Mahaton Project là đơn vị chuyên cung cấp giải pháp Digital Marketing toàn diện cho doanh nghiệp tại Việt Nam, trực thuộc hệ thống Công ty TNHH Minh Phát với hơn 30 năm kinh nghiệm trong ngành sản xuất và thương mại.
Chúng tôi giúp khách hàng:
Tăng trưởng lợi nhuận và mở rộng tệp khách hàng
Cắt giảm đến 60% chi phí nhân sự vận hành
Tiết kiệm thời gian quản lý gấp 5 lần
Cung cấp cho ban lãnh đạo bảng điều khiển trực quan để đo lường hiệu quả thời gian thực
Tất cả thông qua ba trụ cột dịch vụ:
Thiết kế website chuyên nghiệp, chuẩn SEO
Quảng cáo Google/YouTube hiệu suất cao
Ứng dụng trí tuệ nhân tạo (AI) trong vận hành kinh doanh
Với kinh nghiệm phục vụ hơn 10 đối tác trong các lĩnh vực đa dạng — từ hãng hàng không quốc tế (American Airlines), chuỗi F&B (Panda Express, China Queen), bán lẻ (Co.op Mart), truyền thông (HTV1), viễn thông (Viettel), đến các doanh nghiệp sản xuất Việt Nam (TAKI Elevator, Minh Phát EPS, Tấn Đại Bao Bì, Nam Phát Tôn) — chúng tôi hiểu rõ nhu cầu thị trường và cam kết mang đến giải pháp tạo tăng trưởng thực sự cho từng khách hàng.
Một khách hàng nhắn cho chatbot của doanh nghiệp anh chị: "Sản phẩm này còn bảo hành không?" Chatbot trả lời chắc nịch: "Dạ còn, bảo hành 24 tháng đổi mới toàn bộ." Vấn đề là chính sách thật chỉ bảo hành 12 tháng và không đổi mới. Khách dựa vào câu trả lời đó để mua, rồi quay lại khiếu nại. Doanh nghiệp vừa mất tiền xử lý, vừa mất uy tín, vừa đối mặt rủi ro pháp lý. Đây không phải tình huống hiếm: theo các khảo sát triển khai chatbot AI trong môi trường doanh nghiệp, tỷ lệ "ảo giác" (hallucination) ở các hệ thống không được kiểm soát nguồn có thể dao động từ 15% đến 27% trên các câu hỏi về dữ kiện cụ thể. Với một SME nhận vài trăm tin nhắn mỗi ngày, đó là hàng chục câu trả lời sai mỗi tuần, mỗi câu là một quả bom hẹn giờ.
"Ảo giác" (hallucination) là thuật ngữ chỉ hiện tượng AI tạo ra thông tin nghe rất trôi chảy, tự tin, đúng ngữ pháp nhưng sai sự thật hoặc hoàn toàn bịa đặt. Điểm nguy hiểm nằm ở chữ "tự tin": chatbot không nói "có lẽ", "tôi đoán" mà khẳng định chắc chắn. Một câu trả lời sai kèm giọng điệu chuyên gia còn nguy hiểm hơn nhiều so với một câu thừa nhận không biết.
Với doanh nghiệp lớn, một câu trả lời sai có thể được lọc qua nhiều tầng kiểm duyệt. Nhưng với SME Việt, chatbot thường là tuyến đầu trực tiếp tiếp xúc khách hàng, chốt đơn, tư vấn giá. Khi nó bịa, hậu quả đến ngay lập tức và không có lớp đệm. Ba dạng ảo giác phổ biến nhất mà chúng tôi gặp ở các dự án:
Điểm chung của cả ba là chúng đều xảy ra ở những câu hỏi mà doanh nghiệp biết chính xác câu trả lời đúng, chỉ là chatbot không được nối với nguồn dữ kiện đó.
Để khắc phục triệt để, anh chị cần hiểu vì sao ảo giác xảy ra, chứ không chỉ vá ngoài da. Có ba nguyên nhân gốc rễ.
Thứ nhất, mô hình ngôn ngữ được thiết kế để dự đoán, không phải để tra cứu. Bản chất một mô hình ngôn ngữ là một cỗ máy dự đoán: cho một chuỗi từ, nó tính xác suất từ tiếp theo "nghe hợp lý nhất". Nó không có khái niệm đúng/sai, nó chỉ có khái niệm "trôi chảy". Khi anh chị hỏi giá một sản phẩm, nếu không được cấp dữ liệu thật, mô hình sẽ điền vào chỗ trống bằng con số "nghe giống giá nhất" mà nó từng thấy trong huấn luyện. Đó là lý do câu bịa thường rất hợp lý về hình thức.
Thứ hai, kiến thức huấn luyện là chung chung, cũ và không phải của doanh nghiệp anh chị. Một mô hình nền được huấn luyện trên dữ liệu công cộng đến một thời điểm nhất định. Nó không biết bảng giá tháng này của anh chị, không biết chính sách mới ban hành tuần trước, không biết mã sản phẩm nội bộ. Khi gặp câu hỏi về những thứ này, nó không có nguồn để dựa, nên nó suy đoán. Đây là nguyên nhân số một gây bịa giá và sai chính sách ở SME.
Thứ ba, mô hình bị "thiên kiến làm hài lòng". Quá trình tinh chỉnh khiến AI có xu hướng đưa ra câu trả lời mà người hỏi muốn nghe, hơn là từ chối. Khi khách hỏi "Có giảm giá không?", AI ngầm hiểu người hỏi muốn nghe "có", nên nó nghiêng về phía bịa ra một chương trình giảm giá thay vì nói thẳng "hiện không có".
Chatbot không cố tình nói dối. Nó chỉ đang làm đúng việc nó được sinh ra: tạo ra câu chữ nghe hợp lý. Nhiệm vụ của chúng ta là buộc nó chỉ được nói những gì có thật trong kho dữ liệu doanh nghiệp.
Hiểu được ba gốc rễ này, ta thấy rõ: không thể "huấn luyện cho AI thông minh hơn để nó hết bịa". Cách chữa đúng là thay đổi nguồn thông tin AI dựa vào khi trả lời, và thiết lập ranh giới cho phép nó từ chối. Đó chính là bốn trụ cột mà Mahaton áp dụng.
Triệu chứng: chatbot trả lời giá, chính sách, thông số bằng con số "tự nghĩ ra", không khớp tài liệu thật.
Gốc rễ: AI đang trả lời từ trí nhớ huấn luyện chung chung thay vì tra cứu dữ liệu thật của doanh nghiệp.
Cách Mahaton sửa: chúng tôi áp dụng kỹ thuật grounding theo mô hình RAG (Retrieval-Augmented Generation, tạm dịch "sinh câu trả lời có tăng cường truy xuất"). Nguyên lý đơn giản nhưng hiệu quả: trước khi AI trả lời bất kỳ câu hỏi nào, hệ thống sẽ tra cứu kho tri thức chính thức của doanh nghiệp để tìm các đoạn dữ kiện liên quan, rồi bắt buộc AI soạn câu trả lời dựa trên các đoạn đó, không được tự bịa.
Quy trình grounding của Mahaton AI Engine gồm các bước:
Kết quả thực tế: với một khách hàng ngành thiết bị công nghiệp, sau khi grounding toàn bộ catalogue và bảng giá vào hệ thống, tỷ lệ câu trả lời sai về thông số và giá giảm gần như về không, vì AI không còn "đoán" mà luôn đọc từ nguồn thật. Khi doanh nghiệp cập nhật bảng giá, chatbot trả lời theo giá mới ngay, không cần huấn luyện lại.
Triệu chứng: ngay cả khi có kho tri thức, chatbot đôi khi vẫn trộn lẫn thông tin đúng với thông tin tự thêm thắt, và không ai biết câu trả lời lấy từ đâu.
Gốc rễ: nếu không bắt buộc AI gắn câu trả lời với nguồn, nó vẫn có khoảng trống để "pha trộn" dữ kiện thật với suy đoán.
Cách Mahaton sửa: chúng tôi xây cơ chế kiểm soát nguồn ở hai cấp.
Ở cấp nội bộ, mỗi câu trả lời của chatbot được hệ thống ghi lại kèm nguồn dữ liệu đã dùng. Khi doanh nghiệp rà soát một câu trả lời nghi ngờ, đội vận hành biết ngay nó dựa trên đoạn tài liệu nào, có khớp không. Điều này biến việc "chatbot nói gì đó sai mà không ai biết tại sao" thành một quy trình truy vết rõ ràng.
Ở cấp tin tưởng nguồn, Mahaton phân tầng độ ưu tiên: tài liệu chính thức do doanh nghiệp phê duyệt luôn được ưu tiên tuyệt đối; AI không được lấy thông tin từ kiến thức huấn luyện chung để "bù đắp" cho những lĩnh vực mà doanh nghiệp đã có tài liệu. Với câu hỏi về giá, chính sách, sản phẩm, hệ thống đặt chế độ "chỉ nguồn nội bộ": nếu kho tri thức không có, AI không được tự lấp.
Tùy ngành, chúng tôi còn bật chế độ trích dẫn trực tiếp cho khách hàng cuối: chatbot trả lời kèm câu "thông tin này theo chính sách bảo hành cập nhật ngày...". Cách này vừa tăng độ tin cậy với khách, vừa tạo áp lực buộc câu trả lời phải khớp tài liệu thật.
Triệu chứng: gặp câu hỏi ngoài phạm vi dữ liệu, chatbot vẫn cố trả lời và bịa ra thông tin thay vì thừa nhận không biết.
Gốc rễ: mô hình mặc định luôn cố đưa ra câu trả lời "đầy đủ", và thiên kiến làm hài lòng khiến nó ngại từ chối.
Cách Mahaton sửa: chúng tôi cài đặt một lớp guardrail, tức các "rào chắn" hành vi buộc AI tuân thủ ranh giới an toàn. Đây là phần nhiều doanh nghiệp tự triển khai bỏ qua, và cũng là phần tạo ra khác biệt lớn nhất giữa một chatbot an toàn và một chatbot gây họa.
Guardrail của Mahaton hoạt động trên ba lớp:
Một nguyên tắc Mahaton luôn nhấn mạnh với khách hàng: một chatbot nói "em chưa chắc, để em kiểm tra lại" giữ được niềm tin của khách. Một chatbot bịa rồi sai sẽ đánh mất niềm tin đó vĩnh viễn, đôi khi chỉ sau một câu trả lời.
Chatbot tốt nhất không phải chatbot trả lời được mọi câu. Đó là chatbot biết chính xác khi nào nó không nên trả lời.
Triệu chứng: chatbot chạy tốt lúc nghiệm thu, nhưng vài tuần sau bắt đầu trả lời lệch khi gặp câu hỏi mới, sản phẩm mới, chính sách thay đổi.
Gốc rễ: doanh nghiệp là một thực thể sống, dữ liệu liên tục thay đổi. Một hệ thống được cấu hình một lần rồi bỏ mặc sẽ trôi xa dần khỏi thực tế.
Cách Mahaton sửa: chúng tôi không xem triển khai chatbot là một dự án "làm xong rồi thôi", mà là một hệ thống cần vận hành và hiệu chỉnh. Quy trình review của Mahaton gồm các bước anh chị có thể áp dụng ngay:
Chính vòng lặp giám sát này biến chatbot từ một rủi ro thành một tài sản ngày càng đáng tin theo thời gian.
Tại Mahaton Project, chúng tôi không bán cho doanh nghiệp một chatbot "biết nói chuyện". Chúng tôi xây dựng một hệ thống AI nói đúng sự thật của doanh nghiệp anh chị, và đó là một bài toán kỹ thuật nghiêm túc, không phải một plugin cắm vào là xong.
Bốn trụ cột trong bài viết này, grounding vào kho tri thức bằng RAG, kiểm soát nguồn và trích dẫn, guardrail dạy AI biết từ chối, và quy trình review liên tục, được Mahaton triển khai như một quy trình khép kín trên Mahaton AI Engine. Đây không phải lý thuyết: chúng tôi đã đúc kết từ hơn 290 dự án thực chiến, áp dụng cho các doanh nghiệp ở nhiều ngành, từ sản xuất, thiết bị, đến dịch vụ và bán lẻ. Mỗi hệ thống được tinh chỉnh theo kho tri thức và mức độ rủi ro riêng của từng ngành: một chatbot ngành thiết bị công nghiệp cần độ chính xác thông số tuyệt đối, một chatbot bán lẻ cần cân bằng giữa tốc độ và an toàn cam kết.
Nếu chatbot hiện tại của doanh nghiệp anh chị đang trả lời sai giá, sai chính sách, hoặc anh chị sắp triển khai và muốn làm đúng ngay từ đầu, đội ngũ Mahaton có thể rà soát hệ thống hiện tại, chỉ ra chính xác chỗ AI đang bịa, và xây lại nền tảng grounding cho nó. Hãy liên hệ Mahaton để được tư vấn lộ trình kiểm soát ảo giác phù hợp với quy mô và ngành của doanh nghiệp anh chị. Một chatbot nói đúng không chỉ tránh được rủi ro, nó còn là một nhân viên tư vấn đáng tin làm việc 24/7 cho anh chị.
Lộc Tấn Huynh — Founder Mahaton Project, agency AI và digital marketing Việt Nam với hơn 290 dự án đã triển khai. Lộc và đội ngũ Mahaton chuyên xây dựng các hệ thống AI nói đúng sự thật doanh nghiệp, từ chatbot chăm sóc khách hàng, AI sales, đến tự động hóa vận hành, với cam kết kiểm soát chất lượng và độ chính xác đặt lên hàng đầu.
Hãy để chúng tôi đồng hành và hỗ trợ doanh nghiệp bạn phát triển bền vững.
.png)
