Xây dựng AI Agent chăm sóc khách hàng

Định nghĩa

AI Agent chăm sóc khách hàng là hệ thống tự động có khả năng không chỉ trả lời câu hỏi mà còn thực hiện hành động — từ tra cứu đơn hàng, xử lý đổi trả, đến đặt lịch hẹn — mà không cần con người can thiệp từng bước. Khác với chatbot kịch bản cứng nhắc, agent có "tay chân" (function calling) để tương tác trực tiếp với database, ERP, và tự động chuyển (escalate) lên nhân viên khi phát hiện vấn đề vượt quá phạm vi xử lý.

Giải thích chi tiết

Chatbot đã chết, Agent đã sống

Chatbot truyền thống hoạt động theo kịch bản if-then: "Nếu khách nói A thì trả lời B". Nó giống như tổng đài ấn phím — cứng nhắc, dễ gây ức chế khi khách hỏi lệch một chút.

AI Agent CSKH hoạt động theo mục tiêu: Agent được giao nhiệm vụ "giải quyết vấn đề của khách hàng" và tự quyết định cách thực hiện. Nó có thể:

• Tìm kiếm thông tin đơn hàng trong database
• So sánh chính sách đổi trả với tình huống cụ thể
• Tạo ticket mới trong hệ thống CRM
• Gửi email xác nhận và nhắc nhở follow-up

Điểm mấu chốt là autonomy (tính tự chủ): Agent không cần người bấm nút "cho phép" từng bước.

Ba lớp não của Agent CSKH

Để xây dựng agent hiệu quả, bạn cần thiết kế ba lớp hoạt động:

1. Perception (Nhận thức): Agent phân tích input đa kênh — tin nhắn Shopee, comment Facebook, email, ticket Zendesk — để trích xuất ý định (intent), cảm xúc (sentiment), và thực thể (entity) như mã đơn hàng, tên sản phẩm.

2. Reasoning (Suy luận): Dựa trên dữ liệu đã nhận, agent sử dụng LLM (Claude, GPT-4) để lập kế hoạch hành động. Ví dụ: "Khách muốn đổi size → Kiểm tra đơn hàng > Xác nhận trong 7 ngày > Kiểm tra tồn kho size mới > Tạo yêu cầu đổi".

3. Action (Hành động): Thực thi các function call vào hệ thống nội bộ — query SQL lấy thông tin đơn, POST API tạo ticket đổi hàng, gửi webhook sang Slack báo nhân viên kho.

RAG: Trí nhớ của Agent

Agent không thể nhớ hết chính sách công ty, mô tả 10.000 SKU, hay lịch sử chat của khách. Giải pháp là Retrieval-Augmented Generation (RAG):

• Tất cả tài liệu (SOP CSKH, chính sách đổi trả, mô tả sản phẩm) được chia nhỏ (chunking) và lưu vào vector database
• Khi khách hỏi, agent tìm kiếm ngữ cảnh liên quan nhất (similarity search)
• Kết hợp thông tin tìm được với lịch sử đơn hàng để tạo câu trả lời chính xác, không bịa đặt

Escalation thông minh: Khi nào nhường sân cho người?

Agent không phải để thay thế con người hoàn toàn, mà để lọc 80% vấn đề đơn giản. Bạn cần thiết lập điều kiện escalate:

• Sentiment negative: Khách dùng từ ngữ tiêu cực, chữ in hoa, dấu chấm than liên tục → Chuyển ngay supervisor
• Complex intent: Vấn đề liên quan đến an toàn sức khỏe (TPCN gây dị ứng), khiếu nại pháp lý, hoặc yêu cầu ngoài SOP
• High-value customer: Khách VIP hoặc đơn hàng > 5 triệu đồng → Luôn có người xử lý

Escalation phải có context handoff: Agent truyền sang nhân viên toàn bộ lịch sử chat, thông tin đơn hàng đã tra cứu, và lý do tại sao chuyển — để khách không phải kể lại từ đầu.

Ví dụ thực tế

Agent xử lý đổi trả cho shop mỹ phẩm 50 tỷ/năm

Bối cảnh: Brand mỹ phẩm nội địa, 500 đơn/ngày, 20% là yêu cầu đổi trả do chọn sai tông màu hoặc da không hợp.

Workflow:

1. Khách nhắn Facebook: "Chị mua kem nền #02 hôm 20/5 nhưng dùng bị khô da, muốn đổi #01"
2. Agent trích xuất: Mã đơn (từ số điện thoại), ngày mua (trong 7 ngày đổi), lý do (không hợp da)
3. Agent gọi API kiểm tra tồn kho #01 → Còn hàng
4. Agent tạo ticket đổi hàng trong hệ thống ERP, gửi mã vận đơn trả hàng cho khách
5. Agent nhắc nhân viên kho chuẩn bị hàng mới

Kết quả: Thời gian xử lý đổi trả giảm từ 4 giờ (chờ nhân viên online) xuống 3 phút. Nhân viên CSKH chỉ can thiệp khi agent báo "Tồn kho #01 = 0" — lúc đó mới cần người tư vấn chọn màu khác.

Agent tư vấn liều dùng TPCN và phát hiện nguy cơ

Bối cảnh: Brand thực phẩm chức năng (vitamin, collagen), cần tư vấn liều lượng chính xác nhưng không được coi là bác sĩ.

Workflow:

1. Khách hỏi: "Tôi đang uống thuốc huyết áp, có uống được Omega-3 của các bạn không?"
2. Agent tra RAG: Tìm thông tin tương tác thuốc trong tài liệu FDA và chính sách công ty
3. Phát hiện từ khóa "thuốc huyết áp" + "tương tác thuốc" → Trigger escalation rule
4. Agent trả lời: "Câu hỏi này liên quan đến sức khỏe cá nhân, em chuyển dược sĩ tư vấn chi tiết ạ. Chị vui lòng đợi 2 phút..."
5. Đồng thời, agent gửi cho dược sĩ đầy đủ thông tin: khách đang dùng thuốc gì, hỏi về sản phẩm nào, tiền sử bệnh (nếu có trong hồ sơ cũ)

Kết quả: Tránh rủi ro pháp lý, đảm bảo tuân thủ quy định quảng cáo TPCN. Agent xử lý 90% câu hỏi "Uống mấy viên/ngày" nhưng tự động nhường case phức tạp cho chuyên gia.

Multi-agent phối hợp trong đơn hàng gia dụng phức tạp

Bối cảnh: Bán máy lọc nước, khách hỏi: "Máy có lắp được cho nhà chung cư cũ ống nước 21mm không? Và có giao ngày mai không?"

Phối hợp 3 agent:

• Agent CSKH: Hiểu yêu cầu kỹ thuật + logistics
• Agent Kỹ thuật (Technical Agent): Truy vấn database thông số kỹ thuật, xác nhận có adapter 21mm
• Agent Tồn kho (Inventory Agent): Kiểm tra kho gần nhất, xác nhận còn hàng, tính toán thời gian giao

Workflow:

1. Agent CSKH nhận câu hỏi, phân tích thành 2 sub-task: (a) tư vấn kỹ thuật, (b) kiểm tra giao hàng
2. Gửi parallel function calls: Một call đến agent kỹ thuật, một call đến agent tồn kho
3. Nhận kết quả: "Có adapter" + "Kho HCM còn 3 máy, giao được ngày mai"
4. Agent CSKH tổng hợp câu trả lời hoàn chỉnh: "Dạ máy có hỗ trợ adapter 21mm ạ, và em xác nhận giao ngày mai được luôn ạ. Chị để lại số nhà để em check phí lắp đặt nhé."

Kết quả: Khách nhận câu trả lời chính xác ngay lập tức, không cần chờ CSKH hỏi lại bộ phận kỹ thuật rồi hỏi kho rồi mới trả lời.

Ứng dụng

Chủ doanh nghiệp / CEO

Mục tiêu: Scale doanh thu mà không scale headcount CSKH tuyến đầu.

• Chiến lược: Xây dựng agent xử lý 80% ticket FAQ và tra cứu đơn hàng, giữ nhân viên tinh nhuệ cho 20% case phức tạp và khách VIP
• Đo lường: Theo dõi First Response Time (giảm từ 2 phút xuống 10 giây) và Resolution Rate không cần người (target 60-70%)
• Rủi ro cần tránh: Đừng để agent trả lời các vấn đề pháp lý nhạy cảm (khiếu nại sản phẩm độc hại, yêu cầu bồi thường lớn) — thiết lập guardrails chặt chẽ

Quản lý CSKH / Supervisor

Mục tiêu: Giảm tải công việc lặp lại, nâng cao chất lượng case phức tạp.

• Triển khai: Xây dựng playbook cho agent — cập nhật SOP mới nhất vào vector database mỗi tuần
• Huấn luyện nhân viên: Chuyển từ "trả lời tin nhắn" sang "giám sát agent" và "xử lý escalation" — kỹ năng cao cấp hơn, lương xứng đáng cao hơn
• Công cụ: Sử dụng dashboard để xem agent đang "nghĩ gì" (chain-of-thought logging), từ đó tối ưu prompt và thêm function call mới

Nhân viên CSKH tuyến đầu

Mục tiêu: Có trợ lý AI xử lý thông tin nặng nhọc, mình tập trung vào trải nghiệm khách hàng.

• Cách làm việc mới: Khách vào → Agent đã tự tra cứu đơn hàng, kiểm tra lịch sử mua, gợi ý 3 câu trả lời mẫu → Nhân viên chỉ chọn/chỉnh sửa và gửi
• Lợi ích: Giảm Cognitive Load — không phải nhớ chính sách phức tạp hay tra cứu đơn hàng trong 5 tab khác nhau
• Phát triển sự nghiệp: Học kỹ năng "AI supervisor" — kiểm tra output của agent, tinh chỉnh knowledge base, trở thành "Trainer" cho AI thay vì chỉ là người trả lời ticket

So sánh

Kết luận:

• Dùng Chatbot truyền thống nếu bạn có < 10 câu hỏi FAQ cố định và không cần tra cứu hệ thống (ví dụ: chỉ hỏi giờ mở cửa, địa chỉ shop).
• Dùng AI Agent nếu bạn cần xử lý > 50 loại yêu cầu, cần tra cứu đơn hàng/tồn kho, và muốn scale lên hàng nghìn cuộc hội thoại/ngày mà không tăng nhân sự.

Bài viết liên quan

Cùng cụm "AI Agent cho Doanh nghiệp"

Đọc tiếp