Khủng hoảng ROI AI Doanh nghiệp: Tại sao hầu hết công ty không chứng minh được chi tiêu AI mang lại hiệu quả — và ngành công nghệ đang tìm ra giải pháp

Doanh nghiệp hiện chi trung bình 186 triệu USD mỗi năm cho trí tuệ nhân tạo. Thế nhưng, chỉ 5–8% công ty báo cáo lợi nhuận tài chính có thể đo lường được ở quy mô lớn . Đây không phải là thất bại của công nghệ — mà là thất bại của việc đo lường. Hầu hết các tổ chức đơn giản là thiếu khung khổ, đường cơ sở và chỉ số chuẩn hóa cần thiết để kết nối chi phí token AI với kết quả kinh doanh .

Một số lượng ngày càng tăng các sáng kiến trong ngành — từ OpenAI và Anthropic đến Tokenomics Foundation mới được thành lập của Linux Foundation — đang chạy đua để lấp đầy khoảng trống đó. Sự đồng thuận mới nổi lên: hãy rời xa việc đếm token thô và hướng tới kinh tế đơn vị gắn với kết quả như chi phí trên mỗi tác vụ đã hoàn thành, chi phí trên mỗi ticket đã giải quyết, hoặc 'đầu nhân sự sinh học' .

Tại sao việc đo lường ROI của AI lại khó đến vậy?

Những thách thức trải dài trên bốn lĩnh vực chính:

Không có đường cơ sở được thiết lập trước. Hầu hết các triển khai AI chỉ bắt đầu theo dõi chỉ số sau khi ra mắt, khiến cho việc ghi nhận giá trị trở nên bất khả thi . Một khảo sát của ModelOp năm 2026 cho thấy hơn hai phần ba doanh nghiệp vẫn dựa vào ước tính thay vì kết quả tài chính được đo lường để đánh giá lợi tức đầu tư .

Các chỉ số 'hào nhoáng' thống trị. Nhiều công ty theo dõi số lượng người dùng đang hoạt động, số phiên làm việc, hoặc số lượng truy vấn mỗi ngày — những chỉ số không tiết lộ liệu AI có tạo ra giá trị kinh doanh thực sự hay không . Chỉ số của năm 2025 là "người dùng". Chỉ số của năm 2026 cần phải là "kết quả có thể kiểm toán" .

Khoảng cách giữa sản xuất và ROI. Báo cáo CIO 2026 của Gartner, khảo sát 11.000 CIO, cho thấy 59% sáng kiến AI không bao giờ đi vào sản xuất và 71% CIO gặp khó khăn trong việc ưu tiên các trường hợp sử dụng mang lại kết quả có thể đo lường .

Chi tiêu bùng nổ mà không có sự minh bạch. Chi phí AI được phân bổ trên nhiều nhà cung cấp, mô hình và phòng ban khác nhau mà không có khung kế toán thống nhất . Nghiên cứu của Forrester cho thấy các doanh nghiệp đang hoãn 25% chi tiêu AI đã lên kế hoạch sang năm 2027 khi áp lực tài chính gia tăng .

OpenAI, Anthropic và ngành công nghệ đang phản ứng ra sao?

OpenAI — 'Trí tuệ hữu ích trên mỗi đô la'

CFO Sarah Friar của OpenAI đã giới thiệu một thang điểm gồm bốn câu hỏi: AI có hoạt động không? Nó có hiệu quả về chi phí không? Giá trị nó tạo ra có tăng nhanh hơn chi phí của nó không? Khuôn khổ này chuyển cuộc thảo luận từ tiêu thụ token thô sang kinh tế đơn vị được điều chỉnh theo kết quả .

Anthropic — 'Nguyên tắc Kinh tế cơ bản'

Anthropic đã phát hành một khuôn khổ được xây dựng trên "các nguyên tắc kinh tế cơ bản", đo lường độ phức tạp của tác vụ, mức độ tự chủ và thời gian tiết kiệm được so với chi phí trên mỗi tác vụ — thay vì mức sử dụng chung chung . Hướng dẫn nội bộ dành cho doanh nghiệp của họ nhấn mạnh các chỉ số thành công gắn với ngưỡng hiệu suất, độ chính xác, cải thiện tốc độ và hiệu quả chi phí .

Tokenomics Foundation của Linux Foundation

Ra mắt vào ngày 4 tháng 8 năm 2026, với khoảng 30 thành viên sáng lập bao gồm JPMorgan Chase, Accenture, IBM, SAP, BNY và Booking.com, tổ chức tiêu chuẩn trung lập này đặt mục tiêu làm cho chi phí token AI những gì FinOps Foundation đã làm cho chi tiêu đám mây . Bản thảo đầu tiên của nó, "Ký hiệu Big-T", đề xuất chuẩn hóa chi phí trên mỗi lần gọi API (không phải chi phí trên mỗi token) để chỉ số này ánh xạ trực tiếp đến một đơn vị công việc đã thực hiện . Tổ chức này cũng đang xác định các chỉ số chi phí phục vụ hiện chưa tồn tại ở bất kỳ dạng chuẩn hóa nào .

Elisity — 'Đầu nhân sự sinh học'

Công ty an ninh mạng này đã tạo ra một chỉ số chia tổng chi tiêu AI cho chi phí nhân viên trung bình, sau đó so sánh tổng sản lượng của con người và 'nhân viên' AI với doanh thu. Điều này cung cấp cho các CFO một chỉ số tương tự về năng suất lao động trực tiếp cho đầu tư AI .

Các nỗ lực trên toàn ngành

FinOps Foundation đã xuất bản các khuôn khổ cụ thể về AI, đề xuất các chỉ số chi phí đơn vị — chi phí mỗi truy vấn, chi phí mỗi người dùng, chi phí mỗi quy trình làm việc — để làm cho chi tiêu token trở nên dễ hiểu đối với các bên liên quan trong kinh doanh . Oracle, Jellyfish và các công ty khác hiện cung cấp bảng điều khiển kinh tế token ánh xạ mức tiêu thụ với kết quả kinh doanh ở cấp độ quy trình làm việc . BCG đề xuất một tỷ lệ "Lợi tức đầu tư vào AI" (RoAI) chính thức: Lợi nhuận kinh tế / (Chi phí trí tuệ con người + Chi phí token) .

Phương pháp hiệu quả: Sự đồng thuận mới nổi về các chỉ số gắn với kết quả

Trên tất cả các khuôn khổ này, một mô hình rõ ràng đang xuất hiện. Các phương pháp hiệu quả nhất đều có chung một cấu trúc:

1. Xác định 'hoàn thành' trước khi triển khai. Thay vì theo dõi mức sử dụng chung chung, hãy bắt đầu với một quy trình làm việc và xác định một kết quả thành công có nghĩa là gì .
2. Đo chi phí trên mỗi kết quả, không phải chi phí trên mỗi token. Ví dụ bao gồm chi phí cho mỗi ticket hỗ trợ đã giải quyết, chi phí cho mỗi yêu cầu kéo được chấp nhận, chi phí cho mỗi tính năng được phát hành, hoặc chi phí cho mỗi tài sản tiếp thị được bàn giao .
3. Gán chi tiêu cho chủ sở hữu. Mọi quy trình làm việc quan trọng phải được gắn thẻ với chủ sở hữu, chức năng, mục đích sử dụng sản phẩm so với nội bộ, hạng mục P&L, mô hình và kết quả dự kiến .

Kết luận

Chưa có một tiêu chuẩn duy nhất nào được chấp nhận rộng rãi. Nhưng hướng đi thì đã rõ: một sự đồng thuận ngày càng tăng đang hình thành xung quanh kinh tế đơn vị gắn với kết quả — chi phí trên mỗi tác vụ đã hoàn thành, chi phí trên mỗi ticket đã giải quyết, đầu nhân sự sinh học — thay vì số lượng token thô. Đối với các CFO và CIO đang tìm kiếm điểm khởi đầu, lời khuyên từ Sarah Friar của OpenAI vẫn là thực tế nhất: "Nơi tốt nhất để bắt đầu là với một quy trình làm việc. Hãy xác định 'hoàn thành' có nghĩa là gì và đo lường kết quả đó trong hệ thống nơi công việc diễn ra" .