Cách đưa AI vào toàn bộ quy trình kinh doanh: Từ đơn giản hóa đến kết quả đo lường được

Khi AI dần trở thành một phần trong công việc hằng ngày, nhiều doanh nghiệp bắt đầu tìm cách cải thiện cách các nhóm phối hợp với nhau trên phạm vi toàn bộ tổ chức. Với sự xuất hiện của những nền tảng như Palantir Foundry Ontology, Databricks Genie Ontology, Microsoft Fabric IQ hay OpenAI Frontier, câu hỏi đặt ra là làm sao kết hợp chúng để công việc trở nên dễ dàng và hiệu quả hơn — từ phát triển sản phẩm, sản xuất đến bán hàng và giao hàng cho khách.

Thay vì lao vào triển khai AI tràn lan, tác giả bài viết gốc trên Towards Data Science khuyên nên tập trung vào một đầu ra kinh doanh cụ thể, chẳng hạn một báo giá cho khách hàng với đúng sản phẩm, đúng giá và cam kết giao hàng. Từ đó, phối hợp với chủ sở hữu quy trình để đơn giản hóa cách thực hiện, kết nối thông tin và các quyết định liên quan, rồi đo lường mức cải thiện. Khi đã có kết quả, có thể áp dụng cách làm tương tự cho các quy trình khác.

Minh họa quy trình kinh doanh được hỗ trợ bởi AI

1. Đơn giản hóa cách công việc được thực hiện

Bước đầu tiên là xác định nơi các nhóm kỹ thuật, sản xuất, bán hàng và giao hàng đang lặp lại công việc, chờ phê duyệt thủ công hoặc chuyển thông tin qua lại bằng tay giữa các hệ thống khác nhau. Sau đó, doanh nghiệp có thể loại bỏ các bước thừa, giảm số lần bàn giao, giữ lại các khâu kiểm tra chất lượng và phê duyệt cần thiết, đồng thời đo lường thời gian và công sức làm lại được tiết kiệm.

Một ví dụ thực tế là quy trình duyệt bao bì có sự hỗ trợ của AI. Nhóm thực hiện đã rà soát xem con người dành phần lớn thời gian ở đâu — chờ phản hồi, làm lại công việc — trước khi quyết định hoạt động nào AI có thể đảm nhận và cải thiện. Kết quả: thời gian duyệt bao bì giảm từ 6 giờ xuống trung bình 30 phút, còn toàn bộ chu kỳ rút ngắn từ 8 tuần xuống 4 tuần.

2. Xây dựng Ontology doanh nghiệp dùng chung

Mục tiêu là đảm bảo các nhóm khác nhau cùng làm việc dựa trên một nguồn thông tin sản phẩm và bộ quy tắc kinh doanh thống nhất. Điều này bao gồm việc kết nối:

• Danh tính sản phẩm: Đảm bảo kỹ thuật, sản xuất và bán hàng nhận diện được cùng một sản phẩm dù họ dùng mã khác nhau.
• Mối quan hệ: Liên kết nhu cầu khách hàng với thông số kỹ thuật, linh kiện cần thiết, năng lực sản xuất và cam kết giao hàng.
• Quy tắc kinh doanh: Tập hợp các quy tắc về tương thích sản phẩm, chất lượng, sản xuất, giá cả và giao hàng.
• Tái sử dụng: Cho phép các tác nhân AI ở khâu kỹ thuật, sản xuất và bán hàng cùng dùng chung thông tin sản phẩm đã được phê duyệt.

Trong thực tế, việc so sánh thông tin giữa các nhóm khá khó khăn khi mỗi người dùng tên sản phẩm, mã, định nghĩa nghiệp vụ hay quy tắc báo cáo khác nhau. Chẳng hạn, bộ phận bán hàng và kỹ thuật có thể dùng mã khác nhau cho cùng một sản phẩm, nên cần xác nhận chúng thực sự chỉ cùng một sản phẩm và phiên bản trước khi dùng để đánh giá hoạt động khách hàng.

AI có thể giúp phát hiện các khả năng trùng khớp, nhưng đội ngũ chịu trách nhiệm vẫn phải xác nhận. Sau khi đã kiểm chứng, các mối quan hệ và định nghĩa sản phẩm này cần được tái sử dụng xuyên suốt các nhóm và tác nhân AI.

Kết nối thông tin sản phẩm và quy tắc kinh doanh qua Ontology

3. Thiết lập lớp trí tuệ dùng chung

Khi các nhóm tính cùng một chỉ số kinh doanh theo cách khác nhau, AI có thể đưa ra câu trả lời khác nhau tùy theo nguồn dữ liệu. Chất lượng câu trả lời của AI phụ thuộc rất lớn vào việc có định nghĩa nghiệp vụ nhất quán và thông tin đáng tin cậy hay không.

Doanh nghiệp cần thống nhất với chủ sở hữu nghiệp vụ về cách tính từng chỉ số then chốt, hệ thống nào cung cấp thông tin được phê duyệt, và cách tái sử dụng các định nghĩa này. Để làm được điều đó, AI cần truy cập ba loại thông tin:

• Dữ liệu kinh doanh: Mức độ sẵn sàng của sản phẩm, chi phí, năng lực sản xuất, trạng thái giao hàng.
• Tri thức doanh nghiệp: Thông số sản phẩm đã phê duyệt, tiêu chuẩn chất lượng, thỏa thuận khách hàng và quy trình.
• Bối cảnh công việc: Các vấn đề đang mở, phê duyệt đang chờ, quyết định gần đây giữa các nhóm.

Các nền tảng như Microsoft Fabric IQ, Foundry IQ và Work IQ kết hợp những yếu tố này, giúp AI truy cập dữ liệu kinh doanh, tri thức doanh nghiệp và công việc đang diễn ra để các tác nhân có thể dùng chung.

4. Kết nối quyết định kinh doanh với luồng công việc của tác nhân AI

Với mỗi quyết định, cần thống nhất với chủ sở hữu quy trình về mức ưu tiên và những gì cần phê duyệt. Ví dụ, khi đã chuẩn bị một báo giá nhưng năng lực sản xuất trở nên hạn chế, AI có thể giúp xác định sản phẩm và cam kết khách hàng nào bị ảnh hưởng, đồng thời khám phá phương án khác như đề xuất sản phẩm đã phê duyệt khác hoặc điều chỉnh ngày giao.

Sau khi người có thẩm quyền phê duyệt phương án, các tác nhân AI có thể cập nhật hệ thống liên quan và điều phối các bước tiếp theo. Các công nghệ như OpenAI Frontier hay kiến trúc tác nhân doanh nghiệp của AWS giúp kết nối tác nhân với hệ thống, trong khi con người vẫn nắm quyền phê duyệt và ra quyết định quan trọng.

Luồng công việc từ đó cần: kích hoạt hoạt động kỹ thuật, sản xuất, bán hàng hoặc giao hàng phù hợp; chuyển thông tin đã duyệt đến hệ thống chịu trách nhiệm; báo cáo ngoại lệ cho đúng người và theo dõi việc hoàn thành.

Điều phối tác nhân AI và con người trong luồng công việc

5. Gắn AI trực tiếp với đầu ra kinh doanh

Mục tiêu cuối cùng là để AI giúp tạo ra chính các đầu ra kinh doanh thực tế:

• Thiết kế sản phẩm: Thông số kỹ thuật và yêu cầu kiểm thử đã được xác nhận.
• Kế hoạch sản xuất: Cấu hình sản phẩm, hướng dẫn và lịch trình đã được xác nhận.
• Báo giá cho khách hàng: Sản phẩm, giá, điều khoản thương mại và cam kết giao hàng đã phê duyệt.
• Giải quyết vấn đề khách hàng: Giải pháp đã phê duyệt và bước theo dõi đã hoàn tất.

Với mỗi đầu ra, cần biết rõ ai chịu trách nhiệm, điều gì cần phê duyệt và liệu công việc đã thực sự hoàn thành. Tác giả đề xuất đo lường thành công ở ba khía cạnh:

• Mức độ ứng dụng AI: Nhân viên có thực sự dùng AI trong công việc hằng ngày không?
• Hiệu suất quy trình: Công việc có nhanh hơn, ít lỗi hơn, ít phải làm lại và chất lượng tốt hơn không?
• Kết quả kinh doanh: Doanh nghiệp có giữ được cam kết với khách hàng, cải thiện trải nghiệm, giảm chi phí và đạt kết quả tài chính tốt hơn không?

Điểm quan trọng là cần phân biệt thời gian tiết kiệm với tiết kiệm thực tế. Nếu AI giúp tung sản phẩm ra thị trường nhanh hơn, doanh nghiệp có thể tạo doanh thu sớm hơn, tiếp cận khách hàng trước đối thủ hoặc giảm chi phí phát triển. Tuy nhiên, cần đo lường tác động thực tế lên doanh thu, chi phí và biên lợi nhuận thay vì mặc định rằng ra mắt nhanh hơn sẽ tự động mang lại lợi ích tài chính.

Lời kết

Doanh nghiệp nên tập trung đầu tư AI vào việc giúp đội ngũ phát triển và bàn giao sản phẩm nhanh hơn, phản hồi nhu cầu khách hàng, giữ đúng cam kết và nâng cao trải nghiệm khách hàng trong khi giảm chi phí.

Hãy chọn một đầu ra kinh doanh quan trọng muốn cải thiện, làm việc cùng người chịu trách nhiệm, đơn giản hóa quy trình, kết nối thông tin và quyết định giữa các nhóm, rồi dùng AI để tạo ra kết quả có thể đo lường được. Đó là cách kết nối con người, quy trình, dữ liệu và AI để phục vụ khách hàng tốt hơn, phát triển sản phẩm nhanh hơn và vận hành hiệu quả hơn.