Py bắt đầu chú ý đến cụm từ “AI diffusion” (sự lan toả của AI) từ một bản tin khá bình thường: Việt Nam đã vươn lên vị trí thứ hai Đông Nam Á về tỷ lệ ứng dụng AI, tiếp cận 26,5% dân số trong độ tuổi lao động.¹ Tuy nhiên, một báo cáo khác công bố vào giữa năm 2026 lại chỉ ra: dù có đến 8/10 doanh nghiệp đã bắt đầu triển khai AI, nhưng chỉ khoảng 25% đạt đến mức độ sử dụng nâng cao.²

Hai con số này không hề mâu thuẫn. Ngược lại, khi đặt cạnh nhau, chúng kể hai câu chuyện hoàn toàn khác biệt: một câu chuyện về bề rộng (AI đã lan rộng tới đâu) và một câu chuyện về chiều sâu (AI đã bắt rễ sâu đến mức nào). Trong bài viết này, Py muốn bàn về câu chuyện thứ hai.

(Phần tổng hợp nghiên cứu trong bài được thực hiện với sự hỗ trợ của AI)

Diffusion là gì?

Dù thuật ngữ “AI diffusion” nghe có vẻ mang đậm hơi thở của năm 2026, nhưng khái niệm gốc rễ lại xuất hiện từ rất sớm. Năm 1962, Everett Rogers đã xuất bản cuốn Diffusion of Innovations.³ Theo định nghĩa của ông, “diffusion” (sự lan tỏa) là quá trình một phát kiến mới thâm nhập và lan truyền qua một hệ thống xã hội theo thời gian. Đây cũng là bệ phóng cho những nhóm thuật ngữ quen thuộc mà dân làm sản phẩm vẫn dùng đến tận bây giờ: innovators, early adopters, early majority, late majority, laggards.

Thực tế, từ trước khi GenAI bùng nổ, OECD đã nghiên cứu sâu về sự lan tỏa của AI trong doanh nghiệp: ai là người áp dụng trước, quy mô công ty tác động thế nào, rào cản nằm ở kỹ năng, hạ tầng hay ở chính khâu tổ chức vận hành.⁴ Do đó, câu hỏi trọng tâm hiện nay không còn là “AI có được áp dụng (adopt) hay không?”, mà phải là “AI đang lan rộng và ăn sâu đến mức nào?”.

(Note nhẹ: Quy định “AI Diffusion Rule” của Mỹ liên quan đến việc kiểm soát xuất khẩu chip, hoàn toàn khác với khái niệm diffusion trong bài viết này).

Adoption và diffusion không trả lời cùng câu hỏi

Nói một cách cụ thể, “adoption” trả lời cho câu hỏi mang tính nhị phân: Tổ chức có đang dùng AI không? Trong khi đó, “diffusion” lại đào sâu hơn: AI đã len lỏi đến đâu bên trong tổ chức đó?

Một báo cáo nghiên cứu của Cục Điều tra Dân số Hoa Kỳ (U.S. Census Bureau) công bố tháng 4/2026 đã đề xuất một khung ba tầng rất đáng tham khảo: firm → business function → worker task. Nghĩa là, đánh giá sự hiện diện của AI từ cấp độ toàn doanh nghiệp, xuống đến từng phòng ban chức năng, và cuối cùng là tận đầu việc cụ thể của mỗi cá nhân.⁵

Lấy ví dụ, trong giai đoạn từ tháng 11/2025 đến tháng 1/2026, có 18% doanh nghiệp Mỹ sử dụng AI ở ít nhất một chức năng kinh doanh. Trong nhóm đã “adopt” này, 57% giới hạn việc dùng AI ở tối đa ba phòng ban (nhiều nhất là Sales & Marketing, Strategy, và IT). Chạm đến tầng “task” (đầu việc), 65% cũng chỉ ứng dụng AI cho khoảng ba loại tác vụ cơ bản, chủ yếu là viết, đọc tài liệu và tìm kiếm thông tin. Hơn nữa, 66% doanh nghiệp thuần túy dùng AI để “augment” (bổ trợ) công việc thay vì thay thế hoàn toàn con người.

Thú vị hơn cả những con số khô khan, báo cáo này chỉ ra một thực tế sắc sảo: quá trình diffusion diễn ra theo cả hai chiều. Có những nơi, nhân viên dùng AI hằng ngày dù công ty chưa có chính sách áp dụng chính thức. Ngược lại, có công ty hô hào “adopt” rầm rộ, nhưng xuống tới tầng nhân viên thì gần như chẳng ai đụng đến.

Tóm lại, “công ty tôi đang dùng AI” và “người trong công ty tôi đang dùng AI” là hai mệnh đề độc lập, và đôi khi chúng chẳng hề giao nhau.

Cách Py hiểu

Khung firm → function → task giải quyết rất tốt bài toán về “không gian”: AI đã đi đến đâu, phòng ban nào, đầu việc gì. Nhưng nó vẫn bỏ ngỏ một khía cạnh. Hai công ty cùng tuyên bố “chúng tôi dùng AI trong Sales” hoàn toàn có thể đang ở hai thái cực khác biệt. Một bên chỉ đơn giản là nhân viên Sales tự mở ChatGPT để nháp email. Bên kia có thể đã “đập đi xây lại” toàn bộ quy trình đánh giá khách hàng (lead qualification), sao cho mỗi bước đều có dấu ấn của hệ thống AI.

Chính vì thế, sau khi đọc xong báo cáo, Py tự phác thảo thêm một thang đo mới, không nhằm thay thế khung của Census, mà để bổ khuyết cho trục còn thiếu ấy.

Access (Tiếp cận): AI đã bước qua cửa công ty chưa? Tầng này xoay quanh một vấn đề duy nhất: nhân viên đã được trang bị công cụ chưa? Mua license, cấp tài khoản, kích hoạt tính năng. Không ngạc nhiên, đây là tầng dễ vượt qua nhất.

Usage (Sử dụng): Có bao nhiêu người thật sự mở ra dùng? Bước sang tầng này, câu chuyện dịch chuyển từ “công cụ” sang “thói quen”. Ranh giới giữa Access và Usage do yếu tố con người quyết định. Cùng một lượng license, nhưng có công ty chỉ 10% nhân viên dùng, nơi khác lại lên tới 70%. Động lực thực sự không nằm ở bản thân công cụ, mà ở việc người ta có thấy cần thiết phải thay đổi cách làm hay không. Nếu lề lối cũ vẫn trơn tru, chẳng mấy ai tự dưng tìm đến cái mới.

Workflow (Quy trình): Luồng công việc đã được tái cấu trúc chưa? Tầng này chất vấn cách thức tổ chức công việc: trình tự các bước để hoàn thành một nhiệm vụ có còn y như cũ không? Sự khác biệt giữa Usage và Workflow nằm ở số lượng bước. Py lấy một ví dụ cho dễ hình dung: Viết bản tóm tắt tình hình dự án cho khách hàng. Quy trình cũ thường là: Mở hệ thống → Tìm dữ liệu → Copy ra → Đọc → Viết nháp → Sửa lại (6 bước). Ở tầng Usage, AI được nhét vào giữa. Vẫn nguyên 6 bước đó, chỉ là mỗi bước diễn ra nhanh hơn. Nhưng ở tầng Workflow, 6 bước được thu hẹp chỉ còn 2: Viết prompt mô tả thứ mình cần → Đọc lại kết quả. Bốn bước kia hoàn toàn bốc hơi, bởi suy cho cùng, chúng vốn chỉ tồn tại do con người không thể đọc hết đống dữ liệu khổng lồ cùng một lúc.

Delegation (Ủy quyền): Đã có phần việc nào giao khoán hẳn cho AI chưa? Tới đây, cuộc chơi không còn là làm nhanh hay chậm, mà là câu chuyện về thẩm quyền quyết định. AI sẽ tự động chạy ra kết quả cuối cùng, con người chỉ cần duyệt lại khi thực sự cần thiết. Khúc mắc lớn nhất ngăn cách Workflow và Delegation không nằm ở công nghệ (một hệ thống đã rút từ 6 bước xuống 2 thì dư sức cân luôn phần còn lại). Thứ thực sự kìm hãm nó là câu hỏi quản trị muôn thuở: Ai sẽ là người chịu trách nhiệm nếu AI làm sai?

Disclaim lần nữa: Trên đây chỉ là cách Py hệ thống hóa lại cho dễ hiểu dựa trên góc nhìn cá nhân tại thời điểm này, nên chắc chắn sẽ mang tính chủ quan

Py dùng cái ruler này thế nào?

Thật ra Py không dùng nó để “khám sức khỏe” cho toàn bộ tổ chức, một PO bình thường hiếm khi cầm đủ dữ liệu để làm việc đó. Thay vào đó, Py thu hẹp phạm vi lại: dùng nó để đánh giá các tính năng/yêu cầu (feature/request) đang nằm trong backlog.

Trước đây, với những đề xuất kiểu “chỗ này đắp thêm AI vào được nè”, Py thường hỏi: “AI giải quyết được gì ở đây?”. Nay Py đổi sang một hướng tiếp cận khác: “Nếu feature này chạy rồi, nó sẽ nằm ở tầng nào?”. Nếu kết quả chỉ cung cấp cho user thêm một nút bấm, đó là tầng Access. Nếu user dùng thường xuyên hơn nhưng các bước trong quy trình vẫn giữ nguyên, đó là tầng Usage. Chỉ khi nào chứng minh được có một chuỗi thao tác thực sự biến mất, thì tính năng đó mới chạm ngõ tầng Workflow.

Lợi ích lớn nhất Py thu về từ chiếc thang đo này không đơn thuần là một bộ khung đánh giá, mà là sự tỉnh táo để bớt bị cuốn theo chữ “AI” trong các bản đề xuất. Nếu lúc trước, phản xạ đầu tiên khi nghe đề xuất tích hợp AI là lao ngay vào nghĩ giải pháp; thì giờ đây, phản xạ đầu tiên là xác định “tầng”. Tự thân câu hỏi ấy đã lọc bỏ được kha khá ý tưởng dư thừa, trước cả khi team phải ngồi xuống tranh luận về mặt giá trị.

Quanh đi quẩn lại, Py nhận ra bài toán tiếp theo dành cho mình, và có lẽ cho nhiều team khác, không còn nằm ở khâu “Adoption” nữa. Khi 8/10 doanh nghiệp đều đã rục rịch triển khai, câu cửa miệng “chúng tôi có dùng AI” gần như chẳng thay đổi được cục diện. Vùng đất thực sự còn nhiều dư địa để khai phá đang nằm ở khoảng trống giữa tầng hai chuyển sang tầng ba.

Và khi đặt chân đến ranh giới đó, một câu hỏi mới, thuộc về nghề Product nhiều hơn, lại xuất hiện: Để diffusion tiến đến được tầng workflow, chúng ta phải thay đổi những gì trong cách thiết kế sản phẩm?

Đó là chuyện của bài (2).

1. Microsoft — Global AI Diffusion Q1 2026
2. UOB — Business Outlook Study 2026 (Vietnam)
3. Everett M. Rogers — Diffusion of Innovations
4. OECD — The Adoption of Artificial Intelligence in Firms
5. U.S. Census Bureau — The Microstructure of AI Diffusion (CES-WP-26-25) – cần dùng VPN để mở link này

Cám ơn bạn đã nán lại cho đến những dòng cuối cùng này.

Chúc bạn nhiều may mắn và bình an.

Anpy