Bài 4 — Quản lý kỳ vọng khách hàng: bán AI mà không bán ảo tưởng

Vì sao AI dễ tạo kỳ vọng sai

Khách hàng đến với AI mang theo hai niềm tin nguy hiểm: (1) "AI là ma thuật, làm được mọi thứ" và (2) "AI phải đúng 100% mới dùng được". Cả hai đều sai, và cả hai đều là lỗi của bạn nếu không nắn lại từ đầu. Quản lý kỳ vọng không phải việc làm khi có sự cố — nó là công việc bạn làm trước khi ký hợp đồng.

Nguyên tắc: bán "độ chính xác kỳ vọng + human-in-the-loop", không bán "tự động 100%"

Thay vì hứa "AI xử lý toàn bộ", hãy đóng khung: > "Model tự động xử lý ~90% trường hợp phổ biến với độ chính xác X%. 10% khó sẽ được chuyển cho nhân viên duyệt. Kết quả: giảm 70% khối lượng thủ công, không phải 100%."

Câu này làm ba việc: đặt con số thực tế, giữ con người trong vòng lặp, và định lượng giá trị bằng ngôn ngữ business.

Ba con số phải chốt trước khi ký

• Ngưỡng độ chính xác mục tiêu (VD: 90% F1) — và định nghĩa đo thế nào.
• Phân bổ trách nhiệm khi sai — model gợi ý, con người quyết định ở những ca rủi ro cao.
• Baseline hiện tại — nhân viên đang làm đúng bao nhiêu %? Nếu người đạt 85%, model 90% đã là thắng. Không có baseline, mọi con số đều bị chê.

Kỹ thuật: "Confusion Matrix cho người không kỹ thuật"

Giải thích cho khách rằng model có hai kiểu sai và họ phải chọn ưu tiên:

• False Positive (báo nhầm): model nói "gian lận" nhưng thực ra không. Hậu quả: làm phiền khách tốt.
• False Negative (bỏ sót): model nói "bình thường" nhưng thực ra gian lận. Hậu quả: mất tiền.

Hỏi khách: "Anh sợ cái nào hơn?" Câu trả lời quyết định ngưỡng model — và cho khách thấy AI là đánh đổi, không phải phép màu.

Ví dụ cụ thể

Khách bảo hiểm muốn "AI phát hiện hồ sơ gian lận, phải bắt được hết". PM giỏi phản hồi: > "Nếu muốn bắt gần hết (recall cao), model sẽ gắn cờ nhiều hồ sơ thật là nghi ngờ (false positive tăng), đội điều tra sẽ ngập việc. Ta nên đặt mục tiêu: model lọc ra 15% hồ sơ rủi ro cao để đội tập trung, thay vì soi 100% như hiện nay. Đó là giá trị thật."

Kỳ vọng được nắn từ "bắt hết" sang "tập trung nguồn lực" — khả thi và đo được.

Khung giao tiếp: SBAR cho dự án AI

• Situation: vấn đề nghiệp vụ hiện tại và baseline.
• Behavior: model sẽ làm gì, ở đâu, chính xác bao nhiêu, sai kiểu nào.
• Assumptions: phụ thuộc vào dữ liệu nào, giả định gì.
• Responsibility: ai duyệt, ai chịu trách nhiệm khi sai.

Viết SBAR vào tài liệu phạm vi, ký cùng khách. Đây là "vaccine" chống tranh cãi sau này.

Checklist quản lý kỳ vọng

• [ ] Đã chốt ngưỡng chính xác bằng số và cách đo?
• [ ] Đã đo baseline hiện tại của khách?
• [ ] Đã thiết kế human-in-the-loop cho ca rủi ro cao?
• [ ] Đã giải thích đánh đổi false positive / false negative?
• [ ] Đã ghi giả định & trách nhiệm vào văn bản?
• [ ] Giá trị được diễn đạt bằng tiền/thời gian, không phải "AI xịn"?

Sai lầm thường gặp

• Hứa 'tự động hoàn toàn' để gây ấn tượng, rồi chết vì 5% ca lỗi.
• Không đo baseline, nên 90% bị chê "vẫn sai" dù người chỉ đạt 80%.
• Giấu tính xác suất của AI, làm khách sốc khi gặp lỗi đầu tiên.
• Để kỳ vọng trôi nổi bằng lời nói. Không ký ra văn bản = mở đường cho tranh chấp.

Kỳ vọng đúng cần dữ liệu đủ tốt để đạt. Nhưng thực tế, dữ liệu khách hàng luôn bẩn — bài 5.