Cover Tatler Vietnam berbual dengan Encik Tran Tuan Anh Nghia mengenai strategi “doanh nghiệp” dalam era kecerdasan buatan.

Dalam “Power and Prediction: The Disruptive Economics of Artificial Intelligence”, tiga ahli ekonomi iaitu Ajay Agrawal, Joshua Gans dan Avi Goldfarb berpendapat bahawa kecerdasan buatan (AI) menurunkan kos ramalan, sekali gus mengubah cara “doanh nghiệp” membuat keputusan. Bagi mencipta lonjakan produktiviti, “doanh nghiệp” perlu merangka semula proses dan sistem operasi, dan bukannya sekadar melaksanakan AI secara terpisah pada setiap peringkat.

Di Vietnam, AI sedang digunakan secara meluas, namun keberkesanan praktikalnya masih menjadi cabaran besar. Laporan daripada EY Consulting Vietnam melibatkan 120 pemimpin “doanh nghiệp” menunjukkan bahawa 97% “doanh nghiệp” telah menyepadukan AI ke dalam operasi mereka, namun hanya kira-kira 3% yang diiktiraf telah mengintegrasikannya secara mendalam dan membuktikan nilai daripada teknologi ini.

Baca lagi: Diaflow dan cita-cita mendorong Ejen AI masuk ke dalam “doanh nghiệp”

Jadi, bagaimanakah “doanh nghiệp” di Vietnam perlu mengubah cara operasi untuk memanfaatkan AI dengan berkesan? Tatler Vietnam berbual dengan Encik Tran Tuan Anh Nghia, Timbalan Ketua Pegawai Eksekutif Base.vn, mengenai pendekatan AI dari aspek pengurusan, reka bentuk sistem hingga tanggungjawab manusia.

Tatler Asia
Above Imej yang memaparkan sesi perbincangan strategik mengenai transformasi “doanh nghiệp” dalam era kecerdasan buatan.

Power and Prediction menawarkan kerangka pemikiran ekonomi untuk melihat kesan AI: di manakah alat ini benar-benar mencipta nilai, dan bagaimana ia boleh mengubah struktur ekonomi. Apabila membandingkan hujah tersebut dengan realiti kerja bersama “doanh nghiệp” di Vietnam, apakah yang anda lihat dalam cara “doanh nghiệp” kini membuat keputusan dan menyusun kerja?

Saya membaca Power and Prediction lebih dua tahun lalu, tepat pada fasa di mana saya dan ramai rakan usahawan mula berasa tertekan dengan kepantasan pembangunan AI. Pada ketika itu, model bahasa besar belum lagi menyeluruh seperti sekarang, manakala konsep seperti LLM, Agen, RAG, dan Harnessing agak baharu bagi orang di sekeliling saya.

Menoleh ke belakang, saya benar-benar terkejut dengan kemajuan pesat AI kebelakangan ini. Namun, saya juga berasa bertuah kerana melalui buku tersebut, saya menemui kompas untuk meletakkan diri dalam dunia AI yang agak kelam-kabut ini.

Buku ini mempunyai satu hujah yang saya sangat setuju, iaitu untuk memahami masa kini dan meramalkan masa depan, kita perlu melihat semula hukum dalam sejarah. Elektrik dan AI kedua-duanya adalah “General-Purpose Technology”, teknologi yang mampu mengubah secara asas cara manusia bekerja dan mencipta nilai. Edison menyalakan Pearl Street pada tahun 1882, tetapi sehingga tahun 1900, hanya kira-kira 3% isi rumah di Amerika menggunakan elektrik. Ia mengambil masa hampir 40 tahun untuk elektrik benar-benar mencetuskan revolusi produktiviti. Penulis memanggil fasa peralihan ini sebagai “The Between Times” atau tempoh transisi. Meletakkan sejarah elektrifikasi di samping realiti aplikasi AI di “doanh nghiệp” Vietnam, saya berasa kita berada di titik masa yang sama dengan tahun 1900. Walaupun percaya bahawa revolusi AI akan berlaku lebih pantas, saya berpendapat kita masih berada dalam peringkat penggunaan AI untuk masalah terpencil, belum cukup kuat untuk mencipta perubahan sistematik dan meningkatkan produktiviti pada skala ekonomi keseluruhan.

Belum bercakap tentang perubahan sistematik atau peningkatan produktiviti skala ekonomi, realiti umum hari ini adalah AI kadangkala menjadikan proses kerja lebih rumit, sementara sesetengah pemimpin menyimpan harapan bahawa teknologi ini boleh menyelesaikan hampir semua masalah. Pada pandangan anda, di manakah “doanh nghiệp” sedang terperangkap?

Saya berpendapat ini bukan salah “doanh nghiệp” sepenuhnya, tetapi sifat tempoh transisi. Paul David pernah menggambarkan cara pemilik kilang awal abad ke-20 menggantikan enjin stim dengan motor elektrik tetapi mengekalkan barisan pengeluaran yang lama. Produktiviti oleh itu hampir tidak berubah kerana mereka belum mengubah cara organisasi. Hari ini, kita melakukan perkara yang sama dengan AI.

Dalam operasi sebenar, saya melihat tiga masalah yang sering dihadapi oleh “doanh nghiệp”. Pertama, AI hanya digunakan sebagai alat individu. Setiap orang mempunyai tetingkap sembang sendiri, keputusan berada di luar sistem umum, menyebabkan “doanh nghiệp” tidak dapat mengumpul ilmu dan konteks operasi. Kedua, AI hanya disepadukan ke dalam satu peringkat proses lama. Langkah-langkah lain tidak berubah, menyebabkan “doanh nghiệp” mengalami kerja tambahan untuk menyemak dan memantau hasil AI. Ketiga, pemimpin mengharap terlalu banyak pada AI sementara data masih bertaburan pada perisian yang kurang saling berhubung. AI tidak dapat mengeksploitasi maklumat secara berkesan yang belum dikumpul dan diseragamkan “doanh nghiệp” menjadi satu sumber data yang benar (single source of truth). Ini semua adalah matlamat yang mudah dicapai, kurang menuntut perubahan organisasi, justeru sukar mencipta lonjakan. Teras masalahnya ialah “doanh nghiệp” belum membina sistem operasi yang cukup konsisten untuk AI benar-benar menjadi sebahagian daripada organisasi, dan bukannya sekadar alat di sisi manusia.

Tatler Asia
Above Ilustrasi mengenai cabaran “doanh nghiệp” dalam menyepadukan AI ke dalam sistem operasi sedia ada.

Jadi di manakah sempadan antara “penggunaan AI” dan “mereka semula “doanh nghiệp” dengan AI”? Bolehkah sesebuah “doanh nghiệp” mengetahui mereka sedang melakukan yang kedua melalui petanda apa?

Sempadan terletak pada soalan: “Apabila AI mengubah satu keputusan, adakah keputusan lain dalam sistem perlu berubah mengikutinya?”. Jika tidak, itu adalah penyelesaian titik (point solution). Jika ya, “doanh nghiệp” sedang menuju ke arah penyelesaian sistem (system solution), iaitu mereka semula cara operasi secara sistematik.

“Doanh nghiệp” boleh mengenal pasti melalui beberapa petanda praktikal. Deskripsi kerja ditulis semula apabila beberapa tugas dipindahkan dari manusia kepada Ejen AI, tetapi masih ada manusia yang bertanggungjawab sepenuhnya. Proses disingkatkan kerana langkah kelulusan yang bertujuan menyemak maklumat kini boleh dilakukan oleh AI. Cara menilai keberkesanan juga beralih daripada mengukur aktiviti kepada mengukur output dan hasil. Malah, soalan “Siapa yang memutuskan perkara ini?” juga perlu ditanya semula. Sebaliknya, jika AI dimasukkan tanpa mengalihkan sebarang kuasa dalam organisasi, hampir pasti “doanh nghiệp” belum benar-benar mereka semula cara operasi. Perubahan sistematik sentiasa membawa pergerakan kuasa, walaupun sedikit. Itulah maksud “Power” dalam tajuk buku tersebut.

Baca lagi: Bapa AI: Kita memerlukan AI yang “tidak sanggup melihat manusia menderita”

Satu titik penting buku ini ialah AI mengurangkan kos “ramalan” dan dengan itu boleh meningkatkan nilai “pertimbangan”. Dalam konteks mesin semakin pandai meramal, bagaimanakah peranan manusia harus disusun dan direka bentuk? Kapasiti manusia yang manakah akan menjadi lebih berharga?

Saya sering berkongsi dengan pasukan bahawa AI boleh meniru hasil, tetapi belum boleh menggantikan sepenuhnya pemikiran yang mencipta hasil tersebut. Seperti yang dinyatakan oleh penulis, satu keputusan merangkumi dua elemen: ramalan dan pertimbangan. AI semakin mahir meramal dengan kos yang lebih rendah, tetapi menentukan hasil mana yang berbaloi untuk dikejar, risiko mana yang boleh diterima dan apa yang perlu dikorbankan masih menjadi peranan manusia. Apabila ramalan menjadi lebih murah, harga kesilapan pertimbangan boleh menjadi lebih mahal. Oleh itu, manusia perlu fokus kepada tiga perkara: menentukan hasil yang dijangkakan, membina peraturan kerjasama antara manusia dan Ejen AI, serta bertanggungjawab sepenuhnya terhadap hasil. Di Base, semua peraturan operasi terpakai untuk manusia dan Ejen AI. Pada pendapat saya, tiga kapasiti yang semakin bernilai ialah menetapkan masalah yang betul, membuat pertimbangan dalam situasi kabur dan bertanggungjawab terhadap akibat praktikal. AI boleh membuat ramalan yang salah tanpa perlu membayar harganya, tetapi kita perlu.

Tatler Asia
Above Perbincangan mengenai peranan manusia dalam membuat pertimbangan di era teknologi “doanh nghiệp”.

Adakah “doanh nghiệp” kini bersedia untuk soalan tentang kepada siapa tanggungjawab harus diletakkan jika AI terlibat dalam sistem?

Saya fikir kebanyakannya belum. Secara prinsip, tanggungjawab terakhir sentiasa terletak pada manusia bukan alat. Dengan Ejen AI juga begitu, tindakan AI tidak bermakna tanggungjawab dipindahkan kepada AI. Masalahnya ialah ramai “doanh nghiệp” sedang menggunakan Ejen AI di luar sistem operasi yang mempunyai keupayaan kawalan dan kebolehkesanan sepenuhnya. Justeru, mereka belum menetapkan dengan jelas apa yang dibenarkan untuk AI lakukan, di mana had kuasa, siapa yang membuat keputusan terakhir dan bagaimana untuk menyemak semula apa yang telah dilakukan oleh AI. Pada pendapat saya, sesuatu sistem hanya benar-benar bersedia apabila ia boleh menjawab empat soalan dengan jelas. Apa yang AI dibenarkan buat? Siapa yang bertanggungjawab terhadap tugas itu? Bolehkah semua tindakan dikesan atau tidak? Keputusan mana yang masih memerlukan manusia untuk buat secara langsung? Ini juga prinsip yang kami tetapkan semasa membina Base 2.0.

Semasa membina Base 2.0, Base bermula dari masalah apa bagi “doanh nghiệp”? Pemikiran atau pendekatan manakah yang membentuk reka bentuk produk dan sistem operasi baharu ini?

Kami bermula daripada satu paradoks selepas 10 tahun melayani lebih 12,000 pelanggan. Realitinya, “doanh nghiệp” menggunakan banyak perisian, tetapi data masih kelam-kabut dan kerja masih berselerak. Setiap perisian menyelesaikan masalah berasingan, membentuk pulau-pulau data, sedangkan kerja hanya dilihat sebagai aktiviti tunggal. Bill Gates pernah berkongsi bahawa jika memulakan perniagaan hari ini, beliau akan membina sebuah “doanh nghiệp” yang beroperasi di sekitar AI (AI-Centric Enterprise). Itulah pemikiran yang membentuk Base 2.0, dan bukannya sekadar melekatkan AI pada platform lama, kami memilih untuk membina semula dari awal untuk mencipta perubahan sistematik, bukannya penyelesaian titik. Kami sering mengingatkan diri sendiri “AI kills bad software, not the good one.” Daripada mengejar ciri AI, kami fokus membina sistem operasi yang cukup baik untuk AI benar-benar mengeluarkan nilai. Misi akhirnya sebenarnya cukup mudah, membantu semua orang benar-benar bekerja kurang (lebih efisien).

Tatler Asia
Above Sesi pembangunan sistem Base 2.0 yang memfokuskan kepada operasi “doanh nghiệp” yang lebih efisien.

Katakan anda dibenarkan menghapuskan keseluruhan struktur operasi “doanh nghiệp” semasa dan mereka semula dari sifar, hanya dengan matlamat untuk memaksimumkan AI, dari manakah anda akan bermula?

Saya tidak akan bermula dengan memilih alat AI tetapi dengan mendefinisikan semula kerja. Pertama, saya akan menyenaraikan semua output yang perlu dicipta oleh “doanh nghiệp”, baik untuk pelanggan mahupun dalaman. Seterusnya, bagi setiap hasil, saya akan menentukan kriteria pencapaian dengan jelas, had yang tidak boleh dilampaui, dan siapa yang bertanggungjawab. Hanya selepas itu saya akan memutuskan bahagian kerja mana yang diserahkan kepada manusia, bahagian mana yang boleh diserahkan kepada Ejen AI. Akhirnya, saya akan memasukkan keseluruhan kerja ke dalam satu sistem yang bersatu, di mana aktiviti manusia dan mesin boleh dikesan dan diukur.

Jika dipilih 3 nasihat untuk “doanh nghiệp”, apakah yang akan anda katakan?

Pertama, jangan bermula dengan AI, mulakan dengan mendefinisikan kerja anda dengan jelas. Jika “doanh nghiệp” belum boleh menggambarkan rupa kerja yang siap, AI tidak akan membantu menyelesaikan kerja dengan berkesan.

Kedua, serahkan kerja kepada AI seperti menyerahkan kepada kakitangan baharu, nyatakan skop, peraturan... Jangan anggap tugas menyerahkan tugas kepada AI semudah menekan butang, dan jangan takut padanya seperti sesuatu yang tidak terkawal.

Ketiga, kekalkan kapasiti pertimbangan dan tanggungjawab pada manusia, sambil melabur secara serius untuk membangunkan kapasiti tersebut. Saya bermula dari posisi perunding kepada posisi sekarang dalam tempoh 7 tahun, apa yang saya pelajari bukan lebih banyak ilmu, tetapi tahu mengambil pengajaran daripada pengalaman sendiri selepas setiap kejayaan atau kegagalan. AI memproses maklumat lebih pantas daripada kita, tetapi ia tidak menjalani kehidupan kita.

Tenaga elektrik mengambil masa kira-kira 40 tahun untuk beralih daripada aplikasi pencahayaan kepada mereka semula barisan pengeluaran. Saya percaya AI tidak akan memerlukan masa selama itu, kerana pembinaan semula ini sudah bermula!

BACA SEKARANG

Bank membentuk masa depan dalam era baharu

Pemenang Nobel Keamanan 2026 Navi Pillay: Seumur hidup berhadapan dengan kuasa

Evolving Parents: Aspek menarik pendidikan keluarga