Dữ liệu & hệ thống

Hiện đại hóa hệ thống cũ trước khi đưa AI vào: Dữ liệu sạch là điều kiện tiên quyết

Hiện đại hóa hệ thống là bước nhiều doanh nghiệp muốn bỏ qua khi bắt đầu ứng dụng AI. Tuy nhiên, một AI Agent dù sử dụng model mạnh đến đâu cũng khó vận hành đáng tin cậy nếu dữ liệu phân mảnh, hệ thống thiếu khả năng kết nối hoặc quy tắc nghiệp vụ chỉ tồn tại trong kinh nghiệm của một vài nhân sự.

Ban biên tập HARS20/10/20268 phút đọc

Vấn đề không chỉ nằm ở chất lượng model. AI còn cần dữ liệu đáng tin cậy, công cụ được cấp quyền phù hợp, quy trình rõ ràng và cơ chế kiểm chứng kết quả. Đây chính là nền tảng để xây dựng một AI Harness đủ tốt cho môi trường doanh nghiệp.

Trong bài viết này, hãy cùng HARS nhận diện 5 dấu hiệu hệ thống cũ đang cản trở AI, tìm hiểu các chiến lược hiện đại hóa và xây dựng lộ trình 5 bước giúp doanh nghiệp chuẩn bị nền móng trước khi mở rộng tự động hóa.

Điểm chính cần nắm

  • Vì sao AI cần dữ liệu đáng tin cậy, hệ thống có khả năng kết nối và quy trình được chuẩn hóa.
  • 5 dấu hiệu hệ thống cũ đang cản trở việc ứng dụng AI.
  • 5 chiến lược hiện đại hóa hệ thống và cách lựa chọn phù hợp.
  • Lộ trình 5 bước chuẩn bị hạ tầng, dữ liệu và quy trình cho AI.
  • Cách sử dụng AI để hỗ trợ hiện đại hóa hệ thống legacy.
  • Vai trò của AI Harness trong việc kiểm soát quyền hạn, xác minh kết quả và quản trị rủi ro.

1. Vì sao cần hiện đại hóa hệ thống trước khi ứng dụng AI?

Một AI Agent tham gia vào hoạt động doanh nghiệp thường cần thực hiện ba việc: truy xuất dữ liệu, sử dụng công cụ và tuân theo quy trình nghiệp vụ.

Ví dụ, một agent chăm sóc khách hàng cần biết thông tin đơn hàng, chính sách đổi trả và lịch sử tương tác. Nếu muốn xử lý yêu cầu thay vì chỉ trả lời, agent còn cần kết nối với CRM, hệ thống đơn hàng hoặc nền tảng chăm sóc khách hàng thông qua các giao diện được kiểm soát.

Nếu dữ liệu nằm rải rác trong nhiều hệ thống, mỗi nơi sử dụng một định nghĩa khác nhau hoặc không có cơ chế kết nối ổn định, AI có thể đưa ra câu trả lời sai, thực hiện hành động thiếu căn cứ hoặc không hoàn thành được công việc.

Có ba nền tảng doanh nghiệp cần chuẩn bị:

Dữ liệu đáng tin cậy: Dữ liệu cần chính xác, nhất quán, có nguồn gốc và được cập nhật phù hợp với nghiệp vụ.

Hệ thống có khả năng kết nối: AI cần truy cập dữ liệu và sử dụng công cụ thông qua API hoặc giao diện tích hợp có kiểm soát, thay vì phụ thuộc vào thao tác thủ công.

Quy trình có thể kiểm chứng: Doanh nghiệp cần xác định rõ đầu vào, các bước xử lý, điều kiện hoàn thành và người chịu trách nhiệm khi có sự cố.

Ba yếu tố này không thay thế AI Harness mà tạo nền móng để harness hoạt động hiệu quả. Harness tiếp tục bổ sung ngữ cảnh, quyền hạn, kiểm chứng, bộ nhớ, khả năng giám sát và các điểm phê duyệt của con người.

Nói cách khác, hiện đại hóa hệ thống giúp AI tiếp cận đúng dữ liệu và thực hiện công việc ổn định; AI Harness giúp kiểm soát cách AI sử dụng những khả năng đó.

[Ảnh minh họa: AI Agent kết nối với dữ liệu, hệ thống và quy trình doanh nghiệp. Alt: Hiện đại hóa hệ thống làm nền tảng cho AI doanh nghiệp.]

2. 5 dấu hiệu hệ thống cũ đang cản trở AI

Không phải hệ thống nào đã tồn tại lâu năm cũng cần thay mới. Điều quan trọng là xác định những hạn chế đang ảnh hưởng trực tiếp đến chất lượng dữ liệu, khả năng tích hợp và mức độ an toàn khi tự động hóa.

2.1. Dữ liệu phân mảnh, thiếu nhất quán

Thông tin khách hàng có thể nằm trong CRM, Excel, phần mềm kế toán, lịch sử Zalo và các tài khoản cá nhân của nhân viên. Khi mỗi nguồn lưu một phiên bản khác nhau, AI khó xác định dữ liệu nào là chính xác.

Hệ quả: Agent có thể tư vấn sai chính sách, báo nhầm trạng thái đơn hàng hoặc tạo ra báo cáo không thống nhất giữa các phòng ban.

Hướng xử lý: Xác định nguồn dữ liệu chính cho từng nghiệp vụ, chuẩn hóa định nghĩa và xây dựng quy trình đồng bộ, cập nhật dữ liệu.

2.2. Không có API hoặc khả năng tích hợp phù hợp

Một số hệ thống chỉ cho phép xuất file thủ công hoặc truy cập dữ liệu bằng các phương thức khó kiểm soát. Điều này khiến việc kết nối AI tốn công, khó mở rộng và dễ phát sinh lỗi.

Hệ quả: AI chỉ có thể tư vấn dựa trên dữ liệu được cung cấp thủ công, thay vì tham gia vào quy trình vận hành thực tế.

Hướng xử lý: Ưu tiên xây dựng API hoặc lớp tích hợp trung gian, có xác thực, phân quyền, giới hạn thao tác và lưu vết.

2.3. Thiếu kiểm thử để xác minh hành vi hệ thống

Khi hệ thống không có bộ kiểm thử phù hợp, đội kỹ thuật khó biết một thay đổi có làm hỏng chức năng đang hoạt động hay không.

Theo cách tiếp cận của Michael Feathers, mã nguồn khó thay đổi an toàn khi thiếu các bài kiểm thử đặc trưng cho hành vi hiện tại. Đây là vấn đề thường gặp ở những hệ thống legacy lâu năm.

Hệ quả: Việc chỉnh sửa hệ thống bằng con người hoặc AI đều có thể gây ra lỗi hồi quy mà doanh nghiệp không phát hiện kịp thời.

Hướng xử lý: Xây dựng characterization test để ghi nhận hành vi hiện tại, sau đó bổ sung kiểm thử cho những chức năng quan trọng trước khi tái cấu trúc.

2.4. Tài liệu thất lạc, quy tắc nghiệp vụ nằm trong đầu nhân sự

Người phát triển ban đầu đã nghỉ việc, tài liệu không được cập nhật hoặc quy trình thực tế khác với quy trình trên giấy.

Hệ quả: AI không có đủ căn cứ để xử lý đúng nghiệp vụ. Ngay cả đội kỹ thuật cũng có thể mất nhiều thời gian để xác định hệ thống đang hoạt động như thế nào.

Hướng xử lý: Thu thập tài liệu hiện có, phỏng vấn nhân sự chủ chốt, ghi nhận các trường hợp ngoại lệ và xây dựng kho tri thức có người chịu trách nhiệm cập nhật.

2.5. Phụ thuộc vào một người hoặc một hệ thống duy nhất

Chỉ một nhân sự biết cách vận hành một phần mềm quan trọng, hoặc một hệ thống cũ trở thành điểm phụ thuộc của nhiều phòng ban.

Hệ quả: Mọi thay đổi đều chậm, khó mở rộng và tiềm ẩn rủi ro gián đoạn. AI cũng không thể giải quyết triệt để vấn đề nếu không có quyền truy cập, tài liệu hoặc cơ chế phục hồi phù hợp.

Hướng xử lý: Lập bản đồ phụ thuộc, chuẩn hóa quy trình vận hành, xác định phương án dự phòng và giảm dần các điểm lỗi đơn lẻ.

Nếu doanh nghiệp gặp từ hai dấu hiệu trở lên, đó là lý do nên đánh giá mức độ sẵn sàng của hệ thống trước khi mở rộng AI. Tuy nhiên, số lượng dấu hiệu chỉ mang tính tham khảo; mức độ ưu tiên thực tế còn phụ thuộc vào tác động kinh doanh và rủi ro của từng hệ thống.

Đọc thêm: Kiến thức ngành từ HARS.

3. Hiện đại hóa không có nghĩa là viết lại toàn bộ hệ thống

Nỗi lo phổ biến nhất khi hiện đại hóa hệ thống legacy là phải thay thế mọi thứ cùng lúc. Cách tiếp cận này thường tốn kém, kéo dài và có nguy cơ làm gián đoạn hoạt động.

Trên thực tế, doanh nghiệp có thể lựa chọn nhiều chiến lược tùy theo tình trạng hệ thống, ngân sách và mục tiêu ứng dụng AI.

Chiến lượcCách thực hiệnKhi nào phù hợp?
Bọc API (Encapsulate)Giữ hệ thống hiện tại, xây dựng lớp API hoặc lớp tích hợp để các ứng dụng khác truy cập có kiểm soát.Hệ thống vẫn hoạt động tốt nhưng thiếu khả năng kết nối.
Chuyển nền tảng (Replatform)Chuyển sang hạ tầng hoặc nền tảng mới, hạn chế thay đổi logic nghiệp vụ.Hạ tầng đã lỗi thời nhưng chức năng cốt lõi vẫn phù hợp.
Tái cấu trúc (Refactor)Cải thiện cấu trúc mã nguồn từng phần, đồng thời duy trì hành vi nghiệp vụ mong muốn.Hệ thống khó bảo trì, khó kiểm thử hoặc khó mở rộng.
Thay thế dần (Strangler pattern)Xây dựng chức năng mới bên cạnh hệ thống cũ, sau đó chuyển từng phần theo lộ trình.Hệ thống lớn, không thể dừng hoạt động để thay thế toàn bộ.
Thay mới (Replace)Thay hệ thống bằng giải pháp đóng gói hoặc một hệ thống mới.Hệ thống không còn đáp ứng yêu cầu nghiệp vụ hoặc chi phí duy trì quá cao.

Nên bắt đầu từ chiến lược nào?

Với mục tiêu chuẩn bị cho AI, bọc API thường là lựa chọn đáng cân nhắc khi hệ thống hiện tại còn đáp ứng nghiệp vụ. Cách này tạo khả năng tích hợp mà không buộc doanh nghiệp phải thay đổi toàn bộ hệ thống ngay lập tức.

Nếu hệ thống đã quá khó bảo trì hoặc cần thay thế nhiều chức năng, mô hình Strangler cho phép chuyển đổi từng phần, giảm sự phụ thuộc vào một đợt triển khai lớn.

Dù chọn chiến lược nào, doanh nghiệp cũng cần đánh giá bảo mật, chất lượng dữ liệu, khả năng phục hồi và kiểm thử trước khi cấp quyền cho AI thực hiện các thao tác ghi dữ liệu hoặc thay đổi trạng thái nghiệp vụ.

[Ảnh minh họa: Các chiến lược hiện đại hóa hệ thống legacy. Alt: So sánh các chiến lược hiện đại hóa hệ thống doanh nghiệp.]

4. Lộ trình 5 bước chuẩn bị hệ thống cho AI

Doanh nghiệp không cần hiện đại hóa mọi hệ thống cùng lúc. Cách tiếp cận hiệu quả hơn là chọn một quy trình có giá trị kinh doanh rõ ràng, xử lý các điểm nghẽn quan trọng rồi mở rộng dựa trên kết quả đo được.

Bước 1. Kiểm kê hệ thống và luồng dữ liệu

Lập danh sách các hệ thống đang sử dụng, dữ liệu được lưu ở đâu, hệ thống nào phụ thuộc vào hệ thống nào và bộ phận nào chịu trách nhiệm.

Cần làm rõ:

  • Dữ liệu nào quan trọng với quy trình muốn tự động hóa?
  • Nguồn nào là nguồn dữ liệu chính thức?
  • Dữ liệu được cập nhật thường xuyên đến đâu?
  • Hệ thống nào đang là điểm nghẽn hoặc điểm lỗi đơn lẻ?
  • Có yêu cầu bảo mật, lưu trữ hoặc tuân thủ nào cần đáp ứng?

Đầu ra cần có: Bản đồ hệ thống, luồng dữ liệu, các điểm phụ thuộc và danh sách ưu tiên hiện đại hóa.

Bước 2. Làm sạch và chuẩn hóa dữ liệu cốt lõi

Không nên cố làm sạch toàn bộ dữ liệu doanh nghiệp ngay từ đầu. Hãy bắt đầu với nhóm dữ liệu mà AI cần sử dụng cho quy trình thí điểm, chẳng hạn hồ sơ khách hàng, sản phẩm, đơn hàng hoặc lịch sử hỗ trợ.

Các công việc chính gồm:

  • Loại bỏ hoặc xử lý dữ liệu trùng lặp.
  • Thống nhất định dạng, tên trường và định nghĩa nghiệp vụ.
  • Xác định dữ liệu thiếu, lỗi thời hoặc mâu thuẫn.
  • Quy định nguồn dữ liệu chính thức cho từng loại thông tin.
  • Chỉ định người chịu trách nhiệm về chất lượng và cập nhật dữ liệu.

Đầu ra cần có: Bộ dữ liệu có quy tắc quản lý rõ ràng, nguồn gốc xác định được và phù hợp với nghiệp vụ cần triển khai.

Bước 3. Xây dựng lớp tích hợp có kiểm soát

AI không nên được cấp quyền truy cập trực tiếp vào toàn bộ cơ sở dữ liệu chỉ để thuận tiện triển khai.

Thay vào đó, doanh nghiệp nên cung cấp API hoặc công cụ tích hợp với phạm vi quyền hạn cụ thể. Ví dụ, agent chăm sóc khách hàng có thể tra cứu trạng thái đơn hàng nhưng không được tự thay đổi giá bán hoặc xóa hồ sơ khách hàng.

Lớp tích hợp cần có:

  • Xác thực và phân quyền theo vai trò.
  • Giới hạn dữ liệu và thao tác được phép.
  • Kiểm tra đầu vào, xử lý lỗi và giới hạn tần suất khi cần.
  • Nhật ký truy cập và lịch sử thao tác.
  • Cơ chế phê duyệt đối với hành động nhạy cảm hoặc khó đảo ngược.

Đầu ra cần có: Danh mục API hoặc công cụ, ma trận quyền hạn và cơ chế ghi nhận hoạt động.

Bước 4. Xây dựng lưới an toàn bằng kiểm thử

Trước khi thay đổi hệ thống cũ, doanh nghiệp cần hiểu hệ thống đang hoạt động như thế nào và xác định hành vi nào phải được giữ nguyên.

Characterization test giúp ghi nhận hành vi thực tế của hệ thống, kể cả khi chưa có tài liệu đầy đủ. Sau đó, đội kỹ thuật có thể bổ sung kiểm thử cho các quy tắc nghiệp vụ, dữ liệu đầu vào, đầu ra và trường hợp ngoại lệ.

Đối với AI, cần kiểm tra thêm các tình huống như:

  • Dữ liệu đầu vào thiếu hoặc mâu thuẫn.
  • API không phản hồi hoặc trả về lỗi.
  • Agent đề xuất hành động vượt quyền.
  • Kết quả không đáp ứng quy tắc nghiệp vụ.
  • Hành động cần được con người phê duyệt nhưng chưa có xác nhận.

Đầu ra cần có: Bộ kiểm thử hồi quy, tiêu chí nghiệm thu và quy trình xử lý lỗi trước khi đưa vào vận hành.

Bước 5. Hiện đại hóa từng phần và đo kết quả

Chọn một chức năng có phạm vi rõ ràng, chẳng hạn tra cứu thông tin khách hàng hoặc xử lý yêu cầu hỗ trợ. Thực hiện theo vòng lặp: hiện đại hóa, kiểm thử, triển khai có kiểm soát, theo dõi và điều chỉnh.

Doanh nghiệp nên đo các chỉ số trước và sau khi triển khai, gồm:

  • Thời gian xử lý mỗi yêu cầu.
  • Tỷ lệ hoàn thành đúng ngay lần đầu.
  • Tỷ lệ lỗi và lỗi hồi quy.
  • Chi phí vận hành trên mỗi giao dịch.
  • Tỷ lệ thao tác cần con người can thiệp.
  • Mức độ hài lòng của khách hàng hoặc người sử dụng nội bộ.

Đầu ra cần có: Kết quả thí điểm được đo lường, danh sách vấn đề còn tồn tại và căn cứ để quyết định mở rộng.

5. AI cũng có thể giúp hiện đại hóa hệ thống cũ

AI không chỉ hưởng lợi từ hệ thống hiện đại hơn. Khi được đặt trong quy trình có kiểm chứng, AI còn có thể hỗ trợ đội kỹ thuật tăng tốc một số công việc hiện đại hóa.

5.1. Đọc mã nguồn và tái tạo tài liệu

Coding agent có thể phân tích cấu trúc mã nguồn, tóm tắt chức năng, nhận diện các quy tắc nghiệp vụ tiềm ẩn và tạo bản nháp tài liệu kỹ thuật.

Tuy nhiên, tài liệu do AI tạo ra cần được đối chiếu với mã nguồn, kết quả chạy thực tế và kiến thức của chuyên gia nghiệp vụ. Không nên xem bản mô tả do AI sinh ra là tài liệu chính thức nếu chưa được kiểm chứng.

5.2. Lập bản đồ phụ thuộc và hỗ trợ kế hoạch migration

AI có thể hỗ trợ nhận diện các thành phần phụ thuộc lẫn nhau, đề xuất thứ tự chuyển đổi và tổng hợp rủi ro kỹ thuật.

Đây là công cụ hỗ trợ phân tích, không phải sự thay thế cho việc đánh giá kiến trúc. Các phụ thuộc khó phát hiện, hành vi phát sinh khi chạy và ràng buộc vận hành vẫn cần được xác minh.

5.3. Tạo kiểm thử và phát hiện rủi ro hồi quy

AI có thể đề xuất các ca kiểm thử từ mã nguồn, tài liệu hoặc nhật ký lỗi. Đội kỹ thuật cần rà soát để bảo đảm các bài kiểm thử phản ánh đúng hành vi mong muốn, thay vì chỉ ghi lại cả những lỗi vốn có của hệ thống.

5.4. Chuyển đổi mã nguồn theo từng phần

Coding agent có thể hỗ trợ tái cấu trúc, chuyển đổi ngôn ngữ hoặc cập nhật thư viện. Mỗi thay đổi cần đi kèm kiểm thử, đánh giá bảo mật và cơ chế quay lui khi kết quả không đạt yêu cầu.

Điểm mấu chốt là AI có thể tăng tốc công việc hiện đại hóa, nhưng không nên tự quyết định toàn bộ quá trình chuyển đổi.

Một AI Harness phù hợp cần giới hạn phạm vi công việc, cung cấp ngữ cảnh cần thiết, xác minh kết quả và yêu cầu con người phê duyệt những thay đổi có rủi ro cao.

Đọc thêm: Cách thiết kế AI Harness để AI Agent vận hành tin cậy.

6. HARS đồng hành cùng doanh nghiệp chuẩn bị nền móng cho AI

Hiện đại hóa hệ thống không chỉ là bài toán kỹ thuật. Để AI tạo ra giá trị thực tế, doanh nghiệp còn cần chuẩn hóa quy trình, thống nhất dữ liệu và xác định cách đo hiệu quả vận hành.

HARS tiếp cận bài toán này thông qua ba hướng triển khai.

6.1. Đánh giá trước khi đầu tư

  • Khảo sát hiện trạng vận hành để nhận diện các điểm nghẽn và công việc lặp lại.
  • Phân tích dữ liệu về KPI, hiệu suất, chi phí và dòng tiền theo phạm vi dữ liệu doanh nghiệp cung cấp.
  • Xác định các quy trình phù hợp để thí điểm AI và những điều kiện cần chuẩn bị trước khi triển khai.

Mục tiêu là giúp doanh nghiệp lựa chọn đúng bài toán, thay vì đầu tư công nghệ trước khi xác định nhu cầu.

6.2. Kết nối dữ liệu và quy trình trên nền tảng phù hợp

  • Nhân sự số Kimmy hỗ trợ đưa AI vào các quy trình doanh nghiệp theo phạm vi được thiết kế và phân quyền.
  • One Workspace hướng đến việc tập trung các kênh tương tác khách hàng vào một không gian làm việc.
  • Các hệ thống CRM và công cụ quản trị có thể được kết nối theo nhu cầu thực tế và khả năng tích hợp.

Phạm vi tích hợp cụ thể cần được xác nhận theo hệ thống, gói dịch vụ và yêu cầu của từng doanh nghiệp.

6.3. Chuẩn hóa quy trình và kiểm soát hiệu quả

  • Chắt lọc kinh nghiệm nghiệp vụ thành kho tri thức để hỗ trợ AI làm việc nhất quán hơn.
  • Xây dựng kịch bản và quy tắc xử lý theo quy trình đã thống nhất.
  • Thiết lập KPI, theo dõi kết quả và điều chỉnh khi hiệu suất chưa đạt yêu cầu.
  • Duy trì sự tham gia của con người tại những điểm cần phán đoán nghiệp vụ hoặc phê duyệt.

Thay vì xem hiện đại hóa hệ thống và ứng dụng AI là hai dự án tách biệt, doanh nghiệp có thể triển khai chúng theo một lộ trình thống nhất: chuẩn hóa dữ liệu, cải thiện khả năng kết nối, thí điểm AI rồi mở rộng dựa trên kết quả thực tế.

Tìm hiểu thêm về đội ngũ chuyên gia và giải pháp của HARS để xác định hướng triển khai phù hợp với doanh nghiệp.

[Ảnh minh họa: Chuyên gia HARS đánh giá dữ liệu và quy trình doanh nghiệp. Alt: Đánh giá hiện trạng hệ thống trước khi ứng dụng AI cùng HARS.]

7. 4 sai lầm thường gặp khi chuẩn bị hệ thống cho AI

7.1. Đưa AI vào trước, xử lý dữ liệu sau

Dữ liệu sai hoặc mâu thuẫn khiến AI đưa ra kết quả thiếu tin cậy. Khi người dùng liên tục phải kiểm tra và sửa câu trả lời, lợi ích tự động hóa sẽ giảm đáng kể.

Cách tránh: Bắt đầu với dữ liệu cốt lõi của một quy trình cụ thể, đặt tiêu chí chất lượng và chỉ mở rộng khi dữ liệu đáp ứng yêu cầu.

7.2. Viết lại toàn bộ hệ thống trong một lần

Thay thế toàn bộ hệ thống có thể làm tăng chi phí, kéo dài thời gian triển khai và ảnh hưởng đến hoạt động kinh doanh.

Cách tránh: Đánh giá các chiến lược hiện đại hóa, ưu tiên chức năng có giá trị rõ ràng và chuyển đổi theo từng phần nếu phù hợp.

7.3. Cho AI truy cập trực tiếp vào cơ sở dữ liệu

Quyền truy cập quá rộng có thể dẫn đến rò rỉ dữ liệu, sửa đổi ngoài ý muốn hoặc khó truy vết khi có sự cố.

Cách tránh: Sử dụng API hoặc công cụ tích hợp có phân quyền, giới hạn thao tác, lưu vết và yêu cầu phê duyệt cho các hành động nhạy cảm.

7.4. Hiện đại hóa mà không kiểm thử

Một hệ thống mới có thể chạy được nhưng vẫn sai khác so với hành vi nghiệp vụ mà doanh nghiệp cần duy trì.

Cách tránh: Xây dựng bộ kiểm thử hồi quy, xác định tiêu chí nghiệm thu và có phương án quay lui trước khi triển khai thay đổi quan trọng.

8. Câu hỏi thường gặp về hiện đại hóa hệ thống và AI

Hiện đại hóa hệ thống là gì?

Hiện đại hóa hệ thống là quá trình cải thiện hạ tầng, kiến trúc, dữ liệu, mã nguồn hoặc khả năng tích hợp của hệ thống hiện có để đáp ứng nhu cầu kinh doanh và công nghệ hiện tại.

Có bắt buộc phải hiện đại hóa hệ thống trước khi sử dụng AI không?

Không nhất thiết đối với các công cụ AI độc lập phục vụ công việc cá nhân. Tuy nhiên, khi muốn AI truy xuất dữ liệu nội bộ, cập nhật hệ thống hoặc tham gia quy trình vận hành, doanh nghiệp cần bảo đảm dữ liệu đủ tin cậy, khả năng tích hợp phù hợp và quyền hạn được kiểm soát.

Doanh nghiệp nên bắt đầu hiện đại hóa từ đâu?

Hãy kiểm kê hệ thống và luồng dữ liệu, xác định một quy trình có giá trị kinh doanh rõ ràng, sau đó ưu tiên xử lý dữ liệu mà quy trình đó cần sử dụng. Tiếp theo, xây dựng lớp tích hợp và cơ chế kiểm thử phù hợp.

AI có thể tự hiện đại hóa hệ thống legacy không?

AI có thể hỗ trợ đọc mã nguồn, tạo tài liệu, đề xuất kiểm thử và thực hiện một số thay đổi kỹ thuật. Tuy nhiên, các thay đổi cần được kiểm chứng, đánh giá bảo mật và phê duyệt phù hợp với mức độ rủi ro. Không nên giao toàn quyền hiện đại hóa cho AI khi chưa có cơ chế kiểm soát.

Dữ liệu sạch có đủ để AI vận hành hiệu quả không?

Chưa đủ. Dữ liệu tốt là điều kiện quan trọng nhưng AI còn cần ngữ cảnh phù hợp, công cụ được phân quyền, quy trình rõ ràng, cơ chế kiểm chứng và khả năng giám sát. Đây là những thành phần mà AI Harness giúp tổ chức và kiểm soát.

9. Kết luận: Hiện đại hóa đủ để AI vận hành tin cậy

Hiện đại hóa hệ thống không phải rào cản trên con đường ứng dụng AI, mà là cơ hội để doanh nghiệp xây dựng nền tảng vận hành ổn định và có khả năng mở rộng.

Ba ưu tiên quan trọng nhất là dữ liệu đáng tin cậy, khả năng tích hợp có kiểm soát và kiểm thử đủ tốt. Khi kết hợp với một AI Harness phù hợp, doanh nghiệp có thể từng bước đưa AI từ vai trò hỗ trợ trả lời sang thực hiện công việc trong các quy trình thực tế.

Không cần thay mới mọi thứ ngay lập tức. Hãy bắt đầu từ một quy trình có giá trị, xử lý những điểm nghẽn quan trọng, đo lường kết quả và mở rộng dựa trên bằng chứng.

Hệ thống của doanh nghiệp bạn đã sẵn sàng cho AI chưa?

Hãy đăng ký khảo sát AI miễn phí cùng HARS để nhận diện điểm nghẽn vận hành và xác định những bước chuẩn bị phù hợp. Bạn cũng có thể liên hệ đội ngũ chuyên gia HARS để trao đổi về lộ trình triển khai.

Hotline/Zalo: 0365 599 599

Nguồn tham khảo

  1. Michael Feathers — Working Effectively with Legacy Code.
  2. Mistral AI — Các bài viết và tài liệu về sử dụng AI Agent để hiện đại hóa mã nguồn legacy.
  3. Red Hat — Các tài liệu về kiến trúc agent và hiện đại hóa hệ thống legacy.
  4. OpenAI — Các tài liệu về Harness Engineering và vận hành AI Agent có kiểm soát.

The problem goes beyond model quality. AI also needs trustworthy data, appropriately permissioned tools, clear processes and mechanisms to verify its work. These are the foundations for an effective AI harness in an enterprise environment.

In this article, HARS explores five signs that legacy systems are holding AI back, the main modernization strategies and a five-step roadmap to prepare your systems before expanding automation.

Key takeaways

  • Why AI needs trustworthy data, connected systems and standardized processes.
  • Five signs that legacy systems are blocking AI adoption.
  • Five modernization strategies and when to use each.
  • A five-step roadmap for preparing systems, data and processes for AI.
  • How AI can help modernize legacy systems.
  • The role of an AI harness in controlling permissions, verifying results and managing risk.

1. Why modernize systems before adopting AI?

An AI agent operating inside a business typically needs to do three things: retrieve data, use tools and follow business processes.

For example, a customer service agent needs access to order information, return policies and interaction history. If it is expected to resolve requests rather than simply answer questions, it also needs to connect to the CRM, order management system or customer service platform through controlled interfaces.

When data is scattered across systems, definitions differ or integrations are unreliable, AI may provide incorrect answers, take actions without sufficient evidence or fail to complete its assigned work.

Businesses need to prepare three foundations.

Trustworthy data: Data should be accurate, consistent, traceable to its source and updated appropriately for the business process.

Connected systems: AI needs to access data and use tools through APIs or controlled integration interfaces rather than relying on manual operations.

Verifiable processes: The business needs to define inputs, processing steps, completion criteria and accountability when something goes wrong.

These foundations do not replace the AI harness. Instead, they enable it to work effectively. The harness adds context, permissions, verification, memory, observability and human approval checkpoints.

In short, system modernization helps AI access the right data and execute tasks reliably; the AI harness controls how AI uses those capabilities.

[Image: An AI agent connected to enterprise data, systems and processes. Alt: System modernization as the foundation for enterprise AI.]

2. Five signs your legacy systems are blocking AI

Not every long-standing system needs to be replaced. The important question is whether its limitations affect data quality, integration or the safety of automation.

2.1. Fragmented and inconsistent data

Customer information may be scattered across a CRM, spreadsheets, accounting software, Zalo conversations and employees' personal accounts. When each source contains a different version, AI may struggle to determine which information is correct.

Impact: Agents may provide incorrect policy information, misreport order status or generate inconsistent reports across departments.

What to do: Identify the authoritative source for each business function, standardize definitions and establish data synchronization and update procedures.

2.2. Missing APIs or suitable integration capabilities

Some legacy systems support only manual exports or data access methods that are difficult to control. Connecting AI to these systems becomes expensive, error-prone and difficult to scale.

Impact: AI remains limited to answering questions from manually supplied data instead of participating in real operational workflows.

What to do: Prioritize APIs or an integration layer with authentication, permissions, operation limits and audit trails.

2.3. Insufficient testing to verify system behavior

Without an appropriate test suite, engineering teams cannot easily determine whether a change has broken an existing function.

Michael Feathers' approach to legacy code highlights the difficulty of making changes safely when tests do not adequately capture existing behavior. This is a common challenge in long-lived systems.

Impact: Changes made by either humans or AI can introduce regressions that go undetected.

What to do: Build characterization tests to capture current behavior, then add tests for critical functions before refactoring.

2.4. Missing documentation and undocumented business rules

Original developers may have left, documentation may be outdated, or actual operating procedures may differ from the documented process.

Impact: AI lacks the information needed to handle business tasks correctly. Even engineering teams may spend significant time figuring out how the system works.

What to do: Collect existing documentation, interview key employees, record exceptions and maintain a knowledge base with clearly assigned ownership.

2.5. Dependence on a single person or system

Only one employee may know how to operate a critical application, or an old system may have become a dependency for multiple departments.

Impact: Changes become slow and risky, while outages can disrupt business operations. AI cannot eliminate these problems without appropriate access, documentation and recovery mechanisms.

What to do: Map dependencies, standardize operational procedures, define contingency plans and reduce single points of failure.

If your business faces two or more of these signs, consider assessing system readiness before expanding AI. The number of signs is only a rough guide; actual priorities depend on business impact and system-specific risks.

Read more: Industry insights from HARS.

3. Modernization does not mean rewriting everything

A common fear is that modernizing a legacy system means replacing everything at once. This approach can be expensive, time-consuming and disruptive.

In practice, businesses can choose among several strategies depending on system condition, budget and AI objectives.

StrategyApproachWhen it fits
EncapsulateKeep the existing system and add an API or integration layer for controlled access.The system works well but lacks connectivity.
ReplatformMove to new infrastructure or a new platform while minimizing changes to business logic.Infrastructure is outdated but core functionality remains suitable.
RefactorImprove code structure incrementally while preserving intended business behavior.The system is difficult to maintain, test or extend.
Strangler patternBuild new functionality alongside the legacy system and migrate capabilities gradually.The system is too large to replace in one operation.
ReplaceReplace the existing system with a packaged solution or a new implementation.The system no longer meets business requirements or is too costly to maintain.

Which strategy should you start with?

For AI readiness, encapsulation is often worth considering when the current system still meets business needs. It adds integration capabilities without requiring an immediate full replacement.

If the system is difficult to maintain or several functions need to be replaced, the Strangler pattern allows gradual migration and reduces dependence on a large, high-risk cutover.

Regardless of the strategy, assess security, data quality, recoverability and test coverage before allowing AI to write data or change business states.

[Image: Enterprise legacy system modernization strategies. Alt: Comparing system modernization strategies for businesses.]

4. A five-step roadmap to prepare systems for AI

Businesses do not need to modernize every system at once. A more effective approach is to select a business process with clear value, address its most important bottlenecks and expand based on measurable results.

Step 1. Inventory systems and data flows

List the systems in use, where data resides, which systems depend on one another and which teams are responsible for them.

Determine:

  • Which data is essential to the process you want to automate?
  • Which source is authoritative?
  • How frequently is the data updated?
  • Which systems are bottlenecks or single points of failure?
  • What security, retention or compliance requirements apply?

Deliverable: A system and data-flow map, dependency overview and prioritized modernization backlog.

Step 2. Clean and standardize core data

Do not attempt to clean all enterprise data immediately. Start with the data required by the pilot workflow, such as customer records, products, orders or support history.

Key activities include:

  • Removing or resolving duplicate records.
  • Standardizing formats, field names and business definitions.
  • Identifying missing, outdated or conflicting information.
  • Establishing an authoritative source for each data type.
  • Assigning ownership for data quality and maintenance.

Deliverable: A governed dataset with clear ownership, traceable sources and sufficient quality for the target workflow.

Step 3. Build a controlled integration layer

AI should not receive unrestricted direct access to the entire database simply because it is convenient.

Instead, provide APIs or integration tools with clearly defined permissions. For example, a customer service agent may be allowed to check order status but not change product prices or delete customer records.

The integration layer should include:

  • Authentication and role-based permissions.
  • Restrictions on accessible data and permitted operations.
  • Input validation, error handling and rate limits where appropriate.
  • Access logs and action histories.
  • Approval mechanisms for sensitive or difficult-to-reverse actions.

Deliverable: An API or tool catalog, permission matrix and activity-logging mechanisms.

Step 4. Build a safety net through testing

Before changing a legacy system, understand its current behavior and identify which business functions must continue to work as intended.

Characterization tests capture actual system behavior, even when documentation is incomplete. Engineering teams can then add tests for business rules, inputs, outputs and edge cases.

For AI-enabled workflows, also test scenarios such as:

  • Missing or contradictory input data.
  • APIs that time out or return errors.
  • Agents proposing actions outside their permissions.
  • Results that violate business rules.
  • Actions requiring human approval without receiving confirmation.

Deliverable: A regression test suite, acceptance criteria and an error-handling process.

Step 5. Modernize incrementally and measure results

Choose a clearly bounded function, such as customer lookup or support request handling. Follow a cycle of modernization, testing, controlled deployment, monitoring and adjustment.

Compare performance before and after implementation using metrics such as:

  • Average processing time per request.
  • First-time-right completion rate.
  • Error and regression rates.
  • Operating cost per transaction.
  • Percentage of tasks requiring human intervention.
  • Customer or internal user satisfaction.

Deliverable: Measured pilot results, a list of outstanding issues and evidence to support the next expansion decision.

5. AI can also help modernize legacy systems

AI does not merely benefit from modernized systems. When used within a verifiable workflow, it can also help engineering teams accelerate parts of the modernization process.

5.1. Analyze source code and reconstruct documentation

Coding agents can analyze source code, summarize functionality, identify potential business rules and draft technical documentation.

However, AI-generated documentation must be checked against the source code, observed runtime behavior and domain expertise. It should not become official documentation until it has been verified.

5.2. Map dependencies and support migration planning

AI can help identify dependencies between components, suggest migration sequences and summarize technical risks.

This is an analytical aid, not a replacement for architectural review. Hidden dependencies, runtime behavior and operational constraints still require verification.

5.3. Generate tests and identify regression risks

AI can propose test cases based on source code, documentation or error logs. Engineering teams must review them to ensure that the tests reflect intended behavior rather than simply preserving existing defects.

5.4. Transform code incrementally

Coding agents can assist with refactoring, language migration and library upgrades. Every change should be accompanied by tests, security reviews and a rollback mechanism if results fall short.

The key point is that AI can accelerate modernization, but it should not make every migration decision autonomously.

An appropriate AI harness limits the scope of work, supplies relevant context, verifies results and requires human approval for high-risk changes.

Read more: How to design an AI harness for reliable AI agents.

6. HARS: Helping businesses prepare for AI

System modernization is not purely an engineering challenge. To generate business value, AI also requires standardized processes, consistent data and a clear approach to measuring operational outcomes.

HARS approaches this challenge through three areas.

6.1. Assess before investing

  • Assess current operations to identify bottlenecks and repetitive work.
  • Analyze available data on KPIs, performance, costs and cash flow.
  • Identify suitable AI pilot workflows and the prerequisites for implementation.

The objective is to help businesses select the right problem before committing to technology.

6.2. Connect data and processes through suitable platforms

  • Kimmy, the digital workforce, supports the introduction of AI into business processes within a defined scope and permission model.
  • One Workspace is designed to bring customer interaction channels into a unified workspace.
  • CRM and business management systems can be connected according to business needs and integration capabilities.

Specific integrations should be confirmed against the systems, service packages and requirements of each business.

6.3. Standardize processes and control outcomes

  • Turn operational know-how into a knowledge base that helps AI work more consistently.
  • Establish approved scripts and handling rules aligned with agreed processes.
  • Define KPIs, monitor outcomes and adjust when performance falls short.
  • Keep people involved at decision points requiring business judgment or approval.

Rather than treating system modernization and AI adoption as separate projects, businesses can follow a unified roadmap: standardize data, improve connectivity, pilot AI and expand based on measured results.

Learn more about HARS experts and solutions to identify an approach suited to your business.

[Image: HARS experts assessing enterprise data and processes. Alt: Assessing system readiness before adopting AI with HARS.]

7. Four common mistakes when preparing systems for AI

7.1. Adopting AI before fixing data

Incorrect or contradictory data leads to unreliable AI outputs. If users must constantly verify and correct results, the value of automation declines.

How to avoid it: Start with the core data for a specific workflow, define quality criteria and expand only when the data meets the requirements.

7.2. Rewriting the entire system at once

A complete replacement can increase costs, extend timelines and disrupt business operations.

How to avoid it: Evaluate modernization strategies, prioritize functions with clear value and migrate incrementally where appropriate.

7.3. Giving AI direct database access

Excessive access can lead to data exposure, unintended changes and poor incident traceability.

How to avoid it: Use permissioned APIs or integration tools with operation limits, audit trails and approvals for sensitive actions.

7.4. Modernizing without testing

A new system may run successfully while behaving differently from what the business requires.

How to avoid it: Build regression tests, define acceptance criteria and prepare a rollback plan before deploying significant changes.

8. Frequently asked questions

What is system modernization?

System modernization is the process of improving an existing system's infrastructure, architecture, data, code or integration capabilities to meet current business and technology needs.

Must a business modernize its systems before using AI?

Not necessarily for standalone AI tools used for individual productivity. However, when AI needs to access internal data, update systems or participate in operational workflows, businesses must ensure that data is trustworthy, integrations are suitable and permissions are controlled.

Where should a business start?

Inventory systems and data flows, select a workflow with clear business value and prioritize the data it needs. Then build an appropriate integration layer and testing mechanisms.

Can AI modernize legacy systems on its own?

AI can help analyze source code, generate documentation, propose tests and perform certain technical changes. However, changes need verification, security review and approval appropriate to their risk. Full autonomy is not advisable without effective controls.

Is clean data enough for effective AI operations?

No. Good data is essential, but AI also needs relevant context, permissioned tools, clear processes, verification and observability. An AI harness helps organize and control these elements.

9. Conclusion: Modernize enough to make AI reliable

System modernization is not an obstacle to AI adoption. It is an opportunity to build a stable, scalable operating foundation.

The three most important priorities are trustworthy data, controlled integration and adequate testing. Combined with an appropriate AI harness, they enable businesses to move AI beyond answering questions and into real operational workflows.

There is no need to replace everything immediately. Start with a valuable process, address its most important bottlenecks, measure the results and expand based on evidence.

Are your systems ready for AI?

Register for a free AI assessment with HARS to identify operational bottlenecks and determine suitable preparation steps. You can also contact HARS experts to discuss your implementation roadmap.

Hotline/Zalo: 0365 599 599

References

  1. Michael Feathers — Working Effectively with Legacy Code.
  2. Mistral AI — Articles and materials on using AI agents to modernize legacy code.
  3. Red Hat — Resources on agent architectures and legacy system modernization.
  4. OpenAI — Resources on harness engineering and controlled AI agent operations.
ĐÁNH GIÁ SỨC KHỎE DOANH NGHIỆP

Để HARS “bắt mạch”
doanh nghiệp của bạn

Bài khảo sát bằng AI giúp nhận diện điểm nghẽn trong vận hành chỉ sau vài phút. Chuyên gia HARS sẽ liên hệ trao đổi kết quả và đề xuất lộ trình phù hợp với quy mô, ngành nghề của bạn – hoàn toàn miễn phí.