Mấy năm gần đây, trong các cuộc họp với khách hàng ở Mỹ, tôi thấy một câu hỏi lặp đi lặp lại như một điệp khúc: "AI nói gì?" Người ta hỏi câu ấy với vẻ tin tưởng gần như tuyệt đối, cứ như thể thuật toán là một nhà tiên tri không bao giờ sai. Nhưng càng đào sâu vào cách các mô hình dự đoán hiệu suất quảng cáo vận hành, tôi càng nhận ra một sự thật khó chịu: chính công cụ mà chúng ta dùng để "nhìn" khách hàng đang dần biến thành một tấm gương phản chiếu lại những thiên kiến của chúng ta.
Đây không phải chuyện lý thuyết. Trong kinh tế học và khoa học dữ liệu, người ta gọi hiện tượng này là Định luật Goodhart - một khi thước đo trở thành mục tiêu, nó không còn là thước đo tốt nữa. Và tin tôi đi, định luật đó đang âm thầm vận hành trong từng chiến dịch quảng cáo lớn nhỏ trên khắp nước Mỹ, từ những thương hiệu bán lẻ trị giá hàng tỷ đô cho đến các cửa hàng nhỏ lẻ đang chạy Performance Max.
Vòng lặp phản hồi khép kín: Khi AI không chỉ đo mà còn tạo ra thực tại
Trước khi chỉ trích bất cứ điều gì, hãy nhìn vào cách các mô hình AI dự đoán quảng cáo thực sự hoạt động. Những nền tảng như Google Ads Performance Max, Meta Advantage+, hay các công cụ bên thứ ba như Skai, Marin Software, Vizion - tất cả đều được huấn luyện trên dữ liệu lịch sử về hành vi người dùng, tín hiệu đấu giá thời gian thực và kết quả chuyển đổi. Sau đó, chúng tạo ra các dự đoán về hiệu suất tương lai. Nghe có vẻ hợp lý, đúng không?
Nhưng vấn đề nằm ở chỗ này: những dự đoán ấy ngay lập tức được đưa trở lại vào hệ thống quảng cáo. Chúng được dùng để tự động điều chỉnh giá thầu, phân bổ ngân sách, chọn biến thể quảng cáo nào sẽ được ưu tiên hiển thị. Nghĩa là chúng ta đang vận hành một vòng lặp phản hồi khép kín, đại loại như sau:
- Dữ liệu hành vi người dùng được thu thập.
- Mô hình AI học từ dữ liệu đó.
- AI dự đoán hiệu suất cho từng phân khúc, từng mẫu quảng cáo.
- Hệ thống tự động điều chỉnh bidding, ngân sách và phân phối dựa trên dự đoán.
- Hành vi người dùng thay đổi vì họ tiếp xúc với những quảng cáo khác.
- Dữ liệu mới lại được thu thập, và vòng lặp tiếp tục.
Khi vòng lặp quay càng nhanh - và với AI, nó quay gần như theo thời gian thực - thì ranh giới giữa "dự đoán" và "định hình" trở nên mờ nhạt một cách nguy hiểm. AI không còn đơn thuần phản ánh thực tại; nó đang tích cực tạo ra một thực tại mới, nơi những gì nó tin là đúng sẽ có nhiều khả năng trở thành đúng.
Ba cơ chế khiến AI prediction tự bóp méo thực tại
Trong gần một thập kỷ làm việc với các thương hiệu tại thị trường Mỹ, tôi quan sát thấy ba cơ chế chính khiến các mô hình dự đoán quảng cáo tự làm sai lệch môi trường mà chúng đang cố gắng đo lường. Chúng không tách rời nhau, mà thường đan xen, khuếch đại lẫn nhau.
1. Sự đồng nhất hóa sáng tạo
Chuyện xảy ra thế này: khi AI dự đoán rằng một loại quảng cáo nhất định - ví dụ, video có khuôn mặt người xuất hiện trong ba giây đầu, màu sắc tương phản cao, nút CTA kiểu "Shop Now" - sẽ có CTR tốt hơn, các nền tảng sẽ tự động ưu tiên phân phối những mẫu đó. Kết quả là người dùng Mỹ ngày càng thấy những quảng cáo giống hệt nhau về mặt cấu trúc, chỉ khác nhau ở màu sắc thương hiệu và logo.
Sự khác biệt sáng tạo - thứ từng là vũ khí cạnh tranh cốt lõi của các agency hàng đầu - đang bị xói mòn từ bên trong bởi chính các thuật toán mà họ tin tưởng. Hệ quả sâu xa hơn: khi mọi quảng cáo đều na ná nhau, người dùng phát triển "mù quảng cáo" nhanh hơn bao giờ hết. CTR tổng thể giảm. Mô hình AI nhìn thấy dữ liệu này, kết luận rằng cần phải tối ưu mạnh hơn theo cùng một hướng - và chúng ta rơi vào một vòng xoáy đi xuống không có điểm dừng. Tôi từng chứng kiến một thương hiệu thời trang lớn ở Mỹ mất gần 30% hiệu quả chiến dịch trong vòng sáu tháng chỉ vì họ để AI tự do "học" và "tối ưu" mà không có bất kỳ cơ chế giám sát sáng tạo nào.
2. Tối ưu hóa cho bot thay vì cho người thật
Đây là chiều kích ít được bàn luận nhưng lại cực kỳ quan trọng. Khi AI dự đoán hiệu suất dựa trên tín hiệu tương tác - bao gồm cả tương tác từ bot, click farm và các hệ thống tự động - nó sẽ dần dần tối ưu cho những tín hiệu đó. Nghiên cứu từ Pixalate và CHEQ trong giai đoạn 2023-2024 cho thấy gian lận quảng cáo tại Mỹ vẫn chiếm khoảng 15-20% tổng chi tiêu quảng cáo số. Nhưng điều tệ hơn là: các mô hình AI prediction gần như không thể phân biệt người thật và bot trong thời gian thực. Khi chúng thấy một phân khúc "người dùng" có tỷ lệ click cao bất thường, chúng sẽ đổ thêm ngân sách vào đó - vô tình tài trợ cho một hệ sinh thái giả mạo.
Tôi đã thấy nhiều báo cáo ROAS tăng 40-50% so với mức nền, nhưng khi kiểm toán bởi bên thứ ba, phần lớn chuyển đổi đến từ lưu lượng truy cập không hợp lệ. Sự chênh lệch này không chỉ là vấn đề tiền bạc; nó còn là sự xói mòn niềm tin vào chính nền tảng dữ liệu mà chúng ta đang xây dựng. Và nguy hiểm hơn, nó khiến các quyết định chiến lược dựa trên dữ liệu sai lệch, kéo theo hàng loạt hệ quả dây chuyền.
3. Lời tiên tri tự ứng nghiệm
Cơ chế thứ ba có lẽ là tinh vi và nguy hiểm nhất. Khi một mô hình dự đoán rằng phân khúc A - chẳng hạn nam giới 25-34 tuổi ở California - sẽ có tỷ lệ chuyển đổi cao hơn, hệ thống sẽ tự động tăng giá thầu cho phân khúc đó. Kết quả: phân khúc A nhận được nhiều lưu lượng hơn, nhiều hiển thị hơn, và tất nhiên là nhiều chuyển đổi hơn. Nhưng câu hỏi thực sự là: phân khúc A có thực sự tốt hơn, hay chỉ là nó nhận được nhiều cơ hội hơn theo thiên kiến của mô hình?
Đây chính là Định luật Goodhart hoạt động một cách kín đáo nhất. Mô hình không còn là công cụ đo lường - nó đã trở thành kiến trúc sư của một thực tại mà chỉ nó nhìn thấy. Khi bạn chạy một mô hình như vậy trong nhiều tháng, dữ liệu lịch sử sẽ ngày càng bị bóp méo, và mô hình sẽ ngày càng tự tin vào những dự đoán sai lệch. Đó là một cái bẫy hoàn hảo, bởi vì mọi con số trên dashboard đều trông rất hợp lý, rất "khoa học".
Hệ quả chiến lược: Khi cả tổ chức bị mắc kẹt
Ba cơ chế trên không chỉ là vấn đề kỹ thuật. Chúng lan ra toàn bộ tổ chức marketing, tạo ra những hệ quả chiến lược sâu rộng mà ít ai để ý.
Tê liệt khả năng phán đoán của lãnh đạo
Các CMO và VP Marketing ngày càng ít đưa ra quyết định dựa trên trực giác và tầm nhìn dài hạn. Thay vào đó, họ hỏi "AI nói gì?" như thể đó là lời phán quyết cuối cùng. Kết quả là toàn bộ tổ chức vận hành dưới một lớp vỏ "dự đoán" mà không ai thực sự hiểu cơ chế phía sau. Khi mô hình sai - và nó chắc chắn sẽ sai ở một thời điểm nào đó, như khi hành vi người dùng thay đổi đột ngột vì đại dịch hay thay đổi thuật toán lớn từ Google - thì tổ chức không còn khả năng phản ứng, bởi vì họ đã đánh mất cơ bắp phán đoán của mình.
Khoảng cách giữa người chơi lớn và kẻ thách thức
Các mô hình AI prediction cần lượng dữ liệu khổng lồ để hoạt động chính xác. Amazon, Walmart, Procter & Gamble có hàng tỷ điểm dữ liệu. Doanh nghiệp nhỏ và vừa chỉ có vài nghìn. Hệ quả là mô hình của người chơi lớn ngày càng chính xác, trong khi mô hình của kẻ thách thức ngày càng sai lệch vì thiếu dữ liệu. Nhưng nghịch lý ở đây là: nếu mô hình của kẻ thách thức sai, và họ phụ thuộc vào nó, họ sẽ phân bổ ngân sách sai lầm - và khoảng cách với người chơi lớn càng rộng ra. Đây là một dạng "bất bình đẳng dự đoán" mà tôi tin sẽ trở thành rào cản gia nhập lớn hơn cả chi phí truyền thông trong thập kỷ tới.
Ảo tưởng về tính khách quan của dữ liệu
Có một niềm tin ngầm rằng "dữ liệu không nói dối". Nhưng thực tế phức tạp hơn nhiều. Dữ liệu được thu thập bởi các hệ thống do con người thiết kế, với các giả định do con người đặt ra, và được diễn giải bởi các mô hình do con người lập trình. Khi chạy AI prediction, chúng ta không nhận được "sự thật" về hành vi người dùng - chúng ta chỉ nhận được một phiên bản của sự thật đã lọc qua nhiều tầng thiên kiến: thiên kiến dữ liệu, thiên kiến thuật toán và thiên kiến diễn giải. Sự nguy hiểm của AI prediction hiện đại là nó khoác lên mình một lớp vỏ "toán học" bọc bên ngoài những thiên kiến này, khiến chúng gần như bất khả xâm phạm trước sự chất vấn.
Chuyển từ "Prediction-First" sang "Experimentation-First"
Vậy giải pháp là gì? Tôi không đề xuất loại bỏ AI prediction - điều đó vừa bất khả thi vừa không cần thiết. Nhưng tôi đề xuất một sự chuyển dịch căn bản trong tư duy: từ việc coi AI như một nhà tiên tri sang coi nó như một người thiết kế thử nghiệm thông minh.
1. Đặt AI prediction ở vị trí phụ trợ, không phải trung tâm
Thay vì hỏi "AI dự đoán điều gì?", hãy hỏi "AI có thể giúp chúng ta thiết kế một thử nghiệm tốt hơn không?" Thay vì để AI quyết định ngân sách phân bổ cho phân khúc nào, hãy dùng AI để xác định những phân khúc nào chúng ta nên thử nghiệm - tức là nơi mà sự không chắc chắn cao nhất và thông tin thu được từ một thử nghiệm có giá trị nhất.
Ví dụ cụ thể: thay vì yêu cầu AI dự đoán mẫu quảng cáo nào sẽ có CTR cao nhất, hãy yêu cầu AI đề xuất một tập hợp các biến thể sáng tạo đa dạng về cấu trúc, sau đó chạy thử nghiệm A/B có kiểm soát với ngân sách nhỏ trước khi mở rộng. AI nên là người thiết kế thí nghiệm, không phải người đưa ra phán quyết cuối cùng.
2. Duy trì "holdout budget" cho sự tình cờ
Một thực hành tôi thấy hiệu quả tại các thương hiệu tiên tiến như Amazon, Netflix hay Airbnb là duy trì một phần ngân sách - thường là 10-15% - dành riêng cho các chiến dịch mà AI prediction không khuyến nghị. Đây là một dạng bảo hiểm chống lại Định luật Goodhart. Nếu AI nói mẫu A sẽ vượt trội mẫu B, hãy vẫn dành một phần nhỏ cho mẫu B - không chỉ để kiểm tra, mà để phá vỡ vòng lặp phản hồi của thuật toán.
Tôi từng chứng kiến một thương hiệu bán lẻ ở Mỹ duy trì 12% ngân sách cho các quảng cáo "phản trực giác". Một trong những chiến dịch đó, mặc dù AI dự đoán chỉ đạt CTR trung bình, đã trở thành chiến dịch có ROAS cao nhất quý vì nó chạm đúng tâm lý khách hàng vào thời điểm mà dữ liệu lịch sử không thể nắm bắt. Đôi khi những chiến thắng lớn nhất lại đến từ những nơi mà mô hình cho là không đáng thử.
3. Xây dựng "Prediction Literacy" trong tổ chức
Cuối cùng, và có lẽ quan trọng nhất, là đầu tư vào việc giáo dục đội ngũ về cách thức AI prediction hoạt động, giới hạn của nó, và những gì nó không thể đo lường. Một lãnh đạo marketing giỏi trong kỷ nguyên AI không phải là người biết đọc dashboard tốt nhất. Họ là người biết đặt những câu hỏi đúng:
- Mô hình này có thể sai trong trường hợp nào?
- Dữ liệu đầu vào có thiên kiến gì?
- Có yếu tố nào nằm ngoài phạm vi của mô hình mà chúng ta đang bỏ qua?
Ba câu hỏi này nên được đưa vào mọi cuộc họp đánh giá hiệu suất. Khi cả đội ngũ có thể chất vấn mô hình một cách lành mạnh, tổ chức sẽ không còn rơi vào bẫy phụ thuộc mù quáng.
Kết luận: AI prediction là gương chiếu, không phải cửa sổ
Tôi thường dùng một ẩn dụ khi tư vấn cho khách hàng ở Mỹ: AI prediction giống như một tấm gương, không phải một cửa sổ. Một cửa sổ cho phép bạn nhìn ra thế giới bên ngoài - thế giới của khách hàng thực, với những hành vi phức tạp, phi lý trí và không thể dự đoán. Nhưng một tấm gương chỉ phản chiếu lại chính bạn - chính những dữ liệu bạn đã đưa vào, những giả định bạn đã mã hóa, những thiên kiến bạn đã nhúng vào.
Vấn đề của ngành marketing Mỹ hiện nay không phải là thiếu dữ liệu, cũng không phải thiếu công nghệ. Vấn đề là chúng ta đang nhìn vào tấm gương và tin rằng mình đang nhìn qua cửa sổ. Vai trò của chuyên gia marketing trong kỷ nguyên AI prediction không phải là biến mất nhường chỗ cho thuật toán. Ngược lại, vai trò đó trở nên quan trọng hơn bao giờ hết: canh gác cho sự đa dạng, cho những câu hỏi chưa được hỏi, và cho khả năng rằng mô hình của chúng ta có thể sai.
Trong một thế giới nơi mọi thương hiệu đều chạy theo cùng một loại dự đoán, lợi thế cạnh tranh thực sự thuộc về những người biết khi nào nên tin vào thuật toán - và quan trọng hơn, khi nào nên nghi ngờ nó.