Trợ lý giọng nói thế hệ mới: Tại sao kiến trúc lại quan trọng hơn cả câu trả lời

Lời khuyên phổ biến nhất về so sánh trợ lý ảo thế hệ mới cũng chính là lời khuyên ít hữu ích nhất: so sánh xem ai “trả lời tốt hơn”. Đó là logic của bài test tiêu dùng, không phải của một quyết định chiến lược. Nếu nhìn thị trường bằng con mắt của một doanh nhân, một người phụ trách đổi mới hay một team compliance, câu hỏi đúng không phải là giọng nói nào nghe có vẻ thông minh hơn, mà là hệ thống nào điều phối tốt hơn giữa các mô hình, dữ liệu, thiết bị và hành động.

Tại Ý, mảnh đất này đã đủ chín muồi cho sự thay đổi góc nhìn này. Mức độ sử dụng trợ lý ảo trong gia đình đã tăng từ 11% số hộ gia đình năm 2018 lên 15% năm 2019, theo Biblioteche Oggi Trends về trợ lý ảo và loa thông minh. Vậy nên đây không phải là một hiện tượng công nghệ nhất thời, mà là một giao diện đã thực sự đi vào đời sống hàng ngày.

Vấn đề hiện nay lại nằm ở chỗ khác. Các “ông lớn” đang dần hội tụ về những nền tảng cơ bản giống nhau của trí tuệ nhân tạo (AI). Khi “cỗ máy” ngày càng trở nên tương đồng, sự khác biệt sẽ chuyển sang kiến trúc hệ thống, hệ sinh thái, khả năng hành động thực tế của các tác nhân và cơ chế quản trị dữ liệu. Chính ở đó, tương lai sẽ được định đoạt.

Giới thiệu: Câu hỏi sai lầm mà ai cũng tự hỏi

Trong nhiều năm qua, chúng ta đã đánh giá các trợ lý giọng nói giống như cách đánh giá một chương trình đố vui trên truyền hình. Nó có hiểu câu hỏi không? Có trả lời nhanh không? Có ít sai sót không? Ngày nay, cách đánh giá này đã trở nên quá hẹp hòi. Một trợ lý thế hệ mới không chỉ cạnh tranh về khả năng trả lời, mà còn về khả năng kết nối các dịch vụ, duy trì bối cảnh, thực hiện các hành động và hoạt động trong một hệ sinh thái.

Theo quan điểm của tôi, sai lầm thực sự là cho rằng mô hình ngôn ngữ nền tảng vẫn là yếu tố phân biệt chính. Điều đó rõ ràng không còn đúng nữa. Khi ngày càng nhiều doanh nghiệp dựa vào các mô hình bên ngoài hoặc cơ sở hạ tầng chung, chất lượng đối thoại có xu hướng trở nên đồng nhất. Đến lúc đó, lợi thế cạnh tranh không nằm ở “bộ não” thuần túy, mà nằm ở cách thức bộ não đó được tích hợp.

Thị trường không chỉ ưu ái những người giỏi ăn nói. Thị trường đang ưu ái những ai biết phối hợp hiệu quả hơn giữa các thiết bị, dịch vụ, bối cảnh và dữ liệu.

Đối với một chuyên gia người Ý, điều này thay đổi tất cả. So sánh trợ lý ảo thế hệ mới không nên được nhìn nhận như một bảng xếp hạng thiết bị công nghệ, mà như một sự lựa chọn giữa các nền tảng với mô hình kinh doanh, sự phụ thuộc công nghệ và tác động vận hành rất khác nhau.

Vượt ra ngoài công nghệ AI: sự hội tụ công nghệ lớn

Cuộc tranh luận công khai vẫn tiếp tục coi Siri, Alexa, Google Assistant hay các giải pháp mới nổi như thể mỗi cái đều sở hữu một trí tuệ hoàn toàn khác biệt. Đây là cách đọc ngày càng kém hữu ích. Xu hướng của ngành đang hướng tới việc hàng hóa hóa (commoditization) kết quả đầu ra: các mô hình mạnh hơn, thường được tiếp cận qua hạ tầng dùng chung hoặc quan hệ đối tác, làm giảm khoảng cách cảm nhận được trong hội thoại cơ bản.

Chỉ hiểu thôi là chưa đủ

Một benchmark của Ý rất đáng chú ý chính vì nó tách biệt hai chỉ số mà nhiều người hay nhầm lẫn. Trong bài test của Worldline Italia trên 800 câu hỏi giống nhau, Google Assistant đạt 100% mức độ hiểu câu hỏi và 87,9% câu trả lời đúng, Siri đạt 99,6% và 74,6%, Alexa đạt 99% và 72,5%, Cortana đạt 99,4% và 63,4%, theo benchmark so sánh của Worldline Italia.

Những con số này nói lên một điều rất rõ ràng. Hiểu gần như mọi thứ không có nghĩa là trả lời tốt mọi thứ. Và trên hết, điều đó không có nghĩa là biết hành động tốt. Benchmark này cũng chỉ ra sự khác biệt theo từng loại tác vụ: Siri vượt trội hơn Google trong các lệnh điều khiển, trong khi Google chiếm ưu thế trong các câu hỏi kiến thức tổng quát và các tác vụ thông tin. Vì vậy không tồn tại một “nhà vô địch tuyệt đối” tách rời khỏi ngữ cảnh sử dụng.

Giá trị di chuyển đến đâu

Nếu nhiều trợ lý đạt đến mức độ tương đương nhau về khả năng hiểu biết cơ bản, thì động cơ sẽ không còn là yếu tố quyết định nữa. Lúc đó, tôi sẽ xem xét bốn yếu tố sau:

Điều phối các mô hình. Một trợ lý ảo có thể dựa trên một hoặc nhiều hệ thống AI, nhưng điều quan trọng là ai quyết định khi nào dùng cái gì.
Lớp ứng dụng. Giá trị tăng lên khi trợ lý ảo không chỉ dừng ở việc nói chuyện, mà còn gọi được các dịch vụ, bộ nhớ, ứng dụng và các tác vụ tự động hóa.
Kiểm soát trải nghiệm. Một giao diện nhất quán, được tích hợp trong smartphone, loa, ô tô hay nhà thông minh, có trọng lượng lớn hơn một câu trả lời chỉ tốt hơn đôi chút.
Sự phụ thuộc vào bên thứ ba. Hệ thống càng dựa nhiều vào bên ngoài, thì quản trị và độ tin cậy càng trở nên thiết yếu.

Quy tắc thực tế: nếu hai trợ lý ảo có vẻ giống nhau khi trả lời, hãy quan sát điều gì xảy ra khi chúng phải chuyển từ câu nói sang hành động.

Chính vì lý do này, so sánh trợ lý ảo thế hệ mới không nên bắt đầu từ bài kiểm tra “ai biết nhiều thứ hơn”, mà từ một câu hỏi khác: ai thực sự kiểm soát toàn bộ chuỗi từ giọng nói, mô hình, tích hợp cho đến kết quả?

So sánh các mô hình kiến trúc: Cuộc chiến thực sự vì tương lai

Khi các hệ thống động cơ ngày càng hội tụ, kiến trúc hệ thống chính là chiến trường thực sự. Chính tại đây, người ta sẽ quyết định hướng phát triển của một trợ lý ảo, mức độ chuyên môn hóa của nó, cũng như độ tin cậy khi phải xử lý các tác vụ phức tạp, chứ không chỉ đơn thuần là các yêu cầu riêng lẻ.

Ba hướng tiếp cận kiến trúc khác nhau

Các tập đoàn lớn đang đi theo những hướng khác nhau, và sự khác biệt này còn quan trọng hơn cả bản demo đơn lẻ.

Cách tiếp cậnLogicĐiểm mạnhRủi ro chínhĐơn khối (Monolithic)Một trải nghiệm thống nhất cố gắng che giấu sự phức tạpTính nhất quán mà người dùng cảm nhận đượcÍt linh hoạt hơn nếu hệ thống cần chuyên biệt hóaĐa tác tử (Multi-agent)Nhiều thành phần với vai trò riêng biệt được điều phối cùng nhauChuyên môn hóa theo từng tác vụĐộ phức tạp phối hợp cao hơnTái xây dựng sâu (Ricostruzione profonda)Tư duy lại trợ lý ảo ở cấp độ stack và giao diệnTiềm năng bứt phá chất lượng trong trung hạnQuá trình chuyển đổi chậm và phụ thuộc vào tích hợp thực tế

Amazon có xu hướng ưu tiên một trải nghiệm thống nhất hơn. Samsung đã thể hiện một logic gần với việc điều phối nhiều thành phần hơn. Còn Apple thì được quan sát chủ yếu ở khả năng tái xây dựng Siri một cách đáng tin cậy sau một thời gian dài bị thị trường đánh giá là chậm chân. Không cần biến những xu hướng này thành khẩu hiệu. Chỉ cần hiểu rằng một kiến trúc là một lựa chọn chiến lược, chứ không phải một chi tiết kỹ thuật.

Tại sao kiến trúc lại quan trọng hơn danh sách tính năng

Một tính năng có thể được sao chép. Nhưng kiến trúc thì không, hoặc ít nhất là không thể trong thời gian ngắn. Nếu một đối thủ cạnh tranh ra mắt tính năng tổng hợp, đặt lịch hoặc soạn thảo tự động mới, các đối thủ khác có thể sao chép nó. Tuy nhiên, cách thức mà một trợ lý phân bổ các tác vụ giữa nhận diện giọng nói, bộ nhớ, lập kế hoạch, ứng dụng bên ngoài và kiểm soát quyền truy cập mới là yếu tố quyết định chất lượng của hệ thống theo thời gian.

Đối với người làm việc trong doanh nghiệp, câu hỏi hữu ích là: trợ lý ảo được xây dựng để thực thi một chuỗi hành động đáng tin cậy, hay để gây ấn tượng trong một buổi demo?

Một chuyện là yêu cầu “đặt giúp tôi một bàn”. Một chuyện khác là để hệ thống quản lý một chuỗi các bước với các ràng buộc, quyền truy cập, dữ liệu nhạy cảm và việc kiểm tra kết quả.

Điều này cũng bộc lộ hạn chế của mô hình trợ lý ảo hướng đến người tiêu dùng. Nhiều trợ lý hứa hẹn sẽ “làm thay bạn”, nhưng trên thực tế, chúng hoạt động hiệu quả nhất trong các lĩnh vực có tính chuẩn hóa cao: âm nhạc, hẹn giờ, thông tin nhanh, nhà thông minh, tin nhắn, lịch trình. Ngay khi công việc đòi hỏi các trường hợp ngoại lệ, quy định, dữ liệu doanh nghiệp hoặc trách nhiệm vận hành, lời hứa đó sẽ bị thu hẹp lại.

Vì vậy, khi đánh giá tương lai của một nền tảng, tôi không chỉ xem xét những gì nó có thể làm được hiện tại. Tôi xem xét liệu kiến trúc của nó có phù hợp để xử lý:

Bộ nhớ dai bền và có ngữ cảnh
Các bước đa giai đoạn có xác nhận
Định tuyến tới các dịch vụ khác nhau
Quản lý quyền hạn ở mức chi tiết
Giám sát việc thực thi và các lỗi xảy ra

Trong so sánh trợ lý ảo thế hệ mới, cuộc chiến thực sự không nằm ở giọng nói tự nhiên hơn. Mà nằm ở mô hình điều phối đáng tin cậy hơn.

Từ lời nói đến hành động: khả năng hành động thực sự

Thuật ngữ “có tính chủ thể” thường bị sử dụng một cách quá hời hợt. Ngày nay, chỉ cần một trợ lý hoàn thành một nhiệm vụ được hướng dẫn là đã được coi là một chủ thể. Tôi không đồng ý với điều đó. Một hệ thống chỉ thực sự có tính chủ thể khi nó có khả năng hiểu được mục tiêu, chia nhỏ mục tiêu thành các bước cụ thể, tương tác với các công cụ khác nhau, kiểm tra kết quả và xử lý các trường hợp ngoại lệ mà không làm mất đi bối cảnh.

Một trợ lý chỉ biết thực hiện mệnh lệnh thì vẫn chưa phải là một nhân viên

Trong lĩnh vực tiêu dùng, nhiều “hành động” thực chất là những phím tắt được thiết kế tinh tế. Bật đèn, khởi chạy danh sách phát, đặt lời nhắc, gửi tin nhắn. Chúng rất hữu ích và thường được thiết kế rất tốt. Nhưng đó là những hành động diễn ra trong các môi trường tương đối khép kín, với rất ít yếu tố mơ hồ.

Trong công việc hàng ngày, yêu cầu đặt ra ngay lập tức cao hơn. Một chuyên viên thực thụ phải biết kết nối dữ liệu, ứng dụng, quy định nội bộ và trách nhiệm. Nếu một nhà quản lý yêu cầu phân tích nguyên nhân sụt giảm doanh số, hệ thống không nên chỉ dừng lại ở việc tóm tắt thông tin trên bảng điều khiển. Hệ thống cần phải đối chiếu các nguồn dữ liệu, phát hiện các bất thường, phân biệt giữa giả thuyết và sự thật, đồng thời đưa ra kết quả có thể áp dụng được.

Đây chính là nơi thể hiện sự khác biệt giữa một trợ lý ảo dành cho người tiêu dùng và các AI Agents cho quy trình doanh nghiệp của ELECTE. Đây không phải là sự khác biệt về “trí tuệ tổng quát” trừu tượng. Đó là sự khác biệt về thiết kế: mục tiêu, dữ liệu, công cụ, kiểm soát, khả năng kiểm toán.

Hạn chế thực tế nằm ở các phần mở rộng

Nút thắt cổ chai thực sự của năng lực agentic không chỉ nằm ở mô hình. Mà nằm ở mạng lưới tích hợp mà trợ lý ảo có thể kích hoạt trong bối cảnh địa phương. Một số liệu lịch sử về thị trường Ý cho thấy rõ điều này: một khảo sát được trích dẫn cho biết có 2.920 skill của Alexa tại Ý, so với 65.901 tại Hoa Kỳ và 34.771 tại Vương quốc Anh, theo phân tích của True Numbers về trợ lý ảo trong gia đình.

Sự chênh lệch này không phải là chuyện nhỏ. Điều đó có nghĩa là người dùng Ý, ngay cả khi sử dụng một trợ lý ảo mạnh mẽ, vẫn phải hoạt động trong một hệ sinh thái các tính năng của bên thứ ba hẹp hơn so với các thị trường nói tiếng Anh. Và nếu hệ sinh thái hẹp hơn, thì khả năng “hành động” cũng bị hạn chế theo.

Ba hệ quả thực tiễn:

Hành động phụ thuộc vào các kết nối có sẵn
Không có dịch vụ tích hợp, trợ lý vẫn chỉ là một giao diện hội thoại tốt với ít đòn bẩy vận hành.
Bản địa hóa quan trọng không kém mô hình
Một hệ thống xuất sắc bằng tiếng Anh có thể trở nên tầm thường về mặt hữu ích thực tế nếu thiếu các dịch vụ, nội dung và quy trình làm việc phù hợp với Ý.
Tính năng động thực sự đòi hỏi kiểm soát quy trình
Hoạt động càng quan trọng thì càng cần có kiểm tra, nhật ký, phân quyền và khả năng can thiệp của con người.

Một trợ lý “làm việc” tại nhà không nhất thiết đã sẵn sàng để “làm việc” tại công ty.

Chính vì vậy, trong so sánh trợ lý ảo thế hệ mới, tôi luôn phân biệt ba cấp độ: hội thoại, thực thi có hướng dẫn, tự động hóa đáng tin cậy. Marketing thường có xu hướng gộp chung chúng lại. Ai đưa ra quyết định đầu tư nghiêm túc nên tách biệt chúng một cách hết sức cẩn thận.

Hệ sinh thái chính là lợi thế cạnh tranh thực sự

Nếu trí tuệ cơ bản trở nên phổ biến, lợi thế cạnh tranh sẽ không còn nằm ở mô hình mà chuyển sang mạng lưới kết nối. Đây chính là điểm mà nhiều cuộc tranh luận công khai đã nhầm lẫn về góc nhìn. Họ coi trợ lý ảo như một sản phẩm hoàn chỉnh, trong khi thực tế giá trị của nó phụ thuộc vào những gì nó có thể kích hoạt xung quanh mình.

Việc địa phương hóa quan trọng hơn việc xây dựng thương hiệu

Trên thị trường Ý, chỉ có thương hiệu mạnh thôi là chưa đủ. Một thiết bị trợ lý có thể rất xuất sắc trên giấy tờ, nhưng nếu hệ sinh thái địa phương còn hạn chế, thì tính hữu dụng hàng ngày của nó sẽ bị giảm sút. Điều này áp dụng cho các lĩnh vực như nhà thông minh, ứng dụng, dịch vụ địa phương, thanh toán và tích hợp theo chiều dọc.

Theo GMI Insights về thị trường voice user interface, thị trường VUI có giá trị 16,5 tỷ đô la và Bắc Mỹ chiếm hơn 30% thị trường toàn cầu vào năm 2023. Đối với Ý, cùng bức tranh ngành này giúp đọc hiểu một động thái cụ thể: các trợ lý chính có mặt là Siri, Google Assistant và Alexa, nhưng lựa chọn thực tế thường xoay quanh hệ sinh thái, khả năng tương thích đa thiết bị và tích hợp nhà thông minh.

Đối với doanh nghiệp, điều quan trọng là toàn bộ chuỗi giá trị

Đối với một đội ngũ chuyên nghiệp, hệ sinh thái không chỉ đơn thuần là một danh sách các tính năng tương thích. Đó là một chuỗi hoàn chỉnh:

Đầu vào. Yêu cầu được nhập vào như thế nào, với ngữ cảnh nào và với quyền hạn nào.
Định tuyến. Công cụ hoặc dịch vụ nào tiếp nhận tác vụ.
Thực thi. Những ứng dụng hoặc cơ sở dữ liệu nào được truy vấn.
Kiểm soát. Ai xác minh kết quả, dấu vết được lưu ở đâu, cách khắc phục lỗi ra sao.

Một hệ sinh thái phong phú giúp giảm thiểu sự cản trở. Một hệ sinh thái bị phân mảnh lại tạo ra sự phụ thuộc, các trường hợp ngoại lệ và những điểm mù.

Các mẫu sản phẩm càng trở nên có thể thay thế lẫn nhau, thì hệ sinh thái càng trở thành sản phẩm.

Đây là lý do tại sao so sánh trợ lý ảo thế hệ mới cần được đọc như một đánh giá về nền tảng. Bạn không chỉ đang chọn một giọng nói. Bạn đang chọn một chuỗi tích hợp, các đối tác công nghệ và khả năng vận hành. Và chuỗi này, đối với một doanh nghiệp, thường quan trọng hơn sự xuất sắc của từng câu trả lời riêng lẻ.

Quyền riêng tư và chủ quyền dữ liệu: Ai đang nghe lén các cuộc trò chuyện của bạn?

Chủ đề bị bỏ qua nhiều nhất trong các đánh giá về trợ lý ảo cũng chính là chủ đề quan trọng nhất đối với đối tượng doanh nghiệp. Hầu hết các phân tích tập trung vào tính năng, độ chính xác, chất lượng hội thoại, nhà thông minh. Rất ít phân tích thực sự đi sâu vào quản trị dữ liệu.

Khoảng cách thông tin bị đánh giá thấp nhất

Một nguồn tin từ Ý nói rõ điều này: phần lớn các phân tích về trợ lý ảo tại Ý bỏ qua vấn đề quyền riêng tư, tuân thủ và chủ quyền dữ liệu, tạo ra khoảng trống thông tin cho các doanh nghiệp. Đây là điểm trọng tâm được nêu bật bởi Hello Uniweb trong phân tích về voice assistant.

Đối với người tiêu dùng, sự thiếu sót này có thể chỉ là chuyện nhỏ. Nhưng đối với một doanh nghiệp vừa và nhỏ (SME), một bộ phận tài chính hay một người phụ trách tuân thủ, điều này hoàn toàn không hề nhỏ. Nếu một yêu cầu bằng giọng nói đi qua các hạ tầng đám mây, dịch vụ của bên thứ ba và chuỗi ứng dụng bên ngoài, câu hỏi không chỉ là “câu trả lời có chính xác không?”, mà còn là:

Yêu cầu được xử lý ở đâu
Ai có thể truy cập siêu dữ liệu (metadata)
Những sự đồng ý nào thực sự đang có hiệu lực
Cách quản lý việc xóa, ẩn danh hóa và nhật ký
Việc sử dụng có phù hợp với chính sách nội bộ và GDPR hay không

Để tìm hiểu sâu hơn về chủ đề này từ góc nhìn rộng hơn, cũng đáng đọc phân tích của ELECTE về việc lắng nghe, dữ liệu và rủi ro thông tin trong các hệ thống AI.

Video này giúp làm sáng tỏ chủ đề này từ góc độ dễ hiểu hơn:

Cách đánh giá rủi ro hoạt động

Khi một trợ lý giọng nói được ứng dụng trong môi trường chuyên nghiệp, tôi khuyên nên đánh giá nó như cách ta đánh giá một công nghệ liên quan đến dữ liệu và quy trình, chứ không phải như một món đồ chơi công nghệ.

Một danh sách kiểm tra tối thiểu nên bao gồm:

Tiêu chíCâu hỏi cần đặt raNơi lưu trú dữ liệuBạn có biết yêu cầu và kết quả đầu ra đi qua khu vực pháp lý nào không?Bên thứ ba liên quanBạn có khả năng nhìn thấy các đối tác công nghệ xử lý hoặc lưu trữ dữ liệu không?Kiểm soát quản trịBạn có thể quản lý chính sách, tài khoản, phân quyền và vô hiệu hóa tập trung không?Khả năng kiểm toánCó tồn tại nhật ký, khả năng truy vết hành động và khả năng xem xét lại không?Giảm thiểu rủi roBạn có thể hạn chế việc gửi dữ liệu nhạy cảm hoặc tách biệt ngữ cảnh cá nhân và doanh nghiệp không?

Điểm quyết định: trong kinh doanh, người chiến thắng không phải là trợ lý dễ mến nhất. Người chiến thắng là trợ lý giảm bớt ma sát mà không làm tăng rủi ro vận hành.

Điều này thay đổi chính ý nghĩa của so sánh trợ lý ảo thế hệ mới. Nếu bạn là một chuyên gia châu Âu, chất lượng hội thoại chỉ là một trong các tiêu chí. Trục còn lại, thường quan trọng hơn, là khả năng kiểm soát dữ liệu thực sự. Và trên mặt trận này, thị trường vẫn còn kém minh bạch hơn nhiều so với những gì truyền thông thương mại muốn ám chỉ.

Kết luận: Hãy chọn bộ điều phối, không chỉ là giọng hát

Thị trường trợ lý ảo đang bước vào một giai đoạn khác. Câu hỏi hữu ích không còn là ai có vẻ xuất sắc hơn trong một bản demo, mà là nền tảng nào biết điều phối tốt hơn các mô hình, tích hợp, ngữ cảnh và quản trị. Chính ở đây lợi thế thực sự được tạo ra.

Yếu tố tạo nên sự khác biệt không chỉ nằm ở chất lượng cuộc trò chuyện. Đó là kiến trúc nền tảng cho trải nghiệm, độ sâu của hệ sinh thái giúp các hành động trở nên khả thi, mức độ trưởng thành của khả năng tự chủ và mức độ kiểm soát dữ liệu. Đối với người dùng doanh nghiệp, bốn khía cạnh này quan trọng hơn nhiều so với một câu trả lời hóm hỉnh hay một lệnh được thực thi trong vài giây.

Ai nhìn xa trông rộng nên suy nghĩ theo hướng điều phối. Đây chính là logic đang định hình lại không chỉ các trợ lý dành cho người tiêu dùng, mà toàn bộ thế hệ hệ thống AI vận hành mới. Một bài đọc hữu ích, theo hướng này, là phân tích của ELECTE về điều phối AI và vai trò của các tích hợp trong các luồng công việc thực tế.

Nếu bạn muốn biến dữ liệu, tín hiệu và quy trình làm việc thành các quyết định vận hành cụ thể, hãy thử ELECTE, an AI-powered data analytics platform for SMEs. Đây là cách trực tiếp nhất để thấy một AI Agent được thiết kế cho doanh nghiệp khác biệt như thế nào so với một trợ lý dành cho người tiêu dùng: ít hội thoại vô nghĩa hơn, nhiều phân tích, tự động hóa và hỗ trợ thực sự cho việc ra quyết định hơn.