Công nghệ
Khai thác AI để định hình lại trải nghiệm người tiêu dùng trong lĩnh vực chăm sóc sức khỏe
15 tháng 11, 2024 |Bởi Jenny Cordina với Eduardo Coronado, Penelope Williams, và Sarah Greenberg | mckinsey.com
Các giải pháp được hỗ trợ bởi AI có thể mở khóa những hiểu biết sâu sắc từ dữ liệu trước đây không thể tiếp cận và cho phép sự tương tác và cá nhân hóa với người tiêu dùng ở quy mô chưa từng có, từ đó nâng cao kết quả kinh doanh trong lĩnh vực chăm sóc sức khỏe.
Trong bối cảnh chăm sóc sức khỏe đang phát triển nhanh chóng, AI có tiềm năng định hình lại cách người tiêu dùng tương tác với các dịch vụ y tế. Hiện nay, người tiêu dùng ở Hoa Kỳ có thể gặp khó khăn với mọi thứ từ việc tìm bảo hiểm phù hợp đến việc hiểu khi nào họ nên gặp bác sĩ, chi phí sẽ là bao nhiêu và cách quản lý sức khỏe của họ. Nhiều người dành hàng giờ để nghiên cứu, tham khảo ý kiến bạn bè và gia đình, và gọi điện cho các nhà cung cấp dịch vụ và công ty bảo hiểm để tìm câu trả lời cho các câu hỏi của họ. Thực tế, một phần tư số người tiêu dùng chúng tôi khảo sát cho biết họ không thể nhận được sự chăm sóc họ cần khi họ cần.
Những cải tiến đáng kể để giải quyết hệ sinh thái chăm sóc sức khỏe phức tạp sẽ cần nhiều hơn là tăng cường sự tham gia của con người, đặc biệt là do tình trạng thiếu lao động và chi phí chăm sóc ngày càng tăng. Giới thiệu AI: công nghệ này có tiềm năng tái định hình trải nghiệm người tiêu dùng (CX) và nâng cao sự tương tác theo những cách trước đây không thể thực hiện được, thậm chí cách đây vài năm. Nó có thể giúp tạo điều kiện cho việc chăm sóc cá nhân hóa, tăng cường tính minh bạch và đơn giản, đồng thời đảm bảo rằng người tiêu dùng có thể kiểm soát sức khỏe và các quyết định liên quan đến chăm sóc sức khỏe của họ. Một nghiên cứu gần đây, trong đó các chuyên gia y tế đánh giá câu trả lời của bác sĩ cho các câu hỏi của bệnh nhân trên các diễn đàn mạng xã hội so với câu trả lời được tạo ra bởi chatbot, cho thấy rằng các đánh giá viên thích các phản hồi của AI hơn, đánh giá chúng có chất lượng cao hơn và đồng cảm hơn.
Một tin tốt: ngành chăm sóc sức khỏe hiểu được cơ hội AI trong trải nghiệm khách hàng (CX). Sáu mươi hai phần trăm người tham gia khảo sát của McKinsey về các nhà lãnh đạo trong lĩnh vực chăm sóc sức khỏe cho biết sự tương tác và trải nghiệm của người tiêu dùng là lĩnh vực mà AI tạo sinh (gen AI) có tiềm năng lớn nhất. Tuy nhiên, chỉ có 29 phần trăm người tham gia đã bắt đầu triển khai gen AI trong tổ chức của họ cho bất kỳ mục đích nào.
Các tổ chức sử dụng AI để điều chỉnh trải nghiệm chăm sóc sức khỏe theo nhu cầu, sở thích và mục tiêu cá nhân, đồng thời giảm thiểu các rủi ro tiềm ẩn, có tiềm năng hưởng lợi từ mối quan hệ tin cậy hơn với người tiêu dùng. Việc áp dụng công nghệ mới nhất, bao gồm cả AI, cũng có thể cải thiện kết quả kinh doanh: ước tính rằng tiết kiệm ròng có thể đạt 5 đến 10 phần trăm chi tiêu chăm sóc sức khỏe, với tỷ lệ phần trăm chính xác thay đổi nhẹ giữa các công ty bảo hiểm tư nhân và công, nhóm bác sĩ, và bệnh viện, theo một nghiên cứu do McKinsey đồng tác giả và được công bố bởi Cục Nghiên cứu Kinh tế Quốc gia.
Tại sao AI ngay bây giờ cho người tiêu dùng chăm sóc sức khỏe
Việc sử dụng AI thành công đòi hỏi dữ liệu, và ngành công nghiệp này có rất nhiều dữ liệu để các công cụ AI khai thác – khoảng 30 phần trăm dữ liệu toàn cầu được tạo ra bởi ngành công nghiệp chăm sóc sức khỏe. Tốc độ tăng trưởng kép hàng năm cho dữ liệu chăm sóc sức khỏe dự kiến sẽ đạt 36 phần trăm vào năm 2025. Các tổ chức chăm sóc sức khỏe cũng có đặc điểm là có nhiều người tiêu dùng sẵn sàng chia sẻ thông tin sức khỏe cá nhân của họ để hỗ trợ sức khỏe của chính mình hơn so với chia sẻ cho người sử dụng lao động, chính phủ, hoặc các công ty công nghệ.
Tuy nhiên, lĩnh vực chăm sóc sức khỏe thường tụt hậu so với các ngành khác trong việc áp dụng công nghệ số. Trong quá khứ – ngoài những lo ngại về quyền riêng tư của bệnh nhân, vốn là điều tối quan trọng – thách thức công nghệ chính khi sử dụng AI là không có khả năng trích xuất thông tin có giá trị từ dữ liệu phi cấu trúc và tạo ra trải nghiệm cho những hành trình người tiêu dùng có tính biến đổi cao. Giống như các ngành khác, dữ liệu bị phân tán trên nhiều hệ thống, và mặc dù ngành chăm sóc sức khỏe đã sử dụng một số dữ liệu có cấu trúc đó cho AI, nhưng nó đã có thành công hạn chế với các nguồn phi cấu trúc như bản ghi cuộc gọi. Giờ đây, AI tạo sinh có thể giúp khai thác sức mạnh của các nguồn dữ liệu trước đây không thể sử dụng chứa thông tin quan trọng về người tiêu dùng và làm cho chúng tương thích để AI sử dụng rộng rãi hơn để học hỏi các mô hình hành vi, cung cấp khả năng mới để đưa ra sự cá nhân hóa ở quy mô trước đây không thể đạt được.
Với công nghệ đang phát triển với tốc độ chóng mặt, nó có khả năng giúp tối ưu hóa hành trình của người tiêu dùng trong lĩnh vực chăm sóc sức khỏe.
AI có thể hợp lý hóa toàn bộ hành trình chăm sóc sức khỏe như thế nào
AI có tiềm năng cải tổ toàn bộ hành trình chăm sóc sức khỏe cho người tiêu dùng. Người tiêu dùng trải nghiệm dịch vụ chăm sóc qua một số hành trình cốt lõi, và mặc dù những bước này không nhất thiết phải theo thứ tự thời gian, riêng biệt, hoặc giống nhau cho mỗi cá nhân, mỗi giai đoạn đều mang lại cơ hội cho AI cải thiện trải nghiệm.
Ví dụ hành trình 1.Tăng cường sự tham gia trong chăm sóc chủ động và sức khỏe
Mọi người thường gặp khó khăn trong việc đưa ra các lựa chọn lối sống lành mạnh có thể giảm thiểu nguy cơ mắc các bệnh có thể phòng ngừa được. Các nhà cung cấp dịch vụ và công ty bảo hiểm đều có thể áp dụng AI để tạo ra trải nghiệm chăm sóc phòng ngừa cá nhân hóa. Ví dụ, các mô hình học máy (ML) có thể dự đoán các rủi ro về lâm sàng và hành vi cho từng cá nhân, và AI tạo sinh có thể điều chỉnh các chương trình sức khỏe và cá nhân hóa thông điệp nhằm tăng khả năng tham gia. Đặc biệt, các mạng lưới cung cấp tích hợp có cái nhìn toàn diện về một cá nhân có thể xác định các khoảng trống trong chăm sóc và sử dụng các mô hình được hỗ trợ bởi AI để đề xuất các bước tiếp theo. Ngoài các công ty bảo hiểm và nhà cung cấp dịch vụ, các công ty trực tiếp đến người tiêu dùng về sức khỏe ngày càng đóng vai trò như những hướng dẫn viên sức khỏe; ví dụ, Huấn luyện viên Whoop được hỗ trợ bởi AI sử dụng dữ liệu sinh trắc học từ thiết bị đeo Whoop của người dùng và sau đó sử dụng học máy trên các mục nhật ký hành trình được chia sẻ bởi người tiêu dùng để tạo ra các phản hồi cá nhân hóa cho các câu hỏi về sức khỏe và để huấn luyện cá nhân đạt được hiệu suất đỉnh cao.
Ví dụ hành trình 2. Làm cho việc tìm kiếm và lên lịch chăm sóc dễ dàng hơn
Khi người tiêu dùng xác định nhu cầu chăm sóc, việc tìm kiếm dịch vụ chăm sóc đáp ứng yêu cầu và sở thích của họ có thể gây thất vọng và tốn thời gian. AI có thể đóng vai trò như một cửa ngõ 24/7 để thu thập thông tin và đưa ra các đề xuất ban đầu về các bước tiếp theo. Bằng cách này, nó có tiềm năng đẩy nhanh quá trình hướng dẫn người tiêu dùng đến dịch vụ chăm sóc phù hợp, tại đúng nơi và đúng thời điểm. Ví dụ, AI có thể kết hợp sở thích của bệnh nhân với dữ liệu cụ thể của nhà cung cấp để tạo ra trải nghiệm tìm kiếm hiệu quả hơn. Hơn nữa, AI tạo sinh có thể tổng hợp thông tin để chuẩn bị cho người tiêu dùng trước các cuộc thăm khám và tăng cường sự tham gia bằng cách siêu cá nhân hóa nhắc nhở lịch hẹn (appointment reminders).
AI cũng có thể giúp giảm thiểu tình trạng không đến hẹn, điều này khiến hệ thống chăm sóc sức khỏe Hoa Kỳ tốn kém hơn 150 tỷ đô la mỗi năm. Việc chậm trễ chăm sóc cũng có thể dẫn đến tình trạng bệnh của bệnh nhân trở nên tồi tệ hơn. Bằng cách phân tích hành vi trong quá khứ, AI có thể giúp các nhà cung cấp dịch vụ và công ty bảo hiểm chủ động xác định những bệnh nhân có khả năng bỏ lỡ cuộc hẹn và gửi lời nhắc trước, và khi cuộc hẹn bị bỏ lỡ, đưa ra các lựa chọn để đặt lại lịch hẹn. Ví dụ, Total Health Care, một trung tâm y tế đủ điều kiện liên bang ở Baltimore, báo cáo đã sử dụng mô hình AI Healow của eClinicalWorks để xác định bệnh nhân có nguy cơ cao không đến hẹn, cho biết điều này đã giúp giảm 34 phần trăm số cuộc hẹn bị bỏ lỡ.
Ví dụ hành trình 3. Làm cho thông tin về bảo hiểm và chi phí dễ hiểu hơn
Trước và sau các cuộc thăm khám, bệnh nhân thường gặp khó khăn trong việc hiểu bảo hiểm của họ và số tiền họ phải trả. Các tổ chức chăm sóc sức khỏe có thể sử dụng AI để cung cấp bản tóm tắt dễ hiểu về chi phí và bảo hiểm dự kiến, được điều chỉnh theo sở thích giao tiếp của từng cá nhân (bao gồm ngôn ngữ, trình độ đọc, v.v.). Ví dụ, các hệ thống y tế và công ty bảo hiểm có thể cải thiện các công cụ ước tính chi phí để tính đến dịch vụ cụ thể mà bệnh nhân đang tìm kiếm. Và sau khi dịch vụ được cung cấp, các tổ chức có thể sử dụng các công cụ AI tạo sinh để hỗ trợ bệnh nhân trong việc hiểu và giải quyết các hóa đơn chăm sóc sức khỏe.
Ví dụ hành trình 4. Cải thiện chất lượng chăm sóc
Chất lượng chăm sóc là một trong những yếu tố ảnh hưởng quan trọng nhất đến sự hài lòng; những người cảm thấy họ nhận được dịch vụ chăm sóc kém chất lượng có khả năng chuyển đổi nhà cung cấp cao gấp khoảng ba lần. Một nguồn gây ra sự không hài lòng của bệnh nhân là các cuộc thăm khám bác sĩ quá ngắn, khoảng 15 phút, mà bệnh nhân cho rằng không đủ để nhận được sự chăm sóc chất lượng cao. Mặc dù có nhiều cách để giải quyết vấn đề này, AI đưa ra những giải pháp thú vị. Ví dụ, một cách để cải thiện trải nghiệm này và ưu tiên thời gian chất lượng là sử dụng công nghệ lắng nghe môi trường được hỗ trợ bởi AI. Những công cụ này được thiết kế để cho phép bác sĩ tập trung hoàn toàn vào các mối quan tâm và câu hỏi của bệnh nhân, trong khi công nghệ ghi chú mà bác sĩ có thể xem xét độ chính xác sau cuộc thăm khám.
Một ví dụ khác có thể là AI hỗ trợ chăm sóc bệnh nhân nội trú; điều này có thể là một mô hình xử lý ngôn ngữ tự nhiên nhận diện các từ cụ thể được nói bởi bệnh nhân nằm liệt giường và sau đó thông báo cho trạm y tá để đáp ứng nhu cầu cụ thể của họ.
Ví dụ hành trình 5. Tăng cường tuân thủ với chăm sóc theo dõi
(adherence with follow-up care)
Bệnh nhân thường rời khỏi các cuộc thăm khám y tế mà không rõ hoặc bối rối về các bước tiếp theo. AI tạo sinh có thể kết hợp ghi chú thăm khám và tóm tắt xuất viện với thông tin bảo hiểm và sở thích của bệnh nhân để cung cấp những điểm chính dễ hiểu từ cuộc thăm khám, nguồn lực để quản lý stress, và thông tin được điều chỉnh về những gì cần làm tiếp theo theo cách không có thuật ngữ y tế và thể hiện sự đồng cảm và thấu hiểu. Điều này không chỉ giúp bệnh nhân dễ dàng điều hướng hệ thống chăm sóc sức khỏe mà còn giải phóng thời gian cho bác sĩ lâm sàng. Ví dụ, Kaiser Permanente báo cáo rằng hệ thống nhắn tin cho bệnh nhân được hỗ trợ bởi AI của họ đã thấy 32 phần trăm tin nhắn được phân loại mà không cần yêu cầu sự can thiệp của bác sĩ, đảm bảo rằng bệnh nhân nhận được thông tin họ cần một cách kịp thời.
Làm thế nào để đẩy nhanh việc sử dụng AI nhằm nâng cao sự hài lòng của người tiêu dùng
Mặc dù AI có tiềm năng cải thiện hành trình chăm sóc sức khỏe toàn diện của người tiêu dùng, nhưng tiến độ vẫn còn chậm. Các tổ chức đang bị kẹt giữa sự hào hứng muốn nhanh chóng nắm bắt cơ hội và sự thiếu đồng thuận về nơi bắt đầu, cùng với sự thận trọng chung do những rủi ro tiềm ẩn liên quan đến việc triển khai AI. Để đẩy nhanh việc sử dụng AI nhằm nâng cấp trải nghiệm người tiêu dùng, chúng tôi đề xuất năm bước quan trọng.
Giải quyết vấn đề 70 phần trăm về sự sẵn sàng của dữ liệu
Đầu tiên, các nhà điều hành cần xem xét sự sẵn sàng về dữ liệu và công nghệ của tổ chức mình trước khi phân bổ nguồn lực và tài trợ. Việc mang lại giá trị cụ thể cho người tiêu dùng chăm sóc sức khỏe thông qua AI đòi hỏi dữ liệu tích hợp sẵn sàng để sử dụng, một nhiệm vụ đầy thách thức chiếm trung bình 70 phần trăm công việc khi phát triển các giải pháp dựa trên AI. Đối với lĩnh vực chăm sóc sức khỏe, thách thức là biết thu thập dữ liệu nào và cách kết nối các nguồn đó; dữ liệu bị phân mảnh trên nhiều nền tảng và ở các định dạng và mức độ hữu ích khác nhau (ví dụ, yêu cầu bồi thường hoặc hồ sơ sức khỏe điện tử được lưu trữ tại chỗ, thông tin tiếp thị trên nền tảng đám mây và thông tin trung tâm cuộc gọi trải rộng trên nhiều hệ thống).
Và mặc dù các tổ chức chăm sóc sức khỏe có thể có lợi thế về khối lượng dữ liệu so với các lĩnh vực khác, họ vẫn phải đối mặt với những khoảng trống ngăn cản việc có cái nhìn toàn diện về người tiêu dùng. Ví dụ, những gián đoạn trong quá trình chăm sóc liên tục khiến việc hiểu đầy đủ nhu cầu, thói quen và sở thích của bệnh nhân trở nên khó khăn. Kết quả từ AI cũng có thể bị thiên lệch trừ khi chúng được xây dựng dựa trên dữ liệu đa dạng về mặt nhân khẩu học. Và để đưa ra những hiểu biết có ý nghĩa, các tổ chức có thể bổ sung dữ liệu lâm sàng và bệnh nhân của họ bằng thông tin về các yếu tố xã hội quyết định sức khỏe, kết quả do bệnh nhân báo cáo, mua sắm bán lẻ và các thiết bị theo dõi sức khỏe.
Tập trung vào các ưu tiên trải nghiệm người tiêu dùng để đảm bảo thành công của AI
Song song với việc đánh giá sự sẵn sàng của dữ liệu, các nhà lãnh đạo có thể đánh giá và ưu tiên các lĩnh vực đầu tư AI dựa trên tầm quan trọng đối với các ưu tiên tổng thể nhằm cải thiện trải nghiệm khách hàng, cơ hội, chiến lược và tính khả thi. Ví dụ, AI có thể tối ưu hóa các quy trình hành chính để giảm các điểm tiếp xúc với người tiêu dùng, từ đó giảm chi phí phục vụ. Đối với các nhà cung cấp, điều này có thể đồng nghĩa với việc giảm số lần hủy hẹn nhờ trải nghiệm tổng thể tốt hơn, trong khi đối với các công ty bảo hiểm, nó có thể dẫn đến việc giảm số lần theo dõi cuộc gọi để trả lời các câu hỏi về quyền lợi hoặc bảo hiểm.
Đây là bước quan trọng để tránh cố gắng làm quá nhiều việc cùng một lúc, điều có thể hạn chế tiến độ có ý nghĩa. Để ưu tiên các lĩnh vực tập trung, điều quan trọng là phải thu hút các nhà lãnh đạo đa chức năng trong tổ chức. Ví dụ, đội ngũ lãnh đạo lâm sàng đặc biệt có cái nhìn trực tiếp về những điểm đau của bệnh nhân và chính xác những gì không hiệu quả trong việc cung cấp dịch vụ chăm sóc và trải nghiệm khách hàng.
Tối ưu hóa thông tin thời gian thực cho các can thiệp được hỗ trợ bởi AI
Khi nền tảng dữ liệu được thiết lập và các ưu tiên được xác định, các tổ chức có thể bắt đầu tìm hiểu những gì khác cần thiết để hiểu đúng bối cảnh của dữ liệu đã thu thập. Việc cung cấp những hiểu biết được cá nhân hóa thực sự dựa trên AI liên quan đến việc kết nối nhiều điểm tiếp xúc từ các nguồn dữ liệu thành một hành trình người tiêu dùng được cá nhân hóa. Bằng cách kết hợp các chi tiết về, ví dụ, các cuộc thăm khám bác sĩ (tần suất, loại bác sĩ được gặp, hoặc nơi đặt lịch hẹn), nỗ lực tiếp cận bệnh nhân, và tương tác cũng như trải nghiệm của bệnh nhân, các mô hình AI có thể phát triển một đại diện gần gũi hơn về hành vi của người tiêu dùng, điều này rất quan trọng để xây dựng phân tích dự đoán nhằm thông báo cho các can thiệp trong tương lai.
Bằng cách phân tích các chi tiết như sở thích đặt lịch hẹn của bệnh nhân và cách hoặc thời điểm họ đã phản hồi với các nỗ lực tiếp cận, AI có thể điều chỉnh thời gian, tần suất và chủ đề thông điệp để đưa ra các đề xuất có khả năng gây tiếng vang nhất. AI tạo sinh có thể tiếp tục nâng cao hiệu quả của những can thiệp đúng thời điểm này với nội dung thông điệp siêu cá nhân hóa.
Lập bản đồ rủi ro AI trong chăm sóc sức khỏe và phát triển kế hoạch giảm thiểu
So với các ngành khác, các nhà lãnh đạo trong lĩnh vực chăm sóc sức khỏe phải đối mặt với những thách thức độc đáo do yêu cầu về sự đồng ý, rủi ro về quyền riêng tư, tác động tiềm tàng đến sức khỏe và giám sát quy định. Mặc dù các cơ chế đồng ý được áp dụng trong quá trình đăng ký thành viên hoặc lên lịch hẹn cho phép các tổ chức sử dụng một số dữ liệu người tiêu dùng, người tiêu dùng không có cách dễ dàng để xem xét hoặc điều chỉnh những sự đồng ý này. Họ nên có khả năng tìm hiểu không chỉ về việc sử dụng dữ liệu khi ký các mẫu đồng ý mới mà còn về những thay đổi trong chính sách bảo mật đối với sự đồng ý đã cung cấp trước đó, với hướng dẫn từ chối rõ ràng.
Ngoài tính minh bạch trong việc sử dụng dữ liệu, các tổ chức có thể thiết lập quy trình quản trị cũng được neo vào việc sử dụng AI và tính minh bạch của thuật toán. Họ có thể cung cấp cho người tiêu dùng các bản ghi và tài liệu rõ ràng về hệ thống AI, bao gồm các chiến lược giảm thiểu thiên kiến và quy trình đào tạo như chi tiết về hồ sơ dân số được sử dụng. Khi kỳ vọng của người tiêu dùng thay đổi, như trong các ngành khác, hướng tới việc truy cập và kiểm soát dữ liệu của họ dễ dàng hơn – ví dụ, một số công ty cho phép khách hàng quyết định những giao dịch mua nào của họ được sử dụng để đào tạo các mô hình đề xuất ML – các tổ chức chăm sóc sức khỏe sẽ phải đối mặt với áp lực ngày càng tăng để làm điều tương tự.
Bổ sung vào môi trường bảo mật bệnh nhân vốn đã phức tạp là các quy định cụ thể về AI đang phát triển nhanh chóng. Lực lượng Đặc nhiệm AI của Bộ Y tế và Dịch vụ Nhân sinh đã và đang phát triển các chính sách để bảo vệ bệnh nhân như một phần của Sắc lệnh Hành pháp của Nhà Trắng về An toàn AI. Cuối cùng, các kho dữ liệu tích hợp trưởng thành hơn được xây dựng để cung cấp năng lượng cho AI có thể trở thành mục tiêu có giá trị cho các cuộc tấn công mạng. Năm 2023 đã phá vỡ kỷ lục về các vụ vi phạm dữ liệu chăm sóc sức khỏe, ghi nhận 725 vụ vi phạm với 500 hồ sơ trở lên, nhiều hơn gấp đôi so với số liệu được báo cáo vào năm 2017.
Nâng cao năng lực AI của đội ngũ của bạn
Trong dài hạn, các tổ chức cung cấp dịch vụ và công ty bảo hiểm sẽ phải đầu tư vào năng lực và nhân tài của họ để nắm bắt đầy đủ cơ hội AI. Họ phải cân bằng cẩn thận giữa việc nâng cao kỹ năng của nhân tài hiện có và tuyển dụng cho các kỹ năng cụ thể về AI, sau đó tổ chức các nhóm chiến thuật để thực hiện các sáng kiến đã chọn. Hợp tác với các nhà cung cấp AI bên thứ ba cũng là một lựa chọn và có thể cho phép tổ chức di chuyển nhanh chóng.
Một cách để tăng khả năng thành công trong việc triển khai AI là sử dụng mô hình phi công tự động, trong đó nhân viên làm việc cùng với các công cụ AI để thực hiện các cải tiến quy trình từng bước. Điều này tận dụng tốc độ và năng lực của AI với các kiểm tra và cân bằng của kỹ năng và trực giác con người để giảm thiểu lỗi và rủi ro. Quan trọng là, quá trình này bao gồm các giai đoạn kiểm tra khả năng và thu thập bài học trong một nhóm nhỏ người dùng trước khi mở rộng quy mô trên toàn doanh nghiệp. Chiến thuật thử nghiệm và học hỏi như vậy cho phép các tổ chức giảm thiểu rủi ro khi mở rộng quy mô và đo lường tác động cũng như mức độ áp dụng trong các quy trình làm việc hiện có.
Ngày nay, tương tác với hệ sinh thái chăm sóc sức khỏe thường rất vụng về và thiếu sự cá nhân hóa mà người tiêu dùng mong đợi. AI có tiềm năng định hình lại hành trình chăm sóc sức khỏe bằng cách cho phép tập trung vào người tiêu dùng. Xây dựng các giải pháp AI thành công có thể mở rộng quy mô đòi hỏi một cách tiếp cận lặp đi lặp lại, một chiến lược triển khai có kiểm soát được xác định rõ ràng với kế hoạch rõ ràng về cách tích hợp với các quy trình làm việc hiện có và được tái cấu trúc, và các chỉ số hiệu suất chính để khuếch đại những gì đang hoạt động tốt. Cam kết của ban lãnh đạo cũng là chìa khóa để nắm bắt sức mạnh của hiệu ứng bánh đà. Mặc dù việc thúc đẩy cuộc cách mạng này đòi hỏi các khoản đầu tư có mục tiêu, tiến bộ về dữ liệu và giảm thiểu rủi ro, chúng tôi kỳ vọng công sức bỏ ra sẽ được đền đáp xứng đáng. Việc triển khai AI trong chăm sóc sức khỏe có thể mang lại lợi ích cho lợi nhuận của các tổ chức, cũng như các chức năng vận hành và hành chính, trong khi người tiêu dùng có thể tận hưởng quyền kiểm soát lớn hơn đối với hành trình sức khỏe và sự khỏe mạnh của họ cũng như sức khỏe tổng thể tốt hơn.
VỀ (CÁC) TÁC GIẢ
Jenny Cordina là đối tác tại văn phòng Detroit của McKinsey; Eduardo Coronado là chuyên gia tại văn phòng New York, nơi Sarah Greenberg là đối tác liên kết; và Penelope Williams là cố vấn tại văn phòng Vùng Vịnh.
Các tác giả muốn cảm ơn Chin-Chin Lin, David Malfara, Eric Bochtler, Jessica Lamb, Mark Lee, Natasha Napolitano, Robert Schiff, và Shashank Bhasker vì những đóng góp của họ cho bài viết này.
Tác giả: Jenny Cordina,
Link bài gốc: Harnessing AI to reshape consumer experiences in healthcare | Bài được đăng vào ngày 15/11/2024, trên www.mckinsey.com
Dịch giả: Dieter R – KenkAI Nhiều thứ hay
(*) Bạn có thể sao chép và chia sẻ thoải mái.
(**) Follow KenkAI Nhiều thứ hay để đọc các bài dịch khác và cập nhật thông tin bổ ích hằng ngày.
OpenAI o3 nổi bật như một mô hình AI có khả năng lập luận mạnh mẽ nhất từ trước đến nay. Mô hình này thể hiện xuất sắc trong việc giải quyết các bài toán phức tạp và đã đạt thành tích ấn tượng với độ chính xác 91,6% trong Kỳ thi Toán học American Invitational Mathematics Examination (AIME) 2025.
Năng lực của o3 bao trùm nhiều lĩnh vực từ lập trình, toán học, khoa học cho đến nhận thức thị giác. So với phiên bản tiền nhiệm, mô hình này giảm 20% lỗi nghiêm trọng trong các tác vụ nền tảng, mặc dù tiêu tốn gấp 10 lần tài nguyên tính toán.
OpenAI o3 thể hiện bước tiến vượt bậc so với các mô hình tiền nhiệm. Kể từ ngày ra mắt 16 tháng 4 năm 2025, mô hình O-series mới nhất này áp dụng cơ chế lập luận mô phỏng, cho phép nó “suy ngẫm” trước khi đưa ra phản hồi. ChatGPT o3 tích hợp liền mạch nhiều công cụ, tạo nên trải nghiệm đa dạng. Mô hình này có khả năng tự quyết định thời điểm sử dụng tìm kiếm web và phân tích dữ liệu Python. Phiên bản o3 đầy đủ mang đến khả năng lập luận toàn diện nhất với với cửa sổ ngữ cảnh khổng lồ lên tới 200.000 token, trong khi các biến thể nhỏ gọn hơn sẽ được ra mắt trong tương lai.
Hãy cùng tìm hiểu những đặc điểm nổi bật của o3, từ khả năng lập luận trực quan đến vai trò của nó trong Khung Chuẩn bị mới “Preparedness Framework” của OpenAI. Mô hình này đánh dấu một bước tiến quan trọng khi là mô hình AI đầu tiên tích hợp các tính năng an toàn như cơ chế sắp xếp có chủ đích – một bước đột phá trong việc phát triển AI có trách nhiệm.
Video Tutorial: OpenAI o3 và o4-mini – Bước tiến mới trong AI
OpenAI o3 là gì và nó khác biệt như thế nào?
OpenAI o3 đánh dấu một bước nhảy vọt trong lĩnh vực trí tuệ nhân tạo, Ra mắt vào ngày 16 tháng 4 năm 2025, o3 là một phần trong dòng mô hình lập luận chuyên sâu của OpenAI. Trong khi các mô hình ngôn ngữ truyền thống chủ yếu tập trung vào việc tạo ra văn bản tổng quát, dòng o-series lại đi theo một hướng khác biệt. Mục tiêu của nó là nâng cao khả năng lập luận, tạo nên sự khác biệt rõ rệt so với các mô hình GPT quen thuộc của OpenAI.
Sự phát triển từ o1 đến o3
OpenAI lần đầu tiên tiết lộ o1 (tên mã “Strawberry”) vào tháng 9 năm 2024. Công ty đã mở rộng quyền truy cập o1 cho nhiều người hơn vào ngày 5 tháng 12 năm 2024. Chỉ hai tuần sau, họ đã xem trước o3 trong sự kiện ’12 Ngày Shipmas’ của họ. Tiến độ nhanh chóng này cho thấy sự cống hiến kiên định của họ đối với khả năng lập luận tốt hơn.
Những cải tiến rất ấn tượng. O3 mắc ít hơn 20% lỗi lớn so với o1 khi xử lý các nhiệm vụ thực tế khó khăn. Nó thực sự tỏa sáng trong lập trình, tư vấn kinh doanh và sáng tạo ý tưởng. Nhìn vào các thước đo cụ thể, o3 đạt độ chính xác 69,1% trong bài kiểm tra lập trình Verified SWE-bench, vượt trội hơn phiên bản tiền nhiệm. Mô hình này cũng đạt điểm ấn tượng 87,7% trong bài kiểm tra GPQA Diamond cho các vấn đề khoa học cấp độ chuyên gia.
Lý do OpenAI bỏ qua phiên bản o2
Bạn có thể nhận thấy không có mô hình OpenAI o2. Công ty đã nhảy thẳng từ o1 sang o3 vì vấn đề thương hiệu—”O2″ thuộc về một công ty viễn thông Anh do Telefonica UK điều hành. Sam Altman, CEO của OpenAI, nói rằng họ đã đưa ra lựa chọn này “vì sự tôn trọng” đối với Telefonica. Quyết định đặt tên này thực sự đã giúp OpenAI bằng cách làm cho mô hình có vẻ tiên tiến hơn.
Lập luận mô phỏng (Simulated reasoning) đối đầu với các mô hình ngôn ngữ lớn truyền thống
O3 hoạt động khác với các mô hình ngôn ngữ lớn truyền thống. GPT-4 và các mô hình tương tự xuất sắc trong các tác vụ ngôn ngữ chung và nhận dạng mẫu. Tuy nhiên, O3 sử dụng lập luận mô phỏng thay đổi toàn bộ cách tiếp cận xử lý thông tin của nó.
Lập luận mô phỏng này cho phép o3 dừng lại và suy nghĩ về quá trình tư duy nội tại của nó trước khi phản hồi—tương tự như cách con người suy nghĩ. Mô hình chia các vấn đề lớn thành các phần nhỏ hơn và khám phá các cách tiếp cận khác nhau. Nó kiểm tra lập luận của chính mình trước khi đưa ra câu trả lời. Cách tiếp cận này khác với các mô hình ngôn ngữ lớn thông thường chủ yếu sử dụng nhận dạng mẫu và dự đoán.
O3 suy nghĩ cẩn thận hơn về các thách thức phức tạp cần tư duy phân tích sâu sắc. Mô hình hoạt động tốt hơn trong toán học, lập trình và lập luận khoa học. Cách tiếp cận thận trọng này dẫn đến độ chính xác cao hơn trên các vấn đề khó, mặc dù mất nhiều thời gian hơn một chút để phản hồi.
Hiểu về o3-mini và o4-mini
Sự phát triển của các mô hình lập luận của OpenAI dẫn đến các phiên bản hiệu quả được thiết kế để tiết kiệm chi phí và ứng dụng chuyên biệt. Những mô hình “mini” này cung cấp khả năng ấn tượng trong khi giữ yêu cầu tính toán thấp hơn và thời gian phản hồi nhanh hơn.
o3-mini là gì?
OpenAI đã cho ra mắt o3-mini vào ngày 31 tháng 1 năm 2025, đánh dấu sự xuất hiện của mô hình lập luận nhỏ gọn đầu tiên của họ. Mô hình này đáp ứng các tính năng được nhà phát triển yêu cầu nhiều nhất, bao gồm khả năng gọi hàm, Structured Outputs, và developer messages. Là một giải pháp thay thế tiết kiệm chi phí cho mô hình o3 đầy đủ, o3-mini thể hiện xuất sắc trong các lĩnh vực STEM—đặc biệt mạnh mẽ trong khoa học, toán học và lập trình—đồng thời duy trì độ trễ thấp hơn.
Các chuyên gia thử nghiệm nhận thấy o3-mini tạo ra câu trả lời chính xác và rõ ràng hơn so với o1-mini, với 56% thời gian họ ưu tiên chọn phản hồi từ o3-mini. Mô hình này giảm 39% lỗi nghiêm trọng (major errors) khi xử lý các câu hỏi nền tảng khó so với o1-mini. Thời gian phản hồi cũng được cải thiện đáng kể, nhanh hơn 24% so với o1-mini, trung bình chỉ mất 7,7 giây so với 10,16 giây của phiên bản tiền nhiệm.
Giải thích về o3-mini-low, medium và high
Ba biến thể của o3-mini tồn tại dựa trên nỗ lực lập luận: thấp, trung bình và cao. Các nhà phát triển có thể tối ưu hóa cho các trường hợp sử dụng cụ thể—chọn quá trình suy nghĩ sâu hơn cho các vấn đề phức tạp hoặc ưu tiên tốc độ khi độ trễ quan trọng.
O3-mini phù hợp với hiệu suất của o1 trong các đánh giá lập luận và trí thông minh đầy thách thức với nỗ lực lập luận trung bình, bao gồm AIME và GPQA. Các tùy chọn lập luận cao cung cấp khả năng phân tích cải thiện với chi phí thời gian phản hồi hơi lâu hơn. Vì vậy, tất cả người dùng ChatGPT trả phí đều nhận được quyền truy cập vào cả o3-mini (sử dụng lập luận trung bình theo mặc định) và o3-mini-high trong bộ chọn mô hình.
Phiên bản 1 (Dịch sát nghĩa):
O4-mini là gì và nó so sánh với o3-mini như thế nào
OpenAI đã phát hành o4-mini cùng với o3 vào ngày 16 tháng 4 năm 2025, như một mô hình nhỏ hơn được tối ưu hóa cho lập luận nhanh và tiết kiệm chi phí. Mô hình nhỏ gọn này thể hiện hiệu suất đáng chú ý cho kích thước của nó và xuất sắc trong các nhiệm vụ toán học, lập trình và thị giác.
O4-mini vượt trội hơn o3-mini trong cả các nhiệm vụ STEM và phi STEM trong các đánh giá của chuyên gia, bao gồm các lĩnh vực khoa học dữ liệu. Phản hồi của người dùng cho thấy kết quả hỗn hợp—o4-mini cung cấp thông lượng cao hơn và giới hạn sử dụng cao hơn so với o3, nhưng một số người dùng báo cáo vấn đề với việc tạo mã và tính nhất quán so với o3-mini-high.
O4-mini có các biến thể lập luận tiêu chuẩn và cao, với phiên bản cao mất nhiều thời gian hơn để tạo ra câu trả lời có khả năng đáng tin cậy hơn.
Các khả năng chính của o3
O3 của OpenAI nổi bật so với các mô hình AI truyền thống với những khả năng đột phá. Mô hình học thông qua học tăng cường quy mô lớn và thể hiện kỹ năng đáng chú ý trên nhiều lĩnh vực. Điều này khiến nó trở thành một công cụ mạnh mẽ để giải quyết các vấn đề phức tạp.
Lập luận nâng cao và chuỗi suy nghĩ
OpenAI đã huấn luyện mô hình o3 để “suy nghĩ” trước khi đưa ra câu trả lời thông qua cái mà họ gọi là “chuỗi tư duy riêng tư”. Mô hình này lập kế hoạch trước và lập luận thông qua các nhiệm vụ bằng cách thực hiện các bước suy luận trung gian để giải quyết vấn đề. O3 có khả năng phân tích các thách thức phức tạp và cân nhắc nhiều phương pháp tiếp cận khác nhau. Nó tự đánh giá quá trình lập luận của mình trước khi đưa ra câu trả lời cuối cùng. Mặc dù quá trình này đòi hỏi nhiều sức mạnh tính toán hơn và mất nhiều thời gian hơn để phản hồi, nhưng kết quả đầu ra lại chính xác hơn đáng kể.
Visual reasoning: suy nghĩ bằng hình ảnh
Một trong những bước đột phá lớn nhất của o3 là biết cách lập luận với hình ảnh trực tiếp trong chuỗi suy nghĩ của nó. Mô hình không chỉ nhìn thấy hình ảnh – nó suy nghĩ với chúng. O3 làm việc với hình ảnh do người dùng tải lên bằng cách sử dụng các công cụ khác nhau. Nó cắt, phóng to, xoay và áp dụng các kỹ thuật xử lý khác. Điều này giúp o3 phân tích hình ảnh mờ, đảo ngược hoặc chất lượng thấp. Tính năng này chứng tỏ giá trị trong việc giải thích bảng trắng (whiteboards), sơ đồ sách giáo khoa hoặc phác thảo vẽ tay (hand-drawn sketches).
Sử dụng công cụ: duyệt web, lập trình, phân tích tệp
O3 kết hợp lập luận tiên tiến với các khả năng công cụ chi tiết. Bao gồm duyệt web, lập trình Python, phân tích hình ảnh, xử lý tệp và các tính năng bộ nhớ. Các công cụ không chỉ có sẵn – o3 biết chính xác khi nào và cách sử dụng chúng trong quá trình lập luận. Ví dụ, xem cách nó tìm kiếm dữ liệu tiện ích trên web, viết mã Python để dự báo và tạo biểu đồ giải thích – tất cả trong một tương tác.
Tự kiểm tra sự thật và tính năng bộ nhớ
O3 sử dụng sự sắp xếp có cân nhắc để lập luận về các chính sách an toàn khi nó phản hồi các lời nhắc có khả năng không an toàn. Tự kiểm tra sự thật tích hợp giúp phản hồi chính xác hơn. Mô hình cũng nhớ các chi tiết hữu ích giữa các cuộc trò chuyện. Điều này dẫn đến các phản hồi được tùy chỉnh và phù hợp.
Performance trong toán học, lập trình và khoa học
O3 cho thấy kết quả đặc biệt xuất sắc trong các lĩnh vực kỹ thuật:
- Toán học: Độ chính xác 91,6% trên AIME 2024 (so với 74,3% của o1)
- Lập trình: Độ chính xác 69,1% trên SWE-bench Verified (so với 48,9% của o1)
- Khoa học: Độ chính xác 83,3% trên thước đo GPQA Diamond
Safety, access, and pricing
OpenAI đang dẫn đầu trong việc triển khai an toàn và có trách nhiệm các mô hình lập luận của mình. Tài liệu an toàn mới nhất của họ cho thấy cách o3 và o4-mini áp dụng nhiều lớp bảo vệ, vừa ngăn chặn việc sử dụng sai mục đích, vừa hỗ trợ các ứng dụng có ích.
Deliberative alignment: Phương pháp an toàn mới
OpenAI đã phát triển phương pháp sắp xếp có chủ đích – một kỹ thuật an toàn đột phá giúp các mô hình lập luận hiểu trực tiếp các thông số kỹ thuật an toàn do con người viết. Khác với các phương pháp cũ, nơi các mô hình học hành vi mong muốn từ các ví dụ được gắn nhãn, o3 giờ đây có thể suy ngẫm về các thông số này trước khi đưa ra câu trả lời.
Cách tiếp cận này giúp o3 vượt trội hơn GPT-4o trong việc đáp ứng các tiêu chuẩn an toàn nội bộ và bên ngoài. Nó giảm thiểu các kết quả có hại và tránh việc từ chối không cần thiết đối với nội dung an toàn. Đây là một bước tiến vượt bậc so với các phương pháp an toàn truyền thống chỉ dựa vào đào tạo từ các ví dụ.
Preparedness Framework v2
Khung Chuẩn bị phiên bản 2 của OpenAI giờ đây xem xét năm tiêu chí rủi ro: tính khả thi, khả năng đo lường, mức độ nghiêm trọng, tính mới hoàn toàn và liệu rủi ro xảy ra tức thì hay không thể khắc phục.
Khung này đặt ra hai ngưỡng rõ ràng – Khả năng cao và Khả năng quan trọng – kèm theo các cam kết hoạt động cụ thể. O3 và o4-mini đã trải qua đánh giá trong ba lĩnh vực: mối đe dọa sinh học/hóa học, an ninh mạng và khả năng tự cải thiện của AI. Cả hai mô hình đều duy trì dưới ngưỡng ‘Cao’ của khung trong mọi hạng mục.
Cách truy cập o3 và o4-mini thông qua ChatGPT
Người dùng ChatGPT Plus, Pro và Team có thể truy cập o3, o4-mini và o4-mini-high trực tiếp từ bộ chọn mô hình. Người dùng Enterprise và Edu được truy cập một tuần sau khi phát hành ban đầu. Mỗi cấp độ đăng ký có giới hạn khác nhau:
- Plus, Team, Enterprise & Edu: 100 tin nhắn hàng tuần với o3, 300 tin nhắn hàng ngày với o4-mini và 100 tin nhắn hàng ngày với o4-mini-high
- Pro: Truy cập gần như không giới hạn (tùy thuộc vào các biện pháp bảo vệ tự động)
- Miễn phí: Truy cập giới hạn vào o4-mini bằng cách chọn ‘Think’ trong trình soạn thảo
Giá API và giới hạn sử dụng
Các nhà phát triển có thể sử dụng o3 qua API với giá 254.148,34 VND cho mỗi triệu token đầu vào và 1.016.593,35 VND cho mỗi triệu token đầu ra. O4-mini có giá thấp hơn ở mức 27.956,32 VND cho mỗi triệu token đầu vào và 111.825,27 VND cho mỗi triệu token đầu ra. Người dùng cần xác minh tổ chức ở cấp độ 1-3 để truy cập o3, trong khi tất cả người dùng đã xác minh có thể sử dụng o4-mini. Cả hai mô hình đều hoạt động với cửa sổ ngữ cảnh 200k token và có thể xuất ra tối đa 100k token, điều này cung cấp nhiều không gian cho các tác vụ lập luận phức tạp.
Kết luận
OpenAI o3 đánh dấu một bước ngoặt quan trọng trong lịch sử phát triển AI, khi nó vượt xa khỏi việc đơn thuần so khớp mẫu để hướng tới khả năng lập luận đích thực. Những mô hình này hứa hẹn sẽ phát triển khả năng giải quyết vấn đề ngày càng tinh vi, đi kèm với các biện pháp an toàn được cải thiện. Dòng o chứng minh rằng tương lai của AI không nằm ở việc tạo ra các phản hồi đơn thuần, mà là ở khả năng lập luận thấu đáo trước những vấn đề phức tạp
Câu hỏi thường gặp
C1. Các tính năng chính của mô hình o3 của OpenAI là gì? OpenAI o3 là một mô hình AI tiên tiến sử dụng lập luận mô phỏng để xuất sắc trong các nhiệm vụ giải quyết vấn đề phức tạp. Nó có thể tạm dừng và suy ngẫm trước khi phản hồi, có khả năng lập luận trực quan và tích hợp các công cụ khác nhau như tìm kiếm web và lập trình Python. Mô hình cũng có các biện pháp an toàn nâng cao và cửa sổ ngữ cảnh khổng lồ 200.000 token.
C2. O3 so sánh như thế nào với các mô hình AI trước đây về mặt hiệu suất? O3 thể hiện những cải tiến đáng kể so với các phiên bản tiền nhiệm, mắc ít hơn 20% lỗi lớn trong các nhiệm vụ thực tế khó khăn. Nó đạt độ chính xác 91,6% trên AIME 2025, 69,1% độ chính xác trên điểm chuẩn lập trình SWE-bench Verified, và 87,7% trên điểm chuẩn GPQA Diamond cho các vấn đề khoa học cấp độ chuyên gia.
C3. O3-mini và o4-mini là gì, và chúng khác với mô hình o3 đầy đủ như thế nào? O3-mini và o4-mini là các phiên bản tinh gọn của mô hình o3, được thiết kế để tiết kiệm chi phí và ứng dụng chuyên biệt. Chúng cung cấp khả năng ấn tượng với yêu cầu tính toán thấp hơn và thời gian phản hồi nhanh hơn. O3-mini có các biến thể nỗ lực lập luận thấp, trung bình và cao, trong khi o4-mini được tối ưu hóa cho lập luận nhanh, tiết kiệm chi phí.
C4. Người dùng có thể truy cập các mô hình o3 và o4-mini như thế nào? Người dùng ChatGPT Plus, Pro, Team và Enterprise có thể truy cập o3, o4-mini và o4-mini-high thông qua bộ chọn mô hình. Giới hạn sử dụng thay đổi theo cấp độ đăng ký. Đối với các nhà phát triển, cả hai mô hình đều có sẵn thông qua API với cấu trúc giá khác nhau. Người dùng miễn phí có quyền truy cập hạn chế vào o4-mini bằng cách chọn ‘Think’ trong trình soạn thảo.
C5. Các biện pháp an toàn nào được triển khai trong mô hình o3? O3 kết hợp một phương pháp an toàn mới gọi là sắp xếp có cân nhắc, dạy mô hình lập luận rõ ràng về các thông số kỹ thuật an toàn. Nó cũng có khả năng tự kiểm tra sự thật và được đánh giá theo Khung Chuẩn bị v2 cập nhật của OpenAI, đánh giá rủi ro trên các tiêu chí khác nhau để đảm bảo triển khai AI có trách nhiệm.
Dieter R.
Công nghệ
AI Cách Mạng: Khởi Nghiệp Công Nghệ Tương Lai Ngay
Ông Lee cho biết: “Nếu thuộc thế hệ trước, chúng tôi dễ dàng có tới 200 nhân viên. Chúng tôi có cơ hội để suy nghĩ lại về điều đó, về cơ bản là viết lại kịch bản”.
Khởi nghiệp AI đang định hình tương lai kinh doanh. Với sức mạnh công nghệ, startup AI giải phóng tiềm năng sáng tạo, tối ưu hóa quy trình và mở ra những cơ hội kinh doanh chưa từng có trong kỷ nguyên số.
DeepSeek đang tạo ra một bước ngoặt mới cho Thung lũng Silicon.
Hầu như ngày nào, doanh nhân Grant Lee cũng được các nhà đầu tư thuyết phục xuống tiền. Một số người thậm chí còn gửi cho ông và những người đồng sáng lập khác nhiều giỏ quà đắt đỏ để lấy lòng.
Ông Lee, 41 tuổi, trước đây đã giúp thành lập một công ty khởi nghiệp AI có tên Gamma. Giống như nhiều startup trẻ khác ở Thung lũng Silicon, Gamma theo đuổi một chiến lược mới: sử dụng các công cụ trí tuệ nhân tạo để tăng năng suất của nhân viên, từ dịch vụ khách hàng, tiếp thị đến mã hóa và nghiên cứu.
Điều đó có nghĩa là Gamma không cần thêm tiền mặt nữa, ông Lee cho biết. Công ty của ông chỉ tuyển dụng 28 người cũng có thể tạo ra hàng chục triệu USD doanh thu định kỳ hàng năm với gần 50 triệu người dùng. Gamma cũng có lãi.
Ông Lee cho biết: “Nếu thuộc thế hệ trước, chúng tôi dễ dàng có tới 200 nhân viên. Chúng tôi có cơ hội để suy nghĩ lại về điều đó, về cơ bản là viết lại kịch bản”.
Mô hình Thung lũng Silicon cũ chỉ ra rằng các công ty khởi nghiệp nên huy động một khoản tiền lớn từ các nhà đầu tư mạo hiểm, sau đó chi tiền thuê một đội ngũ nhân viên để mở rộng quy mô. Trong khi đó, Gamma vẫn kiếm được tiền và phát triển nhanh chóng dù không cần vốn tài trợ hay số lượng lớn nhân viên.
Những câu chuyện thành công này đã thu hút sự chú ý của Thung lũng Silicon. Anysphere, một công ty khởi nghiệp tạo ra phần mềm mã hóa Cursor, đạt doanh thu 100 triệu USD trong vòng chưa đầy hai năm với chỉ 20 nhân viên. ElevenLabs, một công ty A.I. công ty khởi nghiệp bằng giọng nói, cũng làm nên kỳ tích tương tự với khoảng 50 nhân sự.
Khả năng A.I. cho phép các công ty khởi nghiệp làm được nhiều việc hơn với ít nhân viên hơn đã dẫn đến những suy đoán hoang đường về tương lai. Sam Altman, giám đốc điều hành của OpenAI, dự đoán rằng một ngày nào đó có thể có một công ty một người trị giá 1 tỷ USD.
Với các công cụ A.I., một số công ty khởi nghiệp hiện đang tuyên bố ngừng tuyển dụng ở một quy mô nhất định. Runway Financial, một công ty phần mềm tài chính, cho biết chỉ tuyển tối đa 100 nhân viên vì mỗi người sẽ tăng năng suất gấp rưỡi. Agency, startup sử dụng A.I. cho dịch vụ khách hàng, cũng có kế hoạch tuyển dụng không quá 100 nhân viên.
“Mục đích là loại bỏ những vai trò không cần thiết”, Elias Torres, người sáng lập Agency, cho biết.
Ý tưởng này được thúc đẩy bởi DeepSeek, công ty khởi nghiệp A.I. của Trung Quốc xây dựng các công cụ trí tuệ nhân tạo với chi phí chỉ bằng một phần nhỏ so với chi phí thông thường. Bước đột phá, được xây dựng trên các công cụ nguồn mở có sẵn miễn phí trực tuyến, đã tạo ra sự bùng nổ của các công ty xây dựng sản phẩm mới giá rẻ.
“DeepSeek là một bước ngoặt”, Gaurav Jain, một nhà đầu tư tại công ty đầu tư mạo hiểm Afore Capital, đơn vị đã hỗ trợ Gamma, cho biết. “Chi phí điện toán sẽ giảm rất, rất nhanh, rất nhanh”.
Ông Jain so sánh các công ty khởi nghiệp A.I. mới với làn sóng cuối những năm 2000, sau khi Amazon bắt đầu cung cấp các dịch vụ điện toán đám mây giá rẻ. Điều đó đã làm giảm chi phí thành lập công ty, dẫn đến một loạt các công ty khởi nghiệp mới có thể được xây dựng với chi phí rẻ.
Trước cơn sốt A.I. này, các công ty khởi nghiệp thường đốt 1 triệu USD để đạt được doanh thu 1 triệu USD. Bây giờ, để đạt được doanh thu 1 triệu USD, chi phí chỉ bằng 1/5 và cuối cùng có thể giảm xuống còn 1/10, theo phân tích của Afore đối với 200 công ty khởi nghiệp.
Ông Jain cho biết: “Lần này, chúng tôi đang tự động hóa con người chứ không chỉ tự động hóa các trung tâm dữ liệu”.
Tuy nhiên, nếu các công ty khởi nghiệp vẫn có thể có lãi mà không cần chi nhiều tiền, điều đó có thể trở thành vấn đề lớn đối với các nhà đầu tư mạo hiểm, những người phân bổ hàng chục tỷ USD để đầu tư vào các công ty khởi nghiệp A.I. Năm ngoái, các công ty A.I. đã huy động được 97 tỷ USD tiền tài trợ, chiếm 46% tổng số tiền đầu tư mạo hiểm tại Mỹ, theo PitchBook.
“Vốn đầu tư mạo hiểm chỉ hiệu quả nếu bạn rót tiền vào những người chiến thắng”, Terrence Rohan, một nhà đầu tư của Quỹ Otherwise, tập trung vào các công ty khởi nghiệp rất trẻ, cho biết.
“Nếu người chiến thắng trong tương lai cần ít tiền hơn, không biết dòng vốn đầu tư mạo hiểm sẽ ra sao?”.
Hiện tại, các nhà đầu tư vẫn tiếp tục đấu tranh để đầu tư vào các công ty đang phát triển mạnh nhất, nhiều công ty trong số đó không cần thêm tiền. Một số nhà đầu tư lạc quan rằng hiệu quả do A.I. thúc đẩy sẽ thôi thúc các doanh nhân thành lập nhiều công ty hơn, dẫn đến nhiều cơ hội đầu tư hơn. Họ hy vọng khi các công ty khởi nghiệp đạt đến một quy mô nhất định, họ sẽ áp dụng mô hình cũ là các nhóm lớn và tiền lớn.
Quay trở lại với Gamma.
Ông Lee cho biết ông đang có kế hoạch tăng gấp đôi lực lượng lao động trong năm nay lên 60, tuyển dụng cho bộ phận thiết kế, kỹ thuật và bán hàng. Nhân sự phải có kiến thức tổng quát có thể thực hiện nhiều nhiệm vụ thay vì một việc như trước đây. Theo ông Lee, mô hình hiệu quả với AI đã giúp giải phóng thời gian. Bây giờ ông chỉ việc tập trung tư vấn khách hàng và cải thiện sản phẩm.
“Đó thực sự là giấc mơ của mọi nhà sáng lập”, ông Lee nói.
Theo: Financial Times, WSJ
Hashtags: #StartupAI #CongNgheKhoiNghiep #KinhDoanhCongNghe #AIKhaiPha #StartupCongNghe
Nguồn: markettimes.vn / 21-Feb-2025 / https://markettimes.vn/deepseek-khoi-phat-ky-nguyen-startup-gia-re-chi-20-nhan-su-cung-tao-ra-hang-chuc-trieu-usd-cac-cong-ty-khong-con-khat-tien-mat-77486.html
-
Video4 months agoVideo Truyền Cảm Hứng Thành Công Mạnh Mẽ Nhất
-
Khóa học9 months ago
41 Tài Nguyên Về “Reinforcement Learning” (Học Tăng Cường) Tốt Nhất
-
Khóa học7 months ago
Đây là 38 Khóa học Miễn phí về Khoa học Dữ liệu trên Coursera mà bạn nên biết vào năm 2024.
-
Công nghệ9 months ago
44 công ty khởi nghiệp AI triển vọng nhất năm 2024
-
Công nghệ6 months ago
Giải thích các Mô hình Trí Tuệ Nhân tạo Tạo sinh 🤖Phần 1
-
Công nghệ8 months ago
Robo Advisor là gì?
-
Công nghệ5 months ago
Câu chuyện tình yêu ❤️Ch3
-
Giải trí5 months ago
Câu chuyện tình yêu ❤️Ch4
Pingback: Cuộc trò chuyện với Abridge, Anthropic, Perplexity và Scale AI – KenkAI