Hai nhóm startup nhận cùng một bộ công cụ AI: cùng model, cùng số credit, cùng chương trình đào tạo. Ba tháng sau, một nhóm lùi về gần đúng chỗ cũ, nhóm còn lại kéo xa rõ rệt về doanh thu. Điểm khác biệt duy nhất nghe rất đời thường: nhóm được xem cách công ty khác tổ chức lại công việc quanh AI.
Trả lời nhanh: thí nghiệm thực địa ngẫu nhiên (Kim, Kim & Koning, 2026) cho thấy cùng một bộ công cụ, nhóm được xem case study về tái tổ chức công việc tìm thêm 44% use case AI, hoàn thành nhiều nhiệm vụ hơn và đạt doanh thu gần gấp đôi nhóm đối chứng. Biến số tạo khác biệt là thông tin về nơi AI tạo giá trị, không phải model hay ngân sách.
TL;DR
- Cùng công cụ không có nghĩa cùng kết quả: nhóm được xem cách doanh nghiệp khác tái tổ chức công việc đã tăng doanh thu gần gấp đôi nhóm đối chứng trong ba tháng.
- Lợi ích không dàn đều — phần tăng dồn về nhóm 10% dẫn đầu. AI nhân đầu ra thay vì cộng thêm, nên khoảng cách sẽ tiếp tục giãn ra.
- Với SMB Việt Nam: mua bản đồ use case trước, mua công cụ sau. Biết AI tạo giá trị ở khâu nào rồi mới chi tiền cho khâu đó.
Công cụ AI đã rẻ — thứ khan hiếm là thông tin
Theo Ramp AI Index (09/09/2026), giá token hiệu dụng còn 0,68 USD/triệu token, giảm 41% so với đỉnh 1,15 USD tháng 03/2026; doanh nghiệp trung vị chi 11,95 USD cho AI mỗi nhân viên mỗi tháng (dữ liệu 07/2026, thư Ramp 12/08/2026). Đặt cạnh chi phí nhân sự trung bình khoảng 8.500 USD/tháng mà Social Capital dùng để tính, seat AI đó bằng khoảng 0,14% chi phí nhân sự tháng — phép chia của chúng tôi. Kể cả nhân mười lần, tiền công cụ vẫn không phải khoản mục lớn trong sổ sách của một SMB. Vậy chênh lệch kết quả giữa các công ty đến từ đâu? Nghiên cứu dưới đây trả lời đúng chỗ đó.
Thiết kế thí nghiệm: cùng công cụ, một biến số duy nhất
"Mapping AI into Production: A Field Experiment on Firm Performance" (Kim, Kim & Koning, 2026 — INSEAD Working Paper 2026/20/STR) theo dõi 515 startup tăng trưởng cao trên toàn cầu suốt ba tháng trong một accelerator. Đây là thí nghiệm ngẫu nhiên đã đăng ký trước tại AEA RCT Registry (AEARCTR-0016746): tiêu chí đo chốt trước khi chạy, không chọn lọc sau khi biết kết quả.
Mọi công ty nhận cùng công cụ, cùng credit, cùng đào tạo. Nhóm treatment chỉ được phân thêm một thứ: các case study về cách doanh nghiệp khác tái tổ chức sản xuất quanh AI. Không có model tốt hơn, không có ngân sách lớn hơn. Biến số duy nhất là thông tin.
Kết quả: cùng công cụ, doanh thu giãn ra gần hai lần
Nhóm được xem cách tổ chức lại công việc đi lên ở mọi chỉ số cốt lõi, và doanh thu gấp 1,9 lần nhóm đối chứng là con số hấp dẫn nhất của nghiên cứu:
| Chỉ số (ba tháng, so với nhóm đối chứng) | Kết quả |
|---|---|
| Số use case AI khám phá được | +44%, tập trung ở phát triển sản phẩm và chiến lược |
| Số nhiệm vụ hoàn thành | +12% |
| Khả năng có được khách hàng trả tiền | +18% |
| Doanh thu | gấp 1,9 lần |
| Nhu cầu vốn bên ngoài | giảm 39,5% |
| Nhu cầu lao động | không đổi |
Nguồn: Kim, Kim & Koning (2026), INSEAD Working Paper 2026/20/STR.
Độ giãn đó tương đương việc nhóm đối chứng chỉ đạt khoảng 53% doanh thu của nhóm treatment. Cách lợi ích phân bố còn đáng chú ý hơn: doanh thu điển hình của startup ở cả hai nhóm hầu như không nhúc nhích; phần tăng dồn về nhóm 10% dẫn đầu, từ percentile 90 trở lên. Chamath Palihapitiya, người đưa nghiên cứu này vào luận điểm AI ROI ngày 25/09/2026, diễn giải: AI nhân đầu ra chứ không chỉ cộng thêm, nên công ty tổ chức việc tốt sẽ kéo xa hơn phần còn lại. Và một chi tiết dễ bị bỏ qua: nhu cầu lao động của nhóm thắng không đổi — phần tăng đến từ cách tổ chức công việc, không phải tuyển thêm người.
Insight: thứ được phân phát là bản đồ, không phải công nghệ
Biến số duy nhất được phép khác biệt là thông tin về nơi AI tạo giá trị — và chỉ thông tin đó đã đủ để doanh thu giãn ra gần hai lần.
Nhóm treatment không nhận thêm năng lực tính toán nào. Họ nhận ví dụ về chỗ đặt AI vào quy trình. Trong ba tháng, họ nhìn lại các phòng ban của mình và thấy những khâu mà trước đó không ai nghĩ AI đụng vào được. Bản đồ trong đầu đổi trước, cách phân bổ công sức đổi sau, rồi kết quả mới đổi.
Đó là lời giải cho câu hỏi vì sao cùng một công cụ cho ra hai số phận. Công cụ là hàng hóa: ai cũng mua được đúng một thứ như nhau. Quyết định đặt nó vào đâu là thông tin khan hiếm, và thị trường chưa phân phát thứ đó miễn phí.
Với SMB Việt Nam: mua bản đồ trước, mua công cụ sau
Khách hàng của 5ac không thiếu công cụ — nhân viên phần lớn đã tự dùng AI lẻ loi, hiện tượng Shadow AI mà chúng tôi từng phân tích riêng. Họ thiếu bức tranh về chỗ AI đáng gắn vào quy trình của chính công ty mình. License agent mua được trong một buổi chiều; bản đồ use case thì phải vẽ từ chính quy trình của bạn. Ba bước để bắt đầu:
- Vẽ bản đồ use case theo phòng ban. Với bán hàng, vận hành, kế toán, chăm sóc khách hàng: liệt kê việc lặp lại, thời lượng mỗi tuần và dữ liệu đầu vào. Chưa cần chấm điểm, việc trước tiên là nhìn thấy hết khối lượng.
- Học cách tổ chức lại từ case thật trước khi mở ví. Thí nghiệm trên cho thấy ngay việc được xem cách người khác làm đã đổi kết quả.
- Chọn đúng một quy trình, đo baseline hai tuần rồi mới tự động hóa. Khi quy trình đó trả lại thời gian đo được, mới nhân rộng sang khâu kế tiếp.
Takeaway
Điều phân nhóm thắng không phải model mạnh nhất hay ngân sách lớn nhất, mà là thông tin về nơi AI tạo giá trị — thứ có thể học được và vẽ lại cho chính công ty của bạn. Nếu đang bắt đầu, đừng mở bằng câu "dùng AI gì"; hãy mở bằng câu "quy trình nào của mình lặp lại nhiều nhất và có dữ liệu sạch nhất". Muốn bức tranh tổng thể trước khi quyết, bài hướng dẫn AI cho doanh nghiệp vừa và nhỏ của chúng tôi là điểm khởi đầu tốt.
5ac bán bản đồ use case và quy trình triển khai process-first, không bán license agent. Xem bảng giá G-Company OS để chọn điểm bắt đầu cho doanh nghiệp của bạn.
Câu hỏi thường gặp
Thí nghiệm này là nghiên cứu của ai?
Nghiên cứu "Mapping AI into Production" của Kim, Kim & Koning (2026), INSEAD Working Paper 2026/20/STR — thí nghiệm thực địa ngẫu nhiên trên 515 startup tăng trưởng cao trong ba tháng, đã đăng ký trước tại AEA RCT Registry (AEARCTR-0016746).
Điều gì khác biệt giữa nhóm treatment và nhóm đối chứng?
Cùng công cụ AI, cùng credit, cùng đào tạo và hỗ trợ. Nhóm treatment chỉ được phân thêm các case study về cách doanh nghiệp khác tái tổ chức sản xuất quanh AI. Biến số duy nhất là thông tin.
Doanh thu gấp gần hai lần nghĩa là gì?
Trong ba tháng, doanh thu nhóm treatment đạt gần gấp đôi nhóm đối chứng, với lợi ích tập trung ở nhóm 10% dẫn đầu; doanh thu điển hình ở cả hai nhóm hầu như không đổi.
SMB Việt Nam áp dụng bài học này thế nào?
Vẽ bản đồ use case theo phòng ban, học từ case thật của doanh nghiệp cùng ngành, rồi chọn đúng một quy trình và đo baseline hai tuần trước khi tự động hóa — đúng cách tiếp cận process-first mà 5ac áp dụng khi triển khai hệ điều hành agent.
Nguồn tham khảo
- Kim, Kim & Koning (2026), "Mapping AI into Production: A Field Experiment on Firm Performance", INSEAD Working Paper 2026/20/STR (PDF Mack Institute) — thiết kế thí nghiệm 515 startup, +44% use case, +12% nhiệm vụ, +18% khách trả tiền, doanh thu gấp 1,9 lần, giảm 39,5% nhu cầu vốn, percentile 90.
- SSRN abstract 6513481 — tóm tắt nghiên cứu.
- Chamath Palihapitiya, X post 25/09/2026 — bối cảnh AI ROI, cách diễn giải "AI nhân đầu ra", doanh thu điển hình hầu như không nhúc nhích.
- Social Capital Deep Dive, "Why AI is booming, but productivity isn't" (25/09/2026) — mẫu số chi phí nhân sự ~8.500 USD/tháng dùng trong phép tính hoàn vốn.
- Ramp AI Index — September 2026 letter (09/09/2026): giá token hiệu dụng 0,68 USD/triệu token, giảm 41% từ đỉnh 1,15 USD tháng 03/2026.
- Ramp AI Index — August 2026 letter (12/08/2026): chi AI trung vị 11,95 USD/nhân viên/tháng (dữ liệu 07/2026).
Ghi chú vị thế: số liệu trong bài đến từ nghiên cứu do chính nhóm tác giả công bố (dữ liệu ba tháng trong môi trường accelerator) và từ các thư Ramp AI Index. Kết quả chưa được kiểm định độc lập trên doanh nghiệp Việt Nam; hãy dùng chúng như mốc tham chiếu về thiết kế, không phải lời hứa doanh thu.
Về tác giả: James Marcus, Agent Content Lead tại 5ac.vn, simulating the thinking style and expertise of James Marcus (content strategy researcher, data-driven storytelling). Viết cho những doanh nghiệp Việt muốn AI chạy thật, không chạy demo.