DoorDash giảm độ trễ đặt lại hàng tạp hóa từ 16 xuống 2 giây nhờ AI agent

DoorDash vừa công bố kết quả ấn tượng trong việc tối ưu trải nghiệm mua sắm tạp hóa định kỳ: thời gian chờ khi đặt lại đơn hàng giảm từ 16 giây xuống chỉ còn 2 giây. Thành quả này đến từ việc dùng AI agent kết hợp suy luận mô hình ngôn ngữ lớn (LLM) theo lô để tính trước nhu cầu mua sắm lặp lại của người dùng.

Bài toán: người dùng ngại chờ vì thao tác lặp lại

Với hàng tạp hóa, phần lớn người mua có thói quen đặt đi đặt lại những mặt hàng quen thuộc như sữa, trứng, rau củ hay giấy vệ sinh. Trước đây, mỗi lần người dùng mở danh sách mua sắm, DoorDash phải xử lý lại toàn bộ yêu cầu một cách trực tiếp — bao gồm việc gọi mô hình để dự đoán nhu cầu và tra cứu danh mục sản phẩm. Quá trình này ngốn tới 16 giây, đủ lâu để nhiều người bỏ ngang.

Cách tiếp cận: tính trước, kiểm chứng chắc chắn, tra cứu trực tiếp

Nhóm kỹ thuật của DoorDash đã tách bài toán thành nhiều lớp để tối ưu:

• Suy luận LLM theo lô (batch inference): nhu cầu mua sắm định kỳ được tính toán trước thay vì chờ đến lúc người dùng mở ứng dụng. Các tác vụ tốn tài nguyên này được gom lại và chạy nền.
• Kiểm chứng tất định (deterministic validation): kết quả do mô hình sinh ra được đối chiếu bằng các quy tắc cố định, đảm bảo không có gợi ý sai lệch hay ảo giác.
• Tra cứu danh mục trực tiếp (live catalog resolution): lựa chọn sản phẩm luôn được đối chiếu với danh mục đang bán theo thời gian thực, tránh trường hợp gợi ý một món đã hết hàng hoặc đổi giá.
• Giao diện cho phép chỉnh sửa: người dùng có thể tự điều chỉnh danh sách thay vì buộc hệ thống phải gọi mô hình thêm lần nữa — qua đó vừa tiết kiệm chi phí tính toán, vừa tăng tốc phản hồi.

Điểm mấu chốt là chỉ gọi mô hình khi thực sự cần thiết. Phần lớn công việc nặng đã được làm sẵn từ trước.

Kết quả: tăng trưởng rõ rệt ở cả lưu lượng lẫn chuyển đổi

DoorDash cho biết sau khi triển khai, lượt xem danh sách mua sắm tăng gấp đôi, trong khi tỷ lệ đặt hàng của luồng mua sắm này tăng khoảng 34%. Đây là minh chứng cho thấy tốc độ phản hồi có tác động trực tiếp đến hành vi mua hàng: người dùng sẵn sàng quay lại và hoàn tất đơn hàng hơn khi không phải chờ đợi.

Góc nhìn cho thị trường Việt Nam

Câu chuyện của DoorDash mang lại bài học đáng tham khảo cho các nền tảng thương mại điện tử và giao đồ ăn tại Việt Nam như ShopeeFood, GrabFood hay BeFood. Khi người dùng ngày càng quen với việc đặt lại những đơn hàng quen thuộc, việc tính trước nhu cầu bằng AI thay vì xử lý "nóng" mỗi lần truy cập có thể giúp tiết kiệm chi phí hạ tầng đáng kể, đồng thời cải thiện trải nghiệm trên các thiết bị di động có cấu hình thấp và mạng di động không ổn định.

Bên cạnh đó, mô hình kết hợp LLM với kiểm chứng tất định cũng là hướng đi an toàn: AI đảm nhận phần dự đoán linh hoạt, còn các quy tắc cứng đảm bảo tính chính xác của dữ liệu sản phẩm — yếu tố then chốt khi giá cả và tồn kho thay đổi liên tục.

Bài học triển khai

• Không phải mọi thao tác đều cần gọi mô hình theo thời gian thực; hãy tính trước những gì có thể tính trước.
• Luôn có lớp kiểm chứng tất định để chặn sai sót của AI.
• Thiết kế giao diện cho phép người dùng chỉnh sửa giúp giảm tải hệ thống mà vẫn giữ quyền kiểm soát trong tay người dùng.
• Đo lường tác động kinh doanh (lượt xem, tỷ lệ đặt hàng) chứ không chỉ độ trễ kỹ thuật.

Với DoorDash, việc giảm 14 giây chờ đợi không chỉ là một con số kỹ thuật đẹp mà đã trực tiếp chuyển hóa thành doanh thu — một minh chứng rằng tối ưu hiệu năng vẫn là đòn bẩy tăng trưởng mạnh mẽ trong kỷ nguyên AI.