Chúng ta đang làm marketing trong thời đại mà việc xuất bản một báo cáo phân tích marketing quá dễ dàng, hầu như ai cũng làm được, nhưng khả năng đánh giá báo cáo đúng hay sai lại trở nên thật khan hiếm. Và chính điều đó đã tạo ra một “thời loạn” mới của người làm marketing.
📌 Key Takeaways
- Thời loạn của marketing đến từ 3 căn bệnh: vay nặng lãi kiến thức từ AI, Ảo giác đôi và Tư duy phân mảnh.
- AI không gây ra cả ba hiện tượng nhưng việc sử dụng AI để thay thế năng lực thay vì xây năng lực mới là thứ gây loạn, và AI chỉ tăng tốc rồi xuất hóa đơn.
- Lối ra bền vững: xây năng lực theo 3 tầng (cá nhân, team, cách đầu tư AI), mở đầu cho hành trình xây năng lực Marketing Intelligence trong các bài viết sau.
Vì sao ứng dụng AI trong marketing lại Góp phần gây loạn?
Theo quan sát của mình, việc ứng dụng AI trong marketing đã kéo chi phí sản xuất report, dashboard, forecast về gần 0, nhưng không kèm theo năng lực kiểm chứng cho người dùng nó. Theo đó, thời loạn hiện ra dưới 3 hình hài:
- Vay nặng lãi kiến thức từ AI: dùng AI lấp vào chỗ trống chuyên môn mà mình chưa từng xây.
- Ảo giác đôi: AI bịa ra số liệu, còn người marketer thì không kiểm chứng được nên bịa tiếp insights.
- Tư duy phân mảnh: căn bệnh cố hữu có từ trước AI, nhưng được AI tăng tốc và nhân bản.
Quan sát 1. Vay nặng lãi kiến thức: khi AI lấp chỗ trống năng lực phân tích
Dân công nghệ có một khái niệm rất hay gọi là technical debt (nợ kỹ thuật): khi cần ra tính năng gấp, đội phần mềm chọn giải pháp nhanh và tạm thay cho giải pháp đúng nhưng cần thời gian. Code vẫn chạy, sản phẩm vẫn ship, nhưng khoản “nợ” đó nằm lại trong hệ thống và sớm muộn cũng phải trả: bằng thời gian sửa, bằng hiệu suất, hoặc tệ nhất là bằng một cú sập.
Dùng AI để xử lý một chuyên môn mà bạn không nắm rõ là chính khoản vay đó, với lãi suất cực cao.
Bạn có thể cũng biết đến sự vụ viral gần đây: một anh CEO tuyên bố chỉ với 500k mỗi tháng cho công cụ AI là thay được anh em dev lương 30 triệu, từ nay muốn chỉnh gì tự chỉnh. Ít ngày sau, cộng đồng tràn lan ảnh chụp những file html do AI dựng lộ cả key, user và password database. Và đây không phải lần đầu: đã có những founder vibe code đầy tự hào, rồi ít lâu sau lên mạng nhờ chỉ cách cứu database “không hiểu sao” bị xóa sạch.
Trong marketing, phiên bản phổ biến hơn và âm thầm hơn: quăng file Excel vào AI kèm câu thần chú “hãy dựng dashboard”. Dashboard hiện ra đẹp lung linh, xuất được cả file html để chia sẻ. Nhưng mỗi lần cần phân tích sâu thêm thì không tái sử dụng được các bảng đã xử lý, token lại cháy thêm một vòng. Có những hệ thống báo cáo mà nếu xây đúng trên nền data warehouse và analytics services thì chi phí rất rẻ, nhưng thực tế lại nằm gọn trong tài khoản AI cá nhân của đúng một người, tổng chi phí đội lên gấp 5 tới 10 lần. Đó là chưa nói đến bảo mật và độ chính xác của những con số khó kiểm chứng vì không có pipeline chặt chẽ.
Và như thế khoản vay nào cũng có ngày đáo hạn, thế nên việc vay nặng lãi kiến thức từ AI mà không trả, lãi sẽ chồng lãi cho đến khi… đổ nợ.
Quan sát 2. Ảo giác đôi: AI hallucination trong marketing analytics nguy hiểm đến đâu?
AI hallucination (ảo giác AI) là hiện tượng AI tự tin tạo ra thông tin không có thật: số liệu, trích dẫn, thậm chí cả nghiên cứu không tồn tại. Nhưng ảo giác AI chỉ là một nửa vấn đề. Nửa còn lại nằm ở phía chúng ta: khi marketer không đủ nền tảng để kiểm chứng, chúng ta bịa tiếp ra insights từ đó. Mình gọi hiện tượng ấy là ảo giác đôi.
Đừng nghĩ chỉ người mới vào nghề mới dính. KPMG, một Big 4 với chuẩn mực research thuộc hàng khắt khe nhất, vừa phải gỡ một báo cáo về agentic AI sau khi hãng kiểm chứng GPTZero phát hiện chỉ 5/45 trích dẫn trỏ đúng nguồn thật. EY cũng từng phải rút một báo cáo sau khi lộ ra 16/27 nguồn là bịa hoặc gãy link. GPTZero đặt tên cho hiện tượng này là “vibe citing”: AI ghép các mảnh nguồn thật, chế thêm tiêu đề, tạo ra trích dẫn nghe rất thuyết phục cho tới khi có người thật sự bấm vào.
Điều đáng sợ nhất của ảo giác đôi là nó không đứng yên, nó xoáy: AI bịa vài con số trong report, marketer tự tin đọc ra insight từ chính những con số đó, sự tự tin phình to nhanh hơn sự thật. Báo cáo sai làm nền cho kế hoạch, kế hoạch sai làm nền cho quyết định, ảo giác này đẻ ra ảo giác kế tiếp, cho tới khi có một cú sập thật sự, to hoặc nhỏ. Và hậu quả không nằm đâu xa: nó rơi thẳng vào ngân sách bạn đề xuất, campaign bạn chạy, proposal bạn gửi khách hàng.
Quan sát 3. Tư duy phân mảnh đang âm thầm phá quy trình marketing analytics thế nào?
Căn bệnh thứ ba có từ trước khi AI xuất hiện, nhưng AI đang khiến nó đắt đỏ hơn bao giờ hết.
Mình từng hỗ trợ một người đồng nghiệp khi bạn ấy đi công tác 2 tuần. Quy trình bàn giao gồm tải dữ liệu từ email, chuẩn hóa rồi nạp vào hệ thống: đơn giản nhưng làm tay, tốn 30 phút mỗi lần, ngày 2 lần, như vậy một tuần sẽ tốn 6 tiếng (tính cả thứ Bảy). Bạn ấy đã làm đúng như thế ròng rã hai năm hơn. Trong khi chỉ với các thao tác cơ bản của Power Query trong Excel, mình dành 2 ngày, mỗi ngày 30 tới 45 phút, để dựng file xử lý tự động: quy trình rút xuống chưa đầy 10 phút mỗi ngày.Khi bạn về, mình trả lại task kèm món quà là cái file mình đã xây, và 5 tiếng dư ra mỗi tuần cho bạn để tập trung vào các công việc khác có giá trị hơn.
Đó là tư duy phân mảnh ở cấp cá nhân: chỉ tập trung hoàn thành task trước mắt, không nhìn xem task nằm ở đâu trong bức tranh lớn, phần nào đang lặp, phần nào tự động được. Và nó là số đông chứ không phải cá biệt: theo khảo sát của Smartsheet, hơn 40% người đi làm tốn ít nhất 1/4 tuần làm việc cho các việc lặp tay; theo UiPath, gần 60% ước tính có thể tiết kiệm hơn 6 tiếng mỗi tuần, gần trọn một ngày làm việc, nếu phần lặp được tự động hóa.
Ở cấp team, tư duy phân mảnh hiện ra trong quy trình và quản lý tri thức. Vì nhiều lý do, không ít quản lý không muốn, hoặc không đủ năng lực, hệ thống hóa cách team vận hành. Phiên bản đời thực mình từng gặp: toàn bộ quy trình phân tích của một team marketing nằm gọn trong tài khoản AI cá nhân của một bạn nhân viên, rủi ro bảo mật và rủi ro vận hành gói chung một chỗ. Hoặc ngược lại: team có người xây được hệ thống tool stack và luồng dữ liệu bền vững, nhưng thiếu lộ trình đào tạo, thế là nút cổ chai vẫn còn nguyên dẫu hệ thống đã xong.
Và đây là chỗ AI nhập cuộc: tư duy hệ thống và đòn bẩy AI là một vòng lặp quay theo cả hai chiều. Người có tư duy hệ thống đưa cho AI cấu trúc, nên mỗi output đều kiểm chứng được, dùng lại được, đòn bẩy cộng dồn. Người tư duy phân mảnh dùng AI theo từng task, câu hỏi nào cũng bắt đầu từ đầu, token cứ thế cháy. MIT ước tính 95% dự án GenAI trong doanh nghiệp không tạo ra ROI đo được, và thủ phạm không phải model, mà là quy trình không đủ hệ thống để giữ được đòn bẩy.
Làm sao để phát triển bền vững giữa thời loạn?
Ba quan sát trên có chung một gốc rễ: chúng ta đang mua output thay vì xây năng lực. Mua được tool, mua được report, mua được cả AI agent. Nhưng khả năng biết một con số đúng hay sai thì không ai bán. Vì thế nguyên tắc xuyên suốt mà mình theo đuổi rất gọn: hãy “thuê” AI làm việc, đừng “vay” kiến thức từ AI. Cụ thể theo 3 tầng:
Tầng cá nhân: xây thói quen verify và trả nợ kiến thức.
- Đưa dữ liệu thật và chốt phương pháp trước khi cho AI chạy; bắt AI show việc nó làm: query, công thức, danh sách nguồn. Con số nào không truy ngược được về dữ liệu gốc là red flag.
- Cho AI kiểm tra chéo lẫn nhau (đưa kết quả của AI này cho một AI khác soát logic, tính lại số, bấm thử trích dẫn) và vẫn tự spot-check 3 tới 5 con số quan trọng nhất. KPMG sập đúng ở chỗ không ai bấm thử link.
- Giữ một “sổ nợ kiến thức”: danh sách những thứ đang dùng mà chưa hiểu, mỗi tuần trả một mục. Học SQL qua chính câu query AI viết, học cách định nghĩa metric, thống kê căn bản.
- Chuẩn hóa trước, tự động sau bởi vì automation áp vào quy trình hiệu quả sẽ khuếch đại hiệu quả, áp vào quy trình lộn xộn sẽ khuếch đại sự lộn xộn.
Tầng team: quản “bus factor” của tri thức. Bus factor là số người mà chỉ cần họ vắng đột ngột là quy trình sập. Thử đếm xem team bạn có bao nhiêu quy trình chỉ đúng 1 người chạy được, rồi trả nợ dần: mỗi phân tích đều cần ship kèm method note, báo cáo review chéo, xoay vòng người chạy báo cáo định kỳ, mỗi quý một “bus drill” giả định một người vắng 2 tuần. Mục tiêu hướng tới ở tầng này là: quy trình quan trọng nào cũng có 2 tới 3 người vận hành được.
Tầng đầu tư AI: phân bổ theo luật 10-20-70. BCG đúc kết từ các dự án AI: giá trị đến từ 10% thuật toán, 20% công nghệ và dữ liệu, còn 70% nằm ở con người và quy trình. Mua công cụ AI cho marketing, phát license mới chỉ lo được phần 10-20. Phần 70 là thư viện method dùng chung kèm bước verify, workspace chung thay tài khoản cá nhân và giới hạn chi tiêu có theo dõi.
Ba tầng này chính là hình hài đầu tiên của hành trình mà cả series sẽ đi cùng bạn: Nền tảng , Tư duy cấu trúc , Tận dụng AI để xây năng lực Marketing Intelligence.
Câu hỏi thường gặp
Ứng dụng AI trong marketing có những rủi ro gì?
Ba rủi ro lớn nhất không nằm ở model mà ở cách dùng: vay nợ kiến thức (dùng AI thay cho chuyên môn chưa xây), ảo giác đôi (không kiểm chứng được output) và khuếch đại tư duy phân mảnh (mỗi silo tự sản xuất “sự thật” riêng nhanh hơn).
AI hallucination trong marketing analytics là gì?
Là hiện tượng AI tự tin tạo ra số liệu, trích dẫn hoặc kết luận không có thật trong các báo cáo phân tích. Nguy hiểm nhân đôi khi người dùng thiếu nền tảng kiểm chứng và diễn giải tiếp những con số bịa thành insight (ảo giác đôi).
Vay nợ kiến thức từ AI nghĩa là gì?
Là dùng AI để lấp chỗ trống một chuyên môn bạn chưa từng xây, tương tự technical debt trong phần mềm: giải quyết được việc trước mắt nhưng khoản nợ nằm lại, lãi cộng dồn bằng chi phí, rủi ro và sự phụ thuộc.
Làm sao xây hệ thống marketing analytics đáng tin cậy khi dùng AI?
Theo 3 tầng: cá nhân xây thói quen verify (chốt method, bắt AI show work, spot-check); team quản bus factor (method note, review chéo, 2 tới 3 người mỗi quy trình); đầu tư theo luật 10-20-70, dồn trọng tâm vào con người và quy trình thay vì chỉ mua tool.
Kết
Cảm ơn bạn đã dành thời gian cho số trở lại này của From Insights to Impacts. Ba căn bệnh của thời loạn thì bài này đã gọi tên xong; hẹn gặp lại bạn ở newsletter kì sau, nơi mình sẽ chia sẻ chi tiết hơn về cách xây dựng một hệ thống Marketing Intelligence bền vững hơn giữa thời loạn: bắt đầu từ nền tảng, qua tư duy cấu trúc, tới cách điều phối AI.
📥 Nếu bạn thấy số này hữu ích, mời bạn đăng ký Bản tin thứ Ba để không bỏ lỡ kì sau, và hãy giúp mình chia sẻ bài viết này đến những để cùng nhau làm marketing tỉnh táo giữa thời loạn.
Đọc thêm trên site: Dữ liệu rẻ, insight đắt: Cuộc chơi mới của marketer · Dashboard và Report: Dùng sao cho hiệu quả
Nguồn tham khảo: KPMG gỡ báo cáo agentic AI, 5/45 trích dẫn đúng nguồn (GPTZero, TechCrunch, The Register). EY rút báo cáo, 16/27 trích dẫn bịa (Computing). MIT: 95% dự án GenAI không có ROI đo được (Fortune). Smartsheet: 40%+ tuần làm việc cho việc lặp tay (Smartsheet). UiPath: ~60% tiết kiệm 6+ giờ/tuần nếu tự động hóa (UiPath). BCG 10-20-70 (BCG, Forbes).