AI phân tích đối thủ: Bài học từ dự án chạy sai hướng

07/09/2026

Bài học từ một dự án 'chết yểu'

Tôi từng tham gia một dự án xây dựng hệ thống AI phân tích đối thủ cho một thương hiệu đồ uống lớn tại Việt Nam. Mục tiêu ban đầu nghe rất hứa hẹn: tự động hóa toàn bộ quy trình thu thập dữ liệu từ Facebook, TikTok và các diễn đàn, sau đó tổng hợp thành báo cáo cạnh tranh hàng tuần. Chúng tôi tin rằng với công nghệ Agentic AI, hệ thống có thể thay thế hoàn toàn đội ngũ analyst.

Thực tế? Dự án đi chệch kế hoạch chỉ sau ba tháng.

Vấn đề không nằm ở thuật toán. Máy học đã nhận diện đúng 90% các bài đăng liên quan. Nhưng nó thất bại ở phần 'đánh giá'. Hệ thống đưa ra những cảnh báo sai lệch về ý định mua hàng của khách hàng đối thủ, khiến ban lãnh đạo đưa ra quyết định sai lệch về giá. Bài học rút ra rất thẳng thắn: AI có thể làm việc nặng nhọc, nhưng con người vẫn cần đứng ở khâu phán đoán chiến lược. Nếu bạn kỳ vọng AI sẽ thay thế tư duy marketing, bạn sẽ thất bại.

Trước khi làm: Xác định đúng vấn đề

Trước khi viết dòng code nào, chúng tôi ngồi lại với đội ngũ vận hành. Câu hỏi không phải là 'AI có thể làm gì?', mà là 'Chúng ta đang đau đầu ở khâu nào?'.

Trong trường hợp của dự án trên, nỗi đau thực sự không phải là thiếu dữ liệu. Dữ liệu thì đầy mạng. Nỗi đau là việc tổng hợp và bối cảnh hóa dữ liệu mất quá nhiều thời gian. Một nhân viên analyst mất khoảng hai ngày mỗi tuần chỉ để đọc và gom nhặt thông tin từ 20 nguồn khác nhau. Điều đó nghĩa là họ chỉ có hai ngày còn lại trong tuần để suy nghĩ và đề xuất.

Ở đây, khái niệm lắng nghe thương hiệu cần được hiểu đúng. Nó không chỉ là đếm lượt mention. Nó là phát hiện ra sự thay đổi trong giọng điệu, trong chiến thuật khuyến mãi, và trong cách đối thủ định vị sản phẩm. Khi xác định rõ điều này, phạm vi công việc của Agentic AI mới trở nên rõ ràng: tự động hóa khâu thu thập và tổng hợp thô, để lại khâu đánh giá chiến lược cho con người.

Trong khi làm: Thiết kế quy trình Agentic AI

Triển khai hệ thống chiến lược cạnh tranh AI hiệu quả đòi hỏi một kiến trúc đa tác tử (multi-agent). Tôi đã từng làm việc cùng Masan và Meat Deli trong các dự án liên quan đến chuỗi cung ứng và bán lẻ, và tôi nhận thấy một điểm chung: quy trình càng phức tạp, việc tách nhỏ nhiệm vụ cho các agent khác nhau càng quan trọng.

• Agent Thu thập: Quét dữ liệu từ mạng xã hội, website đối thủ và các diễn đàn ngành. Nó được lập trình để lọc bỏ spam và nội dung không liên quan.
• Agent Tổng hợp: Gom nhóm các thông tin tương tự. Ví dụ, nếu ba đối thủ đều chạy chiến dịch giảm giá 20% vào thứ Hai, agent này sẽ gộp chúng thành một sự kiện chung.
• Agent Đánh giá sơ bộ: Gán nhãn mức độ rủi ro hoặc cơ hội dựa trên các tiêu chí đã định nghĩa trước. Đây là bước nơi AI bắt đầu 'suy nghĩ' về tác động.

Điểm mấu chốt ở đây là sự minh bạch. Mỗi kết luận mà agent đưa ra đều phải kèm theo nguồn gốc dữ liệu. Giám đốc vận hành không muốn thấy một con số khô khan. Họ muốn biết: 'Vì sao bạn nói đối thủ X đang yếu đi?'. Nếu AI không thể giải thích được lý do, nó là một hộp đen nguy hiểm.

Chúng tôi đã áp dụng cách tiếp cận này cho một khách hàng trong ngành dầu nhớt. Thay vì để một model lớn xử lý tất cả, chúng tôi chia nhỏ công việc. Kết quả là thời gian xử lý giảm đi đáng kể, và độ chính xác trong việc phát hiện các thay đổi nhỏ về giá bán lẻ tại các đại lý được cải thiện rõ rệt.

Sau khi chạy thật: Điều chỉnh kỳ vọng và quy trình

Không có hệ thống AI nào chạy hoàn hảo ngay từ ngày đầu. Điều quan trọng là cách bạn phản hồi với những lỗi phát sinh.

Trong ba tháng đầu, báo cáo hàng tuần vẫn chứa khoảng một phần ba thông tin nhiễu. Đội ngũ marketing phải dành thêm thời gian để lọc lại. Đây là giai đoạn khó chịu nhất. Nhưng đó cũng là giai đoạn quý giá nhất, vì mỗi lần họ đánh dấu một thông tin là 'sai', chúng tôi đều điều chỉnh prompt và logic của agent.

Sau sáu tháng, tỷ lệ nhiễu giảm xuống còn dưới 10%. Báo cáo trở thành một phần không thể thiếu trong cuộc họp chiến lược hàng tuần. Nhưng quan trọng hơn, văn hóa làm việc thay đổi. Đội ngũ không còn sợ hãi trước khối lượng dữ liệu. Họ bắt đầu đặt câu hỏi sâu hơn: 'Tại sao đối thủ lại chọn kênh đó?', 'Chiến thuật này sẽ ảnh hưởng thế nào đến thị trường Mexico nếu họ mở rộng?'.

Ở thị trường quốc tế, như Thái Lan hay Philippines, dữ liệu mạng xã hội thường đa ngôn ngữ và phức tạp hơn. Agentic AI xử lý đa ngôn ngữ tốt hơn nhiều so với con người, nhưng nó vẫn cần sự giám sát của những người am hiểu văn hóa địa phương. Tôi đã thấy những trường hợp AI hiểu sai ngữ cảnh hài hước của người dùng bản địa, dẫn đến đánh giá sai mức độ nghiêm trọng của một khủng hoảng nhỏ. Vì vậy, yếu tố con người trong khâu 'quality control' là không thể thay thế.

AIVISION đã đồng hành cùng nhiều doanh nghiệp trong hành trình này, từ các tập đoàn lớn như TTN đến các công ty công nghệ sinh học như Gene Solutions. Điểm chung của những dự án thành công không phải là công nghệ đắt tiền, mà là sự kiên nhẫn trong việc tinh chỉnh quy trình làm việc giữa con người và máy móc.

Câu hỏi thường gặp

Agentic AI khác gì so với chatbot phân tích dữ liệu thông thường?

Chatbot thông thường phản hồi theo quy tắc hoặc mẫu có sẵn. Agentic AI có khả năng lập kế hoạch, tự động thực hiện nhiều bước (thu thập, lọc, tổng hợp) và tự điều chỉnh hành vi dựa trên kết quả trung gian. Nó giống như một nhân viên thực tập có thể tự làm việc theo danh sách công việc, chứ không chỉ trả lời khi được hỏi.

Có cần đầu tư hạ tầng máy chủ lớn để chạy hệ thống này không?

Không nhất thiết. Với các mô hình ngôn ngữ lớn (LLM) hiện nay, bạn có thể triển khai trên cloud với chi phí hợp lý. Tuy nhiên, chi phí sẽ tăng nếu bạn yêu cầu xử lý dữ liệu thời gian thực 24/7 hoặc lưu trữ lượng dữ liệu khổng lồ từ nhiều năm. Việc tối ưu hóa chi phí nằm ở việc chọn đúng tần suất quét dữ liệu và loại mô hình phù hợp với mức độ phức tạp của nhiệm vụ.

Bao lâu thì hệ thống mới đủ chính xác để tin dùng?

Thông thường, cần từ 3 đến 6 tháng để hệ thống đạt độ ổn định cao. Trong giai đoạn đầu, hãy xem báo cáo của AI như một bản nháp cần kiểm duyệt, không phải là kết luận cuối cùng. Khi bạn và đội ngũ đã quen với cách AI tư duy, bạn có thể rút ngắn thời gian kiểm tra và tin tưởng vào các cảnh báo quan trọng hơn.

AIVISION đồng hành cùng doanh nghiệp Việt Nam trong hành trình ứng dụng AI vào vận hành thực tế. Xem thêm các giải pháp AI cho doanh nghiệp, đọc thêm bài viết khác hoặc liên hệ với đội ngũ AIVISION để được tư vấn theo đúng bài toán của bạn.