Khi nhắc đến "AI cho doanh nghiệp", hình dung phổ biến nhất vẫn là một chatbot có thể trả lời câu hỏi chung chung. Cách tiếp cận này hiếm khi tạo ra giá trị thực trong vận hành, vì nó không gắn với dữ liệu cụ thể và công việc cụ thể của doanh nghiệp. Một cách tiếp cận hiệu quả hơn cho ngành thi công nội thất là thiết kế AI Agent theo từng vai trò trong hành trình Lead → Profit — mỗi Agent gắn với một module dữ liệu và một loại công việc rõ ràng.
Sales Agent — dự báo doanh thu và nhắc follow-up
Sales Agent làm việc trực tiếp trên dữ liệu CRM (lead, opportunity, lịch sử hoạt động), thực hiện hai công việc chính: chấm điểm lead (lead scoring) dựa trên các đặc điểm của lead có xác suất chuyển đổi cao, và nhắc nhở sales follow-up đúng thời điểm dựa trên hành vi của opportunity (ví dụ một opportunity không có hoạt động trong 14 ngày). Kết quả tạo ra là một pipeline luôn được cập nhật và một forecast doanh thu tự động, thay vì phải tổng hợp thủ công mỗi tuần.
Tender Agent — đọc hồ sơ mời thầu và kiểm tra deadline
Tender Agent xử lý các tài liệu mời thầu và BOQ yêu cầu — công việc vốn tốn nhiều thời gian đọc và tóm tắt thủ công. Agent này tóm tắt các yêu cầu chính của hồ sơ mời thầu, kiểm tra deadline nộp hồ sơ, và dựa trên dữ liệu các lần đấu thầu trước, ước tính win-rate dự kiến cho gói thầu đang xem xét. Kết quả là một bản tóm tắt thầu (tender summary) giúp đội kinh doanh quyết định nhanh có nên đầu tư nguồn lực tham gia gói thầu này hay không.
QS/BOQ Agent — bóc tách khối lượng và so sánh version
QS/BOQ Agent hỗ trợ công việc vốn tốn nhiều thời gian nhất trong khâu kỹ thuật: đọc bản vẽ để hỗ trợ bóc tách khối lượng, và so sánh các phiên bản BOQ để phát hiện chênh lệch giữa các lần chỉnh sửa. Kết quả tạo ra là khối lượng bóc tách sơ bộ cùng một change log rõ ràng — cho biết chính xác điều gì đã thay đổi giữa BOQ_v1 và BOQ_v2, thay vì phải so sánh thủ công từng dòng giữa hai file Excel.
Procurement Agent — gợi ý nhà cung cấp và cảnh báo vượt ngân sách
Procurement Agent làm việc trên dữ liệu PR, RFQ và ngân sách hạng mục, thực hiện hai việc: gợi ý nhà cung cấp phù hợp dựa trên lịch sử giá và chất lượng giao hàng trước đây, và cảnh báo ngay khi một PR hoặc PO có nguy cơ vượt ngân sách hạng mục đã phân bổ. Kết quả là đề xuất PO kèm cảnh báo vượt chi tại đúng thời điểm ra quyết định mua hàng, thay vì phát hiện sau khi vật tư đã về công trình.
Project Manager Agent — cảnh báo trễ tiến độ và rủi ro
PM Agent theo dõi dữ liệu WBS, tiến độ thực tế, và các issue được ghi nhận tại công trình, chủ động cảnh báo khi một hạng mục có dấu hiệu trễ so với kế hoạch hoặc khi một rủi ro đã ghi nhận có khả năng ảnh hưởng đến các hạng mục phụ thuộc phía sau. Kết quả là cảnh báo rủi ro kèm đề xuất hành động tiếp theo, giúp PM can thiệp khi vấn đề vừa xuất hiện thay vì khi đã trở nên nghiêm trọng.
Finance Agent — dự báo dòng tiền và cảnh báo công nợ quá hạn
Finance Agent tổng hợp dữ liệu hoá đơn, công nợ và tiến độ dự án để dự báo dòng tiền trong ngắn hạn, đồng thời chủ động cảnh báo các khoản công nợ sắp hoặc đã quá hạn theo phân loại aging. Kết quả tạo ra là một dự báo dòng tiền cập nhật liên tục kèm cảnh báo DSO, giúp bộ phận tài chính chủ động thu xếp nguồn vốn thay vì phản ứng bị động khi tiền mặt đã thiếu hụt.
Điểm chung: mỗi Agent gắn với dữ liệu thật, không phải câu hỏi chung chung
Giá trị của cách tiếp cận 6 AI Agent theo vai trò không nằm ở việc có bao nhiêu Agent, mà ở việc mỗi Agent được xây trên đúng bộ dữ liệu vận hành của doanh nghiệp (CRM, BOQ, ngân sách, tiến độ, công nợ) và trả lời đúng câu hỏi công việc hàng ngày của từng vai trò. Điều kiện tiên quyết để các Agent này hoạt động hiệu quả chính là dữ liệu gốc phải đã được chuẩn hóa và tập trung — quay lại đúng vấn đề nền tảng: dữ liệu phân tán trên Excel, Zalo, email không thể làm nguồn cho bất kỳ AI Agent nào hoạt động chính xác.