AI đang xuất hiện trong ngày càng nhiều công việc quen thuộc, từ soạn thảo văn bản, tóm tắt tài liệu đến phân tích dữ liệu và hỗ trợ chăm sóc khách hàng. Tuy nhiên, việc có một công cụ AI trong tay không đồng nghĩa với việc một tổ chức đã thực sự chuyển đổi cách làm việc. Nếu chỉ sử dụng theo cảm hứng, mỗi người một cách, kết quả thường thiếu nhất quán và khó đánh giá. Ngược lại, khi AI được đặt vào một quy trình có mục tiêu rõ ràng, nó có thể giúp con người giảm bớt những thao tác lặp lại và dành nhiều thời gian hơn cho các quyết định cần kinh nghiệm, trách nhiệm cùng khả năng phán đoán.
Vấn đề cốt lõi vì thế không phải là tìm ra công cụ AI “mạnh nhất”, mà là thiết kế được cách phối hợp phù hợp giữa công cụ và con người. Một quy trình tốt cần trả lời được bốn câu hỏi: AI được dùng ở bước nào, dữ liệu nào được phép đưa vào, ai chịu trách nhiệm kiểm tra và kết quả cuối cùng được đánh giá theo tiêu chí gì. Những câu hỏi tưởng như đơn giản này giúp biến việc thử nghiệm rời rạc thành một phương pháp làm việc có thể lặp lại.
Bắt đầu từ công việc, không bắt đầu từ công cụ
Nhiều dự án ứng dụng AI bắt đầu bằng việc một nhóm chọn một nền tảng mới rồi cố tìm cách đưa nó vào mọi hoạt động. Cách tiếp cận này dễ tạo ra cảm giác hiện đại nhưng chưa chắc giải quyết được vấn đề thật. Một quy trình hợp lý nên bắt đầu từ những điểm đang gây lãng phí thời gian, tạo ra nhiều lỗi hoặc đòi hỏi phải xử lý một khối lượng thông tin lớn.
Chẳng hạn, một nhóm có thể xem lại chuỗi công việc từ lúc tiếp nhận yêu cầu đến khi hoàn tất sản phẩm. Trong chuỗi đó, có bước nào phải đọc nhiều tài liệu tương tự nhau, bước nào thường xuyên phải chuyển đổi định dạng, bước nào cần tạo bản nháp đầu tiên hoặc bước nào khiến nhân sự mất thời gian tìm kiếm thông tin đã có sẵn? Đây thường là những vị trí thích hợp để thử nghiệm AI, bởi kết quả có thể được so sánh với cách làm cũ và mức độ rủi ro dễ nhận diện hơn.
Không phải công việc nào cũng phù hợp để tự động hóa. Những nhiệm vụ liên quan đến thông tin cá nhân, quyết định ảnh hưởng trực tiếp đến quyền lợi của một người, nội dung pháp lý, tài chính hoặc thông tin chưa được kiểm chứng cần được xem xét thận trọng. Trong các trường hợp này, AI có thể hỗ trợ sắp xếp, gợi ý hoặc phát hiện điểm cần chú ý, nhưng không nên được mặc định là chủ thể đưa ra quyết định cuối cùng.
Một quy trình phối hợp rõ ràng gồm những gì?
Để sử dụng AI ổn định, tổ chức có thể mô tả quy trình theo năm lớp liên tiếp: xác định đầu vào, giao nhiệm vụ, xem xét kết quả, chỉnh sửa theo mục tiêu và phê duyệt trước khi sử dụng. Cách chia này không nhằm tạo thêm thủ tục, mà giúp mọi người hiểu phần việc nào có thể giao cho AI và phần việc nào vẫn cần năng lực chuyên môn của con người.
1. Xác định đầu vào
Đầu vào không chỉ là câu lệnh gửi cho AI. Đó còn là mục tiêu của nhiệm vụ, đối tượng tiếp nhận, bối cảnh, tài liệu tham chiếu và những giới hạn cần tuân thủ. Một yêu cầu càng mơ hồ thì kết quả càng khó đánh giá. Vì vậy, trước khi nhập dữ liệu, người dùng nên xác định mình muốn tạo bản nháp, rút gọn nội dung, phân loại thông tin hay tìm ra các điểm còn thiếu.
Đây cũng là bước cần kiểm soát dữ liệu nhạy cảm. Người sử dụng nên biết tài liệu nào được phép đưa vào hệ thống, tài liệu nào phải ẩn danh hoặc loại bỏ trước khi xử lý. Việc xóa tên, địa chỉ, số liên lạc, thông tin tài khoản hay các chi tiết nhận diện không cần thiết có thể giảm nguy cơ chia sẻ quá mức. Quan trọng hơn, quy định này cần được giải thích bằng những ví dụ cụ thể để nhân viên có thể áp dụng trong công việc hằng ngày.
2. Giao nhiệm vụ theo vai trò
AI thường cho kết quả hữu ích hơn khi được giao một nhiệm vụ cụ thể thay vì một yêu cầu chung chung. Người dùng có thể nêu rõ vai trò của công cụ trong từng bước, định dạng mong muốn, tiêu chí cần ưu tiên và những điều không được tự suy đoán. Ví dụ, AI có thể được yêu cầu lập bảng các ý chính từ một tài liệu, chỉ ra đoạn nào chưa đủ thông tin và đánh dấu những nhận định cần được kiểm tra thêm.
Điều này không có nghĩa là phải viết câu lệnh dài hoặc dùng ngôn ngữ kỹ thuật. Điều quan trọng là người dùng hiểu rõ công việc mình muốn hoàn thành. Một câu lệnh tốt không thể thay thế cho mục tiêu chưa được xác định. Nếu nhóm chưa thống nhất thế nào là một bản tóm tắt đạt yêu cầu, AI cũng không thể tự giải quyết sự khác biệt đó.
3. Kiểm tra đầu ra
Đầu ra của AI nên được xem như một bản dự thảo có thể hữu ích, chứ không phải kết luận mặc nhiên đúng. Người kiểm tra cần đối chiếu các tên riêng, con số, mốc thời gian, trích dẫn, điều kiện và mối quan hệ nguyên nhân kết quả. Với nội dung chuyên môn, người có hiểu biết về lĩnh vực cần xem liệu câu trả lời có bỏ sót ngoại lệ hoặc diễn giải sai thuật ngữ hay không.
Một cách kiểm tra thực tế là chia kết quả thành ba nhóm. Nhóm thứ nhất là thông tin có thể đối chiếu trực tiếp với tài liệu gốc. Nhóm thứ hai là phần diễn giải hoặc đề xuất cần người phụ trách đánh giá. Nhóm thứ ba là những chi tiết không có căn cứ rõ ràng và phải được xác minh trước khi sử dụng. Cách phân loại này giúp người đọc không bị thuyết phục chỉ vì câu chữ trôi chảy hoặc giọng điệu chắc chắn.
4. Chỉnh sửa theo mục tiêu
Ngay cả khi nội dung không có lỗi rõ ràng, nó vẫn có thể chưa phù hợp với người đọc, giọng điệu hoặc bối cảnh cụ thể. Con người cần quyết định phần nào nên giữ, phần nào nên bỏ và phần nào cần viết lại. Đây là nơi kiến thức về thương hiệu, văn hóa tổ chức, ngành nghề và nhu cầu của khách hàng trở nên quan trọng.
Việc chỉnh sửa cũng nên được ghi nhận khi cần thiết. Nếu một nhóm thường xuyên phải sửa cùng một loại lỗi, đó là dấu hiệu cho thấy quy trình hoặc hướng dẫn đầu vào cần được cải thiện. Thay vì chỉ sửa từng sản phẩm, nhóm có thể cập nhật mẫu yêu cầu, bổ sung tài liệu tham chiếu hoặc làm rõ tiêu chí đánh giá cho những lần sau.
5. Phê duyệt và lưu dấu
Trước khi nội dung được gửi cho khách hàng, công bố hoặc dùng làm cơ sở cho một quyết định, cần có người chịu trách nhiệm phê duyệt. Tên của người phê duyệt, thời điểm hoàn tất và phiên bản tài liệu có thể được lưu lại tùy theo tính chất công việc. Việc này không nhằm biến mọi nhiệm vụ thành một quy trình nặng nề, mà để tổ chức biết nội dung được tạo ra như thế nào khi cần xem xét lại.
Đo giá trị bằng chất lượng công việc
Đánh giá hiệu quả của AI chỉ bằng số lượng nội dung được tạo ra có thể dẫn đến những ưu tiên sai lệch. Một nhóm có thể sản xuất nhiều bản nháp hơn nhưng lại mất thêm thời gian sửa lỗi, kiểm tra hoặc giải thích cho khách hàng. Do đó, các chỉ số nên gắn với mục tiêu ban đầu của công việc.
Nếu mục tiêu là giảm thao tác lặp lại, có thể quan sát thời gian hoàn thành một nhiệm vụ trước và sau khi áp dụng quy trình mới. Nếu mục tiêu là nâng cao tính nhất quán, có thể xem xét mức độ tuân thủ cấu trúc, thuật ngữ và tiêu chí đã thống nhất. Nếu mục tiêu là cải thiện chất lượng, cần đánh giá cả tỷ lệ lỗi, số lần phải làm lại và phản hồi của người sử dụng kết quả. Những chỉ số này không nhất thiết phải phức tạp, nhưng phải phản ánh được chất lượng thay vì chỉ phản ánh tốc độ.
Cũng cần phân biệt giữa việc AI tạo ra kết quả và việc quy trình tạo ra kết quả. Một bản nháp tốt có thể là thành quả của tài liệu đầu vào rõ ràng, người kiểm tra có chuyên môn và tiêu chí phê duyệt chặt chẽ. Nếu chỉ nhìn vào công cụ, tổ chức dễ bỏ qua những yếu tố con người đã quyết định chất lượng cuối cùng.
Những rủi ro thường bị bỏ qua
Rủi ro đầu tiên là sự phụ thuộc vào câu trả lời có vẻ hợp lý. AI có thể trình bày một nội dung mạch lạc nhưng vẫn đưa ra nhận định thiếu căn cứ hoặc kết nối các thông tin không liên quan. Rủi ro thứ hai là dữ liệu đầu vào không phù hợp, bao gồm thông tin mật, dữ liệu cá nhân hoặc tài liệu chưa được phép chia sẻ. Rủi ro thứ ba là sự mơ hồ về trách nhiệm: khi có sai sót, không ai biết lỗi nằm ở người giao nhiệm vụ, người kiểm tra hay người phê duyệt.
Để hạn chế những vấn đề này, tổ chức nên xây dựng các nguyên tắc ngắn gọn và dễ nhớ. Người dùng cần biết loại dữ liệu nào bị cấm đưa vào hệ thống, nhiệm vụ nào bắt buộc phải có người kiểm tra, trường hợp nào phải hỏi ý kiến chuyên gia và nội dung nào không được dùng làm căn cứ duy nhất cho quyết định quan trọng. Những nguyên tắc này nên được cập nhật khi công cụ, dữ liệu hoặc yêu cầu công việc thay đổi.
Vai trò của năng lực con người
Sự xuất hiện của AI làm cho một số thao tác trở nên nhanh hơn, nhưng không làm mất đi nhu cầu về tư duy phản biện. Người dùng vẫn cần biết đặt câu hỏi, nhận diện thông tin bất thường, hiểu giới hạn của dữ liệu và chịu trách nhiệm về kết quả. Trong nhiều trường hợp, kỹ năng quan trọng nhất không phải là viết câu lệnh cầu kỳ mà là biết kết quả nào cần nghi ngờ.
Đào tạo vì vậy nên gắn với các tình huống thực tế thay vì chỉ giới thiệu danh sách tính năng. Một buổi hướng dẫn có thể bắt đầu bằng một nhiệm vụ quen thuộc, cho người tham gia so sánh cách làm thủ công với cách có AI hỗ trợ, sau đó cùng phân tích những lỗi và bước kiểm tra cần thiết. Cách học này giúp người dùng hình thành thói quen làm việc an toàn hơn, đồng thời cho tổ chức thấy điểm nào trong quy trình còn thiếu hướng dẫn.
Thử nghiệm nhỏ để xây dựng niềm tin
Không cần triển khai AI trên toàn bộ tổ chức ngay từ đầu. Một thử nghiệm giới hạn với nhiệm vụ có rủi ro thấp, đầu vào tương đối ổn định và tiêu chí đánh giá rõ ràng thường dễ đem lại bài học hơn. Sau một thời gian, nhóm có thể xem lại kết quả, ghi nhận các lỗi lặp lại và quyết định có nên mở rộng hay không.
Điều quan trọng là thử nghiệm phải có điểm dừng và điều kiện đánh giá từ trước. Nếu chỉ bắt đầu bằng sự hào hứng, nhóm có thể tiếp tục sử dụng một quy trình kém hiệu quả vì đã đầu tư nhiều thời gian. Ngược lại, một thử nghiệm được thiết kế tốt sẽ cho phép tổ chức thừa nhận khi một cách làm không phù hợp, rồi điều chỉnh mà không gây xáo trộn lớn.
AI có thể trở thành một lớp hỗ trợ hữu ích trong công việc, nhưng giá trị của nó không tự xuất hiện từ tốc độ tạo nội dung. Giá trị đó được hình thành qua việc chọn đúng bài toán, bảo vệ dữ liệu, giao nhiệm vụ rõ ràng, kiểm tra đầu ra và xác định trách nhiệm của con người. Khi các bước này được thiết kế minh bạch, AI không còn là một công cụ hoạt động tách rời mà trở thành một phần có thể quản lý của quy trình làm việc. Đây là nền tảng để tổ chức thử nghiệm thận trọng, học từ sai sót và mở rộng ứng dụng theo cách bền vững hơn.
