Chín mươi mốt phần trăm doanh nghiệp tầm trung nói rằng họ tự tin vào năng lực AI nội bộ. Mười phần trăm thực sự đưa được toàn bộ sáng kiến AI vượt qua giai đoạn thí điểm (IT Brief UK, 2026).
Vẫn 500 người trả lời đó. Vẫn khảo sát đó. Vẫn sáu tuần thu thập dữ liệu đó.
Khoảng cách giữa hai con số ấy chính là nơi các dự án AI thí điểm của doanh nghiệp tầm trung đi đến chỗ chết — và lý do khiến phần lớn chúng chết lại không phải thứ đang được cấp ngân sách. Khi chính những lãnh đạo này được hỏi vì sao dự án đình trệ, 48% chỉ ra sự thiếu hụt chuyên môn AI. Nói cách khác, họ đổ lỗi đúng cho năng lực mà họ vừa tự chấm cho mình 91% mức độ tự tin.
Đó không phải khoảng trống kỹ năng. Đó là lỗi chẩn đoán, và nó rất đắt.
Khảo sát Klarus thực sự đo điều gì
Klarus, phối hợp cùng Vitreous World, công bố nghiên cứu về AI trong doanh nghiệp tầm trung vào ngày 8 tháng 7 năm 2026. Mẫu khảo sát: 500 lãnh đạo cấp cao tại các doanh nghiệp Anh và Ireland có doanh thu từ 200 triệu đến 2 tỷ bảng và từ 300 đến 3.000 nhân sự — chủ sở hữu, lãnh đạo cấp C, phó chủ tịch, giám đốc và trưởng bộ phận có thẩm quyền với các quyết định công nghệ (IT Brief UK, 2026).
Việc áp dụng không phải vấn đề. 73% đã triển khai AI một phần hoặc toàn phần. Trong số đã thử nghiệm, chỉ 10% mở rộng được toàn bộ sáng kiến vượt khỏi thí điểm — để lại 90% với công việc đình trệ hoặc mắc kẹt ở giai đoạn đầu (Klarus, 2026).
Nhóm này không hề bên lề. Klarus dẫn số liệu NatWest cho thấy doanh nghiệp tầm trung ở Anh tạo ra 30% Tổng giá trị gia tăng dù chỉ chiếm 0,5% số doanh nghiệp. Tỷ lệ đình trệ 90% trong nhóm này không phải chuyện lạ của ngành công nghệ. Đó là một khoản mục năng suất quốc gia — và trực tiếp hơn, là ngân sách vận hành của bạn.
Sự đảo ngược giữa tự tin và năng lực
Đọc hai con số chủ chốt cùng nhau, một bệnh lý cụ thể hiện ra.
91% tự tin vào chuyên môn nội bộ. 48% nêu thiếu chuyên môn là nguyên nhân giết chết thí điểm. 39% coi "xây dựng chuyên môn nội bộ" là ưu tiên trong mười hai tháng tới.
Ba con số đó không thể cùng mô tả chính xác một tổ chức. Cái chúng mô tả là một đội ngũ tự tin ở mức trừu tượng và ứng biến ở mức cụ thể — thành thạo dùng công cụ AI, chưa được kiểm chứng ở khâu đưa vào vận hành. Sự tự tin là thật; nó chỉ đang đo sai thứ. Biết viết prompt không đồng nghĩa với biết chạy một mô hình trên dữ liệu vận hành thật, kèm nhật ký kiểm toán, người chịu trách nhiệm và phương án khôi phục.
Hệ quả là ngân sách đi sai hướng. Khi lãnh đạo tin rằng nút thắt là chuyên môn, họ tuyển người. Họ mua giấy phép đào tạo, tổ chức tuần enablement, đăng tin tuyển kỹ sư AI. Trong khi đó, điểm nghẽn thật sự nằm nguyên vẹn ở tầng dưới, và dự án thí điểm kế tiếp chết vì đúng nguyên nhân của dự án trước.
Nút thắt không ai cấp ngân sách: vì sao dự án AI thí điểm ở doanh nghiệp tầm trung mắc kẹt ở dữ liệu
Đây là điều chính những lãnh đạo đó báo cáo khi được hỏi về dữ liệu thay vì về con người.
83% doanh nghiệp đã thí điểm hoặc triển khai AI báo cáo chất lượng dữ liệu kém. 69% nói rằng điều đó đang thực sự ngăn cản hoặc trì hoãn công việc AI (IT Brief UK, 2026).
Và khi các dự án đạt kỳ vọng, người trả lời chỉ ra lý do: chất lượng dữ liệu tốt, được 59% xem là yếu tố then chốt — vượt trên quản trị, bảo mật, quyền riêng tư và đạo đức ở mức 54%.
Khảo sát tự trả lời câu hỏi của chính nó. Chất lượng dữ liệu là yếu tố thành công được nêu nhiều nhất ở nhóm thành công và là lời than gần như phổ quát ở nhóm đình trệ. Nó chỉ không phải thứ bị đổ lỗi, bởi đổ lỗi cho dữ liệu của mình thì kém đẹp hơn đổ lỗi cho thị trường lao động.
Hai tổ chức độc lập, không có lợi ích trong bất kỳ hợp đồng tư vấn nào với doanh nghiệp tầm trung, chỉ về cùng một hướng. Gartner dự báo rằng đến năm 2026, các tổ chức sẽ từ bỏ 60% dự án AI không được hậu thuẫn bởi dữ liệu "sẵn sàng cho AI" (Gartner, 2025). RAND, sau các cuộc phỏng vấn có cấu trúc với 65 nhà khoa học và kỹ sư dữ liệu giàu kinh nghiệm, xếp dữ liệu không đầy đủ vào năm nguyên nhân gốc rễ khiến dự án AI thất bại — bên cạnh hiểu sai vấn đề, chạy theo công nghệ thay vì bài toán sử dụng, và hạ tầng không đủ để triển khai và duy trì mô hình (RAND Corporation, 2024).
Ba tập dữ liệu. Một từ khảo sát doanh nghiệp tầm trung ở Anh, một từ dự báo của hãng phân tích, một từ viện nghiên cứu Mỹ phỏng vấn người làm nghề. Không tập nào coi nhân sự là nút thắt hàng đầu.
Quản trị là cùng một vấn đề dưới nhãn khác
59% các doanh nghiệp này không có khung quản trị AI toàn diện. 48% nêu các mối lo về quản trị, đạo đức, bảo mật hoặc quyền riêng tư là lý do đình trệ — đúng bằng tỷ lệ đổ lỗi cho thiếu chuyên môn (IT Brief UK, 2026).
Hãy xem đó là một phát hiện, không phải hai. Một dự án thí điểm không có khung quản trị thì không có lối đi xác định vào vận hành, bởi chưa ai trả lời: ai phê duyệt đầu ra của mô hình, chuyện gì xảy ra khi một đầu ra sai, dữ liệu nào được phép rời khỏi công ty, và ai sẽ sở hữu nó sau chín mươi ngày. Thiếu những câu trả lời ấy, một thí điểm thành công cũng không thể được nâng cấp. Nó chỉ có thể được làm lại.
Đó là cơ chế đằng sau con số 90%. Phần lớn công việc AI đình trệ không thất bại về mặt kỹ thuật. Nó vượt qua thí điểm rồi đến trước một cánh cổng chưa ai xây, và đứng đó chờ.
Chỉ 35% dự định củng cố hàng rào kiểm soát AI trong năm tới. Với đa số, cánh cổng vẫn chưa được dựng.
Vì sao không nên tin ngay những con số này
Tôi muốn thẳng thắn về nguồn, bởi phản xạ chiết khấu nó có phần đúng.
Klarus là công ty dịch vụ công nghệ bán hàng đúng cho thị trường này. Một khảo sát kết luận rằng doanh nghiệp tầm trung cần nền tảng dữ liệu tốt hơn và quản trị mạnh hơn, xét về thương mại, chính là khảo sát họ muốn công bố. Mẫu chỉ gồm Anh và Ireland, nên các tỷ lệ cụ thể không thể bê nguyên sang một hoạt động ở Mỹ hay EU mà không hiệu chỉnh. Và mọi con số ở đây đều tự khai báo: "83% báo cáo chất lượng dữ liệu kém" đo điều lãnh đạo tin về dữ liệu của họ, không phải một cuộc kiểm toán dữ liệu.
Tuy vậy, hai điểm lại đi ngược chiều.
Thiên lệch tự khai báo trong khảo sát này hoạt động chống lại phát hiện, chứ không ủng hộ nó. Những lãnh đạo tự đánh giá chuyên môn của mình tới 91% không phải nhóm có xu hướng thổi phồng điểm yếu của chính mình. Nếu có, 83% là mức sàn.
Và sự xác nhận đến từ nguồn độc lập. Dự báo của Gartner về dữ liệu sẵn sàng cho AI và các phỏng vấn thực hành của RAND được thực hiện cách nhau nhiều năm, ở các châu lục khác nhau, không có quan hệ thương mại nào với Klarus. Khi một khảo sát do nhà cung cấp tài trợ, một dự báo của hãng phân tích và một nghiên cứu kiểu học thuật cùng hội tụ, động cơ thương mại đáng được ghi nhận — rồi gác sang một bên.
Điều không nguồn nào cho bạn biết là liệu các dự án thí điểm của bạn có đình trệ vì lý do này hay không. Chỉ dữ liệu của chính bạn trả lời được — và theo kinh nghiệm của tôi, câu hỏi này gần như không bao giờ được đặt ra đúng dạng ấy.
Điều này thay đổi gì ở một công ty 300–3.000 người
Không phải câu chuyện "luyện ngục thí điểm" bạn đã đọc
Doanh nghiệp tầm trung đến nay đã được nghe ba cách giải thích khác nhau về việc dự án AI đình trệ: rằng quyền quyết định không có chủ; rằng các chương trình trưởng thành quản trị quá mức và tự giết thí nghiệm của mình; và giờ là tầng dữ liệu chưa bao giờ sẵn sàng. Đó không phải những lời giải cạnh tranh nhau. Đó là ba cánh cổng trên cùng một con đường, và một dự án thí điểm phải qua hết.
Khác biệt quan trọng về mặt vận hành là trình tự. Quyền quyết định và quản trị có thể sửa bằng một quyết định — người có thẩm quyền chỉ định một chủ sở hữu và một luồng phê duyệt, cánh cổng tồn tại ngay trong tuần. Nền tảng dữ liệu thì không. Đối chiếu thực thể giữa ba hệ thống, bổ sung những trường chưa ai đặt là bắt buộc, và thiết lập nguồn gốc dữ liệu cho những bảng mà mô hình thực sự đọc — đó là một quý làm việc không hào nhoáng và không có màn demo ở cuối.
Và đó chính xác là lý do nó liên tục thua cuộc tranh ngân sách trước một chương trình đào tạo.
Ảo tưởng về dữ liệu đã được dọn sẵn
Ở quy mô này, bạn không có bộ phận kỹ thuật dữ liệu còn dư công suất. Bạn có hai hoặc ba người biết sự thật nằm ở đâu trong từng hệ thống, và họ đã kín việc.
Đó mới là nút thắt mở rộng thật sự, và nó giải thích một khuôn mẫu mà hầu hết lãnh đạo vận hành sẽ nhận ra: thí điểm thắng trên dữ liệu đã dọn và thua trên dữ liệu vận hành. Thí điểm chạy trên một bản trích xuất sạch do ai đó chuẩn bị thủ công. Vận hành chạy trên hệ thống ghi nhận gốc, với mã khách hàng trùng lặp, trường trạng thái nhập tự do và bốn năm dữ liệu di trú chưa ai kiểm chứng.
Không có gì trong mô hình thay đổi giữa hai lần chạy. Dữ liệu mới là thứ đã đổi.
Thêm một phát hiện đáng giữ lại: 45% cho biết AI đang giúp nhân sự cấp thấp làm việc tốt hơn hoặc nhanh hơn, và 24% nói nó đang tạo ra vai trò mới (Klarus, 2026). Tác động nhân sự trước mắt của AI ở nhóm tầm trung thể hiện dưới dạng hỗ trợ công việc và thiết kế lại vai trò, không phải cắt giảm biên chế. Nếu luận chứng đầu tư AI của bạn dựa trên tiết kiệm nhân công trong khi các công ty cùng nhóm báo cáo lợi ích về năng lực, bạn không chặt chẽ hơn họ. Bạn đang đo một khoản lợi mà phân khúc này chưa tạo ra.
Ba việc trước khi cấp ngân sách cho dự án thí điểm tiếp theo
Kiểm toán dữ liệu, không phải đội ngũ
Trước khi sáng kiến kế tiếp nhận ngân sách, hãy lấy ba tập dữ liệu mà nó thực sự sẽ dùng và kiểm tra bốn thứ: mức đầy đủ, tỷ lệ trùng lặp, quyền sở hữu và nguồn gốc. Không phải toàn bộ kho dữ liệu — chỉ ba bảng đó. Việc này chiếm một tuần của một chuyên viên phân tích và sẽ nói nhiều về cơ hội thành công của dự án hơn bất kỳ đánh giá năng lực nào về những người vận hành nó.
Dựng cổng chuyển giao trước khi chạy thí điểm
Hãy viết ra trước: một dự án thí điểm phải chứng minh được điều gì để vào vận hành, ai phê duyệt, ai sở hữu sau đó, và chuyện gì xảy ra khi một đầu ra sai. 59% thị trường này không có khung nào như vậy. Một thí điểm không có lối ra xác định thì không phải thử nghiệm; đó là một bản demo có dòng ngân sách.
Chuyển một bảng đào tạo thành một bảng dữ liệu
Nếu kế hoạch AI 2026 của bạn cấp tiền cho enablement và tuyển dụng nhưng không đồng nào cho chất lượng dữ liệu, bạn đang tài trợ cho cách giải thích 48% thay vì cách giải thích 83%. Không cần bỏ đào tạo. Cần thêm một dòng ở phía bên kia sổ cái, quy mô bằng một quý công việc khắc phục thực sự.
Một quyết định trong quý này
Hãy lấy dự án AI thí điểm gần nhất không mở rộng được và viết một câu duy nhất nêu vì sao nó dừng lại. Rồi đối chiếu câu đó với dữ liệu mà nó đã chạy trên đó.
Nếu câu trả lời trung thực là mô hình chạy được còn đường ống dữ liệu thì không, thứ bạn thiếu chưa bao giờ là chuyên môn AI. Thứ bạn thiếu là cái nhàm chán, khó xin ngân sách và hoàn toàn sửa được nằm bên dưới — và 90% chưa từng mở rộng một dự án AI thí điểm ở doanh nghiệp tầm trung phần lớn là những người tiếp tục chi tiền cho nửa sai của bài toán.
91% tự tin không mua được gì. 10% đã mở rộng mới là con số duy nhất trên bảng điểm.
