Agency cần những công cụ AI nào? Ít hơn nhiều người nghĩ – nhưng được kết nối tốt hơn. Nút thắt hiếm khi là thiếu một công cụ; mà là thiếu tích hợp. Dữ liệu nằm ở năm hệ thống, mỗi nhóm có chatbot yêu thích riêng, và cuối cùng vẫn có người dán ảnh chụp màn hình vào một bản trình bày.
Trong khi đó, các tập đoàn agency lớn đang đặt cược vào sự kết nối hơn là sự đa dạng. Theo Digiday, Carat, agency media của Dentsu, đang phát triển một agent cho việc lập kế hoạch, mua và tối ưu hóa trong mùa upfront cùng NBCUniversal, FreeWheel và công ty AI Newton. Tinuiti đã ra mắt một máy chủ MCP cho giải pháp đo lường Bliss Point của mình, mở lớp đo lường của họ cho các AI agent và gom dữ liệu về đối tượng, sáng tạo, media và đo lường về một chỗ. Còn WPP Media nhấn mạnh rằng “quản trị và trách nhiệm giải trình của con người là trọng tâm của việc mua media theo hướng agentic”.
Vì sao nhiều công cụ AI hơn thường lại mang lại ít hơn?
Bởi mỗi công cụ mới tạo ra một ốc đảo mới. Công cụ social listening biết các cuộc hội thoại nhưng không biết dữ liệu media. Chatbot viết xuất sắc nhưng chẳng biết gì về khách hàng. Công cụ báo cáo có số liệu nhưng thiếu bối cảnh. Một con người phải tạo ra sự kết nối giữa tất cả – bằng copy-paste.
Rồi đến các chi phí ẩn. Giấy phép phần mềm chồng chéo. Đào tạo làm quen cho từng dashboard. Shadow AI: các tài khoản cá nhân mà qua đó dữ liệu khách hàng đi ra ngoài mà không ai phê duyệt. Và kiến thức phụ thuộc vào một người duy nhất biết prompt nào chạy tốt trên công cụ nào.
Với các agency ở Đức, nơi khách hàng soi rất kỹ vấn đề bảo vệ dữ liệu và chủ quyền dữ liệu, tình trạng tràn lan này không chỉ kém hiệu quả. Nó là một rủi ro sẽ bị phơi bày ngay trong bảng câu hỏi của buổi pitch tiếp theo.
Vì sao tổng thể lớn hơn tổng các công cụ
Lý thuyết hệ thống đưa ra một lời giải thích đơn giản: một hệ thống lớn hơn tổng các bộ phận của nó, vì hiệu suất của nó đến từ mối quan hệ giữa các bộ phận. Một dàn nhạc gồm toàn nghệ sĩ độc tấu xuất sắc mà không có chung một bản tổng phổ thì không nghe như một bản giao hưởng – mà nghe như đang lên dây đàn.
Áp dụng vào tech stack của agency, điều đó có nghĩa là chất lượng của từng công cụ AI riêng lẻ nói lên rất ít về hiệu suất của cả hệ thống. Điều quan trọng là dữ liệu, công cụ và con người có trò chuyện với nhau hay không. Chỉ công cụ thì không thể sáng tác nên kiệt tác; sự hòa âm chỉ sinh ra khi chúng cùng hòa một nhịp.
Vì thế vấn đề thường nằm không ở công nghệ mà ở kiến trúc. Người ta mua nhạc cụ mà quên mất bản nhạc.
MCP là gì – và vì sao nó quan trọng với agency?
MCP là viết tắt của Model Context Protocol. Đây là một chuẩn mở cho phép các trợ lý AI như Claude truy cập các nguồn dữ liệu và công cụ bên ngoài. Hãy hình dung nó như một ổ cắm đa năng: thay vì xây một tích hợp hay dashboard riêng cho từng nguồn dữ liệu, trợ lý trò chuyện với tất cả qua một giao diện duy nhất.
Với agency, điều đó thay đổi cả logic. Cho đến nay, tích hợp nghĩa là xuất dữ liệu, nạp vào một công cụ rồi sao chép kết quả ra. Với MCP, dữ liệu ở nguyên chỗ cũ, còn đội ngũ đặt câu hỏi ngay tại nơi họ đang làm việc. “Từ đầu tháng 10 đến nay, đối thủ đã chạy những thông điệp nào?” trở thành một câu hỏi trong khung chat, chứ không phải một ticket gửi cho nhóm insight.
Defy MCP hoạt động đúng như vậy: các đội truy vấn dữ liệu về đối thủ, đối tượng và hội thoại trực tiếp trong Claude – như hỏi một đồng nghiệp, không phải học thêm dashboard mới nào. Việc Tinuiti mở dữ liệu đo lường của mình cho các AI agent theo cách tương tự cho thấy hướng đi chung: dữ liệu không còn bị khóa trong dashboard mà có thể truy vấn được.
Công cụ tràn lan hay bộ công cụ tích hợp: so sánh
| Khía cạnh | Công cụ tràn lan | Bộ công cụ tích hợp với MCP |
|---|---|---|
| Truy cập dữ liệu | Xuất file, copy-paste, ảnh chụp màn hình | Trợ lý truy vấn trực tiếp nguồn dữ liệu |
| Thời gian làm quen | Mỗi công cụ một dashboard | Một giao diện, đặt câu hỏi bằng ngôn ngữ tự nhiên |
| Khả năng truy xuất nguồn gốc | Kết quả không thấy rõ nguồn gốc | Câu trả lời có thể truy ngược về nguồn |
| Quản trị | Tài khoản cá nhân, phê duyệt không rõ ràng | Phân quyền tập trung và quy tắc phê duyệt rõ ràng |
| Kiến thức của đội ngũ | Nằm trong đầu từng cá nhân | Prompt và quy trình có thể tái sử dụng |
| Chi phí | Giấy phép phần mềm chồng chéo | Ít công cụ hơn, dùng sâu hơn |
Tích hợp công cụ AI qua sáu bước như thế nào?
- Kiểm kê. Ai dùng công cụ AI nào, cho việc gì, với dữ liệu nào? Hãy hỏi thẳng về các tài khoản cá nhân – không quy trách nhiệm, nếu không bạn sẽ không nhận được câu trả lời trung thực.
- Chọn ba việc ngốn thời gian. Ứng viên điển hình là kiểm toán đối thủ, báo cáo hằng tháng và nghiên cứu cho pitch. Ghi lại hiện nay mỗi việc mất bao lâu.
- Chọn một giao diện. Quyết định nơi đội ngũ của bạn làm việc với AI. Mỗi giao diện bổ sung cần có lý do chính đáng.
- Kết nối dữ liệu thay vì sao chép. Kiểm tra nguồn dữ liệu nào có thể truy vấn trực tiếp qua MCP hoặc một giao diện khác. Cái gì chỉ chạy được qua xuất file thì đưa vào danh sách để làm sau.
- Đặt quy tắc trước khi triển khai. Quyết định những đầu ra nào cần người kiểm tra trước khi gửi cho khách hàng, ai phê duyệt chi tiêu và dữ liệu khách hàng nào được đưa vào hệ thống nào. Cán bộ bảo vệ dữ liệu của bạn phải có mặt trong cuộc bàn này.
- Chạy thử, đo lường, dọn dẹp. Thử nghiệm trong sáu tuần với một khách hàng, so sánh với số liệu thời gian ở bước 2 – và hủy những công cụ mà không ai thấy thiếu.
Agency độc lập có thể học được gì từ các holding company?
Điều nổi bật trong bài đưa tin của Digiday không phải là công nghệ mà là giọng điệu. Các tập đoàn agency bán agent của mình bằng sự kiểm soát: theo Digiday, WPP Media yêu cầu các biện pháp kiểm soát rõ ràng, ngưỡng phê duyệt và sự giám sát có trách nhiệm của con người đối với các quyết định về tài chính và kích hoạt. Ở Dentsu, quan điểm là mọi thứ vẫn cần có sự giám sát của con người.
Đó là bài học cho các agency độc lập. Khách hàng do dự không hẳn vì công nghệ mà vì lo mất kiểm soát. Nếu bạn giải thích được ai kiểm tra đầu ra nào, một nhận định đến từ đâu và dữ liệu nằm ở đâu, bạn sẽ có được lòng tin – bất kể quy mô.
Điểm khác biệt: các holding company xây bộ công nghệ của họ bằng ngân sách phát triển lớn. Agency độc lập phải kết hợp khéo léo hơn. Một nền tảng gom dữ liệu, truy vấn và tự động hóa lại với nhau – như nền tảng Defy – là một cách để đạt mức tương đương mà không cần đội ngũ khoa học dữ liệu nội bộ.
Bạn nên hỏi mọi nhà cung cấp AI điều gì?
- Dữ liệu của bạn có thể được truy vấn qua MCP hoặc một giao diện mở khác không – hay chỉ trong dashboard riêng của bạn?
- Tôi có thể truy ngược mọi nhận định mà hệ thống đưa ra về nguồn của nó không?
- Dữ liệu được lưu ở đâu, ai có quyền truy cập và điều gì xảy ra với các prompt của chúng tôi?
- Công cụ thực sự thay thế quy trình nào – và nhờ đó tôi có thể hủy công cụ hiện có nào?
Nếu không nhận được câu trả lời cho câu hỏi cuối cùng, bạn không mua một công cụ – chỉ thêm một nhạc cụ nữa mà không có bản nhạc.
