5 sai lầm về RPA vs Agentic AI và cái giá phải trả

23/09/2026

1. Dựng Agent cho tác vụ tuyến tính: Đốt tiền vào chỗ không cần

Nhiều người phụ trách công nghệ hiện nay đang mắc sai lầm tốn kém nhất: tin rằng Agentic AI là bản nâng cấp chung chung của mọi quy trình. Họ thấy chatbot hay, thấy agent tự chủ nghe sang, liền áp dụng cho những việc mà RPA (Robotic Process Automation) đã làm tốt từ lâu.

Thực tế tại các nhà máy phân phối mà chúng tôi đã đồng hành cùng, ví dụ như trong mảng mì ăn liền hay dầu nhớt, việc đối soát hóa đơn đầu vào từ các nhà cung cấp cố định là một quy trình tuyến tính. Dữ liệu ở đây không "bẩn" theo nghĩa mơ hồ, mà chỉ là định dạng thay đổi nhẹ giữa các loại file PDF hay Excel. Một bot RPA cấu hình tốt có thể xử lý hàng nghìn hóa đơn mỗi ngày với độ chính xác gần như tuyệt đối, chi phí vận hành cực thấp.

Nếu thay thế bằng một mô hình ngôn ngữ lớn (LLM) chạy trên kiến trúc Agentic AI, bạn đang trả tiền cho sự "suy nghĩ" không cần thiết. Mỗi lần agent gọi API để suy luận, nó tốn token và thời gian. Trong khi đó, RPA chỉ tốn bandwidth và một chút CPU. Sự chênh lệch chi phí có thể lên đến gấp 5-10 lần. Rủi ro lớn hơn là tính ổn định: RPA hoặc chạy đúng, hoặc báo lỗi rõ ràng. Agent có thể chạy đúng 99 lần, nhưng lần thứ 100 nó "sáng tạo" ra một con số sai mà không ai biết tại sao. Đó là cái giá của việc dùng búa đóng đinh vít.

2. Bỏ qua lớp "dữ liệu bẩn" trước khi gọi AI

Sai lầm này không tốn tiền ngay lập tức như sai lầm đầu tiên, nhưng nó ăn mòn niềm tin nội bộ một cách âm ỉ. Nhiều doanh nghiệp nghĩ rằng mua phần mềm Agentic AI là mua trí tuệ. Họ kỳ vọng agent sẽ tự làm sạch dữ liệu, tự hiểu ngữ cảnh từ những email lộn xộn hay các phiếu nhập hàng chụp nghiêng, mờ.

Đã có trường hợp tại một chuỗi bán lẻ ở Thái Lan mà tôi từng tham vấn, họ triển khai agent để tự động phân loại khiếu nại khách hàng từ email. Kết quả? Agent trả lời rất hay, giọng văn rất chuyên nghiệp, nhưng nội dung thì... lạc đề. Lý do đơn giản: dữ liệu đầu vào là các email chứa tiếng địa phương, từ viết tắt nội bộ, và cấu trúc không nhất quán. Agent không có "trí tuệ chung" để đoán ý người viết nếu ngữ cảnh bị cắt đứt.

Hậu quả là đội ngũ chăm sóc khách hàng phải kiểm tra lại 100% các phản hồi tự động. Thay vì tiết kiệm thời gian, họ mất thêm thời gian đọc và sửa. Sau 3 tháng, dự án bị đóng băng vì nhân viên cảm thấy bị giám sát thay vì được hỗ trợ. Bài học ở đây là: Agentic AI chỉ mạnh khi dữ liệu đầu vào đủ sạch hoặc có một lớp tiền xử lý (pre-processing) mạnh mẽ. Đừng kỳ vọng AI thay thế quy trình quản trị dữ liệu. Nếu dữ liệu rác vào, thì rác ra, dù bạn dùng model đắt tiền đến đâu.

Làm gì khi dữ liệu không đồng nhất?

• Xác định rõ "độ bẩn" của dữ liệu: là lỗi định dạng (cấu trúc) hay lỗi ngữ nghĩa (nội dung).
• Đầu tư vào bước chuẩn hóa dữ liệu trước khi đưa vào bất kỳ hệ thống AI nào, dù là RPA hay Agent.
• Thiết lập các rule-based fallbacks để agent biết khi nào nên dừng lại và gọi người, thay vì đoán bừa.

3. Nhầm lẫn giữa "tự động" và "tự chủ" trong xử lý ngoại lệ

Đây là ranh giới mỏng manh nhưng quyết định sự thành bại. RPA là tự động hóa (automation): nó làm đúng những gì được lệnh, lặp đi lặp lại. Agentic AI là tự chủ (autonomy): nó có khả năng lên kế hoạch, ra quyết định và điều chỉnh hành động dựa trên phản hồi.

Nhiều người quản lý dự án thường cài đặt các "ngưỡng kích hoạt" (triggers) cho RPA quá cứng nhắc. Khi gặp một ngoại lệ nhỏ, chẳng hạn như một trường hợp đặc biệt trong quy trình duyệt chi, bot sẽ dừng hẳn và chờ người. Điều này không sai về mặt kỹ thuật, nhưng nó phá vỡ dòng chảy công việc. Nhân viên phải bỏ dở việc đang làm để xử lý các alert từ bot, rồi lại quay lại. Năng suất giảm chứ không tăng.

Nơi Agentic AI thực sự phát huy giá trị là ở đây. Một agent được thiết kế tốt sẽ nhận diện được rằng "trường hợp này vượt quá thẩm quyền của tôi" hoặc "dữ liệu thiếu thông tin quan trọng X". Nó sẽ không dừng lại im lặng. Nó sẽ chủ động soạn một email tóm tắt vấn đề, đề xuất phương án xử lý dựa trên quy trình hiện có, và gửi cho người có thẩm quyền. Nó biến một điểm nghẽn thành một đề xuất hành động.

Tuy nhiên, hãy cẩn thận. Không phải ngoại lệ nào cũng cần agent. Nếu ngoại lệ đó xảy ra với tần suất thấp và quy trình xử lý đã rõ ràng, một kịch bản RPA đơn giản kết hợp với bước xác nhận thủ công là đủ. Việc đầu tư vào agent chỉ nên diễn ra khi bạn cần sự linh hoạt trong cách tiếp cận vấn đề, ví dụ như khi cần đối thoại với khách hàng để lấy thêm thông tin trước khi ra quyết định.

4. Đánh giá ROI bằng sai thước đo

Chi phí thời gian là nơi các sai lầm về đánh giá hiệu quả thường xuyên xảy ra. Với RPA, việc đo lường ROI khá đơn giản: thời gian thực hiện thủ công trừ đi thời gian bot chạy, nhân với chi phí nhân sự. Con số này rõ ràng, dễ kiểm chứng.

Với Agentic AI, thước đo này bị phá vỡ. Agent không chỉ tiết kiệm thời gian thực hiện, nó còn có thể cải thiện chất lượng quyết định, giảm tỷ lệ sai sót, hoặc mở rộng khả năng xử lý các tác vụ mà trước đây con người không thể làm kịp. Nếu bạn chỉ nhìn vào số giờ tiết kiệm được, bạn sẽ đánh giá thấp giá trị thực sự của agent, hoặc ngược lại, phóng đại nó nếu agent xử lý chậm hơn nhưng chính xác hơn.

Tôi từng thấy một dự án xử lý tín dụng tại một ngân hàng nhỏ. Bot RPA xử lý hồ sơ nhanh gấp đôi, nhưng tỷ lệ từ chối sai (từ chối khách hàng tốt) cao do thiếu ngữ cảnh. Agent tuy chậm hơn 20%, nhưng nó có khả năng truy vấn thêm dữ liệu bên thứ ba và đưa ra lý giải rõ ràng cho mỗi quyết định. Kết quả là tỷ lệ từ chối sai giảm xuống một nửa. Nếu chỉ đo theo tốc độ, dự án agent là thất bại. Nhưng nếu đo theo doanh thu giữ chân khách hàng tốt, nó lại là thắng lợi lớn.

Cần xây dựng bộ chỉ số KPI đa chiều. Đừng so sánh RPA và Agentic AI như hai sản phẩm cùng loại. Hãy coi chúng là hai công cụ giải quyết hai loại vấn đề khác nhau: hiệu suất vận hành (RPA) và chất lượng quyết định/hiệu quả kinh doanh (Agentic AI).

5. Thiếu chiến lược chuyển đổi dần (Phasing)

Sai lầm cuối cùng, và cũng là cái bẫy về mặt văn hóa tổ chức: nghĩ rằng phải chọn một trong hai. Hoặc là toàn RPA, hoặc là toàn AI. Thực tế triển khai thành công luôn là một sự pha trộn, một lộ trình tiến hóa.

Bắt đầu bằng RPA để chuẩn hóa quy trình và thu thập dữ liệu sạch. Đây là giai đoạn nền tảng. Khi quy trình đã ổn định và dữ liệu có cấu trúc, hãy xác định các "điểm nghẽn" (bottlenecks) nơi con người tốn nhiều thời gian nhất để suy luận, đối thoại, hoặc xử lý ngoại lệ phức tạp. Đó là nơi Agentic AI sẽ thay đổi cuộc chơi.

Trong các dự án mà AIVISION đã triển khai cùng các đối tác như Masan hay các doanh nghiệp sản xuất, chúng tôi luôn áp dụng cách tiếp cận này. Không phải ngay lập tức thay thế con người bằng agent. Mà là để agent hỗ trợ con người ở những khâu khó nhất. Ví dụ, RPA tự động nhập liệu đơn hàng. Agent phân tích lịch sử đơn hàng để dự báo rủi ro chậm giao hàng và đề xuất phương án thay thế. Con người chỉ cần phê duyệt hoặc điều chỉnh nếu cần.

Việc này đòi hỏi sự kiên nhẫn và khả năng quản lý kỳ vọng. Nó không phải là một cú đấm mạnh, mà là một quá trình tích lũy. Nếu bạn thiếu một lộ trình rõ ràng, bạn sẽ rơi vào trạng thái hỗn loạn: có cả bot cũ, có cả agent mới, nhưng không ai rõ ai chịu trách nhiệm cho kết quả cuối cùng. Đó là nơi niềm tin nội bộ bị tổn hại nặng nề nhất. Nhân viên không tin vào hệ thống, sếp không tin vào báo cáo. Và khi đó, dù công nghệ có tốt đến đâu, nó cũng thất bại.

Còn nhiều câu hỏi mở về cách tích hợp các hệ thống di sản (legacy) cũ kỹ với các kiến trúc AI mới. Đó là bài toán kỹ thuật lẫn quản trị mà không phải doanh nghiệp nào cũng sẵn sàng giải ngay hôm nay.

Nếu bạn đang cân nhắc một bài toán tương tự, đội ngũ AIVISION có thể ngồi lại cùng bạn để bóc tách phạm vi trước khi chi một đồng nào. Tham khảo dịch vụ AI hoặc đặt một buổi trao đổi.