Salesforce Agentforce đang gặp khó: Khi kỳ vọng về AI Agents vượt xa thực tế triển khai

Bài viết được dịch và tổng hợp từ tin tức gốc. Bạn có thể đọc bài viết gốc bằng tiếng Anh tại đây.

Điểm tin nhanh:

• Agentforce, nền tảng AI chủ lực của Salesforce, đang nhận phản hồi tiêu cực từ các CIO trong khảo sát mới nhất của KeyBanc Capital Markets.
• Hai rào cản chính được chỉ ra là dữ liệu khách hàng chưa sẵn sàng cho AI và sản phẩm hiện tại chưa đáp ứng được kỳ vọng thực tế.
• Bất chấp sự hoài nghi từ giới phân tích và đà giảm của cổ phiếu, Salesforce vẫn khẳng định đây là sản phẩm tăng trưởng nhanh nhất trong lịch sử công ty.

Trong kỷ nguyên mà mọi tập đoàn phần mềm đều cố gắng gắn mác "AI-first" cho sản phẩm của mình, Salesforce đã đặt cược toàn bộ tương lai vào Agentforce. Tuy nhiên, khi những lời hứa hẹn về một hệ thống CRM không cần giao diện (headless CRM) bắt đầu va chạm với thực tế khắc nghiệt tại các doanh nghiệp, sự hào hứng đang dần nhường chỗ cho những hoài nghi về tính khả thi. Liệu đây chỉ là sự khởi đầu khó khăn của một công nghệ mới, hay là dấu hiệu cho thấy khoảng cách giữa marketing AI và giá trị kỹ thuật thực tế đang ngày càng lớn?

Thực trạng triển khai Agentforce tại doanh nghiệp

Theo báo cáo từ KeyBanc Capital Markets, niềm tin của các CIO vào lộ trình AI của Salesforce đang lung lay. Jackson Ader, giám đốc nghiên cứu phần mềm tại KeyBanc, nhấn mạnh rằng vấn đề không nằm ở xu hướng thị trường chung mà nằm ở chính nội tại sản phẩm. Khách hàng đang gặp phải hai trở ngại kỹ thuật cốt lõi khi tích hợp AI agents vào hệ thống hiện có.

Rào cản từ dữ liệu và hạ tầng

Việc triển khai AI không chỉ dừng lại ở việc gọi API. Để một hệ thống AI có thể tự động hóa quy trình, dữ liệu đầu vào phải sạch và có cấu trúc. Nhiều doanh nghiệp hiện nay vẫn đang loay hoay với việc tối ưu hóa trích xuất dữ liệu từ PDF hoặc chuẩn hóa dữ liệu từ các nguồn rời rạc. Khi dữ liệu không được tổ chức tốt, các AI agents của Agentforce không thể thực hiện các tác vụ phức tạp một cách chính xác, dẫn đến sự thất vọng từ phía người dùng cuối.

So sánh phản hồi về mức độ sẵn sàng của AI

Dưới đây là bảng tổng hợp các thách thức mà doanh nghiệp đang đối mặt khi triển khai các giải pháp AI tương tự Agentforce:

Khi AI Agents trở thành bài toán quản trị

Việc tích hợp AI vào hệ thống không đơn giản như việc cài đặt một thư viện mới. Các kỹ sư cần cân nhắc kỹ lưỡng về tính tất định. Như đã phân tích trong bài viết về tại sao tính tất định là chìa khóa cho các hệ thống LLM đáng tin cậy, việc thiếu kiểm soát trong các tác vụ tự động hóa có thể dẫn đến những sai lầm hệ thống nghiêm trọng.

Lưu ý: Các doanh nghiệp đang có xu hướng deprioritize (giảm ưu tiên) ngân sách cho Salesforce trong 12 tháng tới nếu không thấy được ROI rõ ràng từ các tính năng AI mới.

Đánh giá & Lời khuyên Thực tiễn

Từ góc độ của một Senior Tech Lead, tôi cho rằng vấn đề của Agentforce phản ánh một thực tế chung của ngành công nghiệp AI hiện nay: Sự kỳ vọng về khả năng tự động hóa (agentic capabilities) đang đi trước khả năng thực thi của dữ liệu doanh nghiệp.

• Ưu điểm: Salesforce sở hữu hệ sinh thái dữ liệu CRM khổng lồ, tạo lợi thế lớn nếu dữ liệu được làm sạch đúng cách.
• Nhược điểm: Chi phí cao, mô hình định giá khó dự đoán và rào cản kỹ thuật khi tích hợp vào quy trình làm việc hiện hữu.
• Phạm vi ứng dụng tối ưu: Chỉ nên triển khai cho các quy trình có dữ liệu đã được chuẩn hóa cao và có quy trình kiểm soát (human-in-the-loop) chặt chẽ.

Mẹo hay: Trước khi đầu tư vào các nền tảng AI phức tạp như Agentforce, hãy tập trung vào việc xây dựng hạ tầng dữ liệu vững chắc. Bạn có thể tham khảo các giải pháp như 0xPdf để trích xuất dữ liệu nhằm chuẩn bị nguyên liệu đầu vào sạch cho các mô hình AI.

Câu hỏi thường gặp (FAQ)

Tại sao khách hàng lại phản hồi tiêu cực về Agentforce?

Khách hàng chủ yếu lo ngại về việc dữ liệu của họ chưa sẵn sàng cho AI và sản phẩm hiện tại chưa mang lại giá trị tương xứng với chi phí đầu tư.

Liệu Salesforce có đang đi sai hướng với AI Agents?

Không hẳn, nhưng họ đang đối mặt với áp lực phải chứng minh được hiệu quả thực tế thay vì chỉ dừng lại ở các bản demo kỹ thuật.

Các doanh nghiệp nên làm gì trước khi triển khai AI Agents?

Cần ưu tiên làm sạch dữ liệu, xây dựng các quy trình kiểm soát (guardrails) và đảm bảo tính tất định cho hệ thống trước khi mở rộng quy mô.

Kết luận

Câu chuyện của Agentforce là một bài học đắt giá cho bất kỳ đội ngũ kỹ thuật nào đang xây dựng hoặc tích hợp AI: công nghệ chỉ là công cụ, và giá trị thực sự nằm ở khả năng giải quyết bài toán dữ liệu của doanh nghiệp. Nếu bạn đang quan tâm đến việc xây dựng các hệ thống AI bền vững, hãy tiếp tục theo dõi hi_dev để cập nhật những kiến thức chuyên sâu về tự động hóa phân tích mã nguồn và các xu hướng công nghệ mới nhất.