Định nghĩa lại vĩ đại: Khi Collins đo tàu hỏa, AI era cần đo tên lửa

Năm 2001, Jim Collins xuất bản Good to Great sau 5 năm nghiên cứu cùng 21 cộng sự. Họ sàng lọc 1.435 công ty trong Fortune 500 từ 1965 đến 1995 và tìm ra 11 công ty đạt tiêu chuẩn “vĩ đại”: tỷ suất lợi nhuận cổ phiếu tích lũy vượt thị trường ít nhất 3 lần trong 15 năm.

11 công ty đó là: Abbott, Circuit City, Fannie Mae, Gillette, Kimberly-Clark, Kroger, Nucor, Philip Morris, Pitney Bowes, Walgreens, Wells Fargo.

Một câu hỏi đơn giản: sau khi cuốn sách xuất bản, các công ty này ra sao?

Circuit City phá sản năm 2009. Fannie Mae bị chính phủ Mỹ tiếp quản trong khủng hoảng 2008. Wells Fargo dính bê bối tài khoản giả năm 2016, mất hàng tỷ đô tiền phạt và uy tín. Pitney Bowes mất khoảng 90% giá trị thị trường. Gillette bị Procter & Gamble mua lại năm 2005, không còn tồn tại độc lập.

Trong 11 công ty Collins gọi là “vĩ đại”, gần một nửa đã sụp đổ, bị mua, hoặc mất phần lớn giá trị trong vòng 15–20 năm sau khi sách publish. Nếu framework của Collins thực sự nắm bắt được bản chất của vĩ đại, sao kết quả lại như vậy?

Đây là chỗ mà nhiều người dừng lại và kết luận: “Vậy Collins sai, bỏ qua cuốn sách.” Tôi nghĩ kết luận đó cũng vội như chính Collins. Câu hỏi đúng hơn là: Collins sai chỗ nào, đúng chỗ nào, và phương pháp của ông có gì đáng học cho thời AI?

Mẫu quá nhỏ cho thời này

Phương pháp của Collins được xây trên một niềm tin: nghiên cứu kỹ một mẫu nhỏ sẽ cho ra pattern đáng tin cậy. 11 công ty, 5 năm, 21 nhà nghiên cứu. Nghe rất khoa học.

Vấn đề là 11 không đủ. Trong thống kê, 11 là cỡ mẫu của một thử nghiệm sơ bộ, không phải của một nghiên cứu kết luận. Bất kỳ pattern nào tìm thấy trong 11 quan sát đều có thể là trùng hợp — đặc biệt khi nhà nghiên cứu được tự do định nghĩa “pattern” sau khi đã thấy dữ liệu.

Trong thời của Collins, 11 là mẫu lớn nhất ông có thể có. Dữ liệu cổ phiếu Fortune 500 đã là nguồn dày nhất, dễ tiếp cận nhất. Việc nghiên cứu công ty tư nhân hay công ty ngoài Mỹ tốn quá nhiều công sức để khả thi.

Năm 2026, vấn đề đó không còn. Crunchbase có dữ liệu của hơn một triệu công ty. PitchBook có chi tiết tài chính của hàng trăm nghìn thương vụ. LinkedIn có thông tin nhân sự của gần như mọi công ty công nghệ. AI có thể đọc và phân tích lượng dữ liệu đó trong vài giờ — việc mà 21 nhà nghiên cứu của Collins phải làm thủ công trong 5 năm.

Nếu làm lại nghiên cứu của Collins hôm nay, mẫu không phải 11. Có thể là 11.000. Và pattern tìm thấy trong 11.000 sẽ khác xa pattern tìm thấy trong 11 — không phải vì pattern đã thay đổi, mà vì 11 không bao giờ đủ để thấy pattern thật.

Đây không phải lỗi của Collins. Đây là giới hạn của thời ông sống. Nhưng nó cũng có nghĩa là: kết luận của ông cần được đối xử như giả thuyết, không phải định luật.

Collins đo tàu hỏa. AI era cần đo tên lửa.

Vấn đề thứ hai sâu hơn. Không chỉ mẫu nhỏ — định nghĩa “vĩ đại” của Collins đã trở nên lỗi thời ở tầng khái niệm.

Collins định nghĩa: vĩ đại = vượt thị trường 3 lần trong 15 năm. Đây về bản chất là một phép đo vận tốc đều. Công ty chạy đều, nhanh hơn đối thủ, duy trì trong 15 năm. Giống một đoàn tàu hỏa cao tốc — ấn tượng vì duy trì tốc độ cao trong thời gian dài.

Trong AI era, công ty không còn vận hành như tàu hỏa. Chúng vận hành như tên lửa: gia tốc, và bản thân gia tốc cũng đang tăng.

Hãy cụ thể. Có ba cơ chế đang xảy ra cùng lúc:

Thứ nhất, vòng phản hồi của thất bại đã rút ngắn theo cấp số. Khi mất 6 tháng để biết một sản phẩm thất bại, thiệt hại không chỉ là 6 tháng thời gian — là 6 tháng nhân với chi phí cơ hội, chi phí team, chi phí tâm lý, và chi phí cụ thể của việc đi sai hướng. Khi AI giúp validate ý tưởng trong 1 tuần thay vì 6 tháng, thiệt hại không giảm 24 lần theo tỷ lệ thời gian. Có thể giảm 50–100 lần, vì các chi phí kia là phi tuyến tính theo thời gian. Fail nhanh hơn 2 lần có thể giảm thiệt hại 5 lần.

Thứ hai, công cụ tự cải thiện. Engineer hôm nay dùng Cursor 2026 nhanh hơn 3 lần so với Cursor 2024. Cursor 2027 có lẽ sẽ nhanh hơn Cursor 2026 thêm 2 lần. Tools tăng tốc, người dùng tools tăng tốc theo, và output của họ tăng tốc theo cấp số.

Thứ ba, thông tin khuếch đại. Distribution không còn là bottleneck. Một ý tưởng tốt có thể đạt được 10 triệu người trong một ngày qua Twitter. Một sản phẩm tốt có thể có 1 triệu user trong một tuần qua Product Hunt và viral effect. Trong thời Collins, distribution mất hàng năm và hàng triệu đô marketing.

Ba cơ chế này không cộng vào nhau. Chúng nhân nhau. Output không tăng tuyến tính theo thời gian — tăng theo gia tốc compound. Năm thứ nhất tăng 2 lần. Năm thứ hai tăng 5 lần. Năm thứ ba có thể tăng 15 lần.

Đây không phải hype. Đây là pattern thực tế của các công ty AI-native: doanh thu OpenAI từ 2022 đến 2025 không phải đường thẳng. Nvidia từ 300 tỷ đô lên 3 nghìn tỷ đô trong 2 năm không phải đường thẳng. Cursor đạt 100 triệu đô ARR trong 18 tháng không phải đường thẳng.

Định nghĩa “vĩ đại” của Collins không có ngôn ngữ để mô tả những hiện tượng này. Trong khung của ông, OpenAI chưa “vĩ đại” — chưa đủ 15 năm. Nhưng nói OpenAI không vĩ đại là vô lý.

Cần thang đo mới. Tôi đề xuất tạm: vĩ đại = gia tốc với jerk dương — tức là không chỉ tăng tốc, mà bản thân tốc độ tăng tốc cũng đang tăng. Trong vật lý, jerk là đạo hàm bậc ba của vị trí — độ thay đổi của gia tốc theo thời gian. Đây là thang đo của tên lửa, không phải của tàu hỏa.

Học gì từ Collins

Đến đây dễ hiểu lầm là tôi muốn dismiss Collins. Không. Có ba điểm trong cách ông làm vẫn rất đáng học, kể cả khi kết luận của ông đã lỗi thời.

Một là tinh thần phản trực giác. Hầu hết sách quản trị viết kiểu khuyến nghị: “đây là cách bạn nên làm”. Collins làm ngược: tìm công ty đã thành công, xem họ làm gì khác với công ty so sánh trong cùng ngành. Phương pháp này hiếm. Đa số sách kinh doanh ngày nay vẫn chưa làm được — họ lấy một công ty thành công, giải thích lý do thành công, mà không kiểm soát đối chứng. Collins ít nhất cố gắng kiểm soát biến.

Hai là sự kiên trì với câu hỏi gốc. Collins không hỏi “công ty thành công có gì chung”. Ông hỏi câu khó hơn: “công ty chuyển từ tốt thành vĩ đại có gì khác công ty vẫn tốt mãi?” Câu hỏi này phân biệt được nhân quả với tương quan. Ngày nay khi AI giúp phân tích dữ liệu nhanh hơn, cám dỗ lớn nhất là hỏi câu dễ. Collins nhắc: câu hỏi gốc quan trọng hơn dữ liệu.

Ba là sự khiêm tốn trước dữ liệu. Collins kể trong sách: nhiều phát hiện làm ngạc nhiên chính team nghiên cứu của ông. Họ kỳ vọng CEO ngôi sao, hóa ra là CEO ít tiếng. Họ kỳ vọng chiến lược khác biệt, hóa ra không. Collins không cố ép dữ liệu vào lý thuyết có sẵn — ông để dữ liệu nói. Đây là tinh thần khoa học mà nhiều “thought leader” hiện đại đã mất.

Vậy bài học cho thời AI không phải “vứt Collins đi”. Là: giữ tinh thần (reverse engineering + câu hỏi gốc + khiêm tốn), thay phương pháp (sample lớn hơn cấp số, thang đo phù hợp với gia tốc, kiểm tra giả thuyết liên tục).

Reframe

“Vĩ đại” trong AI era có lẽ không thể đo bằng một con số duy nhất. Đề xuất tạm là một bộ ba chiều:

• Gia tốc với jerk dương — tốc độ tiến hoá đang tăng (đây là chiều Collins thiếu)
• Kháng đổ và mạnh lên qua disruption (antifragility) — số lần sống sót và mạnh lên qua mỗi khủng hoảng
• Độ mở của tương lai (optionality) — số khả năng tương lai công ty mở ra cho chính mình

Collins chỉ đo được chiều thứ hai một cách gián tiếp (qua 15 năm durability). Hai chiều còn lại không nằm trong khung của ông.

Một công ty vĩ đại thực sự cần mạnh ở cả ba chiều. Mạnh một chiều thôi là không đủ — và có thể chính là lý do Circuit City, Fannie Mae, Wells Fargo sụp đổ. Họ có durability trong giai đoạn Collins quan sát, nhưng thiếu antifragility (không chịu được khủng hoảng 2008) và thiếu optionality (không pivot được khi thị trường thay đổi).

Bài tiếp theo: Collins ca ngợi CEO khiêm tốn, không ngôi sao. Nhưng AI era đầy CEO ngôi sao thành công. Level 5 Leadership cần viết lại như thế nào?

Ghi chú phương pháp

Bài này dựa vào tóm tắt của AI về chương 1 Good to Great. Tôi chưa đọc nguyên văn.

Các điểm AI giúp thấy mà tự đọc có thể bỏ lỡ:

• Phương pháp 1.435 công ty → 11 công ty không phải tùy tiện như nhiều người nghĩ. Có quy trình lọc rõ ràng
• Collins cố gắng kiểm soát biến qua “comparison companies” — điều ít ai đề cập khi tóm tắt cuốn sách

Các điểm cần verify từ nguồn thứ ba:

• Tỷ lệ “fail” của 11 công ty sau 2001: Circuit City (phá sản 2009), Fannie Mae (tiếp quản 2008), Wells Fargo (scandal 2016), Pitney Bowes (mất giá trị), Gillette (bị mua 2005). Đây là các sự kiện công khai, độ tin cậy cao, nhưng vẫn nên kiểm tra ngày tháng cụ thể
• 6 công ty còn lại (Abbott, Kimberly-Clark, Kroger, Nucor, Philip Morris, Walgreens) ra sao? Tôi chưa kiểm tra. Nếu phần lớn vẫn ổn, claim “gần một nửa sụp đổ” cần điều chỉnh

Kiểm tra AI sycophancy: ban đầu khi tôi yêu cầu AI phản biện Collins, AI có xu hướng phản biện nhẹ. Tôi phải prompt: “steelman cả hai phía, cho tôi critique sắc nhất có thể”. Sau đó mới có chất lượng phản biện như ở trên.