AI đang xuất hiện ngày càng nhiều trong doanh nghiệp Việt Nam. Nhân viên dùng ChatGPT, Claude hay các công cụ AI để viết nội dung, tổng hợp tài liệu, phân tích thông tin. Một số doanh nghiệp đã xây chatbot, trợ lý nội bộ hoặc thử nghiệm AI trong chăm sóc khách hàng.
Nhưng “đã dùng AI” và “đã đưa AI vào vận hành” là hai câu chuyện rất khác nhau.
Báo cáo “Khai phá tiềm năng AI Việt Nam 2026”, do Strand Partners thực hiện theo ủy quyền của AWS, cho thấy khoảng 26% doanh nghiệp Việt Nam — tương đương 245.000 doanh nghiệp — đã ứng dụng AI, tăng mạnh so với mức 18% của năm trước.
Tuy nhiên, 61% doanh nghiệp đã ứng dụng AI vẫn đang ở giai đoạn thử nghiệm. Chỉ một tỷ lệ nhỏ đã thực sự tích hợp công nghệ vào quy trình và nghiệp vụ hằng ngày.
Khoảng cách lớn nhất của doanh nghiệp Việt vì vậy không còn nằm ở câu hỏi “có nên dùng AI hay không?”, mà là:
Làm thế nào biến AI từ một công cụ để nhân viên thử nghiệm thành một năng lực thực sự của doanh nghiệp — có quy trình, dữ liệu, quản trị và hiệu quả đo lường được?
TÓM TẮT DÀNH CHO NHÀ QUẢN TRỊ
- 26% doanh nghiệp Việt Nam đã ứng dụng AI, tương đương khoảng 245.000 doanh nghiệp, tăng từ 18% của năm trước.
- 61% doanh nghiệp đã ứng dụng AI vẫn đang ở giai đoạn thử nghiệm.
- 72% ghi nhận năng suất tăng, so với 66% năm trước.
- 64% cho biết AI giúp doanh thu tăng trung bình 15%.
- 69% xem AI là ưu tiên hàng đầu hoặc ưu tiên cao, trong khi 84% dự kiến sẽ tăng mức độ sử dụng AI trong năm tới.
- Chỉ 23% doanh nghiệp ứng dụng AI có chiến lược AI chính thức và toàn diện.
- Chỉ 13% có khung đo lường ROI từ AI rõ ràng và được áp dụng nhất quán; 46% thừa nhận chưa có phương pháp đáng tin cậy để đo hiệu quả đầu tư.
- 54% doanh nghiệp coi thiếu kỹ năng số và AI là rào cản đối với việc triển khai và mở rộng.
- Với AI agent, 38% doanh nghiệp đã biết đến công nghệ này; 8% trong nhóm đó đã đưa AI agent vào quy trình cốt lõi và 19% đang thử nghiệm hoặc triển khai thí điểm.
Những con số này cho thấy doanh nghiệp Việt Nam đang bước rất nhanh vào AI, nhưng thách thức tiếp theo khó hơn nhiều: đưa AI từ thử nghiệm sang vận hành thực tế.
1. 26% doanh nghiệp Việt đã ứng dụng AI: tốc độ tăng đang rất nhanh
Nghiên cứu “Khai phá tiềm năng AI Việt Nam 2026” do Strand Partners thực hiện theo ủy quyền của AWS, khảo sát 1.000 lãnh đạo doanh nghiệp và 1.000 người dân, nhằm đánh giá mức độ ứng dụng AI và điện toán đám mây tại Việt Nam.
Theo kết quả được công bố tại AWS Cloud and AI Day Hà Nội, khoảng 26% doanh nghiệp Việt Nam, tương đương 245.000 doanh nghiệp, đã ứng dụng AI vào hoạt động, tăng đáng kể so với mức 18% của năm 2025.
Ông Eric Yeo, Tổng giám đốc AWS Việt Nam, cho biết tốc độ này tương đương với việc mỗi giờ có khoảng 8 doanh nghiệp Việt Nam bắt đầu ứng dụng AI.
Không chỉ số lượng doanh nghiệp sử dụng tăng lên, AI cũng đang trở thành một ưu tiên trong chiến lược kinh doanh.
| Chỉ số | Kết quả |
|---|---|
| Doanh nghiệp đã ứng dụng AI | 26% |
| Mức năm trước | 18% |
| Số doanh nghiệp tương đương | Khoảng 245.000 |
| Xem AI là ưu tiên hàng đầu hoặc ưu tiên cao | 69% |
| Kỳ vọng tăng mức sử dụng AI trong năm tới | 84% |
| Có chiến lược AI chính thức và toàn diện | 23% |
| Mức có chiến lược AI năm trước | 12% |
Một điểm đáng chú ý khác là 71% doanh nghiệp đã ứng dụng AI cho biết khoản đầu tư của họ đã hòa vốn hoặc mang lại lợi nhuận.
Điều đó cho thấy câu chuyện AI tại Việt Nam đã bắt đầu dịch chuyển từ “thử công nghệ mới” sang câu hỏi thực tế hơn về hiệu quả kinh doanh.
2. AI đã bắt đầu tạo ra doanh thu và năng suất
Nếu chỉ nhìn vào tỷ lệ 26%, có thể cho rằng AI tại Việt Nam vẫn ở giai đoạn khá sớm.
Nhưng các doanh nghiệp đã triển khai AI đang ghi nhận những kết quả đáng chú ý.
Theo nghiên cứu:
- 72% doanh nghiệp ứng dụng AI ghi nhận năng suất tăng, so với 66% của năm trước.
- 64% cho biết AI giúp doanh thu tăng, với mức tăng trung bình khoảng 15%.
- 73% đánh giá AI đóng vai trò quan trọng trong chiến lược kinh doanh tổng thể.
Những con số này cho thấy AI không còn chỉ được sử dụng để viết email, tạo nội dung hay hỗ trợ tìm kiếm thông tin.
Khi được đưa đúng vào quy trình, AI có thể tác động trực tiếp đến ba biến số mà nhà quản trị quan tâm nhất:
Thời gian – Chi phí – Kết quả.
Ví dụ, một phòng kinh doanh có thể dùng AI để tổng hợp dữ liệu bán hàng và tạo báo cáo tuần.
Phòng chăm sóc khách hàng có thể dùng AI để phân loại yêu cầu, truy xuất tài liệu nội bộ và đề xuất câu trả lời.
Bộ phận quản lý có thể dùng AI để tổng hợp dữ liệu từ nhiều nguồn, phát hiện vấn đề và hỗ trợ đưa ra quyết định.
Điểm khác biệt nằm ở việc AI có được kết nối với dữ liệu và quy trình thật của doanh nghiệp hay chỉ tồn tại như một công cụ độc lập mà từng nhân viên tự sử dụng.
3. Ngành nào đang dẫn đầu ứng dụng AI tại Việt Nam?
Mức độ ứng dụng AI khác nhau đáng kể giữa các ngành.
Trong dịch vụ tài chính, khoảng 41% doanh nghiệp đã ứng dụng AI, cao hơn đáng kể so với mức trung bình 26% của toàn thị trường.
Trong số các doanh nghiệp tài chính sử dụng AI, 79% ghi nhận năng suất được cải thiện.
Ngành y tế có tỷ lệ ứng dụng AI khoảng 23%, trong đó 69% doanh nghiệp sử dụng AI báo cáo năng suất tăng.
| Ngành | Tỷ lệ ứng dụng AI | Doanh nghiệp ứng dụng AI ghi nhận năng suất tăng |
|---|---|---|
| Dịch vụ tài chính | 41% | 79% |
| Y tế | 23% | 69% |
| Trung bình doanh nghiệp | 26% | 72% |
Điều đáng chú ý là tài chính và y tế đều thuộc nhóm ngành có yêu cầu cao về dữ liệu, bảo mật và tuân thủ.
Điều này cho thấy quy định chặt chẽ không nhất thiết ngăn doanh nghiệp ứng dụng AI.
Ngược lại, nó đặt ra yêu cầu cao hơn về cách AI được triển khai: dữ liệu nào được phép truy cập, dữ liệu nào phải bảo vệ, ai có quyền sử dụng AI và kết quả do AI tạo ra được kiểm soát như thế nào.
Đây cũng là điểm khác biệt giữa AI dành cho người dùng cá nhân và AI dành cho doanh nghiệp.
4. Con số quan trọng nhất không phải 26%, mà là 61%
26% cho thấy tốc độ phổ cập AI.
Nhưng 61% mới là con số phản ánh thách thức thực sự.
Theo nghiên cứu, 61% doanh nghiệp đã ứng dụng AI vẫn đang ở giai đoạn thử nghiệm.
Báo Đầu tư dẫn lời Tổng giám đốc AWS Việt Nam Eric Yeo cho biết chỉ khoảng 8% doanh nghiệp đã tích hợp AI vào quy trình, nghiệp vụ hoặc hoạt động.
Điều đó có nghĩa phần lớn doanh nghiệp đã biết AI có ích nhưng vẫn chưa giải được bài toán:
Làm thế nào đưa AI từ một công cụ mà nhân viên tự sử dụng thành một phần của quy trình vận hành doanh nghiệp?
Có ít nhất ba khoảng trống cần được giải quyết.
4.1. Khoảng trống thứ nhất: Không đo được hiệu quả đầu tư AI
Đây có thể là điểm nghẽn lớn nhất.
Chỉ 13% doanh nghiệp được khảo sát có khung đo lường ROI từ AI rõ ràng và được áp dụng nhất quán.
Trong khi đó, 46% thừa nhận chưa có cách đáng tin cậy để đo ROI từ AI.
Nếu không có số liệu ban đầu, doanh nghiệp rất khó trả lời những câu hỏi cơ bản:
- AI đã tiết kiệm bao nhiêu giờ làm việc?
- Chi phí cho một tác vụ giảm bao nhiêu?
- Thời gian phản hồi khách hàng thay đổi thế nào?
- Tỷ lệ sai sót giảm bao nhiêu?
- Doanh thu tăng có thực sự đến từ AI?
- Khoản đầu tư vào AI bao lâu thì hoàn vốn?
Khi những câu hỏi này không được trả lời, dự án AI dễ rơi vào tình trạng “mọi người thấy hữu ích nhưng không ai chứng minh được hiệu quả”.
Và khi ngân sách bị siết lại, đây thường là những dự án đầu tiên bị đặt câu hỏi.
4.2. Khoảng trống thứ hai: Thiếu kỹ năng AI trong tổ chức
54% doanh nghiệp cho rằng thiếu kỹ năng số và AI đang cản trở việc ứng dụng và mở rộng AI.
Nhưng vấn đề không chỉ là nhân viên chưa biết viết prompt.
Khi AI được đưa sâu hơn vào doanh nghiệp, kỹ năng cần thiết cũng thay đổi.
Nhân viên cần biết:
- khi nào nên sử dụng AI;
- dữ liệu nào có thể đưa vào hệ thống;
- cách kiểm tra kết quả;
- cách phát hiện câu trả lời sai;
- khi nào cần con người phê duyệt;
- và cách kết hợp AI với quy trình công việc hiện tại.
Theo nghiên cứu, 87% nhà tuyển dụng cho rằng đào tạo lại nhân viên hiện tại là yếu tố quan trọng trong chiến lược AI.
Đáng chú ý, 62% lãnh đạo doanh nghiệp cho rằng tư duy phản biện và khả năng đánh giá sẽ trở thành năng lực quan trọng; 57% nhấn mạnh khả năng diễn giải, kiểm chứng và phản biện kết quả do AI tạo ra.
Doanh nghiệp vì vậy không chỉ cần “người biết dùng AI”.
Doanh nghiệp cần người biết làm việc cùng AI và kiểm soát AI.
4.3. Khoảng trống thứ ba: Quản trị dữ liệu chưa theo kịp AI
23% doanh nghiệp ứng dụng AI cho biết đã có chiến lược AI chính thức và toàn diện — gần gấp đôi mức 12% của năm trước.
Đây là tín hiệu tích cực.
Tuy nhiên, trong nhóm doanh nghiệp có chiến lược AI, chỉ 28% đã thiết lập khung quản trị dữ liệu chính thức, và 19% đã triển khai khung AI có trách nhiệm toàn diện bao gồm quản trị, giám sát và quản lý rủi ro.
Đây là vấn đề quan trọng bởi AI càng được kết nối sâu vào doanh nghiệp thì càng cần truy cập nhiều dữ liệu hơn.
Từ tài liệu nội bộ, bảng giá, dữ liệu khách hàng đến báo cáo kinh doanh và quy trình vận hành — AI chỉ thực sự hữu ích khi hiểu được ngữ cảnh của doanh nghiệp.
Nhưng càng nhiều dữ liệu được kết nối, yêu cầu về phân quyền, bảo mật, truy vết và kiểm soát càng lớn.
5. AI agent: Bước tiếp theo của ứng dụng AI trong doanh nghiệp
Một xu hướng đáng chú ý khác trong báo cáo là sự xuất hiện của AI agent — AI có khả năng thực hiện một chuỗi nhiệm vụ thay vì chỉ trả lời từng câu hỏi riêng lẻ.
Khoảng 38% doanh nghiệp được khảo sát cho biết đã biết đến agentic AI.
Trong nhóm này:
- 8% đã tích hợp AI agent vào các quy trình cốt lõi;
- 19% đang thử nghiệm hoặc triển khai thí điểm.
Điều đáng chú ý hơn nằm ở kết quả của nhóm doanh nghiệp đi đầu.
Theo nghiên cứu, 81% ghi nhận năng suất được cải thiện rõ rệt; 68% cho biết hiệu quả vận hành hoặc năng suất tăng; 61% ra quyết định và thực thi nhanh hơn; và 49% có thể mở rộng hoạt động thuận lợi hơn.
Từ AI để “hỏi” sang AI để “làm”
Đây là bước chuyển quan trọng.
AI thế hệ đầu tiên chủ yếu hoạt động theo mô hình:
Người hỏi → AI trả lời → Người thực hiện.
AI agent hướng tới mô hình:
Người giao mục tiêu → AI tìm thông tin → phân tích → thực hiện chuỗi tác vụ → báo cáo kết quả → con người kiểm soát hoặc phê duyệt khi cần.
Ví dụ, thay vì yêu cầu AI:
“Hãy phân tích doanh số tuần này.”
Một AI agent có thể được thiết kế để:
Lấy dữ liệu → so sánh với KPI → phát hiện khu vực giảm doanh số → tìm nguyên nhân → tạo báo cáo → đề xuất hành động → gửi báo cáo cho quản lý.
Đây là khác biệt giữa AI như một công cụ hỗ trợ cá nhân và AI như một thành phần của quy trình doanh nghiệp.
6. Ba bước để đưa AI từ thử nghiệm vào quy trình doanh nghiệp
Một sai lầm phổ biến là doanh nghiệp bắt đầu bằng câu hỏi:
“Chúng ta nên dùng AI nào?”
Trong khi câu hỏi nên là:
“Quy trình nào đang tốn nhiều thời gian, có dữ liệu và có thể đo được kết quả?”
Bước 1. Chọn một quy trình có thể đo lường
Không nên bắt đầu bằng mục tiêu quá rộng như:
“Ứng dụng AI cho toàn công ty.”
Hãy bắt đầu từ một quy trình cụ thể.
Ví dụ:
- lập báo cáo kinh doanh tuần;
- phân loại yêu cầu khách hàng;
- tra cứu chính sách nội bộ;
- tổng hợp biên bản họp;
- kiểm tra hồ sơ;
- tổng hợp dữ liệu KPI;
- tạo báo cáo quản trị.
Trước khi triển khai AI, cần ghi lại ít nhất ba chỉ số:
Thời gian – Chi phí – Tỷ lệ sai sót.
Đây chính là baseline để đo hiệu quả sau này.
Bước 2. Cho AI hiểu dữ liệu và quy trình của doanh nghiệp
Một mô hình AI phổ thông có thể biết rất nhiều kiến thức chung.
Nhưng nó không tự biết:
- bảng giá của doanh nghiệp;
- chính sách bán hàng;
- quy trình phê duyệt;
- KPI từng phòng ban;
- cấu trúc báo cáo;
- tài liệu đào tạo;
- quy định nội bộ;
- lịch sử khách hàng.
Muốn AI thực sự hỗ trợ công việc, doanh nghiệp cần kết nối AI với nguồn dữ liệu đúng, quyền truy cập đúng và ngữ cảnh đúng.
Đây là lúc AI bắt đầu chuyển từ một chatbot chung chung thành trợ lý của chính doanh nghiệp.
Bước 3. Đo sau 30 ngày trước khi mở rộng
Sau một chu kỳ triển khai, doanh nghiệp cần quay lại những chỉ số đã ghi ở bước 1.
Ví dụ:
| Chỉ số | Trước AI | Sau AI | Thay đổi |
|---|---|---|---|
| Thời gian lập báo cáo tuần | 6 giờ | 2 giờ | -67% |
| Nhân sự tham gia | 3 người | 1 người kiểm tra | Giảm thao tác |
| Sai sót dữ liệu | 5 lỗi/tháng | 1 lỗi/tháng | -80% |
| Thời gian phản hồi | 24 giờ | 4 giờ | -83% |
Các số liệu trên chỉ là ví dụ minh họa cho phương pháp đo, không phải kết quả từ báo cáo AWS.
Nếu kết quả tốt, doanh nghiệp có thể mở rộng sang quy trình tiếp theo.
Nếu kết quả chưa tốt, cần tìm nguyên nhân trước khi nhân rộng: dữ liệu chưa đủ, quy trình chưa chuẩn, mô hình chưa phù hợp hay vẫn cần con người tham gia ở một số bước.
Cách tiếp cận này giúp doanh nghiệp chuyển từ:
Thử AI → Đo AI → Chuẩn hóa → Mở rộng AI.
7. Hars tiếp cận triển khai AI doanh nghiệp như thế nào?
Đây cũng là cách Hars định hướng triển khai Kimmy — trợ lý AI dành cho doanh nghiệp.
Thay vì bắt đầu bằng việc đưa một chatbot chung cho toàn bộ tổ chức, doanh nghiệp có thể bắt đầu từ một phòng ban và một bài toán cụ thể.
Với phòng Kinh doanh
Kimmy có thể hỗ trợ tổng hợp dữ liệu, chuẩn bị báo cáo, tra cứu thông tin sản phẩm, phân tích KPI hoặc hỗ trợ nhân viên xử lý thông tin khách hàng.
Với phòng Nhân sự
AI có thể hỗ trợ tra cứu chính sách, quy trình, tài liệu đào tạo, tổng hợp thông tin hoặc xử lý các tác vụ lặp lại.
Với bộ phận Chăm sóc khách hàng
AI có thể phân loại yêu cầu, tìm thông tin từ kho kiến thức nội bộ, đề xuất phản hồi và chuyển những trường hợp cần xử lý cho nhân viên.
Với nhà quản trị
AI có thể hỗ trợ tổng hợp dữ liệu từ nhiều nguồn, tạo báo cáo, phát hiện vấn đề và cung cấp thông tin phục vụ quá trình ra quyết định.
Điểm quan trọng không phải là AI làm được bao nhiêu tính năng.
Điểm quan trọng là:
AI giúp giảm bao nhiêu thời gian, giảm bao nhiêu thao tác và cải thiện được chỉ số nào trong quy trình.
Đó mới là cơ sở để doanh nghiệp quyết định có nên mở rộng AI sang phòng ban tiếp theo hay không.
8. Từ “AI-first” đến “AI có ROI”
Báo cáo AWS 2026 cho thấy doanh nghiệp Việt Nam đã vượt qua giai đoạn đầu tiên của quá trình ứng dụng AI.
26% doanh nghiệp đã bắt đầu.
69% xem AI là ưu tiên cao.
84% dự kiến sẽ sử dụng AI nhiều hơn.
Nhưng chỉ 13% có phương pháp đo ROI rõ ràng và nhất quán.
Khoảng cách này cho thấy thách thức của giai đoạn tiếp theo không phải là tiếp cận AI, mà là quản trị AI.
Doanh nghiệp cần chuyển từ câu hỏi:
“Nhân viên của tôi có đang dùng AI không?”
sang:
“AI đang tham gia quy trình nào, sử dụng dữ liệu gì, ai chịu trách nhiệm kiểm soát và hiệu quả được đo bằng chỉ số nào?”
Đó là lúc AI chuyển từ một công cụ công nghệ thành một năng lực vận hành.
Kết luận: Ứng dụng AI trong doanh nghiệp cần đi từ “thử” sang “làm”
Bức tranh AI Việt Nam năm 2026 có một nghịch lý đáng chú ý.
26% doanh nghiệp đã ứng dụng AI nhưng 61% trong số đó vẫn đang thử nghiệm.
Trong khi đó, nhóm doanh nghiệp triển khai bài bản đã bắt đầu ghi nhận tác động lên năng suất, doanh thu và tốc độ ra quyết định.
Điều này cho thấy lợi thế trong giai đoạn tiếp theo có thể không thuộc về doanh nghiệp “dùng nhiều công cụ AI nhất”, mà thuộc về doanh nghiệp biết:
Chọn đúng quy trình → Kết nối đúng dữ liệu → Quản trị đúng → Đo đúng hiệu quả → Rồi mới mở rộng.
Doanh nghiệp không nhất thiết phải bắt đầu bằng một dự án AI lớn.
Hãy bắt đầu bằng một quy trình đủ nhỏ để triển khai trong vài tuần, nhưng đủ rõ để đo được giá trị kinh doanh.
Đó có thể là bước đầu tiên để AI chuyển từ một công cụ mà nhân viên đang thử thành một phần thực sự của hệ thống vận hành doanh nghiệp.
Chưa biết phòng ban hoặc quy trình nào nên bắt đầu với AI?
Đặt lịch tư vấn cùng Hars để xác định bài toán phù hợp và xây dựng lộ trình triển khai AI theo từng quy trình.
Nguồn tham khảo
AI is becoming increasingly common in Vietnamese businesses. Employees use ChatGPT, Claude, and other AI tools to write content, summarize documents, and analyze information. Some companies have built chatbots, internal assistants, or AI-powered customer service pilots.
But using AI and integrating AI into business operations are two very different things.
The report “Unlocking the Potential of AI in Vietnam 2026,” commissioned by AWS and conducted by Strand Partners, found that approximately 26% of Vietnamese businesses — equivalent to 245,000 businesses — have adopted AI, up from 18% a year earlier.
However, 61% of businesses that have adopted AI are still in the experimentation stage. Only a small proportion have genuinely integrated the technology into their everyday workflows and business processes.
The biggest gap for Vietnamese businesses is therefore no longer whether they should use AI. It is this:
How can a company turn AI from a tool employees experiment with into a genuine business capability — supported by processes, data, governance, and measurable results?
EXECUTIVE SUMMARY
- 26% of Vietnamese businesses have adopted AI, equivalent to approximately 245,000 businesses, up from 18% a year earlier.
- 61% of businesses that have adopted AI are still experimenting.
- 72% report productivity improvements, compared with 66% the previous year.
- 64% report increased revenue attributable to AI, with an average increase of 15%.
- 69% consider AI a top or high priority, while 84% expect to increase their use of AI over the next year.
- Only 23% of AI-adopting businesses have a formal, comprehensive AI strategy.
- Just 13% have a clear, consistently applied framework for measuring AI return on investment (ROI), while 46% acknowledge that they lack a reliable way to measure it.
- 54% identify a shortage of digital and AI skills as a barrier to adoption and scaling.
- Regarding AI agents, 38% of businesses are aware of the technology; among this group, 8% have integrated AI agents into core workflows and 19% are experimenting or running pilots.
These figures show that Vietnamese businesses are adopting AI quickly. The next challenge, however, is much harder: moving AI from experimentation into day-to-day operations.
1. AI Adoption Has Reached 26% of Vietnamese Businesses — and Is Growing Quickly
The report “Unlocking the Potential of AI in Vietnam 2026” was commissioned by AWS and conducted by Strand Partners. It surveyed 1,000 business leaders and 1,000 members of the public to assess AI and cloud adoption in Vietnam.
According to findings presented at AWS Cloud and AI Day in Hanoi, approximately 26% of Vietnamese businesses — equivalent to 245,000 businesses — have adopted AI, up significantly from 18% in 2025.
Eric Yeo, Managing Director of AWS Vietnam, said the pace of adoption is equivalent to around eight Vietnamese businesses beginning to use AI every hour.
AI is not only reaching more companies; it is also becoming a strategic business priority.
| Indicator | Result |
|---|---|
| Businesses that have adopted AI | 26% |
| Previous year's adoption rate | 18% |
| Equivalent number of businesses | Approximately 245,000 |
| Consider AI a top or high priority | 69% |
| Expect to increase AI usage over the next year | 84% |
| Have a formal, comprehensive AI strategy | 23% |
| Previous year's share with an AI strategy | 12% |
Another notable finding is that 71% of businesses that have adopted AI report that their investment has broken even or generated a profit.
This suggests that the AI conversation in Vietnam is shifting from experimenting with new technology to a more practical question: how to generate measurable business value.
2. AI Is Already Contributing to Revenue and Productivity
Looking only at the 26% adoption rate might suggest that AI in Vietnam remains at an early stage.
Yet businesses that have implemented AI are already reporting notable results.
According to the study:
- 72% of AI-adopting businesses report productivity improvements, compared with 66% the previous year.
- 64% report increased revenue, with an average increase of approximately 15%.
- 73% consider AI important to their overall business strategy.
These findings suggest that AI is no longer used only to write emails, generate content, or search for information.
When integrated into the right workflows, AI can directly affect three variables that matter most to business leaders:
Time – Cost – Outcomes.
For example, a sales team can use AI to consolidate sales data and prepare weekly reports.
A customer service team can use AI to classify requests, retrieve internal documentation, and suggest responses.
Management teams can use AI to consolidate information from multiple sources, identify issues, and support decision-making.
The difference lies in whether AI is connected to the company's actual data and workflows, or simply exists as a standalone tool that employees use independently.
3. Which Industries Are Leading AI Adoption in Vietnam?
AI adoption varies significantly across industries.
In financial services, approximately 41% of businesses have adopted AI, substantially above the overall market average of 26%.
Among financial services businesses using AI, 79% report productivity improvements.
In healthcare, the adoption rate is approximately 23%, and 69% of AI-adopting businesses report productivity gains.
| Industry | AI adoption rate | AI adopters reporting productivity improvements |
|---|---|---|
| Financial services | 41% | 79% |
| Healthcare | 23% | 69% |
| Overall business average | 26% | 72% |
Both financial services and healthcare operate under demanding requirements for data protection, security, and regulatory compliance.
This suggests that strict regulation does not necessarily prevent AI adoption.
Instead, it raises the bar for implementation: which data AI can access, what information must be protected, who is authorized to use the system, and how AI-generated outputs are reviewed and controlled.
This is also a key distinction between AI for individual consumers and AI for businesses.
4. The Most Important Number Is Not 26% — It Is 61%
The 26% figure shows how quickly AI is spreading.
But 61% reveals the real challenge.
According to the study, 61% of businesses that have adopted AI are still experimenting.
Vietnam Investment Review quoted AWS Vietnam Managing Director Eric Yeo as saying that only around 8% of businesses have integrated AI into their workflows, business processes, or operations.
This means many businesses recognize AI's potential but have not yet solved the central challenge:
How can AI move from a tool employees use independently to an integrated part of business operations?
At least three gaps need to be addressed.
4.1. Gap One: Businesses Cannot Measure AI ROI
This may be the biggest bottleneck.
Only 13% of surveyed businesses have a clear, consistently applied framework for measuring AI ROI.
Meanwhile, 46% acknowledge that they do not have a reliable way to measure the return on their AI investments.
Without baseline data, businesses struggle to answer fundamental questions:
- How many working hours has AI saved?
- How much has the cost per task decreased?
- How have customer response times changed?
- How much have error rates fallen?
- Is revenue growth genuinely attributable to AI?
- How long will it take for the AI investment to pay for itself?
When these questions remain unanswered, AI projects can fall into a familiar pattern: everyone finds the technology useful, but no one can demonstrate its impact.
When budgets tighten, these are often among the first projects to face scrutiny.
4.2. Gap Two: Organizations Lack AI Skills
54% of businesses say shortages of digital and AI skills are barriers to AI adoption and scaling.
But the issue goes beyond employees learning how to write prompts.
As AI becomes more deeply embedded in business operations, the required skills also change.
Employees need to understand:
- when to use AI;
- which data can be entered into an AI system;
- how to verify outputs;
- how to identify incorrect answers;
- when human approval is necessary;
- and how to integrate AI into existing workflows.
According to the study, 87% of employers consider reskilling existing employees an important part of their AI strategy.
Notably, 62% of business leaders believe critical thinking and evaluation skills will become important, while 57% emphasize the ability to interpret, verify, and challenge AI-generated outputs.
Businesses therefore need more than people who know how to use AI.
They need people who know how to work with AI and keep it under control.
4.3. Gap Three: Data Governance Is Not Keeping Pace with AI
Twenty-three percent of AI-adopting businesses report having a formal, comprehensive AI strategy — nearly double the 12% reported a year earlier.
This is a positive development.
However, among businesses with an AI strategy, only 28% have established a formal data governance framework, while 19% have implemented a comprehensive responsible AI framework covering governance, oversight, and risk management.
This matters because the more deeply AI is integrated into a business, the more data it needs to access.
From internal documents and pricing lists to customer information, business reports, and operating procedures, AI becomes more useful when it understands the company's context.
But as more data is connected, the requirements for access control, security, traceability, and oversight also increase.
5. AI Agents: The Next Stage of Enterprise AI Adoption
Another notable trend in the report is the emergence of AI agents — AI systems capable of carrying out sequences of tasks rather than simply answering individual questions.
Approximately 38% of surveyed businesses say they are aware of agentic AI.
Within this group:
- 8% have integrated AI agents into core workflows;
- 19% are experimenting or running pilot projects.
The results reported by early adopters are particularly noteworthy.
According to the study, 81% report clear productivity improvements; 68% report improved operational efficiency or productivity; 61% say they make decisions and execute faster; and 49% say they can scale operations more easily.
From AI that answers to AI that acts
This is an important shift.
The first generation of AI tools generally follows this pattern:
User asks → AI answers → Human performs the task.
AI agents aim for a different model:
User sets a goal → AI retrieves information → analyzes → executes a sequence of tasks → reports results → human reviews or approves when necessary.
For example, instead of asking AI:
“Analyze this week's sales.”
An AI agent could be designed to:
Retrieve data → compare it against KPIs → identify declining sales regions → investigate potential causes → generate a report → recommend actions → send the report to management.
This is the difference between AI as an individual productivity tool and AI as part of a business workflow.
6. Three Steps to Move AI from Experimentation into Business Workflows
A common mistake is to begin with the question:
“Which AI tool should we use?”
A better starting point is:
“Which workflow consumes significant time, has usable data, and produces measurable outcomes?”
Step 1. Choose a measurable workflow
Avoid starting with an overly broad goal such as:
“Implement AI across the entire company.”
Instead, select a specific workflow.
Examples include:
- preparing weekly sales reports;
- classifying customer requests;
- searching internal policies;
- summarizing meeting minutes;
- checking documents;
- consolidating KPI data;
- preparing management reports.
Before implementing AI, record at least three baseline metrics:
Time – Cost – Error rate.
These metrics will provide the basis for measuring impact later.
Step 2. Give AI access to the right business data and processes
A general-purpose AI model may know a great deal about the world.
But it does not automatically know:
- the company's pricing;
- sales policies;
- approval procedures;
- departmental KPIs;
- report structures;
- training materials;
- internal rules;
- or customer histories.
To make AI genuinely useful, businesses need to connect it to the right data sources, the right access permissions, and the right business context.
This is when AI begins to evolve from a generic chatbot into an assistant built around the company's own operations.
Step 3. Measure results after 30 days before scaling
After an initial implementation cycle, return to the baseline metrics established in Step 1.
For example:
| Metric | Before AI | After AI | Change |
|---|---|---|---|
| Time to prepare weekly reports | 6 hours | 2 hours | -67% |
| Staff involved | 3 people | 1 reviewer | Fewer manual steps |
| Data errors | 5 per month | 1 per month | -80% |
| Response time | 24 hours | 4 hours | -83% |
These figures are illustrative examples of a measurement method, not results from the AWS report.
If the results are positive, the business can expand to the next workflow.
If results are disappointing, investigate the causes before scaling: insufficient data, poorly defined processes, an unsuitable model, or tasks that still require human involvement.
This approach helps businesses move through a structured cycle:
Experiment → Measure → Standardize → Scale.
7. How Hars Approaches Enterprise AI Implementation
This is also the approach behind Hars's direction for Kimmy, an AI assistant for businesses.
Rather than introducing a generic chatbot across the entire organization from day one, a business can start with one department and one clearly defined problem.
Sales
Kimmy can support data consolidation, report preparation, product information retrieval, KPI analysis, and customer information processing.
Human Resources
AI can help employees find policies, procedures, and training materials, consolidate information, and handle repetitive tasks.
Customer Service
AI can classify requests, retrieve information from internal knowledge bases, suggest responses, and route cases requiring human attention.
Management
AI can consolidate data from multiple sources, generate reports, identify issues, and provide information to support decision-making.
The key question is not how many features an AI system offers.
The key questions are:
How much time does it save? How many manual steps does it eliminate? Which business metric does it improve?
These are the foundations for deciding whether AI should be expanded to the next department.
8. From “AI-First” to “AI with ROI”
The 2026 AWS report suggests that Vietnamese businesses have moved beyond the earliest stage of AI adoption.
26% have started.
69% consider AI a high priority.
84% expect to increase their use of AI.
Yet only 13% have a clear and consistently applied ROI measurement framework.
This gap suggests that the next challenge is not simply accessing AI — it is managing AI effectively.
Businesses need to move from asking:
“Are my employees using AI?”
to asking:
“Which workflows use AI, what data does it access, who is accountable for oversight, and which metrics demonstrate its impact?”
That is when AI evolves from a technology tool into an operational capability.
Conclusion: Enterprise AI Adoption Must Move from Experimentation to Execution
Vietnam's AI landscape in 2026 presents a notable paradox.
Twenty-six percent of businesses have adopted AI, but 61% of those adopters are still experimenting.
Meanwhile, businesses with more structured implementations are beginning to report improvements in productivity, revenue, and decision-making speed.
This suggests that the next competitive advantage may not belong to companies using the largest number of AI tools, but to those that know how to:
Choose the right workflow → Connect the right data → Establish proper governance → Measure the right outcomes → Then scale.
Businesses do not need to begin with a massive AI transformation project.
Start with a workflow small enough to implement in a few weeks, yet clear enough to demonstrate measurable business value.
That may be the first step in turning AI from a tool employees experiment with into a genuine part of the company's operating system.
Not sure which department or workflow should start with AI?
Schedule a consultation with Hars to identify the right use case and build an AI implementation roadmap around your business processes.


