**1. Bối cảnh** Một startup công nghệ quy mô 12 nhân sự có bộ phận tài chính chỉ 2 người. Mỗi tháng họ phải xử lý khoảng 300‑400 hóa đơn mua hàng, chi phí đi lại, đăng ký phần mềm… Việc nhập liệu thủ công, đối chiếu với ngân hàng và phân loại theo mã kế toán tốn 2‑3 ngày làm việc, dễ sai sót và gây chậm thanh toán. **2. Giải pháp AI** - Sử dụng mô hình ngôn ngữ lớn (LLM) kết hợp OCR để đọc file PDF/ảnh hóa đơn. - Prompt engineering: yêu cầu mô hình trích xuất ngày, nhà cung cấp, số tiền, thuế, mô tả dòng chi phí và gán mã kế toán theo danh sách chuẩn của công ty. - Xây dựng pipeline: email/Google Drive → Cloud Function → OCR → LLM → Google Sheets (bảng master) → cảnh báo qua Slack khi phát hiện bất thường (sai lệch số tiền, trùng lặp, thiếu mã). **3. Quy trình triển khai** 1. Thu thập 50 hóa đơn mẫu, gán nhãn thủ công để few‑shot prompt. 2. Viết prompt có cấu trúc JSON để LLM trả về dữ liệu có schema cố định. 3. Tự động hóa bằng Zapier/Make: mỗi khi có file mới trong thư mục "Invoices" thì chạy pipeline. 4. Thiết lập quy tắc validation đơn giản (tổng tiền = sum dòng, mã kế toán nằm trong whitelist). 5. Đào tạo 2 nhân viên tài chính cách xem dashboard, duyệt ngoại lệ và phản hồi lại prompt để cải thiện. **4. Kết quả & bài học** - Thời gian xử lý hàng tháng giảm từ 2‑3 ngày xuống còn vài giờ, chủ yếu tập trung vào việc duyệt ngoại lệ. - Tỷ lệ sai sót nhập liệu giảm gần như bằng 0 nhờ validation tự động. - Team tài chính chuyển dịch sang vai trò phân tích, dự báo dòng tiền thay vì nhập liệu. - Điểm then chốt: prompt phải được version‑control, mỗi lần thay đổi đều test trên tập mẫu trước khi deploy. **5. Lời khuyên áp dụng** - Bắt đầu với tập dữ liệu nhỏ, gán nhãn thủ công để few‑shot. - Ép LLM xuất JSON/schema cố định, tránh parse văn bản tự do. - Tách biệt bước trích xuất (OCR+LLM) và bước validation (rule‑based) để dễ bảo trì. - Đặt người chịu trách nhiệm (owner) cho từng loại ngoại lệ, tránh "AI lo tất cả". - Đánh giá định kỳ (hàng quý) độ chính xác và cập nhật prompt khi có loại hóa đơn mới.