Tóm tắt nhanh (Answer-First):
- Bài toán: Đội sales 5 người tại OpenRouter bị ngập trong 600 giờ hành chính mỗi tháng vì nghiên cứu khách hàng, ghi chép biên bản và nhập liệu CRM thủ công.
- Giải pháp: Xây dựng AI sales agent nội bộ (Rasp) tích hợp thẳng vào Slack, tự động hóa 93% phản hồi inbound lead đầu tiên dưới 60 giây và tối ưu model routing.
- Kết quả: Tiết kiệm 59 phút/cuộc gọi demo, rút ngắn chu kỳ chốt hợp đồng từ 71 ngày xuống 47 ngày (giảm 34%), giảm chi phí vận hành AI từ 00/ngày xuống 0/ngày.
| Hạng mục vận hành | Trước khi có AI Agent (Thủ công) | Sau khi triển khai Rasp (AI Agent) | Mức độ cải thiện |
|---|---|---|---|
| Thời gian chuẩn bị & ghi chú demo | 103 phút / cuộc gọi | 44 phút / cuộc gọi | Tiết kiệm 59 phút (giảm 57%) |
| Phản hồi inbound lead bước đầu | Nhiều giờ / bỏ quên lead nhỏ | Dưới 60 giây (tự động hóa 93%) | Tốc độ tức thì, giữ 7% cho người |
| Chu kỳ chốt hợp đồng B2B | 71 ngày | 47 ngày | Rút ngắn 34% (nhanh hơn 24 ngày) |
| Chi phí suy luận & vận hành AI | ~00 / ngày (dùng model lớn) | ~0 / ngày (model routing linh hoạt) | Giảm chi phí hơn 26 lần |
| Môi trường thao tác của nhân sự | Rời rạc trên web dashboard/portal | 100% trong Slack quen thuộc | Không phát sinh ma sát công cụ |
Thực tế của việc bán hàng B2B thường không hào nhoáng như trên sách vở. Phần lớn thời gian của một nhân viên kinh doanh giỏi không dành cho việc đàm phán hay thuyết phục khách hàng, mà bị chôn vùi trong những công việc bàn giấy tẻ nhạt.
Trước mỗi buổi demo, họ phải mở LinkedIn và website công ty để tìm hiểu quy mô và công nghệ khách đang dùng. Họp xong, họ ngồi nghe lại ghi âm để chép biên bản. Sau đó là khâu mà hầu như người làm sales nào cũng ngán ngẩm: ngồi gõ thủ công từng dòng ghi chú vào CRM. Cứ mỗi khách hàng tiềm năng đi qua, nhân sự bán hàng lại mất từ một đến hai tiếng chỉ để dọn dẹp dữ liệu.
Đầu tháng 10/2026, OpenRouter chia sẻ một câu chuyện nội bộ rất đáng suy ngẫm. Đội ngũ bán hàng của họ chỉ có đúng 5 người. Khi lượng người dùng và doanh nghiệp đổ về nền tảng tăng vọt, 5 người này rơi vào tình trạng quá tải nghiêm trọng.
Họ không vội tuyển thêm người. Thay vào đó, họ dựng một AI agent nội bộ có tên là Rasp.
Sau vài tháng chạy thực tế, Rasp trả lại khoảng 600 giờ làm việc mỗi tháng cho cả đội, tương đương gần 28 giờ mỗi tuần cho từng nhân viên. Chu kỳ chốt hợp đồng rút ngắn 34%, từ 71 ngày xuống còn 47 ngày. Đáng chú ý nhất, chi phí vận hành con bot này giảm từ gần 800 USD/ngày ở các bản thử nghiệm trước xuống còn khoảng 30 USD/ngày.
Nhưng giá trị lớn nhất từ câu chuyện của OpenRouter không nằm ở những con số thành tích. Nó nằm ở cách họ tư duy về ranh giới của công nghệ, những sai lầm họ từng trả giá, và cách thiết kế một hệ thống AI thực sự phục vụ con người thay vì tạo thêm gánh nặng.
1. Con dao gọt thô chứ không phải người chốt đơn
Cái tên Rasp được đặt rất có chủ ý. Trong tiếng Anh, rasp là cái giũa thô dùng để bào bớt phần gỗ xù xì trước khi người thợ mộc bước vào khâu hoàn thiện.
OpenRouter định vị con bot này đúng như một chiếc giũa thô. Nó không thay thế nhân viên kinh doanh đi gặp khách hàng, cũng không tự ý hứa hẹn hay chốt hợp đồng. Việc của nó là dọn sạch các chướng ngại vật trên đường để người bán hàng có thể chạy nhanh nhất có thể.
Trước đây, mỗi cuộc gọi demo tiêu tốn trung bình 103 phút làm việc của một nhân viên: 30 phút nghiên cứu thông tin doanh nghiệp, 28 phút chạy demo và chuyển đổi bối cảnh, 15 phút tóm tắt nội dung sau cuộc gọi và 30 phút ngồi điền dữ liệu vào CRM.
Khi có Rasp, tổng thời gian cho một cuộc demo rút xuống còn 44 phút, tức là tiết kiệm được 59 phút cho mỗi khách hàng:
- Bản tóm tắt khách hàng được Rasp soạn sẵn trước giờ họp, nhân viên chỉ mất 5 phút đọc lướt.
- Biên bản sau cuộc gọi được Rasp tự động bóc tách từ file ghi âm, chỉ mất 2 phút kiểm tra lại.
- Dữ liệu CRM được bot điền sẵn các trường chuẩn, nhân viên chỉ mất 7 phút rà soát những điểm đặc thù.
Nhờ giải phóng được đống công việc hành chính này, mỗi nhân sự trong đội ngũ có thể nhận thêm 2 cuộc gọi mỗi ngày mà chất lượng chuẩn bị trước cuộc họp vẫn chu đáo như cũ.
2. Tốc độ trong 60 giây và con số 93%
Một điểm nghẽn phổ biến ở các công ty đang tăng trưởng là khâu xử lý email liên hệ ban đầu (inbound leads). Trước khi có Rasp, việc đọc email gửi về, tra cứu xem công ty đó làm gì rồi trả lời thư ngốn trọn vẹn thời gian của một nhân sự cứng.
Hệ quả tất yếu của việc quá tải là sự chọn lọc bất đắc dĩ: nhân viên chỉ kịp trả lời các khách hàng lớn có tên tuổi, còn các doanh nghiệp vừa và nhỏ thường phải chờ đợi nhiều ngày, hoặc bị bỏ quên hoàn toàn.
Rasp thay đổi điều này bằng cách tự động hóa 93% số email phản hồi đầu tiên. Khách vừa gửi yêu cầu trên website thì chưa đầy 60 giây sau đã nhận được thư trả lời chuẩn xác theo đúng bối cảnh của họ.
Tuy nhiên, con số quan trọng hơn lại nằm ở 7% còn lại. OpenRouter không cố gắng biến con bot thành một cỗ máy tự động 100%. Bất cứ trường hợp nào có dấu hiệu nhạy cảm, phức tạp hoặc không thuộc nhóm chuẩn, Rasp sẽ lập tức gắn cờ và đẩy về cho người thật xử lý.
Khách hàng mua sản phẩm B2B không bao giờ xây dựng niềm tin với một con bot. Họ chỉ tin con người. Rasp xử lý tốc độ để tạo ấn tượng ban đầu, nhưng con người mới là người xuất hiện để xây dựng mối quan hệ.
3. Những bài học xương máu: Bỏ dashboard, về lại Slack
Trước khi có Rasp, OpenRouter từng làm hai phiên bản trợ lý khác tên là Ace và Dove. Cả hai phiên bản này đều để lại những bài học đắt giá cho đội ngũ kỹ thuật.
Đưa công cụ đến nơi nhân viên đang ngồi
Sai lầm phổ biến nhất của các dự án công nghệ nội bộ là dựng lên một trang web quản trị thật lộng lẫy rồi yêu cầu nhân viên phải mở thêm một tab trình duyệt để làm việc. Kết quả thường thấy là sau vài tuần hào hứng, nhân viên sẽ lờ đi và quay lại thói quen cũ.
Đội ngũ OpenRouter sống trên Slack. Vì vậy, họ kéo toàn bộ giao diện của Rasp về Slack. Bản tóm tắt khách hàng xuất hiện trên Slack, bản nháp email hiện trên Slack, cảnh báo duyệt dữ liệu cũng nằm trên Slack. Nhân viên không phải rời khỏi môi trường làm việc quen thuộc của họ dù chỉ một giây.
Một luồng xử lý duy nhất cho mọi tác vụ
Thời kỳ đầu, cứ mỗi lần nghĩ ra một việc mới cho bot làm, kỹ sư lại viết một nhánh code riêng. Sau một thời gian, hệ thống trở nên rối rắm, chắp vá và cực kỳ khó bảo trì. Với Rasp, họ gom toàn bộ các công việc về một pipeline duy nhất, coi loại công việc là một tham số đầu vào. Bất kỳ tính năng mới nào đưa vào cũng phải có cờ bật tắt (feature flag) và mặc định tắt khi mới đưa lên để tránh làm hỏng luồng vận hành chính.
4. Kinh tế học AI: Từ 800 USD xuống 30 USD mỗi ngày
Nếu dùng AI mà chi phí vận hành cao hơn cả tiền thuê người làm thì dự án đó đã thất bại ngay từ ngày đầu tiên.
Hai con bot đầu tiên của OpenRouter từng đốt tới gần 800 USD mỗi ngày tiền suy luận mô hình và bảo trì. Lý do rất đơn giản: họ dùng các mô hình lớn đắt đỏ nhất cho mọi khâu, từ đọc email, tóm tắt đến điền bảng biểu.
Đến phiên bản Rasp, con số này rơi xuống chỉ còn 30 USD/ngày, trong đó chi phí gọi API chỉ khoảng 18 USD. Bí quyết nằm ở kỹ thuật định tuyến mô hình (model routing):
| Mô hình sử dụng | Chi phí Prompt (1M tokens) | Chi phí Completion (1M tokens) | Ước tính chi phí (~200 lượt/ngày) | Mức độ chênh lệch |
|---|---|---|---|---|
| GLM 5.2 (bản đang dùng) | $1.40 | $4.40 | ~$18.00 / ngày | Mốc tham chiếu |
| DeepSeek v4 Pro | $0.58 | $1.74 | ~$7.50 / ngày | Rẻ hơn 2.4 lần |
| GLM 5.3 Flash | $0.08 | $0.25 | ~$1.00 / ngày | Rẻ hơn 18 lần |
| DeepSeek v4 Flash | $0.04 | $0.10 | ~$0.50 / ngày | Rẻ hơn 37 lần |
Những việc đơn giản như đọc ghi âm để rút ra ba ý chính, hay phân loại xem email này là của khách mua hàng hay người hỏi hỗ trợ kỹ thuật, không cần đến một mô hình trí tuệ nhân tạo đắt tiền. Chuyển các việc đó sang những mô hình nhỏ và rẻ như DeepSeek Flash hay GLM Flash giúp chi phí xử lý tụt xuống mức vài cent cho hàng trăm lượt gọi mỗi ngày.
Chỉ giữ lại mô hình suy luận cao cấp cho những khâu thực sự cần đọc hiểu hồ sơ chuyên sâu. Đó là cách duy nhất để việc ứng dụng AI có lãi về mặt tài chính.
5. Doanh nghiệp SME nên bắt đầu từ đâu?
Nhìn vào thành công của OpenRouter, điều nguy hiểm nhất là cố gắng sao chép công cụ của họ về cài đặt vào doanh nghiệp mình khi quy trình bên dưới còn chưa thành hình.
Một AI agent không thể cập nhật dữ liệu nếu doanh nghiệp chưa có một cơ sở dữ liệu bán hàng rõ ràng. Nó cũng không thể gửi email trả lời nếu quy trình tiếp nhận khách hàng còn nhập nhằng giữa phòng kinh doanh và phòng chăm sóc khách hàng.
Kinh nghiệm triển khai thực tế của OXMODE cho thấy, việc đưa AI vào vận hành nên đi theo ba bước tuần tự:
- Chuẩn hóa dữ liệu nội bộ trước tiên: Xây dựng một nơi lưu trữ dữ liệu tập trung, rõ ràng về các trường thông tin cần quản lý, và doanh nghiệp phải làm chủ hoàn toàn dữ liệu này (như việc dùng các nền tảng tự lưu trữ NocoBase thay vì phụ thuộc vào các gói phần mềm đóng gói đắt đỏ).
- Nối các đường ống tự động: Dùng các công cụ kết nối quy trình như n8n để thông tin từ form website, email và kênh chat nội bộ tự chảy về một mối, không còn tình trạng copy-paste thủ công giữa các ứng dụng.
- Đưa AI vào đúng điểm nghẽn: Khi đường ống đã thông, lúc đó mới gắn trợ lý AI vào các khâu tốn nhiều thời gian nhất như tóm tắt ghi chú cuộc họp, tra cứu hồ sơ khách hàng hay chuẩn bị tài liệu trước giờ gặp.
Tự động hóa không phải là một nút bấm thần kỳ để biến doanh nghiệp hỗn loạn thành trật tự. Nó chỉ khuếch đại những gì doanh nghiệp đang có: nếu quy trình rõ ràng, AI sẽ giúp đội ngũ chạy nhanh gấp đôi; còn nếu quy trình lộn xộn, AI sẽ chỉ tạo ra sự hỗn loạn với tốc độ nhanh hơn mà thôi.
