Dữ liệu đầy đủ chưa đủ để tự động hóa quyết định kinh doanh

Một hóa đơn có thể hoàn toàn chính xác, số tiền khớp với chứng từ và thông tin nhà cung cấp không có sai sót. Thế nhưng, một tác nhân trí tuệ nhân tạo vẫn có thể từ chối thanh toán hóa đơn đó. Nguyên nhân không nhất thiết nằm ở dữ liệu, mà có thể nằm ở những mối quan hệ, điều kiện hợp đồng và quy trình vận hành mà hệ thống chưa hiểu được.

Đây là một trong những thách thức quan trọng nhất khi doanh nghiệp chuyển từ việc sử dụng trí tuệ nhân tạo để trả lời câu hỏi sang giao quyền cho hệ thống thực hiện công việc. Trong môi trường kinh doanh thực tế, quyết định đúng không chỉ phụ thuộc vào thông tin có chính xác hay không. Nó còn phụ thuộc vào việc thông tin đó liên quan đến ai, thuộc quy trình nào, chịu sự điều chỉnh của quy tắc nào và có ngoại lệ nào cần được xem xét.

Lập luận được Yaad Oren, Giám đốc điều hành SAP Labs tại Hoa Kỳ kiêm người đứng đầu bộ phận nghiên cứu và đổi mới toàn cầu, đưa ra cho thấy một hướng phát triển quan trọng của trí tuệ nhân tạo doanh nghiệp. Lợi thế không còn chỉ nằm ở khả năng tạo câu trả lời tự nhiên, mà còn ở khả năng hiểu cấu trúc hoạt động của một tổ chức và hành động trong những giới hạn được xác định rõ ràng.

Khi dữ liệu đúng vẫn dẫn đến quyết định sai

Trong doanh nghiệp, dữ liệu hiếm khi tồn tại độc lập. Một khách hàng có thể đồng thời liên quan đến nhiều đơn hàng, hợp đồng, chương trình giảm giá, chuyến giao hàng và khoản thanh toán. Một nhà cung cấp có thể thuộc một tập đoàn lớn, có thỏa thuận tín dụng riêng hoặc được áp dụng những điều kiện thương mại khác với các đối tác thông thường.

Nếu hệ thống chỉ nhìn thấy một hóa đơn với tên nhà cung cấp và tổng số tiền, nó có thể không nhận ra những mối liên hệ quyết định cách xử lý hóa đơn đó.

Ví dụ, một khoản thanh toán có vẻ vượt quá giới hạn thông thường. Nếu chỉ căn cứ vào con số trên chứng từ, tác nhân trí tuệ nhân tạo có thể chặn giao dịch. Nhưng khi biết nhà cung cấp thuộc một công ty mẹ có thỏa thuận tín dụng chung, hệ thống có thể nhận ra rằng giao dịch cần được đánh giá theo một bộ điều kiện khác.

Vấn đề ở đây không đơn giản là thiếu dữ liệu. Doanh nghiệp có thể lưu trữ đầy đủ thông tin trong nhiều hệ thống khác nhau, nhưng vẫn chưa tạo được một cách biểu diễn thống nhất về mối quan hệ giữa chúng.

Đó là khoảng cách giữa việc truy xuất thông tin và việc hiểu hoạt động kinh doanh.

Điều gì mới trong cách xây dựng trí tuệ nhân tạo doanh nghiệp

Hướng tiếp cận được SAP đề xuất đặt trọng tâm vào ba loại kiến thức mà một mô hình ngôn ngữ đa dụng thường không tự có đầy đủ.

Thứ nhất là mối quan hệ giữa các thực thể kinh doanh. Hệ thống cần hiểu khách hàng, nhà cung cấp, sản phẩm, tài sản, đơn hàng và các bộ phận tổ chức liên kết với nhau như thế nào.

Thứ hai là ngữ cảnh quy trình. Một giao dịch phải được đặt vào đúng giai đoạn xử lý. Tác nhân cần biết việc gì đã xảy ra, bước nào đang diễn ra và điều gì phải xảy ra tiếp theo.

Thứ ba là các ngoại lệ và biến thể trong vận hành. Quy trình thực tế không phải lúc nào cũng diễn ra theo một đường thẳng. Nhân viên có thể trì hoãn, phê duyệt hoặc điều chỉnh công việc dựa trên những tình huống đặc biệt mà hệ thống nghiệp vụ chưa phản ánh đầy đủ.

Ba loại kiến thức này bổ sung cho khả năng suy luận của mô hình. Chúng giúp hệ thống không chỉ nhận diện một giao dịch, mà còn hiểu giao dịch đó có ý nghĩa gì trong toàn bộ hoạt động của doanh nghiệp.

Điểm đáng chú ý là trí tuệ nhân tạo doanh nghiệp không nhất thiết cần một mô hình lớn hơn cho mọi nhiệm vụ. Trong nhiều trường hợp, điều quan trọng hơn là cung cấp cho mô hình đúng thông tin, đúng mối quan hệ và đúng quy tắc vào thời điểm ra quyết định.

Vì sao vấn đề này quan trọng với doanh nghiệp

Khi trí tuệ nhân tạo chỉ được sử dụng để soạn thảo văn bản hoặc trả lời câu hỏi, một câu trả lời sai có thể được con người kiểm tra trước khi sử dụng. Nhưng khi hệ thống được trao quyền thực hiện giao dịch, sai sót có thể trực tiếp ảnh hưởng đến hoạt động kinh doanh.

Một khoản thanh toán bị chặn có thể khiến nhà cung cấp không nhận được tiền đúng hạn. Một đơn hàng bị từ chối có thể làm gián đoạn doanh thu. Một cảnh báo rủi ro tín dụng không chính xác có thể khiến doanh nghiệp đánh giá sai một khách hàng lâu năm.

Những vấn đề này còn tạo ra chi phí khó nhìn thấy ngay trong báo cáo tài chính. Nhân viên phải kiểm tra lại quyết định của hệ thống, xử lý khiếu nại và khôi phục những quy trình bị gián đoạn. Nếu tình trạng lặp lại thường xuyên, phần tiết kiệm nhờ tự động hóa có thể bị bù trừ bởi chi phí giám sát và sửa chữa.

Vì vậy, thước đo hiệu quả của tác nhân trí tuệ nhân tạo không nên chỉ là số lượng công việc được tự động hóa. Doanh nghiệp còn cần đánh giá tỷ lệ quyết định chính xác, số trường hợp phải can thiệp thủ công, thời gian xử lý ngoại lệ và mức độ ảnh hưởng của sai sót đến khách hàng hoặc đối tác.

Một hệ thống thực sự hữu ích phải giúp giảm công việc mà không tạo ra một lớp công việc kiểm tra mới lớn hơn.

Đồ thị tri thức giúp trí tuệ nhân tạo nhìn thấy bức tranh toàn cảnh

Một trong những thành phần cốt lõi trong kiến trúc SAP đề cập là đồ thị tri thức. Đây là cách biểu diễn dữ liệu bằng các thực thể và mối quan hệ giữa chúng.

Thay vì chỉ lưu một danh sách khách hàng hoặc hóa đơn, hệ thống có thể biểu diễn một khách hàng liên kết với những đơn hàng nào, những đơn hàng được sản xuất tại nhà máy nào, đơn hàng nào giao chậm và khách hàng có mức độ hài lòng ra sao.

Những liên kết này cho phép tác nhân xem xét một quyết định trong bối cảnh rộng hơn.

Chẳng hạn, một câu hỏi ban đầu về chương trình giảm giá dành cho khách hàng có thể dẫn đến việc kiểm tra thời hạn giao hàng. Thông tin giao hàng lại liên quan đến năng lực sản xuất và chuỗi cung ứng. Cuối cùng, quyết định có thể ảnh hưởng đến thời điểm ghi nhận doanh thu hoặc điều kiện thanh toán.

Nếu mỗi hệ thống chỉ hiểu một phần riêng biệt, việc kết nối các câu hỏi này sẽ rất khó khăn. Đồ thị tri thức giúp mô hình hóa các mối liên hệ để nhiều tác nhân có thể sử dụng chung.

Tuy nhiên, kết nối dữ liệu không đồng nghĩa với việc mọi dữ liệu đã có cùng ý nghĩa.

Bản thể học dữ liệu giúp các phòng ban sử dụng chung một ngôn ngữ

Hãy xem xét từ “hóa đơn”. Trong bộ phận tài chính, nó có thể chỉ hóa đơn nhà cung cấp cần thanh toán. Trong một bộ phận khác, thuật ngữ tương tự có thể được dùng để chỉ khoản hoàn trả chi phí công tác hoặc chứng từ thanh toán của khách hàng.

Một đồ thị tri thức có thể kết nối các hồ sơ này, nhưng nếu không phân biệt được ý nghĩa của từng loại chứng từ, tác nhân vẫn có thể đưa ra kết luận sai.

Đây là lúc bản thể học dữ liệu phát huy vai trò. Nó xác định các khái niệm trong lĩnh vực kinh doanh, cách phân loại chúng và mối quan hệ ngữ nghĩa giữa các khái niệm.

Nói cách khác, đồ thị tri thức giúp trả lời câu hỏi các đối tượng liên quan với nhau như thế nào; bản thể học giúp trả lời câu hỏi mỗi đối tượng thực sự có ý nghĩa gì.

Trong những tập đoàn hoạt động tại nhiều quốc gia, sự thống nhất này đặc biệt quan trọng. Hàng nghìn nhân viên có thể sử dụng nhiều phần mềm, hệ thống kế toán và quy trình khác nhau. Nếu mỗi hệ thống diễn giải dữ liệu theo cách riêng, việc triển khai trí tuệ nhân tạo trên quy mô lớn sẽ gặp trở ngại.

SAP Business AI Platform được thiết kế để kết hợp dữ liệu, ngữ cảnh kinh doanh và cơ chế quản trị trong một môi trường có kiểm soát. Theo cách tiếp cận này, đồ thị tri thức có thể ghi nhận quan hệ giữa khách hàng, nhà cung cấp, tài sản, sản phẩm, cơ cấu tổ chức và quy trình nghiệp vụ.

Mục tiêu là để các tác nhân khác nhau sử dụng chung một nền tảng hiểu biết, thay vì tự xây dựng lại cách diễn giải dữ liệu trong từng ứng dụng.

Vì sao mô hình ngôn ngữ thông thường chưa đủ

Một phần lớn dữ liệu doanh nghiệp không tồn tại dưới dạng bài viết hoặc đoạn hội thoại. Chúng nằm trong bảng, hồ sơ giao dịch, trường dữ liệu, mã sản phẩm, lịch sử thanh toán và các bản ghi có cấu trúc.

Những dữ liệu này thường chứa giá trị bị thiếu, nhiều kiểu dữ liệu khác nhau và các trường có số lượng giá trị riêng biệt rất lớn. Chúng đòi hỏi cách xử lý khác với việc dự đoán từ tiếp theo trong một đoạn văn.

SAP đang phát triển các mô hình nền tảng dành cho dữ liệu dạng bảng nhằm giải quyết khoảng cách này. Những ví dụ được đề cập gồm RPT-1.6, viết tắt của mô hình biến đổi được huấn luyện trước trên dữ liệu quan hệ, và TabPFN-3.5 Plus từ Prior Labs, phòng thí nghiệm trí tuệ nhân tạo tiên tiến của SAP.

Các mô hình này được thiết kế để làm việc trực tiếp với dữ liệu có cấu trúc, qua đó hỗ trợ các tác vụ dự đoán và phân tích trên hồ sơ nghiệp vụ. Khả năng điều phối dữ liệu dạng bảng trong AI Core đảm nhiệm việc lựa chọn ngữ cảnh và truy cập dữ liệu tại thời điểm chạy để đưa kết quả dự đoán vào quy trình sản xuất.

Cách tiếp cận này cho thấy kiến trúc trí tuệ nhân tạo doanh nghiệp có thể cần nhiều loại mô hình khác nhau. Mô hình ngôn ngữ phù hợp với giao tiếp và diễn giải ngôn ngữ; mô hình chuyên biệt cho dữ liệu dạng bảng có thể phù hợp hơn với một số bài toán dự đoán trên dữ liệu giao dịch.

Không có lý do để mặc định rằng một mô hình duy nhất phải thực hiện tốt mọi công việc.

Dữ liệu nằm ở đâu và ngữ cảnh được bổ sung thế nào

Ngữ cảnh kinh doanh không chỉ bao gồm mối quan hệ giữa các hồ sơ. Nó còn phải phản ánh các điều kiện chi phối quyết định.

Một tác nhân xử lý thanh toán có thể cần biết điều khoản thanh toán, thỏa thuận mức dịch vụ, chính sách thuế, yêu cầu bảo mật, giới hạn theo khu vực và quy tắc ẩn danh hóa dữ liệu.

Nếu chỉ biết rằng hai hồ sơ có liên quan với nhau, hệ thống vẫn chưa đủ cơ sở để quyết định có được phép chia sẻ thông tin hay thực hiện giao dịch hay không.

Do đó, doanh nghiệp cần kết hợp ít nhất ba lớp thông tin. Lớp dữ liệu ghi nhận sự kiện và giao dịch. Lớp ngữ nghĩa giải thích ý nghĩa và mối quan hệ giữa các dữ liệu. Lớp quy tắc xác định hành động nào được phép, hành động nào cần phê duyệt và trường hợp nào phải chuyển cho con người.

Đây cũng là lý do dữ liệu được quản lý tốt có giá trị lớn hơn một kho dữ liệu chỉ đơn thuần tập hợp nhiều bản ghi. Giá trị xuất hiện khi hệ thống có thể truy cập đúng dữ liệu, hiểu đúng ý nghĩa và sử dụng dữ liệu trong những giới hạn thích hợp.

Doanh nghiệp tạo giá trị và kiếm tiền từ kiến trúc này như thế nào

Đối với nhà cung cấp phần mềm doanh nghiệp, cơ hội không chỉ nằm ở việc bán quyền sử dụng một mô hình trí tuệ nhân tạo. Cơ hội lớn hơn là đưa trí tuệ nhân tạo vào những quy trình mà doanh nghiệp đang thực hiện hằng ngày.

Tài chính, quản lý đơn hàng, mua sắm và chuỗi cung ứng đều có những công việc lặp lại, quy tắc tương đối rõ ràng và dữ liệu được lưu trong các hệ thống nghiệp vụ. Nếu tác nhân có thể xử lý một phần những công việc này một cách đáng tin cậy, doanh nghiệp có thể giảm thao tác thủ công và rút ngắn thời gian xử lý.

Đối với SAP, việc tích hợp mô hình dữ liệu dạng bảng, nền tảng quản trị ngữ cảnh và các tác nhân Joule vào hệ sinh thái phần mềm hiện có tạo ra một hướng phát triển xuyên suốt từ dữ liệu đến hành động.

Tuy nhiên, cần phân biệt giữa kiến trúc tạo ra giá trị và kết quả kinh doanh đã được chứng minh. Thông tin được cung cấp mô tả cách SAP xây dựng nền tảng và lập luận về lợi thế công nghệ, nhưng không đưa ra số liệu định lượng về mức tiết kiệm chi phí, doanh thu tăng thêm hay tỷ lệ giảm sai sót. Vì vậy, chưa thể kết luận hiệu quả tài chính thực tế của kiến trúc này chỉ dựa trên mô tả sản phẩm.

Đối với khách hàng doanh nghiệp, câu hỏi quan trọng là hệ thống có giải quyết được công việc cụ thể hay không. Một tác nhân xử lý hóa đơn nhanh hơn nhưng thường xuyên chặn nhầm giao dịch chưa chắc tạo ra giá trị. Ngược lại, một hệ thống xử lý đúng phần lớn giao dịch thông thường, đồng thời nhận diện tốt những trường hợp cần phê duyệt, có thể mang lại lợi ích rõ ràng hơn.

Nền tảng hay sản phẩm mới là lợi thế dài hạn

Một tác nhân riêng lẻ có thể giải quyết một nhiệm vụ cụ thể. Nhưng khi doanh nghiệp triển khai hàng chục hoặc hàng trăm tác nhân, vấn đề trở nên phức tạp hơn.

Tác nhân tài chính cần hiểu khách hàng theo cách tương thích với tác nhân bán hàng. Tác nhân chuỗi cung ứng cần hiểu nhà cung cấp theo cách nhất quán với hệ thống mua sắm. Nếu mỗi tác nhân có một bộ định nghĩa, quy tắc và quyền truy cập riêng, doanh nghiệp sẽ phải duy trì nhiều hệ thống logic chồng chéo.

Một nền tảng dùng chung có thể giảm sự phân mảnh đó.

Kiến trúc được SAP mô tả gồm bốn lớp.

• Lớp mô hình xử lý dữ liệu doanh nghiệp, bao gồm dữ liệu quan hệ và giao dịch.

• Lớp nền tảng cung cấp đồ thị tri thức, lớp ngữ nghĩa, ngữ cảnh, quản trị và công cụ xây dựng tác nhân.

• Lớp tác nhân thực hiện công việc xuyên suốt các ứng dụng và chức năng như tài chính, mua sắm hoặc chuỗi cung ứng.

• Lớp trải nghiệm người dùng cho phép con người tương tác thông qua văn bản, giọng nói và hình thức trực quan hóa linh hoạt.

Trong kiến trúc này, lớp nền tảng có vai trò đặc biệt quan trọng vì nó giúp chia sẻ hiểu biết giữa các tác nhân. Khi định nghĩa, mối quan hệ và quy tắc được quản lý tập trung, mỗi ứng dụng không phải tự xây dựng lại toàn bộ ngữ cảnh doanh nghiệp.

Đó là sự khác biệt giữa một sản phẩm trí tuệ nhân tạo thực hiện một công việc và một hệ thống có khả năng mở rộng để phối hợp nhiều công việc trong cùng một tổ chức.

Đối thủ cạnh tranh và lợi thế không dễ sao chép

Các nhà cung cấp mô hình, nền tảng dữ liệu và phần mềm doanh nghiệp có thể tiếp cận bài toán từ những vị trí khác nhau.

Nhà cung cấp mô hình tập trung vào năng lực suy luận và xử lý thông tin. Nhà cung cấp dữ liệu chú trọng khả năng kết nối, làm sạch và khai thác dữ liệu. Nhà cung cấp phần mềm doanh nghiệp có lợi thế tiềm năng khi đã sở hữu các ứng dụng nghiệp vụ, định nghĩa dữ liệu và quy trình mà khách hàng sử dụng.

SAP đặt trọng tâm vào khả năng kết nối ngữ cảnh giữa dữ liệu SAP và những nguồn dữ liệu khác, đồng thời đưa ngữ cảnh đó vào các tác nhân vận hành.

Lợi thế này không tự động bảo đảm thành công. Việc sở hữu nhiều dữ liệu không đồng nghĩa với việc dữ liệu đã được chuẩn hóa. Một hệ thống có đồ thị tri thức vẫn có thể đưa ra quyết định sai nếu các quan hệ lỗi thời, quy tắc không đầy đủ hoặc quyền truy cập được cấu hình không chính xác.

Doanh nghiệp cũng có thể gặp khó khăn khi kết nối những phần mềm cũ, dữ liệu bên ngoài và quy trình chưa được số hóa hoàn chỉnh.

Vì vậy, lợi thế cạnh tranh dài hạn không chỉ đến từ việc có một mô hình mạnh. Nó đến từ khả năng kết hợp mô hình, dữ liệu, ngữ nghĩa, quy trình và quản trị thành một hệ thống hoạt động ổn định.

Rủi ro khi giao quyền hành động cho trí tuệ nhân tạo

Tự động hóa làm tăng yêu cầu về quản trị. Một tác nhân có quyền đọc dữ liệu nhưng không thể thay đổi hệ thống có mức độ rủi ro khác với tác nhân được phép phê duyệt đơn hàng, thay đổi thông tin hoặc thực hiện thanh toán.

Theo kiến trúc được mô tả, các tác nhân trên nền tảng SAP có danh tính được cấp riêng, quyền hạn giới hạn theo phạm vi và nhật ký kiểm toán ghi nhận ai đã hành động, được cấp quyền gì và đã thực hiện những thao tác nào. Các năng lực trí tuệ nhân tạo cũng trải qua quá trình xem xét đạo đức và rủi ro, với việc đánh giá từng tính năng theo chính sách khu vực, quy định về quyền riêng tư và yêu cầu pháp lý liên quan.

Đây là những nguyên tắc quan trọng đối với mọi hệ thống tự động hóa có khả năng thay đổi trạng thái của doanh nghiệp.

Một ví dụ khác cho thấy vì sao hệ thống phải hiểu ngoại lệ. SAP đề cập đến chứng từ đang chờ xử lý, trong đó nhân viên kiểm soát tài chính cần phân bổ hóa đơn phục vụ sự kiện cho nhiều ngân sách trước khi cho phép tiếp tục. Nếu người phụ trách nghỉ phép hoặc nghỉ chăm con, tác nhân chỉ theo dõi thời gian xử lý có thể coi sự chậm trễ là dấu hiệu quy trình bị lỗi.

Nếu hiểu được ngữ cảnh nhân sự và quy trình phê duyệt, hệ thống có thể phân biệt sự chậm trễ có lý do với một vấn đề cần can thiệp.

Dù vậy, ngữ cảnh không nên trở thành lý do để tự động bỏ qua mọi cảnh báo. Hệ thống phải xác minh được thông tin liên quan, tuân thủ quy tắc và chuyển những trường hợp vượt quá thẩm quyền cho người chịu trách nhiệm.

Mục tiêu không phải trao toàn quyền cho trí tuệ nhân tạo. Mục tiêu là xác định rõ khi nào hệ thống được hành động, khi nào cần hỏi lại và khi nào bắt buộc dừng để con người quyết định.

Kinh tế Việt Nam sẽ chịu tác động như thế nào

Đối với Việt Nam, cách tiếp cận này có ý nghĩa đối với những doanh nghiệp đang kết nối bán hàng, sản xuất, logistics và tài chính trên nhiều phần mềm khác nhau.

Một doanh nghiệp sản xuất có thể cần liên kết đơn hàng với tồn kho, năng lực nhà máy, lịch giao hàng và điều khoản thanh toán. Một đơn vị phân phối cần hiểu mối quan hệ giữa khách hàng, chiết khấu, công nợ và lịch sử giao nhận. Một doanh nghiệp cung cấp dịch vụ cần kết nối hợp đồng, nhân sự thực hiện, chi phí và nghĩa vụ thanh toán.

Trong những trường hợp đó, trí tuệ nhân tạo có thể hỗ trợ phát hiện bất thường, tóm tắt tình trạng đơn hàng, phân loại yêu cầu và đề xuất phương án xử lý. Nhưng độ tin cậy phụ thuộc vào chất lượng dữ liệu và mức độ thống nhất của quy trình.

Nếu mỗi phòng ban sử dụng một mã khách hàng khác nhau, thông tin không được cập nhật đồng bộ hoặc các quy tắc phê duyệt chỉ tồn tại trong kinh nghiệm của nhân viên, việc triển khai tác nhân sẽ gặp trở ngại.

Một thách thức khác là sự khác biệt giữa các thị trường. Doanh nghiệp hoạt động tại Việt Nam nhưng có khách hàng hoặc nhà cung cấp ở châu Âu và Hoa Kỳ cần quan tâm đến các nghĩa vụ pháp lý, yêu cầu bảo vệ dữ liệu và điều kiện giao dịch tương ứng. Không thể mặc định rằng một quy trình áp dụng tại một quốc gia có thể được tự động sử dụng ở mọi nơi.

Cơ hội vì thế không chỉ dành cho các tập đoàn lớn. Những doanh nghiệp vừa và nhỏ có quy trình rõ ràng, dữ liệu nhất quán và nhu cầu tự động hóa cụ thể cũng có thể hưởng lợi, miễn là lựa chọn phạm vi triển khai phù hợp với năng lực quản trị.

Doanh nghiệp nhỏ và siêu nhỏ nên làm gì trong thời đại trí tuệ nhân tạo

Đối với doanh nghiệp nhỏ, bắt đầu bằng một hệ thống trí tuệ nhân tạo phức tạp có thể không phải lựa chọn hợp lý. Việc đầu tiên nên là xác định công việc lặp lại nào đang tiêu tốn nhiều thời gian và có thể chuẩn hóa.

Một quy trình xử lý đơn hàng thường có các bước rõ ràng. Một quy trình đối chiếu hóa đơn có thể dựa vào những trường dữ liệu xác định. Một quy trình trả lời yêu cầu khách hàng có thể sử dụng thông tin sản phẩm, trạng thái giao hàng và chính sách đổi trả.

Doanh nghiệp nên bắt đầu từ một quy trình có giới hạn, xây dựng dữ liệu đầu vào nhất quán và xác định rõ kết quả đầu ra mong muốn.

Chẳng hạn, thay vì cho tác nhân tự động thanh toán tất cả hóa đơn, doanh nghiệp có thể cho hệ thống đối chiếu chứng từ, đánh dấu trường hợp bất thường và chuẩn bị hồ sơ để người có thẩm quyền phê duyệt.

Cách làm này tạo ra lợi ích ban đầu mà không phải trao ngay quyền thực hiện các giao dịch có rủi ro cao.

Đồng thời, cần xác định một nguồn dữ liệu đáng tin cậy cho từng loại thông tin, quy định ai chịu trách nhiệm cập nhật và ghi nhận những trường hợp ngoại lệ thường gặp. Đây là nền tảng để mở rộng tự động hóa sau này.

Doanh nghiệp Việt Nam cần chuẩn bị gì để triển khai hiệu quả

Có ba ưu tiên thực tế.

Thứ nhất, chuẩn hóa dữ liệu cốt lõi. Khách hàng, nhà cung cấp, sản phẩm, đơn hàng và chứng từ cần có định danh nhất quán. Những dữ liệu trùng lặp hoặc lỗi thời phải được phát hiện và xử lý.

Thứ hai, mô tả quy trình bằng các bước có thể kiểm tra. Doanh nghiệp cần xác định điều kiện bắt đầu, các bước xử lý, quyền phê duyệt và những trường hợp phải chuyển cấp. Những quy tắc chỉ tồn tại trong kinh nghiệm của một vài nhân viên cần được chuyển thành tài liệu hoặc quy tắc có thể truy xuất.

Thứ ba, thiết kế quản trị ngay từ đầu. Mỗi tác nhân cần có phạm vi quyền hạn phù hợp, nhật ký hoạt động và cơ chế dừng khi gặp tình huống chưa được xác định. Các hành động có ảnh hưởng lớn đến tiền, quyền lợi khách hàng hoặc nghĩa vụ pháp lý nên có ngưỡng phê duyệt rõ ràng.

Sau đó, doanh nghiệp có thể đánh giá kết quả qua thời gian xử lý, tỷ lệ sai sót, số lần phải can thiệp thủ công và chi phí vận hành thực tế.

Không nhất thiết phải triển khai đồng loạt trên toàn tổ chức. Một quy trình được tự động hóa tốt, có dữ liệu đáng tin cậy và cơ chế kiểm soát phù hợp thường là điểm khởi đầu hữu ích hơn một chương trình triển khai rộng nhưng chưa có tiêu chuẩn đánh giá.

Thách thức lớn của trí tuệ nhân tạo doanh nghiệp không chỉ là tạo ra câu trả lời chính xác, mà còn là hiểu tại sao một quyết định phù hợp trong hoàn cảnh này có thể trở thành sai lầm trong hoàn cảnh khác.

Dữ liệu đầy đủ không tự tạo ra sự hiểu biết. Mô hình mạnh không tự biết các quy tắc nội bộ. Và một tác nhân có khả năng thực hiện công việc cũng không mặc nhiên có đủ thẩm quyền để hành động.

Cách tiếp cận của SAP nhấn mạnh sự kết hợp giữa mô hình xử lý dữ liệu có cấu trúc, đồ thị tri thức, bản thể học, ngữ cảnh quy trình và quản trị. Đây là một hướng xây dựng nền tảng giúp nhiều tác nhân cùng hoạt động trên một cách hiểu thống nhất về doanh nghiệp.

Đối với các tổ chức đang cân nhắc tự động hóa, bài học quan trọng là cần chuẩn bị cấu trúc dữ liệu và quy trình trước khi mở rộng quyền hành động cho trí tuệ nhân tạo. Khi hệ thống hiểu được mối quan hệ giữa các hồ sơ, ý nghĩa của các khái niệm và giới hạn của từng quyết định, khả năng tự động hóa mới có cơ hội chuyển thành giá trị vận hành thực tế.

Cuộc cạnh tranh trong trí tuệ nhân tạo doanh nghiệp vì thế không chỉ là cuộc đua tạo ra mô hình thông minh hơn. Đó còn là cuộc đua xây dựng những hệ thống hiểu công việc đủ sâu để hành động đúng, biết giới hạn của mình và giải thích được vì sao một quyết định được đưa ra.

Dữ liệu đầy đủ chưa đủ để tự động hóa quyết định kinh doanh

trí tuệ nhân tạo doanh nghiệp, tác nhân trí tuệ nhân tạo, đồ thị tri thức, bản thể học dữ liệu, dữ liệu doanh nghiệp, tự động hóa quy trình, nền tảng SAP, quản trị trí tuệ nhân tạo, mô hình dữ liệu bảng, ngữ cảnh kinh doanh, quản trị dữ liệu, rủi ro tự động hóa, doanh nghiệp Việt Nam, trí tuệ nhân tạo SAP