TL;DR

Gartner khảo sát 3,400+ tổ chức và kết luận: hơn 40% dự án agentic AI sẽ bị hủy vào cuối 2027. MIT NANDA phân tích 150 lãnh đạo doanh nghiệp và 300 deployment thực tế: 95% pilot GenAI đang thất bại - $40B tiêu trong 2024, gần như zero tác động đo được lên P&L. Đây không phải vấn đề công nghệ. Đây là vấn đề của việc build sai thứ, vào sai thời điểm, vì những lý do sai.

Bức tranh thống kê không ai muốn thấy

Một khách hàng chi $80k cho một AI agent. Ba tháng sau, họ đóng cửa luôn.

Câu chuyện này không hiếm. Số liệu nói thẳng: hơn 80% dự án AI thất bại - gấp đôi tỷ lệ thất bại của dự án IT thông thường. Chỉ 48% dự án AI đến được production, mất trung bình 8 tháng từ prototype đến deploy thật. Gartner dự báo thêm: 30% dự án GenAI sẽ bị abandon sau giai đoạn proof of concept.

Vendor AI sẽ không nói điều này. CTO vừa đi họp về cũng sẽ không nói. Nhưng dữ liệu đã nói rất rõ, và ai đó cần phải nhắc lại.

5 dấu hiệu bạn chưa sẵn sàng

1. Khối lượng giao dịch quá thấp

Dưới 500 yêu cầu hỗ trợ mỗi tháng - bạn không cần agent $50k. Ngay cả khi agent hoạt động hoàn hảo 100%, bạn chỉ tiết kiệm khoảng 40 giờ mỗi tháng. Toán không ổn. Câu trả lời đúng là tài liệu tốt hơn và có thể thêm một người. Chi phí maintain một hệ thống AI khó đoán luôn cao hơn bạn nghĩ.

2. Dữ liệu của bạn lộn xộn

Đây là lý do số một giết nhiều dự án nhất - nhưng lại ít được nói đến nhất. Khảo sát CDO Insights 2025 cho thấy 43% CDO xếp "data quality & readiness" là rào cản lớn nhất cho AI. Gartner thêm: 39% doanh nghiệp thiếu "AI-ready data" - không phải thiếu data volume, mà thiếu data đủ sạch và đủ nhất quán để AI có thể tin tưởng.

Dữ liệu lộn xộn - nhiều database rời rạc, spreadsheet mâu thuẫn

Nếu thông tin khách hàng của bạn nằm rải rác trong 3 hệ thống khác nhau, tài liệu sản phẩm là PDF lỗi thời trên Google Drive, và bộ phận bán hàng giữ giá thực tế trong spreadsheet cá nhân - bạn chưa sẵn sàng. Agent sẽ hoạt động tốt trong demo với test data sạch. Đưa vào production, nó bắt đầu tự tin nói với khách hàng về sản phẩm bạn đã ngừng bán từ năm 2022.

3. Không định nghĩa được thành công

"Chúng tôi muốn đổi mới" không phải business case. "Chúng tôi cần giảm thời gian phản hồi hỗ trợ từ 4 giờ xuống 30 phút" mới là business case.

Nếu bạn không thể viết ra một con số cụ thể sẽ được cải thiện, và cải thiện bao nhiêu - bạn đang build vì FOMO, không phải chiến lược. Hầu hết dự án tôi thấy đều bắt đầu bằng "chúng ta nên làm gì đó với AI" rồi đi tìm vấn đề để giải quyết. Đó là đi ngược chiều.

4. Task chỉ mất 30 phút mỗi tuần

Thực sự có những thứ không cần tự động hóa. Một startup dành 2 tháng build agent để tự động hóa báo cáo hàng tuần - trong khi thực tập sinh của họ chỉ mất nửa giờ để làm. Agent cần điều chỉnh liên tục và hỏng mỗi khi schema dữ liệu thay đổi một chút. Thực tập sinh nhanh hơn, đáng tin hơn, và không tốn $40k để setup.

5. Không có ai chịu trách nhiệm sở hữu nó

AI agent không phải "thiết lập và quên." Chúng cần được giám sát, điều chỉnh, và cập nhật liên tục. Không có kỹ thuật viên có thể debug hành vi bất thường và tune prompts - agent của bạn sẽ dần tệ hơn theo thời gian cho đến khi mọi người âm thầm ngừng dùng. Và thường không ai nhận ra điều này cho đến khi đã quá muộn.

Cái gì thực sự giết agent trong production

Ngay cả khi bạn vượt qua 5 dấu hiệu trên, production vẫn là một thế giới khác. Field analysis từ Arize AI trên các agent đang chạy thực tế cho thấy những failure mode phổ biến nhất:

  • Context overload: Agent bỏ qua tài liệu relevant dù đã có trong context - kỹ thuật gọi là "Lost in the Middle" errors.

  • Hallucinated parameters: Agent tự tin bịa parameters khi gọi API, database trả về zero row - agent xử lý như fact và tiếp tục.

  • Guardrail thất bại: Replit incident năm 2025 - agent thực thi DROP TABLE dù có instruction cấm rõ ràng.

  • Instruction drift: System prompt ban đầu mất trọng lượng khi conversation dài lên - agent "quên" các rule từ đầu session.

  • API schema changes: Khi vendor thay đổi API, agent hiểu sai HTTP error codes và tiếp tục hoạt động sai mà không báo lỗi.

Những lỗi này không phải ngoại lệ - chúng là quy luật của production AI. Xử lý chúng đòi hỏi người có chuyên môn kỹ thuật để liên tục catch, debug, và fix.

Vậy thì khi nào thực sự nên build?

Các công ty làm cho AI agent thực sự hoạt động đều có những "lợi thế nhàm chán":

  • Pipeline dữ liệu sạch, được document đầy đủ

  • Metrics rõ ràng - biết chính xác con số nào sẽ được cải thiện, và bao nhiêu

  • Team kỹ thuật có thể maintain hệ thống dài hạn

  • Bắt đầu với vấn đề nhỏ, được định nghĩa rõ - không phải "chuyển đổi toàn bộ quy trình"

MIT NANDA tìm thấy một điều thú vị: vendor solution chuyên biệt thành công khoảng 67% thời gian, trong khi internal build chỉ khoảng 1/3. Nếu bạn phải build, bắt đầu từ vấn đề rõ ràng nhất, nhỏ nhất - không phải từ "chúng ta nên làm gì đó với AI."

Kết

Quyết định tốt nhất bạn có thể đưa ra đôi khi là quyết định không build agent ngay lúc này.

Làm sạch dữ liệu trước. Document các quy trình đang có. Xác định rõ thành công thực sự trông như thế nào - bằng số cụ thể. Sau đó quay lại vấn đề này.

Không ai viết bài LinkedIn về "chúng tôi dành 6 tháng làm sạch data warehouse." Nhưng đó chính xác là những gì thực sự hiệu quả.

via Gartner · MIT NANDA via Fortune · Arize AI · Built In