Một công việc quen thuộc, nhưng không hề đơn giản
Trong công việc hành chính, văn thư – lưu trữ, có một việc tôi thường xuyên phải thực hiện: rà soát tên hồ sơ công việc và thời hạn bảo quản theo quy định.
Nghe thì đơn giản.
Mở danh mục, tìm tên hồ sơ tương ứng, đối chiếu thời hạn rồi đưa ra nhận xét.
Nhưng khi phải rà soát hàng trăm hồ sơ, thuộc nhiều nhóm nghiệp vụ khác nhau, công việc không còn đơn giản như vậy.
Có những tên hồ sơ rất rõ ràng. Cũng có những hồ sơ được đặt tên quá chung chung, chưa phản ánh đúng bản chất công việc.
Thậm chí, những tên gọi gần giống nhau vẫn có thể thuộc các nhóm nghiệp vụ khác nhau.
Vì vậy, người kiểm tra không chỉ cần biết tìm kiếm. Quan trọng hơn là phải hiểu công việc để xác định đúng căn cứ.
Và đó là điều khiến tôi suy nghĩ.
Liệu có cách nào giúp người lập hồ sơ tự kiểm tra trước, còn người phụ trách chỉ cần tập trung vào những trường hợp thực sự cần kinh nghiệm chuyên môn?
Khi tôi nghĩ đến ChatGPT
ChatGPT có thể đọc tài liệu, tìm kiếm thông tin, tổng hợp và đưa ra gợi ý rất nhanh.
Nhưng tôi cũng hiểu một điều: AI có thể trả lời rất tự tin, ngay cả khi thông tin đầu vào chưa đầy đủ.
Nếu chỉ đưa tên hồ sơ vào rồi hỏi: “Hồ sơ này có đúng không?”, AI có thể nhận diện theo những từ ngữ giống nhau mà chưa hiểu đầy đủ bản chất công việc.
Trong nghiệp vụ lưu trữ, điều đó rất đáng lưu ý.
Một nhóm hồ sơ được xác định chưa phù hợp có thể dẫn đến việc gợi ý sai thời hạn bảo quản.
Tôi không muốn có một chatbot chỉ trả lời nhanh.
Tôi cần một công cụ hỗ trợ rà soát mà người làm chuyên môn có thể kiểm tra lại căn cứ.
Và từ đây, cách tiếp cận của tôi thay đổi.
Bước ngoặt: Không bắt đầu từ chatbot, mà bắt đầu từ quy định
Thay vì chỉ viết một câu lệnh yêu cầu AI đóng vai chuyên gia, tôi cùng nhóm thực hiện bắt đầu bằng việc chuẩn hóa dữ liệu nguồn.
Danh mục hồ sơ và thời hạn bảo quản được chuyển thành bảng Excel có cấu trúc rõ ràng.
Sau đó, chúng tôi xây dựng thêm bộ từ khóa nhận diện, điều kiện phân loại và các ghi chú tránh nhầm lẫn giữa những nhóm hồ sơ gần giống nhau.
Nhưng dữ liệu thôi vẫn chưa đủ.
Chatbot còn cần biết phải làm gì khi nhận một hồ sơ, cần đối chiếu những thông tin nào, trả kết quả ra sao và khi nào phải yêu cầu người sử dụng làm rõ.
Chúng tôi tiếp tục xây dựng bộ hướng dẫn theo khung RISEN, xác định vai trò, nhiệm vụ, các bước xử lý, mục tiêu đầu ra và giới hạn của AI.
Từng bước, kinh nghiệm nghiệp vụ được chuyển thành những quy tắc rõ ràng hơn.
Khi các thành phần đã được chuẩn hóa, chúng tôi đóng gói thành một GPT chuyên dụng trên ChatGPT để hỗ trợ rà soát hồ sơ công việc.
Đó là lúc tôi nhận ra:
Tạo chatbot không phải việc quan trọng nhất. Quan trọng là mình đã dạy chatbot dựa vào đâu để hỗ trợ công việc.
Khi AI bắt đầu trở thành một phần của quy trình
Thay vì chỉ hỏi từng hồ sơ riêng lẻ, chatbot được thiết kế để hỗ trợ rà soát danh sách hồ sơ theo các tiêu chí thống nhất.
Kết quả được trình bày thành bảng, thể hiện nội dung hồ sơ, kết luận sơ bộ, căn cứ đối chiếu và những điểm cần làm rõ hoặc điều chỉnh.
Khi cần xử lý chi tiết hơn, kết quả có thể được xuất thành file Excel để người phụ trách tiếp tục kiểm tra.
Nhưng chatbot không tự quyết định hồ sơ nào phải sửa, cũng không tự cập nhật dữ liệu chính thức.
Người làm chuyên môn vẫn cần đối chiếu tài liệu gốc, xác nhận bản chất hồ sơ và chịu trách nhiệm về quyết định cuối cùng.
Đối với tôi, đây không phải một hạn chế của AI.
Đây chính là cách sử dụng AI phù hợp với công việc cần sự cẩn trọng.
AI đọc trước, rà trước, nhắc trước. Con người kiểm tra và quyết định.
Điều tôi nhận được không chỉ là một chatbot
Qua quá trình thực hiện, tôi nhận ra rằng mỗi người làm chuyên môn đều đang sở hữu một tài sản rất quý: kinh nghiệm tích lũy từ công việc hằng ngày.
Chúng ta biết trường hợp nào dễ sai, thông tin nào cần kiểm tra, quy định nào phải đối chiếu và điều gì không nên kết luận khi chưa đủ căn cứ.
Nhưng nếu những kinh nghiệm ấy chỉ nằm trong trí nhớ của từng người, việc hướng dẫn và chuyển giao sẽ rất khó khăn.
Khi biết chuyển chúng thành dữ liệu, quy tắc, checklist và quy trình, chúng ta có thể sử dụng lại những tri thức ấy theo một cách rõ ràng hơn.
Đó là bài học lớn nhất tôi có được từ quá trình xây dựng chatbot.
Không phải học cách đặt một câu lệnh thật dài.
Cũng không phải cố gắng đưa AI vào mọi công việc.
Mà là hiểu công việc của mình đủ rõ để biết AI nên hỗ trợ phần nào và phần nào con người nhất định phải giữ trách nhiệm.
Nếu bạn cũng đang làm một công việc lặp đi lặp lại…
Có thể bạn không làm văn thư – lưu trữ.
Có thể công việc của bạn là kiểm tra dự toán, rà soát văn bản, tổng hợp báo cáo hoặc đối chiếu bảng Excel.
Nhưng tôi tin bạn cũng từng gặp những công việc phải làm nhiều lần, mất thời gian và luôn cần kiểm tra cẩn thận.
Bạn không nhất thiết phải bắt đầu bằng việc xây dựng một chatbot phức tạp.
Hãy chọn một việc nhỏ mà mình hiểu rõ.
Xác định tài liệu nguồn, những tiêu chí cần kiểm tra và các trường hợp dễ nhầm.
Sau đó, thử sử dụng ChatGPT để hỗ trợ từng bước và tự đối chiếu lại kết quả.
Nếu cách làm thực sự hữu ích, hãy chuẩn hóa nó để sử dụng cho những lần sau.
Tôi gọi đó là:
LÀM THẬT → CHUẨN HÓA → AI HÓA → DÙNG N LẦN.
Tôi chia sẻ những điều mình đã làm, không phải để nói rằng AI có thể thay thế kinh nghiệm của người làm chuyên môn.
Ngược lại, chính kinh nghiệm ấy là nền tảng để chúng ta sử dụng AI một cách có trách nhiệm và hiệu quả hơn.
Đừng bắt đầu bằng câu hỏi: “AI có thể làm gì cho tôi?”
Hãy bắt đầu bằng câu hỏi: “Trong công việc mình đang làm mỗi ngày, điều gì có thể được thực hiện tốt hơn?”
Đôi khi, một thay đổi có ý nghĩa bắt đầu từ chính câu hỏi ấy.
Hồng Vân
Gần – Thật – Chất