95% dự án AI thất bại: đọc đúng mẫu, tiêu chí và giới hạn

Đăng ngày 25/10/2026

Tóm tắt và điều cần nhớ

“95% dự án AI thất bại” không phải xác suất thất bại đã được đo cho mọi dự án. Cụm này gắn với báo cáo sơ bộ The GenAI Divide năm 2025, trong đó cách gọi tổ chức, thí điểm và triển khai thay đổi giữa các đoạn. Người ra quyết định cần đọc đúng mẫu, tiêu chí và thời gian quan sát trước khi dùng con số làm căn cứ đầu tư [1].

• Chưa thấy tác động tài chính khác với đã mất toàn bộ vốn.
• Tỷ lệ tổ chức không thể tự chuyển thành tỷ lệ dự án.
• Không thuộc nhóm dẫn đầu chưa đồng nghĩa triển khai thất bại.
• Dự báo phải được phân biệt với kết quả đếm sau sự kiện.
• Một thử nghiệm dừng đúng điều kiện vẫn có thể tạo kiến thức hữu ích.

Con số bắt đầu từ đâu?

Bản The GenAI Divide được đọc là tài liệu Project NANDA tháng 7/2025, lưu lại từ bản do hãng luật đăng lại. Tài liệu ghi nghiên cứu nửa đầu năm, kết hợp hơn 300 sáng kiến công khai, phỏng vấn đại diện 52 tổ chức và khảo sát 153 lãnh đạo tại bốn hội nghị. Nó là kết quả sơ bộ, không phải một cuộc kiểm toán toàn bộ thị trường AI [1].

Phần đầu báo cáo nói tổ chức chưa có lợi tức, còn phần khác nói công cụ AI chuyên biệt vượt qua thí điểm. Báo cáo tự nêu số chỉ có ý nghĩa định hướng, định nghĩa thành công khác nhau và mẫu có thiên lệch. Phụ lục mô tả thành công vượt giai đoạn thí điểm với chỉ số đo, đánh giá tác động sau sáu tháng [1].

Điều này làm câu hỏi cần hỏi thay đổi. Nếu mục tiêu là biết doanh nghiệp đã ghi nhận giá trị, cần mẫu doanh nghiệp và cách xác định giá trị. Nếu mục tiêu là tỷ lệ dự án được triển khai, cần danh sách dự án cùng quy tắc theo dõi. Không thể ghép hai câu trả lời chỉ vì chúng xuất hiện trong cùng một tài liệu AI.

Tên một trường đại học trên báo cáo cũng không thay thế kiểm tra phương pháp. Người đọc cần biết công trình đã được bình duyệt hay chưa, ai đưa ra nhận định và dữ liệu có được công bố để kiểm lại không. Với tài liệu sơ bộ, có thể xem đó là lời cảnh báo để điều tra tiếp, thay vì một định luật về đầu tư AI.

Mẫu số nào đang được dùng?

Một tổ chức có thể đồng thời chạy nhiều thử nghiệm AI, dùng công cụ có sẵn và xây hệ thống riêng. Nếu tổ chức chưa đo được tác động lên lợi nhuận, vẫn chưa biết từng thử nghiệm hoạt động ra sao. Ngược lại, một thí điểm được triển khai không có nghĩa toàn doanh nghiệp đã tạo giá trị đáng kể. Hai cấp đo trả lời các câu hỏi khác nhau.

Khung đọc do bài đề xuất dùng sáu ô: đơn vị quan sát, đối tượng được chọn, tiêu chí kết quả, thời gian theo dõi, cách thu thập và điều chưa biết. Không cần biến chúng thành điểm chất lượng tổng hợp. Nếu thiếu một ô thiết yếu cho quyết định đang cân nhắc, kết luận phù hợp là chưa đủ thông tin, thay vì tự điền bằng giả định.

Ví dụ giả định, một doanh nghiệp thử mười ý tưởng AI nhưng chỉ định đưa hai ý tưởng phù hợp vào vận hành. Tám ý tưởng dừng không nhất thiết là tám khoản đầu tư sản xuất thất bại. Tuy nhiên, cũng không thể gọi chúng thành công nếu không có mục tiêu học hỏi và kết quả được ghi lại. Cách phân loại phải được thống nhất trước khi nhìn kết quả.

Thời gian theo dõi cần phù hợp lợi ích mong đợi. Công cụ soạn nháp có thể được kiểm bằng công việc ngắn, còn thay đổi quy trình liên phòng ban cần thời gian thực hiện và quan sát. Không nên dùng lý do cần thêm thời gian để né đánh giá mãi. Một dự án AI vẫn cần mốc xem xét, trách nhiệm và giới hạn chi tiêu được duyệt.

Vì sao nhóm dẫn đầu không phải phần bù của thất bại?

Khảo sát McKinsey năm 2025 có 1.993 người trả lời tại 105 quốc gia, thực hiện từ cuối tháng 6 đến cuối tháng 7. Hãng xếp khoảng 6% vào nhóm dẫn đầu khi người trả lời quy tác động EBIT từ 5% trở lên cho AI và nói giá trị đáng kể. Đây là định nghĩa nhóm hiệu suất cao từ tự báo, không phải phép đếm dự án còn sống [2].

PwC công bố khảo sát CEO năm 2026 với 4.454 người tại 95 nước và vùng lãnh thổ, thu thập trong tháng 9–11/2025. Khoảng 12% nói AI mang lại cả lợi ích chi phí lẫn doanh thu; nhóm khác có thể chỉ thấy một phía hoặc chưa thấy lợi ích đáng kể. Không đạt đồng thời hai tiêu chí không có nghĩa mọi hoạt động AI của họ thất bại [3].

Cả hai hãng đều bán dịch vụ tư vấn và triển khai liên quan AI. Khảo sát của họ cung cấp góc nhìn quản lý, nhưng không phải nhóm đối chứng xác định AI gây ra kết quả tài chính. Việc một công ty thuộc nhóm dẫn đầu còn có thể liên quan nguồn lực, chất lượng quản lý và cách ghi nhận. Bài không quy đổi hai tỷ lệ thành một bảng xếp hạng chung.

Gartner dự báo điều gì, đã đo lại chưa?

Gartner công bố thông cáo ngày 29/07/2024, dự báo đến cuối năm 2025 ít nhất 30% dự án AI tạo sinh dừng sau bước chứng minh khả thi. Nguồn nêu giá trị chưa rõ, dữ liệu kém, chi phí leo thang và biện pháp kiểm soát rủi ro thiếu phù hợp. Hãng bán nghiên cứu và tư vấn; thông tin ấy là dự báo, chưa phải số đếm hoàn tất lúc công bố [4].

Khi thời hạn dự báo đã qua, câu hỏi tiếp theo là có phép đo kiểm chứng nào dùng cùng phạm vi hay không. Bài chưa xác minh được một đánh giá hậu kiểm độc lập cho dự báo ấy. Không thể tự thay từ “sẽ” bằng “đã” rồi coi nó là dữ kiện hiện tại. Cũng không nên lấy một tỷ lệ thuộc nhóm dự án AI khác để chứng minh dự báo đúng.

Nghiên cứu nguyên nhân giúp gì nếu không cho tỷ lệ chung?

Báo cáo RAND xuất bản năm 2024 tìm nguyên nhân qua phỏng vấn 65 người có kinh nghiệm thực hành hoặc nghiên cứu AI. Dữ liệu thu thập trong tháng 8–12/2023; thất bại được hiểu theo nhận định của tổ chức, gồm cả kỹ thuật và kinh doanh. Thiết kế định tính này giúp tìm các kiểu vấn đề, không tạo tỷ lệ thất bại đại diện cho toàn thị trường [5].

Một điểm đáng chú ý là mục tiêu kinh doanh và lựa chọn kỹ thuật phải nối với nhau. Nếu người dùng cần giảm thời gian tìm tài liệu nhưng đội AI chỉ tối ưu điểm trả lời trên bộ câu hỏi dễ, dự án có thể đạt kiểm kỹ thuật mà chưa giải quyết công việc. Đó là giả thuyết cần kiểm trong dự án, không phải kết luận mọi dự án mắc cùng lỗi.

RAND cũng giải thích hạn chế do phần lớn người được hỏi là kỹ sư không giữ vai trò quản lý. Quan sát của họ quan trọng nhưng có thể nhấn mạnh những nguyên nhân nhìn thấy từ vị trí ấy. Bài không dùng con số hơn 80% trong phần mở đầu RAND thành kết quả do RAND đo, bởi đó là ước tính được nguồn này dẫn lại [5].

Sáu lỗi khi dẫn một con số thất bại

Danh sách sau là khung biên tập của bài để kiểm một phát biểu trước khi đưa vào đề xuất hoặc báo cáo. Nó không xác nhận một nguồn đáng tin chỉ vì nguồn qua đủ sáu câu hỏi. Mục đích là làm rõ chỗ suy luận đã đi xa hơn dữ liệu, nhất là khi một tiêu đề AI được dùng lại qua nhiều người viết.

• Đổi đơn vị: từ tổ chức sang dự án, rồi sang mọi khoản đầu tư AI.
• Đổi tiêu chí: từ chưa đo được lợi ích thành mất toàn bộ tiền hoặc hệ thống không hoạt động.
• Xóa thời gian: bỏ năm khảo sát, ngày dự báo hoặc thời hạn theo dõi.
• Xóa phạm vi: từ một nhóm công việc sang toàn bộ AI và mọi quy mô.
• Lấy phần bù: xem tất cả bên ngoài nhóm dẫn đầu là thất bại.
• Đổi quan hệ: dùng khác biệt giữa các nhóm để kết luận một cách triển khai gây thành công.

Hướng dẫn báo cáo đánh giá của Viện An toàn AI Canada đề nghị công bố mục tiêu, phương pháp, cấu hình được kiểm và giới hạn diễn giải. Hướng dẫn cũng lưu ý xung đột lợi ích. Đây là nguyên tắc báo cáo đánh giá AI, không trực tiếp kiểm chứng từng khảo sát kinh doanh nêu ở đây; bài vận dụng để hỏi nhà cung cấp trình bày bằng chứng rõ hơn [6].

Khi trích một tỷ lệ AI, nên giữ lại trong ghi chú ít nhất câu hỏi gốc và nơi mô tả phương pháp. Nếu chỉ còn một ảnh tiêu đề không truy được báo cáo, đánh dấu chưa kiểm chứng. Không dùng sự phổ biến của con số như một lần xác nhận độc lập. Nhiều trang cùng chép lại vẫn có thể chỉ xuất phát từ một cách hiểu sai.

Góc nhìn AI: thử thế nào để kết luận dùng được?

Một thử nghiệm AI nên bắt đầu bằng câu hỏi có thể trả lời, chẳng hạn bản nháp có giúp người kiểm hoàn thành việc nhanh hơn mà không bỏ sót điều kiện không. Cần ghi cách làm hiện tại, loại hồ sơ được dùng và tiêu chí chất lượng. Nếu chỉ hỏi người dùng có thích AI hay không, chưa thể suy ra lợi ích vận hành hoặc tài chính.

NIST giới thiệu TEVV-Athlon trong thông báo tháng 8/2026 dưới dạng bản thảo công khai ban đầu. Khung hướng tới đánh giá AI được điều chỉnh theo mục tiêu tổ chức và hoàn cảnh sử dụng. Trang được đọc không phải chứng nhận hiệu quả dự án. Bài chỉ lấy nguyên tắc thiết kế phép đo theo câu hỏi, không mô tả các điều khoản chưa đọc trong bản thảo [7].

Phép thử cần tính cả công kiểm lại đầu ra AI. Với một tình huống giả định, thời gian tạo văn bản giảm nhưng người duyệt phải tìm từng dẫn chứng bị thiếu. Kết quả cuối có thể không tiết kiệm công. Ghi riêng thời gian tạo, kiểm, sửa và xử lý ngoại lệ sẽ giúp nhìn thấy phần việc chuyển từ người này sang người khác.

Nên xác định trước việc gì buộc dừng, việc gì cho phép sửa rồi thử tiếp. Lỗi làm sai cam kết với khách có mức hậu quả khác lỗi định dạng. Nếu thay nguồn dữ liệu hoặc thay mô hình AI giữa đợt kiểm, cần đánh dấu và đánh giá lại phần bị ảnh hưởng. Không trộn hai cấu hình khác nhau rồi báo thành một tỷ lệ chất lượng chung.

Một đợt thử đạt chỉ mở ra quyết định tiếp theo trong phạm vi đã kiểm. Nó chưa chứng minh hệ thống AI chịu được mọi thời điểm cao tải hay mọi trường hợp hiếm. Cần người nhận vận hành, cách báo lỗi và khả năng quay về cách làm trước. Nếu chưa có những điều ấy, kết luận phù hợp là còn thiếu điều kiện triển khai, thay vì gọi dự án thành công trọn vẹn.

Theo quy mô: đặt câu hỏi cho doanh nghiệp vừa và lớn

Doanh nghiệp vừa có ít nguồn lực chuyên trách nên chọn một luồng công việc AI và một chủ sở hữu rõ. Đừng bắt đầu bằng danh mục dài chỉ để chứng minh đang dùng nhiều công nghệ. Phép kiểm đầu tiên nên cho biết nhân viên có làm được việc thật bằng dữ liệu được phép dùng hay không, và ai kiểm đầu ra trước khi sử dụng.

Doanh nghiệp lớn có nhiều bộ phận cần tách kết quả một nhóm khỏi tác động toàn công ty. Một công cụ AI có thể hữu ích tại một nơi nhưng không phù hợp nơi khác. Báo cáo nên chỉ ra đơn vị được kiểm, mức tích hợp và chi phí dùng chung. Tránh cộng nhiều khoản thời gian tiết kiệm chồng lấn rồi trình bày như lợi ích mới.

Với doanh nghiệp nhà nước quy mô tập đoàn, thêm câu hỏi về chuyển giao giữa công ty thành viên và trách nhiệm dữ liệu. Một nhóm làm tốt chưa chứng minh mọi đơn vị có cùng điều kiện. Có thể nhân rộng cách đặt câu hỏi và quản lý thử nghiệm, nhưng dữ liệu, nhân lực và nghĩa vụ cụ thể phải được rà lại. Quy mô lớn không tự làm bằng chứng tốt hơn.

NIST mô tả AI RMF là khung tự nguyện; trang hiện tại cho biết phiên bản đầu đang được sửa đổi. Điểm tham khảo là quản trị rủi ro suốt việc thiết kế, sử dụng và đánh giá AI. Một doanh nghiệp có thể vận dụng tư duy này để xác định người quyết định và người giám sát, nhưng không nên tự tuyên bố đạt chứng nhận từ trang giới thiệu [8].

Đọc kết quả triển khai tại Việt Nam ra sao?

Tại Việt Nam, phép thử AI dùng dữ liệu cá nhân không chỉ cần kết quả năng suất. Luật Bảo vệ dữ liệu cá nhân được Quốc hội ban hành với số 91/2025/QH15, thông qua ngày 26/06/2025 và hiệu lực từ 01/01/2026. Điều 3 quy định nguyên tắc phạm vi, mục đích rõ ràng cùng tính chính xác. Bài chỉ nêu nguyên tắc chung, không đánh giá một dự án cụ thể đã tuân thủ [9].

FPT đăng ngày 01/06/2026 về việc phối hợp thử nghiệm nền tảng AI với Bộ Tài chính. Nguồn này mô tả khảo sát nhu cầu, chuẩn hóa bài toán và trình diễn ứng dụng, đồng thời nói đến mục tiêu nâng năng suất. Đây là bài của nhà cung cấp tham gia dự án; mục tiêu và trạng thái thử nghiệm không nên được viết lại thành kết quả năng suất đã được đo [10].

Ví dụ ấy cho thấy vì sao cần giữ nguyên động từ trong thông tin dự án AI. “Kỳ vọng”, “sẵn sàng”, “thử nghiệm” và “đã đo” mô tả các mức bằng chứng khác nhau. Không nên gọi một hoạt động đang thử là thất bại chỉ vì chưa có báo cáo hiệu quả công khai. Cũng không thể gọi nó thành công tài chính từ một cuộc trình diễn.

Khi đọc thông cáo AI tại Việt Nam, hãy tìm thời điểm, công việc, người sử dụng và phép đo đi kèm. Nếu không công khai được dữ liệu chi tiết, tổ chức vẫn có thể giải thích phạm vi và giới hạn của kết quả. Bài chưa có bộ dữ liệu đại diện về tỷ lệ dự án AI thất bại tại Việt Nam, nên không đề xuất một con số thay thế.

Một quy trình kiểm phát biểu trước cuộc họp

Quy trình ngắn dưới đây là đề xuất của bài cho người chuẩn bị tài liệu quyết định AI. Không cần biến mỗi cuộc họp thành một dự án nghiên cứu. Tuy vậy, các câu dùng làm căn cứ lớn cần truy được nguồn và giới hạn. Khi thiếu bằng chứng, hãy ghi việc cần xác minh cùng người phụ trách, thay vì giữ một kết luận chắc chắn.

• Bước 1: Chép lại phát biểu cần dùng, giữ nguyên năm và đơn vị đo.
• Bước 2: Tìm báo cáo gốc và đọc phần phương pháp cùng phần hạn chế.
• Bước 3: Viết lại điều nguồn thực sự cho biết và điều chưa cho biết về AI.
• Bước 4: Đối chiếu với câu hỏi quyết định của doanh nghiệp; loại tỷ lệ không cùng phạm vi.
• Bước 5: Chốt bằng chứng nội bộ cần bổ sung trước khi cấp quyền, chi tiền hoặc mở rộng.

Một bản ghi tốt nên giữ cả lý do quyết định chưa làm AI. Có thể dữ liệu chưa đủ, chưa có người vận hành hoặc lợi ích chưa vượt công sửa. Dừng vì những lý do được kiểm không tự chứng minh AI vô dụng. Nó cho biết trong hoàn cảnh hiện tại, phương án ấy chưa đáng triển khai, và điều kiện nào cần thay đổi để xem xét lại.

Giới hạn của bài và điều chưa thể kết luận

Bài không ước lượng tỷ lệ thất bại chung cho AI, cũng không chứng minh lựa chọn mua ngoài tốt hơn tự xây. Các nguồn dùng mẫu, thời gian và định nghĩa khác nhau. Một phần là báo cáo hãng, một phần là định tính hoặc tài liệu hướng dẫn. Việc đặt chúng cạnh nhau chỉ nhằm làm rõ sự khác biệt, không tạo một phép tổng hợp thống kê mới.

Khung sáu ô và quy trình kiểm phát biểu chưa được kiểm thực nghiệm về tác động lên quyết định đầu tư. Chúng giúp người đọc tổ chức thông tin và nhận ra chỗ thiếu. Không nên dùng chính khung của bài như chứng cứ dự án sẽ thành công. Với một quyết định AI có hậu quả lớn, vẫn cần đánh giá độc lập phù hợp và người chịu trách nhiệm chuyên môn.

Hỏi đáp về 95% dự án AI thất bại

95% dự án AI thất bại MIT có nghĩa mọi công ty nên ngừng đầu tư không? Không thể rút quyết định ấy từ một báo cáo sơ bộ có mẫu và tiêu chí giới hạn [1]. Hãy xác định công việc, chi phí và khả năng kiểm tại doanh nghiệp mình. Thử ít quyền để trả lời một câu hỏi rõ thường có giá trị hơn phản ứng toàn bộ theo một tiêu đề đáng lo.

Không tạo ra doanh thu có được xem là AI thất bại không? Chưa đủ nếu dự án nhằm giảm lỗi hoặc hỗ trợ một công việc khác. Mục tiêu phải được ghi trước cùng cách đo và điều kiện chấp nhận. Tuy nhiên, cũng không nên đổi mục tiêu sau khi thấy doanh thu không tăng chỉ để giữ dự án. Sự thay đổi cần được giải thích và phê duyệt rõ.

AI proof of concept thất bại có phải tiền mất hoàn toàn không? Có thể thử nghiệm giúp loại một phương án không phù hợp, nhưng phải có bằng chứng nó trả lời được câu hỏi ban đầu. Chi phí vẫn là chi phí cần ghi nhận. Không nên gọi mọi hoạt động dừng là học hỏi thành công nếu không giữ kết quả, giới hạn hoặc quyết định cụ thể phát sinh từ phép thử.

Gartner dự án AI bị bỏ có phải dữ liệu hiện nay không? Cần xem ngày công bố và từ ngữ nguồn. Một dự báo cho mốc đã qua vẫn là dự báo lịch sử cho đến khi có kiểm chứng phù hợp. Nếu chưa tìm thấy kết quả đo lại, hãy nói rõ chưa xác minh; đừng thay bằng một tỷ lệ mới thuộc nhóm công việc hoặc mẫu khảo sát khác.

Vì sao dự án AI thất bại dù mô hình trả lời tốt? Vì chất lượng mô hình chỉ là một điều kiện. Hệ thống còn phải phù hợp dữ liệu, quy trình, cách kiểm và khả năng vận hành. Đây là các hướng cần điều tra, không phải kết luận sẵn về mọi dự án. Hãy so đầu ra tốt trong thử nghiệm với kết quả công việc thật trước khi xác định nguyên nhân.

Kết luận

Khi gặp “95% dự án AI thất bại”, việc nên làm là mở lại câu hỏi đo lường [1]. Ai được hỏi, đo ở cấp nào, trong thời gian nào và kết quả được định nghĩa ra sao? Sau đó, viết một phép thử phù hợp cho quyết định đang cân nhắc. Kỷ luật này giúp tránh cả kỳ vọng quá mức lẫn việc từ bỏ một cơ hội AI trước khi có bằng chứng liên quan.

Nguồn và phương pháp

Bài là tổng hợp có hỗ trợ AI và phân tích bằng cách diễn đạt riêng, không phải bản dịch. Nguồn được đọc ngày 25/10/2026, gồm bản sao báo cáo NANDA, RAND, NIST, cơ quan Canada, Công báo và khảo sát hãng. McKinsey, PwC, Gartner, FPT có lợi ích thương mại. Kết quả đại diện thị trường Việt Nam và hậu kiểm dự báo chưa kiểm chứng. Các khung trong bài là đề xuất, không thay tư vấn pháp lý, thuế hay tài chính. Người đọc nên đối chiếu tài liệu gốc khi quyết định.