Chi phí AI cho doanh nghiệp: viễn cảnh 'bằng không' hay cái bẫy?

AI được hứa sẽ kéo chi phí của mọi thứ về gần bằng không. Nhưng thị trường hôm nay đang nói khác: chi phí AI đang tăng, 88% tổ chức đã dùng AI nhưng chỉ 39% báo cáo tác động lên lợi nhuận/EBIT ở cấp doanh nghiệp, và ít nhất một nửa dự án GenAI bị bỏ sau POC. Vậy AI có thật sự làm mọi thứ rẻ đi ngay hôm nay, hay đó là một cái bẫy chi phí mà phần lớn doanh nghiệp chưa nhìn thấy?

Viễn cảnh AI "bằng không": tương lai thật, hay cái bẫy chi phí cho doanh nghiệp?

AI được hứa sẽ khiến mọi thứ rẻ đi. Nhưng thị trường hôm nay đang nói khác.

Có một lời hứa đang được lặp lại rất nhiều trong làn sóng AI: rồi AI sẽ làm chi phí của rất nhiều thứ giảm về gần bằng không.

Nghe rất hấp dẫn.

Nếu AI có thể viết, thiết kế, lập trình, phân tích, trả lời khách hàng và tự động hoá quy trình, thì có vẻ như doanh nghiệp sẽ làm được nhiều hơn với ít chi phí hơn.

Nhưng thị trường hôm nay đang nói một điều khó chịu hơn:

AI chưa làm mọi thứ rẻ đi. Trong nhiều trường hợp, nó đang tạo ra một lớp chi phí mới — khó đo hơn, khó dự báo hơn, và dễ bị bỏ qua hơn.

Vậy AI là tương lai của năng suất, hay đang trở thành một cái bẫy chi phí cho doanh nghiệp chạy theo nó quá nhanh?

Lời hứa: AI kéo chi phí về gần 0

Người nói to nhất về viễn cảnh này là Elon Musk — ông nhiều lần dự báo AI và robot sẽ khiến hàng hoá, dịch vụ trở nên rất rẻ, thậm chí gần như miễn phí trong dài hạn.

Đây là một câu chuyện đẹp về tương lai. Và như mọi câu chuyện đẹp, nó không sai — nó chỉ chưa tới.

Vấn đề không nằm ở chỗ viễn cảnh đó đúng hay sai, mà ở khoảng cách thời gian. Ở một tương lai đủ xa, có thể AI thật sự kéo chi phí xuống mức đó — chưa ai đủ cơ sở để bác bỏ. Nhưng "một ngày nào đó" không phải là một dòng trong bảng ngân sách quý này.

Bao giờ "về 0" thì chưa biết. Nhưng chắc chắn không phải hôm nay.

Nhưng thị trường đang nói khác: chi phí AI đang tăng

Nếu nhìn vào thực tế triển khai hôm nay, hướng đi của chi phí đang ngược với lời hứa.

Các công cụ AI đang chuyển dần từ mô hình subscription đơn giản sang mô hình tính phí theo mức sử dụng (usage-based). GitHub thông báo Copilot chuyển sang usage-based billing bằng GitHub AI Credits. Lượng credit tiêu thụ được tính dựa trên token usage, bao gồm input tokens, output tokens và cached tokens. Đây là một tín hiệu quan trọng: khi AI chuyển từ chat đơn giản sang agent làm việc nhiều bước, chi phí không còn là một con số cố định dễ dự báo.

Phía Anthropic, tài liệu Claude Code cũng nhấn mạnh việc theo dõi usage và chi phí, đặt spend limit và tối ưu token/context cho triển khai thực tế.

Khi AI chỉ trả lời một câu hỏi, chi phí còn dễ hiểu. Khi AI đi sâu vào quy trình — đọc tài liệu, lập kế hoạch, gọi công cụ, thử lại — chi phí bắt đầu khó đoán hơn rất nhiều. Đó là một chủ đề chúng tôi đã phân tích kỹ trong bài Người dùng có nên trả tiền cho "suy nghĩ" của AI?.

Chi phí AI không chỉ là tiền token

Một sai lầm phổ biến là chỉ nhìn chi phí AI như tiền trả cho model.

Trong thực tế, chi phí AI thường nằm ở nhiều lớp hơn:

Lớp chi phí	Thực tế phát sinh
Token và subscription	Chi phí trả cho model, công cụ AI, gói thuê bao hoặc usage-based billing.
Dữ liệu	Dữ liệu cần được làm sạch, chuẩn hoá và tổ chức lại trước khi AI có thể dùng tốt.
Thử sai	Thời gian để thử prompt, workflow, agent flow và điều chỉnh kết quả cho ổn định.
Tích hợp	Đưa AI vào quy trình thật, kết nối với hệ thống, dữ liệu và công cụ đang vận hành.
Kiểm chứng	Rà soát kết quả để tránh câu trả lời nghe có vẻ đúng nhưng thực tế lại sai.
Bảo mật & phân quyền	Kiểm soát ai được truy cập dữ liệu nào, AI được phép làm gì và không được làm gì.
Giám sát & audit	Logging, monitoring, tracing và audit để truy vết khi có lỗi hoặc tranh chấp.
Sửa sai	Chi phí xử lý hậu quả khi AI tạo ra kết quả sai, thiếu ngữ cảnh hoặc gây hiểu nhầm.

Khi chỉ demo, nhiều chi phí này chưa lộ ra. Nhưng khi đưa AI vào vận hành thật, chúng bắt đầu trở thành chi phí thật.

Làm nhanh hơn không có nghĩa là bán được nhiều hơn

Giả sử bỏ qua chi phí, vẫn còn một hiểu lầm sâu hơn về giá trị.

AI giúp tạo nội dung, làm sản phẩm, dựng dịch vụ, viết báo cáo… rất nhanh. Điều đó là sự thật. Nhưng có một câu hỏi mà tốc độ không trả lời được:

Bạn làm được — nhưng người khác cũng làm được. Vậy cuối cùng bạn bán cho ai? Và quan trọng hơn: bạn có biết nó đang có lãi không, hay chỉ đang bận hơn vì AI?

Rất nhiều doanh nghiệp nhầm "nhiều output hơn" với "nhiều giá trị hơn". Hai thứ đó không giống nhau. Tạo ra gấp đôi nội dung không có nghĩa là bán được gấp đôi, nếu thị trường không hấp thụ thêm và nếu mọi đối thủ cũng vừa tăng sản lượng y như vậy.

AI không nguy hiểm vì nó làm nhanh. Nó nguy hiểm khi làm bạn tưởng rằng tạo ra nhiều hơn nghĩa là tạo ra giá trị nhiều hơn.

Số liệu: thị trường lao nhanh, nhưng tiền không tự đến

Đây không phải cảm tính. Hai báo cáo lớn nhất ngành đang nói cùng một điều.

Theo khảo sát State of AI 2025 của McKinsey (gần 2.000 tổ chức, 105 quốc gia, khảo sát tháng 6–7/2025), 88% tổ chức đã dùng AI ở ít nhất một chức năng — tăng mạnh từ 78% một năm trước. Nghe như cả thị trường đã lên tàu.

Nhưng con số đáng chú ý không phải là 88% tổ chức đã dùng AI. Con số đáng chú ý là phần còn lại: bao nhiêu tổ chức thật sự biến AI thành lợi nhuận đo được? Cùng khảo sát đó cho con số thứ hai, sát nhau đến mức khó chịu:

88% tổ chức dùng AI nhưng chỉ 39% thấy tác động lên lợi nhuận (McKinsey 2025)

Phần lớn vẫn ở giai đoạn thử nghiệm: chỉ khoảng một phần ba đã scale AI ra toàn doanh nghiệp, và 7% scale hoàn toàn.

Khoảng cách giữa 88% đã dùng và 39% báo cáo tác động lên lợi nhuận/EBIT ở cấp doanh nghiệp mới là câu chuyện thật. Nó cho thấy: mua quyền truy cập một công cụ là phần rẻ và dễ; biến nó thành lợi nhuận đo được mới là phần khó, và phần lớn doanh nghiệp chưa làm được.

Phía Gartner còn thẳng hơn về số phận của các dự án GenAI. Năm 2024, Gartner dự báo ít nhất 30% dự án GenAI sẽ bị bỏ sau giai đoạn POC tính đến cuối 2025. Đến khi nhìn lại, con số thực tế mà chính Gartner đưa ra còn cao hơn: ít nhất 50% dự án GenAI đã bị bỏ sau POC tính đến cuối 2025.

Lý do được nêu rất quen thuộc:

Vấn đề	Ý nghĩa khi triển khai thật
Dữ liệu kém	AI không thể tạo kết quả đáng tin nếu dữ liệu đầu vào thiếu sạch, thiếu đủ hoặc sai ngữ cảnh.
Thiếu kiểm soát rủi ro	Doanh nghiệp chưa kiểm soát tốt bảo mật, quyền truy cập, sai lệch kết quả và trách nhiệm khi AI trả lời sai.
Chi phí leo thang	Chi phí không chỉ nằm ở token, mà tăng theo dữ liệu, tích hợp, vận hành, kiểm chứng và giám sát.
Giá trị kinh doanh không rõ	POC có thể đẹp, nhưng chưa chứng minh được AI tạo ra tác động đo được lên doanh thu, chi phí hoặc hiệu quả vận hành.

Dự án GenAI bị bỏ sau POC: dự báo 30% so với thực tế 50% (Gartner)

POC thường rất đẹp. Demo thường rất hay. Nhưng khi chạy thật, doanh nghiệp phải đối mặt với dữ liệu thật, chi phí thật, quyền truy cập thật, người dùng thật và rủi ro thật.

Đây là điểm khiến AI trở nên nguy hiểm về mặt quản trị: nó rất dễ tạo cảm giác tiến bộ trong POC, nhưng lại rất khó chứng minh hiệu quả khi bước vào vận hành.

Đừng hỏi công ty đã dùng AI chưa. Hãy hỏi: AI đang tạo ra giá trị đo được ở đâu?

AI không làm cuộc chơi dễ hơn, nó làm cuộc chơi đông hơn

Một hiểu lầm phổ biến: AI sẽ làm thị trường rộng ra. Thực tế, cái nó đẩy lên trước tiên là nguồn cung, không phải nhu cầu.

Khi ai cũng làm được nhiều hơn và nhanh hơn, nguồn cung tăng vọt. Nhưng cầu không tự tăng theo. Thậm chí một phần cầu còn rò sang "tự làm" — khi khách hàng tự dựng được cái họ cần. Cung tăng, cầu đứng yên thì cuộc chơi không dễ hơn. Nó đông hơn.

Hãy nhìn vào thị trường dịch vụ số. Trước đây, năng lực làm ra sản phẩm là một rào cản. Không phải ai cũng viết được phần mềm, dựng được website, tạo được nội dung, phân tích được dữ liệu hay tự động hoá được quy trình.

AI làm rào cản đó thấp đi rất nhanh.

Nhưng khi rào cản thấp đi, người chơi mới bước vào nhiều hơn. Thứ từng là lợi thế — "tôi làm được" — dần trở thành điều kiện tối thiểu. Khi nhiều bên cùng làm được một thứ với tốc độ gần giống nhau, khách hàng sẽ hỏi câu khó hơn: vì sao tôi phải chọn anh?

Thị trường cũng trở nên khó tính hơn theo: giá khó giữ hơn, khách so sánh kỹ hơn, lo ngại an toàn nhiều hơn, và khó bị thuyết phục hơn.

Khi ai cũng có thể tạo ra nhiều hơn, lợi thế không còn nằm ở việc "có làm được hay không". Câu hỏi bây giờ là: ai còn đủ khác biệt để được chọn?

Dấu hiệu mới: khách hàng bắt đầu tự làm nhiều hơn

Đến đây, ta mới nói một nửa câu chuyện: chi phí bạn bỏ ra để dùng AI. Còn một nửa ít người nói hơn — giá của những gì bạn bán.

Ở nửa này, phải thành thật: Elon không sai. AI đang làm nhiều thứ rẻ đi thật. Nhưng "rẻ hơn" có hai kiểu, và chúng khác nhau về bản chất:

Loại "rẻ hơn"	Bản chất
Rẻ tích cực	Chi phí tạo ra giá trị giảm, phần dôi ra chảy về khách hàng hoặc mở rộng thị trường. Ai cũng được lợi.
Rẻ tiêu cực	Nguồn cung tràn ra và một phần cầu biến mất, nên giá rớt về đáy — không phải vì làm ra rẻ hơn, mà vì thứ đó hết khan hiếm. Biên lợi nhuận bốc hơi, người bán bị bào mòn.

Với nhiều doanh nghiệp dịch vụ và SaaS, cái đang diễn ra nghiêng về kiểu thứ hai. Và lý do nằm ở một thay đổi ít ai để ý: AI không chỉ làm người bán tạo ra nhiều output hơn — nó còn làm người mua tự làm được nhiều việc hơn.

Trước đây, để viết nội dung, dựng một landing page, làm tài liệu, chỉnh hình, phân tích dữ liệu hay viết một đoạn code nhỏ, doanh nghiệp thường phải thuê freelancer, agency hoặc mua thêm một công cụ. Nay một phần nhu cầu đó bị kéo về bên trong.

Dữ liệu thị trường freelance toàn cầu cho tín hiệu rõ. Nghiên cứu "Who Is AI Replacing?" (Demirci, Hannane & Zhu, đăng trên Management Science 2025), dùng dữ liệu từ một nền tảng freelance toàn cầu lớn, ghi nhận: trong 8 tháng sau ChatGPT, nhóm việc dễ tự động hoá giảm khoảng 21% so với việc thủ công — riêng writing giảm 30,37%, software/web/app development giảm 20,62%, engineering giảm 10,42%; sau khi các công cụ tạo ảnh phổ biến, job posts về graphic design và tạo ảnh giảm khoảng 17%.

Nhu cầu freelance giảm sau ChatGPT: writing −30%, software −21%, design −17% (Management Science 2025)

Dữ liệu chi tiêu doanh nghiệp cho cùng một hướng. Phân tích "Payrolls to Prompts" của Ramp (theo dõi chi tiêu thật của hàng nghìn công ty) cho thấy tỷ trọng chi cho freelancer giảm từ 0,66% xuống 0,14%, trong khi chi cho AI model providers tăng từ gần 0 lên khoảng 2,85%; hơn một nửa doanh nghiệp dùng freelancer năm 2022 đã dừng hẳn. Đáng chú ý nhất: ở nhóm phơi nhiễm AI cao nhất, mỗi 1 USD giảm chi cho freelance chỉ đi kèm khoảng 0,03 USD tăng chi cho AI. Nói cách khác, khách không thay một nhà cung cấp bằng một nhà cung cấp khác ngang giá — họ thay một phần việc mua ngoài bằng AI rất rẻ.

Tiền dịch chuyển từ freelancer sang AI: 1 USD giảm chi freelance đổi 0,03 USD chi AI (Ramp)

Một lưu ý để không ảo tưởng về con số đó: chính Ramp ghi rõ 0,03 USD chỉ là phần nổi — nó chưa tính hạ tầng, kỹ sư vận hành và các lớp chi phí ẩn (đúng những thứ đã nói ở phần "chi phí AI không chỉ là tiền token"). Rẻ ở bề mặt không có nghĩa là rẻ khi vận hành thật.

Và đây là chi tiết sắc nhất: cú giảm này không rải đều — nó dồn vào đúng những việc commodity, dễ mô tả, dễ tự động hoá nhất (viết, code, thiết kế cơ bản), và rõ hơn ở nhóm việc mà ai cũng biết AI làm được. Đó chính là cơ chế của rẻ tiêu cực: phần việc "ai cũng làm được đủ dùng" bị bào mòn trước, và phần thưởng cho việc "làm tốt hơn" co lại.

Áp lực này không dừng ở người lao động tri thức. Nó lan sang cả mô hình bán dịch vụ và phần mềm SaaS. Điều này không có nghĩa SaaS đang chết — nhiều loại SaaS, nhất là loại có workflow sâu, dữ liệu, tuân thủ, tích hợp hoặc mission-critical, vẫn tăng trưởng. Nhưng những thứ chỉ bán "làm được" — phần commodity, dễ mô tả, dễ lặp lại — sẽ bị soi lại đầu tiên, và bị ép chứng minh giá trị rõ hơn.

Khi khách hàng tự làm được phần dễ, họ sẽ không trả tiền chỉ vì bạn "làm được". Họ chỉ trả tiền cho phần họ không tự tin tự chịu trách nhiệm: chiến lược, hệ thống, vận hành, bảo mật, tích hợp, kiểm soát chi phí và trách nhiệm kết quả.

AI không chỉ làm người bán rẻ hơn. Nó làm người mua tự làm được nhiều hơn — và phần còn bán được giá là phần khách không dám tự làm.

Vậy cơ hội AI dành cho ai?

Nếu cuộc chơi đông hơn, cơ hội không thuộc về số đông. Khi công cụ nằm trong tay tất cả mọi người, "có công cụ" không còn là lợi thế. Cuộc chơi lọc dần qua từng bậc, mỗi bậc ít người hơn bậc trước:

Bậc	Lợi thế	Ai còn lại
1	Biết dùng và đi nhanh hơn	Nhiều
2	Tối ưu được chi phí — làm cùng thứ nhưng rẻ hơn nên sống lâu hơn	Ít hơn
3	Đủ kiên nhẫn để chơi đường dài — trụ qua giai đoạn chưa ra tiền	Ít hơn nữa
4	Nắm được huyết mạch của AI	Ít nhất

Ba bậc đầu là điều kiện để tồn tại trong một thị trường đông: nhanh hơn để được chú ý, rẻ hơn để sống được, bền hơn để còn ở bàn khi người khác đã rời đi. Đó là phần phần lớn doanh nghiệp có thể chủ động.

Bậc sâu nhất khác về bản chất. Lợi thế lớn nhất thuộc về số rất ít: những bên chạm tới huyết mạch của AI — tức là kiểm soát được những gì chạy phía sau cuộc chơi, chứ không chỉ dùng phần nổi mà ai cũng thấy. Càng xuống sâu, người chơi càng ít, và quyền lực càng lớn.

Cuộc chơi AI không thuộc về người tạo ra nhiều output nhất. Trước hết, nó thuộc về người nhanh hơn, rẻ hơn, bền hơn — và sau cùng, người nắm được huyết mạch của AI.

Phụ thuộc hơn hay tỉnh hơn?

Có một rủi ro tinh vi đi kèm tốc độ. Khi AI trả lời quá mượt, con người dễ bỏ qua bước nghi ngờ.

Cái nguy hiểm không nằm ở một câu trả lời sai — câu sai còn dễ phát hiện. Nó nằm ở thói quen tin quá nhanh, khi mọi câu trả lời đều trôi chảy và có vẻ chắc chắn.

Trong thời đại AI, kỹ năng quan trọng không chỉ là biết hỏi. Mà là biết nghi ngờ câu trả lời.

Góc nhìn của KumaClouds

Từ góc nhìn triển khai hệ thống cho doanh nghiệp, chúng tôi cho rằng AI không nên được đánh giá chỉ bằng việc nó thông minh đến đâu, hay tạo ra được bao nhiêu output.

AI trong doanh nghiệp không phải một cơn sốt. Nó là một năng lực vận hành. Và một năng lực vận hành tốt cần được đánh giá theo các tiêu chí rộng hơn "ngầu hay không":

Chi phí có đo được không?
Dữ liệu có đáng tin không?
Quyền truy cập có kiểm soát không?
Kết quả có kiểm chứng được không?
Và quan trọng nhất: có tạo ra giá trị đo được so với chi phí không?

Đây cũng là lý do câu hỏi đúng khi nói về AI cho doanh nghiệp không phải là:

Công cụ nào thông minh nhất?

Mà nên là:

Cách triển khai nào tạo ra giá trị thật, với chi phí kiểm soát được và rủi ro đủ rõ ràng?

Kết luận

Viễn cảnh AI kéo chi phí về gần không có thể là một tương lai thật. Nhưng nó chưa phải là hiện tại.

Hôm nay, thị trường đang nói khác: chi phí AI đang tăng, phần lớn tổ chức đã dùng AI nhưng chưa thấy lợi nhuận, và một nửa dự án GenAI dừng lại sau POC. Trong một thị trường mà ai cũng làm được nhiều hơn, lợi thế dịch chuyển từ "làm được" sang "được chọn", và sâu hơn nữa là sang "kiểm soát được huyết mạch phía sau".

AI vẫn rất đáng dùng. Nhưng đáng dùng không có nghĩa là dùng như một cơn sốt.

Với doanh nghiệp, AI không nên được xem như một phép màu làm mọi thứ rẻ đi. Nó nên được xem như một năng lực vận hành mới — và năng lực nào cũng cần ngân sách, kiểm soát, đo lường và trách nhiệm.

AI có thể giúp doanh nghiệp đi nhanh hơn. Nhưng nếu không kiểm soát được chi phí và giá trị, đi nhanh hơn chỉ có nghĩa là đốt tiền nhanh hơn.

Có một nguyên tắc nên được giữ lại:

Đừng hỏi AI có làm mọi thứ rẻ đi không. Hãy hỏi AI có đang tạo ra giá trị đo được, với chi phí bạn kiểm soát được, ngay hôm nay không.?

Đó là khác biệt giữa một doanh nghiệp chạy theo viễn cảnh và một doanh nghiệp dùng AI một cách tỉnh táo — để nó trở thành năng lực vận hành thật, chứ không phải một cái bẫy chi phí.