Case Study: Doanh nghiệp bảo trì thang máy tiết kiệm 2.400 giờ mỗi năm nhờ AI Agent

1. Pain — Điều phối thủ công biến tổng đài thành nghẽn cổ chai

8 giờ sáng thứ Hai, anh Nam, giám đốc một doanh nghiệp bảo trì 3.000 thang máy tại TP.HCM, nhận cùng lúc 17 cuộc báo lỗi. Khách nói thang bị đứng, lễ tân ghi thiếu mã thiết bị, còn điều phối viên phải mở Excel, tra hợp đồng SLA, xem lịch sử bảo trì rồi gọi từng kỹ thuật viên.

Quy trình chạy bằng cơm này mất 10–20 phút cho mỗi yêu cầu. Chỉ cần điều phối viên nghe nhầm địa chỉ hoặc bỏ sót tình trạng có người mắc kẹt, lệnh sửa chữa sẽ đi sai đội. Khi nhân sự nghỉ phép hoặc sập nguồn vì quá tải, cả chuỗi xử lý gần như đứng lại.

Nhiều doanh nghiệp chữa cháy bằng cách thêm nhóm chat, thêm biểu mẫu và tuyển người nhập liệu. Kết quả là hệ thống vá víu, dữ liệu trùng lặp và nợ kỹ thuật tăng dần. Báo cáo vẫn đẹp nhưng thời gian phản hồi thực tế không giảm, tạo ra KPI ảo.

2. Agitate — 2.400 giờ bị tiêu vào công việc không tạo doanh thu

Với 3.000 thang máy, giả sử mỗi thiết bị phát sinh trung bình bốn yêu cầu mỗi năm, doanh nghiệp phải xử lý 12.000 phiếu. Nếu mỗi phiếu tốn 12 phút để nhập lại thông tin, kiểm tra SLA và tìm kỹ thuật viên, tổng lãng phí đạt 2.400 giờ mỗi năm.

Ở mức chi phí nhân sự đầy đủ 80.000 đồng mỗi giờ, doanh nghiệp mất khoảng 192 triệu đồng, tương đương hơn một nhân sự toàn thời gian. Con số này chưa gồm tiền phạt trễ SLA, thời gian kỹ thuật viên chạy sai tuyến, khách hàng gọi lại và chi phí cơ hội khi không đủ người nhận thêm hợp đồng.

Nếu chỉ mua chatbot ăn xổi để trả lời khách, doanh nghiệp sẽ tiếp tục tối ưu nửa mùa: tin nhắn nhanh hơn nhưng khâu phân công vẫn tắc. Đó là mất tiền ngu cho một dự án được vẽ dự án rất đẹp nhưng không chạm vào nghẽn cổ chai vận hành.

3. Solve — Triển khai AI Agent theo ba bước có kiểm soát

Bước 1 — Chuẩn hóa đầu vào: AI Agent tiếp nhận cuộc gọi chuyển giọng nói thành văn bản, Zalo, email hoặc biểu mẫu 24/7; trích xuất mã thang, địa chỉ, triệu chứng và người liên hệ. Quy tắc xác định SLA phải chạy bằng dữ liệu hợp đồng, không để mô hình tự đoán.

Bước 2 — Phân loại và điều phối: Agent đối chiếu lịch sử bảo trì, mức khẩn cấp, kỹ năng, vị trí và ca trực của kỹ thuật viên. Mẫu xử lý tối thiểu có thể triển khai như sau:

def triage(ticket):
    text = ticket.get('description', '').lower()
    trapped = any(x in text for x in ['kẹt người', 'trapped'])
    severity = 'critical' if trapped else 'normal'
    return {
        'asset_id': ticket.get('asset_id'),
        'severity': severity,
        'sla_minutes': 15 if trapped else 120,
        'requires_human_approval': trapped
    }

Bước 3 — Chặn rủi ro và đo ROI: HimiTek đặt OpenClaw Gatekeeper giữa phần Reasoner và Actuator. Hệ thống dùng 9router v0.4.66 cùng LiteLLM dual-instance failover; tự xoay API key, rate-limit và đặt budget cap cứng, chẳng hạn 5 USD mỗi tháng cho từng virtual key. Lệnh shell, thao tác sửa dữ liệu hoặc giao dịch thuộc elevated tools mặc định bị khóa, chỉ chạy khi có whitelist hay phê duyệt rõ ràng. Nhờ đó prompt injection không thể hijack toàn bộ VPS hoặc làm Agent chạy vòng lặp tốn phí.

Agent tự gửi xác nhận cho khách, cập nhật ETA, nhắc kỹ thuật viên và tạo báo cáo hoàn tất. Với giả định trên, tự động hóa 12 phút mỗi phiếu giúp tiết kiệm khoảng 2.400 giờ, rút ngắn 35–50% thời gian phản hồi và cho phép đội hiện tại phục vụ thêm khách hàng mà chưa cần tuyển mới.

4. CTA — Chứng minh tiền tiết kiệm trước khi mở rộng

Đừng bắt đầu bằng một đề án lớn. Hãy chọn một khu vực, một nhóm kỹ thuật viên và 300–500 phiếu để chạy pilot trong 30 ngày. Checklist cần đo gồm thời gian tạo phiếu, thời gian phân công, tỷ lệ trễ SLA, số cuộc gọi lặp lại, chi phí AI và số giờ nhân sự tiết kiệm.

HimiTek có thể dựng luồng mẫu từ dữ liệu hiện có, khóa quyền thực thi bằng Gatekeeper và đối chiếu kết quả trước–sau. Outcome cần đạt rất rõ: phản hồi nhanh hơn, ít nhập liệu hơn, giảm nguy cơ phạt SLA và tăng số thang máy mỗi điều phối viên có thể quản lý.

Cần tư vấn chuyên sâu?

HimiTek cung cấp dịch vụ tư vấn AI Compliance, Blockchain, và Security cho doanh nghiệp.

Đặt lịch tư vấn miễn phí →

1. Pain — Manual dispatch turns the service desk into a bottleneck

At 8 a.m. on Monday, Nam, director of an elevator maintenance company managing 3,000 units in Ho Chi Minh City, receives 17 fault reports at once. Customers say an elevator has stopped, receptionists omit the asset code, and dispatchers must open spreadsheets, check SLA contracts, review service history, and call technicians one by one.

This rice-powered manual process consumes 10–20 minutes per request. If a dispatcher mishears an address or misses a trapped-passenger warning, the job goes to the wrong team. When a key employee is absent or burns out under the workload, the entire workflow effectively loses power.

Many companies respond by adding chat groups, forms, and data-entry staff. The result is a patched-together system, duplicate records, and mounting technical debt. Reports may look healthy while actual response times remain unchanged, producing vanity KPIs rather than operational improvement.

2. Agitate — 2,400 hours spent on work that creates no revenue

For 3,000 elevators, assume each unit generates four requests per year. The company must process 12,000 tickets. If re-entering information, checking the SLA, and finding a technician consumes 12 minutes per ticket, 2,400 working hours disappear every year.

At a fully loaded labor cost of VND 80,000 per hour, that equals roughly VND 192 million, or more than one full-time employee. It excludes SLA penalties, technicians traveling to the wrong location, repeated customer calls, and revenue lost because the existing team cannot accept more maintenance contracts.

Buying a quick chatbot only moves the bottleneck. Customers may receive faster messages, but dispatch remains blocked. That is half-finished optimization and wasted spending on a beautifully presented project that never fixes the operating constraint.

3. Solve — Deploy a controlled AI Agent in three steps

Step 1 — Normalize incoming requests: The AI Agent receives speech-to-text calls, Zalo messages, emails, and forms around the clock. It extracts the elevator ID, address, symptoms, and contact person. SLA decisions must come from contract data rather than model guesswork.

Step 2 — Classify and dispatch: The Agent checks maintenance history, urgency, technician skills, location, and shift availability. A minimum triage function can be implemented as follows:

def triage(ticket):
    text = ticket.get('description', '').lower()
    trapped = any(x in text for x in ['kẹt người', 'trapped'])
    severity = 'critical' if trapped else 'normal'
    return {
        'asset_id': ticket.get('asset_id'),
        'severity': severity,
        'sla_minutes': 15 if trapped else 120,
        'requires_human_approval': trapped
    }

Step 3 — Control risk and measure ROI: HimiTek places OpenClaw Gatekeeper between the Reasoner and Actuator. The stack uses 9router v0.4.66 with LiteLLM dual-instance failover, automatic API-key rotation, rate limiting, and hard budget caps such as USD 5 per month for each virtual key. Shell commands, data modifications, and other elevated tools remain locked unless explicitly whitelisted or approved. This separation prevents prompt injection from hijacking the entire VPS and stops runaway Agent loops from generating uncontrolled costs.

The Agent sends customer confirmations, updates estimated arrival times, reminds technicians, and prepares completion reports. Under the stated assumptions, automating 12 minutes per ticket saves approximately 2,400 hours annually, shortens response time by 35–50%, and lets the current team support more customers without immediately hiring additional dispatch staff.

4. CTA — Prove the savings before expanding

Do not begin with a large transformation program. Select one service area, one technician group, and 300–500 tickets for a 30-day pilot. The measurement checklist should include ticket creation time, dispatch time, SLA breach rate, repeated calls, AI cost, and staff hours saved.

HimiTek can build the pilot from existing data, restrict execution through Gatekeeper, and compare results before and after deployment. The required outcome is concrete: faster responses, less manual entry, fewer SLA penalties, and more elevators managed by each dispatcher.

Need expert consulting?

HimiTek provides AI Compliance, Blockchain, and Security consulting for enterprises.

Book a free consultation →