Làm sao để ứng dụng AI khi đã có bài toán cần giải quyết

Nếu bạn là một Product Manager trong giai đoạn 2023-2024, áp lực phải có AI chắc chắn đang đè nặng lên vai bạn. Sếp kì vọng trong cuộc họp, khách hàng đề cập trong các buổi demo/feedback, và đối thủ thì đã tung ra tính năng AI Assistant từ lâu.

Nhưng có một sự thật phũ phàng: các tính năng AI trong giai đoạn hiện nay được ra mắt chỉ để phục vụ marketing, thay vì thực sự giải quyết nỗi đau của người dùng. Chúng là những tính năng "vui vẻ" (nice-to-have) chứ không phải "sống còn" (must-have). Mình đã có một vài kì vọng sai trong việc ứng dụng AI, và dưới đây là một vài note để không lạc lối trong mê cung của những mô hình ngôn ngữ lớn.

1. Cái bẫy của "Cây búa vàng" và nỗi ám ảnh công nghệ

Có một câu ngạn ngữ nổi tiếng: "Nếu bạn chỉ có một cây búa, mọi thứ đều trông giống như một chiếc đinh." Trong kỷ nguyên hiện tại, AI chính là "Cây búa vàng" lấp lánh nhất.

Khi một công nghệ quá mạnh mẽ và lôi cuốn, các PM thường mắc sai lầm đảo ngược quy trình là bắt đầu với việc Đi tìm chỗ nhét vào. Mình hay tư duy kiểu "Trong App Analytics của mình, chỗ nào có thể đặt một cái khung chat để người dùng hỏi nhăng cuội không?"

Và thế là những tính năng ma ra đời. Người dùng nhấn thử một lần cho biết rồi không bao giờ quay lại. Tại sao? Vì nó không rút ngắn thời gian làm việc của họ, thậm chí còn bắt họ phải học cách "prompt" (viết câu lệnh) phức tạp hơn cả việc bấm một cái nút truyền thống.

2. Quy trình đi tìm bài toán

Để không đi sai đường, hãy tạm quên AI đi và quay lại với bản năng cơ bản nhất của một PM: Thấu hiểu nỗi đau và sự ma sát (Friction).

Bước 1: Liệt kê các "điểm nghẽn" (Frictions)

Hãy nhìn vào User Journey của sản phẩm Analytics. Đâu là những chỗ người dùng bị "khựng" lại?

• Quá tải nhận thức: Nhìn vào một Dashboard với 20 biểu đồ nhưng không biết "So what?" (Giờ thì sao? Kết luận là gì?).
• Rào cản kỹ thuật: Người dùng biết mình muốn gì (Ví dụ: "Doanh thu tháng này so với tháng trước ở Hà Nội") nhưng không biết kéo thả Filter hay viết câu lệnh SQL.
• Rời bỏ dòng chảy (Context Switching): Người dùng phải copy số liệu từ App của bạn, dán vào Excel để tính toán, rồi lại mang sang PowerPoint để viết báo cáo bằng chữ.

Bước 2: Phân loại vấn đề

Không phải vấn đề nào cũng cần đến trí tuệ nhân tạo. Hãy dùng bảng so sánh sau để lọc:

Đặc điểm bài toán

• Giải bằng Code truyền thống (If-Else)
• Giải bằng AI (LLMs)

Độ chính xác

• Cần 100% chính xác (Vd: Cộng tổng doanh thu)
• Chấp nhận sai số nhỏ (Vd: Tóm tắt xu hướng)

Dữ liệu đầu vào

• Cấu trúc rõ ràng, cố định (Database)
• Không cấu trúc (Văn bản, yêu cầu bằng lời)

Tính chất tác vụ

• Quy tắc cứng, không đổi
• Cần sự linh hoạt, diễn giải theo ngữ cảnh

Và cuối cùng là làm sao đó để đừng dùng AI để tính toán (AI rất cùi toán cơ bản). Hãy dùng Code truyền thống để tính ra số, và dùng AI để "đọc" con số đó.

Bước 3: Định nghĩa các"Việc cần làm" (Job-to-be-done)

Thay vì nói: "Tôi muốn tích hợp Chatbot vào Dashboard", hãy định nghĩa lại mục tiêu:

"Tôi muốn giúp một Manager không rành kỹ thuật có thể hiểu được lý do tại sao tỷ lệ chuyển đổi giảm mà không cần chờ đợi team Data làm báo cáo."

3. Có thể bắt đầu với biến dữ liệu khô khan thành ngôn ngữ tự nhiên

Mình đang làm về Analytics, và điều mình nhận ra là đừng cố bắt AI làm những việc quá siêu việt. Mình tập trung vào việc tóm tắt. Đây là nơi LLM tỏa sáng nhất: Chuyển các tác vụ có sẵn (SQL, dữ liệu bảng, biểu đồ) thành thứ ngôn ngữ mà con người hay dùng.

Thay vì bắt người dùng tự vào xem log mỗi sáng để tìm lỗi hoặc biến động, bạn hãy dùng LLM để:

• Đầu vào: Kết quả của một câu lệnh SQL quét qua các biến động bất thường (Anomalies).
• Tác vụ AI: "Dựa trên dữ liệu này, hãy viết một đoạn tin nhắn Slack ngắn gọn thông báo cho PM biết sản phẩm nào đang bán chạy đột biến và tại sao."
• Kết quả: "Chào bạn, doanh thu giày Sneaker tăng 40% trong 2 giờ qua, chủ yếu đến từ chiến dịch TikTok của influencer A. Bạn có muốn tăng ngân sách quảng cáo không?"

Kết luận: Dành dành thời gian nghiên cứu trước

AI không phải là một "vị thần" có thể cứu vãn một sản phẩm tồi. Nó là một lớp phủ (layer) giúp trải nghiệm người dùng trở nên mượt mà hơn bằng cách xóa bỏ rào cản về ngôn ngữ và kỹ thuật.

Đối với mình - người làm PM trong mảng phần mềm Analytics, chìa khóa thành công không nằm ở việc bạn sở hữu mô hình AI "khủng" đến mức nào, mà nằm ở việc bạn "dịch" được bao nhiêu khó khăn của người dùng thành những câu trả lời dễ hiểu. Đừng tìm cách để AI thay thế tư duy của người dùng, hãy dùng AI để họ không còn phải làm những việc "tay chân" trong trí não.

Sản phẩm AI tốt nhất là sản phẩm mà người dùng thậm chí không nhận ra họ đang dùng AI - họ chỉ thấy công việc của mình bỗng dưng trở nên thật dễ dàng.