Tổng đài AI đang bước qua giới hạn của kịch bản cứng

Nhiều doanh nghiệp Việt Nam từng dùng voicebot chủ yếu để nhắc nợ, thông báo lịch hẹn hoặc đặt câu hỏi theo danh sách. Mô hình này hiệu quả với các cuộc gọi lặp lại nhưng dễ gặp khó khi khách nói chen, đổi chủ đề hoặc yêu cầu kiểm tra một đơn cụ thể. Bước phát triển mới là voice agent có thể duy trì hội thoại, truy xuất dữ liệu và gọi công cụ trong khi tương tác bằng lời.

Ngày 10/09/2026, OpenAI công bố GPT-Live-1 cho API, nhấn mạnh khả năng nghe và nói đồng thời, xử lý ngắt lời và chuyển tác vụ phức tạp sang backend. Đây là hướng công nghệ đáng chú ý, nhưng không có nghĩa mọi tổng đài dùng AI hiện nay đều hoạt động liền mạch hoặc có cùng năng lực. Mỗi nhà cung cấp có kiến trúc, độ trễ và khả năng tiếng Việt khác nhau.

Có ba cách xây dựng voice agent, không phải chỉ một

Phương án truyền thống tách nhận dạng giọng nói, mô hình ngôn ngữ và tổng hợp tiếng nói thành ba bước. Ưu điểm là dễ thay nhà cung cấp từng phần, dễ kiểm tra văn bản trung gian. Nhược điểm là thời gian chuyển giữa các bước có thể tạo khoảng lặng nếu không tối ưu tốt.

Kiến trúcƯu điểmĐiểm cần thử
STT → LLM → TTSKiểm tra được văn bản và thay từng thành phầnĐộ trễ, mất ngữ cảnh khi nói chen
Realtime một phiênÂm thanh và công cụ trong cùng phiênNgắt lời, xác thực, độ ổn định cuộc gọi
Full duplex + backendHội thoại liên tục, tác vụ sâu ở backendBàn giao công cụ và đồng bộ trạng thái

Phương án realtime xử lý âm thanh trong một phiên tương tác và có thể gọi công cụ trực tiếp. Một hướng khác dùng lớp hội thoại full duplex phía trước, còn việc suy luận sâu, truy vấn dữ liệu và cập nhật nghiệp vụ được giao cho backend. Tài liệu kỹ thuật chính thức cho thấy lựa chọn phù hợp phụ thuộc vào nhu cầu kiểm soát, độ trễ và khả năng tích hợp hiện có. Tổng đài doanh nghiệp không nên đổi kiến trúc chỉ vì nghe bản demo “giống người”.

Khó nhất với khách hàng Việt là những chi tiết nhỏ

Giọng vùng miền, tiếng ồn ngoài đường, tên riêng, mã vận đơn pha chữ số và cách đọc số tiền làm chất lượng nhận dạng khó giữ ổn định. Ví dụ khách nói “giao về số mười hai ngõ ba mươi bảy”, nhưng hệ thống nghe nhầm thành “một hai ba bảy” thì lỗi không nằm ở câu trả lời, mà ở dữ liệu nghiệp vụ có thể bị ghi sai.

Cách thiết kế an toàn là tách thông tin có độ tin cậy thấp ra khỏi thao tác quan trọng. Địa chỉ, số điện thoại, ngày hẹn và khoản thu hộ phải được đọc lại ngắn gọn, xin xác nhận một cách rõ ràng trước khi cập nhật. Với những tên riêng khó nghe, hệ thống cần hỗ trợ gửi liên kết hoặc SMS xác minh, hoặc chuyển sang nhân viên thay vì cố đoán.

Voice agent không thể chỉ nối thẳng mô hình vào đường dây

Một kiến trúc tổng đài thường cần lớp kết nối điện thoại như SIP, quản lý phiên, xác thực danh tính, công cụ truy vấn CRM, trạng thái đơn và hệ thống ticket. Trong tài liệu kết nối qua SIP, OpenAI nhấn mạnh việc phân định handler cho mỗi hành động để tránh thực thi trùng khi có nhiều webhook hoặc luồng sự kiện. Nguyên tắc này đặc biệt quan trọng nếu cuộc gọi có thể cập nhật đơn, đặt lịch hoặc hoàn tiền.

Hình giới thiệu FPT AI Voice Agent trên trang sản phẩm chính thức
Nguồn ảnh: FPT AI Voice Agent. Xem nguồn ảnh

Không nên cho bot đọc toàn bộ thông tin nhạy cảm chỉ sau khi người gọi đọc đúng một mã đơn. Quy trình cần xác thực phù hợp với mức rủi ro, che các trường nhạy cảm và giới hạn những tác vụ có thể làm hoàn toàn qua điện thoại. Nếu nhân viên tiếp quản, lịch sử hội thoại có thể được tóm tắt nhưng phải truyền đúng bối cảnh, không tự động đưa ra những kết luận chưa được xác thực.

Tín hiệu triển khai tại Việt Nam và cách đọc cho đúng

Ở Việt Nam, FPT AI đã giới thiệu giải pháp voice agent dành cho tổng đài, trong khi VNPT AI công bố trường hợp VinaPhone sử dụng công nghệ phân tích, tóm tắt và giám sát cuộc gọi. Báo VnEconomy ngày 19/05/2026 cũng đưa tin về việc VinaPhone giảm khối lượng giám sát thủ công nhờ hệ thống iSense. Các ví dụ này cho thấy bài toán thoại AI đã vượt ra ngoài phòng thí nghiệm.

Tuy vậy, số liệu hiệu quả của một dự án không được tự động áp cho doanh nghiệp khác. Tỷ lệ giải quyết cuộc gọi, chi phí và cảm nhận khách hàng phụ thuộc đặc thù ngành, mức độ chuẩn hóa dữ liệu và cơ chế xử lý khi bot không hiểu. Muốn đánh giá nhà cung cấp, hãy yêu cầu thử nghiệm trên tập cuộc gọi tiếng Việt, nhiều vùng miền và những ngoại lệ thường gặp của chính doanh nghiệp.

Nên chạy thử loại cuộc gọi nào trước?

Những kịch bản phù hợp thường là tra cứu trạng thái giao hàng, xác nhận lịch hẹn, ghi nhận yêu cầu gọi lại hoặc trả lời câu hỏi thủ tục có câu trả lời chính thức. Những cuộc gọi khiếu nại phức tạp, liên quan tài chính hoặc khách đang tức giận nên có cơ chế nhận biết và chuyển người rõ ràng, không ép khách lặp lại nhiều lần.

Chỉ số thử nghiệm nên gồm thời gian từ lúc khách dứt lời tới phản hồi, tỷ lệ hiểu đúng mã và tên riêng, tỷ lệ chuyển nhân viên đúng lúc, tỷ lệ hoàn tất công việc được xác thực trên CRM và số khiếu nại vì bot hiểu sai. Đừng chỉ đánh giá giọng hay; một cuộc gọi dễ chịu nhưng cập nhật sai địa chỉ vẫn là thất bại.

Bài test tiếng Việt không thể bỏ qua

Bài kiểm thử đầu tiên nên có người gọi từ ba miền, lẫn giọng trẻ và lớn tuổi, giọng nhỏ và nói nhanh. Bổ sung tiếng ồn xe cộ, người bên cạnh nói chen, các mã vận đơn đọc từng chữ số và cách gọi tên địa danh dễ nhầm. Mỗi cuộc gọi phải được đối chiếu với bản ghi chuẩn để phân loại lỗi nghe, lỗi hiểu ý định và lỗi khi thực thi.

Bài kiểm thử thứ hai là khả năng ngắt lời đúng lúc. Khách có thể nói “không, tôi đổi địa chỉ” giữa câu đọc lại. Bot phải ngừng thông báo, xác nhận thay đổi và tuyệt đối không gửi lệnh cập nhật trước khi địa chỉ mới được đọc lại. Nếu không đủ tự tin, bot phải đề nghị chuyển nhân viên.

Bài kiểm thử thứ ba đo chi phí thực tế theo phút thoại và theo yêu cầu hoàn tất, bao gồm cả cuộc gọi chuyển người. Một hệ thống có giá mỗi phút thấp nhưng thường khiến khách gọi lại nhiều lần không nhất thiết tiết kiệm hơn giải pháp phản hồi chậm hơn một chút nhưng giải quyết đúng ngay lần đầu.

Kết luận

Voice AI agent đang mở thêm một kênh tự động hóa có giá trị cho doanh nghiệp Việt, đặc biệt nơi khối lượng cuộc gọi lớn và thao tác lặp lại nhiều. Tuy nhiên, công nghệ chỉ trở thành giải pháp vận hành khi âm thanh được chuyển thành hành động có xác thực, được đo bằng kết quả nghiệp vụ và luôn có đường chuyển tiếp sang con người.

Nguồn tham khảo