Mở đầu — vì sao bài này quan trọng
Hãy hình dung bạn vừa được giao nhiệm vụ làm "AI Product Manager" cho công ty. Sếp nói: "Chúng ta cần làm gì đó với AI." Câu hỏi đầu tiên hiện lên trong đầu bạn không nên là "Dùng model nào?" hay "Gọi API của ai?", mà phải là: "AI sẽ giải quyết bài toán dạng gì cho sản phẩm của mình?"
Đây chính xác là lý do bài học này tồn tại. Trước khi bạn biết khi nào nên dùng AI (Bài 6), build hay buy (Bài 7), hay đi sâu vào RAG, prompt engineering — bạn cần một bản đồ tư duy để phân loại các sản phẩm AI. Khi não bạn có sẵn các "ngăn kéo" để phân loại, mọi yêu cầu kinh doanh sẽ tự động rơi vào đúng ngăn, và bạn biết ngay nên đi tiếp hướng nào.
Một PM không có khung phân loại sẽ rất dễ rơi vào bẫy: nghe "AI" là nghĩ ngay đến ChatGPT, đến chatbot, đến generative. Trong khi đó, phần lớn giá trị kinh doanh mà AI tạo ra trên thế giới suốt 15 năm qua lại đến từ predictive AI — những thứ rất "thầm lặng" như chấm điểm tín dụng, gợi ý sản phẩm, dự báo nhu cầu. Nếu bạn không nhìn thấy bức tranh đầy đủ, bạn sẽ vô tình bỏ qua những cơ hội dễ làm, ROI cao, để chạy theo những thứ hào nhoáng nhưng khó kiểm soát.
Bài này cho bạn cái bản đồ đó. Sau khi học xong, bạn sẽ nhìn bất kỳ sản phẩm AI nào — từ Shopee, MoMo đến Notion — và gọi tên được chính xác nó thuộc loại gì, hoạt động theo logic nào.
Khái niệm cốt lõi
Có nhiều cách để phân loại sản phẩm AI. Trong bài này, ta dùng trục phân loại theo capability (năng lực) làm xương sống, vì đây là cách tư duy gần với PM nhất — nó trả lời câu hỏi "AI làm được gì cho người dùng". Sau đó ta bổ sung thêm vài trục phụ để bức tranh đầy đủ.
Trục chính: phân loại theo capability
Theo năng lực cốt lõi, sản phẩm AI chia thành ba nhóm lớn:
1. Predictive AI (AI dự đoán)
Đây là nhóm AI lâu đời và phổ biến nhất trong kinh doanh. Bản chất của nó: học từ dữ liệu quá khứ để dự đoán một kết quả (outcome) trong tương lai hoặc một nhãn (label) cho dữ liệu mới. Đầu ra thường là một con số, một xác suất, hoặc một phân loại.
Các bài toán điển hình:
- Churn prediction (dự đoán rời bỏ): Khách hàng này có khả năng ngừng dùng dịch vụ trong 30 ngày tới không? (đầu ra: xác suất 0–100%)
- Fraud detection (phát hiện gian lận): Giao dịch này có phải gian lận không? (đầu ra: rủi ro thấp/trung bình/cao)
- Recommendation (gợi ý): Người dùng này có khả năng thích sản phẩm nào nhất? (đầu ra: danh sách xếp hạng)
- Demand forecast (dự báo nhu cầu): Tuần sau cửa hàng cần nhập bao nhiêu hàng? (đầu ra: con số)
- Credit scoring (chấm điểm tín dụng): Người này có khả năng trả nợ không?
2. Generative AI (AI tạo sinh)
Đây là nhóm bùng nổ từ 2022 với ChatGPT. Bản chất: tạo ra nội dung mới chưa từng tồn tại — văn bản, hình ảnh, âm thanh, video, code. Thay vì trả lời "cái này thuộc loại nào", nó trả lời "hãy tạo ra một cái mới".
Các bài toán điển hình:
- Sinh văn bản: viết email, tóm tắt tài liệu, soạn nội dung marketing, trả lời câu hỏi.
- Sinh hình ảnh: tạo ảnh sản phẩm, thiết kế banner, avatar (Midjourney, DALL·E).
- Sinh code: GitHub Copilot, Cursor gợi ý dòng code.
- Sinh âm thanh/giọng nói: đọc văn bản thành giọng nói tự nhiên.
3. Conversational / Agentic AI (AI hội thoại và tác tử)
Đây là nhóm đang nổi lên mạnh, có thể coi là sự kết hợp và mở rộng của hai nhóm trên. Bản chất: AI không chỉ trả lời mà còn ra quyết định và hành động qua nhiều bước.
- Conversational AI: trò chuyện đa lượt, giữ ngữ cảnh — chatbot chăm sóc khách hàng, trợ lý ảo.
- Agentic AI: AI tự lập kế hoạch, gọi công cụ (tools), thực hiện chuỗi hành động để hoàn thành mục tiêu — ví dụ "đặt giúp tôi vé máy bay rẻ nhất đi Đà Nẵng tuần sau" rồi nó tự tìm, so sánh, điền form.
Các trục phân loại bổ sung
Ngoài capability, một PM giỏi còn nhìn sản phẩm AI qua vài lăng kính khác:
Theo modality (dạng dữ liệu): AI text, image, audio, video, hay multimodal (đa phương thức — xử lý nhiều dạng cùng lúc). Modality quyết định độ khó kỹ thuật và trải nghiệm.
Theo mức độ AI trong sản phẩm:
- AI-native: sản phẩm sinh ra là nhờ AI, bỏ AI đi thì không còn gì (ChatGPT, Perplexity, Midjourney).
- AI-as-a-feature: sản phẩm vốn đã có giá trị, AI là tính năng tăng thêm (Notion AI, nút "viết lại với AI" trong Gmail).
Theo người dùng cuối: B2C (người tiêu dùng) hay B2B (doanh nghiệp). B2B thường chấp nhận trả tiền cho độ chính xác và bảo mật; B2C nhạy cảm với chi phí và trải nghiệm tức thì.
Tình huống thực tế
Tình huống 1 — Shopee: một sản phẩm, nhiều loại AI cùng lúc
Mở app Shopee lên, bạn đang tương tác với ít nhất ba loại AI khác nhau mà không hề biết:
- Trang chủ "Gợi ý hôm nay" và phần "Sản phẩm liên quan" là predictive AI (recommendation) — dự đoán món bạn có khả năng mua nhất dựa trên lịch sử lướt, mua, và hành vi của hàng triệu người dùng tương tự.
- Khi bạn thanh toán, hệ thống chống gian lận chạy ngầm là predictive AI (fraud detection) — chấm điểm rủi ro giao dịch trong vài mili-giây.
- Khi bạn nhắn cho shop và gặp bot trả lời tự động, hoặc dùng tính năng hỏi đáp về sản phẩm, đó là conversational AI.
Tình huống 2 — Một startup fintech Việt Nam chọn sai loại AI
Giả định: một startup cho vay tiêu dùng ở TP.HCM, gọi là "VayNhanh", có 50.000 người dùng. CEO sau khi dùng ChatGPT đã rất hào hứng, yêu cầu team build ngay một "trợ lý AI tư vấn tài chính" bằng generative AI để khác biệt với đối thủ.
Team xây trong 3 tháng. Kết quả: chatbot đôi khi bịa ra lãi suất sai (hallucination), tư vấn lệch quy định pháp lý — rủi ro lớn cho một công ty tài chính. Tỷ lệ người dùng dùng tính năng này chỉ 4%.
Trong khi đó, vấn đề thực sự của VayNhanh là tỷ lệ nợ xấu 8% — quá cao. Bài toán này thuộc về predictive AI (credit scoring + fraud detection), không phải generative. Khi team chuyển hướng, dùng một mô hình chấm điểm tín dụng đơn giản trên dữ liệu sẵn có, họ kéo nợ xấu xuống 5,5% trong một quý — tác động tài chính gấp nhiều lần con chatbot.
Bài học rút ra: Hào nhoáng không bằng đúng loại. Generative AI đang "hot" khiến nhiều người mặc định AI = generative. Nhưng phải khớp loại AI với loại bài toán: bài toán "dự đoán một outcome" thì predictive luôn là lựa chọn đầu tiên cần cân nhắc, vừa rẻ, vừa dễ đo, vừa ít rủi ro pháp lý.
Tình huống 3 — Notion AI: AI-as-a-feature làm đúng cách
Notion là công cụ ghi chú và quản lý công việc đã có hàng chục triệu người dùng trước khi có AI. Khi làn sóng generative bùng nổ, thay vì xây một sản phẩm mới, Notion nhúng AI thành một tính năng: bôi đen đoạn văn, chọn "tóm tắt", "viết tiếp", "dịch", "sửa văn phong".
Điểm tinh tế: nếu AI trả lời chưa tốt, người dùng chỉ cần bỏ qua — sản phẩm cốt lõi (ghi chú) vẫn nguyên giá trị. Notion không phải đặt cược sống còn vào độ hoàn hảo của AI. Đây là chiến lược AI-as-a-feature kinh điển, rủi ro thấp mà vẫn tạo điểm nhấn bán hàng và một dòng doanh thu add-on mới.
Bài học rút ra: Vị trí của AI trong sản phẩm (native hay feature) quyết định mức độ rủi ro bạn gánh và chiến lược đặt cược. Nếu sản phẩm bạn đã có người dùng và giá trị cốt lõi rõ ràng, "AI-as-a-feature" thường là điểm khởi đầu khôn ngoan hơn là đập đi xây lại theo hướng AI-native.
Hướng dẫn từng bước
Khi đứng trước một ý tưởng sản phẩm AI hoặc một yêu cầu kinh doanh, hãy phân loại nó theo quy trình sau:
Bước 1 — Mô tả bài toán bằng một câu "đầu vào → đầu ra". Ví dụ: "Cho lịch sử mua hàng → trả về sản phẩm nên gợi ý." Đừng nói về công nghệ vội, hãy nói về dữ liệu vào và kết quả ra.
Bước 2 — Hỏi: đầu ra là phán đoán hay sáng tạo? Nếu đầu ra là một nhãn, một con số, một xác suất, một thứ-hạng → Predictive AI. Nếu đầu ra là nội dung mới (văn bản, ảnh, code) → Generative AI. Nếu nó cần trò chuyện nhiều lượt hoặc tự hành động qua nhiều bước → Conversational/Agentic.
Bước 3 — Xác định modality. Dữ liệu là text, ảnh, âm thanh, hay nhiều loại? Điều này ảnh hưởng đến độ khó và lựa chọn công nghệ về sau.
Bước 4 — Xác định vị trí của AI: native hay feature? Bỏ AI ra thì sản phẩm còn giá trị không? Nếu còn → feature. Nếu không → native. Câu trả lời định hình mức rủi ro bạn chấp nhận.
Bước 5 — Xác định B2C hay B2B và ngữ cảnh rủi ro. Sai số có gây hậu quả pháp lý/tài chính nghiêm trọng không (như fintech, y tế)? Mức độ chịu lỗi quyết định bạn cần guardrail chặt đến đâu.
Bước 6 — Đối chiếu với cơ hội thực sự. Ghép loại AI đã phân loại với mục tiêu kinh doanh: nó tác động vào metric nào? Nếu một bài toán predictive đơn giản giải quyết được vấn đề, đừng chọn generative chỉ vì nó "ngầu".
Áp dụng sáu bước này, bạn đã biến một yêu cầu mơ hồ thành một bản phân loại rõ ràng — nền tảng để các bài sau (build vs buy, metrics, roadmap) triển khai.
Lỗi thường gặp & mẹo
Lỗi 1 — Đánh đồng AI với generative AI. Đây là lỗi phổ biến nhất hiện nay. Nghe "AI" là nghĩ ngay đến ChatGPT. Hãy luôn nhắc bản thân: predictive AI mới là nơi tạo ra phần lớn giá trị kinh doanh ổn định, dễ đo, dễ kiếm lời.
Lỗi 2 — Cố nhét một loại AI vào mọi bài toán. Mỗi loại có điểm mạnh riêng. Dùng generative cho bài toán phân loại là vừa đắt vừa khó kiểm soát; dùng predictive cho bài toán cần sáng tạo nội dung là bất khả thi.
Lỗi 3 — Bỏ qua câu hỏi native vs feature. Nhiều team xây "sản phẩm AI" mà không tự hỏi liệu nên đặt cược toàn bộ vào AI hay chỉ nhúng như một tính năng. Sai lựa chọn này dẫn đến gánh rủi ro không cần thiết.
Lỗi 4 — Phân loại ở mức "sản phẩm" thay vì "tính năng". Như ví dụ Shopee, một sản phẩm chứa nhiều loại AI. Hãy mổ xẻ đến từng tính năng.
Mẹo: Tập thói quen "đọc nguội" sản phẩm AI mỗi ngày. Mở một app bất kỳ (MoMo, Grab, Tiki), chỉ vào từng tính năng và tự gọi tên loại AI đằng sau. Sau vài tuần, việc phân loại sẽ thành phản xạ.
Mẹo: Khi nghi ngờ giữa predictive và generative, hãy hỏi: "Có thể chấm điểm đúng/sai của đầu ra một cách khách quan không?" Nếu có → thường là predictive. Nếu việc đánh giá mang tính chủ quan → thường là generative.
Bài tập thực hành
Bài tập 1 — Lập bản đồ AI của một app Việt Nam. Chọn một app bạn hay dùng (MoMo, Grab, Tiki, ZaloPay...). Liệt kê ít nhất 4 tính năng có AI và phân loại mỗi tính năng theo: (a) capability — predictive/generative/conversational, (b) modality, (c) native hay feature. Trình bày thành bảng.
Bài tập 2 — Sửa một quyết định sai. Đọc lại tình huống VayNhanh. Hãy viết một đoạn 150 từ giải thích cho CEO bằng ngôn ngữ kinh doanh (không dùng thuật ngữ kỹ thuật) vì sao bài toán nợ xấu nên dùng predictive AI thay vì generative, và tác động dự kiến lên metric nào.
Bài tập 3 — Phân loại nhanh. Với mỗi mô tả dưới đây, gọi tên loại AI: (1) "tự động tạo mô tả sản phẩm cho 10.000 mặt hàng trên sàn TMĐT"; (2) "dự đoán tài xế Grab nào sắp nghỉ việc"; (3) "trợ lý đặt lịch khám tự tìm phòng khám và đặt hộ"; (4) "phát hiện bình luận spam trong app". Giải thích lựa chọn của bạn.
Tóm tắt
- Sản phẩm AI được phân loại theo nhiều trục; trục cốt lõi với PM là capability: Predictive (dự đoán outcome/label — churn, fraud, recommendation, forecast), Generative (tạo nội dung mới — text, ảnh, code), và Conversational/Agentic (hội thoại và tự hành động).
- Predictive AI tuy "thầm lặng" nhưng là nơi tạo ra phần lớn giá trị kinh doanh ổn định, dễ đo, ROI rõ. Đừng đánh đồng AI với generative.
- Các trục bổ sung quan trọng: modality (text/image/audio/video/multimodal), native vs feature (mức độ đặt cược vào AI), và B2C vs B2B (ngữ cảnh rủi ro).
- Một sản phẩm thực tế thường trộn nhiều loại AI — hãy phân loại đến từng tính năng, không dừng ở mức sản phẩm.
- Quy trình 6 bước (mô tả input→output, phán đoán hay sáng tạo, modality, native/feature, B2C/B2B, đối chiếu cơ hội) giúp bạn biến yêu cầu mơ hồ thành bản phân loại rõ ràng — nền móng cho mọi quyết định sản phẩm AI tiếp theo.