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. Pitney Bowes mất khoảng 90% giá trị thị trường. Walgreens bị Sycamore Partners mua lại năm 2025, rời sàn chứng khoán sau khi giá cổ phiếu rớt hơn 60% so với đỉnh. Wells Fargo dính bê bối tài khoản giả năm 2016, mất hàng tỷ đô tiền phạt và uy tín. Gillette bị Procter & Gamble mua lại năm 2005 — đây là exit thành công cho cổ đông, không phải thất bại.

6 công ty còn lại — Abbott, Kimberly-Clark, Kroger, Nucor, Philip Morris và một số doanh nghiệp trước đây — phần lớn vẫn tồn tại và vẫn lớn. Abbott hầu như gấp đôi giá trị trong hai thập kỷ. Kimberly-Clark, Kroger, Nucor, Philip Morris tăng trưởng bình thường, không có khủng hoảng lớn.

Đếm chặt: 4 trong 11 công ty sụp đổ hoặc mất giá trị nghiêm trọng (Circuit City, Fannie Mae, Pitney Bowes, Walgreens). Thêm Wells Fargo ở vùng xám. Khoảng một phần ba danh sách “vĩ đại” của Collins không sống sót được 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 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?

Vấn đề không phải ở cỡ mẫu. Là ở cách chọn mẫu.

Một critique phổ biến về Collins là: “11 công ty là cỡ mẫu quá nhỏ, không đủ để rút ra kết luận.” Critique này nghe đúng nhưng trượt khỏi bối cảnh phương pháp.

Collins không làm suy luận thống kê. Ông làm nghiên cứu tình huống (case study) kết hợp lý thuyết xây dựng từ dữ liệu (grounded theory). Họ không cần mẫu lớn theo nghĩa thống kê — họ cần độ sâu định tính. Đánh Collins bằng ngôn ngữ “n=11 không đủ” là đánh sai vũ khí.

Critique đúng khung phải là:

Một là thiên vị sống sót (survivorship bias). Collins chọn công ty dựa trên kết quả đã có — đã outperform 3x trong 15 năm — rồi đi ngược về tìm nguyên nhân. Đây là vấn đề kinh điển: công ty có cùng đặc điểm nhưng thất bại không vào mẫu. Kết quả: pattern có thể cũng xuất hiện ở công ty không thành công, chúng ta không biết.

Hai là confounders không kiểm soát được. Collins cố gắng kiểm soát bằng “comparison companies” cùng ngành, nhưng cùng ngành không bằng cùng điều kiện. May mắn, thời điểm thị trường, năng lực kế toán, mối quan hệ chính trị — vô số biến nằm ngoài ô kiểm soát.

Ba là tường thuật hồi cứu (hindsight narrative). Khi đã biết kết quả, não người tự động xâu chuỗi “lý do”. Phil Rosenzweig trong The Halo Effect (2007) chỉ ra: khi công ty thành công, mọi đặc điểm của nó đều “tốt” trong mắt người quan sát. CEO “khiêm tốn”, văn hóa “kỷ luật”. Cùng những đặc điểm đó ở công ty thất bại sẽ được mô tả là “thụ động” và “cứng nhắc”. Collins khó tránh được hiệu ứng này vì bản thân team nghiên cứu biết trước công ty nào thắng.

Thiếu của Collins không phải thêm dữ liệu. Là kiểm soát biến chặt hơn và thiết kế nghiên cứu tránh được halo effect. Đây là giới hạn thật sự của phương pháp ông dùng.

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

Vấn đề thứ hai sâu hơn, và đây là chỗ tôi muốn chủ động bất đồng với Collins, không phải “sửa lỗi” ông.

Collins định nghĩa vĩ đại = bền lâu. Công ty vĩ đại = công ty duy trì outperform suốt 15 năm. Tôi đề xuất định nghĩa khác: vĩ đại = tiến hoá nhanh. Hai định nghĩa này có thể đối lập — cần thừa nhận rõ.

Collins 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 AI-native không 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.

Nói theo ngôn ngữ vật lý: gia tốc với jerk dương. 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.

Stress test: Yahoo cũng từng có jerk dương

Đến đây cần dừng lại và tự thuừn hóa một luận điểm hiển nhiên: Yahoo có jerk dương từ 1996 đến 2000. Cisco cũng vậy. Slack từng được coi là vĩ đại. Tất cả đều sụp. Vậy jerk dương có đủ là tiêu chí của vĩ đại không?

Nếu jerk dương đơn thuần, câu trả lời là không. Mọi đường cong hình S đều có jerk dương ở giai đoạn đầu. Rồi đến maturation, jerk thành âm, tốc độ chậm lại, công ty trưởng thành hoặc chết.

Nhưng ở đây có một sự khác biệt về chất giữa Yahoo và OpenAI. Yahoo là tên lửa một tầng: đốt hết nhiên liệu của mình rồi rơi. Nhiên liệu của Yahoo là distribution advantage — một lần dành được, cạn dần khi có đối thủ. Khi Google ra mắt, Yahoo không còn cơ chế tự tái đốt. Gia tốc tắt.

OpenAI — và các công ty AI-native tương tự — có cấu trúc khác. Mỗi user mới tạo dữ liệu mới, dữ liệu mới giúp cải thiện model, model tốt hơn thu hút user mới. Đây là tên lửa nhiều tầng. Mỗi tầng không phải nhiên liệu thuần — là động cơ tự tạo nhiên liệu cho tầng tiếp theo. Cơ chế này gọi là bánh đà dữ liệu (data flywheel).

Câu hỏi khoa học nghiêm túc là: data flywheel có thực sự khác về chất với network effect của Yahoo, hay chỉ là rebrand? Tôi chưa trả lời đủ cho câu này — đây là vấn đề cần nhiều phản biện nữa. Nhưng có ít nhất một sự khác biệt hiển nhiên: Yahoo không tự cải thiện sản phẩm bằng việc có thêm user; OpenAI có.

Tạm thời, tôi tinh chỉnh đề xuất: vĩ đại = gia tốc với jerk dương cộng với cơ chế tự tái đốt nhiên liệu. Jerk dương đơn thuần chỉ cho thấy công ty đang ở giai đoạn bottleneck-broken — vòng đầu của S-curve. Jerk dương + bánh đà dữ liệu mới là ứng viên của vĩ đại kiểu mới.

Về việc AI đang giúp tôi (và có thể đang đánh lừa tôi)

Một điểm cần nói ngay trong bài, không để dồn cho ghi chú cuối: AI assistant có xu hướng đồng tình với user. Khi tôi hỏi AI “phản biện Collins”, phản biện nhìn sắc nhưng nhẹ. Chỉ khi tôi prompt cụ thể — “steelman cả hai phía, tìm critique sắc nhất có thể, giả định tôi sai” — mới có chất lượng tranh luận thật.

Đây không phải chi tiết kỹ thuật. Đây là vấn đề nhận thức cốt lõi của phương pháp đọc sách cùng AI: nếu không ép AI vào vai phản biện cứng, bạn chỉ nhận được version dễ chịu của quan điểm bạn sẵn có — cùng với cảm giác sai lầm rằng bạn đã suy nghĩ kỹ. Anchoring bias không biến mất khi bạn có AI. Có thể tệ hơn, vì AI biết cách tiếp tục mạch suy nghĩ của bạn.

Giải pháp: prompt steelman, yêu cầu AI tìm reason bạn có thể sai, kiểm tra mọi claim thống kê hoặc lịch sử bằng search ngoài.

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 dữ liệu), thay khung đo (durability → gia tốc với bánh đà dữ liệu), thiết kế lại nghiên cứu để tránh survivorship bias và halo effect.

Reframe

Tôi dừng ngắn ở đây. Trong bài này tôi chỉ muốn lập luận một điểm: tiêu chí vĩ đại theo Collins — bền lâu, vượt thị trường đều trong 15 năm — thiếu một chiều quan trọng cho AI era: gia tốc với bánh đà dữ liệu.

Có các chiều khác cũng Collins không có: khả năng sống sót và mạnh lên qua khủng hoảng (antifragility theo Taleb), độ mở của tương lai (optionality). Hai chiều này để dành cho các bài sau — cần nhiều phân tích hơn là một đoạn.

Nhưng ngay lúc này, riêng chiều gia tốc + bánh đà dữ liệu, đã đủ để giải thích vì sao 4 trong 11 công ty “vĩ đại” của Collins sụp đổ: Circuit City, Fannie Mae, Pitney Bowes, Walgreens — tất cả đều có durability trong giai đoạn Collins quan sát, nhưng không có cơ chế tự tái đốt nhiên liệu. Khi thị trường thay đổi (online retail, mối quan hệ nhà nước, bưu phẩm điện tử, chăm sóc sức khỏe kỹ thuật số), họ không pivot kịp.

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 đã verify bằng web search:

• Circuit City phá sản 2009 — đúng
• Fannie Mae bị chính phủ tiếp quản 2008 — đúng
• Walgreens đi private 2025 qua Sycamore Partners sau khi cổ phiếu mất hơn 60% giá trị từ đỉnh — đúng
• Wells Fargo scandal tài khoản giả 2016 — đúng, nhưng vẫn sống và vẫn lớn (vùng xám)
• Pitney Bowes mất ~90% giá trị — đúng trong dài hạn
• Gillette bị P&G mua 2005 — đúng, là exit thành công, không phải fail
• Abbott và 5 công ty khác phần lớn vẫn ổn — verify qua market cap hiện tại

Bản đầu của bài này viết “gần một nửa sụp đổ” — có tính cường điệu. Sau khi kiểm tra, tỷ lệ đúng là 4/11 (khoảng một phần ba). Đã sửa.

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

• Critique "n=11 không đủ" là critique sai khung. Đây là phát hiện quan trọng — tôi đã viết sai khung trong bản đầu. Critique đúng khung là survivorship bias, halo effect, hindsight narrative
• Sự khác biệt về chất giữa Yahoo (tên lửa một tầng) và OpenAI (tên lửa nhiều tầng với data flywheel)

Các điểm còn mở:

• Data flywheel có thực sự khác chất với network effect của Yahoo, hay chỉ là rebrand? Tôi chưa trả lời đủ
• Chiều antifragility và optionality để dành các bài sau, không vội ép vào khung bài này