Chưng Cất Giá Trị: Vượt Qua Hố Sâu Thất Vọng Để Tối Ưu Hóa Quy Trình Kinh Doanh Bằng AI Tạo Sinh và Tác Nhân AI

Tóm tắt điều hành: AI tạo sinh (Generative AI) và các tác nhân AI (AI Agents) đang hứa hẹn một cuộc cách mạng về hiệu suất trong kinh doanh. Tuy nhiên, bất chấp tỷ lệ áp dụng cao, hơn 80% các dự án AI tạo sinh không mang lại lợi tức đầu tư (ROI) đáng kể, với 95% dự án thử nghiệm (pilot) thất bại trong việc tạo ra tác động đo lường được. Nguyên nhân gốc rễ không nằm ở công nghệ mà ở “khoảng cách học hỏi” về tổ chức, chất lượng dữ liệu kém, thiếu chiến lược triển khai và quản trị. Để thành công, doanh nghiệp cần tập trung xây dựng nền tảng dữ liệu vững chắc, chiến lược tích hợp rõ ràng, ưu tiên các ứng dụng cụ thể có ROI cao, và không ngừng phát triển năng lực nội bộ về quản trị và đạo đức AI, đặc biệt trong bối cảnh thị trường đang phát triển nhanh chóng như Việt Nam.

Bối Cảnh Thị Trường: Từ Đỉnh Cao Hưng Phấn Đến Hố Sâu Thất Vọng

Năm 2024 và 2025 đánh dấu sự bùng nổ chưa từng có của AI tạo sinh (Generative AI) và các tác nhân AI (AI Agents) trong giới kinh doanh. Từ việc tự động hóa các tác vụ lặp đi lặp lại đến tạo nội dung sáng tạo hay hỗ trợ ra quyết định phức tạp, những công nghệ này đã nhanh chóng chiếm lĩnh trí tưởng tượng của các nhà lãnh đạo doanh nghiệp. Thị trường AI tạo sinh toàn cầu được định giá 53.7 tỷ USD vào năm 2025 và dự kiến tăng trưởng lên khoảng 83.3 tỷ USD vào năm 2026, với tốc độ tăng trưởng kép hàng năm (CAGR) là 31.6% từ 2026 đến 2035 theo Global Market Insights Inc.. Trong khi đó, thị trường tác nhân AI toàn cầu, dù còn non trẻ hơn, cũng đạt 7.92 tỷ USD vào năm 2025 và được dự báo sẽ tăng trưởng vượt bậc từ 11.55 tỷ USD năm 2026 lên khoảng 294.66 tỷ USD vào năm 2035, với CAGR lên tới 43.57% (2026-2035), trong đó phân khúc doanh nghiệp chiếm tới 67.10% thị phần vào năm 2025 theo Precedence Research.

Sự hào hứng là có cơ sở. Theo McKinsey & Company, 78% các công ty trên toàn cầu đã sử dụng AI tạo sinh trong ít nhất một chức năng kinh doanh vào năm 2025. Đối với Việt Nam, tỷ lệ này cũng đang tăng trưởng nhanh chóng. Báo cáo của Microsoft cho thấy Việt Nam có tỷ lệ áp dụng AI cao thứ hai ở Đông Nam Á, đạt 26.5% vào quý 1 năm 2026, tăng từ 21.2% trong nửa đầu năm 2025. Một khảo sát khác của AWS và Strand Partners vào năm 2025 chỉ ra rằng 18% doanh nghiệp Việt Nam thường xuyên sử dụng AI, tăng 39% so với năm trước, và 61% trong số đó báo cáo doanh thu tăng (trung bình 16%) trong khi 66% đạt được mức tăng năng suất. Điều này cho thấy tiềm năng chuyển đổi rõ rệt của AI.

Tuy nhiên, bên dưới lớp vỏ hào nhoáng của các con số tăng trưởng và áp dụng, một thực tế phũ phàng đang dần lộ diện: hầu hết các sáng kiến AI vẫn chưa mang lại giá trị kinh doanh thực sự. Gartner Hype Cycle for AI 2025 đã chỉ ra rằng AI tạo sinh đã vượt qua “Đỉnh cao kỳ vọng thổi phồng” (Peak of Inflated Expectations) và đang rơi vào “Hố sâu thất vọng” (Trough of Disillusionment). Điều này có nghĩa là nhận thức về tiềm năng và giới hạn của AI tạo sinh đang trưởng thành hơn, khi các tổ chức phải đối mặt với những thách thức về ROI, rủi ro quản trị và thiếu hụt nhân tài.

Thực tế nghiệt ngã là hơn 80% các dự án AI tạo sinh không mang lại lợi tức đầu tư (ROI) đáng kể, và một nghiên cứu của MIT NANDA Initiative (2025/2026) còn cho thấy 95% các dự án thử nghiệm AI tạo sinh (pilot) không tạo ra tác động đo lường được lên doanh thu hoặc lợi nhuận. Đây là một “Nghịch lý GenAI” – tỷ lệ áp dụng cao nhưng tác động thực tế thấp.

Vậy điều gì đang xảy ra? Là chuyên gia tại DistilHub, chúng tôi tin rằng vấn đề không phải ở bản thân công nghệ AI mà ở cách các doanh nghiệp tiếp cận, triển khai và quản lý nó. Bài viết này sẽ đi sâu phân tích những thách thức này và đưa ra lộ trình thực tế để tối ưu hóa quy trình kinh doanh bằng AI tạo sinh và tác nhân AI một cách bền vững, có ROI rõ ràng, đặc biệt trong bối cảnh Việt Nam và Đông Nam Á.

Phân Tích Chuyên Sâu: Những Rào Cản Thách Thức ROI Thực Tế

1. Vấn Đề Từ Nền Tảng: Dữ Liệu và Hạ Tầng

Một trong những nguyên nhân hàng đầu khiến các dự án AI thất bại là chất lượng dữ liệu kém và thiếu sự sẵn sàng của hạ tầng. Theo Gartner, 85% các dự án AI thất bại có liên quan đến chất lượng dữ liệu kém hoặc thiếu dữ liệu phù hợp. Nhiều công ty đào tạo các mô hình AI tạo sinh trên các bộ dữ liệu không đầy đủ, không có tổ chức hoặc lỗi thời, dẫn đến kết quả không chính xác hoặc kém chất lượng. Victor Botev của Iris.ai nhấn mạnh rằng việc triển khai một quy trình tác nhân AI trên “dữ liệu tối” (dark data) hoặc các hệ thống kế thừa bị cô lập là cách nhanh nhất để đảm bảo dự án thử nghiệm không bao giờ đi vào sản xuất.

Hơn nữa, chi phí triển khai AI tạo sinh ở quy mô doanh nghiệp thường cao hơn nhiều so với các dự án thử nghiệm ban đầu. Chi phí xây dựng một giải pháp AI tạo sinh có thể dao động từ 25.000 USD đến 75.000 USD cho giai đoạn Proof of Concept (PoC) hoặc MVP, nhưng để có một giải pháp sẵn sàng sản xuất (production-ready) thì chi phí ước tính là 80.000 USD đến 250.000 USD. Các nền tảng AI cấp doanh nghiệp với việc đào tạo mô hình độc quyền và triển khai quy mô lớn có thể vượt quá 1 triệu USD. Các yếu tố chi phí ẩn bao gồm phí bản quyền nhà cung cấp SaaS trên tài nguyên điện toán thô, phí thoát dữ liệu đám mây và hao phí điện toán nhàn rỗi cho các điểm cuối được cung cấp. Nghiên cứu của IBM dự báo chi phí điện toán sẽ tăng 89% từ 2023 đến 2025, với 70% giám đốc điều hành xem AI tạo sinh là động lực chính. Gartner cũng cảnh báo rằng ít nhất 50% các dự án AI tạo sinh sẽ vượt quá ngân sách dự kiến vào năm 2028 do các lựa chọn kiến trúc kém và thiếu kinh nghiệm vận hành.

2. “Khoảng Cách Học Hỏi” Tổ Chức và Chiến Lược Triển Khai

Nghiên cứu của MIT NANDA Initiative, “The GenAI Divide: State of AI in Business 2025”, chỉ ra rằng nguyên nhân chính của việc 95% dự án thử nghiệm AI tạo sinh thất bại không phải là công nghệ, mà là “khoảng cách học hỏi” (learning gap) – sự bất lực của các công ty trong việc tích hợp các mô hình AI vào quy trình làm việc, cấu trúc và văn hóa của họ – hay chính là yếu tố con người trong trí tuệ tăng cường. ROI không xuất hiện ở nơi hầu hết ngân sách đang được đầu tư. Hơn một nửa ngân sách được hướng vào bán hàng và tiếp thị, nhưng lợi nhuận cao nhất lại xuất hiện trong tự động hóa các tác vụ back-office: giảm chi phí thuê ngoài, giảm phụ thuộc vào các agency bên ngoài và tăng hiệu quả hành chính.

Việc quá phụ thuộc vào các giải pháp AI “ngang” (horizontal AI) như các chatbot hoặc copilot chung chung cũng là một vấn đề. Mặc dù 40% nhân viên thấy các mô hình AI tổng quát này rất hữu ích, lợi ích chúng mang lại thường phân tán và khó nhìn thấy rõ ràng trong các kết quả kinh doanh. Ngược lại, AI “dọc” (vertical AI) – các giải pháp tùy chỉnh giải quyết các vấn đề cụ thể của ngành hoặc trường hợp sử dụng – có khả năng mang lại ROI cao hơn. Các tổ chức thành công coi AI không chỉ là một công cụ, mà là một hệ thống tích hợp của chuyển đổi kinh doanh.

3. Thách Thức Nhân Tài và Kỹ Năng AI

Sự thiếu hụt nhân tài AI đang là một rào cản lớn. Theo iMocha (2026), 93% tổ chức coi AI là ưu tiên, nhưng 51% thiếu các kỹ năng cần thiết trong nội bộ. Tỷ lệ cung cầu nhân tài AI toàn cầu là 3.2:1, với khoảng 1.6 triệu vị trí liên quan đến AI đang mở nhưng chỉ có khoảng 518.000 ứng viên đủ điều kiện trên toàn thế giới (Second Talent, 2026). Sự thiếu hụt kỹ năng liên quan đến AI có thể khiến nền kinh tế toàn cầu thiệt hại tới 5.5 nghìn tỷ USD vào năm 2026 do các dự án bị trì hoãn, bỏ lỡ cơ hội doanh thu và giảm khả năng cạnh tranh (IDC). AI tạo sinh càng làm trầm trọng thêm khoảng cách kỹ năng này, đòi hỏi các kỹ năng mới như kỹ thuật prompt (prompt engineering) và giám sát AI. Chỉ 35% các nhà lãnh đạo cho biết họ đã chuẩn bị hiệu quả cho nhân viên của mình cho các vị trí AI này (Second Talent, 2026).

Ứng Dụng Thực Tế và Case Study: Khi AI Tạo Sinh và Tác Nhân AI “Làm Việc”

Các tác nhân AI, được định nghĩa là các hệ thống sử dụng LLM để quyết định luồng kiểm soát của một ứng dụng, có khả năng suy luận, lập kế hoạch và hành động thay mặt người dùng với các mức độ tự chủ khác nhau. Chúng khác với chatbot truyền thống ở chỗ có thể áp dụng “suy luận” để xử lý các tác vụ phức tạp hơn.

Tối Ưu Hóa Dịch Vụ Khách Hàng và Vận Hành Back-office

Một trong những lĩnh vực ứng dụng rõ ràng nhất là dịch vụ khách hàng và tự động hóa các quy trình back-office. Các tác nhân AI có thể xử lý các yêu cầu hỗ trợ khách hàng, khắc phục sự cố và tăng tốc thời gian phản hồi. Chúng có thể giải quyết các tác vụ thường xuyên và mở ra những khả năng mới cho công việc tri thức, chẳng hạn như thực hiện nghiên cứu và tóm tắt (58%), hợp lý hóa các tác vụ cho năng suất cá nhân (53.5%).

• Case Study: TMA Solutions (Việt Nam)
  Công ty TMA Solutions của Việt Nam đã ứng dụng AI để tối ưu hóa quản lý kho hàng bằng nền tảng Azure, sử dụng Azure Data Factory và Synapse để kết nối dữ liệu từ nhiều nguồn khác nhau. Họ cũng đã phát triển một AI Agent để hỗ trợ Hệ thống Quản lý Kho (WMS), cho phép quản lý hàng tồn kho theo thời gian thực và tối ưu hóa các quy trình kho bãi. Điều này giúp tăng năng suất và giảm chi phí lưu trữ.
• Case Study: Amazon (Toàn cầu)
  Amazon đã triển khai robot và AI trong các trung tâm phân phối của mình, giúp giảm chi phí xử lý đơn hàng khoảng 25% tại trung tâm Shreveport (Mỹ) sau khi robot được đưa vào sử dụng. Robot đã thay thế hàng trăm công nhân trong các tác vụ phân loại và di chuyển, duy trì chuỗi cung ứng ổn định ngay cả trong mùa cao điểm. Amazon ước tính có thể tiết kiệm tới 10 tỷ USD mỗi năm vào năm 2030 nhờ robot và AI.

Cải Thiện Năng Suất và Sáng Tạo Nội Dung

AI tạo sinh đang trở thành một năng lực cốt lõi trong các phòng ban, từ tiếp thị và vận hành đến quản lý dự án, dịch vụ khách hàng và phân tích dữ liệu. Các tổ chức đang tận dụng AI tạo sinh để cải thiện năng suất, tự động hóa các tác vụ lặp đi lặp lại, tăng tốc tạo nội dung, nâng cao quản lý tri thức và hỗ trợ ra quyết định chiến lược.

• Case Study: ArcelorMittal
  Công ty thép khổng lồ ArcelorMittal đã sử dụng Iris.ai để tự động hóa việc trích xuất dữ liệu bằng sáng chế phức tạp, cắt giảm thời gian phân tích của họ hơn 90% và biến một tác vụ thủ công kéo dài 4 giờ thành một quy trình AI có độ chính xác cao chỉ trong 4 phút. Đây là một ví dụ điển hình về việc AI “dọc” mang lại ROI rõ ràng.
• Case Study: AI Hay (Việt Nam)
  AI Hay là một nền tảng tiên phong của Việt Nam, sử dụng AI để cách mạng hóa việc khám phá tri thức thông qua tìm kiếm GenAI dựa trên cộng đồng. Kể từ khi ra mắt, ứng dụng đã có hơn 15 triệu lượt tải xuống và xử lý hơn 100 triệu câu hỏi hàng tháng, phục vụ hàng triệu người Việt Nam hàng ngày. Điều này cho thấy tiềm năng của AI tạo sinh trong việc tạo ra các sản phẩm và mô hình kinh doanh mới, không chỉ dừng lại ở tối ưu hóa quy trình nội bộ.

Mặt Trái: Những Rủi Ro Thực Tế và Bài Học Đắt Giá

Bên cạnh những lợi ích to lớn, việc triển khai AI tạo sinh và tác nhân AI cũng đi kèm với những rủi ro đáng kể mà các nhà lãnh đạo cần nhìn nhận một cách tỉnh táo. Forrester (2025) cho rằng các doanh nghiệp sẽ phải hoãn lại 25% ngân sách AI đã lên kế hoạch đến năm 2027 do kết quả không như mong đợi. Chỉ 15% các nhà ra quyết định về AI đã thấy EBITDA tăng trong 12 tháng qua.

1. Thiên Vị Thuật Toán và Thiếu Minh Bạch

Một trong những lo ngại đạo đức quan trọng nhất là khả năng các tác nhân AI duy trì và thậm chí khuếch đại các thành kiến sẵn có của con người. Nếu một tác nhân AI được đào tạo trên dữ liệu tuyển dụng lịch sử phản ánh các thực hành phân biệt đối xử trong quá khứ, nó có thể học cách ưu tiên các ứng viên từ một số nền tảng, giới tính hoặc nhân khẩu học nhất định. Vấn đề “hộp đen” (black box) của nhiều mô hình AI tiên tiến cũng khiến việc hiểu cách chúng đưa ra quyết định trở nên khó khăn. Nếu một tác nhân AI đưa ra quyết định ảnh hưởng tiêu cực đến nhân viên và không thể giải thích lý do đằng sau, nó sẽ làm mất lòng tin và mở ra các thách thức pháp lý.

• Ví dụ Thực tế: Một số hệ thống tuyển dụng AI đã bị phát hiện có thiên vị giới tính hoặc chủng tộc do được đào tạo trên dữ liệu lịch sử phản ánh sự thiếu đa dạng trong lực lượng lao động. Điều này không chỉ gây ra hậu quả đạo đức mà còn dẫn đến các vụ kiện tụng tốn kém và thiệt hại danh tiếng.

2. Rủi Ro Bảo Mật Dữ Liệu và Quyền Riêng Tư

Các tác nhân AI đòi hỏi quyền truy cập vào lượng lớn dữ liệu nhạy cảm của nhân viên để hoạt động hiệu quả, từ đánh giá hiệu suất đến thông tin liên hệ cá nhân. Sự tập trung dữ liệu này tạo ra một mục tiêu có giá trị cao cho các vụ vi phạm bảo mật và làm dấy lên những lo ngại nghiêm trọng về quyền riêng tư. Một tác nhân có quyền truy cập rộng có thể lạm dụng dữ liệu hoặc trở thành một kênh cho cuộc tấn công mạng, dẫn đến vi phạm quyền riêng tư lớn của nhân viên.

• Ví dụ Thực tế: Một công ty triển khai AI Agent để xử lý tài liệu hợp đồng mà không có các giao thức bảo mật dữ liệu nghiêm ngặt có thể vô tình làm lộ thông tin bí mật của khách hàng hoặc đối tác cho các bên không liên quan, gây ra thiệt hại tài chính và pháp lý nghiêm trọng.

3. Thách Thức Về Trách Nhiệm và Sự Thao Túng

Khi AI trở nên tự chủ hơn, câu hỏi “Ai chịu trách nhiệm khi một tác nhân AI mắc lỗi?” trở nên ngày càng phức tạp. Khả năng tác nhân AI thao túng con người để suy nghĩ hoặc làm những điều mà lẽ ra họ sẽ không làm cũng là một thách thức đạo đức tinh vi. Khác với sự lừa dối, thao túng có thể không phải lúc nào cũng bất hợp pháp, nhưng luôn luôn phi đạo đức.

• Ví dụ Thực tế: Google Duplex vào năm 2018, một AI có khả năng thực hiện các cuộc gọi điện thoại giống con người, đã làm dấy lên lo ngại về tính minh bạch, đặc biệt khi AI thay đổi giọng điệu trong các cuộc gọi. Việc các AI không chủ động tiết lộ danh tính của mình mà chỉ thừa nhận là AI khi được hỏi trực tiếp là một vấn đề. Trong môi trường kinh doanh, điều này có thể dẫn đến việc khách hàng cảm thấy bị lừa dối, làm giảm niềm tin vào thương hiệu.
• Bài học từ Klarna: Mặc dù không phải là tác nhân AI, trường hợp của Klarna, một công ty fintech Thụy Điển, từng gây chú ý khi sử dụng AI để thay thế một lượng lớn nhân viên chăm sóc khách hàng. Ban đầu, họ báo cáo hiệu quả cao, nhưng sau đó, một số báo cáo cho thấy sự hài lòng của khách hàng (CSAT) giảm sút do thiếu sự đồng cảm và khả năng giải quyết các vấn đề phức tạp từ AI, buộc công ty phải điều chỉnh và tuyển dụng lại một phần nhân sự. Điều này nhấn mạnh rằng tự động hóa không phải là giải pháp vạn năng và yếu tố con người vẫn đóng vai trò then chốt trong một số tương tác nhất định.

Sự ra đời của các tác nhân AI cũng gây ra những lo ngại về tâm lý cho người lao động. Nếu nhân viên cảm thấy rằng các tác nhân AI làm tốt công việc của họ hơn, họ có thể trải nghiệm sự suy giảm lòng tự trọng. Điều này đặt ra yêu cầu về một cách tiếp cận “con người trong vòng lặp” (Human-in-the-Loop – HITL) cho các quyết định quan trọng, nơi AI có thể đề xuất nhưng con người vẫn đưa ra quyết định cuối cùng.

Góc Nhìn Việt Nam: Cơ Hội và Thách Thức Riêng

Việt Nam đang ở một vị thế độc đáo trong làn sóng AI tạo sinh và tác nhân AI. Với dân số trẻ, cơ sở hạ tầng số hóa nhanh chóng và sự hỗ trợ chiến lược từ chính phủ, khu vực này tạo ra một môi trường thuận lợi cho việc áp dụng AI. Việt Nam đã có Chiến lược quốc gia về nghiên cứu, phát triển và ứng dụng AI đến năm 2030, nhằm xây dựng một hệ sinh thái AI trưởng thành và tích hợp đạo đức và quản trị vào cốt lõi. Theo Oxford Insights, Việt Nam xếp thứ 5 trong ASEAN về mức độ sẵn sàng AI với điểm số 54.5.

Tuy nhiên, sự sẵn sàng này không đồng nghĩa với việc triển khai AI ở quy mô lớn. Mặc dù 73% các công ty Việt Nam đã áp dụng AI dưới một hình thức nào đó vào năm 2025, nhưng chỉ 13.8% doanh nghiệp đã triển khai AI ở quy mô lớn; phần lớn vẫn đang ở giai đoạn thử nghiệm hoặc sản xuất hạn chế (ITviec, 2025). Một khảo sát khác cho thấy 74% doanh nghiệp Việt Nam vẫn chủ yếu tập trung vào các ứng dụng AI cơ bản và lợi ích gia tăng, thay vì đổi mới đột phá.

Các doanh nghiệp Việt Nam, đặc biệt là SME, thường đối mặt với thách thức về nguồn vốn, hạ tầng công nghệ và thiếu hụt nhân lực có kỹ năng AI chuyên sâu. Mặc dù có nhiều công ty công nghệ Việt Nam đang dẫn đầu về AI như FPT AI, VinAI, Viettel AI, Abivin, CMC Telecom, việc chuyển giao và tích hợp các giải pháp này vào các doanh nghiệp truyền thống vẫn còn nhiều rào cản. Khoảng cách kỹ năng AI ở Việt Nam cũng là một vấn đề lớn, tương tự như xu hướng toàn cầu. Mặc dù kỹ sư Việt Nam có tỷ lệ cao sử dụng AI trong viết code (94.3%), viết tài liệu (70%) và kiểm thử code (62.9%) – cao nhất trong khu vực theo SmartDev (2025), nhưng đây chủ yếu là các kỹ năng sử dụng công cụ, chưa phải là năng lực xây dựng, triển khai và quản trị hệ thống AI phức tạp ở quy mô sản xuất.

Một góc nhìn độc đáo là các doanh nghiệp Việt Nam có thể tận dụng lợi thế “người đi sau” để học hỏi từ những sai lầm của thị trường phát triển hơn. Thay vì chạy theo cơn sốt AI tạo sinh một cách mù quáng, họ có thể tập trung vào việc xây dựng một nền tảng dữ liệu vững chắc, đầu tư vào các giải pháp AI “dọc” có mục tiêu rõ ràng và ROI đo lường được, đồng thời ưu tiên đào tạo và phát triển đội ngũ nội bộ có khả năng quản trị và giám sát AI một cách có đạo đức. Việc chính phủ Việt Nam đang thúc đẩy xây dựng các kho dữ liệu mở và bộ dữ liệu tiếng Việt quy mô lớn (ví dụ như “VIGEN”) cũng là một tín hiệu tích cực, tạo nền tảng cho sự phát triển AI mang tính bản địa hóa và phù hợp văn hóa.

Dự Báo và Khuyến Nghị Hành Động

Thế giới đang chứng kiến sự dịch chuyển từ việc thử nghiệm AI sang triển khai chiến lược và cạnh tranh khốc liệt. Forrester dự báo rằng đến cuối năm 2025, các công ty sẽ không còn thử nghiệm khả năng của công nghệ AI nữa – họ sẽ chạy đua để bắt kịp tốc độ tăng tốc của AI hoặc đối mặt với nguy cơ lỗi thời. Tuy nhiên, thành công sẽ thuộc về những người có chiến lược thông minh, không phải những người chạy nhanh nhất. Gartner cũng khẳng định AI tạo sinh đã bước vào “Hố sâu thất vọng”, cho thấy rằng việc triển khai thực tế phức tạp hơn nhiều so với kỳ vọng ban đầu.

Khuyến nghị cho các Doanh nghiệp Việt Nam:

1. Xây Dựng Nền Tảng Dữ Liệu Vững Chắc Là Ưu Tiên Số 1: Trước khi nghĩ đến các mô hình AI phức tạp, hãy đầu tư vào việc thu thập, làm sạch, cấu trúc và quản lý dữ liệu. 61% các công ty thừa nhận dữ liệu của họ chưa sẵn sàng cho AI. Một nền tảng dữ liệu AI (AI Data Foundation) mạnh mẽ là lớp hạ tầng kết nối dữ liệu có cấu trúc và phi cấu trúc thành định dạng mà AI có thể “hiểu” và hành động.
2. Tư Duy “AI Dọc”, Tập Trung Vào ROI Cụ Thể: Thay vì triển khai các giải pháp AI tạo sinh chung chung, hãy xác định các điểm đau cụ thể trong quy trình kinh doanh của bạn. Ưu tiên các dự án AI “dọc” giải quyết những vấn đề này. Các ứng dụng tự động hóa back-office thường mang lại ROI cao nhất. Khám phá các trường hợp sử dụng tác nhân AI trong các tác vụ cụ thể như phân tích tài liệu, tóm tắt thông tin, hỗ trợ khách hàng nội bộ hoặc tối ưu hóa chuỗi cung ứng.
3. Chiến Lược Tích Hợp Toàn Diện, Không Chỉ Là Công Cụ Độc Lập: AI không phải là một ứng dụng độc lập mà là một phần của hệ sinh thái công nghệ tổng thể. Lập kế hoạch tích hợp AI với các hệ thống ERP, CRM và các ứng dụng hiện có. Các dự án AI thành công là những dự án được tích hợp sâu vào quy trình làm việc, cấu trúc và văn hóa của tổ chức.
4. Đầu Tư vào Năng Lực Con Người và Quản Trị AI: Khoảng cách kỹ năng AI là có thật và đang ngày càng lớn. Đầu tư vào đào tạo lại và nâng cao kỹ năng cho nhân viên hiện tại về kỹ thuật prompt, giám sát AI và hiểu biết về đạo đức AI. Xây dựng các khung quản trị AI rõ ràng (AI Governance Frameworks), bao gồm các chính sách về minh bạch, công bằng, bảo mật và trách nhiệm giải trình. Thực hiện mô hình “con người trong vòng lặp” (HITL) cho các quyết định quan trọng do AI đưa ra.
5. Cân Nhắc Hợp Tác Với Chuyên Gia Bên Ngoài: Nghiên cứu của MIT NANDA Initiative (2025) cho thấy các công cụ mua từ nhà cung cấp chuyên biệt có tỷ lệ thành công gần 67%, trong khi các dự án tự phát triển nội bộ chỉ đạt khoảng một phần ba con số đó. Đối với các doanh nghiệp Việt Nam còn hạn chế về kinh nghiệm triển khai AI quy mô lớn, việc hợp tác với các đối tác công nghệ có kinh nghiệm có thể giúp tăng tốc quá trình và giảm thiểu rủi ro.
6. Thực Hiện Các Dự Án Thử Nghiệm Có Mục Tiêu Rõ Ràng và Đo Lường Được: Thay vì triển khai hàng loạt các PoC không có định hướng, hãy chọn lọc các dự án thử nghiệm có mục tiêu kinh doanh rõ ràng, các chỉ số ROI cụ thể và thời gian triển khai giới hạn. Đảm bảo rằng mỗi dự án thử nghiệm đều có một “giả thuyết giá trị” (value hypothesis) mạnh mẽ.

Kết Luận

AI tạo sinh và tác nhân AI không còn là câu chuyện của tương lai mà là hiện thực của ngày hôm nay, mang trong mình tiềm năng chuyển đổi mạnh mẽ cho các doanh nghiệp. Tuy nhiên, để vượt qua “Hố sâu thất vọng” và hiện thực hóa ROI, các tổ chức cần một cách tiếp cận chín chắn, chiến lược và thực tế. Điều này đòi hỏi sự đầu tư không chỉ vào công nghệ mà còn vào nền tảng dữ liệu, năng lực tổ chức, quản trị chặt chẽ và phát triển con người.

Đối với Việt Nam, thời điểm này là cơ hội vàng để các doanh nghiệp không chỉ bắt kịp mà còn vươn lên dẫn đầu trong khu vực bằng cách học hỏi từ những bài học toàn cầu, xây dựng chiến lược AI bản địa hóa và tập trung vào việc tạo ra giá trị thực sự, bền vững. Con đường dẫn đến thành công với AI không phải là một cuộc chạy đua tốc độ mà là một cuộc marathon về sự kiên trì, khả năng học hỏi và tư duy phản biện. Chỉ khi đó, AI mới thực sự trở thành chất xúc tác cho sự tăng trưởng và đổi mới, thay vì một nguồn thất vọng tốn kém.

Nguồn Tham Khảo

• InData Labs. (2026, May 07). The Cost of Generative AI: All You Need To Know.
• Truefoundry. (2026, March 25). The Hidden Costs of GenAI and How to Control Them.
• Gartner. (2025, July 29). The 2025 Hype Cycle for GenAI Highlights Critical Innovations.
• Carnegie Mellon University. (2025, February 13). The Ethical Challenges of AI Agents | Tepperspectives.
• Glean. (2025, October 30). Top 10 trends in AI adoption for enterprises in 2025.
• Gartner. (2025, February 06). The Gartner Hype Cycle for Generative AI 2025 | Gartner Webinars.
• BIPO. (2026, February 12). Risks and Ethics of Agentic AI in the Workplace.
• Redmondmag.com. (2026, June 17). AI Agents Could Put Enterprise GenAI Budgets Under Pressure.
• LemonVolt. (2025, November 15). Gartner’s AI Hype Cycle 2025: Cutting Through the Noise to Real Use Cases.
• TMA Solutions. (2026, March 04). The application of AI logistics automation from Vietnam.
• Inceptive Technologies. How Much Does It Cost to Build a Generative AI Solution?.
• Hyland. The 2025 Gartner® Hype Cycle™ for Artificial Intelligence.
• Bhasin, A. (2025, November 15). Beyond the Hype: Decoding the 2025 Gartner Hype Cycle for AI.
• iMocha. (2026, April 09). AI Skills Gap: How to Identify and Close the Gap in 2026.
• IBM. New Ethics Risks Courtesy of AI Agents? Researchers Are on the Case.
• Advances in Consumer Research. (2025, October 17). Future of Work: Managing Ethical Challenges of Agentic AI and Super Intelligence in Organizations.
• The Real Cost of a GenAI Deployment A Transparent TCO Model for Enterprise AI Projects. (2026, May 21).
• Forrester. (2025, May 06). Forrester Unveils Top 10 Emerging Technologies For 2025; AI Innovation Shifts From Experimentation To Business Imperative.
• Decisions. (2025, April 23). Ethical Considerations of Agentic AI.
• FullStack Blog. (2026, June 15). Generative AI ROI: Why 80% Fail—& How to Fix It.
• WalkMe. (2025, November 01). The State of Enterprise AI Adoption in 2025.
• Medium. (2026, March 07). 95% of Corporate Generative AI Projects Fail, MIT Study Finds.
• Cybersecurity Magazine. (2025, October 30). Forrester: Is AI Hype Ending For Enterprise Budgets?.
• Makebot.ai. (2025, March 10). Top Emerging AI Technologies 2025 – Forrester Report.
• Iris.ai. (2026, March 24). Why 95% of Enterprise AI Projects Fail, And How to Fix It.
• Why Generative AI Projects Fail and How to Achieve Scalable AI Success. (2026, April 23).
• Arcast Group. (2026, February 17). The ROI of AI: 75% of projects fail. Build a business case that works.
• CertiProf. (2026, June 22). The Most In-Demand AI Skills in 2026: Closing the Employability Gap.
• MISA AMIS. (2026, January 26). Top 10 Leading AI Companies in Vietnam Powering Enterprise AI.
• Dice.com Career Advice. (2026, June 15). AI Skills Command a Premium as Talent Shortage Deepens | Dice.com Career Advice.
• Forrester. (2025, May 06). Forrester Unveils Top 10 Emerging Technologies For 2025; AI Innovation Shifts From Experimentation To Business Imperative.
• B-Company. (2026, January 22). Vietnam AI Market: Updates to 2025.
• LangChain. (2024). LangChain State of AI Agents Report: 2024 Trends.
• GITS. (2026, May 15). AI Solution: Top 10 Vietnamese Companies Leading Innovation.
• Global Market Insights Inc. (2026, January 15). Generative AI Market Size & Share | Forecast Report 2026-2035.
• VnEconomy. (2025, September 23). Vietnamese firms accelerate AI adoption amid untapped potential.
• Precedence Research. (2026, May 13). AI Agents Market Size to Hit USD 294.66 Billion by 2035.
• SmartOSC. (2025, March 27). 10 Best AI Companies in Vietnam for Automation, Analytics, and Innovation.
• AIIM International. (2024, December 31). AI & Automation Trends: 2024 Insights & 2025 Outlook.
• Cloudera. The Future of Enterprise AI Agents.
• Grand View Research. (2026, May 26). Generative AI Market Size, Growth Analysis & Industry Forecast, 2034.
• VnEconomy. (2026, March 09). AI adoption in Vietnam’s business sector jumps 39%.
• Iternal Technologies. (2026, June 22). The Hidden AI Skills Gap in 2026: Why 72% of Employers Still Can’t Fill AI Roles.
• Microsoft. (2026, June 17). Vietnam posts second-highest AI adoption in Southeast Asia.
• Mordor Intelligence. (2026, June 18). Generative AI Market Size, Growth Analysis & Industry Forecast, 2031.
• Vietnam Government Portal. (2026, June 18). Viet Nam ranks second in AI adoption rate in Southeast Asia.
• SmartDev. (2025, November 14). The State of AI Adoption in Global Enterprises: 2025 Benchmark Report with 300+ Company Survey.
• Grand View Research. (2026, May 26). Generative AI Market Size, Share | Industry Report, 2033.
• Iternal Technologies. (2026, April 19). AI Skills Gap 2026: Statistics, Causes & How to Close It.
• Future Market Insights. (2026, May 25). Generative AI Market Size, Market Forecast and Outlook By FMI.

Nguồn tham khảo / Sources

• gminsights.com

The initial euphoria surrounding generative AI in customer service has given way to a more sober reality. While market projections remain robust, with the global AI customer service market expected to reach $15.12 billion in 2026, a significant “execution gap” persists. Enterprise adoption is accelerating under executive pressure, yet a staggering 70-85% of AI initiatives fail to meet their intended outcomes. The critical insight is that success hinges not just on deployment, but on strategic integration that prioritizes customer experience and ethical governance over mere cost-cutting, as evidenced by the cautionary tales of early adopters like Klarna. The future lies in a balanced “human-in-the-loop” approach and a strategic shift towards agentic AI, demanding a rigorous focus on data quality, measurable ROI beyond deflection, and transparent ethical frameworks.

The Shifting Sands of AI in Customer Experience: Beyond the Hype Cycle

In the rapidly evolving landscape of enterprise technology, few innovations have captured the imagination—and investment—quite like generative AI. Just two years ago, the promise of Large Language Models (LLMs) transforming customer service into a seamless, hyper-personalized, and cost-efficient operation was met with widespread enthusiasm. Today, in mid-2026, the narrative has matured. While the underlying technology continues its relentless advancement, the real-world application in customer experience (CX) is confronting the complexities of implementation, integration, and the often-elusive quest for true return on investment (ROI).

The market is undeniably expanding. The global AI customer service market is projected to reach $15.12 billion in 2026, with an impressive compound annual growth rate (CAGR) of 25.8% to hit $117.87 billion by 2034, according to Lorikeet (2026). Other estimates place the generative AI in customer services market at $603.94 million in 2025, forecast to exceed $5.3 billion by 2035 at a CAGR of 24.32% from 2026 to 2035 (Precedence Research, 2025). This substantial growth signals a clear recognition among business leaders of AI’s potential to redefine customer interactions. Indeed, 74% of executives now rank AI as a top-three strategic priority, a significant jump from 60% just a year prior, with 21% identifying it as their single most important priority (QueryPal, 2026).

However, beneath these rosy projections lies a more nuanced reality. Gartner’s 2025 Hype Cycle for Artificial Intelligence places generative AI firmly in the “Trough of Disillusionment”. This isn’t a sign of failure, but rather a natural and necessary stage where the initial over-excitement gives way to a more realistic understanding of the technology’s capabilities, limitations, and the significant challenges associated with scaling it responsibly across an enterprise. The focus is shifting from simply deploying generative AI to building foundational innovations responsibly, emphasizing governance, monitoring, and skilled teams (Gartner, 2025).

The Execution Gap: When Hype Meets Hard Reality in Enterprise Adoption

Enterprise adoption rates for generative AI in customer service are certainly on an upward trajectory. According to Salesforce’s State of Service (November 2025), 66% of customer service organizations are now utilizing AI agents in 2026, a substantial increase from 39% in 2025. Furthermore, 91% of customer experience (CX) leaders are currently facing executive pressure to implement AI in 2026 (Gartner, February 2026). By 2025, 95% of customer interactions are predicted to be handled by AI, encompassing both voice and text-based interactions (Master of Code, 2024; ChatMaxima, 2025).

Yet, these adoption figures tell only part of the story. A critical “execution gap” is emerging as companies move beyond pilot programs to full-scale deployment. While 88% of contact centers report using some form of AI, only 25% have successfully integrated AI automation into their daily workflows (Zendesk, 2026; Lorikeet, 2026). This disparity highlights a significant hurdle: possessing the tools does not automatically equate to achieving desired outcomes. The failure rate of AI initiatives is a sobering statistic: 70-85% fail to meet expected outcomes, and 42% of companies abandoned most AI initiatives in 2025, a dramatic rise from 17% in 2024 (NextPhone, 2026). Gartner further notes that only 20% of AI projects are fully meeting expectations.

Perhaps most concerning for the CX domain, AI-powered customer service initiatives fail at a rate nearly four times higher than other AI use cases (Qualtrics, 2025; Chatbase, 2026; Forbes, 2025). This suggests a fundamental disconnect between the promise of AI in customer support and the operational realities of its implementation. Organizations poured $47 billion into AI initiatives during the first half of 2025, with a staggering 89% of that spend delivering minimal returns (Chatbase, 2026). This raises a crucial question for every support leader: why does AI customer support consistently underperform, even as the underlying models become more sophisticated?

The ROI Dilemma: Measuring What Matters vs. What’s Easy

The allure of generative AI in customer service often boils down to two key metrics: cost reduction and efficiency gains. Indeed, there are compelling statistics supporting these claims. Companies leveraging AI have reportedly cut First Response Time by up to 74% within the first year (ChatMaxima, 2025). AI chatbots are significantly cheaper per interaction, costing an estimated $0.50–$0.70 compared to $19.50/hour for human agents (Upskillist, 2025). Gartner (2026) forecasts that conversational AI for customer service will reduce contact center labor costs by $80 billion by 2026. Some firms report an average ROI of 250% from AI solutions, alongside an 18% increase in consumer satisfaction (IDC and Microsoft, cited by Master of Code, 2025). A Google Cloud study (September 2025) found 74% of executives report achieving ROI within the first year from generative AI, with 56% reporting business growth.

However, these numbers often obscure the full picture. The true ROI in customer service is not merely about deflection rates or faster handle times; it’s about the quality of resolution and the preservation of customer relationships. As one report succinctly puts it, “a bot that handles thousands of inquiries while providing half-baked answers isn’t ROI. It’s an expensive source of repeat contact and erodes trust” (Shelf.io, 2026). The challenge lies in distinguishing between AI-assisted metrics (where AI helps a human) and AI-resolved metrics (where AI handles the interaction end-to-end). Without this distinction, the metrics can be misleading, encouraging over-automation without adequate safeguards or escalation paths.

Real-World Applications: The Klarna Paradox and the Path to Balanced Automation

The journey of Klarna, the Swedish fintech giant, serves as a prominent real-world case study, embodying both the initial promise and the subsequent pitfalls of aggressive generative AI adoption in customer service. In early 2024, Klarna made headlines by deploying an OpenAI-powered chatbot, claiming it could handle 2.3 million conversations per month, equivalent to the workload of 700 full-time outsourced customer service agents. The immediate results were impressive: average issue resolution time plummeted from 11 minutes to under 2 minutes, and customer satisfaction scores were reported to be on par with human agents, alongside a 25% reduction in repeat inquiries (Klarna, cited by ChatMaxima, 2025; Chad Bockius, 2024). The company even projected a $40 million profit improvement for 2024 (Chad Bockius, 2024). Shares of Teleperformance, a major call-center outsourcing firm that had handled Klarna’s support calls, plunged 14% after Klarna’s announcement in February 2024.

However, by mid-2025, a significant reversal was underway. Klarna’s CEO, Sebastian Siemiatkowski, candidly admitted that the company’s push to automate support had gone “too far in the wrong direction,” acknowledging that an excessive focus on cost-cutting had ultimately hurt the customer experience. According to a Forbes report (2025), Klarna’s customer satisfaction dropped by 22% after replacing human agents with chatbots. The AI, while efficient at resolving simple queries, proved “emotionally inert” and unable to handle complex, sensitive, or emotionally charged interactions effectively. Crucially, there was no smooth escalation path from the AI to a human agent, leaving frustrated customers trapped in automated loops (Chad Bockius, 2024). Klarna began re-hiring human agents, recognizing that a hybrid approach, where AI handles routine tasks and live agents address complex situations, was the sustainable path forward (Forbes, 2026). Siemiatkowski emphasized the importance of customers always having the option to speak to a human.

The Klarna case is a stark reminder that while generative AI excels at tasks requiring rapid information retrieval and content generation, it often falls short in areas demanding empathy, nuanced understanding, and complex problem-solving. This “judgment architecture problem,” as described by Chad Bockius (2024), arises when companies optimize for easily measurable metrics (like resolution speed and cost per ticket) without adequately accounting for the qualitative aspects of customer experience.

The Unspoken Truths: Beyond the AI Hype Cycle

The narrative surrounding generative AI often focuses on its transformative potential, but a critical analysis demands equal attention to its limitations, inherent risks, and the specific instances where it falls short. As the Qualtrics 2026 Consumer Experience Trends Report highlighted, nearly one in five consumers who used AI for customer service saw no benefits, a failure rate four times higher than for AI use in general. This isn’t merely about technical glitches; it points to deeper systemic issues.

The Persistence of Customer Preference for Human Interaction

Despite the advancements in conversational AI, a significant portion of customers still prefer human interaction, particularly for complex or emotionally charged issues. A study cited by Lorikeet (2026) found that 79% of Americans prefer human agents over AI. While 51% of consumers opt for bots when seeking immediate service, this preference shifts dramatically when issues require empathy, creativity, or deeper understanding. The “empathetic gaps” left by AI, as Klarna’s CEO noted, are real and can severely damage customer trust. Consumers are increasingly concerned about the inability to connect with a human being (50%) when interacting with AI (Qualtrics, 2025).

Ethical Quagmires: Data Privacy, Bias, and Transparency

The deployment of generative AI in customer service introduces a host of ethical challenges that, if not addressed proactively, can erode customer trust and lead to significant reputational and legal risks. Data privacy and security compliance are paramount, especially when handling sensitive customer information. Organizations must adhere to regulations like GDPR and CCPA, implementing robust encryption, access controls, and transparent consent mechanisms (Wizr AI, 2024; Cobbai Blog, 2025). A 2024 Forrester report on AI ethics in CX found that enterprises implementing AI with ethical safeguards see higher customer trust and satisfaction scores (Wizr AI, 2024).

Bias mitigation is another critical concern. Generative AI systems are trained on vast datasets, and if these datasets contain inherent biases, the AI can unintentionally perpetuate or even amplify them, leading to unfair or discriminatory outcomes in customer interactions. Regularly auditing AI models, updating datasets to reflect diverse perspectives, and ensuring transparency about how AI decisions are made are essential to build trust and maintain fairness (Wizr AI, 2024; Cobbai Blog, 2025). The use of deepfakes and synthesized voices also makes it harder to distinguish between human and AI interactions, raising transparency issues (AI Workplace Wellness, 2024).

The “Hallucination” Problem and Inaccurate Information

Generative AI, particularly LLMs, can “hallucinate” – generating plausible but factually incorrect or nonsensical information. In a customer service context, this can lead to disastrous outcomes, from providing incorrect product details to fabricating policies or offering erroneous advice. While efforts are being made to ground LLMs with Retrieval Augmented Generation (RAG) techniques, the risk of misinformation persists. Poorly governed AI tools risk sharing inaccurate information, leading to reputational harm and customer distrust (Wizr AI, 2024). The DPD chatbot writing a poem about how terrible DPD is, or Air Canada being held legally liable for a refund its bot invented, are dramatic examples of such failures (Chatbase, 2026). These are not just “headline failures”; they represent systemic problems that can quietly destroy customer relationships at scale.

The Hidden Costs of “Minimal Returns”

The substantial investment in AI initiatives, with 89% delivering minimal returns (Chatbase, 2026), points to hidden costs beyond the initial deployment. These include the expenses associated with fixing AI errors, managing customer dissatisfaction, escalating issues to human agents, and the long-term damage to brand reputation. The cost of bad AI customer support compounds far beyond what most teams realize, eroding retention, tanking Net Promoter Scores (NPS), and bleeding revenue month after month (Chatbase, 2026). The focus on deflection as a primary metric, without corresponding improvements in actual resolution quality, can create an illusion of efficiency while masking deeper problems (Shelf.io, 2026).

The Rise of Agentic AI: A New Frontier or Further Disillusionment?

As generative AI matures, the conversation is already shifting towards “Agentic AI” – systems capable of not just generating content, but also autonomously planning, executing, and self-correcting multi-step tasks across different software (Forbes, 2025; Kellton, 2025; Future AGI, 2026). Unlike traditional chatbots that merely respond to single prompts, agentic AI aims to possess a degree of independence, understanding and learning from human interactions while collaborating in real-time (Forbes, 2025). This evolution promises to transform job roles into management and orchestration, enabling unprecedented productivity gains across enterprises (Kellton, 2025).

In customer service, agentic AI could theoretically handle complex scenarios like rebooking a cancelled flight, rescheduling meetings, and even ordering food, all autonomously (Goldman Sachs, 2026). However, this leap also brings new challenges. The reliability of tool-calling and long-horizon task recovery needs to be robust for production environments (Future AGI, 2026). The complexity of debugging and ensuring consistent, compliant outputs with deterministic AI, rather than probabilistic LLMs, becomes paramount, especially in critical infrastructure (Gomboc.ai, 2025). The ethical considerations around autonomous decision-making and accountability will intensify, demanding even more rigorous governance and oversight.

The transition to agentic AI signifies a profound change in human-machine interaction, moving from generative capabilities to independent achievements of models (Forbes, 2025). This will require a workforce transformation, with new roles like AI governance lead, prompt engineer, and AI auditor emerging (Gartner, 2026). The success of agentic AI will depend heavily on the ability of organizations to build learning systems embedded in real workflows from day one, rather than relying on a “build a demo and we’ll figure it out later” approach (Directual, 2025).

Future Outlook and Actionable Recommendations for Enterprise AI Adoption

The current landscape of generative AI in customer service is one of immense potential tempered by significant challenges. The “Trough of Disillusionment” for generative AI, as identified by Gartner (2025), is not an endpoint but a crucial phase for recalibration and strategic refinement. Moving forward, enterprises must adopt a pragmatic, evidence-based approach to harness AI’s true value in CX.

Prioritize a Human-Centric Hybrid Model

The Klarna experience underscores a fundamental truth: AI should augment human capabilities, not entirely replace them, especially in customer service. Organizations must design hybrid models where AI handles routine, transactional queries, freeing human agents to focus on complex, emotionally sensitive, or high-value interactions. This involves:

• Clear Escalation Paths: Ensure seamless and intuitive transitions from AI to human agents when the AI reaches its limitations, avoiding frustrating loops for customers. This requires careful design of the underlying architecture, not just the front-end interface (Chatbase, 2026).


• Agent Assist Tools: Leverage generative AI to empower human agents with real-time information, sentiment analysis, and suggested responses, thereby reducing average handle time (AHT) and improving resolution quality (Digital Applied, 2026).


• Human Oversight and Training: Maintain human oversight over AI-driven interactions and invest in training agents to effectively collaborate with AI tools, developing skills in “prompt engineering” and AI management (Gartner, 2025). The future workforce will require new AI-focused roles, emphasizing skills beyond traditional customer service (Gartner, 2026).

Focus on Measurable ROI Beyond Simple Deflection

To avoid the pitfalls of the execution gap, enterprises must define and measure ROI in a comprehensive manner that goes beyond superficial metrics. This includes:

• Quality of Resolution: Track metrics like First Contact Resolution (FCR) for AI-handled cases, customer satisfaction (CSAT) for both AI and human interactions, and the rate of repeat inquiries. An AI solution that deflects but doesn’t resolve is a net negative (Shelf.io, 2026).


• Customer Effort Score (CES): Measure how easy it is for customers to get their issues resolved, regardless of whether it’s through AI or a human. High effort often correlates with dissatisfaction.


• Lifetime Customer Value (LCV): Understand the long-term impact of AI on customer loyalty and retention, as poor AI experiences can lead to customer churn.


• Cost per Resolved Interaction: Distinguish between contacts handled and contacts truly resolved by AI, to get an accurate picture of cost savings (Shelf.io, 2026).