AI says Hi! – Series cùng tìm hiểu Trí tuệ Nhân tạo với Lemon’s Tribe

Với vai trò là một Product Owner đã phát triển sản phẩm có tích hợp AI trong vài năm, Lemon’s Tribe nhìn lại quá trình mà mình đi qua và tự hỏi: Nếu bạn được giao nhiệm vụ làm sản phẩm có ứng dụng AI ở trong đó, bạn sẽ bắt đầu tìm hiểu từ đâu? Thật sự đó là băn khoăn của chính Lemon’s Tribe ở những ngày đầu tiên tiếp xúc với lĩnh vực này. Bản thân mình không phải là người có nền tảng học tập liên quan đến lĩnh vực Trí tuệ Nhân tạo hay Khoa học Máy tính, nên việc chọn điểm xuất phát là hoàn toàn không dễ dàng vì kiến thức về lĩnh vực này là một vũ trụ mênh mông. Trong bối cảnh nhà nhà AI, người người AI, và thời gian sắp tới việc ứng dụng AI trong sản phẩm công nghệ lẫn vận hành công việc ngày càng bùng nổ, Lemon’s Tribe hiểu rằng sẽ có nhiều người gặp phải sự bối rối mà Lemon’s Tribe đã từng gặp phải. Chính vì vậy, để đồng hành cùng các bạn qua giai đoạn này, và cũng là để Lemon’s Tribe củng cố kiến thức của bản thân, mình sẽ phát triển một series các bài viết liên quan đến kiến thức AI, tập trung sâu hơn về mảng NLP, LLM và các ứng dụng của lĩnh vực này, đặc biệt dành cho Product Owner. Bắt đầu ngay thôi nào!

Các khái niệm cốt lõi của AI

1. Trí tuệ nhân tạo (AI – Artificial Intelligence) là lĩnh vực rộng bao gồm mọi kỹ thuật giúp máy móc mô phỏng trí thông minh của con người (như học hỏi hay ra quyết định). AI sử dụng sự dự đoán và tự động hoá để tối ưu hoá và giải quyết các vấn đề phức tạp của con người, như việc nhận diện gương mặt, giọng nói, hay dịch thuật hoặc đưa ra quyết định.¹

Ai được chia làm 3 nhóm, dựa trên khả năng của chúng²³:

Nhóm AI	Mô hình AI (AI models)	Khả năng
Artificial Narrow Intelligence (ANI) – Trí tuệ Nhân tạo Thu hẹp	Là các model AI được lập trình sẵn, không có khả năng suy luận hay học nhiệm vụ mới. Đây cũng được coi là nhóm AI yếu. NLP (Natural Language Processing – Xử lý ngôn ngữ tự nhiên) và Computer Vision (Thị giác máy tính) là 2 ví dụ của ANI.	Thực hiện một nhiệm vụ hoặc một mệnh lệnh cụ thể nào đó
Artificial General Intelligence (AGI) – Trí tuệ Nhân tạo Tổng hợp	Máy học và suy luận trong một môi trường vận hành. Đây là một trong 2 nhóm AI mạnh và vẫn đang được nghiên cứu phát triển.	Học, suy nghĩ và thực hiện nhiệm vụ như một con người
Artificial Super Intelligence (ASI) – Siêu trí tuệ Nhân tạo	Máy học hỏi nhanh, suy luận và phát triển đến mức có thể tự nhận thức được. Tương tự như AGI, ASI cũng trong giai đoạn nghiên cứu.	Học nhanh hơn và làm nhiệm vụ tốt hơn con người

2. Bên trong AI có Machine Learning (ML) – một tập hợp con của AI – tập trung vào việc cho phép máy tự học từ dữ liệu và kinh nghiệm quá khứ thay vì lập trình rõ ràng sẵn có. Các thuật toán ML sử dụng phương pháp máy học để thu thập thông tin trực tiếp từ dữ liệu mà không cần phải dựa trên phương trình tạo sẵn. Thuật toán này sẽ dần được cải thiện khi mà lượng mẫu (sample) để học ngày một tăng lên.⁴

3. Học sâu (Deep Learning – DL) lại là một nhánh đặc biệt của ML, sử dụng các mô hình mạng nơ-ron nhân tạo nhiều lớp (deep neural networks) để học từ lượng dữ liệu cực lớn.⁵

4. Mạng neuron chính là nền tảng của deep learning, gồm nhiều tầng “nút” kết nối như các neuron não người, cho phép xử lý dữ liệu phức tạp.⁶

Có thể hình dung mối quan hệ: AI là hệ thống bao trùm; ML là một cách để thực hiện AI; còn deep learning là kỹ thuật ML cụ thể dựa trên mạng nơ-ron. Sự khác biệt chính giữa ML truyền thống và deep learning nằm ở cách học: ML thường cần con người thiết kế đặc trưng và làm sạch dữ liệu trước khi học, trong khi deep learning có thể tự trích xuất đặc trưng từ dữ liệu thô (ví dụ ảnh, văn bản) và do đó tận dụng tốt dữ liệu phi cấu trúc quy mô lớn. ML truyền thống giỏi trong các bài toán phân tích dự đoán trên dữ liệu có cấu trúc: ví dụ dự báo tỷ lệ churn (rời bỏ)của người dùng dựa trên các chỉ số hành vi, hay phân đoạn khách hàng thành các cụm để cá nhân hóa marketing. Deep learning thì mở ra khả năng xử lý dữ liệu phức tạp hơn: chẳng hạn dùng mô hình ngôn ngữ để phân tích hàng nghìn phản hồi bình luận và tự động gắn nhãn chủ đề hoặc cảm xúc, giúp nhóm sản phẩm hiểu nhanh xu hướng dư luận.

5. Xử lý ngôn ngữ tự nhiên (Natural Language Processing – NLP) là một lĩnh vực thuộc khoa học máy tính và trí tuệ nhân tạo (AI), tập trung vào việc giúp máy tính hiểu và giao tiếp bằng ngôn ngữ con người. Nói cách khác, NLP cho phép máy móc nhận dạng, hiểu và tạo ra văn bản hoặc lời nói tương tự như con người, bằng cách kết hợp các kỹ thuật ngôn ngữ học với ML truyền thống và DL. Nhờ đó, NLP đóng vai trò như “cầu nối” giữa ngôn ngữ tự nhiên của con người và trí thông minh nhân tạo, giúp AI có thể xử lý dữ liệu ngôn ngữ một cách hiệu quả.⁷

6. Có thể phân loại các cách học/thuật toán của máy như sau:⁸

Học có giám sát (Supervised Learning): mô hình học trên dữ liệu có gán nhãn sẵn (đầu vào-đầu ra đúng), ví dụ dự đoán doanh thu dựa trên lịch sử bán hàng. Đây là cách học của ML truyền thống. Trước sự bùng nổ của Generative AI (cụ thể là Chat GPT) thì chatbot thường được huấn luyện bởi phương pháp học có giám sát. Tuy nhiên, thời gian phát triển và nguồn lực bỏ ra để huấn luyến tương đối kéo dài và tốn kém, nhưng câu trả lời sẽ dễ dàng kiểm soát chất lượng.
Học không giám sát (Unsupervised Learning): mô hình tự tìm cấu trúc hoặc nhóm trong dữ liệu chưa có nhãn, ví dụ phân cụm khách hàng theo hành vi mua sắm mà không biết trước nhóm. Đây là cách học của Deep Learning, và là nền tảng của Chat GPT mà chúng ta thấy hiện nay.
Học tăng cường (Reinforcement Learning): agent AI học bằng cách tương tác với môi trường và nhận thưởng/phạt cho hành động, từ đó tối ưu dần – điển hình như AI chơi cờ hoặc hệ thống khuyến nghị thử nghiệm A/B⁹.

Mỗi loại thuật toán có ưu nhược riêng: các thuật toán của phương thức Học có giám sát (như cây quyết định, rừng ngẫu nhiên hay hồi quy tuyến tính) thường dễ hiểu và giải thích (thuộc dạng “white-box”), còn thuật toán của Học không giám sát (như mạng nơ-ron sâu, mô hình ensemble phức tạp) là dạng “hộp đen” khó giải thích nhưng thường cho độ chính xác cao hơn trên dữ liệu lớn¹⁰. Trong thực tiễn, người làm sản phẩm cần hiểu thuật toán nào phù hợp bài toán nào – ví dụ bài toán xử lý ngôn ngữ tự nhiên hoặc nhận dạng hình ảnh thường phải dùng deep learning để đạt hiệu quả cao, còn bài toán dự báo theo chuỗi thời gian ngắn hạn có thể chỉ cần mô hình ML truyền thống.

AI ứng dụng thế nào trong quản lý sản phẩm?

AI đang được ứng dụng trong nhiều khía cạnh của quản lý sản phẩm, từ hoạch định chiến lược đến vận hành và cải thiện trải nghiệm người dùng:

Dự báo nhu cầu và tối ưu hóa sản phẩm: Các mô hình AI nâng cao khả năng dự đoán xu hướng thị trường và nhu cầu khách hàng, giúp Product Owner đưa ra quyết định kịp thời. Ví dụ, trong lĩnh vực bán lẻ và phân phối, AI cho phép dự báo nhu cầu chính xác hơn, từ đó tối ưu tồn kho. McKinsey báo cáo rằng áp dụng AI trong lập kế hoạch chuỗi cung ứng có thể giảm 20–30% mức tồn kho nhờ dự báo tốt hơn và quản lý tồn kho tối ưu. Một nhà phân phối vật liệu xây dựng đã triển khai “control tower” chuỗi cung ứng tích hợp AI, kết quả là tỷ lệ đáp ứng đơn hàng tăng ~5–8% nhờ hệ thống tự động phát hiện thiếu hụt và điều phối hàng hóa hiệu quả.¹¹ Tương tự, trong phát triển sản phẩm phần mềm, các công ty dùng AI phân tích dữ liệu sử dụng tính năng để ưu tiên phát triển những tính năng có tác động lớn nhất đến người dùng.
Cá nhân hóa trải nghiệm khách hàng: Đây là một trong những ứng dụng rõ rệt nhất của AI trong quản lý sản phẩm. Các hệ thống gợi ý thông minh dựa trên ML/DL giúp tùy biến nội dung cho từng người dùng, qua đó tăng mức độ hài lòng và gắn bó. Netflix là ví dụ kinh điển: thuật toán đề xuất phim ảnh của họ phân tích lịch sử xem của từng người và đưa ra danh sách cá nhân hóa, đến mức Netflix cho biết có tới ~80% nội dung người dùng xem trên nền tảng là do hệ thống đề xuất. Khả năng đề xuất chính xác này giúp Netflix giữ chân người xem và tiết kiệm ước tính 1 tỷ USD mỗi năm do giảm tỷ lệ khách hủy đăng ký.¹² Amazon cũng ứng dụng AI mạnh mẽ vào engine gợi ý sản phẩm (“Customers who bought this also bought…”). Nhờ phân tích hàng triệu hành vi mua sắm, Amazon có thể đề xuất sản phẩm đúng nhu cầu, đóng góp khoảng 35% doanh thu thương mại điện tử của công ty đến từ các đề xuất được cá nhân hóa này. ¹³ Spotify – dịch vụ streaming nhạc – sử dụng ML để tạo các playlist như Discover Weekly riêng cho từng người; tính năng này thành công đến mức năm 2017 có 30% thời lượng nghe của người dùng Spotify là do các bài được hệ thống đề xuất¹⁴. Những ví dụ từ Netflix, Amazon, Spotify cho thấy cá nhân hóa bằng AI đã trở thành chuẩn mực giúp sản phẩm chinh phục người dùng và tăng doanh thu.
Tự động hóa phân tích dữ liệu và phản hồi khách hàng: Trước đây, Product Owner phải mất rất nhiều thời gian để đọc hiểu hàng nghìn phản hồi, khảo sát hoặc tương tác của khách hàng. Giờ đây, AI có thể tự động thu thập và phân tích phản hồi giúp tiết kiệm công sức và thời gian đáng kể. Các công cụ xử lý ngôn ngữ tự nhiên (NLP) có khả năng đọc qua lượng lớn đánh giá, email hỗ trợ, phản hồi survey và trích xuất thông tin hữu ích: ví dụ phân loại phản hồi theo chủ đề (tính năng nào được khen/chê), phân tích cảm xúc (sentiment analysis) để biết khách hàng hài lòng hay không. Theo một báo cáo của HubSpot, 28% chuyên gia dịch vụ khách hàng đã dùng AI để thu thập và phân tích phản hồi khách hàng, biến nó thành trường hợp sử dụng AI phổ biến thứ hai trong lĩnh vực này (chỉ sau việc dùng AI cho chatbot hỗ trợ)¹⁵. Thực tế, nhiều doanh nghiệp đã triển khai chatbot AI trên website/apps để tự động tiếp nhận câu hỏi từ khách và đưa ra câu trả lời ngay lập tức, đồng thời ghi nhận các phản hồi đó cho đội sản phẩm. AI cũng giúp tự động hóa A/B testing – tự động phân tích kết quả thử nghiệm giao diện, tính năng để lựa chọn phương án tối ưu mà không cần data analyst thủ công tính toán.

Case study từ các công ty lớn: Ngoài các ví dụ về cá nhân hóa đã nêu, còn nhiều trường hợp các tập đoàn lớn áp dụng AI vào quản lý sản phẩm rất thành công. Chẳng hạn, Uber sử dụng thuật toán ML để tính toán giá cước động (surge pricing) và dự báo thời gian đón khách ETA, giúp cân bằng cung-cầu theo thời gian thực và cải thiện trải nghiệm người dùng đặt xe¹⁶¹⁷. Airbnb phát triển hệ thống AI tư vấn giá cho chủ nhà dựa trên dự báo nhu cầu thuê phòng theo mùa, giúp cả chủ nhà lẫn khách thuê đều được giá hợp lý¹⁸¹⁹. Coca-Cola thu thập dữ liệu từ máy bán Freestyle (cho phép người dùng pha trộn hương vị nước uống) và dùng AI phân tích để phát hiện hương vị phổ biến mới, từ đó tung ra sản phẩm đồ uống sáng tạo dựa trên sở thích thật của khách hàng²⁰. Những case study này cho thấy AI có thể được “cấy” vào mọi giai đoạn quản lý sản phẩm: từ nghiên cứu khách hàng, phát triển tính năng, định giá sản phẩm đến hỗ trợ sau bán hàng, tạo nên lợi thế cạnh tranh đáng kể cho doanh nghiệp biết tận dụng.

Những điều Product Owner cần lưu ý khi tích hợp AI

Khi đưa AI vào sản phẩm, Product Owner cần nhận thức rõ những thách thức và rủi ro tiềm ẩn, đồng thời có chiến lược phù hợp để quản lý chúng:

Rủi ro “black box” (hộp đen): Nhiều mô hình AI phức tạp – đặc biệt là deep learning – hoạt động như một “hộp đen” mà người dùng khó hiểu được logic bên trong. Ta chỉ thấy dữ liệu đầu vào và đầu ra, nhưng không rõ tại sao mô hình cho kết quả như vậy. Sự thiếu minh bạch này dẫn đến khó tin cậy hoàn toàn vào AI: nếu không giải thích được căn nguyên quyết định của AI, rất khó để thuyết phục người dùng hoặc sếp của mình tin tưởng nó. Hơn nữa, tính hộp đen có thể che giấu các lỗ hổng – ví dụ mô hình có thể bị lỗi hoặc bị tấn công nhưng ta không dễ dàng phát hiện. Do đó PO cần cân nhắc mức độ chấp nhận “hộp đen” tùy bối cảnh sản phẩm, và tìm cách tăng tính giải thích của AI (ví dụ sử dụng mô hình đơn giản hơn hoặc thêm lớp giải thích kết quả).²¹
Lỗi dữ liệu và chất lượng dữ liệu: AI phụ thuộc rất lớn vào dữ liệu huấn luyện – dữ liệu “đầu vào rác” thì kết quả cũng sẽ sai lệch (“garbage in, garbage out”). Nếu dữ liệu đào tạo mô hình không đầy đủ, không đại diện hoặc chứa lỗi, sản phẩm AI sẽ cho kết quả kém chất lượng, thậm chí gây hậu quả xấu. Thực tế, khảo sát cho thấy 99% dự án AI/ML gặp vấn đề về chất lượng dữ liệu ở một giai đoạn nào đó. Đây là lý do chính khiến nhiều dự án AI thất bại: Gartner ước tính có 85% dự án AI triển khai không thành công do các yếu tố như dữ liệu kém, thiếu dữ liệu hoặc hiểu sai khả năng của AI. Vì vậy, khi tích hợp AI, PO cần chú trọng đầu tư vào khâu dữ liệu – đảm bảo thu thập dữ liệu đúng, đủ và xử lý sạch sẽ, cũng như thiết lập quy trình kiểm soát chất lượng dữ liệu liên tục.²²
Tính thiên vị (AI bias): AI có nguy cơ học theo các bias (định kiến) có trong dữ liệu huấn luyện hoặc do cách thiết kế thuật toán. Nếu dữ liệu lịch sử mang định kiến (ví dụ lịch sử phê duyệt tín dụng thiên vị giới tính hoặc chủng tộc), mô hình AI sẽ khuếch đại định kiến đó trên quy mô lớn. Những kết quả sai lệch/bất công này không chỉ gây tổn hại người dùng bị ảnh hưởng mà còn gây rủi ro uy tín và pháp lý cho sản phẩm (đặc biệt dưới các quy định về chống phân biệt đối xử). Xử lý bias trong AI không dễ – nó đòi hỏi sự hiểu biết sâu về data science (Khoa học Dữ liệu) lẫn nhận thức xã hội. Do đó PO cần làm việc chặt chẽ với đội ngũ kỹ thuật để kiểm tra và giảm thiểu bias (ví dụ dùng bộ dữ liệu đa dạng hơn, thử các kỹ thuật loại trừ bias và đánh giá mô hình một cách công bằng trên nhiều nhóm người dùng khác nhau).²³

Bên cạnh việc quản lý rủi ro, Product Owner cũng phải cân nhắc lựa chọn giải pháp AI phù hợp cho sản phẩm của mình. Không phải lúc nào mô hình phức tạp nhất cũng là tối ưu – cần đánh giá bài toán cụ thể, dữ liệu sẵn có và yêu cầu kinh doanh. Nếu sản phẩm đòi hỏi tính minh bạch cao (ví dụ ứng dụng y tế đưa ra khuyến nghị cho bác sĩ), có lẽ nên ưu tiên các mô hình dễ giải thích (như cây quyết định – decision tree, mô hình tuyến tính) thay vì deep learning “hộp đen”²⁴. Ngược lại, nếu bài toán cần độ chính xác tối đa trên dữ liệu rất lớn (như nhận dạng giọng nói, hình ảnh), deep learning có thể phù hợp dù phải chấp nhận đánh đổi về việc giải thích cách thức hoạt động. PO cần trao đổi với kỹ sư dữ liệu (Data Engineer) để hiểu điểm mạnh yếu của các thuật toán: ví dụ mô hình rule-based (theo logic hoặc quy định được xác định sẵn) thì dự đoán theo quy tắc cố định (ít “học” hơn nhưng kiểm soát tốt), còn mô hình học máy thì linh hoạt theo dữ liệu (nhưng có thể hành xử khó lường ngoài tập huấn luyện). Ngoài ra, yếu tố tài nguyên để triển khai cũng ảnh hưởng lựa chọn – mô hình AI lớn đòi hỏi hạ tầng mạnh và chi phí vận hành cao, không phải lúc nào cũng khả thi với mọi doanh nghiệp.

Cuối cùng, tính minh bạch và đạo đức phải được đặt lên hàng đầu khi tích hợp AI. Product Owner nên xây dựng nguyên tắc sử dụng AI một cách trách nhiệm: tôn trọng quyền riêng tư dữ liệu người dùng, đảm bảo model hoạt động trong giới hạn cho phép (ví dụ không tự ý thu thập thông tin nhạy cảm). Xu hướng toàn cầu đang thúc đẩy khung quản trị AI chặt chẽ: Liên minh châu Âu đang hoàn thiện Đạo luật AI yêu cầu tính minh bạch và an toàn đối với các hệ thống AI thương mại, và các tổ chức quốc tế đã lập liên minh để phát triển AI một cách có đạo đức. World Economic Forum cũng đã thành lập AI Governance Alliance (tạm dịch là Liên minh Quản trị AI) quy tụ các chính phủ, doanh nghiệp, trường đại học… nhằm thúc đẩy việc thiết kế và triển khai AI một cách minh bạch, toàn diện và có trách nhiệm trên phạm vi toàn cầu²⁵. Product Owner nên chủ động đón đầu những chuẩn mực này – ví dụ công khai cho người dùng biết khi nào họ đang tương tác với AI, giải thích rõ ràng dữ liệu người dùng được AI sử dụng ra sao, và chuẩn bị phương án ứng phó nếu AI gây lỗi. Sự tin cậy của người dùng đối với sản phẩm AI được xây dựng từ chính cách đội ngũ sản phẩm đề cao đạo đức và minh bạch. Do đó, tích hợp AI không chỉ là vấn đề công nghệ, mà còn là bài toán niềm tin – PO cần đóng vai trò người bảo đảm để AI thực sự mang lại giá trị tích cực cho cả công ty và khách hàng.

Tạm kết cho bài viết đầu tiên của series

Để kết lại bài viết kỳ này, Lemon’s Tribe sẽ đi qua một số “câu hỏi thường gặp” của các bạn Product Owner trong bối cảnh AI ngày càng “chiếm sóng” mạnh mẽ trong thị trường lao động.

AI – công cụ hỗ trợ hay thay thế Product Owner? Mặc dù AI ngày càng thông minh, hầu hết chuyên gia đồng ý rằng AI sẽ hỗ trợ hơn là thay thế hẳn vai trò Product Owner. Các công nghệ mới có thể tự động hóa nhiều tác vụ vận hành (phân tích dữ liệu, soạn user story, v.v.), giải phóng thời gian để PO tập trung vào các công việc phức tạp và quan trọng hơn. Thực tế cho thấy AI làm thay đổi cách sản phẩm được xây dựng và vận hành, nhưng không loại bỏ nhu cầu về người quản lý sản phẩm. Vai trò của PO sẽ được tái định hình thay vì bị xóa sổ – AI sẽ đòi hỏi PO chuyển trọng tâm sang dẫn dắt tầm nhìn, xây dựng chiến lược và đi sâu vào đồng cảm với khách hàng nhiều hơn. Nói cách khác, AI lo “phần tay chân”, còn “phần khối óc và trái tim” của sản phẩm thì vẫn cần con người đảm nhiệm.²⁶
Kỹ năng Product Owner cần có để làm việc với AI: Để tận dụng được AI, Product Owner cần không ngừng học hỏi và nâng cấp bộ kỹ năng (skillset) của mình. Trước hết, PO nên trang bị kiến thức cơ bản về dữ liệu và AI. Bạn không cần trở thành kỹ sư ML nhưng phải hiểu được thuật toán AI làm gì, yêu cầu dữ liệu ra sao, hạn chế thế nào. Cụ thể hơn, khả năng phân tích dữ liệu và tư duy dựa trên số liệu sẽ ngày càng quan trọng trong mọi quyết định sản phẩm. Bên cạnh đó, PO cần rèn luyện tư duy thích nghi và học hỏi liên tục (growth mindset): sẵn sàng thử nghiệm các công cụ AI mới (ví dụ như dùng ChatGPT hỗ trợ viết tài liệu, dùng Tableau/PowerBI tích hợp AI để trực quan hóa dữ liệu nhanh hơn)²⁷. Có thể nói, một khi đã lĩnh hội được bộ kỹ năng trên, những “PM thế hệ mới” thậm chí được ví như “triple threat” – thành thạo cả sản phẩm, thiết kế và công nghệ – nhờ biết tận dụng AI để mở rộng giới hạn năng lực của bản thân²⁸. Tuy nhiên, ngay cả trong kỷ nguyên AI, kỹ năng mềm (soft skills) vẫn là lợi thế khác biệt của Product Owner: khả năng giao tiếp, lãnh đạo nhóm đa chức năng, trí tuệ cảm xúc (EQ) để thấu hiểu khách hàng và động viên đội ngũ²⁹. AI có thể phân tích dữ liệu siêu nhanh, nhưng sự đồng cảm và sáng tạo trong việc định hình trải nghiệm người dùng thì vẫn cần PO đảm nhiệm. Do vậy, bộ kỹ năng lý tưởng cho PO thời AI là kết hợp giữa hiểu biết công nghệ (để làm việc cùng AI) và kỹ năng mềm điêu luyện (để làm những việc AI không thể làm).
Dự báo 5 năm tới về vai trò của AI trong quản lý sản phẩm: Trong vòng 5 năm, có thể dự đoán AI sẽ trở thành trợ lý không thể thiếu của Product Owner. Hầu như mọi sản phẩm số sẽ tích hợp một số dạng AI, đồng nghĩa PO phải thành thạo việc quản lý các tính năng AI đó. Vai trò Product Owner sẽ tiến hóa thành một hình mẫu mới: một nhà lãnh đạo sản phẩm được AI hỗ trợ (AI-augmented Product Leader). Người này sẽ biết cách phối hợp đội ngũ con người và công cụ AI nhịp nhàng để đạt mục tiêu sản phẩm. Các quyết định sản phẩm sẽ ngày càng data-driven (dựa vào dữ liệu) hơn bao giờ hết, với AI cung cấp thông tin phân tích sâu sát theo thời gian thực. Tuy nhiên, những phẩm chất cốt lõi của Product Owner thành công trong tương lai vẫn xoay quanh yếu tố con người: tầm nhìn sản phẩm sắc bén, hiểu biết thị trường, khả năng kể chuyện (storytelling) truyền cảm hứng về “lý do tại sao” cho sản phẩm. AI có thể thay thế nhiều công đoạn, nhưng sự sáng tạo và tầm nhìn chiến lược – thứ tạo nên sản phẩm đột phá – thì chưa thể lập trình. Do đó, Product Owner nào biết kết hợp sức mạnh AI với trực giác và sáng tạo của con người sẽ dẫn đầu. Họ sẽ tập trung vào việc định hướng chiến lược dài hạn, còn AI lo vận hành ngắn hạn³⁰. Nhìn chung, AI sẽ là bàn đạp nâng tầm vai trò Product Owner: giúp họ ra quyết định nhanh hơn và chính xác hơn, mở rộng quy mô quản lý. Nhưng đồng thời, nó cũng đòi hỏi PO không ngừng trau dồi và thích nghi. Trong 5 năm tới, chúng ta có thể thấy những Product Owner “siêu nhân” – những người được trang bị AI, làm được nhiều việc hơn với ít nguồn lực hơn, tập trung giải các bài toán lớn thay vì sa vào tiểu tiết. Tóm lại, AI là công cụ cách mạng đối với quản lý sản phẩm, và Product Owner tương lai cần biết biến nỗi lo AI thành cơ hội AI, để không những không bị thay thế mà còn thăng hoa hơn trong vai trò của mình.