Những thất bại phổ biến khi triển khai AI Agents cho SME

Vì sao nhiều dự án AI Agent không đi qua được giai đoạn thử nghiệm?

Một bản demo có thể tạo cảm giác rằng AI Agent đủ khả năng tự động hóa gần như mọi công việc. Nhưng giữa bản demo và một hệ thống vận hành ổn định là khoảng cách về dữ liệu, tích hợp, quyền hạn, ngoại lệ, trách nhiệm và chi phí duy trì.

Gartner dự báo hơn 40% dự án Agentic AI có thể bị hủy trước cuối năm 2027 do chi phí tăng, giá trị kinh doanh không rõ hoặc kiểm soát rủi ro chưa đầy đủ. SME dễ gặp vấn đề hơn vì thường không có đội ngũ riêng cho dữ liệu, bảo mật và governance.

Sai lầm lớn nhất không nhất thiết là chọn nhầm mô hình. Phần lớn thất bại bắt nguồn từ việc doanh nghiệp chưa xác định rõ AI phải cải thiện quy trình nào và ai chịu trách nhiệm khi hệ thống làm sai.

Sai lầm 1: Bắt đầu bằng công nghệ thay vì bài toán

Câu hỏi “Chúng ta có thể dùng Agent AI ở đâu?” dễ dẫn đến danh sách ý tưởng dài nhưng không có ưu tiên. Câu hỏi tốt hơn là:

• Quy trình nào đang gây tốn thời gian hoặc làm mất doanh thu?
• Ai đang chịu ảnh hưởng?
• Đường cơ sở hiện tại là gì?
• KPI nào cần cải thiện?
• Sai sót ở mức nào có thể chấp nhận?
• Giá trị của cải thiện có đủ bù chi phí triển khai không?

Một mục tiêu có thể đo được là: “Giảm thời gian phản hồi câu hỏi về đơn hàng từ 30 phút xuống dưới 1 phút, đồng thời giữ tỷ lệ trả lời sai dưới 2%.” Mục tiêu “ứng dụng AI vào chăm sóc khách hàng” thì quá mơ hồ để đánh giá thành công.

Sai lầm 2: Làm quá nhiều ngay từ đầu

Một Agent kết nối CRM, ERP, email, kế toán, thanh toán và mọi kênh hỗ trợ là dự án tích hợp phức tạp. Mỗi hệ thống thêm vào làm tăng quyền truy cập, ngoại lệ và bề mặt rủi ro.

SME nên chia theo giai đoạn:

1. Trả lời từ kho tri thức đã duyệt.
2. Tra cứu một loại dữ liệu như trạng thái đơn.
3. Tạo yêu cầu hoặc bản nháp hành động.
4. Cho phép thực hiện tác vụ rủi ro thấp.
5. Mở rộng sau khi đã đo chất lượng và chi phí.

MVP không có nghĩa là làm sơ sài. Nó có nghĩa là giới hạn phạm vi đủ nhỏ để kiểm tra một giả thuyết kinh doanh.

Sai lầm 3: Dữ liệu không có nguồn chính thức

Agent không thể trả lời ổn định nếu tài liệu mâu thuẫn. Các vấn đề phổ biến gồm:

• Chính sách cũ chưa được gỡ bỏ.
• Bảng giá có nhiều phiên bản.
• Mã sản phẩm không thống nhất.
• FAQ không có người chịu trách nhiệm.
• CRM không được cập nhật.
• File nhạy cảm không có phân quyền.

Trước khi xây Agent, doanh nghiệp cần xác định nguồn nào là nguồn chuẩn, tài liệu nào đã hết hiệu lực và ai được quyền thay đổi nội dung. Nếu con người không biết nên tin tài liệu nào, AI cũng không thể tự giải quyết mâu thuẫn đó.

Sai lầm 4: Chỉ dựa vào prompt để chống hallucination

Prompt tốt giúp giảm lỗi nhưng không phải lớp bảo vệ duy nhất. Agent có thể tạo ra thông tin nghe hợp lý khi thiếu dữ liệu, nguồn không rõ hoặc công cụ trả về kết quả bất thường.

Các biện pháp cần kết hợp:

• Chỉ retrieval từ nguồn đã được duyệt.
• Hiển thị hoặc lưu nguồn tham chiếu.
• Xác định ngưỡng độ tin cậy.
• Có câu trả lời an toàn khi thiếu dữ liệu.
• Không cho phép tự tạo giá, chính sách hoặc cam kết.
• Kiểm thử câu hỏi gây nhiễu và prompt injection.
• Chuyển người khi dữ liệu mâu thuẫn hoặc vượt phạm vi.

Hallucination là vấn đề hệ thống, không chỉ là vấn đề câu chữ trong prompt.

Sai lầm 5: Trao quyền hành động quá rộng

Một Agent có thể gây thiệt hại nếu được phép hoàn tiền, thay đổi giá, gửi dữ liệu hoặc tạo giao dịch mà không có giới hạn.

Nguyên tắc quyền tối thiểu nên được áp dụng:

• Chỉ truy cập dữ liệu cần cho use case.
• Tách quyền đọc và quyền ghi.
• Giới hạn giá trị giao dịch.
• Yêu cầu xác nhận ở hành động nhạy cảm.
• Ghi nhật ký đầy đủ.
• Có khả năng dừng và thu hồi quyền.
• Xem xét quyền định kỳ.

Quyền hạn cần được thiết kế từ đầu. Thêm kiểm soát sau khi xảy ra sự cố thường tốn kém hơn nhiều.

Sai lầm 6: Không có KPI và đường cơ sở

Số lượt chat, số token hoặc số lần Agent gọi công cụ không cho biết doanh nghiệp có nhận được giá trị hay không.

Tùy use case, KPI nên gồm:

• Tỷ lệ hoàn thành tác vụ.
• Tỷ lệ chuyển người.
• Tỷ lệ lỗi và mức độ nghiêm trọng.
• Thời gian xử lý.
• Chi phí trên mỗi tác vụ.
• CSAT.
• Doanh thu được hỗ trợ.
• Số sự cố bảo mật.
• Tỷ lệ người dùng chấp nhận đề xuất.

Mọi KPI cần có số liệu trước triển khai để so sánh. Nếu không có đường cơ sở, doanh nghiệp chỉ biết hệ thống hoạt động chứ không biết nó có cải thiện gì.

Sai lầm 7: Bỏ qua người trực tiếp sử dụng

Nhân viên có thể phản đối nếu AI được triển khai như công cụ giám sát hoặc thay thế. Họ cũng là người hiểu rõ nhất các ngoại lệ, dữ liệu thiếu và bước nào trong quy trình thực sự gây tốn thời gian.

Cần cho người sử dụng tham gia từ giai đoạn thiết kế:

• Xác định điểm nghẽn.
• Cung cấp tình huống ngoại lệ.
• Kiểm thử kết quả.
• Đề xuất cách chuyển người.
• Được đào tạo về giới hạn của hệ thống.
• Có kênh báo lỗi và phản hồi.

BCG ghi nhận mức độ tích cực với GenAI cải thiện khi lãnh đạo hỗ trợ và nhân viên được trang bị công cụ, đào tạo phù hợp. Công nghệ không thể bù cho một quy trình thay đổi mà con người không hiểu hoặc không tin.

Sai lầm 8: Không có governance và cơ chế dừng

Tối thiểu, doanh nghiệp cần xác định:

• Chủ sở hữu nghiệp vụ.
• Chủ sở hữu dữ liệu.
• Người phê duyệt thay đổi.
• Danh sách hành động cấm.
• Chính sách lưu và xóa dữ liệu.
• Quy trình xử lý sự cố.
• Chu kỳ đánh giá chất lượng.
• Điều kiện rollback hoặc tạm dừng.

Governance không nhất thiết phải là một bộ tài liệu nặng nề. Với SME, một ma trận trách nhiệm rõ, log đầy đủ và quy trình xử lý sự cố thực tế đã tạo ra khác biệt lớn.

Mô hình khắc phục: MVP + KPI + PDCA

Plan

Chọn một bài toán, xác định đường cơ sở, KPI, nguồn dữ liệu, quyền hạn và rủi ro chấp nhận được.

Do

Triển khai MVP trong phạm vi nhỏ, ưu tiên chế độ đề xuất hoặc bản nháp trước khi tự động hành động.

Check

Đánh giá log, lỗi, tỷ lệ chuyển người, phản hồi của người dùng, chi phí và ROI. Tách lỗi mô hình khỏi lỗi dữ liệu hoặc tích hợp.

Act

Cập nhật tài liệu, prompt, quyền hạn, quy trình và bộ kiểm thử. Mở rộng nếu kết quả ổn định; thu hẹp hoặc dừng nếu giá trị không đủ.

Chu kỳ này phải được lặp lại vì chính sách, dữ liệu và hành vi người dùng luôn thay đổi.

Checklist trước khi triển khai

• Bài toán kinh doanh được mô tả bằng KPI.
• Có số liệu đường cơ sở.
• Nguồn dữ liệu chính thức đã được xác định.
• Có người chịu trách nhiệm cập nhật dữ liệu.
• Quyền của Agent được giới hạn theo use case.
• Hành động rủi ro có bước xác nhận.
• Có log, giám sát và cảnh báo.
• Có đường chuyển người.
• Đã kiểm thử hallucination, prompt injection và ngoại lệ.
• Có kế hoạch đào tạo người sử dụng.
• Có tiêu chí dừng hoặc rollback.

Kết luận

Sai lầm lớn nhất không phải chọn sai mô hình, mà là triển khai AI tách rời khỏi quy trình, dữ liệu và trách nhiệm. SME có thể giảm rủi ro bằng cách bắt đầu nhỏ, đo lường rõ và chỉ tăng quyền sau khi hệ thống đã chứng minh giá trị.

Một dự án đáng tiếp tục không phải dự án có demo ấn tượng nhất. Đó là dự án tạo ra cải thiện có thể đo được, duy trì được và nằm trong mức rủi ro mà doanh nghiệp hiểu rõ.

Nguồn tham khảo

• Gartner. Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027 (2025-06-25)
• Boston Consulting Group. AI at Work: Momentum Builds, but Gaps Remain (2025)
• Boston Consulting Group. AI Agents: What They Are and Their Business Impact