AI Agent theo phòng ban: Sales, CSKH, Vận hành và Dev (Serie Kỳ 4)

Đây là Kỳ 4 của serie "AI Agent cho doanh nghiệp". Ở Kỳ 3, chúng ta đã so sánh tự host và cloud để chạy agent, cân nhắc trên góc độ bảo mật, chi phí và chủ quyền dữ liệu. Lần này bước sang phần thực chiến: chỉ ra AI Agent thực sự làm được những công việc gì ở bốn phòng ban—sales (kinh doanh), chăm sóc khách hàng (CSKH), vận hành và phát triển phần mềm—kèm những điểm mấu chốt khi triển khai.

Điều quan trọng nhất: "đưa AI Agent vào" không bao giờ là mục tiêu tự thân. Hãy xác định nút thắt thật sự nằm ở đâu—công việc lặp đi lặp lại, tìm kiếm thông tin, hay hỗ trợ ra quyết định—rồi mới đặt agent vào đúng chỗ đó. Giữ đúng trình tự này là chìa khóa thành công.

Phòng Sales: giao phần nghiên cứu và chuẩn bị cho agent

Một ngày của nhân viên kinh doanh, đáng ngạc nhiên, lại đầy những việc "tra cứu" và giấy tờ: tìm hiểu khách hàng tiềm năng, đào lại các trao đổi cũ, dựng bản nháp đề xuất, nhập liệu vào CRM. Phần lớn trong số đó đúng là thế mạnh của AI Agent.

Các use case cụ thể

• Agent nghiên cứu khách hàng (lead research): đưa tên công ty hoặc tên miền, agent tổng hợp thông tin công khai, tin tức, tín hiệu tuyển dụng để tự sinh bản tóm tắt trước buổi gặp.
• Sinh bản nháp đề xuất: kết hợp các đề xuất thắng thầu trong quá khứ với bài toán của khách, agent dựng bản thảo đầu tiên trong vài phút. Nhân viên chỉ cần sửa thay vì viết từ đầu.
• Tự động nhập và tóm tắt CRM: đọc ghi chú cuộc họp, bản ghi cuộc gọi, rồi cấu trúc hóa hành động tiếp theo và mức độ khả thi để ghi ngược vào CRM.

Điểm mấu chốt ở đây là con người giữ quyền quyết định cuối cùng. Mọi thứ agent thu thập hay soạn ra chỉ là khâu chuẩn bị. Bắt buộc nhân viên rà soát trước khi gửi hay trình bày (human-in-the-loop) sẽ kìm được rủi ro thông tin sai.

AI Agent trong sales giống như gắn cho mỗi nhân viên một trợ lý nghiên cứu giỏi. Đó là sự mở rộng tạo ra thời gian—không phải thay thế.

CSKH: xử lý tuyến đầu và tra cứu tri thức nội bộ

Hỗ trợ khách hàng là một trong những mảng mà AI Agent cho kết quả dễ thấy nhất. Khác với chatbot kịch bản kiểu cũ, agent có thể tham chiếu tài liệu nội bộ, FAQ và ticket cũ qua RAG (retrieval-augmented generation, đã nhắc trong serie) để trả lời có ngữ cảnh thật sự.

Các use case cụ thể

• Agent tuyến đầu: tự giải quyết các câu hỏi định kỳ (đặt lại mật khẩu, bảng giá, tình trạng giao hàng) và chỉ chuyển (escalate) những gì không xử lý được cho người thật.
• Copilot cho tổng đài viên: đứng phía sau tổng đài viên, gợi ý câu trả lời và tài liệu liên quan theo thời gian thực. Người thật là người chọn câu trả lời.
• Tự phân loại và tóm tắt: định tuyến ticket theo mức khẩn và danh mục, tóm tắt lịch sử để giảm chi phí bàn giao.

Lỗi thường gặp là giao ngay toàn bộ câu hỏi cho agent. Cách làm đã được kiểm chứng là bắt đầu hẹp—ví dụ "top 20 câu hỏi thường gặp"—với điều kiện escalate rõ ràng, rồi mới mở rộng. Độ chính xác của câu trả lời gắn trực tiếp với mức độ hoàn thiện của kho tri thức.

Vận hành (back office): tự động hóa chứng từ, dữ liệu và phê duyệt

Các bộ phận back office—kế toán, hành chính, nhân sự—có quy tắc rõ ràng và tính lặp cao nên rất hợp với AI Agent. Nếu RPA là "tự động hóa thao tác màn hình đã định sẵn", thì agent tiến xa hơn tới việc xử lý bao gồm đọc tài liệu phi cấu trúc và ra phán đoán.

Các use case cụ thể

Trong mảng vận hành, nhật ký kiểm toán (audit log) và thiết kế phân quyền đặc biệt quan trọng. Phải luôn truy được: agent đã xem dữ liệu nào, dựa trên căn cứ gì, xử lý ra sao. Điều này nối thẳng sang chủ đề governance của Kỳ 5.

Phòng Dev: coding agent và hỗ trợ review

Phát triển phần mềm là nơi agent tiến hóa nhanh nhất. Vượt qua mức chỉ gợi ý code, những coding agent tự chủ có thể nhận task, viết code, chạy test và tự sửa đã bước vào giai đoạn dùng thật.

Các use case cụ thể

• Agent hiện thực (implementation): đưa một issue hay ticket, agent đọc các file liên quan và tạo tập thay đổi (pull request). Con người review và duyệt.
• Hỗ trợ test và refactoring: đảm nhận những việc "nên làm nhưng hay bị hoãn" như thêm test hay dọn dẹp code trùng lặp.
• Hỗ trợ review code: đọc pull request và chỉ ra bug tiềm ẩn, rủi ro bảo mật, vi phạm quy chuẩn.
• Sinh tài liệu: dựng đặc tả và hướng dẫn sử dụng từ code.

Nguyên tắc vẫn vậy: quyền merge (đưa lên production) do con người nắm. Code do agent sinh luôn phải qua review và test. Năng suất tăng, nhưng chất lượng review có thể trở thành nút thắt mới—nên phải xây cơ chế hỗ trợ cho chính khâu đó.

Những mẫu hình thành công xuyên phòng ban

Nhìn xuyên bốn phòng ban, có mấy điểm chung:

1. Bắt đầu hẹp: một việc đau nhất, không phải toàn bộ. Phạm vi càng hẹp thì đo lường và độ chính xác càng dễ.
2. Con người là người quyết cuối: luôn đặt con người ngay trước các hành động không thể đảo ngược—gửi đi, phê duyệt, merge.
3. Chuẩn hóa tri thức là nền móng: chất lượng câu trả lời do chất lượng thông tin nội bộ được tham chiếu quyết định.
4. Đo tác động bằng con số: chốt trước các chỉ số theo phòng ban—thời gian xử lý, tỷ lệ giải quyết ngay lần đầu, tỷ lệ qua review.

Tổng kết và đón xem kỳ sau

Kỳ 4 đã đi qua cách dùng AI Agent cụ thể ở bốn phòng ban sales, CSKH, vận hành và dev. Triết lý thiết kế chung là không phải "thay thế con người" mà "gánh phần lặp lại và chuẩn bị để con người tập trung vào phán đoán giá trị cao".

Tuy nhiên, càng mở rộng agent ra nhiều phòng ban thì càng không thể né an toàn và governance: ai được truy cập cái gì, ngăn agent chạy loạn ra sao, đo hiệu quả thế nào. Ở Kỳ 5, chúng ta sẽ đào sâu "Triển khai AI Agent an toàn: phân quyền, governance, human-in-the-loop và đo lường ROI". Hẹn gặp lại các bạn.