AI Visibility tại Mexico: Khi số liệu gặp thực tế cửa hàng

04/10/2026

Kỳ vọng và thực tế ở biên giới

Khi bắt đầu bàn về việc triển khai AI Visibility và chấm điểm trưng bày (display scoring) tại Mexico, hầu hết các cuộc họp đều đi theo một kịch bản quen thuộc. Người ta mong đợi rằng chỉ cần đưa bộ camera AI vào các cửa hàng tạp hóa nhỏ ở vùng trung tâm, hệ thống sẽ tự động "hiểu" mọi thứ và đưa ra con số chính xác tuyệt đối. Kỳ vọng đó thường rất cao, đôi khi đến mức lý tưởng hóa. Thực tế xảy ra lại khác hẳn. Chúng tôi không thấy một bức tranh sạch sẽ ngay từ đầu. Thay vào đó, là hàng loạt vấn đề về ánh sáng, góc chụp và sự hỗn loạn trong cách sắp xếp hàng hóa mà không một tài liệu kỹ thuật nào mô tả đầy đủ được.

Điều đầu tiên khiến đội kỹ thuật phải ngồi lại là khoảng cách văn hóa trong dữ liệu. Ở Việt Nam, khi làm việc với các đối tác như Masan hay Meat Deli, chúng tôi đã quen với một mức độ chuẩn hóa nhất định trong chuỗi cung ứng. Ở Mexico, đặc biệt là ở khu vực bán lẻ nhỏ lẻ (mom-and-pop stores), cách bày biện sản phẩm phụ thuộc rất nhiều vào cảm tính của chủ cửa hàng. Có những ngày kệ hàng đầy ắp, có những ngày trống không. Nếu áp dụng y nguyên bộ tiêu chí chấm điểm cứng nhắc từ thị trường khác, hệ thống AI sẽ báo lỗi liên tục. Đó không phải lỗi phần mềm, mà là lỗi của kỳ vọng.

Trước, trong và sau khi camera lên sóng

Quy trình triển khai không diễn ra theo đường thẳng. Giai đoạn "trước khi làm" chiếm phần lớn thời gian và là nơi dễ bị bỏ qua nhất. Chúng tôi dành nhiều tuần để thu thập dữ liệu ảnh thực tế từ chính các điểm bán tại Mexico. Mục đích không phải để huấn luyện mô hình ngay lập tức, mà là để "đọc vị" thị trường. Chúng tôi phát hiện ra rằng khoảng một phần ba số ảnh bị lỗi do ánh sáng mặt trời chiếu trực tiếp vào mặt kính tủ trưng bày. Ở Việt Nam, vấn đề này ít phổ biến hơn do kiến trúc cửa hàng và thói quen lắp đặt khác. Điều này buộc chúng tôi phải tinh chỉnh lại thuật toán xử lý ảnh, đặc biệt là phần cân bằng trắng và khử nhiễu, để AI không bị "mù" khi gặp ánh sáng gắt.

Sang giai đoạn "trong khi làm", thách thức lớn nhất là hạ tầng mạng. Internet tại một số khu vực ở Mexico không ổn định như ở các thành phố lớn của Đông Nam Á. Giải pháp mà chúng tôi áp dụng, tương tự như khi đồng hành cùng các doanh nghiệp ngành dầu nhớt tại Việt Nam, là cho phép thiết bị hoạt động offline và đồng bộ dữ liệu khi có mạng. Camera AI ghi nhận sự kiện, lưu cục bộ và chỉ gửi về server khi kết nối đủ mạnh. Điều này tránh được việc mất dữ liệu do rớt mạng, vốn là kẻ thù số một của các giải pháp giám sát từ xa.

Giai đoạn "sau khi chạy thật" mới là lúc bài toán trở nên thú vị. Hệ thống bắt đầu đưa ra các điểm số chấm điểm trưng bày. Tuy nhiên, thay vì chỉ nhìn vào con số, chúng tôi tập trung vào phản hồi từ đội ngũ giám sát. Họ cho biết rằng AI đã giúp họ phát hiện ra những lỗi nhỏ mà con người thường bỏ qua, chẳng hạn như vị trí đặt sản phẩm không đúng quy chuẩn thương mại (planogram) nhưng vẫn đủ để khách hàng nhìn thấy. Đây là giá trị thực sự của AI Vision: nó không thay thế con người, mà mở rộng tầm nhìn của họ. Tốc độ xử lý ảnh đạt mức cam kết, với độ trễ dưới 1 giây, giúp các nhà quản lý có thể xem xét tình trạng cửa hàng gần như thời gian thực thay vì phải chờ báo cáo cuối tuần.

Cái đo được và điều chưa thể giải quyết

Đo lường hiệu quả trong dự án này không chỉ dựa vào độ chính xác của thuật toán. Chúng tôi theo dõi chỉ số "tỷ lệ can thiệp thành công". Nghĩa là, khi hệ thống báo một kệ hàng thiếu sản phẩm, đội ngũ bán hàng có khắc phục được không? Kết quả cho thấy, nhờ có cảnh báo sớm từ AI, thời gian phát hiện lỗi giảm đi đáng kể so với cách làm thủ công trước đây. Tuy nhiên, cần nói thẳng một điều: AI không thể giải quyết mọi vấn đề. Có những tình huống mà camera không thể phân biệt được giữa một sản phẩm bị hết hàng và một sản phẩm bị che khuất bởi một vật lạ không liên quan. Những trường hợp này vẫn cần sự can thiệp của con người hoặc một quy trình kiểm tra bổ sung.

Điểm mấu chốt là việc tích hợp AI Visibility vào quy trình vận hành. Nếu chỉ có phần cứng và phần mềm mà không có sự thay đổi trong cách làm việc của đội ngũ, hiệu quả sẽ không bền. Chúng tôi đã thấy nhiều doanh nghiệp đầu tư vào công nghệ nhưng thất bại vì không đào tạo lại nhân sự. Tại Mexico, chúng tôi đã phải làm việc sát sao với các giám sát viên để đảm bảo họ hiểu được ý nghĩa của từng điểm số và biết cách hành động dựa trên dữ liệu đó.

Đánh đổi và bước tiếp theo

Nếu làm lại từ đầu, có một số điều chúng tôi sẽ làm khác đi. Chúng tôi sẽ đầu tư nhiều hơn vào giai đoạn chuẩn hóa dữ liệu đầu vào. Việc yêu cầu các chủ cửa hàng tuân thủ một quy tắc chụp ảnh hoặc lắp đặt camera nhất định sẽ giúp giảm thiểu đáng kể lỗi hệ thống. Tuy nhiên, điều này đòi hỏi sự kiên nhẫn và đàm phán kỹ lưỡng, không thể áp đặt một cách cơ học. Ngoài ra, chúng tôi sẽ xem xét việc triển khai AI Office để hỗ trợ các đội ngũ văn phòng trong việc phân tích báo cáo từ AI Visibility. Hiện tại, việc tổng hợp dữ liệu từ hàng nghìn cửa hàng vẫn tốn nhiều thời gian. Một trợ lý AI có thể tóm tắt các vấn đề chính và đề xuất giải pháp ngay trong email hoặc báo cáo Excel, giúp giảm tải cho các nhà quản lý.

Việc mở rộng ra các thị trường khác như Philippines hay Thái Lan sẽ tiếp tục đối mặt với những thách thức tương tự nhưng có sắc thái riêng. Mỗi thị trường là một bài toán riêng về văn hóa bán lẻ và hạ tầng. Bài học rút ra là: đừng coi AI là một phép màu. Hãy coi nó là một công cụ cần được nuôi dưỡng bằng dữ liệu chất lượng và quy trình vận hành chặt chẽ. AIVISION đã đồng hành cùng nhiều doanh nghiệp Việt Nam trong hành trình này, và kinh nghiệm tích lũy được từ những thị trường khó tính như Mexico sẽ là nền tảng quan trọng để chúng tôi tiếp tục phát triển các giải pháp AI Vision phù hợp với bối cảnh toàn cầu. Con đường phía trước vẫn còn dài, và sự khiêm tốn trước dữ liệu thực tế luôn là yếu tố then chốt để đi xa.

Vtraks là ứng dụng của AIVISION gom AI Camera, AI Visibility và AI Office vào một chỗ. Xem thử trên App Store, hoặc đọc thêm các bài viết khác của AIVISION.