Trong vài năm qua, phần lớn doanh nghiệp bắt đầu hành trình AI bằng một cách rất giống nhau:

Employee → Chatbot → Answer

Nhân viên đặt câu hỏi.

AI trả lời.

Kết quả có thể khá tốt:

• viết email nhanh hơn;
• tóm tắt tài liệu;
• tạo công thức Excel;
• giải thích số liệu;
• viết báo cáo;
• hỗ trợ phân tích.

Đây là một bước khởi đầu hữu ích.

Nhưng nếu mục tiêu của doanh nghiệp là tạo ra:

• cash tốt hơn;
• margin cao hơn;
• ít lỗi hơn;
• close nhanh hơn;
• forecast chính xác hơn;
• tồn kho thấp hơn;
• kiểm soát tốt hơn,

thì mô hình Employee → Chatbot → Answer là chưa đủ.

AI phải đi sâu hơn vào hệ thống vận hành.

Một kiến trúc trưởng thành hơn có thể hình dung như sau:

ERP / Accounting / MES / WMS

→ Trusted Business Data

→ Exception / Event

→ AI reasoning

→ Recommended action

→ Policy & Control

→ Human approval khi cần

→ Transaction

→ Audit trail

→ Financial outcome

Bài viết này tổng hợp ba chủ đề quan trọng:

• Finance Value Leakage Map;
• Master Data / Trusted Business Data;
• AI Insight phải trở thành Business Transaction;

thành một framework triển khai AI thực tế cho Finance và Manufacturing.

---

1. Vấn đề lớn nhất: AI đang thông minh hơn workflow của doanh nghiệp

Doanh nghiệp hiện nay có thể tiếp cận những model AI rất mạnh.

Nhưng phần lớn quy trình nội bộ vẫn dựa trên:

• Excel;
• email;
• thao tác tay;
• dữ liệu phân mảnh;
• phê duyệt không chuẩn hóa;
• rule nằm trong đầu nhân viên;
• exception không có owner rõ.

Kết quả là AI có thể:

phân tích rất nhanh

nhưng doanh nghiệp vẫn:

hành động rất chậm.

Đây là lý do nhiều dự án AI tạo cảm giác năng suất tăng nhưng financial impact lại khó đo.

AI không thiếu intelligence.

Doanh nghiệp thiếu:

operational architecture để biến intelligence thành action.

---

2. Bước 1 — Bắt đầu từ Value, không bắt đầu từ AI

Trước khi nghĩ tới Agent, model hay automation, CFO nên hỏi:

Doanh nghiệp đang mất giá trị ở đâu?

Đây là vai trò của Finance Value Leakage Map.

Leakage có thể nằm ở:

• AR overdue;
• duplicate payment;
• pricing error;
• purchase price variance;
• BOM variance;
• scrap;
• slow-moving inventory;
• forecast error;
• close delay;
• reconciliation exception.

Mục tiêu đầu tiên không phải:

“Tìm use case AI.”

Mà là:

“Tìm nơi có Value at Stake đủ lớn.”

Ví dụ:

BOM variance

→ Estimated leakage: 1 tỷ/năm.

Khi đó mới hỏi:

• root cause là gì?
• rule nào có thể xử lý?
• automation nào cần thiết?
• AI có thật sự cần không?

AI chỉ là một công cụ trong chuỗi giải pháp.

---

3. Bước 2 — Xây Trusted Business Data

Khi đã biết leakage cần xử lý, câu hỏi kế tiếp là:

AI sẽ dựa vào dữ liệu nào?

Đây là nơi Master Data trở thành nền tảng.

Một AI Costing Agent muốn hiểu variance phải biết:

• Material là gì?
• BOM revision nào đang hiệu lực?
• Batch nào bị ảnh hưởng?
• Supplier nào cung cấp?
• Standard cost nào đang dùng?
• Production order nào liên quan?

Nếu dữ liệu này nằm rời rạc trong nhiều hệ thống và không có mapping rõ ràng, AI sẽ phải đoán.

Trong Finance và Manufacturing:

đoán không phải là control.

Trusted Business Data cần trả lời ít nhất:

• Business Object là gì?
• System of Record ở đâu?
• Owner là ai?
• Object liên hệ với object nào?
• Critical attributes là gì?
• Ai được quyền thay đổi?

Ví dụ:

Material

↔ Supplier

↔ BOM

↔ Batch

↔ Production Order

↔ Inventory

↔ Cost

Khi các quan hệ này rõ, AI mới có business context thực sự.

---

4. Bước 3 — Từ Data sang Exception

Doanh nghiệp không nên bắt AI đọc toàn bộ dữ liệu rồi “tự tìm việc”.

Một mô hình kiểm soát tốt hơn là:

Rules / Analytics phát hiện Exception trước.

Ví dụ:

BOM variance > 5%

AR overdue > 30 ngày

Invoice trùng Vendor + Amount + Number

Margin giảm > 3 điểm %

Inventory days > threshold

Lúc này hệ thống tạo một:

Exception / Event.

Ví dụ:

Variance Case #BV-2026-0910-008

Exception giúp thu hẹp scope của AI.

Thay vì hỏi:

“Phân tích toàn bộ nhà máy.”

ta giao:

“Phân tích case BOM variance #BV-008.”

Agent lúc này có:

• dữ liệu cụ thể;
• business object cụ thể;
• trigger cụ thể;
• output cụ thể.

Rủi ro thấp hơn và dễ kiểm soát hơn.

---

5. Bước 4 — AI làm phần Reasoning

Đây là nơi AI tạo ra giá trị riêng.

Rule rất tốt để nói:

“Có exception.”

Nhưng AI có thể đi tiếp:

• nguyên nhân khả dĩ là gì?
• exception này có nghiêm trọng không?
• ảnh hưởng business nào?
• hành động nào nên ưu tiên?
• case nào tương tự đã xảy ra trước đây?

Ví dụ BOM variance:

Rule:

Actual usage > BOM tolerance

AI reasoning:

• raw material quality?
• machine setting?
• scrap abnormal?
• operator issue?
• wrong BOM revision?

AI không cần thay rule.

AI bổ sung:

context + explanation + recommendation.

---

6. Bước 5 — Insight phải trở thành Recommended Action

Đây là điểm nhiều dự án AI dừng quá sớm.

AI trả lời:

“Có khả năng nguyên nhân là yield loss.”

Nhưng sau đó không có gì xảy ra.

Một hệ thống tốt hơn phải chuyển insight thành:

Recommended Action.

Ví dụ:

Kiểm tra calibration máy số 3

hoặc:

Review supplier lot L240908

hoặc:

Recheck BOM Rev.07

hoặc:

Escalate customer A cho Sales Director

Recommended action cần có:

• owner;
• due date;
• priority;
• expected outcome.

Insight không có action vẫn chỉ là thông tin.

---

7. Bước 6 — Policy & Control nằm ngoài AI

Một trong những nguyên tắc quan trọng nhất:

AI không được tự kiểm soát chính mình.

Không nên chỉ viết trong prompt:

“Nếu số tiền lớn thì hỏi CFO.”

Control phải nằm trong:

• ERP;
• workflow engine;
• n8n;
• approval matrix;
• policy layer.

Ví dụ:

Payment proposal > 50 triệu

→ CFO approval bắt buộc.

BOM change

→ Technical + Costing approval.

Journal > threshold

→ Controller approval.

Agent có thể:

• analyze;
• recommend;
• prepare.

Nhưng authority phải được quy định deterministic.

---

8. Bước 7 — Human approval khi cần

Không phải mọi việc đều cần con người.

Nếu bắt con người duyệt tất cả, automation mất giá trị.

Có thể dùng threshold.

Ví dụ:

BOM variance

<2%

→ Auto close.

2–5%

→ AI review.

5–10%

→ Supervisor review.

>10%

→ Production Manager + Costing.

AR Collection

Low-risk customer:

→ automated reminder.

Strategic customer:

→ Account Manager review.

High-value overdue:

→ CFO escalation.

Human-in-the-loop nên tập trung vào:

• judgment;
• accountability;
• high-risk decision.

---

9. Bước 8 — Insight phải trở thành Transaction

Đây là bước chuyển quan trọng nhất.

Một AI-generated event cần trở thành object chính thức trong workflow.

Ví dụ:

Case ID

Business Object

Trigger

Evidence

Financial Impact

Owner

Recommended Action

Approval

Status

Outcome

Khi đó doanh nghiệp có thể theo dõi:

Open

→ In Progress

→ Resolved

→ Closed

Đây là lúc AI thoát khỏi “cửa sổ chat” và đi vào:

System of Record / System of Action.

---

10. Bước 9 — Audit Trail

Nếu AI tham gia business process, doanh nghiệp cần biết:

• AI dùng dữ liệu nào?
• model nào?
• lúc nào?
• đề xuất gì?
• ai duyệt?
• ai override?
• transaction nào được tạo?
• kết quả ra sao?

Audit Trail không chỉ phục vụ kiểm toán.

Nó còn giúp:

• debug;
• kiểm soát;
• cải thiện model;
• xác định accountability;
• chứng minh ROI.

---

11. Bước 10 — Financial Outcome

Đích cuối cùng không phải:

AI activity.

Đích cuối cùng là:

business outcome.

Ví dụ:

AR Agent

Không đo:

500 email được tạo.

Đo:

• DSO giảm;
• overdue giảm;
• cash collected tăng.

Costing Agent

Không đo:

300 variance được phân tích.

Đo:

• material variance giảm;
• scrap giảm;
• cost/unit giảm.

AP Agent

Không đo:

10.000 invoice được đọc.

Đo:

• duplicate prevented;
• leakage recovered;
• processing cost giảm.

Forecast Agent

Không đo:

forecast tạo nhanh hơn.

Đo:

• forecast accuracy;
• inventory days;
• working capital.

AI chỉ thực sự có giá trị khi nối được tới:

P&L, Cash Flow hoặc Risk.

---

12. Kiến trúc tổng thể

Có thể hình dung toàn bộ hệ thống thành 7 lớp.

Layer 1 — Systems of Record

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

Layer 2 — Trusted Business Data

• Customer;
• Supplier;
• Material;
• Product;
• BOM;
• Batch;
• Account;
• Cost Center.

Layer 3 — Detection

• Rule;
• Analytics;
• ML;
• Threshold.

Layer 4 — AI Intelligence

• Explain;
• Classify;
• Forecast;
• Recommend.

Layer 5 — Workflow & Control

• owner;
• task;
• policy;
• approval;
• threshold.

Layer 6 — Transaction & Execution

• ERP write-back;
• email;
• task;
• PO;
• journal proposal;
• reschedule.

Layer 7 — Measurement

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

---

13. Ví dụ end-to-end: BOM Variance

Giả sử:

Standard BOM:

100 kg

Actual:

106 kg

Threshold:

5%

Step 1 — Detect

Rule phát hiện:

Variance = +6%

Step 2 — Create Event

Case BV-001

Step 3 — AI Reasoning

AI đọc:

• BOM;
• batch;
• shift;
• material lot;
• historical variance.

AI đề xuất:

Nguyên nhân có khả năng cao: yield loss.

Step 4 — Quantify

Finance tính:

Financial impact = 24 triệu.

Step 5 — Recommend

Kiểm tra calibration máy và lot NVL.

Step 6 — Control

Variance >5%

→ Supervisor approval.

Step 7 — Action

Production kiểm tra máy.

Step 8 — Transaction

Corrective action được ghi vào case.

Step 9 — Audit

Ai xử lý, lúc nào, kết quả gì.

Step 10 — Outcome

Variance giảm xuống:

2,8%

Financial leakage avoided:

15 triệu/tháng.

Đây chính là:

AI → Financial Outcome.

---

14. CFO giữ vai trò gì trong kiến trúc này?

CFO không cần trở thành AI engineer.

Nhưng CFO nên sở hữu bốn phần.

Value

Leakage nào đáng xử lý?

Financial Impact

Một exception trị giá bao nhiêu?

Control

AI được phép làm gì?

Outcome

Benefit có thực sự xảy ra không?

IT có thể xây integration.

Operations có thể xử lý root cause.

AI team có thể chọn model.

Nhưng Finance là nơi nối:

operational event

với:

economic value.

---

15. Một roadmap thực tế cho SME

Không cần triển khai toàn kiến trúc ngay.

Có thể đi theo 4 giai đoạn.

Giai đoạn 1 — Detect

Chọn một leakage.

Tạo rule phát hiện exception.

Giai đoạn 2 — Explain

Cho AI phân tích exception.

Giai đoạn 3 — Workflow

Tạo case, owner, action, approval.

Giai đoạn 4 — Measure

Theo dõi financial outcome.

Chỉ khi 4 bước này chạy ổn mới mở thêm:

• autonomous action;
• multi-agent;
• write-back;
• cross-system orchestration.

---

16. Ba sai lầm cần tránh

Sai lầm 1 — Bắt đầu bằng model

Model có thể thay đổi rất nhanh.

Business process thì không.

Sai lầm 2 — Bắt đầu bằng chatbot

Chatbot là interface.

Nó không phải operating model.

Sai lầm 3 — Không đo financial outcome

Nếu không nối được tới:

• P&L;
• Cash;
• Working capital;
• Risk;

dự án AI rất dễ trở thành innovation theatre.

---

17. Một checklist đơn giản trước khi triển khai AI

Trước mỗi use case, CFO có thể hỏi:

1. Leakage là gì?
2. Value at stake bao nhiêu?
3. Business object nào liên quan?
4. Data source nào là chính thức?
5. Trigger/exception là gì?
6. Rule nào deterministic?
7. AI cần reasoning phần nào?
8. Agent được quyền làm gì?
9. Ai approve?
10. Transaction được ghi ở đâu?
11. Audit trail thế nào?
12. Financial KPI cuối cùng là gì?

Nếu 12 câu này rõ, dự án có cơ hội tạo giá trị cao hơn rất nhiều.

---

Kết luận

Finance AI đang bước sang một giai đoạn mới.

Giai đoạn đầu là:

Employee → Chatbot → Answer

Giai đoạn tiếp theo phải là:

System → Event → Intelligence → Action → Control → Transaction → Outcome

Có thể tóm gọn kiến trúc mục tiêu như sau:

ERP / Accounting / MES / WMS

→ Trusted Business Data

→ Exception / Event

→ AI reasoning

→ Recommended action

→ Policy & Control

→ Human approval khi cần

→ Transaction

→ Audit trail

→ Financial outcome

Điểm mấu chốt không phải là:

AI có thông minh đến đâu?

Mà là:

Doanh nghiệp có đủ kiến trúc để biến intelligence đó thành financial value hay không?

Đó mới là bước chuyển từ:

AI Adoption

sang:

AI-enabled Operating Model.