Điều gì đang thay đổi trong cách chúng ta đo lường ROI của AI khi công nghệ này chuyển từ các dự án thí điểm sang cốt lõi của quy trình kinh doanh?

Khi AI trở thành một phần của vận hành, cách tính hiệu quả đầu tư cũng buộc phải thay đổi.

Có một sự thật gây khó chịu mà ít ai nói ra trong các phòng họp hội đồng quản trị: phần lớn các con số ROI dành cho AI đang được “sáng tạo” ngược. Người ta chọn dự án trước, rồi sau đó cố nhồi nhét các chỉ số để biện minh. Nhưng khi AI không còn là một robot trò chuyện hay một mô hình thử nghiệm trong góc phòng Lab nữa, mà đã len lỏi vào huyết mạch đặt hàng, định giá, phân phối và ra quyết định, thì cách chúng ta đo lường thành công của nó cần phải bị “mổ bụng” để xây dựng lại từ đầu.

Lối mòn hiện tại dựa trên một giả định sai: rằng giá trị của AI có thể được quy đổi thành dòng tiền tăng thêm một cách tuyến tính giống như ta đầu tư vào một cái máy CNC mới. Nhưng bản chất AI không phải là công cụ sản xuất tĩnh. Nó là một hạ tầng nhận thức. Khi trở thành cốt lõi, AI tạo ra các loại giá trị không trực tiếp hiển thị trên báo cáo lãi lỗ quý tiếp theo: khả năng thích nghi với nhiễu loạn thị trường, tốc độ thử nghiệm và học hỏi, hay mức độ trễ trong việc ra quyết định chiến lược. Những thứ đó không có hóa đơn, nhưng chính là thứ quyết định ai sống ai chết trong giai đoạn 2025-2026.

Bài viết này không đưa ra một công thức ma thuật. Nó đi tìm bản chất của việc đo lường giá trị kinh tế khi bộ não của tổ chức đang dần được silicon hóa.

Sự vô hiệu của những tờ Excel tĩnh

Khi doanh nghiệp coi AI như một hạng mục CapEx thông thường, người ta dùng các chỉ số quen thuộc: Tổng chi phí sở hữu (TCO), Thời gian hoàn vốn (Payback Period), và Giá trị hiện tại ròng (NPV). Vấn đề nằm ở chỗ các chỉ số này chỉ vận hành tốt khi đầu vào lẫn đầu ra của một khoản đầu tư là ổn định và dự báo được.

Cái bẫy của kỳ vọng tuyến tính

Một dây chuyền tự động hóa dùng robot hàn có thể tính được chính xác số giờ công tiết kiệm mỗi ngày. Nhưng một mô hình AI tham gia vào công đoạn lập kế hoạch chuỗi cung ứng thì không. Hôm nay, nó giúp giảm 5% tồn kho. Nhưng giá trị thực sự của nó bùng nổ vào tháng sau, khi một nhà máy ở Đông Nam Á bất ngờ đóng cửa, và AI tự động định tuyến lại toàn bộ đơn hàng đang đi đường biển thay vì chờ con người họp ba cuộc rồi mới kết luận. Khoản “lợi nhuận” từ việc tránh được một cơn đứt gãy chuỗi cung ứng gần như không thể dự báo trước, và vì thế, nó không xuất hiện trong mô hình ROI tĩnh ban đầu.

Góc nhìn thực chiến: Khi phê duyệt ngân sách AI cốt lõi, việc cố so sánh giá trị của nó với một chiếc máy photocopy là một sai lầm phân loại. AI cốt lõi gần với việc đầu tư vào năng lực R&D hơn là mua sắm tài sản cố định.

Hai lớp giá trị bị hệ thống kế toán bỏ qua

Hệ thống kế toán hiện đại được thiết kế cho thời đại công nghiệp. Nó theo dõi tài sản hữu hình và chi phí nhân công. Khi AI di chuyển vào vị trí cốt lõi, hai thứ sau đây tạo ra sức mạnh cạnh tranh vượt trội nhưng bị hạch toán như chi phí chìm thay vì tài sản:

1. Bộ dữ liệu đã được gán nhãn và làm sạch (Labeled & Curated Training Data): Đây chính là “quặng tinh chế” của tổ chức. Không có nó, mô hình trở thành đồ bỏ. Tuy nhiên, chi phí để tạo ra nó lại bị gộp chung vào chi phí vận hành, thay vì được vốn hóa như một tài sản chiến lược có giá trị tăng dần theo thời gian.

2. Tốc độ ra quyết định (Decision Latency): Một công ty bảo hiểm nhân thọ dùng AI để xét duyệt hồ sơ có thể giảm thời gian ra quyết định từ 15 ngày xuống còn 5 phút. ROI truyền thống chỉ ghi nhận chi phí nhân viên thẩm định bị cắt giảm. Nhưng giá trị hủy diệt nằm ở chỗ: đối thủ vẫn phải chờ 15 ngày, còn bạn thì có thể ký hợp đồng với khách hàng ngay trong lần gặp đầu tiên. Sự chênh lệch về tốc độ này tái định hình hoàn toàn thị phần, nhưng không hề nằm trong phép tính ROI cũ.

Ba trục đo lường của một hạ tầng nhận thức

Khi một mô hình AI đã nằm sâu trong quy trình vận hành sống còn (ví dụ như thuật toán định giá theo thời gian thực của một nền tảng thương mại điện tử), bạn không thể đo lường nó như một dự án có điểm kết thúc. Bạn cần một khung đánh giá mô phỏng cách hệ thần kinh trung ương hoạt động. Có ba trục giá trị cần được theo dõi cùng lúc.

Trục giá trị tức thời: Từ tiết kiệm chi phí sang giải phóng năng lực

Đây là lớp dễ thấy nhất nhưng thường bị đánh giá sai. Thay vì hỏi “Ta đã tiết kiệm được bao nhiêu tiền?”, câu hỏi mới là “Năng lực bị kìm hãm trước đây vừa được giải phóng là gì?”.

Ví dụ: Một ngân hàng triển khai AI Copilot cho bộ phận phân tích tín dụng doanh nghiệp. Trước đây, một chuyên viên mất ba ngày để đọc báo cáo tài chính, kiểm tra tin tức thị trường và viết thẩm định. Nay, AI làm trong 20 phút bản nháp đầu tiên với đầy đủ trích dẫn. Nếu chỉ nhìn vào ROI, ngân hàng đó có thể tính số giờ làm việc tiết kiệm nhân với lương giờ. Đó là một phép tính thô thiển. Giá trị thực nằm ở việc chuyên viên đó giờ có thể xử lý số lượng hồ sơ gấp bốn lần với độ sâu phân tích tốt hơn, hoặc dành thời gian để gặp gỡ khách hàng, tìm ra các thương vụ tiềm năng mà trước đây họ không bao giờ có băng thông để nhìn thấy. Lợi ích không nằm ở chi phí bị cắt, mà ở doanh thu được tạo ra từ năng lực thặng dư.

Trục giá trị tương lai: Đo lường Optionality

Đây là trục quan trọng nhất khi AI trở thành cốt lõi: giá trị của những lựa chọn chiến lược trong tương lai mà hạ tầng hiện tại mở ra.

Đầu tư vào một Data Lakehouse và xây dựng các mô hình nền tảng (Foundation Models) riêng chưa tạo ra một đồng doanh thu nào trong năm đầu. Nhưng nó cung cấp cho công ty một “tấm vé” để tham gia vào các mô hình kinh doanh mới mà không cần khởi động từ số 0. Ví dụ, một nhà bán lẻ điện máy sau khi xây dựng thành công kho ngữ liệu về xu hướng tiêu dùng và hệ thống gợi ý cá nhân hóa sâu, bỗng nhiên sở hữu tài sản đủ để mở một dịch vụ tư vấn thiết kế nhà ở dự đoán theo phong cách sống. Đối thủ không có hạ tầng dữ liệu này dù có tiền cũng không thể làm được vì không có “chất liệu” để luyện AI.

Vậy làm sao đo? Cần theo dõi tốc độ gia tăng của Data Flywheel (số lượng điểm dữ liệu sạch được thu thập mỗi ngày, độ đa dạng của nguồn dữ liệu được kết nối), và chi phí biên của thử nghiệm AI mới (marginal cost of new AI experiments). Nếu sáu tháng trước, để thử một mô hình dự báo rủi ro, bạn cần một đội 5 người trong 3 tháng, thì nay với cùng hạ tầng, bạn chỉ cần 1 người trong 2 tuần. Sự giảm xuống của chi phí thử nghiệm là thước đo chính xác nhất của giá trị tương lai đang được tích lũy.

Trục giá trị phòng thủ: Mức độ khóa chặt lợi thế cạnh tranh

AI cốt lõi không chỉ giúp bạn chạy nhanh hơn; nó thay đổi cấu trúc của cuộc chơi.

Một trang trại nuôi tôm công nghệ cao sử dụng AI thị giác máy tính kết hợp IoT để kiểm soát thức ăn và dịch bệnh. ROI thô sẽ tính toán trên lượng thức ăn tiết kiệm và nhân công giảm. Nhưng giá trị phòng thủ mới thực sự đáng giá: dữ liệu về môi trường ao nuôi, tập tính ăn của tôm, bệnh lý qua hình ảnh được tích lũy qua ba năm tạo thành một con hào bảo vệ khổng lồ. Một đối thủ muốn vào ngành lúc này không chỉ cần vốn xây ao, mà còn phải có 3 năm trải nghiệm thực chiến của AI để mô hình của họ không bị “mù” trước các vấn đề mà hệ thống của bạn đã biết cách xử lý từ lâu. Chỉ số cần theo dõi: Thời gian cần thiết để một đối thủ mới sao chép được hiệu suất hiện tại (Time to Replicate Advantage). Khi thời gian này tăng lên, ROI phòng thủ của bạn đang hoạt động.

Tình huống thực tế: Hành trình chuyển đổi đo lường tại một doanh nghiệp cung ứng hóa chất

Bối cảnh và cách làm cũ

Một công ty cung ứng hóa chất công nghiệp cho các nhà máy dệt may tại Việt Nam (tạm gọi là Cty H) quyết định đầu tư vào AI để quản trị hàng tồn kho và tối ưu giao hàng. Trong giai đoạn thí điểm năm 2024, họ xây dựng một mô hình dự báo nhu cầu dựa trên đơn hàng quá khứ và mùa vụ thời trang. Ban lãnh đạo đo lường ROI rất đơn giản: tổng chi phí phần mềm, phần cứng, và tư vấn là X đồng. Lượng hàng tồn kho trung bình giảm được khoảng 12%, quy đổi thành tiền mặt là Y đồng. Phép chia Y/X cho thấy thời gian hoàn vốn khá hấp dẫn, dự án được triển khai rộng.

Khi mô hình này trở thành xương sống cho việc đặt mua nguyên liệu từ nước ngoài (cốt lõi quy trình), câu chuyện bắt đầu trục trặc với phép đo cũ. Đội ngũ bán hàng phản ánh rằng họ không thấy doanh thu tăng. Bộ phận tài chính vẫn thấy chi phí bốc dỡ hàng khẩn cấp thỉnh thoảng xảy ra. Nhìn bề nổi, có vẻ ROI đang giảm nhưng thực tế thì năng lực của cả công ty đã thay đổi theo cách không ai nhìn thấy.

Áp dụng mô hình ba trục và đánh giá lại

Nhóm chiến lược quyết định “mổ xẻ” lại giá trị AI theo một lăng kính khác, không dùng các câu hỏi về tiết kiệm chi phí:

• Trục giá trị tức thời (giải phóng năng lực): Trước đây, bộ phận thu mua dành 60% thời gian để gọi điện, nhắn tin kiểm tra tồn kho thực tế và chạy các báo cáo excel thủ công. Sau khi AI dự báo sát và tự động đề xuất đơn hàng, thời gian này giảm xuống còn 15%. Nhưng thay vì cho nhân viên đó nghỉ việc (cách ROI cũ đong đếm), họ chuyển sang làm công việc đàm phán giá nguyên liệu tận gốc với nhà cung cấp ở Trung Đông, một công việc trước đây chẳng ai có thời gian làm tử tế. Kết quả: đơn giá nhập khẩu thô giảm được 3% trong 6 tháng. Đây là giá trị hoàn toàn mới mà mô hình cũ không bắt được.
• Trục Optionality (giá trị tương lai): Kho dữ liệu tập trung từ AI không chỉ có số liệu bán hàng, mà còn liên tục cập nhật dữ liệu thời tiết vùng nguyên liệu, giá dầu thô (ảnh hưởng đến phí vận tải biển), và chỉ số sản xuất công nghiệp của các nước mua hàng dệt may cuối cùng. Cấu trúc dữ liệu này bất ngờ mở ra khả năng: Cty H có thể cung cấp thêm dịch vụ tư vấn “lịch mua hàng thông minh” cho chính các nhà máy dệt là khách hàng của mình. Đây là một nguồn doanh thu mới, hoàn toàn không có trong bài toán ROI ban đầu.
• Trục phòng thủ: Mô hình AI tích hợp với hệ thống kho lạnh giúp phát hiện các lô hàng sắp hết hạn sử dụng và đề xuất chiến lược giảm giá hoặc trộn để sản xuất theo quy định an toàn. Năng lực này giúp Cty H giảm tỷ lệ hủy hàng do quá date xuống mức gần như bằng không. Đối thủ cạnh tranh không có hệ thống này vẫn đang phải chịu mức hủy hàng đáng kể. Khoảng cách về năng lực vận hành giữa hai bên ngày càng doãng ra, tạo ra một rào cản rời thị trường cực lớn.

Key Takeaway: Nếu chỉ dùng mô hình ROI thí điểm, Cty H có lẽ đã kết luận dự án này “không có gì bùng nổ” và ngừng đầu tư. Chính việc chuyển đổi cách nhìn sang ba trục đã giúp họ nhận ra họ đang sở hữu một tài sản chiến lược chứ không phải một công cụ tiết kiệm chi phí đơn thuần.

Chiến lược triển khai khung đo lường trong thực tế

Việc thuyết phục CFO và Hội đồng quản trị từ bỏ Excel ROI truyền thống là không thể. Điều khả thi là xây dựng một lớp “phiên dịch” các giá trị mới về ngôn ngữ tài chính, đồng thời bổ sung các chỉ số vận hành không liên quan đến kế toán.

Xây dựng khung theo dõi tín hiệu thay vì chỉ số trễ

Các chỉ số tài chính là chỉ báo của quá khứ. Để điều khiển một hệ thống AI cốt lõi, cần theo dõi các tín hiệu dẫn dắt (leading indicators) với tần suất hàng tuần.

Nên thiết lập một bộ 5-7 chỉ số thuộc ba nhóm:

1. Hiệu suất của bản thân mô hình: Không chỉ độ chính xác, mà còn là độ trễ suy luận, tỷ lệ yêu cầu bị từ chối/ảo giác (hallucination rate), và mức tiêu thụ tài nguyên/đầu ra.

2. Tác động đến hành vi hệ thống: Tốc độ vòng quay của quy trình (cycle time) trước và sau khi có AI, số lượng quyết định được thực hiện tự động hoàn toàn không có con người can thiệp (straight-through processing rate).

3. Tín hiệu phòng thủ và học hỏi: Khối lượng dữ liệu có cấu trúc mới được tạo ra mỗi ngày, thời gian huấn luyện lại mô hình khi có dữ liệu mới, và tỷ lệ lỗi mà hệ thống tự phát hiện và sửa trước khi gây thiệt hại.

Điều chỉnh cấu trúc tổ chức để nắm bắt giá trị gián tiếp

Giá trị doanh thu từ Optionality thường bị thất thoát vì không phòng ban nào đứng ra chịu trách nhiệm hiện thực hóa nó. Bộ phận IT nghĩ đó là việc của kinh doanh; kinh doanh nghĩ đó là phần mềm hỗ trợ bán hàng.

Khi AI trở thành cốt lõi, doanh nghiệp cần một vai trò kết nối, có thể là AI Value Realization Officer trực thuộc CEO, chứ không phải nằm dưới CTO. Nhiệm vụ của vị trí này là liên tục khám phá các ứng dụng mới từ tài sản dữ liệu/AI sẵn có và chịu trách nhiệm về toàn bộ các trục giá trị, bao gồm những thứ không xuất hiện trên báo cáo P&L hàng tháng. Đây là người bảo vệ cho các khoản đầu tư vào “optionality” dài hạn.

So sánh các công cụ và phương pháp tiếp cận đo lường

Không phải cách đo nào cũng phù hợp với giai đoạn AI cốt lõi. Bảng dưới đây phác thảo ưu và nhược điểm của các lựa chọn chính.

Phương pháp / Công cụ	Mô tả cốt lõi	Phù hợp nhất khi	Hạn chế chính
Phân tích Dòng tiền Chiết khấu (DCF)	Quy toàn bộ giá trị tương lai về hiện tại dựa trên lãi suất chiết khấu.	Dự án thí điểm đơn lẻ, biệt lập, đầu ra rõ ràng.	Không định giá được sự linh hoạt và các cơ hội mới phát sinh từ dữ liệu.
OKR lồng ghép AI	Mỗi chỉ số kinh doanh (Objective) được gắn với một chỉ số kỹ thuật của mô hình (Key Result).	Giai đoạn chuyển giao từ thí điểm sang vận hành một phần.	Vẫn thiên về đo các mục tiêu đã biết trước, bỏ lỡ giá trị phòng thủ và cơ hội không dự kiến.
Định giá Quyền chọn Thực (Real Options Valuation)	Coi đầu tư AI như việc mua một quyền chọn để thực hiện một dự án lớn hơn trong tương lai.	Các sáng kiến nền tảng như Data Lakehouse, Foundation Models.	Phức tạp, khó giải thích cho hội đồng quản trị không chuyên, đòi hỏi giả định không chắc chắn.
Khung Giá trị Hỗn hợp (Blended Value Framework)	Kết hợp KPI tài chính, vận hành (tốc độ, độ trễ) và chiến lược (thị phần, rào cản) vào một bảng điều khiển duy nhất.	Tổ chức đã coi AI là hạ tầng cốt lõi sống còn.	Không có công thức chung, đòi hỏi văn hóa dữ liệu và tư duy hệ thống rất cao.

Đánh giá mức độ sẵn sàng của tổ chức trong việc đo lường AI thế hệ mới

Để biết doanh nghiệp đã thực sự sẵn sàng từ bỏ cách tính ROI “máy móc” và chuyển sang đánh giá AI như một hạ tầng nhận thức hay chưa, có thể dùng Scorecard dưới đây.

Tiêu chí	Điểm	Ghi chú đánh giá
Văn hóa chấp nhận đầu tư không có kết quả ngay lập tức	7	Ban lãnh đạo sẵn sàng phê duyệt ngân sách nền tảng, nhưng vẫn yêu cầu điểm dừng để đánh giá lại hàng quý.
Mức độ kết nối dữ liệu giữa các phòng ban	4	Phòng kinh doanh và kho vận dùng chung một Data Lake, nhưng bộ phận tài chính vẫn dùng file Excel riêng và đối soát thủ công.
Năng lực lượng hóa Optionality	3	Chưa có quy trình nào để theo dõi các cơ hội kinh doanh mới phát sinh từ năng lực AI. Các ý tưởng được ghi nhận một cách ngẫu nhiên qua email.
Tốc độ sinh dữ liệu sạch phục vụ tái huấn luyện	8	Hệ thống ghi nhận nhật ký người dùng và gắn nhãn tự động qua phản hồi rất tốt. Dữ liệu mới có thể đưa vào huấn luyện lại trong vòng 24 giờ.
Khả năng giải trình giá trị phi tài chính cho cổ đông	5	CFO đồng ý với khái niệm “tài sản dữ liệu” nhưng chưa có cơ chế định giá nội bộ để đưa vào báo cáo thường niên.

Giải thích tổng điểm theo thang điểm 10: Điểm trung bình khoảng 5,4, phản ánh một tổ chức đang ở giữa hành trình chuyển đổi. Đây là mức “Khá” trong bối cảnh chung của các doanh nghiệp đang nỗ lực số hóa sâu. Những tiêu chí có điểm thấp (Năng lực lượng hóa Optionality, Kết nối dữ liệu tài chính) cho thấy điểm nghẽn không còn nằm ở công nghệ mà nằm ở tư duy quản trị và cấu trúc tổ chức. Đây chính là những khu vực cần tập trung nguồn lực thay đổi tiếp theo để toàn bộ hệ thống đo lường không bị kéo lùi về cách làm cũ.

Lời kết: Tạm biệt máy tính tay, chào đón la bàn

Sự thay đổi trong cách đo lường ROI của AI không phải là một bài toán tối ưu công thức. Nó là một sự tiến hóa trong tư duy về cách giá trị được tạo ra trong kỷ nguyên thuật toán.

Khi AI là một dự án thí điểm, ta cần một cái máy tính tay để chứng minh rằng nó đáng để thử. Khi AI trở thành cốt lõi, máy tính tay trở nên vô dụng. Thứ ta cần là một cái la bàn và một bản đồ địa hình ba chiều, cho phép doanh nghiệp định vị được mình đang ở đâu trong không gian của tăng trưởng, thích nghi và phòng thủ. Nó không chỉ là câu hỏi “ta đã kiếm lại được bao nhiêu?”, mà là “ta có một tổ chức đã thông minh hơn, nhanh hơn và khó bắt chước hơn bao nhiêu so với tháng trước?”.

Định giá được sự thông minh đó chính là năng lực cạnh tranh cuối cùng của mọi lãnh đạo trong bối cảnh 2025-2026.