BỐN TRỤ GIÁ TRỊ CỦA AI TRONG DOANH NGHIỆP

Bản đồ giúp nhà quản lý nhìn đủ bốn loại giá trị mà AI tạo ra, thay vì chỉ đếm chi phí tiết kiệm được

---

Tháng 2 năm 2024, công ty thanh toán Thụy Điển Klarna công bố kết quả tháng đầu tiên của trợ lý AI chăm sóc khách hàng. Các con số rất ấn tượng: 2,3 triệu cuộc hội thoại, chiếm hai phần ba số cuộc chat của công ty; khối lượng công việc tương đương 700 nhân viên toàn thời gian; thời gian giải quyết một yêu cầu giảm từ 11 phút xuống dưới 2 phút; mức hài lòng của khách ngang với khi nói chuyện với nhân viên; lợi nhuận dự kiến cải thiện 40 triệu USD trong năm (Klarna, 2024). Mười lăm tháng sau, chính tổng giám đốc của Klarna thừa nhận chatbot rẻ hơn nhưng cho ra chất lượng phục vụ thấp hơn và công ty bắt đầu tuyển lại nhân viên để khách luôn có lựa chọn nói chuyện với người thật (Entrepreneur, 2025).

Câu chuyện này không cho thấy AI thất bại. Nó cho thấy một điều tinh tế hơn: giá trị được đo ở phần vận hành (chi phí, tốc độ), còn rủi ro nằm ở phần trải nghiệm khách hàng (chất lượng, lòng tin) và hai thứ ấy không hiện ra trên cùng một bảng báo cáo. Cũng cần để ý rằng mọi con số trong thông cáo năm 2024 do chính công ty công bố, chưa có kiểm chứng độc lập. Để không rơi vào cái bẫy chỉ nhìn một mặt, nhà quản lý cần một tấm bản đồ buộc mình nhìn đủ các loại giá trị cùng lúc.

Bài viết trình bày tấm bản đồ đó qua sáu mục. Mục 1 giải thích vì sao nên bắt đầu từ giá trị thay vì từ công cụ. Mục 2 giới thiệu bốn trụ giá trị và thước đo của từng trụ. Mục 3 cho thấy các trụ tác động lẫn nhau, theo cả chiều tốt lẫn chiều xấu. Mục 4 đi qua sáu chức năng của doanh nghiệp để chỉ ra cơ hội cụ thể và mức độ tin cậy của bằng chứng. Mục 5 bàn câu hỏi chiến lược: khi nào dữ liệu thật sự tạo ra lợi thế cạnh tranh. Mục 6 hướng dẫn lập bản đồ cơ hội AI cho một doanh nghiệp cụ thể.

1. Bắt đầu từ giá trị, không từ công cụ

Có hai cách đặt câu hỏi về AI trong doanh nghiệp, nghe gần giống nhau nhưng dẫn tới hai cách làm rất khác. Cách thứ nhất hỏi "AI làm được gì?", rồi đi tìm chỗ để dùng một công cụ vừa xuất hiện. Cách thứ hai hỏi "doanh nghiệp được lợi gì?", rồi đi tìm công cụ cho một vấn đề đáng giải. Cách thứ nhất dễ hơn vì công cụ mới luôn sẵn bản trình diễn hấp dẫn; cách thứ hai khó hơn vì buộc người hỏi phải biết rõ doanh nghiệp mất tiền, mất khách hay mất thời gian ở đâu.

Bài Từ bài toán kinh doanh đến giải pháp dữ liệu đã cho thấy một dự án dữ liệu tốt luôn khởi đầu bằng một quyết định kinh doanh cần cải thiện. Với AI cũng vậy. Nhưng "giá trị" là một từ quá rộng: giảm chi phí là giá trị, giữ được khách là giá trị, có thêm một dịch vụ để bán cũng là giá trị. Nếu không tách chúng ra, doanh nghiệp sẽ chỉ nhìn thấy loại giá trị dễ đo nhất. Bốn trụ dưới đây là cách tách.

2. Bốn trụ giá trị

Khung bốn trụ bắt nguồn từ mô hình "khối xây dựng chuyển đổi số" của Kamales Lardi. Mô hình này chia các sáng kiến chuyển đổi thành bốn vùng của doanh nghiệp: trải nghiệm người tiêu dùng; sản phẩm và dịch vụ; con người, quy trình và vận hành; mô hình kinh doanh. Lardi đề xuất dùng chính bốn khối này để xác định nên tập trung giá trị của AI vào đâu (Lardi, 2025). Hình 1 tóm tắt loại giá trị chủ đạo, cách đo và điểm cần lưu ý của từng trụ.

Hình 1. Bốn trụ giá trị của AI trong doanh nghiệp. Nguồn: dựa trên Lardi (2025).

Trụ 1: Trải nghiệm khách hàng. AI làm cho mỗi lần khách tiếp xúc với doanh nghiệp nhanh hơn, đúng ý hơn, ít phiền hơn. Giá trị chủ đạo là giữ chân khách và tăng chi tiêu trên mỗi khách. Khó khăn của trụ này là giá trị hiện ra chậm và khó quy về một nguyên nhân: tỉ lệ quay lại tăng có thể do trợ lý AI, cũng có thể do đợt khuyến mãi cùng thời điểm.

Trụ 2: Sản phẩm và dịch vụ. AI trở thành một phần của chính thứ doanh nghiệp bán ra, chẳng hạn tính năng gợi ý trong ứng dụng, công cụ xem trước đồ nội thất trong phòng khách của khách, hay dịch vụ tư vấn tự động. Giá trị chủ đạo là doanh thu mới hoặc khả năng bán với giá cao hơn. Trụ này chỉ có giá trị khi khách thật sự chịu trả tiền cho tính năng đó.

Trụ 3: Con người, quy trình và vận hành. AI làm cho bộ máy bên trong chạy rẻ hơn và nhanh hơn: dự báo nhu cầu, tự động đối chiếu chứng từ, trợ lý soạn thảo cho nhân viên. Giá trị chủ đạo là chi phí và tốc độ. Đây là trụ dễ đo nhất và chính vì thế dễ được ưu tiên quá mức.

Trụ 4: Mô hình kinh doanh. AI cho phép kiếm tiền theo cách mới: bán dịch vụ thay vì bán sản phẩm, tính phí theo kết quả, hay biến dữ liệu tích lũy thành một dịch vụ riêng. Đây là trụ có tiềm năng lớn nhất và rủi ro lớn nhất, vì nó thay đổi cách doanh nghiệp tạo ra và thu về giá trị, chứ không chỉ cải thiện cách làm hiện có. Bài Phát triển mô hình kinh doanh qua bốn giai đoạn bàn kỹ hơn cách thiết kế một mô hình như vậy.

Để thấy bốn trụ vận hành thế nào trong thực tế, hãy theo dõi một doanh nghiệp giả định xuyên suốt bài: Nhà Vui Home, một chuỗi bán lẻ nội thất có cửa hàng ở nhiều tỉnh và một kênh bán trực tuyến. Bảng 1 đặt câu hỏi chính, thước đo và một ví dụ ở Nhà Vui Home cho từng trụ.

Bảng 1. Bốn trụ, bốn câu hỏi và bốn loại thước đo

Nguồn: dựa trên Lardi (2025); ví dụ là tình huống giả định.

Điểm quan trọng nhất của Bảng 1 nằm ở cột thước đo. Bốn trụ cần bốn loại thước khác nhau và trụ nào không có thước đo riêng sẽ dần biến mất khỏi báo cáo. Một doanh nghiệp chỉ theo dõi chi phí mỗi giao dịch sẽ chỉ thấy giá trị của trụ 3, dù dự án AI có thể đang làm tốt hoặc làm hỏng ba trụ còn lại.

3. Các trụ không độc lập với nhau

Nếu bốn trụ tách biệt hoàn toàn, chỉ cần cộng giá trị của từng trụ là xong. Thực tế không đơn giản như vậy, vì giá trị ở các trụ đan xen theo hai chiều.

Chiều tích cực dễ thấy: một trợ lý trả lời nhanh giúp giảm chi phí tổng đài (trụ 3) và đồng thời làm khách hài lòng hơn (trụ 1). Chiều tiêu cực là bài học Klarna: cắt giảm chi phí ở trụ 3 có thể âm thầm bào mòn trụ 1. Chiều tiêu cực đặc biệt nguy hiểm vì hai trụ thường thuộc hai bộ phận khác nhau với hai bộ chỉ số khác nhau. Giám đốc vận hành được thưởng vì chi phí giảm; sáu tháng sau tỉ lệ khách rời bỏ tăng nhẹ thì không ai gắn nó với quyết định cũ. Bài Tư duy hệ thống cho nhà quản lý gọi kiểu cấu trúc này là "giải pháp phản tác dụng": cái lợi đến ngay, cái hại đến sau và nằm ở chỗ khác.

Từ đây có thể nhận ra một cạm bẫy phổ biến, có thể gọi là tìm chìa khóa dưới cột đèn. Doanh nghiệp dồn phần lớn sáng kiến AI vào trụ vận hành vì đó là chỗ dễ đo nhất: chi phí và thời gian đều có sẵn trong hệ thống. Giống người tìm chìa khóa dưới cột đèn chỉ vì ở đó sáng dù chìa rơi chỗ khác, ta tối ưu những gì đo được thay vì những gì quan trọng. Cách tránh khá đơn giản: mỗi sáng kiến AI phải khai rõ tác động dự kiến lên cả bốn trụ, kể cả tác động tiêu cực và mỗi trụ bị ảnh hưởng phải có ít nhất một chỉ số theo dõi riêng.

4. AI theo chức năng của doanh nghiệp

Bốn trụ trả lời câu hỏi "loại giá trị nào". Để tìm cơ hội cụ thể, cần đi qua từng chức năng của doanh nghiệp, cách tổ chức mà nhiều giáo trình AI kinh doanh sử dụng (Chan và cộng sự, 2022). Mục này đi qua sáu chức năng, rồi bàn một câu hỏi thường bị bỏ qua: các con số về hiệu quả AI đáng tin đến đâu.

4.1. Sáu chức năng, ba dạng AI

Ở mỗi chức năng, AI có thể xuất hiện dưới ba dạng. AI dự báo đưa ra con số hoặc nhãn (khách này có sắp rời bỏ không, đơn này có gian lận không). AI tạo sinh đưa ra nội dung (một đoạn trả lời, một mô tả sản phẩm). AI tác tử đưa ra hành động (tự hoàn tiền, tự đặt hàng bổ sung). Bài AI Agent là gì? Ứng dụng tác nhân AI trong doanh nghiệp nhỏ giải thích kỹ hơn dạng thứ ba. Bảng 2 xếp các ứng dụng tiêu biểu theo chức năng và dạng AI.

Bảng 2. Cơ hội AI theo sáu chức năng và ba dạng AI

Đọc Bảng 2 theo cột, cột tác tử là nơi giá trị tiềm năng lớn nhất nhưng cũng đòi kiểm soát chặt nhất, vì một lỗi ở đây là một hành động sai đã xảy ra chứ không chỉ là một con số lệch. Đọc theo hàng, mỗi chức năng có những lưu ý riêng.

Marketing và bán hàng. Ứng dụng kinh điển là cá nhân hóa: gợi ý sản phẩm, chọn ưu đãi, chọn thời điểm gửi tin cho từng khách thay vì gửi đại trà. Theo tổng hợp của McKinsey, cá nhân hóa làm tốt thường mang lại mức tăng doanh thu khoảng 10–15% (McKinsey & Company, 2021). Điều cần cảnh giác là con số ấy đến từ những doanh nghiệp làm tốt. Với dữ liệu khách hàng rời rạc như Nhà Vui Home hiện nay, cá nhân hóa trước hết là bài toán dữ liệu, chưa phải bài toán mô hình.

Chăm sóc khách hàng. Đây là chức năng có bằng chứng thực nghiệm chắc chắn nhất cho AI tạo sinh. Một nghiên cứu trên 5.172 nhân viên hỗ trợ khách hàng cho thấy năng suất tăng trung bình 15%; ít được nhắc hơn là khách hàng cư xử lịch sự hơn và ít đòi gặp quản lý hơn khi nhân viên có trợ lý AI (Brynjolfsson và cộng sự, 2025). So với Klarna, khác biệt nằm ở thiết kế: trong nghiên cứu này AI hỗ trợ nhân viên, còn ở Klarna AI thay nhân viên trong phần lớn cuộc hội thoại.

Tài chính và kế toán. AI dự báo đã có mặt lâu năm trong phát hiện gian lận, chấm điểm tín dụng và dự báo dòng tiền, những bài toán có nhãn rõ ràng và dữ liệu bảng phong phú. AI tạo sinh và tác tử đang đi vào các tác vụ chứng từ như đọc hóa đơn, đối chiếu công nợ. Đây là chức năng mà trách nhiệm giải trình phải được thiết kế từ đầu, vì mọi con số cuối cùng đều có chữ ký của một người.

Nhân sự. AI hứa hẹn nhiều ở sàng lọc hồ sơ, gợi ý lộ trình học tập và trả lời câu hỏi chính sách. Nhưng đây cũng là nơi rủi ro thiên kiến gay gắt nhất: công cụ tuyển dụng của Amazon học thiên kiến giới tính từ dữ liệu quá khứ và bị loại bỏ (Dastin, 2018). Quy tắc thực tế là dùng AI rộng rãi cho các việc phục vụ người lao động và thận trọng tối đa với các việc quyết định về người lao động như tuyển, đánh giá, sa thải. Bài Thiên kiến trong trí tuệ nhân tạo đi sâu vào chủ đề này.

Chuỗi cung ứng và vận hành. Dự báo nhu cầu, tối ưu tồn kho, lập lộ trình giao hàng và bảo trì dự đoán là những ứng dụng AI dự báo trưởng thành nhất, với giá trị đo được trực tiếp bằng tiền tồn kho và chi phí vận chuyển. Điểm cần cảnh giác là dữ liệu trôi: mô hình học từ những năm bình thường sẽ sai nặng khi thị trường biến động mạnh.

Phát triển sản phẩm và công nghệ. Trợ lý lập trình là một trong những ứng dụng AI tạo sinh lan rộng nhanh nhất. Trong một thí nghiệm có đối chứng, lập trình viên dùng GitHub Copilot hoàn thành một tác vụ cụ thể nhanh hơn 55,8% so với nhóm không dùng (Peng và cộng sự, 2023). Nhưng đó là một tác vụ được chọn sẵn, độc lập, có tiêu chí hoàn thành rõ. Tốc độ trên công việc thật, nơi phải đọc mã cũ, hiểu yêu cầu mơ hồ và phối hợp với người khác, thường thấp hơn nhiều; bài Quy trình phần mềm khi AI viết mã bàn kỹ khoảng cách này.

4.2. Ba cấp độ tin cậy của bằng chứng

Các con số ở mục 4.1 không đáng tin như nhau. Con số "tương đương 700 nhân viên" của Klarna và con số "năng suất tăng 15%" của Brynjolfsson cùng được trình bày như kết quả, nhưng đến từ hai loại nguồn rất khác nhau. Bảng 3 phân biệt ba loại bằng chứng thường gặp khi đọc về hiệu quả AI.

Bảng 3. Ba cấp độ tin cậy của bằng chứng về hiệu quả AI

Cơ chế của sai lầm ở đây là con số cụ thể có tên tuổi đứng sau tạo cảm giác đáng tin như số liệu khoa học. Cách tránh là phân biệt ba loại bằng chứng trong Bảng 3 và giảm mức tin cậy theo đúng thứ tự từ trên xuống. Bài Bài học thống kê từ một tấm meme có thêm nhiều ví dụ về việc một con số hấp dẫn có thể dẫn sai ra sao.

5. Khi nào AI tạo ra lợi thế cạnh tranh

Ba trụ đầu chủ yếu giúp doanh nghiệp làm tốt hơn việc đang làm. Nhưng nếu đối thủ cũng mua cùng một công cụ AI thì lợi thế ấy biến mất nhanh. Câu hỏi chiến lược vì thế là: phần nào của giá trị từ AI giữ lại được lâu? Câu trả lời phổ biến "dữ liệu là dầu mỏ mới, ai nhiều dữ liệu thì thắng" đúng ít hơn người ta tưởng.

Hai nhà kinh tế học Andrei Hagiu và Julian Wright lập luận rằng doanh nghiệp thường đánh giá quá cao lợi thế mà dữ liệu khách hàng mang lại. Theo họ, dữ liệu chỉ tạo ra lợi thế bền vững khi thỏa mãn đồng thời bốn điều kiện: giá trị gia tăng từ dữ liệu cao và kéo dài; dữ liệu là độc quyền; những cải tiến từ dữ liệu khó bị bắt chước; và hiểu biết rút ra được đưa nhanh vào sản phẩm (Hagiu & Wright, 2020). Bảng 4 biến bốn điều kiện thành bốn câu hỏi và áp vào dữ liệu mua hàng của Nhà Vui Home.

Bảng 4. Bốn câu hỏi kiểm tra dữ liệu có thành hào phòng thủ hay không

Nguồn: dựa trên Hagiu và Wright (2020); ví dụ là tình huống giả định.

Áp vào Nhà Vui Home, Bảng 4 cho thấy dữ liệu mua hàng có giá trị nhưng khó thành hào phòng thủ. Lợi thế bền hơn có thể nằm ở chỗ khác: sự kết hợp giữa dữ liệu, quy trình và con người mà đối thủ khó sao chép trọn vẹn, chẳng hạn một đội tư vấn thiết kế được AI hỗ trợ, gắn với mạng lưới cửa hàng. Đó cũng là lý do trụ thứ tư thường là nơi lợi thế bền nhất, dù khó làm nhất. Bài Phân biệt năng lực cốt lõi và hào kinh tế giải thích vì sao một lợi thế chỉ bền khi đối thủ khó sao chép nó.

6. Lập bản đồ cơ hội AI

Bốn trụ và sáu chức năng đã đủ để chuyển sang việc thực hành: ghép bốn trụ với các điểm đau cụ thể của một doanh nghiệp để ra một bản đồ cơ hội. Mục này áp dụng cách làm đó cho Nhà Vui Home rồi khái quát thành một quy trình ba bước.

6.1. Bản đồ cơ hội của Nhà Vui Home

Nhà Vui Home có năm điểm đau: tồn kho lệch giữa các cửa hàng; tổng đài quá tải vì những câu hỏi lặp lại; tỉ lệ đổi trả nội thất lớn cao vì khách thấy món đồ "không hợp không gian"; khuyến mãi gửi đại trà; và dữ liệu rời rạc giữa các hệ thống. Hình 2 đánh giá mức tác động của việc giải quyết từng điểm đau lên từng trụ.

Hình 2. Bản đồ cơ hội AI theo bốn trụ của Nhà Vui Home (đánh giá minh họa).

Đọc Hình 2 theo hàng cho thấy những điểm đau nào tạo giá trị ở nhiều trụ cùng lúc. Giải quyết tổng đài quá tải vừa giảm chi phí vừa cải thiện trải nghiệm. Giảm đổi trả nội thất chạm tới cả ba trụ đầu, trong đó có cơ hội một dịch vụ mới là xem trước đồ nội thất trong phòng của khách. Đọc theo cột cho thấy trụ mô hình kinh doanh gần như trống, dấu hiệu doanh nghiệp đang nghĩ về AI chủ yếu như công cụ cải tiến, chưa như một cơ hội chiến lược. Hàng cuối nhắc rằng mọi cơ hội đều phụ thuộc vào việc nối dữ liệu; nó không phải một cơ hội mà là một điều kiện chặn.

Bản đồ chưa nói nên làm gì trước. Một cơ hội có tác động cao có thể đòi dữ liệu chưa có, công nghệ chưa chín hoặc rủi ro chưa chấp nhận được. Chuyển từ bản đồ cơ hội sang danh sách ưu tiên và một phép tính tài chính cụ thể là nội dung của bài Đo giá trị dự án AI trước khi đầu tư.

6.2. Quy trình ba bước

Cách làm với Nhà Vui Home có thể khái quát thành ba bước áp dụng cho bất kỳ doanh nghiệp nào. Ba bước này cố ý đặt công nghệ ra ngoài cho đến khi vấn đề đã rõ.

1. Liệt kê điểm đau, không liệt kê công nghệ. Mỗi điểm đau viết thành một câu có số liệu, ví dụ "tỉ lệ đổi trả sofa 14%, mỗi lần đổi trả tốn 2,4 triệu đồng" thay vì "cần chatbot".
2. Chấm tác động lên bốn trụ theo thang 0–3, kể cả tác động tiêu cực (ghi dấu trừ). Mỗi điểm chấm kèm một câu giải thích.
3. Đánh dấu điều kiện chặn: dữ liệu, hệ thống, kỹ năng hay quy định mà nếu thiếu thì không cơ hội nào làm được.

Có thể nhờ AI phản biện chính bản đồ vừa lập. Một câu lệnh mẫu: "Bạn là cố vấn chiến lược cho [loại doanh nghiệp, quy mô, thị trường]. Đây là bản đồ cơ hội AI của chúng tôi theo bốn trụ (trải nghiệm khách hàng; sản phẩm và dịch vụ; con người, quy trình và vận hành; mô hình kinh doanh): [dán bảng]. Hãy (1) chỉ ra những tác động tiêu cực giữa các trụ mà chúng tôi có thể đã bỏ sót; (2) đề xuất hai cơ hội ở trụ mô hình kinh doanh phù hợp với nguồn lực hiện có; (3) với mỗi cơ hội, nêu dữ liệu cần có và câu hỏi phải trả lời trước khi đầu tư." AI không biết dữ liệu, năng lực và khách hàng thực tế của doanh nghiệp, nên kết quả chỉ nên dùng như danh sách gợi ý để thảo luận; mọi con số thị trường mà AI đưa ra phải tra lại nguồn. Bài Cách viết prompt với khung bốn thành phần và 20 prompt mẫu hướng dẫn chi tiết hơn cách viết những câu lệnh như vậy.

Kết luận

Bài học của Klarna không phải là đừng dùng AI cho chăm sóc khách hàng, mà là đừng đo giá trị của AI bằng một cây thước duy nhất. Bốn trụ giá trị, gồm trải nghiệm khách hàng, sản phẩm và dịch vụ, con người cùng quy trình và vận hành và mô hình kinh doanh, buộc nhà quản lý nhìn đủ bốn loại giá trị, gắn mỗi loại với một thước đo và khai cả những tác động tiêu cực mà một trụ có thể gây ra cho trụ khác.

Bốn trụ cũng nhắc rằng chỗ dễ đo nhất chưa chắc là chỗ đáng làm nhất. Phần lớn sáng kiến AI hiện nay tập trung ở trụ vận hành, trong khi lợi thế bền vững thường nằm ở trụ mô hình kinh doanh và ở sự kết hợp giữa dữ liệu, quy trình, con người mà đối thủ khó sao chép. Một bản đồ cơ hội lập đúng cách, bắt đầu từ điểm đau có số liệu và kết thúc bằng các điều kiện chặn, là bước đầu tiên để doanh nghiệp chọn đúng bài toán trước khi chọn công cụ.

Đọc thêm

• Đo giá trị dự án AI trước khi đầu tư
• Trí tuệ nhân tạo là gì
• Từ bài toán kinh doanh đến giải pháp dữ liệu
• AI Agent là gì? Ứng dụng tác nhân AI trong doanh nghiệp nhỏ
• Phân biệt năng lực cốt lõi và hào kinh tế
• Bản đồ hệ sinh thái AI cho người khởi nghiệp

Tài liệu tham khảo

Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889–942. https://doi.org/10.1093/qje/qjae044

Chan, L., Hogaboam, L., & Cao, R. (2022). Applied artificial intelligence in business: Concepts and cases. Springer. https://doi.org/10.1007/978-3-031-05740-3

Dastin, J. (2018, October 10). Amazon scraps secret AI recruiting tool that showed bias against women. Reuters. https://www.reuters.com/article/us-amazon-com-jobs-automation-insight-idUSKCN1MK08G

Entrepreneur. (2025, May 9). Klarna CEO reverses course by hiring more humans, not AI. https://www.entrepreneur.com/business-news/klarna-ceo-reverses-course-by-hiring-more-humans-not-ai/491396

Hagiu, A., & Wright, J. (2020). When data creates competitive advantage. Harvard Business Review, 98(1). https://hbr.org/2020/01/when-data-creates-competitive-advantage

Klarna. (2024, February 27). Klarna AI assistant handles two-thirds of customer service chats in its first month. https://www.klarna.com/international/press/klarna-ai-assistant-handles-two-thirds-of-customer-service-chats-in-its-first-month/

Lardi, K. (2025). Artificial intelligence for business: Harness AI for value, growth and innovation. Kogan Page. https://www.koganpage.com/digital-technology/artificial-intelligence-for-business-9781398618008

McKinsey & Company. (2021, November 12). The value of getting personalization right, or wrong, is multiplying. https://www.mckinsey.com/capabilities/growth-marketing-and-sales/our-insights/the-value-of-getting-personalization-right-or-wrong-is-multiplying

Peng, S., Kalliamvakou, E., Cihon, P., & Demirer, M. (2023). The impact of AI on developer productivity: Evidence from GitHub Copilot (arXiv:2302.06590). arXiv. https://arxiv.org/abs/2302.06590