5

Tận dụng trí tuệ máy móc: Từ trực giác đến thuật toán

Đếm những gì có thể đếm được, đo những gì có thể đo được, và những gì chưa đo được, hãy tìm cách để thực hiện cho bằng được.

- GALILEO GALILEI

Nhà thiên văn học (1564 – 1642)

Không phải thứ gì hiện hữu cũng sẽ được lưu tâm và không phải thứ gì được lưu tâm cũng hiện hữu.

- WILIAM BRUCE CAMERON

Nhà xã hội học, 1963

THỜI ĐẠI CỦA MÁY MÓC

Đối với các nhà khoa học dữ liệu và chuyên gia học máy (machine learning), tháng 3/2016 là một thời khắc trọng đại.

AlphaGo, một chương trình máy tính do Google phát triển, đã đánh bại nhà vô địch thế giới Lee Sedol với tỉ số 4:1 trong một trận đấu cờ vây.1

Trong cờ vua của phương Tây, hai người chơi sẽ thực hiện khoảng 40 nước cờ trên một bàn cờ vua gồm 64 ô vuông. Vào năm 1977, Deep Blue của IBM đã đánh bại bậc thầy cờ vua Garry Kasparov bằng cách triển khai thuật toán vét cạn (brute force) nhờ tính toán tất cả các nước đi có thể thông qua hàng triệu kịch bản mỗi giây và xác định nước đi giành thắng lợi.

Thuật toán vét cạn đó không hoạt động ở môn cờ vây. Trên một khung 19x19, những người chơi cờ vây buộc phải đi đến 200 nước cờ.2 Phép hoán vị các kết quả nhanh chóng gây ra hoang mang với 10761 kết quả - nhiều hơn tổng số nguyên tử có thể quan sát được trong vũ trụ.3 Người ta đã nghĩ rằng phải mất ít nhất 10 năm nữa trước khi máy móc có thể chiến thắng con người ở môn cờ vây. Vậy nhưng, Google đã thành công tạo ra thuật toán máy móc mang phẩm chất của con người – hay nói cách khác, chơi cờ bằng trực giác. Cỗ máy không chỉ sao chép trực giác của một chuyên gia mà còn vượt qua cả chính nó. Đáng chú ý hơn hết chính là việc AlphaGo có thể tự cải thiện hiệu suất của nó mỗi ngày mà không cần sự giám sát trực tiếp của lập trình viên. Và sự trỗi dậy của máy móc thông minh đã ảnh hưởng tới tất cả các doanh nghiệp theo nhiều cách khác nhau. Điều gì đã dẫn chúng ta đến kết quả này?

Trước đây, các lập trình viên phải viết ra các hướng dẫn cho máy tính hoạt động. Máy tính không thể tự học, thay vào đó, chúng tuân theo các quy tắc. Học máy (machine learning) thời kỳ đầu thường đòi hỏi sự hỗ trợ và theo dõi liên tục từ các nhà khoa học máy tính hoặc các nhà thống kê học. Con người phải dán nhãn dữ liệu và thiết lập mục tiêu cuối rõ ràng. Phiên bản ban đầu của học máy này đã sản sinh ra quá trình thu thập big data, một quá trình giúp phát hiện những nguyên mẫu mới và gợi ý những hành động thích hợp. Phương án tiếp cận dựa trên phân tích dữ liệu này, mặc dù hao tổn nhiều nhân lực, nhưng có hiệu quả đáng kinh ngạc trong việc dự đoán hành vi khách hàng: cách chúng ta nhấp chuột, mua hàng hay nói dối. Máy móc đã giúp cải thiện cách các doanh nghiệp gửi email, gọi điện, giảm giá, giới thiệu sản phẩm, quảng cáo, kiểm tra sai phạm và phê duyệt các khoản vay. Nhược điểm nằm ở chỗ, những thuật toán này phải phụ thuộc vào bối cảnh. Chúng được xây dựng với một mục đích duy nhất. Deep Blue vốn dành để chơi cờ thì không thể sử dụng trong lĩnh vực khác.

Trong những ngày đầu của Amazon.com, một nhóm biên tập gồm nhiều cây viết thực thụ phải thử bán sản phẩm với những khẩu hiệu dí dỏm và quyết định xem nên quảng bá món hàng nào. Qua nhiều năm, một nhóm cạnh tranh đã sử dụng thuật toán máy được gọi là Amabot để đưa ra đề xuất dựa trên tìm kiếm web cũng như các giao dịch trước đó của khách hàng. Mang đậm nét đặc trưng của Amazon, CEO Jeff Bezos đã cho hai bên đọ sức - những tin nhắn thủ công gửi đến từng khách hàng đấu với các đề xuất tự động. Chẳng bao lâu sau, kết quả kinh doanh cho thấy con người không thể đấu lại máy móc trong việc thúc đẩy doanh số. Amabot dễ dàng hoàn thành nhiều bài kiểm tra và chứng minh rằng nó có thể bán cùng lượng hàng với các biên tập viên, với khả năng mở rộng quy mô giao dịch mà không phải chịu thêm phí tổn. Nhóm biên tập, dĩ nhiên, bắt buộc phải thuê và đào tạo nhiều nhân viên mới để có thể bắt kịp nhu cầu đang tăng cao.4 Vào năm 2002, một nhân viên đã đặt mẫu quảng cáo gồm ba dòng ẩn danh trên ấn bản ngày Valentine tại một tạp chí ở Seatle, nhắm đến thuật toán Amabot như sau:5

AMABOT YÊU QUÝ: Nếu mày có trái tim để thấu hiểu sự căm ghét của bọn ta. Cảm ơn thật nhiều, thứ xô chậu rỉ sét “sớm nở chóng tàn”. Bọn ta cuối cùng cũng sẽ chiến thắng thôi!6

Chẳng mấy chốc sau, nhóm biên tập tan rã.7

Tuy nhiên, dù mạnh mẽ đến đâu Amabot cũng không thể sử dụng trong những trường hợp khác và thuật toán của nó cũng không thể áp dụng cho các dữ liệu phi cấu trúc vốn được thể hiện bằng ngôn ngữ của con người. Trước khi được đưa vào máy, dữ liệu phải được định dạng gọn gàng trong một cơ sở dữ liệu cụ thể - các dòng ký tự và số liệu ngăn nắp – giống một bảng tính Excel. Phải mất thêm một thập kỷ nữa trước khi người ta có thể giải quyết các giới hạn về định dạng dữ liệu.

HƠN CẢ MỘT CỖ MÁY TÌM KIẾM TÂN TIẾN

Vào tháng 2/2011, IBM đã gây ấn tượng sâu sắc với công chúng Mỹ khi siêu máy tính Watson đánh bại các thí sinh trong chương trình Jeopardy! nổi tiếng. Khoảng 15 triệu khán giả đã xem trực tiếp khi Watson giành chiến thắng trước nhà cựu vô địch Ken Jennings và Brad Rutter. Tập phát sóng này cũng đã chứng minh với công chúng rằng học máy không chỉ dừng lại ở việc tính toán dữ liệu đơn thuần. Jeopardy! – tương tự như các chương trình cùng thể loại – thường đưa ra các câu hỏi thuộc nhiều chủ đề khác nhau. Chương trình có mô hình hỏi-và-trả-lời rất độc đáo: gợi ý được đưa ra dưới hình thức đáp án và các thí sinh phải đưa ra câu trả lời dưới dạng câu hỏi. Chẳng hạn, ở chủ đề nhạc cổ điển, gợi ý có thể là “bản giao hưởng cuối cùng và có lẽ là nổi tiếng nhất của Mozart có cùng tên với hành tinh này”. Đáp án chính xác sẽ là, “Sao Mộc là cái gì?”8 Chơi Jeopardy! cũng gần giống như việc lật mở từ điển để tìm một từ và sau đó tìm một trò chơi ô chữ khớp với từ đó.

Có thể trông thấy rõ từ một cửa sổ nằm ngang ngay phía sau bục thí sinh chính là căn phòng nơi các máy tính của Watson đã tạo nên đột phá, với hàng đống các bộ vi xử lý liên tục đếm 0 và 1 cùng hệ thống quạt làm mát.9 Watson lục lọi 65 triệu trang văn bản mỗi giây trong suốt cuộc thi.10 Ý nghĩa của những văn bản này được thể hiện dưới dạng ngôn ngữ tự nhiên và phải phụ thuộc vào những gì đã được nói trước đó (chủ đề) cũng như cách mọi người đang thảo luận về nó. Ý nghĩa thực sự dùng trong tiếng Anh giao tiếp hằng ngày sẽ không bao giờ được thể hiện hoàn toàn hay chính xác. Để đọc hiểu một bài báo, một người phải phân biệt được giữa “parking in driveways” (đậu xe trên lối đi) và “driving on parkways” (lái xe trên đại lộ) hoặc hiểu được “noses run” (sổ mũi) và “feet smell” (mùi hôi chân). Do đó, dự thi trên Jeopardy!

đòi hỏi người chơi phải hiểu được những câu có nghĩa tinh tế, châm biếm, đố mẹo, tiếng lóng, ẩn dụ, đùa và chơi chữ. Và để biến Watson trở thành một cỗ máy tìm kiếm tân tiến, nhóm kỹ sư của IBM đã kết hợp thêm ba kỹ năng mới vào Watson, nhờ đó nó mới có thể đưa ra câu trả lời chính xác chỉ trong tích tắc: (1) xử lý ngôn ngữ tự nhiên, (2) thiết lập giả thuyết, (3) học tập dựa theo dữ liệu.11 Tiến sĩ Katharine Frase, Phó chủ tịch tổ chức Industry Solutions and Emerging Business tại IBM Research (từng nói, “Ở Jeopardy!, họ đã xây dựng khái niệm rằng nếu anh không tự tin, đừng trả lời. Và trong thế giới thực, cũng có khá nhiều vấn đề tương tự như vậy. Bạn không muốn bác sĩ đoán mò bệnh, thay vào đó, bạn muốn họ phải tự tin chẩn đoán bệnh trước khi đưa ra phương pháp điều trị.”12

Vào cuối giải đấu Jeopardy! kéo dài hai ngày, Watson đã tích lũy được số tiền thưởng trị giá 77.147 đô la, gấp ba lần số tiền mà các đối thủ từng kiếm được. Ken Jennings, người đã thắng liên tiếp hơn 50 trận, về thứ hai, đứng sau là Brad Rutter. “Ở thế kỷ 20, công việc tay chân trong nhà máy đã bị xóa sổ bởi robot lắp ráp tân tiến, tương tự như vậy, Brad và tôi cũng chính là những lao động trí thức đầu tiên bị thế hệ máy móc ‘biết tư duy’ loại bỏ.”13

Để hiểu lý do tại sao bản thân con người lại có liên quan đến lịch sử máy tính, chúng ta nên lưu ý rằng máy tính từng là con người. Trước khi máy tính trở thành thiết bị xử lý kỹ thuật số thống trị cuộc sống của chúng ta ở thế kỷ 21, từ “máy tính” còn liên quan đến một thứ khác: bản mô tả công việc. Từ giữa thế kỷ 18 trở đi, “người tính”* (mà phần đông là phụ nữ) thường thực hiện các công việc tính toán và phân tích số liệu tại các tập đoàn, doanh nghiệp kỹ thuật cũng như tại các trường đại học.14

Đài quan sát Harvard chính là một trong những nơi tuyển dụng nhiều người tính nhất vào thời điểm đó. Giám đốc Edward C. Pickening từ lâu đã phải vật lộn với việc xử lý dữ liệu thiên văn học của mình và cuối cùng quyết định thay thế một trong những trợ lý lâu năm của mình bằng Williamina Fleming – một nhà thiên văn học vĩ đại. Fleming tỏ ra rất giỏi về tính toán và lập danh mục, do vậy, đài quan sát nhanh chóng tuyển thêm nhiều nhà khoa học nữ. Cũng nhờ đó mà nơi này mới có cái tên là Pickering’s Harem (Hậu cung của Pickering).15

Người tính thật ra chỉ là cách nói giảm nói tránh giản đơn để chỉ một người chuyên làm công việc trí óc vất vả. Công cuộc tạo ra một cỗ máy biết tư duy chưa thực sự bắt đầu cho đến khi máy tính hiện đại ra đời vào khoảng những năm 1940. Những người tiên phong như Alan Turing và John von Neumann đã tiên đoán trước rằng vào một thời điểm nào đó, máy tính cơ khí có thể bắt chước trí thông minh con người. Nếu người ta không thể phân biệt giữa máy và người trong một cuộc hội thoại dạng văn bản thì khi đó cỗ máy mới được gọi là “đang tư duy”.16

“Nếu bạn xem qua tập Jeopardy! đó, dưới góc màn hình sẽ cung cấp các đáp án khác nhau mà Watson nghĩ ra,” Tiến sĩ Omar Latif – Phó chủ tịch công ty bảo hiểm sức khỏe Wellpoint quan sát. “Watson không chỉ đưa ra một đáp án. Và mỗi đáp án nó đưa ra lại có mức độ tự tin nhất định, và tôi nhận thấy rằng đây chính xác là cách các bác sĩ tư duy! Khi tôi thăm khám cho một bệnh nhân, trong đầu tôi không chỉ xuất hiện một đáp án duy nhất. Thường sẽ có bốn hoặc năm đáp án. Nhưng tôi sẽ nói với bệnh nhân đáp án tôi cảm thấy tự tin nhất.”17 Khuôn mặt và nụ cười sượng sùng của Ken Jennings đã tăng thêm phần chua cay cho thất bại của con người, đặc biệt là khi ông đã từng là một lập trình viên phần mềm.18 “Dưới quan điểm của mình, tôi hoàn toàn chào đón thời đại máy tính,” Jennings sau đó viết lại. Không giống như Amabot một thập kỷ về trước, Watson chính là hiện thân của loại máy móc không còn mù quáng tuân theo chỉ dẫn. Cỗ máy có thể tự thẩm thấu dữ liệu phi cấu trúc dưới dạng ngôn ngữ tự nhiên và sau đó tự phán đoán ra đáp án, cũng từ đây, nó đã thay đổi sâu sắc cách các doanh nghiệp đánh giá chuyên môn quản lý của một người. Một nhà điều hành dịch vụ tài chính đã nói như sau: “Hãy thử tưởng tượng một người có thể đọc vô số tài liệu [tài chính], hiểu hết chúng và lưu giữ lại toàn bộ thông tin. Giờ thì tưởng tượng bạn có thể hỏi người đó: ‘Chúng ta có khả năng thâu tóm công ty nào nhất trong ba tháng tới?’ Đó chính xác là những gì [Watson] sẽ đem lại cho bạn.”19

KẺ (KHÔNG THỂ) MẮC SAI LẦM

Chúng ta sống trong nền kinh tế tri thức vô cùng sùng bái các “subject expert”.* Ví dụ, đối với ngành chăm sóc sức khỏe hiện đại, chúng ta đang phụ thuộc hoàn toàn vào các bác sĩ vốn đưa quyết định dựa trên kinh nghiệm làm việc cả đời của họ. Trách nhiệm quan trọng của một bác sĩ chính là chẩn đoán bệnh của bệnh nhân khi ở họ xuất hiện triệu chứng. Mặc dù chưa đủ thông tin cũng như chắc chắn, các bác sĩ vẫn phải xác định bệnh của bệnh nhân, thường là ngay tại thời điểm khám, và đưa ra chỉ định điều trị tương ứng với bệnh và đối với rất nhiều bác sĩ, chẩn đoán bệnh là một thứ nghệ thuật đòi hỏi quá trình đào tạo liên tục. Trong cuốn sách Brotherhood (tạm dịch: Tình anh em) được miêu tả rất hấp dẫn bởi hai bác sĩ Deepak và Sanjiv Chopra, Sanjiv đã nhớ lại cuộc gặp gỡ với vị bác sĩ huyền thoại Elihu Schimmel – Trưởng khoa Tiêu hóa tại Bệnh viện Boston VA:

* “Subject expert” hay “subject-matter expert” là những chuyên gia có chuyên môn cao trong một lĩnh vực riêng biệt. (ND)

Tôi bật máy xem phim X-quang và... chỉ trong vài giây, bác sĩ Schimmel nói, “Dừng lại.” Tôi dừng lại. Anh ấy nhìn chằm chằm vào phim X-quang khoảng 30 giây.

“Sanjiv, bệnh nhân này là một người nghiện thuốc và rượu. Anh ta mắc bệnh tiểu đường. Anh ta cũng từng bị bại liệt khi còn nhỏ. Chúng ta phải phẫu thuật loại bỏ túi mật ra.” Tôi sững người.

“Eli,” tôi nói, “làm sao anh có thể biết hết mọi thứ chỉ nhờ tấm phim X-quang này?” Anh giải thích: “Cơ hoành của anh ta bị ép xuống và hai lá phổi căng phồng quá mức. Đó là dấu hiệu của người nghiện thuốc, tràn khí phổi. Tôi có thể nhìn thấy vôi hóa tuyến tụy, điều này chứng tỏ anh ta bị viêm tụy mãn tính do rượu. Anh ta còn bị hoại tử vô khuẩn chỏm xương đùi và gù vẹo cột sống, đó có thể bắt nguồn từ bệnh bại liệt thời thơ ấu.”

Sáu người chúng tôi lắng nghe anh ấy nói và bị mê hoặc hoàn toàn. Không ai nói một lời nào và tôi chắc chắn bọn họ đang nghĩ cùng một điều: Chúng tôi đang xem một bác sĩ bậc thầy thăm bệnh.20

Màn thăm bệnh bậc thầy này chính là thứ sẽ phân biệt những kẻ mới vào nghề với người đã có kinh nghiệm bởi, dù họ đưa ra quyết định nhanh chóng nhưng vẫn chính xác không thua kém những quyết định đã qua cân nhắc thận trọng.21 Các bác sĩ nổi tiếng thường rất tự hào vào khả năng đưa ra chẩn đoán dù khó khăn và mơ hồ đến đâu. Người đoạt giải Nobel Daniel Kahneman cũng đã hồi tưởng lại câu chuyện thoát chết trong gang tấc của một lính cứu hỏa trong cuốn Thinking, Fast and Slow (Tư duy nhanh và chậm): Chỉ huy nhóm lính bước vào căn nhà có bếp đang cháy. Anh đứng trong phòng khách với vòi cứu hỏa trong tay, phun nước vào khói lửa mịt mù. Nhưng ngọn lửa vẫn tiếp tục bùng lên. Bất thình lình, vị chỉ huy nghe thấy chính mình la lớn, “Ra khỏi đây ngay!” mà không hiểu tại sao. Thời khắc cả nhóm đã ra được bên ngoài, sàn phòng khách cũng vừa sập đổ. Hóa ra ngọn lửa bắt nguồn từ tầng hầm. Nếu như những người lính cứu hỏa vẫn còn ở bên trong, có lẽ họ sẽ chết chìm trong hỏa ngục rực lửa rồi.22

Đối với Kahenman, đó là một ví dụ hết sức thú vị về trực giác con người. Các đám cháy thường rất dữ dội và ồn ào nhưng lần này lại yên ắng đến kỳ lạ bởi sàn nhà đã chặn hết ngọn lửa đang hoành hành ở bên dưới. “Chỉ đến khi vị chỉ huy nhận ra ngọn lửa yên tĩnh khác thường và tai anh ấy nóng bất thường. Cả hai ấn tượng này đã khơi gợi thứ được gọi là ‘giác quan thứ sáu về nguy hiểm’ trong anh,” Kahneman viết. Điều thú vị của câu chuyện này nằm ở chỗ, vị chỉ huy có thể ước tính tình hình chỉ trong vài giây dù anh ấy không hề tập trung hoàn toàn. Anh không thể mô tả chính xác điều gì không đúng ngoại trừ việc anh nhớ lại cảm giác khó chịu đang bóp nghẹt mình. Tuy vậy, sự an toàn của cả nhóm lại hoàn toàn phụ thuộc vào phán đoán chính xác của anh dù lúc đó tâm trí vị chỉ huy đã bị khóa bên trong căn nhà đang cháy.

Dẫu vậy, vấn đề trực giác của các chuyên gia là thứ rất khó tái tạo cũng như quá tốn kém để đưa vào máy móc. Trong môi trường kinh doanh, đây chính là hạn chế lớn nhất đối với sự tăng trưởng của một doanh nghiệp.

Lấy ví dụ như việc xây dựng và điều hành một trung tâm thương mại. Bên cạnh việc lựa chọn vị trí xây dựng, những người thuê gian hàng cũng rất quan trọng. Đương nhiên, càng nhiều thương hiệu càng tốt. Thay vì ngồi nhàn rỗi và chờ đợi nhà bán lẻ tìm đến, chủ trung tâm thương mại phải tự tìm kiếm các thương hiệu lý tưởng, cho những người thuê tiềm năng đủ thời gian để lên kế hoạch, tài trợ và phân bổ nguồn lực trước. Khi làm việc với kiến trúc sư, chủ trung tâm thương mại cần phải cụ thể hóa chủ đề, tiện nghi, cơ sở vật chất và tính năng của công trình cũng như tuân thủ tất cả các yêu cầu pháp lý và an toàn, trong khi vẫn phải chú tâm đến ngân sách và dòng thời gian hợp lý để đảm bảo dự án mang lại lợi ích.

Mặc dù các hoạt động thương mại và kỹ thuật khá phức tạp, người ta vẫn ngạc nhiên khi nhiều nhà phát triển bất động sản có xu hướng mở trung tâm thương mại tại thị trường mà họ quen thuộc và nổi trội hơn, phần lớn là vì chuyên môn quản lý độc đáo của họ. Điều này khác hẳn nhóm ngành công nghiệp mang tính toàn cầu – như các thiết bị gia dụng hoặc thiết bị điện tử tiêu dùng vốn đã đi theo một tiêu chuẩn sản phẩm thống nhất được áp dụng trên khắp các châu lục. Họ thường đưa ra khá nhiều quyết định thường ngày dựa trên kinh nghiệm trong quá khứ. Cũng vì lý do này, quy mô của một nhà phát triển bất động sản có thể khá khiêm tốn so với các ngành công nghiệp khác. Simon Property Group, nhà điều hành và phát triển trung tâm thương mại lớn nhất ở Mỹ, chỉ kiếm được lợi nhuận vào khoảng 5,3 tỷ đô trong năm 2015.23 Vào năm 2016, tập đoàn này đã mở được ba trung tâm mới gồm hai “outlet” (cửa hàng chuyên bán hàng tồn kho, giảm giá) và một “full- price retailer” (cửa hàng chuyên bán lẻ theo giá gốc).24 Trái lại, Whirlpool, công ty sản xuất thiết bị gia dụng lớn nhất ở Mỹ, đã kiếm được 20 tỷ đô lợi nhuận trong cùng năm đó.

Tuy nhiên, ở nửa bên kia thế giới, đô thị hóa với tốc độ quá nhanh tại Trung Quốc đã buộc một tập đoàn bất động sản phải đưa ra giải pháp độc đáo để vượt qua thứ rào cản đã ngáng đường tất cả các đối thủ Mỹ của họ. Wanda Group, công ty bất động sản thương mại lớn nhất Trung Quốc, được cho là đã mở thêm 26 trung tâm thương mại trong năm 2015,25 với mục tiêu khai trương ít nhất 50 trung tâm thương mại mỗi năm bắt đầu từ 2016.26 Cùng năm đó, lợi nhuận của họ đã đạt mốc 28 tỷ đô la.27

CEO Wang Jianlin, một trong những người giàu nhất Trung Quốc, đã tích lũy được khối tài sản ròng ước tính trị giá 30 tỷ đô la28 (Donald Trump, vị tổng thống tỷ phú đầu tiên trong lịch sử Mỹ, chỉ kiếm được khoảng 3,5 tỷ đô).29 Với mức phát triển như vậy, rõ ràng Wanda không thể chỉ phụ thuộc vào các nhân viên dày dạn kinh nghiệm được. Công ty cũng không có thời gian để thu nạp đủ các quản lý dự án giỏi giang nhằm tạo bàn đạp cho công ty phát triển.

Lần cuối cùng trò chuyện với Liu Mingsheng, quản lý cao cấp tại Corporate Culture Center, tôi đã vô cùng ngạc nhiên khi anh không nói nhiều về văn hóa của Wanda mà thay vào đó, anh lại kể chi tiết về vai trò của hệ thống thông tin ở Wanda:

Gần mười năm trước, tập đoàn [mới bắt đầu] tự động hóa văn phòng và tất cả các dự án bất động sản đều được thúc đẩy bằng phương pháp tiếp cận thông tin. Thời gian phát triển một trung tâm thương mại trung bình là khoảng hai năm. Hệ thống thông tin của chúng tôi phân chia toàn bộ chu kỳ, từ xây dựng đến khai trương trung tâm, thành hàng trăm cột mốc quan trọng, mỗi cột mốc sau đó lại phân chia thành hàng trăm cột mốc hoặc nhiệm vụ con.

Đèn xanh trên hệ thống báo hiệu rằng kế hoạch đề ra đã được hoàn thành xuất sắc, và đèn vàng chỉ ra rằng kế hoạch diễn ra không đúng tiến độ. Khi đèn vàng được bật lên, phó chủ tịch chịu trách nhiệm phải lên ý tưởng để bắt kịp tiến độ. Nếu đèn vàng duy trì được một tuần, nó sẽ chuyển sang đèn đỏ và người chịu trách nhiệm phải bị phạt hoặc thay thế.

Tương tự, việc quản lý bất động sản cũng hoạt động thông qua một hệ thống tập trung giúp theo dõi hệ thống báo cháy, sưởi ấm bằng nước, điều hòa không khí, bảo tồn năng lượng và thông tin an toàn. Tất cả mọi thứ sẽ hiển thị trên một màn hình cực lớn duy nhất.

Khi tôi ghé thăm một trung tâm thương mại do Wanda phát triển tại Bắc Kinh vào chiều hôm đó, quản lý cơ sở vật chất đã chỉ cho tôi cách anh ta kiểm tra mọi thống kê quan trọng theo thời gian thực trên điện thoại thông minh của mình, bao gồm bản đồ nhiệt thể hiện hướng di chuyển của khách hàng. “Bằng cách lập lưới tam giác (triangulate) lượng doanh thu với lượng người mua sắm, chúng tôi có thể dự đoán chủ gian hàng nào có thể gặp vấn đề tài chính trước nhiều tháng. Điều này sẽ giúp chúng tôi thu lợi tốt hơn,” người quản lý giải thích cho tôi nghe. Phía sau văn phòng, anh ta đang xem xét một số yêu cầu bảo trì trực tuyến với hình ảnh và video đính kèm. Tất cả các thông tin và phê duyệt sẽ được chuyển tự động đến nhân viên được chỉ định. Họ không cần phải làm việc qua email hay bảng tính Excel.

“Trong quá khứ, chúng tôi cần rất nhiều chuyên gia để đảm bảo các dự án có thể mở cửa đúng lúc. Nhưng với hệ thống CNTT, việc thay thế quản lý cao cấp có thể diễn ra bất cứ lúc nào. Trên thực tế, bất kỳ ai cũng có thể xây dựng một trung tâm thương mại ngay ngày mai,” Liu khẳng định. “Anh không cần phải là chuyên gia về mọi thứ. Tất cả những gì anh cần chính là tập trung vào các kế hoạch cụ thể mà anh chịu trách nhiệm. Nếu gặp khó khăn, cứ tìm sự trợ giúp trên máy tính. Đây là cách mà chúng tôi mở rộng quy mô.”

Từ ví dụ của Wanda, chúng ta có thể thấy được đâu là hạn chế lớn nhất của doanh nghiệp khi phụ thuộc quá nhiều vào đội ngũ nhân viên giàu kinh nghiệm. Chúng ta không thể sao chép chính xác bộ não của con người bởi việc đào tạo cần nhiều thời gian. Một doanh nghiệp phụ thuộc vào phán đoán của chuyên gia sẽ mãi mãi hoạt động ở quy mô nhỏ. Để mở rộng quy mô doanh nghiệp trong nền kinh tế tri thức đòi hỏi quy trình tự động hóa công việc cũng như bản năng của người quản lý giàu kinh nghiệm.

Trong chương trình đào tạo nhà điều hành của mình, tôi thường yêu cầu người tham gia giải một câu đố của nhà tâm lý học nhận thức Daniel Levitin. Hãy tưởng tượng, bạn đến nhà hàng ăn và thức dậy với khuôn mặt đã chuyển sang màu xanh dương. Có hai loại ngộ độc thực phẩm, loại thứ nhất sẽ khiến mặt bạn có màu xanh dương và loại còn lại biến mặt bạn chuyển sang xanh lá. Có một loại thuốc sẽ giúp được bạn. Nó sẽ không mang lại tác dụng nếu bạn khỏe mạnh, nhưng nếu bạn mắc một trong hai loại ngộ độc này và uống nhầm thuốc, bạn sẽ chết. Màu sắc khuôn mặt bạn sẽ đồng nhất với loại ngộ độc trong 75% thời gian. Loại ngộ độc màu xanh lá phổ biến hơn loại xanh dương năm lần. Bạn sẽ chọn viên thuốc màu nào?30

Sau mười phút thảo luận, phần đông người tham gia chọn viên thuốc màu xanh dương. Tôi hỏi, “Tại sao?” Họ đáp lại: “Khuôn mặt lúc đó màu xanh dương và màu sắc khuôn mặt đồng nhất với màu bệnh trong phần lớn thời gian.”

Đến lúc đó, tôi mới lấy ra một bảng gồm bốn ô giống trong ví dụ của Levitin. Bản thân tôi cũng mắc sai lầm tương tự khi lần đầu đọc câu đố này nên bạn đừng lo. Nhưng nếu giả định tập hợp là 120, chúng ta có thể kẻ bảng với những thông tin sau, như được minh họa trong Hình 5.1.

Hình 5.1 Câu đố về khuôn mặt

Bây giờ hãy nhìn cột đầu tiên bên trái. Nó cho thấy ngay cả khi mặt của bệnh nhân chuyển sang màu xanh dương, người đó nên uống viên thuốc màu xanh lá bởi vì tỷ lệ mắc loại ngộ độc màu xanh lá trong tập hợp tổng cao hơn. Hay nói cách khác, chúng ta đã tập trung vào thông tin sai lệch từ đầu. Chúng ta nên xem xét tỷ lệ mắc bệnh chứ không phải sự hiệu nghiệm của viên thuốc khi chữa bệnh. Trong y học, thường phải mất nhiều năm, thậm chí là vài thập kỷ để xác định hiệu quả của việc điều trị y tế đối với một bệnh mãn tính.

Việc liên hệ giữa một quyết định được đưa ra hôm nay và kết quả quan sát trong tương lai thường mang rất ít ý nghĩa, do đó, chúng ta học hỏi được rất ít từ đó.31

Vấn đề tập trung vào thông tin sai lệch khá phổ biến, cho dù đó là cuộc nói chuyện tại bàn bếp, phỏng vấn việc làm hay trong phòng họp chính trị. Tại các công ty, một cuộc thảo luận giữa đội ngũ quản lý thường sẽ biến thành “ý kiến của người có mức lương cao nhất” hay ngắn gọn hơn, HiPPO.32

Và nếu việc áp dụng các số liệu thống kê thô sơ có thể rất quan trọng đối với các quyết định trong ngành y tế, hãy thử tưởng tượng một cỗ máy tìm kiếm tân tiến như Watson có thể thay đổi toàn bộ các ngành công nghiệp thống trị bởi ý kiến của các chuyên gia.

CUỘC HỢP TÁC KHÔN NGOAN

Hằng ngày, các tạp chí y khoa lại công bố thêm nhiều phương pháp điều trị và khám phá mới. Trung bình, cứ mỗi năm lượng thông tin y khoa sẽ tăng gấp đôi. Do áp lực công việc ở hầu hết các bệnh viện, bác sĩ hiếm khi nào rảnh tay để đọc chúng. Một bác sĩ đa khoa phải mất hàng giờ mỗi tuần mới có thể đọc và cập nhật thông tin.33 81% các bác sĩ cho biết họ không thể dành quá năm tiếng đồng hồ mỗi tháng để nghiên cứu tạp chí.34 Không ngạc nhiên, khoảng 20% kiến thức các bác sĩ sử dụng là dựa trên chứng cứ khoa học.35 Lượng kiến thức mới khổng lồ đã khiến bộ não choáng váng, và do đó, trực giác của chuyên gia – từng một thời đóng vai trò quan trọng – trở nên bất lực.

David Kerr, giám đốc chiến lược doanh nghiệp của IBM, đã nhớ lại cách Patricia Skarulis, người phụ trách công nghệ thông tin tại Memorial Sloan Kettering Cancer Center (MSK), đã quyết tâm nghiên cứu như thế nào. “Ngay sau khi xem máy tính Watson đánh bại hai nhà vô địch trước đây trên chương trình Jeopardy!, cô ấy nói rằng trong hơn một thập kỷ qua, MSK đã thu thập được rất nhiều thông tin số hóa về ung thư, trong đó có cả phương pháp điều trị và kết quả,” Kerr phát biểu trong một buổi phỏng vấn. “Cô ấy nghĩ Watson có thể giúp gì đó.”36

Là bệnh viện điều trị ung thư lớn và lâu đời nhất thế giới, MSK đã duy trì được cơ sở dữ liệu độc quyền gồm 1,2 triệu chẩn đoán nội trú và ngoại trú cũng như hồ sơ điều trị lâm sàng từ hơn 20 năm về trước. Cơ sở dữ liệu khổng lồ này còn chứa toàn bộ phân tích phân tử và gen của tất cả bệnh nhân mắc ung thư phổi.37 Nhưng không giống như một nhà nghiên cứu trong phòng thí nghiệm, các bác sĩ tại bệnh viện thường đưa ra những quyết định sinh tử dựa theo linh cảm. Họ không có thời gian về nhà và nghiền ngẫm kết quả tất cả các bài kiểm tra y tế của bệnh nhân. Phương pháp điều trị buộc phải được đưa ra ngay tại chỗ. Nếu không có một hệ thống thông minh để khai thác thông tin chi tiết từ trước và ngay lập tức dâng tận tay các bác sĩ thì luồng thông tin ấy cũng không thể cải thiện năng lực bác sĩ khi chẩn đoán bệnh.

Vào tháng 3/2012, MSK và IBM Watson đã bắt tay hợp tác với mục đích tạo ra một ứng dụng có thể đưa ra các đề xuất cho bác sĩ chuyên khoa ung thư khi họ mô tả triệu chứng của bệnh nhân bằng tiếng Anh thông thường.38 Khi bác sĩ nhập thông tin, chẳng hạn như “bệnh nhân có máu trong đờm,” Watson có thể quay lại sau khoảng nửa phút với đơn thuốc phù hợp cho cá nhân đó. “Watson là một công cụ xử lý thông tin và đưa ra đề xuất hỗ trợ bác sĩ. [Nó] không quyết định thay bạn, quyết định đó là của bác sĩ... nhưng nó mang đến những thông tin mà bạn cần,” bác sĩ Martin Kohn, giám đốc bộ phận y khoa tại IBM Research cho biết.39

Đối với Patricia tại MSK, mục tiêu thực sự chính là “xây dựng một cỗ máy thông minh để cung cấp các xét nghiệm chẩn đoán và đề xuất phương pháp điều trị.”40 Quan trọng hơn, nó có thể chuyển giao trí tuệ của các bác sĩ giàu kinh nghiệm cho những người ít kinh nghiệm hơn. Ví dụ, một bác sĩ ở trung tâm y tế xa xôi ở Trung Quốc hay Ấn Độ, có thể truy cập ngay lập tức những gì các bác sĩ điều trị ung thư giỏi nhất đã dạy Watson.41

Đầu năm 2017, một bệnh viện với 327 giường bệnh ở Jupiter, Florida, đã đăng ký tham gia Watson Health để tận dụng lợi thế của siêu máy tính, nhằm tìm ra các phương pháp điều trị thích hợp cho bệnh nhân ung thư.42 Bởi máy tính không thể cảm thấy mệt khi phải đọc, hiểu và tóm tắt thông tin nên các bác sĩ có thể tận dụng lượng kiến thức phong phú từ bên ngoài. WellPoint đã tuyên bố rằng, theo như kiểm tra, tỉ lệ chẩn đoán thành công của Watson đối với ung thư phổi là 90% so với 50% ở bác sĩ.43 Nếu quay trở lại phễu kiến thức của chúng ta ở Phần 1, tất cả những phát triển này đều không có gì đáng ngạc nhiên. Chúng là kết quả tự nhiên sau một cuộc chiến dài hướng đến quá trình tự động hóa (xem Hình 5.2). Những cỗ máy vô tri vô giác giúp Yamaha đánh bại Steinway & Sons; bây giờ, những cỗ máy thông minh đang dần thay thế trí thông minh của con người tại MSK. Nhưng đối với hầu hết các nhà điều hành, những công nghệ này thật lạ lẫm. Các doanh nghiệp, đặc biệt là những doanh nghiệp không thuộc lĩnh vực IT, có thể tận dụng quá trình tự động hóa kiến thức như thế nào?

Hình 5.2 Quá trình tự động hóa hoàn thiện

Câu trả lời sẽ được tìm thấy tại một nhà xuất bản ở Nhật Bản. Từ những năm 1960, Recruit Holdings đã khởi nghiệp dưới dạng một công ty quảng cáo chuyên xuất bản tạp chí việc làm. Được thúc đẩy bởi cuộc cách mạng Internet vào đầu những năm 2000, công ty đã thêm nhiều lĩnh vực kinh doanh khác như bất động sản, đám cưới, du lịch, tiệm làm đẹp và nhà hàng. Đến năm 2015, khi các nền tảng kỹ thuật số của Recruit trở nên phổ biến, công ty lại chuyển sự chú ý sang lượng dữ liệu trực tuyến khổng lồ về các loại giao dịch và hành vi của người tiêu dùng. Bằng cách thành lập một phòng nghiên cứu trí thông minh nhân tạo (AI) tại Thung lũng Silicon, đội ngũ quản lý muốn nhắm đến việc áp dụng những công nghệ hiện đại nhất vào phân tích dữ liệu và học máy. Tuy nhiên, minh chứng lịch sử này không chỉ liên quan đến AI, nó còn gắn liền với ý chí quyết tâm “tự ăn thịt” công việc kinh doanh hiện tại để nhảy cóc đến tương lai thông qua các cải tiến dựa trên nền tảng dữ liệu. Điều khiến Recruit khác biệt nằm ở cách quản lý chiến lược của công ty. Không ai có thể đột phá ngày một ngày hai, vì điều đó cần thời gian và Recruit sẽ cho chúng ta biết cách để thực hiện.

ĐÂU RỒI MỤC RAO VẶT

Năm 1962, Hiromasa Ezoe, lúc đó đang là sinh viên tại Đại học Tokyo (Tōdai), đã phát hành một tạp chí học đường với ý tưởng kết nối những sinh viên mới tốt nghiệp đang tìm kiếm việc làm với những nhà tuyển dụng tiềm năng. Tờ tạp chí dần nổi tiếng và trở thành tạp chí tuyển dụng đầu tiên của Nhật Bản. Ezoe đặt tên cho tạp chí ấy là Recruit Center.

Ngay sau khi tốt nghiệp đại học, doanh nhân đầy tham vọng này đã dành cả sự nghiệp để gây dựng công ty quảng cáo nhỏ thành một tập đoàn thành công với 27 công ty con và 6.200 nhân viên. Đến năm 1986, Recruit đã kiếm được 3 tỷ đô la mỗi năm, sở hữu nhiều văn phòng trong khu mua sắp cao cấp Ginza và tham gia vào nhiều lĩnh vực đa dạng như nhân sự, bất động sản, viễn thông, nhà hàng, khách sạn và xuất bản thông tin.44 Trong một thời gian dài, Ezoe đã theo đuổi phương châm đơn giản sau đây: Trong thế giới này, tiền luôn đi đầu.45

Tại thời điểm đó, nền kinh tế Nhật Bản phát triển diệu kỳ. Mặc dù vậy, không phải tất cả các lĩnh vực kinh doanh của Recruit đều thành công như nhau. Mảng mạnh nhất của Recruit vẫn là mục rao vặt (classified ad), thường ở mặt sau của mỗi tạp chí. Trong hơn ba thập kỷ, công ty đã cung cấp thông tin cho người tìm việc bằng cách in các tạp chí có hai ấn phẩm: Recruit Book – một tạp chí thông tin tuyển dụng cho sinh viên đại học và Recruit Shingaju Book – chuyên cung cấp thông tin về các trường đại học và cao đẳng cho học sinh cấp ba.46

Vào giữa những năm 1990, khi Internet bắt đầu phổ biến, Recruit bắt đầu phân phối thông tin lên web trong một nỗ lực tích cực nhằm bảo vệ vị thế dẫn đầu thị trường của họ. Công ty cũng tung ra Recruit Navi (một bảng thông tin việc làm cho sinh viên mới tốt nghiệp) vào năm 1996. Tương tự trường hợp của nhiều nhà xuất bản sách và tạp chí thường nhật khác, chuyển thông tin lên mạng có thể tạo ra đòn chí mạng cho họ. Loại bỏ tạp chí truyền thống đồng nghĩa rằng Recruit phải phụ thuộc hoàn toàn vào doanh thu quảng cáo trực tuyến vốn làm sa sút lợi nhuận của công ty.

“Trước khi chuyển đổi, chúng tôi có ba loại định dạng hoạt động song song – tạp chí giấy cứng (như danh bạ điện thoại) bán trong các nhà sách, tạp chí giấy miễn phí và tạp chí trực tuyến,” Takanori Makiguchi, giám đốc điều hành tại Recruit kể lại. “Sau khi chuyển đổi, chúng tôi giữ lại tạp chí giấy miễn phí và tạp chí trực tuyến và từ bỏ việc in sách. Doanh số bán hàng sụt giảm xuống mức 1/10. Đó chính là trải nghiệm đầu tiên của chúng tôi khi chuyển đổi từ giấy sang trực tuyến.”

May thay cho Recruit, người ta bắt đầu hăng say sử dụng Internet khi thiên niên kỷ mới bắt đầu. Số người dùng trực tuyến tại Nhật Bản tăng từ 2 triệu trong năm 1995 lên con số đáng kinh ngạc – 69,4 triệu vào năm 2002. Thị trường xuất bản cũng chuyển sang ưu tiên nội dung trực tuyến. Nhưng công ty vẫn phải mất đến bốn năm mới có thể phục hồi doanh thu tổng về mức cũ. Tuy nhiên, trải nghiệm đầu tiên đó thực sự quan trọng. Vào thời điểm các nhà tư vấn và giới học giả kinh tế vẫn còn khá mờ mịt, Recruit đã hiểu họ cần gì để thành công trong nền kinh tế nơi Internet làm chủ.

Đối với các học giả kinh tế, “hiệu ứng mạng” là một khái niệm phổ biến giúp giải thích sự phát triển của Uber, Airbnb và Alibaba. Trong mỗi trường hợp, công ty đóng vai trò của một thị trường hai mặt, tạo thuận lợi cho việc bán hàng ở phía cung cũng như mua hàng ở phía cầu nhằm kích thích trao đổi hàng hóa hoặc dịch vụ. Giá trị của nền tảng như vậy phụ thuộc phần nhiều vào số lượng người dùng ở cả hai phía. Vậy nên, càng có nhiều người dùng chung một nền tảng thì nền tảng sẽ càng trở nên hấp dẫn và thu hút nhiều người dùng hơn.

Hãy bỏ ra chút thời gian xem xét bất kỳ trang web hoặc ứng dụng hẹn hò nào (từ OkCupid đến Tinder hay Match.com). Đàn ông bị hút vào những thứ đó vì chúng hứa hẹn một nguồn cung phụ nữ lớn cũng như khả năng ghép đôi khá cao, và phụ nữ cũng vậy. Cũng bởi hiệu ứng mạng này, người dùng sẵn sàng trả nhiều tiền hơn để truy cập vào một mạng lưới lớn hơn, và do đó, doanh thu của một công ty cũng tăng lên khi cơ sở người dùng tăng lên.47 Tăng trưởng kích thích tăng trưởng. Nhưng trên hết, các sản phẩm trên vẫn còn khá tương đồng. Hãy nghĩ đến Uber và Lyft, hoặc iMessage và WhatsApp. Các nền tảng thường trông giống nhau và công cuộc cạnh tranh bỗng chốc thu bé thành cuộc chiến “phát triển nhanh hoặc chết”. Đó chính là lý do tại sao Facebook luôn ám ảnh với việc tăng trưởng đến vậy. Đó cũng là lý do tại sao khi Snapchat được tung ra vào tháng 3/2017, lượng người dùng tương tác hằng ngày lại trở thành thước đo quan trọng nhất đối với các nhà đầu tư tiềm năng.48 Càng nhiều người “online” Facebook hoặc Snapchat, để đọc tin tức và chơi game thì sẽ có càng nhiều các nhãn hàng lớn, chẳng hạn như Coca-Cola, Procter & Gamble, Nike, sẵn sàng mua quảng cáo trên đó. Chỉ khi một nền tảng đạt đến quy mô nhất định thì sự thống trị của nó mới bền vững.

Recruit cũng tuân theo logic này. Là doanh nghiệp đầu tiên chuyển sang hình thức trực tuyến cũng như trở nên tích cực hơn trong chiến lược giá, Recruit đã củng cố thị phần trực tuyến hàng đầu của mình. Họ đã đúc kết được quy luật vàng đầu tiên trong số các doanh nghiệp tham gia mạng Internet: với lưu lượng truy cập từ người dùng vững chắc, doanh nghiệp có thể phát triển bất chấp tỷ suất lợi nhuận gộp biên thấp hơn những doanh nghiệp vẫn còn gắn kết với ngành in truyền thống. Trong tất cả những dự án chuyển đổi về sau, Recruit sẽ không bao giờ mất tiền nữa. Tuy nhiên, để đảm bảo chiến thắng trong thời gian dài, không chỉ quy mô mà chất lượng cũng quan trọng. Và đó là quy luật thứ hai mà Recruit đã sớm phát hiện.

HƠN CẢ LỚN MẠNH

Trước Facebook, Myspace chính là vị vua của mạng xã hội. Được thành lập năm 2003, Myspace thu hút đông đảo các nhóm nhạc, nhiếp ảnh gia và những người làm nghệ thuật khác. Cho đến cuối năm 2008, nó vẫn là mạng xã hội hàng đầu ở Hoa Kỳ. News Corp, thuộc sở hữu của Rupert Murdoch sau đó đã mua lại Myspace với giá 580 triệu đô la49 và họ cho rằng mạng xã hội này có thể trị giá đến 6 tỷ đô cũng như dự đoán đến giữa năm 2007, Myspace sẽ có 200 triệu người dùng.

Sự sụp đổ của Myspace cũng thu hút sự quan tâm lớn từ công chúng. Vào tháng 4/2008, Myspace đã mất khoảng 40 triệu lượt truy cập mỗi tháng. Một vài người đổ lỗi cho thiết kế lộn xộn của trang web và ví nó như “một đống spaghetti hỗn độn”,50 trong khi số khác đổ lỗi thất bại này cho việc không chịu cải tiến công nghệ của MySpace. Nhưng vấn đề cốt lõi chính là danh tiếng của nó. Mạng xã hội này nhan nhản những ngôi sao mới nổi,51 lấp kín trang web với hình ảnh nhức mắt, từ đó khiến công chúng cho rằng đây chỉ là một hố rác kỹ thuật số phô trương, lòe loẹt.52 Những người dùng khôn ngoan ồ ạt chuyển sang thiên đường an toàn mới: “Facebook”. Thế đấy, chất lượng phải song hành cùng quy mô!

Recruit hiểu rất rõ điều này. Lấy ví dụ công việc kinh doanh du lịch của họ, Jalan. Mới đầu, đây là một danh mục quảng cáo cho các khách sạn cũng như suối nước nóng. Nhưng khi website dùng để đặt phòng khách sạn (tương tự Kayak hoặc TripAdvisor ) Jalan.net được tung ra, nó mới bắt đầu cạnh tranh với các đại lý du lịch khác. Và bây giờ, khi trang web hoạt động như một trung gian giữa các khu nghỉ dưỡng và khách du lịch, Recruit không những phải làm bật lên những điểm mạnh của các khu nghỉ dưỡng như cách họ từng làm với tạp chí, mà còn phải đăng tải đánh giá của người dùng để định vị doanh nghiệp như một người cố vấn du lịch đáng tin cậy. Hay nói cách khác, chất lượng khi ấy sẽ phải phụ thuộc vào nhóm khách hàng. Khi các sản phẩm được chuyển đổi lên mạng, giá trị của chúng cũng dịch chuyển theo, từ đó khái niệm chất lượng phát triển.

Khi xem xét quá trình phát triển tại Recruit, chúng ta sẽ thấy một nhóm các nhà điều hành quyết tâm thay đổi để đương đầu với cạnh tranh. Xu hướng thử nghiệm của công ty chỉ mới nảy sinh tại đây trong vài thập kỷ qua. Đến năm 2015, Recruit đã tuyển dụng hơn 1.000 kỹ sư phần mềm để duy trì hơn 200 website và 350 ứng dụng điện thoại nhằm phục vụ nhà hàng, cửa tiệm làm đẹp, hôn lễ, thuê nhà ở và nhiều thứ khác. Và đó chỉ là trong nội bộ công ty mà thôi. Bên ngoài bốn bức tường của trụ sở Tokyo của Recruit chính là tài sản quý giá nhất của họ - hàng triệu doanh nhân sẵn sàng hỗ trợ để biến Recruit trở thành một trong những công ty truyền thông kỹ thuật số hàng đầu Nhật Bản. Và lý do chính yếu là đây: không một thay đổi nào trong số đó diễn ra trong một đêm cả. Chúng là từng bước nhỏ giúp đẩy lùi trở ngại mà công ty đã gặp phải. Và cùng nhau, chúng tái khẳng định sứ mệnh cốt lõi của Recruit và thay đổi vận mệnh của công ty.

TỪ NHÀ XUẤT BẢN TẠP CHÍ ĐẾN NHÀ CUNG CẤP NỀN TẢNG

Trong quá khứ, những người từng đặt quảng cáo với Recruit thường là những doanh nghiệp nhỏ. Mặc dù khá độc lập nhưng những doanh nghiệp này vẫn phải vật lộn với nhiệm vụ quản trị doanh nghiệp mà họ đã nắm quá rõ. Chẳng hạn, sau khi đăng ký tham gia hệ thống đặt chỗ trực tuyến, một tiệm làm đẹp có thể thu lợi từ lượng đặt chỗ trước. Nhưng thông thường, chủ thẩm mỹ viện sẽ phải sao chép báo cáo trực tuyến từ hệ thống đặt chỗ lên lịch biểu bằng tay để tránh việc đặt hẹn trùng giờ.

“Nếu bạn là một thợ làm tóc, bạn sẽ muốn dành thời gian cắt tóc, tạo kiểu cho khách hàng. Hoặc nếu bạn là chủ quán cà phê, bạn đương nhiên muốn dành thời gian phục vụ khách một ly cà phê ngon,” Yoshihiro Kitamura, chủ tịch Recruit Technologies phát biểu. “Tuy nhiên, họ có quá nhiều việc phải làm nên thời gian dành cho công việc kinh doanh thực tế rất hạn hẹp. Khi thử tính toán số giờ họ dành ra cho việc vận hành doanh nghiệp nhỏ của mình, anh sẽ nhận ra rằng họ không có mấy thời gian phát triển doanh nghiệp ấy.”

Là một nhân viên kỳ cựu tại Recruit nhưng ông Kitamura lại có một khuôn mặt vui vẻ, tươi trẻ.

Mái tóc dày, đen nhánh cùng đôi mắt nâu sống động, dễ dàng ngụy trang vẻ tham vọng khó đoán của ông. Dưới sự lãnh đạo của ông vào năm 2012, Recruit đã cho ra mắt Salon Board, một nền tảng giúp đặt chỗ và quản lý khách hàng dựa trên điện toán đám mây. Nền tảng này cho phép quản lý cả khách hàng đặt chỗ qua điện thoại lẫn qua mạng. Salon Board là một cú “hit” đối với các tiệm làm đẹp bởi tính năng trả lời tự động vô cùng tiện dụng, nhờ đó giảm bớt gánh nặng quản trị.

Một năm sau đó, Kitamura công bố AirREGI, một chiếc điện thoại thông minh hoặc máy tính bảng có chức năng thanh toán tiền được tích hợp với hệ thống quản lý dữ liệu dựa theo điện toán đám. Để đẩy mạnh việc khai thác AirREGI, Recruit đã giao nhiệm vụ cho hàng ngàn nhân viên bán hàng phân phối miễn phí 40.000 chiếc máy tính bảng khắp nước Nhật. Sau đó, công ty tiếp tục cho ra mắt AirWAIT vào năm 2014. AirWAIT là một ứng dụng cho phép khách hàng sử dụng điện thoại của họ để xếp hàng. Và vào năm 2015, AirPAYMENT được tung ra và đã đánh bay mối phiền muộn khi thanh toán và quản lý tiền mặt mà nhiều doanh nghiệp vừa và nhỏ gặp phải.

Nhờ vào nỗ lực nghiên cứu nhiều nền tảng, Recruit đã có thể can thiệp vào các hoạt động tự doanh nghiệp không thể làm được. Nhờ vậy, trải nghiệm người dùng cũng được cải thiện và giúp Recruit nổi bật trong cuộc cạnh tranh. “‘Tại sao lại là chúng tôi’ chính là vấn đề trọng tâm. Có thứ chất lượng nào giúp chúng tôi nắm thế thượng phong không?” Ken Asano, đồng nghiệp lâu năm của Kitamura, đã nói. “Nếu nó không giúp chúng tôi có được lợi thế, Google App hoặc Facebook sẽ tiêu diệt chúng tôi. Vậy nên, khi đánh giá cơ hội kinh doanh, chúng tôi phải tự hỏi, ‘Chúng ta có thể làm tốt hơn những người khác hay không?’”

Đó chính là lý do tại sao công ty không theo đuổi tất cả các ngành dịch vụ có vẻ mang lại lợi nhuận. “Nếu mục tiêu chỉ là để kiếm tiền dễ dàng, chúng tôi sẽ từ bỏ nó,” Asano khẳng định mạnh mẽ và cẩn trọng. “Chúng tôi cần phải nắm rõ quy mô trong tương lai của công ty. Tiền kiếm ngay trước mắt không phải vấn đề, mà là lượng người dùng tiềm năng trên mỗi nền tảng.”

Tuy nhiên, điều này lại gây ra áp lực nặng nề lên nhóm kỹ sư. Ngay cả những lập trình viên hướng nội nhất cũng không chỉ làm lập trình, họ còn phải đến gặp khách hàng và làm quen với tình hình kinh doanh thực tế. Các lập trình viên tại Recruit phải thường xuyên liên hệ nhân viên kinh doanh để quan sát một loạt các doanh nghiệp, từ phòng khám chỉnh hình đến các nhà hàng, với mục đích tìm ra mẫu thức chung cho nền tảng đặt chỗ hiệu quả.

Mục đích khác của những lần viếng thăm này chính là nhằm thử nghiệm nhanh: sắp xếp mọi thứ với nhau một cách nhanh chóng để thử nghiệm. Một thử nghiệm ở Recruit thường đáp ứng khoảng 60% nhu cầu của khách hàng. Chỉ khi khách hàng yêu cầu thêm tính năng thì các kỹ sư mới nghiên cứu, thêm thắt vào. Chẳng hạn, khi thiết kế AirREGI, rất nhiều nhà hàng điều hành bởi cựu nhân viên Recruit được chọn làm nơi thử nghiệm. Sau này, họ mới bổ sung thêm một tính năng phụ trợ gọi là AirRESERVE – một màn hình mô tả cách bài trí bàn ăn thực tế tại nhà hàng. Phần miêu tả tùy chỉnh này sẽ hỗ trợ các chủ nhà hàng đẩy nhanh tốc độ bố trí bàn ăn, đặc biệt là vào những giờ đông khách. Có người sẽ nói rằng đó chỉ là một tinh chỉnh nhỏ, nhưng nó chính xác lại là tính năng sản phẩm khiến khách hàng ghé thăm vào những lần sau đó.

Giữa tất cả những thay đổi này, việc thay đổi vai trò của bộ phận bán hàng tại Recruit chính là thứ đáng chú ý nhất. Trong quá khứ, các khách hàng đặt quảng cáo để tăng lượng truy cập đến cửa hàng của họ. Ngày nay, tất cả các nền tảng kỹ thuật số sẽ là công cụ mới giúp cải thiện hiệu quả kinh doanh của họ. Các nhân viên bán hàng không còn phải đi chào hàng với từng chủ doanh nghiệp nữa. Thay vào đó, họ đối chiếu thông tin khách hàng, thành thạo công nghệ, làm việc đa nhiệm và giải quyết vấn đề dễ dàng.

XÂY HAY MUA

Mỗi khi một công ty nhận thấy họ cần phải tạo ra đột phá, các nhà điều hành sẽ buộc phải quyết định outsource những hoạt động này đến mức độ nào. Sự phát triển nhanh chóng xoay quanh học máy cũng tương tự vậy: Chúng ta nên tự phát triển bằng đội ngũ nhân viên in-house (nội bộ) hay outsource từ các công ty công nghệ khác? Đó là điều mà cựu CEO General Electric’s (GE), Jeffrey Immelt, gọi là thế tiến thoái lưỡng nan “xây hay mua”. “Chúng tôi, với tư cách là một doanh nghiệp, không hề muốn leo lên giường ngủ và than thở rằng ‘Chúng ta không còn là công ty công nghệ nữa rồi. Chúng ta phải giống Oracle hơn. Chúng ta phải giống Microsoft hơn nữa.’” Jimmelt nhớ lại khi GE lần đầu xây dựng một đội ngũ nhân viên kỹ thuật số ở California. “Chúng tôi buộc phải phát triển, cả về ngành cũng như về công nghệ. Chúng tôi có nên hợp tác với công ty nào đó hay tự lực cánh sinh? Chúng tôi quen rất nhiều đối tác phần mềm giỏi, nhưng chúng tôi quyết định, ‘Chúng ta phải tự làm. Hãy gạt bỏ sai số sang một bên để xem chúng ta có thể tiếp cận theo cách này không.’”53 Mặc dù GE đã chọn hướng phát triển phần mềm bằng đội ngũ nhân viên in-house, ranh giới giữa “xây” và “bán” có thể khá nhập nhằng trong hầu hết các trường hợp. Thậm chí nếu công ty quyết định thuê một vài nhà khoa học dữ liệu và đẩy mạnh nỗ lực nghiên cứu học máy, điều này cũng không loại trừ khả năng công ty sẽ mua phần mềm từ một bên thứ ba. Nhưng rõ ràng, việc khai thác nền tảng kiến thức nội bộ trước vẫn có lợi.

Hãy thử xem xét các mạch tích hợp đã góp phần cách mạng hóa các thiết bị gia dụng trong những năm 1960 và 1970. Được dẫn dắt bởi Panasonic, Sony, Toshiba và Hitachi, các nhà sản xuất Nhật Bản đã bắt đầu ứng dụng nhiều chức năng điện tử vào thiết bị gia dụng mà trước đó phụ thuộc hoàn toàn vào kỹ thuật cơ khí và điện. Máy giặt được trang bị màn hình điện tử, vi tính hóa các công tắc cũng như âm thanh báo hiệu thay vì quay số và công tắc cơ học.

Trong khi rất nhiều nhà sản xuất Nhật Bản, và sau đó là Hàn Quốc đã nâng cấp năng lực nội bộ của mình trong lĩnh vực điện tử, các nhà sản xuất châu Âu và Mỹ vẫn có xu hướng “không chịu thay đổi” bằng cách outsource khâu thiết kế và sản xuất vi mạch điện tử cho bên thứ ba. Kết quả là, trong khi các nhà sản xuất phát triển năng lực nội bộ đã có thể tích hợp sản phẩm với chức năng mới thì số khác lại theo đuổi xu thế thị trường hiện có và dính chặt với những tính năng đã quá phổ biến. Lựa chọn khiến Kitamura và Asano sẽ sớm phải đau đầu cũng tương tự như vậy: Recruit nên nâng cấp năng lực nội bộ và đầu tư vào học máy đến mức độ nào?

THOÁT KHỎI CÁI BÓNG CỦA NHỮNG ÔNG TRÙM CÔNG NGHỆ

Đến thời điểm này, Recruit của Kitamura đã giành được vị trí thuận lợi giữa giao lộ các hoạt động trực tuyến và ngoại tuyến. Với sự ra mắt của nhiều nền tảng kỹ thuật số khác nhau, tiềm năng khai thác thông tin từ lượng dữ liệu quý giá thu được dường như đã quá rõ ràng. Kitamura giải thích, “Chẳng hạn khách hàng đang ngồi trong nhà hàng; hoạt động ngoại tuyến như vậy sẽ kích hoạt thông tin trực tuyến. Nhà hàng khi ấy sẽ truy cập hồ sơ của khách hàng để hiểu rõ sở thích ăn uống của cô ấy, hoặc kiểm tra món ăn trong bếp để có thể đưa ra đề xuất gọi món tự nhiên hơn.” Đối với Asano, tương lai ông đang hướng đến chính là pha trộn dữ liệu trực tuyến và ngoại tuyến và xỏa bỏ hoàn toàn rào càn kỹ thuật số. “Nếu chúng tôi có thể nắm bắt làn sóng số hóa thứ hai này và xóa sổ ranh giới cuối cùng giữa dữ liệu trực tuyến và ngoại tuyến trước Google, Facebook hoặc thậm chí IBM, chúng tôi có thể thống lĩnh địa phận của những doanh nghiệp vừa và nhỏ tại Nhật Bản. Vì như thế, chiến thắng sẽ nằm gọn trong tay chúng tôi.”

Tuy nhiên, sự thiếu hụt các nhà khoa học dữ liệu trong nội bộ đã cản trở bước tiến của Recruit. Vì vậy, Recruit trở thành doanh nghiệp Nhật Bản đầu tiên hợp tác với Kaggle – cộng đồng các chuyên gia dữ liệu lớn nhất thế giới với 300.000 chuyên gia, nhằm thu thập 2,5 tháng dữ liệu dự đoán thị trường. Vào năm 2015, Recruit cũng đã đầu tư vào DataRobot Inc., một nhà cung cấp các nền tảng học máy thông thường. Những nền tảng này sử dụng quy trình xử lý song song khổng lồ để đào tạo và phân tích hàng ngàn mẫu bằng các ngôn ngữ mã nguồn mở, trong đó có Python, Spark và H2O. Vào tháng 11/2015, quyết tâm đào sâu vào khoa học dữ liệu cuối cùng cũng có chuyển biến tích cực khi hội đồng quản trị tuyên bố mở một phòng thí nghiệm nghiên cứu trí tuệ nhân tạo (AI) tại Thung lũng Silicon, được điều hành bởi Tiến sĩ Alon Halevy – nhà nghiên cứu AI mà Google rất nể trọng. Tương tự những người cùng thời với mình, để thúc đẩy đổi mới, tiến sĩ Halevy đặc biệt tán thành phần mềm mã nguồn mở. Dưới sự giám sát của ông, tất cả các nghiên cứu về AI đều dựa trên các bộ phận mã nguồn mở.

Ông cũng học hỏi theo Recruit, bằng cách buộc các nhà khoa học phải làm việc với doanh nghiệp. Do vậy, một nhà khoa học dữ liệu không chỉ viết mã mà còn phải trao đổi với khách hàng và bộ phận bán hàng, mặc cho phương pháp tiếp cận này có vẻ kỳ lạ tại Thung lũng Silicon nhưng đó là cách làm việc lâu đời tại trụ sở ở Nhật Bản.

“Chúng tôi sở hữu một cơ sở dữ liệu rất thú vị nhưng lại không có những công cụ thích hợp. Bạn sẽ nhận thấy rằng Recruit rất giỏi trong việc cung cấp dịch vụ, nhưng họ không hề chú trọng vào công nghệ theo một cách tập trung,” Halevy trao đổi với tôi. “Họ cứ ‘hãy để chúng tôi nâng cấp dịch vụ tốt hơn.’ Tuy nhiên, lúc này chính họ lại bị thôi thúc rằng chúng ta phải tận dụng dữ liệu để tạo nên đột phá.” Về vấn đề này, Asano hoàn toàn đồng ý: “Chúng tôi muốn Recruit khai thác dữ liệu chất lượng cao và từ đó biến chúng thành lợi nhuận. Bởi vì chúng tôi có một cái nhìn tổng thể về khách hàng rất độc đáo.” Vốn định hướng hoàn toàn vào các doanh nghiệp nhỏ, ông Kitamura hào hứng nói, “Chúng tôi hiện đang nắm lấy cơ hội kinh doanh để đầu tư vào các dịch vụ mới trong những lĩnh vực Recruit đã chọn theo đuổi.”

THẾ HỆ HỌC MÁY THỨ HAI

Trong khóa học đào tạo nhà điều hành do tôi đứng lớp, các nhà quản lý thường bày tỏ một mối quan tâm nghiêm túc về tốc độ phát triển của trí thông minh nhân tạo – nhanh đến mức họ e ngại hợp tác với bất kỳ nhà cung cấp nào, hoặc gắn bó với bất kỳ tiêu chuẩn nào, bởi vì các nhà khoa học sẽ lại nhanh chóng đưa ra giải pháp mới hơn. Nhưng chính xác hơn là bởi vì, chúng ta đang sống trong một thế giới thay đổi quá nhanh và đối với máy móc thông minh, nếu doanh nghiệp không bắt kịp, họ sẽ bị đào thải. Đó chính là lý do cốt lõi khiến Recruit quyết định thành lập một phòng nghiên cứu AI in-house. Quy mô của nó đương nhiên không thể đọ lại Google, và thẳng thắn là không cần thiết. Nhưng đội ngũ quản lý ở Recruit nhận ra rằng, ít nhất họ phải sở hữu những công nghệ mới.

Một tiến bộ dễ thấy trong những năm gần đây chính là học máy. Quay trở lại thời điểm Watson được đào tạo để hỗ trợ các bác sĩ chuyên khoa ung thư, nó cần phải tiêu hóa khoảng 600.000 dữ liệu và hai triệu trang văn bản từ 40 tạp chí y khoa cũng như từ thử nghiệm lâm sàng,54 bao gồm 25.000 trường hợp thử nghiệm và 1.500 ca bệnh trên thực tế.55 Nhờ đó, Watson có thể trích xuất và hiểu được ghi chú của bác sĩ, kết quả thí nghiệm cũng như nghiên cứu lâm sàng.56 Việc tiến hành đào tạo một cỗ máy thông minh rất mệt mỏi và tốn thời gian. Tại MSK, nhóm nghiên cứu phải bỏ ra hơn một năm xây dựng tài liệu hướng dẫn cho Watson.57

Và phần lớn quá trình đào tạo này xoay quanh việc làm sạch dữ liệu, điều chỉnh chương trình và xác nhận kết quả - những công việc đôi khi rất bực bội, chán nản và không mấy thu hút. “Nếu bạn dạy một chiếc xe tự lái, ai cũng có thể gắn nhãn một cái cây hoặc biển báo nhờ đó hệ thống có thể nhận diện được chúng,” Thomas Fuchs – nhà nghiên cứu bệnh học máy tính tại MSK – giải thích. “Nhưng trong một lĩnh vực chuyên ngành như y khoa, bạn cần các chuyên gia đã được đào tạo nhiều năm để có thể nhận dạng chính xác thông tin bạn đưa vào máy tính.”58 Sẽ thế nào nếu máy móc có thể tự học? Liệu học máy vẫn có thể diễn ra mà không cần giám sát hay không? AlphaGo của Google đã chứng minh rằng quá trình không cần giám sát này thực sự khả thi.

Trước khi AlphaGo có thể đánh bại con người ở môn cờ vây, các nhà nghiên cứu của Google đã phát triển để nó có thể chơi trò chơi điện tử như Space Invaders, Breakout, Pong và một vài tựa game khác.59 Không cần bất kỳ lập trình cụ thể nào, riêng thuật toán đa năng đã có thể giúp AlphaGo chơi thành công các tựa game bằng cách thử nghiệm và sửa lỗi: nhấn các nút khác nhau một cách ngẫu nhiên và sau đó điều chỉnh để tối đa hóa phần thưởng. Hết trò chơi này đến trò khác, phần mềm này đã chứng minh tính linh hoạt trong việc xác định chiến lược tiếp cận thích hợp và sau đó áp dụng không sai sót.

Người ta có thể lập trình đa năng nhờ vào mạng neuron nhân tạo – một mạng lưới các phần mềm và phần cứng bắt chước mạng neuron trong bộ não con người.60 Quá trình học tăng cường ở con người diễn ra khi các phản hồi tích cực kích hoạt chất dẫn truyền dopamine sản sinh như một tín hiệu thưởng cho bộ não. Nhờ đó, chúng ta sẽ cảm thấy vui mừng và hãnh diện. Máy tính cũng có thể được lập trình để hoạt động theo cách tương tự. Phần thưởng tích cực sẽ xuất hiện dưới hình thức điểm số khi thuật toán đạt được kết quả mong muốn. Với hệ thống hoạt động này, AlphaGo tự viết nên các hướng dẫn ngẫu nhiên cho chính mình thông qua nhiều vòng lặp thử nghiệm – mắc lỗi, sau đó thay thế các chiến lược thấp điểm với những chiến lược ghi được điểm cao hơn.

Mẫu hình thiết kế này không hề mới bởi các nhà khoa học máy tính đã thảo luận về học tăng cường từ hơn 20 năm rồi. Nhưng chỉ khi sức mạnh máy tính phát triển thì việc học sâu (deep learning) mới đi vào thực tiễn.61 Điểm đáng chú ý ở AlphaGo chính là thuật toán của nó liên tục cải thiện hiệu suất bằng cách chơi hàng triệu tựa game với phiên bản đã được nâng cấp với chính nó.62

Trong ván đấu thứ hai, ở phía bên phải của bàn cờ, AlphaGo đã thực hiện một nước đi bất ngờ sau 37 lượt đi khiến cả Lee Sedol cũng phải choáng váng. “Tôi chưa thấy người nào ra nước cờ này,” Fan Hui (người từng ba lần vô địch giải cờ vây châu Âu) kêu lên khi theo dõi trực tiếp cuộc chơi. Nhiều lần Fan phải thốt lên, “Thật tuyệt.”63 Một năm sau khi đánh bại Lee Sedol, AlphaGo tiếp tục tìm đến bậc thầy cờ vua người Trung Quốc Ke Jie. “AlphaGo cải thiện quá nhanh,” Ke phát biểu trong một họp báo và khen ngợi phong cách chơi độc đáo và đôi khi quá siêu việt của đối thủ.64 Chưa kể, dù không thường xuyên nhưng AlphaGo cũng đã thể hiện lối chơi liều lĩnh nhằm chứng minh chiến lược khôn ngoan của mình.65 “Năm ngoái, nó vẫn còn khá giống con người khi chơi cờ. Nhưng sang đến năm nay, nó đã trở thành thánh cờ vây.”66

Như lẽ tất nhiên, những tiến bộ đột phá của AI đã khiến nhiều người cảm thấy khó chịu. Elon Musk, người sáng lập Tesla, từng đăng một bình luận gây tranh cãi rằng AI có thể “nguy hiểm hơn vũ khí hạt nhân”67 và ví von AI với việc “triệu hồi quỷ dữ”.68 Niềm tin ấy đã thúc giục Musk quyên tặng hàng triệu đô cho trí tuệ nhân tạo OpenAI69, và ông cũng đã thúc giục nhiều tỷ phú công nghệ khác như Mark Zuckerberg của Facebook và Larry Page của Google phải tiến hành vô số thử nghiệm học máy của họ thật thận trọng. Đồng sáng lập Apple, Steve Jobs, cũng từng bày tỏ mối quan ngại tương tự.70 “Tương lai rất đáng sợ và nguy hại với con người,” ông lập luận. “Liệu chúng ta sẽ là Chúa? Hay chúng ta sẽ trở thành thú cưng? Hay chúng ta sẽ trở thành những con kiến bị giẫm đạp?” Có lẽ dự báo đáng lo ngại nhất đến từ Stephen Hawking, nhà vật lý lý thuyết vĩ đại của Đại học Cambridge. “Một khi trí tuệ nhân tạo phát triển toàn diện, đó sẽ là thời điểm kết thúc của loài người,” ông phát biểu với BBC.71

Mặc dù những dự báo thiếu nhất quán như vậy có thể bị phóng đại, rất ít người chối bỏ suy nghĩ này, và trong cuộc tuần hành không điểm dừng của chúng ta hướng đến thời đại máy móc tự động hóa, các thuật toán tự học sẽ đóng vai trò quan trọng hơn nhiều so với việc tổ chức các hoạt động kinh tế. Chuyện gì sẽ xảy ra khi các cảm biến và thiết bị di động được tích hợp thêm những AI như AlphaGo hay IBM Watson? Liệu một loạt các thuật toán tự học và đa năng có thể chi phối giao dịch kinh tế thế giới không? “Điều tôi tin sắp xảy ra và sẽ gây kinh ngạc lớn chính là việc một trí thông minh nhân tạo sẽ có khả năng tự viết nên trí thông minh nhân tạo khác,” Jensen Huang, đồng sáng lập Nvidia (công ty sở hữu bộ xử lý đồ họa – GPU, có thể xử lý những phép tính phức tạp cần thiết cho việc học sâu), phát biểu. Chính quá trình xử lý số liệu nhanh chóng đã cho phép máy tính thấy, nghe, hiểu và học hỏi. “Trong tương lai, AI sẽ theo dõi từng giao dịch đơn lẻ, từng quy trình kinh doanh trong công ty suốt cả ngày dài,” Huang khẳng định. “Như một hệ quả, phần mềm trí tuệ nhân tạo sẽ viết ra một phần mềm trí tuệ nhân tạo nhằm tự động hóa quy trình kinh doanh. Bởi vì chúng ta không có khả năng làm điều ấy. Nó quá phức tạp.”72

Đó là một tương lai không còn xa nữa. Trong nhiều năm, GE đã tiến hành phân tích nhằm cải thiện năng suất của các động cơ phản lực, tua bin gió và đầu máy xe lửa nhờ tận dụng dòng dữ liệu mà họ liên tục thu thập được trong lĩnh vực của mình.73 Cisco cũng đặt ra tham vọng biến tất cả dữ liệu thành điện toán đám mây với “Internet of Everything” (Internet của vạn vật).74 Những ông trùm công nghệ như Microsoft, Google, IBM và Amazon cũng đang phát triển công nghệ học máy trong nội bộ công ty nhằm cung cấp miễn phí cho các công ty khách hàng thông qua giao diện lập trình ứng dụng (API) từng được nhắc đến ở Chương 4. Những trí tuệ máy này, trước đây tiêu tốn hàng chục triệu đô nghiên cứu, thì nay được sử dụng bởi các bên thứ ba với chi phí không đáng kể, bởi những thứ này chỉ được khuyến khích áp dụng trong công nghiệp ở quy mô lớn. Trong một hệ thống phức tạp hơn bao giờ hết, với những thuật toán không giám sát thầm lặng thực hiện điều chỉnh tức thời, tối ưu hóa tự động và cải tiến liên tục, chi phí giao dịch giữa các tổ chức sẽ giảm xuống đáng kể, thậm chí là sẽ biến mất hoàn toàn. Một khi khâu phối hợp các giao dịch kinh doanh trong và ngoài tổ chức tăng tốc, từ bán hàng đến kỹ thuật, từ kho vận chuyển đến vận hành doanh nghiệp, từ tài chính đến chăm sóc khách hàng, sự cạnh tranh giữa các công ty sẽ hạ thấp, kéo theo đó, việc hợp tác trong một thị trường lớn hơn sẽ trở nên khả thi.

Điều này cũng tương tự như điện toán đám mây giá rẻ và mạnh mẽ mà Netflix, Airbnb và Yelp đang phụ thuộc vào. Trước đây, bất kỳ doanh nghiệp mạng nào cũng muốn sở hữu và xây dựng các máy chủ và trung tâm dữ liệu giàu tài nguyên đắt tiền. Thế nhưng, với Amazon Web Services (AWS) hay Microsoft Azure, các công ty khởi nghiệp đã có thể lưu trữ toàn bộ cơ sở hạ tầng trực tuyến trong điện toán đám mây. Các doanh nghiệp chẳng cần phải dự báo hay lên kế hoạch trước, họ chỉ cần mua thêm dịch vụ khi nhu cầu tăng lên. Đội ngũ kỹ thuật của một công ty khởi nghiệp do đó có thể tập trung vào giải quyết các vấn đề quan trọng đối với công việc kinh doanh cốt lõi của họ.75 Các công ty không thể vin vào những lợi thế thông thường khi hội nhập theo chiều dọc*nữa. Thay vào đó, họ phải chịu áp lực lớn để bắt kịp các đối thủ nhỏ hơn – những doanh nghiệp đã sở hữu những dịch vụ tốt nhất đồng thời có thể cung cấp các giải pháp tùy chỉnh theo thời gian thực khi yêu cầu được đưa ra. Hay nói cách khác, doanh nghiệp lớn nên hành động theo hướng đi của một doanh nghiệp nhỏ trong thời đại học máy thứ hai này. Chúng ta sẽ tìm hiểu sâu hơn về chủ đề này trong Chương 7.

* Hội nhập theo chiều dọc (vertical integration) là việc các công ty mở rộng ngành sản xuất sang những mảng khác hẳn với hướng đi ban đầu của họ. (ND)

VẬY CON NGƯỜI THÌ SAO?

Trở lại năm 2000, khi Warren Buffett được hỏi tại sao ông không thể kiếm tiền từ cổ phiếu công nghệ, nhà tiên tri xứ Omaha chỉ đơn giản lặp lại câu trả lời của mình: “Chúng tôi sẽ không mua những gì mình không hiểu rõ.”76 Tua nhanh đến Cuộc họp Thường niên của Berkshire Hathaway năm 2017.

Buffett đã thừa nhận rằng trí tuệ nhân tạo có thể “cắt giảm bớt nhân lực trong một số ngành nhất định”.77 Và quản lý trong mọi ngành nghề sẽ phải đối mặt với tương lai thất nghiệp từ đây.

Khi nói đến bản chất của công việc quản lý, câu chuyện của Recruit đã chạm đến ngưỡng cửa gây tranh cãi của vấn đề này. Chúng ta đã hiểu sơ qua cách những nhân viên bán hàng tại Recruit trở thành người giải quyết vấn đề chung. Vậy, câu hỏi lớn chính là đây: Trong thời đại máy móc và dữ liệu khổng lồ, liệu có chức năng nào vốn được đảm nhận bởi con người không thể bị thay thế hay không? Chương kế tiếp sẽ đào sâu vào câu hỏi sống còn này.