LLM tiếng Việt cho bán lẻ: chatbot, mô tả sản phẩm, phản hồi khách

01/10/2026

Một cửa hàng online bán đồ gia dụng có hai nghìn mã sản phẩm, và mô tả của khoảng một nửa trong đó là chép nguyên văn từ nhà cung cấp, sai chính tả lẫn cả. Ai quản lý nội dung ở đó đều biết sửa từng cái là chuyện không tưởng. Đây là loại bài toán mà LLM tiếng Việt hợp với bán lẻ: khối lượng lớn, văn bản lặp khuôn, và chấp nhận được sai số nhỏ nếu có bước duyệt. Nhưng đừng vội, vì mỗi ứng dụng có cái bẫy riêng.

Chatbot tư vấn: đừng để nó hứa thay bạn

Khách hỏi "cái nồi này dùng được bếp từ không", "size M có vừa người cao mét sáu mươi lăm không", "đơn của tôi bao giờ tới". Một chatbot trên LLM, kết nối với dữ liệu sản phẩm và hệ thống đơn hàng, trả lời được bằng tiếng Việt tự nhiên, kể cả khi khách gõ không dấu, viết tắt, hay trộn tiếng lóng. Đó là lợi thế so với chatbot theo kịch bản cứng, thứ chỉ hiểu khi khách gõ đúng từ khoá.

Cái bẫy là chatbot có xu hướng nói điều khách muốn nghe. Hỏi "áo này giặt máy được không", nếu dữ liệu không ghi, mô hình có thể trả lời "được" cho lịch sự. Cách phòng là buộc nó chỉ dùng thông tin trong dữ liệu sản phẩm, và khi thiếu thì nói thật là chưa có thông tin, rồi chuyển cho nhân viên. Tương tự với khuyến mãi, giá, bảo hành: bất cứ thứ gì có thể thành cam kết pháp lý hoặc thương mại phải lấy từ nguồn dữ liệu chính thức, không phải do mô hình tự diễn đạt.

Những tình huống nên chuyển cho người

• Khách đang bực hoặc doạ khiếu nại.
• Yêu cầu đổi trả ngoài chính sách thông thường.
• Sản phẩm có yếu tố an toàn, như mỹ phẩm cho da nhạy cảm, đồ ăn cho người dị ứng.
• Câu hỏi mà chatbot trả lời lặp lại hai lần vẫn không giải quyết được.

Mô tả sản phẩm: nhanh, nhưng phải có chốt chặn

Viết mô tả cho hàng nghìn sản phẩm từ bảng thông số là việc LLM làm khá ổn. Đưa vào chất liệu, kích thước, công dụng, nhận lại đoạn văn có giọng thương hiệu thống nhất, tối ưu sẵn cho tìm kiếm. Một lợi ích ít người nghĩ tới là sự nhất quán: cả danh mục nghe như do một người viết.

Nhưng có hai lỗi tôi gặp liên tục. Lỗi thứ nhất là "thêm thắt": bảng thông số ghi vải cotton, mô tả sinh ra lại nói "thấm hút mồ hôi cực tốt, kháng khuẩn", thứ không có trong dữ liệu. Với hàng tiêu dùng, nhất là thực phẩm, mỹ phẩm, thực phẩm chức năng, những câu như vậy có thể là quảng cáo sai sự thật. Lỗi thứ hai là các mô tả đọc na ná nhau, sáo rỗng, đầy những cụm như "mang đến trải nghiệm tuyệt vời". Khách đọc một lần là thấy máy viết. Giải pháp là cho mô hình mẫu giọng văn thật của thương hiệu và cấm nó suy diễn ngoài dữ liệu đầu vào.

Phân tích phản hồi khách: nơi LLM có giá trị âm thầm

Đánh giá sao, bình luận trên sàn, tin nhắn fanpage, email khiếu nại. Rất ít đội đọc hết. LLM đọc được tất cả, gom thành chủ đề: giao hàng chậm ở khu vực nào, sản phẩm nào bị phàn nàn về mùi, mẫu bao bì nào hay bị móp. Tiếng Việt trên mạng xã hội là thử thách thật: viết tắt ("ko", "dc", "sp"), không dấu, tiếng lóng, mỉa mai, emoji thay cho cảm xúc. Câu "giao nhanh ghê, mới có ba tuần" là lời khen hay lời mỉa? Máy thường đoán sai, nên phân tích cảm xúc vẫn cần kiểm mẫu bằng người.

Tôi khuyên đừng dùng nó để cho điểm cảm xúc rồi vẽ biểu đồ đẹp. Dùng nó để trả lời những câu hỏi cụ thể: tuần này khách phàn nàn về điều gì nhiều hơn tuần trước? Phàn nàn đó tập trung ở lô hàng nào? Khi bạn đưa được một câu trích nguyên văn của khách kèm theo, đội sản phẩm sẽ tin vào kết quả hơn nhiều.

Chọn mô hình thế nào

Với bán lẻ, chi phí và tốc độ quan trọng không kém chất lượng, vì số lượt hỏi lớn. Nhiều trường hợp một mô hình gọn, được finetune trên dữ liệu ngành và giọng điệu riêng, hợp hơn một mô hình khổng lồ dùng cho mọi việc. AIVISION huấn luyện và finetune LLM cho tiếng Việt và cho các lĩnh vực cụ thể, đã phát hành model L1.0 cho tiếng Việt. Tôi không nêu con số hiệu năng hay chi phí ở đây, vì chúng phụ thuộc vào cách bạn triển khai.

Thêm một lưu ý về dữ liệu khách hàng: tin nhắn thường chứa số điện thoại, địa chỉ giao hàng. Nên che các thông tin này trước khi đưa vào bước phân tích, và quy định rõ thời gian lưu nội dung hội thoại.

Bắt đầu thế nào

Chọn một danh mục hẹp, ví dụ năm trăm sản phẩm của một ngành hàng. Sinh mô tả, để biên tập viên duyệt, và đếm xem họ sửa bao nhiêu và sửa kiểu gì. Con số đó nói cho bạn biết cần chỉnh mô hình hay chỉnh dữ liệu đầu vào. Thông tin thêm về mô hình có trên trang AIVISION.