Doanh nghiệp Việt đang thiếu AI, hay đang thiếu một Value Realization System?

AI đang đi vào doanh nghiệp Việt Nam nhanh hơn nhiều người nghĩ, nhưng phần lớn doanh nghiệp vẫn chưa biết AI tạo ra bao nhiêu tiền.

Theo nghiên cứu Unlocking Vietnam’s AI Potential 2026 do Strand Partners thực hiện theo ủy quyền của Amazon Web Services (AWS), khoảng 26% doanh nghiệp Việt Nam, tương đương khoảng 245.000 doanh nghiệp, đã ứng dụng AI, tăng từ mức 18% của năm trước. Những doanh nghiệp này báo cáo kết quả tích cực: 75% cho biết năng suất cải thiện, 64% cho biết doanh thu tăng với mức tăng trung bình khoảng 15%, và 78% kỳ vọng AI tiếp tục là động lực tăng trưởng trong năm tới.

Từ các con số đó, rất dễ kết luận rằng doanh nghiệp Việt cần đẩy mạnh ứng dụng AI hơn nữa. Nhưng có một con số đáng suy nghĩ hơn: chỉ khoảng 13% doanh nghiệp có framework rõ ràng và nhất quán để đo ROI của AI.

Nói cách khác, AI Adoption đang tăng rất nhanh, trong khi năng lực trả lời câu hỏi “AI thực sự tạo ra bao nhiêu giá trị kinh tế?” vẫn còn hạn chế. Khoảng trống lớn tiếp theo của enterprise AI tại Việt Nam vì thế không còn đơn thuần là AI Adoption Gap, mà là AI Value Realization Gap.

Bài viết này đi từ câu hỏi ấy đến một cách làm cụ thể: doanh nghiệp, đặc biệt là CFO, có thể dựng hệ thống nào để biến AI từ một công cụ năng suất thành giá trị đo được.

Khi AI đã vào doanh nghiệp, câu hỏi đã thay đổi

Câu hỏi của CEO và CFO đổi theo giai đoạn: từ “có nên dùng AI không?” sang “use case nào đáng scale, use case nào nên dừng?”

Ở giai đoạn khám phá, doanh nghiệp hỏi những câu rất tự nhiên: AI làm được gì, phòng kế toán có dùng ChatGPT được không, có xây chatbot nội bộ, tự động hóa báo cáo hay đọc hóa đơn bằng AI được không. Những câu hỏi này cần thiết, nhưng chúng chỉ phục vụ giai đoạn đầu.

Khi AI đã len vào nhiều bộ phận, câu hỏi chuyển thành bài toán quản trị đầu tư:

• Use case nào đáng đầu tư?
• Use case nào nên scale, use case nào nên dừng?
• Agent nào tạo giá trị, agent nào chỉ tạo thêm chi phí và độ phức tạp?

Điều này giải thích vì sao vấn đề của Việt Nam đang đổi dạng. Khi chỉ 18% doanh nghiệp dùng AI, bài toán là adoption. Khi tỷ lệ lên 26%, nhiều doanh nghiệp đã có sẵn ChatGPT, Copilot và các thử nghiệm nội bộ, và khoảng trống mới là: làm sao biết cái nào đáng giữ?

Bài toán này không giải được bằng cách triển khai thêm AI. Và nó có thể lớn hơn khoảng cách công nghệ: model ngày càng dễ tiếp cận, rẻ và mạnh hơn, trong khi những năng lực khó hơn nhiều vẫn thiếu, gồm hiểu business context, xác định giá trị, governance, tích hợp vào khâu thực thi và xác minh kết quả. Đây mới là nút thắt thật của enterprise AI.

Nhiều AI hơn chưa chắc nhiều giá trị hơn

Một doanh nghiệp có thể có 20 AI tools, 10 copilots, 5 AI agents và hàng nghìn prompt mỗi tháng mà CFO vẫn không trả lời được câu hỏi: AI đã tạo ra bao nhiêu tiền?

Lý do là các dự án AI thường báo cáo những metric như số người dùng, số prompt, số task được tự động hóa, số giờ tiết kiệm, số lần agent chạy hay số tài liệu được xử lý. Những metric này hữu ích, nhưng chúng đo activity, không đo economic outcome.

Hãy lấy ví dụ AI giúp tiết kiệm 500 giờ mỗi tháng. Câu hỏi tiếp theo phải là: 500 giờ đó biến thành giá trị gì? Nếu doanh nghiệp không giảm overtime, không tránh được việc tuyển thêm người, không tăng throughput, không cải thiện service level và không giảm lỗi, thì 500 giờ ấy chưa chắc trở thành giá trị kinh tế.

Tránh “Phantom ROI”

Đây chính là lỗi phổ biến nhất khi tính ROI của AI: lấy số giờ tiết kiệm nhân với đơn giá lương và gọi đó là giá trị. Nếu nhân viên vẫn làm đủ thời gian cũ, chi phí tiền mặt chưa giảm đồng nào. Giờ tiết kiệm chỉ tạo ra giá trị khi năng lực dư ra được tái bố trí, dùng để tăng output, giảm overtime hoặc tránh tuyển thêm. Vì vậy cần tách rõ Time Saved và Economic Value.

CFO cần outcome, không chỉ activity

IT quan tâm latency, token usage, model accuracy và system uptime. CFO cuối cùng chỉ hỏi một câu: đầu tư 1 đồng vào AI tạo ra bao nhiêu đồng giá trị? Giá trị đó có thể đến từ doanh thu tăng, biên lợi nhuận được phục hồi, chi phí tránh được, tiền mặt thu hồi, vốn lưu động được giải phóng, rủi ro giảm hoặc năng lực được giải phóng. Đó là ngôn ngữ của Value Realization.

AWS cũng đang dịch chuyển theo hướng này. Thay vì chỉ theo dõi AI Spend, họ đề xuất gắn chi phí trực tiếp với kết quả kinh doanh qua khái niệm Cost per Outcome: không hỏi một agent tốn bao nhiêu token, mà hỏi một ca thu hồi công nợ thành công tốn bao nhiêu, hay một ngoại lệ hóa đơn được xử lý xong tốn bao nhiêu. Nói cách khác, AI Economics bắt đầu được quản như unit economics.

Bắt đầu từ câu hỏi: tiền đang rò rỉ ở đâu?

Một AI use case tốt nên bắt đầu từ một con số tiền, không phải từ một công nghệ. Doanh nghiệp hiện nay hiếm khi thiếu ý tưởng: có thể liệt kê ngay hàng chục use case ở tài chính (AP automation, AR collection, cash forecasting, reconciliation, financial close, variance analysis), kế toán (invoice extraction, journal review, accrual estimation, anomaly detection), thuế (obligation tracking, tax reconciliation, tax risk screening) hay sản xuất (yield monitoring, scrap analysis, BOM variance, predictive maintenance). Vấn đề không phải “có use case nào không?” mà là use case nào tạo đủ giá trị để đáng triển khai?

Value at Stake

Câu hỏi mở đầu đúng là: có bao nhiêu giá trị đang bị mất, bị khóa hoặc có nguy cơ mất? Đó là Value at Stake. Ví dụ: công nợ quá hạn 5 tỷ, chênh lệch định mức vật tư 800 triệu mỗi năm, hàng tồn chậm luân chuyển 2 tỷ, rủi ro thuế 1 tỷ, phế phẩm 500 triệu mỗi năm. Không xác định được Value at Stake thì rất khó biết use case AI có đáng làm hay không.

Vì vậy, AI Finance không nên bắt đầu bằng “dùng model nào?” mà bằng “tiền đang rò ở đâu?”. Chuỗi suy nghĩ đúng là:

1. Finance Value Leakage (chỗ tiền đang rò)
2. Business Problem
3. Value at Stake
4. AI / Automation Opportunity

AI là phương tiện, không phải mục tiêu.

Không phải vấn đề nào cũng cần AI

Nếu vấn đề giải được bằng rule, công thức, SQL hoặc đối chiếu số liệu thì nên dùng tự động hóa tất định. AI nên tập trung vào những chỗ mơ hồ: ngữ cảnh không rõ, tìm nguyên nhân gốc, phân loại, lập luận và đề xuất. Nguyên tắc có thể gói gọn là Deterministic Calculation, Probabilistic Reasoning: tính toán bằng quy tắc chắc chắn, dùng AI cho phần suy luận xác suất.

Từ Value at Stake đến Verified Value

Value at Stake mới chỉ là kho giá trị tiềm năng, chưa phải giá trị đã tạo ra. Công nợ quá hạn 5 tỷ không có nghĩa AI tạo ra 5 tỷ; sau khi xử lý, tiền thu hồi thực tế có thể chỉ là 2 tỷ. Vì vậy phải tách bốn tầng:

1. Value at Stake: giá trị đang bị mất hoặc bị khóa.
2. Expected Value: giá trị kỳ vọng thu được nếu xử lý tốt.
3. Realized Value: giá trị đã thực sự xảy ra.
4. Verified Value: giá trị đã được xác minh bằng bằng chứng.

Nếu không tách các tầng này, ROI của AI rất dễ bị thổi phồng.

Giá trị phải có bằng chứng

Một AI team không nên tự khai “AI tạo ra 2 tỷ giá trị”. Không có evidence thì giá trị vẫn chỉ là một claim. Mỗi loại giá trị cần một nguồn chứng minh tương ứng: tiền thu hồi dựa trên chứng từ ngân hàng, chi phí tránh được dựa trên dữ liệu mua hàng hoặc sản xuất, phế phẩm giảm dựa trên batch record, thuế tiết kiệm dựa trên bảng tính thuế hoặc hồ sơ khai.

Attribution: khó nhưng bắt buộc

Giả sử biên lợi nhuận tăng 1 tỷ. Nguyên nhân có thể gồm tăng giá bán, đàm phán lại với nhà cung cấp, giảm phế phẩm và tối ưu hóa bằng AI. Không thể ghi 100% công cho AI. Cần một tỷ lệ attribution: nếu phần đóng góp của hành động có AI hỗ trợ là 30%, giá trị AI được xác minh là 300 triệu. Cách này không hoàn hảo, nhưng tốt hơn nhiều so với không đo gì.

Thang giá trị thực dụng

Có thể xếp các loại giá trị từ dễ xác minh nhất đến khó xác minh nhất. Càng xuống dưới, càng nhiều giả định:

1. Cash Realized: tiền mặt đã thu hồi.
2. Cost Avoided: chi phí thực sự không phát sinh.
3. Working Capital Released: công nợ phải thu, hàng tồn kho giảm.
4. Margin / Revenue Impact: tác động lên biên lợi nhuận và doanh thu, cần có attribution.
5. Risk-adjusted Value: tổn thất kỳ vọng giảm.
6. Capacity Released: số giờ, năng lực được giải phóng.

Case: đơn vị đo giá trị tốt hơn Task

Cách thực tế nhất để đo giá trị là biến mỗi vấn đề trọng yếu thành một Case. Task nói “gọi khách hàng”. Case nói “đang có 500 triệu tiền mặt có nguy cơ mất, nguyên nhân là gì, ai xử lý, action nào, kết quả ra sao”. Task quản activity; Case quản business problem.

Ví dụ một case thu hồi công nợ:

Trường	Giá trị
Mã case	CASE-AR-024
Vấn đề	Khách hàng quá hạn 75 ngày
Value at Stake	500 triệu
Expected Recovery	400 triệu
Recommended Action	Giải quyết tranh chấp về giá
Outcome	Khách hàng thanh toán 350 triệu
Case Cost	5 triệu
Verified Value	345 triệu

Lúc này doanh nghiệp có unit economics của một quy trình kinh doanh có AI hỗ trợ: biết một case tốn bao nhiêu và mang về bao nhiêu.

Từ AI đến giá trị: Governed Execution và Outcome Receipt

AI chỉ là một mắt xích trong chuỗi biến vấn đề thành giá trị. Có thể hình dung chuỗi đó như sau:

1. Business Object
2. Expected State
3. Detection
4. Issue
5. Value at Stake
6. Case
7. AI / Human Reasoning
8. Recommended Action
9. Governed Execution
10. Outcome
11. Verified Value

Agent chưa đủ

Một agent có thể lập luận tốt, đưa ra khuyến nghị và xử lý task nhanh. Nhưng doanh nghiệp còn cần thẩm quyền, chính sách, kiểm soát thực thi, bằng chứng và đo lường kết quả. Lộ trình trưởng thành thực tế vì vậy là: Agent → Governed Execution → Measurable Outcome.

Governed Execution là cầu nối giữa AI và giá trị

Khi AI khuyến nghị “khóa hạn mức tín dụng của khách hàng”, khuyến nghị đó không thể mặc nhiên trở thành giao dịch trong ERP. Nó phải đi qua một Policy Gate để kiểm tra: agent có quyền không, case thuộc loại nào, số tiền bao nhiêu, mức rủi ro ra sao, có cần phê duyệt không. Chỉ sau đó mới sinh ra một Authorized Action.

Các hệ thống ERP, kế toán, MES, WMS vẫn là System of Record, nơi giữ trạng thái giao dịch chính thức. AI không nên tự tạo một hệ thống giao dịch bóng (shadow transaction system). Luồng đúng là:

1. AI Recommendation
2. Policy / Approval
3. Authorized Action
4. System of Record
5. Execution Result

Thực thi thành công chưa có nghĩa là giá trị đã được tạo

Khi ERP trả về “Credit Hold Successfully Applied”, đó mới là Execution Result, chưa phải Business Outcome. Business Outcome có thể là “Bad Debt Prevented” hoặc “Collection Accelerated”, và đây là hai kết quả khác nhau.

Outcome Receipt

Để nối hai đầu này, mỗi Case sau khi xử lý nên tạo một Outcome Receipt gồm: Case_ID, Actor, Authority, Evidence, Decision, Action, Execution Result, Outcome và Verified Value. Nó trả lời đủ năm câu hỏi: vì sao action xảy ra, ai hoặc agent nào thực hiện, theo thẩm quyền nào, dựa trên evidence gì, và kết quả cùng giá trị là bao nhiêu. Chính Outcome Receipt biến AI từ automation thành một năng lực kinh doanh có trách nhiệm giải trình.

Finance là người xác minh giá trị

CFO không nhất thiết phải sở hữu mọi dự án AI, nhưng Finance có thể và nên sở hữu Value Governance: định nghĩa cái gì được tính là giá trị, tính như thế nào, attribution ra sao, ai xác minh và làm sao tránh tính trùng. Đây là một vai trò rất tự nhiên của Finance, và rất gần cách CFO quản lý Capex: không chỉ hỏi “đã chi bao nhiêu?” mà hỏi “luận điểm đầu tư có thành hiện thực không?”

Finance không cần quản kiến trúc model. Finance quản chuỗi: AI Investment → Expected Value → Actual Value → Variance → quyết định scale hoặc dừng.

AI Value Contract trước khi triển khai

Trước mỗi pilot, nên chốt một AI Value Contract gồm: Use Case, Business Problem, Value at Stake, Expected Outcome, Success Metric, Authority, Evidence và Expected Value. Nếu chưa trả lời được “thế nào là một kết quả thành công?” thì use case chưa đủ trưởng thành để đưa vào vận hành.

Năm câu hỏi cho CFO trước một dự án AI

Câu hỏi	Cần làm rõ
Giá trị nào đang bị đe dọa?	Tiền, rủi ro hoặc năng lực nằm ở đâu
AI thực sự nên làm gì?	Phát hiện, lập luận, khuyến nghị hay thực thi
AI có thẩm quyền gì?	Chỉ đọc, chuẩn bị, ghi hay thực thi
Giao dịch chính thức xảy ra ở đâu?	ERP, kế toán, MES hay WMS
Kết quả đo được nào chứng minh giá trị?	Tiền mặt, biên lợi nhuận, chi phí hay rủi ro

Nếu năm câu này chưa rõ, không nên bắt đầu bằng công nghệ.

Value Realization System khác AI Dashboard

Một AI dashboard có thể báo “Agent Runs = 10.000”. Một Value Realization System phải báo:

Chỉ số	Giá trị
Cases Resolved	400
Value at Stake	20 tỷ
Expected Value	8 tỷ
Verified Value	5,5 tỷ
AI Cost	300 triệu

Đây mới là thông tin CFO cần để ra quyết định.

Agent Economics: scale cái nào, dừng cái nào

Khi đã có Case và Outcome, doanh nghiệp đo được Cost per Case, Cost per Successful Outcome, Value per Agent và Verified Value trên chi phí agent. Lúc đó có thể quản AI như một danh mục lao động số (digital workforce portfolio), và áp dụng kế toán quản trị cho AI: mỗi agent hoặc use case là một đối tượng đầu tư, theo dõi chi phí, khối lượng, kết quả, giá trị và ROI, rồi phân bổ ngân sách AI cho những use case có economics tốt nhất.

Không phải agent nào cũng nên scale

Agent	Chi phí mỗi năm	Verified Value	Verified Value / Chi phí	Quyết định của CFO
Agent A	100 triệu	2 tỷ	20 lần	Scale
Agent B	300 triệu	200 triệu	khoảng 0,7 lần	Thiết kế lại hoặc dừng

Đây là quyết định dựa trên economics, không dựa trên việc agent nào “thông minh” hơn.

Giá trị cũng quyết định mức tự chủ của AI

Use case có tần suất cao, quy tắc rõ, rủi ro thấp và giá trị đã được xác minh thì có thể tăng mức autonomy. Use case hiếm, rủi ro cao và nặng phán đoán thì nên giữ phê duyệt của con người. Autonomy không nên tăng chỉ vì độ chính xác của model cao.

SME bắt đầu từ đâu

Doanh nghiệp vừa và nhỏ không cần xây một platform lớn. Một pilot 60 đến 90 ngày với 1 đến 3 use case là đủ để chứng minh giá trị, và kiến trúc đúng vẫn có thể bắt đầu bằng công cụ rất đơn giản.

Đánh giá Value Readiness, không chỉ AI Readiness

Nhiều tổ chức đánh giá Data Readiness, Technology Readiness, People Readiness và AI Skills. Những thứ này cần, nhưng CFO cần thêm Value Readiness: doanh nghiệp có biết value pool ở đâu, baseline của metric là gì, ai là owner, outcome nào cần đạt và evidence nào chứng minh không? Nếu không, AI readiness vẫn chưa đủ.

Một chẩn đoán AI Value Realization nên đi theo chuỗi: Use Case → Business Problem → Value at Stake → Data Readiness → Control Requirement → Execution Path → Outcome Metric → Value Verification. Kết quả không phải một điểm số kiểu “AI maturity = 72/100”, mà là kết luận có thể hành động ngay:

• Use case A đáng pilot.
• Use case B thiếu dữ liệu.
• Use case C có giá trị thấp.
• Use case D rủi ro cao.

Hệ thống không phải một phần mềm duy nhất

Một Value Realization System có thể gồm System of Record, Detection Engine, Case Management, AI Agent, Policy Gate, Workflow và Outcome Measurement. Điều quan trọng là data model và operating model, không phải nhà cung cấp.

Với SME, có thể bắt đầu theo luồng: ERP / Excel / Google Sheets → Detection → Case Register → AI Recommendation → Human Approval → Action → Outcome. Sau đó mới thêm automation; kiến trúc vẫn đúng.

Pilot 60 đến 90 ngày

Thay vì “triển khai chuyển đổi AI toàn công ty”, hãy chọn 1 đến 3 use case, ví dụ AR Collection, AP Duplicate, BOM Variance. Với mỗi use case, xác định baseline, Value at Stake, action, outcome và Verified Value. Chỉ scale sau khi các con số này đã được xác minh.

Xa hơn: Context Capital và lộ trình trưởng thành của Enterprise AI

Khi mỗi Case đi hết chuỗi Context → Decision → Action → Outcome → Verified Value, doanh nghiệp tích lũy được dữ liệu học tập đặc thù của chính mình. Về sau, AI có thể hỏi: trong những case tương tự, action nào thực sự tạo ra giá trị tốt nhất?

Hãy hình dung hai doanh nghiệp dùng cùng model, cùng cloud, cùng ERP. Doanh nghiệp A có 10.000 Case lịch sử với outcome đã xác minh, doanh nghiệp B thì không. AI của A sẽ có business context tốt hơn nhiều. Đó là Context Capital, và outcome data có thể trở thành lợi thế cạnh tranh.

Có thể nhìn lộ trình trưởng thành của Enterprise AI theo năm cấp độ:

1. Adoption: nhân viên dùng AI.
2. Workflow Integration: AI nằm trong quy trình kinh doanh.
3. Governed Execution: hành động của AI có thẩm quyền và kiểm soát.
4. Value Realization: outcome được đo và xác minh.
5. Continuous Learning: outcome quay lại cải thiện quyết định và agent.

Phần lớn thảo luận hiện nay vẫn dừng ở cấp 1 và 2. Giá trị doanh nghiệp lớn sẽ nằm ở cấp 3 đến 5.

Kết luận

AI Adoption tại Việt Nam đang tăng nhanh, và đó là tín hiệu tốt. Nhưng bước tiếp theo khó hơn: chuyển từ “dùng AI” sang “tạo giá trị bằng AI”. Với khoảng 245.000 doanh nghiệp đã dùng AI nhưng chỉ 13% có framework ROI rõ ràng, câu hỏi cho năm 2026 không còn là doanh nghiệp Việt có chậm ứng dụng AI hay không, mà là: doanh nghiệp Việt đã có hệ thống để biến AI adoption thành giá trị kinh doanh được xác minh chưa?

Một dự án AI không nên kết thúc ở “agent đã triển khai”. Nó nên đi hết chuỗi:

1. Business Problem
2. Value at Stake
3. AI / Automation
4. Case
5. Governed Execution
6. Outcome
7. Verified Value
8. Learning

Có thể tóm gọn bằng hai câu hỏi khác nhau: AI Adoption trả lời “chúng ta có đang dùng AI không?”, còn Value Realization trả lời “AI có thực sự tạo ra giá trị không?”. Khi AI ngày càng phổ biến, câu hỏi thứ hai sẽ quan trọng hơn câu hỏi thứ nhất.

Doanh nghiệp nào xây được hệ thống nối AI → Governed Action → Verified Outcome sớm hơn sẽ có cơ hội biến AI từ một công cụ năng suất thành một năng lực vận hành tạo ra giá trị đo được.

Nguồn tham khảo

• AWS / About Amazon, “Vietnam is transforming its AI ambitions into business impact”, 29/09/2026. Nghiên cứu Unlocking Vietnam’s AI Potential 2026 do Strand Partners thực hiện theo ủy quyền của AWS.
• VietnamBiz, “AI đã vào 245.000 doanh nghiệp Việt, nhưng bài toán kiếm tiền mới chỉ bắt đầu”, 30/09/2026.
• Vietnam News, “Việt Nam turns AI ambitions into business impact”, 01/10/2026.
• Bộ Khoa học và Công nghệ, “AI Việt Nam – Từ mở rộng hạ tầng đến bài toán biến công nghệ thành giá trị”, 29/09/2026.
• AWS Cloud Financial Management, “Calculating the Return on Investment (ROI) of AI”, 10/08/2026.
• AWS Partner Network, “Accelerate customer outcomes with the AWS Business Value Realization motion”, 16/06/2026.