Quản trị AI trong ngành bán lẻ: Tại sao doanh nghiệp cần một 'mặt phẳng kiểm soát' ngữ cảnh?

Các nhà bán lẻ đang bước vào một giai đoạn mới trong việc ứng dụng AI.

Những cuộc thảo luận ban đầu về generative AI thường xoay quanh việc thử nghiệm. Chúng ta nên thử mô hình nào? Chúng ta nên xây dựng chatbot nào? Đội ngũ nào nên thực hiện dự án thí điểm đầu tiên? Liệu AI có thể cải thiện khả năng tìm kiếm, tóm tắt tài liệu, làm phong phú nội dung sản phẩm hay trả lời các câu hỏi nội bộ không?

Đó là những điểm khởi đầu quan trọng. Nhiều nhà bán lẻ, cửa hàng tạp hóa, nhà phân phối và các công ty hướng tới người tiêu dùng đã tạo ra giá trị thực từ những nỗ lực ban đầu đó.

Vào cuối năm 2023, một nhà phân phối lớn mà chúng tôi hợp tác đã nhìn thấy cơ hội kết hợp machine learning truyền thống và các large language models để cải thiện hoạt động quản lý danh mục sản phẩm. Khi các sản phẩm mới được đưa vào danh mục, các mô hình machine learning giúp phân loại và khớp các mặt hàng, trong khi các large language models tạo ra các mô tả sản phẩm phong phú hơn.

Vào thời điểm đó, đây là một bước đột phá.

Sáng kiến này đòi hỏi một đơn vị tích hợp hệ thống, một nhóm chuyên trách (tiger team) và khoảng 100 ngày chạy nước rút để chứng minh giá trị, trong khi cả đội phải giải quyết các vấn đề về kiến trúc, truy cập dữ liệu, hành vi của mô hình và quy trình làm việc kinh doanh. Đây là một sáng kiến cực kỳ thành công, giúp tiết kiệm hàng triệu đô la và chứng minh rằng AI có thể cải thiện đáng kể một quy trình quan trọng trong kinh doanh.

Nhưng nó cũng đại diện cho một mô hình phổ biến của làn sóng đầu tiên: một đội ngũ, một trường hợp sử dụng, một kiến trúc, một đợt chạy nước rút tập trung.

Ngày nay, loại quy trình làm việc hỗ trợ bởi AI như vậy đang trở thành tiêu chuẩn bắt buộc (table stakes). Cuộc thảo luận đang chuyển từ “Tôi tự hỏi liệu AI có thể giải quyết vấn đề này không” sang “AI phải giúp giải quyết vấn đề này, và tôi cần dữ liệu phù hợp một cách nhanh chóng để không làm chậm trễ hoạt động kinh doanh”. Sự thay đổi đó làm thay đổi thách thức đối với doanh nghiệp.

Giai đoạn tiếp theo của AI trong bán lẻ không chỉ là sở hữu một mô hình tốt hơn. Đó là việc cung cấp cho mọi trải nghiệm AI đúng bối cảnh kinh doanh.

Bối cảnh (context) là yếu tố làm cho AI doanh nghiệp trở nên hữu ích.

Một mô hình thiếu bối cảnh bán lẻ có thể đưa ra câu trả lời chung chung.

Một mô hình có bối cảnh phù hợp có thể giúp một người kinh doanh cân nhắc rủi ro về danh mục hàng hóa, giúp quản lý cửa hàng ưu tiên công việc trong ngày, hoặc giúp một giám đốc điều hành nhận được câu trả lời đáng tin cậy về doanh số và lợi nhuận. Đối với các nhà bán lẻ, bối cảnh đó bao gồm mọi thứ từ hàng tồn kho và định giá cho đến các quyền hạn và chính sách quyết định ai được phép xem thông tin gì.

Bối cảnh đó là thứ làm cho AI trở nên hữu ích. Nhưng bối cảnh cũng là nơi rủi ro xâm nhập vào hệ thống.

AI nên thấy những dữ liệu nào? Nó nên tin tưởng vào những định nghĩa kinh doanh nào? Những người dùng nào được phép đặt những câu hỏi nào? Những công cụ nào mà tác nhân (agent) có thể gọi? Mô hình nào nên xử lý tác vụ đó? Tương tác đó sẽ tốn bao nhiêu chi phí? Doanh nghiệp nên kiểm toán những gì đã xảy ra như thế nào?

Đó là lý do tại sao AI trong bán lẻ cần một mặt phẳng kiểm soát (control plane) cho bối cảnh, một lớp duy nhất quản lý dữ liệu, mô hình và công cụ mà mọi trải nghiệm AI có thể sử dụng.

Quản trị (governance) tạo điều kiện cho tốc độ.

Quản trị đôi khi bị coi là thứ làm chậm các đội ngũ. Đối với các nhà bán lẻ, điều ngược lại mới đúng.

Mục đích của quản trị là mang lại cho nhiều đội ngũ hơn sự tự do để sử dụng AI một cách an toàn.

Nếu các biện pháp kiểm soát phù hợp được áp dụng, mỗi trường hợp sử dụng AI mới không cần phải trở thành một bài tập riêng lẻ về bảo mật, mua sắm và kiến trúc. Các đội ngũ trên toàn doanh nghiệp bán lẻ có thể di chuyển nhanh hơn vì quyền truy cập mô hình, quyền hạn, ghi nhật ký, theo dõi và kiểm soát chi phí đã được tích hợp sẵn vào nền tảng.

Đó chính là ý nghĩa cốt lõi của quản trị AI trong bán lẻ.

Đó không phải là quản trị vì mục đích quản trị. Đó là quản trị để nhân viên có thể sử dụng AI tự tin hơn, phục vụ khách hàng tốt hơn và đưa ra quyết định nhanh hơn với dữ liệu đáng tin cậy.

Các đội ngũ đang ngày càng thoải mái hơn với AI được nhúng trong quy trình làm việc của họ. Họ cần được giải phóng để khám phá, xây dựng và mang lại kết quả. Nhưng giải phóng các đội ngũ không có nghĩa là loại bỏ các biện pháp kiểm soát. Điều đó có nghĩa là cung cấp cho họ một cách thức có quản trị để di chuyển nhanh chóng với dữ liệu phù hợp, mô hình phù hợp, quyền hạn phù hợp và các biện pháp kiểm soát chi phí phù hợp đã được thiết lập sẵn.

Giai đoạn tiếp theo là ứng dụng AI trên toàn doanh nghiệp.

Trong công việc của mình với các nhà lãnh đạo công nghệ bán lẻ, tôi đã thấy cuộc thảo luận trải qua ba giai đoạn.

Điều này quan trọng vì bán lẻ không phải là một ngành công nghiệp đơn người dùng, đơn quy trình làm việc.

Hầu hết những nhân viên này không ngồi tại bàn làm việc để chọn một công cụ AI. Trải nghiệm AI của họ được nhúng vào ứng dụng cửa hàng, bảng điều khiển (dashboard), quy trình làm việc mà họ đang sử dụng, và nó cần trả lời những câu hỏi khác nhau cho từng vai trò. Mỗi chức năng cần dữ liệu khác nhau. Mỗi chức năng có quyền hạn khác nhau. Mỗi chức năng có thể cần một mô hình khác nhau. Mỗi chức năng có hồ sơ chi phí và hồ sơ rủi ro khác nhau.

Đó là lý do tại sao AI trong bán lẻ không thể được giải quyết bằng một mô hình duy nhất.

Các nhà bán lẻ cần một cách thức có quản trị để cung cấp nhiều trải nghiệm AI trên toàn doanh nghiệp trong khi vẫn kiểm soát được người dùng nào có thể truy cập dữ liệu nào, họ có thể sử dụng mô hình nào, họ chi tiêu bao nhiêu và các tương tác đó được giám sát như thế nào.

Phần khó nhất là mở rộng quy mô mà không mất quyền kiểm soát.

Khi AI lan rộng khắp doanh nghiệp, các nhà bán lẻ có nguy cơ tạo ra một mô hình vận hành bị phân mảnh.

Một đội ngũ sử dụng trực tiếp Claude. Một đội ngũ khác xây dựng ứng dụng RAG. Một đội ngũ khác sử dụng Copilot. Các nhà phát triển tìm đến Cursor. Người dùng kinh doanh thử nghiệm với Claude Cowork. Các đội ngũ dữ liệu tự thiết lập các quy trình làm việc tác nhân (agentic workflows) của riêng họ.

Mỗi công cụ có thể có quyền truy cập mô hình, truy cập dữ liệu, nhật ký, quyền hạn, chi phí và quy trình quản trị riêng.

Điều đó có thể hiệu quả trong quá trình thử nghiệm. Nhưng nó không hiệu quả khi làm mô hình vận hành cho AI doanh nghiệp.

Nếu không có mặt phẳng kiểm soát, các nhà bán lẻ có thể nhanh chóng rơi vào tình trạng:

Các nhà bán lẻ đã dành nhiều năm để cố gắng giảm bớt sự phân mảnh trong dữ liệu và phân tích. AI không nên tái diễn vấn đề tương tự dưới một hình thức mới.

Các nhà bán lẻ cần các hệ thống AI mở (open AI harnesses), không phải các ngõ cụt AI đóng (closed AI dead ends).

Khi việc ứng dụng AI mở rộng, một câu hỏi khác đang nổi lên: hệ thống AI (AI harness) nên nằm ở đâu?

Một số hệ thống bị đóng. Người dùng nhận được một trải nghiệm AI đóng gói, một mô hình mặc định và quyền kiểm soát hạn chế đối với cách thức quản trị dữ liệu, công cụ, câu lệnh (prompt), chi phí và lựa chọn mô hình. Điều đó có thể hữu ích cho năng suất cá nhân, nhưng nó trở nên hạn chế khi doanh nghiệp muốn kiểm soát các mô hình nào được sử dụng, cách thức truy cập dữ liệu, cách quản lý chi phí và cách kiểm toán các tương tác AI.