Finance AI đang mắc kẹt giữa “dùng chatbot” và “AI trong core workflow”

AI trong tài chính – kế toán đang phát triển rất nhanh.

Ngày càng nhiều nhân viên Finance sử dụng ChatGPT, Copilot, Claude hoặc các công cụ AI khác để:

• viết email;
• tóm tắt tài liệu;
• giải thích số liệu;
• dịch báo cáo;
• soạn memo;
• tạo công thức Excel;
• viết SQL;
• hỗ trợ phân tích.

Nhìn bề ngoài, có vẻ Finance đã “ứng dụng AI”.

Nhưng nếu nhìn sâu hơn, phần lớn doanh nghiệp vẫn đang ở một khoảng giữa khá khó xử:

AI đã đi vào công việc cá nhân, nhưng chưa thực sự đi vào core workflow của Finance.

Đó là lý do rất nhiều tổ chức cảm nhận rõ năng suất cá nhân tăng lên, nhưng vẫn khó chứng minh tác động lên:

• DSO;
• working capital;
• close days;
• forecast accuracy;
• margin;
• cash conversion;
• control effectiveness;
• hay chi phí vận hành Finance.

Khoảng cách này có thể gọi là:

The Finance AI Execution Gap.

—

1. Dùng chatbot chưa đồng nghĩa với chuyển đổi Finance

Một kế toán dùng AI để:

“Viết giúp email nhắc khách hàng thanh toán.”

Đó là AI productivity.

Nhưng quy trình thu tiền thực tế vẫn có thể là:

Xuất Excel công nợ

→ lọc khách hàng quá hạn

→ nhân viên tự chọn khách hàng

→ copy email

→ gửi

→ ghi chú thủ công

→ cuối tuần cập nhật tình trạng.

AI chỉ làm nhanh hơn một bước trong quy trình cũ.

Nó chưa thay đổi cách Finance vận hành.

Tương tự, một FP&A analyst có thể hỏi AI:

“Phân tích giúp tại sao gross margin tháng này giảm.”

Nếu người đó vẫn phải:

• tự tải dữ liệu;
• tự merge nhiều file;
• tự làm sạch;
• tự xác định version;
• tự kiểm tra mapping;
• rồi copy kết quả vào PowerPoint,

thì AI mới chỉ hỗ trợ một đoạn nhỏ.

Đó chưa phải AI-enabled Finance workflow.

—

2. Vấn đề không nằm ở model, mà nằm ở workflow

Trong nhiều dự án AI, câu hỏi đầu tiên thường là:

• dùng GPT hay Claude?
• dùng Copilot hay Gemini?
• có nên xây Agent?
• có cần RAG?
• dùng framework nào?

Nhưng câu hỏi quan trọng hơn lại là:

Quy trình Finance hiện tại thực sự diễn ra như thế nào?

Ví dụ quy trình AR Collection có thể gồm:

Invoice

→ Due date

→ Aging

→ Customer risk

→ Promise to pay

→ Dispute

→ Follow-up

→ Escalation

→ Cash received.

Nếu chỉ đặt chatbot vào giữa chuỗi này, chatbot không biết:

• khách hàng nào cần ưu tiên;
• khách nào đang tranh chấp;
• khách nào đã hứa trả;
• khách nào thuộc nhóm chiến lược;
• ai là account owner;
• mức nào cần CFO escalation.

Muốn AI đi vào core workflow, agent phải được kết nối với:

Data + Context + Rules + Workflow + Authority.

—

3. Có thể chia AI Finance thành bốn mức trưởng thành

Một cách đơn giản để nhìn vấn đề là chia AI Finance thành bốn tầng.

Level 1 — Personal Productivity

AI hỗ trợ cá nhân.

Ví dụ:

• viết email;
• tóm tắt;
• dịch;
• brainstorm;
• giải thích Excel;
• tạo công thức;
• soạn report.

Giá trị chính:

Hours saved.

Đây là điểm bắt đầu tốt.

Nhưng rất khó tạo lợi thế cạnh tranh lâu dài vì gần như mọi doanh nghiệp đều có thể mua cùng công cụ.

—

Level 2 — Task Automation

AI được gắn vào một tác vụ lặp lại.

Ví dụ:

• đọc invoice;
• phân loại chứng từ;
• tạo journal proposal;
• gửi AR reminder;
• tạo variance commentary;
• trích xuất hợp đồng.

Lúc này AI bắt đầu làm việc tự động thay vì chờ người dùng hỏi.

Giá trị chuyển từ:

Hours saved

sang:

Cost per transaction.

Ví dụ:

Chi phí xử lý một invoice

Chi phí reconcile một bank transaction

Thời gian tạo một management report.

—

Level 3 — Embedded Workflow Intelligence

AI bắt đầu nằm bên trong business process.

Ví dụ trong AR:

AR data

→ AI ưu tiên khách hàng

→ phân tích risk/dispute

→ đề xuất hành động

→ workflow gửi task cho account owner

→ theo dõi promise-to-pay

→ escalation khi cần.

Lúc này AI không còn chỉ “trả lời”.

Nó tham gia vào decision loop.

KPI bắt đầu chuyển thành:

• DSO;
• cash collected;
• overdue rate;
• dispute cycle time.

Đây mới là lúc AI bắt đầu tác động trực tiếp tới P&L hoặc cash flow.

—

Level 4 — Governed Agentic Process

AI Agent có thể thực hiện nhiều bước liên tiếp trong workflow.

Ví dụ một AP Agent có thể:

1. nhận invoice;
2. đọc dữ liệu;
3. match PO;
4. kiểm tra receiving;
5. phát hiện duplicate;
6. kiểm tra payment term;
7. tạo payment proposal;
8. chuyển exception cho kế toán;
9. chờ approval;
10. ghi lại audit trail.

Con người không biến mất.

Vai trò chuyển từ:

process executor

sang:

exception handler + approver + controller + decision maker.

Đây là Finance AI ở cấp operating model.

—

4. Tại sao doanh nghiệp thường mắc kẹt ở Level 1?

Có nhiều nguyên nhân.

Dữ liệu rời rạc

AI có thể viết email rất tốt.

Nhưng nếu nó không biết:

• invoice nào quá hạn;
• customer master ở đâu;
• payment term chính thức;
• credit limit;
• dispute status;

thì nó không thể vận hành collection workflow.

Process chưa chuẩn

Nếu cùng một nghiệp vụ nhưng mỗi nhân viên xử lý khác nhau, rất khó giao cho automation hoặc agent.

AI không sửa được một quy trình vốn chưa rõ.

Không có System of Record rõ ràng

Agent cần biết:

Con số nào là con số chính thức?

Nếu tồn tại:

• một file Excel của Sales;
• một file của Finance;
• ERP;
• CRM;

với số liệu khác nhau, agent cũng không biết nên tin nguồn nào.

Không có quyền hạn rõ

AI được phép:

• đọc?
• đề xuất?
• tạo transaction?
• chỉnh forecast?
• phát hành journal?
• gửi email?
• thực hiện payment?

Nếu không xác định authority, doanh nghiệp thường chọn phương án an toàn nhất:

không cho AI làm gì ngoài chat.

Không có KPI tài chính

Nếu use case chỉ đo:

Số người sử dụng AI

hoặc:

Số giờ tiết kiệm

thì Finance khó quyết định có nên đầu tư tiếp.

—

5. “Core workflow” của Finance là gì?

Không nhất thiết phải bắt đầu bằng hệ thống lớn.

Có thể nhìn Finance qua một số chuỗi giá trị chính.

Order-to-Cash

Order → Invoice → AR → Collection → Cash

Source-to-Pay

Request → PO → Receipt → Invoice → Payment

Record-to-Report

Transaction → Reconciliation → Journal → Close → Report

Plan-to-Perform

Budget → Forecast → Actual → Variance → Action

Manufacturing Finance

BOM → Production → Actual usage → Yield → Costing → Margin

Treasury

Bank → Cash position → Forecast → Funding → Payment → Risk

AI tạo giá trị lớn nhất khi được nhúng vào các chuỗi này, chứ không chỉ nằm ở một cửa sổ chat bên cạnh.

—

6. Ví dụ: từ “chatbot phân tích giá thành” đến Costing Workflow Agent

Ở mức chatbot:

Kế toán upload file giá thành rồi hỏi:

“SKU nào có material variance lớn?”

AI trả lời.

Khá hữu ích.

Nhưng tháng sau kế toán vẫn phải làm lại toàn bộ.

Ở mức workflow:

BOM

+

Production order

+

Actual material issue

+

Output

↓

rule tính variance

↓

AI phân tích exception

↓

xếp severity

↓

gán root cause khả dĩ

↓

gửi task cho Production/Costing

↓

người phụ trách xác nhận

↓

financial impact được tính

↓

corrective action được theo dõi.

KPI không còn là:

AI trả lời nhanh bao nhiêu.

KPI là:

Material variance giảm bao nhiêu.

Đây là khác biệt rất lớn.

—

7. Ví dụ: từ “AI viết email” đến AR Collection Workflow

Chatbot:

“Viết email nhắc nợ lịch sự cho khách hàng A.”

Core workflow AI:

AR aging

→ phân loại khách hàng theo risk

→ xác định invoice overdue

→ kiểm tra dispute

→ kiểm tra promise-to-pay

→ đề xuất next action

→ tạo email draft

→ account owner duyệt

→ gửi

→ theo dõi phản hồi

→ cập nhật expected cash date

→ escalation khi promise bị phá vỡ.

Ở đây AI Writer chỉ là khoảng 10% giá trị.

90% còn lại nằm ở:

context + workflow + control + integration.

—

8. AI Finance không nên tự làm tất cả

Đi từ chatbot sang core workflow không có nghĩa giao toàn quyền cho AI.

Một kiến trúc tốt thường chia thành ba loại công việc.

Deterministic

Logic rõ ràng.

Ví dụ:

Amount > 50 triệu → cần CFO approval

Invoice trùng Vendor + Number + Amount → cảnh báo.

Dùng:

Rule / Code / Workflow.

Probabilistic / Reasoning

Cần judgment.

Ví dụ:

• nguyên nhân margin giảm;
• khả năng khách hàng trả chậm;
• giải thích variance;
• ưu tiên exception.

Dùng:

AI / ML.

Accountability

Có trách nhiệm pháp lý hoặc tài chính.

Ví dụ:

• approve payment;
• sửa BOM chuẩn;
• khóa giá thành;
• ghi journal trọng yếu;
• thay forecast chính thức.

Giữ:

Human approval.

Một workflow tốt thường là:

Rules

→ AI reasoning

→ Human approval

→ System execution.

—

9. Đừng để LLM vừa suy nghĩ vừa tự kiểm soát mình

Một sai lầm dễ gặp là viết trong prompt:

“Nếu số tiền lớn thì hãy hỏi CFO trước.”

Điều này không phải internal control.

Control phải nằm ngoài model.

Ví dụ:

Agent proposes payment

↓

n8n / ERP workflow kiểm tra:

amount

vendor

budget

authority matrix

↓

nếu vượt threshold:

BLOCK

↓

gửi approval.

Như vậy nếu AI hiểu sai prompt, policy vẫn giữ nguyên.

Trong Finance:

Agent có thể reasoning linh hoạt, nhưng authority phải deterministic.

—

10. Để đi vào core workflow, Finance cần 5 nền tảng

1. Trusted Data

Không nhất thiết dữ liệu phải hoàn hảo.

Nhưng phải biết:

• dữ liệu nằm ở đâu;
• nguồn chính thức là gì;
• owner là ai;
• dữ liệu cập nhật khi nào.

2. Process Map

Biết workflow thực tế:

Input → Decision → Action → Exception → Output.

Không phải workflow trong SOP mà là workflow thực sự đang diễn ra.

3. Business Rules

Ví dụ:

• credit limit;
• approval threshold;
• material tolerance;
• payment term;
• forecast cutoff.

4. Authority Model

Agent được phép:

Read

Analyze

Recommend

Create

Modify

Execute.

Mỗi mức phải rõ.

5. Outcome KPI

Use case phải gắn với:

• cash;
• cost;
• margin;
• working capital;
• speed;
• risk.

—

11. Một nguyên tắc chọn use case tốt hơn

Thay vì hỏi:

“Finance đang làm việc gì thủ công?”

hãy hỏi:

“Finance đang có exception nào lặp lại và tạo ra giá trị thất thoát?”

Ví dụ:

• overdue AR;
• duplicate payment;
• BOM variance;
• purchase price variance;
• forecast exception;
• unmatched bank transactions;
• slow-moving inventory.

Đây thường là những điểm tốt để bắt đầu vì:

• có dữ liệu;
• có business rule;
• có financial impact;
• có owner;
• có outcome KPI.

—

12. AI Finance Maturity không nên đo bằng số chatbot license

Một doanh nghiệp có:

100 tài khoản Copilot

chưa chắc trưởng thành hơn doanh nghiệp có:

3 workflow agent thực sự chạy production.

Có thể đo maturity bằng câu hỏi:

Level 1

Bao nhiêu người dùng AI?

Level 2

Bao nhiêu tác vụ đã tự động?

Level 3

Bao nhiêu business process có AI embedded?

Level 4

Bao nhiêu financial outcome được cải thiện và kiểm chứng?

Đích cuối không phải:

AI Adoption.

Đích cuối là:

Business Performance.

—

13. Vai trò của Finance cũng phải thay đổi

Khi AI đi vào core workflow, nhân viên Finance không còn chỉ là người:

• nhập liệu;
• reconcile;
• tạo report;
• chạy file.

Họ trở thành người:

• thiết kế rule;
• quản lý exception;
• kiểm tra AI;
• đánh giá root cause;
• tư vấn decision;
• chịu trách nhiệm control.

Một kế toán có thể quản lý nhiều “digital workers”:

AR Agent

AP Agent

Costing Agent

Forecast Agent.

Năng suất lúc đó không còn tính đơn giản bằng:

Transactions / employee.

Mà có thể là:

Exceptions resolved / finance professional

hoặc:

Economic value recovered / finance team.

—

14. Một roadmap thực tế cho SME

Không cần nhảy từ chatbot sang autonomous agent.

Có thể đi theo 4 bước.

Bước 1 — Chọn một leakage

Ví dụ:

BOM variance đang gây thất thoát 800 triệu/năm.

Bước 2 — Chuẩn hóa dữ liệu và rule

BOM

Actual issue

Output

Tolerance.

Bước 3 — AI chỉ xử lý exception

Rule phát hiện.

AI phân tích.

Con người quyết định.

Bước 4 — Tích hợp workflow

Agent:

• tạo alert;
• gán owner;
• theo dõi resolution;
• đo benefit.

Khi workflow chạy ổn mới mở thêm quyền.

—

15. Kiến trúc Finance AI phù hợp với SME

Có thể hình dung rất đơn giản:

Layer 1 — System of Record

• ERP;
• Accounting;
• Bank;
• CRM;
• MES/WMS;
• Google Sheets.

Layer 2 — Workflow / Automation

• n8n;
• RPA;
• API;
• business rules.

Layer 3 — AI Intelligence

• classify;
• detect;
• explain;
• forecast;
• recommend.

Layer 4 — Human Control

• approve;
• override;
• investigate;
• decide.

Layer 5 — Measurement

• cash impact;
• cost reduction;
• margin;
• risk;
• productivity.

AI không cần thay ERP.

AI cần được đặt đúng chỗ trong kiến trúc này.

—

16. Câu hỏi CFO nên đặt trước một dự án AI Finance

Không bắt đầu bằng:

“AI làm được gì?”

Hãy hỏi:

Quy trình nào đang có vấn đề?

Giá trị thất thoát là bao nhiêu?

Dữ liệu có sẵn không?

Rule nào deterministic?

Chỗ nào thật sự cần reasoning?

Chỗ nào con người phải approve?

KPI nào chứng minh thành công?

Nếu bảy câu hỏi này rõ, việc chọn model thường trở thành phần dễ hơn.

—

Kết luận

Finance AI hiện nay đang đứng giữa hai thế giới.

Một bên là:

AI như chatbot cá nhân.

Bên kia là:

AI như một phần của Finance operating model.

Khoảng cách giữa hai bên không chủ yếu nằm ở model.

Nó nằm ở:

Data

→ Process

→ Rules

→ Workflow

→ Authority

→ Governance

→ Measurement.

Chatbot giúp nhân viên làm việc nhanh hơn.

Nhưng AI trong core workflow mới có khả năng làm doanh nghiệp:

• thu tiền nhanh hơn;
• giảm leakage;
• close nhanh hơn;
• forecast tốt hơn;
• giảm tồn kho;
• cải thiện margin;
• và kiểm soát rủi ro tốt hơn.

Vì vậy câu hỏi quan trọng đối với CFO không nên là:

“Phòng Finance có đang dùng AI không?”

Mà là:

“AI đã đi vào business process nào, và process đó đã tạo ra financial outcome gì?”

Khi trả lời được câu hỏi này, doanh nghiệp mới thực sự bắt đầu bước từ AI adoption sang AI-enabled Finance transformation.

Nguồn tham khảo

• PwC & OpenAI, *Build a First-of-Its-Kind OpenAI Native Finance Function*, 05/05/2026.
• PwC, *Future of Finance: Enabling the Intelligent Enterprise*, 27/08/2026.
• Deloitte, *2026 CFO Guide to Tech Trends and AI*, 24/03/2026.
• Deloitte, *Finance Trends 2026*.
• Deloitte, *AI Agents are Only the Beginning: AI Readiness Gap*, 12/08/2026.