Doanh nghiệp đã sử dụng AI để soạn email, tóm tắt tài liệu và hỗ trợ nhân viên làm việc nhanh hơn. Nhưng doanh thu có tăng không? Quy trình có hiệu quả hơn không? Ban lãnh đạo có ra quyết định tốt hơn nhờ dữ liệu không?
Đây là khoảng cách giữa sử dụng AI như một công cụ cá nhân và xây dựng AI thành năng lực vận hành của tổ chức.
Khảo sát “Thực trạng ứng dụng AI trong tổ chức” năm 2026 do HPT phối hợp với Hội Tin học TP. Hồ Chí Minh (HCA) và chuyên gia chiến lược AI Đào Trung Thành thực hiện cho thấy 47,8% tổ chức vẫn ở cấp độ khởi phát, trong khi chỉ 18,4% đạt cấp độ chuẩn hóa. Tỷ lệ ở cấp độ chuyển hóa là 3,0%.
Những con số này đặt ra một câu hỏi quan trọng cho lãnh đạo doanh nghiệp: Làm thế nào để chuyển từ thử nghiệm AI sang tạo ra giá trị kinh doanh có thể đo lường?
TÓM TẮT DÀNH CHO NHÀ QUẢN TRỊ
- 78,6% tổ chức nằm ở hai cấp độ trưởng thành AI đầu tiên: khởi phát và định hình.
- 18,4% tổ chức đạt cấp độ chuẩn hóa; 3,0% được xếp ở cấp độ chuyển hóa.
- 71% phản hồi cho biết AI được sử dụng trong các tác vụ văn phòng; tỷ lệ tích hợp AI vào CRM là 34% và ERP là 21%.
- Các rào cản nổi bật gồm an toàn dữ liệu và đạo đức AI (58%), thiếu nhân sự AI (52%), chi phí và khó đo lường ROI (48%).
- Hướng đi thực tế: bắt đầu từ bài toán kinh doanh cụ thể, củng cố dữ liệu, tích hợp AI vào quy trình và thiết lập cơ chế quản trị, đo lường.
Lưu ý: Đây là kết quả của khảo sát được công bố tại HPT D-DAY 2026, không phải số liệu đại diện mặc định cho toàn bộ doanh nghiệp Việt Nam.
1. Khảo sát HPT 2026 cho thấy điều gì?
Khảo sát “Thực trạng ứng dụng AI trong tổ chức” năm 2026 được HPT phối hợp cùng HCA và chuyên gia Đào Trung Thành thực hiện, công bố tại sự kiện HPT D-DAY ngày 15/10/2026.
Theo các thông tin được công bố, phần lớn tổ chức tham gia là các đơn vị ứng dụng công nghệ thông tin và tổ chức có quy mô dưới 1.000 nhân viên.
Khảo sát hướng tới đánh giá mức độ trưởng thành AI của tổ chức, thay vì chỉ ghi nhận việc doanh nghiệp có sử dụng công cụ AI hay không. Khung đánh giá được mở rộng theo năm miền năng lực: chiến lược và lãnh đạo; công nghệ, dữ liệu và vận hành AI; nguồn lực con người và mô hình vận hành; rủi ro và quản trị AI có trách nhiệm; hiện thực hóa giá trị, mức sử dụng và khả năng nhân rộng.
Điểm khác biệt nằm ở cách nhìn AI như một năng lực tổng thể. Một tổ chức có thể sở hữu nhiều công cụ hiện đại nhưng vẫn chưa trưởng thành nếu thiếu dữ liệu đáng tin cậy, quy trình vận hành, cơ chế quản trị hoặc khả năng chứng minh hiệu quả đầu tư.
2. Bốn cấp độ trưởng thành AI: Doanh nghiệp đang ở đâu?
| Cấp độ | Tỷ lệ tổ chức | Đặc điểm minh họa |
|---|---|---|
| Khởi phát | 47,8% | AI được sử dụng rời rạc, phụ thuộc nhiều vào sáng kiến cá nhân. |
| Định hình | 30,8% | Một số phòng ban đã có ứng dụng AI nhưng cách triển khai chưa đồng bộ. |
| Chuẩn hóa | 18,4% | AI được đưa vào quy trình với cơ chế quản trị và đo lường rõ ràng hơn. |
| Chuyển hóa | 3,0% | AI có khả năng tạo thay đổi đáng kể trong vận hành và cách thức kinh doanh. |
Các mô tả trong bảng là diễn giải khái quát của Hars để giúp người đọc hình dung. Khi sử dụng làm căn cứ đánh giá chính thức, doanh nghiệp cần tham khảo tiêu chí trong báo cáo gốc của HPT.
Hai cấp độ đầu chiếm tổng cộng 78,6%. Điều này cho thấy việc tiếp cận AI đã diễn ra ở nhiều tổ chức, nhưng quá trình chuyển AI thành năng lực được quản trị và vận hành ở quy mô tổ chức vẫn còn nhiều khoảng trống.
Tỷ lệ 18,4% ở cấp độ chuẩn hóa cũng không đồng nghĩa mọi tổ chức trong nhóm này đều đã đạt hiệu quả kinh doanh như nhau. Mức trưởng thành phản ánh năng lực ứng dụng theo khung đánh giá; kết quả kinh doanh còn phụ thuộc vào mục tiêu, cách triển khai và điều kiện riêng của từng đơn vị.
Thông điệp quan trọng đối với lãnh đạo không phải là chạy đua để có thật nhiều ứng dụng AI. Đó là xác định đúng năng lực đang thiếu và ưu tiên cải thiện những điểm nghẽn ảnh hưởng trực tiếp đến kết quả.
3. AI đã vào văn phòng, nhưng chưa đi sâu vào hệ thống nghiệp vụ
Khảo sát ghi nhận 71% phản hồi cho biết AI được sử dụng trong các tác vụ văn phòng như soạn thảo và tổng hợp tài liệu. Trong khi đó, tỷ lệ tích hợp AI vào hệ thống quản lý quan hệ khách hàng (CRM) là 34%, còn hệ thống hoạch định nguồn lực doanh nghiệp (ERP) là 21%.
Sự chênh lệch này phản ánh hai mức độ ứng dụng khác nhau:
- AI hỗ trợ cá nhân: giúp nhân viên viết nhanh hơn, tìm thông tin và xử lý tài liệu thuận tiện hơn.
- AI hỗ trợ vận hành: khai thác dữ liệu nghiệp vụ, hỗ trợ quy trình bán hàng, chăm sóc khách hàng, lập kế hoạch và ra quyết định.
Mức thứ nhất có thể tạo ra lợi ích nhanh chóng. Tuy nhiên, nếu dữ liệu vẫn nằm rải rác trong bảng tính, email, ứng dụng nhắn tin và các hệ thống riêng biệt, AI sẽ khó hỗ trợ xuyên suốt quy trình.
Ngược lại, khi AI được kết nối đúng với dữ liệu và quy trình, doanh nghiệp có cơ hội chuyển từ tiết kiệm thời gian ở từng tác vụ sang cải thiện hiệu quả của cả một chuỗi công việc.
Khảo sát cũng ghi nhận 34% tổ chức cho biết AI đã giúp cải thiện chất lượng ra quyết định thông qua dự báo, phân tích và cảnh báo sớm. Đây là tín hiệu tích cực, đồng thời cho thấy nhu cầu xây dựng hệ thống đo lường để xác định giá trị AI mang lại một cách rõ ràng hơn.
4. Sáu rào cản khiến doanh nghiệp khó mở rộng AI
Theo kết quả khảo sát được VnEconomy công bố, các tổ chức gặp nhiều rào cản có liên quan chặt chẽ với nhau.
| Rào cản | Tỷ lệ phản hồi |
|---|---|
| An toàn dữ liệu và đạo đức AI | 58% |
| Thiếu nhân sự AI | 52% |
| Chi phí và khó xác định ROI | 48% |
| Hạn chế về dữ liệu và hạ tầng | 42% |
| Thiếu chiến lược hoặc vai trò dẫn dắt của lãnh đạo | 30% |
| Chưa nắm rõ quy định pháp lý | 27% |
Các tỷ lệ phản ánh những lựa chọn được ghi nhận trong khảo sát; không nên cộng chúng lại thành 100% vì một tổ chức có thể gặp nhiều rào cản cùng lúc.
Có thể nhìn thấy mối liên hệ giữa các vấn đề: dữ liệu phân tán làm giảm khả năng tích hợp; thiếu nhân lực khiến doanh nghiệp khó triển khai và kiểm soát; thiếu mục tiêu đo lường làm việc đánh giá ROI trở nên mơ hồ. Khi đó, lãnh đạo khó quyết định nên tiếp tục đầu tư, điều chỉnh hay dừng một sáng kiến AI.
Vì vậy, giải pháp không chỉ là mua thêm công cụ hoặc tuyển thêm chuyên gia. Doanh nghiệp cần kết hợp ba yếu tố: bài toán kinh doanh rõ ràng, nền tảng dữ liệu đủ tin cậy và cơ chế quản trị phù hợp.
5. Lộ trình ứng dụng AI 4 bước cho doanh nghiệp vừa và nhỏ
Không phải doanh nghiệp nào cũng cần bắt đầu bằng một dự án AI lớn. Với nguồn lực hạn chế, cách tiếp cận phù hợp hơn là đi từng bước, tạo kết quả có thể kiểm chứng rồi mới mở rộng.
Bước 1. Chọn bài toán kinh doanh cụ thể
Bắt đầu bằng một hoặc hai vấn đề có phạm vi rõ và có thể đo lường, chẳng hạn:
- Rút ngắn thời gian tổng hợp báo cáo kinh doanh hằng tuần.
- Phân loại yêu cầu khách hàng và hỗ trợ nhân viên phản hồi.
- Tổng hợp tiến độ công việc, nhận diện nhiệm vụ có nguy cơ trễ hạn.
- Hỗ trợ lãnh đạo phân tích chỉ số và chuẩn bị phương án hành động.
Trước khi triển khai, hãy xác định chỉ số nền: hiện tại công việc mất bao lâu, cần bao nhiêu nhân lực và thường phát sinh lỗi gì. Sau thử nghiệm, doanh nghiệp mới có cơ sở so sánh hiệu quả.
Bước 2. Chuẩn hóa dữ liệu trước khi mở rộng
AI không thể tự khắc phục hoàn toàn dữ liệu thiếu, sai hoặc mâu thuẫn. Doanh nghiệp cần xác định nguồn dữ liệu chính thức, thống nhất cách đặt tên và cập nhật thông tin, đồng thời phân quyền truy cập phù hợp.
Không nhất thiết phải xây dựng một kho dữ liệu lớn ngay từ đầu. Có thể bắt đầu bằng một tập dữ liệu phục vụ bài toán ưu tiên, sau đó từng bước mở rộng kết nối giữa các phòng ban.
Bước 3. Đưa AI vào quy trình thay vì chỉ dùng chatbot riêng lẻ
Sau khi kiểm chứng hiệu quả ở phạm vi nhỏ, hãy xem xét tích hợp AI vào quy trình mà nhân viên đang sử dụng: báo cáo, quản lý công việc, bán hàng, chăm sóc khách hàng hoặc phối hợp liên phòng ban.
Mục tiêu không chỉ là tạo ra câu trả lời nhanh hơn, mà còn giảm thao tác lặp lại, tăng tính nhất quán và giúp thông tin cần thiết đến đúng người vào đúng thời điểm.
Mỗi ứng dụng nên có người phụ trách, quy trình kiểm tra đầu ra và chỉ số đánh giá. Các quyết định quan trọng vẫn cần cơ chế giám sát của con người phù hợp với mức độ rủi ro.
Bước 4. Thiết lập quản trị và đo lường ngay từ đầu
Khi AI bắt đầu tiếp cận dữ liệu và quy trình thực tế, doanh nghiệp cần xác định rõ:
- Ai được phép sử dụng từng loại dữ liệu và ứng dụng AI?
- Dữ liệu nhạy cảm được bảo vệ như thế nào?
- Ai kiểm tra kết quả và xử lý khi AI đưa ra thông tin sai?
- Hiệu quả được đo bằng thời gian, chi phí, chất lượng hay doanh thu?
- Những yêu cầu pháp lý nào áp dụng cho từng trường hợp sử dụng?
Việc tuân thủ cần được xác định theo hệ thống AI, vai trò của doanh nghiệp và phạm vi sử dụng cụ thể, thay vì mặc định mọi ứng dụng AI đều có cùng nghĩa vụ.
6. Hars và Kimmy: Rút ngắn khoảng cách từ dữ liệu đến ứng dụng AI
Một trong những điểm nghẽn phổ biến của doanh nghiệp là dữ liệu và công việc đang nằm ở nhiều nơi, khiến AI khó có đủ ngữ cảnh để hỗ trợ chính xác.
Định hướng của Hars là kết nối quản trị công việc, dữ liệu và trợ lý AI trong một môi trường làm việc thống nhất. Với Kimmy, doanh nghiệp có thể hướng tới việc sử dụng AI để hỗ trợ phân tích, tổng hợp báo cáo, phối hợp công việc và khai thác thông tin phục vụ ra quyết định.
Giá trị không nằm ở việc có thêm một chatbot, mà ở khả năng đưa AI đến gần hơn với dữ liệu và quy trình thực tế của tổ chức. Hiệu quả vẫn cần được kiểm chứng theo từng bài toán, chất lượng dữ liệu và cách doanh nghiệp triển khai.
Doanh nghiệp nên bắt đầu từ một quy trình ưu tiên, xác định chỉ số thành công và mở rộng khi đã có bằng chứng về hiệu quả.
Kết luận: Trưởng thành AI là bài toán quản trị, không chỉ là bài toán công nghệ
Khảo sát HPT 2026 cho thấy khoảng cách đáng chú ý giữa việc sử dụng AI và việc đưa AI thành năng lực được quản trị trong tổ chức. Phần lớn tổ chức vẫn ở hai cấp độ đầu, trong khi tỷ lệ đạt cấp độ chuẩn hóa là 18,4%.
Đối với doanh nghiệp vừa và nhỏ, hướng đi không nhất thiết là đầu tư lớn ngay lập tức. Hãy bắt đầu từ một bài toán kinh doanh cụ thể, chuẩn hóa dữ liệu cần thiết, tích hợp AI vào quy trình và đo lường kết quả. Song song với đó là quản trị dữ liệu, rủi ro và trách nhiệm của con người.
Doanh nghiệp không cần ứng dụng AI ở mọi nơi cùng lúc. Điều cần thiết là chọn đúng nơi AI có thể tạo ra giá trị, rồi xây dựng năng lực để mở rộng một cách có kiểm soát.
Muốn xác định doanh nghiệp nên bắt đầu từ đâu trên lộ trình ứng dụng AI?
Nguồn tham khảo
Many businesses now use AI to draft emails, summarize documents, and help employees work faster. But has revenue increased? Have business processes become more efficient? Are leaders making better decisions with data?
This is the gap between using AI as an individual productivity tool and building AI into an organization’s operational capabilities.
The 2026 “State of AI Adoption in Organizations” survey, conducted by HPT in collaboration with the Ho Chi Minh City Computer Association (HCA) and AI strategy expert Dao Trung Thanh, found that 47.8% of surveyed organizations remained at the emerging level, while only 18.4% reached the standardized level. A further 3.0% were classified as transformative.
These findings raise an important question for business leaders: How can an organization move beyond AI experimentation and generate measurable business value?
EXECUTIVE SUMMARY
- 78.6% of surveyed organizations were at the first two AI maturity levels: emerging and developing.
- 18.4% reached the standardized level, while 3.0% were classified as transformative.
- 71% of responses indicated AI use in office tasks. AI integration rates were 34% for CRM and 21% for ERP.
- Key barriers included data security and AI ethics (58%), a shortage of AI talent (52%), and cost and difficulty measuring ROI (48%).
- A practical approach is to start with a specific business problem, improve data readiness, integrate AI into workflows, and establish governance and measurement.
Note: These are findings from the survey presented at HPT D-DAY 2026. They should not automatically be treated as representative of every business in Vietnam.
1. What Does the 2026 HPT Survey Reveal?
The 2026 “State of AI Adoption in Organizations” survey was conducted by HPT in collaboration with HCA and AI strategy expert Dao Trung Thanh. Its findings were presented at HPT D-DAY on October 15, 2026.
According to published reports, most participating organizations were IT users and organizations with fewer than 1,000 employees.
Rather than simply asking whether an organization uses AI tools, the survey assessed AI maturity across five capability areas: strategy and leadership; technology, data and AI operations; people and operating models; risk and responsible AI governance; and value realization, usage and scaling.
This approach treats AI as an organizational capability. A business may have access to advanced tools but still lack maturity if it has unreliable data, inconsistent workflows, inadequate governance, or no clear way to demonstrate return on investment.
2. Four Reported AI Maturity Levels: Where Do Organizations Stand?
| Level | Share of organizations | Illustrative characteristics |
|---|---|---|
| Emerging | 47.8% | AI is used informally and often depends on individual initiative. |
| Developing | 30.8% | Some departments use AI, but implementation remains inconsistent. |
| Standardized | 18.4% | AI is incorporated into processes with clearer governance and measurement. |
| Transformative | 3.0% | AI has the potential to significantly change operations and business practices. |
The descriptions above are Hars’s general interpretations to help readers understand the levels. Organizations should consult HPT’s original report for official definitions and assessment criteria.
The first two levels account for 78.6% of surveyed organizations. This suggests that AI adoption is spreading, but turning AI into a managed capability across the organization remains a significant challenge.
The 18.4% standardized figure does not mean that every organization in this group has achieved the same business results. Maturity reflects capabilities assessed against a framework; actual outcomes also depend on business objectives, implementation, and organizational context.
The priority for leaders is not to accumulate as many AI applications as possible. It is to identify capability gaps and address the constraints that directly affect business outcomes.
3. AI Has Reached Office Tasks, but Core Business Integration Remains Limited
The survey found that 71% of responses indicated AI use for office tasks such as drafting and document summarization. By comparison, AI integration stood at 34% for customer relationship management (CRM) and 21% for enterprise resource planning (ERP).
This difference reflects two distinct levels of adoption:
- Individual productivity: helping employees write faster, find information, and process documents.
- Operational enablement: using business data to support sales, customer service, planning, and decision-making workflows.
The first level can deliver quick benefits. However, when data remains scattered across spreadsheets, email, messaging applications, and separate systems, AI may struggle to support end-to-end processes.
When AI is properly connected to data and workflows, businesses have a better opportunity to move from saving time on individual tasks to improving entire work processes.
The survey also found that 34% of organizations reported improved decision-making through AI-supported forecasting, analysis, and early warnings. This is encouraging, but it also highlights the need for better measurement to determine the value AI actually delivers.
4. Six Barriers Preventing Businesses from Scaling AI
According to the survey results reported by VnEconomy, organizations face several interconnected barriers.
| Barrier | Share of responses |
|---|---|
| Data security and AI ethics | 58% |
| Shortage of AI talent | 52% |
| Cost and difficulty determining ROI | 48% |
| Data and infrastructure limitations | 42% |
| Lack of strategy or leadership ownership | 30% |
| Limited understanding of legal requirements | 27% |
These figures represent reported barriers. They should not be added together to reach 100%, as an organization may face multiple barriers simultaneously.
The challenges reinforce one another. Fragmented data makes integration harder. A lack of expertise limits implementation and oversight. Without clear performance indicators, ROI becomes difficult to evaluate. Leaders are then left without a reliable basis for deciding whether to expand, adjust, or stop an AI initiative.
The answer is not simply to purchase more tools or hire additional specialists. Businesses need to combine a clear business problem, reliable data foundations, and appropriate governance.
5. A Four-Step AI Adoption Roadmap for SMEs
Not every business needs to begin with a large AI program. For organizations with limited resources, a more practical approach is to proceed incrementally, validate results, and expand only when the evidence supports it.
Step 1. Choose a Specific Business Problem
Start with one or two clearly scoped, measurable challenges, such as:
- Reducing the time required to prepare weekly sales reports.
- Classifying customer requests and helping staff respond.
- Summarizing work progress and identifying tasks at risk of delay.
- Helping leaders analyze performance indicators and prepare action plans.
Before implementation, establish a baseline: how long the task takes, how much staff time it requires, and what errors commonly occur. After the pilot, compare the results against that baseline.
Step 2. Improve Data Readiness Before Scaling
AI cannot fully compensate for missing, inaccurate, or contradictory data. Businesses should identify authoritative data sources, standardize naming and update practices, and establish appropriate access controls.
A large enterprise data platform is not always necessary at the outset. Start with the dataset required for the priority use case, then gradually expand connections across departments.
Step 3. Embed AI into Workflows Rather Than Relying on Standalone Chatbots
Once a small-scale pilot has demonstrated value, consider integrating AI into the processes employees already use: reporting, work management, sales, customer service, or cross-functional coordination.
The goal is not merely to generate answers faster. It is to reduce repetitive work, improve consistency, and deliver the right information to the right people at the right time.
Each application should have an owner, a process for reviewing outputs, and measurable performance indicators. Human oversight should remain appropriate to the risk of the decisions involved.
Step 4. Establish Governance and Measurement from the Start
As AI begins to access operational data and business processes, organizations should define:
- Who is authorized to access each type of data and AI application?
- How is sensitive information protected?
- Who reviews AI outputs and handles incorrect results?
- Is performance measured through time, cost, quality, or revenue?
- Which legal requirements apply to each specific use case?
Compliance should be determined by the AI system, the organization’s role, and the intended use—not by assuming that every AI application has identical obligations.
6. Hars and Kimmy: Shortening the Journey from Data to AI Adoption
One common bottleneck is that business data and work activities are scattered across multiple systems, making it difficult for AI to obtain enough context to provide reliable assistance.
Hars’s approach is to connect work management, data, and AI assistance in a more unified working environment. With Kimmy, organizations can work toward using AI to support analysis, reporting, task coordination, and information retrieval for decision-making.
The value is not simply adding another chatbot. It lies in bringing AI closer to the organization’s actual data and workflows. Results still need to be validated against each use case, data quality, and implementation approach.
Businesses should begin with a priority workflow, define success metrics, and expand once they have evidence of measurable value.
Conclusion: AI Maturity Is a Management Challenge, Not Just a Technology Challenge
The 2026 HPT survey highlights a meaningful gap between using AI and establishing AI as a managed organizational capability. Most surveyed organizations remain at the first two maturity levels, while 18.4% reached the standardized level.
For small and medium-sized businesses, progress does not necessarily require a large initial investment. Start with a specific business problem, improve the necessary data, integrate AI into the workflow, and measure the outcome. In parallel, strengthen data governance, risk controls, and human accountability.
Businesses do not need to deploy AI everywhere at once. They need to identify where AI can create value and build the capabilities to scale it responsibly.
Want to identify the right starting point for your AI adoption roadmap?
Schedule a consultation with Hars


