AI Giọng nói Doanh nghiệp Không Cần Thêm Cá tính. Nó Cần Sự Đồng cảm Theo Thiết kế

Tôi đã làm việc trong lĩnh vực giọng nói từ năm 2017, đủ thời gian để trải qua một chu kỳ hào nhoáng và chứng kiến làn sóng thứ hai thực sự tăng tốc. Mặc dù làn sóng thứ hai này về mặt kỹ thuật ấn tượng hơn, nhưng các cuộc thảo luận quanh nó đã thu gọn lại thành các con số. Rất ít điều liên quan đến cách mọi người thực sự nói và tôi cho rằng chúng ta đã mất đi mối liên kết đam mê với ngôn ngữ học và tâm lý học mà đã đặc trưng cho nhiều giai đoạn đầu của công nghệ giọng nói.

Khi xem qua các thông báo, bạn sẽ thấy các con số về độ trễ, tỷ lệ giải quyết và những tuyên bố đầy tham vọng về những gì các đại lý có thể thực hiện. Tất cả những yếu tố này đều quan trọng, nhưng một đại lý nói chuyện mượt mà sẽ vô dụng nếu không thể hoàn thành nhiệm vụ. Đáng chú ý, các sản phẩm giọng nói doanh nghiệp ngày càng dựa trên cùng một nhóm mô hình nền tảng, đồng nghĩa với việc tốc độ chỉ là tiêu chuẩn tối thiểu.

Sự khác biệt lại nằm ở một khía cạnh hoàn toàn khác. Đại lý biết gì? Nó có thể làm gì? Tương tác cảm giác như thế nào khi đang thực hiện? Quan trọng nhất, khách hàng có phải thực hiện thêm công việc nào vì đại lý là một máy móc không?

Đó là nơi thiết kế giọng nói dựa trên sự đồng cảm bắt đầu. Tôi không có ý nói thêm một giọng nói ấm áp hay một câu nói cảm thông. Tôi muốn nói đến việc thiết kế dựa trên mục đích của người gọi, tải nhận thức và trạng thái cảm xúc dự đoán. Đại lý nên biết những gì doanh nghiệp đã biết, giải thích những gì nó đang làm, khôi phục một cách sạch sẽ khi gặp lỗi và ngừng nói khi công việc đã hoàn thành.

Một giọng nói tổng hợp ấm áp nhưng hỏi cùng một số tài khoản đến ba lần không làm cuộc gọi dễ dàng hơn; sự ấm áp ấy chẳng giải quyết được gì.

Sự Đồng cảm Không Phải Là Một Cài Đặt Âm Thanh

Giọng nói có thể tỏ ra chu đáo dù hệ thống phía sau không hiểu vấn đề hoặc không thể làm điều gì hữu ích. Khách hàng có thể gọi về sự cố gián đoạn, hóa đơn đang tranh chấp hoặc trở ngại triển khai liên quan đến nhiều nhóm. Nếu tác nhân chỉ biết phần câu hỏi thường gặp, giọng điệu ấm áp hay trau chuốt cũng không tạo nên trải nghiệm đồng cảm. Tác nhân cần biết ai đang gọi, họ đã mua gì, lần tương tác gần nhất trên tài khoản là gì và mình được phép làm gì để giúp họ.

Tác nhân thoại doanh nghiệp cần đúng ngữ cảnh khách hàng và sản phẩm, cùng đúng quyền hạn, để vừa trả lời vừa hành động khi người gọi vẫn đang trên đường dây. Người gọi không cần được đọc cho nghe kết quả tìm kiếm. Họ có thể cần được hoàn tiền, sửa hồ sơ hoặc kết nối với đúng chuyên gia.

Tôi xem sự đồng cảm vừa là một nguyên tắc thiết kế vừa là yêu cầu hệ thống. Thiết kế hội thoại quyết định cách tác nhân hành xử; kiến trúc nền tảng quyết định tác nhân có biết đủ để hữu ích hay không. Tôi gọi kết quả kết hợp đó là kết cấu sản phẩm của giọng nói: hệ thống biết gì, dùng kiến thức ấy ra sao, xử lý sự không chắc chắn thế nào và người dùng cảm thấy thế nào khi cuộc trò chuyện kết thúc.

Giọng nói Tạo ra Một Hợp đồng Xã hội

Giọng nói không phải giao diện trung tính. Gần đây tôi tham gia cuộc gọi với khách hàng, tác nhân trình diễn có giọng nữ. Chưa đầy một phút, mọi người trong phòng đã gọi tác nhân là “cô ấy”. Không ai tuyên bố quyết định đó; nó chỉ là phần nối dài tự nhiên của cuộc trò chuyện.

Hiệu ứng này có trước AI tạo sinh. Năm 1994, research trong nghiên cứu về máy tính như các chủ thể xã hội, Clifford Nass, Jonathan Steuer và Ellen Tauber cho thấy con người phản ứng với máy tính theo quy tắc xã hội ngay cả khi biết mình đang tương tác với máy móc. Giọng nói làm phản ứng ấy mạnh hơn qua nhịp điệu, sự tự tin và ngữ điệu.

Điều đó thay đổi cảm giác khi hệ thống thất bại. Một hộp văn bản trả về sai liên kết gây khó chịu; một giọng nói chen ngang, hiểu sai cùng một ý hai lần rồi khăng khăng rằng vấn đề đã được giải quyết sẽ bị xem là bất lịch sự. Công nghệ không phát triển cảm xúc; người gọi thì có.

Niềm tin vốn đã mong manh. Một nghiên cứu toàn cầu năm 2025, study do Đại học Melbourne phối hợp cùng KPMG dẫn dắt, khảo sát hơn 48.000 người tại 47 quốc gia. Kết quả cho thấy 66% thường xuyên dùng AI nhưng chỉ 46% sẵn lòng tin tưởng nó. Mỗi tương tác bằng giọng nói hoặc gây dựng thêm một chút niềm tin, hoặc tiêu hao nó.

Cũng có một căng thẳng về đạo đức. Ngành thường xem tác nhân nghe giống người nhất là tác nhân tốt nhất. Nhưng mọi người không muốn bị đánh lừa. Khi thiết kế tác nhân, tôi muốn nó tự giới thiệu, giải thích mình có thể truy cập gì và nói rõ sắp làm gì trước một hành động có hệ quả. Tính minh bạch phải là một phần của cuộc trò chuyện.

Thiết Kế Dành Cho Tai, Không Phải Mắt

Màn hình dễ tha thứ hơn. Người dùng có thể quét, đọc lại và cuộn về trước. Lời nói biến mất ngay khi được nghe, khiến tải nhận thức trở thành giới hạn thiết kế thực tế chứ không phải ghi chú học thuật.

Nelson Cowan’s review về trí nhớ làm việc mô tả một kho trung tâm chỉ chứa khoảng ba đến năm mục có ý nghĩa ở người trưởng thành trẻ tuổi. Tuy vậy, hệ thống thoại vẫn đọc những menu dài và dồn nhiều câu hỏi vào một lượt. Phần lớn mọi người không thể giữ tất cả thông tin ấy, nhất là khi đang mất tập trung, lái xe hoặc đã bực bội.

Không thể chỉ thêm chức năng chuyển văn bản thành giọng nói cho chatbot rồi gọi đó là sản phẩm thoại. Thiết kế thoại nguyên bản dùng lượt nói ngắn hơn, đưa thông tin quan trọng lên trước và cho người gọi khoảng trống để ngắt lời. Nó cũng hiểu rằng không phải mọi khoảng lặng đều cần được lấp đầy; tốc độ quan trọng, nhưng thiết kế thoại nguyên bản còn có thể “đọc” được khi cuộc trò chuyện đã kết thúc.

Nền tảng của tôi bao gồm ngôn ngữ học xã hội-văn hóa, nghiên cứu cách ngôn ngữ vận hành giữa con người và trong bối cảnh xã hội. Kiến thức này hữu ích cho thiết kế thoại vì cung cấp từ ngữ chính xác để mô tả nhịp độ, ngữ điệu, luân phiên lượt nói và sửa chữa hội thoại. “Làm cho tự nhiên” không phải chỉ dẫn thiết kế. Mô tả được cuộc trò chuyện nên vận hành ra sao mới cho nhóm một mục tiêu cụ thể để xây dựng.

Thiết Kế Dựa Trên Đồng Cảm Trông Như Thế Nào

Thiết kế lấy đồng cảm làm trọng tâm không phải là khiến tác nhân nghe ấm áp hay giống người hơn. Nó là việc định hình cuộc trò chuyện quanh hoàn cảnh của người dùng, giảm công sức cần để hoàn thành nhiệm vụ và xử lý thất bại mà không làm họ thêm thất vọng. Trong thực tế, điều này bắt đầu bằng vài lựa chọn thiết kế cơ bản.

Bắt Đầu Với Lý Do Người Gọi

Mọi người không gọi để điều hướng hệ thống phân loại của công ty. Họ gọi vì có thứ bị hỏng, đến muộn hoặc gây khó hiểu. Người nói “Tôi cần dừng chuyến giao hàng này” không nên bị đẩy qua kịch bản chung về trạng thái đơn hàng. Tác nhân cần xác định đó là chuyến giao nào và liệu còn can thiệp được hay không.

Sử Dụng Ngữ Cảnh Để Loại Bỏ Sự Lặp Lại

Sự đồng cảm thường thể hiện rõ nhất ở những điều hệ thống không hỏi. Nếu doanh nghiệp đã biết khách hàng là ai, dùng sản phẩm nào và trước đó đã xảy ra gì, tác nhân nên dùng ngữ cảnh đã được phê duyệt đó thay vì bắt người gọi kể lại từ đầu.
Điều tương tự áp dụng trong nội bộ doanh nghiệp. Một nhân viên bán hàng giữa hai cuộc họp nên có thể hỏi tài khoản đã thay đổi gì, đọc lời nhắn theo dõi và để bản cập nhật được ghi lại vào đúng hệ thống. Giá trị nằm ở việc duy trì công việc mà không mất ngữ cảnh hoặc tạo thêm thủ tục.

Thiết Kế Cách Sửa Chữa Trước Khi Đến Đường Đua Hạnh Phúc

Mọi hệ thống thoại đều có lúc nghe sai. Giọng địa phương, tiếng ồn nền, tên lạ và lời ngắt khiến điều đó không thể tránh khỏi. Sản phẩm được định nghĩa bởi việc xảy ra tiếp theo. Cách phục hồi tệ nhất là lặp lại cùng câu hỏi bằng đúng những từ cũ. Phản hồi tốt hơn sẽ giải thích tác nhân đã hiểu gì và thu hẹp điểm chưa chắc chắn. Nếu vấn đề cần phán đoán hoặc quyền truy cập mà tác nhân không có, nó nên đưa con người vào trước khi người gọi phải yêu cầu.

Tôn Trọng Việc Chuyển Giao Và Kết Thúc

Chuyển người gọi sang nhân viên không phải thất bại. Chuyển mà không kèm ngữ cảnh cuộc trò chuyện mới là thất bại. Nếu tác nhân chuyển cuộc gọi nhưng không truyền lại khách hàng đã nói gì, mình đã xác định gì và đã thử gì, khách hàng phải bắt đầu lại. Đó chính xác là phần việc AI cần loại bỏ.
Điều tương tự đúng khi vấn đề đã được giải quyết. Đôi khi trải nghiệm thoại tốt nhất chỉ là một câu hỏi, một câu trả lời chính xác và một cú nhấp. Người gọi không nhất thiết cảm ơn tác nhân hay xác nhận yêu cầu đã được giải quyết trước khi cúp máy. Nếu họ đã nhận được điều cần thiết, tương tác đã thành công.

Đo Lường Nỗ Lực, Không Phải Sân Khấu Hiệu Suất

Một cuộc gọi được giải quyết hoàn hảo ngay lần đầu vẫn có thể trông như bị bỏ dở vì khách hàng cúp máy mà không xác nhận hài lòng. Nếu thành công được định nghĩa là hoàn tất kịch bản dài, các nhóm sẽ tối ưu cuộc trò chuyện dài hơn rồi gọi đó là mức độ tương tác.

Tôi muốn đo số cuộc gọi lại, lần sửa sai, lượt chuyển có thể tránh và việc hành động được yêu cầu có hoàn tất hay không. Các điểm hài lòng rộng hơn như NPS vẫn quan trọng, nhưng chính cuộc trò chuyện cho thấy khách hàng đã phải làm việc nhiều hơn mức cần thiết ở đâu.

Vào tháng 2 năm 2026, Gartner reported cho biết 91% lãnh đạo dịch vụ và hỗ trợ khách hàng chịu áp lực từ ban điều hành phải triển khai AI. Áp lực đó càng khiến việc đo xem tự động hóa có thực sự loại bỏ công việc hay không trở nên quan trọng. Một tác nhân thoại tạo thêm cuộc gọi lại, lượt chuyển không cần thiết hoặc tương tác dài hơn có thể trông hiệu quả trên giấy nhưng thực chất chỉ chuyển chi phí sang nơi khác. Hiệu quả kinh tế được cải thiện khi hệ thống giải quyết đúng công việc, tránh lượt trao đổi thừa và không để khách hàng quay lại qua kênh đắt hơn.

Năng Lực và Đồng Cảm Đi Cùng Nhau

Thị trường thoại doanh nghiệp đang vượt qua giai đoạn chỉ chú trọng lời nói tự nhiên. Điều quan trọng hiện nay là tác nhân có hiểu nhu cầu người gọi, truy cập đúng ngữ cảnh doanh nghiệp, hành động chính xác và an toàn, đồng thời phản ứng phù hợp khi cuộc trò chuyện lệch khỏi kịch bản hay không.

Thiết kế lấy đồng cảm làm trọng tâm không nên khiến tác nhân nói nhiều hơn. Nếu làm đúng, nó loại bỏ lặp lại, rút ngắn giải thích và không bắt người gọi phải quản lý máy móc. Đôi khi sự hài lòng chỉ là cảm giác một việc khó đã trở nên dễ dàng.

Câu hỏi quan trọng nhất tôi đặt ra khi xây dựng bất kỳ sản phẩm AI nào rất thẳng thừng: tại sao có người phải bận tâm dùng nó? Giọng nói xứng đáng có chỗ đứng khi giúp một việc trở nên dễ hơn rõ rệt, thay vì tạo thêm việc cho con người hoàn tất.

Trước khi ra mắt tác nhân thoại, hãy nghe những cuộc trò chuyện thất bại chứ không chỉ bản trình diễn bóng bẩy. Nó có hiểu vì sao người đó gọi không? Nó có biết đủ để giải quyết vấn đề không? Khi thất bại, nó khiến bước tiếp theo dễ hơn hay khó hơn?

Nếu câu trả lời không rõ ràng, thêm cá tính, giảm độ trễ hay dùng giọng giống người hơn cũng không cứu được sản phẩm.