Trong nhiều doanh nghiệp, những công việc chiếm nhiều thời gian nhất không nhất thiết là những công việc khó nhất. Một nhân viên nhận file qua email, kiểm tra nội dung rồi nhập một số thông tin vào hệ thống. Một bộ phận khác tải dữ liệu từ hệ thống A xuống Excel, chỉnh sửa định dạng rồi đưa sang hệ thống B. Cuối tháng, một người thu thập số liệu từ nhiều nguồn, tổng hợp thành báo cáo và gửi cho quản lý.
Từng thao tác riêng lẻ có thể chỉ mất vài phút và không đòi hỏi kỹ năng đặc biệt. Nhưng khi chúng lặp lại hàng chục hoặc hàng trăm lần, doanh nghiệp có thể đang sử dụng một lượng đáng kể thời gian cho việc đọc, tìm kiếm, copy, kiểm tra, nhập liệu, đối chiếu và chuyển thông tin giữa các hệ thống.
Đây là một trong những khu vực có tiềm năng lớn cho automation. Tuy nhiên, điều đó không có nghĩa mọi công việc Back Office đều cần AI Agent. Có bước chỉ cần API, có bước phù hợp với workflow automation, có hệ thống cũ cần RPA, và chỉ một số bước thực sự cần khả năng xử lý ngôn ngữ hoặc ngữ cảnh của AI.
Vì vậy, thay vì hỏi “Back Office có thể ứng dụng AI vào đâu?”, một câu hỏi thực tế hơn là: “Trong workflow hiện tại, con người đang dành thời gian cho bước nào mà hệ thống có thể xử lý tốt hơn?”
Vấn đề của Back Office thường không nằm ở một công việc lớn
Hãy hình dung một nhân viên vận hành bắt đầu ngày làm việc bằng việc kiểm tra email. Họ tải xuống một vài file, đối chiếu một bảng Excel với dữ liệu trong hệ thống, kiểm tra một yêu cầu trước khi chuyển sang bộ phận khác, cập nhật báo cáo và nhập lại một số record. Không công việc nào mất ba giờ liên tục. Thay vào đó, mỗi việc lấy đi năm phút, mười phút hoặc mười lăm phút.
Chính vì vậy, chi phí của những công việc này thường khó nhìn thấy. Doanh nghiệp dễ tập trung vào những quy trình lớn, trong khi một lượng đáng kể thời gian lại bị phân tán trong hàng chục micro-task mỗi ngày.
Một thao tác ba phút nghe không đáng kể. Nhưng nếu được thực hiện 100 lần mỗi ngày, nó tương đương năm giờ làm việc. Nếu cùng một thao tác xuất hiện ở nhiều nhân viên, tổng thời gian tiêu tốn có thể lớn hơn nhiều so với cảm nhận ban đầu.
Do đó, khi tìm cơ hội tự động hóa Back Office, doanh nghiệp không nên chỉ tìm những công việc phức tạp. Những công việc đơn giản nhưng có tần suất cao thường là nơi đáng xem xét đầu tiên.
Đừng nhìn một task riêng lẻ, hãy nhìn toàn bộ workflow
Giả sử doanh nghiệp nhận hồ sơ từ đối tác qua email. Nhân viên mở email, tải file đính kèm, đọc tài liệu, xác định loại hồ sơ, kiểm tra các thông tin cần thiết, so sánh với dữ liệu trong Excel, mở hệ thống nội bộ, tìm record tương ứng, nhập một số trường dữ liệu, lưu tài liệu vào đúng thư mục rồi gửi email xác nhận.
Nếu chỉ nhìn vào một bước, doanh nghiệp có thể nghĩ rằng bài toán là “dùng AI để đọc tài liệu”. Nhưng đọc tài liệu chỉ là một phần của workflow. Sau khi đọc xong, thông tin còn phải được kiểm tra, đối chiếu, chuyển sang hệ thống khác và lưu lại.
Nếu nhìn toàn bộ quá trình, workflow thực tế có thể là: Email → Attachment → Document Processing → Validation → Data Lookup → Internal System → Storage → Confirmation.
Khi đó, có thể thấy ngay rằng không có một công nghệ duy nhất phù hợp cho tất cả các bước. AI có thể hỗ trợ đọc tài liệu; API lấy và cập nhật dữ liệu; business rule kiểm tra các điều kiện cố định; workflow automation điều phối trình tự xử lý; RPA thao tác với một hệ thống legacy không có API; còn con người tập trung vào những exception cần judgment.
Giá trị vì vậy không đến từ việc “đưa AI vào Back Office”, mà từ việc thiết kế lại workflow để mỗi phần việc được xử lý bằng công nghệ phù hợp nhất.
Những bước chỉ chuyển dữ liệu thường chưa cần AI
Giả sử một nhân viên tải dữ liệu từ hệ thống A rồi nhập nguyên trạng sang hệ thống B. Nếu dữ liệu đã có cấu trúc và hai hệ thống hỗ trợ integration, đây trước hết là một bài toán API.
Khi một record mới được tạo trong hệ thống A, hệ thống B có thể tự động nhận dữ liệu tương ứng. Khi trạng thái thay đổi, dữ liệu có thể được đồng bộ. Khi phát sinh giao dịch, hệ thống liên quan có thể được cập nhật mà không cần con người đứng giữa.
Không có nhiều lý do để yêu cầu AI “hiểu” một dữ liệu mà cả hai hệ thống đã hiểu rõ.
Điều tương tự xảy ra với Excel. Nếu nhân viên nhận một bảng có các cột cố định rồi copy dữ liệu sang một hệ thống khác theo cùng một quy tắc mỗi ngày, AI Agent có thể là một giải pháp quá phức tạp. Integration hoặc workflow automation thường đơn giản, ổn định và dễ kiểm soát hơn.
Một nguyên tắc quan trọng khi tự động hóa Back Office là: đừng sử dụng AI để giải quyết một vấn đề mà phần mềm truyền thống đã có thể giải quyết chính xác và ổn định.
AI bắt đầu hữu ích khi dữ liệu không còn nằm trong những ô cố định
Back Office không chỉ xử lý database và Excel. Rất nhiều thông tin đi vào doanh nghiệp dưới dạng email, PDF, Word, hợp đồng, biểu mẫu, biên bản hoặc nội dung tự do. Những nguồn dữ liệu này không phải lúc nào cũng có cùng một cấu trúc.
Một thông tin có thể nằm ở trang đầu trong tài liệu A nhưng ở trang thứ năm trong tài liệu B. Một đối tác sử dụng cụm từ “Ngày hiệu lực”, trong khi đối tác khác diễn đạt theo cách khác. Một email có thể chứa nhiều yêu cầu trong cùng một đoạn văn.
Đây là nơi AI bắt đầu có lợi thế. Thay vì yêu cầu nhân viên đọc toàn bộ tài liệu chỉ để tìm một vài thông tin, AI có thể hỗ trợ xác định loại tài liệu, trích xuất các trường cần thiết, tóm tắt nội dung hoặc phát hiện những thông tin còn thiếu.
Nhưng việc AI đọc được tài liệu chưa có nghĩa workflow đã được tự động hóa. Câu hỏi tiếp theo luôn phải là: “Sau khi AI lấy được thông tin, chuyện gì xảy ra tiếp theo?”
Nếu nhân viên vẫn phải copy kết quả sang hệ thống khác bằng tay, doanh nghiệp mới chỉ tự động hóa một phần của vấn đề.
Document AI chỉ thực sự có giá trị khi được nối với workflow
Giả sử mỗi ngày doanh nghiệp nhận hàng trăm tài liệu và AI có thể trích xuất tên đối tác, mã hồ sơ, ngày, loại tài liệu, giá trị và một số trường quan trọng khác. Đây là một capability hữu ích, nhưng workflow hoàn chỉnh vẫn cần nhiều hơn.
Sau khi trích xuất, hệ thống cần kiểm tra dữ liệu có đầy đủ hay không, đối chiếu với record hiện có và xác định bước tiếp theo. Nếu dữ liệu hợp lệ, hệ thống có thể cập nhật record. Nếu thiếu thông tin, workflow tạo yêu cầu bổ sung. Nếu phát hiện mâu thuẫn, hồ sơ được chuyển cho nhân viên kiểm tra. Nếu giá trị vượt một ngưỡng nhất định, hệ thống yêu cầu phê duyệt trước khi tiếp tục.
Workflow lúc này có thể được thiết kế thành Document → AI Extraction → Validation → System Lookup → Business Rule → Update / Escalate → Storage.
AI không cần trở thành trung tâm của toàn bộ kiến trúc. Nó chỉ đảm nhiệm phần mà dữ liệu phi cấu trúc khiến automation truyền thống gặp khó khăn, trong khi các bước có tính xác định cao vẫn được xử lý bằng những công nghệ ổn định hơn.
“AI kiểm tra hồ sơ” thực tế là nhiều bài toán khác nhau
Cụm từ “AI kiểm tra hồ sơ” nghe giống một use case đơn giản, nhưng từ “kiểm tra” có thể bao gồm nhiều công việc hoàn toàn khác nhau.
Một hệ thống có thể cần kiểm tra hồ sơ đã đủ tài liệu hay chưa, các trường bắt buộc có đúng định dạng hay không, thông tin trong hai tài liệu có nhất quán không và nội dung có chứa điều khoản nào cần chú ý hay không.
Những công việc này không nhất thiết nên sử dụng cùng một công nghệ. Việc kiểm tra định dạng có thể được xử lý bằng rule. API có thể đối chiếu dữ liệu với hệ thống. AI hỗ trợ hiểu nội dung tài liệu. Những trường hợp có ảnh hưởng lớn hoặc cần judgment được chuyển cho con người.
Nếu gom tất cả thành một yêu cầu chung là “dùng AI kiểm tra hồ sơ”, kiến trúc rất dễ trở nên phức tạp hơn mức cần thiết. Cách tốt hơn là tách workflow thành từng loại quyết định và chọn công nghệ phù hợp cho từng bước.
Excel không phải vấn đề, nhưng Excel có thể đang che giấu một integration thủ công
Trong nhiều cuộc thảo luận về chuyển đổi số, Excel thường bị xem như thứ cần loại bỏ. Điều đó không hoàn toàn đúng. Excel vẫn rất hữu ích cho phân tích ad hoc, tính toán nhanh, dữ liệu tạm thời hoặc những nhu cầu thay đổi thường xuyên.
Vấn đề xuất hiện khi Excel trở thành một lớp integration thủ công giữa hai hệ thống.
Ví dụ, mỗi ngày nhân viên xuất CSV từ hệ thống A, mở Excel, xóa ba cột, đổi tên hai cột, thêm một công thức, lưu lại rồi upload sang hệ thống B. Nếu các bước này ngày nào cũng giống nhau, doanh nghiệp đang để con người thực hiện một transformation rule cố định.
Trong trường hợp này, vấn đề không phải “nhân viên đang dùng Excel”. Vấn đề là một logic có thể tự động hóa đang được thực hiện thủ công.
Nếu quy tắc ổn định, automation truyền thống có thể phù hợp hơn AI. Ngược lại, nếu Excel chứa nhiều ghi chú tự do và nhân viên phải đọc từng dòng để hiểu nội dung trước khi quyết định cách xử lý, AI có thể bắt đầu đóng vai trò hữu ích.
Đừng tự động hóa email, hãy tự động hóa công việc bắt đầu từ email
Back Office thường nhận rất nhiều yêu cầu qua email. Một cách tiếp cận dễ nghĩ đến là dùng AI để viết email trả lời nhanh hơn, nhưng giá trị lớn hơn có thể nằm ở toàn bộ quá trình phía trước.
Một email đến có thể trở thành trigger của workflow. AI đọc nội dung để xác định loại yêu cầu, hệ thống nhận diện người gửi và lấy dữ liệu cần thiết, business rule kiểm tra điều kiện, sau đó workflow thực hiện các bước tiếp theo. Nếu trường hợp đủ rõ, hệ thống có thể xử lý tự động; nếu cần judgment, case được chuyển cho người phụ trách kèm toàn bộ context đã thu thập.
Sau khi công việc hoàn tất, AI mới hỗ trợ chuẩn bị phản hồi.
Theo cách này, email không còn chỉ là một message cần trả lời. Nó trở thành điểm bắt đầu của một business process.
Đây là sự khác biệt giữa việc thêm một công cụ AI vào công việc hiện tại và thiết kế một workflow thực sự có AI tham gia.
Báo cáo định kỳ cũng là một khu vực đáng để phân tích
Hãy xem cách một báo cáo quản trị được tạo mỗi tuần. Nhân viên tải dữ liệu từ hệ thống A, nhận thêm file từ hệ thống B, ghép dữ liệu trong Excel, tính KPI, kiểm tra những biến động đáng chú ý rồi viết phần nhận xét gửi cho quản lý.
Nếu quy trình này lặp lại với cùng một cấu trúc, nhiều phần có thể được tự động hóa. API hoặc data pipeline có thể thu thập dữ liệu, business logic tính KPI, workflow tạo báo cáo theo lịch, còn AI hỗ trợ giải thích những biến động hoặc chuẩn bị phần tóm tắt để con người kiểm tra.
Workflow có thể chuyển từ Con người thu thập → tính toán → tổng hợp → viết sang System Collect → Calculate → AI Summarize → Human Review.
Điều quan trọng là không nên giao cho AI những phần mà code truyền thống có thể xử lý chính xác hơn. AI không cần tính tổng doanh thu nếu hệ thống đã có thể thực hiện phép tính đó một cách xác định. AI hữu ích hơn khi doanh nghiệp muốn chuyển từ câu hỏi “Con số là bao nhiêu?” sang “Điều gì trong những con số này đáng chú ý?”
Trong Back Office, hãy ưu tiên deterministic trước probabilistic
Nhiều quy trình Back Office liên quan trực tiếp đến dữ liệu vận hành, vì vậy một nguyên tắc hữu ích là: nếu một bước có thể được giải quyết bằng logic xác định, hãy ưu tiên logic xác định.
Tổng doanh thu nên được tính bằng code. Kiểm tra một ngày có nằm trong khoảng cho phép hay không nên dùng rule. Trạng thái đơn hàng nên được lấy từ API. Đây đều là những nhiệm vụ có một kết quả xác định và không cần khả năng suy luận của Generative AI.
AI phù hợp hơn với những phần như hiểu một email dài đang yêu cầu điều gì, tóm tắt tài liệu, tìm các đoạn liên quan đến một policy hoặc tổng hợp context từ nhiều nguồn để chuẩn bị cho bước xử lý tiếp theo. Khi hệ thống còn cần tự lựa chọn công cụ hoặc đường đi dựa trên context, AI Agent có thể trở nên phù hợp hơn.
Việc phân tách như vậy giúp doanh nghiệp tận dụng được điểm mạnh của AI mà không biến toàn bộ workflow thành một hệ thống probabilistic khó kiểm soát.
Khi nào AI Agent khác với một workflow Back Office thông thường?
Nếu workflow luôn cố định theo một đường đi như Nhận file → Kiểm tra → Nhập hệ thống → Gửi xác nhận, và mọi bước đều có rule rõ ràng, workflow automation có thể đã đủ.
Nhưng tình huống thay đổi khi doanh nghiệp nhận nhiều loại hồ sơ khác nhau, mỗi loại cần kiểm tra một tập tài liệu khác nhau. Tùy nội dung, hệ thống có thể phải quyết định truy vấn database nào, tìm policy nào, yêu cầu bổ sung thông tin hay chuyển hồ sơ sang phòng ban nào.
Đường đi lúc này không còn hoàn toàn cố định. Agent có thể được sử dụng để lựa chọn tool hoặc bước tiếp theo dựa trên context.
Tuy nhiên, điều đó không có nghĩa Agent được quyền tự quyết định mọi thứ. Doanh nghiệp vẫn phải xác định Agent được sử dụng công cụ nào, đọc dữ liệu nào, cập nhật hệ thống nào, hành động nào cần approval và trường hợp nào bắt buộc phải dừng để chuyển cho con người.
Đó là ranh giới quan trọng giữa Agentic Workflow và việc trao quyền không kiểm soát cho AI.
Human-in-the-loop nên được đặt theo mức độ rủi ro
Không phải mọi bước Back Office đều có cùng hậu quả nếu xảy ra sai sót. AI phân loại sai một tài liệu có thể tương đối dễ sửa, nhưng một hệ thống thực hiện sai thanh toán hoặc cập nhật sai dữ liệu quan trọng có thể tạo ra hậu quả lớn hơn nhiều.
Vì vậy, vị trí của con người nên được quyết định theo risk chứ không chỉ theo khả năng kỹ thuật. Hệ thống có thể tự động đọc, trích xuất, tìm kiếm, so sánh và chuẩn bị phương án; trong khi các bước như phê duyệt, thực hiện giao dịch tài chính, thay đổi dữ liệu quan trọng hoặc xử lý exception vẫn yêu cầu con người.
Khi workflow đã vận hành đủ lâu và doanh nghiệp có dữ liệu thực tế về chất lượng, một số ranh giới có thể được điều chỉnh. Mức độ tự động hóa vì vậy nên tăng dần dựa trên bằng chứng vận hành, thay vì đặt mục tiêu “full automation” ngay từ đầu.
Đừng tự động hóa một quy trình trước khi hỏi tại sao nó tồn tại
Đây là một trong những rủi ro lớn nhất của Back Office Automation.
Giả sử nhân viên phải copy một mã từ hệ thống A sang hệ thống B. Doanh nghiệp có thể xây bot để thực hiện thao tác đó nhanh hơn, nhưng trước tiên nên hỏi: Tại sao hai hệ thống cần cùng một dữ liệu nhưng không đồng bộ trực tiếp?
Tương tự, nếu một hồ sơ phải đi qua ba người kiểm tra, thay vì ngay lập tức tự động gửi hồ sơ qua ba bước, nên xác định ba bước kiểm tra đó có thực sự cần thiết hay không.
Automation có thể làm cho một quy trình chạy nhanh hơn. Nhưng nếu quy trình được thiết kế không tốt, doanh nghiệp chỉ đang làm nhanh hơn một công việc vốn không cần tồn tại.
Vì vậy, process redesign và automation nên được xem xét cùng nhau. Đôi khi giải pháp tốt nhất không phải tự động hóa một bước, mà là loại bỏ hoàn toàn bước đó.
Cách tìm cơ hội automation trong Back Office
Thay vì hỏi nhân viên “Công việc nào bạn muốn AI làm thay?”, hãy hỏi họ về những công việc đã thực hiện trong tuần vừa rồi: việc nào lặp lại nhiều nhất, hệ thống nào phải mở liên tục, dữ liệu nào thường xuyên phải copy, bước kiểm tra nào gần như giống nhau mỗi lần và tình huống nào mới thực sự buộc họ phải dừng lại để suy nghĩ.
Những câu hỏi này giúp doanh nghiệp nhìn thấy workflow thực tế thay vì thu thập một danh sách mong muốn về AI.
Một task đơn giản nhưng xảy ra hàng nghìn lần mỗi tháng có thể đáng ưu tiên hơn một use case AI rất ấn tượng nhưng chỉ xuất hiện vài lần. Để đánh giá sơ bộ, có thể bắt đầu bằng ba yếu tố: Time × Volume × Business Impact.
Ví dụ, một thao tác mất hai phút nhưng xảy ra 3.000 lần mỗi tháng tương đương khoảng 100 giờ thao tác. Sau đó doanh nghiệp tiếp tục xem xét feasibility và risk: dữ liệu có sẵn không, hệ thống có thể tích hợp không, nếu automation sai thì hậu quả thế nào và có cần con người phê duyệt hay không.
Từ đây, một danh sách “ý tưởng AI” bắt đầu trở thành danh sách business use case có thể ưu tiên.
PoC đầu tiên không nên là “tự động hóa Back Office”
Một scope như “Tự động hóa Back Office bằng AI” quá rộng để thiết kế và cũng quá rộng để đo lường.
Một điểm bắt đầu tốt hơn có thể là “Giảm thời gian tiếp nhận và phân loại hồ sơ A”, “Giảm thời gian tạo báo cáo X mỗi tuần” hoặc “Giảm thao tác nhập lại dữ liệu từ email vào hệ thống Y”.
Khi scope cụ thể, doanh nghiệp có thể đo baseline rõ ràng. Ví dụ, trước PoC mỗi hồ sơ mất trung bình 12 phút, mỗi tháng có 1.000 hồ sơ, 8% phải xử lý lại và nhân viên phải sử dụng ba hệ thống. Sau PoC, những chỉ số tương tự được đo lại để biết workflow mới có thực sự tạo ra cải thiện hay không.
Một PoC tốt vì vậy không chỉ chứng minh rằng AI có thể đọc tài liệu hay tạo nội dung. Nó phải giúp doanh nghiệp trả lời một câu hỏi thực tế hơn: “Nếu đưa giải pháp này vào workflow thật, chi phí hoặc thời gian xử lý có được cải thiện đủ để tiếp tục đầu tư hay không?”
FDE không bắt đầu bằng câu hỏi “Back Office cần AI gì?”
Nếu bắt đầu từ công nghệ, doanh nghiệp rất dễ tạo ra một danh sách dài: AI đọc tài liệu, AI viết email, AI làm báo cáo, AI nhập liệu hoặc AI Agent xử lý hồ sơ. Nhưng mỗi ý tưởng vẫn còn quá rộng để trở thành một dự án có thể triển khai.
Cách tiếp cận FDE bắt đầu từ việc quan sát công việc thật. Một hồ sơ đi vào doanh nghiệp như thế nào? Ai nhận? Họ kiểm tra gì? Thông tin nằm ở đâu? Tại sao phải mở Excel? Tại sao phải nhập lại? Khi nào xuất hiện exception? Bước nào thực sự cần judgment?
Từ đó, workflow có thể được phân tích theo một chuỗi rõ hơn: Remove → Redesign → Integrate → Automate → AI Assist → Agent → Human Decision.
Có thể kết quả cuối cùng chỉ sử dụng AI ở 20% quy trình. Điều đó hoàn toàn bình thường. Mục tiêu của dự án không phải tối đa hóa tỷ lệ AI, mà là tối ưu cách công việc được hoàn thành.
Back Office Automation tốt không loại bỏ con người, mà thay đổi nơi con người cần tham gia
Trong workflow truyền thống, một nhân viên có thể phải tham gia từ đầu đến cuối: nhận hồ sơ, đọc, nhập dữ liệu, kiểm tra, chuyển tiếp, cập nhật và báo cáo.
Sau khi thiết kế lại, hệ thống có thể nhận hồ sơ, AI đọc nội dung, API lấy dữ liệu, business rule kiểm tra điều kiện và workflow thực hiện các bước có thể xác định trước. Con người chỉ được đưa vào khi xuất hiện exception hoặc quyết định cần judgment.
Workflow chuyển từ Con người xử lý mọi transaction sang Hệ thống xử lý phần có thể chuẩn hóa, con người tập trung vào phần cần con người.
Đây thường là mục tiêu thực tế hơn việc cố gắng xây một AI Agent có khả năng thay thế toàn bộ quy trình.
Những công việc “không khó” có thể là nơi đáng bắt đầu nhất
Doanh nghiệp thường tìm AI use case bằng cách nghĩ đến những vấn đề lớn như AI dự báo, AI phân tích chiến lược hay AI đưa ra quyết định. Nhưng use case đầu tiên có giá trị đôi khi đơn giản hơn nhiều.
Một nhân viên không cần mất 20 phút mỗi sáng tổng hợp cùng một báo cáo. Một hồ sơ không cần được nhập lại ba lần. Một email không cần được chuyển thủ công qua bốn người. Một tài liệu không cần một nhân viên đọc toàn bộ chỉ để tìm năm trường thông tin. Một Manager không cần chờ đến cuối ngày mới nhận được dữ liệu vốn đã tồn tại từ buổi sáng.
Những vấn đề này không hào nhoáng, nhưng chúng xảy ra mỗi ngày. Chính vì vậy, giá trị tích lũy có thể đủ lớn để tạo thành một business case tốt cho automation.
Câu hỏi quan trọng cuối cùng không phải “AI có thể làm công việc Back Office nào?”, mà là:
“Con người đang dành thời gian cho công việc nào mà thực ra không cần con người?”
Từ đó, doanh nghiệp mới xác định phần nào nên loại bỏ, phần nào cần thiết kế lại, phần nào nên dùng API hoặc workflow automation, phần nào cần AI và phần nào thực sự cần khả năng của AI Agent.
Back Office của bạn đang có công việc nào “không khó nhưng mất thời gian”?
Nếu đội ngũ đang phải lặp lại những thao tác như đọc email, kiểm tra tài liệu, copy dữ liệu, đối chiếu Excel, nhập thông tin vào hệ thống hoặc tổng hợp báo cáo, doanh nghiệp chưa cần bắt đầu bằng một dự án AI Agent lớn.
Synora có thể cùng doanh nghiệp mapping một workflow cụ thể, đo thời gian và volume hiện tại, xác định bottleneck rồi đánh giá bước nào nên loại bỏ, bước nào nên tích hợp, bước nào phù hợp với automation và bước nào thực sự cần AI.
Điểm bắt đầu có thể chỉ là một quy trình nhỏ đang lặp lại mỗi ngày. Nếu chứng minh được giá trị ở đó, doanh nghiệp mới có cơ sở để mở rộng automation sang những workflow tiếp theo.
Rà soát một workflow Back Office
Chọn một công việc đang lặp lại mỗi ngày. Bắt đầu bằng cách tìm phần thời gian có thể giảm trước khi quyết định có cần AI Agent hay không.
Bắt đầu rà soát- Tải file từ email15’
- Nhập vào bảng tính35’
- Kiểm tra sai lệch25’
- Gửi duyệt20’