Cách xây dựng AI Agent tự động hóa chăm sóc khách hàng đa kênh với Make

Trong kỷ nguyên số hóa, khách hàng không còn kiên nhẫn chờ đợi phản hồi từ doanh nghiệp quá vài phút. Việc phải túc trực 24/7 trên nhiều nền tảng từ Zalo OA, Fanpage cho đến Gmail khiến các đội ngũ chăm sóc khách hàng luôn trong tình trạng quá tải. Nhằm giải quyết triệt để bài toán này, việc xây dựng ai agent thông minh, có khả năng tự động truy xuất dữ liệu sản phẩm và phản hồi khách hàng theo thời gian thực chính là chìa khóa vàng.

Tôi là Hoàng Nhật Mai, và trong bài viết này, tôi sẽ hướng dẫn chi tiết cho bạn cách kết nối các mô hình trí tuệ nhân tạo hàng đầu với nền tảng no-code Make để thiết lập một hệ thống tự động hóa chăm sóc khách hàng đa kênh toàn diện.

Tại sao nên sử dụng Make để xây dựng AI Agent chăm sóc khách hàng?

Khi nói đến tự động hóa quy trình làm việc (workflow automation) mà không cần lập trình, Make (trước đây là Integromat) nổi lên như một công cụ mạnh mẽ và linh hoạt nhất. Bằng cách kết hợp Make với các API ngôn ngữ lớn (LLM), chúng ta có thể dễ dàng hiện thực hóa ý tưởng tự động hóa mà không cần đầu tư hàng trăm triệu đồng vào hạ tầng phần mềm phức tạp.

Khả năng kết nối đa nền tảng không giới hạn của Make

Một trong những lý do khiến tôi luôn ưu tiên sử dụng make.com cho các dự án của mình là hệ sinh thái tích hợp khổng lồ của nền tảng này. Make hỗ trợ kết nối trực tiếp với Facebook Messenger, Instagram, Gmail, Zalo OA (qua hệ thống Custom Webhooks), Telegram và các phần mềm CRM phổ biến như HubSpot, Salesforce.

Thay vì phải viết mã kết nối thủ công cho từng API của các bên, Make cung cấp các module có sẵn giúp bạn cấu hình việc tiếp nhận tin nhắn và phản hồi chỉ sau vài cú click chuột. Điều này rút ngắn thời gian triển khai từ vài tuần xuống còn vài giờ.

Khả năng xử lý logic phức tạp với no-code workflow

Để một chatbot thực sự trở thành một AI Agent thực thụ, nó cần có khả năng đưa ra quyết định dựa trên ngữ cảnh. Make cung cấp các công cụ xử lý dữ liệu mạnh mẽ như Router (định tuyến nhánh), Filter (bộ lọc điều kiện), Data Store (lưu trữ dữ liệu tạm thời), và Iterator/Aggregator (xử lý danh sách).

Nhờ đó, tôi có thể thiết kế các kịch bản logic phức tạp: ví dụ, nếu khách hàng gửi tin nhắn ngoài giờ làm việc và có thái độ giận dữ, AI Agent sẽ ưu tiên chuyển thông tin trực tiếp đến kênh Slack của quản lý, ngược lại nếu chỉ hỏi thông tin sản phẩm thông thường, AI Agent sẽ tự động giải đáp ngay lập tức.

Các thành phần cốt lõi khi xây dựng AI Agent đa kênh

Trước khi bắt tay vào kéo thả các module trên giao diện của Make, chúng ta cần hiểu rõ các thành phần cấu tạo nên một hệ thống chăm sóc khách hàng tự động bằng trí tuệ nhân tạo.

Bộ não xử lý ngôn ngữ tự nhiên (LLM) và RAG dữ liệu

AI Agent không thể hoạt động nếu thiếu một mô hình ngôn ngữ lớn làm “bộ não”. Bạn có thể lựa chọn API của OpenAI (GPT-4o), Anthropic (Claude 3.5 Sonnet) hoặc Google Gemini tùy thuộc vào chi phí và độ chính xác mong muốn.

Tuy nhiên, nếu chỉ sử dụng mô hình LLM mặc định, AI sẽ không biết thông tin về sản phẩm, giá cả hay chính sách nội bộ của bạn. Đây là lúc chúng ta cần áp dụng kỹ thuật RAG (Retrieval-Augmented Generation). Trên Make, chúng ta có thể thực hiện RAG cơ bản bằng cách lưu trữ toàn bộ dữ liệu FAQs, bảng giá vào Google Sheets, Notion hoặc sử dụng các cơ sở dữ liệu vector chuyên dụng như Pinecone. Khi có tin nhắn đến, Make sẽ truy vấn dữ liệu phù hợp nhất từ kho tri thức này và gửi kèm vào prompt để AI Agent tổng hợp câu trả lời chính xác nhất.

Hệ thống kích hoạt (triggers) và phản hồi (actions) trên Make

Mỗi khi khách hàng gửi tin nhắn trên Fanpage hoặc Zalo OA, một sự kiện (event) sẽ được gửi đến hệ thống. Make sử dụng các “Instant Triggers” (Webhook) để lắng nghe các sự kiện này theo thời gian thực.

Ngay khi nhận được dữ liệu đầu vào (bao gồm ID người dùng, nội dung tin nhắn, kênh gửi), Make sẽ làm sạch dữ liệu, chuyển cho AI xử lý và nhận lại câu trả lời. Sau đó, một hành động (action) tương ứng như “Send a Message” hoặc “Send an Email” sẽ được thực thi để đưa câu trả lời của AI quay trở lại kênh giao tiếp ban đầu của khách hàng.

Hướng dẫn chi tiết quy trình xây dựng AI Agent chăm sóc khách hàng trên Make

Sau đây là quy trình 3 bước thực tế giúp bạn tự tay cấu hình một AI Agent hoạt động trơn tru.

Bước 1 – Thiết lập cơ sở dữ liệu tri thức và kết nối API của LLM

Trước tiên, hãy chuẩn bị một bảng Google Sheets chứa thông tin sản phẩm của bạn. Cấu trúc bảng đơn giản gồm hai cột: Câu hỏi thường gặp và Câu trả lời chuẩn. Đây sẽ là nguồn tài liệu tham khảo chính của AI Agent.

Tiếp theo, trên giao diện của Make, bạn tạo một kịch bản (scenario) mới và thêm module OpenAI (hoặc mô hình LLM bất kỳ mà bạn muốn sử dụng). Tại đây, bạn cần cấu hình một “System Prompt” (chỉ thị hệ thống) thật chặt chẽ để định hình tính cách và phạm vi hoạt động của AI Agent.

Một ví dụ system prompt hiệu quả mà tôi thường dùng:

“Bạn là trợ lý ảo chuyên nghiệp của thương hiệu Để AI Tính. Nhiệm vụ của bạn là tư vấn thông tin sản phẩm dựa trên tài liệu được cung cấp dưới đây. Nếu thông tin không có trong tài liệu, hãy lịch sự từ chối trả lời và đề xuất chuyển thông tin cho nhân viên hỗ trợ. Tuyệt đối không tự ý sáng tạo thông tin sản phẩm hoặc giá cả.”

Bạn có thể tham khảo thêm cách thiết lập kết nối qua tài liệu API của OpenAI để hiểu rõ hơn về các tham số như temperature hay max_tokens nhằm tối ưu hóa câu trả lời.

Bước 2 – Xây dựng kịch bản định tuyến tin nhắn đa kênh trên Make

Để chăm sóc khách hàng đa kênh, kịch bản Make của bạn cần bắt đầu bằng các Webhook tiếp nhận tin nhắn từ nhiều nguồn khác nhau. Ví dụ:
– Nhánh 1: Webhook tiếp nhận tin nhắn từ Facebook Page.
– Nhánh 2: Webhook tiếp nhận tin nhắn từ Zalo OA.
– Nhánh 3: Module Gmail lắng nghe email mới đến.

Sau khi tiếp nhận tin nhắn, bạn sử dụng module Router của Make để phân tách các luồng xử lý. Mỗi nhánh sau Router sẽ định dạng lại cấu trúc dữ liệu thu được về một chuẩn chung (bao gồm ID khách hàng, nội dung câu hỏi, và tên kênh). Sự đồng bộ hóa này giúp chúng ta chỉ cần dùng duy nhất một module xử lý AI ở bước tiếp theo thay vì phải cấu hình riêng lẻ cho từng kênh, giúp tiết kiệm đáng kể chi phí vận hành và tài nguyên hệ thống.

Bước 3 – Thiết lập phản hồi tự động và ghi nhận dữ liệu vào CRM

Khi mô hình LLM đã sinh ra câu trả lời dựa trên tài liệu tri thức, Make sẽ nhận kết quả đầu ra này. Router tiếp theo sẽ dựa vào trường “tên kênh” ban đầu để quyết định gửi phản hồi đi đâu.
– Nếu tin nhắn ban đầu đến từ Zalo OA, Make sẽ kích hoạt module “Zalo OA – Send Message” để gửi câu trả lời trực tiếp vào hộp thoại chat của khách hàng trên điện thoại.
– Nếu đến từ Gmail, Make sẽ tự động tạo một email phản hồi mới gửi đến hòm thư của khách hàng.

Cuối cùng, để lưu trữ vết lịch sử và chăm sóc lâu dài, bạn thêm một module Google Sheets hoặc HubSpot CRM ở cuối kịch bản. Module này có nhiệm vụ ghi lại tên khách hàng, số điện thoại (nếu có), nội dung câu hỏi và câu trả lời của AI. Việc này giúp đội ngũ nhân viên thực tế có thể dễ dàng kiểm tra lịch sử tư vấn bất cứ lúc nào.

Những lưu ý quan trọng để tối ưu hiệu suất của AI Agent

Việc thiết lập thành công workflow trên Make chỉ mới là 50% chặng đường. Để AI Agent hoạt động hiệu quả trong thực tế mà không làm ảnh hưởng đến trải nghiệm của khách hàng, bạn cần chú ý hai điểm mấu chốt dưới đây.

Quản lý ngữ cảnh hội thoại và kiểm soát ảo tưởng (hallucination)

Một lỗi rất phổ biến khi mới bắt đầu xây dựng chatbot AI là thiết kế kịch bản dạng “hỏi-đáp đơn lẻ”. Khách hàng thường không hỏi toàn bộ ý trong một tin nhắn, họ sẽ nhắn tin liên tục kiểu: “Sản phẩm này giá bao nhiêu?” rồi tiếp tục “Có màu xanh không?”. Nếu AI không nhớ câu hỏi trước đó nói về sản phẩm nào, nó sẽ trả lời sai hoặc yêu cầu khách hàng hỏi lại.

Để giải quyết vấn đề quản lý ngữ cảnh này, bạn nên tận dụng module Data Store của Make để lưu trữ tạm thời các tin nhắn trước đó của mỗi khách hàng (định danh bằng ID người dùng). Trước khi gửi yêu cầu tới mô hình LLM, kịch bản Make sẽ thực hiện việc tìm kiếm lịch sử chat trong Data Store của 3-5 tin nhắn gần nhất, ghép chúng thành một đoạn hội thoại liên tục để gửi cho AI. Cách làm này giúp AI Agent nắm bắt ngữ cảnh tốt hơn và giảm thiểu tối đa hiện tượng ảo tưởng thông tin.

Tích hợp cơ chế can thiệp của con người (human-in-the-loop)

Dù AI có thông minh đến đâu, sẽ luôn có những tình huống vượt ra ngoài khả năng giải quyết của nó, hoặc khách hàng tỏ thái độ không hài lòng và muốn gặp trực tiếp nhân viên tư vấn. Hệ thống tự động hóa của bạn bắt buộc phải có cơ chế can thiệp thủ công (human-in-the-loop).

Tôi khuyên bạn nên thiết lập một từ khóa kích hoạt khẩn cấp (ví dụ: “gặp nhân viên”, “tư vấn viên”, “gặp người thật”). Khi Make phát hiện các cụm từ khóa này hoặc khi AI tự động phân tích thấy điểm tiêu cực trong cảm xúc của khách hàng, hệ thống sẽ thực hiện các bước sau:
1. Đánh dấu trạng thái cuộc hội thoại trên CRM là “Cần hỗ trợ gấp”.
2. Tạm ngắt kích hoạt AI Agent đối với ID người dùng đó trong vòng 24 giờ để tránh việc AI tiếp tục trả lời xen ngang.
3. Gửi thông báo thông qua Telegram hoặc Slack kèm đường link trực tiếp dẫn tới cuộc trò chuyện để nhân viên kịp thời vào tiếp quản.

Kết luận và bước đi tiếp theo cho doanh nghiệp của bạn

Tự động hóa dịch vụ khách hàng không còn là đặc quyền của các tập đoàn lớn có ngân sách công nghệ khổng lồ. Bằng việc chủ động xây dựng ai agent kết hợp với sự linh hoạt của Make, các doanh nghiệp vừa và nhỏ hoàn toàn có thể sở hữu một hệ thống vận hành chuyên nghiệp, phản hồi khách hàng tức thì và hoạt động không mệt mỏi suốt 24/7. Hãy bắt tay vào thiết kế sơ đồ tự động hóa đầu tiên của bạn ngay hôm nay để giải phóng thời gian cho đội ngũ và tập trung vào những chiến lược tăng trưởng cốt lõi.

Các câu hỏi thường gặp khi xây dựng AI Agent chăm sóc khách hàng