97% doanh nghiệp đang đầu tư vào AI, nhưng chỉ 5% nói dữ liệu của mình đã sẵn sàng

Một chủ doanh nghiệp phân phối mở tài khoản một trợ lý AI, gõ vào câu hỏi mà anh vẫn hỏi kế toán mỗi tuần: tháng này khách nào đang nợ quá hạn nhiều nhất, và con số đó đã tăng hay giảm so với tháng trước. Trợ lý trả lời trôi chảy, lịch sự, có cấu trúc. Chỉ có điều nó không biết gì về công ty anh, vì dữ liệu công nợ đang nằm trong ba file Excel trên máy kế toán, một phần mềm bán hàng, và một cuốn sổ tay của trưởng phòng kinh doanh. Con số nó đưa ra là con số nó tự nghĩ.

Tình huống này lặp lại rất nhiều trong năm 2026, và nó không phải lỗi của công cụ. Nó là biểu hiện của một khoảng cách mà các khảo sát lớn năm nay đều chỉ ra: doanh nghiệp đang đầu tư vào AI nhanh hơn nhiều so với tốc độ họ chuẩn bị dữ liệu để AI có gì mà dùng.

#Khoảng cách 97% và 5%

Khảo sát AI Momentum 2026 của Dun & Bradstreet, thực hiện trên khoảng 10.000 doanh nghiệp, đưa ra hai con số nằm cạnh nhau rất khó chịu. 97% doanh nghiệp cho biết đang triển khai một sáng kiến AI nào đó. Nhưng chỉ 5% tin rằng dữ liệu của mình đã sẵn sàng để hỗ trợ các sáng kiến đó ở quy mô doanh nghiệp.

Cũng trong khảo sát đó, khi được hỏi rào cản lớn nhất nằm ở đâu, câu trả lời gần như không nhắc tới mô hình hay thuật toán. Khoảng 50% nói khó truy cập được dữ liệu mình cần, khoảng 40% gặp vấn đề về chất lượng và tính toàn vẹn của dữ liệu, khoảng 38% thiếu khả năng nối các hệ thống lại với nhau. Đây đều là những việc rất ít hào nhoáng, và đều phải làm trước khi bất kỳ công cụ nào có thể hữu ích.

Gartner nói cùng một điều theo cách thẳng hơn: dự báo tới hết năm 2026, các tổ chức sẽ từ bỏ khoảng 60% dự án AI không được hỗ trợ bởi dữ liệu sẵn sàng cho AI. Cũng theo Gartner, khoảng 63% tổ chức chưa có, hoặc không chắc mình có, các thực hành quản lý dữ liệu phù hợp cho AI. Nếu đọc hai con số này cùng nhau, kết luận khá rõ: phần lớn dự án AI không chết ở khâu mô hình, mà chết ở khâu chuẩn bị nền.

#Sẵn sàng cho AI không phải chuyện chỉ của dữ liệu

Khi nghe cụm "dữ liệu chưa sẵn sàng", nhiều người hình dung ra một việc kỹ thuật: dọn file, gộp bảng, làm sạch trùng lặp. Đó là một phần, nhưng chỉ một phần. Tại Diễn đàn Data và AI tháng 5 năm 2026, đại diện Microsoft Việt Nam nêu ba nguyên nhân khiến doanh nghiệp thất bại khi ứng dụng AI: không gắn giải pháp với một bài toán kinh doanh rõ ràng, dữ liệu chưa sẵn sàng, và thiếu quản trị cùng bảo mật. Chỉ một trong ba là chuyện dữ liệu thuần túy.

Cách chia gọn hơn để một doanh nghiệp vừa và nhỏ tự soi là ba trụ:

1. Dữ liệu. Con số bạn cần có tồn tại ở đâu đó không, nó có sạch không, và các nguồn có nối được với nhau không. Một doanh nghiệp bán trên ba sàn cộng một cửa hàng có dữ liệu, nhưng nếu mã sản phẩm ở mỗi nơi một kiểu thì nó chưa nối được, và chưa nối được thì chưa dùng được.
2. Quy trình. Ai cập nhật số, theo nhịp nào, và khi số sai thì sửa ở đâu. Một bảng dữ liệu đẹp nhưng ba tuần mới cập nhật một lần chỉ trả lời được câu hỏi của ba tuần trước. Phần lớn doanh nghiệp thua ở trụ này chứ không phải trụ đầu tiên.
3. Con người. Ai là người đọc số và ra quyết định dựa trên nó, ai chịu trách nhiệm khi con số sai. Nếu không ai sở hữu một chỉ số cụ thể thì chỉ số đó sẽ trôi, dù công cụ có tốt tới đâu.

Ba trụ này không độc lập. Dữ liệu sạch mà không có nhịp cập nhật sẽ bẩn lại sau vài tháng. Quy trình chặt mà không ai đọc kết quả thì thành thủ tục hành chính. Điểm yếu nhất trong ba trụ mới quyết định bạn dùng được AI tới đâu, chứ không phải điểm mạnh nhất.

#Năm mức sẵn sàng, và vì sao phần lớn dừng ở mức hai

Để tự chấm được, cần một thang cố định thay vì cảm giác. Thang dưới đây là cách chúng tôi dùng khi làm buổi rà soát đầu tiên với một doanh nghiệp, và nó cố tình đơn giản để chủ doanh nghiệp tự đặt mình vào được sau khoảng mười phút.

Mức 1, dữ liệu rời rạc. Số nằm trong đầu người và trong các file riêng. Mỗi lần cần một con số là một lần đi hỏi. Câu hỏi đơn giản như doanh thu tuần trước theo kênh cũng mất vài giờ để trả lời.

Mức 2, có báo cáo nhưng làm tay. Đã có file tổng hợp, thường do một người làm, thường vào cuối tháng. Số có, nhưng chậm, và mỗi lần muốn cắt theo chiều khác lại phải làm lại từ đầu. Đây là mức phổ biến nhất, và cũng là mức dễ mắc kẹt lâu nhất, vì nó đủ dùng để không đau, nhưng không đủ để ra quyết định nhanh.

Mức 3, dữ liệu đã nối và có nguồn duy nhất. Các nguồn được gom về một chỗ, mã hóa thống nhất, và mọi người tra cùng một bảng. Từ mức này trở đi các câu hỏi mới bắt đầu được trả lời trong ngày thay vì trong tuần.

Mức 4, có nhịp và có người sở hữu. Dữ liệu tự cập nhật theo lịch, mỗi chỉ số có một người chịu trách nhiệm, và có cảnh báo khi số vượt ngưỡng. Đây là mức đầu tiên mà một trợ lý AI thật sự có ích, vì nó có nền để đứng.

Mức 5, ra quyết định theo nhịp. Số đi vào cuộc họp đầu tuần, quyết định được ghi lại, và kết quả của quyết định được đo lại ở kỳ sau. AI ở mức này không trả lời câu hỏi, nó rút ngắn quãng đường từ số tới hành động.

Điều đáng nói là khoảng cách lớn nhất không nằm ở mức 4 lên 5, mà ở mức 2 lên 3. Đó là chỗ phải chuẩn hóa mã, thống nhất định nghĩa chỉ số, và chấp nhận rằng một vài con số cũ từng dùng để báo cáo là sai. Việc này không mua được bằng phần mềm, nên nó hay bị hoãn, và doanh nghiệp ở lại mức 2 nhiều năm trong khi vẫn liên tục thử công cụ mới.

#Việt Nam: người dùng đang đi trước hệ thống

Bối cảnh trong nước làm khoảng cách này rõ hơn. Theo Work Trend Index 2026 của Microsoft, khoảng 39% nhân sự Việt Nam thuộc nhóm tiên phong ứng dụng AI, mức cao nhất trong các thị trường được khảo sát và cao hơn nhiều so với mức trung bình toàn cầu khoảng 16%. Người Việt thử công cụ mới rất nhanh.

Nhưng ở phía hệ thống, theo đánh giá của Cisco và IDC năm 2025, chỉ khoảng 22% doanh nghiệp Việt Nam được xem là sẵn sàng triển khai AI ở quy mô lớn. Một khảo sát trong nước cũng ghi nhận hơn 70% doanh nghiệp gặp khó khăn khi tích hợp dữ liệu từ nhiều nguồn khác nhau.

Hai nhóm số này không mâu thuẫn, chúng mô tả hai tầng khác nhau. Nhân viên dùng trợ lý AI để soạn email, tóm tắt tài liệu, viết mô tả sản phẩm, và những việc đó có ích ngay vì chúng không cần dữ liệu nội bộ. Còn những việc mang lại thay đổi thật cho một doanh nghiệp, như biết khách nào sắp rời bỏ, kênh nào đang lỗ, tồn kho nào sắp chết, thì đều cần dữ liệu nội bộ sạch và nối được. Đó là lý do cảm giác "công ty mình đã dùng AI rồi" có thể tồn tại song song với việc không một quyết định kinh doanh nào thay đổi.

#Bốn câu hỏi để tự đặt mình vào thang

Trước khi làm một bài tự chấm đầy đủ, bốn câu hỏi sau thường đủ để biết mình đang ở khoảng nào:

Câu thứ nhất là thời gian trả lời: từ lúc bạn hỏi một câu hỏi kinh doanh cụ thể tới lúc có con số đáng tin, mất bao lâu. Câu thứ hai là số nguồn: để ra con số đó, phải mở bao nhiêu file và bao nhiêu phần mềm, vì mỗi nguồn thêm vào là một chỗ nữa để lệch. Câu thứ ba là độ trễ: con số mới nhất bạn đang nhìn là của hôm qua, tuần trước, hay tháng trước. Câu thứ tư là quyền sở hữu: trong số các chỉ số bạn theo dõi, bao nhiêu chỉ số có đúng một người chịu trách nhiệm khi nó sai.

Bốn câu này cố ý không hỏi bạn đang dùng công cụ gì. Công cụ là thứ dễ thay nhất và ít quyết định kết quả nhất. Một doanh nghiệp trả lời được câu hỏi trong 10 phút từ hai nguồn với dữ liệu của hôm qua đang ở vị thế tốt hơn hẳn một doanh nghiệp có ba phần mềm đắt tiền nhưng vẫn phải chờ kế toán tổng hợp cuối tháng.

#Bắt đầu từ đâu

Nếu kết quả tự chấm cho thấy bạn đang ở mức 2, việc tiếp theo không phải là mua thêm công cụ, mà là ba việc theo thứ tự.

Trước hết, chọn đúng một câu hỏi kinh doanh đang tốn nhiều thời gian nhất mỗi tuần và làm sạch dữ liệu cho riêng câu hỏi đó, thay vì dọn toàn bộ. Cách này cho kết quả nhìn thấy được trong vài tuần thay vì vài quý, và nó cũng cho bạn biết trước độ khó thật của việc dọn.

Tiếp theo, thống nhất định nghĩa cho các chỉ số liên quan tới câu hỏi đó và ghi lại thành văn bản. Nghe rất nhỏ, nhưng phần lớn tranh luận số liệu trong cuộc họp đầu tuần không phải vì số sai, mà vì hai phòng đang tính theo hai định nghĩa khác nhau.

Cuối cùng, đặt một nhịp cập nhật cố định và gán một người sở hữu cho từng chỉ số. Khi ba việc này xong cho một câu hỏi, bạn đã có mẫu để lặp lại cho câu hỏi thứ hai, và đó chính là đường từ mức 2 sang mức 3.

Nếu bạn muốn một bộ tự chấm có sẵn để không phải tự dựng thang, tài liệu dưới đây có bảng chấm theo ba trụ dữ liệu, quy trình và con người, cách quy điểm về năm mức, cùng gợi ý việc nên làm tiếp cho từng mức.

Khoảng cách giữa 97% và 5% không phải khoảng cách về công nghệ, vì công nghệ hiện đã rẻ và dễ tiếp cận hơn bao giờ hết. Nó là khoảng cách về nền: dữ liệu có sạch không, quy trình có nhịp không, và có ai chịu trách nhiệm về con số không. Doanh nghiệp nào lấp được khoảng cách đó trước sẽ không cần một công cụ AI đặc biệt nào, vì gần như công cụ nào cũng sẽ chạy tốt trên nền của họ.