Khoảng cách giữa những gì AI được hứa hẹn và những gì nó thực sự mang lại hiện nay không hề nhỏ. Cùng một model AI, nhưng trong hệ thống này có thể tạo ra kết quả chính xác và hữu ích, còn trong hệ thống khác lại cho ra những phản hồi chung chung, thiếu liên quan hoặc gần như vô dụng.

Vấn đề nằm ở đâu? Nguyên nhân thường không phải do model AI. Thứ khiến AI hoạt động kém đi chính là “context”.

Phần lớn hệ thống doanh nghiệp hiện nay vốn không được thiết kế cho cách AI vận hành. Dữ liệu nằm rải rác ở nhiều công cụ khác nhau, hệ thống nhận diện người dùng thiếu đồng nhất, tín hiệu hành vi đến chậm hoặc đôi khi không đến. Các nền tảng chỉ ghi lại sự kiện, nhưng không thể kết nối chúng thành một dòng liên tục phản ánh đầy đủ hành vi người dùng.

Trong khi đó, AI lại phụ thuộc rất nhiều vào tính liên tục đó. Khi thiếu context, model sẽ tự “lấp chỗ trống” bằng các suy luận mang tính phỏng đoán. Kết quả cuối cùng có thể trông khá bóng bẩy, nhưng thực tế lại thiếu tính liên quan và không phản ánh đúng nhu cầu thực sự của người dùng. Đây cũng là nơi mà phần lớn doanh nghiệp hiện nay mắc kẹt khi triển khai AI.

AI không sửa được dữ liệu kém chất lượng

Nhiều người cho rằng chỉ cần dùng model AI mạnh hơn là có thể giải quyết vấn đề. Nhưng bài viết nhấn mạnh điều ngược lại: một model tốt hơn không thể sửa chữa dữ liệu phân mảnh, lỗi thời hoặc thiếu kết nối.

Theo ước tính của Gartner , các tổ chức đang mất trung bình khoảng 12,9 triệu USD mỗi năm do chất lượng dữ liệu kém. AI không giải quyết được vấn đề này — nó chỉ khiến vấn đề lộ rõ nhanh hơn và ở quy mô lớn hơn.

Tác giả mô tả AI giống như một chiếc kính lúp. Nếu hệ thống dữ liệu mạnh, AI sẽ khiến nó mạnh hơn rất nhiều. Nhưng nếu dữ liệu yếu, phân mảnh và thiếu đồng bộ, AI cũng sẽ phơi bày toàn bộ điểm yếu đó ra ánh sáng. Những tổ chức từng “sống chung” với dữ liệu khách hàng rời rạc giờ không còn có thể che giấu vấn đề bằng báo cáo chậm hoặc phân tích thủ công nữa.

“Mirror test”: cách nhanh nhất để kiểm tra hệ thống AI

Có một cách kiểm tra khá thú vị mang tên “mirror test”. Ý tưởng rất đơn giản: hãy đưa cho AI một tín hiệu khách hàng có ý định rõ ràng và xem kết quả phản hồi ra sao. Nếu output vẫn chung chung hoặc thiếu liên quan, có thể model cần cải thiện. Nhưng nếu AI hoạt động rất tốt với dữ liệu sạch, rồi lại “gãy” hoàn toàn khi đưa vào dữ liệu production thực tế, thì vấn đề nằm ở dữ liệu chứ không phải AI. Thực tế ghi nhận gần như luôn rơi vào trường hợp thứ hai.

Ngay cả khi giải quyết được bài toán chất lượng dữ liệu, vẫn còn một thay đổi lớn hơn đang diễn ra: cách xây dựng hồ sơ khách hàng đang thay đổi hoàn toàn.

Trước đây, hệ thống dữ liệu doanh nghiệp chủ yếu lưu trữ “nội dung tĩnh”. CRM lưu giao dịch, data warehouse lưu demographic, nền tảng marketing lưu phản hồi chiến dịch. Những dữ liệu này chỉ mô tả điều đã xảy ra trong quá khứ. Chúng phù hợp cho báo cáo, nhưng không được thiết kế dành cho AI.

AI cần context — và context không phải dữ liệu tĩnh. Context là bức tranh hiện tại về khách hàng, bao gồm:

• Hành vi gần đây
• Tín hiệu đa kênh
• Ý định đang hình thành
• Chuỗi liên kết giữa các tương tác liên tiếp

Chẳng hạn, nếu bạn yêu cầu AI gợi ý địa điểm nghỉ dưỡng biển, nó có thể đề xuất Hawaii hoặc Florida. Nhưng nếu AI biết bạn có ba con nhỏ, kết quả sẽ thay đổi theo hướng phù hợp với gia đình hơn. Và nếu AI còn được truy cập lịch sử tìm kiếm gần đây, tín hiệu tài chính cũng như xu hướng tìm kiếm suốt một năm qua, gợi ý sẽ khác hoàn toàn vì lúc này model không còn dựa trên demographic chung chung nữa, mà đang nhìn vào “bức tranh sống” về con người bạn ở thời điểm hiện tại.

Đó chính là khác biệt giữa identity và context. Identity cho AI biết bạn là ai. Nhưng context cho AI biết bạn đang làm gì và có khả năng sẽ làm gì tiếp theo.

Vấn đề thực sự nằm ở kiến trúc hệ thống

Khó khăn lớn nhất không nằm ở lý thuyết mà nằm ở hạ tầng kỹ thuật. Context không tồn tại trong một hệ thống duy nhất. Nó bị phân mảnh giữa event stream, product analytics, CRM, data warehouse và các pipeline realtime khác nhau. Muốn AI sử dụng được context hiệu quả, doanh nghiệp buộc phải chuyển từ mô hình batch processing sang kiến trúc streaming hoặc near-real-time.

Nói cách khác, tín hiệu người dùng cần được thu thập, xử lý và đưa tới AI gần như ngay lập tức.

Đây cũng là lý do nhiều dự án AI bị đình trệ. Model đã sẵn sàng, nhưng “lớp context” thì chưa được vận hành đúng cách. Hệ thống không thể truy xuất tín hiệu phù hợp trong vài mili giây hoặc không thể resolve identity xuyên suốt nhiều kênh theo thời gian thực. Khi điều đó chưa xảy ra, context vẫn chỉ là khái niệm lý thuyết thay vì thứ AI có thể sử dụng thật sự.

MCP đang giúp AI duy trì context liên tục

Các kiến trúc như MCP (Model Context Protocol) cũng đang giúp đẩy nhanh quá trình này. MCP cho phép các hệ thống AI truyền “memory” về người dùng giữa nhiều ứng dụng khác nhau, tạo thành một chuỗi context liên tục xoay quanh từng cá nhân qua nhiều tương tác.

Kết quả là profile người dùng sẽ ngày càng phong phú và có khả năng dự đoán tốt hơn theo thời gian, bởi AI không chỉ biết người đó từng làm gì, mà còn hiểu họ đang làm gì và có thể sẽ làm gì tiếp theo.

Khi lớp identity và context đủ mạnh, cùng một model AI sẽ cho kết quả tốt hơn rất nhiều. Nhưng nếu lớp này yếu, gần như không có model nào đủ sức bù đắp.

Một điểm đáng chú ý khác là model AI đang dần trở nên “có thể thay thế cho nhau”. Lợi thế cạnh tranh thực sự sẽ thuộc về những tổ chức có khả năng vận hành context ở quy mô lớn và xem model chỉ là “lớp xử lý”, chứ không phải toàn bộ lợi thế.

Những doanh nghiệp đầu tư sớm vào hệ thống identity, first-party data, hạ tầng dữ liệu realtime, và cơ chế đồng bộ context... đang bắt đầu hưởng lợi thế cộng dồn rất khó bắt kịp. Dữ liệu tốt giúp huấn luyện model tốt hơn. Model tốt lại thu hút thêm người dùng đồng ý chia sẻ dữ liệu. Và càng nhiều dữ liệu chất lượng, hệ thống càng mạnh hơn theo thời gian.

Khoảng cách này mang tính cấu trúc chứ không còn đơn thuần là thuật toán.

Tương lai của AI sẽ xoay quanh context

Các tổ chức chiến thắng trong kỷ nguyên AI sẽ không phải những nơi viết prompt giỏi nhất. Thay vào đó, họ sẽ là những công ty có hệ thống đủ tốt để hiểu khách hàng trước cả khi prompt được viết ra.

Điều này đồng nghĩa hướng đầu tư AI trong tương lai cũng sẽ thay đổi. Thay vì chỉ chạy theo model mới, doanh nghiệp sẽ phải tập trung nhiều hơn vào:

• Dữ liệu thời gian thực
• Identity resolution
• Streaming architecture
• Context retrieval
• Hệ thống quản lý consent đáng tin cậy

Đây là những thứ ít hào nhoáng hơn một màn ra mắt model mới, nhưng lại khó sao chép hơn rất nhiều — và có thể mới chính là lợi thế AI thực sự trong những năm tới.