Ứng dụng AI không hiệu quả

Thế giới đã chi một khoản tiền khổng lồ cho AI. Đối với hầu hết các doanh nghiệp, không có gì thay đổi. Tôi đã nói chuyện với hơn 300 CEO, CIO và CFO tại các công ty lớn nhất trên Trái Đất. Tôi nhận ra rằng hầu hết các công ty áp dụng AI vào các quy trình rác rưởi của họ, và kết quả cuối cùng chỉ là tạo ra rác nhanh hơn. Cho dù đó là mua hàng nghìn giấy phép Claude Code, cam kết chi 50 triệu đô la Mỹ mỗi năm cho token, hay tổ chức các buổi đào tạo AI qua Zoom, tôi đã tận mắt chứng kiến việc áp dụng AI kém hiệu quả như thế nào. Nhưng không nhất thiết phải như vậy.

Chúng ta đã đi theo con đường này, thực tế là nhiều lần, và chúng ta nên học hỏi từ lịch sử khi nói đến việc áp dụng AI. Hy vọng của tôi là đến cuối bài viết này, các nhà lãnh đạo AI trên toàn thế giới sẽ từ bỏ phương pháp áp dụng AI cổ hủ và ngây thơ của họ, và thay vào đó làm theo quy trình đã được kiểm chứng được minh họa dưới đây.

Phần 1: Lịch sử và Những Điểm Tương Đồng

Năm 1990, một cựu giáo sư khoa học máy tính của MIT tên là Michael Hammer đã viết một bài báo cho Harvard Business Review. Ông đã dành nhiều năm làm việc bên trong các công ty đã chi những khoản tiền khổng lồ cho máy tính nhưng lại đạt được rất ít ROI, và ông là một trong những người đầu tiên khám phá ra lý do tại sao.

"Những khoản đầu tư nặng vào công nghệ thông tin đã mang lại kết quả đáng thất vọng, phần lớn là do các công ty có xu hướng sử dụng công nghệ để cơ giới hóa những cách làm kinh doanh cũ. Họ giữ nguyên các quy trình hiện tại và chỉ đơn giản sử dụng máy tính để tăng tốc chúng."

Đó là một trích dẫn thực tế. Bạn đùa tôi chắc? Nếu bạn thay 'công nghệ thông tin' bằng 'AI', bạn có thể xuất bản nó vào ngày mai và lên trang nhất của Business Insider. Trong cùng một bài báo, ông ấy viết rằng đã đến lúc ngừng lát đường mòn cho bò. Đã 36 năm trôi qua, và đoán xem chúng ta vẫn đang làm gì?

Lưu ý: Lát đường mòn cho bò có nghĩa là tự động hóa, chính thức hóa, hoặc khóa chặt một quy trình kém hiệu quả hiện có thay vì thiết kế lại nó cho cách mọi thứ nên vận hành. Tôi đã giúp bạn khỏi phải hỏi Claude, không cần cảm ơn.

Trong khi đó, hơn 1 nghìn tỷ đô la Mỹ đã được chi cho capex, xây dựng AI (riêng Microsoft, Alphabet, Amazon và Meta đã chi 410 tỷ đô la Mỹ trong năm 2025; thật choáng váng, tôi biết), nhưng chỉ có 37 tỷ đô la Mỹ được các doanh nghiệp chi cho việc thực sự sử dụng nó. Điều đó có nghĩa là gì trong thực tế: Bộ Kinh doanh và Thương mại của Vương quốc Anh đã chạy một thử nghiệm Microsoft 365 Copilot và công bố kết quả. 1.000 giấy phép đã được triển khai trong 3 tháng, và chỉ có trung bình 1,14 hành động Copilot trên mỗi người dùng mỗi ngày. Các slide PowerPoint ra đời nhanh hơn 7 phút (từ 18 phút xuống còn 11), nhưng với điểm chất lượng chỉ bằng một nửa. Phân tích Excel thực tế được hoàn thành chậm hơn (và chất lượng cũng kém hơn). Tiết kiệm thời gian email, và tôi trích dẫn, "cực kỳ nhỏ." Kết luận của chính họ, nguyên văn: "Chúng tôi không tìm thấy bằng chứng chắc chắn nào cho thấy việc tiết kiệm thời gian đang dẫn đến cải thiện năng suất." Vậy mà 72% người dùng cho biết họ hài lòng hoặc rất hài lòng.

Nói tóm lại: mọi người thích nó, nhưng họ vẫn tạo ra chính xác những gì họ đã làm trước đây. Ethan Mollick (Phó Giáo sư Wharton và Nhà nghiên cứu AI) đã nói rất đúng: "Việc sử dụng AI giúp tăng hiệu suất cá nhân không tự nhiên chuyển thành cải thiện hiệu suất tổ chức." Bài viết này sẽ mở rộng về lý do tại sao lại như vậy, và đưa ra các giải pháp mà chúng tôi đã thấy hiệu quả trong thực tế.

Để cung cấp bối cảnh, tôi là Vas, CEO của @varickagents. Chúng tôi làm việc với các công ty cực kỳ lớn (doanh thu từ 500 triệu đô la Mỹ đến 100 tỷ đô la Mỹ, từ 1.000 đến 100.000 nhân viên), giúp họ áp dụng AI, từ chiến lược tổng thể, đến tái cấu trúc quy trình, đến xây dựng, triển khai và quản lý các agent của họ. Bài viết này dựa trên những bài học chúng tôi đã rút ra: điều gì phân biệt các dự án thí điểm AI thất bại (không có ROI đo lường được) với những dự án thành công (hơn 80% công việc được xử lý hoàn toàn bởi một agent, tiết kiệm thời gian và tiền bạc).

Lý do điều này cứ tiếp diễn không phải là sự ngu ngốc tuyệt đối. Một phần là như vậy, tất nhiên, nhưng phần lớn là do quán tính và thiết kế. Bất kỳ ai ký hợp đồng AI ngày hôm nay có thể sở hữu việc lựa chọn công cụ và nhà cung cấp, nhưng chắc chắn họ không sở hữu quy trình. Không ai trong chuỗi đó có thẩm quyền để bước vào bộ phận tài chính, ví dụ, và nói rằng quy trình 14 bước của họ thực sự chỉ nên có 5 bước. Vì vậy, không ai làm điều đó. Thay vào đó, bạn 'áp dụng AI' vào những gì bạn hiện có, và bạn kết thúc với thứ ch*t nhanh hơn.

AI không phải để được 'áp dụng'. Điều đó không hiệu quả. Bạn 'áp dụng' một lớp sơn. Quá nhiều người đang nghĩ về AI như một lớp sơn mới, và sơn không sửa được những gì bên dưới. Chưa ai từng nói 'áp dụng đám mây' hay 'áp dụng kỹ thuật số'. Không, thay vào đó họ nói Chuyển đổi Kỹ thuật số, Hiện đại hóa Đám mây, bởi vì mọi người đều hiểu rằng đó là những sự chuyển đổi, và công nghệ chỉ là một phần của chúng. AI cũng mang hình dạng tương tự.

Quay lại với Hammer: con số tốt nhất của ông ấy là từ một công ty bảo hiểm mà ông đã nghiên cứu. Một đơn đăng ký mất 22 ngày để di chuyển qua doanh nghiệp. Trong 22 ngày đó, tổng thời gian bất kỳ ai dành để làm việc trên nó là 17 phút. Giả sử, hôm nay, chuyên gia AI của bạn thả mô hình tốt nhất thế giới vào quy trình đó và nó làm cho mọi bước riêng lẻ nhanh gấp đôi. Anh ta hiện đã tiết kiệm được 8 phút rưỡi. Anh ta coi đó là tiết kiệm 50% thời gian, nhận được sự thăng chức và tiền thưởng, và phóng đi về phía hoàng hôn. Đó là 8 phút.

Khoản tiết kiệm không nằm ở việc làm việc trên đơn đăng ký. Chúng nằm ở hàng đợi và bàn giao, ở thời gian chờ đợi cho các nhóm khác, và vòng đánh giá thứ hai. Dành năng lượng của bạn để tăng tốc 17 phút đó còn tệ hơn là không làm gì; bạn vừa tiêu ngân sách của mình, và chứng minh cho hội đồng quản trị của bạn rằng 'AI không hiệu quả'. Bạn có thể nghĩ đây là di tích của những năm 90, nhưng không phải vậy. Chúng tôi đã làm việc với một công ty đã trải qua chính xác vấn đề này, từ nhật ký hệ thống của chính họ. Mở một hồ sơ khách hàng mới mất 25 phút làm việc thực tế. Thời gian trôi qua, từ khi hồ sơ được nhập vào đến khi nó hoạt động, kéo dài từ 2 ngày đến 2 tuần. Công việc có thể chỉ vài phút trong khi quy trình vẫn có thể kéo dài hàng tuần.

Khi tôi nói hầu hết các chương trình AI đang làm cho mọi thứ nhanh hơn, tôi muốn nói điều đó theo nghĩa đen. Quy trình là rác rưởi. AI đang làm cho nó nhanh hơn. Về điều này, tôi đã nghe: "Ồ, chúng tôi là một công ty lớn, vì vậy rõ ràng chúng tôi đang làm đúng điều gì đó, và chúng tôi không cần phải thay đổi." Thích nghi hay chết vẫn còn sống động ngày nay, hơn bao giờ hết, và đây là điểm duy nhất mà AI khác với kỹ thuật số và đám mây. Được sử dụng đúng cách, AI mang lại cho đối thủ cạnh tranh lợi thế hơn bạn mà những thứ kia chưa từng làm. Cho dù đó là để hạ giá bạn về chi phí, mở rộng quy mô vô hạn mà không cần tăng nhân sự xử lý, hay tiếp cận toàn bộ thế giới trước khi bạn có thể tập hợp một danh sách khách hàng tiềm năng, họ sẽ nghiền nát bạn. Trường hợp tốt nhất, bạn tiếp tục phát triển, và bây giờ quy mô nhân sự của bạn tăng theo cấp số nhân. 3 nhà phân tích trở thành 6 nhưng 6 người bây giờ cần một người quản lý, và vì đó là 2 nhóm, họ cần một sự bàn giao mà trước đây không có, và bây giờ sự bàn giao đó cần một cuộc họp cập nhật tình trạng và một PM, v.v. Đây là lý do tại sao biểu đồ nhân sự cong lên trên, trong khi doanh thu trên mỗi nhân viên thì không. Thích nghi hay chết, nhưng đừng giả vờ rằng AI không xảy ra. Các đối thủ cạnh tranh của bạn sẽ không ngừng nghỉ để tìm ra điều này.

Phần 2: Những Gì Cần Làm Hôm Nay

Dữ liệu của bạn là một mớ hỗn độn và các hệ thống của bạn không nói chuyện với nhau, vì vậy có lẽ bản năng đầu tiên của bạn là sửa điều này trước khi chạm vào bất cứ thứ gì khác. Bạn chỉ cần một ERP, một CRM, một nền tảng dữ liệu, sau đó là AI ở trên. Điều đó nghe có vẻ tuyệt vời về mặt lý thuyết, nhưng các chuyên gia CNTT hiểu rằng nó không bao giờ đơn giản như vậy. Hãy nhìn vào chi phí thực tế của việc này, cả về tiền bạc và thời gian.

TSB đã chi 318 triệu bảng Anh cho việc di chuyển ngân hàng lõi, chịu thêm khoảng 200 triệu bảng Anh chi phí sự cố, bị phạt 48,65 triệu bảng Anh bởi FCA và PRA vào tháng 12 năm 2022, và làm gián đoạn dịch vụ ngân hàng cho 5,2 triệu khách hàng. Zimmer Biomet, một nhà sản xuất trị giá 8 tỷ đô la Mỹ, đã nộp đơn yêu cầu bồi thường 172 triệu đô la Mỹ chống lại Deloitte vào tháng 9 năm 2025, sau khi một 'sự di chuyển và hợp nhất' thất bại khiến họ không thể thực hiện các chức năng cơ bản, như vận chuyển sản phẩm, lập hóa đơn cho khách hàng, hoặc tạo báo cáo bán hàng chức năng. Và đó chỉ là hai ví dụ lên báo; những sự cố như thế này phổ biến hơn nhiều so với bạn nghĩ.

Thay vào đó, những gì bạn nên tập trung giải quyết là quy trình. Giả sử bạn đã mua lại 9 công ty trong 20 năm qua, có nghĩa là bạn hiện có cùng một quy trình chạy theo 9 cách khác nhau trên 9 công ty con của mình. Nếu bạn muốn 'áp dụng' AI trên toàn công ty, bạn sẽ phải xây dựng cùng một agent theo 9 cách khác nhau, và sau đó buộc phải duy trì tất cả 9 bộ agent đó, vĩnh viễn. Để tránh địa ngục này, trước tiên bạn cần xác định một quy trình duy nhất chạy trên toàn cầu, mà bạn triển khai trên toàn bộ thực thể của mình, trước khi bạn nghĩ đến việc áp dụng AI lên trên đó.

Ngược lại, bạn KHÔNG cần một ERP duy nhất. Các tích hợp xác định từng bị phá vỡ ngay khi 2 hệ thống không đồng ý về bản ghi nhà cung cấp là gì. Tuy nhiên, các agent chấp nhận sự không nhất quán này, vì vậy một lớp điều phối nằm trên các hệ thống bạn đã có CHÍNH LÀ giải pháp cho các hệ thống rời rạc. Các hệ thống của bạn không chỉ cần nói chuyện với nhau, chúng cần phải kết hôn hạnh phúc, chấp nhận lỗi của nhau.

Bắt đầu lập bản đồ

Để thiết kế lại doanh nghiệp của bạn, trước tiên bạn cần hiểu nó. Bạn không đạt đến mức hiểu biết này bằng cách chọn một quy trình làm việc duy nhất, nơi bạn dành 8 tuần để hoàn thiện một thứ gì đó hóa ra lại bị chặn bởi một quy trình chị em ở thượng nguồn, và kết thúc với ROI bằng 0.

Tuy nhiên, đồng thời, bạn không thể chỉ tiếp nhận toàn bộ doanh nghiệp cùng một lúc, bạn nhất định phải bắt đầu từ một nơi nào đó. Bắt đầu ở cấp phòng ban. Nó sẽ không hoàn hảo - bộ phận tài chính chạm vào bộ phận bán hàng mỗi khi việc ghi nhận doanh thu phụ thuộc vào cách một thứ gì đó được bán. Bộ phận Nhân sự chạm vào CNTT và Vận hành trong mỗi lần tuyển dụng mới. Nhưng ít nhất bằng cách này, bạn xác định được 'các gói' quy trình làm việc cung cấp cho cùng một phòng ban (ví dụ: Tài chính bao gồm AP, AR, FP&A, Thanh toán, Ngân hàng, Đối chiếu, v.v.), và bạn có thể bắt đầu lập bản đồ 7 chi tiết sau:

1. 'Con đường hạnh phúc': quy trình làm việc này chịu trách nhiệm về việc gì, và điều gì xảy ra trong kịch bản lý tưởng nhất. Đối với hầu hết các công ty, đây gần như là điều duy nhất thực sự được ghi chép lại một cách chi tiết.
2. Các trường hợp ngoại lệ. Đây là nơi bạn dành phần lớn thời gian. Đừng chỉ mô tả những gì xảy ra, hãy đi vào và tính toán phần trăm khối lượng rời khỏi con đường hạnh phúc, nó đi đâu, ai bị lôi vào, thời gian chu kỳ để xử lý các trường hợp ngoại lệ này là bao lâu, và chi phí của một lỗi ở đây là bao nhiêu.
3. Điều gì ở thượng nguồn và hạ nguồn của quy trình làm việc này? Quy trình này tương tác với những quy trình đó như thế nào, khi mọi thứ bị chậm trễ hoặc xảy ra sai sót trong mỗi quy trình?
4. Tất cả các hệ thống ghi chép liên quan là gì, và hệ thống nào thắng khi 2 trong số chúng không đồng ý?
5. Điều này khác nhau như thế nào theo khu vực, theo thực thể, theo công ty con, theo đợt mua lại mà nó đến?
6. Thời gian chạm so với thời gian trôi qua là bao nhiêu, và khoảng cách thay đổi như thế nào ở mỗi bước?
7. Khả năng AI của mỗi người trong chức năng là gì, và họ nên có mức độ sở hữu nào đối với một hệ thống AI trong tương lai? (Tính toán điều này mang tính chủ quan và thay đổi rất nhiều).

Có hai quy trình cần thiết để trích xuất thông tin trên:

• Khai thác quy trình dựa trên các hệ thống ghi chép để thu thập các hành động, dấu thời gian, thông lượng, chỉnh sửa và thực tế không khớp với tài liệu.
• Phỏng vấn, bởi vì những điều trên sẽ cung cấp cho bạn dữ liệu nhưng các cuộc trò chuyện với người vận hành sẽ cho bạn biết chính xác nỗi đau nằm ở đâu. Thực tế của tổ chức bạn nằm trong đầu của 10-20 người đã làm công việc chính xác này cho chính công ty của bạn trong nhiều năm, và cuối cùng, AI của bạn cần được những người này chấp nhận để nó hoạt động hiệu quả.

Chỉ làm một trong các bước này sẽ khiến bạn có một bức tranh không đầy đủ, và là lý do lớn nhất khiến việc khám phá AI thất bại. Tôi đã thấy các công ty AI Ứng dụng cố gắng đi đường tắt với 'Phỏng vấn AI', hoặc bằng cách gửi các kỹ sư đi phỏng vấn. Điều này không hiệu quả. Một nửa công việc là phát triển một mối quan hệ bền chặt với những người vận hành, và biết những câu hỏi nào để hỏi họ, để bạn rời đi với sự hiểu biết tốt về những gì cần xây dựng và cách triển khai nó.

Các agent hoạt động không chỉ là các lệnh gọi LLM

Tái thiết kế quy trình là một bài tập phân loại đòi hỏi kinh nghiệm về phần mềm và AI. Mỗi bước rơi vào một trong 3 nhóm:

Xác định (Deterministic). Nếu X thì Y, không có phán đoán nào liên quan. Ví dụ: nếu hóa đơn dưới một ngưỡng số tiền nhất định và khớp với PO và biên nhận hàng hóa, thì bạn thanh toán nó. Nếu thông tin tiết lộ nêu tên một đối thủ cạnh tranh, thì chuyển nó cho nhóm xung đột lợi ích. Các hành động này tốt nhất nên được thực hiện bằng phần mềm thông thường, tốt cũ. Bạn không cần một lệnh gọi LLM ưa thích nếu bạn có thể làm điều đó bằng mã thông thường, vốn rẻ, có thể kiểm toán, xác định (không bao giờ ảo giác) và nhanh.

Agent (Agentic). Nếu bạn có hàng nghìn ví dụ trong quá khứ về con người đưa ra phán đoán với kết quả được ghi lại và bước này có rủi ro đủ thấp (ví dụ: phê duyệt bàn giao dịch vụ, hoặc mã hóa GL), bạn chắc chắn nên sử dụng LLM để phán đoán. Đặc biệt nếu đầu ra là có/không, chuyển đến nhóm này, gắn cờ/không gắn cờ, hoặc khớp/không khớp, hãy gửi kèm với một agent và đo lường mọi đầu ra. Mặt khác, nếu đầu ra yêu cầu là 5 trang của một tài liệu mà con người phải đọc toàn bộ để xác minh, thì tốt hơn bạn nên kết hợp phương pháp. Ở đây, bạn cần đánh giá độ khó của hành động, không phải độ khó của suy nghĩ.

Con người trong vòng lặp (Human-in-the-Loop). Đối với các bước quá rủi ro, hoặc không có đủ bối cảnh lịch sử, tốt hơn bạn nên giữ con người trong vòng lặp, bởi vì chi phí cho một agent thực hiện sai hành động là quá cao. Thay vào đó, hãy đặt mọi bằng chứng liên quan trước mặt con người đó tại thời điểm họ quyết định. Ví dụ: một agent sẽ phát hiện sự không khớp giữa hóa đơn và đơn đặt hàng, và sau đó trình bày cho con người 3 lựa chọn: phê duyệt anyway, từ chối thẳng thừng, hoặc cung cấp phản hồi và chuyển cho người khác. Agent vừa giúp con người của bạn tiết kiệm 40 phút tìm kiếm qua email, hồ sơ hóa đơn, v.v., để thay vào đó, họ có thể đưa ra quyết định trong 30 giây. Nhưng hành động cuối cùng vẫn bị chặn bởi con người đó.

Khi bạn đã phân loại mọi bước vào một trong 3 nhóm trên, bạn có thể biến một thứ gì đó như quy trình 25 bước thành một cụm 3 agent, với các bước xác định trước và sau, và cuối cùng là 2 điểm hành động có con người trong vòng lặp để giải quyết. Công việc tái thiết kế quy trình này, kết hợp với chính các agent, là nơi tất cả ROI tồn tại.

Sau đó, bạn thiết lập các KPI cơ sở trước khi xây dựng bất cứ thứ gì. Mục tiêu của bạn là tính toán các con số đằng sau quy trình bạn đang giải quyết, bao gồm cả nơi và cách các con số đó được đo lường ngày hôm nay. Nếu bạn không thể làm điều đó, dự án này chắc chắn sẽ thất bại. Bạn cần có thể nhìn lại 12 tháng kể từ bây giờ và nói: chúng tôi đã từng ở mức X, và bây giờ chúng tôi ở mức 3X, hoặc 10X, hoặc 100X, nhờ vào các agent mà chúng tôi đã xây dựng. Chỉ khi đó bạn mới có thể nói dự án này thực sự thành công.

Cuối cùng, bạn ưu tiên và sắp xếp thứ tự xây dựng. Đầu tiên, giải quyết quy trình làm việc có nhiều bàn giao nhất, vì đây có thể là trái chín thấp nhất nơi bạn có thể thấy kết quả rõ ràng nhất. Sự khác biệt chính là đây không nhất thiết phải là cùng một quy trình làm việc có khối lượng lớn nhất.

Điều này trông như thế nào trong thực tế?

Chúng tôi đã tái thiết kế một doanh nghiệp toàn cầu đối chiếu hơn 300 tài khoản ngân hàng mỗi tháng. 2/3 trong số đó được xử lý bởi một nhóm ở nước ngoài, và phần còn lại được chia cho 2 khu vực khác theo 3 định dạng khác nhau, nhưng hoàn toàn trong Excel. Có hơn 12.000 khoản mục đối chiếu mở, và 4 ngày đầu mỗi tháng được dành để lấy sao kê. Quy trình đối chiếu của họ mất gần như cả tháng, mỗi tháng.

Quy trình làm việc của họ trước khi chúng tôi tái thiết kế như sau (và trước khi bạn chế giễu họ, hãy nhận ra rằng bạn chắc chắn có những quy trình như thế này, nếu không muốn nói là tệ hơn, tại công ty của chính bạn):

1. Đuổi theo và thu thập sao kê từ mỗi ngân hàng, ở bất kỳ định dạng nào họ cung cấp
2. Chuẩn hóa chúng vào sổ làm việc khu vực
3. Kéo bảng kê sổ cái
4. Đối chiếu từng dòng một
5. Gắn cờ những gì không khớp
6. Gửi email cho người kiểm soát địa phương để biết bối cảnh về các khoản mục được gắn cờ
7. Chờ phản hồi của họ
8. Đuổi theo phản hồi nếu chưa được trả lời
9. Cuối cùng nhận được phản hồi, sau đó đăng điều chỉnh
10. Tổng hợp khu vực vào tệp hợp nhất
11. Làm lại toàn bộ quy trình từ bước 1-10 cho mỗi khu vực trong số 2 khu vực còn lại, mỗi khu vực có định dạng riêng.
12. Kết thúc.

Nếu bạn làm cho mỗi bước đó nhanh hơn, việc đối chiếu sẽ nhanh hơn. Vấn đề là, đối chiếu chưa bao giờ là vấn đề. 4 ngày chờ đợi sao kê, và email cho người kiểm soát ở múi giờ khác, và phản hồi vẫn mất 3 ngày, mới là vấn đề. Bằng cách làm cho việc đối chiếu nhanh hơn, bạn sẽ cắt giảm được vài giờ từ một quy trình được đo bằng tuần.

Thay vào đó, chúng tôi đã thiết kế lại quy trình của họ thành 3 bước.

1. Sao kê đến trên một nguồn cấp dữ liệu, kiểu băng chuyền, thay vì bị đuổi theo. Điều này hoàn toàn không liên quan gì đến AI.
2. Mọi thứ có thể được đối chiếu dựa trên các quy tắc sẽ được đối chiếu tự động, và nếu không, một agent sẽ tập hợp hồ sơ từ đầu đến cuối: với chính khoản mục đó, phân loại lịch sử, bằng chứng thu thập từ các hệ thống ghi chép khác nhau và một bước tiếp theo được đề xuất.
3. Cuối cùng, một con người làm việc thông qua hàng đợi các trường hợp ngoại lệ của họ, với bằng chứng đã được chuẩn bị để họ xem xét, thay vì họ phải tự tay lục tung dữ liệu rải rác trên các ERP và bảng tính.

Việc đuổi theo, gửi email, chờ đợi, nhập lại và tổng hợp khu vực đã bị loại bỏ hoàn toàn. Đây là sự khác biệt giữa một hệ thống agent tiết kiệm phút và giờ, và một hệ thống agent tiết kiệm hàng tuần.

Phần 3: Tại sao điều này không phổ biến hơn?

Bạn đã bị lừa dối

Lời chào hàng AI mà bạn nhận được đã gây hiểu lầm ngay từ đầu. AI được áp dụng như một giải pháp điểm không phải là thứ bạn thu được giá trị từ nó. Bạn không thể làm điều này chỉ từ CNTT, và bạn không thể làm điều này từ một 'chức năng đổi mới' với ngân sách 1 triệu đô la Mỹ và 0 thẩm quyền. Việc thiết kế lại một quy trình trải dài 4 phòng ban đòi hỏi một người có thể nói với cả 4 phòng ban rằng quy trình đang thay đổi. Chỉ có một số ít người trong một công ty thực sự có thể làm được điều này; nó phải đến từ cấp cao nhất.

Nhưng một mức độ phức tạp khác: những người thực sự làm công việc ngày hôm nay, ví dụ, trưởng bộ phận phải trả, và các nhà điều hành và nhà phân tích trên toàn bộ bộ phận tài chính, cũng cần được bao gồm. Họ phải muốn hệ thống AI mới, bởi vì họ phải chấp nhận nó và thúc đẩy nó vào ngày mai. Họ phải muốn tiết lộ thông tin mà họ nghĩ có khả năng thay thế họ, ngay cả khi điều đó không xảy ra trong phần lớn thời gian.

Và quan trọng nhất, việc áp dụng AI bị coi là rủi ro. Hiện trạng là 'an toàn' đối với hầu hết mọi người, những người không được thăng chức nếu AI hoạt động, nhưng lại bị sa thải nếu nó không hoạt động, ngay cả khi bám vào hiện trạng có nghĩa là để công ty chết dần chết mòn theo thời gian.

Tái thiết kế khá khó khăn

Ước tính của chính Hammer và Champy vào năm 1993 là có tới 50% đến 70% các tổ chức cố gắng tái thiết kế quy trình đã không đạt được kết quả như họ mong muốn. (Rõ ràng là không có nhiều thay đổi kể từ những năm 90). Chính Hammer sau đó đã nói rằng ông đã "không đánh giá đúng mức khía cạnh con người." Ý ông là 'loại bỏ một bàn giao', vào thời điểm đó, có nghĩa là sa thải người chịu trách nhiệm cho bàn giao đó (đó là toàn bộ công việc của họ), và sau đó yêu cầu mọi người khác thay đổi công việc của họ, trong khi 'phần mềm' thời đó không hỗ trợ sự thay đổi như vậy. Điều đó có nghĩa là sau khi các nhà tư vấn đến và đi, cấu trúc tổ chức và quy trình nhanh chóng trở lại trạng thái ban đầu: một trạng thái đầy rẫy sự kém hiệu quả và sai sót.

Tuy nhiên, ngày nay, hai điều về cơ bản là khác biệt. Thứ nhất, các công cụ AI-native cung cấp một trạng thái phần mềm linh hoạt chưa từng có: một trạng thái có thể thích ứng với những thay đổi xung quanh nó. Một agent nằm trong hệ thống ghi chép của bạn có thể thực hiện các bàn giao mà trước đây phụ thuộc vào con người, đồng thời xử lý sự khác biệt xung quanh nó từ phần mềm xác định, và cũng miễn nhiễm với sự biến thiên phổ biến ở con người. Thứ hai, công việc mà bạn đang loại bỏ trước tiên gần như hoàn toàn là sự phối hợp, đó là: đuổi theo, chờ đợi, leo thang, phân loại, v.v. Sau những cải tiến quy trình này, và một sự chuyển đổi AI thực sự, tất cả những gì còn lại là công việc có phán đoán cao, đòn bẩy cao, mà những người giỏi nhất của bạn nên dành toàn bộ thời gian để làm anyway.

Một thế giới mới dũng cảm

Các công ty tư vấn truyền thống khá giỏi trong công việc quy trình, tôi công nhận điều đó. Thực vậy, nếu bạn muốn một minh họa công phu về một quy trình 15 bước trải dài 10 quốc gia và 3 thực thể, công ty tư vấn thông thường của bạn sẽ tạo ra slide đẹp nhất mà bạn từng thấy, với giá 300.000 đô la Mỹ. Điều mà công ty tư vấn này không thể làm là nửa sau, quan trọng hơn, đó là biết những gì một mô hình có thể và không thể được tin tưởng, chi phí của một agent chạy 40.000 lần trong một tháng là bao nhiêu, sử dụng mô hình nào (Fable 5.1, so với Gemini 3.8 Flash) cho loại nhiệm vụ nào (Mã hóa GL so với Định tuyến Bàn giao dịch vụ), cách thiết kế một bộ đánh giá tối ưu cho một quy trình cụ thể, và một bước nhất định trong quy trình thực sự thuộc về nhóm nào trong 3 nhóm trên (Xác định, Agent, HITL). Và do đó, nếu bạn đi theo con đường này, việc tái thiết kế của bạn được tạo ra bởi các nhà tư vấn đang phỏng đoán, trái ngược với các nhà chiến lược và FDE giàu kinh nghiệm, bản địa về AI, và 6 tháng sau bạn tự hỏi tại sao dự án thí điểm của mình lại thất bại.

Các phòng thí nghiệm và công ty AI, mặt khác, có vấn đề ngược lại. Họ có thể xây dựng một agent (hầu hết thời gian, ít nhất), nhưng họ chưa bao giờ ngồi xuống với cả bộ phận tài chính và vận hành để phân tích một quy trình làm việc nơi cả hai phòng ban không đồng ý về quyền sở hữu và ai là người ở thượng nguồn của ai, vì vậy thay vào đó họ sẽ đập AI vào một quy trình hỏng và gọi nó là tự động hóa, thay vì mổ xẻ và thiết kế lại quy trình đó như lẽ ra phải làm từ nhiều tháng trước. Hơn nữa, các phòng thí nghiệm 'AI ứng dụng' lớn nhất như OpenAI (DeployCo) và Anthropic (Ode) sẽ buộc bạn kết hôn với các mô hình của họ suốt đời. Đặt cược toàn bộ ngăn xếp thông minh của công ty bạn vào một nhà cung cấp duy nhất là tự sát. Ngày mai, khi họ giới hạn tốc độ, lượng tử hóa, tăng giá và ngừng sử dụng mô hình bạn đang chạy, bạn sẽ phải đối mặt với mớ hỗn độn và hóa đơn. Bạn có thể nghĩ nó đơn giản như hoán đổi một điểm cuối từ Claude sang GLM hoặc Gemini hoặc DeepSeek, nhưng không phải vậy. Chạy lại các đánh giá và xác định lại mức độ suy nghĩ nào để sử dụng cho mỗi lệnh gọi mô hình là một quá trình tốn công sức, và các phòng thí nghiệm sẽ không giúp bạn làm điều này.

Những gì bạn cần thay vào đó là sự kết hợp tốt nhất của cả hai thế giới: những người thực sự đã điều hành một chức năng tài chính, vận hành, bán hàng hoặc nhân sự, kết hợp với tài năng kỹ thuật để đưa phần mềm cấp sản xuất vào các ERP như Microsoft Dynamics hoặc CRM như Salesforce, kết hợp với các kỹ sư AI có thể xây dựng các dây cương công ty không phụ thuộc vào mô hình với quản trị cấp doanh nghiệp và bộ đánh giá tích hợp sẵn. Một số người gọi những người này là 'Kỹ sư Triển khai Tiền phương (Forward Deployed Engineers)', nhưng sự thật là hầu hết các FDE ngày nay là những kỹ sư tầm thường, và những nhà tư vấn tầm thường, hoàn toàn không có khả năng AI, và bạn kết thúc với việc về cơ bản không có gì được làm tốt.

Điều này trông như thế nào khi bạn làm đúng?

Có 4 đòn bẩy quan trọng khi bạn đang chuyển đổi một công ty với AI: chi phí (lý tưởng là giảm), doanh thu (lý tưởng là tăng), thời gian (lý tưởng là nhanh hơn) và rủi ro (lý tưởng là thấp hơn). Trong các lần triển khai của chúng tôi, khoảng một nửa trong số đó là tại các công ty đại chúng, đây là những ví dụ về những gì thực sự đã thay đổi, từng đòn bẩy một:

• Thời gian. Chúng tôi đã rút ngắn quy trình chốt sổ cuối tháng từ 18-22 ngày xuống còn 7-9 ngày. Các vấn đề gián đoạn chuỗi cung ứng hiện được xử lý trong vòng chưa đầy 6 giờ, thay vì vài ngày như trước đây.
• Doanh thu. Các giao dịch trước đây thường bị tồn đọng trung bình 23 ngày; hiện tại con số này là 6 ngày, và thời gian quản lý hành chính của nhân viên kinh doanh đã giảm từ 38% tuần xuống còn 14%. Khoảng thời gian này được dồn trực tiếp vào hoạt động bán hàng.
• Chi phí. Xử lý ngoại lệ tài khoản phải trả (AP) đã giảm từ 600-800 hóa đơn mỗi tháng xuống dưới 50 hóa đơn. Trong một tổ chức marketing, 8-12% ngân sách truyền thông đã được thu hồi từ các lỗi về tốc độ chi tiêu mà trước đây chỉ phát hiện được vào cuối tháng, giúp tiết kiệm hàng triệu đô la mỗi quý.
• Rủi ro. Các điều chỉnh bảng lương đã giảm 90%, bởi vì việc đối chiếu giữa các hệ thống hiện được thực hiện trước khi trả lương thay vì sau đó. 80% các yêu cầu hỗ trợ từ nhân viên đã được giải đáp từ chính các tài liệu chính sách của công ty, trong khi các trường hợp phức tạp vẫn được chuyển lên bộ phận Nhân sự (HR) để xử lý.

Tổng cộng, giá trị mang lại từ nhóm triển khai này đã vượt quá 100 triệu đô la. Phần tuyệt vời nhất là con số này được đồng kiến tạo với khách hàng của chúng tôi; không chỉ riêng chúng tôi nói vậy, mà nó đã được đo lường.

Một Công ty Chuyển đổi AI thực sự trông như thế nào?

Mọi thứ được mô tả ở trên chính là cách chúng tôi vận hành tại Varick, và đó là cách tiếp cận duy nhất hiệu quả với những công ty mà chúng tôi đã triển khai AI. Đây là những doanh nghiệp cực kỳ lớn, với hàng nghìn nhân viên, hàng chục hệ thống ghi chép (systems of record), và vô số sự phức tạp, nhưng kịch bản vẫn giống nhau và luôn thành công.

Nhóm Chiến lược gia và Kỹ sư của chúng tôi tiếp cận ở cấp phòng ban, trước tiên là lập bản đồ cách công việc thực sự diễn ra, chứ không chỉ chấp nhận cách nó được ghi chép, thông qua sự kết hợp giữa khai thác quy trình (process mining) và phỏng vấn, tính toán thời gian thực tế so với thời gian xử lý, lập bản đồ các ngoại lệ, tác động thượng nguồn và hạ nguồn, cũng như hiểu rõ ai chịu trách nhiệm về việc gì. Thay vì mất nhiều tháng, chúng tôi hoàn thành quy trình này chỉ trong vài tuần, sau đó bạn sẽ nhận được quy trình được thiết kế lại, giá trị cần nắm bắt, các KPI cơ sở tùy chỉnh và thứ tự ưu tiên xây dựng các tác nhân (agents). Tiếp theo, chúng tôi sẽ bắt đầu xây dựng các tác nhân, được trang bị sẵn khả năng quản trị cấp doanh nghiệp, khả năng kiểm toán, bộ đánh giá (eval-suites) và giám sát.

Chúng tôi hợp tác với các công ty có doanh thu trên 500 triệu đô la, giải quyết các quy trình làm việc khó khăn nhất của họ, trên các lĩnh vực sản phẩm, tài chính, bán hàng, mua sắm, vận hành, nhân sự, v.v. Nếu bạn muốn xem điều này áp dụng như thế nào vào một trong các quy trình của chính bạn, hãy đặt lịch hẹn trên trang web của chúng tôi và chuẩn bị sẵn sàng để nói về những quy trình làm việc bạn không thích nhất và điều gì khiến chúng phức tạp. Và nếu bạn thấy nội dung này hữu ích, hãy đăng ký nhận bản tin của chúng tôi, nơi chúng tôi đăng các bài viết hàng tuần về những tiến bộ mới nhất trong AI 'Ứng dụng' (Applied AI) và mọi thứ chúng tôi học được từ thực tế.

Tóm tắt (TLDR)

• Phần lớn chi tiêu cho AI trong doanh nghiệp hiện nay đang được áp dụng trên chính các quy trình đã có sẵn, điều đó có nghĩa là tất cả những gì bạn thực sự làm là làm cho một quy trình tồi chạy nhanh hơn. Michael Hammer đã nói điều này về CNTT (IT) từ năm 1990, và chính phủ Anh về cơ bản đã chứng minh lại điều đó vào năm 2025 với 1.000 giấy phép Copilot: 1,14 hành động trên mỗi người dùng mỗi ngày, không tìm thấy cải thiện năng suất nào, và 72% người dùng vẫn hài lòng.
• Thời gian không bao giờ nằm trong bản thân công việc, mà nằm ở hàng đợi và sự bàn giao. Đơn bảo hiểm của Hammer đã nằm trong quy trình 22 ngày, với 17 phút công việc thực tế. Ngay cả khi bạn làm công việc đó nhanh gấp đôi, bạn cũng chỉ tiết kiệm được 8 phút.
• Hợp nhất các hệ thống của bạn trước (một ERP, một CRM, một nền tảng dữ liệu) là một cách nổi tiếng để mất 2 năm và 9 con số trước khi bạn thấy một đồng đô la giá trị nào. Những gì bạn thực sự cần là một định nghĩa về quy trình và một chủ sở hữu, bởi vì các tác nhân (agents) có thể chịu đựng được các hệ thống mâu thuẫn với nhau, điều mà các tích hợp xác định (deterministic integrations) chưa bao giờ làm được.
• Bắt đầu ở cấp phòng ban, khai thác các hệ thống ghi chép và phỏng vấn các nhân viên vận hành, sau đó phân loại từng bước vào một trong 3 nhóm: phần mềm xác định (deterministic software), một tác nhân (agent), hoặc một con người trong vòng lặp với bằng chứng đã được chuẩn bị sẵn cho họ. Thực hiện đúng cách, một quy trình 25 bước sẽ trở thành 3 tác nhân với 2 điểm kiểm tra của con người.
• Khi chúng tôi làm theo cách này, chốt sổ cuối tháng giảm từ 18-22 ngày xuống còn 7-9 ngày, ngoại lệ AP giảm từ 600-800 một tháng xuống dưới 50, điều chỉnh bảng lương giảm 90%, và tổng giá trị từ các lần triển khai của chúng tôi lên tới hơn 100 triệu đô la, được đo lường cùng với khách hàng.
• Không có điều nào trong số này hiệu quả trừ khi nó đến từ cấp cao nhất, các nhân viên vận hành thực sự muốn nó, và bất cứ ai bạn thuê đều có những người làm quy trình, kỹ sư phần mềm và kỹ sư AI trong cùng một phòng, và hầu như không ai có cả ba.