Công ty của bạn sẽ không bao giờ mở rộng quy mô nếu headcount vẫn là câu trả lời

Khám phá từ Hội nghị Scaling Business Summit 2026, Thành phố Hồ Chí Minh.

Khung giờ buổi chiều có vị trí khó nhất trong ngày — ngay sau giờ ăn trưa, với một masterclass song song đang diễn ra. Lars Jankowfsky, nhà sáng lập Gradion, vẫn bước lên sân khấu và mở đầu bằng một câu tục ngữ Đức: Con nhà thợ giày đi giày rách nhất. Đó là một lời thú nhận. Gradion đã xây dựng giải pháp AI cho khách hàng trong nhiều năm. Chính ngôi nhà của họ lại là mớ hỗn độn.

Cùng với Dung Nguyen, Giám đốc Công nghệ & Đổi mới tại Gradion, Lars đã dành bốn mươi phút tiếp theo để trình bày chính xác những gì họ đã xây dựng và cái giá họ phải trả khi thừa nhận rằng họ cần phải làm sạch dữ liệu trước khi có thể đụng đến AI.

Đây là một nghiên cứu tình huống trực tiếp về những gì thực sự cần thiết để triển khai AI dạng agent trong một doanh nghiệp thực tế — một doanh nghiệp hoạt động tại bảy quốc gia trên ba châu lục.

1. Garbage In, Garbage Out – Hãy làm sạch dữ liệu trước khi đụng đến AI

Hầu hết các công ty muốn bỏ qua bước này. Họ nghe về AI, lập ngân sách cho AI và bắt đầu mua sắm các công cụ AI. Rồi họ vấp phải bức tường mà Gradion đã va phải đầu tiên.

Khi Lars và nhóm của mình kiểm tra các hệ thống nội bộ, họ phát hiện ra rằng mã nhân viên — thứ đơn giản như một số ID — được định dạng khác nhau ở Ai Cập, Việt Nam và Thái Lan. "Khi bạn cố gắng xây dựng một giải pháp toàn diện, bạn nhận ra: chúng ta không thể làm việc như thế này." Vấn đề tương tự xuất hiện với mã khách hàng. Các quốc gia khác nhau, hệ thống pháp lý khác nhau, định dạng khác nhau. Không có một nguồn dữ liệu thống nhất.

Phải mất nhiều tháng để thiết lập một mã nhân viên thống nhất và một mã khách hàng thống nhất trước khi họ thậm chí có thể nghĩ đến việc chạy AI trên đó. Bài học áp dụng cho tất cả mọi người. Như Lars đã nói: "Tôi chắc chắn 100% rằng dữ liệu của bạn, dù bạn làm việc ở đâu, sẽ không đủ sạch hoặc đủ có cấu trúc để tiến lên với AI." Đây cũng là cuộc trò chuyện đầu tiên mà Gradion có với các khách hàng tiềm năng. Họ không nói về AI cho đến khi họ đã xem qua dữ liệu.

Bài học 1: Trước khi lập ngân sách cho AI, hãy kiểm tra dữ liệu của bạn. Vấn đề hầu như luôn nằm ở đó trước.

2. Một agent không phải là chatbot. Hãy xác định nhiệm vụ và đo lường đầu ra

Có một phiên bản AI ngốn hàng triệu euro và không cung cấp thứ gì mà bất kỳ ai sử dụng. Lars đã từng thấy điều đó. Mô hình có thể đoán trước được: một hệ thống lớn, tốn kém, tổng quát, được xây dựng trong thời gian dài, không có tiêu chí thành công rõ ràng.

Phương pháp tiếp cận dựa trên agent đảo ngược hoàn toàn điều đó. "Chúng tôi phát triển các agent nhỏ, cụ thể, đảm nhận các nhiệm vụ rất rõ ràng theo từng lĩnh vực và cung cấp đầu ra có thể đo lường." Tại Gradion, điều đó có nghĩa là một agent cho việc sàng lọc hồ sơ ứng viên, một agent cho việc trích xuất hóa đơn. Không có nền tảng. Không có bộ công cụ. Một agent, một vấn đề, một con số chứng minh rằng nó hoạt động.

Dung Nguyen đã trình diễn trực tiếp quy trình trích xuất hóa đơn. Hóa đơn được đưa vào một thư mục xác định. Agent xử lý chúng, phân loại chúng — phân biệt hóa đơn với biên lai, xử lý tài liệu bằng tiếng Thái — và đăng kết quả trực tiếp lên kênh Slack và Google Sheets. Nhóm tài chính hành động dựa trên đầu ra. Họ không quản lý quy trình. Chi phí token: vài đô la mỗi ngày.

Bài học 2: Nếu bạn không thể nêu chính xác vấn đề mà agent giải quyết và con số chứng minh nó hoạt động, bạn chưa sẵn sàng để xây dựng nó.

3. Thay thế chi phí tuyến tính bằng chi phí phi tuyến tính

Tăng trưởng trước đây đồng nghĩa với tuyển thêm nhân sự. Doanh thu nhiều hơn đòi hỏi nhiều người hơn, đòi hỏi nhiều quản lý, đào tạo, sai sót và chi phí hơn. Mọi nhà sáng lập trong phòng đều biết phép tính này.

Nhóm tuyển dụng nhân tài của Gradion nhận được hơn 300 hồ sơ mỗi ngày. Với bảy phút mỗi hồ sơ với năm nhà lãnh đạo trong nhóm, đó là bảy giờ mỗi người mỗi ngày — chỉ cho bước đầu tiên của quy trình tuyển dụng. Họ đã xây dựng một agent duy nhất hiện xử lý 700 hồ sơ mỗi ngày. Thêm năng lực chỉ tốn thêm lượng token từ Gemini, được tính bằng đô la, không phải bằng lương.

Lars áp dụng logic tương tự cho SaaS stack. Gradion chi hơn nửa triệu euro mỗi năm cho các công cụ — HubSpot, Slack, Expensify, Lever, Google. Riêng HubSpot đã tốn 47.000 € mỗi năm, cho khoảng 5% tính năng. "Đó là ít nhất hai đến ba kỹ sư trong cả một năm ở Việt Nam." Kế hoạch: xây dựng CRM riêng với AI, sở hữu IP đó và cung cấp cho các công ty khác.

"Điều quan trọng là chúng tôi đang tách rời tăng trưởng khỏi chi phí. Trong quá khứ, tăng trưởng đồng nghĩa với nhiều người hơn. Bây giờ chúng tôi có thể tăng trưởng mà không cần thêm nhân sự."

Bài học 3: Việc chuyển từ nhân sự sang agent không phải là về việc cắt giảm người — mà là về việc loại bỏ trần giới hạn tăng trưởng của bạn.

4. Hãy kỳ vọng kháng cự văn hóa. Vẫn hướng đến sự xuất sắc

Trường hợp đánh giá hiệu suất là phần trung thực nhất của buổi thuyết trình. Ban đầu nó không diễn ra tốt.

Gradion đã triển khai đánh giá 360 độ có hỗ trợ AI: tự đánh giá, phản hồi từ lãnh đạo và người đánh giá thứ ba, được AI xử lý để tạo ra đầu ra hiệu suất rõ ràng và có thể đo lường. Về mặt kỹ thuật nó hoạt động. Về mặt văn hóa, nó đụng chạm với điều mà Lars gọi là "nền kinh tế thiện cảm" "Tôi gãi lưng bạn, bạn gãi lưng tôi. Bạn cho tôi đánh giá tốt, tôi cho bạn đánh giá tốt." AI đã phá vỡ hệ thống này. Nhân viên kháng cự. Phiên bản đầu tiên quá thẳng thắn. Họ đã học hỏi, điều chỉnh và tiếp tục.

Lars đã rõ ràng về hàm ý rộng lớn hơn: "Chúng tôi đang xây dựng một văn hóa xuất sắc, không phải văn hóa tiện nghi. Chúng tôi đánh đổi sự rõ ràng và xuất sắc lấy sự tiện nghi và lịch sự."

Nếu nhân viên không sẵn sàng phát triển cùng AI, hoặc tích cực chống lại sự đổi mới, họ không nên ở lại. Nghe có vẻ thẳng thắn. Đó cũng là quan điểm trung thực của mọi công ty đã vượt qua quá trình chuyển đổi này thành công.

Bài học 4: Tự động hóa sẽ phá vỡ các hệ thống phi chính thức mà mọi người đã dựa vào. Đó là mục đích. Hãy chuẩn bị cho nhân viên của bạn hoặc thay đổi nhân viên của bạn.

5. Ăn con voi từng miếng một

Câu hỏi cuối cùng từ khán giả là hữu ích nhất: Tại sao rất nhiều dự án AI thất bại, và Gradion làm gì khác biệt?

Câu trả lời rất đơn giản. "Các dự án dựa trên agent rất nhỏ. Chúng nằm trong một bộ phận. Chúng giải quyết đúng một vấn đề kinh doanh cụ thể." Không có chương trình chuyển đổi. Không phải tất cả cùng một lúc. Một điểm đau, hai hoặc ba người, một kết quả có thể đo lường. Khi nó hoạt động, tiếp theo sẽ đến. Đó là cách Gradion tiến từ sàng lọc hồ sơ đến trích xuất hóa đơn đến đánh giá hiệu suất cho đến việc thay thế CRM đang được lên kế hoạch — không phải bằng cách lên kế hoạch toàn bộ lộ trình từ trước, mà bằng cách chứng minh mô hình từng agent một.

Khi một lãnh đạo y tế trong khán giả đề cập đến thách thức của dữ liệu phân mảnh trên các hệ thống bán hàng, tiếp thị và điểm bán hàng, Lars đưa ra cùng một câu trả lời. Bắt đầu với điểm đau lớn nhất. Kết nối các hệ thống cho vấn đề duy nhất đó. Giải quyết nó. Rồi lặp lại.

"Làm thế nào để ăn một con voi? Từng miếng một. Nhiều dự án AI thất bại vì họ cố gắng nuốt con voi một lúc."

Bài học 5: Những công ty thất bại với AI đang cố gắng đun sôi cả đại dương. Hãy chọn một thứ gây đau nhất và chỉ giải quyết thứ đó.

Playbook thực thi dành cho CEO: Những gì bạn nên làm ngay ngày mai

1. Kiểm tra dữ liệu của bạn trước. Liệt kê mọi hệ thống trong công ty của bạn chứa dữ liệu vận hành. Xác định nơi cùng một thực thể — nhân viên, khách hàng, hóa đơn — được mô tả khác nhau trong các hệ thống khác nhau. Khoảng cách đó là điểm xuất phát thực sự của bạn.
2. Đặt tên cho một quy trình có chi phí có thể đo lường và đầu ra rõ ràng. Tìm nhiệm vụ mà bạn có thể nói: nó mất X phút mỗi đơn vị, chúng tôi xử lý Y đơn vị mỗi ngày. Đó là ứng viên agent đầu tiên của bạn.
3. Tính toán những gì SaaS stack của bạn thực sự tốn cho mỗi tính năng được sử dụng. Tính toán: Bạn đang trả bao nhiêu cho các công cụ mà bạn sử dụng dưới 20% công suất? Đó là cơ hội xây dựng hoặc mua của bạn.
4. Quyết định vòng phản hồi nào bạn sẵn sàng khách quan hóa. Chọn một lĩnh vực — tuyển dụng, thực hiện dự án, sự hài lòng của khách hàng — và cam kết đo lường nó mà không có sự giảm nhẹ chính trị. Hãy chịu đựng sự khó chịu.
5. Chọn một vấn đề, phân công hai người, đặt thời hạn 30 ngày. Đừng cố kết nối tất cả mọi thứ. Giải quyết một thứ tốn kém nhất hoặc gây tắc nghẽn nhất. Chứng minh mô hình. Rồi mở rộng nó.

→ Xem bản demo trực tiếp đầy đủ trên YouTube