Về AI

5 quan sát từ góc nhìn của người làm offshore delivery với khách Nhật suốt 12 năm — viết ra để chính tôi không quên, và biết đâu có ích cho ai đang ở vị trí tương tự.

Lời mở

Tôi đã ngồi nghe quá nhiều keynote về AI trong hai năm qua. Đa số đều đúng — nhưng cùng lúc, đa số đều không giúp tôi quyết định gì cụ thể vào sáng hôm sau khi mở máy tính.

Bài viết này không phải bài về AI nói chung. Đây là 5 quan sát từ vị trí của một người vừa phải làm AI transformation cho tổ chức delivery vài trăm người, vừa phải gặp client Nhật mỗi tuần, vừa phải nói với các bạn member SE/BrSE... trong bộ phận và dự án rằng tôi cũng không chắc 3 năm tới role của bạn sẽ trông như thế nào.

Tôi không claim có câu trả lời. Tôi chỉ chia sẻ những gì hiện tại tôi tin — và sẵn sàng update khi có dữ liệu mới.

AI không phải initiative. AI là utility layer.

Tôi nhớ một buổi review chiến lược với một khách Nhật lớn cách đây vài tháng. Trong roadmap của họ có một mục tên là "AI Initiative". Bên dưới là 14 sub-projects, mỗi cái có budget riêng, PM riêng, KPI riêng, và một timeline 18 tháng.

Người trình bày rất tự hào. Tôi ngồi nghe và bắt đầu cảm thấy một thứ rất quen thuộc — cảm giác tôi từng có cách đây 8 năm khi nghe các công ty Nhật nói về "Cloud Migration Initiative".

Cloud Migration Initiative không sai về mặt kỹ thuật. Nó chỉ sai về mặt khái niệm. Cloud không bao giờ là một initiative để hoàn thành rồi gấp lại. Cloud là một utility layer — một lớp hạ tầng mà mọi function trong tổ chức rồi sẽ chạy trên đó. Treat nó như project có scope, budget, timeline cố định là dấu hiệu chắc chắn rằng tổ chức chưa thực sự hiểu nó.

AI đang đi cùng con đường đó. Khác biệt là tốc độ. Cloud mất khoảng 10 năm để chuyển từ "initiative" sang "default infrastructure" trong các công ty Nhật. AI có vẻ đang nén quá trình đó xuống khoảng 2~3 năm.

Cách tôi đang phrase điều này với team và với client là: AI sẽ là utility layer của cognition — giống như điện là utility layer của năng lượng, internet là utility layer của thông tin, cloud là utility layer của compute.

Không tổ chức nào còn nói "Electricity Strategy" sau năm 1950. Trong 5–7 năm nữa, "AI Strategy" sẽ nghe lỗi thời tương tự.

Frame đúng: con người sống cùng AI, sống dựa vào AI, sống xoay quanh AI — như cách chúng ta sống cùng điện và cloud. Nhưng AI không sống thay con người. AI là môi trường, không phải agent thay thế.

Hệ quả thực hành:

• Không có "AI Roadmap" tách rời khỏi business roadmap. Có roadmap kinh doanh, và AI thấm vào từng item của roadmap đó.
• Không có "AI training program" tách rời khỏi role training.
• Không có CAIO (Chief AI Officer) tách rời khỏi CTO/COO. Role đó sẽ tồn tại 2–3 năm như một transitional position, rồi merge lại.

Điều nguy hiểm nhất tôi quan sát được không phải là các tổ chức không đầu tư đủ vào AI. Mà là họ đầu tư rất nhiều nhưng theo logic của một thế giới khác — logic project-based industrial age. Frame quyết định strategy. Strategy quyết định execution. Nếu frame sai từ đầu, mọi execution dù tốt đến đâu cũng đi sai hướng.

Backlog vô hạn, năng lượng hữu hạn: bài toán prioritization không bao giờ biến mất.

Tháng trước tôi tham dự một AI workshop với khách. Cuối buổi, họ list ra 47 AI use cases tiềm năng. Mọi cái đều "feasible". Mọi cái đều có sponsor sẵn lòng. Mọi cái đều có thể PoC trong 2–4 tuần.

Một năm trước, list đó sẽ là 8–10 use cases sau khi cost-benefit filter tự nhiên. Chi phí compute đắt, engineer hiếm, vendor charge phí lớn. Thực tế làm gatekeeper cho việc rút gọn danh sách ưu tiên. Bây giờ gatekeeper đó gần như đã biến mất.

Tổ chức launch 15 PoC, scale 0–2, team kiệt sức, business mất niềm tin, executive bắt đầu nghi ngờ AI nói chung. Pattern này hiện đang xảy ra ở rất nhiều công ty Nhật mà tôi quan sát được. Một số người trong industry bắt đầu gọi nó là PoC fatigue. Tôi nghĩ tên đúng hơn là PoC bubble.

Đây là điều tôi nghĩ đa số narrative AI hiện tại đang miss: việc chọn cái gì để làm và cái gì không làm — đó không phải vấn đề mới do AI tạo ra. Đó là bài toán prioritization mà mọi tổ chức luôn phải giải. Khác biệt duy nhất là điều kiện.

Trước AI, cost of execution cao. Gatekeeper là external. Sau AI, cost tiệm cận zero. Gatekeeper external biến mất. Gatekeeper internal phải xuất hiện thay thế. Đó là judgment có kỷ luật.

Trong vận hành cụ thể, tôi đang dùng vài nguyên tắc:

Mọi experiment phải có thesis trước khi có budget. Câu hỏi không phải "có làm được không" mà "nếu làm được thì sẽ thay đổi business như thế nào". Một PoC không có thesis sẽ thành một demo đẹp mà không ai dám scale.

Velocity của experiment phải match được velocity của decision-making. Nếu tổ chức chỉ có khả năng quyết định scale 2 cái một quý, thì 8 cái còn lại sẽ chết trong limbo. Đó không phải lỗi của team — đó là lỗi của leadership không thiết kế decision pipeline match được với experiment pipeline.

Output không phải KPI. Outcome mới là. AI có thể giúp một team cho ra 3x output. Nếu output đó không convert thành outcome thực sự, thì 3x output chỉ là 3x noise.

Tóm tắt: không phải AI làm prioritization khó hơn. AI làm prioritization trở thành job thực sự của leadership — vì reality không còn làm thay nữa.

Khi mọi người đều xài cùng một stack AI, chúng ta cạnh tranh nhau về cái gì?

Đầu năm nay tôi quan sát hai team cùng dùng đúng một stack: cùng IDE với cùng AI assistant, cùng base model cho code review, cùng template prompts cho documentation. Trên giấy tờ, hai team identical về capability. Trong thực tế, một team deliver xuất sắc, một team trượt sprint thứ ba liên tiếp.

Câu hỏi tôi tự đặt: nếu tool đã ngang bằng, cái gì giải thích sự chênh lệch?

Câu trả lời tôi tin hiện tại: khi tool ngang bằng, chính con người trở thành differentiator cuối cùng. Không phải kỹ năng kỹ thuật — vì cái đó đang được commoditize. Mà chính cách con người đó là người (cách tư duy, cách làm việc).

5 differentiator còn đứng vững dưới điều kiện tool ngang bằng:

Judgment under uncertainty. AI có thể generate 20 options trong 30 giây. Nhưng quyết định chọn option nào dưới điều kiện thông tin không đầy đủ, time pressure, political constraint — đó vẫn là judgment của con người.

Taste. Khả năng phân biệt cái nào ổn và cái nào không, khi có vô hạn output để chọn. AI làm cho mọi thiết kế đều "đủ đẹp", mọi slide đều "đủ professional". Người có khả năng nhìn 50 output và biết cái nào thực sự đúng — người đó hiếm và giá trị tăng vọt.

Relationships and trust. Trust giữa Manager Việt Nam và client Nhật được build qua nhiều năm, nhiều lần solve crisis cùng nhau lúc 2 giờ sáng. AI không substitute được layer này. Một AI agent không thể đến văn phòng khách lúc 6 giờ chiều thứ Sáu, ngồi nghe người PM bên client xả stress về sếp ông ấy, rồi 3 tháng sau ông ấy vẫn nhớ về điều đó khi quyết định ký hợp đồng với bạn.

Character. Kỷ luật giữ định hướng qua nhiều quý khi không ai để ý. Khả năng deliver bad news mà không mất composure. Người không có character mà có AI chỉ deliver rác nhanh hơn.

Domain depth. AI có thể summarize Wikipedia về insurance trong 3 giây. AI không biết tại sao client này không bao giờ chấp nhận một số giải pháp — vì lý do nằm ở một sự cố bảo mật năm 2018 mà chỉ vài người trong industry còn nhớ.

Paradox đẹp ở đây: AI Era không làm con người ít quan trọng hơn. Nó làm con người trở thành differentiator quan trọng nhất — vì là cái còn lại để khác biệt khi mọi tool đã ngang bằng.

Những workforce bị bỏ lại: phần delivery model không ai muốn nhắc đến.

Tháng 11 năm ngoái, một engineer trong đội AMS đến gặp tôi. Anh ấy 45 tuổi, đã làm AMS gần 15 năm. Anh ấy không hỏi câu hỏi kỹ thuật. Anh ấy hỏi: "Tôi sẽ đi đâu giờ?"

Tôi nhớ câu hỏi đó rất rõ, vì tôi không có câu trả lời tốt cho nó.

Đây là phần của AI narrative mà gần như mọi keynote né tránh. Khi chúng ta nói về AI Era, chúng ta nói về cơ hội. Về one-person empires. Về AI-augmented professional. Tất cả đều thật. Nhưng tất cả đều mô tả tầng trên của một workforce pyramid mà phần lớn nhân lực không ở tầng đó.

Những roles đang ở trong vùng nguy hiểm trong delivery model điển hình:

• AMS engineer tier 1: phần lớn ticket là pattern recognition. AI ngày càng làm tốt việc này.
• Junior developer làm boilerplate: setup project, CRUD endpoints, basic UI components. Từng là bệ phóng cho career. Bệ phóng đó đang biến mất.
• Manual tester theo case-based testing: AI làm rất nhanh và nhất quán.
• BCO operations làm routine task: data entry, document classification, basic correspondence. Toàn bộ tầng này đang được tự động hóa rất nhanh.

Đây không phải hypothetical. Đây là hàng nghìn người trong tổ chức điển hình ở Việt Nam, Ấn Độ, Philippines — những workforce mà mô hình outsourcing đã build dựa trên giả định rằng những role này stable và scale được.

Vậy Việt Nam có cơ hội gì cụ thể? Có 4 niche khả thi: vertical AI applications cho thị trường Đông Á; AI-augmented manufacturing service; domain expertise + AI tooling combo; và talent export theo mô hình mới — không phải outsource theo BSE/PM/Dev tier như cũ, mà export senior AI-fluent talent có domain depth.

Điểm chung của 4 niche này: không có cái nào hoạt động ở scale labor arbitrage. Tất cả đều yêu cầu sự đầu tư sâu vào năng lực con người.

Tôi muốn ngắt chương này bằng một acknowledgment thẳng thắn: tôi đang ở phía privileged của curve này. Đó chính xác là lý do người ở vị trí của tôi phải nói phần này — phần về workforce bị bỏ lại — to và rõ. Vì nếu chỉ tầng trên kể câu chuyện AI Era, đó không phải câu chuyện thật. Đó là cốt truyện tự an ủi.

AI hoàn thành output, không hoàn thành relationships.

Tuần trước tôi có một cuộc họp ở Tokyo với một khách hàng đã làm việc cùng tôi 3 năm. Chúng tôi bàn về một deal lớn cho 2026. Trước cuộc họp đó, AI đã làm rất nhiều việc: phân tích historical data, generate scenario options, prepare slide deck, draft contract terms. Khi tôi vào phòng họp, mọi thứ tôi cần trên giấy đã sẵn sàng.

Nhưng deal được close không phải bởi slide.

Deal được close khi sau 20 phút bàn business, ông ấy hỏi tôi về con gái — vì ông ấy nhớ tôi mới có con. Khi tôi kể đêm trước con bị sốt mọc răng, em bé bị ốm khi đi nhà trẻ..., ông ấy cười và nói ông ấy cũng từng trải qua những chuyện đó, cho tôi 1 số lời khuyên chăm con. Sau 5 phút đó, chúng tôi quay lại deal, và phần khó nhất của negotiation diễn ra trong 10 phút thay vì 2 giờ.

AI đã làm hoàn hảo phần output của cuộc họp. AI không làm được — và tôi nghĩ trong tương lai gần vẫn không làm được — phần outcome thực sự, vốn được quyết định bởi 5 phút nói về sốt mọc răng.

Đây là phân biệt mà tôi nghĩ quan trọng nhất trong toàn bài viết này: AI hoàn thành output. Con người hoàn thành outcome.

Output là cái deliverable đo được: dòng code, slide, document, analysis. Outcome là cái thực sự thay đổi trong business: deal được close, team chemistry được build, trust với client được deepen, một junior engineer được mentor đủ để 2 năm sau thành tech lead.

Đây là lý do tôi tin trong industry SI delivery với khách Nhật, relationships sẽ vẫn là quan trọng nhất trong suốt thập kỷ này — bất kể AI tốt đến đâu. Khách Nhật không mua công nghệ. Họ mua sự tin cậy lâu dài.

Khi mọi output sẽ trở nên "perfect" theo nghĩa kỹ thuật — slide đẹp, code clean, document đầy đủ — thì cái còn lại để khác biệt là dấu vết của một con người thật làm việc với một con người thật. Một slide có vài chỗ không hoàn hảo nhưng được present bởi người đã thức trắng đêm vì thực sự quan tâm về vấn đề, sẽ tốt hơn rất nhiều một slide hoàn hảo được generate trong 2 phút.

Nếu AI là utility layer mà chúng ta sống cùng, không sống thay…
Nếu bài toán prioritization vẫn cốt lõi, vì năng lượng con người vẫn hữu hạn dù tool vô hạn…
Nếu khi tool ngang bằng, chính con người trở thành differentiator cuối cùng…
Nếu chúng ta thực sự muốn câu chuyện AI Era là thật, không phải cốt truyện tự an ủi của tầng trên…

Thì cái còn lại — và là tất cả — vẫn là chúng ta dùng layer AI này để trở thành tổ chức gì, và là con người gì.

AI Transformation thực sự không phải khi tổ chức triển khai được 100 AI use cases cho khách hàng, cho bản thân doanh nghiệp. Mà khi tổ chức đó, sau quá trình transform, vẫn là một nơi mà con người muốn làm việc, vẫn build được trust với khách hàng, vẫn không bỏ rơi những người không kịp adapt, và vẫn nhớ rằng outcome cuối cùng được tạo ra giữa hai con người ngồi đối diện nhau — không phải giữa hai prompt và hai model.

Thử thách lớn nhất của AI Era, theo tôi, không phải là build được AI thông minh hơn. Mà là build được tổ chức và build được chính chúng ta, sao cho khi AI thấm vào mọi lớp của công việc và đời sống, chúng ta vẫn nhận ra mình trong đó.

Cường Nguyễn — Tokyo, 2026