5 nguyên tắc lãnh đạo trong kỷ nguyên AI

Lãnh đạo trong kỷ nguyên AI không phải là người biết mọi công cụ. Vai trò quan trọng hơn là đặt hướng đi, tạo điều kiện thử nghiệm và giữ trách nhiệm của con người ở những quyết định có tác động.

Tóm tắt nhanh

1. Bắt đầu từ kết quả kinh doanh, không từ danh sách công cụ.
2. Giao một chủ sở hữu chịu trách nhiệm cho mỗi use case.
3. Thử nhỏ với giới hạn dữ liệu và rủi ro rõ ràng.
4. Xây năng lực AI song song với tư duy phản biện và chuyên môn.
5. Đo, học và điều chỉnh trước khi mở rộng.

1. Bắt đầu từ kết quả cần cải thiện

Câu hỏi đầu tiên không nên là “dùng mô hình nào?” mà là “quyết định hoặc quy trình nào đang tạo ra chi phí, chậm trễ hay sai lệch?”. Khi mục tiêu rõ, đội ngũ mới chọn được dữ liệu, cách dùng AI và chỉ số phù hợp.

2. Giữ trách nhiệm ở con người

OECD AI Principles nhấn mạnh minh bạch, giám sát của con người và trách nhiệm giải trình. Vì vậy, mỗi use case cần một người sở hữu kết quả, một người phê duyệt khi cần và một cách để người bị ảnh hưởng đặt câu hỏi hoặc yêu cầu xem xét lại.

3. Tạo không gian thử nghiệm có giới hạn

Thử nghiệm tốt có phạm vi, thời hạn và điều kiện dừng. Dữ liệu nhạy cảm không nên được đưa vào công cụ chưa được phê duyệt. Đầu ra có tác động đến tuyển dụng, đánh giá, tài chính hoặc khách hàng cần mức kiểm tra cao hơn nội dung nội bộ ít rủi ro.

4. Xây cả kỹ năng công nghệ và kỹ năng con người

World Economic Forum xếp AI và dữ liệu lớn vào nhóm kỹ năng tăng nhanh, đồng thời cho thấy tư duy phân tích, lãnh đạo, hợp tác và khả năng thích nghi vẫn rất quan trọng. Lãnh đạo nên tránh thiết kế đào tạo chỉ xoay quanh thao tác công cụ.

5. Điều hành bằng bằng chứng

Một pilot nên có đường cơ sở và nhịp review. Nếu thời gian giảm nhưng lỗi tăng, đó chưa phải hiệu suất. Nếu chất lượng tốt nhưng chỉ một người sử dụng, doanh nghiệp chưa có năng lực ở cấp đội ngũ. Quyết định mở rộng cần dựa trên nhiều chiều dữ liệu.

Một bản phân quyền tối thiểu cho pilot AI

Trước khi bắt đầu, lãnh đạo có thể yêu cầu đội ngũ điền một trang thay vì một bản kế hoạch dài:

• Chọn bài toán và mục tiêu — owner nghiệp vụ: cần đường cơ sở và tác động mong đợi.
• Phê duyệt dữ liệu/công cụ — Data, IT hoặc đầu mối rủi ro: cần nguồn dữ liệu, quyền sử dụng và nơi lưu trữ.
• Duyệt chuẩn đầu ra — chuyên gia nghiệp vụ: cần checklist chất lượng và ví dụ đạt/không đạt.
• Mở rộng hoặc dừng — sponsor cùng owner: cần bằng chứng về hiệu suất, chất lượng, mức dùng và sự cố.

Đây là mẫu vận hành do Aptus AI đề xuất, không phải một tiêu chuẩn chứng nhận. Nó giúp tránh tình trạng pilot có người làm nhưng không có người chịu trách nhiệm cho kết quả.

Ví dụ: đặt giới hạn cho một thử nghiệm

Với use case tóm tắt biên bản họp nội bộ, giới hạn có thể là: chỉ dùng công cụ được phê duyệt; không đưa thông tin khách hàng nhạy cảm; người chủ trì kiểm tra quyết định và đầu việc trước khi chia sẻ; dừng thử nghiệm nếu xuất hiện thông tin sai có thể làm thay đổi quyết định. Một pilot như vậy đủ hẹp để học, nhưng vẫn tạo được bằng chứng về thời gian và chất lượng.

NIST AI RMF tổ chức quản trị quanh Govern, Map, Measure và Manage. Trong thực hành lãnh đạo, điều này có nghĩa là quản trị phải hiện diện từ lúc xác định bối cảnh đến lúc đo và xử lý rủi ro, không phải một bước kiểm tra ở cuối.

Cuộc họp review AI nên hỏi gì?

• Bài toán ban đầu có còn đúng không?
• Dữ liệu đầu vào và đầu ra có thay đổi không?
• Chỉ số chất lượng và rủi ro đang đi theo hướng nào?
• Người dùng đã hiểu giới hạn của hệ thống chưa?
• Có phản hồi nào cần cập nhật quy trình hoặc chính sách?

Câu hỏi thường gặp

Lãnh đạo có cần tự sử dụng AI hằng ngày?

Nên có trải nghiệm thực tế để hiểu khả năng và giới hạn, nhưng mục tiêu không phải trở thành chuyên gia công cụ. Quan trọng hơn là biết đặt câu hỏi và thiết kế trách nhiệm.

Nên giao AI cho IT hay một ban chuyển đổi?

IT hoặc ban chuyển đổi có thể điều phối nền tảng và quản trị. Tuy nhiên, chủ sở hữu nghiệp vụ vẫn phải chịu trách nhiệm về mục tiêu, chất lượng và cách AI đi vào quy trình.