Tích hợp RPA và AI tạo sinh 2026 | Tự động hóa dừng lại ở nơi có phán đoán xen vào

Đã đưa RPA vào rồi mà thời gian tiết kiệm được lại chững lại giữa chừng. Nguyên nhân không nằm ở việc có quá nhiều ngoại lệ, mà ở chỗ trong dòng chảy nghiệp vụ có sự phán đoán xen vào. Bài viết này sắp xếp lại việc tích hợp RPA với AI tạo sinh theo hướng kết nối vào nút phán đoán chứ không phải thay thế. Chúng tôi chia quy trình xử lý thành 5 nút và tính toán khả năng hoàn vốn của 3 phương án trên một mô hình giả định cho doanh nghiệp sản xuất Nhật Bản tại Thái Lan.

Trước khi bàn về tích hợp RPA và AI tạo sinh, hãy xác định nơi tự động hóa đang dừng lại

Có một cảnh tượng rất quen thuộc tại các doanh nghiệp sản xuất vốn Nhật ở Thái Lan. Vài năm trước doanh nghiệp đưa RPA vào, một số kịch bản đã chạy được. Ngay sau khi triển khai, giờ làm thêm giảm xuống và thành quả này được đưa vào báo cáo. Nhưng từ năm thứ hai trở đi, mức tăng của thời gian tiết kiệm được dừng lại. Khi định xây thêm kịch bản mới, kết luận thường là “nghiệp vụ này nhiều ngoại lệ quá nên không tự động hóa được”, và danh sách nghiệp vụ mục tiêu dừng lại ở đó.

Chẩn đoán đưa ra ở thời điểm này thường rơi vào một trong ba điều. Quá nhiều ngoại lệ, hiện trường không hợp tác, công cụ đã cũ. Cả ba đều đúng một phần, nhưng chưa đủ để giải thích nguyên nhân. Bởi vì nếu ba điều đó là đúng thì chỉ cần dẹp bớt ngoại lệ, lôi kéo hiện trường tham gia và đổi sang công cụ mới là tỷ lệ tự động hóa phải tăng lên. Thực tế thì làm hết cả ba, vị trí chững lại vẫn gần như không đổi.

Những chỗ mà tự động hóa dừng lại đều có chung một tính chất. Đó là ở đó có sự phán đoán chen vào. Đơn giá trên xác nhận đơn hàng lệch 3 THB so với đơn giá lúc đặt. Số lượng thiếu một cái, nhưng có thể nhà cung cấp đã báo giao làm nhiều đợt. Tên hàng ghi là “tấm inox t1.0” trong khi bên kia ghi “tấm SUS 1.0t”. Trong những tình huống như vậy, thứ mà con người đang làm không phải là áp dụng quy tắc, mà là đọc bối cảnh rồi quyết định cho qua hay chặn lại. RPA có thể thực thi rẽ nhánh điều kiện, nhưng không thể tự tạo ra điều kiện. Với những nghiệp vụ mà phán đoán chưa được diễn đạt thành lời, RPA bất lực về mặt cấu trúc.

Có một khảo sát củng cố nhận định này. Hitachi Solutions đã thực hiện “Khảo sát nhận thức về việc thay thế và xem xét lại RPA sau triển khai” trong khoảng từ ngày 9 đến ngày 15 tháng 2 năm 2021, với đối tượng là người có thẩm quyền quyết định và người phụ trách thúc đẩy RPA tại các doanh nghiệp đã triển khai, 100 người trả lời. Kết quả cho thấy tỷ lệ đã thay đổi RPA hoặc đang cân nhắc bổ sung, thay đổi lên tới 93%. Và 40% nêu lý do cân nhắc thay đổi là “nghiệp vụ muốn tự động hóa lại không tự động hóa được”. Đây là khảo sát của năm 2021 chứ không phải số liệu gần đây, nhưng nó cho thấy ngay từ 5 năm trước người ta đã nhận ra rằng giới hạn của RPA nằm ở “tính chất của nghiệp vụ mục tiêu” chứ không phải ở “cách dùng”.

Mặt khác, vội vàng giao phán đoán cho máy cũng là quá sớm. Ngày 25 tháng 6 năm 2025, Gartner công bố dự báo rằng hơn 40% các dự án AI dạng tác nhân sẽ bị hủy bỏ trước cuối năm 2027. Lý do hủy bỏ được nêu là chi phí phình to, giá trị không rõ ràng và thiếu kiểm soát rủi ro. Cũng trong thông cáo đó, Gartner trình bày kèm kết quả một cuộc thăm dò thực hiện vào tháng 1 năm 2025 với hơn 3,400 câu trả lời, qua đó có thể thấy số tổ chức đã thực sự bước vào đầu tư nghiêm túc còn hạn chế. Cần lưu ý rằng cuộc thăm dò này không phải là mẫu của chính con số dự báo. Đồng thời Gartner cũng đưa ra nhận định rằng trong khi có hàng nghìn nhà cung cấp tự nhận mình làm AI dạng tác nhân, số thực sự có năng lực đó chỉ khoảng 130 công ty, hiện tượng được gọi là agent washing. Đặt ngay một tác nhân tự chủ vào nút phán đoán là lựa chọn khó nhìn thấy triển vọng hoàn vốn ở thời điểm hiện tại.

Lập trường của bài viết này nằm ở giữa. Né tránh nút phán đoán thì tỷ lệ tự động hóa không tăng, nhưng giao trọn nút phán đoán cho máy thì quá sớm. Nếu chèn phán đoán vào theo hình thức để máy soạn bản nháp rồi người phê duyệt, ta sẽ thấy bằng con số rằng hiệu quả đi được đến đâu và từ đâu thì hết tác dụng. Phần dưới đây trình bày cách hiệu quả đó vận hành, thông qua việc phân rã công đoạn và quy ra tiền.

Xin lưu ý rằng số lượng hồ sơ xử lý, phân bổ thời gian, đơn giá và chi phí dùng trong bài đều là giả định mô hình do bài viết này đặt ra, không phải số liệu đo thực tế của một doanh nghiệp cụ thể nào. Các thống kê có nguồn trích dẫn và các con số tính toán theo mô hình được phân biệt rõ ràng trong phần thân bài.

Chia nghiệp vụ thành 5 nút | RPA chỉ tự đảm nhận được 31%

Tổ chức mà bài viết này đặt làm mô hình có đặc điểm như sau. Đây là giả định phục vụ tính toán, không phải con số của một doanh nghiệp có thật.

• Bộ phận back office cấp vùng của một doanh nghiệp sản xuất vốn Nhật đặt tại tỉnh Chonburi, Thái Lan, tập trung xử lý mua hàng, bán hàng và lập hóa đơn cho 3 cơ sở
• Nghiệp vụ mục tiêu là đối chiếu xác nhận đơn hàng, phiếu giao hàng và hóa đơn từ nhà cung cấp, rồi đăng ký vào hệ thống lõi
• Số hồ sơ xử lý mỗi tháng là 8,000 hồ sơ, cả năm là 96,000 hồ sơ
• Thời gian hiện tại cho mỗi hồ sơ là 8.0 phút. Cả năm là 96,000 × 8 = 768,000 phút, tức 12,800 giờ
• Đơn giá nhân sự khối văn phòng là lương tháng 25,000 THB, nhân với hệ số 1.25 đã gồm các khoản đóng góp theo luật thành 31,250 THB mỗi tháng. Chia cho 160 giờ mỗi tháng, 31,250 ÷ 160 = 195.3, làm tròn thành 195 THB mỗi giờ
• Chi phí nhân sự quy đổi cả năm hiện tại là 12,800 × 195 = 2,496,000 THB

Chúng tôi chia 8.0 phút này thành 5 nút, không theo tiêu chí “ai làm” mà theo tiêu chí “cái gì đã hoàn tất”. Lý do là nếu cắt theo hành vi của người phụ trách thì ranh giới sẽ mờ đi khi nhiều người cùng làm song song.

Tỷ lệ tương ứng là 12.5 / 37.5 / 31.25 / 12.5 / 6.25, làm tròn thành 13 / 37 / 31 / 13 / 6.

Từ bảng này chỉ cần rút ra một điều. RPA tự mình chỉ đảm nhận được N1, N4 và N5, tổng cộng 2.5 phút, tức 31% toàn bộ. Khoảng 69% còn lại là “đọc” (N2, 37%) và “quyết” (N3, 31%), và cả hai đều nằm ngoài phạm vi mà RPA phụ trách được.

Cảm giác không khớp mà nhiều doanh nghiệp gặp phải khi triển khai RPA có nguồn gốc chính từ đây. Tài liệu của nhà cung cấp RPA viết là “tự động hóa nghiệp vụ theo khuôn mẫu”, và xử lý đặt hàng trông giống một nghiệp vụ theo khuôn mẫu. Nhưng khi thực sự phân rã công đoạn, phần theo khuôn mẫu chỉ chiếm khoảng 30%, phần còn lại là “đọc” và “quyết” không theo khuôn mẫu. Tỷ lệ tự động hóa chững lại ở mức khoảng 30% không phải vì kịch bản làm chưa kỹ, mà vì ngay từ đầu đó đã là trần.

Và điều quan trọng là cái trần 31% này không thể thay đổi bằng cải tiến nghiệp vụ. Nếu rà soát các mẫu ngoại lệ rồi thêm rẽ nhánh điều kiện vào kịch bản, trần có nhích lên đôi chút. Nhưng cứ mỗi lần thêm rẽ nhánh thì số dòng kịch bản lại tăng, và mỗi lần định dạng chứng từ thay đổi lại phát sinh bảo trì. Nếu tỷ lệ tự động hóa lên 35% mà công bảo trì tăng gấp đôi thì đó không phải là tiến bộ. Chừng nào còn chỉ dựa vào riêng RPA, tỷ lệ tự động hóa và chi phí bảo trì không thoát khỏi quan hệ đánh đổi.

Vì sao RPA dừng lại ở nút phán đoán | vấn đề cấu trúc chứ không phải số lượng ngoại lệ

Cách giải thích “nhiều ngoại lệ nên không tự động hóa được” tiện dụng trong thực tế nhưng không chính xác. Bản thân việc có nhiều ngoại lệ vẫn xử lý được nếu viết rẽ nhánh điều kiện. Lý do thật sự khiến RPA dừng lại là ở nút phán đoán, quan hệ tương ứng giữa đầu vào và đầu ra chưa được xác định trước.

Nếu phân rã những gì con người làm ở N3, ta thấy có ba loại công việc khác hẳn nhau về bản chất trộn lẫn vào nhau.

RPA thực thi được hai loại đầu và không với tới loại thứ ba. Mà thứ ngốn thời gian ở hiện trường lại chính là loại thứ ba. Không hiếm doanh nghiệp có tiêu chí nội bộ kiểu chênh lệch đơn giá trong vòng 1% thì cho qua, nhưng luôn xuất hiện những tình huống không áp dụng được tiêu chí đó. Chẳng hạn như ngay sau khi giá nguyên vật liệu biến động, hoặc với một đối tác mới, hoặc trong trường hợp chỉ riêng số tiền quy theo THB bị lệch do tỷ giá. Ở đó con người đưa ra những phán đoán nằm ngoài tiêu chí, kiểu như lần này cho qua nhưng lần sau sẽ xác nhận lại.

Nếu bỏ qua cấu trúc này mà cứ tiếp tục thêm rẽ nhánh điều kiện thì chuyện gì xảy ra. Kết cục thường gặp là robot vô chủ. Người phụ trách tự sửa kịch bản cho khớp với nghiệp vụ của mình, và bản sửa đó lên vận hành mà không được ghi thành tài liệu. Khi người tạo ra nó chuyển bộ phận, không còn ai giải thích được vì sao nhánh đó lại có ở đấy. Đến lúc kiểm toán hỏi “quy trình này được thông qua theo tiêu chí nào” thì không ai trả lời được, và cuối cùng là dừng kịch bản để quay lại làm tay. Đây là một phần lý do khiến tỷ lệ xem xét lại RPA cao đến vậy.

Một kết cục khác là ngoại lệ bị đẩy ngược lại. Những hồ sơ RPA không xử lý được sẽ chất vào hàng đợi ngoại lệ để người xử lý. Hàng đợi ngoại lệ này lại khó nhằn hơn cả nghiệp vụ trước khi tự động hóa. Vì hồ sơ quay về trong trạng thái đã đứt mạch bối cảnh, người phụ trách phải xem lại chứng từ từ đầu. Thời gian cho phần RPA đã xử lý đúng là có giảm, nhưng thời gian xử lý mỗi ngoại lệ lại tăng lên. Phần lớn lý do khiến tổng thời gian tiết kiệm không tăng như dự kiến nằm ở phần chi phí xử lý ngoại lệ tăng thêm này.

Vì vậy, câu hỏi để đưa tự động hóa sang giai đoạn tiếp theo không phải là “làm sao giảm ngoại lệ”. Mà là ai đảm nhận nút phán đoán. Chỉ có ba lựa chọn. Người tiếp tục đảm nhận, viết tiêu chí thành văn hoàn chỉnh rồi giao cho RPA, hoặc để AI tạo sinh soạn nháp và người phê duyệt. Lựa chọn thứ hai là lý tưởng nhưng không khả thi với những phán đoán đi kèm việc tạo ra tiêu chí. Lựa chọn thực tế là so sánh giữa cái thứ nhất và cái thứ ba. Về phương án giao trọn cho tác nhân AI tự chủ, bao gồm cả góc nhìn kiểm soát, chúng tôi đã trình bày trong bài viết tổng hợp thực tiễn triển khai tác nhân AI.

Chỉ có 3 chỗ để kết nối AI tạo sinh | hỗ trợ trích xuất, soạn nháp phán đoán, giải thích ngoại lệ

Khi đưa AI tạo sinh vào tự động hóa nghiệp vụ, thiết kế cần tránh nhất là tư duy “thay RPA bằng AI tạo sinh”. N1, N4 và N5 là lặp lại các bước đã cố định, và ở đây RPA rẻ hơn, nhanh hơn và cho kết quả ổn định hơn. Không có lý do hợp lý nào để bắt AI tạo sinh đăng ký dữ liệu vào hệ thống lõi. Như UiPath đã sắp xếp, việc AI tạo sinh đảm nhận phần “đọc và diễn giải” còn RPA đảm nhận phần “thu thập và đăng ký” là cách phân vai thuận cả về mặt triển khai lẫn chi phí.

Nhìn theo mô hình 5 nút của bài viết này, chỗ nên kết nối AI tạo sinh chỉ giới hạn ở 3 điểm.

Hãy bắt đầu từ hỗ trợ trích xuất. Chỉ riêng AI-OCR đã đọc được chứng từ theo khuôn mẫu, nhưng với xác nhận đơn hàng có bố cục khác nhau theo từng nhà cung cấp thì sẽ tắc ở khâu ánh xạ trường dữ liệu. Việc xác định cột nào là đơn giá trên một chứng từ không hề có chữ “đơn giá” chính là loại việc đó. Chèn AI tạo sinh vào đây thì có thể suy ra ý nghĩa của cột từ các từ xung quanh và độ lớn của con số, nhờ đó giảm được công sức tự tay dựng định nghĩa chứng từ cho từng nhà cung cấp. Tuy nhiên độ chính xác đọc vẫn phụ thuộc vào năng lực của engine OCR, nên thêm AI tạo sinh không có nghĩa là không cần OCR nữa. Các tiêu chí chọn engine được tổng hợp trong bài so sánh AI-OCR.

Soạn nháp phán đoán là trọng tâm của bài viết này. Thứ cần bắt AI tạo sinh xuất ra ở đây không phải là “phê duyệt” hay “bác bỏ”, mà là bộ đôi khuyến nghị và căn cứ. Ví dụ, đầu ra sẽ có dạng như sau. “Đơn giá đặt hàng là 12.50 THB trong khi đơn giá trên hóa đơn là 12.80 THB, chênh 2.4% và vượt ngưỡng cho phép nội bộ là 1%. Tuy nhiên mặt hàng này đã có thông báo điều chỉnh giá nguyên vật liệu vào tháng trước qua email ngày 2026-07-14. Khả năng cao là do chưa cập nhật đơn giá mới, khuyến nghị xác nhận với bộ phận mua hàng.” Người phụ trách đọc đoạn văn này rồi quyết định bấm nút phê duyệt hay trả lại. Công việc của người phụ trách chuyển từ “tra cứu rồi suy nghĩ” sang “đọc rồi quyết định”.

Điểm mấu chốt của thiết kế này là không trao quyền quyết định cuối cùng cho AI tạo sinh. Chừng nào quyền quyết định còn ở người thì dù đầu ra có sai, nghiệp vụ vẫn không dừng. Ngược lại, cái sai còn được lưu lại dưới dạng nhật ký trả lại và trở thành nguyên liệu cải thiện prompt cũng như tiêu chí. Còn nếu trao quyền quyết định đi thì cái sai sẽ lọt vào hệ thống lõi mà không bị phát hiện, và việc phát hiện sẽ đến sau đó vài tháng. Xét việc một trong các lý do hủy dự án mà Gartner nêu ra là “thiếu kiểm soát rủi ro”, thiết kế giữ lại quyền quyết định cho người không phải là bảo thủ mà là thực tế.

Giải thích ngoại lệ nghe có vẻ không hào nhoáng nhưng lại hiệu quả. Hồ sơ rơi vào hàng đợi ngoại lệ thường đến tay người phụ trách mà không kèm lý do vì sao bị rớt. Hãy để AI tạo sinh tóm tắt trong 3 dòng “cái gì lệch với cái gì và lệch ra sao”, rồi hiển thị cùng hồ sơ. Chỉ riêng điều đó cũng làm thời gian xử lý mỗi ngoại lệ giảm thấy rõ. Chính điểm kết nối ít được chú ý này mới là thứ triệt tiêu “phần thời gian xử lý tăng thêm do ngoại lệ bị đẩy ngược” đã nói ở mục trước.

Cần lưu ý rằng để kết nối được vào 3 chỗ này, dữ liệu nghiệp vụ phải tồn tại ở đâu đó trong trạng thái có cấu trúc. Với những công đoạn mà sổ theo dõi nhập tay trên Excel là bản ghi duy nhất thì phải sắp xếp lại cách lưu trữ dữ liệu trước khi kết nối AI tạo sinh. Về thứ tự này, xin tham khảo bài viết về tự động hóa công việc Excel bằng AI.

Kiểm soát và lưu vết | để máy soạn nháp phán đoán thì phải lưu thêm nhiều thứ

Khi chèn AI tạo sinh vào nút phán đoán, số thứ phải ghi lại sẽ tăng lên. Đây là hạng mục cần được dự trù chi phí ngay từ đầu, vì bổ sung về sau sẽ phải làm lại thiết kế.

Với cấu hình chỉ có RPA, lưu vết chỉ cần gồm “khi nào, kịch bản nào, dữ liệu nào, đã đăng ký vào hệ thống nào”. Vì xử lý mang tính tất định, cùng một đầu vào sẽ cho ra cùng một đầu ra. Nhưng AI tạo sinh không nhất thiết luôn trả về cùng một đầu ra từ cùng một đầu vào. Do đó, để tái hiện được về sau câu hỏi “vì sao lại ra phán đoán đó”, cần lưu trọn bộ các yếu tố sau.

Thứ mà phần lớn hiện trường bỏ sót đầu tiên là tên mô hình và phiên bản prompt. Cải thiện prompt là công việc vận hành hằng ngày, nhưng mỗi lần cải thiện thì xu hướng phán đoán lại thay đổi. Khi bị yêu cầu giải trình trong kiểm toán về một hồ sơ của nửa năm trước, nếu prompt thời điểm đó không còn thì không thể nói được “khi ấy chúng tôi phán đoán như thế này”. Quyết định ngay từ đầu rằng prompt được đối xử như mã nguồn và quản lý phiên bản sẽ là cách rẻ nhất.

Việc ghi lại lý do trả lại cũng không chỉ phục vụ kiểm soát. Đề xuất của AI tạo sinh được thông qua nguyên vẹn ở mức độ nào, tức tỷ lệ chấp nhận phán đoán, chỉ có thể đo được từ bản ghi này. Vì phân tích độ nhạy nói ở phần sau cho thấy tỷ lệ chấp nhận chi phối quyết định đầu tư, một thiết kế không đo được tỷ lệ chấp nhận cũng đồng nghĩa với một thiết kế không đo được quyết định đầu tư. Trên màn hình phê duyệt hãy đặt ba lựa chọn “phê duyệt”, “sửa rồi phê duyệt” và “bác bỏ”, đồng thời bắt buộc gắn danh sách lý do cho hai lựa chọn sửa và bác bỏ.

Cách xử lý dữ liệu cá nhân cũng phải chốt ngay khi thiết kế. Tên người phụ trách và địa chỉ email của đối tác là dữ liệu cá nhân, và tại Thái Lan chúng thuộc phạm vi điều chỉnh của PDPA. Với cấu hình đưa toàn văn chứng từ cho AI tạo sinh, những dữ liệu này sẽ được gửi ra API bên ngoài. Các biện pháp thực tế là che những trường không cần thiết trước khi gửi, định nghĩa thành văn bản phạm vi dữ liệu gửi ra API bên ngoài, và ký thỏa thuận xử lý dữ liệu với bên nhận ủy thác. Ba việc này không khó về mặt kỹ thuật, nhưng nếu đưa vào sau thì sẽ phải làm lại toàn bộ đường đi của dữ liệu.

Chia chi phí thành 5 lớp | mua đến lớp nào thì thời gian hoàn vốn đổi theo

Chia chi phí thành từng lớp là để có thể ra quyết định dừng giữa chừng. Với một báo giá trọn gói, ta không thấy được “mua cái này thì làm được đến đâu”, và khi hiệu quả không như mong đợi cũng không biết cắt cái gì. Dưới đây là 5 lớp đặt trên giả định gộp chung 3 cơ sở. Toàn bộ số tiền là giả định mô hình của bài viết này, không phải báo giá thực tế.

Thứ tự các lớp có ý nghĩa riêng. Lớp 1 đến trước bất kỳ lớp nào khác. Bởi nếu nghiệp vụ mục tiêu chưa được chia thành các nút thì cả kịch bản RPA lẫn định nghĩa chứng từ của AI-OCR đều không xác định được cần làm cái gì. Với chi phí ban đầu 280,000 THB của lớp 1, thứ nhận được chỉ là sơ đồ dòng chảy nghiệp vụ, danh mục ngoại lệ và tài liệu tiêu chí phán đoán, không có thêm thiết bị hay phần mềm nào. Chính quyết định “đây là chi phí khảo sát nên cắt đi” mới là thứ làm giảm độ chính xác báo giá của toàn bộ các lớp phía sau.

Với nền tảng RPA ở lớp 2, cần chú ý rằng chi phí vận hành hằng năm 380,000 THB là khá lớn so với chi phí ban đầu 620,000 THB. RPA không phải đưa vào là xong, mà mỗi lần định dạng chứng từ đổi hoặc hệ thống lõi được nâng cấp thì lại phát sinh chỉnh sửa kịch bản. Nếu triển khai mà không dự trù chi phí vận hành, đến năm thứ hai kịch bản sẽ bị bỏ mặc vì lý do “không có ngân sách bảo trì”, và những kịch bản đã ngừng chạy cứ chất đống lên.

Lớp phán đoán bằng AI tạo sinh ở lớp 4 có cơ cấu chi phí khác hẳn các lớp còn lại. Bản thân phí sử dụng API chỉ là một phần trong 360,000 THB vận hành hằng năm, phần lớn là thiết kế và cải thiện prompt cùng với việc xây dựng màn hình phê duyệt. Nếu dự toán lớp này theo kiểu “chỉ là gọi API của AI thôi” thì chắc chắn sẽ thiếu. Thực chất của lớp này là công đoạn tinh chỉnh hình thức trình bày căn cứ sao cho khớp với nghiệp vụ.

Lớp 5 kiểm soát và lưu vết là lớp hiện thực hóa các hạng mục lưu trữ đã nêu ở mục trước. Vì tự nó không tạo ra hiệu quả nên rất dễ bị cắt, nhưng nếu đã mua lớp 4 thì lớp 5 là bắt buộc. Cấu hình để máy soạn nháp phán đoán mà không giữ lại lưu vết chính là tự tạo ra tình trạng không giải trình được khi kiểm toán.

Tuy vậy lớp 5 không phải chỉ tồn tại vì lớp 4. Ngay cả cấu hình chỉ có RPA cũng cần quản lý phiên bản kịch bản, quản lý quyền thực thi và cách xử lý dữ liệu cá nhân đã đi qua hệ thống. Bỏ những thứ này đi thì robot vô chủ nói ở trên sẽ tăng lên. Vì vậy cả 3 phương án ở mục sau đều tính gộp lớp 5 vào.

Cũng cần nói thêm rằng không phải cấu hình nào cũng phải mua đủ 5 lớp này. Như mục sau cho thấy, mua đến lớp nào thì số năm hoàn vốn thay đổi theo. Nếu bản thân nghiệp vụ đặt hàng chưa được quản lý bằng hệ thống thì trước 5 lớp này còn phải chỉnh trang phía hệ thống lõi. Phạm vi đó được sắp xếp trong bài viết về hệ thống quản lý đặt hàng và mua hàng.

Tính toán 3 phương án | đưa RPA vào trước một mình lại hoàn vốn chậm nhất

Từ đây chúng ta bước vào so sánh bằng tiền. Chúng tôi đặt ra 3 phương án và đối chiếu các lớp cần thiết với hiệu quả cắt giảm tương ứng. Toàn bộ nội dung dưới đây là tính toán dựa trên giả định mô hình của bài viết, không phải số liệu đo thực tế.

Phương án A | chỉ đưa RPA vào. Phần tự động hóa được là N1, N4 và N5, cắt giảm 2.5 phút. Mỗi hồ sơ giảm từ 8.0 phút xuống 5.5 phút, tức rút ngắn 31%. Cả năm là 96,000 × 2.5 = 240,000 phút, tức 4,000 giờ. Quy ra tiền là 4,000 × 195 = 780,000 THB mỗi năm.

Phương án B | RPA cộng AI-OCR. Ngoài phương án A còn cơ giới hóa 80% của N2. Cộng thêm 3.0 × 0.8 = 2.4 phút, tổng cắt giảm lũy kế là 4.9 phút. Mỗi hồ sơ còn 3.1 phút, tức rút ngắn 61%. Cả năm là 96,000 × 4.9 = 470,400 phút, tức 7,840 giờ. Quy ra tiền là 1,528,800 THB mỗi năm.

Phương án C | RPA cộng AI-OCR cộng AI tạo sinh hỗ trợ phán đoán. Cắt thêm 60% của N3 bằng bản nháp của AI tạo sinh. Cộng thêm 2.5 × 0.6 = 1.5 phút, tổng cắt giảm lũy kế là 6.4 phút. Mỗi hồ sơ còn 1.6 phút, tức rút ngắn 80%. Cả năm là 96,000 × 6.4 = 614,400 phút, tức 10,240 giờ. Quy ra tiền là 1,996,800 THB mỗi năm.

Tiếp theo là bảng liệt kê các lớp cần thiết và số tháng hoàn vốn giản đơn của từng phương án.

Các phép tính đều là hoàn vốn giản đơn, lấy vốn đầu tư ban đầu chia cho lợi ích ròng hằng năm. A là 1,220,000 ÷ 250,000 = 4.88 năm, tức 58.6 tháng. B là 1,640,000 ÷ 698,800 = 2.35 năm, tức 28.2 tháng. C là 2,200,000 ÷ 806,800 = 2.73 năm, tức 32.7 tháng.

Kết luận mà bảng này cho thấy đi ngược trực giác. Phương án hoàn vốn chậm nhất lại chính là phương án A, phương án trông có vẻ thận trọng nhất. Thứ tự “cứ bắt đầu nhỏ với riêng RPA đã, có hiệu quả rồi mới mở rộng” trông rất chắc tay về mặt ra quyết định. Nhưng nhìn bằng con số, A có vốn đầu tư ban đầu 1,220,000 THB mà lợi ích ròng hằng năm chỉ 250,000 THB, phải mất gần 5 năm mới hoàn vốn. Lý do rất rõ. A không đụng tới nút phán đoán lẫn nút trích xuất nên hiệu quả chững lại ở 31%, trong khi các chi phí nền tảng gồm nền tảng RPA ở lớp 2 và kiểm soát ở lớp 5 vẫn phải trả trước. Nền tảng thì trả trước, hiệu quả thì dừng ở trần. Đó chính là tổ hợp hoàn vốn tệ nhất.

Hoàn vốn nhanh nhất là phương án B với 28.2 tháng. Khi giao phần “đọc” cho máy bằng AI-OCR, cắt giảm tăng gần gấp đôi từ 2.5 phút lên 4.9 phút, trong khi chi phí tăng thêm chỉ có lớp 3. Chênh lệch giữa tốc độ tăng của tử số và mẫu số chính là chênh lệch số tháng hoàn vốn.

Cần lưu ý rằng hiệu quả của 3 phương án này chưa tính phần chi phí xử lý ngoại lệ tăng thêm. Như sẽ nói ở phần sau, tỷ lệ tự động hóa càng cao thì những hồ sơ đến tay người càng chỉ còn toàn ca khó, và thời gian xử lý mỗi hồ sơ sẽ dài ra. Nếu tính vào thì hiệu quả của A và B còn giảm nữa, và C với khả năng tóm tắt ngoại lệ sẽ có lợi thế tương đối. Nói cách khác, so sánh dưới đây đang khá khắt khe với C.

Phương án C hoàn vốn trong 32.7 tháng, chậm hơn B 4.5 tháng. Tuy nhiên lợi ích ròng hằng năm là 806,800 THB, cao nhất trong 3 phương án. Nếu ưu tiên hàng đầu là thời gian hoàn vốn thì chọn B, còn nếu có vốn để đầu tư và muốn tối đa hóa lợi nhuận hằng năm thì chọn C. Hai bên không hơn kém nhau mà chỉ khác nhau ở ràng buộc vốn và cách đặt trục thời gian.

Có 2 hàm ý thực tiễn. Thứ nhất, dừng lại ở riêng RPA là lựa chọn không có tính hợp lý. Không có nghĩa A là lỗ. Với 1,220,000 THB ban đầu vẫn tạo ra 250,000 THB lợi ích ròng hằng năm, nên sau khi hoàn vốn thì đó là phần tăng thuần. Nhưng so với B thì hiệu quả sử dụng vốn kém rõ rệt. Vì đằng nào cũng phải mua lớp 1 và lớp 2 trước, tiến luôn tới B với cả lớp 3 mới là hợp lý. Thứ hai, ngay cả khi chọn B thì cũng không được lược bỏ lớp 1. Bỏ qua rà soát nghiệp vụ và phân rã nút thì cả phạm vi chứng từ cho AI-OCR đọc lẫn ranh giới kịch bản RPA đều không xác định được, và kết quả là dự toán của lớp 2 và lớp 3 phình lên. Khoản 280,000 THB của lớp 1 là chi phí mua độ chính xác cho các dự toán phía sau.

Độ nhạy | nếu tỷ lệ chấp nhận phán đoán tụt dưới 46% thì nên hoãn lớp 4

Khi ra quyết định đầu tư, bắt buộc phải đặt ra kịch bản mọi thứ không diễn ra như dự kiến. Điều cần chú ý ở đây là cách áp hệ số độ nhạy. Không được làm phép tính nhân đồng loạt một hệ số kiểu “hiệu quả chỉ đạt 70%” lên toàn bộ hiệu quả. Việc lấy email ở N1 hay việc OCR đọc chứng từ ở N2 vẫn phát huy tác dụng bất kể AI tạo sinh làm tốt hay dở. Thứ thay đổi chỉ là hạng mục N3, và cách đúng là chỉ thay riêng phần đó.

Kịch bản không như ý mà bài viết đặt ra là trường hợp tỷ lệ chấp nhận phán đoán của AI tạo sinh tụt từ 60% xuống 40%. Tức là dự kiến 60% số đề xuất được phê duyệt nguyên vẹn, nhưng thực tế chỉ 40% được thông qua, phần còn lại người phụ trách rốt cuộc vẫn phải tự tra cứu lại.

Khi đó phần cắt giảm của N3 là 2.5 × 0.4 = 1.0 phút, giảm so với 1.5 phút ban đầu. Phần cắt giảm 4.9 phút của N1, N2, N4 và N5 không đổi, nên tổng cắt giảm lũy kế là 4.9 + 1.0 = 5.9 phút. Cả năm là 96,000 × 5.9 = 566,400 phút, tức 9,440 giờ. Quy ra tiền là 1,840,800 THB mỗi năm.

Phía chi phí không đổi. Cả lớp 4 lẫn lớp 5 đều đã triển khai, và 1,190,000 THB vận hành hằng năm vẫn phải trả nguyên. Do đó lợi ích ròng hằng năm của phương án C là 1,840,800 − 1,190,000 = 650,800 THB, và thời gian hoàn vốn kéo dài thành 2,200,000 ÷ 650,800 = 3.38 năm, tức 40.6 tháng.

Điểm mang tính quyết định ở đây là con số lợi ích ròng hằng năm 650,800 THB này thấp hơn mức 698,800 THB của phương án B. Với tỷ lệ chấp nhận 40%, thay vì bỏ 560,000 THB vào lớp 4 rồi trả tiếp 360,000 THB mỗi năm, việc không mua lớp 4 và dừng ở B lại cho lợi nhuận lớn hơn. Lớp 4 không phải là “hiệu quả mờ dần đi”, mà là khi tỷ lệ chấp nhận tụt xuống dưới một ngưỡng nhất định thì không còn đứng vững với tư cách một khoản đầu tư.

Ngưỡng đó tính được. Trong mô hình này, trước hết hãy tính xem việc rút ngắn 1 phút mỗi hồ sơ tương đương bao nhiêu tiền mỗi năm. 96,000 hồ sơ ÷ 60 = 1,600 giờ cho mỗi phút được rút ngắn, nhân với 195 THB được 312,000 THB. Tức là rút ngắn 1 phút tương đương 312,000 THB mỗi năm. Đặt tỷ lệ chấp nhận là r, lợi ích ròng hằng năm của phương án C là 312,000 × (4.9 + 2.5r) − 1,190,000. Ta giải tìm r sao cho giá trị này bằng 698,800 THB của phương án B.

Sắp xếp lại 312,000 × (4.9 + 2.5r) − 1,190,000 = 698,800 ta được 780,000r = 360,000, từ đó r = khoảng 46%.

Vì vậy kết luận của bài viết này là như sau. Khoản đầu tư vào lớp 4, tức lớp phán đoán bằng AI tạo sinh, có điểm rẽ nằm ở chỗ tỷ lệ chấp nhận phán đoán có vượt khoảng 46% hay không. Không thể dựa vào cảm tính kiểu “chắc khoảng 50% sẽ được thông qua”, mà cần ước lượng có căn cứ xem nghiệp vụ của chính doanh nghiệp mình có triển vọng vượt mức đó hay không.

Và điều quan trọng trong thực tế là tỷ lệ chấp nhận này đo được trước khi đầu tư. Ngay ở giai đoạn rà soát nghiệp vụ của lớp 1, chỉ cần lấy mẫu vài chục hồ sơ chênh lệch trong quá khứ, cho AI tạo sinh đưa ra khuyến nghị rồi đối chiếu với phán đoán của người phụ trách khi đó là ra được mức tỷ lệ chấp nhận ước chừng. Bỏ vài chục nghìn THB cho việc kiểm chứng này trước khi bỏ 560,000 THB vào lớp 4 rõ ràng là thứ tự rẻ hơn hẳn. Nếu tỷ lệ chấp nhận thấp hơn 46% khá nhiều thì nên hoãn lớp 4, dừng ở B và ưu tiên viết tiêu chí phán đoán thành văn trước. Khi tiêu chí đã thành văn thì tỷ lệ chấp nhận sẽ tăng, nên lớp 4 không phải là thứ để “mua” mà là thứ “chỉ mua sau khi đã xác nhận nó khả thi”.

Nền tảng pháp lý khác nhau giữa Thái Lan và Việt Nam

Với doanh nghiệp có nhiều cơ sở trong khu vực ASEAN, trước khi nhân rộng cùng một cơ chế cần xác nhận lại nền tảng pháp lý. Tại thời điểm tháng 8 năm 2026, tình hình Thái Lan và Việt Nam khác nhau rất nhiều. Đang có nhiều thông tin lẫn lộn hai nước này, nên trước hết hãy nắm chính xác hiện trạng.

Việt Nam đã có hiệu lực. Luật Trí tuệ nhân tạo được Quốc hội thông qua ngày 10 tháng 12 năm 2025 và có hiệu lực từ ngày 1 tháng 3 năm 2026. Luật phân loại hệ thống AI theo 3 mức rủi ro cao, trung bình và thấp, đồng thời buộc bên cung cấp phải hoàn tất đánh giá xem hệ thống của mình thuộc mức nào trước khi đưa vào vận hành. Các hệ thống đã hoạt động từ trước ngày có hiệu lực được hưởng quy định chuyển tiếp, với thời gian ân hạn 12 tháng cho lĩnh vực thông thường và 18 tháng cho y tế, giáo dục và tài chính. Quy định chi tiết được đặt tại Nghị định 142/2026/NĐ-CP, ban hành ngày 30 tháng 4 năm 2026 và có hiệu lực từ ngày 1 tháng 5 năm 2026, trong đó quy định chi tiết về phân loại rủi ro, nghĩa vụ gắn nhãn nội dung do AI tạo ra, và việc báo cáo sự cố nghiêm trọng trong vòng 72 giờ. Nghị định này áp dụng cả với tổ chức nước ngoài có hoạt động liên quan đến AI tại Việt Nam.

Ở đây việc không đánh rơi các giới hạn phạm vi là rất quan trọng. Các mục đích sử dụng nội bộ ở khối back office như đối chiếu hóa đơn hay khớp xác nhận đơn hàng thông thường không thuộc nhóm “rủi ro cao”. Các mục đích sử dụng thuộc nhóm rủi ro cao đã được liệt kê theo lĩnh vực tại Quyết định 33/2026/QĐ-TTg của Thủ tướng Chính phủ ngày 30 tháng 6 năm 2026 với 46 hệ thống, và có hiệu lực từ ngày 15 tháng 8 năm 2026. Phạm vi gồm 6 lĩnh vực là giao thông vận tải, dân tộc và tôn giáo, giáo dục, y tế, ngân hàng và tư pháp, trong đó giao thông vận tải chiếm nhiều nhất với 31 hệ thống. Điều quan trọng là đây là cách tiếp cận chỉ coi những gì có trong danh mục mới là rủi ro cao. Cơ chế giúp tăng hiệu suất xử lý kế toán nội bộ không nằm trong danh mục này, nên không tự động trở thành đối tượng của các quy định dành cho rủi ro cao. Cách hiểu “cứ dùng AI là chắc chắn bị áp quy định rủi ro cao” là sai. Việc cần làm trên thực tế là thực hiện đánh giá phân loại rủi ro và lưu lại hồ sơ, xác nhận xem nghĩa vụ gắn nhãn nội dung do AI tạo ra có chạm tới cách vận hành của doanh nghiệp mình hay không, và chuẩn bị sẵn kênh báo cáo sự cố nghiêm trọng sao cho chạy được trong vòng 72 giờ.

Thái Lan thì chưa ban hành. Luật về AI vẫn đang ở giai đoạn dự thảo, và tại thời điểm tháng 8 năm 2026 chưa có luật AI tổng thể nào có hiệu lực. Do đó nền tảng pháp lý khi đưa AI vào nghiệp vụ tại cơ sở Thái Lan vẫn tiếp tục là PDPA, tức Luật Bảo vệ dữ liệu cá nhân. Ngày 17 tháng 2 năm 2026, PDPC đã đưa dự thảo “Hướng dẫn về bảo vệ dữ liệu cá nhân trong phát triển và sử dụng AI” ra lấy ý kiến công khai. Hướng dẫn này không có hiệu lực ràng buộc pháp lý, nhưng nên được xem như chỉ dấu về mức kỳ vọng của cơ quan quản lý và hướng diễn giải trong tương lai. Dự thảo có đề cập tới việc đưa điều khoản cấm dùng dữ liệu để huấn luyện mô hình vào hợp đồng ủy thác xử lý dữ liệu, và yêu cầu đánh giá tác động bảo vệ dữ liệu đối với các trường hợp sử dụng AI có rủi ro cao.

Chế tài hành chính của PDPA có mức trần khác nhau theo từng điều khoản, được chia thành 3 bậc là 1,000,000 THB, 3,000,000 THB và tối đa 5,000,000 THB. Với mục đích sử dụng ở khối back office như bài viết giả định, hai điểm dễ phát sinh vấn đề nhất là sử dụng ngoài mục đích khi chưa có sự đồng ý, và quản lý bên nhận ủy thác lỏng lẻo. Cấu hình gửi nguyên cả chứng từ tới API của AI tạo sinh có khả năng chạm trực tiếp vào 2 điểm này.

Về mặt thực tiễn khi nhân rộng, cách rẻ nhất là thiết kế phần kiểm soát và lưu vết ở lớp 5 theo chuẩn Việt Nam. Vì yêu cầu của Việt Nam cụ thể hơn, nên nếu làm theo đó thì khi hướng dẫn của Thái Lan được chốt trong tương lai, phần phải làm lại cũng nhỏ. Ngược lại, nếu làm theo chuẩn Thái Lan rồi mới mang sang Việt Nam thì sẽ phải gắn thêm phần hồ sơ phân loại rủi ro và kênh báo cáo sự cố về sau.

6 kiểu thất bại của tích hợp RPA và AI tạo sinh

Xin sắp xếp lại toàn bộ nội dung ở trên dưới dạng các kiểu thất bại. Tất cả đều là những mẫu lặp đi lặp lại trong thực tế.

Kiểu 1 | Cố thay RPA bằng AI tạo sinh. Thiết kế bắt AI tạo sinh làm cả những xử lý theo khuôn mẫu ở N1, N4 và N5 sẽ làm chi phí tăng, kết quả kém ổn định và lưu vết phình ra. Với 3 nút này, RPA rẻ hơn và chắc chắn hơn. AI tạo sinh không phải để thay thế mà là để bổ sung vào N2 và N3, những chỗ RPA không với tới.

Kiểu 2 | Bỏ qua lớp 1 mà bắt đầu từ công cụ. Nếu chọn công cụ trước mà không rà soát nghiệp vụ và phân rã nút thì việc phát triển sẽ bắt đầu khi phạm vi nghiệp vụ mục tiêu còn chưa được xác định. Kết quả là yêu cầu bổ sung kịch bản nảy sinh không giới hạn, và chi phí lớp 2 cùng lớp 3 vượt dự toán ban đầu. Đây là kiểu tiếc 280,000 THB để rồi mất hàng trăm nghìn THB.

Kiểu 3 | Mua lớp 4 mà không đo tỷ lệ chấp nhận phán đoán. Như mục trước đã nêu, khi tỷ lệ chấp nhận tụt dưới khoảng 46% thì lớp 4 không còn đứng vững với tư cách một khoản đầu tư. Tỷ lệ chấp nhận đo được bằng kiểm chứng trên mẫu trước khi đầu tư. Mua mà không đo cũng giống như phó mặc thành bại của việc hoàn vốn cho may rủi.

Kiểu 4 | Để việc thiết kế lưu vết lại sau cùng. Thiết kế lưu tên mô hình và phiên bản prompt, người phê duyệt và lý do trả lại nếu bổ sung sau khi đã vận hành sẽ thành cải tạo toàn bộ đường đi dữ liệu. Hơn nữa, tỷ lệ chấp nhận của quãng thời gian không ghi lý do trả lại là không thể khôi phục về sau, nên chu kỳ cải tiến bị chậm mất trọn một vòng.

Kiểu 5 | Khoán trắng phán đoán cho tác nhân tự chủ. Xét việc Gartner dự báo hơn 40% dự án AI dạng tác nhân sẽ bị hủy trước cuối năm 2027 và nêu lý do là thiếu kiểm soát rủi ro, thì thiết kế không giữ lại khâu phê duyệt cho con người ở thời điểm hiện tại rất khó nhìn thấy triển vọng hoàn vốn. Ngoài ra Gartner còn nhận định rằng trong số các nhà cung cấp tự nhận làm AI dạng tác nhân, chỉ khoảng 130 công ty là có thực chất. Ở giai đoạn chọn sản phẩm, cần tách bạch và xác nhận rõ cái gì là tự chủ và cái gì chỉ là soạn nháp.

Kiểu 6 | Đưa vào vận hành mà không thiết kế hàng đợi ngoại lệ. Tỷ lệ tự động hóa càng cao thì những hồ sơ đến tay người càng chỉ còn toàn ca khó. Nếu ngoại lệ cứ chất đống mà không kèm giải thích bối cảnh thì thời gian xử lý mỗi hồ sơ còn dài hơn cả trước khi tự động hóa. Việc để AI tạo sinh tóm tắt ngoại lệ chính là để triệt tiêu phần tăng thêm này. Một bản tính toán hiệu quả không đưa phần chi phí xử lý ngoại lệ tăng thêm vào sẽ lệch với thực tế.

Lộ trình 90 ngày

Việc triển khai đi đúng theo thứ tự các lớp. Mục tiêu không phải là cho toàn bộ chạy trong 90 ngày, mà là sau 90 ngày đạt tới trạng thái có thể quyết định có mua lớp 4 hay không.

Tuần 1 đến 4 | Đo. Điều quan trọng ở đây là không bắt tay vào cải tiến. Nếu ra tay can thiệp thì không lấy được đường cơ sở, và về sau không chứng minh được hiệu quả. Độ mịn của phép đo là ghi thời điểm bắt đầu và kết thúc của N1 đến N5 cho từng hồ sơ. Người phụ trách tự khai báo cũng được, nhưng khoảng thời gian đo phải bao gồm cả kỳ cao điểm cuối tháng lẫn kỳ bình thường. Trong 4 tuần này thực tế kiểu “chỗ chúng tôi không phải 8.0 phút mà là 11 phút” sẽ lộ ra, và như vậy là tốt. Các con số trong bài viết này là giả định mô hình và vốn dĩ là để được thay thế.

Tuần 5 đến 8 | Kiểm chứng tỷ lệ chấp nhận. Lấy mẫu các hồ sơ chênh lệch trong quá khứ theo tính chất nghiệp vụ, rồi cho AI tạo sinh đưa ra khuyến nghị kèm căn cứ. Đối chiếu với phán đoán của người phụ trách khi đó để tính ra tỷ lệ đáng lẽ đã có thể phê duyệt nguyên vẹn. Việc kiểm chứng này không cần môi trường chính thức, chỉ cần mẫu chứng từ và tài liệu tiêu chí. Nếu ở đây tỷ lệ chấp nhận thấp hơn 46% khá nhiều thì ra quyết định treo lớp 4 lại và dừng ở phương án B. Nếu nguyên nhân thấp là “tiêu chí chưa thành văn nên khuyến nghị lệch trọng tâm” thì chỉ cần viết tiêu chí thành văn trước là tỷ lệ chấp nhận sẽ tăng.

Tuần 9 đến 13 | Dựng nền tảng. Triển khai RPA của lớp 2 và AI-OCR của lớp 3, đồng thời chốt thiết kế lưu vết của lớp 5. Đặt lớp 5 trước lớp 4 là để loại bỏ việc phải làm lại trong trường hợp có mua lớp 4. Cuối giai đoạn này, thời gian cắt giảm dựa trên đo thực tế và tỷ lệ chấp nhận đã kiểm chứng sẽ đủ bộ, nên quyết định đầu tư lớp 4 có thể đưa ra bằng con số.

Thứ mà 90 ngày này cố ý loại ra là việc mở rộng phạm vi nghiệp vụ. Ngay cả với giả định gộp chung 3 cơ sở, ban đầu vẫn nên thu hẹp vào 1 cơ sở và 1 loại chứng từ thì sẽ nhanh hơn. Việc mở rộng phạm vi có thể để sau khi đã quyết định xong về lớp 4.

Câu hỏi thường gặp (FAQ)

Nên triển khai RPA hay AI tạo sinh trước

Theo tính toán của bài viết này, phương án A chỉ đưa RPA vào trước là phương án hoàn vốn chậm nhất với 58.6 tháng. Lý do là chi phí nền tảng phải trả trước trong khi hiệu quả chững lại ở 31%. Thứ tự được khuyến nghị là thiết kế RPA và AI-OCR trong cùng một kế hoạch, còn lớp phán đoán bằng AI tạo sinh thì quyết định sau khi xem kết quả kiểm chứng tỷ lệ chấp nhận. Tuy nhiên thứ đến trước mọi công cụ vẫn là việc phân rã nghiệp vụ thành các nút, tức lớp 1. Nếu chưa xong bước này thì cả RPA lẫn AI tạo sinh đều không xác định được phạm vi áp dụng.

Chi phí tích hợp RPA và AI tạo sinh khoảng bao nhiêu

Trong mô hình của bài viết này, gộp chung 3 cơ sở với 8,000 hồ sơ mỗi tháng, giả định đặt ra cho đủ 5 lớp là 2,200,000 THB ban đầu và 1,190,000 THB vận hành hằng năm. Nếu theo cấu hình của phương án B, tức bỏ lớp 4 phán đoán bằng AI tạo sinh, thì còn 1,640,000 THB ban đầu và 830,000 THB vận hành hằng năm. Đây là con số tính toán và sẽ thay đổi rất nhiều theo số cơ sở, số loại chứng từ và tình trạng hệ thống lõi hiện có. Khi lấy báo giá thực tế, chúng tôi khuyến nghị yêu cầu nhà cung cấp tách số tiền theo từng lớp. Với báo giá trọn gói, doanh nghiệp sẽ không thể ra quyết định dừng giữa chừng.

Chỉ tích hợp OCR với RPA thì có đủ không

Không hẳn là không đủ. Theo tính toán của bài viết, phương án B gồm RPA cộng AI-OCR có thời gian hoàn vốn ngắn nhất là 28.2 tháng, và xét theo hiệu quả đầu tư thì đây là lựa chọn tốt nhất. Tuy nhiên thời gian mỗi hồ sơ của phương án B là 3.1 phút, trong đó 2.5 phút của nút phán đoán gần như còn nguyên. Tỷ lệ cắt giảm dừng ở 61%. Muốn cắt tiếp phần 3.1 phút còn lại thì cần đến lớp phán đoán bằng AI tạo sinh. Chừng nào chưa nhìn thấy triển vọng tỷ lệ chấp nhận phán đoán vượt khoảng 46% thì việc dừng ở B vẫn là quyết định hợp lý.

Công nhập liệu có thể giảm được tới đâu

Theo giả định mô hình của bài viết, với phương án C triển khai đủ 5 lớp thì mỗi hồ sơ giảm từ 8.0 phút xuống 1.6 phút, tức cắt giảm 80%. Cả năm tương đương 10,240 giờ và quy ra tiền là 1,996,800 THB. Tuy nhiên đây là con số khi đặt tỷ lệ chấp nhận phán đoán ở mức 60%, còn nếu tỷ lệ chấp nhận tụt xuống 40% thì cắt giảm còn 5.9 phút, tức 74%, và quy ra tiền là 1,840,800 THB. Không nên đặt mục tiêu tự động hóa 100%. Thiết kế luôn giữ lại khâu phê duyệt của con người ở nút phán đoán sẽ cho kết quả ổn định hơn cả về kiểm soát lẫn hoàn vốn.

Làm sao mở rộng tự động hóa mà không làm tăng robot vô chủ

Robot vô chủ thường sinh ra như hệ quả của việc người phụ trách cố lấp nút phán đoán bằng rẽ nhánh điều kiện. Vì vậy biện pháp không phải là cấm sửa kịch bản, mà là tạo ra cấu trúc không cần lấp nút phán đoán bằng rẽ nhánh điều kiện. Cụ thể, cố định thiết kế sao cho phán đoán do người thực hiện trên màn hình phê duyệt, còn kịch bản RPA chỉ giới hạn ở các xử lý theo khuôn mẫu N1, N4 và N5. Trên nền đó, đưa việc quản lý phiên bản kịch bản và quy tắc rà soát định kỳ vào lớp 5 và lập ngân sách cho chúng. Nếu chỉ chặn việc tự sửa bằng quy định thủ công thì đến kỳ cao điểm chắc chắn sẽ vỡ.

Nếu để AI tạo sinh phán đoán thì có giải trình được khi kiểm toán không

Hoàn toàn có thể làm ra thiết kế giải trình được, nhưng cần quyết định các hạng mục lưu trữ ngay từ đầu. Tối thiểu là 5 thứ gồm dữ liệu đầu vào và tài liệu tham chiếu, toàn văn đầu ra của AI tạo sinh, tên mô hình và phiên bản prompt, ID người phê duyệt và thời điểm phê duyệt, cùng lý do trả lại. Thứ dễ bị bỏ sót nhất là phiên bản prompt, và thiếu nó thì không thể tái hiện phán đoán trong quá khứ. Prompt cần được đối xử như mã nguồn và quản lý phiên bản. Ngoài ra, nếu giữ lại quyết định cuối cùng ở khâu phê duyệt của người thì trách nhiệm giải trình sẽ rõ ràng và gánh nặng ứng phó kiểm toán giảm đi đáng kể.

Tóm tắt

Tỷ lệ tự động hóa của RPA chững lại không phải vì có nhiều ngoại lệ. Mà vì trong dòng chảy nghiệp vụ có phán đoán xen vào, còn RPA thì không phán đoán được. Khi chia quy trình xử lý thành 5 nút theo mô hình của bài viết, phần RPA tự đảm nhận được chỉ là 2.5 phút của N1, N4 và N5, tức 31% toàn bộ. Khoảng 69% còn lại là “đọc” tại N2 và “quyết” tại N3, cả hai đều nằm ngoài phạm vi của RPA.

Chỗ để kết nối AI tạo sinh chỉ giới hạn ở 3 điểm là hỗ trợ trích xuất, soạn nháp phán đoán và giải thích ngoại lệ. Cả ba đều là những kết nối giữ nguyên quyền quyết định ở người, đồng thời đổi công việc của người phụ trách từ “tra cứu rồi suy nghĩ” sang “đọc rồi quyết định”. Thiết kế thay RPA bằng AI tạo sinh không có tính hợp lý cả về chi phí lẫn kiểm soát.

Nhìn bằng tiền thì kết luận trở nên nghịch lý. Với giả định mô hình của bài viết, phương án A chỉ đưa RPA vào trước hoàn vốn chậm nhất với 58.6 tháng, phương án B gồm RPA cộng AI-OCR nhanh nhất với 28.2 tháng, còn phương án C có cả AI tạo sinh là 32.7 tháng nhưng lợi ích ròng hằng năm đạt mức cao nhất là 806,800 THB. Thứ tự “cứ bắt đầu nhỏ với riêng RPA đã” trông chắc tay hóa ra lại có thể là lựa chọn hoàn vốn tệ nhất. Lý do là chi phí nền tảng phải trả trước, trong khi chừng nào chưa động tới nút phán đoán thì hiệu quả dừng ở 31%. Tuy nhiên ngay cả khi chọn B cũng không được lược bỏ việc rà soát nghiệp vụ ở lớp 1.

Khoản đầu tư vào lớp 4 có điểm rẽ nằm ở tỷ lệ chấp nhận phán đoán. Trong mô hình này, rút ngắn 1 phút tương đương 312,000 THB mỗi năm, và tỷ lệ chấp nhận để lợi ích ròng hằng năm của phương án C ngang bằng phương án B được tính ra là khoảng 46%. Nếu tỷ lệ chấp nhận tụt xuống 40% thì lợi ích ròng hằng năm của phương án C là 650,800 THB, thấp hơn mức 698,800 THB của phương án B. Con số 46% này có thể ước lượng bằng kiểm chứng trên mẫu trước khi đầu tư.

Về mặt pháp lý, Luật Trí tuệ nhân tạo của Việt Nam đã có hiệu lực từ ngày 1 tháng 3 năm 2026, trong khi luật AI của Thái Lan thì chưa được ban hành. Tại Việt Nam có yêu cầu đánh giá phân loại rủi ro và báo cáo sự cố nghiêm trọng trong 72 giờ, nhưng nhóm rủi ro cao chỉ giới hạn ở 46 hệ thống được liệt kê tại Quyết định 33/2026/QĐ-TTg của Thủ tướng Chính phủ, và các mục đích sử dụng nội bộ ở khối back office như đối chiếu hóa đơn không thuộc nhóm này. Nền tảng của Thái Lan là PDPA, và mới đang ở giai đoạn PDPC đưa dự thảo hướng dẫn về AI ra lấy ý kiến công khai ngày 17 tháng 2 năm 2026.

Ngay cả khi chưa nắm được nghiệp vụ của mình thực tế mất bao nhiêu phút và thời gian dồn vào nút nào, việc trao đổi về cách triển khai vẫn hoàn toàn khả thi. Chỉ cần làm rõ trước những điểm như bắt đầu đo từ nút nào và kiểm chứng tỷ lệ chấp nhận phán đoán trên mẫu ra sao, độ chính xác của quyết định đầu tư đã tăng lên. Về thiết kế phù hợp với điều kiện thực tế tại hiện trường của quý vị, xin cứ thoải mái liên hệ với chúng tôi qua trang liên hệ.

Thông tin tham khảo

• Gartner dự báo hơn 40% dự án AI dạng tác nhân sẽ bị hủy bỏ trước cuối năm 2027
• Hitachi Solutions khảo sát nhận thức về việc thay thế và xem xét lại RPA sau triển khai, thực hiện tháng 2 năm 2021 với 100 người trả lời
• UiPath vị trí của RPA trong tự động hóa dạng tác nhân
• Việt Nam Nghị định 142/2026/NĐ-CP quy định chi tiết thi hành Luật Trí tuệ nhân tạo, bản dịch tiếng Anh
• Atsumi & Sakai những điểm chính của nghị định hướng dẫn thi hành Luật Trí tuệ nhân tạo Việt Nam
• Việt Nam Quyết định 33/2026/QĐ-TTg danh mục 46 hệ thống trí tuệ nhân tạo rủi ro cao
• Tilleke & Gibbins khuôn khổ quản trị trí tuệ nhân tạo của Thái Lan
• PDPC Thái Lan lấy ý kiến công khai về dự thảo hướng dẫn bảo vệ dữ liệu cá nhân trong trí tuệ nhân tạo