Nhiều doanh nghiệp bắt đầu ứng dụng AI với một giả định đơn giản: nếu thông tin đã tồn tại trong ERP, CRM, HRM hoặc hệ thống tài chính, AI có thể sử dụng dữ liệu đó để hỗ trợ công việc và ra quyết định.
Thực tế, phần lớn nghiệp vụ doanh nghiệp không chỉ dựa trên dữ liệu trong hệ thống. Hợp đồng, chính sách, SOP, email, biên bản họp và tài liệu nội bộ cũng chứa những quy tắc và bối cảnh quan trọng.
Đó là lý do doanh nghiệp cần hiểu sự khác biệt giữa dữ liệu có cấu trúc và phi cấu trúc khi chuẩn bị dữ liệu cho AI.
Dữ liệu có cấu trúc cho AI biết điều gì đang tồn tại trong hệ thống. Dữ liệu và tri thức phi cấu trúc giúp AI hiểu ý nghĩa, quy tắc và ngoại lệ phía sau những thông tin đó.
Nếu chỉ có một trong hai, AI có thể tìm đúng dữ liệu nhưng vẫn chưa đủ bối cảnh để hỗ trợ công việc thực tế.
Dữ liệu có cấu trúc là gì?
Dữ liệu có cấu trúc (structured data) là thông tin được lưu theo một định dạng xác định trước như bảng, hàng, cột hoặc trường dữ liệu.
Ví dụ:
- Mã khách hàng
- Giá trị hóa đơn
- Trạng thái phê duyệt
- Ngày đến hạn
- Số đơn đặt hàng
- Mã nhân viên
Loại dữ liệu này thường xuất hiện trong ERP, CRM, HRM, hệ thống tài chính hoặc workflow platform.
Do được tổ chức nhất quán, dữ liệu có cấu trúc dễ tìm kiếm, lọc, tổng hợp và sử dụng trong báo cáo hoặc tự động hóa.
Tuy nhiên, dữ liệu này thường chỉ cho biết điều gì đang xảy ra, chứ chưa giải thích đầy đủ vì sao một trường hợp phải được xử lý theo cách cụ thể.
Ví dụ, hệ thống có thể cho biết một hóa đơn đã được phê duyệt nhưng không thể hiện điều khoản hợp đồng yêu cầu phải hoàn tất nghiệm thu trước khi thanh toán.
Dữ liệu phi cấu trúc là gì?
Dữ liệu phi cấu trúc (unstructured data) là thông tin không được lưu trong các trường cố định.
Trong doanh nghiệp, nhóm này thường bao gồm:
- Hợp đồng và phụ lục
- Chính sách nội bộ
- SOP
- Biên bản họp
- Hướng dẫn nghiệp vụ
- Tài liệu bàn giao
Những nguồn này thường chứa phần lớn logic nghiệp vụ mà nhân viên sử dụng mỗi ngày.
Một hợp đồng có thể quy định điều kiện thanh toán. Một chính sách có thể xác định cấp phê duyệt. Một SOP có thể quy định những bước bắt buộc trước khi hoàn tất công việc.
Vấn đề xuất hiện khi AI chỉ được kết nối với dữ liệu hệ thống nhưng không thể truy cập những tài liệu này. AI có thể tìm đúng con số nhưng chưa chắc hiểu điều kiện đi kèm với con số đó.
Vì sao AI cần cả dữ liệu có cấu trúc và phi cấu trúc?
Trong thực tế, quyết định nghiệp vụ hiếm khi chỉ dựa trên một trường dữ liệu.
Bộ phận tài chính có thể nhìn thấy giá trị hóa đơn trong hệ thống, nhưng quyết định thanh toán còn phụ thuộc vào hợp đồng và biên bản nghiệm thu.
Bộ phận HR có đầy đủ thông tin nhân viên, nhưng việc xử lý một trường hợp đặc biệt vẫn cần đối chiếu chính sách.
Bộ phận mua sắm có dữ liệu PO, nhà cung cấp và giá trị đơn hàng, nhưng điều kiện lựa chọn hoặc phê duyệt có thể nằm trong quy trình nội bộ.
Vì vậy:
Dữ liệu có cấu trúc cho AI biết điều gì đang tồn tại.
Tri thức phi cấu trúc giúp AI hiểu thông tin đó nên được diễn giải như thế nào trong bối cảnh nghiệp vụ.
Khi kết hợp cả hai, AI có thể hỗ trợ người dùng không chỉ tìm kiếm thông tin mà còn tiếp cận đúng quy định và bối cảnh liên quan.
Khung 3 lớp để đánh giá dữ liệu sẵn sàng cho AI
Một cách đơn giản để đánh giá mức độ sẵn sàng cho AI là chia thông tin doanh nghiệp thành ba lớp.
1. Record Layer: Dữ liệu nghiệp vụ
Bao gồm dữ liệu có cấu trúc từ ERP, CRM, HRM, finance system và workflow platform.
Lớp này trả lời các câu hỏi như:
- Giao dịch nào đang tồn tại?
- Giá trị hiện tại là bao nhiêu?
- Trạng thái đang ở bước nào?
2. Rule Layer: Quy tắc nghiệp vụ
Bao gồm hợp đồng, chính sách, SOP, hướng dẫn và tài liệu tuân thủ.
Lớp này giúp xác định:
- Quy định nào cần được áp dụng?
- Ai có quyền phê duyệt?
- Điều kiện nào cần được đáp ứng?
3. Context Layer: Bối cảnh
Bao gồm email, biên bản họp hoặc các trao đổi nội bộ.
Lớp này giải thích:
- Vì sao một quyết định được đưa ra?
- Một ngoại lệ đã được xử lý như thế nào?
- Bối cảnh nào cần được cân nhắc?
Thay vì chỉ hỏi “Doanh nghiệp đã có dữ liệu chưa?”, cách tiếp cận này giúp đội ngũ đặt câu hỏi thực tế hơn:
Dữ liệu có đáng tin cậy không? Tài liệu có được cập nhật không? Những ngoại lệ đang nằm ở đâu? Quy trình nào cần cả dữ liệu, quy tắc và bối cảnh?
Rủi ro khi AI chỉ sử dụng dữ liệu có cấu trúc
Nếu AI chỉ tiếp cận dữ liệu trong hệ thống, ba vấn đề thường xuất hiện.
Thứ nhất, câu trả lời có thể đúng về dữ liệu nhưng thiếu bối cảnh.
AI có thể tìm chính xác một giá trị nhưng không nhận diện được điều khoản hoặc chính sách khiến cách xử lý phải thay đổi.
Thứ hai, AI khó xử lý ngoại lệ.
Những trường hợp phức tạp thường liên quan đến phụ lục hợp đồng, chính sách đặc biệt, hồ sơ chưa đầy đủ hoặc các quyết định được thống nhất ngoài hệ thống.
Thứ ba, người dùng khó tin tưởng câu trả lời.
Trong doanh nghiệp, người dùng không chỉ cần biết kết quả. Họ cần biết thông tin đến từ đâu và quy định nào đang được áp dụng.
Khả năng truy xuất nguồn và cung cấp đúng bối cảnh vì vậy rất quan trọng khi AI được sử dụng trong những quy trình liên quan đến tài chính, HR, mua sắm hoặc vận hành.
Ví dụ: kiểm tra thanh toán nhà cung cấp
Một quy trình kiểm tra thanh toán có thể sử dụng dữ liệu từ hệ thống tài chính như:
- Nhà cung cấp
- Giá trị hóa đơn
- PO
- Ngày đến hạn
- Trạng thái phê duyệt
Nhưng quyết định thanh toán có thể còn phụ thuộc vào:
- Hợp đồng
- Phụ lục
- Biên bản nghiệm thu
- Email phê duyệt thay đổi
- Chính sách thanh toán nội bộ
Ví dụ, hệ thống có thể cho thấy hóa đơn đã đủ thông tin. Tuy nhiên, hợp đồng quy định chỉ được thanh toán sau khi hoàn thành một mốc nghiệm thu nhất định.
Nếu AI chỉ đọc dữ liệu giao dịch, hệ thống chưa có đủ thông tin để hỗ trợ người dùng đánh giá trường hợp này.
Đây cũng là mô hình thường gặp trong HR, procurement, operations và nhiều quy trình khác.
Ragify AI hỗ trợ như thế nào?
Trong nhiều doanh nghiệp, vấn đề không phải thiếu thông tin mà là khó tìm đúng thông tin tại thời điểm cần sử dụng.
Ragify AI giúp khai thác tri thức nội bộ từ các nguồn như hợp đồng, chính sách, SOP và tài liệu nghiệp vụ, từ đó hỗ trợ người dùng tìm kiếm thông tin và truy xuất nguồn tham chiếu nhanh hơn.
Khi kết hợp tri thức này với dữ liệu từ các hệ thống nghiệp vụ, AI có thể hỗ trợ người dùng tiếp cận cả dữ liệu lẫn bối cảnh cần thiết cho công việc.
Doanh nghiệp cũng cần xác định rõ những điểm nào AI có thể hỗ trợ và những quyết định nào vẫn cần con người kiểm tra hoặc phê duyệt.
Mục tiêu không phải thay thế hoàn toàn khả năng phán đoán của con người. Mục tiêu là giảm thời gian tìm kiếm thông tin và giúp tri thức doanh nghiệp dễ sử dụng hơn trong công việc hằng ngày.
Kết luận
Dữ liệu có cấu trúc cho AI biết điều gì đang tồn tại trong hệ thống. Tri thức phi cấu trúc giúp AI hiểu những thông tin đó có ý nghĩa gì trong bối cảnh nghiệp vụ.
Doanh nghiệp muốn AI hỗ trợ công việc hiệu quả cần có khả năng kết nối cả hai.
Một điểm bắt đầu đơn giản là lựa chọn một quy trình mà nhân viên thường xuyên phải đối chiếu dữ liệu hệ thống với hợp đồng, chính sách hoặc SOP.
Qua đó, doanh nghiệp có thể xác định dữ liệu nào đã sẵn sàng, tri thức nào cần được tổ chức lại và đâu là những bối cảnh AI cần hiểu trước khi có thể hỗ trợ công việc thực tế.