So sánh tư duy tự động hóa theo mục tiêu và tự động hóa theo quy trình cái nào bền vững hơn

Có một sự thật trần trụi mà ít nhà tư vấn công nghệ muốn thừa nhận: phần lớn các dự án tự động hóa đang âm thầm thất bại ngay từ bản thiết kế. Không phải vì sai sót kỹ thuật, không phải vì thiếu ngân sách, mà bởi chúng được xây dựng trên một triết lý tự động hóa tồn tại từ thế kỷ trước: mô phỏng chính xác từng thao tác của con người. Khi thế giới vận hành nhanh hơn, những cỗ máy chỉ biết chạy theo đường ray cố định sẽ trở thành di sản công nghệ đắt đỏ.

Mặt khác, các hệ thống thực sự kiên cường – những kiến trúc sống sót qua khủng hoảng và mở rộng không giới hạn – đều có chung một ADN thiết kế: chúng không quan tâm bạn làm “thế nào”, chúng chỉ đo lường bạn đạt được “cái gì”. Đó là điểm mấu chốt phân định tính bền vững giữa tự động hóa dựa trên mục tiêu và tự động hóa dựa trên quy trình.

Bản chất bị lãng quên của hai đường lối thiết kế

Để hiểu đâu là cách làm trường tồn, cần tạm quên đi những slide thuyết trình với các vòng tròn RPA hay AI Agent. Bản chất của mọi hệ thống tự động hóa, dù phức tạp đến đâu, cũng chỉ là sự kết hợp của ba thành phần nguyên thủy: dữ liệu đầu vào, tập quy tắc biến đổi và cơ chế phản hồi. Sự khác biệt cốt tử giữa hai cách tiếp cận nằm ở cách chúng tổ chức tập quy tắc biến đổi đó.

Đầu vào giống hệt, quy tắc khác biệt

Tự động hóa theo quy trình xây dựng một ma trận các bước cố định. Khi một hóa đơn đến, hệ thống sẽ mở file, đọc trường “Tổng tiền”, so sánh với một giá trị ngưỡng, chuyển đến người phê duyệt A, rồi lưu vào thư mục B. Logic ở đây là một chuỗi hành vi được lập trình sẵn – một cuốn cẩm nang chi tiết mà bất kỳ sai lệch nào từ môi trường cũng khiến nó phải dừng lại và chờ con người vá lỗi.

Ngược lại, tự động hóa theo mục tiêu nhận cùng một hóa đơn đó, nhưng không tìm cách mô phỏng lại thao tác của nhân viên. Nó chỉ nhận một chỉ thị: “Đảm bảo hóa đơn này được thanh toán đúng hạn với chi phí xử lý thấp nhất, tuân thủ chính sách”. Tập quy tắc biến đổi ở đây không còn là một kịch bản cứng nhắc, mà là một hàm mục tiêu (objective function). Đầu ra (trạng thái “đã được thanh toán”) là cố định; việc thực thi có thể biến đổi liên tục dựa trên ngữ cảnh.

Vòng phản hồi và khả năng lão hóa của hệ thống

Cơ chế phản hồi trong hệ thống dựa trên quy trình mang tính chất “phát hiện lỗi”. Nếu một trường trong hóa đơn thay đổi tên, vòng phản hồi sẽ kích hoạt một ngoại lệ và gửi email cầu cứu. Hệ thống bị lão hóa theo cấp số nhân mỗi khi phần mềm kế toán thay đổi giao diện, đối tác chuyển định dạng file hay chính sách thuế cập nhật. Về mặt bản chất, bạn đang sở hữu một tài sản kỹ thuật số có tốc độ khấu hao tương đương với một chiếc smartphone.

Hệ thống dựa trên mục tiêu sử dụng vòng phản hồi như một cơ chế học (learning loop). Khi gặp định dạng hóa đơn mới, nó không báo lỗi; nó xử lý bằng con đường khác, đối chiếu kết quả với hàm mục tiêu và tự điều chỉnh hành vi cho lần sau. Đây không phải là khái niệm cao siêu – đó chỉ là cách bất kỳ sinh vật sống nào cũng tồn tại: không có sách hướng dẫn, chỉ có đích đến cuối cùng.

Orion Global Logistics: Cuộc đua của hai kiến trúc tự động hóa

Để thấy rõ cơ chế này vận hành ra sao trong môi trường thực chiến, hãy cùng phân tích một tình huống giả định tại Orion Global Logistics, chuyên xử lý đơn hàng xuyên biên giới với tốc độ tăng trưởng 40% mỗi năm.

Orion sở hữu một trung tâm phân phối tại Rotterdam, nơi hàng nghìn kiện hàng được robot tự hành (AMR) xử lý mỗi giờ. Ban lãnh đạo đứng trước hai lựa chọn thiết kế cho hệ thống điều phối robot:

• Phương án Alpha (Dựa trên quy trình): Lập trình cứng lộ trình di chuyển cho từng robot dựa trên sơ đồ kho hiện tại. Robot sẽ đi theo tuyến tối ưu đã tính sẵn để lấy hàng, sắp xếp pallet và trả về trạm đóng gói.
• Phương án Beta (Dựa trên mục tiêu): Chỉ cung cấp cho mỗi robot một tập lệnh cấp cao: “Đơn hàng #3345 cần được sẵn sàng tại Trạm đóng gói số 4 trong 180 giây tới. Tránh va chạm. Tiết kiệm năng lượng nhất có thể.” Robot tự tính toán lộ trình, tự thương lượng quyền ưu tiên qua lại với các robot khác.

Ngày bình thường và kỳ nghỉ lễ

Trong ba tháng đầu, Alpha hoạt động nhanh hơn Beta khoảng 15%. Điều này dễ hiểu: các tuyến đường đã được tính toán hoàn hảo, robot không mất thời gian “suy nghĩ”. Orion hài lòng vì số liệu KPI ban đầu rất đẹp.

Rồi Black Friday 2025 ập đến. Orion phải mở rộng sức chứa bằng cách cắm thêm 40 giá hàng tạm thời ở lối đi chính, biến sơ đồ kho thành một mê cung không có trong bất kỳ bản đồ nào. Các robot Alpha lập tức dừng hoạt động tại khu vực mới; hệ thống báo lỗi “không nhận diện được điểm tham chiếu”. Đội ngũ kỹ sư mất 2 ngày để lập trình lại toàn bộ lộ trình, khiến hàng nghìn đơn hàng bị trễ.

Trong khi đó, các robot Beta không cần bất kỳ sự can thiệp nào. Chúng nhận thấy đường cũ bị chặn, tự tìm đường mới, miễn là đáp ứng được chỉ thị “180 giây tại Trạm số 4”. Một số robot chọn đường vòng, số khác chuyển qua khu phụ để tránh tắc nghẽn. Mức tiêu thụ năng lượng tăng nhẹ, nhưng mục tiêu giao hàng đúng hạn vẫn được đảm bảo.

Bài học rút ra: Hệ thống dựa trên quy trình chỉ tối ưu trong một “bức ảnh chụp” tĩnh. Khi bối cảnh vận động, chi phí để chụp lại một bức ảnh mới có thể vượt xa toàn bộ giá trị mà tự động hóa mang lại.

Thước đo bền vững thực sự

Từ góc nhìn của Orion, tính bền vững không nằm ở tốc độ, mà ở khả năng duy trì vận hành dưới các điều kiện chưa từng được lường trước. Quy trình bị phá vỡ khi môi trường thay đổi. Mục tiêu thì không bao giờ thay đổi – khách hàng vẫn cần đơn hàng đúng hạn, dù kho hàng có biến thành mê cung hay đường cao tốc.

Tái kiến tạo tự động hóa từ nguyên lý mục tiêu

Sau khi chứng kiến thất bại của Alpha, Orion quyết định chuẩn hóa toàn bộ kiến trúc tự động hóa tương lai dựa trên mô hình hướng mục tiêu. Quá trình này có thể được khái quát thành ba lớp tách biệt mà bất kỳ tổ chức nào cũng có thể áp dụng.

Lớp cảm nhận (Perception Layer)

Hệ thống không nên được lập trình để đọc một trường tên cụ thể “Order_Total” trong cột thứ ba của file CSV. Nó cần được huấn luyện để hiểu khái niệm “tổng giá trị đơn hàng” ở bất kỳ định dạng nào. Ở Orion, robot không được dạy “rẽ trái tại cột số 7”. Chúng liên tục dựng một bản đồ không gian thời gian thực từ dữ liệu cảm biến LIDAR và camera.

Trong bối cảnh văn phòng, lớp cảm nhận này nghĩa là các mô hình ngôn ngữ lớn (LLM) không chỉ trích xuất text từ hóa đơn, mà còn hiểu ngữ nghĩa của các con số. Khi nhà cung cấp đổi tên trường thành “Total_due”, hệ thống không cần ai phải sửa script.

Lớp quyết định (Decision Layer)

Đây là trái tim của sự chuyển dịch. Thay vì một cây quyết định if-else khổng lồ, lớp này chứa một hàm đánh giá (evaluation function). Nhiệm vụ của nó là liên tục trả lời câu hỏi: “Hành động nào sẽ tối đa hóa khả năng đạt mục tiêu với chi phí thấp nhất ngay lúc này?”

Lưu ý từ chuyên gia: Hàm mục tiêu không cần phức tạp. Với một tác vụ xử lý đơn hàng, hàm này có thể là: Priority_Score = (Giá trị đơn hàng * 2) – (Thời gian chờ hiện tại * 0.5). Robot chỉ cần chọn đơn hàng có điểm số cao nhất tiếp theo. Đơn giản, nhưng đủ để tạo ra hành vi thông minh mà không cần một kịch bản dài 200 trang.

Lớp thực thi và phản hồi (Execution & Feedback Loop)

Mọi hành động đều sinh ra dữ liệu. Trong hệ thống quy trình, dữ liệu này bị bỏ qua hoặc chỉ dùng để cảnh báo. Trong hệ thống mục tiêu, dữ liệu phản hồi được dùng để hiệu chỉnh chính hàm quyết định. Nếu một robot thường xuyên chọn đường dẫn đến việc chậm giờ, trọng số “tránh tắc nghẽn” trong thuật toán của nó sẽ tự động tăng lên.

Để hiện thực hóa điều này ở cấp độ doanh nghiệp không yêu cầu phải có một đội ngũ nghiên cứu AI. Một pipeline đơn giản ghi log mỗi khi một mục tiêu không đạt, gắn với chuỗi hành động đã thực hiện, là đủ để tạo ra một cơ sở dữ liệu để huấn luyện lại hoặc tinh chỉnh prompt cho LLM. Bạn không cần hiểu “deep learning” – chỉ cần hiểu rằng mỗi thất bại là một điểm dữ liệu miễn phí để làm hệ thống mạnh lên.

So sánh thực dụng: Khi nào quy trình vẫn là vua

Nói như vậy không có nghĩa tự động hóa theo quy trình là sai lầm tuyệt đối. Nó tồn tại vì nó đáp ứng hoàn hảo một loại bài toán rất cụ thể: môi trường có entropy thấp. Khi các quy định, định dạng dữ liệu và quy trình nghiệp vụ gần như không bao giờ thay đổi trong nhiều năm, việc đầu tư vào một hệ thống hướng mục tiêu là lãng phí.

Bảng 1: So sánh ứng dụng giữa hai mô hình

Tiêu chí	Tự động hóa theo Quy trình	Tự động hóa theo Mục tiêu
Môi trường lý tưởng	Biến động thấp, dữ liệu cấu trúc ổn định	Biến động cao, dữ liệu phi cấu trúc hoặc thay đổi liên tục
Độ phức tạp triển khai ban đầu	Thấp đến trung bình. Cần phân tích quy trình tĩnh	Cao. Cần định nghĩa hàm mục tiêu và tạo dữ liệu huấn luyện
Khả năng xử lý ngoại lệ (Edge Cases)	Gần như bằng không nếu chưa được lập trình trước	Có khả năng tự suy luận và xử lý, nhưng vẫn có tỷ lệ lỗi nhất định
Chi phí bảo trì dài hạn	Tuyến tính hoặc tăng theo cấp số nhân với số lượng thay đổi môi trường	Giảm dần theo thời gian nhờ cơ chế tự phản hồi
Khả năng giải thích (Explainability)	Rất cao. Biết chính xác tại sao một hành động diễn ra	Thấp hơn. Khó truy vết “suy nghĩ” của mô hình nếu mất kiểm soát
Ví dụ thực chiến	Trích xuất dữ liệu từ báo cáo tài chính chuẩn XBRL; tạo tài khoản người dùng trên hệ thống cũ	Phân loại và phản hồi email khách hàng; tối ưu lộ trình logistics động

Từ bảng trên, có thể thấy không phải mọi thứ đều cần được “nâng cấp” lên mục tiêu. Một giao dịch ngân hàng liên ngân hàng qua SWIFT có định dạng cứng nhắc đến mức tự động hóa quy trình sẽ chạy không một lỗi trong 20 năm. Nhưng liệu có bao nhiêu hệ thống trong tổ chức của bạn thực sự đứng yên như vậy?

Bảng đánh giá tính bền vững qua thước đo thích nghi

Để lượng hóa khái niệm “bền vững”, chúng ta cần một bộ tiêu chí vượt ra ngoài chi phí ban đầu. Bảng đánh giá dưới đây mô phỏng một thang đo cho một tổ chức giả định như Orion, hoạt động trong ngành logistics – nơi biến động là trạng thái mặc định.

Bảng 2: Scorecard đánh giá tính bền vững (Thang điểm 1-10)

Tiêu chí	Điểm (Quy trình)	Điểm (Mục tiêu)	Ghi chú
Khả năng chống chịu thay đổi môi trường	2	9	Hệ mục tiêu tự tái cấu trúc hành vi; hệ quy trình cần can thiệp thủ công khi biến động lớn.
Chi phí duy trì qua 5 năm	3	8	Bảo trì quy trình tốn kém do phải viết lại script khi phần mềm, API thay đổi.
Tốc độ mở rộng quy mô	7	8	Cả hai đều có thể mở rộng bằng cách nhân bản, nhưng hệ mục tiêu có lợi thế hơn khi thêm loại tác vụ mới.
Khả năng xử lý ngoại lệ	1	7	Điểm trừ cho hệ mục tiêu nằm ở rủi ro “ảo giác” (hallucination) của AI nếu kiểm soát kém.
Hiệu suất trong điều kiện tĩnh	10	6	Quy trình cứng chạy nhanh hơn, không có độ trễ suy luận.
Khả năng tự cải thiện theo thời gian	1	9	Hệ mục tiêu liên tục học từ dữ liệu thất bại; hệ quy trình chỉ có thể suy giảm hiệu suất.
Khả năng kiểm toán và giải thích	9	4	Đây là điểm yếu cố hữu của các hệ thống hộp đen hướng mục tiêu. Cần thiết kế thêm lớp ghi log rõ ràng.
Tổng điểm trung bình	4.7	7.3

Giải thích tổng điểm: Với mức trung bình 4.7/10, mô hình tự động hóa theo quy trình rơi vào nhóm “Không bền vững” trong các môi trường động, chủ yếu do khả năng chống chịu thay đổi quá kém (2 điểm) và xu hướng thoái hóa theo thời gian (1 điểm). Mức 7.3/10 của mô hình mục tiêu được xếp vào “Khá” và có tiềm năng đạt “Xuất sắc” nếu điểm yếu về khả năng giải thích (4 điểm) được khắc phục bằng các lớp ghi log được thiết kế tốt hơn. Tính bền vững vượt trội nằm ở sự tự cải thiện và miễn nhiễm với phần lớn các cú sốc từ môi trường.

Góc nhìn thực chiến: Điểm 4 cho “Khả năng kiểm toán” của mô hình mục tiêu không phải là lý do để từ bỏ nó. Đây là hồi chuông yêu cầu bạn phải thiết kế cơ chế giải thích ngay từ đầu. Mọi hành động của AI Agent phải được gắn với lý do đơn giản: “Tôi chọn A vì nó tối đa hóa biến X”. Không có dòng log này, hệ thống sẽ trở thành mối nguy về tuân thủ.

Định hình chiến lược cho giai đoạn 2025-2026

Bối cảnh công nghệ hai năm tới sẽ chứng kiến ranh giới giữa hai mô hình này ngày càng mờ nhạt, nhưng bản chất bền vững vẫn nghiêng hẳn về một phía. Các công cụ như Process Mining và Task Mining sẽ không còn được dùng chỉ để vẽ quy trình, mà để liên tục phát hiện các biến thể và tự động chuyển đổi các đoạn quy trình ổn định thành kịch bản cứng, trong khi các điểm chạm dễ biến động vẫn được giữ ở lớp mục tiêu. Đây là kiến trúc lai ghép thực dụng.

Xu hướng AI Agent (tác nhân tự hành) mà các nền tảng đám mây lớn đang thúc đẩy thực chất chỉ là sự trưởng thành của mô hình hướng mục tiêu. Chúng cho phép bạn định nghĩa không phải các bước, mà là các ràng buộc (constraints) và mục tiêu. Điều này có nghĩa là chi phí triển khai cho mô hình mục tiêu sẽ giảm mạnh trong 18 tháng tới, khi các mô hình ngôn ngữ đủ rẻ và đủ nhanh để đưa vào vòng lặp quyết định mà không gây độ trễ kinh doanh.

Tuy nhiên, sự phình to của “Agent Wrappers” – các sản phẩm chỉ bọc một lời gọi API ChatGPT và hứa hẹn tự động hóa mọi thứ – sẽ là cái bẫy lớn nhất. Một hệ thống hướng mục tiêu chỉ bền vững nếu bạn kiểm soát được vòng phản hồi và đặt ra các ranh giới an toàn cứng. Đừng bao giờ để một AI tự do quyết định chuyển tiền mà không có một lớp quy trình kiểm tra cuối cùng bằng quy tắc cứng. Tính bền vững nằm ở sự cân bằng giữa mục tiêu tự do và quy trình giới hạn.

Chúng ta đang sống trong kỷ nguyên mà tư duy kỹ sư cần thay đổi từ “phác thảo mọi thao tác” sang “thiết lập mục tiêu và rào chắn”. Hãy kiểm kê danh mục tự động hóa hiện tại của tổ chức bạn. Nếu có một script nào đó vẫn sống sót qua ba lần thay đổi định dạng đầu vào, đó không phải là niềm tự hào – đó là lời cảnh báo rằng bạn có thể sắp phải viết nó lần thứ tư. Bền vững không phải là đứng vững trước gió, mà là khả năng uốn mình mà không gãy. Trong tự động hóa, mục tiêu là bộ xương dẻo; quy trình chỉ là chiếc áo dễ rách.