Mô hình kinh doanh số thời AI: chọn bước đi có bằng chứng

Đăng ngày 25/10/2026

Tóm tắt: khách trả tiền cho điều gì?

Một doanh nghiệp có thêm website, ứng dụng và trợ lý AI vẫn có thể đang kiếm tiền theo cách cũ. Mô hình kinh doanh số cần được xem qua khách hàng, giá trị cung cấp, cách tổ chức đối tác và phần tiền giữ lại sau khi phục vụ. Khung phân loại giúp đặt câu hỏi, còn quyết định đổi mô hình phải dựa vào phép thử có thể kiểm chứng.

• Phân biệt đổi kênh bán với đổi cách tạo và thu giá trị.
• Dùng bốn mô hình của MIT CISR để gọi tên vị trí hiện tại.
• Tách dữ liệu khảo sát khỏi dự báo về các mô hình thời AI.
• Kiểm chi phí phục vụ, trách nhiệm và quyền hành động thay khách.
• Thử một lời hứa mới trước khi xây cả hệ sinh thái.

Mô hình kinh doanh số là gì ngoài một kênh bán?

Trong bài này, mô hình kinh doanh số là cách doanh nghiệp tạo, giao và thu giá trị với vai trò đáng kể của công nghệ, dữ liệu và kết nối. Kênh bán chỉ là một phần. Đưa danh mục hàng lên mạng có thể giúp tiếp cận khách, nhưng chưa tự thay đổi ai chịu rủi ro tồn kho hoặc ai có trách nhiệm sau bán.

Trang khung MIT CISR công bố năm 2023 mô tả bốn lựa chọn đều có cơ hội và thách thức riêng. Tệp chỉ dành cho thành viên; nguồn tài trợ nghiên cứu là các tổ chức thành viên. Bài không đọc hay sao lại tệp ấy [1]. Vì thế, phần ứng dụng dưới đây dùng câu hỏi tự đề xuất, thay vì nhận một nhãn mô hình rồi coi đó là công thức lợi nhuận.

Giả định một xưởng bán máy vẫn thu tiền từng chiếc, dù dùng AI để viết báo giá. Nếu chuyển sang dịch vụ bảo đảm khả năng sử dụng máy, lời hứa, cách thu và trách nhiệm vận hành đều có thể đổi. Tương tự, trả lời khách nhanh hơn là cải tiến dịch vụ; đại diện khách đặt hàng với bên thứ ba là nhận thêm quyền và nghĩa vụ cần được thiết kế.

Để tránh tranh luận tên gọi, hãy viết một câu: khách nào trả tiền, để nhận kết quả gì, do những bên nào cùng tạo ra? Sau đó thêm cách thu và các chi phí phải gánh. Nếu chưa trả lời được, việc chọn công nghệ AI đang đi trước lựa chọn kinh doanh.

Bốn vị trí giúp gọi tên doanh nghiệp hiện tại

MIT CISR mô tả bốn mô hình: Supplier bán qua doanh nghiệp khác; Omnichannel phối hợp kênh số và vật lý; Modular Producer cung cấp thành phần có thể kết hợp; Ecosystem Driver kết nối nhiều bên quanh một nhu cầu khách hàng [2]. Bốn tên gọi không phải bốn cấp bắt buộc phải lần lượt đi qua.

Có thể dùng chúng như bốn câu hỏi về hoạt động đang có. Khách biết tới mình trực tiếp hay qua một bên khác? Các kênh có dùng chung thông tin đủ để giữ lời hứa? Sản phẩm có thể được đối tác đưa vào một dịch vụ lớn hơn không? Mình có thật sự điều phối các bên để giải quyết trọn một nhu cầu không?

Một đơn vị có thể hoạt động theo nhiều cách ở các mảng khác nhau. Không nên lấy nhãn của mảng đang thử nghiệm để mô tả toàn bộ doanh nghiệp. Khi AI được bổ sung, cũng cần xét nó đang cải thiện công việc nào, thay vì tự động đổi nhãn thành một mô hình mới.

Ở đây, bước tiếp theo hợp lý có thể là làm tốt vai trò nhà cung cấp. Chuẩn hóa thông tin sản phẩm, thời gian giao và cách xử lý lỗi có thể quan trọng hơn xây một cổng đối tác lớn. AI chỉ có ích khi hỗ trợ được lời hứa cụ thể ấy, không phải vì nó làm tên mô hình nghe hiện đại hơn.

Góc nhìn AI: khung dự báo cần được chuyển thành phép thử

Bản tin ngày 16/10/2025 của MIT CISR đưa ra khung dự báo mô hình kinh doanh thời AI. Bốn nhà nghiên cứu xây dựng khung, sau đó trao đổi tại các cuộc họp với lãnh đạo; đây là phương pháp hình thành đề xuất [2]. Bài xem đó là hướng đặt giả thuyết, không coi thảo luận ấy là thực nghiệm chứng minh hiệu quả phổ quát.

Để dùng dự báo này, bài đề xuất hỏi quyền hành động thay khách trước khi hỏi mức tự động hóa. AI gợi ý một gói dịch vụ khác với AI được phép đặt mua gói đó. Quyền được xem dữ liệu cũng khác quyền gửi thông tin cho đối tác. Mỗi lần mở rộng cần có người quyết định giới hạn, cách xác nhận và cách dừng.

Giả định một dịch vụ hỗ trợ mua vật tư dùng AI tổng hợp báo giá. Ở mức đầu, khách tự chọn và gửi đơn. Nếu doanh nghiệp muốn thay khách đặt hàng, phải làm rõ thông số nào được đổi, mức chi nào được phép và ai giải quyết khi giao sai. Các điều kiện ấy là thiết kế kinh doanh, không thể giao cho mô hình ngôn ngữ tự suy ra.

NIST công bố tài liệu đồng hành quản lý rủi ro AI tạo sinh tháng 7/2024, hướng đến sử dụng tự nguyện khi hình thành hệ thống, đưa vào sử dụng và kiểm kết quả [3]. Bài dùng phần giới thiệu này để nhấn mạnh cần quản lý xuyên vòng đời; không coi tài liệu là giấy bảo đảm cho một dịch vụ cụ thể.

Trang NIST về AI RMF được kiểm ngày 25/10/2026 đang thông báo sửa đổi phiên bản 1.0 [4]. Đây là lý do cần ghi phiên bản và ngày đối chiếu khi dùng khung AI làm tham chiếu. Bài không biến thông báo sửa đổi thành một yêu cầu pháp lý mới hoặc suy rằng tài liệu đồng hành đã bị hủy; phần chưa đọc sâu vẫn được giữ trong giới hạn sử dụng.

Một phép thử nên lưu được lời yêu cầu của khách, lựa chọn AI đã đề xuất, phần người đã xác nhận và kết quả thực hiện. Khi kết quả sai, cần biết lỗi từ nhu cầu không rõ, dữ liệu đối tác, cách ghép dịch vụ hay quyền hành động. Nếu không tách được, doanh nghiệp khó biết nên sửa sản phẩm, quy trình hoặc công nghệ.

Đọc số khảo sát trước khi đặt mục tiêu

Các đợt khảo sát MIT gồm 194, 1.311, 721 và 152 doanh nghiệp; năm 2025, nhóm Ecosystem Driver chiếm 58% [2]. Khác mẫu không chứng minh cùng các công ty đã chuyển đổi, cũng không đại diện cả nền kinh tế. Cần phân biệt kết quả phân loại trong nghiên cứu với lời dự báo về tác động tương lai của AI.

Với người điều hành, câu hỏi tiếp theo là những công ty đó có giống mình ở khách hàng, ngành và năng lực không. Một doanh nghiệp vừa có thể học cách đặt câu hỏi từ nghiên cứu lớn nhưng không nên lấy tỷ lệ phân loại làm chỉ tiêu phải đạt. Đặc biệt, thêm AI vào kế hoạch không giúp thu hẹp sự khác biệt giữa các mẫu.

Không nên gộp dữ liệu mô tả và lời dự đoán thành chuỗi nguyên nhân: nhiều đơn vị thuộc một nhóm, nên AI sẽ làm nhóm ấy thắng, nên mình phải đi theo. Mỗi bước trong chuỗi đều cần bằng chứng riêng. Phép thử tại đơn vị phải xem khách có sử dụng, có trả tiền và có tiếp tục ở lại không.

Khi nào một hoạt động thực sự là nền tảng?

Trước khi gọi một hoạt động là nền tảng, bài đề nghị hỏi có những nhóm độc lập nào đang tương tác và ai đặt luật chơi. Một ứng dụng bán hàng cho chính doanh nghiệp chưa trả lời được câu hỏi ấy. AI ghép được danh mục cũng chưa chứng minh đối tác sẽ tham gia, khách sẽ quay lại hoặc bên điều phối có khả năng giải quyết tranh chấp.

Giả định nhà phân phối mở cổng để khách xem hàng của chính mình. Có thể đây vẫn là kênh bán trực tiếp. Nếu cổng kết nối nhiều nhà cung cấp độc lập với người mua, phải xem thêm ai đặt quy tắc tham gia, kiểm chất lượng, xử lý tranh chấp và thu phí. AI ghép nhu cầu với nguồn cung chỉ là một phần của việc điều phối này.

Bài quản trị HBR tháng 4/2016 đặt vấn đề chiến lược giữa pipeline truyền thống và nền tảng [5]. Bài này chỉ đọc phần công khai rất ngắn, không suy chi tiết ngoài đó. Các câu hỏi thực hành được xây từ tình huống giả định: ai được tham gia, quyền lợi gắn với việc gì và ai xử lý khi tương tác không hoàn tất.

Dịch vụ hóa có tự làm lợi nhuận cao hơn?

Bán dịch vụ kèm sản phẩm hoặc thu định kỳ có thể thay cách tổ chức doanh thu. Nhưng tiền thu theo tháng không tự chứng minh hiệu quả. Doanh nghiệp phải cân nhắc chi phí bảo trì, hỗ trợ, phần rủi ro đã nhận từ khách và thời gian cần để thu hồi công sức triển khai.

Nghiên cứu của Neely, thuộc tập xuất bản năm 2008 và lên mạng ngày 27/2/2009, phân tích 10.028 công ty ở 25 nước. Tóm tắt cho thấy nhóm sản xuất đã dịch vụ hóa có doanh thu lớn hơn nhưng tỷ lệ lợi nhuận trên doanh thu thấp hơn ở mức gộp, với khác biệt theo quy mô [6]. Đây là quan hệ quan sát từ dữ liệu lịch sử, không phải kết luận dịch vụ hóa gây giảm lãi ở mọi nơi.

Nếu AI giúp dự báo lúc cần bảo trì, vẫn phải tính ai xác minh cảnh báo, ai đến hiện trường và ai trả chi phí khi cảnh báo sai. Một mô hình thu theo kết quả càng cần định nghĩa kết quả có thể đo được. Tránh bán một lời hứa mà dữ liệu hiện có chưa đủ để nghiệm thu.

Trước khi chuyển hợp đồng, có thể thử một dịch vụ bổ sung ở phạm vi giới hạn. Hãy giữ cách so sánh với phương án chỉ bán sản phẩm. Nếu khách không nhận ra giá trị hoặc đơn vị phải làm thủ công quá nhiều phía sau AI, nên sửa thiết kế trước khi mở rộng.

Ba tình huống: nhà phân phối, xưởng và cửa hàng

Với nhà phân phối giả định, vướng mắc có thể là người mua không biết hàng thay thế nào đáp ứng yêu cầu. Một bước thử là chuẩn hóa thông số và dùng AI tìm phương án để nhân viên kiểm. Chỉ khi có quyền phối hợp nguồn hàng và xử lý sai lệch mới nên cân nhắc nhận trách nhiệm cung cấp một giải pháp trọn gói.

Với xưởng sản xuất giả định, bước thử có thể là cung cấp thông tin tình trạng và lịch hỗ trợ cho một nhóm thiết bị. AI được dùng để gợi ý trường hợp cần kiểm, người phụ trách vẫn xác nhận. Chưa có dữ liệu vận hành ổn định thì không nên nhảy ngay sang cam kết thiết bị luôn hoạt động.

Xưởng cần đo số lần hỗ trợ, thời gian kỹ thuật viên và phụ tùng đã dùng. Nếu phí dịch vụ không bù được các việc phát sinh, tăng số hợp đồng có thể làm khó khăn lớn hơn. Không được xem thời gian AI tạo báo cáo ngắn hơn là bằng chứng toàn bộ dịch vụ có lãi.

Với cửa hàng đa kênh giả định, khách có thể mua trên mạng rồi đổi hàng tại quầy. Việc cần thử là nhận diện đúng đơn và giữ cùng điều kiện xử lý. AI có thể giúp nhân viên tìm thông tin, nhưng lời hứa đổi trả phải do doanh nghiệp thống nhất. Thêm kênh mới mà không nối được hậu mãi có thể làm trải nghiệm rời rạc hơn.

Giới hạn: ma trận chọn bước đi cần được thử

Bài tự xây dựng ma trận sau để ghép vướng mắc với bước thử; khả năng dự báo của nó chưa được thẩm định. Mỗi dòng ghép một câu hỏi với một bước thử. Cách dùng là chọn vướng mắc hiện tại, xác định điều chưa biết và tìm phép thử nhỏ nhất có thể bác bỏ giả thuyết đang thích.

Nếu thiếu hiểu biết về khách cuối, hãy tìm cách nhận phản hồi trực tiếp và biết hoàn cảnh sử dụng sản phẩm. AI có thể nhóm câu hỏi lặp lại, nhưng người đọc cần giữ liên kết với phản hồi gốc. Bước đi chưa nhất thiết là bỏ trung gian; có thể là thống nhất cách chia sẻ thông tin phục vụ tốt hơn.

Nếu đã có nhiều kênh nhưng lời hứa không nhất quán, hãy thử một trường hợp đi xuyên hai kênh. Đo phần khách phải nhắc lại và việc nhân viên phải sửa. Chưa cần thêm AI tự hành khi mã đơn, tồn kho và điều kiện phục vụ còn khác nhau giữa các nơi.

Nếu muốn trở thành một thành phần cho đối tác, hãy làm rõ đầu vào, đầu ra, trách nhiệm khi lỗi và cách hỗ trợ. Khả năng kết hợp không chỉ là có cổng kỹ thuật. Đối tác cần hiểu mình mua điều gì và có tiếp tục phục vụ được khi thành phần ấy tạm ngừng hay không.

Nếu muốn điều phối cả nhu cầu, hãy kiểm xem có bên nào chịu nhận quy tắc chung không. Thử một gói có ít đối tác, đo cả việc giải quyết sai lệch. AI có thể gợi ý cách ghép, nhưng doanh nghiệp cần người chịu trách nhiệm cho kết quả chung. Không nên mở hàng trăm đối tác chỉ để chứng minh quy mô danh mục.

Việt Nam: phân biệt định hướng và dòng tiền

Ở Việt Nam, nguồn tin đăng hôm 16/3/2026 trên Báo Chính phủ trình bày chương trình hỗ trợ đổi mới bằng công nghệ cho doanh nghiệp quy mô nhỏ và vừa. Nội dung gồm nâng năng lực, thử giải pháp và tiếp cận AI [7]. Đó là định hướng, chưa chứng minh mọi đơn vị đã đổi mô hình; bài không xác định quyền nhận hỗ trợ của một trường hợp cụ thể.

Một dữ liệu thực tiễn Việt Nam là báo cáo thường niên FPT năm 2025 về dịch vụ công nghệ thông tin trong nước. Báo cáo nêu giá trị ký mới AI và Cloud hơn 1.540 tỷ đồng, còn doanh thu thực nhận 913 tỷ đồng [8]. Đây là số doanh nghiệp tự công bố cho nhóm AI và Cloud, không phải doanh thu AI riêng hay tỷ suất lợi nhuận của một mô hình MIT.

Sự khác nhau giữa ký mới và doanh thu cho thấy cần đặt đúng tên đại lượng. Khi một đề án AI nội bộ trình mục tiêu doanh số, hãy hỏi đó là hợp đồng, tiền thu hay doanh thu được ghi nhận. Cũng cần biết việc giao dịch vụ còn kéo dài bao lâu và ai phải trả chi phí hỗ trợ sau đó.

Từ doanh nghiệp nhỏ đến vừa và lớn

Ở hộ kinh doanh hay một doanh nghiệp còn ít nguồn lực, nên ưu tiên hiểu khách và giữ lời hứa trong một phạm vi hẹp. Chưa có bằng chứng đại diện cho nhóm này trong các nghiên cứu đã đọc của bài. AI có thể hỗ trợ tổng hợp phản hồi, nhưng chủ đơn vị vẫn cần tiếp xúc người mua và kiểm tra việc thực hiện.

Ở doanh nghiệp vừa, bước đi có thể là nối dữ liệu giữa bán hàng, giao hàng và hỗ trợ. Trước khi bán thêm dịch vụ, cần biết năng lực thực hiện và phần chi phí sẽ chuyển sang đâu. Một nhóm liên phòng đủ quyền xử lý ngoại lệ có thể hữu ích hơn một dự án nền tảng quá rộng.

Ở doanh nghiệp lớn, nhiều mảng kinh doanh có thể cần các cách tổ chức khác nhau. Nên phân định dữ liệu, quyền AI và trách nhiệm với đối tác theo từng dịch vụ. Một nhãn mô hình chung không đủ để kiểm quyết định của từng mảng, cũng không thay thế đánh giá rủi ro riêng.

Các gợi ý này phân theo điều kiện vận hành, không phải tiêu chí pháp lý về quy mô. Không bắt doanh nghiệp nhỏ sao chép bộ máy tập đoàn; cũng không miễn kiểm soát cho một đơn vị ít người đang nhận trách nhiệm lớn thay khách hàng.

Đo một lời hứa mới trước khi mở rộng

Chọn một nhóm khách và một nhu cầu đủ cụ thể. Viết lời hứa mới, cách thu và điều kiện dừng trước khi thử. Giả định dùng AI hỗ trợ chọn vật tư, mục tiêu có thể là giúp khách tìm được phương án đáp ứng yêu cầu, không phải tạo nhiều đề xuất nhất.

Đo bốn phần: khách có chấp nhận và sử dụng không; dịch vụ có thực hiện đúng không; doanh thu có bù chi phí trực tiếp và hỗ trợ không; quyền hành động thay khách có được tuân thủ không? Giữ cả trường hợp khách từ chối hoặc yêu cầu người xử lý. Nếu chỉ đo tỷ lệ tự động, có thể bỏ sót việc khách phải sửa sai.

Cần phân biệt làm thử miễn phí với sẵn sàng trả tiền. Cũng cần phân biệt giảm thời gian ở một bước với giảm tổng chi phí. Khi AI phải được kiểm lại nhiều hoặc đối tác xử lý lỗi chậm, hãy ghi phần công sức ấy vào kết quả thay vì đưa ra khỏi bảng tính.

Sau lần thử, quyết định có thể là giữ mô hình hiện tại và cải thiện một bước. Hoặc thử gói dịch vụ nhỏ hơn, thay cách thu hoặc dừng giả thuyết. Mục tiêu của phân tích mô hình kinh doanh số là có quyết định rõ hơn, không phải chứng minh kế hoạch ban đầu luôn đúng.

Câu hỏi thường gặp

Bán trên website có phải đổi mô hình kinh doanh không? Có thể chỉ là thêm kênh. Hãy xem khách trả tiền cho điều gì, ai giao giá trị và ai chịu rủi ro. Nếu các phần ấy vẫn giữ nguyên, không cần gọi thay đổi là một mô hình mới. Cải tiến kênh vẫn có giá trị nếu được đo đúng.

Doanh nghiệp nào cũng cần làm Ecosystem Driver không? Không nên lấy một nhãn phân loại làm đích bắt buộc. Cần có nhu cầu khách phù hợp, đối tác chấp nhận quy tắc và năng lực chịu trách nhiệm chung. Một nhà cung cấp có sản phẩm đáng tin vẫn có thể chọn phát triển vai trò hiện tại thay vì tự tổ chức cả hệ sinh thái.

Dùng AI tự động hóa đã đủ tạo nguồn thu mới chưa? Chưa thể kết luận. AI có thể giảm một phần công sức trong dịch vụ cũ mà không đổi cách thu. Muốn nói có nguồn thu mới, cần kiểm khách có trả cho giá trị bổ sung nào, chi phí thực hiện ra sao và mức thu ấy có duy trì được sau giai đoạn thử hay không.

Thuê bao có tốt hơn bán từng lần không? Hai cách thu nhận những rủi ro khác nhau. Thu định kỳ có thể kéo theo trách nhiệm hỗ trợ liên tục, trong khi nhu cầu khách có thể thay đổi. Nên thử định nghĩa dịch vụ, giới hạn hỗ trợ và chi phí phục vụ trước; không chọn thuê bao chỉ vì thích sự đều đặn của hóa đơn.

Khi nào nên cho AI đại diện khách giao dịch? Chỉ nên cân nhắc sau khi làm rõ quyền được cấp, giới hạn hành động, cách xác nhận, ghi nhận và xử lý sai. Có thể giữ AI ở vai trò hỗ trợ trong khi kiểm những điều kiện đó. Mức tự chủ cao hơn không tự là kết quả kinh doanh tốt hơn.

Kết luận: kiểm giao dịch rồi mới đổi mô hình

Sai lầm là chọn nhãn hệ sinh thái trước khi hiểu giao dịch đang phục vụ. Hãy gọi tên người trả tiền và lời hứa của doanh nghiệp. Dùng khung để đặt câu hỏi, rồi thử một thay đổi có thể đo. AI có thể mở thêm cách cung cấp giá trị, nhưng quyền, chi phí và trách nhiệm cần được thiết kế cùng lúc. Khi chưa có bằng chứng phù hợp, giữ mô hình hiện tại và cải tiến một việc vẫn là quyết định hợp lý.

Nguồn và phương pháp

Bài được AI hỗ trợ biên soạn theo cấu trúc riêng, không phải bản dịch. Tiếp nhận nghiên cứu ngày 24/10/2026, đối chiếu lại điểm then chốt ngày 25/10/2026: bản tin MIT, tóm tắt nghiên cứu Neely, phần giới thiệu NIST, thông tin Chính phủ và báo cáo doanh nghiệp. Tách các đợt khảo sát khác mẫu khỏi dự báo; mô hình thời AI là giả thuyết định hướng, không bằng chứng nhân quả. Các nhận định thiếu nguồn đối chiếu được bỏ; không suy nội dung từ phần HBR bị giới hạn hoặc tệp MIT dành cho thành viên.

Các tình huống, ma trận và hình do bài tự xây dựng, chưa kiểm nghiệm trên doanh nghiệp thật. Chưa kiểm chứng hiệu quả của khung với mẫu đại diện hộ kinh doanh Việt Nam. Số FPT là báo cáo của bên kinh doanh công nghệ, có lợi ích thương mại; NIST chỉ được dùng ở phạm vi giới thiệu. Nội dung không phải tư vấn pháp lý, thuế hoặc tài chính cho một tổ chức cụ thể.