Phát triển chatbot 2026 – tự làm, thuê ngoài hay RAG

Khi trong công ty bắt đầu có người nói “hay là mình đưa chatbot vào”, thứ cần chốt đầu tiên không phải là tên sản phẩm mà là lựa chọn về đội hình, tức ai làm và làm tới đâu. Phát triển chatbot trải rộng từ việc chỉ ký hợp đồng một dịch vụ SaaS có sẵn, tới việc lắp ghép bằng công cụ AI no-code, tới việc viết mới hoàn toàn từ đầu, và tới việc ghép AI tạo sinh với RAG để hệ thống trả lời dựa trên tài liệu nội bộ. Chi phí ban đầu vì thế chạy từ vài chục nghìn yen đến hơn 11 triệu yen. Bài viết này dành cho người phụ trách IT và chuyển đổi số tại các nhà máy ở Việt Nam, sắp xếp lại hai câu hỏi thực tế nhất là nên tự phát triển hay thuê ngoài, và có nên chọn hướng AI tạo sinh hay không, dựa trên dữ liệu đã công bố và bối cảnh năm 2026.

Phát triển chatbot là gì – bốn phương thức được quyết bởi ai đứng ra làm

Trong thực tế, cụm từ phát triển chatbot đang được dùng để chỉ bốn công việc hoàn toàn khác nhau. Nếu bốn thứ này còn lẫn vào nhau mà đã đưa lên tờ trình nội bộ, sẽ xảy ra tình huống nói là phát triển nhưng thực chất chỉ là gia hạn một hợp đồng SaaS, hoặc ngược lại nói là triển khai nhưng thực chất khởi động một dự án phần mềm trị giá vài triệu yen. Trước hết hãy tách bạch bốn phương thức.

Phương thức 1 – kiểu SaaS, ký hợp đồng một dịch vụ có sẵn rồi cấu hình

Đây là cách ký hợp đồng một sản phẩm hoàn chỉnh do nhà cung cấp phát hành, rồi đăng ký kịch bản trả lời và bộ câu hỏi dự kiến qua màn hình quản trị. Người ta vẫn dùng chữ phát triển, nhưng thứ thực sự viết ra không phải mã nguồn mà là cấu hình và nội dung.

Điểm mạnh là tốc độ khởi động, chỉ vài tuần sau khi ký là có thể mở cho người dùng. Điểm yếu là không thể bước ra khỏi khuôn khổ mà nhà cung cấp đã dựng sẵn. Những kết nối đặc thù của riêng doanh nghiệp, chẳng hạn lấy tồn kho từ hệ thống lõi để trả lời hay trả về số liệu thực tế từ hệ thống quản lý sản xuất, sẽ bị giới hạn ở chỗ tính năng chuẩn có sẵn hỗ trợ hay không.

Phương thức 2 – kiểu AI no-code và low-code, lắp ghép để tạo ra

Đây là cách dựng luồng hội thoại bằng giao diện kéo thả, rồi chỉ nối ra bên ngoài bằng API hoặc một vài đoạn script đơn giản ở đúng những chỗ cần. Vài năm gần đây ngày càng nhiều sản phẩm cho phép gắn thêm phần sinh câu trả lời bằng AI tạo sinh vào một phần luồng, nên đây trở thành dải được chọn nhiều nhất trên thực tế, nằm giữa kiểu SaaS và kiểu viết mới hoàn toàn.

Đặc điểm của dải này là nhân sự của chính doanh nghiệp có thể chủ động làm, nên nó thường trở thành một hình thái lai, khó nói là tự làm hay thuê ngoài. Cách phân công phổ biến là nhờ bên ngoài dựng phần khung ban đầu, còn việc cải tiến về sau thì tự vận hành trong nội bộ.

Phương thức 3 – kiểu viết mới hoàn toàn, làm từ khâu thiết kế

Đây là cách làm trọn gói từ đặc tả yêu cầu, giao diện, bộ máy hội thoại, chức năng quản trị cho tới các kết nối bên ngoài. Đổi lại việc được tự do thiết kế bám sát quy trình nghiệp vụ của mình, cả chi phí lẫn thời gian đều tăng lên gấp cả chục lần.

Trong ngành sản xuất, phương thức này chỉ thực sự cần khi ví dụ mã thiết bị hoặc hệ thống mã hàng của nhà máy có quy tắc diễn giải riêng, và logic tìm kiếm của sản phẩm đóng gói không thể đi tới đáp án đúng. Nói ngược lại, nếu không giải thích được tính tất yếu đó thì không có lý do gì để chọn viết mới hoàn toàn.

Phương thức 4 – kiểu AI tạo sinh và RAG, để hệ thống trả lời dựa trên tài liệu nội bộ

Đây là cách cho mô hình ngôn ngữ lớn tham chiếu tài liệu của chính doanh nghiệp, gồm sổ tay hướng dẫn, quy định nội bộ, lịch sử các câu hỏi trước đây, rồi sinh ra câu trả lời. Cách này được gọi là RAG, viết tắt của Retrieval-Augmented Generation, tức sinh câu trả lời có tăng cường bằng tìm kiếm. Khác biệt lớn nhất là không cần viết kịch bản trước, chỉ cần tài liệu đầy đủ là đã có thể bắt đầu trả lời.

Tuy vậy, câu “cứ đổ tài liệu vào là chạy” chỉ đúng một nửa. Trên thực tế, chất lượng được quyết bởi các quyết định thiết kế như lấy tài liệu nào làm phạm vi, cắt nhỏ tới mức nào để tìm kiếm, và bắt hệ thống trả lời ra sao khi không tìm thấy căn cứ. Nếu bỏ sót khối lượng công thiết kế này, con số báo giá sẽ chỉ bằng một nửa thực tế.

Sắp xếp vị trí của bốn phương thức trong một bảng

Xếp bốn phương thức theo chủ thể đứng ra làm, dải chi phí và mục đích phù hợp, ta có bảng sau.

Điều quan trọng ở bảng này không phải là số chữ số của chi phí, mà là quan hệ tương ứng giữa hai cột giữa, tức giữa người chủ yếu đứng ra làm và dải chi phí ban đầu. Quyết được chủ thể đứng ra làm thì dải chi phí gần như đã được quyết theo, còn nếu xuất phát từ dải chi phí thì sẽ chọn sai chủ thể đứng ra làm. Phần so sánh tính năng thuần túy giữa các phương thức đã được xử lý trong bài So sánh chatbot và cách chọn bốn phương thức, nên bài này chỉ tập trung vào việc ra quyết định về đội hình.

Tự phát triển hay thuê ngoài – bốn trục để quyết định

Hầu như doanh nghiệp nào cũng mang mong muốn “nếu tự làm được thì muốn tự làm”. Vấn đề là việc đánh giá xem có làm được hay không lại bị trộn lẫn với mong muốn đó. Hãy đánh giá một cách máy móc theo bốn trục sau.

Trục 1 – trong nội bộ có thực sự tồn tại người gánh phần AI và nền dữ liệu hay không

Câu hỏi ở đây không phải là “có ai rành AI không”. Câu hỏi là trên thực tế có một người phụ trách cụ thể hay không, tức ai đi thu thập tài liệu nội bộ mà chatbot sẽ tham chiếu, ai chỉnh lại định dạng, và ai tiếp tục cập nhật chúng.

Với kiểu AI tạo sinh, doanh nghiệp không cần tự tạo ra mô hình. Thứ cần là công việc gom các tệp PDF sổ tay hướng dẫn, loại bỏ các bản cũ, và sửa những tài liệu vỡ bảng vỡ bố cục về dạng máy đọc được. Công đoạn này không phải kỹ sư AI làm được, mà chỉ người trong công ty hiểu nghiệp vụ mới làm được. Ngược lại, nếu không đặt được người này trong nội bộ thì có thuê ngoài cũng không ra kết quả, trừ khi ủy thác cho đối tác cả phần thu thập và chỉnh trang tài liệu.

Trục 2 – độ sâu của phần yêu cầu tạo khác biệt

Câu trả lời sẽ khác nhau tùy nội dung cần trả lời chỉ dừng ở mức “câu hỏi thường gặp phổ thông”, hay phải xử lý “thông tin chỉ công ty mình mới có”.

Giờ làm việc, ngày nghỉ, nơi nộp các loại đơn từ là những thông tin có cấu trúc giống nhau ở mọi doanh nghiệp. Chỗ này dùng tính năng chuẩn của SaaS là đủ, không đáng để làm riêng. Ngược lại, quy trình kiểm tra theo từng kiểu máy thiết bị, quy định an toàn riêng của nhà máy tại Việt Nam, điều kiện giao hàng theo từng đối tác, là những thông tin không bao giờ có sẵn trong sản phẩm của người khác. Việc cắt tách theo nguyên tắc chỉ làm riêng đúng vùng cần tạo khác biệt chính là yếu tố ảnh hưởng lớn nhất tới hiệu quả chi phí.

Trục 3 – yêu cầu về bảo mật và nơi lưu trữ dữ liệu

Việc tài liệu nội bộ có được phép gửi lên đám mây bên ngoài hay không là điểm bộ phận IT phải xác nhận đầu tiên. Với các nhà máy Nhật Bản, có những trường hợp tài liệu chứa bản vẽ, giá thành, tên khách hàng bị chính sách của công ty mẹ hạn chế truyền ra ngoài lãnh thổ.

Khi vận hành tại Việt Nam thì phạm vi điều chỉnh của các quy định về bảo vệ dữ liệu cá nhân cũng liên quan. Nếu lịch sử câu hỏi của nhân viên có chứa họ tên hoặc mã số nhân viên, phần dữ liệu đó phải được đối xử như dữ liệu cá nhân, và nơi lưu, thời hạn lưu, thủ tục xóa đều phải được đưa vào thiết kế ngay từ đầu. Yêu cầu này càng ngặt thì SaaS đóng gói càng khó đáp ứng, và lựa chọn càng nghiêng về phương thức mà doanh nghiệp tự quyết được cấu hình.

Trục 4 – đội hình vận hành, tức ai sẽ tiếp tục nuôi lớn hệ thống

Chatbot không hoàn thành vào khoảnh khắc mở cho người dùng, đó mới là điểm xuất phát. Cần có người mỗi tuần xem danh sách các câu hỏi hệ thống không trả lời được, rồi quyết định bổ sung tài liệu hay thay đổi phạm vi trả lời.

Ở những nơi mở hệ thống mà không đặt vai trò này, chuyện người dùng rời bỏ chỉ sau khoảng 3 tháng không phải là hiếm. Lý do là khi trải nghiệm “hỏi mà không được trả lời” lặp lại hai lần, con người sẽ thôi không dùng nữa. Nếu không bố trí được người vận hành, thì việc thuê ngoài trọn gói cả phần vận hành rốt cuộc lại rẻ hơn.

Xu hướng chủ đạo năm 2026 là mô hình lai

Xếp bốn trục cạnh nhau, ta nhận ra ở phần lớn doanh nghiệp câu trả lời không rơi vào một trong hai lựa chọn. Trên thực tế, trong các dự án quy mô doanh nghiệp năm 2026, có ý kiến chỉ ra rằng mô hình lai chiếm khoảng 70%, tức mua SaaS cho phần trả lời định hình và chỉ xây riêng bằng nội lực hoặc thuê ngoài đúng những nghiệp vụ cần tạo khác biệt.

Đây không phải phương án dung hòa cho xong mà là một thiết kế hợp lý. Làm hết thì chi phí vọt lên, mua hết thì không tạo được khác biệt. Kẻ đường ranh giữa phần mua và phần làm ở đâu mới thực sự là quyết định của việc phát triển chatbot.

Mặt bằng chi phí phát triển chatbot – phương thức đổi thì số chữ số cũng đổi

Bây giờ nói tới chi phí. Vì dải giá khác nhau rất lớn giữa các phương thức, nên bản thân việc gom lại thành một câu “mặt bằng là bao nhiêu tiền” đã không có ý nghĩa.

Dải chi phí của kiểu AI no-code

Khi xây chatbot AI bằng công cụ no-code, mức chi phí ban đầu tham khảo như sau.

Thời gian phát triển của dải này là 1 đến 2 tháng, còn chi phí vận hành hằng tháng sau khi mở được cho là khoảng 10,000 đến 50,000 yen. Nếu đây là chatbot đầu tiên với mục tiêu giảm tải các câu hỏi nội bộ, thì trong phần lớn trường hợp dự án sẽ nằm gọn trong phạm vi này.

Dải chi phí của kiểu viết mới hoàn toàn

Ngược lại, khi phát triển mới hoàn toàn thì mức chi phí sẽ ở thang sau.

Thời gian phát triển là từ 2 tháng đến hơn 9 tháng, chi phí vận hành hằng tháng là 40,000 đến 200,000 yen. So với kiểu no-code, chi phí ban đầu chênh khoảng 14 đến 20 lần tùy dải, còn chi phí vận hành chênh đúng 4 lần. Việc có hay không một yêu cầu đủ sức biện minh cho khoảng chênh này là tiêu chí duy nhất để chọn viết mới hoàn toàn.

Kiểu AI tạo sinh và RAG, cùng chi phí nhân sự khi tự làm

Nhìn sang mặt bằng giá của thị trường nói tiếng Anh, chatbot AI tạo sinh cho quy mô doanh nghiệp được giới thiệu ở dải khoảng 30,000 đến 250,000 USD, còn RAG xây riêng ở dải khoảng 30,000 đến 150,000 USD. Quy ra yen thì đây là dải từ vài triệu đến vài chục triệu yen, chồng lên phần trên của kiểu viết mới hoàn toàn.

Thứ hay bị bỏ sót là chi phí nhân sự khi tự làm. Với trường hợp lập một đội chuyên trách để tự phát triển, có ước tính cho rằng riêng chi phí nhân sự đã là 400,000 đến 700,000 USD mỗi năm, và việc chuyển sang thuê ngoài mở ra dư địa cắt giảm chi phí khoảng 40% đến 60%. Tự làm không phải là không tốn tiền, mà là tiền chuyển sang một khoản mục kế toán khác mang tên chi phí nhân sự, và đây là điểm cần nắm trước khi đưa lên tờ trình.

Mốc tham khảo về thời gian hoàn vốn

Thời gian hoàn vốn cũng có mốc tham khảo. Cách sắp xếp phổ biến là với một dự án triển khai ở mức cơ bản thì hoàn vốn sau 6 đến 9 tháng, còn với dự án quy mô doanh nghiệp thì phải 18 đến 24 tháng.

Khoảng chênh này không chỉ đến từ quy mô mà còn từ cách hiệu quả bộc lộ. Việc tiếp nhận lớp đầu các câu hỏi thường gặp làm giảm số lượt hỏi ngay từ khi mở, trong khi cấu hình kết nối với hệ thống lõi không tạo ra hiệu quả nếu bản thân quy trình nghiệp vụ không thay đổi. Nếu đặt giả định hoàn vốn quá ngắn, sau nửa năm dự án sẽ bị đánh giá là “không thấy hiệu quả” và bị dừng trước khi kịp lớn.

Ngoài ra, riêng tại Nhật Bản có những trường hợp tận dụng được chương trình trợ cấp triển khai IT để cắt đi khoảng hai phần ba chi phí ban đầu trên thực tế, tức chỉ còn phải chịu chừng một phần ba. Khoản đầu tư cho cơ sở tại nước ngoài thông thường không thuộc diện được hỗ trợ, nhưng nếu đi theo trình tự triển khai trước ở công ty mẹ tại Nhật để tạo ra khuôn mẫu rồi mới nhân bản kết quả đó sang Việt Nam, thì vẫn còn dư địa tận dụng chế độ này.

Cách nhìn cơ cấu chi phí, và cách quy đổi từ con số hằng tháng sang chi phí cho mỗi lượt trả lời, được sắp xếp chi tiết trong bài Chi phí chatbot tính theo mỗi lượt trả lời thay vì theo tháng.

Những thứ phải chốt khi làm theo kiểu AI tạo sinh với RAG

Khi chọn kiểu AI tạo sinh, ngay ở cửa vào của khâu chọn công nghệ luôn xuất hiện một câu hỏi, là dùng RAG hay dùng tinh chỉnh mô hình.

Vì sao RAG trở thành dòng chính

Tính tới thời điểm năm 2026, khoảng 80% các trường hợp ứng dụng mô hình ngôn ngữ lớn ở quy mô doanh nghiệp được cho là theo phương thức RAG. Có ba lý do.

Thứ nhất, chỉ cần thay dữ liệu nguồn, không cần huấn luyện lại mô hình. Khi sổ tay hướng dẫn được sửa đổi, chỉ cần thay tệp đó là hôm sau hệ thống đã trả lời theo nội dung mới. Thứ hai, có thể gắn căn cứ của câu trả lời về đúng tài liệu gốc. Tại hiện trường sản xuất, việc truy được “vì sao lại trả lời như vậy” quan trọng ngang với việc câu trả lời đúng. Thứ ba, cấu trúc này giúp dễ đổi mô hình. Các mô hình AI tạo sinh thay thế hệ theo chu kỳ nửa năm, nên việc chọn một cấu hình không phụ thuộc vào mô hình cụ thể chính là thứ quyết định tuổi thọ của khoản đầu tư.

Phân biệt cách dùng với tinh chỉnh mô hình

Tinh chỉnh là cách cho chính mô hình học dữ liệu của doanh nghiệp, nên độ chính xác với cách diễn đạt và thuật ngữ chuyên ngành sẽ cao hơn. Mặt khác, chi phí phát triển được cho là cao hơn RAG khoảng 40% đến 80%, và mỗi lần dữ liệu được cập nhật thì phải huấn luyện lại từ đầu.

Trong vận hành thực tế, có nhiều báo cáo cho thấy các dự án hội tụ về cấu hình lai, tức lấy RAG làm nền rồi chỉ chồng thêm một lớp tinh chỉnh nhẹ cho vài phần như cách diễn giải thuật ngữ chuyên ngành. Nếu ngay từ đầu đã báo giá với giả định dùng tinh chỉnh, chi phí sẽ vượt dự toán và việc cập nhật sẽ đứng lại.

Bốn thứ cần chốt trước khi dựng cấu hình RAG

Lý do báo giá cho kiểu RAG dao động rất mạnh giữa các công ty là vì bốn điểm sau chưa được chốt mà đã đưa ra con số ước tính.

• Phạm vi tài liệu đích. Lấy thư mục nào, tới bản số mấy. Nếu lấy toàn bộ tài liệu công ty làm phạm vi, thì riêng việc sắp xếp phân loại mật đã mất vài tháng.
• Mức tiền xử lý tài liệu. Nếu có lẫn các tệp PDF quét hoặc sổ tay chỉ có ảnh, sẽ cần thêm khối lượng công riêng để chuyển thành văn bản. Tài liệu hiện trường trong ngành sản xuất thường nặng ở đúng chỗ này.
• Hành vi khi không tìm thấy căn cứ. Cho hệ thống tự tạo câu trả lời, hay chuyển tiếp cho người phụ trách. Không chốt điểm này thì sẽ xuất hiện những câu trả lời sai nhưng nghe rất thuyết phục.
• Người phụ trách cập nhật và tần suất. Ai thay tài liệu, theo chu kỳ nào. Một hệ RAG thiếu thiết kế vận hành sẽ lạc hậu sau nửa năm.

Cách tiến hành cụ thể và cách tính chi phí cho việc dựng RAG trên tài liệu kỹ thuật của nhà máy được xử lý trong bài Chi phí và cách triển khai RAG cho tri thức nhà máy.

Những điểm cần lưu ý khi phát triển chatbot tại Việt Nam và khu vực ASEAN

Có một vài điểm mà các bài viết dành cho thị trường nội địa Nhật Bản không đề cập, nhưng lại rất thật với các nhà máy trong khu vực.

Trình độ sử dụng AI của nhân viên bản địa đang thay đổi rất nhanh

Một ví dụ cụ thể đang diễn ra ngay trong khu vực. Chính phủ Thái Lan bắt đầu cho đăng ký trước từ ngày 19 tháng 8 năm 2026 và mở sử dụng từ ngày 31 tháng 8, triển khai chương trình cung cấp miễn phí trong 1 năm hơn 30 loại dịch vụ AI tạo sinh bao gồm ChatGPT và Gemini cho 5 triệu công dân từ 15 tuổi trở lên. Quy mô ngân sách khoảng 1.6 tỷ baht, tương đương khoảng 7.7 tỷ yen. Báo chí đưa tin số lượt đăng ký trước đã vượt 1 triệu người chỉ ít lâu sau khi mở cổng.

Mục tiêu chính phủ nêu ra là đào tạo nhân lực số và nâng năng suất lao động, đồng thời đưa tỷ lệ phổ cập AI từ mức hiện nay được cho là 10.7% lên trên 20% trong năm 2027.

Ý nghĩa của diễn biến này với công việc thực tế rất rõ ràng. Tiền đề đã đổi, giờ đây chatbot nội bộ được mở ra trong bối cảnh bản thân nhân viên bản địa đã quen với thao tác hỏi AI tạo sinh và nhận về câu trả lời. Rào cản lớn nhất của các doanh nghiệp Nhật Bản khi triển khai tại hiện trường trước đây là “không ai chịu dùng”, nay bản chất của vấn đề đó thay đổi, và thay vào đó xuất hiện một tiêu chuẩn mới là “nếu bất tiện hơn AI phổ thông dùng miễn phí thì sẽ không ai dùng”. Tại Việt Nam chưa có một chương trình quốc gia tương tự, nhưng hướng đi thì giống nhau, và một chatbot nội bộ vẫn sẽ bị nhân viên đem ra so với những công cụ AI phổ thông mà họ tự tìm đến. Đặt chuẩn chất lượng cho chatbot nội bộ theo cảm giác của vài năm trước là sẽ nhận định sai.

Nhìn nhận nguồn lực phát triển tại chỗ như thế nào

Trong khu vực có một số lượng nhất định các đơn vị đảm nhận việc phát triển chatbot. Lấy Thái Lan làm ví dụ, ở đó vừa có những công ty dữ liệu và AI vốn nước ngoài như Adastra với kinh nghiệm làm chatbot AI tạo sinh cho ngành sản xuất, vừa có những startup nội địa Thái Lan như ZWIZ.AI hỗ trợ tiếng Thái và tiếng Anh. Bức tranh tại Việt Nam cũng tương tự, nghĩa là không phải là không có lựa chọn.

Tuy nhiên với các nhà máy Nhật Bản, tiêu chí đánh giá không dừng ở năng lực kỹ thuật. Bên đó có nói chuyện được với cả phòng hệ thống thông tin của công ty mẹ tại Nhật lẫn pháp nhân địa phương hay không, có để lại được biên bản họp đặc tả yêu cầu bằng tiếng Nhật hay không, có đưa ra được những câu trả lời chịu nổi vòng thẩm định bảo mật phía Nhật hay không. Nếu không chốt trước khi ký hợp đồng rằng bên nào gánh phần cầu nối ngôn ngữ và tập quán kinh doanh, thì ngay ở giai đoạn đặc tả yêu cầu khối lượng công đã gấp đôi dự kiến. Tiêu chí chọn công ty phát triển cùng cách đọc hợp đồng và báo giá được sắp xếp trong bài Cách chọn công ty phát triển AI.

Đa ngôn ngữ không phải bài toán dịch thuật mà là bài toán thống nhất thuật ngữ

Chatbot của một nhà máy tại Việt Nam thường phải tính tới ba ngôn ngữ là tiếng Việt, tiếng Nhật và tiếng Anh. Vấn đề phát sinh ở đây không phải độ chính xác của bản dịch, mà là cùng một thiết bị hoặc một công đoạn lại có ba cách gọi khác nhau ngay tại hiện trường.

Chẳng hạn cùng một công đoạn, chuyên gia Nhật gọi bằng từ viết tắt tiếng Nhật, tổ trưởng người Việt gọi bằng tiếng Việt, còn mã trên hệ thống lại là chuỗi ký tự Latin. Đó là tình huống hoàn toàn bình thường. Vì RAG tìm kiếm theo đúng từ ngữ nằm trong tài liệu, nên độ vênh này biến thành lỗi bỏ sót kết quả tìm kiếm. Giải pháp không phải là chọn một mô hình mạnh hơn, mà là lập một từ điển đồng nghĩa rồi đăng ký vào hệ thống. Công việc này không thuê ngoài được, chỉ người hiểu hiện trường mới làm nổi và mất vài ngày. Nếu nó không nằm trong báo giá, thì sau khi mở hệ thống phần lớn nguyên nhân của việc “không trả lời được” sẽ nằm ở đây.

Nơi lưu dữ liệu và chính sách của công ty mẹ

Việc xử lý AI tạo sinh diễn ra ở vùng máy chủ nào cần khớp với chính sách an toàn thông tin của công ty mẹ. Xử lý tại trung tâm dữ liệu ở Nhật Bản, hay xử lý trong khu vực ASEAN bao gồm Singapore, lựa chọn này làm thay đổi cả tốc độ phản hồi lẫn chi phí. Nếu để việc xác nhận này lại sau, dự án sẽ chỉ vướng ở vòng thẩm định của công ty mẹ khi đã phát triển xong, và phải dựng lại cấu hình từ đầu. Cách chắc chắn là lấy được sự đồng thuận về vùng xử lý với phòng hệ thống thông tin của công ty mẹ trước khi khởi động.

Cần sắp xếp những gì trước khi đặt hàng phát triển

Độ chính xác của báo giá được quyết bởi việc bên đặt hàng đã sắp xếp tới đâu trước khi ngồi vào bàn trao đổi. Dưới đây là những mục cần chốt trước, chung cho cả trường hợp thuê ngoài lẫn tự làm.

Kiểm kê các câu hỏi dự kiến từ dữ liệu thật

Trước hết hãy gom lại toàn bộ hồ sơ câu hỏi trong nửa năm gần nhất. Có thể là phiếu yêu cầu của bộ phận hỗ trợ, thư điện tử gửi phòng hành chính, hoặc thậm chí là ghi chú các câu hỏi mà tổ trưởng hiện trường nhận được. Từ đó hãy xếp theo tần suất giảm dần và tính ra 30 mục đứng đầu chiếm bao nhiêu phần trăm tổng số.

Trên thực tế có nhiều trường hợp cho thấy 30 mục đứng đầu chiếm một tỷ trọng đáng kể trong toàn bộ lượt hỏi. Khi biết tỷ lệ này, phạm vi cho vòng đầu tiên sẽ tự nhiên được xác định. Không cần làm một con bot trả lời được mọi thứ, một con bot trả lời chắc chắn được 30 mục đứng đầu mới là thứ có lợi ích thực tế. Trình tự cụ thể để kiểm kê các câu hỏi nội bộ cũng được đề cập trong bài Tự động hóa tiếp nhận câu hỏi nội bộ.

Chốt trước phạm vi không cho phép trả lời

Thứ gây rắc rối trong các dự án phát triển chatbot không phải là những câu hỏi hệ thống không trả lời được, mà là những trường hợp hệ thống đã trả lời một câu đáng lẽ không được phép trả lời.

Lương, đánh giá nhân sự, tranh chấp lao động, các quyết định thao tác gắn trực tiếp với an toàn, diễn giải điều khoản hợp đồng. Đây là những vùng không có gì bảo đảm sẽ trả về đáp án đúng, mà thiệt hại khi trả lời sai lại lớn. Hãy thiết kế theo hướng xác định trước là nằm ngoài phạm vi và chuyển tiếp cho người phụ trách. Ghi rõ ranh giới này vào tài liệu đặc tả yêu cầu thì nó dùng luôn được làm tiêu chí nghiệm thu.

Đặt tiêu chí nghiệm thu bằng con số

Viết “phải có độ chính xác cao” thì không nghiệm thu được. Trong thực tế người ta đặt theo dạng sau.

Bộ 100 câu kiểm thử này phải do bên đặt hàng tự soạn. Nếu để nhà cung cấp soạn, thì trong đó chỉ toàn những câu mà hệ thống trả lời được.

Chốt đội hình vận hành và chu kỳ cải tiến

Hãy quyết ai làm việc vận hành sau khi mở, với tần suất nào. Thứ tối thiểu cần có là một người phụ trách mỗi tuần một lần xem nhật ký các câu hỏi không trả lời được, rồi quyết định nên bổ sung tài liệu hay nên đổi phạm vi đích. Khối lượng công chỉ khoảng 1 đến 2 giờ mỗi tuần, nhưng việc có bảo đảm được khoảng thời gian đó hay không sẽ tạo ra khác biệt hoàn toàn về tỷ lệ sử dụng sau nửa năm.

Câu hỏi thường gặp

Phát triển chatbot cụ thể là chỉ những việc gì

Từ việc cấu hình một dịch vụ SaaS, lắp ghép bằng công cụ no-code, phát triển hệ thống mới hoàn toàn, cho tới việc dựng hệ thống bằng AI tạo sinh và RAG, cả bốn loại công việc này đều đang được gọi bằng cùng một cụm từ. Vì chi phí trải từ vài chục nghìn yen đến hơn 11 triệu yen, nên khi thảo luận trong nội bộ hãy xác nhận trước là “đang nói về phương thức nào”.

Chi phí phát triển chatbot hết bao nhiêu

Nếu là kiểu AI no-code thì mốc tham khảo là ban đầu 50,000 đến hơn 800,000 yen và hằng tháng 10,000 đến 50,000 yen. Kiểu viết mới hoàn toàn nằm ở dải ban đầu 1 triệu đến hơn 11 triệu yen và hằng tháng 40,000 đến 200,000 yen. Kiểu AI tạo sinh và RAG nằm ở khoảng giữa trở lên, và biến động mạnh theo khối lượng tài liệu đích cùng độ nặng của khâu tiền xử lý.

Nên tự phát triển hay thuê ngoài

Hãy quyết định không phải dựa vào việc trong công ty có kỹ sư AI hay không, mà theo việc có người đứng ra thu thập và chỉnh trang tài liệu nội bộ rồi tiếp tục cập nhật sau khi mở hay không. Nếu bố trí được người này thì tự làm hoặc thuê ngoài một phần, nếu không bố trí được thì thuê ngoài trọn gói, bao gồm cả việc chỉnh trang tài liệu và vận hành, mới là phương án thực tế. Tính tới năm 2026, mô hình lai mua phần định hình và chỉ làm riêng phần tạo khác biệt chiếm khoảng 70%.

Chọn kiểu AI tạo sinh thì không cần huấn luyện vẫn trả lời được câu hỏi nội bộ chứ

Nếu theo phương thức RAG thì đúng là hệ thống tham chiếu tài liệu nội bộ để trả lời mà không cần huấn luyện lại mô hình. Tuy nhiên khi tài liệu đã cũ, khi bản quét vẫn ở dạng ảnh chưa chuyển thành văn bản, hoặc khi cùng một thiết bị có nhiều cách gọi tại hiện trường, thì việc tìm kiếm sẽ không chạy đúng. Thứ quyết định chất lượng câu trả lời không phải hiệu năng của mô hình mà là tình trạng của tài liệu được đưa cho nó tham chiếu.

Nên dự trù thời gian phát triển khoảng bao lâu

Mốc tham khảo là 1 đến 2 tháng với kiểu AI no-code, và từ 2 tháng đến hơn 9 tháng với kiểu viết mới hoàn toàn. Cộng thêm vào đó là thời gian làm việc của chính bên đặt hàng, gồm thu thập và sắp xếp tài liệu nội bộ, kiểm kê câu hỏi dự kiến, soạn bộ kiểm thử. Việc có tiến hành song song được phần chuẩn bị này hay không sẽ quyết định tốc độ khởi động trên thực tế.

Tổng kết

Xin sắp xếp lại các điểm chính của bài viết.

• Phát triển chatbot chia thành bốn phương thức là kiểu SaaS, kiểu AI no-code, kiểu viết mới hoàn toàn và kiểu AI tạo sinh với RAG. Quyết được chủ thể đứng ra làm thì dải chi phí cũng gần như được quyết theo.
• Quyết định tự làm hay thuê ngoài không dựa vào việc có kỹ sư AI hay không, mà theo bốn trục là sự tồn tại thực tế của người thu thập và cập nhật tài liệu nội bộ, độ sâu của yêu cầu tạo khác biệt, yêu cầu bảo mật, và đội hình vận hành.
• Trong các dự án quy mô doanh nghiệp năm 2026, mô hình lai mua phần định hình bằng SaaS và chỉ xây riêng phần tạo khác biệt chiếm khoảng 70%.
• Chi phí với kiểu AI no-code là ban đầu 50,000 đến hơn 800,000 yen và hằng tháng 10,000 đến 50,000 yen. Với kiểu viết mới hoàn toàn là ban đầu 1 triệu đến hơn 11 triệu yen và hằng tháng 40,000 đến 200,000 yen.
• Chi phí nhân sự cho một đội chuyên trách khi tự làm được ước tính 400,000 đến 700,000 USD mỗi năm, và việc thuê ngoài để lại dư địa cắt giảm 40% đến 60%. Tự làm không làm chi phí biến mất, nó chỉ đổi khoản mục kế toán.
• Mốc hoàn vốn là 6 đến 9 tháng với dự án triển khai cơ bản, và 18 đến 24 tháng với quy mô doanh nghiệp.
• Với kiểu AI tạo sinh thì RAG là dòng chính, chiếm khoảng 80% tổng thể, còn tinh chỉnh có chi phí phát triển cao hơn RAG khoảng 40% đến 80%. Trong vận hành thực tế nhiều dự án hội tụ về mô hình lai lấy RAG làm trung tâm.
• Tại Thái Lan, chương trình của chính phủ mở đăng ký trước từ ngày 19 tháng 8 năm 2026 và bắt đầu từ ngày 31 tháng 8, cung cấp miễn phí trong 1 năm hơn 30 loại dịch vụ AI tạo sinh cho 5 triệu công dân từ 15 tuổi trở lên. Mặt bằng hiểu biết AI của nhân viên bản địa trong khu vực đang được nâng lên rất nhanh, nên chuẩn chất lượng của chatbot nội bộ cũng phải nâng theo.
• Bốn thứ cần sắp xếp trước khi đặt hàng là 30 câu hỏi dự kiến đứng đầu, phạm vi không cho phép trả lời, tiêu chí nghiệm thu đã quy ra con số, và người phụ trách vận hành sau khi mở.

Phần lớn doanh nghiệp vấp ngã khi phát triển chatbot không phải vì chọn sai công nghệ, mà vì bắt đầu đi lấy báo giá khi chưa quyết được chủ thể đứng ra làm và đội hình vận hành. Việc chọn phương thức sẽ tự động được thu hẹp một khi hai thứ đó đã rõ.

Ngay cả khi bạn mới đang ở giai đoạn muốn xác định công ty mình thuộc phương thức nào, nên mua tới đâu và nên tự làm từ đâu, cũng hoàn toàn có thể trao đổi. TOMAS TECH đặt trụ sở tại Bangkok, Thái Lan, hỗ trợ tại chỗ cho các nhà máy Nhật Bản từ khâu đặc tả yêu cầu, xây dựng, cho tới thiết kế vận hành sau khi mở, với các hệ thống tự động hóa tiếp nhận câu hỏi nội bộ và hệ thống AI tạo sinh theo kiểu RAG. Chúng tôi nhận cả những trao đổi chỉ xoay quanh việc kiểm kê câu hỏi dự kiến hay cách tiến hành dự án, nên nếu bạn đang trong giai đoạn cân nhắc, xin cứ thoải mái liên hệ qua trang liên hệ.

Thông tin tham khảo

• Mặt bằng chi phí phát triển chatbot AI – Walker’s dải chi phí ban đầu, thời gian phát triển và chi phí vận hành hằng tháng của kiểu AI no-code và kiểu viết mới hoàn toàn
• AI Chatbot Development Cost – Deliverable dải chi phí của kiểu AI tạo sinh quy mô doanh nghiệp và mốc thời gian hoàn vốn
• AI Chatbot Development, Build vs Buy vs Customize – TekRevol ước tính chi phí nhân sự hằng năm của đội nội bộ, tỷ lệ cắt giảm chi phí nhờ thuê ngoài, tỷ lệ áp dụng mô hình lai
• RAG vs Fine-Tuning 2026 Decision Framework – Winder.AI tỷ lệ áp dụng RAG, chênh lệch chi phí phát triển so với tinh chỉnh, cách phân biệt khi sử dụng
• Chatbot cost guide 2026 – Digital Reclame cách nén chi phí ban đầu bằng chương trình trợ cấp triển khai IT tại Nhật Bản
• Chính phủ Thái Lan cung cấp miễn phí dịch vụ AI tạo sinh cho người dân trong 1 năm – Nikkei mở đăng ký trước ngày 19 tháng 8 năm 2026 và bắt đầu sử dụng ngày 31 tháng 8, hơn 30 loại dịch vụ, ngân sách khoảng 1.6 tỷ baht, mục tiêu tỷ lệ phổ cập AI
• Chatbot development companies in Thailand – ensun danh sách các đơn vị làm dịch vụ phát triển chatbot tại Thái Lan
• Top Chatbot Developers in Thailand – Clutch thông tin về các công ty phát triển đặt tại Thái Lan và ngôn ngữ hỗ trợ