T-Mobile cho AI đọc quá nhiều tài liệu và nhận lại những câu trả lời sai

Có một nghịch lý trong cuộc đua trí tuệ nhân tạo doanh nghiệp. Chúng ta thường nghĩ rằng nếu cung cấp càng nhiều dữ liệu, AI sẽ càng thông minh. Nhưng T-Mobile đã phát hiện điều ngược lại. Khi đưa gần như toàn bộ tài liệu chăm sóc khách hàng vào một mô hình AI, hệ thống bắt đầu chọn nhầm quy trình, hiểu sai yêu cầu và đưa ra những câu trả lời nghe rất tự tin nhưng không chính xác.

Adobe và Uber chứng minh đồ thị tri thức vẫn có giá trị nếu sử dụng đúng cách

Sau đó, doanh nghiệp thử sử dụng một hệ thống đồ thị tri thức phức tạp hơn. Kết quả vẫn không đáp ứng được tốc độ phục vụ khách hàng.

Cuối cùng, giải pháp lại là một bảng tra cứu đơn giản.

Câu chuyện này phản ánh một thay đổi quan trọng trong cách xây dựng AI cho doanh nghiệp. Lợi thế không còn chỉ nằm ở mô hình lớn, cửa sổ ngữ cảnh rộng hay khả năng xử lý hàng triệu tài liệu. Lợi thế nằm ở việc đưa đúng thông tin đến đúng tác nhân AI vào đúng thời điểm.

Dữ liệu khảo sát của VentureBeat Intelligence càng khiến vấn đề đáng chú ý hơn. Trong 97 người tham gia khảo sát có tổ chức đang triển khai AI Agent trên dữ liệu doanh nghiệp, 78% cho biết đã gặp ít nhất một trường hợp AI tự tin đưa ra câu trả lời sai vì thiếu hoặc không nhất quán về ngữ cảnh trong sáu tháng trước đó.

Đây không còn là lỗi kỹ thuật nhỏ. Nó có thể trở thành rủi ro tài chính, vận hành và uy tín của doanh nghiệp.

T-Mobile phát hiện càng đưa nhiều dữ liệu cho AI càng dễ trả lời sai

T-Mobile đã phát triển các tác nhân AI chăm sóc khách hàng qua trò chuyện, tin nhắn và cuộc gọi từ năm 2024.

Ban đầu, công ty lựa chọn một hướng tiếp cận khá phổ biến. Đưa toàn bộ tài liệu hỗ trợ khách hàng vào cửa sổ ngữ cảnh của mô hình AI để hệ thống có thể hiểu mọi tình huống.

Ý tưởng nghe rất hợp lý.

Nếu AI có thể đọc tất cả quy định, hướng dẫn, chính sách và quy trình, nó sẽ trở thành một nhân viên chăm sóc khách hàng hiểu biết toàn diện.

Nhưng thực tế không diễn ra như vậy.

Jeff Simon, Giám đốc công nghệ thông tin của T-Mobile, cho biết tài liệu của một doanh nghiệp lớn thường chứa nhiều hướng dẫn mâu thuẫn. Cùng một câu hỏi của khách hàng cũng có thể được hiểu theo nhiều hướng khác nhau.

Ví dụ, khi khách hàng nói muốn mua điện thoại mới, họ có thể đang muốn:

  • Đổi điện thoại trên số thuê bao hiện tại.

  • Mua điện thoại và mở thêm một số thuê bao mới.

Hai yêu cầu nghe gần giống nhau nhưng dẫn đến những quy trình kinh doanh hoàn toàn khác.

Khi AI đọc quá nhiều tài liệu cùng lúc, nó phải tự lựa chọn giữa những hướng dẫn khác nhau. Nếu lựa chọn sai, hệ thống có thể trả lời đúng theo một tài liệu nhưng lại sai với tình huống thực tế của khách hàng.

Đây là vấn đề lớn hơn khả năng hiểu ngôn ngữ.

AI không thiếu thông tin. Nó thiếu khả năng xác định thông tin nào thực sự có liên quan.

Bảng tra cứu đơn giản đánh bại hệ thống đồ thị tri thức của T-Mobile

Sau thất bại đầu tiên, T-Mobile thử nghiệm đồ thị tri thức.

Đây là cách tổ chức dữ liệu bằng những mối quan hệ giữa các đối tượng, thay vì chỉ lưu trữ tài liệu riêng lẻ.

Ví dụ, hệ thống có thể liên kết khách hàng với số thuê bao, thiết bị, hợp đồng, gói cước và lịch sử giao dịch.

Về lý thuyết, cách tiếp cận này rất mạnh.

Nhưng trong môi trường chăm sóc khách hàng trực tiếp, tốc độ là yếu tố sống còn.

T-Mobile nhận thấy các tác nhân AI phải tìm kiếm qua một đồ thị lớn, mất thời gian và đôi khi đi sai hướng khi hiểu nhầm câu hỏi.

Khách hàng không muốn chờ đợi trong khi AI đang tìm kiếm hàng loạt mối quan hệ dữ liệu.

Vì vậy, T-Mobile chuyển sang một giải pháp khác.

Một bảng tra cứu được lưu trong cơ sở dữ liệu dạng khóa và giá trị.

Cơ chế hoạt động tương đối đơn giản:

  • Hệ thống ghi nhận những cách khách hàng thường diễn đạt câu hỏi.

  • Mỗi cách diễn đạt được ánh xạ đến một quy trình xử lý phù hợp.

  • Một tác nhân điều phối xác nhận khách hàng thực sự muốn thực hiện yêu cầu nào.

  • Yêu cầu chỉ được chuyển đến tác nhân AI có đúng dữ liệu và quy trình liên quan.

  • Bảng tra cứu được cập nhật khi xuất hiện những cách diễn đạt mới.

Điểm đáng chú ý là bảng này được thiết kế cho tác nhân AI sử dụng, không phải để con người đọc.

Giải pháp không phức tạp nhưng có tốc độ phản hồi tốt, dễ mở rộng và giúp hệ thống hoạt động ổn định hơn.

Đây là một bài học quan trọng: kiến trúc tốt không phải kiến trúc có nhiều công nghệ nhất, mà là kiến trúc giải quyết vấn đề với chi phí và độ phức tạp thấp nhất.

78% doanh nghiệp gặp lỗi AI vì thiếu hoặc sai ngữ cảnh

Khảo sát tháng 10 của VentureBeat Intelligence về các lớp ngữ cảnh cho AI Agent đưa ra những con số đáng chú ý.

Tỷ lệ doanh nghiệp gặp lỗi ngữ cảnh AI

78%

Trong 97 người tham gia khảo sát có tổ chức triển khai AI Agent trên dữ liệu doanh nghiệp, 78% ghi nhận ít nhất một câu trả lời tự tin nhưng sai do thiếu hoặc không nhất quán về ngữ cảnh trong sáu tháng.

 

Hậu quả của trường hợp nghiêm trọng nhất

42%

Trong 76 người xác nhận từng gặp lỗi ngữ cảnh, 42% cho biết trường hợp nghiêm trọng nhất đã dẫn đến thông tin sai đến bên ngoài, báo cáo chính thức hoặc quyết định phải đảo ngược.

Chi tiết về hậu quả của 76 trường hợp được ghi nhận:

Hậu quả

Tỷ lệ

Phát hiện nội bộ, chưa gây tác động bên ngoài

58%

Khách hàng, đối tác hoặc nhà cung cấp nhận thông tin sai

21%

Số liệu sai xuất hiện trong báo cáo tài chính, quản lý hoặc hội đồng quản trị

12%

Phải đảo ngược quyết định hoặc hành động

9%

Các tỷ lệ này phản ánh những hậu quả được người tham gia lựa chọn và không nên cộng lại thành một nhóm loại trừ lẫn nhau.

Điều đáng sợ nhất không phải là AI trả lời sai.

Điều đáng sợ là AI trả lời sai nhưng người dùng tin rằng nó đúng.

Một nhân viên có thể kiểm tra lại một câu trả lời thiếu tự tin. Nhưng khi AI đưa ra thông tin mạch lạc, có vẻ hợp lý và khẳng định chắc chắn, người dùng rất dễ chấp nhận mà không xác minh.

Đối với doanh nghiệp, đây là một rủi ro vận hành cần được quản trị như lỗi hệ thống, không thể chỉ xử lý bằng cách nhắc nhân viên cẩn thận hơn.

AI cần ngữ cảnh chính xác chứ không cần đọc toàn bộ dữ liệu

Một trong những hiểu lầm phổ biến nhất khi triển khai AI doanh nghiệp là cho rằng cửa sổ ngữ cảnh càng lớn thì hệ thống càng hiệu quả.

Thực tế, lượng dữ liệu lớn có thể làm tăng ba vấn đề.

Thông tin mâu thuẫn. Một tài liệu cũ và một tài liệu mới có thể đưa ra hai quy định khác nhau.

Thông tin không liên quan. AI phải xử lý những dữ liệu không cần thiết cho yêu cầu hiện tại.

Chi phí và thời gian xử lý. Càng đưa nhiều nội dung vào mô hình, doanh nghiệp càng có nguy cơ tăng chi phí và độ trễ.

T-Mobile đã chọn cách lọc dữ liệu trước khi yêu cầu đến mô hình.

Đây là một nguyên tắc quan trọng trong kiến trúc AI doanh nghiệp.

Thay vì hỏi mô hình phải đọc được bao nhiêu tài liệu, doanh nghiệp nên hỏi hệ thống cần biết chính xác điều gì để hoàn thành nhiệm vụ.

Một nhân viên xử lý yêu cầu đổi điện thoại không cần đọc toàn bộ chính sách bán hàng, quy định thanh toán và hướng dẫn xử lý khiếu nại.

Họ chỉ cần những quy định liên quan đến việc đổi thiết bị, hợp đồng, điều kiện khách hàng và những bước cần thực hiện.

AI cũng vậy.

T-Mobile sử dụng AI giám sát AI để ngăn lỗi đến khách hàng

Một điểm đáng chú ý khác là T-Mobile không chỉ triển khai AI để chăm sóc khách hàng.

Công ty còn sử dụng một mô hình ngôn ngữ nhỏ hơn để giám sát mô hình đang hoạt động.

Mô hình giám sát được chạy trong mỗi phiên trò chuyện và cuộc gọi.

Nhiệm vụ của nó là phát hiện những trường hợp như:

  • AI đưa ra câu trả lời không chính xác.

  • Tác nhân AI đi sai quy trình.

  • Khách hàng có dấu hiệu tức giận.

  • Cuộc hội thoại có vấn đề cần con người kiểm tra.

T-Mobile thừa nhận việc chạy thêm một mô hình cho mỗi tương tác làm tăng chi phí.

Tuy nhiên, công ty cho rằng khoản chi này đáng giá vì không thể dự đoán trước mọi cách khách hàng diễn đạt câu hỏi.

Đây là cách tiếp cận rất thực tế.

Không một doanh nghiệp nào có thể viết sẵn quy tắc cho mọi tình huống. Nhưng doanh nghiệp có thể xây dựng một lớp giám sát để phát hiện những trường hợp bất thường.

Một tình huống đặc biệt cho thấy mức độ khó lường của AI.

Hệ thống giám sát phát hiện nhiều cuộc gọi có tiếng nhạc chờ, trong khi T-Mobile không phát nhạc chờ theo cách mà hệ thống ghi nhận.

Các kỹ sư đã mất vài tuần kiểm tra hệ thống cuộc gọi và tổng đài tự động.

Cuối cùng, nguyên nhân không nằm ở hạ tầng điện thoại.

Chính mô hình AI đang tự tạo ra nội dung nhạc chờ khi tạm dừng để tra cứu thông tin hoặc thực hiện một thao tác bằng công cụ.

Nói cách khác, AI đã tự tưởng tượng ra một sự kiện không hề tồn tại.

T-Mobile phải bổ sung chỉ dẫn cụ thể để ngăn mô hình bịa ra nhạc chờ.

Đây là ví dụ rất thực tế về giới hạn của AI tạo sinh. Những lỗi nguy hiểm đôi khi không xuất phát từ một tình huống phức tạp, mà từ một hành vi tưởng như vô hại mà người thiết kế chưa từng nghĩ đến.

57% doanh nghiệp dùng kiểm tra tự động để phát hiện AI trả lời sai

Khảo sát VentureBeat Intelligence cũng cho thấy doanh nghiệp đang sử dụng nhiều phương pháp để phát hiện lỗi ngữ cảnh.

Tỷ lệ người tham gia khảo sát lựa chọn từng phương pháp phát hiện câu trả lời AI sai. Có thể chọn nhiều phương án.

 

Ba phương pháp hàng đầu đều liên quan đến khả năng kiểm tra chủ động.

Kiểm tra tự động đối chiếu kết quả AI với nguồn dữ liệu đáng tin cậy.

Chuyên gia nghiệp vụ lấy mẫu để đánh giá độ chính xác.

Hệ thống giám sát theo dõi các dấu hiệu bất thường trong quá trình vận hành.

Đáng chú ý, 19% người tham gia cho biết họ phát hiện lỗi nhờ khách hàng, đối tác hoặc nhà cung cấp phản ánh.

Đây là tỷ lệ doanh nghiệp không nên xem nhẹ.

Nếu khách hàng là người đầu tiên phát hiện AI của doanh nghiệp trả lời sai, hệ thống kiểm soát chất lượng đã có vấn đề.

Đặc biệt, toàn bộ 55 người lựa chọn kiểm tra tự động cũng cho biết họ theo dõi nguyên nhân gốc rễ để xác định lỗi xuất phát từ ngữ cảnh doanh nghiệp hay từ chính mô hình.

Trong nhóm 42 người không lựa chọn phương pháp kiểm tra tự động, có 10 người, tương đương 24%, không theo dõi nguyên nhân gốc rễ.

Điều này cho thấy phát hiện lỗi mới chỉ là bước đầu. Doanh nghiệp cần biết tại sao lỗi xảy ra để ngăn nó lặp lại.

Adobe và Uber chứng minh đồ thị tri thức không phải công nghệ thất bại

Câu chuyện của T-Mobile có thể khiến nhiều doanh nghiệp nghĩ rằng nên từ bỏ đồ thị tri thức.

Nhưng đó sẽ là kết luận sai.

Adobe và Uber cho thấy công nghệ này vẫn rất hữu ích nếu được áp dụng đúng tình huống.

Tại Adobe, Anjul Bhambhri, Phó Chủ tịch cấp cao phụ trách kỹ thuật, mô tả cách doanh nghiệp sử dụng ngữ cảnh chính xác cho tác nhân tiếp thị.

Ví dụ, một nhân viên tiếp thị qua thư điện tử tại châu Âu cần được cung cấp những thông tin cụ thể:

  • Quy định tiếp thị qua thư điện tử.

  • Chính sách đồng ý nhận thông tin của Liên minh châu Âu.

  • Quy định riêng của doanh nghiệp về nhóm khách hàng được phép liên hệ.

Nếu đưa đồng thời cả quy định của Hoa Kỳ và châu Âu vào một yêu cầu, AI có thể nhầm lẫn giữa hai hệ thống pháp lý.

Ngược lại, khi tối ưu một chiến dịch nghỉ lễ, AI cần nhiều dữ liệu lịch sử hơn.

Adobe từng sử dụng dữ liệu quá khứ để nhận thấy miễn phí vận chuyển có tỷ lệ chuyển đổi tốt hơn mức giảm giá 20% đối với nhóm khách hàng trung thành trong chiến dịch Black Friday.

Điều này cho thấy ngữ cảnh cần thay đổi theo nhiệm vụ.

Adobe sử dụng một lớp ngữ cảnh ban đầu cố định, bao gồm những thông tin chung như quy chuẩn thương hiệu.

Sau đó, hệ thống tìm kiếm dữ liệu bổ sung bằng từ khóa, chỉ mục ngữ nghĩa và đồ thị tri thức.

Cuối cùng, một bước hợp nhất và xếp hạng sẽ quyết định dữ liệu nào được đưa vào cửa sổ ngữ cảnh của mô hình chính.

Uber lại có một trường hợp sử dụng khác.

Trong bài viết kỹ thuật ngày 27 tháng 8, công ty cho biết một tác nhân được hỗ trợ bởi đồ thị ngữ cảnh AI tìm được bảng dữ liệu cần thiết trong 38 giây.

Trong khi đó, cùng mô hình nhưng không sử dụng đồ thị đã mất hơn 20 phút và kết luận sai rằng dữ liệu không thể truy vấn.

Sự khác biệt nằm ở cách sử dụng.

Uber dùng đồ thị để giúp các tác nhân kỹ thuật tìm đúng hệ thống, tài liệu và mã nguồn khi cần.

T-Mobile lại yêu cầu tác nhân điều hướng đồ thị trong lúc tương tác trực tiếp với khách hàng.

Một bên có thể chấp nhận quá trình tìm kiếm sâu hơn. Bên còn lại phải ưu tiên tốc độ phản hồi.

Cùng một công nghệ nhưng hiệu quả khác nhau vì mục tiêu vận hành khác nhau.

Chỉ 10% doanh nghiệp chủ yếu đưa lượng lớn dữ liệu trực tiếp vào AI

Một kết quả đáng chú ý khác trong khảo sát là cách các doanh nghiệp cung cấp ngữ cảnh cho AI Agent.

Nguồn ngữ cảnh chính mà các tổ chức sử dụng cho AI Agent theo khảo sát.

 

Số liệu cho thấy doanh nghiệp đang chuyển sang những phương pháp quản trị ngữ cảnh có mục tiêu.

Chỉ mục véc-tơ giúp tìm tài liệu dựa trên ý nghĩa thay vì chỉ khớp từ khóa.

Truy vấn trực tiếp cho phép AI lấy thông tin từ hệ thống đang vận hành.

Lớp ngữ nghĩa giúp thống nhất ý nghĩa của dữ liệu giữa các bộ phận.

Trong khi đó, việc đưa lượng lớn nội dung trực tiếp vào cửa sổ ngữ cảnh chỉ được 10% người tham gia lựa chọn là nguồn chính.

Đây là tín hiệu quan trọng.

Cuộc đua AI doanh nghiệp đang chuyển từ việc tìm mô hình có khả năng đọc nhiều nhất sang xây dựng hệ thống biết lựa chọn dữ liệu phù hợp nhất.

Doanh nghiệp kiếm tiền từ kiến trúc AI chính xác như thế nào?

Đối với doanh nghiệp, AI không tạo ra giá trị chỉ vì nó có thể trò chuyện tự nhiên.

Giá trị xuất hiện khi AI giúp giảm chi phí, tăng tốc độ phục vụ và giảm sai sót trong hoạt động kinh doanh.

Một hệ thống AI chăm sóc khách hàng tốt có thể giúp doanh nghiệp:

Giảm chi phí nhân sự cho công việc lặp lại. Những câu hỏi về giá, trạng thái đơn hàng, chính sách và dịch vụ có thể được xử lý tự động.

Tăng doanh thu trên mỗi khách hàng. AI có thể hỗ trợ khách hàng mua thêm dịch vụ phù hợp, như cách T-Mobile cho phép khách hàng mua gói dữ liệu quốc tế hoặc bổ sung dịch vụ.

Giảm tổn thất do sai sót. Một câu trả lời sai về giá, hợp đồng hoặc chính sách có thể dẫn đến khiếu nại và chi phí xử lý.

Tăng khả năng phục vụ. Hệ thống có thể xử lý nhiều yêu cầu đồng thời mà không cần tăng nhân sự theo cùng tỷ lệ.

Tuy nhiên, doanh nghiệp phải tính cả chi phí mô hình, dữ liệu, giám sát và xử lý ngoại lệ.

Một hệ thống AI tiết kiệm được chi phí nhân viên nhưng tạo ra nhiều giao dịch sai có thể khiến doanh nghiệp thiệt hại nhiều hơn.

Vì vậy, chỉ số quan trọng không phải số lượng cuộc hội thoại AI đã xử lý.

Đó là chi phí cho mỗi yêu cầu được giải quyết chính xác.

Kiến trúc AI Agent cần được thiết kế như một hệ thống doanh nghiệp

Từ kinh nghiệm của T-Mobile, Adobe và Uber, có thể hình thành một kiến trúc AI doanh nghiệp gồm những lớp chính.

Khách hàng hoặc nhân viên

Trò chuyện, tin nhắn, cuộc gọi, yêu cầu nghiệp vụ

Tác nhân điều phối

Phân loại ý định, xác nhận yêu cầu, chọn quy trình

Bộ tra cứu ngữ cảnh

Bảng tra cứu, chỉ mục véc-tơ, đồ thị tri thức

Hệ thống nghiệp vụ

Khách hàng, đơn hàng, thanh toán, hợp đồng

Tác nhân AI chuyên trách

Chỉ nhận dữ liệu và quyền hạn cần thiết cho nhiệm vụ

Lớp kiểm tra và giám sát

Đối chiếu dữ liệu, kiểm tra kết quả, phát hiện bất thường

Trả kết quả hoặc chuyển con người xử lý

Lưu nhật ký và cập nhật dữ liệu vận hành

Điểm quan trọng là không nên để một tác nhân AI vừa tự quyết định ý định, vừa truy cập mọi dữ liệu, vừa thực hiện giao dịch mà không có giới hạn.

Hãy phân chia nhiệm vụ.

Tác nhân tiếp nhận yêu cầu không nhất thiết phải có quyền truy cập dữ liệu thanh toán.

Tác nhân tư vấn sản phẩm không nhất thiết phải có quyền thay đổi hợp đồng.

Tác nhân thực hiện giao dịch phải xác nhận ý định và kiểm tra quyền trước khi hành động.

Đây là cách thiết kế giúp giảm rủi ro khi AI được trao quyền thực hiện công việc thay vì chỉ trả lời câu hỏi.

Rủi ro lớn nhất là AI đưa ra quyết định sai nhưng doanh nghiệp không biết

Có ba vấn đề cần được giải quyết trước khi triển khai AI trên quy mô lớn.

Dữ liệu cũ và mâu thuẫn.

Một chính sách được cập nhật nhưng tài liệu cũ vẫn tồn tại trong hệ thống có thể khiến AI lựa chọn sai.

Doanh nghiệp cần quy định rõ nguồn dữ liệu nào là chính thức, ai chịu trách nhiệm cập nhật và tài liệu nào đã hết hiệu lực.

AI có quyền vượt quá nhiệm vụ.

Một tác nhân chỉ cần tư vấn nhưng lại được cấp quyền thay đổi tài khoản hoặc thực hiện giao dịch là một rủi ro không cần thiết.

Nguyên tắc nên là chỉ cấp quyền tối thiểu để hoàn thành nhiệm vụ.

Không có cơ chế truy tìm nguyên nhân.

Khi AI trả lời sai, doanh nghiệp phải xác định được lỗi đến từ dữ liệu, quy trình điều phối, mô hình hay công cụ được gọi.

Nếu không có nhật ký đầy đủ, việc sửa lỗi sẽ trở thành phỏng đoán.

Đặc biệt, những giao dịch tài chính, thay đổi hợp đồng và quyết định ảnh hưởng lớn đến khách hàng cần có bước xác nhận hoặc phê duyệt phù hợp.

Doanh nghiệp Việt Nam nên triển khai AI thế nào trong cuộc đua Hoa Kỳ và Trung Quốc?

Đây là vấn đề thực tế đối với các doanh nghiệp nhỏ và vừa tại Việt Nam.

Phần lớn doanh nghiệp không có ngân sách như T-Mobile, Adobe hay Uber. Họ không thể xây dựng một đội ngũ hàng chục kỹ sư chỉ để quản trị AI.

Nhưng điều đó không có nghĩa họ không thể xây dựng một hệ thống tốt.

Ngược lại, doanh nghiệp nhỏ có lợi thế là quy trình ít phức tạp hơn, có thể thử nghiệm nhanh và thay đổi cách làm mà không phải điều chỉnh một bộ máy quá lớn.

Nếu điều hành một doanh nghiệp Việt Nam, tôi sẽ không bắt đầu bằng việc mua mô hình đắt nhất.

Tôi sẽ bắt đầu bằng việc xây dựng một hệ thống dữ liệu và quy trình đủ tốt.

Không đưa toàn bộ tài liệu doanh nghiệp vào một chatbot

Đây là sai lầm cần tránh ngay từ đầu.

Một doanh nghiệp có thể có hàng trăm tài liệu về sản phẩm, giá bán, bảo hành, giao hàng, chính sách đổi trả và hợp đồng.

Không nên đưa tất cả vào mọi cuộc hội thoại.

Hãy phân loại thành từng nhóm:

Nhóm dữ liệu

Tác nhân được sử dụng

Sản phẩm và giá bán

Tư vấn bán hàng

Đơn hàng và vận chuyển

Chăm sóc khách hàng

Chính sách đổi trả

Hỗ trợ sau bán

Thanh toán và công nợ

Kế toán

Nhân sự và nội bộ

Trợ lý nhân sự

Chiến dịch tiếp thị

Trợ lý tiếp thị

Mỗi tác nhân chỉ được truy cập những dữ liệu cần thiết.

Điều này giúp giảm nhầm lẫn, hạn chế lộ thông tin và dễ kiểm soát hơn.

Xây dựng bảng tra cứu trước khi đầu tư hệ thống phức tạp

Bài học từ T-Mobile rất phù hợp với doanh nghiệp nhỏ.

Bạn không cần xây dựng ngay một đồ thị tri thức lớn.

Có thể bắt đầu bằng bảng dữ liệu đơn giản:

Câu hỏi hoặc ý định

Quy trình xử lý

Nguồn dữ liệu

Khách muốn mua hàng

Tư vấn sản phẩm

Danh mục sản phẩm

Khách hỏi giá

Kiểm tra giá hiện tại

Cơ sở dữ liệu giá

Khách hỏi đơn hàng

Tra cứu vận chuyển

Hệ thống đơn hàng

Khách muốn đổi hàng

Kiểm tra điều kiện

Chính sách đổi trả

Khách muốn hoàn tiền

Xác minh và chuyển xử lý

Hệ thống thanh toán

Khi khách hàng sử dụng cách diễn đạt mới, doanh nghiệp cập nhật thêm những trường hợp tương ứng.

Một bảng tra cứu được quản lý tốt đôi khi có giá trị hơn một hệ thống AI phức tạp nhưng không ai hiểu cách vận hành.

Kết hợp mô hình AI Hoa Kỳ và Trung Quốc theo từng nhiệm vụ

Doanh nghiệp Việt Nam có thể đánh giá nhiều hệ sinh thái AI khác nhau.

Các mô hình Hoa Kỳ có thể được thử nghiệm cho lập trình, phân tích, xử lý ngôn ngữ và những nhiệm vụ cần năng lực suy luận.

Các mô hình Trung Quốc cũng đáng được đánh giá ở những tác vụ có yêu cầu chi phí, khả năng triển khai và hiệu suất phù hợp.

Không nên mặc định một quốc gia có mô hình tốt nhất cho mọi công việc.

Cách tiếp cận hợp lý là thử nghiệm cùng một bộ dữ liệu và yêu cầu trên nhiều mô hình, sau đó so sánh:

  • Tỷ lệ trả lời chính xác.

  • Khả năng sử dụng tiếng Việt.

  • Chi phí cho mỗi yêu cầu.

  • Tốc độ phản hồi.

  • Khả năng tích hợp phần mềm.

  • Chính sách bảo mật và sử dụng dữ liệu.

Với thông tin khách hàng, tài chính và dữ liệu kinh doanh nhạy cảm, doanh nghiệp cần kiểm tra kỹ điều khoản lưu trữ, xử lý và chuyển dữ liệu của nhà cung cấp.

Dùng AI kiểm tra AI thay vì chỉ tin vào câu trả lời

Một doanh nghiệp nhỏ không nhất thiết phải chạy thêm một mô hình lớn để giám sát.

Có thể bắt đầu bằng những quy tắc đơn giản.

Ví dụ:

  • Giá bán phải đối chiếu với cơ sở dữ liệu.

  • Trạng thái đơn hàng phải lấy từ hệ thống vận chuyển.

  • Số tiền hoàn trả phải được kiểm tra bằng quy tắc tính toán.

  • Chính sách bảo hành phải lấy từ tài liệu đang có hiệu lực.

  • Giao dịch có giá trị lớn phải được nhân viên xác nhận.

AI chịu trách nhiệm hiểu yêu cầu và đề xuất phương án.

Phần mềm nghiệp vụ chịu trách nhiệm kiểm tra dữ liệu chính xác.

Con người xử lý những trường hợp vượt ngoài quy tắc.

Đây là mô hình thực tế hơn nhiều so với việc để AI tự đưa ra quyết định trong mọi tình huống.

Xây dựng hệ thống đo lường chất lượng AI

Doanh nghiệp cần ít nhất năm chỉ số:

Chỉ số

Mục tiêu quản lý

Tỷ lệ trả lời đúng

Đo độ chính xác

Tỷ lệ phải chuyển nhân viên

Đo khả năng tự xử lý

Thời gian phản hồi

Đo tốc độ

Chi phí mỗi yêu cầu

Đo hiệu quả tài chính

Tỷ lệ lỗi nghiêm trọng

Đo rủi ro vận hành

Đừng chỉ báo cáo số lượng cuộc trò chuyện AI đã xử lý.

Một hệ thống trả lời 10.000 câu hỏi nhưng khiến 500 khách hàng nhận thông tin sai không phải là một hệ thống thành công.

Lộ trình triển khai thực tế trong 90 ngày

  1. Ngày 1–30. Chuẩn hóa dữ liệu

    • Tập hợp tài liệu sản phẩm và chính sách.

    • Loại bỏ tài liệu hết hiệu lực.

    • Xác định nguồn dữ liệu chính thức.

    • Xây dựng bảng ánh xạ câu hỏi và quy trình.

  2. Ngày 31–60. Thử nghiệm AI

    • Chọn một quy trình có nhiều yêu cầu lặp lại.

    • Kết nối AI với dữ liệu cần thiết.

    • Thiết lập quy tắc kiểm tra kết quả.

    • Đo tỷ lệ chính xác và chi phí.

  3. Ngày 61–90. Đưa vào vận hành có kiểm soát

    • Triển khai cho một nhóm khách hàng hoặc nhân viên.

    • Theo dõi những câu trả lời sai.

    • Ghi nhận nguyên nhân và sửa dữ liệu.

    • Mở rộng khi hiệu quả đã được chứng minh.

Tôi sẽ ưu tiên một quy trình có khả năng tiết kiệm thời gian rõ ràng thay vì triển khai AI trên toàn bộ doanh nghiệp.

Ví dụ, nếu doanh nghiệp đang xử lý 1.000 yêu cầu khách hàng mỗi tháng, hãy thử tự động hóa nhóm câu hỏi phổ biến nhất trước.

Sau đó mới mở rộng sang những tình huống cần nhiều dữ liệu và quyền xử lý hơn.

Lợi thế cạnh tranh của doanh nghiệp Việt Nam nằm ở dữ liệu và quy trình

Các doanh nghiệp nhỏ thường nghĩ rằng họ không thể cạnh tranh với những tập đoàn có ngân sách AI hàng tỷ USD.

Nhưng đây là cách nhìn chưa đầy đủ.

T-Mobile có hàng triệu tình huống chăm sóc khách hàng và hệ thống tài liệu phức tạp. Doanh nghiệp nhỏ tại Việt Nam không nhất thiết phải đối mặt với mức độ phức tạp tương tự.

Một doanh nghiệp có vài trăm sản phẩm, một nhóm chăm sóc khách hàng và một hệ thống đơn hàng hoàn toàn có thể xây dựng kiến trúc AI gọn nhẹ.

Điều quan trọng là hiểu rõ hoạt động kinh doanh của mình.

Mô hình AI có thể được đối thủ mua cùng loại. Phần mềm có thể được đối thủ sử dụng cùng nhà cung cấp.

Nhưng dữ liệu vận hành, lịch sử khách hàng, quy trình xử lý và kinh nghiệm thực tế là những tài sản khó sao chép hơn.

Doanh nghiệp nào tổ chức được những tài sản đó thành một hệ thống AI hoạt động chính xác sẽ có lợi thế lâu dài.

T-Mobile đã thử đưa thật nhiều dữ liệu vào AI, sau đó thử đồ thị tri thức và cuối cùng tìm thấy hiệu quả từ một bảng tra cứu đơn giản.

Câu chuyện này cho thấy một sự thật quan trọng của AI doanh nghiệp.

Mô hình thông minh không thể bù đắp hoàn toàn cho dữ liệu lộn xộn, quy trình mâu thuẫn và kiến trúc thiếu kiểm soát.

Số liệu khảo sát cũng cho thấy lỗi ngữ cảnh đã trở thành vấn đề thực tế. 78% tổ chức được khảo sát từng gặp ít nhất một trường hợp AI tự tin trả lời sai do thiếu hoặc không nhất quán về thông tin doanh nghiệp.

Trong giai đoạn tiếp theo, cuộc cạnh tranh không chỉ nằm ở việc ai sở hữu mô hình lớn hơn, mà còn nằm ở việc ai tổ chức dữ liệu tốt hơn, điều phối tác nhân hiệu quả hơn và phát hiện sai sót nhanh hơn.

Đối với doanh nghiệp Việt Nam, đây là cơ hội đáng kể.

Không cần bắt đầu bằng một hệ thống hàng triệu đô la. Hãy bắt đầu bằng dữ liệu sạch, quy trình rõ ràng, bảng tra cứu chính xác và cơ chế kiểm tra kết quả.

AI tốt không phải AI biết tất cả. AI tốt là AI biết chính xác điều gì cần biết, được phép làm gì và khi nào phải dừng lại để hỏi con người.

Adobe và Uber chứng minh đồ thị tri thức vẫn có giá trị nếu sử dụng đúng cách

T-Mobile AI, AI Agent doanh nghiệp, quản trị ngữ cảnh AI, AI chăm sóc khách hàng, đồ thị tri thức, dữ liệu doanh nghiệp, cửa sổ ngữ cảnh, AI trả lời sai, tự động hóa doanh nghiệp, điều phối AI Agent, kiểm soát AI, AI cho doanh nghiệp nhỏ, ứng dụng AI Việt Nam, kiến trúc AI doanh nghiệp