Tối ưu hóa value stream của sản phẩm trong thời đại AI

AI có đang tạo ra giá trị?

Ngày nay, AI đã và đang được áp dụng rất nhiều trong quá trình phát triển sản phẩm, từ lên kế hoạch, thống kê, thu thập dữ liệu, phát triển sản phẩm, marketing đến chăm sóc khách hàng. Nhưng liệu AI có đang giúp việc phát triển sản phẩm tốt hơn không? Người dùng có hài lòng hơn với sản phẩm không? Tôi không có câu trả lời, nhưng vài số liệu cho thấy:

McKinsey, State of AI 2025: 88% tổ chức dùng AI thường xuyên trong ít nhất một chức năng, nhưng chỉ 39% ghi nhận AI có tác động nào đó lên EBIT, và phần lớn trong số đó dưới 5%. Chỉ khoảng 6% đạt mức tác động từ 5% EBIT trở lên.
MIT Project NANDA (2025): dù chi 30–40 tỷ USD cho AI tạo sinh, 95% tổ chức không thấy lợi nhuận kinh doanh có thể đo lường được.

Vì sao AI chưa mang lại được giá trị như nó được kỳ vọng? Đúng rằng AI ngày càng làm được nhiều thứ hơn, có nhiều thông tin, và trả lời được nhiều câu hỏi hơn, nhưng có lẽ có câu hỏi mà chính AI cũng không thể trả lời đó là: “Người dùng thực sự cần gì?” Để trả lời câu hỏi này, AI là không đủ; nó chỉ là công cụ giúp đỡ. Còn chìa khóa đang nằm ở chỗ khác.

Tối ưu hoá value stream của sản phẩm trong thời đại AI

Nghịch lý Meno và tầm quan trọng của câu hỏi đúng

Những số liệu và băn khoăn trên làm tôi nhớ đến nghịch lý Meno, còn được biết đến là nghịch lý của sự tìm tòi. Nghịch lý này được đề cập trong tác phẩm “Meno” của Plato. Trong tác phẩm này có một ý rất hay, tôi tự diễn giải lại rằng: Nếu bạn đã biết thứ mình đang tìm, thì việc tìm kiếm sẽ trở nên thừa thãi, vì đáp án đã có rồi. Còn nếu bạn chưa biết thứ mình đang tìm kiếm là gì, thì việc tìm kiếm là vô nghĩa, vì bạn không biết mình đang tìm gì, và ngay cả khi tìm thấy cũng sẽ không thể nhận ra đó có phải là thứ mình cần. Vậy ở đây chìa khóa không nằm ở sự tìm kiếm, mà nên tập trung vào việc nhận thức được tôi đã biết gì và tôi không biết gì, lúc đó câu trả lời đúng mới xuất hiện.

Xây dựng sản phẩm là một quá trình “đi tìm câu hỏi đúng cho một câu trả lời chưa tồn tại”. Bản thân người dùng sẽ không biết được mình thực sự cần gì cho đến khi họ được trải nghiệm sản phẩm. Đây là câu trả lời chưa tồn tại cho đến khi nó được kiểm chứng thực sự bởi chính người dùng. Và ngược lại, người xây dựng sản phẩm cũng vật lộn với câu hỏi: “Làm sao tôi biết người dùng cần gì?”. Đặt ra câu hỏi này nghĩa là đã nhận ra mình không biết, và cũng luôn tìm kiếm câu hỏi đúng để có được câu trả lời mình cần. Vì chỉ khi có được “đối thoại” (quá trình Discovery và Validation), và hiểu hơn được người dùng cần gì, thì câu hỏi đúng mới bắt đầu lộ diện: “Liệu giải pháp này có giúp giải quyết được khó khăn cho người dùng không? Tại sao, và làm sao biết được?”. Câu hỏi này sẽ rất khác với câu hỏi của một người đang “không biết cái mình không biết”, như việc hỏi người dùng: “Bạn muốn gì?”. Tương tự như nghịch lý Meno, ở đây không hẳn là tìm kiếm câu trả lời, mà là nhận thức được tôi hiểu gì và không hiểu gì về người dùng, nâng cao nhận thức đó để có được câu hỏi đúng, qua đó có được câu trả lời đúng.

AI có giúp tôi dễ dàng biết được người dùng cần gì không?

Câu trả lời là có và không.

AI sẽ là một công cụ hữu ích nếu bạn biết sử dụng đúng mục đích và đúng cách. Nó có thể giúp bạn tóm tắt, phân loại, nhắc nhở, và tự động hóa, tăng tốc những tác vụ hay công việc đơn giản. Nhưng nó không thay bạn suy nghĩ, cảm nhận và quyết định đâu mới là giải pháp cho khó khăn hiện tại của người dùng. Hơn hết, AI có thể trả lời câu hỏi, nhưng “đặt câu hỏi đúng” vẫn là thứ mà chỉ có bạn mới làm được.

AI sẽ hỗ trợ tạo ra Output (chức năng) nhanh hơn, nhưng để làm gì và mang lại lợi ích gì (Outcome) thì chỉ người dùng mới trả lời được. Thậm chí, việc hiểu lầm giữa Output và Outcome trong thời đại AI còn nguy hiểm hơn trước đây rất nhiều, vì với tư duy càng nhiều càng tốt và output được tạo ra quá nhanh, dễ dẫn đến áp lực sẽ đè nặng lên những phần sau đó của chuỗi giá trị (value stream):

Kiểm soát chất lượng, và maintenance: Theo Faros, số PR merge gần gấp đôi, thời gian review tăng 91%. Hoặc theo CloudBees 2026: 81% lãnh đạo báo cáo sự cố production tăng do code từ AI.
Đo lường: Ngay cả trước thời AI, theo Kohavi thì 60–90% ý tưởng không cải thiện chỉ số mục tiêu, nên Output nhiều hơn nghĩa là nhiều thứ sai hơn mà chưa được phát hiện. Trong thời AI thì Output có xu hướng tăng nhiều hơn nữa, trong khi đó, thời gian người dùng trải nghiệm không tự rút ngắn được: phát hành cùng lúc nhiều tính năng thì tín hiệu bị trộn lẫn, không biết cái nào tạo ra kết quả, cái nào không.
Áp lực lên người dùng: Theo Instruqt 2026, tốc độ release đang vượt quá tốc độ khách hàng hấp thụ. Theo Thompson, Hamilton & Rust (2005), Journal of Marketing Research: lúc mua, người dùng chọn mẫu có nhiều tính năng; sau khi dùng thì thấy quá tải và không hài lòng.

Value stream và điểm nghẽn

Khi bạn tập trung vào Output, thì giống như bạn đang hỏi: “Anh muốn gì?” với người dùng, và bạn sẽ nhận được câu trả lời: “Tôi muốn tất cả”. Có một câu nói thường được gán cho Henry Ford: “Nếu tôi hỏi mọi người muốn gì, họ sẽ nói muốn những con ngựa nhanh hơn.” Nhưng khi bạn tập trung vào Outcome và đặt câu hỏi: Người dùng của tôi là ai? Họ đang gặp khó khăn gì? Và làm sao tôi có thể giúp họ? Đó là bạn nhận thức được rằng bạn đang không biết gì và đang đặt đúng câu hỏi để tìm kiếm. Câu trả lời sẽ dẫn bạn đến Outcome của sản phẩm.

Dòng chảy giá trị sản phẩm có thể minh họa như sau: Input -> Output -> Outcome -> Impact (đọc thêm bài: Input – Output – Outcome của sản phẩm)

Khi AI đã giúp bạn tối ưu tốc độ từ Input đến Output (lưu ý, tôi chỉ nói tốc độ), tức là áp lực lúc này sẽ đè nặng lên Outcome. Bản thân Outcome thì không có lối tắt cũng không có công thức cố định. Lúc này, bạn cần một cách Discovery và Validate nhu cầu người dùng tối ưu và linh hoạt để có thể hiểu đúng và nhanh nhu cầu của người dùng. Nhận thức rằng mình không biết gì, đặt những câu hỏi giả định, liên tục kiểm chứng và tận dụng công cụ AI để trả lời các câu hỏi giả định một cách ít lãng phí hơn chính là phương pháp phù hợp nhất. Scrum có thể giúp bạn tạo ra các vòng lặp thử nghiệm. Bản thân Sprint trong Scrum luôn là một vòng lặp kiểm chứng, học hỏi từ người dùng, nó tạo ra cơ hội để Discovery và Validate những giả thuyết về sản phẩm. Cũng như AI sẽ giúp bạn tạo ra Increment trong các vòng lặp Sprint ngắn để kiểm chứng.

Đọc thêm: Xây dựng tổ chức học tập với Scrum

Hãy nhìn lại value stream của sản phẩm của mình, xem xét thử xem điểm nghẽn đang ở đâu? Rất có thể lúc này điểm nghẽn đang nằm ở chỗ “Bạn chưa biết người dùng cần gì”. Phân tích và tối ưu, đồng thời giữ cho value stream của bạn cân bằng. Vì không phải nhanh là tốt, mà quan trọng hơn là phải “đúng”.

Nguồn tham khảo: