Trợ lý AI nội bộ Ovalpi: 2 bước — khảo sát rồi mới dựng mô hình
Ovalpi is rolling out its internal AI assistant on a 2-step path: Survey → Model. It doesn’t start with technology — it starts with the real work of each department.
Step 1 · Survey: send real pain points, don’t write reports
The survey runs for 2 months, rolling through every department — each department takes part for about 2 weeks. Logging happens through a reporting tool as natural as daily chat: open it, type, drop a file, done. Whenever work gets stuck, each person only does 3 very light things:
- 📎 Drop the file — Zalo, email, Excel, drawings, contracts… exactly what you’re working on.
- 💬 Tell it briefly — what’s stuck? how long does it take? how many times a week does it repeat?
- 🔒 Mark it — is this data confidential or not?
The result after 2 months: an input–output map of the whole company — knowing exactly which tasks are worth giving to AI first.
👉 The detailed 8-week roadmap, chat-tool design, model comparison and hardware prices live in the full report.
Step 2 · Hybrid model: confidential data stays in-house, only hard work goes to the cloud
The processing flow has 4 stages:
- The employee sends a request with files attached.
- Local AI (hosted at the company) reads the files, classifies them, and keeps all confidential data in-house: cost prices, receivables, contracts.
- Cloud AI only receives filtered data for heavy reasoning.
- Output comes back: quotations, contracts, POs, forms.
The self-learning loop
The employee receives the output and either uses it as-is or edits it before using. Each edit is a lesson: the system records it automatically, and the AI does better next time — no one has to sit down and retrain it.
Local hardware: invest only as far as the need goes
| Scale | Model | Reference hardware |
|---|---|---|
| 🌱 Pilot for 1 department | Small model (7–8B): read files, classify, generate forms | 12GB GPU — reuse an existing machine |
| 🏢 Whole company, daily use | Medium model (14B) + learning memory, rule tables | 16–24GB GPU — 1 dedicated machine |
| 🧠 Deep self-learning | Large model (32B): periodic fine-tuning, complex on-premise reasoning | 24–48GB GPU — upgrade later |
One number to watch
Just watch the “used as-is” rate: if it climbs week over week, the AI is genuinely learning. First pilot: the Sales team → quotation request forms.
Next step: launch the survey.
Ovalpiは社内AIアシスタントを2ステップ: 調査 → モデルのロードマップで導入する。技術から始めるのではなく、各部門の実際の仕事から始める。
ステップ1 · 調査: 報告書を書くのではなく、実際に困った場面を送る
調査は2ヶ月、全部門をローリングで実施 — 各部門の参加は約2週間。記録は日常のチャットのように自然な報告ツールを通す: 開いて、打って、ファイルを放り込んで終わり。困った場面に出会ったとき、各自がやるのはごく軽い3つだけ:
- 📎 ファイルを添付 — Zalo、メール、Excel、図面、契約書… いままさに扱っているもの。
- 💬 短く語る — 何に困った? どれだけ時間を失った? 週に何回繰り返す?
- 🔒 印を付ける — このデータは機密か、非機密か?
2ヶ月後の成果: 全社のインプット–アウトプット地図 — どの仕事を最初にAIに任せるべきかが正確にわかる。
👉 詳細な8週間ロードマップ、チャットツール設計、モデル比較表と機器価格は**完全版レポート**にある。
ステップ2 · ハイブリッドモデル: 機密データは社内に、難しい処理だけクラウドへ
処理フローは4区間:
- 社員がファイル付きでリクエストを送る。
- ローカルAI(社内設置)がファイルを読み、分類し、機密データ — 原価、債権債務、契約 — をすべて手元に留める。
- クラウドAIはフィルタ済みデータだけを受け取り、重い推論を行う。
- アウトプットが返る: 見積書、契約書、PO、伝票。
自己学習ループ
社員はアウトプットをそのまま使うか直してから使う。修正こそが教材: システムが自動で記録し、次回はAIがより正確になる — 誰かが付きっきりで再訓練する必要はない。
ローカル機器: 需要に応じて段階的に投資
| 規模 | モデル | 参考機器 |
|---|---|---|
| 🌱 1部門のパイロットのみ | 小型モデル(7–8B): ファイル読取、分類、伝票作成 | GPU 12GB — 手持ちのマシンを活用 |
| 🏢 全社で日常利用 | 中型モデル(14B) + 学習メモリ、ルール表 | GPU 16–24GB — 専用マシン1台 |
| 🧠 深い自己学習 | 大型モデル(32B): 定期fine-tune、複雑な推論をローカルで | GPU 24–48GB — 後日アップグレード |
追うべき数字はひとつ
「そのまま使えた」率だけ見ればいい: この率が週ごとに上がっていれば、AIは本当に学んでいる。最初のパイロット: 営業部門 → 見積依頼伝票。
次の一手: 調査の配布。
Ovalpi는 사내 AI 어시스턴트를 2단계: 조사 → 모델 로드맵으로 도입한다. 기술에서 시작하지 않는다 — 각 부서의 실제 업무에서 시작한다.
1단계 · 조사: 보고서를 쓰지 말고, 실제로 막힌 상황을 보내기
조사는 2개월간 모든 부서를 순차적으로 진행 — 부서당 약 2주 참여. 기록은 일상 채팅처럼 자연스러운 보고 도구를 거친다: 열고, 치고, 파일 던져 넣으면 끝. 막히는 일을 만났을 때 각자 하는 일은 아주 가벼운 세 가지뿐:
- 📎 파일 첨부 — Zalo, 이메일, Excel, 도면, 계약서… 지금 다루고 있는 바로 그것.
- 💬 짧게 말하기 — 무엇이 막혔나? 얼마나 걸렸나? 주당 몇 번 반복되나?
- 🔒 표시하기 — 이 데이터는 기밀인가 아닌가?
2개월 뒤 결과: 전사 인풋–아웃풋 지도 — 어떤 일을 AI에 먼저 맡길지 정확히 알게 된다.
👉 상세한 8주 로드맵, 채팅 도구 설계, 모델 비교표와 장비 가격은 **전체 보고서**에 있다.
2단계 · 하이브리드 모델: 기밀 데이터는 사내에, 어려운 일만 클라우드로
처리 흐름은 4개 구간:
- 직원이 파일과 함께 요청을 보낸다.
- 로컬 AI(사내 설치)가 파일을 읽고 분류하며, 기밀 데이터 — 원가, 채권채무, 계약 — 를 전부 붙잡아 둔다.
- 클라우드 AI는 걸러진 데이터만 받아 무거운 추론을 한다.
- 아웃풋 반환: 견적서, 계약서, PO, 전표.
자가 학습 루프
직원은 아웃풋을 바로 쓰거나 고쳐서 쓴다. 고친 것이 곧 교재다: 시스템이 자동으로 기록하고, 다음번에 AI가 더 정확해진다 — 누가 붙어서 재훈련할 필요가 없다.
로컬 장비: 수요가 커지는 만큼만 투자
| 규모 | 모델 | 참고 장비 |
|---|---|---|
| 🌱 한 부서 파일럿만 | 소형 모델(7–8B): 파일 읽기, 분류, 전표 생성 | GPU 12GB — 기존 장비 활용 |
| 🏢 전사 일상 사용 | 중형 모델(14B) + 학습 메모리, 규칙표 | GPU 16–24GB — 전용 머신 1대 |
| 🧠 깊은 자가 학습 | 대형 모델(32B): 정기 fine-tune, 복잡한 추론을 로컬에서 | GPU 24–48GB — 추후 업그레이드 |
지켜볼 숫자는 하나
“바로 쓴” 비율만 보면 된다: 이 비율이 주마다 오르면 AI가 정말 배우고 있다는 뜻이다. 첫 파일럿: 영업 → 견적 요청 전표.
다음 단계: 조사 배포.
Ovalpi 按两步走:调研 → 模型的路线部署内部 AI 助手。不从技术出发——从每个部门的真实工作出发。
第 1 步 · 调研:提交真实卡点,而不是写报告
调研历时 2 个月,滚动覆盖所有部门——每个部门参与约 2 周。记录通过一个像日常聊天一样自然的报告工具完成:打开就打字、丢文件,搞定。遇到卡点时,每人只需做三件很轻的事:
- 📎 丢文件 — Zalo、邮件、Excel、图纸、合同……正在处理的原件。
- 💬 简短描述 — 卡在哪?花了多久?每周重复几次?
- 🔒 做标记 — 这份数据是否涉密?
2 个月后的成果:全公司输入–输出地图——准确知道哪件事最值得先交给 AI。
👉 详细的 8 周路线图、聊天工具设计、模型对比表和设备价格,见**完整报告**。
第 2 步 · 混合模型:机密数据留在公司,难活才上云
处理流程分 4 段:
- 员工提交请求并附上文件。
- 本地 AI(部署在公司内)读取文件、分类,并把全部机密数据留在本地:成本价、应收应付、合同。
- 云端 AI 只接收过滤后的数据,做重推理。
- 输出返回:报价单、合同、PO、单据。
自学习闭环
员工拿到输出后直接使用或改后使用。修改本身就是教材:系统自动记录,下次 AI 做得更准——不需要任何人专门再训练。
本地设备:需求到哪,投资到哪
| 规模 | 模型 | 参考设备 |
|---|---|---|
| 🌱 仅单部门试点 | 小模型(7–8B):读文件、分类、生成单据 | GPU 12GB — 利用现有机器 |
| 🏢 全公司日常使用 | 中型模型(14B)+ 学习记忆、规则表 | GPU 16–24GB — 1 台专用机 |
| 🧠 深度自学习 | 大模型(32B):定期微调、本地复杂推理 | GPU 24–48GB — 后期升级 |
只需盯一个数字
只看 “直接使用”率:这个比率逐周上升,说明 AI 真的在学。首个试点:销售部门 → 报价申请单。
下一步:发放调研。