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 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 đắt giá tích lũy 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 bằng AI và tối ưu hóa đội xe đến những rủi ro của các trường hợp sử dụng AI xuất hiện ở khắp nơi, Evan đưa ra lập luận cho chiến lược “con người cộng với AI” — trong đó các tác vụ AI hẹp, được xác định rõ ràng, được liên kết với nhau để tạo ra tác động cộng hưởng. Ông cũng phân tích cách AI đang định hình lại giáo dục phần mềm, vì sao những người có kiến thức tổng quát sẽ bền vững hơn các chuyên gia quá chuyên biệt trong thời đại AI, và ngành chất thải cùng tái chế có thể dạy cho 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

Những điểm chính

• Phần lớn các sáng kiến chuyển đổi số và AI thất bại vì khả năng được tiếp nhận và áp dụng, chứ không phải vì công nghệ. Các dự án ERP và AI sụp đổ với tỷ lệ rất cao vì các tổ chức đánh giá thấp quản trị thay đổi, mức độ phù hợp với văn hóa doanh nghiệp và độ phức tạp vận hành trong thực tế.
• 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 dựa trên hiểu biết đầy đủ và các bước áp dụng thực tế vượt ra ngoài phạm vi quản lý dự án tiêu chuẩn.
• AI hoạt động hiệu quả nhất khi là công cụ khuếch đại năng lực con người, chứ 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 — sẽ tạo ra những cải thiện 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 mặt 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: Xin chào mọi người, tôi là James từ podcast Control+Listen, 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 tại AMCS, nhà sáng lập kiêm CEO của Evan J Schwartz, và là giảng viên thỉnh giảng tại Đại học Jacksonville. 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: Trước đó chúng ta đã có vài cuộc trao đổi ngắn, và tôi thực sự rất mong được đi sâu vào một số chủ đề mà chúng ta đã bàn tới cho chương trình hôm nay.

Để bắt đầu, có lẽ ông có thể chia sẻ về nền tảng của mình, và giới thiệu đôi chút về Evan J Schwartz được không?

Evan J Schwartz: Chắc chắn rồi.

Câu chuyện khởi đầu của tôi khá giống với những gì bạn thường nghe trong ngành CNTT. Tôi bắt đầu phát triển trò chơi từ thời kỳ hệ thống bảng tin quay số, những ngày đầu của máy tính. Điều đó giúp tôi nhanh chóng trở nên rất quen thuộc với công nghệ, hiểu về trải nghiệm người dùng, cũng như nhiều công nghệ mới nổi thời đó, mà cụ thể là modem quay số.

Từ đó, tôi nhanh chóng bước vào thế giới kinh doanh và nhận ra có rất nhiều cơ hội trong nhiều lĩnh vực khác nhau, đặc biệt là các ngành tạo ra giá trị. Và hành trình đó kéo dài từ hơn 35 năm trước cho đến hôm nay.

Vì vậy, đến nay tôi vẫn gắn bó sâu sắc với các hệ thống vận hành doanh nghiệp, các hệ thống tạo dòng tiền tự do, 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 ngược, phế liệu kim loại, hay bất kỳ lĩnh vực nào có biên lợi nhuận thấp và đang cố gắng tối ưu hóa cũng như tự động hóa quy trình. Đó là mảng mà tôi đã theo đuổi trong suốt sự nghiệp của mình.

Evan J Schwartz là một nhánh phát triển cá nhân từ hành trình đó, một điều mà tôi trở nên rất tâm huyết vì qua nhiều năm, tôi bắt đầu nhìn thấy những mô thức lặp lại ở các công ty mua một hệ thống ERP lớn, trải qua một thay đổi khổng lồ trong tổ chức của họ. Và thống kê hiện tại của Gartner, rất trùng khớp với những gì tôi đã chứng kiến trong suốt sự nghiệp của mình — dù là người đến dọn dẹp hậu quả hay trực tiếp tham gia một dự án để cố gắng đưa nó đi đến đích — chính là tỷ lệ thất bại xoay 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 tế 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.

Trong khi quản lý chương trình và quản lý dự án đã phát triển rất tốt thành những lĩnh vực gần như khoa học riêng biệt, tôi nghĩ — và qua trải nghiệm trực tiếp, tôi thấy — rằng có một cách tiếp cận rất đặc thù để triển khai và đưa vào áp dụng một hệ thống vận hành mới, một phần mềm mới. Vì vậy, “hành trình khách hàng” là một khuôn khổ nằm bên trên những gì bạn có thể xem là các thông lệ tốt nhất tiêu chuẩn của quản lý dự án và quản lý chương trình, nhưng nó bao quát thêm một số thách thức đặc thù dẫn đến tỷ lệ thất bại lên tới 70% này.

Ý tôi là, giờ bạn đang thấy điều đó rồi. AI là một dạng khác của chuyển đổi số. Và năm ngoái, MIT đã công bố các báo cáo cho thấy 95% trong số đó không đạt được ROI kỳ vọng hoặc thất bại, đúng không? Và chúng thất bại vì cùng những lý do đó. Nên tôi nghĩ, phải có cách nào đó để chấm dứt chuyện này.

Và vì thế, “hành trình khách hàng” bao gồm tất cả các giai đoạn của việc triển khai bất kỳ hình thức chuyển đổi số nào. Nó cho bạn biết mọi thứ với tư cách là khách hàng, từ 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 mọi thứ bắt đầu trật bánh, và làm sao để đi đến một triển khai thành công có thể tạo ra dòng tiền tự do, có thể 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.

Hai bậc độ lớn — điều đó thật đáng kinh ngạc. Hai năm trước, ở Đức có một bài báo lớn nói về việc một dự án triển khai SAP đội chi phí lên tới 650 triệu USD trước khi họ buộc phải dừng hẳn. Không tạo ra giá trị nào, chỉ là một dự án chảy máu tiền mà họ không bao giờ đưa được đến đích.

Vì vậy, tôi gần như đã nói rằng, thế là đủ rồi. Có một cách để chiến thắng một cách nhất quán và lặp lại. Hãy để tôi đưa ra một khuôn khổ cho mọi người, bởi vì tất cả những người tôi từng nói chuyện cùng — và trong sách có một người bạn thân của tôi là John Leonard, CEO của Florachem — vì mối quan hệ giữa chúng tôi, anh ấy đã không tìm đến tôi để nhờ hỗ trợ triển khai, và đó là một phần mềm khác, nhưng anh ấy vẫn nhận kết quả tiêu cực.

Và rồi khi mọi chuyện kết thúc, anh ấy tìm đến tôi, chúng tôi ngồi xuống với nhau, và tôi giải thích cho anh ấy rằng, được rồi, lẽ ra anh nên làm điều này, hoặc đây đã có thể là một cách tiếp cận tốt hơn, đúng không? Anh ấy nói, trời ơi, tôi không biết. Giá như tôi biết điều đó trước khi dính vào chuyện này.

Kết cục câu chuyện của anh ấy là anh ấy bị mắc kẹt với khoản phí giấy phép 5 năm cho một phần mềm mà anh ấy không thể sử dụng. Đó là một cảm giác khủng khiếp, đúng không? Và hoàn toàn có thể tránh được. Điều tệ nhất là nó không hề ngẫu nhiên. Đây không phải là một vụ trật bánh mà chúng ta không thể ngăn lại. Nó đã được biết rõ, được ghi nhận đầy đủ. Nó xảy ra thường xuyên đến mức người ta còn lập 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 mà “hành trình khách hàng” hướng tới.

James Sweetlove: Tuyệt vời.

Vâng, có vẻ 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 thể họ chưa thực hiện mức độ thẩm định cần thiết như lẽ ra phải làm.

Evan J Schwartz: Một phần là như vậy, và một phần khác đơn giản là bạn không biết những gì mình chưa biết, đúng không? Nó cũng giống như mọi thứ khác. Bạn tiếp cận vấn đề bằng lăng kính và góc nhìn của riêng mình, và khách hàng hiểu doanh nghiệp của họ hơn bất kỳ ai khác.

Nhưng tôi có thể nói với anh rằng, từ kinh nghiệm làm việc trong các lĩnh vực khí tự nhiên, hàng hóa cơ bản, lâm nghiệp, phế liệu kim loại, sản xuất, và thậm chí cả giao dịch hàng hóa trên thị trường — kể cả ngành chất thải và tái chế — dù có bao nhiêu người trong những ngành đó đi nữa, không ai vận hành giống ai cả. Không một ai.

Họ đều đang làm cùng một loại hình kinh doanh. Nếu nhìn từ xa, có vẻ như tất cả đều làm giống nhau. Nhưng khi đi vào chi tiết, không một ai vận hành theo cùng một cách. Đó là “bí quyết riêng” của họ. Đó là yếu tố khác biệt của họ. Và đó thường là nơi mọi thứ bắt đầu hơi trật khỏi đường ray.

Mỗi doanh nghiệp đều có một văn hóa riêng. Bạn sẽ ngạc nhiên khi thấy văn hóa của mình được định hình nhiều đến mức nào — hoặc cần phải phù hợp đến mức nào — với phần mềm mà bạn đang triển khai trên toàn hệ thống. Bởi vì nó chạm đến mọi bộ phận trong doanh nghiệp của bạn, mọi bộ phận, đúng không?

James Sweetlove: Trước khi chúng ta đi quá sâu vào những nội dung khác, tôi cũng muốn có một phần tóm tắt ngắn cho khán giả 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 trong người sôi lên, khiến bạn hào hứng thức dậy vào buổi sáng và lao vào làm một điều gì đó. Vì vậy, AMCS trong nhiều năm qua—và có lẽ chúng ta sẽ phải mất hàng giờ nếu kể hết toàn bộ câu chuyện ở đây—nhưng thực tế là tôi đã chuyển sang nhiều doanh nghiệp thuộc các ngành công nghiệp giàu tài nguyên khác nhau.

Vì thế, ngành lâm nghiệp là một trong những ngành công nghiệp giàu tài nguyên đầu tiên mà tôi tham gia sâu, nơi ngày xưa chúng tôi khai thác cây để làm giấy, đúng không? Và rồi khi tái chế bắt đầu trở thành một xu hướng, chúng tôi cần một cách để thu hồi bìa carton, nghiền lại thành bột giấy và tái tạo nó. Thế là điều đó phát triển thành lĩnh vực 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 từ quá trình sản xuất giấy cũng là những sản phẩm có giá trị. Như người tôi vừa nhắc đến, John, anh ấy làm trong ngành hóa chất. Terpene được dùng để tạo hương vị.

Vì vậy, 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 gắn kết với nhau rất chặt chẽ.

Vì thế khi tôi gia nhập AMCS, đó chính là điểm giao chính xác của “mô liên kết” giữa tất cả những ngành khác nhau này. Và đó là nơi bạn bắt đầu tìm ra những hiệu quả bổ sung đó.

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

Vì vậy, điều tôi làm tại AMCS là ở mảng đổi mới sáng tạo. Tôi được phép đặt cược vào một số công nghệ mới nổi này, rồi tiên phong đưa chúng từ giai đoạn POC sang vận hành thực tế, sau đó 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 tôi xem xét cách AI đang hòa vào chu trình ERP của bạn, câu hỏi là làm sao có thể tiết kiệm ở khâu logistics? Mọi doanh nghiệp—đó là lý do tôi đặt tên cuốn sách của mình là People, Places and Things. Có con người tham gia, có những nơi bạn phải đến, có những thứ bạn phải di chuyển, và có logistics đi kèm. Tất cả những yếu tố đó cùng nhau 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, thì 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, trên mỗi xe tải, với giá chỉ cần 4 đô một gallon, và bạn có 1.400 xe tải, thì đó là từng ấy nhiên liệu không bị thải vào khí quyển, đồng thời cũng là từng ấy nhiên liệu bạn không phải mua.

Đó chính 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 trực tiếp 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 lại. 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 ERP SaaS quy mô lớn cho các ngành công nghiệp sử dụng nhiều 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, đưa chúng ra bán và quay 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 quay 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 mất hàng nghìn năm để trở nên rất giỏi, với tư cách một loài, trong việc đào thứ gì đó lên từ 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 một sản phẩm và đưa nó ra thị trường, tôi không còn biết nó đã đi đâu từ đó nữa.

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

James Sweetlove: Điều đó cũng 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 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, hoặc phải dựa vào tuân thủ hay hình phạt. Có thể nói là công nghệ cuối cùng đã bắt kịp tầm nhìn.

James Sweetlove: Chắc chắn rồi. Anh cũng vừa chạm đến điều này trong phần anh nói, nhưng tôi muốn đào sâu thêm một chút. Anh có thể cho chúng tôi biết 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 nhìn trên một lượng dữ liệu phù hợp và phát hiện các mẫu, nhưng nó cũng rất giỏi trong việc nhìn vào những khu vực mà con người chúng ta khó quan sát, mà thường là phần “mô liên kết” hoặc điểm bàn giao từ bước này sang bước tiếp theo.

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

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

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

Tôi phải chụp ảnh việc đó, gửi cho bạn và thông báo rằng tôi không thể phục vụ xe hoặc container của bạn vì có một chiếc xe chắn phía trước. Có lẽ tôi sẽ phải tính phí để quay lại. Điều đó không hiệu quả chút nào.

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

Lúc đó, thay vì đến nơi rồi không còn thời gian để liên lạc với bạn xem có thể dời chiếc xe đi không, tôi biết trước 30 phút rằng có người đang chắn nó. Tôi sẽ gửi cho bạn một cảnh báo. Khả năng cao hơn là bạn sẽ ra ngoài và nói, này mọi người, tôi cần các anh dời chiếc xe đi. Tôi có người sắp đến xử lý container của tôi. Tôi cần các anh tránh đường.

AI làm điều đó rất tốt vì rõ ràng tôi không thể mở rộng quy mô bằng cách thuê một nghìn người ngồi xem một nghìn camera để theo dõi mọi thứ. Nhưng AI thì có thể, đúng không?

Khi nhìn vào cách chúng tôi đang áp dụng AI, chúng tôi đang giảm số dặm mà xe tải của bạn phải chạy vì chúng tôi 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 xem nó có cần bảo trì hay 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 ra năng suất. Chỉ cần tôi cắt giảm được một chu kỳ bảo trì mỗi năm cho mỗi xe, 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 phát sinh.

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

Hoặc nếu tuyến đường của tôi được tối ưu vì tôi biết xe tải của mình chở được bao nhiêu, và tôi biết mình đã cấp cho tất cả những người này các container 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 đội lên hoặc rác tràn ra ngoài, tôi có thể tính đến điều đó vì thực tế tôi đang lấy nhiều hơn 90 gallon chất thải.

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

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

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

Bạn lấy một kịch bản đó rồi có thể nhân rộng nó và dùng sơ đồ đó, mẫu đó cho mọi phần trong doanh nghiệp của mình. Chính 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 làm được, hoặc làm vậy không hợp lý. Tôi sẽ phải đặt một con người ở từng công đoạn nhỏ để quan sát. Nhưng giờ thì không cần nữa, đúng không?

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

Vấn đề là khi bạn muốn một AI hiện diện khắp nơi để theo dõi tất cả những thứ này, lúc đó bạn sẽ bắt đầu thấy nó đi chệch hướng và vượt khỏi tầm kiểm soát. 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 đó.

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. Đây là chiến lược con người cộng AI. Bạn sẽ không thể thắng nếu đi theo hướng đó.

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 tối ưu mọi thứ, thì hãy điều chỉnh quy mô doanh nghiệp. Không có lý do gì để giữ lại những nguồn lực mà bạn không cần.

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

Và rồi đến cuối cùng, cũng 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 tiếp tục hoạt động, hoặc nếu tôi đã tối đa hóa 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 suy nghĩ 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. Ở bất kỳ đâu có sự kết nối giữa con người với con người, bạn cần để con người tiếp tục tham gia trong quy trình. 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 đó, khi bạn đã đạt được mức cải thiện, hãy điều chỉnh quy mô từ điểm đó.

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 lao vào quá sớm, rồi giờ họ đang phải đảo ngược lại, và hiện tại họ đang tốn nhiều tiền hơn để đưa những nguồn lực đó quay trở lại so với việc nếu ngay từ đầu họ suy nghĩ kỹ hơn.

James Sweetlove: Đúng, chắc chắn rồi. Vâng, tôi đã thấy một 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 đó cũng tốt, như anh nói, là các công ty thừa nhận điều đó và không — không rơi vào kiểu ngụy biện chi phí chìm, rằng “à, chúng ta đã đi quá xa rồi, cứ tiếp tục thôi.”

Vậy anh có nhắc đến một thuật ngữ lúc nãy mà tôi muốn nói thêm một chút, vì tôi nghĩ có thể nhiều người 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. Tôi từng 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 nắm giữ một phần lớn hoạt động kinh doanh của bạn. Dù đó là phần hậu trường 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 lớp quản trị của bạn, đúng không? Đó là cách doanh nghiệp của bạn vận hành.

Không nhất thiết — nó sẽ kết nối với 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 với thành phần tài chính và kế toán của bạn nếu bản thân nó không trực tiếp có các thành phần tài chính và kế toán.

Nơi bạn thấy rất nhiều ma sát, và rất nhiều thất bại ở một số hệ thống ERP, là khi bạn bắt đầu thấy các hệ thống kế toán cũng cố làm luôn phần vận hành. Bởi vì từ góc nhìn của họ, điều đó có vẻ dễ. 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 vật liệu đó có mặt ở đây. Tôi sẽ không quá bận tâm chuyện chúng ta đã ký thỏa thuận hay chưa. Anh và tôi bắt tay với nhau rồi và tôi cần vật liệu đó. Tôi cần số gỗ đó để nhà máy lớn kia tiếp tục chạy vì mỗi giờ nó không chạy là tôi mất một triệu đô la. Vậy nên hãy chuyển nó tới đây, rồi chúng ta sẽ xử lý sau. Hãy thống nhất giá và cứ theo dõi nó thôi.

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 bên trong hệ thống. Vì vậy, các hệ thống vận hành cần di chuyển theo tốc độ của doanh nghiệp. Chúng cần linh hoạt. Chúng không thể có những quy tắc cứng nhắc, cố định. Chúng phải có những quy tắc linh hoạt, cho phép con người đưa ra quyết định chỉ huy tại hiện trường. Những người trực tiếp ở tuyến đầu.

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

Vì vậy, trong bối cảnh của tôi, ERP trải rộng trên toàn bộ bức tranh, đúng không? Ở bất kỳ đâu bạn đang dùng một phần mềm để vận hành doanh nghiệp của mình — dù là phía bán hàng, phía vận hành hay phía tài chính — nó bao trùm rất nhiều phần như vậy. Và sự khác biệt 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 và nó 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 điều đó rất hữu ích để hiểu được anh đang xuất phát từ góc nhìn nào khi dùng thuật ngữ đó.

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

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

Để gần gũi hơn một chút với người xem của anh. Khi tôi mua một chiếc xe, họ nói với tôi rằng cứ mỗi 3.000 dặm tôi phải mang xe đi thay dầu, đúng không? Và chúng ta đều biết một chiếc xe hoàn toàn mới thì không nên cần thay dầu chỉ sau 3.000 dặm, đúng không? Không phải với độ chính xác kỹ thuật của động cơ ngày nay. Điều đó không hợp lý.

Nhưng đồng thời, những cỗ máy này là công cụ tạo ra doanh thu. Không phải chúng chỉ chạy cho có, hay chỉ là một khoản chi phí đã phát sinh. 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 cái máy đó đi. Có thể anh chưa đến cuối chu kỳ khấu hao, nhưng anh đã khai thác cái máy đó rất nặng. Nó sắp hỏng rồi. Vì vậy khuyến nghị của tôi là bán nó và mua cái mới.

Hoặc là cái máy đó đang chạy rất tốt. Không có lý do gì phải đưa nó ra khỏi vận hành. Chúng ta có thể bỏ qua một kỳ bảo dưỡng, đúng không? Điều đó giúp bạn không phải phỏng đoán đối với một số thiết bị rất 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 — đều là đi lấy hàng, đi đến 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 vận chuyển phế liệu, bạn chỉ đang ăn mòn biên lợi nhuận của nó thôi, đúng không? Vì vậy bạn cần chiếc xe đó chạy hiệu quả nhất có thể.

Một chiếc xe được bảo dưỡng tốt, 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 từ phía sau hoặc phát ra tiếng nghiến khi chạy. Nó sẽ tốn nhiên liệu hơn rất nhiều.

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

Vì vậy, đây là cách tận dụng AI không chỉ để xem xét lịch sử vận hành của phương tiện, mà còn để thực sự biết điều gì đang diễn ra bên trong bộ phận chuyển động nơi cần dầu bôi trơn, và điều đó rất mạnh mẽ. 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 vào biên lợi nhuận và dòng tiền tự do.

Và điều đó gắn với phần mềm bảo trì đội xe của chúng tôi nói chung. Bởi vì nó 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/bay bảo trì nơi bạn đưa xe tải vào, và tất cả đều tách rời nhau.

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

Chẳng mấy chốc, khi nhân điều đó lên trên 14 hay 20 khu 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 phải bỏ ra, chỉ vì ai cũng đang phòng hờ.

Nhưng nếu tôi biết rằng tôi có thể lấy linh kiện đó từ khu bảo trì số hai, nơi gần nhất, thì tôi không cần mỗi khu bảo trì riêng lẻ đều phải mua dư và tồn kho quá mức. Tôi có thể phân bổ trên toàn bộ 20 khu mà vẫn giữ cho đội xe vận hành trơn tru. Như vậy tôi có thể thông minh hơn trong cách sử dụng phụ tùng và dịch vụ.

Ngoài ra, khi các vật tư đó được tiêu thụ, AI sẽ đối chiếu mức tiêu thụ đó với tuổi đời phương tiện của bạn so với các mẫu mà chúng tôi lấy từ động cơ. Vì vậy, chúng tôi có thể dự đoán rằng, này, trên toàn bộ các mẫu phân tích này, những dây curoa này sẽ bị mòn, và tổng tồn kho của bạn—tức là trên tất cả các khu bảo trì—chỉ còn X, trong đó bạn chỉ còn hai cái tại chỗ. Có lẽ bạn nên tự chuyển thêm bốn cái về.

Vì vậy, chúng tôi làm điều đó theo kiểu Amazon, tức là bố trí sẵn trước, bởi vì phương tiện của bạn đang gặp nhiều vấn đề hơn một chút so với, chẳng hạn, các khu bảo trì số sáu, tám và chín. Vậy hãy mượn một ít từ họ. Và rồi, các anh à, hoặc là các anh cần bắt đầu đưa những chiếc xe này lên bán và mua xe mới, hoặc là các anh cần bắt đầu dự trữ những linh kiện 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 xem lại dữ liệu lịch sử rồi hy vọng mô hình đó sẽ tiếp diễn, bởi vì chính điều đó sẽ khiến bạn gặp rắc rối. Mô hình 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 đưa ra quyết định dựa trên những gì đã xảy ra năm ngoái, thì bạn chỉ đang suy đoán. Bạn không đưa ra những quyết định tốt nhất có thể. Đó thực sự là cách bảo trì dự đoán đang thay đổi cuộc chơi 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 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 lên.

Evan J Schwartz: Đúng vậy, nó tạo hiệu ứng cộng dồn, đúng không? Vì vậy, lộ trình tối ưu là một lộ trình lý tưởng. Sau đó tôi phải đưa nó ra thế giới thực để vận hành, và rồi những yếu tố thực tế sẽ tác động đến nó. Càng có thể đảm bảo rằng những yếu tố có thể ảnh hưởng tiêu cực đến lộ trình của tôi được xử lý trước một cách chủ động, và 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 phòng tránh nhiễm bẩn nếu tôi đang thu gom một dòng vật liệu có giá trị, thì tôi càng có thể đảm bảo rằng xe tải của mình vận hành trong 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 vượt mức gallon ước tính trên mỗi dặm chỉ vì tình trạng xe kém.

Vì vậy, khi bạn bắt đầu cộng tất cả những yếu tố đó lại với nhau, số tiền tiết kiệm thực sự tăng lên rất nhanh, và bạn đang đưa ra các 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 người gọi đến yêu cầu dịch vụ và bạn có một phương tiện ở rất gần. Bạn có thể đưa phương tiện đó vào lộ trình, lộ trình động, và hệ thống sẽ nói rằng: đúng, bằng cách điều xe số bốn ra xử lý cuộc gọi phát sinh này, bạn sẽ tạo ra mức doanh thu này, và bạn chỉ ảnh hưởng đến lộ trình ở mức này nếu 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 cho khách hàng hoặc người tiêu dùng, bởi vì hiển nhiên chi phí sản xuất có thể tăng hoặc chi phí vận hành có thể tăng.

Evan J Schwartz: Chính xác. Bạn không nhất thiết phải tăng giá. Thực tế, bạn có thể tiết kiệm tiền bằng cách trở nên hiệu quả hơn. Đó là những “vấn đề” rất đáng mừng, James ạ—liệu tôi sẽ hoàn thành trách nhiệm ủy thác của mình và chi trả cổ tức cho cổ đông, hay tôi sẽ cạnh tranh tốt hơn trên thị trường vì tôi có thể làm điều này với chi phí gần như chỉ bằng 80% so với đối thủ gần nhất. Tôi sẽ đẩy họ ra khỏi cuộc chơi 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 thảo luận.

Evan J Schwartz: Tôi sẽ nói thế này: 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 áp đặt tuân thủ và nói rằng các công ty và doanh nghiệp cần phải là những người quản lý có trách nhiệm đối với thế giới mà chúng ta đang sống. Và các bạn sẽ phải báo cáo cho chúng tôi biết dấu chân carbon của mình là bao nhiêu, hồ sơ chất thải của mình ra sao, mức tiêu thụ năng lượng như thế nào. Và chúng tôi sẽ đặt các bạn cạnh những doanh nghiệp khác, những đơn vị cùng ngành, rồi xem các bạn so sánh ra sao, đúng không?

Và rồi nếu có điều gì đó lệch quá nhiều, chúng tôi sẽ yêu cầu bạn xem xét. Tại sao? Tại sao bạn lại tiêu thụ điện năng gấp ba đến bốn lần đơn vị cùng ngành gần nhất? 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, các hình phạt, các yêu cầu tuân thủ—và những điều đó đã tạo ra chuyển biến để nâng cao nhận thức.

Còn cách chúng tôi tiếp cận và phát triển từ đó là: chúng tôi đã xây dựng hệ thống 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 hiệu quả. Điều rút ra từ mô hình đó là AI có thể dự đoán mọi nơi có mức CO2 cao nhất của bạn. Bất kể đó là gì, trên toàn bộ doanh nghiệp của bạn, ở đó đều có cơ hội doanh thu. Đó là một chỉ dấu tương quan một-một với sự kém hiệu quả: dấu chân carbon của chính hạng mục đó.

Vì vậy, giờ đây, ngoài việc tuân thủ, doanh nghiệp còn thấy đáng để thực hiện phân tích này. Bởi vì đây là chỉ báo tốt hơn bất kỳ điều gì khác mà chúng tôi từng thấy từ các nhà phân tích kinh doanh khi họ rà soát quy trình và hiệu quả của bạn. Chỉ cần theo dõi nơi dấu chân carbon của bạn nằm ở đâu, và nó sẽ cho bạn biết. Sau đó bạn đào 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 rồi bạn có thể đưa phần biên lợi nhuận đó thẳng xuống dòng lợi nhuận ròng.

Vì vậy, đó là tính bền vững gắn với hiệu suất. Điều chúng tôi muốn nói là bạn không làm điều đó chỉ vì—nghe này, bạn nên làm vì nó tốt cho môi trường, nhưng chúng tôi cũng hiểu rằng bạn có trách nhiệm ủy thác với nhà đầu tư và bạn có trách nhiệm với cộng đồng nơi bạn hoạt động. Bạn có thể làm được cả hai. Không nhất thiết phải chọn giữa lợi nhuận hoặc bền vững. Và tính bền vững là một điều rất thực tế. Vấn đề chỉ là bạn nhìn nhận nó như thế nào và triển khai nó ra sao, đúng không?

James Sweetlove: Thực ra cách đây không lâu chúng tôi đã có một vị khách mời nói chính xác về điều này. Vâng, đó là một tập rất hấp dẫn. Và ông ấy thực sự đã nêu ra những 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 Đại học Jacksonville. Tôi biết anh có một số 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:Đúng vậy, chúng tôi đang thấy rất nhiều cơ sở giáo dục đại học bắt đầu rút bớt các bằng cấp và chương trình khoa học máy tính, đúng không? Nếu có một dấu hiệu cảnh báo sớm, thì đây chính là nó. Về cơ bản, họ đang dự đoán 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 khóa học, bởi 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 viết code một thời gian, ngày càng giỏi hơn trong công việc, rồi trở thành kiến trúc sư. Và điều đó chưa hề biến mất. Chúng ta vẫn cần những người như vậy. Chúng ta vẫn cần những người có thể nhìn hệ thống ở góc độ tổng thể và bảo đảm rằng chúng ta đang tuân theo các thực hành kiến trúc vững chắc.

Vì thế 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 thậm chí còn chưa tiến gần đến mức có thể lấp đầy khoảng trống đó.

Vì vậy, chúng tôi mở lớp 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 mã để trở thành một kiến trúc sư hay không, hay trong thế giới này bạn có thể trở thành kiến trúc sư theo một con đường khác?

Giờ hãy tạm gác chuyện đó lại một chút và chuyển sang một ví dụ có lẽ gần gũi hơn với số đông.

Một nhiếp ảnh gia nghệ thuật, người kiếm sống bằng cách chụp ảnh rồi treo chúng trong bảo tàng, đã tự hỏi liệu mình có sắp thất nghiệp không. Thế là anh ấy ngồi xuống với một AI, chỉ chụp một tấm selfie của chính mình—không chỉnh sửa gì cả, nên trông đúng là chúng tôi ngoài đời—rồi đưa cho nó vài chỉ dẫn, và AI trả về một bức chân dung đầy cảm xúc của anh ấy, với ánh sáng tương phản, nước nhỏ giọt, mọi thứ thật sự ấn tượng.

Và ngay lúc đó, anh ấy cảm thấy hoàn toàn bị đánh bại. Kiểu như, “Xong rồi, mình hết việc rồi.” Và anh ấy bỏ đi.

Nhưng sau khoảng một giờ rời đi, có lẽ đó 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 là gì. Vẫn phải mô tả môi trường, ánh sáng. Vẫn phải dùng toàn bộ những yếu tố—mọi thứ được tích hợp trong một chiếc máy ảnh ngày nay—có ảnh hưởng đến cách bức ảnh sẽ trông như thế nào. Anh ấy vẫn phải mô tả tất cả những điều đó cho AI.

Và rồi điều anh ấy nhận ra là thứ duy nhất thay đổi chỉ là chiếc máy ảnh. Còn lại anh ấy vẫn phải làm.

Tôi nói điều này với mọi người suốt. Chúng ta nói là mình “quay số điện thoại”. Nhưng đã hàng chục năm rồi chẳng ai còn quay số điện thoại nữa, vậy mà ta vẫn dùng từ “quay số”, đúng không? Không ai còn quay số nữa.

Và điều anh ấy đang chứng minh là chúng ta vẫn cần dạy nhiếp ảnh. Vẫn cần hiểu nghệ thuật đó và biết cách bố trí ánh sáng, đặt tấm chắn phía trước, tạo khói trong khung hình và tất cả những thứ như vậy. Ta vẫn cần dạy tất cả những điều đó. Chỉ là giờ tôi không cần dựng sân khấu, dựng chân máy khắp nơi, thiết lập ánh sáng và hiệu ứng theo cách thủ công nữa mà vẫn có thể tạo ra hình ảnh đó. Tôi chỉ đang dùng AI thôi.

Việc lặp thử theo nguyên lý đó diễn ra rất nhanh vì tôi có thể thấy kết quả của một loại ống kính hay kiểu lóe sáng cụ thể gần như ngay lập tức. Trong khi ở studio thật, có khi tôi chỉ làm được một hoặc hai vòng thử mỗi ngày, thì với một sinh viên hoàn toàn mới, tôi có thể làm 50 vòng thử như vậy trong một ngày. Các em vẫn học những thuật ngữ đó, chỉ là học theo một cách khác.

Được rồi, giờ quay lại chuyện kiến trúc và lập trình. Nó được gọi là vibe coding. Bạn làm việc với AI để nó sinh ra mã, nhưng bạn vẫn là người định hướng cho nó.

Và chúng tôi đang 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 trở lại thành những người đa năng.

Có thể bạn còn quá trẻ để nhớ thập niên 80, nhưng vào thời đó, trước kỷ nguyên SaaS và phần mềm chuyên biệt theo ngành dọc, bạn không thể đơn giản ra kệ hàng mua một thành phần làm đúng việc đó. Các công ty phải tự xây những thứ này trong nội bộ, và thường sẽ có một người đa năng trong đội ngũ—chú, anh họ, cháu trai của ai đó, một người mà bạn biết là mê máy tính—chắp vá mọi thứ lại với nhau, và không ai được phép đụng vào nó.

Ai cũng nói: “Muốn cái này chạy thì phải gọi Bob. Chỉ có Bob mới biết làm sao để nó hoạt động,” đúng không? Và Bob thì biết khá nhiều thứ, nhưng lại không phải chuyên gia sâu ở bất kỳ thứ gì. Ông ấy chỉ chắp vá mọi thứ lại với nhau.

Chúng tôi 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 giờ chúng ta đang chứng kiến điều đó ngoài đời thực.

Trong thế giới AI, điều bạn muốn là biết một chút hoặc biết khá nhiều về rất nhiều thứ, chứ không muốn trở thành chuyên gia tuyệt đối ở bất kỳ thứ gì. Hãy để AI gánh phần 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 thời gian thực chiến, chưa code nhiều, và nhóm sinh viên năm cuối đã code rất nhiều.

Nhóm năm cuối gặp khó khăn rất lớn. Họ chống lại AI. Họ phán xét nó rất nhiều, không thích những gì nó tạo ra. Nhóm junior thì lại chưa có đủ nền tảng để hiểu được các tầng trừu tượng mà chúng tôi đang cố gắng thực hiện trong vibe coding. Các em chưa biết “tốt” trông như thế nào để có thể đi tới đó.

Nhóm ở giữa, với một chút nền tảng, lại đánh giá cao “hộp đen” đó. Họ có thể ném bài toán vào, nhận kết quả, xem xét, quay lại, ném tiếp vào, rồi cứ lặp đi lặp lại cho đến khi đạt được kết quả tốt. Và họ thích việc thay đổi sản phẩm trở nên dễ dàng như thế nào.

Nếu vòng lặp đầu tiên của tôi là một kiến trúc nguyên khối xoay quanh API và nó hoạt động, nhưng rồi tôi phát hiện ra giờ mình có một trăm nghìn khách hàng trong khi ban đầu chỉ xây cho 10.000, và tôi cần chuyển sang SOA hoặc tách nhỏ các API ra, thì tôi chỉ cần quay lại, nói với AI, và nó sẽ xây dựng lại toàn bộ thứ đó.

Vì vậy, những người đa năng ở nhóm giữa sẽ phát triển mạnh. Và điều đó 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 dạy họ cách dùng AI để đi sâu. Hãy để AI gánh phần đó thay chúng ta.

Với tôi, đó là một điều rất đáng hào hứng. Và tôi nghĩ nếu kéo điều này trở lại tận gốc, xuống cả bậc tiền đại học, 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, toàn điểm A. Lớp ba, lớp bốn, cực kỳ xuất sắc. Nhưng đến khoảng lớp bốn thì thằng bé ngừng cố gắng, vì nó đã nằm trong danh sách học sinh xuất sắc rồi. Nó đã đủ giỏi rồi. Vậy nếu tiếp tục mạo hiểm, thứ duy nhất tôi làm là đánh mất vị thế danh dự của mình. Tại sao tôi phải mạo hiểm? Thế là từ thời điểm đó, nó chọn phương án an toàn. Tất cả những gì nó theo đuổi là sự ổn định và khả năng lặp lại. Không mạo hiểm, không thử điều gì mới.

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

Vì vậy, nếu chúng ta giao gánh nặng của sự xuất sắc lặp lại được cho AI, và giữ lại cho mình tinh thần lặp thử liên tục kiểu “cứ thử xem”, “bạn nói là không thể à, vậy thử xem”, “hãy xem vì sao nó không thể”, thì biết đâu điều đó lại làm lộ ra một điều gì đó, cho phép chúng ta đi đến đích bằng một con đường khác.

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

Vậy nên, tất cả chỉ là sự sẵn sàng chấp nhận cược và lao vào làm. Nhưng chúng ta đang phá hủy sự sáng tạo đó ở 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 sáng tạo, không sợ hãi, quan tâm nhiều hơn đến việc thử nghiệm và những gì học được từ đó, thay vì chỉ chăm chăm làm cho đúng hoặc đạt được một vị thế nào đó.

Tôi nhớ giáo viên của mình từng phàn nàn rằng bạn phải làm toán theo cách viết tay từng bước vì bạn sẽ không thể lúc nào cũng có máy tính bên mình. Nhưng tôi có máy tính trong túi ở mọi nơi tôi đến. Tôi chẳng còn làm kiểu toán đó nữa. Chưa từng làm lại luôn.

Còn điều đó có tốt cho chúng ta hay không thì chắc phải có 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 đủ kiểu dấu hiệu báo trước ngày tận thế, như thể cuộc sống đang tự xảy đến với bạn vậy. Như thể AI đang cướp đi thứ gì đó. Không, đây là một lựa chọn. Chúng ta được quyền lựa chọn điều này. 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 vẽ nên bức tranh về tương lai tươi sáng đó sẽ trông như thế nào và con đường để đi tới đó là gì. Đó là vấn đề duy nhất. Ai cũng đang nói về viễn cảnh u ám, tiêu cực. Nên ngoài kia đã có đủ những người như vậy rồi. Bạn không cần thêm một người như thế nữa.

Vì vậy tôi đang cố gắng truyền tải rằng 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 mọi người và sự dư dả cho tất cả, 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 xây dựng số lượng robot không giới hạn nếu không có con người? Tôi đang làm tất cả những điều đó để làm gì?

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

Và điều thú vị là khía cạnh “người đa năng” 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, một người đảm nhiệm 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 doanh thu hàng chục triệu đô la mà trong doanh nghiệp chỉ có hai người. Điều đó hẳn là không thể tưởng tượng nổi cách đây một thập kỷ, để đạt tới mức đó. Và với sức mạnh của AI, các công cụ và tự động hóa, tất cả được kết nối 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. Chỉ 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 khác nhau như thế này, và mục tiêu thực sự là kết nối những người làm 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 bức tranh.

Một số người đi đến đó sau hàng loạt cú vấp ngã đau đớn và những chặng đường đầy khó khăn. Một số người khác trong chúng tôi 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 vậy cuốn sách thực chất trả lời cho câu hỏi: 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 bản khung hành trình khách hàng để biết cần làm gì nhằm bảo đảm dự án của mình thành công.

Nếu bạn đang ở giữa một dự án ác mộng và mọi thứ đã chệch khỏi quỹ đạo, đừng lo. Không phải là đã hết hy vọng. Có lẽ bạn thậm chí có thể bỏ qua phần đọc sách và đi thẳng vào 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 vòng tại chỗ. Tốt thôi, hãy bắt đầu từ đó, tìm hiểu xem, bởi vì tôi nói cho bạn biết, ở đầu mỗi giai đoạn, bạn nên có những thứ này nếu bạn đang ở giai đoạn đó. Tôi không có những thứ đó. Vậy thì lùi lại một giai đoạn, lấy chúng, lùi lại thêm một giai đoạn nữa, rồi chạy tiến lên lại và đưa dự án của bạn trở lại đúng hướng.

Có thể cứu vãn được. Đó là thông điệp tôi muốn để lại. Lý do duy nhất khiến mọi người trong các dự án phải ghi giảm giá trị 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 dự án, nhưng hãy nắm lấy hành trình khách hàng. Nó sẽ dẫn dắt bạn đi qua, ngay cả khi—ngay cả khi mọi hy vọng dường như đã mất, hãy xem thử nó. Tôi nghĩ nó sẽ giúp bạn cán đích.

James Sweetlove: Tuyệt vời. Cảm ơn anh rất nhiều, Evan. Cuộc trò chuyện này thật sự rất cuốn hút. Có lẽ chúng ta sẽ phải làm thêm một buổi nữa vì tôi còn ghi ra khoảng năm chủ đề nữa mà tôi 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 cuộc trò chuyện này. Cảm ơn James.

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