Trong hai năm qua, AI đã chuyển từ giai đoạn thử nghiệm sang thực thi, nhưng sự chuyển dịch này không diễn ra đồng đều.
Trên lý thuyết, mức độ ứng dụng AI trông rất ấn tượng. Đến năm 2025, 88% tổ chức đã sử dụng AI trong ít nhất một chức năng, nhưng chỉ 34% ghi nhận sự chuyển đổi kinh doanh ở mức sâu rộng.
Với agentic AI, khoảng cách này còn rõ rệt hơn: trong khi 72% doanh nghiệp đã thử nghiệm hoặc sử dụng AI agent, chỉ một phần nhỏ có thể mở rộng triển khai thành công.
Thực trạng này đang chỉ ra một vấn đề: Bài toán thật sự không nằm ở công nghệ, mà nằm ở khả năng thực thi.
Agentic automation không thất bại vì mô hình AI yếu. Nó thất bại vì các tổ chức đánh giá thấp những gì thực sự cần thiết để đưa các hệ thống tự chủ vận hành hiệu quả trong môi trường thực tế vốn phức tạp, nhiều biến động.
Table of Contents
Mục tiêu kinh doanh rõ ràng — không chỉ là tham vọng AI
Một trong những sai lầm phổ biến nhất khi triển khai agentic automation là bắt đầu bằng câu hỏi sai: “Chúng ta có thể dùng AI ở đâu?” thay vì “Chúng ta đang muốn đạt được kết quả gì?” Sự khác biệt này không chỉ là vấn đề ngôn từ mà là vấn đề chiến lược.
Những tổ chức tạo ra ROI thành công từ AI agent không bắt đầu bằng các chương trình chuyển đổi quá rộng. Thay vào đó, họ tập trung vào những kết quả kinh doanh được xác định rõ, thường nhắm tới các điểm nghẽn vận hành cụ thể nơi tự động hóa có thể tạo tác động tức thì và đo lường được. Dữ liệu doanh nghiệp gần đây cho thấy các công ty áp dụng cách tiếp cận tập trung này có thể đạt lợi nhuận dương chỉ trong khoảng bảy tháng.
Ngược lại, các sáng kiến chỉ được thúc đẩy bởi tham vọng AI nhưng thiếu liên kết thực chất với giá trị kinh doanh thì thường mắc kẹt ở giai đoạn thử nghiệm, khó mở rộng hoặc khó chứng minh lý do để tiếp tục đầu tư.
Mức độ sẵn sàng của dữ liệu vẫn là điểm nghẽn lớn nhất
Một khoảng cách dai dẳng vẫn tồn tại giữa việc có quyền truy cập và việc thực sự sử dụng AI. Theo Boston Consulting Group (2024), chưa đến 60% nhân viên có quyền truy cập vào các công cụ AI sử dụng chúng trong quy trình làm việc hằng ngày — phần lớn do hệ thống phân mảnh, dữ liệu thiếu nhất quán và khả năng tiếp cận còn hạn chế.
Thách thức này càng lớn hơn với các hệ thống agentic. Khác với tự động hóa truyền thống, chúng không chỉ “thông minh” mà còn phụ thuộc sâu vào dữ liệu và khả năng hiểu ngữ cảnh. Hiệu suất của chúng dựa trên ba điều kiện:
Dữ liệu được hợp nhất giữa các hệ thống;
Quyền truy cập theo thời gian thực hoặc gần thời gian thực;
Đầu vào có cấu trúc và được quản trị tốt.
Nếu thiếu nền tảng này, các agent không trở nên tự chủ — mà trở nên thiếu tin cậy, tạo ra đầu ra khó kiểm chứng và khó mở rộng.
Vì vậy, các tổ chức dẫn đầu đang ưu tiên hiện đại hóa kiến trúc dữ liệu song song với triển khai AI. Gartner (2024) xác định mức độ sẵn sàng của dữ liệu là một trong ba ưu tiên đầu tư hàng đầu đối với các doanh nghiệp theo đuổi AI nâng cao.
Nói ngắn gọn, agentic automation chỉ mạnh bằng chính hệ sinh thái dữ liệu đứng sau nó.
Quản trị: Yếu tố quyết định thành bại
Đây là một sự thật không dễ chấp nhận: phần lớn tổ chức đang triển khai AI agent vẫn chưa sẵn sàng để kiểm soát chúng.
Khi các hệ thống agentic chuyển từ thử nghiệm sang thực thi, quản trị trở thành yếu tố phân định giữa thành công và thất bại. Theo Gartner (2024), có tới 40% sáng kiến AI agent có thể thất bại vào năm 2027 — phần lớn do quản trị yếu, kiểm soát rủi ro kém và ROI không rõ ràng.
Đồng thời, mức độ sẵn sàng vẫn còn hạn chế. Nghiên cứu của McKinsey & Company (2024) cho thấy chỉ một nhóm nhỏ tổ chức có khung quản trị AI trưởng thành. Nhiều doanh nghiệp vẫn vận hành với trách nhiệm giải trình chưa rõ ràng, khả năng kiểm toán hạn chế và các tiêu chuẩn giải thích còn đang phát triển.
Agentic automation tạo ra một sự dịch chuyển căn bản: hệ thống không chỉ đưa ra khuyến nghị — mà còn hành động. Khi các agent thực thi quyết định, biên độ cho sai sót bị thu hẹp đáng kể.
Để quản lý điều này, tổ chức cần:
Các guardrail rõ ràng về những gì agent được phép và không được phép làm;
Lộ trình chuyển cấp cụ thể cho các trường hợp ngoại lệ;
Cơ chế giám sát human-in-the-loop hoặc human-on-the-loop;
Khả năng truy vết đầy đủ đối với các quyết định và hành động.
Nếu không có quản trị, quyền tự chủ sẽ nhanh chóng trở thành trách nhiệm pháp lý và rủi ro vận hành.
Mức độ sẵn sàng của quy trình: Tự động hóa sự hỗn loạn chỉ làm hỗn loạn lan rộng
Một hiểu lầm phổ biến khác là AI có thể sửa các quy trình vốn đã rối. Thực tế là không.
Các hệ thống agentic không mặc định tối ưu hóa — chúng khuếch đại. Nếu một quy trình vốn kém hiệu quả, phân mảnh hoặc thiếu nhất quán, agent sẽ chỉ thực thi những điểm yếu đó nhanh hơn và ở quy mô lớn hơn.
Đó là lý do các tổ chức dẫn đầu ưu tiên mức độ sẵn sàng của quy trình trước khi tự động hóa. Theo Deloitte (2024), các công ty đầu tư tối ưu hóa quy trình từ đầu có khả năng đạt kết quả đo lường được từ các sáng kiến AI cao hơn đáng kể.
Trong thực tế, điều này đồng nghĩa với việc tập trung vào:
Khám phá quy trình để hiểu công việc thực sự đang diễn ra như thế nào;
Chuẩn hóa luồng công việc để giảm biến động;
Lập bản đồ rõ ràng các điểm ra quyết định và mối phụ thuộc.
Logic rất đơn giản: bạn không thể tự động hóa thứ mà bạn không hiểu.
Bảo mật và rủi ro ở quy mô lớn
Agentic AI không chỉ làm tăng năng lực — mà còn mở rộng rủi ro.
Các hệ thống này có thể truy cập dữ liệu nhạy cảm, kích hoạt giao dịch và vận hành tự chủ trên nhiều hệ thống. Do đó, tác động tiềm tàng của lỗi vận hành — hoặc việc bị khai thác — tăng lên đáng kể.
Những tín hiệu ban đầu đã đáng lo ngại. Theo IBM Security (2024), các lỗ hổng trong hệ thống agentic AI đã bị khai thác thành công trong 23% kịch bản kiểm thử bảo mật.
Điều này đang thúc đẩy sự chuyển dịch sang một mô hình bảo mật mới, trong đó bảo vệ được nhúng trực tiếp vào cách agent được thiết kế và triển khai. Các ưu tiên chính bao gồm:
Kiểm soát danh tính và quyền truy cập được thiết kế riêng cho AI agent;
Giám sát hành vi liên tục;
Áp dụng kiến trúc zero-trust.
Trong kỷ nguyên agentic, bảo mật không phải là một lớp bổ sung — mà là một phần của thiết kế.
Human-on-the-Loop: Giám sát theo tốc độ của tự chủ
Khi AI agent chuyển từ hỗ trợ sang hành động, vai trò giám sát của con người không biến mất — mà tiến hóa.
Các mô hình truyền thống như human-in-the-loop thường quá chậm đối với các hệ thống agentic vận hành theo thời gian thực. Thay vào đó, các tổ chức đang chuyển sang human-on-the-loop: mô hình trong đó con người giám sát, can thiệp khi cần và giữ quyền kiểm soát cuối cùng — mà không cần tham gia vào từng quyết định riêng lẻ.
Điều này rất quan trọng vì các hệ thống agentic được thiết kế để hành động độc lập, thường trong các môi trường phức tạp và thay đổi liên tục. Nếu thiếu giám sát phù hợp, những sai sót nhỏ có thể nhanh chóng lan rộng.
Theo Accenture (2024), các tổ chức tích hợp giám sát của con người vào quy trình AI có khả năng tin tưởng và mở rộng các hệ thống tự chủ hiệu quả hơn đáng kể.
Trong thực tế, điều này đòi hỏi:
Giám sát theo thời gian thực đối với hành vi và quyết định của agent;
Các điểm can thiệp được xác định rõ cho ngoại lệ hoặc bất thường;
Trách nhiệm giải trình rõ ràng đối với kết quả, ngay cả trong các luồng vận hành tự chủ.
Human-on-the-loop không phải là để giới hạn quyền tự chủ — mà là yếu tố giúp quyền tự chủ có thể vận hành bền vững ở quy mô lớn.
