64% khách hàng muốn doanh nghiệp không dùng AI trong chăm sóc khách hàng, theo khảo sát của Gartner trên 5.728 người, công bố năm 2024. Lo ngại lớn nhất của họ là khó gặp được người thật.
Con số này không có nghĩa là không nên làm voicebot và chatbot. Nó cho thấy người dùng phản ứng với trải nghiệm tồi, không phải với công nghệ. Với ngân hàng, công ty tài chính hay bảo hiểm, câu hỏi đáng đặt ra trước không phải "chọn voicebot hay chatbot" mà là "tự động hóa việc gì trước". Bài này đi qua năm bước để chọn bài toán đầu tiên, có ví dụ từ các tổ chức tài chính trong và ngoài nước.
1. Phân biệt voicebot và chatbot theo kênh và loại việc
Voicebot làm việc trên kênh thoại: nhận cuộc gọi vào hoặc gọi ra, nghe, hiểu ý định và trả lời bằng giọng nói. Chatbot làm việc trên kênh văn bản: website, ứng dụng ngân hàng, mạng xã hội, tin nhắn.
Khác biệt quan trọng nằm ở loại việc mỗi kênh phù hợp. Call Centre Helper (2026) tóm tắt khá rõ:
| Tiêu chí | Voicebot | Chatbot |
|---|---|---|
| Kênh | Tổng đài, cuộc gọi ra | Web, app, mạng xã hội, SMS |
| Loại việc hợp | Việc gấp, cần hội thoại tức thời, có xác thực | Câu hỏi thường gặp, tự phục vụ từng bước |
| Nhịp tương tác | Đồng bộ, khách đang chờ trên máy | Không đồng bộ, khách có thể quay lại sau |
Kênh thoại vẫn là nơi khách tìm đến khi có việc gấp. Theo báo cáo CCMA năm 2022, 48% người tiêu dùng chọn điện thoại để báo nghi ngờ gian lận. Vì vậy, voicebot thường gặp các tình huống nhạy cảm hơn chatbot ngay từ ngày đầu.
2. Bắt đầu từ dữ liệu lý do liên hệ, không phải từ công nghệ
Trước khi chọn công cụ, cần biết khách đang liên hệ vì việc gì. Call Centre Helper (2025) khuyên phân loại lý do liên hệ, đo số lượng từng loại, xem tính mùa vụ và tìm nguyên nhân gốc. Nếu khách gọi nhiều để đặt lại mật khẩu vì ứng dụng khó dùng, tự động hóa cuộc gọi đó chỉ xử lý triệu chứng.
Mã kết thúc cuộc gọi do điện thoại viên chọn thường thiếu chi tiết. CX Today (2022) mô tả cách cho một phần khách gọi vào nói lý do bằng lời của họ, rồi phân tích theo chu kỳ tám tuần.
Cách chấm điểm nhanh
Lấy dữ liệu 3 tháng gần nhất, liệt kê 10 lý do liên hệ lớn nhất, rồi chấm mỗi lý do theo bốn tiêu chí:
- Khối lượng: chiếm bao nhiêu phần trăm tổng tương tác.
- Mức lặp lại: câu trả lời có theo một khuôn cố định không.
- Rủi ro: có chạm tới tiền, dữ liệu cá nhân hay khiếu nại không.
- Mức tích hợp: trả lời từ cơ sở tri thức, hay phải gọi vào core banking, thẻ, CRM.
Bài toán đầu tiên nên có khối lượng cao, lặp lại nhiều, rủi ro thấp và tích hợp ít.
3. Những bài toán khởi đầu phù hợp cho voicebot và chatbot trong BFSI
Với chatbot, điểm khởi đầu phổ biến là câu hỏi thường gặp về sản phẩm. Vietcombank là ví dụ rõ: theo Znews (2023), trợ lý ảo VCB Digibot trả lời về thẻ, khoản vay, lãi suất, tỷ giá, khuyến mãi và mạng lưới chi nhánh, ATM. Sau 6 tháng, Digibot xử lý 88,5% yêu cầu, 11,5% còn lại cần tư vấn viên, tổng cộng gần 2 triệu yêu cầu. Ở châu Á, chatbot KAI của DBS digibank trả lời 82% câu hỏi mà không cần người, theo Best Practice AI (số liệu giai đoạn đầu triển khai).
Với voicebot gọi vào, VietinBank chọn cách tương tự. Theo Hiệp hội Ngân hàng Việt Nam (2026), từ ngày 05/02/2026, AI VoiceBot của ngân hàng hỗ trợ tra cứu sản phẩm, dịch vụ 24/7 bằng tiếng Việt, tiếng Anh và tiếng Nhật, nhằm giảm tải tổng đài giờ cao điểm. Bài công bố chưa nêu số liệu đo lường.
Với voicebot gọi ra, nhắc lịch thanh toán là bài toán có khuôn rõ. Theo case study của Stringee, nền tảng cho vay ngang hàng Vaymuon dùng cuộc gọi tự động đọc số tiền gốc, lãi và tổng phải trả trước hạn 1–3 ngày. Đơn vị cung cấp cho biết nhân sự nhắc nợ giảm tới 70%.
| Bài toán | Kênh hợp | Rủi ro | Tích hợp |
|---|---|---|---|
| Hỏi đáp sản phẩm, lãi suất, mạng lưới ATM | Chatbot, voicebot gọi vào | Thấp | Cơ sở tri thức |
| Nhắc lịch thanh toán | Voicebot gọi ra | Trung bình | Hệ thống khoản vay |
| Tra cứu số dư, trạng thái hồ sơ | Cả hai | Trung bình | Core, CRM, cần xác thực |
| Khóa thẻ, tranh chấp giao dịch | Voicebot, có người hỗ trợ | Cao | Hệ thống thẻ, xác thực tăng cường |
Hai dòng đầu phù hợp cho giai đoạn đầu. Hai dòng sau nên để khi đã có nền tảng xác thực và tích hợp.
4. Chuẩn bị xác thực, dữ liệu và tích hợp
Khi bot bắt đầu đọc dữ liệu tài khoản, xác thực trở thành yêu cầu đầu tiên. Parloa (2026) mô tả cách nhiều ngân hàng xếp lớp: đối chiếu thông tin với core, sinh trắc giọng nói chỉ là một yếu tố, xác thực tăng cường cho giao dịch nhạy cảm và chuyển người khi có dấu hiệu gian lận. VietinBank đã đưa AI xác thực giọng nói vào tổng đài, với dữ liệu xử lý theo Nghị định 356/2025/NĐ-CP.
Về ngôn ngữ, Tạp chí Ngân hàng (2024) ghi nhận chatbot của nhiều ngân hàng Việt Nam trả lời tốt câu hỏi cơ bản nhưng yếu với câu không dấu, viết tắt hoặc câu nhiều ý. Đây là điểm cần kiểm thử bằng câu hỏi thật của khách.
Danh sách cần làm rõ trước khi thí điểm:
- Bot được phép làm những hành động nào, và hành động nào luôn chuyển người.
- Dữ liệu khách hàng nào được hiển thị sau từng mức xác thực.
- Bản ghi hội thoại lưu ở đâu, trong bao lâu, ai được truy cập.
- Khi chuyển sang điện thoại viên, ngữ cảnh nào đi kèm. Bài tích hợp CRM với Contact Center có phân tích chi tiết phần này.
5. Thí điểm hẹp, đo đúng chỉ số và luôn có đường sang nhân viên
Lorikeet (2026) đề xuất bắt đầu với một ý định, chạy trên một phần lưu lượng, đo tỷ lệ giải quyết rồi mới mở rộng. Họ cũng lưu ý tỷ lệ "giữ chân trong bot" (containment) có thể đẹp giả, vì khách bỏ máy giữa chừng vẫn được tính là đã xử lý.
Nên theo dõi ít nhất bốn chỉ số:
- Tỷ lệ giải quyết thực: khách không liên hệ lại vì cùng việc trong 7 ngày.
- Tỷ lệ chuyển người và lý do chuyển.
- Tỷ lệ nhận diện đúng ý định trên mẫu hội thoại được nghe lại.
- Mức hài lòng sau tương tác, tách riêng nhóm đi qua bot.
Đường sang nhân viên là điều kiện bắt buộc. CFPB (2023) cảnh báo chatbot thiết kế kém có thể chặn khách tiếp cận người thật. Gartner cũng khuyên nói rõ với khách rằng bot sẽ chuyển họ sang nhân viên khi không giải quyết được, và việc chuyển phải liền mạch.
Kết quả cũng khác nhau nhiều giữa các bài toán. Một ngân hàng toàn cầu trong case study của USAN (2025) có hơn 40 ứng dụng tự phục vụ, tỷ lệ xử lý trong kênh dao động từ 45% đến 89%. Gartner (2025) dự báo đến năm 2029 AI sẽ tự giải quyết 80% vấn đề phổ biến, nhưng đó là đích đến, không phải điểm xuất phát. Theo Parloa, Bausparkasse Schwäbisch Hall của Đức xử lý 500.000 cuộc gọi trong sáu tháng với 16 tình huống sử dụng.
Kết luận
Chọn đúng bài toán đầu tiên quan trọng hơn chọn giữa voicebot và chatbot: việc khối lượng lớn, lặp lại, rủi ro thấp, đo được và luôn có đường sang người thật.
Việc có thể làm ngay trong tuần này: lấy báo cáo lý do liên hệ 3 tháng gần nhất, chọn 10 lý do lớn nhất và chấm theo bốn tiêu chí ở phần 2. Lý do đứng đầu danh sách là ứng viên cho đợt thí điểm voicebot và chatbot đầu tiên.