Dịch vụ chatbot AI cho doanh nghiệp, trả khách đúng dữ liệu

Chatbot kịch bản cũ chạy theo luật cài sẵn: bạn liệt kê trước từng câu hỏi và gắn mỗi câu một câu trả lời cố định. Khách hỏi đúng câu đã cài thì trơn tru, hỏi lệch một chút là nó bí, chỉ biết dội lại menu hoặc câu “xin lỗi, tôi chưa hiểu”. Càng nhiều tình huống thật, kịch bản càng phình to mà vẫn hụt.

Chatbot AI thì hiểu ý người hỏi rồi tự viết câu trả lời, kể cả khi mỗi người diễn đạt một khác. Khách hỏi theo cách tự nhiên vẫn được hiểu, hỏi nối tiếp vẫn theo được mạch. Ví dụ một khách nhắn “áo này còn không, mà giao được không ngoài Hà Nội”, chatbot kịch bản cũ sẽ đứng hình vì đây là hai câu hỏi gộp một, còn chatbot AI tách ra trả lời từng phần rồi hỏi lại size nếu chưa rõ.

Nhưng có một cái bẫy Web22 nói thẳng: mô hình AI được huấn luyện trên dữ liệu chung của cả internet, nó không biết gì về bảng giá hay tồn kho riêng của bạn. Cắm thẳng một chatbot AI lên web mà không xử lý gì, hỏi “shop còn size M không” là nó đoán một câu nghe rất trơn mà hoàn toàn bịa. Đây chính là hallucination (ảo giác, AI nói ra điều nghe hợp lý nhưng không có thật), lý do nhiều nơi thử gắn chatbot AI rồi phải gỡ xuống vì khách bị trả lời sai giá. Muốn hiểu kỹ hơn phần này, xem bài chatbot AI cho website khác chatbot kịch bản thế nào.

Lời giải cho cái bẫy trên là một kỹ thuật tên RAG (Retrieval-Augmented Generation, tạm dịch là sinh câu trả lời có tra cứu dữ liệu). Trước khi để mô hình trả lời, hệ thống đi tra trong kho tài liệu thật của bạn (bảng giá, mô tả sản phẩm, chính sách bảo hành, câu hỏi thường gặp), lấy đúng đoạn liên quan rồi mới trả lời dựa trên đó. Giống một nhân viên được phép mở đúng trang cẩm nang ra đọc trước khi đáp khách, thay vì trả lời theo trí nhớ mơ hồ.

Google mô tả RAG là cách nối mô hình ngôn ngữ với nguồn dữ liệu riêng để câu trả lời bám vào thông tin thật, bạn có thể xem giải thích của Google Cloud về RAG. Điều này thay đổi hẳn chất lượng: các nghiên cứu triển khai chatbot doanh nghiệp cho thấy khi có RAG neo câu trả lời vào tài liệu duyệt trước, tỷ lệ trả lời sai giảm mạnh so với để mô hình tự do bịa.

Web22 dựng chatbot của bạn theo cách đó, chia làm ba việc gắn liền nhau. Đầu tiên là gom tài liệu thật của bạn lại một chỗ, kể cả khi nó đang nằm rải rác trong file Word, bảng Excel hay vài trang web cũ. Kế đó là làm sạch và cắt thành từng đoạn vừa đủ nghĩa, để khi tra cứu không bị lấy nhầm một đoạn nửa câu. Cuối cùng là dựng phần tra cứu, nơi hệ thống tìm đúng đoạn liên quan trước khi đưa cho mô hình trả lời.

Một ví dụ cụ thể: nếu bạn bán nội thất và có bảng giá cho từng mẫu ghế theo chất liệu, Web22 không đưa nguyên file Excel vào cho AI đọc thẳng (cách này dễ lẫn dòng, lẫn cột). Web22 tách bảng giá thành từng khối theo mẫu sản phẩm, gắn nhãn rõ ràng, để khi khách hỏi “ghế sofa da bò giá bao nhiêu” thì hệ thống tra đúng khối đó chứ không mò cả bảng.

Web22 nói thẳng: kể cả có RAG, không chatbot AI nào đúng 100%. Vì vậy một chatbot làm tử tế luôn có thêm mấy lớp chặn, chứ không phó mặc cho mô hình:

• Neo vào tài liệu duyệt trước: chỉ cho trả lời dựa trên kho tài liệu bạn đã kiểm, không bịa ngoài phạm vi đó.
• Biết nói chưa chắc: khi không đủ căn cứ, chatbot nhận là chưa rõ và chuyển hướng, thay vì cố đoán một câu nghe hay.
• Chuyển người thật đúng lúc: gặp câu ngoài tầm hoặc khách muốn gặp người, nó chuyển sang nhân viên gọn gàng, không bắt khách kể lại từ đầu.
• Theo dõi và chỉnh dần: Web22 xem lại các đoạn chat sai để bổ sung tài liệu và siết câu trả lời, vì một chatbot tốt là thứ được nuôi theo thời gian.

Một nơi hứa chatbot AI trả lời đúng mọi câu, không bao giờ sai, là đang bán cho bạn kỳ vọng không có thật. Thứ đáng tin là cách chặn lỗi, không phải lời hứa không lỗi.

Với những lĩnh vực chạm tới sức khoẻ, tiền bạc hay pháp lý, ranh giới này càng phải rõ. Một phòng khám hỏi chatbot có tư vấn được liều thuốc không, câu trả lời của Web22 là không: chatbot chỉ nên trả lời giờ khám, giá dịch vụ, cách đặt lịch, còn phần chuyên môn y tế phải chuyển ngay cho người có chuyên môn. Đặt đúng ranh giới này ngay từ đầu tránh được rủi ro lớn hơn nhiều so với việc thiếu vài câu trả lời tự động.

Chatbot chỉ có ích khi nằm đúng chỗ khách hỏi. Web22 gắn chatbot vào các kênh bạn đang dùng và nối với dữ liệu cần thiết:

• Trên website: một khung chat gắn vào web, không phụ thuộc bạn dựng web bằng nền tảng nào.
• Zalo, Messenger: trả lời khách ngay trên kênh họ hay nhắn, thay vì bắt họ đổi chỗ.
• Nối vào hệ thống: khi khách muốn tra đơn hàng, kiểm tồn kho hay đặt lịch, chatbot cần nối được với phần mềm bạn đang dùng. Phần này thuộc mảng tích hợp, làm kỹ hơn và cũng là nơi chatbot phát huy giá trị thật, xem thêm ở tích hợp hệ thống.

Một điều đáng nói thẳng: chatbot nằm ở nhiều kênh không có nghĩa là mỗi kênh dựng lại từ đầu. Web22 dựng một lõi tra cứu dữ liệu chung, rồi gắn vào từng kênh qua các đầu nối riêng. Khách hỏi trên web hay hỏi qua Zalo đều nhận câu trả lời bám cùng một nguồn dữ liệu, không lệch nhau.

Nếu quy trình của bạn cần nhiều hơn một khung chat, chẳng hạn tự động gửi thông báo hay xử lý đơn, xem thêm phần tự động hoá và tích hợp hệ thống ở trang dịch vụ chính.

Chatbot AI không phải chỗ nào cũng đáng gắn. Nó phát huy nhất ở những việc lặp đi lặp lại và có tài liệu rõ:

• Trả lời câu hỏi thường gặp suốt ngày đêm: giá, chính sách, cách đặt hàng, thông tin sản phẩm, để đội trực chat đỡ phải gõ lại một câu trăm lần.
• Tư vấn chọn sản phẩm theo nhu cầu: gợi ý dựa trên mô tả và thông tin sản phẩm thật, hợp với shop có nhiều mặt hàng.
• Lọc và tiếp nhận yêu cầu ban đầu: hỏi vài câu, gom thông tin rồi chuyển cho nhân viên đúng người, đỡ khâu sàng lọc.

Nhìn theo từng kiểu kinh doanh sẽ rõ hơn. Một shop bán quần áo online thường bị hỏi đi hỏi lại size, màu, có hàng không, đây đúng việc chatbot AI trả lời tốt vì tài liệu (bảng size, tồn kho) rõ ràng và câu hỏi lặp mỗi ngày. Một phòng khám nha khoa cần chatbot trả lời giá các dịch vụ phổ biến và đặt lịch hẹn, còn phần chẩn đoán vẫn để bác sĩ. Một công ty dịch vụ B2B (bán cho doanh nghiệp khác) thì chatbot hợp vai lọc yêu cầu ban đầu hơn là chốt đơn, vì quyết định mua thường qua nhiều bước và cần người tư vấn trực tiếp.

Ngược lại, nếu bạn chỉ cần trả lời vài câu cố định như giờ mở cửa và phí ship, một chatbot kịch bản gọn nhẹ là đủ, không cần tới AI. Web22 sẽ nói thẳng điều đó thay vì bán thêm cho có.

Web22 nói thẳng là chưa có nhiều chatbot AI của khách thật đang chạy công khai để khoe ở đây, vì đây là mảng còn mới. Bù lại, Web22 là nhóm trực tiếp dựng web và hệ thống, quen với việc gom dữ liệu, nối API và đưa công nghệ vào chạy thật, xem các dự án Web22 đã làm. Chatbot AI dựng trên nền tảng đó: không phải trò biểu diễn, mà là một phần mềm chạy được việc và bàn giao cho bạn dùng.

Công cụ nội bộ của Web22, os.web22.dev, là một web app tự dựng bằng Next.js, kết nối cơ sở dữ liệu và nhiều dịch vụ bên ngoài qua API. Kỹ năng dùng để dựng nó, gọi API, xử lý dữ liệu, ghép các phần rời rạc lại thành một hệ thống chạy được, chính là kỹ năng nền cho một con chatbot AI đọc đúng dữ liệu của bạn.

Web22 dùng các mô hình ngôn ngữ có sẵn đã được kiểm chứng, không tự huấn luyện mô hình từ đầu (việc đó tốn kém và không cần thiết cho phần lớn nhu cầu). Giá trị nằm ở phần ghép mô hình với dữ liệu thật của bạn và dựng các lớp chặn cho nó chạy đáng tin. Nếu bạn cần một bên đã có hàng chục chatbot khoe ra được, Web22 không phải lựa chọn đó, và nói luôn để bạn khỏi mất thời gian tìm hiểu thêm.

Từ lúc bạn gửi tài liệu tới lúc chatbot chạy thật trên web, việc đi qua mấy bước rõ ràng, không mập mờ.

• Nghe bài toán thật: Web22 hỏi bạn hay bị khách hỏi gì nhiều nhất, tài liệu nào đang có sẵn (bảng giá, mô tả sản phẩm, câu hỏi thường gặp), và bạn muốn chatbot nằm ở đâu.
• Dựng thử trên tài liệu của bạn: thay vì demo bằng dữ liệu mẫu chung chung, Web22 lấy đúng vài trang tài liệu bạn gửi để dựng một bản chạy thử, để bạn thấy nó trả lời thế nào trên chính dữ liệu của mình trước khi quyết định làm tiếp.
• Gom và làm sạch toàn bộ tài liệu: đưa hết bảng giá, chính sách, mô tả sản phẩm vào kho tra cứu, cắt đoạn hợp lý, gắn nhãn rõ ràng.
• Dựng các lớp chặn: giới hạn phạm vi trả lời, đường chuyển sang người thật, cách chatbot nhận là chưa rõ khi thiếu căn cứ.
• Gắn vào kênh bạn chọn: lên web, Zalo, Messenger hoặc cả ba, tuỳ nhu cầu.
• Chạy thử với người thật rồi mới công bố: trước khi mở cho khách, Web22 tự hỏi thử nhiều câu, kể cả câu hiểm, để bắt lỗi trước khi khách của bạn gặp phải.
• Theo dõi sau khi chạy: xem lại các đoạn chat, bổ sung tài liệu chỗ chatbot còn lúng túng, không phải làm xong rồi bỏ đó.

Bước dựng thử trên chính tài liệu của bạn là bước Web22 coi trọng nhất, vì nó cho bạn thấy hàng trước khi trả tiền cho phần làm đầy đủ, thay vì tin vào một bản demo chung chung không liên quan gì tới việc của bạn.

Không có một giá chung cho chatbot AI, vì một chatbot trả lời câu hỏi thường gặp khác hẳn một chatbot nối sâu vào hệ thống đơn hàng. Chi phí chủ yếu nằm ở mấy chỗ:

• Khối lượng và độ sạch của tài liệu: tài liệu càng nhiều và càng lộn xộn thì phần gom, làm sạch càng tốn công.
• Số điểm cần nối vào hệ thống: chỉ trả lời chữ thì gọn; tra đơn, kiểm tồn kho, đặt lịch thì cần tích hợp, làm kỹ hơn.
• Kênh triển khai: chỉ trên web, hay cả Zalo và Messenger.
• Chi phí vận hành mô hình: mỗi lượt hỏi đáp đều tốn một khoản nhỏ trả cho nhà cung cấp mô hình, tính theo lượng dùng thật.

Hai bài toán khác nhau ra hai mức giá rất khác nhau. Một shop chỉ cần chatbot đọc bảng giá và câu hỏi thường gặp, gắn trên web, là việc gọn: tài liệu ít, không cần nối hệ thống nào khác. Một doanh nghiệp muốn chatbot vừa trả lời vừa tra được tình trạng đơn hàng thật trong phần mềm bán hàng đang dùng là việc nặng hơn hẳn, vì phải nối API, xử lý xác thực, và tính thêm phần bảo trì khi phần mềm bên kia đổi.

Cách rõ nhất là nói cụ thể bài toán của bạn để Web22 báo một con số sát thực tế, thay vì tin một mức giá niêm yết cho mọi trường hợp. Xem thêm khung giá các dịch vụ ở bảng giá tổng. Web22 chạy dạng nhóm freelance nên chưa xuất hoá đơn VAT, nói trước để bạn cân đối.