Mở đầu — vì sao bài này quan trọng
Hãy tưởng tượng bạn là một nhà sáng lập startup vừa gọi vốn xong. Nhà đầu tư hỏi: "Thị trường của em lớn cỡ nào? Đối thủ đang làm gì? Khách hàng thực sự cần gì?" Ngày xưa, để trả lời ba câu này, bạn phải thuê một công ty nghiên cứu thị trường, chờ ba tuần và trả vài chục triệu đồng. Hôm nay, với một prompt được thiết kế tốt, bạn có thể có bản nháp đầu tiên trong mười lăm phút.
Nhưng đây chính là chỗ nhiều người ngã ngựa. Họ gõ "phân tích thị trường cà phê Việt Nam giúp tôi" và nhận về một đoạn văn chung chung, đọc hay nhưng vô dụng — không con số, không nguồn, không góc nhìn có thể hành động. Vấđề không nằm ở AI. Vấn đề nằm ở cách hỏi.
Bài này tập trung riêng vào prompt cho nghiên cứu (research) ở ba mảng cốt lõi mà dân kinh doanh dùng nhiều nhất: nghiên cứu ngành (industry), nghiên cứu thị trường (market) và nghiên cứu người dùng (user). Đây không phải bài về tóm tắt, cũng không phải bài về phân tích cạnh tranh chung chung — mà là về cách biến LLM thành một trợ lý nghiên cứu có kỷ luật: biết ước lượng có phương pháp, biết thừa nhận điều nó không chắc, và biết trả kết quả theo đúng định dạng bạn cần để ra quyết định.
Điều quan trọng cần khắc cốt ngay từ đầu: LLM không phải công cụ tra cứu sự thật thời gian thực. Nó không biết doanh thu quý gần nhất của Thế Giới Di Động, cũng không có số liệu độc quyền của bạn. Sức mạnh của nó là cấu trúc hóa suy luận: gợi ý khung phân tích, đưa ra giả định hợp lý để bạn kiểm chứng, và tổng hợp dữ liệu bạn cung cấp thành insight. Hiểu đúng vai trò này, bạn sẽ dùng nó như một cố vấn thông minh chứ không phải một cuốn bách khoa toàn thư.
Khái niệm cốt lõi
Ba loại nghiên cứu và ba kiểu prompt khác nhau
Không phải mọi câu hỏi nghiên cứu đều giống nhau. Mỗi loại đòi hỏi một cấu trúc prompt riêng:
Industry research (nghiên cứu ngành) — bạn muốn hiểu bức tranh lớn: cấu trúc ngành, chuỗi giá trị, xu hướng, quy định pháp lý, các động lực tăng trưởng và rủi ro. Prompt loại này cần yêu cầu AI dùng khung phân tích có sẵn như Porter's Five Forces (năm lực lượng cạnh tranh), PESTEL (Political, Economic, Social, Technological, Environmental, Legal) hoặc value chain analysis.
Market research (nghiên cứu thị trường) — bạn muốn định lượng: thị trường lớn bao nhiêu, tăng trưởng thế nào, phân khúc ra sao. Đây là nơi kỹ thuật market sizing (ước lượng quy mô thị trường) tỏa sáng, với hai cách tiếp cận top-down và bottom-up.
User research (nghiên cứu người dùng) — bạn muốn hiểu con người: họ là ai, đau ở đâu, quyết định mua thế nào. Prompt loại này giúp bạn xây persona, phác thảo jobs-to-be-done (công việc khách hàng cần hoàn thành), và thiết kế câu hỏi phỏng vấn.
Market sizing — trái tim của nghiên cứu thị trường
Đây là kỹ thuật quan trọng nhất bài này. Ước lượng quy mô thị trường theo hai hướng và đối chiếu:
Top-down (từ trên xuống): Bắt đầu từ tổng thể lớn, thu hẹp dần bằng các tỷ lệ phần trăm. Ví dụ: dân số Việt Nam 100 triệu → 60% ở độ tuổi lao động → 30% có smartphone và thu nhập đủ → tỷ lệ sẵn sàng chi cho sản phẩm của bạn.
Bottom-up (từ dưới lên): Bắt đầu từ đơn vị nhỏ nhất, nhân lên. Ví dụ: mỗi khách hàng chi 200.000đ/tháng × số khách hàng thực tế bạn có thể tiếp cận × 12 tháng.
Bạn nên yêu cầu AI làm cả hai rồi so sánh. Nếu hai con số lệch nhau mười lần, chắc chắn có một giả định sai — và việc phát hiện ra điều đó còn giá trị hơn cả con số cuối cùng.
Kèm theo là bộ ba khái niệm kinh điển: TAM (Total Addressable Market — tổng thị trường lý thuyết nếu bạn chiếm 100%), SAM (Serviceable Addressable Market — phần bạn thực sự phục vụ được với mô hình hiện tại), và SOM (Serviceable Obtainable Market — phần bạn thực tế giành được trong 1-3 năm).
Nguyên tắc vàng: buộc AI "trưng ra bài làm"
Với prompt nghiên cứu, câu lệnh giá trị nhất bạn có thể thêm là: "Nêu rõ mọi giả định. Với mỗi con số, chỉ ra nó đến từ đâu hoặc đánh dấu là ước lượng. Nếu bạn không chắc, hãy nói không chắc thay vì bịa." Điều này biến một đoạn văn trơn tru không thể kiểm chứng thành một bảng tính minh bạch mà bạn có thể chỉnh sửa từng ô.
Tình huống thực tế
Ví dụ 1 — Startup đồ ăn healthy ước lượng thị trường Hà Nội
An, nhà sáng lập một thương hiệu giao suất ăn healthy tên "GreenBox", cần con số thị trường để đưa vào pitch deck. Cô viết prompt:
> "Ước lượng quy mô thị trường (market size) cho dịch vụ giao suất ăn healthy theo tháng tại Hà Nội, năm 2026. Dùng cả hai cách top-down và bottom-up, rồi so sánh. > Top-down: bắt đầu từ dân số Hà Nội, lọc dần theo độ tuổi, thu nhập, thói quen ăn healthy. > Bottom-up: ước lượng số khách hàng tiềm năng có thể tiếp cận qua kênh online × chi tiêu trung bình/tháng. > Cho tôi TAM, SAM, SOM (3 năm). Nêu rõ MỌI giả định trong một bảng, đánh dấu con số nào là ước lượng của bạn. Nếu không chắc số nào, ghi rõ mức độ tin cậy."
Kết quả AI trả về: TAM khoảng 8,4 triệu dân → lọc còn ~420.000 người thuộc nhóm thu nhập khá quan tâm sức khỏe → SAM ~85.000 người sẵn sàng đặt online → SOM năm 1 ~2.500 khách hàng đều đặn. Quan trọng hơn, nó liệt kê bảng giả định: tỷ lệ quan tâm healthy 12%, tần suất đặt 8 bữa/tháng, giá trung bình 65.000đ/bữa — tất cả đánh dấu "ước lượng, cần khảo sát thực tế xác nhận".
Bài học: An không dùng con số này làm sự thật. Cô lấy bảng giả định làm danh sách cần đi xác minh — cô chạy một khảo sát nhỏ 100 người và phát hiện tần suất thực chỉ 4 bữa/tháng, không phải 8. Prompt tốt không cho cô câu trả lời, nó cho cô danh sách câu hỏi đúng để đi hỏi thị trường.
Ví dụ 2 — Nhà phân tích ngành logistics dùng khung Porter
Minh làm chiến lược tại một công ty logistics ở TP.HCM, cần đánh giá độ hấp dẫn của mảng giao hàng chặng cuối (last-mile delivery). Anh viết:
> "Đóng vai chuyên gia phân tích ngành. Phân tích ngành giao hàng chặng cuối (last-mile delivery) tại Việt Nam năm 2026 bằng khung Porter's Five Forces. Với mỗi lực lượng, cho điểm mức độ đe dọa từ 1-5, giải thích lý do trong 2-3 câu, và nêu giả định nếu có. Trình bày dạng bảng. Cuối cùng đưa ra kết luận: ngành này hấp dẫn hay không cho một người mới gia nhập, và điều kiện gì cần có để thắng."
AI trả về bảng năm lực lượng: đe dọa từ đối thủ hiện hữu 5/5 (GHTK, GHN, Viettel Post, J&T cạnh tranh khốc liệt về giá), quyền lực nhà cung cấp thấp 2/5, quyền lực khách hàng cao 4/5 (dễ chuyển đổi), rào cản gia nhập trung bình 3/5, sản phẩm thay thế thấp 2/5. Kết luận: ngành cạnh tranh gay gắt về giá, người mới chỉ thắng nếu có lợi thế khác biệt như phủ sóng nông thôn hoặc công nghệ tối ưu tuyến đường.
Bài học: Bằng cách chỉ định khung phân tích cụ thể (Porter) và định dạng đầu ra (bảng có chấm điểm), Minh biến một câu hỏi mơ hồ thành một tài liệu chiến lược có thể trình bày ngay trong cuộc họp ban lãnh đạo. Không có khung, AI sẽ chỉ "kể chuyện" về ngành; có khung, nó "phân tích" ngành.
Ví dụ 3 — Team sản phẩm SaaS xây persona từ dữ liệu phỏng vấn
Một team SaaS làm phần mềm kế toán cho hộ kinh doanh nhỏ đã phỏng vấn 15 chủ tiệm. Họ có transcript nhưng lộn xộn. Product manager tên Linh dán toàn bộ transcript vào và viết:
> "Dưới đây là 15 bản ghi phỏng vấn khách hàng (dán bên dưới). Hãy tổng hợp thành 2-3 persona người dùng chính. Với mỗi persona: tên đại diện, đặc điểm nhân khẩu, jobs-to-be-done (công việc họ đang cố hoàn thành), pain points (nỗi đau) kèm trích dẫn nguyên văn từ transcript để chứng minh, và tiêu chí ra quyết định mua. CHỈ dùng thông tin có trong transcript — không suy diễn thêm. Nếu một persona chỉ dựa trên 1-2 người, đánh dấu là 'độ tin cậy thấp'."
AI trả về hai persona rõ ràng: "Chị Hoa — chủ tiệm tạp hóa 45 tuổi, job chính là biết cuối tháng lời lỗ bao nhiêu mà không cần thuê kế toán, pain point là sợ phần mềm phức tạp" (kèm 4 trích dẫn), và "Anh Tuấn — chủ quán cà phê 32 tuổi rành công nghệ, job là xuất hóa đơn điện tử nhanh". Câu ràng buộc "chỉ dùng thông tin có trong transcript kèm trích dẫn" ngăn AI bịa ra những nỗi đau nghe hay nhưng không ai thực sự nói.
Bài học: User research prompt mạnh nhất khi bạn cung cấp dữ liệu thô và bắt AI trích dẫn nguồn. Nó chuyển từ vai trò "phịa persona" sang vai trò "tổng hợp có kỷ luật từ bằng chứng".
Hướng dẫn từng bước
Đây là quy trình sáu bước để viết một research prompt chất lượng cao:
Bước 1 — Xác định rõ loại nghiên cứu và câu hỏi quyết định. Đừng hỏi "phân tích thị trường X". Hãy hỏi: "Tôi cần con số này để làm gì?" Nếu để pitch nhà đầu tư, bạn cần market sizing. Nếu để quyết định có gia nhập ngành không, bạn cần Porter. Nếu để thiết kế tính năng, bạn cần persona. Câu hỏi quyết định định hình toàn bộ prompt.
Bước 2 — Chỉ định khung phân tích. Nêu tên rõ ràng: TAM/SAM/SOM, Porter's Five Forces, PESTEL, jobs-to-be-done, top-down + bottom-up. Khung là bộ xương giúp AI suy luận có hệ thống thay vì lan man.
Bước 3 — Cung cấp bối cảnh và ràng buộc. Địa lý (Việt Nam, Hà Nội), thời gian (2026), phân khúc cụ thể. Càng cụ thể, con số càng bớt chung chung. "Thị trường cà phê" khác xa "thị trường cà phê pha máy cho văn phòng tại quận 1, TP.HCM".
Bước 4 — Bắt AI trưng ra giả định và mức tin cậy. Câu thần chú: "Nêu mọi giả định trong bảng riêng. Đánh dấu con số nào là ước lượng. Nói rõ nếu không chắc." Đây là ranh giới giữa prompt nghiệp dư và chuyên nghiệp.
Bước 5 — Chỉ định định dạng đầu ra. Bảng, danh sách, hay đoạn văn? Với nghiên cứu, gần như luôn nên yêu cầu bảng cho phần số liệu và giả định tách riêng để dễ chỉnh sửa và kiểm chứng.
Bước 6 — Lặp và xác minh. Nhận kết quả xong, đừng dừng. Hỏi tiếp: "Giả định nào rủi ro nhất? Nếu sai, con số cuối thay đổi thế nào?" Rồi mang các giả định rủi ro ra thế giới thực để kiểm chứng bằng dữ liệu thật.
Lỗi thường gặp & mẹo
Lỗi 1 — Tin con số như sự thật. Đây là lỗi chết người. AI có thể tự tin đưa ra "thị trường 2,3 tỷ USD" mà con số đó hoàn toàn là suy đoán. Luôn coi output là giả thuyết cần kiểm chứng, không phải kết luận. Mẹo: luôn thêm câu buộc AI đánh dấu độ tin cậy từng con số.
Lỗi 2 — Hỏi quá rộng. "Nghiên cứu thị trường F&B Việt Nam" cho ra kết quả loãng như nước ốc. Thu hẹp: phân khúc, địa lý, thời gian, đối tượng. Một câu hỏi hẹp cho một câu trả lời sắc.
Lỗi 3 — Quên yêu cầu phương pháp. Nếu không nói "dùng cả top-down và bottom-up", AI thường chỉ đưa một con số duy nhất không có cách đối chiếu. Đối chiếu hai phương pháp chính là cơ chế tự phát hiện lỗi.
Lỗi 4 — Để AI bịa persona hoặc trích dẫn. Trong user research, nếu không ràng buộc "chỉ dùng dữ liệu tôi cung cấp", AI sẽ dựng ra những nỗi đau nghe hợp lý nhưng không có thật. Luôn yêu cầu trích dẫn nguồn khi có dữ liệu thô.
Lỗi 5 — Kỳ vọng dữ liệu thời gian thực. LLM không biết doanh thu quý gần nhất hay giá cổ phiếu hôm nay. Với dữ liệu cần cập nhật, hãy tự tìm và dán vào prompt, để AI làm việc nó giỏi: tổng hợp và cấu trúc hóa.
Mẹo nâng cao: Yêu cầu AI đóng vai một người hoài nghi sau khi đưa kết quả — "Bây giờ đóng vai nhà đầu tư khó tính, chỉ ra ba điểm yếu chí mạng trong phân tích trên." Cách này lộ ra những lỗ hổng mà bản phân tích lạc quan ban đầu che giấu.
Bài tập thực hành
Bài 1 — Market sizing kép. Chọn một ý tưởng kinh doanh của bạn (hoặc giả định: quán trà sữa cho học sinh cấp 3 tại một thành phố tỉnh). Viết một prompt yêu cầu AI ước lượng quy mô thị trường theo cả top-down và bottom-up, trả về TAM/SAM/SOM, và một bảng giả định có đánh dấu độ tin cậy. So sánh hai con số — chúng lệch bao nhiêu và tại sao?
Bài 2 — Phân tích ngành có khung. Chọn một ngành bạn quan tâm. Viết prompt dùng Porter's Five Forces, yêu cầu chấm điểm 1-5 mỗi lực lượng và kết luận về độ hấp dẫn. Sau đó viết prompt thứ hai buộc AI "phản biện chính phân tích vừa rồi". So sánh hai kết quả.
Bài 3 — Persona từ dữ liệu. Tìm hoặc tự viết 3-5 đoạn mô tả khách hàng ngắn (mỗi đoạn 3-4 câu). Dán vào và yêu cầu AI tổng hợp thành persona với jobs-to-be-done và pain points, ràng buộc chỉ dùng thông tin có trong dữ liệu và trích dẫn nguồn. Kiểm tra: AI có bịa thêm gì không?
Tóm tắt
Prompt cho nghiên cứu là kỹ năng biến LLM thành trợ lý nghiên cứu có kỷ luật ở ba mảng: ngành, thị trường và người dùng. Điểm mấu chốt cần nhớ:
- AI không phải nguồn sự thật, nó là bộ khung suy luận. Output là giả thuyết cần kiểm chứng, không phải kết luận cuối cùng.
- Luôn chỉ định khung phân tích — TAM/SAM/SOM và top-down + bottom-up cho market sizing, Porter/PESTEL cho industry, jobs-to-be-done cho user research.
- Buộc AI trưng ra mọi giả định và mức độ tin cậy. Đây là ranh giới giữa prompt nghiệp dư và chuyên nghiệp; bảng giả định đôi khi còn giá trị hơn con số cuối.
- Cụ thể hóa bối cảnh (địa lý, thời gian, phân khúc) và định dạng đầu ra (bảng, giả định tách riêng).
- Với user research, cung cấp dữ liệu thô và bắt trích dẫn nguồn để tránh AI bịa.
- Lặp và phản biện: dùng con số làm danh sách câu hỏi đi xác minh với thị trường thật.