Uber mở ChatGPT Work cho hơn 30.000 nhân viên: BA/PO rút ra gì?
Uber mở rộng ChatGPT Work tới hơn 30.000 nhân viên sau giai đoạn thử nghiệm. Với BA/PO, đây là gợi ý về cách dùng AI để nghiên cứu, phân tích và soạn bản nháp, trong khi con người vẫn kiểm soát quyết định nghiệp vụ.
Một buổi refinement vừa kết thúc. BA còn ghi chú rời rạc: vận hành muốn rút ngắn bước xử lý, kinh doanh muốn thêm ưu đãi, kỹ thuật hỏi ngoại lệ khi khách hủy giao dịch. PO thì phải quyết định phần nào vào sprint.
AI có thể nhanh chóng biến những ghi chú đó thành một user story trau chuốt. Nhưng một bản nháp “mượt” chưa đồng nghĩa yêu cầu đã đúng: nó có thể bỏ sót điều kiện nghiệp vụ quan trọng.
Uber đang triển khai ChatGPT Work cho hơn 30.000 nhân viên trên toàn công ty. Đây là ví dụ đáng chú ý về việc đưa AI tạo sinh vào công việc tri thức thường ngày — từ nghiên cứu thông tin, phân tích dữ liệu, làm bài trình bày đến hỗ trợ workflow nhiều bước.
Với BA/PO, bài học không phải là để AI “viết hộ” tài liệu. Quan trọng hơn là biến AI thành trợ lý phân tích có đầu vào, đầu ra và điểm kiểm duyệt rõ ràng.
Uber đang triển khai gì?
Theo OpenAI, ChatGPT Work sẽ hỗ trợ các nhóm tại Uber nghiên cứu thông tin, phân tích dữ liệu, tạo bài trình bày và xử lý các workflow phức tạp gồm nhiều bước.
Trước khi mở rộng trên toàn công ty, Uber đã thử nghiệm công cụ với 1.000 nhân viên ở các bộ phận như tài chính, vận hành và sản phẩm. Khoảng 80% người dùng thử không phải kỹ sư. Các nhóm đã dùng công cụ để:
Phân tích dữ liệu vận hành và tìm xu hướng.
Đưa ra khuyến nghị.
Bản địa hóa tài liệu đào tạo sang nhiều ngôn ngữ.
Xây dựng dashboard tương tác.
Uber cũng ghép 30 kỹ sư AI với các nhóm nghiệp vụ trong những “AI pod” kéo dài hai tuần nhằm tự động hóa một phần công việc của nhân viên.
Một chi tiết đáng chú ý: Uber chưa xác định một cách dùng duy nhất cho toàn công ty và chưa công bố chi phí triển khai. Công ty dự kiến theo dõi cách các nhóm sử dụng công cụ cũng như tác động của nó tới năng suất.
BA/PO nên rút ra điều gì?
Không nhất thiết phải chờ một “quy trình AI chuẩn” áp dụng cho mọi tình huống mới bắt đầu thử nghiệm. Tuy vậy, cũng không nên dùng AI tự phát cho mọi loại công việc.
Điểm khởi đầu phù hợp hơn là các đầu việc có cấu trúc và dễ đối chiếu, chẳng hạn:
Chuyển ghi chú họp thành backlog nháp.
Tổng hợp câu hỏi còn bỏ ngỏ.
Tìm mâu thuẫn giữa các yêu cầu.
Diễn giải dữ liệu thành giả thuyết cần xác minh.
Chuẩn bị danh sách ngoại lệ trước buổi refinement.
Mục tiêu không phải giao quyền quyết định cho AI, mà là giảm thời gian tổng hợp để BA/PO có thêm thời gian làm rõ vấn đề với stakeholder.
Đừng giao AI “viết tài liệu”, hãy giao nhiệm vụ có rào chắn
Một BA không chỉ tạo user story. Công việc quan trọng hơn là làm rõ ai cần gì, trong bối cảnh nào, ngoại lệ nào cần xử lý và tiêu chí nào đủ để nghiệm thu.
AI có thể tăng tốc phần tổng hợp. Nhưng AI không nên tự quyết định quy tắc nghiệp vụ thay cho người chịu trách nhiệm.
Có thể chia nhiệm vụ cho AI thành ba lớp:
Trích xuất: lấy yêu cầu, vai trò, quy tắc, ngoại lệ và câu hỏi còn bỏ ngỏ từ biên bản họp.
Cấu trúc hóa: chuyển nội dung thành user story, acceptance criteria, use case, flow hoặc danh sách gap.
Thách thức và kiểm tra: chỉ ra điểm mơ hồ, mâu thuẫn, giả định ngầm và dữ liệu còn thiếu.
Khác biệt nằm ở cách giao việc. Thay vì yêu cầu “hãy viết user story”, hãy yêu cầu AI phân tích theo khuôn mẫu, không tự tạo quy tắc và đánh dấu rõ phần thiếu thông tin.
Với công việc BA/PO, lớp thứ ba thường đặc biệt hữu ích. Một bản nháp còn thô nhưng chỉ ra đúng câu hỏi cần hỏi stakeholder có thể giá trị hơn bản tài liệu hoàn chỉnh về câu chữ nhưng che mất lỗ hổng nghiệp vụ.
Quy trình dùng AI cho một yêu cầu nghiệp vụ
Thông tin được công bố về đợt triển khai của Uber không nêu chi tiết thao tác giao diện, prompt hay cấu hình nội bộ. Tuy nhiên, BA/PO có thể áp dụng một quy trình cơ bản với công cụ AI đã được tổ chức phê duyệt.
1. Chuẩn bị đầu vào đã được lọc
Tách ghi chú họp thành các phần:
Mục tiêu.
Actor.
Quy trình hiện tại.
Quy tắc đã chốt.
Ý kiến chưa chốt.
Dữ liệu tham chiếu.
Đừng đưa một khối văn bản lộn xộn rồi kỳ vọng AI tự hiểu toàn bộ ngữ cảnh.
2. Yêu cầu AI phân biệt mức độ chắc chắn
Yêu cầu AI gắn nhãn rõ giữa:
Nội dung đã được nêu rõ.
Nội dung là suy luận.
Nội dung cần xác nhận.
Cách làm này giúp BA tránh nhầm suy diễn của AI với quyết định đã được stakeholder phê duyệt.
3. Dùng AI tìm lỗ hổng trước refinement
Có thể yêu cầu AI liệt kê:
Ngoại lệ.
Phụ thuộc hệ thống.
Dữ liệu đầu vào và đầu ra.
Quyền truy cập.
Câu hỏi chưa được trả lời.
4. Đưa bản nháp vào phiên làm việc của con người
PO, BA, vận hành và kỹ thuật vẫn là những người chốt phạm vi. AI chỉ hỗ trợ giảm thời gian chuẩn bị và nâng chất lượng câu hỏi.
5. Lưu vết quyết định trong công cụ chính thức
User story cuối cùng, acceptance criteria đã duyệt, giả định và quyết định thay đổi vẫn nên được quản lý trong Jira, Confluence hoặc hệ thống làm việc chính thức của tổ chức.
Prompt mẫu: biến ghi chú thô thành backlog có thể review
Dưới đây là mẫu dành cho yêu cầu cải tiến quy trình. Đây là gợi ý thực hành cho BA/PO, không phải prompt được Uber công bố.
text
Bạn là trợ lý cho Business Analyst.
Dựa trên ghi chú yêu cầu bên dưới, hãy tạo:
Mục tiêu nghiệp vụ
Danh sách actor
User story theo mẫu: As a <actor>, I want <need>, so that <benefit>
Acceptance criteria theo Given/When/Then
Quy tắc nghiệp vụ đã được nêu rõ
Ngoại lệ và edge case cần làm rõ
Câu hỏi mở cho stakeholder
Các giả định của bạn
Quy tắc:
Không tự tạo chính sách, ngưỡng, thời hạn hoặc dữ liệu chưa có.
Gắn nhãn [CẦN XÁC NHẬN] cho mọi nội dung suy luận.
Nếu hai ý trong ghi chú mâu thuẫn, hãy nêu rõ mâu thuẫn và câu hỏi cần chốt.
Trả lời bằng tiếng Việt, dùng bảng chỉ cho phần câu hỏi mở.
Bối cảnh sản phẩm: <mô tả sản phẩm>
Ghi chú yêu cầu:
<dán ghi chú đã được ẩn dữ liệu nhạy cảm>
Ví dụ: yêu cầu hoàn tiền trong ứng dụng bán lẻ
Đầu vào minh họa:
> Khách có thể gửi yêu cầu hoàn tiền khi đơn đã giao. CSKH cần xem lý do và ảnh đính kèm. Khách nói đơn thiếu hàng thì xử lý nhanh. Kế toán muốn kiểm tra trước khi trả tiền. Cần thông báo kết quả cho khách.
Một đầu ra hữu ích có thể gồm:
Mục tiêu nghiệp vụ: Hỗ trợ tiếp nhận và xử lý yêu cầu hoàn tiền sau giao hàng.
User story:
Là khách hàng, tôi muốn gửi yêu cầu hoàn tiền cho đơn đã giao để được xử lý khi đơn có vấn đề.
Acceptance criteria:
Given đơn hàng ở trạng thái đã giao, When khách tạo yêu cầu hoàn tiền, Then hệ thống cho phép nhập lý do và đính kèm ảnh.
Given yêu cầu có lý do “thiếu hàng”, When yêu cầu được gửi, Then hệ thống đánh dấu để áp dụng luồng xử lý nhanh [CẦN XÁC NHẬN tiêu chí “nhanh”].
Given có quyết định xử lý, When trạng thái yêu cầu thay đổi, Then khách nhận được thông báo kết quả.
Câu hỏi mở: Kế toán kiểm tra mọi yêu cầu hay chỉ một nhóm? Ai ra quyết định cuối? Nếu ảnh không hợp lệ thì xử lý thế nào? “Thiếu hàng” được xác định theo khai báo của khách hay cần đối soát?
Giá trị ở đây không nằm ở số lượng acceptance criteria AI viết ra. Giá trị là việc AI giúp lộ ra những quyết định còn thiếu: tiêu chí của luồng nhanh, vai trò phê duyệt và cách xử lý bằng chứng.
Dùng AI đọc dữ liệu, nhưng không biến kết quả thành “sự thật”
Một trong các cách dùng ChatGPT Work tại Uber là phân tích dữ liệu vận hành để nhận diện xu hướng và đưa ra khuyến nghị.
BA/PO cũng có thể áp dụng hướng này, nhưng cần tách bạch giữa dữ liệu quan sát, giả thuyết và quyết định sản phẩm.
text
Bạn là trợ lý phân tích cho Product Owner.
Dựa trên mô tả dữ liệu dưới đây:
Tóm tắt các xu hướng được nêu rõ.
Chỉ ra các bất thường hoặc câu hỏi cần kiểm tra thêm.
Đề xuất các giả thuyết nguyên nhân, nhưng gắn nhãn [GIẢ THUYẾT].
Đề xuất các hành động sản phẩm hoặc nghiên cứu tiếp theo, gắn nhãn [ĐỀ XUẤT].
Không khẳng định quan hệ nhân quả nếu dữ liệu chỉ cho thấy tương quan.
Nêu rõ dữ liệu nào còn thiếu trước khi ra quyết định.
Mục tiêu sản phẩm: <mục tiêu>
Mô tả dữ liệu đã được tổng hợp hoặc ẩn danh:
<dữ liệu hoặc nhận xét>
AI có thể giúp biến một bảng số liệu khó đọc thành danh sách câu hỏi cho PO:
Nhóm người dùng nào đang gặp khó?
Đây có thể là vấn đề của luồng sản phẩm hay truyền thông?
Cần xem thêm event hoặc dữ liệu nào?
Tuy nhiên, AI không thay thế việc kiểm tra nguồn dữ liệu, định nghĩa chỉ số hay xác nhận nguyên nhân với đội vận hành.
Checklist review đầu ra AI trước khi đưa vào Jira
Trước khi chuyển nội dung AI tạo ra thành ticket hoặc tài liệu chính thức, BA/PO nên kiểm tra:
Thiếu yêu cầu: Có actor nào bị bỏ qua không — khách hàng, CSKH, kế toán, quản trị viên?
Mơ hồ: Những từ như “nhanh”, “hợp lệ”, “tự động”, “ưu tiên”, “đủ điều kiện” đã có tiêu chí cụ thể chưa?
Mâu thuẫn: Có đoạn yêu cầu duyệt thủ công nhưng đoạn khác lại mô tả xử lý tự động không?
Ngoại lệ: Hủy giữa chừng, dữ liệu thiếu, đơn trùng, thiếu quyền truy cập hoặc lỗi tích hợp sẽ được xử lý ra sao?
Khả năng kiểm thử: Mỗi acceptance criterion có thể kiểm chứng bằng tình huống đầu vào và kết quả mong đợi không?
Phạm vi: AI có tự mở rộng yêu cầu thành tính năng mới không?
Một cách làm đơn giản là đưa lại user story cho AI với vai trò “reviewer khó tính”, đồng thời yêu cầu nó chỉ nêu lỗi và câu hỏi, không tự sửa nội dung.
text
Hãy review user story và acceptance criteria dưới đây như một BA reviewer.
Chỉ ra:
yêu cầu thiếu;
câu chữ mơ hồ;
mâu thuẫn;
edge case;
phụ thuộc hệ thống hoặc dữ liệu;
acceptance criteria chưa kiểm thử được.
Không viết lại nội dung. Với mỗi phát hiện, hãy nêu câu hỏi cần hỏi stakeholder.
Nội dung cần review:
<user story và acceptance criteria>
Lưu ý dữ liệu: prompt cũng cần được kiểm soát
Việc triển khai ở quy mô lớn như Uber cho thấy AI có thể đi vào luồng công việc thực tế. Với BA/PO, điều đó cũng làm nổi bật nhu cầu tuân thủ chính sách dữ liệu của tổ chức.
Không nên đưa vào công cụ AI không được phê duyệt các thông tin nhạy cảm như dữ liệu định danh khách hàng, số tài khoản, hồ sơ bảo hiểm, hợp đồng, chiến lược giá, số liệu kinh doanh chưa công bố hoặc tài liệu nội bộ.
Khi phù hợp, hãy dùng dữ liệu đã ẩn danh và placeholder như <mã khách hàng> hoặc <số tiền>. Đồng thời, chỉ sử dụng công cụ được doanh nghiệp phê duyệt cho loại dữ liệu đang xử lý.
Kết luận
Uber đang mở rộng AI từ giai đoạn thử nghiệm sang công việc hằng ngày, đồng thời theo dõi cách các nhóm sử dụng công cụ và tác động tới năng suất.
Với BA/PO, điểm bắt đầu thiết thực không phải là tự động hóa mọi thứ. Hãy chọn một đầu việc lặp lại, đặt rào chắn rõ cho prompt, yêu cầu AI nêu câu hỏi mở và giữ trách nhiệm chốt yêu cầu ở con người.
AI có thể giúp bạn viết nhanh hơn. Nhưng giá trị thật nằm ở việc giúp cả đội hỏi đúng câu hỏi trước khi xây sai sản phẩm.