Vì sao AI cho GTM chưa mang lại kết quả (và cách khắc phục)

• Phần lớn đội ngũ GTM đã triển khai nhiều loại AI như viết email, AI SDR, công cụ intent, nhưng vẫn chưa cảm nhận được mức cải thiện về năng suất bán hàng, pipeline hay doanh thu như kỳ vọng
• Khi giao cho AI việc xây dựng chiến lược tiếp cận tài khoản, nó thường chỉ tạo ra những thông điệp đúng về mặt kỹ thuật nhưng rất chung chung kiểu như “Acme đang tuyển SDR và năm ngoái có một cơ hội closed-lost, nên hãy liên hệ”, dẫn đến việc người mua xóa ngay lập tức
• Nguyên nhân gốc rễ là AI không có hai yếu tố cần cho việc ra quyết định tốt, đó là context và logic
• Phần lớn công cụ AI cho GTM chỉ tập trung vào tầng thực thi (Execution) như tạo email hay script, trong khi các khu vực thượng nguồn (upstream) có đòn bẩy thật sự như targetting và góc nhìn (POV) lại bị bỏ ngỏ
• Những đội ngũ đi trước đang xây dựng GTM Context Layer riêng của công ty giữa dữ liệu nguồn và công cụ thực thi; năng lực tự quyết định tín hiệu nào quan trọng, vì sao là lúc này, nói với ai và nói điều gì chính là cốt lõi của lợi thế cạnh tranh

---

Mở đầu — Thực tế AI chưa tạo ra kết quả GTM

• Hầu hết các đội GTM đã triển khai AI dưới một hình thức nào đó, từ viết email, AI SDR, công cụ intent, outbound theo tín hiệu, nghiên cứu tự động cho đến review deal
• Về lý thuyết, AI phải nâng hiệu suất của người phụ trách, pipeline và doanh thu từ các giao dịch thực sự chốt được lên mức có thể đo lường, nhưng kết quả của đa số đội ngũ vẫn còn hạn chế
• Khi giao cho AI việc tiếp cận tài khoản, đầu ra thường là kiểu như sau
  • "Acme is hiring SDRs and had a closed-lost opportunity last year. Reach out about renewed pipeline growth."
  • Về mặt kỹ thuật thì đúng, nhưng hoàn toàn chung chung, nên người phụ trách vẫn phải tự nghiên cứu thủ công, việc ưu tiên vẫn chỉ là phỏng đoán và outreach trở nên gượng gạo
• Vấn đề cốt lõi là giao các quyết định GTM cho AI khi thiếu context và logic cần thiết cho việc ra quyết định

GTM's North Stars — AI thực sự cần cải thiện điều gì

• Xét từ nguyên tắc đầu tiên, đội GTM cần tập trung vào ba điều
  • a) nhiều pipeline hơn, b) pipeline tiến nhanh hơn, c) nhiều doanh thu closed-won hơn
  • Bài viết này tập trung vào a) tạo pipeline (pipeline generation)
• Nếu đi sâu vào ba “đầu vào (input)” mà tổ chức bán hàng có thể kiểm soát được (không tính nhu cầu hay độ nhận biết thị trường)
  • Targeting: tập trung vào tài khoản và con người nào
  • Hypothesis: nêu ra vấn đề nào và đề xuất cách giải quyết gì
  • Execution: chuyển giả thuyết đó thành outreach, cuộc gọi, bài trình bày... tốt đến đâu
• Cả ba khu vực đều là nơi AI có thể tạo đòn bẩy, nhưng vấn đề bắt đầu từ chỗ AI đang xuất hiện ở đâu trong thực tế
  • Phần lớn công cụ AI cho GTM tập trung quá mức vào tầng thứ ba là Execution; chúng hữu ích cho việc viết email, tóm tắt tài khoản, tạo script cuộc gọi, tự động hóa hoạt động, nhưng đó không phải nơi có đòn bẩy lớn nhất

The Reality — “Alpha” thực sự nằm ở thượng nguồn (upstream)

• Chất lượng của việc targetting và góc nhìn (point of view) quan trọng hơn nhiều so với chất lượng email được gửi đi
  • Nếu chọn tài khoản bằng các tín hiệu phổ biến và xây dựng giả thuyết yếu, thì một email “xuất sắc” cũng không mang lại hiệu quả
  • Ngược lại, nếu tiếp cận đúng tài khoản với giả thuyết sắc bén, thì copy không cần hoàn hảo, chỉ cần phù hợp (relevant) là đủ
• Những agent hiện nay không phải chuyên gia trong việc xác định
  • tài khoản nào quan trọng / vì sao tài khoản đó quan trọng ngay lúc này / ai là người liên quan nhất / pain nào có khả năng cao nhất / thông điệp nào thực sự tạo được niềm tin
• Có hai nguyên nhân gốc rễ có liên hệ với nhau
  • Context: agent không có GTM context đúng
  • Logic: doanh nghiệp đang giao phó ra bên ngoài phần logic vốn phải là thế mạnh nội tại của mình

Vấn đề Một — AI không có đúng context

• Stack GTM bị phân mảnh, và những nhân sự bán hàng xuất sắc hiểu chính xác tín hiệu nào chi phối quyết định mua, cũng như cách thu thập, ưu tiên và kết nối các tín hiệu đó
  • Họ đào sâu mọi thông tin có thể có như CRM, ghi âm cuộc gọi, hoạt động intent, kết nối chung, tin tuyển dụng, reddit, diễn đàn trực tuyến... để thiết kế targetting, giả thuyết và messaging
  • Agent cũng không khác gì
• Khi hỏi LLM nên nhắm tới ai và nên nói gì, nếu nó a) chỉ có một phần của bức tranh hoặc b) không biết các mảnh ghép liên kết với nhau thế nào (hoặc cả hai), thì nó không thể hiệu quả

• Ví dụ — Cùng một tín hiệu tuyển dụng, hai tài khoản hoàn toàn khác nhau

  • Giả sử hai công ty gần đây đều đăng tin tuyển SDR
  • Một agent không có context và logic phù hợp sẽ phát hiện cùng một tín hiệu tuyển dụng ở cả hai tài khoản, ưu tiên cả hai và tạo outbound tương tự nhau
  • Nhưng trên thực tế, mức độ phù hợp, intent và bối cảnh, do đó cả mức độ ưu tiên, có thể hoàn toàn khác nhau
    • Company A: đang tuyển để mở rộng outbound, dùng các công cụ mà công ty bạn tích hợp tốt, có pain mà sản phẩm của bạn giải quyết rất tốt, gần đây đã truy cập website và vừa tuyển một champion cũ
    • Company B: cũng đang tuyển SDR, nhưng đã dùng sẵn công cụ hiện tại khó thay thế, có workflow không tích hợp tốt với công ty bạn, và đã nói với SDR gọi cold call rằng tháng trước họ vừa ký hợp đồng 3 năm
  • Nếu agent không truy cập được toàn bộ dữ liệu, và không biết công ty bạn thắng ở đâu, yếu ở đâu, so sánh ra sao với công cụ hiện có, tích hợp với hệ thống nào, pain nào giải tốt nhất, và kịch bản mua nào đáng theo đuổi, thì nó không thể tạo ra hiệu quả
• Cấp tín hiệu cho AI là phần dễ; phần khó là bảo đảm AI hiểu doanh nghiệp đủ sâu để biết tín hiệu nào quan trọng, xếp hạng chúng thế nào và nên đưa yếu tố nào lên trước

Vấn đề Hai — Logic đi mượn không thể là năng lực cạnh tranh

• Lỗi chiến lược nằm ở chỗ giao ra bên ngoài thứ lẽ ra phải là lợi thế cạnh tranh cốt lõi của công ty
  • tức là mua intelligence thượng nguồn (upstream intelligence) như targetting hay tạo giả thuyết từ các nhà cung cấp AI GTM
• Khi làm vậy, bạn đang vận hành cùng một logic ra quyết định với mọi bên khác dùng cùng mô hình hoặc cùng nhà cung cấp đó
  • Những tín hiệu hay chiến lược mà ai cũng tiếp cận được thì theo định nghĩa không thể là lợi thế
  • Điều duy nhất có thể mang tính độc quyền là bạn làm gì với chúng, tức tầng diễn giải (interpretation) quyết định tín hiệu nào quan trọng, chúng kết hợp với nhau thế nào và có ý nghĩa gì với công ty bạn
  • Nếu ngay cả tầng diễn giải đó cũng mua từ vendor, thì lợi thế cuối cùng còn lại cũng bị hàng hóa hóa
• Dù vậy, vẫn có những phần của workflow hợp lý để mua
  • Tự xây dựng các công cụ tầng thực thi (execution layer) như bổ sung dữ liệu tài khoản, tìm tin tuyển dụng, scrape website, tạo bản nháp, tóm tắt cuộc gọi, định tuyến lead, đồng bộ dữ liệu, gửi email... là không hiệu quả
• Ngược lại, có những khu vực thượng nguồn và cốt lõi không nên giao ngoài
  • ưu tiên tài khoản nào / tín hiệu nào thực sự quan trọng / tổ hợp tín hiệu nào cho thấy kịch bản mua thực sự / persona nào liên quan / nên dùng giả thuyết pain nào / nên gắn bằng chứng gì / học được gì từ won, lost, phản hồi và lịch họp được đặt
• Quy tắc đơn giản
  • Buy: công cụ thực thi công việc (xác định tin tuyển dụng, bổ sung liên hệ, tạo email copy, gửi email...)
  • Own: logic ảnh hưởng đến quyết định (tìm gì trong tin tuyển dụng, scrape tín hiệu nào, chấm điểm và ưu tiên tài khoản ra sao...)

Cách khắc phục — Xây dựng GTM Context Layer

• Những đội ngũ tạo được kết quả với AI đặt một tầng intelligence giữa dữ liệu nguồn và công cụ thực thi, biến tín hiệu thành góc nhìn mà chỉ công ty họ mới có thể tạo ra
• Đó chính là GTM Context Layer, một hệ thống độc quyền cho con người và agent biết tín hiệu nào quan trọng, nên diễn giải chúng thế nào, chúng gợi ra kịch bản nào, ai sẽ quan tâm và thông điệp nào là phù hợp
• Một GTM Context Layer mạnh gồm ba phần

  • Data Foundation (nền tảng dữ liệu)

    • Tập hợp nguyên liệu đầu vào như dữ liệu CRM, lịch sử cơ hội, lý do lost, mức sử dụng sản phẩm, hoạt động trên website, enrichment, tin tuyển dụng, tin tức, technographic, ghi chú cuộc gọi, tương tác email, ghi chú đối tác, hoạt động của người phụ trách...
    • Cách xây dựng: Warehouse + ETL pipeline, đồng bộ CRM, enrichment API, product event, scraping, bảng chuẩn hóa
    • Hiệu quả: cung cấp cho con người và agent bức tranh toàn cảnh về tài khoản

  • GTM Decision Logic (logic ra quyết định)

    • Tầng dựa trên quy tắc định nghĩa ICP, persona, chấm điểm tài khoản, trọng số tín hiệu, logic định tuyến, kịch bản mua, tiêu chí loại trừ (disqualifier), playbook
    • Cách xây dựng: mô hình SQL/dbt, bảng scoring, rule engine, segment, logic do doanh nghiệp sở hữu
    • Hiệu quả: chuyển dữ liệu nguồn thành lợi thế cạnh tranh thực sự (edge) mang bản sắc GTM riêng của công ty

  • AI Orchestration Layer (tầng điều phối AI)

    • Tầng workflow điều phối retrieval, gọi công cụ, prompt routing, agent skill, lắp ghép context và tạo đầu ra
    • Quyết định lấy context nào, kiểm tra nguồn nào, xếp hạng tín hiệu nào, áp dụng playbook nào và thực thi skill nào
    • Cách xây dựng: vector search, SQL query, prompt routing, system prompt, tool calling, agent skill, structured output, feedback loop
    • Hiệu quả: biến chiến lược thành hành động, ưu tiên tốt hơn, messaging sắc bén hơn và agent biết tuân theo logic GTM
• Khi làm đúng, đầu ra của agent sẽ thay đổi như sau
  • Trước: "Acme is hiring SDRs and had a closed-lost opportunity last year. Reach out about renewed pipeline growth."
  • Sau: "Acme is hiring SDRs and RevOps, uses a stack we consolidate well, and lost last time due to timing. Prioritize RevOps with a tooling-efficiency angle, Sales with a pipeline-growth angle, and tailor outreach to the pain each team owns."

Bắt đầu từ đâu — Nên bắt đầu ở đâu

• Không cần tái cấu trúc toàn bộ GTM stack chỉ sau một đêm; hãy bắt đầu bằng cách kiểm tra ba điều
  • Kiểm toán vị trí của Decision Logic: xác nhận xem bạn có đang để thuật toán AI bên thứ ba quyết định ai là đối tượng mục tiêu và định vị giá trị ra sao hay không; nếu có, hãy đưa định nghĩa ICP trở lại nội bộ
  • Chuyển từ tín hiệu sang kịch bản: đừng kích hoạt outreach chỉ từ một sự kiện đơn lẻ, cô lập; hãy yêu cầu đội dữ liệu xây dựng mô hình tìm ra tổ hợp sự kiện chỉ ra pain mà họ không thể bác bỏ
  • Ràng buộc payload điều phối: đừng để công cụ phải đoán nên nói gì; hãy cung cấp cho mỗi prospect một payload cực kỳ giới hạn và siêu giàu context
• Không cần làm cả ba cùng lúc; chỉ cần một việc cũng đủ để đưa quyết định thực sự trở lại bên trong doanh nghiệp và vượt lên trước các đối thủ đang chạy cùng một logic nền tảng

Kết — Kết luận

• Lý do AI cho GTM hoạt động kém rất đơn giản: các đội ngũ tự động hóa khâu thực thi nhưng không đầu tư vào phần phán đoán thượng nguồn đứng phía sau nó
• Giờ đây ai cũng có cùng mô hình và cùng các tín hiệu dựng sẵn; điều tạo ra khác biệt cho những đội đi trước là những gì họ tự sở hữu ở phía trên khâu thực thi, tức các tín hiệu tùy biến do chính họ tạo ra và tầng context biết vì sao là tài khoản này, vì sao là lúc này, nên nói với ai và nên nói điều gì
• AI không thay thế chiến lược; nó chỉ phơi bày chiến lược đó thực sự tốt đến đâu, và phần lớn cách triển khai hiện nay chính là bằng chứng cho điều đó