Workflow AI là gì? Cách thiết kế quy trình AI có người duyệt cho đơn vị đào tạo

Workflow AI là gì? Đó là một quy trình làm việc có các bước được định sẵn, trong đó một vài bước được giao cho AI, thường là một mô hình ngôn ngữ lớn, xử lý, chẳng hạn đọc tài liệu, soạn nháp hay phân loại yêu cầu, còn thứ tự các bước, điểm kiểm tra và người duyệt do con người thiết kế từ trước. Anthropic phân biệt rõ: workflow là hệ thống mà mô hình ngôn ngữ và công cụ được điều phối qua những đường đi định sẵn, còn agent là hệ thống mà mô hình tự điều khiển quy trình và cách dùng công cụ của mình.^[1]

Bài viết dành cho quản lý đào tạo, giáo vụ, người làm học liệu và L&D muốn đưa AI vào những việc lặp lại mà vẫn giữ quyền duyệt: workflow AI khác tự động hóa theo luật và khác agent AI ở đâu, gồm những thành phần nào, áp dụng vào bốn việc quen thuộc ở trung tâm và phòng đào tạo ra sao, đặt điểm duyệt của người ở chỗ nào, rủi ro dữ liệu cần lường trước và đo hiệu quả bằng gì.

Workflow AI là gì khi nhìn vào công việc hằng ngày?

Hãy hình dung một việc giáo vụ làm mỗi tuần: giảng viên gửi tài liệu chuyên môn, giáo vụ phải viết phần tóm tắt bài học để gửi kèm cho lớp. Trong một workflow AI, tài liệu mới được đưa vào một thư mục định sẵn; bước AI đọc tài liệu và soạn bản tóm tắt theo một mẫu cố định; một bước kiểm tra tự động xem bản nháp có đủ các mục bắt buộc chưa; giảng viên phụ trách đọc, sửa rồi bấm duyệt; chỉ khi đó bản tóm tắt mới được đưa lên lớp học. Mỗi lần chạy đều được ghi lại để biết ai đã duyệt bản nào.

Điểm cốt lõi là đường đi không do AI quyết định. AI chỉ làm phần việc khó viết thành luật, như đọc hiểu và diễn đạt, còn việc gì xảy ra trước, sau và ai chịu trách nhiệm thì đã được thống nhất. Anthropic cũng khuyên chọn cách đơn giản nhất có thể và chỉ thêm độ phức tạp khi cần: với nhiều ứng dụng, một lần gọi mô hình được tối ưu bằng tài liệu tham chiếu và ví dụ mẫu thường đã đủ; khi cần hơn, workflow mang lại sự ổn định và nhất quán cho những việc đã xác định rõ.^[1]

Workflow automation là gì và workflow AI khác ở đâu?

Workflow automation (tự động hóa quy trình) là cách nối các ứng dụng để máy tự làm những thao tác lặp lại theo luật đặt trước. Tài liệu của Zapier mô tả các khái niệm cơ bản: trigger là sự kiện khởi động quy trình, action là việc được thực hiện sau đó, filter cho quy trình chỉ chạy khi thỏa điều kiện, còn paths dùng logic nếu–thì để rẽ sang các nhánh khác nhau. Ví dụ quen thuộc ở trung tâm: có học viên mới điền biểu mẫu thì tạo một dòng trong bảng và gửi email xác nhận.^[2]

Workflow AI thêm vào chuỗi đó một hay vài bước do AI đảm nhận. Khác biệt nằm ở tính dự đoán được. Tài liệu của n8n nói thẳng rằng mô hình AI khác hẳn mã lệnh: mã chạy theo cách xác định và có thể suy luận về nó, còn với mô hình AI thì phải đo đầu ra bằng cách cho dữ liệu chạy qua và quan sát kết quả. Vì vậy, khi thiết kế một bước AI, hãy xác định trước tiêu chí kiểm tra đầu ra của nó; các bước theo luật cũng vẫn cần kiểm tra logic, quyền truy cập và kết quả thực hiện.^[4]

So với agent AI, workflow AI hẹp và dễ kiểm soát hơn. Theo Anthropic, agent hợp với những bài toán mở mà khó hoặc không thể đoán trước cần bao nhiêu bước; đổi lại, tính tự chủ của agent kéo theo chi phí cao hơn và nguy cơ lỗi chồng lên lỗi, nên cần thử nghiệm kỹ trong môi trường cách ly cùng các rào chắn phù hợp. Phần lớn việc lặp lại ở đơn vị đào tạo có các bước biết trước, nên workflow thường là điểm bắt đầu hợp lý; bài Agent AI trên mục tin tức của Thisme bàn riêng về trường hợp cần agent.^[1]

Một workflow AI gồm những thành phần nào?

Dù dựng bằng công cụ nào, một workflow AI dùng được trong thực tế thường có sáu phần. Thiếu phần nào, quy trình hoặc khó kiểm soát hoặc khó sửa khi có lỗi:

• Đầu vào và điều kiện bắt đầu: tài liệu nào, biểu mẫu nào, sự kiện nào khởi động quy trình (trigger), và điều kiện để quy trình không chạy, ví dụ tài liệu chưa được phép sử dụng.
• Bước AI: lời nhắc cố định, nguồn được phép dùng và định dạng đầu ra rõ ràng, chẳng hạn bản tóm tắt gồm mục tiêu, ý chính và câu hỏi ôn tập.
• Bước kiểm tra tự động: Anthropic gợi ý chèn các kiểm tra bằng chương trình vào giữa các bước để biết quy trình còn đi đúng hướng, như kiểm tra đủ mục, đúng độ dài, không thiếu trường bắt buộc.
• Điểm duyệt của người: ai duyệt, duyệt cái gì, được sửa hay chỉ được duyệt hoặc từ chối, và nếu từ chối thì bản nháp quay lại bước nào.
• Đầu ra: kết quả đi đâu, đăng lên lớp học, gửi cho học viên hay lưu vào kho tài liệu, và ai được xem.
• Nhật ký: n8n gọi mỗi lần chạy của một workflow là một execution và cho xem, lọc các lần chạy; với dữ liệu nhạy cảm, có thể ẩn dữ liệu vào ra của lần chạy mà vẫn giữ trạng thái, thời điểm và tên các bước.

^[1][5]

Các mẫu thiết kế thường gặp

Anthropic mô tả một số mẫu workflow hay dùng. Đặt vào việc của trung tâm hay phòng đào tạo, bốn mẫu dưới đây đủ cho phần lớn nhu cầu ban đầu:^[1]

• Chuỗi bước (prompt chaining): chia việc thành các bước nối tiếp, bước sau xử lý kết quả của bước trước. Ví dụ mà Anthropic nêu rất gần với soạn học liệu: viết dàn ý, kiểm tra dàn ý có đạt tiêu chí không, rồi mới viết tài liệu theo dàn ý.
• Phân loại rồi chuyển hướng (routing): phân loại đầu vào rồi chuyển sang quy trình chuyên biệt, như cách tách câu hỏi chung, yêu cầu hoàn tiền và hỗ trợ kỹ thuật. Ở trung tâm, đó là tách yêu cầu học vụ thành hỏi lịch, xin đổi lớp, xin bảo lưu.
• Chạy song song (parallelization): một lượt gọi xử lý yêu cầu, một lượt khác rà nội dung không phù hợp; theo Anthropic, cách này thường cho kết quả tốt hơn so với dồn cả hai việc vào một lượt gọi.
• Sinh và chấm lại (evaluator-optimizer): một lượt tạo kết quả, lượt khác đánh giá và góp ý theo vòng lặp, hợp khi có tiêu chí đánh giá rõ, ví dụ bản dịch học liệu cần giữ đúng sắc thái.

^[1]

Bốn workflow AI cho việc lặp lại ở đơn vị đào tạo

Soạn học liệu từ tài liệu chuyên môn

Đầu vào là tài liệu, video hay ghi chú chuyên môn đã được phép dùng. Bước AI tạo dàn ý, một bước kiểm tra xem dàn ý có bám mục tiêu bài học không, rồi AI viết bản nháp từng bài; chuyên gia sửa phần chuyên môn và duyệt phiên bản. Studio học liệu AI của Thisme được thiết kế theo tinh thần tương tự: AI hỗ trợ tạo đề cương cấp khóa, bản nháp bài học, ví dụ, tóm tắt, và mỗi đầu ra vẫn ở trạng thái nháp cho đến khi người có trách nhiệm kiểm tra và duyệt; trước khi phát hành, bộ kiểm tra rà liên kết, bố cục, thuật ngữ, nguồn và phiên bản.

Tóm tắt tài liệu và biên bản họp

Đây là workflow nên làm đầu tiên vì kết quả dùng trong nội bộ. Với biên bản họp chuyên môn, AI tóm tắt quyết định, việc cần làm và người phụ trách; người chủ trì đọc lại trước khi gửi nhóm. Với tài liệu dài, AI tóm tắt ý chính và ghi vị trí tương ứng trong tài liệu nguồn; người phụ trách chuyên môn kiểm tra trước khi dùng. Điểm cần kiểm tra là tên người, hạn chót và con số, vì đó là chỗ một bản tóm tắt sai sẽ gây hậu quả.

Tạo câu hỏi ôn tập từ bài học

Đầu vào là bài học đã duyệt. AI soạn nháp câu hỏi ôn tập kèm đáp án và đoạn tài liệu làm căn cứ; bước kiểm tra tự động loại câu thiếu đáp án hoặc thiếu căn cứ; giảng viên duyệt từng câu trước khi đưa vào khóa học. Câu hỏi cho kỳ kiểm tra chính thức cần quy trình duyệt riêng chặt hơn, không nên dùng chung luồng với câu hỏi tự luyện. Nếu muốn câu hỏi tự luyện có ngay trong khóa học, Trợ giảng AI của Thisme tạo câu hỏi tự luyện từ nội dung đã học, chỉ làm việc trong học liệu được cấp quyền và không chấm điểm chính thức.

Trả lời yêu cầu học vụ

Yêu cầu đến từ biểu mẫu hay email được phân loại trước: câu hỏi về lịch học có thể trả lời theo tài liệu đã duyệt, còn xin bảo lưu, đổi lớp hay khiếu nại thì AI chỉ soạn nháp và chuyển cho giáo vụ. Với Knowledge Base AI của Thisme, trợ lý trả lời trong phạm vi nguồn được duyệt, dẫn lại tài liệu để kiểm tra, báo rõ khi chưa đủ thông tin, và câu hỏi không giải quyết được có thể chuyển cho người phụ trách.

Đặt điểm duyệt của người ở đâu?

Không phải bước nào cũng cần người duyệt, nhưng những bước gây hậu quả khó gỡ thì nên có. Tài liệu của n8n về duyệt bởi người (human-in-the-loop) nêu các trường hợp nên dùng: công cụ thực hiện hành động không đảo ngược được như xóa dữ liệu hay gửi thông tin ra ngoài, có yêu cầu tuân thủ, quyết định có giá trị lớn, và giai đoạn đang xây niềm tin vào workflow, khi nên bật duyệt từ đầu rồi giảm dần khi đã tin hơn. Khi cần duyệt, workflow dừng lại chờ người duyệt hoặc từ chối.^[3]

OWASP cũng đưa việc yêu cầu người phê duyệt cho các hành động rủi ro cao vào danh sách biện pháp giảm thiểu rủi ro chèn lệnh (prompt injection) ở ứng dụng AI tạo sinh. Với trung tâm và trường, một quy tắc dễ nhớ là xét hai câu hỏi: kết quả có đi ra ngoài tổ chức không, và nếu sai thì ảnh hưởng lớn đến đâu.^[6]

• Nội bộ, ảnh hưởng thấp: duyệt mẫu định kỳ, chẳng hạn mỗi tuần đọc lại một số bản tóm tắt.
• Gửi ra ngoài, ảnh hưởng thấp: duyệt trước khi gửi, dùng mẫu trả lời đã thống nhất.
• Nội bộ, ảnh hưởng cao: người phụ trách duyệt từng bản, như học liệu và câu hỏi kiểm tra.
• Gửi ra ngoài, ảnh hưởng cao: điểm số, học phí, bảo lưu, khiếu nại do người quyết định; AI chỉ soạn nháp.

Thiết kế workflow AI đầu tiên theo sáu bước

• Chọn một việc lặp lại có đầu ra rõ, làm nhiều lần mỗi tuần và không quyết định điều gì quan trọng.
• Vẽ lại quy trình hiện tại: ai làm gì, dùng tài liệu nào, chỗ nào hay sai, chỗ nào chờ lâu.
• Chốt đầu vào và nguồn được phép dùng, cùng loại dữ liệu không được đưa vào.
• Viết bước AI với mẫu đầu ra cố định và thêm bước kiểm tra tự động cho mẫu đó.
• Đặt điểm duyệt, người phụ trách và đường quay lại khi bản nháp bị từ chối.
• Chạy thử với một bộ ví dụ thật, ghi nhật ký, đo kết quả rồi mới mở rộng.

Ở bước chạy thử, n8n gợi ý bắt đầu bằng vài ví dụ tự chọn để so sánh kết quả bằng mắt trong giai đoạn xây dựng. Sau khi đưa vào dùng, có thể lập bộ dữ liệu lớn hơn từ các lần chạy thật; mỗi khi phát hiện lỗi thì thêm đầu vào gây lỗi vào bộ dữ liệu, và khi sửa lỗi thì chạy lại cả bộ như một phép kiểm thử hồi quy để chắc rằng bản sửa không làm hỏng chỗ khác.^[4]

Công cụ phổ biến: n8n, Make, Zapier

n8n, Make và Zapier là những cái tên hay gặp khi tìm cách dựng loại quy trình này; bài không so sánh chi tiết từng công cụ. Zapier mô tả quy trình của mình là nối các ứng dụng để tự động hóa việc lặp lại mà không cần viết mã. Tài liệu của n8n có hướng dẫn riêng cho workflow AI, kể cả bước duyệt bởi người, và n8n có cả bản đám mây lẫn bản tự lưu trữ. Dù chọn công cụ nào, hãy hỏi những câu dưới đây trước:^[2][3][5]

• Dữ liệu học viên đi qua máy chủ nào và được lưu ở đâu, bao lâu?
• Có bước duyệt của người dựng sẵn không, và người duyệt nhận yêu cầu qua kênh nào?
• Nhật ký lần chạy có đủ để biết ai đã duyệt bản nào, và có ẩn được dữ liệu nhạy cảm không?
• Ai trong đơn vị giữ tài khoản, mật khẩu kết nối và sẽ sửa workflow khi có thay đổi?

Công cụ không sửa được một quy trình chưa rõ. Nếu chưa trả lời được ai duyệt và duyệt theo tiêu chí nào, hãy làm rõ điều đó trước khi dựng bất kỳ workflow nào; bài AI trong giáo dục trên mục tin tức của Thisme bàn thêm về việc bắt đầu từ một quy trình nhỏ.

Rủi ro dữ liệu và cách giảm

Theo OWASP, thông tin nhạy cảm gồm thông tin định danh cá nhân, thông tin tài chính, hồ sơ sức khỏe, dữ liệu kinh doanh mật, thông tin đăng nhập và tài liệu pháp lý; ứng dụng dùng mô hình ngôn ngữ có nguy cơ làm lộ chúng qua đầu ra. Các biện pháp OWASP nêu gồm giới hạn quyền truy cập theo nguyên tắc tối thiểu, chỉ cấp dữ liệu cần cho đúng người hoặc đúng quy trình, giới hạn nguồn dữ liệu mà mô hình được truy cập, và che hoặc loại bỏ nội dung mật trước khi xử lý.^[7]

Một rủi ro riêng của workflow AI là chèn lệnh gián tiếp (indirect prompt injection): khi mô hình nhận đầu vào từ nguồn bên ngoài như trang web hay tệp, nội dung trong đó có thể làm mô hình hành xử ngoài ý muốn. Một workflow đọc email hay tệp do học viên gửi là ví dụ điển hình. OWASP khuyên giới hạn vai trò của mô hình, quy định định dạng đầu ra và kiểm tra bằng mã xác định, cấp quyền tối thiểu, tách và đánh dấu rõ nội dung không tin cậy, và yêu cầu người phê duyệt cho hành động rủi ro cao.^[6]

Đo hiệu quả của workflow AI

Anthropic nhấn mạnh việc đo hiệu quả và lặp lại, và chỉ nên thêm độ phức tạp khi nó cải thiện kết quả một cách thấy được. Trước khi bật workflow, hãy ghi lại cách làm hiện tại mất bao lâu và hay sai ở đâu để có mốc so sánh. Sau đó theo dõi:^[1]

• Tỷ lệ bản nháp được duyệt và thời gian người duyệt phải sửa mỗi bản.
• Lỗi về nguồn, thuật ngữ hay thông tin bị bắt ở bước kiểm tra tự động và ở người duyệt.
• Số lần bản nháp bị trả lại và lý do, để sửa lời nhắc hoặc mẫu đầu ra.
• Thời gian từ lúc có yêu cầu đến lúc kết quả đã duyệt tới đúng người nhận.
• Khả năng dùng lại kết quả ở đợt sau, chẳng hạn học liệu dùng lại cho khóa khác.

Đừng đo bằng số bản AI tạo ra. Số lượng chỉ có ý nghĩa khi kết quả đúng mục đích và đủ điều kiện dùng; một workflow tạo nhiều bản nháp mà người duyệt phải viết lại gần hết thì đang tốn thêm thời gian chứ không bớt.

Bước tiếp theo cho đơn vị của bạn

Tóm lại, câu trả lời ngắn cho câu hỏi workflow AI là gì: một quy trình có đường đi định sẵn, trong đó AI làm phần đọc hiểu và soạn nháp, còn bước kiểm tra, người duyệt và nhật ký giữ cho kết quả đáng tin. Hãy bắt đầu với một việc nội bộ lặp lại, đặt điểm duyệt rõ ràng, chạy thử với ví dụ thật và đo trước khi mở rộng.

Nếu việc lặp lại lớn nhất của bạn là biến tài liệu chuyên môn thành học liệu, Studio học liệu AI của Thisme gom các bước soạn, góp ý, duyệt và quản lý phiên bản vào một không gian làm việc có người phụ trách và trạng thái rõ ràng; hai bên chốt trước định dạng bàn giao, ngôn ngữ và số vòng sửa. Nếu bạn muốn cùng xem một quy trình cụ thể nên dựng thành workflow như thế nào, hãy đăng ký buổi khảo sát.

Nguồn tham khảo

1. Building effective agents – Anthropic
2. Learn key concepts in Zap workflows – Zapier Help Center
3. Human-in-the-loop for tools – n8n Docs
4. What are evaluations? – n8n Docs
5. Understand executions – n8n Docs
6. LLM01:2025 Prompt Injection – OWASP Gen AI Security Project
7. LLM02:2025 Sensitive Information Disclosure – OWASP Gen AI Security Project