đó có tốt cho chúng ta hay không thì có lẽ sẽ cần một ai đó thông minh hơn tôi quyết định. Nhưng thực tế là, tôi nghĩ đây có thể là một trải nghiệm tích cực cho thế hệ tiếp theo, miễn là chúng ta chọn nó, James.

Tôi nghe rất nhiều kiểu điềm báo tận thế, như thể cuộc đời đang xảy đến với bạn vậy. Như thể AI đang cướp mất thứ gì đó. Không, đây là một lựa chọn. Chúng ta được quyền chọn. Bạn có thể chọn viễn cảnh u ám, hoặc bạn có thể chọn một tương lai rất tươi sáng, và tương lai tươi sáng đó—

Vậy nên khác biệt duy nhất là chúng ta chưa có đủ người ngoài kia mô tả một cách sống động tương lai tươi sáng đó sẽ trông như thế nào và con đường để đi đến đó là gì. Đó là vấn đề duy nhất. Mọi người đều đang nói về viễn cảnh u ám, bi quan. Những người như vậy ngoài kia đã đủ nhiều rồi. Bạn không cần thêm một người như thế nữa.

Vì vậy, điều tôi đang cố gắng truyền đạt là đây mới là cách tiếp cận AI tốt hơn. Đó là chiến lược con người cộng với AI. Ngay cả khi Elon nói về robot cho tất cả mọi người và sự dư dả, thì rốt cuộc bạn làm tất cả những điều đó để làm gì, nếu không phải vì con người? Tại sao? Tại sao tôi phải trồng một lượng ngô không giới hạn nếu không có con người? Tại sao tôi phải chế tạo số lượng robot không giới hạn nếu không có con người? Tôi làm điều đó để làm gì?

James Sweetlove: Đúng vậy. Tôi hoàn toàn đồng ý.

Và điều thú vị là khía cạnh tổng quát đó không chỉ áp dụng trong AI, mà còn áp dụng cho toàn bộ hoạt động kinh doanh. Tôi nhận thấy ngay cả trong vài năm gần đây, mọi thứ đã thay đổi rất nhiều. Có lẽ khoảng bốn hoặc năm năm trước, như anh nói, mỗi người có một vai trò cụ thể trong công ty. Còn bây giờ, mỗi người đảm nhận khoảng bốn đến năm vai trò. Ai cũng phải kiêm nhiều việc. Về cơ bản, bạn phải thích nghi thì mới có thể trụ lại được.

Evan J Schwartz: Đúng vậy. Người đa năng sẽ tồn tại. Ngày nay tôi đã thấy các doanh nhân phát triển một startup lên tới doanh thu hàng chục triệu đô, mà trong công ty chỉ có hai người. Một thập kỷ trước điều đó gần như không thể tưởng tượng nổi, để đạt tới mức đó. Và với sức mạnh của AI, các công cụ và tự động hóa, tất cả được liên kết với nhau, thì ngày nay điều đó hoàn toàn khả thi.

James Sweetlove: Chắc chắn rồi. Vậy còn một vài điều nữa tôi thực sự muốn nói tới, nhưng chúng ta cũng sắp hết thời gian. Nói thật nhanh thôi để mọi người nắm được, anh có muốn chia sẻ một chút về vai trò của mình trong Forbes Technology Council và nói qua về cuốn sách của anh không?

Evan J Schwartz: Vâng, tại Forbes Technology Council, Forbes có nhiều hội đồng như thế này, và mục tiêu thực sự là kết nối những người làm trong lĩnh vực công nghệ với nhau. Vai trò của tôi là tham gia các cuộc trao đổi. Vì vậy, rất nhiều điều tôi đang nói với anh ở đây cũng đang được tranh luận rất sôi nổi trong Forbes Technology Council. Và tôi rất thích điều đó. Tôi thích những cuộc trò chuyện đang diễn ra ở đó. Tôi thích việc mọi người đều đang nhìn thấy cùng một điều.

Một số người đến được đó sau hàng loạt lần vấp ngã đau đớn và những chặng đường khó khăn. Một số chúng tôi thì đến đó bằng cách cố gắng trực tiếp mở ra con đường ấy. Nhưng khá rõ ràng là các CIO và CTO trên khắp thế giới trong cộng đồng đó đều đang nhìn thấy cùng một điều. AI không phải là liều thuốc vạn năng. Bạn sẽ không thể thay thế con người bằng nó. Bạn phải có các trường hợp sử dụng thật sự mạnh.

Vì vậy tôi rất hào hứng với hệ sinh thái đó vì nó trải rộng trên rất nhiều lĩnh vực kinh doanh.

Và một lần nữa, The People, Places and Things, đó là hành trình khách hàng. Vì thế cuốn sách thực chất là câu trả lời cho việc: tại sao bạn nên lắng nghe tôi? Đó là câu chuyện của tôi từ ngày đầu tiên cho đến hiện tại. Và hành trình khách hàng là khung phương pháp nằm bên dưới nó.

Vì vậy, nếu bạn sắp trải qua một đợt triển khai ERP lớn hoặc một chuyển đổi số, tôi thực sự khuyên bạn nên tìm đọc cuốn sách và lấy bộ khung hành trình khách hàng để biết cần làm gì nhằm đảm bảo dự án của mình thành công.

Nếu bạn đang ở giữa một dự án ác mộng và mọi thứ đã đi chệch hướng, đừng lo. Vẫn chưa phải hết hy vọng đâu. Có lẽ bạn thậm chí có thể bỏ qua phần đọc sách và đi thẳng vào bộ khung hành trình khách hàng. Hãy xác định xem bạn đang ở đâu. Mười giai đoạn đó: tôi đang ở đây, và có lẽ tôi chỉ đang mắc kẹt, quay bánh xe tại chỗ. Tuyệt, hãy bắt đầu từ đó, tìm hiểu xem, bởi vì tôi sẽ nói với bạn rằng ở đầu mỗi giai đoạn, bạn phải có những thứ này nếu đang ở giai đoạn đó. Tôi không có những thứ đó. Hãy quay lại một giai đoạn để lấy chúng, quay lại một giai đoạn nữa, rồi tăng tốc tiến lên để đưa dự án của bạn trở lại đúng hướng.

Dự án vẫn có thể cứu vãn được. Đó là thông điệp tôi muốn để lại. Lý do duy nhất khiến người ta phải ghi giảm giá trị dự án là vì họ không biết cách thoát ra khỏi vòng quay tại chỗ đó.

Vì vậy, bạn có thể thoát ra, bạn có thể cứu nó, nhưng hãy tìm đến hành trình khách hàng. Nó sẽ dẫn bạn đi qua từng bước, ngay cả khi—ngay cả khi mọi hy vọng dường như đã mất, hãy xem thử nó. Tôi nghĩ nó sẽ giúp bạn về đích.

James Sweetlove: Tuyệt vời. Cảm ơn anh rất nhiều, Evan. Cuộc trò chuyện này thực sự rất cuốn hút. Có lẽ chúng ta sẽ phải làm thêm một buổi nữa vì tôi còn khoảng năm chủ đề khác đã ghi ra mà muốn thảo luận. Vâng, cảm ơn anh đã dành thời gian, và cảm ơn về cuộc trao đổi này.

Evan J Schwartz: Tôi rất thích buổi nói chuyện này. Cảm ơn anh, James.

James Sweetlove: Cảm ơn tất cả mọi người đã lắng nghe, và hẹn gặp lại lần sau với một vị khách khác.