Business Ontology là gì?
Có dữ liệu chưa có nghĩa là AI hiểu doanh nghiệp. Business Ontology định nghĩa ý nghĩa và quan hệ của dữ liệu, để AI Agent phân tích và hành động đúng ngữ cảnh.
Doanh nghiệp lớn và siêu lớn thường thích nghi với công nghệ mới chậm hơn SME, vì đặc thù về quy trình, con người và nhiều ràng buộc khác. Câu hỏi đặt ra là làm sao để họ ứng dụng AI Agents thực thụ vào vận hành, thay vì dừng ở các công cụ AI cá nhân dùng ngoài kiểm soát của công ty, vốn không theo chuẩn bảo mật nội bộ và có nguy cơ làm rò rỉ dữ liệu kinh doanh.
Bài này, dựa trên kinh nghiệm xử lý dữ liệu cùng các doanh nghiệp lớn của tác giả, đi qua: chân dung doanh nghiệp lớn, vì sao dữ liệu bị phân mảnh, hai cách tổ chức dữ liệu quanh ERP, và vị trí của AI Agents trên nền dữ liệu chuẩn.
Doanh nghiệp lớn trong bài này trông như thế nào
Ngoài doanh thu, doanh nghiệp lớn trong bài có cấu trúc vận hành đa lớp: vừa sản xuất vừa phân phối nhiều kênh, bán trên nhiều kênh, và có từ 200 đến hơn 1.000 nhân sự làm việc theo quy trình bài bản.
- Mô hình hỗn hợp: kiêm sản xuất và phân phối đa kênh, từ B2B đến B2C.
- Đa dạng kênh bán: ETC, OTC, thương mại điện tử, mạng xã hội, và hệ thống điểm bán offline lớn, từ vài chục đến vài trăm điểm.
- Nhân sự quy mô: từ 200 đến hơn 1.000 người.
Đặc thù của các doanh nghiệp này là dùng cùng lúc rất nhiều giải pháp chuyển đổi số: ERP, vô số phần mềm SaaS, file Excel và cả giấy tờ văn bản.
Vì sao dữ liệu của doanh nghiệp lớn bị phân mảnh
Dữ liệu bị phân mảnh vì hệ thống lõi như ERP vốn phức tạp và tốn nhiều thời gian dựng, trong khi phần mềm SaaS may sẵn thường không đáp ứng nổi nghiệp vụ đặc thù, buộc doanh nghiệp phải xây ERP riêng rồi vá thêm nhiều giải pháp khác.
Theo kinh nghiệm của tác giả, nhiều công ty phải đập đi xây lại hệ thống tiêu tốn hàng tỷ đồng sau vài năm. Nguyên nhân là cấu trúc vận hành phình to, còn thao tác giữa nhân sự và phần mềm ngày càng phức tạp. Doanh nghiệp chấp nhận vá víu bằng nhiều giải pháp SaaS để đáp ứng yêu cầu quản lý của từng phòng ban.
Hậu quả là vận hành và dữ liệu bị phân mảnh ngay trong nội tại. Người chủ doanh nghiệp dần mất niềm tin và rơi vào bế tắc, vì khoảng cách giữa dữ liệu thực tế và hỗ trợ ra quyết định chuẩn quá xa. Rào cản này khiến doanh nghiệp lớn khó thích ứng với thay đổi công nghệ và chưa thể áp dụng khả năng tự hành của AI Agents.
Hai cách tổ chức dữ liệu quanh ERP
Có hai cách tổ chức: Cách 1 lấy ERP (Master DB) làm trung tâm cho mọi hệ thống vệ tinh, Cách 2 lấy Data Warehouse làm trung tâm dữ liệu và để các hệ thống vệ tinh rút dữ liệu từ đó.
Cách 1 là phương cách cũ. Đi cùng sự phình lên của quy trình vận hành là càng nhiều nút thắt khó xử lý: hệ thống phình đến đâu, nguy cơ quá tải và rối loạn đến đó.
Cách 2 là giải pháp hiện đại: doanh nghiệp triển khai Data Lake và Data Warehouse song hành cùng ERP. Giải pháp này không chỉ giảm tải dữ liệu cho ERP lõi mà còn thu gom dữ liệu từ mọi nguồn SaaS rời rạc, nhờ đó giải quyết điểm gút về dữ liệu và báo cáo, phục vụ ra quyết định của chủ doanh nghiệp và các trưởng phòng ban.
| Cách 1: ERP là trung tâm | Cách 2: Data Warehouse là trung tâm | |
|---|---|---|
| Hệ thống vệ tinh | Đảm nhiệm điểm chạm với khách hàng | Đảm nhiệm điểm chạm với khách hàng |
| Nhân sự nội bộ | Làm việc trên một hệ thống đồng nhất là ERP | Làm việc trên một hệ thống đồng nhất là ERP |
| Nguồn dữ liệu chung | ERP là Master DB (cơ sở dữ liệu gốc) cho mọi hệ thống vệ tinh, dữ liệu đồng nhất, nhất quán | Data Warehouse là trung tâm dữ liệu, nên tất cả dữ liệu mịn và chuẩn xác |
| Dữ liệu phân mảnh | Data Lake thu thập, Data Warehouse chuẩn hóa | Data Lake thu thập, Data Warehouse chuẩn hóa |
| Báo cáo | Báo cáo BI, phân tích dữ liệu | Báo cáo BI, phân tích dữ liệu |
| Nhược điểm | Các hệ thống cần API với ERP và cân nhắc đồng bộ real-time hay bất đồng bộ. Master DB là ERP nên có thể nghẽn khi các hệ thống vệ tinh cùng cập nhật | Cần một hệ thống API trung gian để các hệ thống vệ tinh rút dữ liệu từ Data Warehouse, vì hệ thống vệ tinh bị hạn chế công nghệ nếu dùng giải pháp SaaS |
Cách giảm nghẽn ở Cách 1
Có thể cho các hệ thống vệ tinh rút dữ liệu từ Readonly DB (bản chỉ đọc của cơ sở dữ liệu ERP), còn ERP chủ động ghi dữ liệu vào Master DB theo định kỳ, để giảm tải cho Master DB.
AI Agents đứng ở đâu trong kiến trúc này
AI Agents đứng ở tầng giữa, giữa con người và các công cụ thao tác như ERP, MIS và SaaS, và chỉ làm được việc này khi hệ thống dữ liệu được xây song song và chuẩn chỉnh.
Ở vị trí đó, AI không chỉ hiểu cách con người thao tác trên công cụ mà còn hiểu dữ liệu thực tế đang diễn ra như thế nào. Sự thấu hiểu kép này cho phép AI Agents hành động nhanh để tăng tốc xử lý vấn đề. Con người vốn không được thiết kế để làm việc hiệu quả với các hệ thống vận hành phức tạp; có AI Agents đứng giữa, việc đó ngày càng dễ hơn.
Theo nhận định của tác giả, ERP, MIS và SaaS sẽ không chết trong thời đại AI Agents. Các hệ thống này sẽ ngày càng tinh vi, để con người và AI cùng hiểu được.
Cuộc đua nằm ở việc sắp xếp, không phải chọn công cụ
Cuộc đua chuyển đổi số và AI Agents hóa doanh nghiệp lớn không phải cuộc đua dùng công cụ gì, mà là sắp xếp Hệ thống, Dữ liệu, Con người và Trí tuệ nhân tạo tự hành thế nào để thành các mảnh ghép hoàn chỉnh và thông suốt.
Một số công ty xây dựng ERP đã bắt đầu tìm đến Bluecore như một đơn vị kiến trúc sư dữ liệu doanh nghiệp song hành, để tháo gỡ các điểm gút nói trên.
Câu hỏi thường gặp
Vì sao doanh nghiệp lớn khó ứng dụng AI Agents?
Vì vận hành và dữ liệu bị phân mảnh giữa ERP, nhiều phần mềm SaaS, file Excel và giấy tờ, nên khoảng cách giữa dữ liệu thực tế và hỗ trợ ra quyết định rất xa. Chưa có nền dữ liệu thống nhất thì AI Agents chưa có chỗ dựa để tự hành.
Data Lake và Data Warehouse làm gì trong kiến trúc này?
Data Lake thu thập dữ liệu đang bị phân mảnh từ nhiều nguồn. Data Warehouse chuẩn hóa dữ liệu đó; ở Cách 2 nó còn là trung tâm dữ liệu nên mọi dữ liệu mịn và chuẩn xác. Báo cáo BI và phân tích dữ liệu đọc từ Data Warehouse.
AI Agents có thay thế ERP và SaaS không?
Không, theo nhận định của tác giả. AI Agents đứng giữa con người và các công cụ ERP, MIS, SaaS, còn các hệ thống này ngày càng tinh vi để cả con người và AI cùng hiểu được.
Cách 1 và Cách 2 khác nhau chính ở đâu?
Cách 1 lấy ERP (Master DB) làm trung tâm cho mọi hệ thống vệ tinh, dễ nghẽn khi các hệ thống cùng cập nhật. Cách 2 lấy Data Warehouse làm trung tâm dữ liệu, giảm tải cho ERP nhưng cần một hệ thống API trung gian để các hệ thống vệ tinh rút dữ liệu.
Tóm lại
- Dữ liệu doanh nghiệp lớn phân mảnh vì ERP riêng cộng nhiều SaaS vá víu; đó là rào cản chính của AI Agents.
- Cách 2 đặt Data Warehouse làm trung tâm, giảm tải ERP và gom dữ liệu từ mọi nguồn, đổi lại cần một hệ thống API trung gian.
- AI Agents đứng giữa con người và công cụ trên nền dữ liệu chuẩn; ERP, MIS, SaaS không biến mất mà tinh vi hơn.
