Case Study: Trung tâm giáo dục tiết kiệm 240 triệu đồng mỗi năm nhờ AI Agent đối soát học phí

1. Pain: Đối soát học phí đang chạy bằng cơm

7 giờ 45 sáng thứ Hai, chị Lan, quản lý tài chính một trung tâm ngoại ngữ có 12 cơ sở tại TP.HCM, nhận hơn 40 tin nhắn hỏi vì sao học viên đã đóng tiền nhưng vẫn bị báo nợ. Đội kế toán phải mở sao kê của nhiều tài khoản ngân hàng, phần mềm quản lý học viên và danh sách lớp để dò từng giao dịch.

Vấn đề nằm ở dữ liệu đầu vào: phụ huynh ghi sai mã học viên, dùng tên người thân, đóng gộp nhiều khóa hoặc chuyển thiếu tiền. Với hàng nghìn giao dịch mỗi tháng, quy trình chạy bằng cơm nhanh chóng trở thành nghẽn cổ chai. Chỉ cần một nhân viên nghỉ phép hoặc file Excel sập nguồn, trạng thái học phí có thể chậm 1–2 ngày.

Trung tâm từng vá víu bằng biểu mẫu và thêm cột Excel, nhưng càng sửa càng phát sinh nợ kỹ thuật. Công nợ sai khiến học viên bị khóa lớp nhầm, còn báo cáo doanh thu từng cơ sở luôn phải chờ kế toán chốt lại.

2. Agitate: Chi phí không chỉ nằm ở lương kế toán

Mỗi tháng, đội ngũ mất hàng trăm giờ cho việc sao chép, dò tên và hỏi lại cơ sở. Đây là nhân lực được trả lương để kiểm tra thao tác lặp lại thay vì quản trị dòng tiền. Khi doanh thu tăng, trung tâm buộc phải tuyển thêm người nhưng tốc độ cập nhật vẫn không cải thiện tương ứng.

Sai một giao dịch có thể kéo theo cuộc gọi khiếu nại, mở lại lớp, điều chỉnh công nợ và sửa báo cáo. Ban giám đốc nhìn số liệu trễ sẽ dễ đặt KPI ảo hoặc phân bổ ngân sách sai cơ sở. Nếu chỉ mua thêm phần mềm rồi bắt nhân viên nhập lại dữ liệu, đó là tối ưu nửa mùa. Nếu vẽ dự án AI quá lớn ngay từ đầu, trung tâm vừa ăn xổi vừa có nguy cơ mất tiền ngu.

Sau khi quy đổi giờ nhân sự, chi phí xử lý sai lệch và thời gian lập báo cáo, khoản lãng phí ước tính khoảng 20 triệu đồng mỗi tháng, tương đương 240 triệu đồng mỗi năm.

3. Solve: Quy trình AI Agent ba bước, con người giữ quyền duyệt

Bước 1 — Chuẩn hóa dữ liệu: AI Agent tiếp nhận sao kê, hồ sơ học viên, danh sách lớp và kỳ thanh toán qua file hoặc API. Hệ thống nhận diện mã học viên, số tiền, người chuyển và cơ sở; dữ liệu gốc vẫn được lưu để truy vết.
Bước 2 — Đối chiếu có ngưỡng tin cậy: giao dịch khớp chính xác được đề xuất phân bổ tự động. Trường hợp thiếu nội dung, đóng gộp, sai số tiền hoặc trùng lặp được đưa vào hàng chờ. Quy tắc tối giản có thể triển khai như sau:

def route_payment(tx, student):
    score = match(tx, student)
    if tx.is_duplicate or tx.amount != student.amount_due:
        return 'manual_review'
    if score >= 0.95:
        return 'auto_allocate'
    return 'manual_review'

Bước 3 — Kiểm soát trước khi ghi nhận: phần phân tích và phần cập nhật được tách riêng theo mô hình Reasoner–Actuator. OpenClaw Gatekeeper kiểm tra quyền trước mọi thao tác; lệnh nhạy cảm mặc định bị khóa và các ngoại lệ cần whitelist hoặc phê duyệt rõ ràng. Hạ tầng định tuyến dùng 9router v0.4.66 cùng LiteLLM hai instance dự phòng, có rate limit, xoay API key và budget cap cho từng virtual key. Khi chạy thử, có thể đặt trần 5 USD mỗi tháng cho key phát triển để tránh vòng lặp AI gây đội chi phí.

Sau triển khai, thời gian đối soát giảm khoảng 85%. Trạng thái thanh toán được cập nhật trong vài phút; ngoại lệ mới chuyển cho nhân viên. Báo cáo doanh thu được tách theo cơ sở, lớp và kỳ thanh toán mà không cần thay toàn bộ phần mềm hiện tại hoặc mở rộng bộ phận kế toán.

4. CTA: Bắt đầu bằng một kỳ thanh toán, đo bằng tiền

HimiTek có thể chạy thử trên một cơ sở hoặc một kỳ thu phí, đo số giờ xử lý, tỷ lệ khớp, số ngoại lệ và chi phí trước–sau. Outcome cần đạt không phải thêm một màn hình AI, mà là giảm 85% thời gian đối soát, cập nhật học phí trong vài phút và thu hồi khoảng 240 triệu đồng chi phí thất thoát mỗi năm. Hãy gửi một mẫu sao kê đã ẩn dữ liệu nhạy cảm cùng quy trình hiện tại để nhận checklist đánh giá khả năng tự động hóa.

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: Tuition reconciliation is still powered by manual labor

At 7:45 on a Monday morning, Lan, the finance manager of a 12-branch language center in Ho Chi Minh City, received more than 40 messages asking why students who had already paid were still marked as overdue. Her accounting team had to open statements from several bank accounts, the student management system, and class lists to trace each transaction.

The problem started with inconsistent input. Parents entered the wrong student ID, used a relative's name, bundled several courses into one payment, or transferred an incorrect amount. With thousands of transactions every month, this rice-powered process, or chạy bằng cơm, became an operational bottleneck. If one employee took leave or an Excel file crashed, tuition status could remain outdated for one or two days.

The center had patched the process with more forms and spreadsheet columns. Each patch created additional technical debt, or nợ kỹ thuật. Incorrect balances caused students to be locked out of classes, while branch revenue reports remained unavailable until accounting completed another manual review.

2. Agitate: The real cost extends beyond accounting salaries

Every month, employees spent hundreds of hours copying data, searching names, and contacting branches. The center was paying trained staff to repeat clerical checks instead of managing cash flow. As enrollment grew, it had to hire more people without achieving a proportional improvement in processing speed.

One incorrect transaction could trigger complaint calls, class reactivation, balance adjustments, and report corrections. Delayed figures also encouraged management to set artificial KPIs or allocate budgets to the wrong branches. Buying another disconnected application would only create half-finished optimization. Drawing an oversized AI project from day one would be equally risky, turning a quick-win mindset into wasted spending.

After calculating labor hours, discrepancy handling, and reporting time, the center estimated avoidable costs at VND 20 million per month, equivalent to VND 240 million per year.

3. Solve: A three-step AI Agent workflow with human approval

Step 1 — Standardize the inputs: the AI Agent receives bank statements, student records, class lists, and payment schedules through files or APIs. It identifies the student ID, amount, sender, and branch while retaining the original data for audit purposes.
Step 2 — Match with confidence thresholds: exact matches are proposed for automatic allocation. Transactions with missing descriptions, bundled payments, incorrect amounts, or duplicate signals enter a review queue. A simplified rule can be implemented as follows:

def route_payment(tx, student):
    score = match(tx, student)
    if tx.is_duplicate or tx.amount != student.amount_due:
        return 'manual_review'
    if score >= 0.95:
        return 'auto_allocate'
    return 'manual_review'

Step 3 — Control every write action: reasoning and system updates are separated under a Reasoner–Actuator model. OpenClaw Gatekeeper checks permissions before execution; sensitive tools remain locked unless explicitly whitelisted or approved. Routing uses 9router v0.4.66 with dual-instance LiteLLM failover, rate limits, API key rotation, and a budget cap for each virtual key. During a pilot, a development key can be capped at USD 5 per month to contain costs if an Agent enters a runaway loop.

After implementation, monthly reconciliation time fell by approximately 85%. Payment status moved from a one-to-two-day delay to a few minutes, while employees handled only exceptions. Revenue reports became available by branch, class, and payment period without replacing the existing management software or expanding the accounting department.

4. CTA: Start with one payment cycle and measure the financial outcome

HimiTek can pilot the workflow at one branch or for one payment cycle, then compare processing hours, match rates, exception volumes, and costs before and after deployment. The desired outcome is not another AI dashboard. It is an 85% reduction in reconciliation time, tuition updates within minutes, and approximately VND 240 million in annual savings. Send an anonymized bank statement sample and the current workflow to receive a practical automation-readiness checklist.

Need expert consulting?

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

Book a free consultation →