Doanh nghiệp Việt đang rơi vào "bẫy cá nhân hóa cao siêu" khi ứng dụng AI
Bảo Bình
01/12/2025
Người tiêu dùng cần sự phục vụ nhanh, đúng và minh bạch. Trong khi đó, doanh nghiệp lại dành quá nhiều nguồn lực vào việc cá nhân hóa và các chiến lược “cao siêu” khó thực thi, tốn kém …
Việt Nam đang trên đà trở thành một trong 15 thị trường tiêu dùng lớn nhất thế giới vào năm 2030, mang đến cả cơ hội lẫn thách thức đối với doanh nghiệp trong việc nâng cao trải nghiệm khách hàng. Đây là thông điệp chính được ông Viển Trần, Co-Founder & CEO của Filum AI, chia sẻ tại hội thảo The Next Retail Era gần đây, dựa trên báo cáo khảo sát mà Filum AI vừa công bố.
KHOẢNG CÁCH GIỮA MONG MUỐN KHÁCH HÀNG VÀ THỰC TẾ DOANH NGHIỆP
Một trong những phát hiện đáng chú ý là người tiêu dùng hiện nay không còn quan tâm tới những trải nghiệm hào nhoáng mà sẵn sàng chi trả cho những dịch vụ thiết thực. Có tới 82% người tiêu dùng sẵn sàng trả thêm nếu họ được phục vụ nhanh hơn và đúng hẹn hơn.
Ngoài ra, báo cáo cho thấy 54,2% khách hàng mong muốn dịch vụ nhanh, chính xác và minh bạch. “Điều này đồng nghĩa rằng doanh nghiệp không cần tạo ra những trải nghiệm quá cao cấp, mà nên tập trung tối ưu các yếu tố cơ bản trong phục vụ: nhanh, đúng cam kết, rõ ràng”, CEO Filum AI nói. Ông nhấn mạnh “không phải lúc nào cũng cần thứ gì cao siêu, mà cần làm tốt những điều nền tảng”.
Báo cáo cũng chỉ ra một thực trạng đáng quan tâm về việc ứng dụng công nghệ cá nhân hóa và AI trong doanh nghiệp Việt Nam. Nhiều doanh nghiệp đang tập trung mạnh vào số hóa đa kênh và cá nhân hóa, nhưng vẫn tồn tại khoảng cách lớn so với mong muốn thực tế của khách hàng. Người tiêu dùng cần sự phục vụ nhanh, đúng và minh bạch; trong khi đó, doanh nghiệp dành nhiều nguồn lực vào việc cá nhân hóa và triển khai omnichannel – những chiến lược đúng nhưng khó thực thi, tốn kém và đòi hỏi chiến lược bài bản.
Một trở ngại lớn khác là dữ liệu phân tán. Theo khảo sát, 63% doanh nghiệp thừa nhận dữ liệu trong tổ chức đang bị phân tán, và chỉ 28% doanh nghiệp tích hợp được dữ liệu online và offline. Hậu quả là vận hành gặp khó, khó từ việc chứng minh hiệu quả đến khó xin ngân sách cho các dự án cải thiện trải nghiệm khách hàng. Tình trạng này dẫn tới sự phiền toái cho khách hàng: 52% than thủ tục rườm rà, 47% phàn nàn thời gian chờ lâu, và 43% không muốn phải nhắc lại yêu cầu nhiều lần.
“Những con số này định lượng hóa cảm nhận mà chúng ta vẫn thấy: khách hàng ngày càng thiếu kiên nhẫn và mong muốn được phục vụ nhanh hơn”, ông Viển nói. “Đồng thời, vòng luẩn quẩn xảy ra khi dữ liệu phân mảnh dẫn đến vận hành khó, khi vận hành khó thì việc chứng minh hiệu quả kém, dẫn tới ít đầu tư cho trải nghiệm hơn”.
Chuyên gia cho biết thực tế, chỉ khoảng 4% doanh nghiệp thực sự biến trải nghiệm khách hàng thành một KPI có thể đo lường liên kết trực tiếp tới kết quả kinh doanh — điều này cho thấy mức độ trưởng thành về omnichannel và CX trên thị trường “còn chưa cao”.
KHÔNG BÀN ĐẾN CÁC XU HƯỚNG QUÁ “CAO SIÊU”, TRƯỚC TIÊN CẦN GIẢI QUYẾT BÀI TOÁN NỀN TẢNG
“Từ những thực trạng đó, tôi cho rằng cần một giải pháp thực tiễn. Trước hết không bàn đến các xu hướng quá “cao siêu”, mà chúng ta cần giải quyết bài toán nền tảng — hợp nhất dữ liệu và xây dựng trải nghiệm liền mạch”, chuyên gia của Filum AI cho biết. Theo đó, ông đề xuất một nền tảng hợp nhất trải nghiệm khách hàng theo ba tầng kiến trúc.
Tầng đầu tiên là một kho dữ liệu khách hàng thống nhất, một “customer data lake” để gom toàn bộ dữ liệu về một chỗ, đảm bảo dữ liệu không bị phân tán hay mất mát.
Tầng thứ hai là nền tảng AI hướng AI-first, khai thác sức mạnh phân tích dữ liệu, đặc biệt dữ liệu phi cấu trúc.
Tầng thứ ba là lớp tùy chỉnh (customization), xây dựng các ứng dụng xoay quanh hành trình khách hàng từ đầu tới cuối.
Về phương pháp triển khai, ba trụ cột chính đã được nhấn mạnh, đó là lắng nghe khách hàng, thấu hiểu khách hàng và hành động nhanh dựa trên thông tin thu thập được. Tuy nhiên, đây không chỉ đơn giản là nghe và cảm nhận theo cách thủ công. Tốc độ thực hiện phải cực kỳ nhanh — không phải hàng quý, hàng tháng hay hàng tuần, bởi thị trường biến động rất nhanh, thậm chí vòng đời một chiến dịch sáng tạo có thể chỉ vài tuần.
Khi kết hợp AI để xử lý dữ liệu phi cấu trúc — bao gồm văn bản, âm thanh và hình ảnh — doanh nghiệp có thể giải mã không chỉ những gì khách hàng nói mà còn cả cảm xúc và những câu chuyện họ quan tâm.
Đây chính là nguồn tri thức quý giá, đóng vai trò như “bộ não mới” của doanh nghiệp.
Do đó, doanh nghiệp cần tiếp cận theo hướng gần như real-time: hiểu ngay khách hàng đang nói gì và hành động tức thì. Như vậy, thách thức lớn nhất sẽ nằm ở chỗ triển khai ở quy mô rộng. Ở quy mô nhỏ, việc thực hiện thủ công vẫn khả thi, nhưng để phục vụ nhiều khách hàng cùng lúc, doanh nghiệp cần có hệ thống và kiến trúc công nghệ đủ mạnh để đảm bảo tốc độ và hiệu quả.
Việc lắng nghe khách hàng hiện nay có hai hình thức chính. Thứ nhất là lắng nghe chủ động thông qua khảo sát, đây là phương pháp truyền thống nhưng vẫn phổ biến. Thứ hai là lắng nghe thụ động, khai thác dữ liệu mà khách hàng để lại, như chat, nhật ký cuộc gọi, đánh giá hay bình luận trên các nền tảng số.
Khi kết hợp AI để xử lý dữ liệu phi cấu trúc — bao gồm văn bản, âm thanh và hình ảnh — doanh nghiệp có thể giải mã không chỉ những gì khách hàng nói mà còn cả cảm xúc và những câu chuyện họ quan tâm. Đây chính là nguồn tri thức quý giá, đóng vai trò như “bộ não mới” của doanh nghiệp.
Theo ông Viển, thấu hiểu khách hàng không chỉ là biết “cái gì” mà còn phải trả lời được “tại sao”. Các báo cáo truyền thống chỉ cho biết các khảo sát hay chỉ số điểm hài lòng, nhưng khó lý giải tại sao điểm đó cao hay thấp. Hệ thống thấu hiểu hiện đại sẽ phân tích dữ liệu định tính, chỉ ra nguyên nhân gốc rễ: khách hàng đang phàn nàn về sản phẩm, dịch vụ giao hàng, nhân viên hay quy trình nào. Khi nắm được bức tranh này, doanh nghiệp mới có thể hành động đúng chỗ, đúng vấn đề.
Về khía cạnh hành động, chuyên gia cho biết có hai loại cơ bản. Hành động bị động, phản hồi khi khách hàng chủ động liên hệ; còn hành động chủ động là doanh nghiệp tự tương tác, triển khai các chiến dịch cá nhân hóa dự đoán nhu cầu khách hàng.
Tuy nhiên, khảo sát cho thấy đa số doanh nghiệp Việt vẫn dừng ở mức bị động, chỉ phản ứng và chuẩn hóa quy trình. Chỉ dưới 5% doanh nghiệp đã xây dựng được hệ thống tự động tương tác theo ngữ cảnh. Phần lớn hiện nay vẫn gửi thông điệp hàng loạt cho tất cả khách hàng, chưa thực sự cá nhân hóa theo từng nhóm, dẫn đến hiệu quả thấp và trải nghiệm khách hàng chưa tối ưu.
PHỐI HỢP CON NGƯỜI VÀ AI: CHÌA KHÓA ĐỂ CHUYỂN TỪ PHẢN ỨNG SANG CHỦ ĐỘNG
Theo chuyên gia, để chuyển từ mô hình phục vụ phản ứng sang chủ động, doanh nghiệp cần xây dựng sự phối hợp giữa con người và AI. Công việc nên được phân loại dựa trên hai tiêu chí: mức độ dễ hay khó của công việc và tần suất thay đổi.
“Những tác vụ dễ và ít thay đổi có thể để AI đảm nhận hoàn toàn; những công việc khó và biến động nhiều nên để con người xử lý; còn những tác vụ ở giữa cần phối hợp cả hai.
Kỳ vọng AI sẽ giải quyết tất cả là sai lầm; thực tế, AI hiệu quả nhất cho các công việc lặp lại, ít biến động. Ở giai đoạn đầu, doanh nghiệp có thể giao 30–50% khối lượng công việc cho AI, tiến tới 50–70% khi dữ liệu và hệ thống đã sẵn sàng.
“Những tác vụ dễ và ít thay đổi có thể để AI đảm nhận hoàn toàn; những công việc khó và biến động nhiều nên để con người xử lý; còn những tác vụ ở giữa cần phối hợp cả hai”, ông Viển Trần nói. “Kỳ vọng AI sẽ giải quyết tất cả là sai lầm; thực tế, AI hiệu quả nhất cho các công việc lặp lại, ít biến động. Ở giai đoạn đầu, doanh nghiệp có thể giao 30–50% khối lượng công việc cho AI, tiến tới 50–70% khi dữ liệu và hệ thống đã sẵn sàng”.
Sự phối hợp này sẽ ảnh hưởng trực tiếp tới hai chỉ số then chốt: tỷ lệ giải quyết ngay lần đầu và thời gian xử lý. Khách hàng sẽ không hài lòng khi bị chuyển đi chuyển lại giữa các bộ phận; nếu vấn đề được giải quyết ngay lần đầu, trải nghiệm sẽ cải thiện mạnh. Tương tự, rút ngắn thời gian xử lý cũng giúp tăng mức độ hài lòng. Khi con người và AI phối hợp hiệu quả, hai chỉ số này được cải thiện, từ đó tác động tích cực tới doanh thu và chi phí vận hành.
CEO Filum AI cho biết để triển khai hiệu quả trải nghiệm khách hàng và AI, doanh nghiệp có thể bắt đầu với ba bước khả thi.
Thứ nhất, tập trung vào hợp nhất dữ liệu thay vì để dữ liệu tiếp tục phân tán, đảm bảo thông tin khách hàng được quản lý tập trung và đầy đủ.
Thứ hai, đặt góc nhìn CX ở mức thực dụng, mọi đầu tư vào trải nghiệm khách hàng cần gắn trực tiếp với mục tiêu kinh doanh; nếu chưa tạo ra giá trị rõ ràng, doanh nghiệp chưa nên triển khai lớn.
Thứ ba, giải quyết mâu thuẫn giữa AI và con người bằng cách tái cấu trúc phân công, xác định rõ nhiệm vụ cho cả nhân viên và AI, tránh xung đột và đảm bảo phối hợp hiệu quả.
“Mục tiêu cuối cùng của tất cả các hoạt động là tác động trực tiếp tới ba chỉ số then chốt: giảm tỷ lệ khách hàng rời bỏ, tăng giá trị vòng đời khách hàng thông qua bán chéo và bán thêm, tối ưu chi phí phục vụ. Những hoạt động không hướng tới ít nhất một trong ba chỉ số này hiện chưa nên được ưu tiên đầu tư”, ông Viển Trần nói.
Việt Nam đặt mục tiêu xây dựng nhà máy bán dẫn quy mô nhỏ vào năm 2030, nhưng phải đối mặt với nhiều thách thức về nhân lực và chính sách.
Nghị quyết mới của Hà Nội hỗ trợ 100% chi phí cho dịch vụ công trực tuyến, tạo điều kiện thuận lợi cho người dân và doanh nghiệp trong chuyển đổi số.
Việt Nam ban hành nhiều chính sách ưu đãi cho ngành công nghiệp bán dẫn, nhằm thúc đẩy phát triển kinh tế số và nâng cao năng lực cạnh tranh quốc gia.
Bà Rita Mokbel, Tổng giám đốc Ericsson Việt Nam, nhấn mạnh 5G là xương sống của nền kinh tế số, đồng thời cảnh báo về rủi ro an ninh mạng gia tăng.
Hà Nội triển khai mô hình Trung tâm Phục vụ hành chính công một cấp, nâng cao chất lượng phục vụ, đáp ứng yêu cầu chính quyền đô thị hiện đại.
Tội phạm mạng sử dụng AI và deepfake để lừa đảo, chiếm đoạt tài sản, khiến người dùng dễ dàng mắc bẫy. Ngân hàng Nhà nước cảnh báo về các thủ đoạn mới.
Tại hội thảo về ESG, 76% CEO cho biết họ sẽ rút khỏi hoạt động gây hại môi trường, thúc đẩy đầu tư xanh và minh bạch trong nông nghiệp Việt Nam.
Hội thảo 'AI vì nhân loại' diễn ra vào 2/12 tại Hà Nội, quy tụ các chuyên gia hàng đầu bàn về đạo đức và an toàn trong phát triển AI.
Thiếu minh bạch dữ liệu công nghệ gây khó khăn cho tín dụng xanh nông nghiệp, làm tăng chi phí và rủi ro tín dụng trong bối cảnh chuyển đổi xanh.