Enterprise AI Playbook của Stanford Digital Economy Lab, công bố ngày 29 tháng 3 năm 2026 bởi Pereira, Graylin và Brynjolfsson, đã nghiên cứu 51 triển khai AI doanh nghiệp trong môi trường sản xuất chạy cùng các mô hình tiên phong và đưa ra một kết quả mà, kể từ giữa tháng 5, đã bắt đầu lan truyền trong các diễn đàn vận hành nghiêm túc: khoảng cách năng suất trung vị 31 điểm phần trăm giữa hai mô hình triển khai khác nhau về kiến trúc (Stanford Digital Economy Lab, 2026). Các triển khai mà AI sở hữu công việc end-to-end không có cổng phê duyệt của con người mang lại mức tăng năng suất trung vị 71%. Các triển khai duy trì người phê duyệt trong vòng lặp trên mỗi hành động có ý nghĩa đứng yên ở mức 40%. Cùng các mô hình. Cùng các nhà cung cấp. Cùng mức đầu tư prompt engineering. Sự khác biệt nằm ở kiến trúc ủy quyền — ai được phép hành động mà không cần hỏi.
Đối với một Head of Operations đang hoàn thiện thiết kế quy trình AI trên một bộ phận 200 FTE trong quý này, khoảng cách 31 điểm đó không phải là một điểm dữ liệu thú vị. Đó là lời giải thích tại sao hầu hết các thí điểm AI mid-market đều hạ cánh ở khoảng một nửa mức tăng năng suất mà các nhà lãnh đạo triển khai đang âm thầm cộng dồn. Văn liệu đã tranh luận về lựa chọn mô hình, vendor stack, và mức độ tinh vi của prompt. Dữ liệu của Stanford đã đóng câu hỏi: quyết định kiến trúc xác định kết quả là quyết định mà hầu hết các đội vận hành đi qua một cách mặc định mà không nhận ra mình đang đưa ra.
Stanford thực sự đã đo gì — và tại sao 51 triển khai sản xuất đánh bại thêm một nghiên cứu thí điểm khác
Lý do nghiên cứu này đọc khác với các deck tư vấn về ROI AI đã tràn ngập văn liệu vận hành từ năm 2024 là vấn đề phương pháp. Hầu hết các con số năng suất AI lưu hành cao đến từ một trong ba nguồn: các nghiên cứu trường hợp do nhà cung cấp báo cáo (được chọn lọc sâu), các bài viết về thí điểm đơn công ty (thường là công ty thành công), hoặc benchmark mô hình-vs-mô hình dịch kém sang năng suất quy trình. Pool của Stanford khác biệt. Pereira, Graylin và Brynjolfsson đã lọc các triển khai sản xuất — quy trình ở trạng thái vận hành ổn định, không phải thí điểm; gắn với kết quả kinh doanh có thể đo lường, không phải đánh giá mô hình; chạy sáu tháng hoặc lâu hơn trên cùng mô hình kiến trúc, không phải mới triển khai và khớp với nhiễu. Mẫu 51 triển khai là những gì sống sót sau bộ lọc đó, và nghiên cứu báo cáo các kích thước hiệu ứng đủ lớn để sàn nhiễu của phép đo mid-market không nuốt chửng chúng.
Công cụ quan trọng đối với phát hiện gây tranh cãi nhất. Khoảng cách 71% so với 40% giữ vững qua các nhà cung cấp mô hình, vendor stack, ngành dọc và quy mô đội — bốn biến số mà hầu hết các deck chiến lược AI nội bộ coi là lựa chọn trung tâm. Biến duy nhất di chuyển khoảng cách là mô hình ủy quyền: quyền sở hữu end-to-end nơi AI hoàn thành quy trình và một con người xem xét các ngoại lệ, so với approval-by-default nơi một con người ký mọi hành động AI đề xuất. Tín hiệu đồng tác giả Brynjolfsson là một phần lý do cộng đồng vận hành chậm bác bỏ — ông và các đồng tác giả đã dành một thập kỷ theo dõi tại sao năng suất AI đo được phân kỳ với năng suất tuyên bố, và văn liệu Quarterly Journal of Economics và NBER mà ông nằm trong là phiên bản khắt khe nhất của câu hỏi (NBER Working Papers, Brynjolfsson).
Phát hiện trong phát hiện là phần có thể hành động được về mặt vận hành. Các triển khai approval-by-default không đứng yên vì AI sai — tỷ lệ lỗi tương đương giữa hai kiến trúc. Chúng đứng yên vì bước phê duyệt của con người nén mức tăng năng suất qua ba cơ chế mà nghiên cứu nêu tên rõ ràng: thời gian xếp hàng chờ con người xem xét, chi phí chuyển ngữ cảnh trên người xem xét, và silent over-reach nơi người xem xét làm lại các phần của công việc thay vì phê duyệt đề xuất. Khoảng cách 31 điểm, về mặt vận hành, là chi phí của việc định tuyến mọi hành động AI qua một nút thắt cổ chai con người mà quy trình không cần trên hành động — chỉ trên ngoại lệ.
Tại sao các bộ phận vận hành mid-market mặc định sang cài đặt sai
Mô hình triển khai mid-market sinh ra con số 40% hiếm khi là lựa chọn được cân nhắc. Đó là sản phẩm phụ của ba phản xạ thẳng hàng gọn gàng trong bất kỳ bộ phận vận hành 50–500 FTE nào, và khi kết hợp lại, sinh ra kiến trúc approval-by-default mà không ai chọn rõ ràng.
Phản xạ đầu tiên là khung rủi ro. Khi các nhà lãnh đạo vận hành dịch "triển khai AI trong quy trình này" sang cấu trúc kiểm soát, bản nháp đầu tiên tự nhiên là: AI đề xuất, con người phê duyệt, audit trail. Khung này có vẻ thận trọng, đặc biệt trong các bộ phận được quản lý hoặc trong các công ty nơi triển khai AI là lần đầu mà một đội cụ thể đã giao. Khảo sát MIT Sloan về doanh nghiệp agentic công bố mùa xuân này phát hiện rằng tư thế áp dụng mid-market nghiêng 2-trên-1 về mô hình kiểm soát này so với các tổ chức large-enterprise áp dụng, đã giao đủ triển khai để học được điều mà dữ liệu Stanford hiện đang định lượng — rằng cấu trúc kiểm soát approval-by-default là điều mà ủy ban kiểm toán nên hỏi, không phải điều mà nó nên được trấn an (MIT Sloan Management Review, 2026).
Phản xạ thứ hai là công cụ. Hầu hết các nền tảng AI doanh nghiệp — Microsoft Copilot, Salesforce Einstein, các add-on agentic trên các bộ SaaS chính — được giao với human-in-the-loop là mô hình UI mặc định vì nó tạo ra demo an toàn nhất và câu chuyện mua sắm doanh nghiệp sạch nhất. Bộ phận thừa hưởng mặc định và đọc nó như một khuyến nghị. Hệ quả khó chịu nhất của nghiên cứu Stanford đối với vendor stack là UI mặc định là thứ đang chủ động ức chế mức tăng năng suất mà nhà cung cấp đang được bán trên cơ sở đó.
Phản xạ thứ ba là tín hiệu thoải mái của line manager. Khi quy trình chuyển từ thuộc sở hữu con người sang thuộc sở hữu AI với giám sát con người theo ngoại lệ, người quản lý vận hành mất khả năng hiển thị mà approval-by-default cung cấp. Yêu cầu phản xạ là "giữ tôi trong vòng lặp về mọi thứ cho đến khi tôi tin tưởng", nghe có vẻ hợp lý và là chính xác hành vi mà Stanford nêu tên là cơ chế sinh ra khoảng cách 31 điểm. Sự tin tưởng mà người quản lý đang chờ phát triển không bao giờ phát triển, vì approval-on-every-action không cung cấp cho họ tín hiệu sạch nào về hành động nào thực sự cần phán đoán của họ so với hành động nào họ chỉ đang đóng dấu. Bộ phận khóa vào một tư thế mà sau đó họ không bao giờ có dữ liệu để cập nhật.
Ba phản xạ này không phải là thất bại phán đoán của nhà lãnh đạo vận hành. Chúng là những gì thiết kế vận hành có kỷ luật tạo ra khi câu hỏi kiến trúc chưa được nêu tên rõ ràng và dữ liệu về kiến trúc nào thắng chưa được đặt lên bàn. Playbook của Stanford đã đặt chúng lên bàn.
Bản đồ ủy quyền — nó thực sự trông như thế nào đối với vận hành 200 FTE
Đòn bẩy mà dữ liệu Stanford lập luận là cụ thể và có thể trình tự hóa trong bốn đến sáu tuần tới. Ba phần quan trọng, theo thứ tự này.
Phân loại quyết định trước khi thiết kế lại quy trình
Phần đầu tiên: với mỗi quy trình AI-enabled hiện đang chạy approval-by-default, liệt kê các danh mục quyết định mà quy trình thực sự chạm tới và nhóm chúng thành ba nhóm — rủi ro cao không thể đảo ngược (hồ sơ pháp lý, quyết định tài chính hướng khách hàng, chấm dứt), rủi ro trung bình có thể khôi phục (chọn nhà cung cấp trong ngân sách đã được phê duyệt, xuất bản nội dung cho đối tượng nội bộ, điều chỉnh account-tier), và rủi ro thấp có thể đảo ngược (tạo bản nháp, lập lịch trong đội, phân loại ticket, phân loại lần đầu). Bài tập là một buổi làm việc cross-functional mỗi quy trình; đầu ra là một bản đồ danh mục quyết định một trang nêu tên nơi cổng phê duyệt thêm giá trị giảm thiểu rủi ro và nơi nó chỉ thêm thời gian xếp hàng.
Hầu hết các bộ phận vận hành 200 FTE, trong cách chúng tôi đọc mô hình, phát hiện rằng 60–80% quyết định trong bất kỳ quy trình AI nào nằm trong bucket rủi ro thấp có thể đảo ngược và approval-by-default đang được áp dụng đồng nhất trên cả ba. Bản đồ là mở khóa. Bucket rủi ro cao không thể đảo ngược thực sự cần cổng con người, và dữ liệu không tranh cãi điều đó. Hai bucket còn lại là nơi mức tăng năng suất 31 điểm đang bị để lại trên bàn — và là nơi chuyển động kiến trúc là từ approval-by-default sang oversight-by-exception, với các trigger ngoại lệ được định nghĩa rõ ràng trong quy trình thay vì ngầm trong quyền tự quyết của người xem xét.
Khớp con người với loại cổng qua dữ liệu tâm lý đo lường
Phần thứ hai — và là phần hầu hết các bộ phận mid-market bỏ qua — là chọn đúng con người cho giám sát chỉ ngoại lệ. Nghiên cứu Stanford lưu ý, trong phần triển khai nửa sau, rằng giám sát chỉ ngoại lệ thường thất bại nhất không phải vì các ngoại lệ bị bỏ sót mà vì việc tái chèn vào im lặng: người xem xét được giả định để xem xét ngoại lệ bắt đầu cũng xem xét các hành động thường ngày, vì đó là mô hình làm việc mà họ luôn chạy. Sự chuyển dịch kiến trúc sang oversight-by-exception một phần là thiết kế lại tổ chức và một phần là vấn đề lựa chọn.
Tín hiệu lựa chọn là tâm lý đo lường, không dựa trên bằng cấp. Các đặc điểm dự đoán liệu người xem xét có thể giữ vững đường oversight-by-exception mà không tái chèn vào im lặng vào xem xét thường ngày là phán đoán dưới sự mơ hồ, trách nhiệm cao, và những gì văn liệu tâm lý học tổ chức gọi là dung sai giám sát-theo-tin-cậy — sự thoải mái với việc ủy thác hành động thường ngày và xem xét các tín hiệu ở cấp độ mô hình thay vì cấp độ hành động. Những người xem xét giữ vững đường có xu hướng đạt điểm cao trên các chiều này; những người tái chèn im lặng có xu hướng đạt điểm thấp, bất kể thâm niên hay chuyên môn lĩnh vực. Bộ phận chạy một pass tâm lý đo lường ngắn trên các ứng viên người xem xét trước khi giao vai trò giám sát ngoại lệ nhận được sự khớp tốt hơn đáng kể so với bộ phận giao theo thâm niên hoặc sự tiện lợi của sơ đồ tổ chức.
Ống kính Scovai ở đây là vận hành: dữ liệu tâm lý đo lường về phán đoán và dung sai giám sát-theo-tin-cậy là loại đầu vào quyết định mất khoảng ba mươi phút mỗi người xem xét để thu thập, có chi phí trong khoảng 40–90 USD mỗi hồ sơ từ các nhà cung cấp chuẩn, và ngăn chặn chế độ thất bại phổ biến nhất của các rollout ủy quyền. Kinh tế học thẳng thắn — một sự giao oversight-by-exception kém trong bộ phận 200 FTE nén mức tăng năng suất trên quy trình đủ để tài trợ cho bộ lọc tâm lý đo lường trên toàn bộ pool người xem xét nhiều lần.
Đấu dây trigger ngoại lệ và kiểm tra tái chèn vào im lặng
Phần thứ ba: định nghĩa các trigger ngoại lệ trong code, không phải trong đầu người xem xét, và đo lường quy trình để phát hiện việc tái chèn vào im lặng. Các trigger ngoại lệ là các điều kiện mà dưới đó quy trình AI đưa ra một quyết định để xem xét bởi con người — thường là ngưỡng bất thường, dải confidence-score, cờ edge-case, hoặc lệch mô hình. Định nghĩa chúng rõ ràng buộc cuộc trò chuyện thiết kế về việc những ngoại lệ nào thực sự cần phán đoán của con người và những ngoại lệ nào đang được định tuyến đến đó theo mặc định.
Đo lường tái chèn vào im lặng là phần mà hầu hết các rollout bỏ qua và mà dữ liệu Stanford cho thấy là dự đoán tốt nhất duy nhất về việc mức tăng năng suất có duy trì ở 90 ngày hay không. Đó là một kiểm tra telemetry sử dụng trên hàng đợi của người xem xét: họ chỉ chạm vào các ngoại lệ đã nổi lên, hay họ đang kéo và sửa đổi các hành động thường ngày mà quy trình được cho là tự động hóa? Kiểm tra rẻ để xây dựng, chạy ở nền, và biến vấn đề phát triển tin cậy từ chủ quan ("người quản lý này đã thấy thoải mái chưa?") sang được đo lường. Các bộ phận đo lường nó di chuyển qua đường cong phát triển tin cậy trong 60–90 ngày; các bộ phận không làm thường trôi dạt trở lại approval-by-default trong vòng sáu tháng mà không ai chọn rõ ràng.
Phản biện và lý do dữ liệu Stanford đóng nó
Phản biện tự nhiên từ COO mid-market có ý thức về rủi ro: 51 triển khai là mẫu nhỏ, khoảng cách 31 điểm có thể không khái quát hóa cho các quy trình cụ thể của chúng ta, và chuyển động có kỷ luật là giữ human-in-the-loop cho đến khi chúng ta tự chạy một so sánh có kiểm soát. Logic nghe có vẻ khắt khe và tạo ra kết quả sai.
Mẫu Stanford nhỏ vì bộ lọc cho triển khai sản xuất là chặt. Nới lỏng bộ lọc tái giới thiệu tiếng ồn — thí điểm, các nghiên cứu trường hợp do nhà cung cấp curate, ảnh chụp một quý — mà văn liệu vận hành đã bão hòa. Khoảng cách 31 điểm giữ vững qua bốn biến số mà hầu hết các bộ phận mid-market giả định là trung tâm (mô hình, nhà cung cấp, dọc, quy mô đội), và cơ chế mà nghiên cứu nêu tên là một cái mà bất kỳ nhà lãnh đạo vận hành nào cũng có thể nhận ra trong các triển khai của riêng họ mà không cần so sánh có kiểm soát. Phản biện yêu cầu một, trong thực tế, là yêu cầu chi tiêu hai quý nữa chạy kiến trúc 40% trước khi quyết định chuyển sang kiến trúc 71%.
Một phiên bản sắc hơn: ngay cả khi phát hiện là thật, môi trường pháp lý hoặc rủi ro của chúng ta hợp pháp yêu cầu human-in-the-loop ở mọi nơi. Phản hồi của playbook Stanford là bucket rủi ro cao không thể đảo ngược — kiến trúc bảo toàn rõ ràng các cổng con người ở nơi chúng thêm giá trị giảm thiểu rủi ro thực sự. Lập luận không phải là "loại bỏ tất cả phê duyệt của con người"; mà là "ngừng áp dụng phê duyệt của con người đồng nhất cho các bucket rủi ro trung bình và thấp nơi nó thêm thời gian xếp hàng mà không thêm phán đoán". Các bộ phận đọc phát hiện như một nhị phân mất đi sắc thái mà các tác giả Stanford cố ý xây dựng vào playbook.
Quyết định Q3 nén vào một hành động
Đối với Head of Operations đang hoàn thiện kiến trúc quy trình AI 2026 trong bốn đến sáu tuần tới, hệ quả nén vào một quy tắc:
Trước khi quy trình AI-enabled tiếp theo được giao — và trước khi các quy trình hiện có đóng các retrospective Q3 của họ — chạy bản đồ danh mục quyết định cho mỗi quy trình, di chuyển các bucket rủi ro trung bình và thấp từ approval-by-default sang oversight-by-exception với các trigger rõ ràng, và giao vai trò xem xét ngoại lệ trên cơ sở dữ liệu tâm lý đo lường về phán đoán và giám sát-theo-tin-cậy, không phải thâm niên.
Chi phí triage là một buổi làm việc mỗi quy trình, một pass tâm lý đo lường trên pool ứng viên người xem xét, và một xây dựng đo lường cho telemetry tái chèn vào im lặng. Chi phí giảm của không triage — tại khoảng cách trung vị 31 điểm mà Stanford đã đặt vào hồ sơ vận hành — là một danh mục đầu tư AI 2026 chạy ở khoảng 56% mức tăng năng suất mà các nhà lãnh đạo triển khai đang cộng dồn (PwC AI Performance Study, 2026), và một retrospective 2027 nêu tên approval-by-default là lựa chọn kiến trúc mà bộ phận chưa bao giờ thực hiện rõ ràng nhưng đã trả tiền cho mỗi quý.
Con số 71% không phải là tiêu đề của nghiên cứu Stanford. Khoảng cách 31 điểm giữa 71% và 40% là tiêu đề. Và đòn bẩy ủy quyền đóng nó là cái mà hầu hết các bộ phận vận hành mid-market chưa bao giờ đưa vào chương trình họp.
