Bức chân dung Rembrandt chưa từng tồn tại
Năm 2016, tại Hà Lan, một bức chân dung được đưa ra trưng bày và chỉ trong vài phút đã thuyết phục được cả một căn phòng đầy người rằng họ đang đứng trước một kiệt tác thất lạc. Bức vẽ mô tả một người đàn ông tóc bạc, đội mũ đen, cổ áo trắng, khuôn mặt quay sang phải, được thể hiện bằng lối chơi sáng tối và những nét cọ dày đặc trưng mà người hâm mộ danh họa nhận ra bằng bản năng. Một vị khách thốt lên: “Đây là Rembrandt!” và nhiều người khác gật đầu đồng tình. Giám đốc một bảo tàng nghệ thuật hàng đầu của Úc thừa nhận ông bối rối: ông nhận ra bàn tay của bậc thầy, nhưng không thể định vị được bức tranh trong bất kỳ danh mục nào mà ông từng biết.
Sự thật là như thế này: đó không phải Rembrandt. Đó là một tệp dữ liệu. Tác phẩm mang tên The Next Rembrandt được lắp ghép từ 148 triệu pixel, rút ra từ 168.263 lượt quét trên ba trăm bức tranh đã được xác thực của danh họa. Một nhóm đến từ Microsoft cùng agency quảng cáo J. Walter Thompson đã dùng thuật toán học máy để quyết định tuổi tác, giới tính và trang phục của nhân vật, sau đó một máy in 3D phủ mười ba lớp mực UV để bắt chước các nét cọ. Điều mà khán giả cảm nhận như thiên tài, trên thực tế, là kiến trúc.
Phản ứng của công chúng chia làm hai nửa. Nhà phê bình Jonathan Jones gọi dự án là “một sự xúc phạm kinh tởm, vô vị, thiếu tinh tế và vô hồn”. Với ông, việc mô phỏng thiên tài là một hành vi báng bổ. Nhưng từ góc nhìn của một nhà đầu tư, sự phẫn nộ đó lại là một chỉ báo trễ. Cái mà Jones phản đối — sự “vô hồn” — chính là âm thanh của một cuộc cách mạng công nghiệp đang tiến vào phòng khách. AI có thể bắt chước đầu ra của một thiên tài, nhưng cuộc cách mạng có sức nặng hơn không nằm ở đầu ra. Nó mang tính tổ chức và cấu trúc: cách công việc được thực hiện, ai hoặc cái gì nằm trên đường găng của doanh nghiệp, và liệu tổ chức đó có thể học nhanh hơn đối thủ hay không.
Chính sự phân biệt ấy đã biến mất khỏi hệ sinh thái khởi nghiệp. Cụm từ “AI-native” đang trải qua một cuộc sụp đổ ngữ nghĩa toàn diện. Nó khởi đầu như một mô tả kỹ thuật chính xác về kiến trúc, rồi thoái hóa thành một khẩu hiệu marketing rỗng tuếch. Khi một startup bọc một lớp mỏng quanh mô hình ngôn ngữ lớn và gắn nó vào một quy trình kinh doanh cũ kỹ, nhà sáng lập vẫn in “AI-native” lên slide gọi vốn, hy vọng rằng chỉ riêng cụm từ đó đủ để kích hoạt một phần bù định giá. Với một nhà phân tích đủ sành sỏi, đó là một sự “xúc phạm vô hồn” của một loại khác — một tuyên bố tiếp thị được thiết kế để che giấu sự tầm thường về cấu trúc bên dưới.
Weak AI và Hype AI: hai thứ hoàn toàn khác nhau bị gọi chung một cái tên
Rối loạn bắt đầu từ ngôn ngữ. Ẩn dưới lớp vỏ của thuật ngữ thời thượng đó là hai thứ rất khác nhau đang bị gọi bằng cùng một cái tên. Thứ nhất là cái đáng được gọi là weak AI — tức AI yếu: các hệ thống máy tính thực hiện những tác vụ cụ thể vốn từng do con người đảm nhiệm. Xếp hạng một bảng tin trên mạng xã hội. Định giá tự động trên một sàn thương mại điện tử. Thẩm định điều kiện vay của một khách hàng. Gắn cờ cho một giao dịch đáng ngờ. Loại AI này đang thực sự biến đổi nền kinh tế, một cách lặng lẽ và không hào nhoáng, bên trong những hệ thống mà phần lớn khách hàng không bao giờ để ý đến.
Thứ hai là hype AI: một lớp vecni thông minh được quét lên một doanh nghiệp truyền thống vốn vẫn chia thành các silo, để rồi tổ chức đó có thể được mô tả theo một cách khác tại một hội nghị. Lớp vecni này rất mỏng. Nó thường bao gồm một con chatbot trên website, một tính năng tóm tắt trong một công cụ nội bộ, và một thông cáo báo chí. Không có gì trong cách doanh nghiệp ra quyết định thay đổi cả. Điều trớ trêu là cả hai thứ này đều được quảng cáo bằng cùng một từ, và đó chính là lý do khách hàng, nhà đầu tư lẫn ứng viên tuyển dụng đều đang đánh giá sai lệch.
Việc thực sự “native” không liên quan nhiều đến chuyện dùng AI như một tính năng. Satya Nadella đã diễn đạt điều này một cách gọn ghẽ nhất khi ông nói rằng AI đang trở thành “runtime” định hình mọi việc một doanh nghiệp làm. Runtime, theo nghĩa khoa học máy tính, là môi trường mà một chương trình chạy trong đó: nơi mã nguồn được thực thi, nơi mọi thứ thực sự xảy ra. Phần lớn các startup đang tự gán cho mình danh hiệu này hôm nay thực chất chỉ là những doanh nghiệp truyền thống gắn thêm một con chatbot ở mặt tiền. Chúng vẫn bị trói buộc bởi các điểm nghẽn con người, bởi những “nghĩa địa dữ liệu” cũ kỹ mà không ai tin tưởng, và bởi những bất kinh tế của sự phức tạp — thứ vốn lớn lên nhanh hơn doanh thu. Doanh nghiệp AI-native thật sự là một loài khác: phần mềm và thuật toán nằm trên đường găng của việc thực thi, qua đó mở ra quy mô, phạm vi và khả năng học hỏi ở cấp số nhân — và nhờ đó xóa bỏ những giới hạn đã kìm hãm tăng trưởng kể từ thời Công ty Đông Ấn Hà Lan.
“Runtime” thật ra có nghĩa gì trong kinh doanh
Từ runtime được vay mượn từ khoa học máy tính. Dịch sang ngôn ngữ chiến lược, runtime chính là nền tảng vận hành của doanh nghiệp — cái lớp mà ở đó các quyết định thực sự được đưa ra. Với một doanh nghiệp AI-native, runtime đó là một nhà máy AI: một cỗ máy ra quyết định có khả năng mở rộng, công nghiệp hóa việc thu thập dữ liệu, phân tích và chính bản thân việc ra quyết định.
Trong một doanh nghiệp truyền thống, con người ngồi ngay trên đường găng. Họ đọc bảng tính, họ quyết giá, họ phê duyệt khoản vay, họ điều phối xe tải. Các quyết định của họ mang tính cá nhân — cách nói lịch sự của việc thiếu nhất quán: kết quả thay đổi theo từng người, theo thời điểm trong ngày, và theo việc trong phòng còn bao nhiêu kiên nhẫn. Trong một doanh nghiệp AI-native, chính những quy trình đó được công nghiệp hóa. Con người dịch chuyển ra rìa hệ thống. Họ thiết kế hệ thống, họ đặt ra mục tiêu, họ gác cổng sự toàn vẹn của dữ liệu — nhưng phần mềm và thuật toán thực thi công việc trong thời gian thực.
Khi phần mềm định hình đường găng thay vì chỉ hỗ trợ nó, doanh nghiệp giành được ba lợi thế cộng dồn lên nhau. Thứ nhất là quy mô: khả năng phục vụ số lượng khách hàng lớn hơn hẳn với chi phí biên gần như bằng không, bởi vì tăng trưởng đòi hỏi năng lực tính toán chứ không phải thêm nhân sự. Thứ hai là phạm vi: khả năng kết nối với nhiều doanh nghiệp đã số hóa khác và tái sử dụng dữ liệu trong rất nhiều ngữ cảnh khác nhau. Thứ ba là khả năng học: khả năng tạo ra những dự đoán ngày càng chính xác khi hệ thống nạp thêm dữ liệu, tạo thành một vòng xoáy thuận thay vì một năng lực tĩnh.
Ba thuộc tính này không phải là tính năng có thể mua. Chúng là hệ quả của kiến trúc. Đó là lý do khoảng cách giữa nhãn dán tiếp thị và thực tế kiến trúc lại rộng đến vậy — và cũng dễ bị che giấu đến vậy trong một bộ slide trình bày đẹp đẽ, nơi mọi thứ đều có thể được vẽ ra bằng những mũi tên chỉ về phía trước.
AI-enabled và AI-native: sổ cái kiến trúc
Cách rõ ràng nhất để nhìn thấy khác biệt là so sánh hai mô hình theo từng thuộc tính. Một doanh nghiệp AI-enabled coi trí tuệ như thứ gắn thêm bên ngoài; một doanh nghiệp AI-native coi trí tuệ là kết cấu chịu lực.
- Đường găng: ở doanh nghiệp AI-enabled, con người vẫn ra các quyết định cốt lõi còn AI hỗ trợ bằng thông tin chi tiết hoặc bản tóm tắt. Ở doanh nghiệp AI-native, thuật toán thực thi quy trình trong thời gian thực và con người giám sát hệ thống.
- Logic ra quyết định: doanh nghiệp enabled ra quyết định theo kiểu cá nhân — thủ công, phụ thuộc nhân sự, thiếu nhất quán giữa các bộ phận. Doanh nghiệp native thì công nghiệp hóa — có thể lặp lại, được nhúng vào phần mềm, được áp dụng nhất quán ở quy mô lớn.
- Khả năng mở rộng: với doanh nghiệp enabled, tăng trưởng nghĩa là tuyển thêm quản lý và nhân viên cho tới khi đâm vào bức tường phức tạp. Với doanh nghiệp native, tăng trưởng nghĩa là cấp thêm năng lực tính toán.
- Đường ống dữ liệu: doanh nghiệp enabled vận hành trên dữ liệu phân mảnh, nằm rải rác trong silo, lộn xộn, và chỉ là sản phẩm phụ của quá trình. Doanh nghiệp native vận hành trên dữ liệu tích hợp, đã làm sạch, tập trung — chính là nhiên liệu của quá trình.
- Học hỏi: doanh nghiệp enabled chạy vài dự án thí điểm hoặc vài phòng lab AI cô lập, không bao giờ chạm tới phần lõi. Doanh nghiệp native duy trì những vòng phản hồi liên tục, trong đó mỗi tương tác của người dùng đều huấn luyện và tinh chỉnh mô hình.
Hãy đọc bảng sổ cái đó một cách trung thực về chính công ty của bạn, và thường thì bạn sẽ phát hiện ra rằng nhãn dán và kiến trúc đang mô tả hai doanh nghiệp khác nhau. Đó không phải là một thất bại về đạo đức; nó là một điểm xuất phát. Nhưng nó đồng nghĩa với việc cụm từ “AI-native” trên một bộ slide hiện tại không còn giá trị như bằng chứng.
Bài học từ nhiếp ảnh: thay thế một-đổi-một và thay đổi toàn hệ thống
Lịch sử cung cấp một phép so sánh hữu ích. Khi nhiếp ảnh phim ra đời, đó là một công nghệ đột phá làm giảm nhu cầu vẽ chân dung. Giá giảm, họa sĩ mất việc, và thế giới nghệ thuật thay đổi. Nhưng nền kinh tế thì không biến đổi, bởi vì công nghệ đó là một sự thay thế một-đổi-một. Một nhiếp ảnh gia thay thế một họa sĩ, và mô hình kinh doanh bên dưới — một bức hình cho một khách hàng — gần như giữ nguyên.
Nhiếp ảnh kỹ thuật số là một câu chuyện hoàn toàn khác. Những bức ảnh số đầu tiên mờ và đắt đỏ, rất dễ bị coi là một trò mới lạ. Nhưng vì bức ảnh trở thành kỹ thuật số, nó trở thành dữ liệu. Chỉ riêng sự thay đổi đó không chỉ khiến hình ảnh rẻ hơn; nó biến đổi bản chất của hoạt động. Ảnh trở nên có thể kết nối với chi phí biên bằng không. Bạn không còn chỉ chụp một bức ảnh; bạn chia sẻ nó, và những nền tảng lưu trữ sự chia sẻ đó đã dùng kho dữ liệu thu được để vận hành nhận diện khuôn mặt và gợi ý kết bạn. Việc biểu diễn dưới dạng số khiến hoạt động trở nên vô hạn về quy mô và vô hạn về khả năng kết nối.
Đây chính xác là cây cầu nối giữa AI-enabled và AI-native, và nó có ba nhịp chịu lực. Nhịp thứ nhất là kết nối vượt ra ngoài silo. Một mô hình native thật sự nhận ra rằng biểu diễn số có thể kết nối với chi phí biên bằng không. Một doanh nghiệp enabled có thể dùng AI để viết một email hay hơn. Một doanh nghiệp native kết nối tương tác đó với hệ thống chấm điểm tín dụng, hệ thống này kết nối với sản phẩm thanh toán, sản phẩm này kết nối với nền tảng quản lý tài sản. AI là trục nối các hoạt động đó, tạo ra một đề xuất giá trị đa phía, trong đó dữ liệu từ một tương tác làm tăng giá trị của tương tác kế tiếp.
Nhịp thứ hai là khả năng mở rộng nhờ loại bỏ điểm nghẽn con người. Ở doanh nghiệp enabled, bạn vẫn cần một nhân viên tín dụng nhìn vào điểm số do AI tạo ra rồi gật đầu. Ở doanh nghiệp native, quy tắc 3-1-0 nổi tiếng được áp dụng: ba phút để nộp đơn, một giây để phê duyệt, không có tương tác con người. Nếu tăng trưởng của bạn vẫn gắn với số lượng nhân sự, bạn chưa phải native — bạn chỉ mới được tự động hóa.
Nhịp thứ ba là học hỏi như một vòng xoáy thuận. Nhiều lượt sử dụng tạo ra nhiều dữ liệu hơn; nhiều dữ liệu tạo ra thuật toán tốt hơn; thuật toán tốt hơn tạo ra dịch vụ tốt hơn; dịch vụ tốt hơn thu hút thêm lượt sử dụng. Nếu AI của bạn không trở nên thông minh hơn một cách đo lường được sau mỗi tương tác khách hàng, nó là một công cụ, không phải một nền tảng. Phần lớn startup đang mắc kẹt trong một mô hình tuyến tính, nơi họ dùng AI để cắt bớt mười phần trăm chi phí. Những doanh nghiệp native thật sự dùng nó để đạt được khả năng học hỏi cộng dồn — thứ cuối cùng sẽ áp đảo các đối thủ vẫn đang làm mọi thứ bằng tay.
Bên trong nhà máy AI: đường ống, thuật toán, thử nghiệm, hạ tầng
Lõi của doanh nghiệp mới là nhà máy AI — cỗ máy ra quyết định vận hành mô hình kinh doanh số. Netflix là một đối tượng giải phẫu hữu ích vì bộ máy của họ lộ ra qua chính kết quả kinh doanh. Bốn trụ cột phải hiện diện trước khi bất kỳ startup nào có thể tuyên bố một cách chính đáng rằng mình native.
Đường ống dữ liệu. Dữ liệu là nhiên liệu của nhà máy, và công việc đầu tiên là datafication: chuyển hoạt động vốn trước đây mang tính analog thành dữ liệu một cách có hệ thống. Netflix không chỉ biết bạn đã xem gì; họ biết bạn tạm dừng lúc nào, bỏ qua lúc nào, đang dùng thiết bị nào, và đã duyệt qua những gì trước khi quyết định chọn phim. Nest làm điều tương tự với hành vi tưởng chừng tầm thường là điều chỉnh nhiệt độ trong nhà, tạo ra một lớp dữ liệu sau này cho phép các chương trình giảm tiêu thụ năng lượng và điều khiển từ xa. Nếu một startup đang ngồi trên những nghĩa địa dữ liệu — nằm rải rác trong silo, không nhất quán, chưa được làm sạch — thì nhà máy của họ sẽ khựng lại ngay khi cố tăng tốc.
Phát triển thuật toán. Đây là cỗ máy làm ra công việc, và các doanh nghiệp native sử dụng ba kiểu học. Học có giám sát dự đoán một kết quả từ một nguồn chân lý đã được gán nhãn, trả lời những câu hỏi như liệu một giao dịch có gian lận hay không. Học không giám sát tìm ra những khuôn mẫu tự nhiên mà không cần nhãn, theo cách Netflix phát hiện ra các “cộng đồng khẩu vị” vượt ra ngoài những chân dung nhân khẩu học đơn giản. Học tăng cường đặt các tác tử phần mềm vào một môi trường và thưởng cho chúng khi đạt kết quả tốt, cân bằng giữa khám phá và khai thác. AlphaGo Zero là ví dụ kinh điển: khác với AlphaGo nguyên bản, nó chỉ được cho luật chơi và không có dữ liệu con người, rồi tự chơi với chính mình cho tới khi đánh bại phiên bản được huấn luyện từ các chuyên gia con người. Trong thương mại, cùng cơ chế đó xuất hiện dưới dạng bài toán con bạc nhiều tay: liên tục thử những hình ảnh mới cho một tựa phim để xem hình nào thúc đẩy nhiều lượt nhấp nhất.
Nền tảng thử nghiệm. Nếu một doanh nghiệp không thể xác thực một cách nhân quả những thay đổi của mình, nó không phải native. Các công ty chạy theo hype dựa vào những tương quan giả tạo và những ý kiến đầy tự tin. Doanh nghiệp native chạy thử nghiệm đối chứng ngẫu nhiên ở khối lượng công nghiệp — Netflix thực hiện hàng nghìn thử nghiệm mỗi năm. Khi một quản lý sản phẩm giả thuyết rằng giảm quảng cáo sẽ làm tăng doanh thu dài hạn, câu trả lời không đến từ một cuộc tranh luận trong phòng họp; nó đến từ một mẫu có ý nghĩa thống kê. Đây là kỷ luật đảm bảo rằng mỗi thay đổi đối với thuật toán thực sự cải thiện hệ thống, chứ không chỉ khiến người ta cảm thấy là nó nên như vậy.
Hạ tầng phần mềm. Toàn bộ nhà máy phải nằm trong một nền tảng phần mềm có tính mô-đun. Cách tiếp cận publish-subscribe đối với các API nội bộ biến dữ liệu thành một thứ gần giống siêu thị: sạch sẽ, dễ tìm, và sẵn sàng cho bất kỳ ứng dụng nào cần đến. Không có điều này, một doanh nghiệp chỉ đơn thuần là một tập hợp các dự án IT được đặt làm riêng, đắt đỏ để bảo trì và bất khả thi để tái kết hợp. Và chính khả năng tái kết hợp mới là thứ biến một tập hợp công cụ thành một cỗ máy học hỏi.
Phá bức tường phức tạp: mệnh lệnh Bezos năm 2002
Các doanh nghiệp truyền thống được xây dựng như những silo, và kiến trúc đó tồn tại vì một lý do: nó từng là cách tốt nhất để quản lý sự phức tạp. Chia tổ chức thành các đơn vị riêng biệt với những người quản lý riêng giúp việc phối hợp ở quy mô lớn trở nên khả thi. Nhưng khi những doanh nghiệp đó lớn lên, chúng đâm vào một bức tường phức tạp. Độ trễ trong giao tiếp, bộ máy hành chính, và chi phí quản lý dần vượt qua lợi ích của quy mô. Với các tổ chức kế thừa, đây là một căn bệnh nan y, và không lượng nhãn dán AI nào chữa được nó.
Doanh nghiệp AI-native thay vào đó vận hành trên một kiến trúc nền tảng tích hợp, và bản thiết kế cho nó được đưa ra trong mệnh lệnh Bezos năm 2002. Bản memo đó thực ra không nói về email; nó là một sự chuyển dịch kỹ thuật từ kiến trúc nguyên khối mang mật danh Obidos sang kiến trúc hướng dịch vụ mang mật danh Santana. Chỉ thị cốt lõi rất thẳng thắn: mọi nhóm sẽ công bố dữ liệu và chức năng của mình qua các giao diện dịch vụ; không một hình thức giao tiếp liên tiến trình nào khác được phép tồn tại; tất cả giao diện phải được thiết kế ngay từ đầu sao cho có thể công bố ra bên ngoài; và bất kỳ ai không tuân thủ sẽ bị sa thải.
Bằng cách buộc mọi nhóm phải giao tiếp qua API, Amazon trở nên mô-đun hóa ngay trong cấu trúc. Quyết định đó cho phép công ty mở rộng mà không phải chịu những bất kinh tế của sự phức tạp đã hạ gục Sears và Kodak, đồng thời mở đường cho mô hình nhóm hai chiếc pizza — những nhóm nhỏ, nhanh, làm việc độc lập trên một nền tảng chung. Nó cũng mở ra tăng trưởng với chi phí biên bằng không. Khi các quy trình cốt lõi được vận hành bởi các tác tử phần mềm thay vì con người, việc gấp đôi số người dùng không đòi hỏi phải gấp đôi số quản lý cấp trung. Nó chỉ đòi hỏi thêm năng lực điện toán đám mây. Đó là lý do Amazon có thể đi từ sách sang đồ điện tử rồi tới hạ tầng đám mây với cùng một logic kiến trúc bên dưới.
Điều đáng chú ý là mệnh lệnh này không phải một dự án công nghệ. Nó là một quyết định tổ chức, được thực thi bằng quyền lực quản trị ở cấp cao nhất. Bất kỳ doanh nghiệp nào muốn bước vào cùng con đường đều phải chấp nhận một sự thật khó chịu: bạn không thể mua kiến trúc vận hành từ nhà cung cấp đám mây, cũng không thể thuê nó theo hợp đồng tư vấn sáu tháng. Bạn chỉ có thể tự xây, hoặc tiếp tục là một tập hợp silo được trang điểm bằng giao diện hiện đại.
Cái native trông như thế nào ngoài thị trường: Ant Financial và Ocado
Hai nghiên cứu điển hình cho thấy điều gì xảy ra khi kiến trúc này va chạm với nền kinh tế truyền thống. Cả hai đều không phải startup theo nghĩa lãng mạn, nhưng cả hai đều là những kẻ săn mồi được kiến trúc.
Ant Financial trở thành kỳ lân giá trị nhất trong lịch sử, với định giá khoảng 150 tỷ USD, phục vụ hơn 700 triệu người dùng với chưa tới 10.000 nhân viên. Để so sánh, Bank of America cần hơn 200.000 nhân viên để phục vụ 67 triệu khách hàng. Đó là khoảng cách hiệu quả vào cỡ hai mươi lần, và nó thuần túy mang tính kiến trúc, không phải kết quả của ý định tốt hơn hay sự chăm chỉ hơn. Các tác vụ con người đã bị loại khỏi đường găng trên toàn bộ hệ thống: Zhima Credit phân tích hàng tỷ giao dịch, tín hiệu xã hội và hóa đơn tiện ích để tự động hóa việc đánh giá tín dụng; hệ thống MYbank xử lý 120.000 giao dịch mỗi giây vào lúc cao điểm; năm lớp kiểm tra gian lận thời gian thực chạy trong vài mili giây; và phân tích ngữ nghĩa xử lý phần lớn các yêu cầu hỗ trợ khách hàng mà không cần con người mở phiếu hỗ trợ.
Ocado là nguyên mẫu còn lại — một công ty AI cải trang thành một chuỗi tạp hóa. Các trung tâm phân phối của họ là những mạng lưới có kích thước bằng sân bóng, với một cơ sở trải rộng tương đương mười một sân, nơi hàng nghìn robot được điều phối bởi thuật toán. Cơ sở này vận hành 35 dặm băng tải, di chuyển 10.000 thùng carton cùng lúc. Một lần nữa, những tác vụ con người từng định hình doanh nghiệp đã được dịch chuyển khỏi đường găng: thuật toán định tuyến chạy hàng nghìn phép tính mỗi giây để tối ưu lộ trình xe tải trong thời gian thực, thuật toán phối hợp ngăn chặn tắc nghẽn giữa hàng nghìn robot nhặt hàng, và dự báo nhu cầu dự đoán khách hàng sẽ đặt gì trước đó vài ngày để xe tải đến nông trại đúng lúc nông sản vừa sẵn sàng. Định giá thị trường của Ocado phản ánh đúng bản chất thật của nó: một công ty công nghệ chuỗi cung ứng mà tình cờ bán tạp hóa như một màn trình diễn.
Cả hai trường hợp đều chia sẻ một khuôn mẫu. Trí tuệ không phải là một tính năng được phủ lên trên hoạt động kinh doanh. Nó chính là hoạt động kinh doanh. Và điều đáng chú ý là cả hai đều bắt đầu từ những ngành bị coi là truyền thống bậc nhất — dịch vụ tài chính và bán lẻ. Nếu trí tuệ có thể trở thành kết cấu chịu lực ở hai ngành này, thì lập luận “ngành của tôi đặc thù quá” phần lớn chỉ là một cái cớ để trì hoãn việc tái kiến trúc.
Vì sao nhãn dán trở nên rẻ: quán tính kiến trúc
Cụm từ “AI-native” đã đi theo đúng con đường thoái hóa ngôn ngữ quen thuộc. Khởi đầu là một mô tả về kiến trúc nền tảng tích hợp, giờ đây nó bị pha loãng thành một huy hiệu tham gia vô nghĩa. Cơ chế đằng sau sự pha loãng đó là quán tính kiến trúc. Phần lớn doanh nghiệp, kể cả nhiều startup đang bay cao, được xây trên nền móng của tập đoàn thế kỷ mười chín.
Lịch sử của doanh nghiệp là lịch sử của việc quản lý sự phức tạp. Từ Công ty Đông Ấn Hà Lan năm 1602 cho tới dây chuyền lắp ráp của Henry Ford, các doanh nghiệp thành công bằng cách chuyên môn hóa lao động. Dây chuyền của Ford là một thắng lợi của tiêu chuẩn hóa và chuyên môn hóa, chia công việc thành những tác vụ con người nhỏ nhất có thể. Nhưng mô hình đó có một trần. Chuyên môn hóa lao động con người tạo ra các silo, silo rồi sẽ ngừng giao tiếp với nhau, và bức tường phức tạp xuất hiện. Phần lớn startup hiện đại chỉ đơn giản là những phiên bản số của mô hình Ford: một phòng marketing, một phòng kinh doanh, một phòng kỹ thuật, mỗi phòng dùng một công cụ SaaS khác nhau và không nói chuyện được với nhau. Đặt một mô hình ngôn ngữ lớn lên trên đống silo lộn xộn đó không khiến bạn trở thành AI-native. Nó chỉ khiến bạn thành một doanh nghiệp truyền thống với một chiếc máy đánh chữ nhanh hơn một chút.
Xây lại một doanh nghiệp theo hướng AI-first là một mệnh lệnh lãnh đạo, không phải một giao dịch kỹ thuật. Microsoft dưới thời Steve Ballmer là một công ty mệt mỏi gồm những silo và đã đánh mất phương hướng. Khi Satya Nadella tiếp quản, ông không chỉ mua thêm GPU. Ông tái kiến trúc phần lõi, đưa Kurt DelBene về lãnh đạo mảng Core Services Engineering and Operations — không phải với tư cách IT nội bộ, mà như một sứ mệnh nền tảng dữ liệu. Công ty chuyển từ việc giao CD sang một mô hình đám mây dựa trên mức tiêu thụ, và điều này đòi hỏi một cuộc rời đi của các nhà lãnh đạo kế thừa vẫn mắc kẹt trong tư duy Obidos, cùng việc phá bỏ một cách đau đớn những bức tường giữa Windows, Office và các công cụ máy chủ để tạo ra một đám mây thông minh. Nó đòi hỏi nhiều năm chi tiêu đầu tư ở mức hàng tỷ đô la mỗi năm cho các trung tâm dữ liệu.
Hãy để ý thứ tự của độ khó. Công nghệ là phần dễ; bạn có thể thuê nó từ AWS hay Google Cloud ngay chiều nay. Phần khó là kiến trúc vận hành. Nếu dữ liệu của bạn vẫn phân mảnh, nếu các nhóm của bạn vẫn là những silo, và nếu các quản lý của bạn vẫn hành xử như người giám sát thay vì người thiết kế, thì bạn là một doanh nghiệp truyền thống đeo mặt nạ số. Quán tính kiến trúc là lý do vì sao nhãn dán thì rẻ, còn kiến trúc thì đắt.
Một bài kiểm tra quỳ tím có thể áp dụng trong một buổi chiều
Với nhà đầu tư hay người mua sành sỏi, nhãn dán trên bộ slide giờ đây không còn ý nghĩa. Vì thuật ngữ đã bị pha loãng, một bài kiểm tra mang tính cấu trúc là lá chắn duy nhất còn lại. Hãy đặt những câu hỏi sau và lắng nghe cẩn thận câu trả lời.
- Tự cải thiện: thuật toán cốt lõi có tự động tốt lên sau mỗi tương tác người dùng không, hay nó cần những chu kỳ huấn luyện lại thủ công mà chẳng ai đã lên lịch?
- Đường ống tích hợp: có một nền tảng dữ liệu trung tâm nơi dữ liệu được công bố và các ứng dụng đăng ký nhận, hay tồn tại những nghĩa địa dữ liệu mà mỗi nhóm giữ riêng?
- Mệnh lệnh API: mọi giao tiếp nội bộ và truy cập dữ liệu có đi qua các giao diện không, hay vẫn tồn tại những cửa hậu và những file bảng tính xuất thủ công?
- Đòn bẩy nhân lực: doanh nghiệp có thể gấp đôi cơ sở người dùng mà không tăng nhân sự vận hành quá mười phần trăm không? Phép so sánh Ant Financial là chuẩn mực ở đây.
- Xác thực nhân quả: có một nền tảng thử nghiệm tích hợp phân biệt được hiệu ứng nhân quả thật với tương quan giả tạo trước khi thay đổi được đưa vào sản phẩm không?
- Chi phí biên bằng không: chi phí phục vụ khách hàng tiếp theo có thực sự gần bằng không, không tính chi phí tính toán thuần túy?
- Chiến lược datafication: doanh nghiệp có phương pháp có hệ thống để trích xuất dữ liệu từ những hoạt động trước đây mang tính analog, theo cách Nest đã làm với máy điều nhiệt và các nhà sản xuất thiết bị đeo đã làm với giấc ngủ?
- Toàn vẹn kiến trúc: tổ chức đã chuyển từ một cấu trúc nguyên khối sang một cấu trúc mô-đun, hướng dịch vụ, hay vẫn là một khối lớn đang giả vờ làm nền tảng?
Một lời cảnh báo về bài kiểm tra này: rất dễ đạt trên giấy và thất bại trong thực tế. Dấu hiệu nhận biết không nằm ở sơ đồ kiến trúc mà ở chỗ thời gian của doanh nghiệp đang chảy về đâu. Nếu các lãnh đạo cấp cao dành phần lớn tuần làm việc để giám sát con người thay vì thiết kế hệ thống, thì kiến trúc chỉ tồn tại trên slide mà thôi.
Nên tìm kiếm điều gì thay vì nhãn dán
Nếu “AI-native” là một nhãn dán đã chết, thì những thước đo hữu ích hơn là kiến trúc vận hành và phân tích mạng lưới chiến lược. Những doanh nghiệp đáng chú ý hành xử như những nhà máy ra quyết định: chất lượng quyết định của họ cải thiện tự động theo khối lượng, và chi phí của mỗi quyết định giảm dần khi hệ thống trưởng thành.
Vai trò của người quản lý cũng đã thay đổi tương ứng. Chúng ta không còn tìm kiếm những quản lý với vai trò người giám sát, người có nhiệm vụ đảm bảo rằng những con người nằm trong silo hoàn thành các tác vụ chuyên môn hóa của mình. Trong mô hình AI-native, những tác vụ đó do runtime đảm nhiệm. Yêu cầu mới là những quản lý với vai trò người thiết kế và người gác cổng: những lãnh đạo thiết kế ra hệ thống loại bỏ chính bản thân họ khỏi đường găng, gác cổng sự toàn vẹn của đường ống dữ liệu, và định nghĩa những mục tiêu mà thuật toán sẽ tối ưu hóa. Trọng tâm của họ dịch chuyển từ quản lý con người sang duy trì kiến trúc của doanh nghiệp.
Điều này cũng thay đổi chuẩn mực tuyển dụng. Thước đo thành công không còn là việc công ty có bao nhiêu chuyên gia tự nhận là chuyên gia AI, mà là kiến trúc của họ cho phép họ mở rộng quy mô, mở rộng phạm vi và học hỏi nhanh đến mức nào. Những tổ chức đáng theo dõi là những tổ chức đã chạm tới “rìa thông minh”, nơi mỗi tương tác đều được cá nhân hóa, đặt vào ngữ cảnh và diễn ra âm thầm xung quanh người dùng — không phải vì ai đó đã viết một câu lệnh thông minh, mà vì hệ thống được xây dựng để học hỏi từ mỗi giao dịch mà nó xử lý.
Cũng có một dấu hiệu văn hóa đáng lưu ý. Doanh nghiệp native đối xử với các mô hình của mình như các nhà sản xuất đối xử với máy móc: chúng được đo lường, đánh phiên bản, kiểm thử và cải tiến theo một lịch trình định sẵn. Doanh nghiệp enabled đối xử với AI như một dự án có ngày ra mắt và một buổi cắt băng khánh thành. Loại thứ nhất tiếp tục cộng dồn giá trị sau khi thông báo; loại thứ hai đạt đỉnh vào đúng ngày thông báo.
Sự sống còn của kẻ được kiến trúc
Chúng ta đang chứng kiến một cuộc va chạm chiến lược giữa các mô hình vận hành số và những ràng buộc truyền thống, và kết cục thực sự không còn nhiều nghi ngờ. Kỷ nguyên AI không phải một khả năng trong tương lai cần được lên kế hoạch đối phó; nó là một thực tế hiện tại đang dần che khuất các phương thức quản trị truyền thống. Các mô hình vận hành số, được định nghĩa bởi quy mô, phạm vi và khả năng học hỏi, đang áp đảo hiện trạng ở mọi nơi chúng gặp nhau.
Hồ sơ lịch sử nói rất rõ về cách câu chuyện này kết thúc với những kẻ đương nhiệm. Kodak không bị giết bởi một công ty phim nhựa tốt hơn; nó là thiệt hại phụ trong một cuộc đua xây dựng mạng xã hội, nơi những bức ảnh trở thành dữ liệu và giá trị dịch chuyển sang các nền tảng có thể kết nối chúng. Sears không bị đánh bại bởi một cửa hàng bách hóa tốt hơn; nó bị nghiền nát bởi một nền tảng phần mềm có thể mở rộng sự đa dạng mặt hàng ở chi phí biên bằng không.
Những startup sống sót qua cuộc va chạm này sẽ không phải là những cái tên có nhãn AI-native to nhất. Chúng sẽ là những doanh nghiệp ngừng dùng nhãn dán và bắt đầu xây kiến trúc: công nghiệp hóa việc ra quyết định, đẩy con người ra các rìa hệ thống, buộc mọi hệ thống nội bộ phải đi qua các giao diện, và chạy thử nghiệm cho tới khi sự thật trở nên nhàm chán vì quá hiển nhiên. Tương lai thuộc về những kẻ được kiến trúc, không phải những kẻ được trang bị AI.
Vậy nên câu hỏi đáng đặt ra không phải là liệu công ty bạn có phải AI-native hay không. Nó sắc bén hơn và ít khoan dung hơn thế. Nếu đường găng của bạn vẫn chạy xuyên qua trực giác con người, những bảng tính, và những silo từ chối nói chuyện với nhau, thì bạn không phải native. Bạn là một mục tiêu. Sự sống còn của doanh nghiệp giờ đây phụ thuộc vào tính toàn vẹn của runtime — và không lượng nhãn dán nào trên một bộ slide gọi vốn có thể thay đổi điều đó.