AI không tạo ra quy trình tốt từ sự mơ hồ. Trước khi tự động hóa, doanh nghiệp cần bóc tách công việc, chuẩn hóa SOP, ví dụ và tiêu chí đánh giá để AI có thể làm việc hiệu quả.
Alex Hormozi có một video dài về AI với tiêu đề rất đúng phong cách của ông: “How to Win With AI in 2026”.
Trong rất nhiều ý được chia sẻ, có một nguyên tắc nghe tưởng đơn giản nhưng lại chạm đúng vấn đề mà phần lớn doanh nghiệp gặp phải khi triển khai AI:
Trước khi tự động hóa một công việc, hãy xác định thật rõ con người hiện đang làm công việc đó như thế nào.
Đừng bắt đầu bằng câu hỏi:
“Tôi có thể dùng AI nào cho phòng Marketing?”
Hay:
“Tôi có thể thay nhân viên này bằng AI không?”
Hãy bắt đầu bằng câu hỏi cụ thể hơn:
“Người này đang làm những việc gì, từng bước một?”
Đó mới là điểm khởi đầu của AI Automation.
Sai lầm phổ biến: bắt AI giải quyết một công việc mà chính chúng ta cũng chưa định nghĩa rõ
Một trong những prompt phổ biến nhất khi sử dụng AI có dạng:
Viết cho tôi một email marketing.
AI tạo ra một email khá chung chung.
Người dùng đọc xong và kết luận:
“AI viết không hay.”
Nhưng vấn đề chưa chắc nằm ở AI.
Hãy thử thay đổi đầu vào.
Thay vì chỉ đưa ra một câu yêu cầu, chúng ta cung cấp cho AI:
- Mục tiêu của email.
- Chân dung người nhận.
- Giọng văn thương hiệu.
- Những từ được phép và không được phép sử dụng.
- Cấu trúc email.
- CTA.
- 10–20 email tốt trước đây.
- Các lỗi thường gặp.
- Tiêu chí thế nào là một email đạt yêu cầu.
- Phản hồi chi tiết sau mỗi lần AI thực hiện.
Kết quả sẽ hoàn toàn khác.
AI không tự nhiên thông minh hơn.
Context của AI tốt hơn.
Và đây chính là một trong những nguyên tắc quan trọng nhất của việc ứng dụng AI:
Chất lượng đầu ra phụ thuộc rất lớn vào mức độ rõ ràng của hệ thống đầu vào.
AI không chỉ cần Prompt, AI cần một hệ thống hướng dẫn
Thời kỳ đầu của Generative AI khiến chúng ta tập trung rất nhiều vào Prompt Engineering.
Người dùng cố tìm một câu prompt thật hay.
Nhưng khi AI bắt đầu tham gia sâu hơn vào công việc thực tế, một prompt không còn đủ.
Một AI làm việc ổn định thường cần nhiều lớp thông tin:
Instruction
AI phải làm gì?
Context
AI đang làm việc trong hoàn cảnh nào?
Knowledge
AI cần tham khảo những tài liệu nào?
Examples
Đâu là những đầu ra tốt mà AI nên học theo?
Rules
Những nguyên tắc nào không được vi phạm?
Workflow
Công việc được thực hiện theo những bước nào?
Evaluation
Làm thế nào để biết kết quả đúng hay sai?
Feedback
Khi kết quả chưa đạt, AI cần sửa điều gì?
Đây là lý do thuật ngữ Context Engineering ngày càng quan trọng.
Ứng dụng AI thực tế không chỉ là viết prompt.
Nó là quá trình thiết kế toàn bộ môi trường thông tin để AI có thể hoàn thành công việc đúng cách.
Trước AI Automation phải có Process Discovery
Giả sử một doanh nghiệp muốn tự động hóa công việc chăm sóc khách hàng.
Câu hỏi sai là:
Có chatbot AI nào tốt?
Câu hỏi đúng phải bắt đầu từ việc quan sát công việc hiện tại.
Một nhân viên chăm sóc khách hàng đang làm gì?
Ví dụ:
Khách gửi yêu cầu.
→ Xác định khách hàng là ai.
→ Kiểm tra loại yêu cầu.
→ Tra cứu đơn hàng.
→ Đọc lịch sử giao dịch.
→ Xác định chính sách áp dụng.
→ Soạn câu trả lời.
→ Nếu nằm ngoài thẩm quyền thì chuyển cấp trên.
→ Cập nhật trạng thái CRM.
→ Hẹn thời gian phản hồi tiếp theo.
Chỉ khi quy trình này được nhìn thấy, chúng ta mới bắt đầu đặt câu hỏi:
Bước nào AI có thể làm?
Bước nào Rule Engine nên làm?
Bước nào cần API?
Bước nào con người phải phê duyệt?
Đó mới là AI Automation đúng nghĩa.
Bạn không thể tự động hóa thứ mà bạn chưa nhìn thấy
Một quy trình chỉ tồn tại trong đầu một nhân viên là một quy trình rất khó tự động hóa.
Nếu nhân viên nói:
“Em cứ nhìn vào booking là em biết phải xử lý thế nào.”
Đối với một AI Agent, câu nói đó gần như vô nghĩa.
Chúng ta phải tiếp tục hỏi:
Bạn nhìn thông tin nào?
Bạn kiểm tra dữ liệu nào trước?
Điều kiện nào khiến bạn chọn phương án A thay vì B?
Có ngoại lệ nào không?
Trường hợp nào phải hỏi quản lý?
Khi những kiến thức này được viết xuống, chúng bắt đầu trở thành:
Và từ đó chúng mới có thể trở thành Context cho AI.
“Đổ não ra giấy” thực chất là bước đầu của Knowledge Engineering
Có một cách diễn đạt rất đời thường nhưng khá chính xác:
Đổ những gì đang nằm trong đầu ra giấy.
Trong môi trường doanh nghiệp, quá trình này có thể được gọi bằng những tên chuyên nghiệp hơn:
- Knowledge Capture.
- Process Discovery.
- Business Process Mapping.
- Knowledge Engineering.
- SOP Documentation.
Nhưng nguyên lý giống nhau.
Kiến thức ngầm trong đầu con người cần được chuyển thành kiến thức có thể đọc, kiểm tra và tái sử dụng.
Ví dụ, một nhân viên Sales lâu năm có thể biết:
- Khách nào có khả năng mua.
- Câu hỏi nào nên hỏi trước.
- Khi nào cần giảm giá.
- Lúc nào khách chỉ đang tham khảo.
- Tín hiệu nào cho thấy khách sắp chốt.
- Lúc nào nên gọi thay vì nhắn tin.
Nếu toàn bộ kiến thức đó chỉ tồn tại trong đầu nhân viên, AI gần như không thể học được.
Nhưng nếu nó được ghi lại thành hàng trăm tình huống thực tế, đó chính là nguyên liệu để xây dựng AI Sales Assistant hoặc AI Sales Agent.
AI giống một nhân viên mới có năng lực rất cao
Một cách dễ hình dung là xem AI như một nhân viên mới.
Nhân viên này:
- Đọc cực nhanh.
- Viết cực nhanh.
- Xử lý được lượng tài liệu lớn.
- Làm việc liên tục.
- Có thể sử dụng nhiều công cụ.
- Có thể thực hiện nhiều tác vụ khác nhau.
Nhưng ngày đầu tiên đi làm, nhân viên đó vẫn chưa hiểu doanh nghiệp.
Nếu bạn chỉ nói:
“Em làm Marketing tốt lên nhé.”
Rất khó kỳ vọng một kết quả cụ thể.
Nhưng nếu cung cấp:
- Brand Guideline.
- Customer Persona.
- Chiến lược Marketing.
- Lịch sử chiến dịch.
- Content Guideline.
- Các bài tốt nhất.
- Các bài thất bại.
- KPI.
- Quy trình phê duyệt.
- Dữ liệu khách hàng.
- Checklist kiểm tra.
thì năng lực của AI bắt đầu trở nên hữu ích.
Đây chính là điểm khác biệt giữa:
Dùng AI
và
Triển khai AI thành một phần của hệ thống vận hành.
Một ý thú vị trong ví dụ của Hormozi là tốc độ feedback.
Một nhân viên có thể cần nhiều tháng hoặc nhiều năm để trải qua hàng trăm tình huống và nhận đủ phản hồi.
Với AI, vòng lặp có thể diễn ra nhanh hơn rất nhiều.
AI tạo phiên bản 1.
→ Con người phản hồi.
→ AI sửa thành phiên bản 2.
→ Tiếp tục đánh giá.
→ Bổ sung rule.
→ Bổ sung example.
→ Phát hiện ngoại lệ.
→ Cập nhật SOP.
→ Chạy lại.
Sau hàng chục hoặc hàng trăm vòng như vậy, thứ được cải thiện không chỉ là AI.
Hệ thống kiến thức của doanh nghiệp cũng được cải thiện.
Triển khai AI tốt đôi khi buộc doanh nghiệp phải tự trả lời:
Chúng ta thực sự đang làm công việc này như thế nào?
“Bad output” nhiều khi là dấu hiệu của một hệ thống chưa rõ ràng
Khi AI trả về kết quả tệ, phản ứng đầu tiên thường là đổi công cụ.
ChatGPT không tốt thì thử Claude.
Claude chưa ổn thì thử Gemini.
Gemini chưa được lại chuyển sang một model khác.
Nhưng thay model không giải quyết được một quy trình vốn đã mơ hồ.
Trước khi đổi AI, hãy kiểm tra:
- Instruction có rõ không?
- AI có đủ dữ liệu không?
- Có ví dụ tốt không?
- Business Rule đã được viết chưa?
- Có tiêu chí đánh giá không?
- AI có quyền truy cập đúng Tool không?
- Có vòng Feedback không?
- Có Human-in-the-loop không?
Nhiều hệ thống AI thất bại không phải vì model quá yếu.
Mà vì tổ chức chưa tạo ra đủ Context để model làm việc.
SOP trong thời đại AI quan trọng hơn, không phải ít quan trọng hơn
Có một suy nghĩ khá phổ biến:
Có AI rồi thì cần gì SOP nữa?
Thực tế gần như ngược lại.
AI càng tham gia sâu vào hoạt động doanh nghiệp thì SOP càng quan trọng.
Trước đây SOP được viết để:
Con người đọc → Con người thực hiện.
Trong thời đại AI, SOP có thể trở thành:
Con người viết → AI đọc → AI thực hiện → hệ thống kiểm tra → con người xử lý ngoại lệ.
SOP lúc này không chỉ là tài liệu đào tạo nhân viên.
Nó trở thành một phần của AI Infrastructure.
Từ SOP đến AI Agent
Có thể hình dung quá trình trưởng thành theo các cấp độ:
Cấp độ 1 – Công việc nằm trong đầu
Mỗi người làm theo kinh nghiệm riêng.
↓
Cấp độ 2 – Công việc được viết thành SOP
Quy trình bắt đầu có thể lặp lại.
↓
Cấp độ 3 – SOP trở thành Workflow
Các bước và điều kiện được chuẩn hóa.
↓
Cấp độ 4 – AI Assistant hỗ trợ từng bước
AI giúp đọc, viết, phân tích và đề xuất.
↓
Cấp độ 5 – AI Agent thực hiện nhiều bước
AI sử dụng dữ liệu, công cụ và API để hoàn thành workflow.
↓
Cấp độ 6 – Human-in-the-loop
Con người chỉ phê duyệt những quyết định quan trọng hoặc xử lý ngoại lệ.
Đây mới là con đường thực tế từ AI Assistant → AI Automation → Agentic AI.
Đừng bắt đầu dự án AI bằng câu hỏi “Dùng công cụ nào?”
Hãy thử một bài tập khác.
Chọn một nhân sự hoặc một vị trí trong doanh nghiệp.
Theo dõi một ngày làm việc.
Liệt kê toàn bộ những gì người đó thực hiện:
- Đọc gì.
- Nhập gì.
- Kiểm tra gì.
- Tìm gì.
- So sánh gì.
- Viết gì.
- Gọi cho ai.
- Ra quyết định gì.
- Cập nhật hệ thống nào.
- Gửi báo cáo nào.
- Gặp ngoại lệ nào.
Sau đó tạo bảng:
| Công việc |
Tần suất |
Thời gian |
Rule rõ ràng? |
Dữ liệu có sẵn? |
AI hỗ trợ? |
Có thể tự động hóa? |
| Đọc email khách hàng |
Hàng ngày |
60 phút |
Có |
Có |
Có |
Có |
| Phân loại yêu cầu |
Hàng ngày |
30 phút |
Có |
Có |
Có |
Có |
| Soạn trả lời |
Hàng ngày |
90 phút |
Tương đối |
Có |
Có |
Một phần |
| Quyết định hoàn tiền |
Khi phát sinh |
15 phút |
Có chính sách |
Có |
Hỗ trợ |
Cần duyệt |
| Xử lý ngoại lệ |
Khi phát sinh |
Không cố định |
Chưa |
Một phần |
Hỗ trợ |
Chưa |
Chỉ riêng bài tập này đã có thể cho doanh nghiệp thấy rất nhiều cơ hội ứng dụng AI.
Một framework 7 câu hỏi để tìm công việc phù hợp với AI
Với mỗi công việc, hãy trả lời bảy câu hỏi.
1. Trigger là gì?
Điều gì khiến công việc bắt đầu?
2. Input là gì?
Nhân viên cần những dữ liệu nào?
3. Process là gì?
Các bước được thực hiện theo thứ tự nào?
4. Rule là gì?
Quyết định dựa trên nguyên tắc nào?
5. Output là gì?
Kết quả cuối cùng phải có dạng nào?
6. Evaluation là gì?
Thế nào được xem là kết quả tốt?
7. Exception là gì?
Trường hợp nào AI không được tự quyết?
Nếu chưa trả lời được bảy câu hỏi này, có lẽ doanh nghiệp chưa nên vội xây AI Agent cho công việc đó.
AI không thay thế sự rõ ràng
Câu hỏi thường được đặt ra là:
AI có thay thế công việc của tôi không?
Nhưng với phần lớn tổ chức, câu hỏi hữu ích hơn ở thời điểm hiện tại có lẽ là:
Công việc của tôi đã đủ rõ ràng để AI có thể tham gia hay chưa?
Nếu một quy trình:
- Không có SOP.
- Không có dữ liệu.
- Không có Business Rule.
- Không có mẫu tốt.
- Không có tiêu chuẩn đánh giá.
- Không ai giải thích được tại sao quyết định A thay vì B.
thì việc đưa AI vào rất dễ chỉ tạo thêm một lớp hỗn loạn mới.
Ngược lại, tổ chức nào đã hệ thống hóa tốt kiến thức của mình sẽ có lợi thế rất lớn.
Bởi họ không phải bắt đầu xây AI từ số 0.
Họ đã có:
Knowledge.
Process.
Rules.
Examples.
Data.
Feedback.
AI chỉ là lớp năng lực tiếp theo được đặt lên trên nền tảng đó.
Kết luận: trước khi Automation, hãy Documentation
AI có thể viết nhanh hơn.
AI có thể đọc nhanh hơn.
AI có thể phân tích hàng nghìn tài liệu.
AI Agent có thể sử dụng phần mềm, gọi API và thực hiện workflow.
Nhưng AI không thể tự đoán chính xác một quy trình mà doanh nghiệp chưa từng định nghĩa.
Vì vậy, trước khi hỏi:
“Chúng ta có thể tự động hóa việc này bằng AI không?”
Hãy hỏi:
“Chúng ta đã mô tả chính xác công việc này chưa?”
Viết nó xuống.
Bóc tách từng bước.
Viết các nguyên tắc.
Thu thập những ví dụ tốt.
Ghi lại các trường hợp ngoại lệ.
Xây tiêu chí đánh giá.
Sau đó mới đưa AI vào.
AI không phải phép màu biến sự mơ hồ thành một hệ thống tốt.
Nhưng khi một tổ chức đã đủ rõ ràng về cách mình vận hành, AI có thể biến những quy trình đó thành thứ nhanh hơn, có khả năng mở rộng hơn và ngày càng tự động hơn.
Và có lẽ đó mới là một trong những cách thực tế nhất để “win with AI” trong năm 2026.