AI Agent trong lĩnh vực chăm sóc khách hàng không nên chỉ hoạt động như một chatbot tự động trả lời mọi câu hỏi. Trong môi trường thực tế, cần có sự phân định rõ ràng giữa các tình huống mà hệ thống có thể tự xử lý, cần tạo bản nháp hoặc phải chuyển yêu cầu cho nhân viên phụ trách.
Trả lời trực tiếp
AI Agent cho chăm sóc khách hàng nên được tổ chức thành một workflow với các bước: phân luồng yêu cầu, tra cứu dữ liệu, tạo bản nháp, kiểm tra chất lượng và phê duyệt từ con người. Agent chỉ nên tự xử lý các trường hợp rõ ràng, ít rủi ro; các tình huống liên quan đến dữ liệu nhạy cảm, khiếu nại, ngoại lệ chính sách hoặc quyết định quan trọng cần được chuyển cho nhân viên thực hiện.
Sự khác biệt giữa AI Agent và chatbot thông thường
Chatbot thường chỉ tập trung vào nhiệm vụ chính là nhận câu hỏi và tạo ra câu trả lời. Trong khi đó, AI Agent được thiết kế có vai trò, nhiệm vụ, quyền hạn, đầu vào, đầu ra và tiêu chuẩn chất lượng rõ ràng hơn. Trong một workflow, nhiều Agent có thể phối hợp và bàn giao kết quả cho nhau. Như đã được nhấn mạnh trong P2.1 Brain Engineer, workflow quan trọng hơn prompt rời rạc, và Agent cần được coi là “nhân sự số” với vai trò cụ thể.
Trong chăm sóc khách hàng, thay vì một Agent làm tất cả, có thể chia thành:
- Agent phân loại yêu cầu.
- Agent tra cứu thông tin.
- Agent soạn phản hồi.
- Reviewer Agent kiểm tra chất lượng.
- Phê duyệt từ con người trong các tình huống cần thiết.
Quy trình AI Agent cho chăm sóc khách hàng nên bao gồm những bước nào?
Một quy trình thực tế có thể được tổ chức như sau:
- Yêu cầu khách hàng → Phân luồng → Tra cứu → Tạo nháp → Review → Phê duyệt từ con người hoặc gửi phản hồi
Điểm quan trọng là mỗi bước chỉ thực hiện một phần việc rõ ràng.
1. Phân luồng yêu cầu
Bước đầu tiên là xác định khách hàng đang cần gì. Ví dụ:
- Hỏi thông tin sản phẩm hoặc dịch vụ.
- Hỏi trạng thái xử lý.
- Yêu cầu hướng dẫn thao tác.
- Báo lỗi.
- Khiếu nại.
- Yêu cầu thay đổi thông tin.
- Yêu cầu ngoài phạm vi hỗ trợ.
Agent phân luồng không cần phải viết câu trả lời dài. Đầu ra tốt hơn là một cấu trúc ngắn như:
- Loại yêu cầu.
- Mức độ ưu tiên.
- Có cần tra cứu dữ liệu hay không.
- Có bắt buộc chuyển người thật hay không.
- Bước tiếp theo.
Việc chuẩn hóa output giúp Agent sau nhận được dữ liệu rõ ràng và giảm tình trạng mỗi bước phải tự diễn giải lại toàn bộ hội thoại.
2. Tra cứu đúng nguồn trước khi tạo câu trả lời
Một lỗi phổ biến khi ứng dụng AI vào chăm sóc khách hàng là để mô hình trả lời dựa trên kiến thức chung trong khi câu hỏi thực tế liên quan tới chính sách hoặc dữ liệu nội bộ. Agent tra cứu nên được giới hạn vào các nguồn được phép, chẳng hạn:
- Knowledge base.
- FAQ nội bộ.
- Tài liệu hướng dẫn.
- Thông tin đơn hàng hoặc hồ sơ được phép truy cập.
- Chính sách nghiệp vụ hiện hành.
Nguyên tắc là Agent chỉ được dùng dữ liệu phù hợp với quyền hạn của vai trò đó. Tài liệu Brain Engineer cũng đặt trách nhiệm với dữ liệu và quyền truy cập vào nhóm năng lực cần có, đồng thời yêu cầu workflow có bước bảo mật dữ liệu và human-in-the-loop. Vì vậy, trước khi kết nối Agent với CRM, ticket system hoặc cơ sở dữ liệu, cần xác định:
- Agent được đọc trường dữ liệu nào?
- Agent có được sửa dữ liệu không?
- Agent có được gửi thông tin đó ra ngoài không?
- Tác vụ nào chỉ người thật mới được thực hiện?
Không nên cấp quyền rộng chỉ để workflow thuận tiện hơn.
3. Agent tạo bản nháp thay vì gửi ngay
Sau khi có dữ liệu, Draft Agent có thể tạo câu trả lời phù hợp với yêu cầu khách hàng. Ở giai đoạn đầu triển khai, nên ưu tiên mô hình:
- AI tạo nháp → người hoặc Reviewer kiểm tra → mới gửi
thay vì:
- AI tạo → tự gửi
Cách này đặc biệt phù hợp khi doanh nghiệp mới đưa Agent vào chăm sóc khách hàng và chưa có đủ dữ liệu để chứng minh workflow hoạt động ổn định. Một bản nháp nên có tiêu chuẩn đầu ra rõ ràng:
- Trả lời đúng câu hỏi.
- Không thêm thông tin không có trong nguồn.
- Không tiết lộ dữ liệu không được phép.
- Giọng điệu phù hợp.
- Không hứa hẹn ngoài chính sách.
- Nêu bước tiếp theo nếu cần.
Agent càng có tiêu chuẩn đầu ra cụ thể, Reviewer càng dễ thực hiện công việc kiểm tra và phê duyệt.