Phần mềm doanh nghiệp đang có cơ hội tiếp cận một lợi thế cạnh tranh vốn lâu nay chủ yếu thuộc về các nền tảng tiêu dùng: khả năng học liên tục từ dữ liệu người dùng để cải thiện sản phẩm. Theo Jaya Gupta, đối tác tại Foundation Capital, sự xuất hiện của LLM, xu hướng làm việc từ xa và AI agent đang giúp các công ty phần mềm doanh nghiệp lần đầu khai thác “vòng lặp dữ liệu tích lũy” từ chính quá trình ra quyết định.

Trong bài đăng gần đây trên nền tảng X, Gupta cho rằng lợi thế mà Google, Amazon, Netflix, Meta hay TikTok xây dựng suốt hơn 20 năm qua có thể được tóm gọn trong một khái niệm: “vòng lặp dữ liệu tích lũy” (compounding loop).

Theo ông, cơ chế này vận hành theo chu trình: hệ thống thu thập dữ liệu hành vi, dùng dữ liệu đó để cải thiện sản phẩm, từ đó thu hút thêm người dùng và tạo ra nhiều dữ liệu hơn. Vòng lặp càng quay nhanh, đối thủ càng khó bắt kịp.

Tuy nhiên, phần mềm doanh nghiệp từ trước đến nay gần như không tận dụng được mô hình này. Gupta cho rằng vấn đề không nằm ở chỗ doanh nghiệp thiếu quyết định để phân tích, mà ở chỗ quá trình ra quyết định khó được quan sát và ghi nhận như hành vi người dùng trên các nền tảng B2C.

Ông nhận định “vũ khí” mới của các công ty phần mềm doanh nghiệp chính là vòng lặp dữ liệu mà trước đây họ chưa thể xây dựng. Nếu các nền tảng tiêu dùng học từ những cú nhấp chuột hay hành vi cuộn trang, thì phần mềm doanh nghiệp nay có thể học từ chính quá trình ra quyết định trong tổ chức.

Theo Gupta, đây là khác biệt cốt lõi giữa B2C và phần mềm doanh nghiệp. Trong môi trường B2C, dữ liệu thường phản ánh hành vi của một người dùng trên một giao diện. Ngược lại, một quyết định trong doanh nghiệp thường là kết quả của quá trình thương lượng giữa nhiều bộ phận như bán hàng, tài chính, pháp chế, vận hành, bảo mật và lãnh đạo, mỗi bên có quyền hạn và lợi ích khác nhau. Vì vậy, quyết định không đến từ một cú nhấp chuột, mà từ cả một chuỗi trao đổi và cân nhắc.

Vấn đề là các hệ thống doanh nghiệp truyền thống chủ yếu chỉ lưu trạng thái cuối cùng. Chúng cho biết kết quả sau cùng, nhưng không cho thấy con số đó được hình thành qua những bước nào. Một hợp đồng sau khi chỉnh sửa chỉ phản ánh điều khoản cuối cùng, trong khi các phương án từng bị bác bỏ gần như biến mất khỏi hệ thống.

Gupta cho biết bối cảnh của quyết định thường nằm rải rác trong các cuộc họp, chuỗi email, trao đổi không chính thức, suy nghĩ của từng cá nhân hoặc giữa nhiều hệ thống không liên thông. Trước đây, doanh nghiệp cũng không có nhiều động lực để lưu loại dữ liệu này, bởi chúng thường bị xem là sản phẩm phụ của quy trình, thay vì tài sản có thể khai thác.

Theo ông, điều đó đang thay đổi khi một lớp hạ tầng dữ liệu mới bắt đầu hình thành, cho phép lưu trữ và theo dõi quá trình ra quyết định.

Gupta nêu ba nguyên nhân chính. Thứ nhất, công việc ngày càng chuyển sang môi trường số có thể ghi lại. Thứ hai, LLM giúp xử lý và khai thác dữ liệu phi cấu trúc. Thứ ba, AI agent có thể tự động ghi nhận các quyết định phát sinh trong quy trình làm việc.

Ông cho rằng khi làm việc từ xa và cộng tác bất đồng bộ trở nên phổ biến, dấu vết của quá trình ra quyết định ngày càng tích tụ dưới dạng bình luận, đề xuất chỉnh sửa tài liệu, lịch sử ticket, luồng phê duyệt hay bản ghi cuộc gọi. LLM hiện có thể trích xuất các tín hiệu này từ bản ghi âm, log chat và bình luận tài liệu trong toàn doanh nghiệp.

Với AI agent, Gupta đưa ra ví dụ một agent đề xuất mức giá, sau đó nhân viên bán hàng điều chỉnh mức chiết khấu từ 25% lên 30% và ghi chú rằng cần phản ứng trước đối thủ X. Theo ông, chính phần chỉnh sửa đó là dấu vết của quyết định. Đề xuất của mô hình là đầu vào có cấu trúc mà hệ thống cho là phù hợp, còn thay đổi do con người thực hiện lại phản ánh phần phán đoán mà mô hình chưa nắm bắt được.

Gupta cho rằng các công ty B2B SaaS như Salesforce, ServiceNow hay Workday gặp nhiều khó khăn hơn trong việc triển khai mô hình này trên nền tảng hiện có.

Theo ông, dù các hãng này đã bổ sung agent vào sản phẩm, các agent đó vẫn phải vận hành trên kiến trúc vốn chỉ lưu trạng thái hiện tại. Khi một mức chiết khấu được phê duyệt, phần bối cảnh dẫn tới quyết định đó gần như biến mất. Nếu không thể tái dựng trạng thái tại đúng thời điểm ra quyết định, doanh nghiệp sẽ không thể kiểm toán, rút kinh nghiệm hay khai thác tiền lệ.

Tương tự, các kho dữ liệu như Snowflake hay Databricks cũng chủ yếu tiếp nhận dữ liệu sau khi quyết định đã được đưa ra thông qua quy trình ETL (Extract, Transform, Load). Nói cách khác, hệ thống có thể lưu kết quả của quyết định, nhưng không nắm được chuỗi suy luận dẫn tới kết quả đó.

Ở chiều ngược lại, Gupta đánh giá các startup xây dựng sản phẩm xoay quanh AI agent ngay từ đầu đang có lợi thế cấu trúc lớn hơn. Vì agent trực tiếp vận hành workflow, hệ thống có thể ghi nhận bối cảnh ngay tại thời điểm quyết định được chốt, lưu dữ liệu theo thời gian thực và biến chúng thành nguồn dữ liệu gốc, thay vì chờ được tổng hợp sau ETL.

Theo ông, điều này sẽ nâng đáng kể chất lượng những gì AI có thể làm trong môi trường doanh nghiệp.

Gupta cho rằng trong các lĩnh vực như pháp lý, bảo hiểm, y tế, tài chính, mua sắm hay bảo mật, mỗi ngành đều tích lũy hàng chục năm kinh nghiệm và phán đoán của chuyên gia. Trước đây, phần tri thức này hầu như không được ghi chép đầy đủ, không được tổ chức thành dữ liệu có thể học và cũng khó đưa vào ứng dụng thực tế.

“Đó là lý do chuyên gia có thể nhận 2.000 USD mỗi giờ”, ông nói. Theo Gupta, năng lực của các chuyên gia hàng đầu được hình thành từ kinh nghiệm và khả năng phán đoán mà tổ chức tích lũy qua nhiều thập kỷ. Hiện nay, loại dữ liệu này lần đầu có thể được thu thập, cấu trúc hóa và đưa vào các hệ thống học máy.