Trước khi đưa AI vào một quy trình, hãy chuẩn bị năm thứ: mô tả quy trình bằng chữ, một ít dữ liệu mẫu đã làm sạch, bảng định nghĩa từng trường, danh sách ai được xem dữ liệu nào, và một bộ ví dụ đúng sai để kiểm. Không cần có "kho dữ liệu lớn" mới bắt đầu. Cần là dữ liệu đủ rõ để một người mới vào nghề đọc cũng hiểu, vì AI cũng đọc theo cách gần như vậy. Thiếu phần nào, AI sẽ tự đoán ở phần đó.
Vì sao dữ liệu quyết định AI chạy tốt hay hỏng?
AI không biết quy ước riêng của công ty bạn. Nó không biết "KH VIP" nghĩa là gì, cột "Ngày" là ngày đặt hay ngày giao, hay "HN" là Hà Nội hay "hôm nay". Khi gặp chỗ mơ hồ, nó chọn cách hiểu phổ biến nhất, và đó có thể không phải cách hiểu của bạn.
Một ví dụ thật: VnExpress (21/06/2025) thuật lại chuyện một công ty đưa nhiều hệ thống AI vào khâu tư vấn, tạo đơn và giao nhận. AI gặp nhiều lỗi vì không hiểu đúng ngôn ngữ địa phương, chữ viết tắt và lỗi chính tả của khách, dẫn tới trả nhầm hàng, xử lý sai thông tin, có thời điểm doanh thu giảm tới một nửa; công ty phải tắt hệ thống để hiệu chỉnh lại. Bài viết của Bộ Khoa học và Công nghệ (12/08/2026) về AI trong quản lý chất lượng sản xuất cũng nêu điều kiện đầu tiên là chất lượng và chuẩn hóa dữ liệu.
Bài học: chữ viết tắt, cách ghi tắt, lỗi gõ là một phần của dữ liệu. Chuẩn bị dữ liệu nghĩa là đưa chúng ra ánh sáng trước khi AI gặp.
Năm nhóm dữ liệu cần có
| Nhóm | Gồm gì | Dấu hiệu đã đủ |
|---|---|---|
| 1. Tài liệu quy trình | Các bước, ai làm, đầu vào, đầu ra, chỗ phải xin duyệt | Người mới đọc xong làm được một lượt mà không cần hỏi |
| 2. Dữ liệu mẫu đã làm sạch | 20 đến 50 bản ghi thật, đã bỏ trùng, sửa lỗi định dạng, che thông tin cá nhân | Không còn ô trống ngoài ý muốn, ngày tháng cùng một kiểu |
| 3. Định nghĩa trường | Tên cột, ý nghĩa, kiểu dữ liệu, giá trị hợp lệ, ví dụ | Hai người đọc cùng hiểu một cột theo một nghĩa |
| 4. Quyền truy cập | Ai được xem, sửa, xuất dữ liệu nào; AI được đọc tới đâu | Có văn bản ghi rõ, có người chịu trách nhiệm |
| 5. Ví dụ đúng sai để kiểm | Tình huống thường gặp, tình huống khó, kết quả mong đợi | Có ít nhất vài ca "bẫy" mà người làm lâu năm mới nhận ra |
Nếu chưa chọn được quy trình để bắt đầu, đọc trước bài Doanh nghiệp muốn dùng AI: chọn quy trình đầu tiên thế nào?.
Làm từng nhóm thế nào?
- Viết quy trình ra chữ. Nhiều quy trình chỉ nằm trong đầu một người. Ngồi với người đó 30 phút, ghi lại từng bước và những chỗ họ "tự biết phải làm". Có thể nhờ AI dựng khung rồi đánh dấu chỗ cần xác nhận, như cách trong bài Viết SOP bằng AI.
- Lấy mẫu nhỏ và làm sạch. Không cần cả năm dữ liệu. Chọn vài chục bản ghi đại diện, gồm cả đơn bình thường và đơn rắc rối. Tìm dòng trùng, ô thiếu, định dạng lệch theo bài Dọn Excel hoặc Sheets lộn xộn.
- Lập bảng định nghĩa trường (còn gọi là từ điển dữ liệu: bảng giải thích ý nghĩa từng cột trong bảng tính hay phần mềm). Đây là phần hay bị bỏ qua nhất nhưng giúp AI ít đoán nhất.
- Ghi quyền truy cập. Liệt kê dữ liệu nào có thông tin cá nhân khách hàng, nhân viên. Luật Bảo vệ dữ liệu cá nhân (số 91/2025/QH15) có hiệu lực từ 01/01/2026, nên dữ liệu có tên, số điện thoại, địa chỉ cần được xử lý đúng mục đích và có người chịu trách nhiệm. Khi thử nghiệm, chỉ đưa dữ liệu thật vào công cụ đã được phép dùng với loại dữ liệu đó, và vẫn che hoặc thay bằng mã. Chưa rõ thì dùng dữ liệu giả lập; che tên không thay cho việc được phép.
- Soạn bộ ví dụ kiểm. Trong tài liệu kỹ thuật, bộ này gọi là bộ đánh giá (eval): tập tình huống có sẵn đáp án đúng để chấm đầu ra của AI. Hướng dẫn của OpenAI về đánh giá khuyên dùng dữ liệu đại diện cho tình huống thật, có cả ca biên (tình huống hiếm, nhiều ý định cùng lúc), và kết hợp chấm tự động với người chấm, thay vì chấm "theo cảm giác".
Mẫu bảng định nghĩa trường
Ví dụ giả lập cho quy trình xử lý đơn đặt hàng qua tin nhắn:
| Trường | Ý nghĩa | Giá trị hợp lệ | Ghi chú dễ nhầm |
|---|---|---|---|
| ngay_dat | Ngày khách chốt đơn | dd/mm/yyyy | Không phải ngày giao |
| khu_vuc | Nơi giao | HN, HCM, Tỉnh khác | "HN" là Hà Nội, không phải "hôm nay" |
| loai_khach | Phân loại khách | Mới, Quen, Đại lý | "Đại lý" có bảng giá riêng |
| trang_thai | Tình trạng đơn | Chờ xác nhận, Đã giao, Hủy | Đơn "Hủy" không tính doanh thu |
Có thể nhờ AI soạn nháp bảng này từ file mẫu, rồi người nắm quy trình sửa:
Tôi gửi kèm [số] dòng dữ liệu mẫu, đã che tên và số điện thoại khách. Công cụ này đã được phép dùng với loại dữ liệu này. Hãy lập bảng định nghĩa trường gồm: tên cột, ý nghĩa bạn đoán, kiểu dữ liệu, các giá trị đang xuất hiện, và "chỗ dễ hiểu nhầm". Với mỗi cột, ghi rõ mức chắc chắn (chắc / đoán). Liệt kê riêng các chữ viết tắt bạn không hiểu để tôi giải thích. Không tự sửa dữ liệu.
Phần "chỗ dễ hiểu nhầm" và danh sách chữ viết tắt chính là thứ bạn cần xác nhận trước khi cho AI chạy.
Thử với 12 dòng giả lập trước khi dùng dữ liệu thật
Muốn biết AI có đọc đúng dữ liệu của bạn không, hãy thử trước với 12 dòng giả lập dưới đây. Bộ này cài sẵn các lỗi hay gặp: viết tắt, viết thường, ngày lệch kiểu, dòng lặp, ô trống. Dữ liệu nằm sẵn trong yêu cầu, không cần gửi tệp.
Dưới đây là 12 dòng dữ liệu đơn hàng giả lập của quy trình xử lý đơn qua tin nhắn. Giá trị hợp lệ đã chốt: khu_vuc gồm HN, HCM, Tỉnh khác; loai_khach gồm Mới, Quen, Đại lý; trang_thai gồm Chờ xác nhận, Đã giao, Hủy; ngay_dat ghi dd/mm/yyyy. ma_don,ngay_dat,khu_vuc,loai_khach,san_pham,so_luong,trang_thai,ghi_chu DH101,03/10/2026,HN,Quen,Thùng A,2,Đã giao, DH102,03/10/2026,HCM,Mới,Thùng B,1,Chờ xác nhận,giao HN DH103,2026-10-04,Tỉnh khác,Đại lý,Thùng A,10,Đã giao, DH104,04/10/2026,HCM,ĐL,Thùng A,8,đã giao, DH105,05/10/2026,HN,Quen,Thùng B,1,Hủy,khách đổi ý DH106,05/10/2026,hn,Mới,Thùng A,3,Đã giao, DH107,06/10/2026,HCM,Quen,Thùng B,,Chờ xác nhận,như lần trước DH107,06/10/2026,HCM,Quen,Thùng B,,Chờ xác nhận,như lần trước DH108,07/10/2026,Q7,Mới,Thùng A,2,Đã giao, DH109,07/10/2026,HCM,Mới,Thùng A,1,DG, DH110,08/10/2026,Tỉnh khác,Đại lý,Thùng B,6,Đã giao,ck trước DH111,08/10/2026,HCM,VIP,Thùng A,2,Đã giao, Hãy lập bảng định nghĩa trường gồm: tên cột, ý nghĩa bạn đoán, kiểu dữ liệu, các giá trị đang xuất hiện, và "chỗ dễ hiểu nhầm" (giá trị ngoài danh sách hợp lệ, ô trống, dòng lặp, định dạng lệch). Với mỗi cột, ghi rõ mức chắc chắn (chắc / đoán). Liệt kê riêng các chữ viết tắt bạn không hiểu để tôi giải thích. Không tự sửa hay chuyển đổi dữ liệu.
Đáp án 12 dòng giả lập và cách sửa
Đầu ra mong đợi (đáp án biên tập; câu chữ có thể khác). AI đạt khi chỉ ra đủ các điểm dưới đây, ghi "đoán" cho nghĩa của ĐL, DG, ck và không tự sửa giá trị nào:
| Cột | Chỗ AI phải chỉ ra |
|---|---|
| ma_don | DH107 có hai dòng giống hệt: nghi nhập trùng, hỏi trước khi xóa. |
| ngay_dat | DH103 ghi 2026-10-04, khác kiểu dd/mm/yyyy của các dòng còn lại. |
| khu_vuc | "hn" (DH106) viết thường; "Q7" (DH108) không nằm trong danh sách hợp lệ. Hỏi quy ước, không tự đổi. |
| loai_khach | "ĐL" (DH104) có thể là Đại lý (đoán); "VIP" (DH111) không có trong danh sách. |
| so_luong | DH107 để trống. |
| trang_thai | "đã giao" viết thường (DH104); "DG" (DH109) có thể là Đã giao (đoán). |
| ghi_chu | "giao HN" (DH102) mơ hồ: Hà Nội hay hôm nay, trong khi khu_vuc ghi HCM. "ck trước" (DH110) và "như lần trước" (DH107) cần hỏi. |
| san_pham | Chỉ có Thùng A, Thùng B; không có chỗ lệch. |
Lỗi hay gặp và cách sửa. AI tự đổi DG thành Đã giao, ĐL thành Đại lý rồi ghi "chắc"; hoặc coi "giao HN" chắc chắn là Hà Nội. Đó chính là kiểu tự đoán làm hỏng quy trình khi chạy thật. Gửi tiếp:
Không chuyển đổi giá trị nào. Với mỗi chữ viết tắt hoặc giá trị ngoài danh sách hợp lệ, ghi mức chắc chắn là "đoán" và đưa vào danh sách câu hỏi cho người nắm quy trình.
Kiểm lại: danh sách câu hỏi phải có ít nhất 7 mục: hn, Q7, ĐL, VIP, DG, "giao HN", ck. Thiếu mục nào thì đó là chỗ AI sẽ đoán khi gặp dữ liệu thật; ghi nó vào bảng định nghĩa trước ngày chạy thử.
Bộ ví dụ đúng sai nên có gì?
Một bộ kiểm tốt không cần lớn. Với quy trình nhỏ, 15 đến 30 ca là đủ để bắt đầu, chia ba loại:
| Loại ca | Ví dụ giả lập | Kết quả mong đợi |
|---|---|---|
| Thường gặp | "Cho 2 thùng loại A giao Q7" | Tạo đơn đúng số lượng, khu vực HCM |
| Khó | "Như lần trước nhé, thêm 1" | Hỏi lại khách "lần trước" là đơn nào |
| Bẫy | "Giao gấp trong 1h, free ship nha" | Không tự hứa giao 1 giờ hay miễn phí nếu chính sách không có |
Chạy bộ kiểm mỗi khi đổi câu lệnh, đổi công cụ hay đổi mô hình. Ghi kết quả vào một bảng để so lần trước với lần sau. Cách đo và ngưỡng quyết định tiếp tục có trong bài Thử AI trong doanh nghiệp: đo gì.
Checklist trước ngày chạy thử
- Quy trình đã viết thành các bước, có người xác nhận
- Có 20 đến 50 bản ghi mẫu đã bỏ trùng, thống nhất định dạng
- Công cụ AI dùng thử đã được phép dùng với loại dữ liệu này
- Thông tin cá nhân trong mẫu đã che hoặc thay bằng mã
- Có bảng định nghĩa trường và danh sách chữ viết tắt
- Ghi rõ AI được đọc dữ liệu nào, không được đọc gì
- Có bộ ví dụ đúng sai, gồm vài ca bẫy
- Có người chịu trách nhiệm duyệt kết quả trong giai đoạn thử
- Biết cách quay về cách làm cũ nếu AI chạy sai
Hỏi đáp
Dữ liệu công ty đang lộn xộn, có cần dọn hết rồi mới dùng AI không?
Không. Chỉ cần dọn phần dữ liệu phục vụ quy trình bạn thử đầu tiên, và chỉ một mẫu nhỏ. Dọn xong mẫu nhỏ, bạn sẽ biết lỗi phổ biến là gì để quyết định có đáng dọn phần còn lại không.
Có nên đưa toàn bộ dữ liệu thật vào AI để nó "học" không?
Không nên trong giai đoạn thử. Tải tệp vào công cụ trò chuyện như ChatGPT hay Gemini không giống huấn luyện một hệ thống riêng: AI chủ yếu đọc những gì bạn đưa trong cuộc đó, và kết quả tốt lên nhờ định nghĩa rõ chứ không nhờ đổ thêm dữ liệu. Đưa nhiều dữ liệu thật hơn cần thiết chỉ tăng rủi ro lộ thông tin. Xem thêm bài Trước khi tải tệp lên AI: xóa gì, giữ gì.
Bộ ví dụ kiểm do ai soạn?
Người làm quy trình lâu nhất nên soạn, vì họ biết các ca khó. AI có thể gợi ý thêm ca, nhưng đáp án đúng phải do người nắm nghiệp vụ xác nhận.
Giới hạn của bài này
- Chưa chạy thử quy trình mẫu trên một công cụ cụ thể; đáp án bộ 12 dòng là đáp án biên tập; số lượng 20 đến 50 bản ghi và 15 đến 30 ca kiểm là mức khởi đầu gợi ý, không phải chuẩn.
- Bài không thay tư vấn pháp lý về xử lý dữ liệu cá nhân theo Luật 91/2025/QH15 và văn bản hướng dẫn.
- Quy trình dùng hệ thống kết nối phần mềm (API, tự động hóa) cần thêm bước chuẩn bị kỹ thuật chưa bàn ở đây.
Nguồn & lưu ý
- OpenAI: Evaluation best practices
- VnExpress: Chấp nhận giảm doanh thu để thử nghiệm AI (21/06/2025)
- Bộ Khoa học và Công nghệ: AI thúc đẩy quản lý chất lượng từ phát hiện đến phòng ngừa lỗi (12/08/2026)
- Bộ Công an: Luật Bảo vệ dữ liệu cá nhân chính thức có hiệu lực từ 01/01/2026
- Đối chiếu ngày 26/09/2026. Văn bản hướng dẫn Luật Bảo vệ dữ liệu cá nhân và tài liệu của nhà cung cấp AI có thể được cập nhật.
