Nhiều doanh nghiệp không gặp khó khăn khi bắt đầu thử nghiệm AI. Thách thức lớn hơn nằm ở việc đưa AI từ một vài use case riêng lẻ trở thành một phần của hoạt động vận hành trên quy mô lớn.
Một chương trình thử nghiệm có thể hoạt động tốt trong phạm vi một phòng ban, với lượng dữ liệu giới hạn và sự giám sát chặt chẽ của con người. Tuy nhiên, cách tiếp cận đó thường bắt đầu bộc lộ hạn chế khi AI phải làm việc với nhiều phòng ban, hệ thống, quy tắc và tình huống ngoại lệ khác nhau.
Vì vậy, mức độ sẵn sàng AI của doanh nghiệp không nên chỉ được nhìn nhận dưới góc độ công nghệ. Trước khi mở rộng AI, doanh nghiệp cần đánh giá ba nền tảng quan trọng: dữ liệu có đủ ngữ cảnh, quy trình đủ rõ ràng và cơ chế quản trị đủ chặt chẽ.
Vì sao AI thường khó đi từ thử nghiệm đến quy mô doanh nghiệp?
Các thử nghiệm AI ban đầu thường tập trung vào những tác vụ dễ triển khai như tóm tắt tài liệu, soạn email, phân loại ticket hoặc hỗ trợ tra cứu tri thức nội bộ.
Những use case này nhanh chóng cho thấy giá trị vì tương đối đơn giản, dễ trình diễn và có mức độ rủi ro thấp khi hoạt động độc lập.
Thách thức xuất hiện khi doanh nghiệp muốn AI tham gia trực tiếp vào một quy trình nghiệp vụ.
Khi đó, các câu hỏi trở nên phức tạp hơn:
AI nên tham gia ở bước nào? AI cần những thông tin gì để hiểu đúng tình huống? Khi nào con người cần kiểm tra hoặc phê duyệt? Quyết định nào AI được phép đưa ra và quyết định nào phải thuộc về người có thẩm quyền?
Nếu những câu hỏi này chưa được làm rõ, AI thường chỉ tạo ra cải thiện năng suất ở cấp độ cá nhân. Nhân viên có thể làm việc nhanh hơn, nhưng AI vẫn chưa trở thành một phần của quy trình có thể kiểm soát và mở rộng.
Đó chính là khoảng cách giữa thử nghiệm AI và vận hành AI ở quy mô doanh nghiệp.
Ba nền tảng của mức độ sẵn sàng AI trong doanh nghiệp
1. Dữ liệu phải có đủ ngữ cảnh
Doanh nghiệp thường đã sở hữu lượng dữ liệu lớn trong ERP, CRM, hệ thống tài chính, tài liệu nội bộ, email và các nền tảng nghiệp vụ khác.
Tuy nhiên, vấn đề không chỉ nằm ở việc AI có thể truy cập dữ liệu hay không. Điều quan trọng hơn là AI có nhận được đủ thông tin để hiểu đúng ngữ cảnh của một quyết định hay không.
Ví dụ, trong một quy trình nghiệp vụ, AI có thể cần đồng thời:
- thông tin khách hàng;
- biểu mẫu hoặc tài liệu được gửi lên;
- chính sách nội bộ;
- lịch sử trao đổi;
- lịch sử phê duyệt;
- trạng thái trên hệ thống nghiệp vụ.
Nếu AI chỉ nhận được một phần thông tin, kết quả tạo ra có thể hợp lý về mặt ngôn ngữ nhưng lại bỏ sót những yếu tố quan trọng trong vận hành.
Vì vậy, chuẩn bị dữ liệu cho AI không đơn giản là kết nối càng nhiều nguồn càng tốt. Doanh nghiệp cần xác định nguồn nào là chính thức, dữ liệu nào thực sự cần thiết và ngữ cảnh nào AI phải biết trước khi hỗ trợ một quyết định.
2. Quy trình phải đủ rõ ràng
AI không nên được đưa vào một quy trình chỉ vì một tác vụ có vẻ lặp lại.
Trước tiên, doanh nghiệp cần hiểu rõ cách công việc thực sự di chuyển từ đầu đến cuối.
Một quy trình cần được xác định rõ các yếu tố như:
- điểm bắt đầu;
- dữ liệu đầu vào;
- các bước xử lý;
- điểm ra quyết định;
- bàn giao giữa các phòng ban;
- ngoại lệ;
- bước phê duyệt;
- kết quả cuối cùng.
Khi cấu trúc này được làm rõ, doanh nghiệp mới có thể xác định bước nào nên được xử lý bằng automation theo quy tắc, bước nào phù hợp với AI và bước nào vẫn cần con người chịu trách nhiệm.
Ví dụ, AI có thể đọc tài liệu và đưa ra đánh giá ban đầu. Một rule engine có thể kiểm tra các điều kiện rõ ràng. Nhưng những trường hợp ngoại lệ hoặc quyết định có ảnh hưởng lớn vẫn có thể được chuyển sang Human Task để nhân sự phụ trách xem xét.
Quy trình rõ ràng giúp AI trở thành một thành phần có vai trò cụ thể thay vì một công cụ được bổ sung rời rạc vào hoạt động hiện tại.
3. Quản trị phải xác định rõ quyền ra quyết định
Quản trị trở nên đặc biệt quan trọng khi AI bắt đầu ảnh hưởng đến kết quả của quy trình.
Nếu không có ranh giới rõ ràng, nhân sự có thể không biết AI đang chỉ đưa ra khuyến nghị, thực sự đưa ra quyết định hay trực tiếp thực hiện hành động trên hệ thống.
Do đó, doanh nghiệp cần xác định rõ:
- AI được phép thực hiện những tác vụ nào;
- dữ liệu nào AI được quyền truy cập;
- trường hợp nào bắt buộc chuyển sang con người;
- ngưỡng nào cần phê duyệt;
- ai có quyền điều chỉnh hoặc override kết quả của AI;
- hoạt động của AI được ghi nhận như thế nào để phục vụ audit và truy vết.
Mục tiêu của governance không phải là giới hạn AI một cách không cần thiết. Governance giúp doanh nghiệp biết rõ AI có thể tự động đến đâu và con người phải chịu trách nhiệm ở đâu.
Ví dụ: quy trình kiểm tra yêu cầu hoàn ứng chi phí
Hãy xem xét một quy trình hoàn ứng chi phí của nhân viên.
Nhân viên gửi yêu cầu cùng hóa đơn và thông tin liên quan. Bộ phận tài chính kiểm tra tính đầy đủ. Hồ sơ được đối chiếu với chính sách chi phí. Các trường hợp thông thường có thể tiếp tục xử lý, trong khi những trường hợp bất thường được chuyển cho quản lý xem xét.
Nếu AI tham gia vào quy trình này, ba yếu tố readiness phải hoạt động cùng nhau.
Về dữ liệu, một hình ảnh hóa đơn là chưa đủ. AI có thể cần thêm chính sách chi phí, thông tin nhân viên, phê duyệt chuyến công tác, cost center và lịch sử yêu cầu trước đó.
Về quy trình, AI có thể hỗ trợ phân loại hóa đơn, trích xuất dữ liệu, xác định trường còn thiếu hoặc phát hiện khoản chi có dấu hiệu không phù hợp với chính sách.
Tuy nhiên, quy trình vẫn cần quy định khi nào hồ sơ phải chuyển sang người phụ trách tài chính hoặc quản lý.
Về quản trị, AI có thể được phép khuyến nghị một khoản chi có phù hợp hay không nhưng không tự động phê duyệt những trường hợp vượt ngưỡng hoặc thuộc nhóm ngoại lệ.
Khi ba yếu tố này được kết hợp, AI không chỉ giúp một tác vụ nhanh hơn mà trở thành một phần có kiểm soát của quy trình.
Một framework đơn giản để đánh giá AI readiness
Doanh nghiệp có thể bắt đầu bằng ba nhóm câu hỏi.
Context readiness
AI cần thông tin gì để xử lý đúng một trường hợp? Dữ liệu nằm ở đâu? Nguồn nào được xem là nguồn chính thức? Những khoảng trống thông tin nào đang tồn tại?
Workflow readiness
Quy trình hiện tại vận hành như thế nào? Các điểm bàn giao, quyết định và ngoại lệ nằm ở đâu? Bước nào phù hợp với automation, AI hoặc Human-in-the-loop?
Governance readiness
AI được phép làm gì? Quyền truy cập được phân bổ như thế nào? Trường hợp nào cần phê duyệt? Những hành động nào cần được ghi log và kiểm tra lại?
Ba nhóm câu hỏi này giúp doanh nghiệp đánh giá mức độ sẵn sàng trước khi đầu tư vào việc mở rộng AI trên diện rộng.
AgentFlow hỗ trợ quá trình chuyển từ thử nghiệm sang vận hành AI như thế nào?
Khi AI chuyển từ hỗ trợ từng tác vụ sang tham gia quy trình, bài toán không còn chỉ nằm ở mô hình AI.
Doanh nghiệp cần phối hợp AI, con người, tài liệu, phê duyệt và các hệ thống nghiệp vụ trong cùng một luồng vận hành.
AgentFlow được thiết kế theo hướng kết hợp nhiều loại bước trong một workflow, bao gồm AI Agent, Human Task, Decision, tích hợp hệ thống và các bước xử lý dữ liệu. Nhờ đó, doanh nghiệp có thể xác định rõ bước nào AI thực hiện, bước nào con người chịu trách nhiệm xác thực và dữ liệu được chuyển tiếp như thế nào giữa các bước.
Cách tiếp cận này đặc biệt quan trọng đối với các quy trình lai, nơi AI hỗ trợ phân tích hoặc tạo nội dung, trong khi con người vẫn giữ quyền kiểm soát tại những điểm cần trách nhiệm nghiệp vụ hoặc phê duyệt.
Innomation có thể đồng hành cùng doanh nghiệp trong việc xác định các điểm phù hợp để AI Agent, Human Task, phê duyệt và hệ thống nghiệp vụ phối hợp trong một quy trình có kiểm soát.
Kết luận
Sẵn sàng AI không chỉ là sở hữu mô hình tốt hoặc hoàn thành một chương trình thử nghiệm thành công.
Để AI trở thành một phần của vận hành thực tế, doanh nghiệp cần ba nền tảng: dữ liệu có đủ ngữ cảnh, quy trình đủ rõ ràng và governance xác định rõ quyền ra quyết định.
Khi ba nền tảng này được xây dựng từ sớm, doanh nghiệp có thể chuyển từ những use case AI riêng lẻ sang các quy trình AI có khả năng mở rộng mà vẫn duy trì được kiểm soát, trách nhiệm và khả năng truy vết.
Nếu doanh nghiệp của bạn đang đánh giá cách chuẩn bị cho AI theo hướng thực tế và có quản trị, hãy theo dõi Innomation để cập nhật thêm các framework và góc nhìn về ứng dụng AI trong vận hành doanh nghiệp.