AI phân loại email khách hàng là một bước tự động đọc từng email mới gửi vào hộp thư chung (kiểu cskh@, info@, sales@), gắn cho nó một nhãn chủ đề, một mức độ khẩn và chuyển đến đúng người xử lý. Với SME nhận vài chục đến vài trăm email mỗi ngày, cách làm thực tế nhất là nối Gmail hoặc Outlook với một công cụ workflow như n8n hay Make, gọi một mô hình ngôn ngữ để trả về kết quả dạng JSON, rồi để con người xem lại những email mà AI không chắc chắn. AI lo việc sắp xếp, còn trả lời khiếu nại và quyết định hoàn tiền vẫn thuộc về nhân viên.
Tóm tắt: Thiết kế bộ nhãn trước, chọn công cụ sau. Lọc thư rác và thư tự động bằng rule thông thường, chỉ gửi phần còn lại cho AI. Đặt ngưỡng tin cậy để email mơ hồ rơi vào hàng chờ "Cần người xem". Chạy song song 1–2 tuần ở chế độ chỉ gợi ý trước khi cho AI tự chuyển email.
AI làm tốt phần nào trong hộp thư, phần nào vẫn cần người?#
Mô hình ngôn ngữ hiện nay đọc tiếng Việt khá tốt, kể cả email không dấu. Nhưng "đọc hiểu" khác với "chịu trách nhiệm", nên chúng tôi thường chia việc như sau:
| Việc | Giao cho AI? | Ghi chú |
|---|---|---|
| Gắn nhãn chủ đề (hỏi giá, đổi trả, hoá đơn…) | Có | Cần bộ nhãn rõ ràng, có ví dụ |
| Trích xuất mã đơn, số điện thoại, tên sản phẩm | Có | Nên kiểm tra định dạng bằng regex sau khi AI trả về |
| Chấm độ khẩn | Có, kèm rule bổ sung | Khách VIP, từ khoá "luật sư", "báo chí" nên ép lên mức cao bằng rule |
| Soạn nháp câu trả lời cho câu hỏi thường gặp | Có, người duyệt trước khi gửi | Không gửi thẳng ở giai đoạn đầu |
| Trả lời khiếu nại, cam kết bồi thường | Không | Rủi ro pháp lý và rủi ro quan hệ khách hàng |
| Quyết định hoàn tiền, huỷ hợp đồng | Không | AI chỉ gắn nhãn và chuyển đúng người |
Điểm mấu chốt: AI phân loại để email đến đúng bàn nhanh hơn, không phải để thay người trả lời. Nếu mục tiêu của bạn là thay một phần khối lượng trả lời, hãy đọc thêm bài so sánh chi phí chatbot và nhân viên CSKH để cân nhắc đúng bài toán.
Dấu hiệu hộp thư chung của bạn đã cần phân loại tự động#
Không phải doanh nghiệp nào cũng cần làm việc này. Những dấu hiệu sau cho thấy việc sắp xếp email đang tốn nhiều công hơn mức đáng có:
- Nhiều người cùng đọc một hộp thư chung, không ai chắc email nào đã có người nhận xử lý.
- Email khiếu nại bị trôi xuống dưới hàng loạt thư hỏi giá và chỉ được phát hiện khi khách gọi điện hoặc đăng bài phàn nàn.
- Kế toán phải lục hộp thư CSKH để tìm yêu cầu xuất hoá đơn, sales phải lục để tìm yêu cầu báo giá.
- Cuối tháng quản lý muốn biết "khách hỏi gì nhiều nhất" nhưng không có số liệu, chỉ có cảm giác.
Gặp từ ba dấu hiệu trở lên, phân loại tự động thường đáng làm hơn việc tuyển thêm người chỉ để đọc và chuyển tiếp email.
Thiết kế bộ nhãn trước khi chọn công cụ#
Phần lớn dự án phân loại email gặp trục trặc vì bộ nhãn mơ hồ, không phải vì mô hình AI kém. Một bộ nhãn tốt có 6–9 nhãn, mỗi nhãn gắn với đúng một người hoặc một nhóm xử lý, và có ví dụ cụ thể.
Ví dụ minh hoạ dưới đây dành cho một doanh nghiệp bán lẻ online. Hãy điều chỉnh theo ngành và cơ cấu đội ngũ của bạn.
| Nhãn | Dấu hiệu nhận biết | Chuyển cho | Thời hạn phản hồi gợi ý |
|---|---|---|---|
hoi_gia_bao_gia |
Hỏi giá, xin báo giá, hỏi chiết khấu số lượng | Sales | Trong ngày làm việc |
tinh_trang_don |
Hỏi đơn đang ở đâu, khi nào giao | CSKH | Trong 4 giờ làm việc |
doi_tra_bao_hanh |
Muốn đổi size, trả hàng, hàng lỗi | CSKH cấp 2 | Trong 4 giờ làm việc |
khieu_nai |
Bức xúc, đòi bồi thường, doạ đánh giá xấu | Trưởng nhóm CSKH | Trong 2 giờ làm việc |
hoa_don_thanh_toan |
Xin xuất hoá đơn, sai thông tin MST, chưa nhận tiền hoàn | Kế toán | Trong 1 ngày làm việc |
khac |
Không thuộc nhóm nào ở trên | Hàng chờ "Cần người xem" | Trong ngày làm việc |
Ngoài nhãn chủ đề, nên yêu cầu AI trả thêm mã đơn, số điện thoại, sắc thái và một câu tóm tắt để người nhận biết phải làm gì mà không cần mở email gốc.
Hai quy tắc: mỗi email chỉ một nhãn chính (việc khách cần gấp hơn), và luôn giữ nhãn khac. Ép AI chọn nhãn cụ thể cho mọi email là nguồn gốc của phần lớn các lần chuyển nhầm.
Workflow 6 bước với Gmail, n8n và mô hình ngôn ngữ#
Luồng dưới đây dùng n8n (có bản tự cài trên máy chủ doanh nghiệp); Make hoặc Power Automate làm tương tự.
Email mới vào cskh@
↓
[1] Trigger: Gmail / Outlook (Microsoft Graph)
↓
[2] Rule lọc trước: no-reply, newsletter, thư tự động → gắn nhãn, dừng
↓
[3] Làm sạch: bỏ chữ ký, bỏ phần trích dẫn thư cũ, cắt độ dài
↓
[4] Gọi mô hình ngôn ngữ → trả JSON (nhãn, độ khẩn, độ tin cậy, trường trích xuất)
↓
[5] Kiểm tra: độ tin cậy < ngưỡng hoặc JSON lỗi → "Cần người xem"
↓
[6] Hành động: gắn nhãn Gmail, tạo ticket / dòng Google Sheets,
báo Zalo hoặc Telegram nếu khẩn, ghi log
Bước 1, nhận email. Dùng node Gmail Trigger, Outlook Trigger hoặc IMAP. Tạo tài khoản kỹ thuật chỉ có quyền đọc và gắn nhãn, không dùng tài khoản cá nhân của nhân viên.
Bước 2, lọc bằng rule trước. Thư no-reply, thông báo từ sàn TMĐT, bản tin quảng cáo nhận diện được bằng người gửi hoặc tiêu đề. Lọc trước giúp giảm số lần gọi AI.
Bước 3, làm sạch nội dung. Chỉ gửi phần trả lời mới nhất cùng tiêu đề, giới hạn độ dài để chi phí ổn định.
Bước 4, gọi AI và bắt buộc trả JSON. Câu lệnh (prompt) gồm: vai trò, danh sách nhãn kèm định nghĩa và ví dụ, yêu cầu trả đúng cấu trúc. Ví dụ kết quả mong muốn:
{
"label": "doi_tra_bao_hanh",
"urgency": "medium",
"confidence": 0.86,
"order_id": "DH240915-0381",
"phone": "09xxxxxxxx",
"sentiment": "khong_hai_long",
"summary": "Khách nhận áo sai size, muốn đổi sang size L trước thứ Sáu."
}
Bước 5, kiểm tra độ tin cậy. Đặt ngưỡng ban đầu khá cao. Email dưới ngưỡng hoặc JSON không hợp lệ được gắn "Cần người xem" thay vì đoán. Có số liệu vài tuần rồi mới hạ ngưỡng.
Bước 6, hành động và ghi log. Gắn nhãn Gmail, tạo ticket trong helpdesk (Zoho Desk, Freshdesk…) hoặc thêm dòng vào Google Sheets. Email khẩn báo vào nhóm Zalo hoặc Telegram của trưởng nhóm. Log ghi thời điểm, ID email, nhãn và độ tin cậy; nhân viên sửa nhãn sai ngay trên log để làm dữ liệu cải thiện prompt.
Chọn cách phân loại: rule, AI hay kết hợp?#
| Cách làm | Chi phí vận hành | Xử lý tiếng Việt viết tắt, không dấu | Công sức thiết lập | Phù hợp khi |
|---|---|---|---|---|
| Bộ lọc Gmail/Outlook theo từ khoá | Gần như bằng 0 | Kém, dễ bắt nhầm | Thấp | Email đến từ ít nguồn, mẫu cố định |
| AI qua API + n8n/Make | Trả theo lượng email | Tốt | Trung bình | Email đa dạng, cần trích xuất thông tin |
| AI có sẵn trong phần mềm helpdesk | Theo gói thuê bao | Tuỳ nhà cung cấp, nên thử với dữ liệu thật | Thấp | Đã dùng helpdesk, không muốn tự vận hành workflow |
| Kết hợp rule + AI | Thấp hơn AI thuần | Tốt | Trung bình | Phần lớn SME |
Chi phí API mỗi email phụ thuộc mô hình và độ dài. Cách ước tính sát nhất là chạy thử 100–200 email thật rồi nhân theo lượng email hằng tháng.
Email chứa dữ liệu cá nhân: cần lưu ý gì về pháp lý?#
Email khách hàng gần như luôn chứa dữ liệu cá nhân: họ tên, số điện thoại, địa chỉ, đôi khi cả thông tin sức khoẻ hoặc tài chính. Gửi nội dung này sang một dịch vụ AI bên ngoài là một hoạt động xử lý dữ liệu cá nhân theo Nghị định 13/2023/NĐ-CP, và nếu máy chủ của nhà cung cấp đặt ở nước ngoài thì còn liên quan đến quy định về chuyển dữ liệu ra nước ngoài.
Một số biện pháp thực tế:
- Tối thiểu hoá dữ liệu gửi đi. Nếu chỉ cần phân loại chủ đề, có thể che số điện thoại, số tài khoản bằng regex trước khi gửi, rồi trích xuất các trường đó bằng rule ở phía máy chủ của bạn.
- Chọn gói API có điều khoản xử lý dữ liệu rõ ràng, đặc biệt là cam kết không dùng dữ liệu của bạn để huấn luyện mô hình.
- Cập nhật chính sách quyền riêng tư để khách biết email của họ có thể được xử lý bằng công cụ tự động.
Bài thu thập dữ liệu khách hàng đúng luật theo NĐ 13/2023 đi sâu hơn vào phần đồng ý và lưu trữ. Với ngành nhạy cảm như y tế hoặc tài chính, nên hỏi ý kiến bộ phận pháp chế trước khi triển khai.
Đo hiệu quả trong 4 tuần đầu như thế nào?#
Đừng bật chế độ tự chuyển email ngay ngày đầu. Lộ trình an toàn:
Tuần 1–2, chế độ gợi ý. AI chỉ gắn nhãn phụ dạng "AI: doi_tra_bao_hanh", nhân viên vẫn chia việc như cũ và lấy mẫu 20–30 email mỗi ngày để so nhãn.
Tuần 3–4, bật dần. Cho tự chuyển trước với nhãn có dấu hiệu rõ như tinh_trang_don, hoa_don_thanh_toan; thêm nhãn khác khi tỷ lệ đúng trên mẫu đạt mức đội ngũ chấp nhận.
Các chỉ số nên theo dõi hằng tuần:
| Chỉ số | Cách đo | Ý nghĩa |
|---|---|---|
| Tỷ lệ nhãn đúng | Lấy mẫu ngẫu nhiên, người kiểm tra | Chất lượng phân loại |
| Tỷ lệ rơi vào "Cần người xem" | Đếm trong log | Quá cao: bộ nhãn hoặc prompt chưa ổn |
| Thời gian phản hồi đầu tiên | Từ lúc nhận đến lúc trả lời | Hiệu quả thực sự với khách |
| Số email khẩn bị trễ hạn | Đối chiếu nhãn khẩn với giờ trả lời | Rủi ro lớn nhất cần kiểm soát |
Góc nhìn từ DsAI#
Qua các dự án DsAI đã triển khai, phần tốn thời gian nhất thường là buổi thống nhất bộ nhãn giữa CSKH, sales và kế toán, chứ không phải phần kỹ thuật. Mỗi bộ phận muốn một nhãn riêng cho trường hợp của mình, và bộ nhãn phình lên 15–20 nhãn chồng chéo. Khi gom lại theo nguyên tắc "một nhãn, một người chịu trách nhiệm", độ chính xác cải thiện rõ rệt mà không cần đổi mô hình.
Điểm thứ hai: khách cá nhân hay gửi ảnh chụp màn hình thay cho mô tả bằng chữ. Workflow nên đánh dấu email có ảnh đính kèm để người xử lý mở xem, thay vì kỳ vọng AI đọc được mọi thứ.
Lỗi thường gặp khi triển khai#
- Không có nhánh xử lý lỗi. Workflow dừng giữa chừng, email nằm im không nhãn. Lỗi nào cũng phải đẩy về "Cần người xem".
- Gửi cả lịch sử hội thoại dài cho AI. Chi phí tăng và AI dễ phân loại theo nội dung thư cũ thay vì yêu cầu mới.
- Để AI tự trả lời khách ngay từ đầu. Một câu trả lời sai về chính sách đổi trả có thể gây thiệt hại lớn hơn nhiều so với thời gian tiết kiệm được.
- Không có người phụ trách bộ nhãn. Sản phẩm mới, chính sách mới xuất hiện nhưng không ai cập nhật định nghĩa nhãn, độ chính xác giảm dần mà không ai để ý.
Khi nào KHÔNG nên dùng AI để phân loại email?#
- Lượng email thấp. Một người đọc hết hộp thư trong 15–20 phút mỗi sáng thì workflow chưa đáng xây.
- Khách hàng chủ yếu liên hệ qua Zalo, Messenger hoặc điện thoại. Khi đó email chỉ là kênh phụ, nên ưu tiên tự động hoá kênh chat trước.
- Email chứa dữ liệu rất nhạy cảm (hồ sơ bệnh án, giấy tờ pháp lý) mà doanh nghiệp chưa có thoả thuận xử lý dữ liệu với nhà cung cấp AI. Có thể cân nhắc mô hình chạy nội bộ, nhưng chi phí và công sức cao hơn đáng kể.
- Quy trình xử lý phía sau chưa rõ. Phân loại nhanh hơn nhưng không ai nhận việc thì email chỉ chuyển từ chỗ chờ này sang chỗ chờ khác.
Câu hỏi thường gặp#
AI phân loại email tiếng Việt có chính xác không?#
Với bộ nhãn rõ ràng và có ví dụ, các mô hình ngôn ngữ hiện nay phân loại email tiếng Việt khá tốt, kể cả email không dấu. Độ chính xác phụ thuộc chủ yếu vào bộ nhãn. Hãy lấy mẫu email thật trong 1–2 tuần chạy song song để đo trước khi tin hoàn toàn.
Có cần mua phần mềm helpdesk trước không?#
Không bắt buộc. Doanh nghiệp nhỏ có thể bắt đầu bằng nhãn Gmail kết hợp một Google Sheets theo dõi ai đang xử lý email nào. Khi số người xử lý tăng lên hoặc cần đo thời gian phản hồi chi tiết, lúc đó chuyển sang helpdesk sẽ dễ hơn vì bộ nhãn đã được kiểm chứng.
Dùng n8n hay Make thì tốt hơn?#
Make dễ bắt đầu, giao diện trực quan, trả phí theo số thao tác. n8n có bản tự cài, phù hợp khi muốn dữ liệu email nằm trên máy chủ của doanh nghiệp và lượng email lớn. Nếu đội ngũ không có ai quản trị máy chủ, Make hoặc n8n bản đám mây sẽ ít rủi ro vận hành hơn.
Mất bao lâu để triển khai?#
Với một hộp thư chung và 6–9 nhãn, phần kỹ thuật thường xong trong vài ngày. Phần mất thời gian hơn là thống nhất bộ nhãn và chạy song song để kiểm tra, thường kéo dài 2–4 tuần. Nên tính cả thời gian đào tạo nhân viên cách sửa nhãn sai trong log để hệ thống cải thiện dần.
Hộp thư CSKH của bạn đang quá tải và bạn muốn biết nên tự động hoá phần nào trước? Đội ngũ DsAI có thể cùng bạn rà lại luồng email hiện tại, đề xuất bộ nhãn và cách kết nối với chatbot trên các kênh chat. Xem thêm về giải pháp chatbot và CSKH bằng AI của DsAI, hoặc tham khảo cách xây chuỗi email tự động follow-up khách hàng sau khi email đã được phân loại đúng.
